CN107563360A - 信息获取方法和装置 - Google Patents
信息获取方法和装置 Download PDFInfo
- Publication number
- CN107563360A CN107563360A CN201710915703.0A CN201710915703A CN107563360A CN 107563360 A CN107563360 A CN 107563360A CN 201710915703 A CN201710915703 A CN 201710915703A CN 107563360 A CN107563360 A CN 107563360A
- Authority
- CN
- China
- Prior art keywords
- image
- registered users
- similarity
- registered
- face
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/172—Classification, e.g. identification
- G06V40/173—Classification, e.g. identification face re-identification, e.g. recognising unknown faces across different face tracks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
- G06F17/147—Discrete orthonormal transforms, e.g. discrete cosine transform, discrete sine transform, and variations therefrom, e.g. modified discrete cosine transform, integer transforms approximating the discrete cosine transform
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/168—Feature extraction; Face representation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Mathematical Analysis (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Discrete Mathematics (AREA)
- Computing Systems (AREA)
- Collating Specific Patterns (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了信息获取方法和装置。该方法的一具体实施方式包括:获取多个未注册用户的图像,未注册用户为人脸识别系统中不存在属于未注册用户的注册图像的用户;计算每一个未注册用户的图像对应的最大相似度,最大相似度为所述未注册用户的图像中的人脸对象与多个注册图像中的人脸对象的相似度中的最大的相似度;基于计算出的每一个未注册用户的图像对应的最大相似度,确定出对应于预设条件的相似度阈值,预设条件包括:对应的最大相似度大于相似度阈值的未注册用户的图像的数量与未注册用户的图像的数量的比例小于比例阈值。实现了确定出可以人脸识别系统被入侵的风险可控的相似度阈值,提升人脸识别系统的安全性。
Description
技术领域
本申请涉及计算机领域,具体涉及人脸识别领域,尤其涉及信息获取方法和装置。
背景技术
人脸识别系统的安全性是人脸识别系统正常运行的基础。如何使得人脸识别系统被入侵的风险可控,是提升人脸识别系统的安全性的关键环节。
发明信息
本申请提供了一种信息获取方法和装置,用于解决上述背景技术部分存在的技术问题。
第一方面,本申请提供了信息获取方法,该方法包括:获取多个未注册用户的图像,未注册用户为人脸识别系统中不存在属于未注册用户的注册图像的用户;计算多个未注册用户的图像中的每一个未注册用户的图像对应的最大相似度,最大相似度为所述未注册用户的图像中的人脸对象与多个注册图像中的人脸对象的相似度中的最大的相似度;基于计算出的每一个未注册用户的图像对应的最大相似度,确定出对应于预设条件的相似度阈值,预设条件包括:多个未注册用户的图像中的对应的最大相似度大于相似度阈值的未注册用户的图像的数量与多个未注册用户的图像的数量的比例小于比例阈值。
第二方面,本申请提供了信息获取装置,该装置包括:获取单元,配置用于获取多个未注册用户的图像,未注册用户为人脸识别系统中不存在属于未注册用户的注册图像的用户;计算单元,配置用于计算多个未注册用户的图像中的每一个未注册用户的图像对应的最大相似度,最大相似度为未注册用户的图像中的人脸对象与多个注册图像中的人脸对象的相似度中的最大的相似度;确定单元,配置用于基于计算出的每一个未注册用户的图像对应的最大相似度,确定出对应于预设条件的相似度阈值,预设条件包括:多个未注册用户的图像中的对应的最大相似度大于相似度阈值的未注册用户的图像的数量与多个未注册用户的图像的数量的比例小于比例阈值。
本申请提供的信息获取方法和装置,通过获取多个未注册用户的图像,未注册用户为人脸识别系统中不存在属于未注册用户的注册图像的用户;计算每一个未注册用户的图像对应的最大相似度,最大相似度为所述未注册用户的图像中的人脸对象与多个注册图像中的人脸对象的相似度中的最大的相似度;基于计算出的每一个未注册用户的图像对应的最大相似度,确定出对应于预设条件的相似度阈值,预设条件包括:对应的最大相似度大于相似度阈值的未注册用户的图像的数量与未注册用户的图像的数量的比例小于比例阈值。实现了确定出可以使得人脸识别系统被入侵的风险可控的相似度阈值,提升人脸识别系统的安全性。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本申请的其它特征、目的和优点将会变得更明显:
图1示出了可以应用本申请的信息获取方法示例性系统架构;
图2示出了根据本申请的信息获取方法的一个实施例的流程图;
图3示出了根据本申请的信息获取装置的一个实施例的结构示意图;
图4是适于用来实现本申请实施例的服务器的计算机系统的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
请参考图1,其示出了可以应用本申请的信息获取方法示例性系统架构。
如图1所示,系统架构可以包括闸机101、网络102、服务器103,网络102可以为有线网络。服务器103可以获取在运行在闸机101上的人脸识别系统中注册过的注册图像。服务器103还可以获取多个未注册用户的图像,计算多个未注册用户的图像中的每一个未注册用户的图像中的人脸对象与每一个注册图像中的人脸对象的相似度。
请参考图2,其示出了根据本申请的信息获取方法的一个实施例的流程。需要说明的是,本申请实施例所提供的信息获取方法可以由服务器(例如图1中的服务器103执行)。该方法包括以下步骤:
步骤201,获取多个未注册用户的图像。
在本实施例中,任何可能被人脸识别系统进行身份验证的人均可以称之为用户。在图像中的一个用户的脸部可以称之为用户的脸部对应的人脸对象。当一个图像中仅包含一个用户的脸部对应的人脸对象时,则该图像可以称之为用户的图像。例如,用户的图像可以为仅包含一个用户的脸部对应的人脸对象的证件照。
在本实施例中,注册图像可以是指预先在人脸识别系统中注册过的用户的图像。一个用户的图像在人脸识别系统中进行注册可以相当于人脸识别系统保存该用户的图像和该用户的图像所属的用户的对应关系。
例如,在通过步骤201获取多个未注册用户的图像之前,可以由多个用户的终端分别将用户的图像例如用户的证件照发送至服务器,再由服务器将该用户的图像发送至闸机。运行在闸机上的人脸识别系统可以接收到不同的用户的终端发送的用户的证件照,人脸识别系统可以保存接收到的每一个用户的证件照和各自所属的用户的对应关系。
在本实施例中,在人脸识别系统中未注册有属于一个用户的图像时,则可以将该用户称之为未注册用户。属于一个用户的任意一个用户的图像均未在人脸识别系统中注册过,则该用户可以称之为未注册用户。
在本实施例中,获取到的多个未注册用户的图像中,属于同一个未注册用户的图像的数量可以为多个。属于同一个未注册用户的每一个用户的图像均未在人脸识别系统中注册过。
步骤202,计算每一个未注册用户的图像对应的最大相似度。
在本实施例中,在获取多个未注册用户的图像之后,可以计算出每一个未注册用户的图像对应的最大相似度。一个未注册用户的图像对应的最大相似度为该未注册用户的图像中的人脸对象与多个注册图像中的人脸对象的相似度中的最大的相似度。未注册用户的图像中的人脸对象可以为该未注册用户的脸部对应的人脸对象。
在本实施例中,在计算一个未注册用户的图像对应的最大相似度时,可以计算该未注册用户的图像中的人脸对象与人脸识别系统中的所有注册图像中的每一个注册图像中的人脸对象的相似度,从而,可以计算出一个未注册用户的图像对应的最大相似度。
在本实施例的一些可选的实现方式中,获取到的多个未注册用户的图像的数量大于注册图像的数量。例如,人脸识别系统中的注册图像数量为1万个,获取到的未注册用户的图像为100万个。
在本实施例的一些可选的实现方式中,在计算每一个未注册用户的图像中的人脸对象与人脸识别系统中的所有注册图像中的每一个注册图像中的人脸对象的相似度时,可以计算每一个未注册用户的图像中的人脸对象对应的特征向量与每一个注册图像中的人脸对象对应的特征向量的余弦相似度。一个余弦相似度可以作为一个未注册用户的图像中的人脸对象与一个注册图像中的人脸对象的相似度。
针对一个未注册用户的图像,可以计算出该未注册用户的图像中的人脸对象对应的特征向量与人脸识别系统中的所有注册图像中的每一个注册图像中的人脸对象对应的特征向量的余弦相似度,从而,得到该未注册用户的图像中的人脸对象与人脸识别系统中的所有注册图像中的每一个注册图像中的人脸对象的相似度。
在计算每一个未注册用户的图像中的人脸对象对应的特征向量与所有注册图像中的每一个注册图像中的人脸对象对应的特征向量之间的余弦相似度时,可以首先生成未注册特征矩阵和注册特征矩阵,未注册特征矩阵中的每一行可以为一个未注册用户的图像中的人脸对象对应的特征向量,注册特征矩阵中的每一列可以为一个注册图像中的人脸对象对应的特征向量,未注册特征矩阵和注册特征矩阵的中的数据各自存储在内存中的一个地址连续的存储区域中。一个人脸对象对应的特征向量中的每一个分量可以对应一个人脸对象对应的脸部的特征。一个人脸对象对应的特征向量可以通过卷积神经网络获得。在生成未注册特征矩阵和注册特征矩阵之后,可以计算未注册特征矩阵和注册特征矩阵的乘积,得到每一个未注册用户的图像中的人脸对象对应的特征向量与所有注册图像中的每一个注册图像中的人脸对象对应的特征向量之间的余弦相似度。
例如,人脸识别系统中的注册图像数量为1万个,获取到的未注册用户的图像为100万个,在计算100万个未注册用户的图像中的每一个未注册用户的图像对应的最大相似度时,对于每一个未注册用户的图像,需要计算未注册用户的图像中的人脸对象与1万个注册图像中的每一个注册图像中的人脸对象的相似度,对于每一个未注册用户的图像,需要进行1万次相似度计算。未注册特征矩阵中的每一行分别为100万个未注册用户的图像中的每一个未注册用户的图像中的人脸对象对应的特征向量,注册特征矩阵中的每一列分别为1万个注册图像中的每一个注册图像中的人脸对象对应的特征向量。可以将未注册特征矩阵与注册特征矩阵相乘,得到100万个未注册用户的图像中的每一个未注册用户的图像中的人脸对象与所有注册图像中的每一个注册图像中的人脸对象的相似度,进一步可以查找出100万个未注册用户的图像中的每一个未注册用户的图像对应的最大相似度。由于未注册特征矩阵与注册特征矩阵中的数据在内存中是连续存储的,因此,可以快速地计算出100万个未注册用户的图像中的每一个未注册用户的图像对应的最大相似度。
步骤203,确定出对应于预设条件的相似度阈值。
在本实施例中,在通过步骤202计算每一个未注册用户的图像对应的最大相似度之后,可以根据每一个未注册用户的图像对应的最大相似度,确定出对应于预设条件的相似度阈值。确定出对应于预设条件的相似度阈值可以相当于确定出的相似度阈值可以使得预设条件成立。
在本实施例中,预设条件包括:通过步骤201获取到的多个未注册用户的图像中的对应的最大相似度大于相似度阈值的未注册用户的图像的数量与多个未注册用户的图像的数量的比例小于比例阈值。在人脸识别系统中,当一个未注册用户的图像对应的最大相似度大于相似度阈值时,即一个未注册用户的图像中的人脸对象与多个注册图像中的人脸对象的相似度中最大的相似度大于相似度阈值时,则该未注册用户的图像所属的未注册用户可以通过人脸识别系统的身份验证。
在本实施例中,获取到的多个未注册用户的图像中的对应的最大相似度大于相似度阈值的未注册用户的图像的数量与获取到的多个未注册用户的图像的数量的比例可以用于反映人脸识别系统被入侵的风险,该比例越低,则人脸识别系统被入侵的风险越低,人脸识别系统越安全。
在本实施例中,可以确定出可以使得获取到的多个未注册用户的图像中的对应的最大相似度大于相似度阈值的未注册用户的图像的数量与获取到的多个未注册用户的图像的数量的比例小于比例阈值的相似度阈值,从而,使得人脸识别系统被入侵的风险可控。
例如,人脸识别系统中的注册图像的数量为1万个,获取到的多个未注册用户的图像为100万个,需要计算出100万个未注册用户的图像中每一个未注册用户的图像对应的最大相似度。可以对100万个未注册用户的图像中每一个未注册用户的图像对应的最大相似度进行排序。假设人脸识别系统被入侵的风险可控为100万个未注册用户的图像可以有10个未注册用户的图像所属的未注册用户通过验证,则可以确定一个相似度阈值,确保100万个未注册用户的图像中只有10个未注册用户的图像各自对应的最大相似度大于相似度阈值,从而,使得只有10个未注册用户的图像所属的未注册用户通过验证,人脸识别系统被入侵的风险可控。
在本实施例的一些可选的实现方式中,相似度阈值对应于的预设条件还包括:识别通过率大于通过率阈值。换言之,确定出的相似度阈值除了可以使得获取到的多个未注册用户的图像中的对应的最大相似度大于相似度阈值的未注册用户的图像的数量与获取到的多个未注册用户的图像的数量的比例小于比例阈值之外,还可以使得人脸识别系统的识别通过率大于通过率阈值。
在本实施例中,识别通过率为被人脸识别系统进行身份验证后通过身份验证的用户的数量与所有被人脸识别系统进行身份验证的用户的数量的比例。
在本实施例中,可以通过人脸识别系统对多个用户进行身份验证,计算出识别通过率。人脸识别系统在对用户进行身份验证时,可以首先采集用户的图像,用户的图像中包含该用户的脸部对应的人脸对象。然后,可以计算采集到的该用户的图像中的人脸对象与人脸识别系统中的各个注册图像中的人脸对象的相似度,确定出计算出的多个相似度中的最大的相似度,当最大的相似度即大于相似度阈值时,则该用户可以通过人脸识别系统的身份验证。
在本实施例中,注册图像可以是指预先在人脸识别系统中注册过的用户的图像。一个用户的图像在人脸识别系统中进行注册可以相当于人脸识别系统保存该用户的图像和该用户的图像所属的用户的对应关系。
例如,在利用人脸识别系统对多个用户进行身份验证之前,该多个用户的终端可以将多个用户各自的证件照上传至服务器,再由服务器将多个用户各自的证件照发送至运行人脸识别系统的闸机,将多个用户各自的证件照在人脸识别系统中进行注册,即人脸识别系统可以保存接收到的每一个用户的证件照和各自所属的用户的对应关系。
在本实施例中,可以计算出在通过人脸识别系统对多个用户进行身份验证时,最终通过人脸识别系统的身份验证的用户的数量与参与身份验证的用户的数量的比例,从而,可以得到识别通过率。
以人脸识别系统中的注册图像的数量为1万个,获取到的未注册用户的图像为100万个为例,说明确定出对应于预设条件的相似度阈值的过程:首先需要计算出100万个未注册用户的图像中每一个未注册用户的图像中的人脸对象与1万个注册图像中的人脸对象的相似度中的最大相似度即排名为TOP1的相似度,得到100万个未注册用户的图像中每一个未注册用户的图像各自对应的TOP1相似度,对100万个未注册用户的图像中的每一个未注册用户的图像各自对应的TOP1相似度进行排序。
假设人脸识别系统被入侵的风险可控为100万个未注册用户的图像中可以有10个未注册用户的图像所属的未注册用户通过身份验证,即只有10个未注册用户的图像对应的最大相似度大于确定出的相似度阈值。首先,可以初步确定出一个相似度阈值,确保只有10个未注册用户的图像对应的最大相似度大于初步确定出的该相似度阈值,然后,可以判断初步确定出的相似度阈值是否可以使得人脸识别系统的识别通过率大于通过率阈值例如99.9%。当初步确定出的相似度阈值无法使得识别通过率小于通过率阈值时,则可能初步确定出的相似度阈值过高,可以确定出一个比初步确定出的相似度阈值小的相似度阈值,再次判断是否可以使得人脸识别通过率大于通过率阈值,同时,可以确保只有10个未注册用户的图像对应的最大相似度大于相似度阈值。通过不断地调整,可以最终确定出确保只有10个未注册用户的图像对应的最大相似度大于相似度阈值并且使得人脸识别通过率大于通过率阈值的相似度阈值。
请参考图3,作为对上述各图所示方法的实现,本申请提供了一种信息获取装置的一个实施例,该装置实施例与图2所示的方法实施例相对应。
如图3所示,信息获取装置包括:获取单元301,计算单元302,确定单元303。其中,获取单元301配置用于获取多个未注册用户的图像,未注册用户为人脸识别系统中不存在属于未注册用户的注册图像的用户;计算单元302配置用于计算多个未注册用户的图像中的每一个未注册用户的图像对应的最大相似度,最大相似度为未注册用户的图像中的人脸对象与多个注册图像中的人脸对象的相似度中的最大的相似度;确定单元303配置用于基于计算出的每一个未注册用户的图像对应的最大相似度,确定出对应于预设条件的相似度阈值,预设条件包括:获取到的多个未注册用户的图像中的对应的最大相似度大于相似度阈值的未注册用户的图像的数量与多个未注册用户的图像的数量的比例小于比例阈值。
在本实施例的一些可选的实现方式中,预设条件还包括:识别通过率大于通过率阈值,其中,识别通过率为被人脸识别系统进行身份验证后通过身份验证的用户与所有被人脸识别系统进行身份验证的用户的比例,人脸识别系统基于在进行身份验证时采集到的用户的图像中的人脸对象与多个注册图像中的人脸对象的相似度中的最大的相似度是否大于相似度阈值而确定用户是否通过身份验证。
在本实施例的一些可选的实现方式中,计算单元包括:相似度计算子单元,配置用于计算每一个未注册用户的图像中的人脸对象对应的特征向量与每一个注册图像中的人脸对象对应的特征向量的余弦相似度;将余弦相似度作为未注册用户的图像中的人脸对象与注册图像中的人脸对象的相似度。
在本实施例的一些可选的实现方式中,相似度计算子单元进一步配置用于:计算未注册特征矩阵和注册特征矩阵的乘积,得到每一个未注册用户的图像中的人脸对象对应的特征向量与每一个注册图像中的人脸对象对应的特征向量的余弦相似度,未注册特征矩阵中的每一行为一个未注册用户的图像中的人脸对象对应的特征向量,注册特征矩阵中的每一列为一个注册图像中的人脸对象对应的特征向量,未注册特征矩阵和注册特征矩阵各自存储在内存中的一个地址连续的存储区域中。
在本实施例的一些可选的实现方式中,多个未注册用户的图像的数量大于多个注册图像的数量。
图4示出了适于用来实现本申请实施例的服务器的计算机系统的结构示意图。
如图4所示,计算机系统包括中央处理单元(CPU)401,其可以根据存储在只读存储器(ROM)402中的程序或者从存储部分408加载到随机访问存储器(RAM)403中的程序而执行各种适当的动作和处理。在RAM403中,还存储有计算机系统操作所需的各种程序和数据。CPU 401、ROM 402以及RAM 403通过总线404彼此相连。输入/输出(I/O)接口405也连接至总线404。
以下部件连接至I/O接口405:输入部分406;输出部分407;包括硬盘等的存储部分408;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分409。通信部分409经由诸如因特网的网络执行通信处理。驱动器410也根据需要连接至I/O接口405。可拆卸介质411,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器410上,以便于从其上读出的计算机程序根据需要被安装入存储部分408。
特别地,本申请的实施例中描述的过程可以被实现为计算机程序。例如,本申请的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包括用于执行流程图所示的方法的指令。该计算机程序可以通过通信部分409从网络上被下载和安装,和/或从可拆卸介质411被安装。在该计算机程序被中央处理单元(CPU)401执行时,执行本申请的方法中限定的上述功能。
本申请还提供了一种服务器,该服务器可以包括图3所描述的信息获取装置。该服务器可以配置有一个或多个处理器;存储器,用于存储一个或多个程序,一个或多个程序中可以包含用以执行上述步骤201-203中描述的操作的指令。当一个或多个程序被一个或多个处理器执行时,使得一个或多个处理器执行上述步骤201-203中描述的操作。
本申请还提供了一种计算机可读介质,该计算机可读介质可以是服务器中所包括的;也可以是单独存在,未装配入服务器中。上述计算机可读介质承载有一个或者多个程序,当一个或者多个程序被服务器执行时,使得服务器:获取多个未注册用户的图像,未注册用户为人脸识别系统中不存在属于未注册用户的注册图像的用户;计算每一个未注册用户的图像对应的最大相似度,最大相似度为未注册用户的图像中的人脸对象与多个注册图像中的人脸对象的相似度中的最大的相似度;基于计算出的每一个未注册用户的图像对应的最大相似度,确定出对应于预设条件的相似度阈值,预设条件包括:对应的最大相似度大于相似度阈值的未注册用户的图像的数量与未注册用户的图像的数量的比例小于比例阈值。
需要说明的是,本申请所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以确定在处理器中,例如,可以描述为:一种处理器包括获取单元,计算单元,确定单元。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定,例如,获取单元还可以被描述为“用于获取多个未注册用户的图像的单元”。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本申请中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离所述发明构思的情况下,由上述技术特征或其等同特征进行任意组合合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (12)
1.一种信息获取方法,其特征在于,所述方法包括:
获取多个未注册用户的图像,所述未注册用户为人脸识别系统中不存在属于所述未注册用户的注册图像的用户;
计算多个未注册用户的图像中的每一个未注册用户的图像对应的最大相似度,所述最大相似度为所述未注册用户的图像中的人脸对象与人脸识别系统中的多个注册图像中的人脸对象的相似度中的最大的相似度;
基于计算出的每一个未注册用户的图像对应的最大相似度,确定出对应于预设条件的相似度阈值,所述预设条件包括:多个未注册用户的图像中的对应的最大相似度大于相似度阈值的未注册用户的图像的数量与多个未注册用户的图像的数量的比例小于比例阈值。
2.根据权利要求1所述的方法,其特征在于,所述预设条件还包括:识别通过率大于通过率阈值,其中,所述识别通过率为被人脸识别系统进行身份验证后通过身份验证的用户与所有被人脸识别系统进行身份验证的用户的比例,所述人脸识别系统基于在进行身份验证时采集到的用户的图像中的人脸对象与多个注册图像中的人脸对象的相似度中的最大的相似度是否大于相似度阈值而确定所述用户是否通过身份验证。
3.根据权利要求2所述的方法,其特征在于,计算多个未注册用户的图像中的每一个未注册用户的图像对应的最大相似度包括:
计算每一个未注册用户的图像中的人脸对象对应的特征向量与每一个注册图像中的人脸对象对应的特征向量的余弦相似度;
将余弦相似度作为未注册用户的图像中的人脸对象与注册图像中的人脸对象的相似度。
4.根据权利要求3所述的方法,其特征在于,计算每一个未注册用户的图像中的人脸对象对应的特征向量与每一个注册图像中的人脸对象对应的特征向量的余弦相似度包括:
计算未注册特征矩阵和注册特征矩阵的乘积,得到每一个未注册用户的图像中的人脸对象对应的特征向量与每一个注册图像中的人脸对象对应的特征向量的余弦相似度,其中,未注册特征矩阵中的每一行为一个未注册用户的图像中的人脸对象对应的特征向量,注册特征矩阵中的每一列为一个注册图像中的人脸对象对应的特征向量,所述未注册特征矩阵和注册特征矩阵各自存储在内存中的一个地址连续的存储区域中。
5.根据权利要求4所述的方法,其特征在于,多个未注册用户的图像的数量大于多个注册图像的数量。
6.一种信息获取装置,其特征在于,所述装置包括:
获取单元,配置用于获取多个未注册用户的图像,所述未注册用户为人脸识别系统中不存在属于所述未注册用户的注册图像的用户;
计算单元,配置用于计算多个未注册用户的图像中的每一个未注册用户的图像对应的最大相似度,所述最大相似度为所述未注册用户的图像中的人脸对象与人脸识别系统中的多个注册图像中的人脸对象的相似度中的最大的相似度;
确定单元,配置用于基于计算出的每一个未注册用户的图像对应的最大相似度,确定出对应于预设条件的相似度阈值,所述预设条件包括:多个未注册用户的图像中的对应的最大相似度大于相似度阈值的未注册用户的图像的数量与多个未注册用户的图像的数量的比例小于比例阈值。
7.根据权利要求6所述的装置,其特征在于,所述预设条件还包括:识别通过率大于通过率阈值,其中,所述识别通过率为被人脸识别系统进行身份验证后通过身份验证的用户与所有被人脸识别系统进行身份验证的用户的比例,所述人脸识别系统基于在进行身份验证时采集到的用户的图像中的人脸对象与多个注册图像中的人脸对象的相似度中的最大的相似度是否大于相似度阈值而确定所述用户是否通过身份验证。
8.根据权利要求7所述的装置,其特征在于,计算单元包括:
相似度计算子单元,配置用于计算每一个未注册用户的图像中的人脸对象对应的特征向量与每一个注册图像中的人脸对象对应的特征向量的余弦相似度;将余弦相似度作为未注册用户的图像中的人脸对象与注册图像中的人脸对象的相似度。
9.根据权利要求8所述的装置,其特征在于,相似度计算子单元进一步配置用于:计算未注册特征矩阵和注册特征矩阵的乘积,得到每一个未注册用户的图像中的人脸对象对应的特征向量与每一个注册图像中的人脸对象对应的特征向量的余弦相似度,其中,未注册特征矩阵中的每一行为一个未注册用户的图像中的人脸对象对应的特征向量,注册特征矩阵中的每一列为一个注册图像中的人脸对象对应的特征向量,所述未注册特征矩阵和注册特征矩阵各自存储在内存中的一个地址连续的存储区域中。
10.根据权利要求9所述的装置,其特征在于,多个未注册用户的图像的数量大于多个注册图像的数量。
11.一种服务器,其特征在于,包括:
一个或多个处理器;
存储器,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现如权利要求1-5中任一所述的方法。
12.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-5中任一所述的方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710915703.0A CN107563360B (zh) | 2017-09-30 | 2017-09-30 | 信息获取方法和装置 |
US16/050,947 US10740597B2 (en) | 2017-09-30 | 2018-07-31 | Method and apparatus for acquiring information |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710915703.0A CN107563360B (zh) | 2017-09-30 | 2017-09-30 | 信息获取方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107563360A true CN107563360A (zh) | 2018-01-09 |
CN107563360B CN107563360B (zh) | 2021-05-07 |
Family
ID=60984913
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710915703.0A Active CN107563360B (zh) | 2017-09-30 | 2017-09-30 | 信息获取方法和装置 |
Country Status (2)
Country | Link |
---|---|
US (1) | US10740597B2 (zh) |
CN (1) | CN107563360B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110717388A (zh) * | 2019-09-02 | 2020-01-21 | 平安科技(深圳)有限公司 | 多账户关联注册的方法、装置、计算机设备及存储介质 |
CN111428611A (zh) * | 2020-03-19 | 2020-07-17 | 上海领感科技有限公司 | 一种非注册运动人群的基于大数据面部识别系统及方法 |
CN111611572A (zh) * | 2020-06-28 | 2020-09-01 | 支付宝(杭州)信息技术有限公司 | 一种基于人脸认证的实名认证方法及装置 |
CN112181968A (zh) * | 2020-09-29 | 2021-01-05 | 京东数字科技控股股份有限公司 | 统一商品信息的方法、装置、系统及存储介质 |
CN112270399A (zh) * | 2020-09-29 | 2021-01-26 | 北京百度网讯科技有限公司 | 基于深度学习的算子注册处理方法、装置及电子设备 |
CN113688708A (zh) * | 2021-08-12 | 2021-11-23 | 北京数美时代科技有限公司 | 一种基于概率特征的人脸识别方法、系统及存储介质 |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220100803A1 (en) * | 2020-09-25 | 2022-03-31 | Lucinda Pineiro | System, method and application for matching profiles of users |
TWI802906B (zh) * | 2021-01-28 | 2023-05-21 | 旺宏電子股份有限公司 | 資料識別裝置及辨識方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103514694A (zh) * | 2013-09-09 | 2014-01-15 | 重庆邮电大学 | 一种入侵检测监控系统 |
CN103530648A (zh) * | 2013-10-14 | 2014-01-22 | 四川空港知觉科技有限公司 | 一种基于多帧图像的人脸识别方法 |
JP5503921B2 (ja) * | 2009-08-21 | 2014-05-28 | ソニーモバイルコミュニケーションズ, エービー | 情報端末、情報端末の情報制御方法及び情報制御プログラム |
US20150269422A1 (en) * | 2014-03-19 | 2015-09-24 | Canon Kabushiki Kaisha | Person registration apparatus, person recognition apparatus, person registration method, and person recognition method |
CN105868695A (zh) * | 2016-03-24 | 2016-08-17 | 北京握奇数据系统有限公司 | 一种人脸识别方法及系统 |
CN106228628A (zh) * | 2016-07-15 | 2016-12-14 | 腾讯科技(深圳)有限公司 | 基于人脸识别的签到系统、方法和装置 |
CN106326868A (zh) * | 2016-08-26 | 2017-01-11 | 江苏华通晟云科技有限公司 | 基于余弦相似度度量学习的人脸识别方法 |
CN106951866A (zh) * | 2017-03-21 | 2017-07-14 | 北京深度未来科技有限公司 | 一种人脸认证方法及装置 |
-
2017
- 2017-09-30 CN CN201710915703.0A patent/CN107563360B/zh active Active
-
2018
- 2018-07-31 US US16/050,947 patent/US10740597B2/en active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5503921B2 (ja) * | 2009-08-21 | 2014-05-28 | ソニーモバイルコミュニケーションズ, エービー | 情報端末、情報端末の情報制御方法及び情報制御プログラム |
CN103514694A (zh) * | 2013-09-09 | 2014-01-15 | 重庆邮电大学 | 一种入侵检测监控系统 |
CN103530648A (zh) * | 2013-10-14 | 2014-01-22 | 四川空港知觉科技有限公司 | 一种基于多帧图像的人脸识别方法 |
US20150269422A1 (en) * | 2014-03-19 | 2015-09-24 | Canon Kabushiki Kaisha | Person registration apparatus, person recognition apparatus, person registration method, and person recognition method |
CN105868695A (zh) * | 2016-03-24 | 2016-08-17 | 北京握奇数据系统有限公司 | 一种人脸识别方法及系统 |
CN106228628A (zh) * | 2016-07-15 | 2016-12-14 | 腾讯科技(深圳)有限公司 | 基于人脸识别的签到系统、方法和装置 |
CN106326868A (zh) * | 2016-08-26 | 2017-01-11 | 江苏华通晟云科技有限公司 | 基于余弦相似度度量学习的人脸识别方法 |
CN106951866A (zh) * | 2017-03-21 | 2017-07-14 | 北京深度未来科技有限公司 | 一种人脸认证方法及装置 |
Non-Patent Citations (1)
Title |
---|
朱文锦: "实验室智能视频监控系统设计与实现", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110717388A (zh) * | 2019-09-02 | 2020-01-21 | 平安科技(深圳)有限公司 | 多账户关联注册的方法、装置、计算机设备及存储介质 |
CN110717388B (zh) * | 2019-09-02 | 2023-06-06 | 平安科技(深圳)有限公司 | 多账户关联注册的方法、装置、计算机设备及存储介质 |
CN111428611A (zh) * | 2020-03-19 | 2020-07-17 | 上海领感科技有限公司 | 一种非注册运动人群的基于大数据面部识别系统及方法 |
CN111428611B (zh) * | 2020-03-19 | 2022-07-12 | 上海领感科技有限公司 | 一种非注册运动人群的基于大数据面部识别系统及方法 |
CN111611572A (zh) * | 2020-06-28 | 2020-09-01 | 支付宝(杭州)信息技术有限公司 | 一种基于人脸认证的实名认证方法及装置 |
CN112181968A (zh) * | 2020-09-29 | 2021-01-05 | 京东数字科技控股股份有限公司 | 统一商品信息的方法、装置、系统及存储介质 |
CN112270399A (zh) * | 2020-09-29 | 2021-01-26 | 北京百度网讯科技有限公司 | 基于深度学习的算子注册处理方法、装置及电子设备 |
CN112270399B (zh) * | 2020-09-29 | 2022-03-11 | 北京百度网讯科技有限公司 | 基于深度学习的算子注册处理方法、装置及电子设备 |
CN112181968B (zh) * | 2020-09-29 | 2024-07-19 | 京东科技控股股份有限公司 | 统一商品信息的方法、装置、系统及存储介质 |
CN113688708A (zh) * | 2021-08-12 | 2021-11-23 | 北京数美时代科技有限公司 | 一种基于概率特征的人脸识别方法、系统及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
US10740597B2 (en) | 2020-08-11 |
CN107563360B (zh) | 2021-05-07 |
US20190102610A1 (en) | 2019-04-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107563360A (zh) | 信息获取方法和装置 | |
CN108491805B (zh) | 身份认证方法和装置 | |
US11301765B2 (en) | Processing machine learning attributes | |
US11790676B2 (en) | Artificial intelligence assisted warranty verification | |
CN108416326B (zh) | 人脸识别方法和装置 | |
CN107135195B (zh) | 异常用户账号的检测方法和装置 | |
CN108256591B (zh) | 用于输出信息的方法和装置 | |
CN109075971A (zh) | 用于文档信息真实性验证的系统和方法 | |
CN107729928B (zh) | 信息获取方法和装置 | |
CN108460365B (zh) | 身份认证方法和装置 | |
JP2022521038A (ja) | 顔認識方法、ニューラルネットワークのトレーニング方法、装置及び電子機器 | |
CN107958247A (zh) | 用于人脸图像识别的方法和装置 | |
CN107679493A (zh) | 人脸识别方法和装置 | |
CN105956469A (zh) | 文件安全性识别方法和装置 | |
CN114419363A (zh) | 基于无标注样本数据的目标分类模型训练方法及装置 | |
CN106056083A (zh) | 一种信息处理方法及终端 | |
CN108399401B (zh) | 用于检测人脸图像的方法和装置 | |
CN107368407A (zh) | 信息处理方法和装置 | |
CN116823428A (zh) | 一种反欺诈检测方法、装置、设备及存储介质 | |
CN108389053A (zh) | 支付方法、装置、电子设备及可读存储介质 | |
CN105099700A (zh) | 一种认证方法、服务器及系统 | |
TW202230173A (zh) | 認證系統、認證方法、及程式產品 | |
CN111385272A (zh) | 弱口令的检测方法及装置 | |
CN108734099A (zh) | 身份验证方法和装置、电子设备、计算机程序和存储介质 | |
CN107708076A (zh) | 用于推送接入信息的方法和设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |