CN107729860A - 人脸识别计算方法及相关产品 - Google Patents
人脸识别计算方法及相关产品 Download PDFInfo
- Publication number
- CN107729860A CN107729860A CN201711034629.8A CN201711034629A CN107729860A CN 107729860 A CN107729860 A CN 107729860A CN 201711034629 A CN201711034629 A CN 201711034629A CN 107729860 A CN107729860 A CN 107729860A
- Authority
- CN
- China
- Prior art keywords
- calculation
- calculating
- calculating linking
- neuron
- feature
- 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
- 238000000205 computational method Methods 0.000 title claims abstract description 11
- 238000004364 calculation method Methods 0.000 claims abstract description 103
- 210000002364 input neuron Anatomy 0.000 claims abstract description 83
- 230000001815 facial effect Effects 0.000 claims abstract description 35
- 238000000034 method Methods 0.000 claims abstract description 35
- 238000000605 extraction Methods 0.000 claims abstract description 19
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 17
- 230000007935 neutral effect Effects 0.000 claims abstract description 14
- 210000004205 output neuron Anatomy 0.000 claims description 32
- 239000011159 matrix material Substances 0.000 claims description 19
- 239000013598 vector Substances 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 15
- 210000002569 neuron Anatomy 0.000 claims description 15
- 238000013497 data interchange Methods 0.000 claims description 2
- 235000013399 edible fruits Nutrition 0.000 claims description 2
- 230000008901 benefit Effects 0.000 abstract description 6
- 238000004891 communication Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 5
- 238000003860 storage Methods 0.000 description 5
- 230000009471 action Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000033001 locomotion Effects 0.000 description 3
- 230000007774 longterm Effects 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 239000003086 colorant Substances 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000001052 transient effect Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000005314 correlation function Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000007717 exclusion Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000004549 pulsed laser deposition Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
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
- G06V40/168—Feature extraction; Face representation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
- G06N3/061—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using biological neurons, e.g. biological neurons connected to an integrated circuit
Abstract
本公开提供一种人脸识别计算方法及相关产品,所述方法包括如下步骤:集人脸图像,对所述人脸图像进行特征提取得到N个特征;对N个特征分别与N个设定阈值进行比较得到大于设定阈值的M个特征以及小于设定阈值的W个特征值,其中N=M+W,所述N的取值范围为大于等于3的整数,所述M以及所述W的取值范围为大于等于0的整数;将M个特征作为M个输入神经元输入到基于神经网络的人脸识别算法中执行计算得到计算结果,将W个特征值对应的W个输入神经元的计算链接断开,依据所述计算结果得到人脸识别的结果。本发明提供的技术方案具有提高用户体验度的优点。
Description
技术领域
本发明涉及通信技术领域,具体涉及一种人脸识别计算方法及相关产品。
背景技术
人脸识别,是基于人的脸部特征信息进行身份识别的一种生物识别技术。用摄像头采集含有人脸的图像,并自动在图像中检测和跟踪人脸,进而对检测到的人脸进行脸部的一系列相关技术,通常也叫做人像识别、面部识别。
现有终端的人脸识别计算基于神经网络的计算,现有的人脸识别的神经网络的计算量大,能耗高。
发明内容
本发明实施例提供了一种人脸识别的方法及相关产品,可实现对人脸识别的比对进行优化,减少人脸识别的计算量,提升用户的体验度优点。
第一方面,提供一种人脸识别计算方法,所述方法包括如下步骤:
采集人脸图像,对所述人脸图像进行特征提取得到N个特征;
对N个特征分别与N个设定阈值进行比较得到大于设定阈值的M个特征以及小于设定阈值的W个特征值,其中N=M+W,所述N的取值范围为大于等于3的整数,所述M以及所述W的取值范围为大于等于0的整数;
将M个特征作为M个输入神经元输入到基于神经网络的人脸识别算法中执行计算得到计算结果,将W个特征值对应的W个输入神经元的计算链接断开,依据所述计算结果得到人脸识别的结果。
可选的,所述将M个特征作为M个输入神经元输入到基于神经网络的人脸识别算法中执行计算得到计算结果,包括:
确定所述M个输入神经元与X个输出神经元之间计算链接,如第j个输入神经元与第q个输出神经元之间无计算链接,断开第j个输入神经元与第q个输出神经元之间的计算链接,遍历所述M个输入神经元与X个输出神经元之间计算链接确定保留的计算链接,执行所述保留的计算链接得到计算结果。
可选的,所述方法还包括:
提取多核应用处理器中每个核的使用率,依据所述保留的计算链接以及所述保留计算链接对应的输入神经元和权值的类型确定每个计算链接对应的计算量,依据所述计算量以及所述使用率为多核应用处理的每个核分配计算链接。
可选的,所述计算量的获取方法包括:
如第一计算链接的输入神经元的类型为向量或矩阵,权值的类型也是向量或矩阵,确定第一计算链接的计算量为高;
如第一计算链接的输入神经元的类型或权值的类型中有任意一个为标量,确定第一计算链接的计算量为低。
第二方面,提供一种智能终端,所述智能终端包括:摄像头模组、存储器和应用处理器AP,所述AP分别与所述摄像头模组、所述存储器连接:
所述摄像头模组,用于采集人脸图像;
所述AP,用于对所述人脸图像进行特征提取得到N个特征;对N个特征分别与N个设定阈值进行比较得到大于设定阈值的M个特征以及小于设定阈值的W个特征值,其中N=M+W,所述N的取值范围为大于等于3的整数,所述M以及所述W的取值范围为大于等于0的整数;将M个特征作为M个输入神经元输入到基于神经网络的人脸识别算法中执行计算得到计算结果,将W个特征值对应的W个输入神经元的计算链接断开,依据所述计算结果得到人脸识别的结果。
可选的,所述AP,还用于确定所述M个输入神经元与X个输出神经元之间计算链接,如第j个输入神经元与第q个输出神经元之间无计算链接,断开第j个输入神经元与第q个输出神经元之间的计算链接,遍历所述M个输入神经元与X个输出神经元之间计算链接确定保留的计算链接,执行所述保留的计算链接得到计算结果。
可选的,所述AP,还用于提取多核应用处理器中每个核的使用率,依据所述保留的计算链接以及所述保留计算链接对应的输入神经元和权值的类型确定每个计算链接对应的计算量,依据所述计算量以及所述使用率为多核应用处理的每个核分配计算链接。
可选的,所述AP,还用于如第一计算链接的输入神经元的类型为向量或矩阵,权值的类型也是向量或矩阵,确定第一计算链接的计算量为高;如第一计算链接的输入神经元的类型或权值的类型中有任意一个为标量,确定第一计算链接的计算量为低。
第三方面,提供一种智能设备,所述设备包括一个或多个处理器、存储器、收发器,摄像头模组以及一个或多个程序,所述一个或多个程序被存储在所述存储器中,并且被配置由所述一个或多个处理器执行,所述程序包括用于执行第一方面提供的方法中的步骤的指令。
第四方面,提供一种计算机可读存储介质,其存储用于电子数据交换的计算机程序,其中,所述计算机程序使得计算机执行第一方面提供的所述的方法。
第五方面,提供一种计算机程序产品,所述计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质,所述计算机程序可操作来使计算机执行第一方面提供的方法。
实施本发明实施例,具有如下有益效果:
可以看出,通过本发明实施例技术方案在采集人脸图像时,对人脸图像进行特征提取得到N个特征,对N个特征与N个设定阈值进行比较区分M个特征以及W个特征,这样在小于设定阈值的M个特征作为输入神经元执行计算,将W个特征对应的输入神经元的计算链接断开,即无需计算,对于本发明提供的技术方案,其相对于现有技术需要执行N次计算来说其减少了W次计算,所以其减少了计算次数以及计算量,降低了计算芯片的计算量,减少耗电量。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是一种移动终端的结构示意图。
图1A是一种计算链接示意图。
图2是本发明实施例提供的一种人脸识别计算方法的流程示意图。
图2A是一种计算链接示意图。
图2B是另一种计算链接示意图。
图2C是又一种计算链接示意图。
图3是本发明实施例提供的智能终端的结构示意图。
图4是本发明实施例公开的一种智能设备的结构示意图。
图5是本发明实施例公开的另一种智能设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的说明书和权利要求书及所述附图中的术语“第一”、“第二”、“第三”和“第四”等是用于区别不同对象,而不是用于描述特定顺序。此外,术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
参阅图1,图1为一种移动终端结构示意图,如图1所示,该移动终端可以包括智能手机(如Android手机、iOS手机、Windows Phone手机等)、平板电脑、掌上电脑、笔记本电脑、移动互联网设备(MID,Mobile Internet Devices)或穿戴式设备等,上述移动终端仅是举例,而非穷举,包含但不限于上述移动终端,为了描述的方便,下面实施例中将上述移动终端称为用户设备(User equipment,UE)或终端。当然在实际应用中,上述用户设备也不限于上述变现形式,例如还可以包括:智能车载终端、计算机设备等等。如图1所示,该终端包括:处理器101、显示器102、人脸识别模组103和摄像头模组104,在实际应用中,该摄像头模组104也可以与人脸识别模组103集成在一起,当然在另外一种可选的技术方案中,该人脸识别模组103也可以集成在该处理器101内。本发明具体实施方式并不限制上述人脸识别模组103的具体封装位置。该处理器101分别与显示器102、人脸识别模组103和摄像头模组104连接,其连接方式可以为总线方式,当然在实际应用中,也可以采用其他的方式来连接,本发明具体实施方式并不限制处理器101分别与显示器102、人脸识别模组103和摄像头模组104连接的具体方式。
下面说明一下人脸识别的方式,首先需要说明的是,本发明的技术方案涉及人脸识别,但是并不限制该人脸识别的应用范围,例如,在本发明一个可选的技术方案中,可以通过人脸识别的结果实现终端解锁,又如,在本发明又一个可选的技术方案中,可以通过人脸识别的结果实现快捷支付,再如,在本发明还一个可选的技术方案中,可以通过人脸识别的结果实现快速进入设定场地,例如办公室考勤记录、办公室自动门开合等等场景,本发明具体实施方式并不限制具体的应用场景。该人脸识别的方式具体可以为,摄像头模组104采集人脸图像,人脸识别模块执行特征提取、比对认证、活体识别等操作以后输出人脸识别结果,处理器101依据该人脸识别结果执行后续操作,例如解锁操作或快捷支付操作等等。上述特征提取、比对认证、活体识别的操作可以通过人脸识别算法来执行,本发明具体实施方式中并不限制上述人脸识别算法的具体实现形式。
对于人脸识别算法,大部分人脸识别算法一般包括三个部分,即特征提取、比对认证以及活体识别,其中,比对认证具体的实现方式可以为,对采集的人脸图像与模板图像进行比对。对于现有的终端设备来说,由于终端设备使用的人不止一人,或者用户处于一些其他的考虑,可能录入有多个模板图像,这样对于对比特征的方式来说,其首先需要选择的即是采用多个模板图像中的那个图像,因为比对认证的是一一比对的方式,目前的技术并不涉及一对多的比对,所以选择多个模板图像中那个模板图像非常影响识别的速度。人脸识别的算法选取模板图像一般是随机选取或通过录入的时间来选取,随机选取的方式一般看选取的运气,在单个人脸识别中,有可能识别速度很快,但是长期来看,其与通过录入的时间的选取方式几乎一样。
以一种基于神经网络计算的人脸识别的计算方法为例来说明人脸识别的方案,对于神经网络计算时,其输入的数据可以称为输入神经元,该输入神经元在人脸识别中具体可以为一个特征的特征值,例如,轮廓特征值,肤色特征值、眼部特征值、耳朵特征值等等,其计算的方式是将该输入神经元与对应的权值进行计算得到计算结果,如图1A所示为一种计算的示意图,如图1A所示,i1表示第一输入神经元,O1表示第一输出神经元,w11表示第一输入神经元在O1的计算权值,对应如图1A所示的箭头表示计算的拓扑结构,即需要执行计算,对于如图1A所示的网络计算,以人脸识别为例,假设i1为轮廓特征值,i2为肤色特征值,i3为眼部特征值,i4为头发特征值,对此,其需要执行的计算可以包括:i1*W11、i1*W12、i2*W21、i2*W21、i3*W31、i3*W32、i4*W41、i4*W41,对于上述计算,按原有的计算方式,即使对于i1、i2、i3、i4的值为空,即为零,其也要经过上述计算,所以现有的人脸识别计算的计算量大,增加了芯片的计算量,增加了功耗。
参阅图2,图2为本发明具体实施方式提供的一种人脸识别计算方法,该方法由如图1所示的终端来执行,该方法如图2所示,包括如下步骤:
步骤S201、采集人脸图像。
上述步骤S201中采集人脸图像可以通过摄像头模组采集,该摄像头模组具体可以为,设置在终端的前置摄像头模组,当然在实际应用中,也可以通过设置在终端的后置摄像头模组来采集人脸图像。本发明具体实施方式并不限制该采集人脸图像的具体摄像头模组。该人脸图像也可以通过红外摄像模组或可见光摄像模组来实现对人脸图像的采集。
步骤S202、对该人脸图像进行特征提取得到N个特征。
上述步骤S202中特征提取的方式可以有多种,例如通过特征脸算法对人脸图像的特征提取得到N个特征,当然在实际应用中还可以采用其他的特征提取方式,例如,采用局部二元模式算法对人脸图像特征提取得到N个特征。上述N的取值范围可以为大于等于2的整数,具体的,上述N个特征包括但不限于:眼部特征、耳部特征、面部特征、轮廓特征、肤色特征等等中的任意组合。本发明并不限制上述N个特征表现形式。
步骤S203、对N个特征分别与N个设定阈值进行比较得到大于设定阈值的M个特征以及小于设定阈值的W个特征值,其中N=M+W。
上述步骤S203中N个设定阈值可以为相同的阈值,也可以为不同的阈值,具体的实现方式可以由用户或厂家自行设定,本发明并不限制上述设定阈值的具体表现形式。M、W取值范围均可以为大于等于1的整数。
步骤S204、将M个特征作为M个输入神经元输入到基于神经网络的人脸识别算法中执行计算得到计算结果,将W个特征值对应的W个输入神经元的计算链接断开,依据该计算结果得到人脸识别的结果。
本发明提供的技术方案在采集人脸图像时,对人脸图像进行特征提取得到N个特征,对N个特征与N个设定阈值进行比较区分M个特征以及W个特征,这样在小于设定阈值的M个特征作为输入神经元执行计算,将W个特征对应的输入神经元的计算链接断开,即无需计算,对于本发明提供的技术方案,其相对于现有技术需要执行N次计算来说其减少了W次计算,所以其减少了计算次数以及计算量,降低了计算芯片的计算量,减少耗电量。
下面通过图2A以及图2B来比对对应的计算量,参阅图2A为现有的输入神经元的计算链接示意图,这里的N以5为例,M以3为例,W以2为例,参阅图2A,现有的技术方案需要对5个输入神经元均执行计算,参阅图2B,对于图2B来说,由于其只保留了M个特征,所以其减少了40%的计算链接,极大的减少了运算量。并且上述方法对计算结果也有相应的提升,对于现有的技术来说,无论其特征值是否合格(即是否大于设定阈值),其均需执行计算,此不但增加了计算量,通过实验发现,如果输入的不合格的特征值数量越多,则计算的结果与真实的结果偏差越大,为此,本发明将输入数据进行筛选避免了无效数据对计算结果的干扰,提高了计算准确度。
可选的,上述步骤S204中将M个特征作为M个输入神经元输入到基于神经网络的人脸识别算法中执行计算得到计算结果的具体方式可以包括:
确定M个输入神经元与X个输出神经元之间计算链接,如第j个输入神经元与第q个输出神经元之间无计算链接,断开第j个输入神经元与第q个输出神经元之间的计算链接,遍历M个输入神经元与X个输出神经元之间计算链接确定保留的计算链接,执行该保留的计算链接得到计算结果。
参阅图2C,如图2C所示,假设M=3,X=2,如i1、i3、i4中均只连接一个输出神经元,则将i1、i3、i4未连接的输出神经元的计算链接(即箭头)删除,相对于图2B,其减少了一半的计算链接,所以其具有进一步减少计算量,减低功耗的优点。
可选的,上述步骤S204的实现方法具体可以为:
提取多核应用处理器中每个核的使用率,依据该保留的计算链接以及该保留计算链接对应的输入神经元和权值的类型确定每个计算链接对应的计算量,依据该计算量以及使用率为多核应用处理的每个核分配计算链接。
对于多核应用处理器来说,其因为可以实现多核并行的运算,所以其能够提高计算的效率,对于上述人脸识别的运算来说,其通过对多核应用处理中多个核的计算链接的分配来实现对每个核的使用率的调整,核的使用率体现了每个核的使用状态,如果该核的使用率越高,说明其处理的任务量越繁重,反之,则越轻松,所以这里首先需要对该使用率进行获取,然后对该计算链接对应的输入神经元和权值的类型确定每个计算链接对应的计算量,将计算量低的计算链接分配给使用率高的核执行运算,将计算量高的计算链接分配给使用率低的核执行运算。
可选的,上述计算量的获取方式具体采用下述方式中的任意一种。具体包括:
在本发明一种可选方案中,可以直接依据该计算链接对应的输入神经元以及权值来确定,如输入神经元为向量或矩阵,权值对应也是向量或矩阵,由于向量*向量或矩阵*矩阵比向量*标量或矩阵*标量的计算量大的多,则可以将标记该计算链接的计算量为高。如输入神经元或权值中有任意一个为标量,则将该计算链接的计算量标定为低。上述可选方案仅仅只是一种定性的标识方法,即通过对输入神经元或权值是否为向量来标识高或低,按计算量的高或低来实现对该计算链接的分配。
此方案实现了对计算链接计算量的标识,此种标识能够将更大的计算量分配给使用率更低的核来处理,所以其具有提高人脸识别计算速度的优点。
在本发明另一种可选方案中,上述计算链接的计算量可以通过下述公式计算出来,假设计算链接对应的计算表达式为F=i1*W11;其中,i1、W11均为矩阵,那么计算量S的计算方式可以为:
S=A*B*C+(A-1)*B*C;其中,A为i1的列数,B为w11的列数,C为i1的行数,此计算。下面以一个实际的例子来说明其计算的方式。
如上述公式所示,矩阵i1为一个5*7矩阵,w11为一个5*1向量,那么其对应的S=5*1*7+4*1*7=63,对于计算链接的计算量的计算来说,其主要是乘法的计算量和加法计算量,其乘法的计算量越大,其加法的计算量也会越大,此技术方案通过定量的方式对计算量进行统计得到具体的计算量,然后依据不同的计算量的值和使用率来为该计算量链接分配不同的核执行计算,进而提高核的计算效率,所以其具有提高计算效率的优点。
上述计算结果如上所示,通过统计发现,其计算时的计算量S=63次。
参阅图3,图3提供一种智能终端,其特征在于,所述智能终端包括:摄像头模组302、存储器303和应用处理器AP304,所述AP分别与摄像头模组、存储器连接:
摄像头模组302,用于采集人脸图像;
AP304,用于对所述人脸图像进行特征提取得到N个特征;对N个特征分别与N个设定阈值进行比较得到大于设定阈值的M个特征以及小于设定阈值的W个特征值,其中N=M+W,所述N的取值范围为大于等于3的整数,所述M以及所述W的取值范围为大于等于0的整数;将M个特征作为M个输入神经元输入到基于神经网络的人脸识别算法中执行计算得到计算结果,将W个特征值对应的W个输入神经元的计算链接断开,依据所述计算结果得到人脸识别的结果。
可选的,所述AP,还用于确定所述M个输入神经元与X个输出神经元之间计算链接,如第j个输入神经元与第q个输出神经元之间无计算链接,断开第j个输入神经元与第q个输出神经元之间的计算链接,遍历所述M个输入神经元与X个输出神经元之间计算链接确定保留的计算链接,执行所述保留的计算链接得到计算结果。
可选的,所述AP,还用于提取多核应用处理器中每个核的使用率,依据所述保留的计算链接以及所述保留计算链接对应的输入神经元和权值的类型确定每个计算链接对应的计算量,依据所述计算量以及所述使用率为多核应用处理的每个核分配计算链接。
可选的,所述AP,还用于如第一计算链接的输入神经元的类型为向量或矩阵,权值的类型也是向量或矩阵,确定第一计算链接的计算量为高;
或所述AP,还用于如第一计算链接的输入神经元的类型或权值的类型中有任意一个为标量,确定第一计算链接的计算量为低。
可选的,所述AP,用于通过S=A*B*C+(A-1)*B*C计算第一链接的计算量,其中S可以为第一链接的计算量,A为第一链接的输入神经元的列数,B为第一链接的权值的列数,C为第一链接的输入神经元的行数。
该技术方案在采集人脸图像时,对人脸图像进行特征提取得到N个特征,对N个特征与N个设定阈值进行比较区分M个特征以及W个特征,这样在小于设定阈值的M个特征作为输入神经元执行计算,将W个特征对应的输入神经元的计算链接断开,即无需计算,对于本发明提供的技术方案,其相对于现有技术需要执行N次计算来说其减少了W次计算,所以其减少了计算次数以及计算量,降低了计算芯片的计算量,减少耗电量。
参阅图4,图4提供一种智能设备,所述设备包括一个或多个处理器401、存储器402、收发器403,摄像头404以及一个或多个程序,该处理器401内可以集成人脸识别模组,当然在实际应用中,该人脸识别模组也可以集成在摄像头404内,所述一个或多个程序被存储在存储器402中,并且被配置由所述一个或多个处理器执行,所述程序包括用于执行如图2所示方法中的步骤的指令。
具体的:摄像头404,用于采集人脸图像,
处理器401,用于对所述人脸图像进行特征提取得到N个特征;对N个特征分别与N个设定阈值进行比较得到大于设定阈值的M个特征以及小于设定阈值的W个特征值,其中N=M+W,所述N的取值范围为大于等于3的整数,所述M以及所述W的取值范围为大于等于0的整数;将M个特征作为M个输入神经元输入到基于神经网络的人脸识别算法中执行计算得到计算结果,将W个特征值对应的W个输入神经元的计算链接断开,依据所述计算结果得到人脸识别的结果。
其中,处理器401可以是处理器或控制器,例如可以是中央处理器(CentralProcessing Unit,CPU),通用处理器,数字信号处理器(Digital Signal Processor,DSP),专用集成电路(Application-Specific Integrated Circuit,ASIC),现场可编程门阵列(Field Programmable Gate Array,FPGA)或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本发明公开内容所描述的各种示例性的逻辑方框,模块和电路。所述处理器也可以是实现计算功能的组合,例如包含一个或多个微处理器组合,DSP和微处理器的组合等等。收发器403可以是通信接口、收发器、收发电路等,其中,通信接口是统称,可以包括一个或多个接口。
可选的,所述处理器401,还用于确定所述M个输入神经元与X个输出神经元之间计算链接,如第j个输入神经元与第q个输出神经元之间无计算链接,断开第j个输入神经元与第q个输出神经元之间的计算链接,遍历所述M个输入神经元与X个输出神经元之间计算链接确定保留的计算链接,执行所述保留的计算链接得到计算结果。
可选的,所述处理器401,还用于提取多核应用处理器中每个核的使用率,依据所述保留的计算链接以及所述保留计算链接对应的输入神经元和权值的类型确定每个计算链接对应的计算量,依据所述计算量以及所述使用率为多核应用处理的每个核分配计算链接。
可选的,所述处理器501,用于如第一计算链接的输入神经元的类型为向量或矩阵,权值的类型也是向量或矩阵,确定第一计算链接的计算量为高;如第一计算链接的输入神经元的类型或权值的类型中有任意一个为标量,确定第一计算链接的计算量为低。
图5示出的是与本发明实施例提供的智能设备为服务器的部分结构的框图。参考图5,服务器包括:射频(Radio Frequency,RF)电路910、存储器920、输入单元930、传感器950、音频电路960、无线保真(Wireless Fidelity,WiFi)模块970、应用处理器AP980、摄像头770以及电源990等部件。本领域技术人员可以理解,图5中示出的智能设备结构并不构成对智能设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
下面结合图5对智能设备的各个构成部件进行具体的介绍:
输入单元930可用于接收输入的数字或字符信息,以及产生与智能设备的用户设置以及功能控制有关的键信号输入。具体地,输入单元930可包括触控显示屏933、手写笔931以及其他输入设备932。输入单元930还可以包括其他输入设备932。具体地,其他输入设备932可以包括但不限于物理按键、功能键(比如音量控制按键、开关按键等)、轨迹球、鼠标、操作杆等中的一种或多种。
AP980是智能设备的控制中心,利用各种接口和线路连接整个智能设备的各个部分,通过运行或执行存储在存储器920内的软件程序和/或模块,以及调用存储在存储器920内的数据,执行智能设备的各种功能和处理数据,从而对智能设备进行整体监控。可选的,AP980可包括一个或多个处理单元;可选的,AP980可集成应用处理器和调制解调处理器,其中,应用处理器主要处理操作系统、用户界面和应用程序等,调制解调处理器主要处理无线通信。可以理解的是,上述调制解调处理器也可以不集成到AP980中。上述AP980可以集成人脸识别模组,当然在实际应用中,上述人脸识别模组也可以单独设置或集成在摄像头770内,如图5所示的人脸识别模组以集成在AP980内为例。
此外,存储器920可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
RF电路910可用于信息的接收和发送。通常,RF电路910包括但不限于天线、至少一个放大器、收发信机、耦合器、低噪声放大器(Low Noise Amplifier,LNA)、双工器等。此外,RF电路910还可以通过无线通信与网络和其他设备通信。上述无线通信可以使用任一通信标准或协议,包括但不限于全球移动通讯系统(Global System of Mobilecommunication,GSM)、通用分组无线服务(General Packet Radio Service,GPRS)、码分多址(Code Division Multiple Access,CDMA)、宽带码分多址(Wideband Code DivisionMultiple Access,WCDMA)、长期演进(Long Term Evolution,LTE)、电子邮件、短消息服务(Short Messaging Service,SMS)等。
摄像头770,用于采集人脸图像,
AP980,用于对所述人脸图像进行特征提取得到N个特征;对N个特征分别与N个设定阈值进行比较得到大于设定阈值的M个特征以及小于设定阈值的W个特征值,其中N=M+W,所述N的取值范围为大于等于3的整数,所述M以及所述W的取值范围为大于等于0的整数;将M个特征作为M个输入神经元输入到基于神经网络的人脸识别算法中执行计算得到计算结果,将W个特征值对应的W个输入神经元的计算链接断开,依据所述计算结果得到人脸识别的结果。
可选的,AP980,还用于确定所述M个输入神经元与X个输出神经元之间计算链接,如第j个输入神经元与第q个输出神经元之间无计算链接,断开第j个输入神经元与第q个输出神经元之间的计算链接,遍历所述M个输入神经元与X个输出神经元之间计算链接确定保留的计算链接,执行所述保留的计算链接得到计算结果。
可选的,AP980,还用于提取多核应用处理器中每个核的使用率,依据所述保留的计算链接以及所述保留计算链接对应的输入神经元和权值的类型确定每个计算链接对应的计算量,依据所述计算量以及所述使用率为多核应用处理的每个核分配计算链接。
可选的,AP980,还用于如第一计算链接的输入神经元的类型为向量或矩阵,权值的类型也是向量或矩阵,确定第一计算链接的计算量为高;如第一计算链接的输入神经元的类型或权值的类型中有任意一个为标量,确定第一计算链接的计算量为低。
智能设备还可包括至少一种传感器950,比如光传感器、运动传感器以及其他传感器。具体地,光传感器可包括环境光传感器及接近传感器,其中,环境光传感器可根据环境光线的明暗来调节触控显示屏的亮度,接近传感器可在手机移动到耳边时,关闭触控显示屏和/或背光。作为运动传感器的一种,加速计传感器可检测各个方向上(一般为三轴)加速度的大小,静止时可检测出重力的大小及方向,可用于识别手机姿态的应用(比如横竖屏切换、相关游戏、磁力计姿态校准)、振动识别相关功能(比如计步器、敲击)等;至于手机还可配置的陀螺仪、气压计、湿度计、温度计、红外线传感器等其他传感器,在此不再赘述。
音频电路960、扬声器961,传声器962可提供用户与智能设备之间的音频接口。音频电路960可将接收到的音频数据转换后的电信号,传输到扬声器961,由扬声器961转换为声音信号播放;另一方面,传声器962将收集的声音信号转换为电信号,由音频电路960接收后转换为音频数据,再将音频数据播放AP980处理后,经RF电路910以发送给比如另一手机,或者将音频数据播放至存储器920以便进一步处理。
WiFi属于短距离无线传输技术,手机通过WiFi模块970可以帮助用户收发电子邮件、浏览网页和访问流式媒体等,它为用户提供了无线的宽带互联网访问。虽然图5示出了WiFi模块970,但是可以理解的是,其并不属于智能设备的必须构成,完全可以根据需要在不改变发明的本质的范围内而省略。
智能设备还包括给各个部件供电的电源990(比如电池或电源模块),可选的,电源可以通过电源管理系统与AP980逻辑相连,从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。
前述图2所示的实施例中,各步骤方法流程可以基于该智能设备的结构实现。
前述图3或图4所示的实施例中,各单元功能可以基于该智能设备的结构实现。
可以看出,通过本发明实施例,移动终端通过对不同的生物识别的识别顺序来分配不同的优先级,并且在设定时间内,如启动的第二应用程序与第一应用程序的类型不同,需要重新执行多生物识别操作,避免了直接给不同类型的应用程序最高优先级,影响安全性的问题。
本发明实施例还提供一种计算机存储介质,其中,该计算机存储介质存储用于电子数据交换的计算机程序,该计算机程序使得计算机执行如上述方法实施例中记载的任何一种人脸识别计算方法的部分或全部步骤。
本发明实施例还提供一种计算机程序产品,所述计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质,所述计算机程序可操作来使计算机执行如上述方法实施例中记载的任何一种人脸识别计算方法的部分或全部步骤。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明并不受所描述的动作顺序的限制,因为依据本发明,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于可选实施例,所涉及的动作和模块并不一定是本发明所必须的。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置,可通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件程序模块的形式实现。
所述集成的单元如果以软件程序模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储器中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储器中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储器包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序可以存储于一计算机可读存储器中,存储器可以包括:闪存盘、只读存储器(英文:Read-Only Memory,简称:ROM)、随机存取器(英文:Random Access Memory,简称:RAM)、磁盘或光盘等。
以上对本发明实施例进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (11)
1.一种人脸识别计算方法,其特征在于,所述方法包括如下步骤:
采集人脸图像,对所述人脸图像进行特征提取得到N个特征;
对N个特征分别与N个设定阈值进行比较得到大于设定阈值的M个特征以及小于设定阈值的W个特征值,其中N=M+W,所述N的取值范围为大于等于3的整数,所述M以及所述W的取值范围为大于等于0的整数;
将M个特征作为M个输入神经元输入到基于神经网络的人脸识别算法中执行计算得到计算结果,将W个特征值对应的W个输入神经元的计算链接断开,依据所述计算结果得到人脸识别的结果。
2.根据权利要求1所述的方法,其特征在于,所述将M个特征作为M个输入神经元输入到基于神经网络的人脸识别算法中执行计算得到计算结果,包括:
确定所述M个输入神经元与X个输出神经元之间计算链接,如第j个输入神经元与第q个输出神经元之间无计算链接,断开第j个输入神经元与第q个输出神经元之间的计算链接,遍历所述M个输入神经元与X个输出神经元之间计算链接确定保留的计算链接,执行所述保留的计算链接得到计算结果。
3.根据权利要求2所述的方法,其特征在于,所述方法还包括:
提取多核应用处理器中每个核的使用率,依据所述保留的计算链接以及所述保留计算链接对应的输入神经元和权值的类型确定每个计算链接对应的计算量,依据所述计算量以及所述使用率为多核应用处理的每个核分配计算链接。
4.根据权利要求3所述的方法,其特征在于,所述计算量的获取方法包括:
如第一计算链接的输入神经元的类型为向量或矩阵,权值的类型也是向量或矩阵,确定第一计算链接的计算量为高;
如第一计算链接的输入神经元的类型或权值的类型中有任意一个为标量,确定第一计算链接的计算量为低。
5.一种智能终端,其特征在于,所述智能终端包括:摄像头模组、存储器和应用处理器AP,所述AP分别与所述摄像头模组、所述存储器连接:
所述摄像头模组,用于采集人脸图像;
所述AP,用于对所述人脸图像进行特征提取得到N个特征;对N个特征分别与N个设定阈值进行比较得到大于设定阈值的M个特征以及小于设定阈值的W个特征值,其中N=M+W,所述N的取值范围为大于等于3的整数,所述M以及所述W的取值范围为大于等于0的整数;将M个特征作为M个输入神经元输入到基于神经网络的人脸识别算法中执行计算得到计算结果,将W个特征值对应的W个输入神经元的计算链接断开,依据所述计算结果得到人脸识别的结果。
6.根据权利要求5所述的智能终端,其特征在于,
所述AP,还用于确定所述M个输入神经元与X个输出神经元之间计算链接,如第j个输入神经元与第q个输出神经元之间无计算链接,断开第j个输入神经元与第q个输出神经元之间的计算链接,遍历所述M个输入神经元与X个输出神经元之间计算链接确定保留的计算链接,执行所述保留的计算链接得到计算结果。
7.根据权利要求5所述的智能终端,其特征在于,
所述AP,还用于提取多核应用处理器中每个核的使用率,依据所述保留的计算链接以及所述保留计算链接对应的输入神经元和权值的类型确定每个计算链接对应的计算量,依据所述计算量以及所述使用率为多核应用处理的每个核分配计算链接。
8.根据权利要求6所述的智能终端,其特征在于,
所述AP,还用于如第一计算链接的输入神经元的类型为向量或矩阵,权值的类型也是向量或矩阵,确定第一计算链接的计算量为高;如第一计算链接的输入神经元的类型或权值的类型中有任意一个为标量,确定第一计算链接的计算量为低。
9.一种智能设备,其特征在于,所述设备包括一个或多个处理器、存储器、收发器,摄像头模组以及一个或多个程序,所述一个或多个程序被存储在所述存储器中,并且被配置由所述一个或多个处理器执行,所述程序包括用于执行如权利要求1-4任一项所述的方法中的步骤的指令。
10.一种计算机可读存储介质,其特征在于,其存储用于电子数据交换的计算机程序,其中,所述计算机程序使得计算机执行如权利要求1-4任一项所述的方法。
11.一种计算机程序产品,其特征在于,所述计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质,所述计算机程序可操作来使计算机执行如权利要求1-4任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711034629.8A CN107729860B (zh) | 2017-10-30 | 2017-10-30 | 人脸识别计算方法及相关产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711034629.8A CN107729860B (zh) | 2017-10-30 | 2017-10-30 | 人脸识别计算方法及相关产品 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107729860A true CN107729860A (zh) | 2018-02-23 |
CN107729860B CN107729860B (zh) | 2019-06-14 |
Family
ID=61203317
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711034629.8A Expired - Fee Related CN107729860B (zh) | 2017-10-30 | 2017-10-30 | 人脸识别计算方法及相关产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107729860B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109376016A (zh) * | 2018-10-29 | 2019-02-22 | 安徽智传科技有限公司 | 一种多线程的人脸识别效率提高方法和系统 |
CN110889322A (zh) * | 2019-10-09 | 2020-03-17 | 深圳市九洲电器有限公司 | 防止久坐的方法及相关产品 |
CN112183293A (zh) * | 2020-09-23 | 2021-01-05 | 深圳市奋达智能技术有限公司 | 穿戴式设备的体温检测方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101187990A (zh) * | 2007-12-14 | 2008-05-28 | 华南理工大学 | 一种会话机器人系统 |
CN101593352A (zh) * | 2009-06-12 | 2009-12-02 | 浙江大学 | 基于面部朝向和视觉焦点的驾驶安全监测系统 |
CN101739712A (zh) * | 2010-01-25 | 2010-06-16 | 四川大学 | 基于视频的3d人脸表情动画驱动方法 |
CN101957356A (zh) * | 2010-08-13 | 2011-01-26 | 北京工业大学 | 一种基于弹性径向基神经网络的生化需氧量bod软测量方法 |
CN104809502A (zh) * | 2015-05-19 | 2015-07-29 | 重庆大学 | 一种受限玻尔兹曼机隐含层节点动态调整方法 |
-
2017
- 2017-10-30 CN CN201711034629.8A patent/CN107729860B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101187990A (zh) * | 2007-12-14 | 2008-05-28 | 华南理工大学 | 一种会话机器人系统 |
CN101593352A (zh) * | 2009-06-12 | 2009-12-02 | 浙江大学 | 基于面部朝向和视觉焦点的驾驶安全监测系统 |
CN101739712A (zh) * | 2010-01-25 | 2010-06-16 | 四川大学 | 基于视频的3d人脸表情动画驱动方法 |
CN101957356A (zh) * | 2010-08-13 | 2011-01-26 | 北京工业大学 | 一种基于弹性径向基神经网络的生化需氧量bod软测量方法 |
CN104809502A (zh) * | 2015-05-19 | 2015-07-29 | 重庆大学 | 一种受限玻尔兹曼机隐含层节点动态调整方法 |
Non-Patent Citations (1)
Title |
---|
季伟东等: ""基于改进的粒子群算法优化开关神经网络的木材表面缺陷识别"", 《东北林业大学学报》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109376016A (zh) * | 2018-10-29 | 2019-02-22 | 安徽智传科技有限公司 | 一种多线程的人脸识别效率提高方法和系统 |
CN110889322A (zh) * | 2019-10-09 | 2020-03-17 | 深圳市九洲电器有限公司 | 防止久坐的方法及相关产品 |
CN112183293A (zh) * | 2020-09-23 | 2021-01-05 | 深圳市奋达智能技术有限公司 | 穿戴式设备的体温检测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN107729860B (zh) | 2019-06-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108985212B (zh) | 人脸识别方法及装置 | |
US11074466B2 (en) | Anti-counterfeiting processing method and related products | |
CN108875781A (zh) | 一种标签分类方法、装置、电子设备及存储介质 | |
CN107197146A (zh) | 图像处理方法及相关产品 | |
CN107590463A (zh) | 人脸识别方法及相关产品 | |
CN104239535A (zh) | 一种为文字配图的方法、服务器、终端及系统 | |
CN107341006A (zh) | 锁屏壁纸推荐方法及相关产品 | |
CN110909630A (zh) | 一种异常游戏视频检测方法和装置 | |
CN107205088A (zh) | 拍照控制方法及相关产品 | |
CN107909011A (zh) | 人脸识别方法及相关产品 | |
CN107729860B (zh) | 人脸识别计算方法及相关产品 | |
CN107222914A (zh) | 应用控制方法及相关产品 | |
CN107480489A (zh) | 解锁控制方法及相关产品 | |
CN107317916A (zh) | 应用控制方法及相关产品 | |
CN107633235A (zh) | 解锁控制方法及相关产品 | |
CN107277232A (zh) | 锁屏界面控制方法及相关产品 | |
CN107707618B (zh) | 基于位置调整下载量的方法及相关产品 | |
CN107256380A (zh) | 指纹注册方法及相关产品 | |
CN109034052B (zh) | 人脸检测方法及装置 | |
CN108062669A (zh) | 一种支付方法、终端及计算机可读存储介质 | |
CN107480608A (zh) | 防伪处理方法及相关产品 | |
CN107563337A (zh) | 人脸识别的方法及相关产品 | |
CN108037874B (zh) | 截屏方法及相关产品 | |
CN108399325A (zh) | 解锁控制方法及相关产品 | |
CN107832690A (zh) | 人脸识别的方法及相关产品 |
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 | ||
CB02 | Change of applicant information |
Address after: 523860 No. 18, Wu Sha Beach Road, Changan Town, Dongguan, Guangdong Applicant after: GUANGDONG OPPO MOBILE TELECOMMUNICATIONS Corp.,Ltd. Address before: 523860 No. 18, Wu Sha Beach Road, Changan Town, Dongguan, Guangdong Applicant before: GUANGDONG OPPO MOBILE TELECOMMUNICATIONS Corp.,Ltd. |
|
CB02 | Change of applicant information | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20190614 |
|
CF01 | Termination of patent right due to non-payment of annual fee |