CN107832690B - 人脸识别的方法及相关产品 - Google Patents
人脸识别的方法及相关产品 Download PDFInfo
- Publication number
- CN107832690B CN107832690B CN201711041180.8A CN201711041180A CN107832690B CN 107832690 B CN107832690 B CN 107832690B CN 201711041180 A CN201711041180 A CN 201711041180A CN 107832690 B CN107832690 B CN 107832690B
- Authority
- CN
- China
- Prior art keywords
- machine learning
- face recognition
- learning machines
- results
- features
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000010801 machine learning Methods 0.000 claims abstract description 92
- 238000012795 verification Methods 0.000 claims abstract description 73
- 230000015654 memory Effects 0.000 claims description 26
- 238000004364 calculation method Methods 0.000 claims description 20
- 238000012549 training Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 14
- 238000012935 Averaging Methods 0.000 claims description 6
- 239000000284 extract Substances 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 description 11
- 238000004422 calculation algorithm Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 230000001815 facial effect Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 230000005236 sound signal Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 235000019800 disodium phosphate Nutrition 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 238000010079 rubber tapping Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Images
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Human Computer Interaction (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本公开提供一种人脸识别方法及相关产品,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;将所述N个特征输入分别输入到与所述N个特征对应的N个机器学习机内进行识别得到N个初步结果,所述N的取值范围为大于等于3的整数;对所述N个初步结果分析得到人脸识别的验证结果。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的方法及相关产品。
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基于采集的图片与模板图片的比对,人脸识别的精度低,用户体验度低。
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,提高人脸识别的速度,提升用户的体验度优点。
第一方面,提供一种人脸识别方法,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;
将所述N个特征输入分别输入到与所述N个特征对应的N个机器学习机内进行识别得到N个初步结果,所述N的取值范围为大于等于3的整数;
对所述N个初步结果分析得到人脸识别的验证结果。
第二方面,提供一种智能终端,所述智能终端包括:人脸识别模组、摄像头模组、存储器和应用处理器AP,所述人脸识别模组与所述摄像头模组连接,所述AP分别与所述人脸识别模组、摄像头模组、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;
所述人脸识别模组,用于将所述N个特征输入分别输入到与所述N个特征对应的N个机器学习机内进行识别得到N个初步结果,所述N的取值范围为大于等于3的整数;
所述AP,对所述N个初步结果分析得到人脸识别的验证结果。
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,提取N个特征对应的N个机器学习机,将N个特征分别输入到N个机器学习机进行识别得到N个初步识别结果,对N个初步识别结果分析得到最终的人脸识别结果,对于该技术方案,其采用的分别对比方案,然后依据分别比对的初步结果得到最终的结果,比整体比对的方案具有如下优点,对于整体比对方案,其需要对人脸的所有特征进行识别比对,但是对于采集的人脸图像来说,其有可能因为采集的环境不同可以无法包含所有的特征,例如,侧面拍照获取人脸图像时,可能无法采集到人脸的耳朵特征,当然在实际应用中还可以是其他的特征,例如头发特征等等。而对于本发明具体实施方式采用的是提取到的N个特征对应的N个机器学习机,由于该N个特征是已经提取的特征,不存在未有特征进入比对识别的情况出现,此识别方式能够提高识别的精度,另外,减少了特征比对的数量,所以其具有减少计算量以及降低功耗的优点。
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2是本发明实施例提供的一种人脸识别方法的流程示意图。
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。
在第一方面提供的方法中,所述对所述N个初步结果分析得到人脸识别的验证结果,包括:对所述N个初步结果去掉最大值以及最小值,将剩余的N-2个初步结果求平均值,如所述平均值大于验证阈值,确定该人脸识别的验证结果为成功,如所述平均值小于验证阈值,确定该人脸识别的验证结果为不成功。
可选的,所述对所述N个初步结果分析得到人脸识别的验证结果,包括:提取所述N个初步结果中每个初步结果的权值得到N个权值,将所述N个初步结果分别与所述N个权值相乘得到N个计算结果,对所述N个计算结果求平均值得到结果平均值,如所述结果平均值大于验证阈值,确定所述人脸识别的验证结果为成功,否则确定该人脸识别的验证结果为不成功。
可选的,第一方面提供的方案还可以包括:所述AP,还用于对所述N个初步结果去掉最大值以及最小值,将剩余的N-2个初步结果求平均值,如所述平均值大于验证阈值,确定该人脸识别的验证结果为成功,如所述平均值小于验证阈值,确定该人脸识别的验证结果为不成功。
可选的,在第二方面提供的智能终端,
所述AP,还用于提取所述N个初步结果中每个初步结果的权值得到N个权值,将所述N个初步结果分别与所述N个权值相乘得到N个计算结果,对所述N个计算结果求平均值得到结果平均值,如所述结果平均值大于验证阈值,确定所述人脸识别的验证结果为成功,否则确定该人脸识别的验证结果为不成功。
可选的,在第二方面提供的智能终端,
所述AP,还用于获取人脸识别的结果,如所述人脸识别的结果为成功,提取所述N个初步结果中低于所述验证阈值的W个初步结果,获取所述W个初步结果对应的W个机器学习机,将所述W个初步结果对应的W个特征分别添加至对应的W个机器学习机的训练样本内对所述W个机器学习机进行重新训练,所述W取值范围为大于等于1的整数。
可选的,在第二方面提供的智能终端,
所述AP,获取人脸识别的结果,如所述人脸识别的结果为成功,提取所述N个初步结果中低于所述验证阈值的W个初步结果,获取所述W个初步结果对应的W个机器学习机,将所述W个初步结果对应的W个特征分别添加至对应的W个机器学习机的训练样本内对所述W个机器学习机进行重新训练,所述W取值范围为大于等于1的整数。
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。以一个实际的例子来说,例如具有5个模板图像,分别为模板1、模板2、模板3、模板4和模板5,采集的人像为人像1,如果该人像1与模板5近似,采用人脸识别的算法,那么采集的人像1按顺序与模板1、模板2、模板3、模板4和模板5比对,其所花费的时间为:5t,假设人像1与每个模板的比对时间为t(在实际应用中,上述比对时间可能有所差别,但是一般差别不大)。如果采用随机提取的方式,假设提取的顺序为,模板1、模板3、模板5,则其所花费的时间为:3t。所以此两种人脸识别算法的时间都较长,影响用户的体验度。
对于机器学习在人脸识别的应用,机器学习即通过已有的样本对整个模板图片进行学习,训练完成以后使用即形成训练完成的机器学习模板。在进行人脸识别时,将采集的人脸图像输入到机器学习模板进行识别得到输出结果,此识别的方式是整体识别的方式,在实际应用中,该识别方式的精度较低,通过实验发现,其精度一般在80%左右,所以现有的人脸识别的方法的识别精度低。
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、将N个特征输入分别输入到与该N个特征对应的N个机器学习机内进行识别得到N个初步结果。
上述步骤S203中的N个机器学习具体可以为支持向量机或深度学习等等机器学习算法中的任意一种或组合,本发明并不限制上述机器学习的具体方法或具体实现方式。
上述N个机器学习为已经完成训练的机器学习机,具体的训练方法可以采用现有的训练方法,本发明具体实施方式并不限制上述训练的具体方式。
步骤S204、对该N个初步结果分析得到人脸识别的验证结果。
上述对N个初步结果分析得到人脸识别的验证结果的具体可以包括:
对N个初步结果去掉最大值以及最小值,将剩余的N-2个初步结果求平均值,如该平均值大于验证阈值,确定该人脸识别的验证结果为成功,否则确定该人脸识别的验证结果为不成功。
当然在实际应用中,上述分析的方式还可以是其他方式,例如,对N个初步结果取平均值,对该平均值确定是否大于验证阈值,如该平均值大于验证阈值,确定该人脸识别的验证结果为成功,否则确定该人脸识别的验证结果为不成功。
当然在实际应用中,上述分析的方式还可以是其他方式,例如提取N个初步结果中每个初步结果的权值得到N个权值,将N个初步结果分别与N个权值相乘得到N个计算结果,对N个计算结果求平均值,如该平均值大于验证阈值,确定该人脸识别的验证结果为成功,否则确定该人脸识别的验证结果为不成功。
上述N个权值可以是预设的权值,当然在实际应用中也可以通过其他方式来确定,例如对N个特征按完成度划分成X个区间,每个区间对应一个权值,在确定N个初步结果中第M个初步结果的第M权值时,首先对N个特征的第M个特征进行完整度分析得到第M完整度,确定第M完整度位于X个区间的第M区间,提取第M区间对应的第M权值。M的取值范围大于等于1的整数。X取值范围为大于等于2的整数。
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,提取N个特征对应的N个机器学习机,将N个特征分别输入到N个机器学习机进行识别得到N个初步识别结果,对N个初步识别结果分析得到最终的人脸识别结果,对于该技术方案,其采用的分别对比方案,然后依据分别比对的初步结果得到最终的结果,比整体比对的方案具有如下优点,对于整体比对方案,其需要对人脸的所有特征进行识别比对,但是对于采集的人脸图像来说,其有可能因为采集的环境不同可以无法包含所有的特征,例如,侧面拍照获取人脸图像时,可能无法采集到人脸的耳朵特征,当然在实际应用中还可以是其他的特征,例如头发特征等等。而对于本发明具体实施方式采用的是提取到的N个特征对应的N个机器学习机,由于该N个特征是已经提取的特征,不存在未有特征进入比对识别的情况出现,此识别方式能够提高识别的精度,另外,减少了特征比对的数量,所以其具有减少计算量以及降低功耗的优点。
可选的,上述方法在步骤S204之后还可以包括:
终端识别人脸识别的结果,如该人脸识别的结果为成功,提取N个初步结果中低于验证阈值的W个初步结果,获取W个初步结果对应的W个机器学习机,将该W个初步结果对应的W个特征分别添加至对应的W个机器学习机的训练样本内对W个机器学习机进行重新训练。该W取值范围为大于等于1的整数。W取值范围可以为大于等于1的整数。
此技术方案是对N个机器学习机进行更新的训练,对于机器学习来说,训练好的机器学习如果训练好了,即不会对训练好的机器学习进行重新的训练,此方案的缺点时,其识别的精度是固定的,即无法对识别的精度提高,而本发明的技术方案通过添加已经确认成功样本对W个机器学习机进行重新训练,这样能够对W个机器学习机进行训练样本的更新以及机器学习机的重新训练。
可选的,上述方法在步骤S204之后还可以包括:
终端识别人脸识别的结果,如该人脸识别的结果为不成功,提取N个初步结果中高于验证阈值的P个初步结果,获取P个初步结果对应的P个机器学习机,将该P个初步结果对应的P个特征分别添加至对应的P个机器学习机的训练样本内对P个机器学习机进行重新训练。该P取值范围为大于等于1的整数。
可选的,上述方法在步骤S203之前还可以包括:
如终端包括X组机器学习机,提取多组机器学习机对应的多个模板图像中每个模板图像的终端角度,计算每个模板图像的终端角度与人脸图像的终端角度的差值的角度绝对值,依据该角度绝对值的大小确定该X组机器学习机的比对顺序。
上述依据该绝对值的大小确定该X组机器学习机的比对顺序的具体实现方式可以为:将该X组机器学习机的对比顺序按该绝对值的倒序排列。例如,假设,这里有X=5,分别定义为,组1、组2、组3、组4、组5,分别对应的模板图像为:模板1、模板2、模板3、模板4、模板5,分别对应的终端角度为:β1、β2、β3、β4、β5;假设人脸图像的终端角度为α,则计算每个模板图像的终端角度与人脸图像的终端角度的差值的绝对值,|β1-α|、|β2-α|、|β3-α|、|β4-α|、|β5-α|;假设|β5-α|>|β1-α|>|β3-α|>|β2-α|>|β4-α|,则对比顺序按绝对值倒序排列可以为,对比顺序:组4、组2、组3、组1和组5;即首先从组4中提取N个机器学习机处理分析。
可选的,上述方法还可以包括:
如该多个模板图像中具有终端角度相同的多个模板图像,提取该多个模板图像中每个模板图像的图像亮度,计算每个模板图像的图像亮度于人脸图像的图像亮度之间差值的亮度绝对值,将多个模板对应的多组机器学习机的比对顺序按亮度绝对值的倒序排列。
此技术方案的目的为了在角度绝对值相同时的处理,对于终端角度相同的一组模板图像,其角度绝对值肯定相同,那么对于其对比顺序,就需要提取第二个参数,即图像亮度,计算一组模板图像中每个模板的亮度与人脸图像的图像亮度之间的差值的亮度绝对值,依据该亮度绝对值的倒序排列该一组模板图像的顺序。
下面还有5个模板图像,分别定义为,模板1、模板2、模板3、模板4、模板5,模板1、模板2、模板3、模板4、模板5分别对应的终端角度为:β1、β2、β3、β4、β5;假设人脸图像的终端角度为α,则计算每个模板图像的终端角度与人脸图像的终端角度的差值的绝对值,|β1-α|、|β2-α|、|β3-α|、|β4-α|、|β5-α|;假设|β5-α|>|β1-α|>|β3-α|=|β2-α|>|β4-α|;确定模板2和模板3为终端角度相同的一组模板图像,计算模板2和模板3的亮度与人脸图像的图像亮度之间的亮度绝对值,假设模板2亮度为f2,模板3的亮度为f3,人脸图像的图像亮度为f0,则亮度绝对值可以为:|f2-f0|、|f3-f0|,假设|f2-f0|>|f3-f0|,则确定2个模板图像中模板3对应的组3排列在模板2对应的组2之前,即排列顺序具体可以为:组4、组3、组2、组1、组5。
可选的,上述步骤S203的实现方法还可以包括:
提取该多个模板图像中每个模板图像的终端角度和图像亮度,依据该终端角度和图像亮度计算每个模板图像的顺序参数,按该顺序参数的倒序排列对比顺序。
其中,该顺序参数的计算方法可以为:
Y=k1*|θ|+k2*|δ|;
其中,Y为顺序参数,k1可以为角度系数,|θ|为每个模板图像的终端角度的绝对值,|δ|为每个模板图像的图像亮度的绝对值,k2可以为亮度系数。其中,k1>k2。
可选的,上述方法在步骤S202与步骤S203之间还可以包括如下步骤:
对该人脸图像进行初步识别确定该人脸图像的第一性别,提取模板图像中与该第一性别具有相同性别的模板图像确定为Y个模板图像,将Y个模板图像对应的Y组机器学习机确定为待选机器学习机。
该技术方案的目的是为了减少待选机器学习机的数量,对于终端用户来说,其存储的模本图像对应的X组机器学习机可能有多个人,而多个人可能为家人的X组机器学习机,例如,夫妻双方的X组机器学习机,例如父女双方的X组机器学习机,又如,母子双方的X组机器学习机。所以针对这种情况,需要对X组机器学习机对应的X个模板图像进行性别的识别,即分为男模板图像以及女模板图像,这样对人脸图像进行初步识别确定第一性别,例如确定为男人脸图像,则只对男模板图像对应的男组机器学习机执行排序即可以,如为女人脸图像,则只对女模板图形对应的女组机器学习机执行排序即可,这样减少了比对次数,所以其具有进一步提高人脸识别速度的优点。
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:人脸识别模组301、摄像头模组302、存储器303和应用处理器AP304,所述人脸识别模组与所述摄像头模组连接,所述AP分别与所述人脸识别模组、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;
人脸识别模组301,用于将所述N个特征输入分别输入到与所述N个特征对应的N个机器学习机内进行识别得到N个初步结果,所述N的取值范围为大于等于3的整数。
AP304,还用于对所述N个初步结果分析得到人脸识别的验证结果。
可选的,所述AP,还用于对所述N个初步结果去掉最大值以及最小值,将剩余的N-2个初步结果求平均值,如所述平均值大于验证阈值,确定该人脸识别的验证结果为成功,如所述平均值小于验证阈值,确定该人脸识别的验证结果为不成功。
可选的,所述AP,还用于提取所述N个初步结果中每个初步结果的权值得到N个权值,将所述N个初步结果分别与所述N个权值相乘得到N个计算结果,对所述N个计算结果求平均值得到结果平均值,如所述结果平均值大于验证阈值,确定所述人脸识别的验证结果为成功,否则确定该人脸识别的验证结果为不成功。
可选的,所述AP,具体获取人脸识别的结果,如所述人脸识别的结果为成功,提取所述N个初步结果中低于所述验证阈值的W个初步结果,获取所述W个初步结果对应的W个机器学习机,将所述W个初步结果对应的W个特征分别添加至对应的W个机器学习机的训练样本内对所述W个机器学习机进行重新训练,所述W取值范围为大于等于1的整数。
可选的,所述AP,用于识别人脸识别的结果,如该人脸识别的结果为不成功,提取N个初步结果中高于验证阈值的P个初步结果,获取P个初步结果对应的P个机器学习机,将该P个初步结果对应的P个特征分别添加至对应的P个机器学习机的训练样本内对P个机器学习机进行重新训练。该P取值范围为大于等于1的整数。
所述AP,还用于包括X组机器学习机,提取多组机器学习机对应的多个模板图像中每个模板图像的终端角度,计算每个模板图像的终端角度与人脸图像的终端角度的差值的角度绝对值,依据该角度绝对值的大小确定该X组机器学习机的比对顺序。
所述AP,还用于如该多个模板图像中具有终端角度相同的多个模板图像,提取该多个模板图像中每个模板图像的图像亮度,计算每个模板图像的图像亮度于人脸图像的图像亮度之间差值的亮度绝对值,将多个模板对应的多组机器学习机的比对顺序按亮度绝对值的倒序排列。
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,提取N个特征对应的N个机器学习机,将N个特征分别输入到N个机器学习机进行识别得到N个初步识别结果,对N个初步识别结果分析得到最终的人脸识别结果,对于该技术方案,其采用的分别对比方案,然后依据分别比对的初步结果得到最终的结果,比整体比对的方案具有如下优点,对于整体比对方案,其需要对人脸的所有特征进行识别比对,但是对于采集的人脸图像来说,其有可能因为采集的环境不同可以无法包含所有的特征,例如,侧面拍照获取人脸图像时,可能无法采集到人脸的耳朵特征,当然在实际应用中还可以是其他的特征,例如头发特征等等。而对于本发明具体实施方式采用的是提取到的N个特征对应的N个机器学习机,由于该N个特征是已经提取的特征,不存在未有特征进入比对识别的情况出现,此识别方式能够提高识别的精度,另外,减少了特征比对的数量,所以其具有减少计算量以及降低功耗的优点。
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,将所述N个特征输入分别输入到与所述N个特征对应的N个机器学习机内进行识别得到N个初步结果,所述N的取值范围为大于等于3的整数,对所述N个初步结果分析得到人脸识别的验证结果。
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,还用于对所述N个初步结果去掉最大值以及最小值,将剩余的N-2个初步结果求平均值,如所述平均值大于验证阈值,确定该人脸识别的验证结果为成功,如所述平均值小于验证阈值,确定该人脸识别的验证结果为不成功。
可选的,所述处理器401,还用于提取所述N个初步结果中每个初步结果的权值得到N个权值,将所述N个初步结果分别与所述N个权值相乘得到N个计算结果,对所述N个计算结果求平均值得到结果平均值,如所述结果平均值大于验证阈值,确定所述人脸识别的验证结果为成功,否则确定该人脸识别的验证结果为不成功。
可选的,所述处理器501,用于获取人脸识别的结果,如所述人脸识别的结果为成功,提取所述N个初步结果中低于所述验证阈值的W个初步结果,获取所述W个初步结果对应的W个机器学习机,将所述W个初步结果对应的W个特征分别添加至对应的W个机器学习机的训练样本内对所述W个机器学习机进行重新训练,所述W取值范围为大于等于1的整数。
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,将所述N个特征输入分别输入到与所述N个特征对应的N个机器学习机内进行识别得到N个初步结果,所述N的取值范围为大于等于3的整数,对所述N个初步结果分析得到人脸识别的验证结果。
可选的,AP980,还用于对所述N个初步结果去掉最大值以及最小值,将剩余的N-2个初步结果求平均值,如所述平均值大于验证阈值,确定该人脸识别的验证结果为成功,如所述平均值小于验证阈值,确定该人脸识别的验证结果为不成功。
可选的,AP980,还用于提取所述N个初步结果中每个初步结果的权值得到N个权值,将所述N个初步结果分别与所述N个权值相乘得到N个计算结果,对所述N个计算结果求平均值得到结果平均值,如所述结果平均值大于验证阈值,确定所述人脸识别的验证结果为成功,否则确定该人脸识别的验证结果为不成功。
可选的,AP980,还用于获取人脸识别的结果,如所述人脸识别的结果为成功,提取所述N个初步结果中低于所述验证阈值的W个初步结果,获取所述W个初步结果对应的W个机器学习机,将所述W个初步结果对应的W个特征分别添加至对应的W个机器学习机的训练样本内对所述W个机器学习机进行重新训练,所述W取值范围为大于等于1的整数。
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 (9)
1.一种人脸识别方法,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;
提取与所述N个特征对应的N个机器学习机对应的N个模板图像中每个模板图像的终端角度,计算每个模板图像的终端角度与所述人脸图像的终端角度的差值的角度绝对值,依据该角度绝对值的大小确定该N个机器学习机的比对顺序;
按照所述比对顺序将所述N个特征输入分别输入到与所述N个特征对应的N个机器学习机内进行识别得到N个初步结果,所述N的取值范围为大于等于3的整数;
对N个特征按完整度划分成X个区间,每个区间对应一个权值,分别对所述N个特征中的每个特征进行完整度分析得到每个特征的完整度,根据每个特征的完整度位于的区间确定每个特征对应的权值,将所述N个特征对应的初步结果分别与相应特征对应的权值相乘得到N个计算结果,对所述N个计算结果求平均值得到结果平均值,如所述结果平均值大于验证阈值,确定所述人脸识别的验证结果为成功,否则确定该人脸识别的验证结果为不成功,X取值范围为大于等于2的整数。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取人脸识别的结果,如所述人脸识别的结果为成功,提取所述N个初步结果中低于所述验证阈值的W个初步结果,获取所述W个初步结果对应的W个机器学习机,将所述W个初步结果对应的W个特征分别添加至对应的W个机器学习机的训练样本内对所述W个机器学习机进行重新训练,所述W取值范围为大于等于1的整数。
3.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取识别人脸识别的结果,如所述人脸识别的结果为不成功,提取N个初步结果中高于验证阈值的P个初步结果,获取P个初步结果对应的P个机器学习机,将所述P个初步结果对应的P个特征分别添加至对应的P个机器学习机的训练样本内对P个机器学习机进行重新训练,该P取值范围为大于等于1的整数。
4.一种智能终端,其特征在于,所述智能终端包括:人脸识别模组、摄像头模组、存储器和应用处理器AP,所述人脸识别模组与所述摄像头模组连接,所述AP分别与所述人脸识别模组、摄像头模组、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;提取与所述N个特征对应的N个机器学习机对应的N个模板图像中每个模板图像的终端角度,计算每个模板图像的终端角度与所述人脸图像的终端角度的差值的角度绝对值,依据该角度绝对值的大小确定该N个机器学习机的比对顺序;
所述人脸识别模组,用于按照所述比对顺序将所述N个特征输入分别输入到与所述N个特征对应的N个机器学习机内进行识别得到N个初步结果,所述N的取值范围为大于等于3的整数;
所述AP,对N个特征按完整度划分成X个区间,每个区间对应一个权值,分别对所述N个特征中的每个特征进行完整度分析得到每个特征的完整度,根据每个特征的完整度位于的区间确定每个特征对应的权值,将所述N个特征对应的初步结果分别与相应特征对应的权值相乘得到N个计算结果,对所述N个计算结果求平均值得到结果平均值,如所述结果平均值大于验证阈值,确定所述人脸识别的验证结果为成功,否则确定该人脸识别的验证结果为不成功,X取值范围为大于等于2的整数。
5.根据权利要求4所述的智能终端,其特征在于,
所述AP,还用于获取人脸识别的结果,如所述人脸识别的结果为成功,提取所述N个初步结果中低于所述验证阈值的W个初步结果,获取所述W个初步结果对应的W个机器学习机,将所述W个初步结果对应的W个特征分别添加至对应的W个机器学习机的训练样本内对所述W个机器学习机进行重新训练,所述W取值范围为大于等于1的整数。
6.根据权利要求4所述的智能终端,其特征在于,所述AP,还用于获取识别人脸识别的结果,如所述人脸识别的结果为不成功,提取N个初步结果中高于验证阈值的P个初步结果,获取P个初步结果对应的P个机器学习机,将所述P个初步结果对应的P个特征分别添加至对应的P个机器学习机的训练样本内对P个机器学习机进行重新训练,该P取值范围为大于等于1的整数。
7.一种智能设备,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1-3任一项所述的方法中的步骤的指令。
8.一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1-3任一项所述的方法。
9.一种计算机程序产品,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1-3任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711041180.8A CN107832690B (zh) | 2017-10-30 | 2017-10-30 | 人脸识别的方法及相关产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711041180.8A CN107832690B (zh) | 2017-10-30 | 2017-10-30 | 人脸识别的方法及相关产品 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107832690A CN107832690A (zh) | 2018-03-23 |
CN107832690B true CN107832690B (zh) | 2020-12-08 |
Family
ID=61651166
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711041180.8A Expired - Fee Related CN107832690B (zh) | 2017-10-30 | 2017-10-30 | 人脸识别的方法及相关产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107832690B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109101333A (zh) * | 2018-06-27 | 2018-12-28 | 北京蜂盒科技有限公司 | 图像特征提取方法、装置、存储介质及电子设备 |
CN109063691B (zh) * | 2018-09-03 | 2021-04-20 | 武汉普利商用机器有限公司 | 一种人脸识别底库优化方法及系统 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102799877A (zh) * | 2012-09-11 | 2012-11-28 | 上海中原电子技术工程有限公司 | 人脸图像筛选方法及系统 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8180112B2 (en) * | 2008-01-21 | 2012-05-15 | Eastman Kodak Company | Enabling persistent recognition of individuals in images |
CN102254192B (zh) * | 2011-07-13 | 2013-07-31 | 北京交通大学 | 基于模糊k近邻的三维模型半自动标注方法及系统 |
CN102622519B (zh) * | 2012-03-09 | 2015-01-07 | 北京交通大学 | 一种轨道不平顺幅值安全域估计方法 |
CN103336945B (zh) * | 2013-06-10 | 2017-11-10 | 黑龙江大学 | 融合局部特征与全局特征的指静脉识别方法 |
CN105046224A (zh) * | 2015-07-16 | 2015-11-11 | 东华大学 | 基于分块自适应加权梯度方向直方图特征的人脸识别方法 |
CN105608443B (zh) * | 2016-01-22 | 2018-10-02 | 合肥工业大学 | 一种多特征描述及局部决策加权的人脸识别方法 |
CN106650693B (zh) * | 2016-12-30 | 2020-07-03 | 河北三川科技有限公司 | 一种用于人脸比对的多特征融合识别算法 |
-
2017
- 2017-10-30 CN CN201711041180.8A patent/CN107832690B/zh not_active Expired - Fee Related
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102799877A (zh) * | 2012-09-11 | 2012-11-28 | 上海中原电子技术工程有限公司 | 人脸图像筛选方法及系统 |
Non-Patent Citations (2)
Title |
---|
Supervised vector angle embedding learning for face recognition;Kong Wanzeng et al.;《Global Congress on Intelligent Systems》;20091231;第528-532页 * |
基于神经网络集成的多视角人脸识别;周志华 等;《计算机研究与发展》;20011031;第38卷(第10期);第1204-1210页 * |
Also Published As
Publication number | Publication date |
---|---|
CN107832690A (zh) | 2018-03-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11074466B2 (en) | Anti-counterfeiting processing method and related products | |
CN107480496B (zh) | 解锁控制方法及相关产品 | |
CN107451449B (zh) | 生物识别解锁方法及相关产品 | |
CN107590461B (zh) | 人脸识别方法及相关产品 | |
CN107679482B (zh) | 解锁控制方法及相关产品 | |
CN107657218B (zh) | 人脸识别方法及相关产品 | |
CN110909630B (zh) | 一种异常游戏视频检测方法和装置 | |
CN107909011B (zh) | 人脸识别方法及相关产品 | |
CN107273510B (zh) | 照片推荐方法及相关产品 | |
CN107451446B (zh) | 解锁控制方法及相关产品 | |
CN107292285B (zh) | 虹膜活体检测方法及相关产品 | |
CN107463818B (zh) | 解锁控制方法及相关产品 | |
CN107679481B (zh) | 解锁控制方法及相关产品 | |
CN107480488B (zh) | 解锁控制方法及相关产品 | |
CN107403147B (zh) | 虹膜活体检测方法及相关产品 | |
CN107451454B (zh) | 解锁控制方法及相关产品 | |
CN108304758A (zh) | 人脸特征点跟踪方法及装置 | |
CN107506708B (zh) | 解锁控制方法及相关产品 | |
CN109034052B (zh) | 人脸检测方法及装置 | |
CN107506697B (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 | |
CN107545163B (zh) | 解锁控制方法及相关产品 | |
CN107832690B (zh) | 人脸识别的方法及相关产品 | |
WO2019015574A1 (zh) | 解锁控制方法及相关产品 | |
CN107358183B (zh) | 虹膜活体检测方法及相关产品 |
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 | ||
CB02 | Change of applicant information |
Address after: Changan town in Guangdong province Dongguan 523860 usha Beach Road No. 18 Applicant after: GUANGDONG OPPO MOBILE TELECOMMUNICATIONS Corp.,Ltd. Address before: Changan town in Guangdong province Dongguan 523860 usha Beach Road No. 18 Applicant before: GUANGDONG OPPO MOBILE TELECOMMUNICATIONS Corp.,Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20201208 |