CN107832730A - 提高人脸识别准确率的方法和人脸识别系统 - Google Patents
提高人脸识别准确率的方法和人脸识别系统 Download PDFInfo
- Publication number
- CN107832730A CN107832730A CN201711184839.5A CN201711184839A CN107832730A CN 107832730 A CN107832730 A CN 107832730A CN 201711184839 A CN201711184839 A CN 201711184839A CN 107832730 A CN107832730 A CN 107832730A
- Authority
- CN
- China
- Prior art keywords
- face
- face recognition
- identification
- weight coefficient
- parameter
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 230000001815 facial effect Effects 0.000 claims abstract description 27
- 238000012163 sequencing technique Methods 0.000 claims description 9
- 238000013459 approach Methods 0.000 claims description 6
- 238000013524 data verification Methods 0.000 claims description 5
- 230000007613 environmental effect Effects 0.000 claims description 4
- 241000208340 Araliaceae Species 0.000 claims description 3
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims description 3
- 235000003140 Panax quinquefolius Nutrition 0.000 claims description 3
- 235000008434 ginseng Nutrition 0.000 claims description 3
- 238000004891 communication Methods 0.000 claims 1
- 238000011835 investigation Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 101000746134 Homo sapiens DNA endonuclease RBBP8 Proteins 0.000 description 4
- 101000969031 Homo sapiens Nuclear protein 1 Proteins 0.000 description 4
- 102100021133 Nuclear protein 1 Human genes 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000005286 illumination Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012876 topography Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000035800 maturation Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/94—Hardware or software architectures specially adapted for image or video understanding
- G06V10/95—Hardware or software architectures specially adapted for image or video understanding structured as a network, e.g. client-server architectures
-
- 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
- G06V40/161—Detection; Localisation; Normalisation
-
- 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
- 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)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Collating Specific Patterns (AREA)
Abstract
公开了一种提高人脸识别准确率的方法和人脸识别系统,在不同识别位置布置人脸识别设备,多个人脸识别设备采集和识别人脸图像采集每个人脸识别设备的识别参数,识别参数包括拍摄所述人脸图像的人脸识别设备的性能参数、环境参数和/或占用人脸识别系统的资源参数;基于识别参数给每个人脸识别设备设置权重系数;基于权重系数调整输出的识别结果。
Description
技术领域
本发明属于人脸识别技术领域,特别是涉及一种提高人脸识别准确率的方法和人脸识别系统。
背景技术
目前,人脸识别技术随着摄像头、算法、数据量等方面条件的成熟,逐渐成为一种底层应用工具类技术,得到不断普及。
利用人脸识别技术实现考勤管理、安防验证等构思已经不再罕见。其基本原理如下,通过设置在合适区域的摄像设备来采集通过的人群的脸部数据,将该数据与系统预存的人脸数据进行比对,从而实现身份验证与识别判断。
相较于传统的刷卡、刷指纹、刷脸而言,现在的人脸识别技术的难度在于不给被扫描对象任何打扰感,不要求被扫描对象的专门配合。传统的刷卡、刷指纹、刷脸,尤其是刷脸,虽然也是通过面部识别来实现身份认证,但是其要求对象在特定位置保持特定姿势,这样的应用场景,对于高流量,免打扰的应用场景还不够完美。然而,在非干预的情况下,自然流动的人群,可能出现眼镜、口罩、侧脸、低头、帽子等多种因素的干扰,导致识别准确率大大降低。
虽然可以通过深度学习、数据训练等方式,不断提高识别准确率,也可以通过设置更强的摄像设备,提高采集到的脸部数据量,甚至增加三维建模还原真实脸部轮廓等技术来实现识别准确率的进一步提升,但是在当前的计算能力和设备硬件能力的情况下,仅从单一镜头识别的角度出发去做改进,识别准确率的提升效率,随着识别准确率变得越来越高,则提升难度越来越大。
专利文献CN104899579A公开了人脸识别方法,方法包括:
根据预设的深度学习模型提取待识别人脸图像以及人脸图像样本的人脸特征向量;
基于提取出的人脸特征向量计算所述待识别人脸图像与所述人脸图像样本的相似度取值;
根据计算出的所述相似度取值对所述待识别人脸图像进行人脸识别。该专利通过根据预设的深度学习模型提取待识别人脸图像以及人脸图像样本的人脸特征向量,并基于提取出的人脸特征向量计算所述待识别人脸图像与所述人脸图像样本的相似度取值,然后根据计算出的所述相似度取值对所述待识别人脸图像进行人脸识别。但该专利仍然是单一的人脸识别,无法突破该设备所处环境、设备性能等局限。
专利文献CN106355138A公开的基于深度学习和关键点特征提取的人脸识别方法包括以下步骤,
步骤1、获取视频图像,提取视频图像中的类哈尔特征;
步骤2、根据类哈尔特征,构建级联的强分类器,再利用强分类器检测出视频图像中的人眼区域图像;
步骤3、对人眼区域图像对称设置至少7个关键点,再对其进行区域划分,获得局部图像块;
步骤4、获取人脸数据库中设置有相同关键点的预处理局部图像块,将其匹配局部图像块获得对应关键点的图像块对,再利用深度卷积神经网络提取出图像块对的特征向量;
步骤5、计算特征向量的分类器决策分,判断出分类器决策分最高的图像块对,其中属于人脸数据库中的预处理局部图像块所在人脸图像作为识别的输出结果。该专利降低非限定条件下人脸识别的错误率,但该专利仍然是单一的人脸识别,无法突破该设备所处环境、设备性能等局限。
发明内容
针对现有技术中存在的问题,本发明提供一种提高人脸识别准确率的方法和人脸识别系统,其能够通过布置在不同位置的人脸识别设备形成一个人脸识别系统,基于识别参数对每个人脸识别设备设置权重系数,提升对单一事件中,对象识别准确率的校验,从而提升识别准确率。其中,影响识别的参数大致分为三个方面,一是人脸识别设备的性能参数,二是人脸识别设备所处的环境参数,三是系统处理人脸识别的资源参数,因此,本发明中,识别参数包括拍摄所述人脸图像的人脸识别设备的性能参数、环境参数和/或占用人脸识别系统的资源参数。
本发明的目的是通过以下技术方案予以实现:
本发明的一方面,一种提高人脸识别准确率的方法包括如下步骤:
在不同识别位置布置人脸识别设备,多个人脸识别设备采集和识别人脸图像,采集每个人脸识别设备的识别参数,识别参数包括拍摄所述人脸图像的人脸识别设备的性能参数、环境参数和/或占用人脸识别系统的资源参数;基于识别参数给每个人脸识别设备设置权重系数;基于权重系数调整输出的识别结果。
在所述的一种提高人脸识别准确率的方法中,每个人脸识别设备识别人脸图像的识别结果乘以权重系数得到每个人脸识别设备的识别准确率,将所述识别准确率从大到小排序。
在所述的一种提高人脸识别准确率的方法中,每个人脸识别设备识别人脸图像的识别结果和数据库中的图像数据比较获得概率值,概率值乘以权重系数得到每个人脸识别设备的识别准确率,将所述识别准确率从大到小排序。
在所述的一种提高人脸识别准确率的方法中,通过数据验证调整所述权重系数使得识别准确率逼近最高概率值以获得每个人脸识别设备的最佳权重系数。
在所述的一种提高人脸识别准确率的方法中,所述性能参数包括人脸识别设备的分辨率、清晰度、信噪比和/或白平衡参数,所述环境参数包括人脸识别设备的识别位置、识别角度、人脸识别完整度和/或环境光强。
在所述的一种提高人脸识别准确率的方法中,所述占用人脸识别系统的资源参数包括占用识别系统的CPU使用率、内存使用率。
在所述的一种提高人脸识别准确率的方法中,所述权重系数为加权权重参数,所述加权权重系数通过对性能参数权重系数、环境参数权重系数和/或占用人脸识别系统的资源参数权重系数加权获得。
在所述的一种提高人脸识别准确率的方法中,人脸识别设备的所述概率值大于预定阈值时,将其概率值乘以权重系数得到所述人脸识别设备的识别准确率。
在所述的一种提高人脸识别准确率的方法中,确定每个人脸识别设备的最佳权重系数后,当对预定人脸图像识别时,识别准确率位于预定顺序之前的所述人脸识别设备的识别结果判定为通过识别。
根据本发明的另一方面,一种实施提高人脸识别准确率的方法的人脸识别系统包括多个布置在不同识别位置的人脸识别设备、用于采集识别参数的数据采集装置以及连接所述人脸识别设备和数据采集装置的处理器,处理器包括用于设置人脸识别设备的权重系数权重单元。
在所述的人脸识别系统中,所述人脸识别系统是云端服务器,所述服务器包括处理器、硬盘、内存、总线和用于与人脸识别设备交互的通信端口,处理器包括将识别结果和数据库中的图像数据比较获得概率值的比较单元、连接所述权重单元和比较单元的排序单元,排序单元将概率值乘以权重系数得到每个人脸识别设备的识别准确率从大到小排序。在所述的人脸识别系统中,所述人脸识别系统是云端服务器,所述服务器包括处理器、硬盘、内存、总线和用于与人脸识别设备交互的通信端口,处理器包括将识别结果和数据库中的图像数据比较获得概率值的比较单元、连接所述权重单元和比较单元的排序单元和自学习单元,排序单元将概率值乘以权重系数得到每个人脸识别设备的识别准确率从大到小排序,所述自学习单元通过数据验证调整所述权重系数使得识别准确率逼近最高概率值以获得每个人脸识别设备的最佳权重系数。
与现有技术相比,本发明具有以下有益的技术效果:
现有技术下,人脸识别的输出结果往往是一个可能性,无论是1比1,1比N还是N比N的比较条件下,人脸识别的识别结果往往给出一个可能性。1比1的情况下,给出一个准确概率,比如90%可能两个人脸是同一对象;1比N情况下,可能对N个被比较对象,按照相同概率的大小进行排序输出;对于N比N的情况下,则可能是从相同概率超出一定阈值的结果中,将这些结果按照相同概率高低进行排序输出。本发明能够通过对于系统部署的不同人脸识别设备的识别结果进行权重分析判断,对于条件较好的设备的识别结果给予更高的权重,从整体上提高人脸识别的准确率。
上述说明仅是本发明技术方案的概述,为了能够使得本发明的技术手段更加清楚明白,达到本领域技术人员可依照说明书的内容予以实施的程度,并且为了能够让本发明的上述和其它目的、特征和优点能够更明显易懂,下面以本发明的具体实施方式进行举例说明。
附图说明
通过阅读下文优选的具体实施方式中的详细描述,本发明各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。说明书附图仅用于示出优选实施方式的目的,而并不认为是对本发明的限制。显而易见地,下面描述的附图仅仅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。
在附图中:
图1为本发明的一个实施例的提高人脸识别准确率的方法的步骤示意图;
图2为本发明的一个实施例的人脸识别系统的结构示意图。
以下结合附图和实施例对本发明作进一步的解释。
具体实施方式
下面将参照附图更详细地描述本发明的具体实施例。虽然附图中显示了本发明的具体实施例,然而应当理解,可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本发明,并且能够将本发明的范围完整的传达给本领域的技术人员。
需要说明的是,在说明书及权利要求当中使用了某些词汇来指称特定组件。本领域技术人员应可以理解,技术人员可能会用不同名词来称呼同一个组件。本说明书及权利要求并不以名词的差异来作为区分组件的方式,而是以组件在功能上的差异来作为区分的准则。如在通篇说明书及权利要求当中所提及的“包含”或“包括”为一开放式用语,故应解释成“包含但不限定于”。说明书后续描述为实施本发明的较佳实施方式,然所述描述乃以说明书的一般原则为目的,并非用以限定本发明的范围。本发明的保护范围当视所附权利要求所界定者为准。
为便于对本发明实施例的理解,下面将结合附图以几个具体实施例为例做进一步的解释说明,且各个附图并不构成对本发明实施例的限定。
图1为本发明的一个实施例的提高人脸识别准确率的方法的步骤示意图,一种提高人脸识别准确率的方法包括如下步骤:
在不同识别位置布置人脸识别设备,多个人脸识别设备采集和识别人脸图像,采集每个人脸识别设备的识别参数,识别参数包括拍摄所述人脸图像的人脸识别设备的性能参数、环境参数和/或占用人脸识别系统的资源参数;基于识别参数给每个人脸识别设备设置权重系数;基于权重系数调整输出的识别结果。
本发明的识别参数包括很多方面,比如环境光、照明光、拍摄角度、室内外环境等。比较好的识别参数,典型的包括正常光照环境下的商场内的电梯通道,或者正常光照环境下的展会安检门处。此类环境下,由于是室内,所以通常被识别对象有较高几率脱掉帽子、口罩等遮掩物;由于环境光正常,所以既能保证拍照的时候的亮度,同时对象摘除室外佩戴的墨镜的可能性较高;由于处于通道位置,所以经过该通道的可能性较高;由于通道较为狭窄,所以同时通过的识别对象不会太多;由于类似电梯或者安检门的通道,所以对象有较高可能正脸朝向前方行走方向。总之,综合了上述所有的条件,在此处适当位置设置的摄像装置,能够较高几率的得到非常适合于实施人脸识别的图像数据,并且,也是由于位置较好,在这样地段所部署的摄像装置也可能采用更高成本,更高性能的装置,从而进一步提升最终的对象识别率。
基于此,在一个人脸识别系统中部署有多个如摄像装置的人脸识别设备,均可以进行人脸识别或者图像识别的情况下,可以根据摄像装置的性能、摄像装置所处环境的便利性、给摄像装置所分配的系统计算资源等不同识别条件,来对该摄像装置所得到的识别结果给予权重认定。举例来说,在如上所述的最优位置,配置有最佳摄像设备,并且系统给予最高支持的计算资源的情况下,在该处得到的判断结果应该给予最高权重。也就是说,在同样发现识别对象的情况下,该识别条件下的识别结果是最可信的。接下来,对于整体识别条件在其中某些方面不如上述最佳条件的那些摄像点所获得的识别结果则进一步降低其判断结果的可信权重。对于那些识别条件最差的识别结果,比如人流量巨大、极大分散了计算资源,并且环境光复杂,有各种光斑阴影等情况的大型通道,典型的,比如旧式的海关楼过关通道,由于缺乏环境改造基础,加上人流量巨大,人员佩戴各种口罩、帽子、围巾,人员脸部姿势各异,人员行动速度较快的恶劣环境,在此处取得的识别结果就相对权重较低。
现有技术下,人脸识别的输出结果往往是一个可能性,无论是1比1,1比N还是N比N的比较条件下,人脸识别的识别结果往往给出一个可能性。本发明的提高人脸识别准确率的方法通过在不同识别位置布置人脸识别设备,多个人脸识别设备采集和识别人脸图像,人脸识别系统采集每个人脸识别设备的识别参数,基于识别参数给每个人脸识别设备设置权重系数,基于权重系数调整输出的识别结果。对较高权重识别参数识别条件较好的识别设备所识别的结果,给予更高权重,这显著提高了人脸识别的准确率。
另外,上述权重分析,还可结合识别结果的阈值设置。举例来说,对于上述识别参数最好的系统部署点而言,在该处实施1比N的比对方式时,比如对于追逃系统而言,采集到了一个对象的脸部数据,与系统内置的逃犯脸部数据库进行比对,该比对结果由系统判断与数据库内某个逃犯甲相同的盖然性必然是处于某个数值范围内,由于该处识别参数较好,当识别盖然性处于90%以上时,必然要通知警员去进行盘查,但是当识别盖然性低于70%时,则可以不必进行盘查。当然,上述排查策略仅是示意性的,该排查策略中的阈值,应该根据实际环境进行调整,可以理解,对于高危险防范要求的场合,这种判断阈值可进一步下调,对于低危险防范要求的场合,这种判断阈值可进一步上调。这种调整的结果就是,对于机场安检这样的环境,即使追逃系统判断相同的可能性相对较低,但是也应该提醒实施排查,对于一般公共场合环境,即使追逃系统判断相同的可能性相对较高,但是也可以放弃排查。
事实上,这种阈值的选择,还可根据识别对象数据库的性质,做进一步调整。比如,对于高危险的逃犯,可以加强排查,即使盖然性可能较低,也可通知排查,对于普通逃犯,则可以放松排查,提高整个系统的运行效率。
另外,上述权重结果也可以与排查结果进行整合,从而提高最高权重级别的数据信赖度,对于经过人脸识别,并且经过实际身份排查确认身份的情形而言,这样的数据显然具有最高的权重,能够毫无疑义的说明该对象的身份。
在本发明的所述的一种提高人脸识别准确率的方法的优选实施例中,每个人脸识别设备识别人脸图像的识别结果和数据库中的图像数据比较获得概率值,概率值乘以权重系数得到每个人脸识别设备的识别准确率,将所述识别准确率从大到小排序。在本发明的所述的一种提高人脸识别准确率的方法的优选实施例中,通过数据验证调整所述权重系数使得识别准确率逼近最高概率值以获得每个人脸识别设备的最佳权重系数。例如,在某个环境下,采集一长段时间的过人情况,收集一定样本,然后这个样本本身的情况是清楚的,所以拿这个样本去验证结果,从而推断权重系数的设定是否合理,如果不合理可以进行调整。比如,找100个人,反复在多个摄像设备下来回穿行,然后统计这100个人的实际通行情况,跟系统所识别出来的结果进行比对,按照实际情况跟系统结果比对的命中率,来判断多个摄像设备的权重系数。又例如,可以通过自学习装置进行大数据训练调整所述权重系数使得识别准确率逼近最高概率值以获得每个人脸识别设备的最佳权重系数。在本发明的所述的一种提高人脸识别准确率的方法的优选实施例中,所述性能参数包括人脸识别设备的分辨率、清晰度、信噪比和/或白平衡参数,所述环境参数包括人脸识别设备的识别位置、识别角度、人脸识别完整度和/或环境光强。
在本发明的所述的一种提高人脸识别准确率的方法的优选实施例中,所述占用人脸识别系统的资源参数包括占用识别系统的CPU使用率、内存使用率。例如,设置在重要位置的人脸识别设备的CPU使用率和/或内存使用率可设置为较高,或者当重要位置的人脸识别设备的CPU使用率和/或内存使用率比较低时,可以提高CPU使用率和/或内存使用率使得重要位置的人脸识别设备发挥更好的识别性能。
在本发明的所述的一种提高人脸识别准确率的方法的优选实施例中,所述权重系数为加权权重参数,所述加权权重系数通过对性能参数权重系数、环境参数权重系数和/或占用人脸识别系统的资源参数权重系数加权获得。
在本发明的所述的一种提高人脸识别准确率的方法的优选实施例中,人脸识别设备的所述概率值大于预定阈值时,将其概率值乘以权重系数得到所述人脸识别设备的识别准确率。
在本发明的所述的一种提高人脸识别准确率的方法的优选实施例中,确定每个人脸识别设备的最佳权重系数后,当对预定人脸图像识别时,识别准确率位于预定顺序之前的所述人脸识别设备的识别结果判定为通过识别。
在本发明的所述的一种提高人脸识别准确率的方法的优选实施例中,权重参数可以根据如人脸识别设备的精度参数、位置参数、环境参数进行评估布置。例如,人脸识别设备精度越高,权重越高,反之则越低,人流通过速度越慢,权重越高,反之则越低,环境中人的行为规律性越高,权重越高,反之则越低。
图2为本发明的一个实施例的人脸识别系统的结构示意图,一种实施提高人脸识别准确率的方法的人脸识别系统,人脸识别系统包括多个布置在不同识别位置的人脸识别设备1、用于采集识别参数的数据采集装置2以及连接所述人脸识别设备1和数据采集装置2的处理器3,处理器3包括用于设置人脸识别设备的权重系数权重单元4。
在本发明的人脸识别系统的优选实施例中,所述识别系统是云端服务器,所述服务器包括处理器、硬盘、内存、总线和用于与人脸识别设备1交互的通信端口,处理器3包括将识别结果和数据库中的图像数据比较获得概率值的比较单元5、连接所述权重单元4和比较单元5的排序单元6,排序单元6将概率值乘以权重系数得到每个人脸识别设备1的识别准确率从大到小排序。
在本发明的人脸识别系统的优选实施例中,所述识别系统是云端服务器,所述服务器包括处理器、硬盘、内存、总线和用于与人脸识别设备1交互的通信端口,处理器3包括将识别结果和数据库中的图像数据比较获得概率值的比较单元5、连接所述权重单元4和比较单元5的排序单元6和自学习单元7,排序单元6将概率值乘以权重系数得到每个人脸识别设备1的识别准确率从大到小排序,所述自学习单元7通过数据验证调整所述权重系数使得识别准确率逼近最高概率值以获得每个人脸识别设备1的最佳权重系数。
在一个实施例中,处理器3包括通用处理器、数字信号处理器、专用集成电路ASIC或现场可编程门阵列FPGA。
在一个实施例中,所述处理器3包括存储器,所述存储器包括一个或多个只读存储器ROM、随机存取存储器RAM、快闪存储器或电子可擦除可编程只读存储器EEPROM。
尽管以上结合附图对本发明的实施方案进行了描述,但本发明并不局限于上述的具体实施方案和应用领域,上述的具体实施方案仅仅是示意性的、指导性的,而不是限制性的。本领域的普通技术人员在本说明书的启示下和在不脱离本发明权利要求所保护的范围的情况下,还可以做出很多种的形式,这些均属于本发明保护之列。
Claims (10)
1.一种提高人脸识别准确率的方法,其包括如下步骤:
在不同识别位置布置人脸识别设备,多个人脸识别设备采集和识别人脸图像,采集每个人脸识别设备的识别参数,识别参数包括拍摄所述人脸图像的人脸识别设备的性能参数、环境参数和/或占用人脸识别系统的资源参数;基于识别参数给每个人脸识别设备设置权重系数;基于权重系数调整输出的识别结果。
2.根据权利要求1所述的一种提高人脸识别准确率的方法,其特征在于:每个人脸识别设备将识别人脸图像的识别结果乘以权重系数得到每个人脸识别设备的识别准确率,将所述识别准确率从大到小排序。
3.根据权利要求2所述的一种提高人脸识别准确率的方法,其特征在于:通过数据验证调整所述权重系数使得识别准确率逼近最高概率值以获得每个人脸识别设备的最佳权重系数。
4.根据权利要求1所述的一种提高人脸识别准确率的方法,其特征在于:所述性能参数包括人脸识别设备的分辨率、清晰度、信噪比和/或白平衡参数,所述环境参数包括人脸识别设备的识别位置、识别角度、人脸识别完整度和/或环境光强。
5.根据权利要求1所述的一种提高人脸识别准确率的方法,其特征在于:所述占用人脸识别系统的资源参数包括占用识别系统的CPU使用率、内存使用率。
6.根据权利要求1所述的一种提高人脸识别准确率的方法,其特征在于:所述权重系数为加权权重参数,所述加权权重系数通过对性能参数权重系数、环境参数权重系数和/或占用人脸识别系统的资源参数权重系数加权获得。
7.根据权利要求2所述的一种提高人脸识别准确率的方法,其特征在于:当人脸识别设备的所述识别结果大于预定阈值时,将识别结果乘以权重系数得到所述人脸识别设备的识别准确率。
8.根据权利要求3所述的一种提高人脸识别准确率的方法,其特征在于:确定每个人脸识别设备的最佳权重系数后,当对预定人脸图像识别时,识别准确率位于预定顺序之前的所述人脸识别设备的识别结果判定为通过识别。
9.一种实施权利要求1-8中任一项提高人脸识别准确率的方法的人脸识别系统,其特征在于,人脸识别系统包括多个布置在不同识别位置的人脸识别设备(1)、用于采集识别参数的数据采集装置(2)以及连接所述人脸识别设备(1)和数据采集装置(2)的处理器(3),处理器(3)包括用于设置人脸识别设备的权重系数的权重单元(4)。
10.一种如权利要求9所述的人脸识别系统,其特征在于,所述人脸识别系统是云端服务器,所述服务器包括处理器、硬盘、内存、总线和用于与人脸识别设备(1)交互的通信端口,处理器(3)包括将识别结果和数据库中的图像数据比较获得概率值的比较单元(5)、连接所述权重单元(4)和比较单元(5)的排序单元(6),排序单元(6)将概率值乘以权重系数得到每个人脸识别设备(1)的识别准确率从大到小排序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711184839.5A CN107832730A (zh) | 2017-11-23 | 2017-11-23 | 提高人脸识别准确率的方法和人脸识别系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711184839.5A CN107832730A (zh) | 2017-11-23 | 2017-11-23 | 提高人脸识别准确率的方法和人脸识别系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107832730A true CN107832730A (zh) | 2018-03-23 |
Family
ID=61653503
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711184839.5A Pending CN107832730A (zh) | 2017-11-23 | 2017-11-23 | 提高人脸识别准确率的方法和人脸识别系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107832730A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110363048A (zh) * | 2018-04-04 | 2019-10-22 | 阿里巴巴集团控股有限公司 | 人脸识别方法及装置 |
CN110865415A (zh) * | 2018-08-28 | 2020-03-06 | 浙江大华技术股份有限公司 | 一种安检方法及装置 |
CN112560986A (zh) * | 2020-12-25 | 2021-03-26 | 上海商汤智能科技有限公司 | 图像检测方法及装置、电子设备和存储介质 |
CN114550088A (zh) * | 2022-02-22 | 2022-05-27 | 北京城建设计发展集团股份有限公司 | 一种多摄像头融合的乘客识别方法、系统及电子设备 |
CN114596337A (zh) * | 2022-03-03 | 2022-06-07 | 捻果科技(深圳)有限公司 | 一种基于多摄像机位联动性的自识别目标追踪方法及系统 |
CN116092166A (zh) * | 2023-03-06 | 2023-05-09 | 深圳市慧为智能科技股份有限公司 | 口罩人脸识别方法、装置、计算机设备及存储介质 |
-
2017
- 2017-11-23 CN CN201711184839.5A patent/CN107832730A/zh active Pending
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110363048A (zh) * | 2018-04-04 | 2019-10-22 | 阿里巴巴集团控股有限公司 | 人脸识别方法及装置 |
CN110363048B (zh) * | 2018-04-04 | 2020-04-24 | 阿里巴巴集团控股有限公司 | 人脸识别方法及装置 |
CN110865415A (zh) * | 2018-08-28 | 2020-03-06 | 浙江大华技术股份有限公司 | 一种安检方法及装置 |
CN110865415B (zh) * | 2018-08-28 | 2024-03-22 | 浙江大华技术股份有限公司 | 一种安检方法及装置 |
CN112560986A (zh) * | 2020-12-25 | 2021-03-26 | 上海商汤智能科技有限公司 | 图像检测方法及装置、电子设备和存储介质 |
CN112560986B (zh) * | 2020-12-25 | 2022-01-04 | 上海商汤智能科技有限公司 | 图像检测方法及装置、电子设备和存储介质 |
CN114550088A (zh) * | 2022-02-22 | 2022-05-27 | 北京城建设计发展集团股份有限公司 | 一种多摄像头融合的乘客识别方法、系统及电子设备 |
CN114596337A (zh) * | 2022-03-03 | 2022-06-07 | 捻果科技(深圳)有限公司 | 一种基于多摄像机位联动性的自识别目标追踪方法及系统 |
CN116092166A (zh) * | 2023-03-06 | 2023-05-09 | 深圳市慧为智能科技股份有限公司 | 口罩人脸识别方法、装置、计算机设备及存储介质 |
CN116092166B (zh) * | 2023-03-06 | 2023-06-20 | 深圳市慧为智能科技股份有限公司 | 口罩人脸识别方法、装置、计算机设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107832730A (zh) | 提高人脸识别准确率的方法和人脸识别系统 | |
CN108446617B (zh) | 抗侧脸干扰的人脸快速检测方法 | |
US8798327B2 (en) | Method and system for people flow statistics | |
CN104091176B (zh) | 人像比对在视频中的应用技术 | |
CN105868689B (zh) | 一种基于级联卷积神经网络的人脸遮挡检测方法 | |
Rachmadi et al. | Vehicle color recognition using convolutional neural network | |
CN102332092B (zh) | 一种基于视频分析的火焰检测方法 | |
CN104504362A (zh) | 基于卷积神经网络的人脸检测方法 | |
CN104778453B (zh) | 一种基于红外行人亮度统计特征的夜间行人检测方法 | |
CN107491762B (zh) | 一种行人检测方法 | |
CN100356369C (zh) | 用于检测图像中的特定对象的方法和系统 | |
CN108288033B (zh) | 一种基于随机蕨融合多特征的安全帽检测方法 | |
CN104992148A (zh) | 基于随机森林的atm终端部分遮挡人脸关键点检测方法 | |
CN107844785B (zh) | 一种基于尺度估计的人脸检测方法 | |
CN107808152A (zh) | 提升人脸识别准确率的方法和人脸识别系统 | |
CN104036236B (zh) | 一种基于多参数指数加权的人脸性别识别方法 | |
CN108416250A (zh) | 人数统计方法及装置 | |
CN105518709A (zh) | 用于识别人脸的方法、系统和计算机程序产品 | |
CN103473564B (zh) | 一种基于敏感区域的正面人脸检测方法 | |
CN105956572A (zh) | 一种基于卷积神经网络的活体人脸检测方法 | |
CN104346801B (zh) | 图像构图评估装置、信息处理装置及其方法 | |
CN107886507B (zh) | 一种基于图像背景和空间位置的显著区域检测方法 | |
CN107038719A (zh) | 基于光场图像角度域像素的深度估计方法及系统 | |
CN101142584A (zh) | 面部特征检测的方法 | |
CN101364263A (zh) | 对图像进行皮肤纹理检测的方法及系统 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20180323 |