CN107909011B - 人脸识别方法及相关产品 - Google Patents
人脸识别方法及相关产品 Download PDFInfo
- Publication number
- CN107909011B CN107909011B CN201711038865.7A CN201711038865A CN107909011B CN 107909011 B CN107909011 B CN 107909011B CN 201711038865 A CN201711038865 A CN 201711038865A CN 107909011 B CN107909011 B CN 107909011B
- Authority
- CN
- China
- Prior art keywords
- light intensity
- face image
- ambient light
- features
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000012706 support-vector machine Methods 0.000 claims abstract description 81
- 238000004364 calculation method Methods 0.000 claims abstract description 65
- 230000015654 memory Effects 0.000 claims description 29
- 238000000605 extraction Methods 0.000 claims description 19
- 238000012549 training Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 11
- 238000012790 confirmation Methods 0.000 claims description 7
- 239000013589 supplement Substances 0.000 claims description 7
- 238000004891 communication Methods 0.000 description 9
- 238000004422 calculation algorithm Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 239000011159 matrix material Substances 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 239000000284 extract Substances 0.000 description 5
- 230000007613 environmental effect Effects 0.000 description 4
- 239000000047 product Substances 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
- 230000001815 facial effect Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000005236 sound signal Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005266 casting Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 235000019800 disodium phosphate Nutrition 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
- 238000012795 verification 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
- G06V40/172—Classification, e.g. identification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Collating Specific Patterns (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分析得到所述人脸图像对应的第一环境光线强度值；依据该第一环境光线强度值确定该第一环境光线强度值所处于的第一强度区间；提取第一强度区间对应的支持向量机，将该人脸图像输入到支持向量机计算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的结果因为环境参数的影响较大，导致现有的人脸识别在不同环境中识别的精度差别较大，影响用户的体验度。
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，可降低环境参数对人脸识别精度的影响，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分析得到所述人脸图像对应的第一环境光线强度值；
依据该第一环境光线强度值确定该第一环境光线强度值所处于的第一强度区间；提取第一强度区间对应的支持向量机，将该人脸图像输入到支持向量机计算得到人脸识别的结果。
可选的，所述方法还包括：
如所述人脸识别的结果为不通过，显示确定提示，如采集到所述人脸图像的确认指示，提取所述人脸图像对应的第一模板图像，将所述第一模板图像的环境光线调整至第一环境光线强度值得到第二模板图像，将所述人脸图像进行特征提取得到第一P个特征，从所述第二模板图像进行特征提取得到M个特征，从M个特征中获取与所述第一P个特征类型相同的第二P个特征；将所述第一P个特征与第所述二P个特征的相同类型的特征进行比对得到P个相似值，提取所述P个相似值中低于设定阈值的W个相似值对应的W个特征，从支持向量机中获取与所述W个特征对应的拉格朗日的W个算子，保持支持向量机中拉格朗日的剩余算子不变，将所述人脸图像作为训练样本对所述支持向量机的W个算子进行重新训练。
可选的，所述将该人脸图像输入到支持向量机计算得到人脸识别的结果，包括：
将所述人脸图像输入到支持向量机确认该人脸图像的多个计算公式，获取多个计算公式对应的多个计算量，依据多个计算量的大小将多个计算公式分配给终端的多个核执行运算得到人脸识别的结果。
可选的，所述采集人脸图像，包括：
调整X个补光值分别采集X次人脸图像的到X个人脸图像，获取X个人脸图像的X个环境光线强度值，依据公式1计算得到X个环境光线强度值中第三环境光线强度值，保留第三环境光线强度值的人脸图像，将剩余的X-1个人脸图像删除。
第三环境光线强度值＝min(max(|y1-A|,|y1-B|)...max(|yx-A|,|yx-B|)公式1；
其中，y1为X个人脸图像中第1个人脸图像的环境光线强度值，yx为X个人脸图像中第X个人脸图像的环境光线强度值，A为第一强度区间的最大值，B为第一强度区间的最小值。
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分析得到所述人脸图像对应的第一环境光线强度值，依据该第一环境光线强度值确定该第一环境光线强度值所处于的第一强度区间；提取第一强度区间对应的支持向量机，将该人脸图像输入到支持向量机计算得到人脸识别的结果。
可选的，所述AP，还用于如所述人脸识别的结果为不通过，显示确定提示，如采集到所述人脸图像的确认指示，提取所述人脸图像对应的第一模板图像，将所述第一模板图像的环境光线调整至第一环境光线强度值得到第二模板图像，将所述人脸图像进行特征提取得到第一P个特征，从所述第二模板图像进行特征提取得到M个特征，从M个特征中获取与所述第一P个特征类型相同的第二P个特征；将所述第一P个特征与第所述二P个特征的相同类型的特征进行比对得到P个相似值，提取所述P个相似值中低于设定阈值的W个相似值对应的W个特征，从支持向量机中获取与所述W个特征对应的拉格朗日的W个算子，保持支持向量机中拉格朗日的剩余算子不变，将所述人脸图像作为训练样本对所述支持向量机的W个算子进行重新训练。
可选的，所述AP，还用于将所述人脸图像输入到支持向量机确认该人脸图像的多个计算公式，获取多个计算公式对应的多个计算量，依据多个计算量的大小将多个计算公式分配给终端的多个核执行运算得到人脸识别的结果。
可选的，所述AP，还用于调整X个补光值控制所述摄像头模组分别采集X次人脸图像的到X个人脸图像，获取X个人脸图像的X个环境光线强度值，依据公式1计算得到X个环境光线强度值中第三环境光线强度值，保留第三环境光线强度值的人脸图像，将剩余的X-1个人脸图像删除；
第三环境光线强度值＝min(max(|y1-A|,|y1-B|)...max(|yx-A|,|yx-B|)公式1；
其中，y1为X个人脸图像中第1个人脸图像的环境光线强度值，yx为X个人脸图像中第X个人脸图像的环境光线强度值，A为第一强度区间的最大值，B为第一强度区间的最小值第三方面，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对人脸图像分析得到第一环境光线强度值，然后将该第一环境光线强度值确定该人脸图像位于的光线强度区间，然后提取第一强度区间对应的支持向量机，将该人脸图像输入到支持向量机内进行识别得到人脸识别的结果，对于本发明的技术方案，其设置有多个光线强度区间对应的支持向量机，这样在确定人脸图像的第一环境光线强度值时，即能够提取对应的光线强度区间对应的支持向量机，从而实现对人脸图像的准确识别，由于该支持向量机为该光线强度区间匹配的支持向量机，其在训练时均采用的是该光线强度区间内的值的图像进行训练，所以其降低了环境光线强度对人脸识别准确度的影响，进而提高了用户的体验度。
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。
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。
对于人脸识别算法来说，其采集的人脸图像的环境参数不同，可能识别出的结果也大不相同，对于人脸图像的环境参数影响最大的两种具体可以包括：光线强度和背景参数，此两种参数对人脸识别的结果影响最大，尤其是光线强度，不同的光线强度下采集的人脸图像识别的精度影响非常大，通过实验数据可以知道，当光线强度过强或过弱均会对人脸识别的精度产生较大的影响，那么如何降低环境参数对人脸识别的结果的影响就是一个非常值得研究的问题。
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、对该人脸图像进行分析得到该人脸图像对应的第一环境光线强度值。
上述步骤S202中的分析得到第一环境光线强度值的方式有多种，本发明具体实施方式并不限制上述第一环境光线强度值的具体实现方式。例如光线投射算法或光线跟踪算法等等。
步骤S203、依据该第一环境光线强度值确定该第一环境光线强度值所处于的第一强度区间。
上述步骤S203可以设置N个强度区间，这样获取到该第一环境光线强度值以后就能够直接查询到期所属的第一强度区间。上述N可以为大于等于2的整数。本发明并不限制上述N的具体值，另外，对于各个强度区间之间的范围也可以由用户自行设定，例如，每个强度区间的跨度可以是相同跨度，即等距设置，当然在实际应用中，可以根据人脸识别的特点，对不同的强度区间的跨度设置成不相同的跨度，即非等距跨度，具体的，可以将环境光线强度的两端的强度区间的跨度设置较小，将中间的强度区间的跨度设置较大，因为对于两端环境光线强度其对人脸识别的精度影响非常大，所以需要对其细分以提高识别的精度。
步骤S204、终端提取第一强度区间对应的支持向量机，将该人脸图像输入到支持向量机计算得到人脸识别的结果。
上述支持向量机为已完成训练的支持向量机，在训练该支持向量机时的训练样本的光线强度值均需要在该第一强度区间内，由于该支持向量机训练的时候是分区间训练的，这样对于该支持向量机为该区间专用的支持向量机，这样就能够提高专用性以及提高精度。
本发明提供的技术方案在采集人脸图像时，对人脸图像分析得到第一环境光线强度值，然后将该第一环境光线强度值确定该人脸图像位于的光线强度区间，然后提取第一强度区间对应的支持向量机，将该人脸图像输入到支持向量机内进行识别得到人脸识别的结果，对于本发明的技术方案，其设置有多个光线强度区间对应的支持向量机，这样在确定人脸图像的第一环境光线强度值时，即能够提取对应的光线强度区间对应的支持向量机，从而实现对人脸图像的准确识别，由于该支持向量机为该光线强度区间匹配的支持向量机，其在训练时均采用的是该光线强度区间内的值的图像进行训练，所以其降低了环境光线强度对人脸识别准确度的影响，进而提高了用户的体验度。
可选的，上述方法在步骤S204之后还可以包括：
如人脸识别的结果为不通过，显示确定提示，如采集到该人脸图像的确认指示，提取该人脸图像对应的第一模板图像，将该第一模板图像的环境光线调整至第一环境光线强度值得到第二模板图像，将该人脸图像进行特征提取得到第一P个特征，从该第二模板图像进行特征提取得到M个特征，从M个特征中获取与该第一P个特征类型相同(即属于相同特征，例如，轮廓特征，眼部特征)的的第二P个特征；将第一P个特征与第二P个特征的相同类型的特征进行比对得到P个相似值，提取P个相似值中低于设定阈值的W个相似值对应的W个特征，从支持向量机中获取与W个特征对应的拉格朗日的W个算子，保持支持向量机中拉格朗日的剩余算子(除W个算子以外的算子)不变，将该人脸图像作为训练样本对该支持向量机的W个算子进行重新训练。上述M、P、取值范围为大于等于2的整数，W取值范围为大于等于1的整数，其中，M＞P＞W。
此技术方案的优点在于，对于人脸识别不通过但是被用户确定为本人的图像时，此时支持向量机的人脸识别结果与实际结果不一致，那么就需要对支持向量机进行重新训练，对于支持向量机的训练其实际是对拉格朗日的所有算子进行优化，即人脸图像的M个特征对应的M个算子进行优化，这里需要事先查找出对于支持向量机结果影响较大的算子，通过实验发现，对于特征例如眼部特征与模板图像的眼部特征的相似值低于设定阈值时，其对人脸识别的结果影响最大，依据该实验的结果，其通过比对首先确认该人脸图像中P个特征中W个特征不清楚(即相似度低于设定阈值的特征)，然后确定支持向量机中W个特征对应的W个算子，保持其他算子不变，仅用人脸图像作为模板对该支持向量机的W个算子进行训练从而对W个算子进行优化，这样就能够对支持向量机进行不停的优化，从而提高识别的精度。
可选的，上述步骤S204的实现方法具体可以为：
将该人脸图像输入到支持向量机确认该人脸图像的多个计算公式，获取多个计算公式对应的多个计算量，依据多个计算量的大小将多个计算公式分配给终端的多个核执行运算得到人脸识别的结果。
上述核可以为终端处理的核。对于支持向量机的运算来说，其计算公式可以为向量乘以向量，矩阵乘以矩阵，标量运算以及非线性运算等等的运算，对于计算公式可以将划分成多个计算量，这样就能够依据计算量将多个计算公式分配个多核并行运算，提高了计算速度。
可选的，如该计算公式为向量运算，该向量运算包括：向量乘以向量，矩阵乘以矩阵，矩阵乘以向量等等运算的任意一种是，该计算量的计算方式可以为：
S＝A*B*C+(A-1)*B*C；其中，S为计算量的值，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。
可选的，上述采集人脸图像的实现方式具体可以为：
调整X个补光值分别采集X次人脸图像的到X个人脸图像，获取X个人脸图像的X个环境光线强度值，依据公式1计算得到X个环境光线强度值中第三环境光线强度值，保留第三环境光线强度值的人脸图像，将剩余的X-1个人脸图像删除。
第三环境光线强度值＝min(max(|y1-A|,|y1-B|)...max(|yx-A|,|yx-B|)公式1
其中y1为X个人脸图像中第1个人脸图像的环境光线强度值，yx为X个人脸图像中第X个人脸图像的环境光线强度值，A为第一强度区间的最大值，B为第一强度区间的最小值。
此设置是为了使得人脸图像的环境光线强度值位于第一强度区间的中值的附近，这样能够提高验证的精确度。
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分析得到所述人脸图像对应的第一环境光线强度值，依据该第一环境光线强度值确定该第一环境光线强度值所处于的第一强度区间；提取第一强度区间对应的支持向量机，将该人脸图像输入到支持向量机计算得到人脸识别的结果。
可选的，所述AP，还用于如所述人脸识别的结果为不通过，显示确定提示，如采集到所述人脸图像的确认指示，提取所述人脸图像对应的第一模板图像，将所述第一模板图像的环境光线调整至第一环境光线强度值得到第二模板图像，将所述人脸图像进行特征提取得到第一P个特征，从所述第二模板图像进行特征提取得到M个特征，从M个特征中获取与所述第一P个特征类型相同的第二P个特征；将所述第一P个特征与第所述二P个特征的相同类型的特征进行比对得到P个相似值，提取所述P个相似值中低于设定阈值的W个相似值对应的W个特征，从支持向量机中获取与所述W个特征对应的拉格朗日的W个算子，保持支持向量机中拉格朗日的剩余算子不变，将所述人脸图像作为训练样本对所述支持向量机的W个算子进行重新训练。
可选的，所述AP，还用于将所述人脸图像输入到支持向量机确认该人脸图像的多个计算公式，获取多个计算公式对应的多个计算量，依据多个计算量的大小将多个计算公式分配给终端的多个核执行运算得到人脸识别的结果。
可选的，所述AP，还用于调整X个补光值控制所述摄像头模组分别采集X次人脸图像的到X个人脸图像，获取X个人脸图像的X个环境光线强度值，依据公式1计算得到X个环境光线强度值中第三环境光线强度值，保留第三环境光线强度值的人脸图像，将剩余的X-1个人脸图像删除；
第三环境光线强度值＝min(max(|y1-A|,|y1-B|)...max(|yx-A|,|yx-B|)公式1；
其中，y1为X个人脸图像中第1个人脸图像的环境光线强度值，yx为X个人脸图像中第X个人脸图像的环境光线强度值，A为第一强度区间的最大值，B为第一强度区间的最小值。
该技术方案在采集人脸图像时，对人脸图像分析得到第一环境光线强度值，然后将该第一环境光线强度值确定该人脸图像位于的光线强度区间，然后提取第一强度区间对应的支持向量机，将该人脸图像输入到支持向量机内进行识别得到人脸识别的结果，对于本发明的技术方案，其设置有多个光线强度区间对应的支持向量机，这样在确定人脸图像的第一环境光线强度值时，即能够提取对应的光线强度区间对应的支持向量机，从而实现对人脸图像的准确识别，由于该支持向量机为该光线强度区间匹配的支持向量机，其在训练时均采用的是该光线强度区间内的值的图像进行训练，所以其降低了环境光线强度对人脸识别准确度的影响，进而提高了用户的体验度。
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分析得到所述人脸图像对应的第一环境光线强度值，依据该第一环境光线强度值确定该第一环境光线强度值所处于的第一强度区间；提取第一强度区间对应的支持向量机，将该人脸图像输入到支持向量机计算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，还用于如所述人脸识别的结果为不通过，显示确定提示，如采集到所述人脸图像的确认指示，提取所述人脸图像对应的第一模板图像，将所述第一模板图像的环境光线调整至第一环境光线强度值得到第二模板图像，将所述人脸图像进行特征提取得到第一P个特征，从所述第二模板图像进行特征提取得到M个特征，从M个特征中获取与所述第一P个特征类型相同的第二P个特征；将所述第一P个特征与第所述二P个特征的相同类型的特征进行比对得到P个相似值，提取所述P个相似值中低于设定阈值的W个相似值对应的W个特征，从支持向量机中获取与所述W个特征对应的拉格朗日的W个算子，保持支持向量机中拉格朗日的剩余算子不变，将所述人脸图像作为训练样本对所述支持向量机的W个算子进行重新训练。
可选的，所述处理器401，还用于将所述人脸图像输入到支持向量机确认该人脸图像的多个计算公式，获取多个计算公式对应的多个计算量，依据多个计算量的大小将多个计算公式分配给终端的多个核执行运算得到人脸识别的结果。
可选的，所述处理器501，用于调整X个补光值控制所述摄像头模组分别采集X次人脸图像的到X个人脸图像，获取X个人脸图像的X个环境光线强度值，依据公式1计算得到X个环境光线强度值中第三环境光线强度值，保留第三环境光线强度值的人脸图像，将剩余的X-1个人脸图像删除；
第三环境光线强度值＝min(max(|y1-A|,|y1-B|)...max(|yx-A|,|yx-B|)公式1；
其中，y1为X个人脸图像中第1个人脸图像的环境光线强度值，yx为X个人脸图像中第X个人脸图像的环境光线强度值，A为第一强度区间的最大值，B为第一强度区间的最小值。
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分析得到所述人脸图像对应的第一环境光线强度值，依据该第一环境光线强度值确定该第一环境光线强度值所处于的第一强度区间；提取第一强度区间对应的支持向量机，将该人脸图像输入到支持向量机计算得到人脸识别的结果。
可选的，AP980，还用于如所述人脸识别的结果为不通过，显示确定提示，如采集到所述人脸图像的确认指示，提取所述人脸图像对应的第一模板图像，将所述第一模板图像的环境光线调整至第一环境光线强度值得到第二模板图像，将所述人脸图像进行特征提取得到第一P个特征，从所述第二模板图像进行特征提取得到M个特征，从M个特征中获取与所述第一P个特征类型相同的第二P个特征；将所述第一P个特征与第所述二P个特征的相同类型的特征进行比对得到P个相似值，提取所述P个相似值中低于设定阈值的W个相似值对应的W个特征，从支持向量机中获取与所述W个特征对应的拉格朗日的W个算子，保持支持向量机中拉格朗日的剩余算子不变，将所述人脸图像作为训练样本对所述支持向量机的W个算子进行重新训练。
可选的，AP980，还用于将所述人脸图像输入到支持向量机确认该人脸图像的多个计算公式，获取多个计算公式对应的多个计算量，依据多个计算量的大小将多个计算公式分配给终端的多个核执行运算得到人脸识别的结果。
可选的，AP980，还用于调整X个补光值控制所述摄像头模组分别采集X次人脸图像的到X个人脸图像，获取X个人脸图像的X个环境光线强度值，依据公式1计算得到X个环境光线强度值中第三环境光线强度值，保留第三环境光线强度值的人脸图像，将剩余的X-1个人脸图像删除；
第三环境光线强度值＝min(max(|y1-A|,|y1-B|)...max(|yx-A|,|yx-B|)公式1；
其中，y1为X个人脸图像中第1个人脸图像的环境光线强度值，yx为X个人脸图像中第X个人脸图像的环境光线强度值，A为第一强度区间的最大值，B为第一强度区间的最小值。
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 (8)
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分析得到所述人脸图像对应的第一环境光线强度值；
依据该第一环境光线强度值确定该第一环境光线强度值所处于的第一强度区间；提取第一强度区间对应的支持向量机，将该人脸图像输入到支持向量机计算得到人脸识别的结果；
其中，所述方法还包括：如所述人脸识别的结果为不通过，则显示采集人脸图像的确定指示，并提取所述人脸图像对应的第一模板图像，将所述第一模板图像的环境光线调整至第一环境光线强度值得到第二模板图像，将所述人脸图像进行特征提取得到第一P个特征，从所述第二模板图像进行特征提取得到M个特征，从M个特征中获取与所述第一P个特征类型相同的第二P个特征；将所述第一P个特征与所述第二P个特征的相同类型的特征进行比对得到P个相似值，提取所述P个相似值中低于设定阈值的W个相似值对应的W个特征，从支持向量机中获取与所述W个特征对应的拉格朗日的W个算子，保持支持向量机中拉格朗日的剩余算子不变，将所述人脸图像作为训练样本对所述支持向量机的W个算子进行重新训练。
2.根据权利要求1所述的方法，其特征在于，所述将该人脸图像输入到支持向量机计算得到人脸识别的结果，包括：
将所述人脸图像输入到支持向量机确认该人脸图像的多个计算公式，获取多个计算公式对应的多个计算量，依据多个计算量的大小将多个计算公式分配给终端的多个核执行运算得到人脸识别的结果。
3.根据权利要求1所述的方法，其特征在于，所述采集人脸图像，包括：
调整X个补光值分别采集X次人脸图像得到X个人脸图像，获取X个人脸图像的X个环境光线强度值，依据公式1计算得到X个环境光线强度值中第三环境光线强度值，保留第三环境光线强度值的人脸图像，将剩余的X-1个人脸图像删除；
第三环境光线强度值＝min(max(|y1-A|,|y1-B|)...max(|yx-A|,|yx-B|)公式1；
其中，y1为X个人脸图像中第1个人脸图像的环境光线强度值，yx为X个人脸图像中第X个人脸图像的环境光线强度值，A为第一强度区间的最大值，B为第一强度区间的最小值。
4.一种智能终端，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分析得到所述人脸图像对应的第一环境光线强度值，依据该第一环境光线强度值确定该第一环境光线强度值所处于的第一强度区间；提取第一强度区间对应的支持向量机，将该人脸图像输入到支持向量机计算得到人脸识别的结果；
其中，
所述AP，还用于如所述人脸识别的结果为不通过，则显示采集人脸图像的确认指示，并提取所述人脸图像对应的第一模板图像，将所述第一模板图像的环境光线调整至第一环境光线强度值得到第二模板图像，将所述人脸图像进行特征提取得到第一P个特征，从所述第二模板图像进行特征提取得到M个特征，从M个特征中获取与所述第一P个特征类型相同的第二P个特征；将所述第一P个特征与所述第二P个特征的相同类型的特征进行比对得到P个相似值，提取所述P个相似值中低于设定阈值的W个相似值对应的W个特征，从支持向量机中获取与所述W个特征对应的拉格朗日的W个算子，保持支持向量机中拉格朗日的剩余算子不变，将所述人脸图像作为训练样本对所述支持向量机的W个算子进行重新训练。
5.根据权利要求4所述的智能终端，其特征在于，
所述AP，还用于将所述人脸图像输入到支持向量机确认该人脸图像的多个计算公式，获取多个计算公式对应的多个计算量，依据多个计算量的大小将多个计算公式分配给终端的多个核执行运算得到人脸识别的结果。
6.根据权利要求4所述的智能终端，其特征在于，
所述AP，还用于调整X个补光值控制所述摄像头模组分别采集X次人脸图像得到X个人脸图像，获取X个人脸图像的X个环境光线强度值，依据公式1计算得到X个环境光线强度值中第三环境光线强度值，保留第三环境光线强度值的人脸图像，将剩余的X-1个人脸图像删除；
第三环境光线强度值＝min(max(|y1-A|,|y1-B|)...max(|yx-A|,|yx-B|)公式1；
其中，y1为X个人脸图像中第1个人脸图像的环境光线强度值，yx为X个人脸图像中第X个人脸图像的环境光线强度值，A为第一强度区间的最大值，B为第一强度区间的最小值。
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。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711038865.7A CN107909011B (zh) | 2017-10-30 | 2017-10-30 | 人脸识别方法及相关产品 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711038865.7A CN107909011B (zh) | 2017-10-30 | 2017-10-30 | 人脸识别方法及相关产品 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107909011A CN107909011A (zh) | 2018-04-13 |
| CN107909011B true CN107909011B (zh) | 2021-08-24 |
Family
ID=61842177
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711038865.7A Active CN107909011B (zh) | 2017-10-30 | 2017-10-30 | 人脸识别方法及相关产品 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107909011B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110610117A (zh) * | 2018-06-15 | 2019-12-24 | 中兴通讯股份有限公司 | 一种人脸识别方法、装置及存储介质 |
| CN109084758A (zh) * | 2018-06-30 | 2018-12-25 | 华安鑫创控股（北京）股份有限公司 | 一种惯性导航方法及相关产品 |
| CN109753899A (zh) * | 2018-12-21 | 2019-05-14 | 普联技术有限公司 | 一种人脸识别方法、系统和设备 |
| US20230042100A1 (en) * | 2020-01-16 | 2023-02-09 | Nec Corporation | Face authentication apparatus, control method and non-transitory computer-readable storage medium therefor, face authentication gate apparatus, and control method and non-transitory computer-readable storage medium therefor |
| CN111489478A (zh) * | 2020-04-24 | 2020-08-04 | 英华达（上海）科技有限公司 | 门禁控制方法、系统、设备及存储介质 |
| CN112905975A (zh) * | 2021-01-22 | 2021-06-04 | 南京维沃软件技术有限公司 | 鉴权方法、装置、设备及介质 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1973300A (zh) * | 2004-08-04 | 2007-05-30 | 精工爱普生株式会社 | 对象图像检测装置、面部图像检测程序及面部图像检测方法 |
| EP2054844A1 (en) * | 2006-07-28 | 2009-05-06 | MEI, Inc. | Classification using support vector machines and variables selection |
| CN102110225A (zh) * | 2009-12-28 | 2011-06-29 | 比亚迪股份有限公司 | 户外人脸识别方法及系统 |
| CN102789578A (zh) * | 2012-07-17 | 2012-11-21 | 北京市遥感信息研究所 | 基于多源目标特征支持的红外遥感图像变化检测方法 |
| CN103593648A (zh) * | 2013-10-22 | 2014-02-19 | 上海交通大学 | 一个面向开放环境的人脸识别方法 |
| CN103745237A (zh) * | 2013-12-26 | 2014-04-23 | 暨南大学 | 光照变化条件下的人脸识别算法 |
| CN104008364A (zh) * | 2013-12-31 | 2014-08-27 | 广西科技大学 | 人脸识别方法 |
| CN104376326A (zh) * | 2014-11-02 | 2015-02-25 | 吉林大学 | 一种用于图像场景识别的特征提取方法 |
| CN104463234A (zh) * | 2015-01-04 | 2015-03-25 | 深圳信息职业技术学院 | 人脸识别方法 |
| CN106469301A (zh) * | 2016-08-31 | 2017-03-01 | 北京天诚盛业科技有限公司 | 自适应可调节的人脸识别方法和装置 |
| CN106599863A (zh) * | 2016-12-21 | 2017-04-26 | 中国科学院光电技术研究所 | 一种基于迁移学习技术的深度人脸识别方法 |
-
2017
- 2017-10-30 CN CN201711038865.7A patent/CN107909011B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1973300A (zh) * | 2004-08-04 | 2007-05-30 | 精工爱普生株式会社 | 对象图像检测装置、面部图像检测程序及面部图像检测方法 |
| EP2054844A1 (en) * | 2006-07-28 | 2009-05-06 | MEI, Inc. | Classification using support vector machines and variables selection |
| CN102110225A (zh) * | 2009-12-28 | 2011-06-29 | 比亚迪股份有限公司 | 户外人脸识别方法及系统 |
| CN102789578A (zh) * | 2012-07-17 | 2012-11-21 | 北京市遥感信息研究所 | 基于多源目标特征支持的红外遥感图像变化检测方法 |
| CN103593648A (zh) * | 2013-10-22 | 2014-02-19 | 上海交通大学 | 一个面向开放环境的人脸识别方法 |
| CN103745237A (zh) * | 2013-12-26 | 2014-04-23 | 暨南大学 | 光照变化条件下的人脸识别算法 |
| CN104008364A (zh) * | 2013-12-31 | 2014-08-27 | 广西科技大学 | 人脸识别方法 |
| CN104376326A (zh) * | 2014-11-02 | 2015-02-25 | 吉林大学 | 一种用于图像场景识别的特征提取方法 |
| CN104463234A (zh) * | 2015-01-04 | 2015-03-25 | 深圳信息职业技术学院 | 人脸识别方法 |
| CN106469301A (zh) * | 2016-08-31 | 2017-03-01 | 北京天诚盛业科技有限公司 | 自适应可调节的人脸识别方法和装置 |
| CN106599863A (zh) * | 2016-12-21 | 2017-04-26 | 中国科学院光电技术研究所 | 一种基于迁移学习技术的深度人脸识别方法 |
Non-Patent Citations (4)
| Title |
|---|
| A Study on Face Recognition in Video Surveillance System Using Multi-Class Support Vector Machines;Yew 等;《TENCON 2011》;20120112;25-29 * |
| Igor Frolov 等.3 Face recognition system using SVM-based classifier.《IEEE International Workshop on Intelligent Data Acquisition and Advanced Computing Systems: Technology and Applications》.2009, * |
| 基于支持向量机的局部二值模式加权算法在人脸识别中的应用;陈莉 等;《科技通报》;20150531;第31卷(第5期);237-240 * |
| 基于改进差分AAM和K-SVM的人脸表情识别;邱家浩 等;《机械设计与制造》;20111231;第2011年卷(第12期);84-86 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107909011A (zh) | 2018-04-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107909011B (zh) | 人脸识别方法及相关产品 | |
| US10169639B2 (en) | Method for fingerprint template update and terminal device | |
| US11074466B2 (en) | Anti-counterfeiting processing method and related products | |
| CN107451449B (zh) | 生物识别解锁方法及相关产品 | |
| CN106127481B (zh) | 一种指纹支付方法及终端 | |
| US10460148B2 (en) | Method for controlling unlocking and mobile terminal | |
| EP3623973B1 (en) | Unlocking control method and related product | |
| CN106022062B (zh) | 一种解锁方法及移动终端 | |
| CN107451454B (zh) | 解锁控制方法及相关产品 | |
| EP3252665B1 (en) | Method for unlocking terminal and terminal | |
| WO2018059131A1 (en) | Method and device for updating sequence of fingerprint templates for matching | |
| CN107454251B (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 | |
| EP3382596A1 (en) | Human face model matrix training method and apparatus, and storage medium | |
| CN109344594A (zh) | 一种基于指纹控制设备的方法及相关设备 | |
| CN106022064A (zh) | 一种解锁控制方法及移动终端 | |
| CN107563337A (zh) | 人脸识别的方法及相关产品 | |
| CN106055954B (zh) | 一种终端的解锁方法及终端 | |
| CN106055956A (zh) | 一种解锁控制方法及移动终端 | |
| CN107545163B (zh) | 解锁控制方法及相关产品 | |
| CN107729860B (zh) | 人脸识别计算方法及相关产品 | |
| 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 | |
| CN107517298B (zh) | 解锁方法及相关产品 |
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: OPPO Guangdong Mobile Communications Co.,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 |