CN108009482A - 一种提高人脸识别效率方法 - Google Patents

Abstract

本发明提供的提高人脸识别效率方法，从视频流中提取人脸图像先不与目标人脸图像库比对，而是先与鲜活人脸图像库比对且鲜活库中的人脸图像主要或全部来源于同一个采集设备或位置邻近的采集设备或具有一定关联的图像采集设备，比中的不入库鲜活库，不再比对目标库而直接采用原有的比对结果或与比中的人脸图像只拿其中一个去比对，没有比中的才与目标库比对，同时还可入库鲜活人脸图像库。本方法在目标库规模远大于鲜活库规模时且采集的鲜活人脸图像具有一定冗余度以及在两者规模差不多效率同时鲜活人脸图像冗余度较高时效率提升明显，本方法与人脸识别算法无关，技术上容易实现，可推广至人像、人体像、车脸、车像等图像识别应用场景提高识别效率。

Description

一种提高人脸识别效率方法

技术领域

本发明涉及一种提高人脸识别效率方法，还涉及到一种高图像识别效率方法和一种提高图像识别效率的二次识别方法。

背景技术

人脸识别的英文名称是 Human Face Recognition。广义的人脸识别实际包括构建人脸识别系统的一系列相关技术，包括人脸图像采集、人脸定位、人脸识别预处理、身份确认以及身份查找等；而狭义的人脸识别特指通过人脸进行身份确认或者身份查找的技术或系统。人脸识别是一项热门的计算机技术研究领域，它属于生物特征识别技术，是对生物体（一般特指人）本身的生物特征来区分生物体个体。生物特征识别技术所研究的生物特征包括脸、指纹、手掌纹、虹膜、视网膜、声音（语音）、体形、个人习惯（例如敲击键盘的力度和频率、签字）等，相应的识别技术就有人脸识别、指纹识别、掌纹识别、虹膜识别、视网膜识别、语音识别（用语音识别可以进行身份识别，也可以进行语音内容的识别，只有前者属于生物特征识别技术）、体形识别、键盘敲击识别、签字识别等。近年，生物特征识别这一技术发展今非昔比。其中，人脸识别是一种非接触性技术，具有可视化、符合人的思维习惯的特点，得以在商业、安全等领域广泛应用。人脸识别技术正式起步于美国，我国接触该技术较晚，但是经过科研人员和学者们多年的研究和实验，目前我国的人脸识别技术已经达到国际先进的水平。在我国，最早从人工向计算机智能识别发展的生物识别技术是指纹识别，但是在实际应用中逐渐产生了对人脸识别技术的需求。从2001年开始，公安部门就开始使用这一技术来防范打击重大刑事犯罪并取得国家的支持。随后，我国在2008年北京奥运会举行时应用了人脸识别技术，这标志着我国的人脸识别进入大规模的使用阶段。在前几年举办的世博会上，该技术得到更加广泛的应用，同时各大公司也逐渐加入，实现了人脸识别技术在中国的大规模应用。近年来，安防行业掀起了一波人脸识别的热潮，众多厂商纷纷推出了相关产品，一时间，人脸识别成为了行业内的热点技术方向。据笔者统计，在2014年的中国国际社会公共安全博览会上，至少有20家企业展示了自己的人脸识别产品。其中既有大华股份、海康威视这样的大安防厂商，也有汉王、银晨这样的智能化厂商。同时，众多媒体也接连报道了人脸识别技术在学术界和工业界取得的巨大成果:比如今年，腾讯在LFW人脸识别数据集上取得了99.65%的识别率，刷新了年初谷歌的记录；阿里巴巴集团执行主席马云在德国展会上演示了人脸识别与支付宝的结合应用，“刷脸支付”将走向生活。人脸识别技术走进生活，从北京人民公园人脸识别取厕纸，到江苏人脸识别抓拍行人闯红灯，从远程人脸认证养老金领取资格到公司门禁考勤放行审核，从机场、火车站安检“刷脸”到公安安防管理“刷脸”，从“刷脸”办理银行业务到“扫脸”支付购买商品……科幻电影中的“黑科技”，如今实实在在走进了我们的生活中。应用领域：人证比对：驾照、签证、身份证、护照、投票选举、智能卡用户验证等等；智能接入：接入控制设备存取、车辆访问、智能ATM、电脑接入、程序接入(CRM接入)、网络接入等；安全维稳：安全反恐报警、登机、乘车、体育场观众扫描、计算机安全、网络安全、执法嫌疑犯识别、欺骗识别等；人脸监控：校园监控、小区监控、公园监控、医院监控、街道监控、电网监控、入口监控等；人脸管理：人脸数据库人脸检索、人脸标记、人脸分类、多媒体管理人脸搜索、人脸视频分割和拼接等；其他人脸应用：人机交互式游戏、主动计算、人脸重建、低比特率图片和视频传输等；以公安应用为例，公安部门在查办案、处理事务时常常会遇到一些不明身份的人员，比如走丢的老人、小孩，拒不交代身份的嫌疑犯，无人认领的尸体等。传统的人工走访会浪费大量的人力物力也收效甚小。利用人脸识别检测系统，将目标人脸输入到系统中。系统毫秒间即可自动在海量人口数据库中进行查找比对，罗列出若干名疑似的人员信息。只需公安部门通过简单的人工干预方式，对系统结果进行筛选，就能得到目标的真实身份。中国有14亿人口，庞大的数据支撑成为了人脸识别准确度得以加速提升的重要条件。大数据为深度学习提供了学习的数据基础，使得人脸识别的错误率大大降低。人脸识别的应用都非常的关注误报条件下的识别性能，比如人脸支付需要控制错误接受率在0.000001之内；对于安防监控而言，可能需要控制在0.000000001之内（比如几十万人的注册库）。安防涉及维稳，涉及到民生领域财产安全，所需的人脸识别技术就更具有挑战性。而随着深度学习演进，基于深度学习的人脸识别将获得突破性的进展。它需要的只是越来越多的数据和样本，数据和样本越多、反复训练的次数越多，它越容易捕捉到准确的结果，给你准确的答案。所以，当一套人脸识别系统的设备，在全面引入深度学习的算法之后，它几乎是很完美的解决了以前长期各种各样的变化问题。人脸识别系统主要包括四个组成部分，分别为：人脸图像采集及检测、人脸图像预处理、人脸图像特征提取以及匹配与识别。人脸图像采集：不同的人脸图像都能通过摄像镜头采集下来，比如静态图像、动态图像、不同的位置、不同表情等方面都可以得到很好的采集。当用户在采集设备的拍摄范围内时，采集设备会自动搜索并拍摄用户的人脸图像。人脸检测：人脸检测在实际中主要用于人脸识别的预处理，即在图像中准确标定出人脸的位置和大小。人脸图像中包含的模式特征十分丰富，如直方图特征、颜色特征、模板特征、结构特征及Haar特征等。人脸检测就是把这其中有用的信息挑出来，并利用这些特征实现人脸检测。主流的人脸检测方法基于以上特征采用Adaboost学习算法，Adaboost算法是一种用来分类的方法，它把一些比较弱的分类方法合在一起，组合出新的很强的分类方法。人脸检测过程中使用Adaboost算法挑选出一些最能代表人脸的矩形特征(弱分类器)，按照加权投票的方式将弱分类器构造为一个强分类器，再将训练得到的若干强分类器串联组成一个级联结构的层叠分类器，有效地提高分类器的检测速度。人脸图像预处理：对于人脸的图像预处理是基于人脸检测结果，对图像进行处理并最终服务于特征提取的过程。系统获取的原始图像由于受到各种条件的限制和随机干扰，往往不能直接使用，必须在图像处理的早期阶段对它进行灰度校正、噪声过滤等图像预处理。对于人脸图像而言，其预处理过程主要包括人脸图像的光线补偿、灰度变换、直方图均衡化、归一化、几何校正、滤波以及锐化等。人脸图像特征提取：人脸识别系统可使用的特征通常分为视觉特征、像素统计特征、人脸图像变换系数特征、人脸图像代数特征等。人脸特征提取就是针对人脸的某些特征进行的。人脸特征提取，也称人脸表征，它是对人脸进行特征建模的过程。人脸特征提取的方法归纳起来分为两大类：一种是基于知识的表征方法；另外一种是基于代数特征或统计学习的表征方法。人脸识别综合运用了数字图像/视频处理、模式识别、计算机视觉等多种技术，核心技术是人脸识别算法。目前人脸识别的算法有4 种：基于人脸特征点的识别算法、基于整幅 人脸图像的识别算法、基于模板的识别算法、利用神经网络进行识别的算法。人脸识别算法的原理：系统输入一般是一张或者一系列含有未确定身份的人脸图像，以及人脸数据库中的若干已知身份的人脸图象或者相应的编码，而其输出则是一系列相似度得分，表明待识别的人脸的身份。人脸识别法主要集中在二维图像方面，二维人脸识别主要利用分布在人脸上从低到高80个节点或标点，通过测量眼睛、颧骨、下巴等之间的间距来进行身份认证。人脸识别算法主要有：1.基于模板匹配的方法。模板分为二维模板和三维模板，核心思想:利用人的脸部特征规律建立一个立体可调的模型框架,在定位出人的脸部位置后用模型框架定位和调整人的脸部特征部位,解决人脸识别过程中的观察角度、遮挡和表情变化等因素影响。2.基于奇异值特征方法。人脸图像矩阵的奇异值特征反映了图像的本质属性，可以利用它来进行分类识别。3.子空间分析法。因其具有描述性强、计算代价小、易实现及可分性好等特点，被广泛地应用于人脸特征提取，成为了当前人脸识别的主流方法之一。4.局部保持投影(Locality Preserving Projections，LPP)。是一种新的子空间分析方法，它是非线性方法Laplacian Eigen map的线性近似，既解决了PCA等传统线性方法难以保持原始数据非线性流形的缺点，又解决了非线性方法难以获得新样本点低维投影的缺点。5.主成分分析(PCA)。PCA模式识别领域一种重要的方法，已被广泛地应用于人脸识别算法中，基于PCA人脸识别系统在应用中面临着一个重要障碍:增量学习问题。增量PCA算法由新增样本重构最为重要 PCS，但该方法随着样本的增加， 需要不断舍弃一些不重要PC，以维持子空间维数不变， 因而该方法精度稍差。6.其他方法。弹性匹配方法、特征脸法(基于KL变换)、人工神经网络法、支持向量机法、基于积分图像特征法(adaboost学习)、基于概率模型法。二维人脸识别方法的最大不足是在面临姿态、光照条件不同、表情变化以及脸部化妆等方面较为脆弱，识别的准确度受到很大限制，而这些都是人脸在自然状态下会随时表现出来的。三维人脸识别可以极大的提高识别精度，真正的三维人脸识别是利用深度图像进行研究，自90年代初期开始，已经有了一定的进展。三维人脸识别方法有：1.基于图像特征的方法。采取了从3D结构中分离出姿态的算法。首先匹配人脸整体的尺寸轮廓和三维空间方向;然后，在保持姿态固定的情况下，去作脸部不同特征点(这些特征点是人工的鉴别出来)的局部匹配。2.基于模型可变参数的方法。使用将通用人脸模型的3D变形和基于距离映射的矩阵迭代最小相结合，去恢复头部姿态和3D人脸。随着模型形变的关联关系的改变不断更新姿态参数，重复此过程直到最小化尺度达到要求。基于模型可变参数的方法与基于图像特征的方法的最大区别在于。后者在人脸姿态每变化一次后，需要重新搜索特征点的坐标，而前者只需调整3D变形模型的参数。人脸识别算法研究已久，在背景简单的情形下，大部分算法都能很好的处理。但是，人脸识别的应用范围颇广，仅是简单图像测试，是远远不能满足现实需求的。所以人脸识别算法还是存在很多的难点。光照问题是机器视觉中的老问题，在人脸识别中的表现尤为明显，算法未能达到完美使用的程度。与光照问题类似，姿态问题也是人脸识别研究中需要解决的一个技术难点。针对姿态的研究相对比较少，多数的人脸识别算法主要是针对正面，或接近正面的人脸图像，当发生俯仰或者左右侧而比较厉害的情况下，人脸识别算法的识别率也将会急剧下降。对于非配合情况下的人脸图像采集，遮挡问题是一个非常严重的问题，特别是在监控环境下，往往被监控对象都会带着眼镜﹑帽子等饰物，使得被采集出来的人脸图像有可能不完整，从而影响了后面的特征提取与识别，甚至会导致人脸识别算法的失效。随着年龄的变化，面部外观也在变化，特别是对于青少年，这种变化更加的明显。对于不同的年龄段，人脸识别算法的识别率也不同。人脸图像的来源可能多种多样，由于采集设备的不同，得到的人脸图像质量也不同，特别是对于那些低分辨率﹑噪声大﹑质量差的人脸图像如何进行有效的人脸识别是个需要关注的问题。同样的，对于高分辨图像，对人脸识别算法的影响也需要进一步研究。基于统计学习的人脸识别算法是人脸识别领域中的主流算法，但是统计学习方法需要大量的培训。由于人脸图像在高维空间中的分布是一个不规则的流行分布，能得到的样本只是对人脸图像空间中的一个极小部分的采样，如何解决小样本下的统计学习问题有待进一步的研究。传统人脸识别算法如PCA、LDA等在小规模数据中可以很容易进行训练学习。但是对于海量数据，这些方法其训练过程难以进行，甚至有可能崩溃。随着人脸数据库规模的增长，人脸算法的性能将呈现下降。基于知识的表征方法主要是根据人脸器官的形状描述以及他们之间的距离特性来获得有助于人脸分类的特征数据，其特征分量通常包括特征点间的欧氏距离、曲率和角度等。人脸由眼睛、鼻子、嘴、下巴等局部构成，对这些局部和它们之间结构关系的几何描述，可作为识别人脸的重要特征，这些特征被称为几何特征。基于知识的人脸表征主要包括基于几何特征的方法和模板匹配法。人脸图像匹配与识别：提取的人脸图像的特征数据与数据库中存储的特征模板进行搜索匹配，通过设定一个阈值，当相似度超过这一阈值，则把匹配得到的结果输出。人脸识别就是将待识别的人脸特征与已得到的人脸特征模板进行比较，根据相似程度对人脸的身份信息进行判断。这一过程又分为两类：一类是确认，是一对一进行图像比较的过程，另一类是辨认，是一对多进行图像匹配对比的过程。

人脸识别在某些场合需要非常巨大的计算量，假如一个上1000万规模的目标人脸库-一个较发达城市的实有人口规模，而其中一个比较繁华的商业广场日人流量10万人次的话，如果要进行人脸识别，假设每个人的人脸被捕捉两次，那就是20万张人脸图像，每次都要和目标人脸库进行比对，那么要产生20万*1000万=2万亿次的比对（即人脸识别）计算量，非常庞大。

发明内容

本发明的提高人脸识别效率方法，可以通过与人脸识别算法无关的方法即建立鲜活人脸图像库的方法，来快速提升提升效率，而要提升人脸识别算法的效率显然是一个高难度的问题（注意这里是提升效率而非提升准确率，当然提升准确率也是一个技术难题），需要大量的时间和金钱成本，即算是采用深度学习等人工智能方法，其代价也是不小的，因此本方法的性价比是很高的，很容易实现的，实用价值非常突出，具体技术方案如下：

第一个方案是视频中的人脸识别的效率提高方案。视频流是动态连续的图像，而非静态图像，要实现人脸比对，首先要从中提取人脸图像。从视频流中提取人脸图像后先不与目标人脸图像库比对（图像比对是在数据没有结构化前人脸识别的主要方式，在1:1比对应用场景如人证核验的情况下，目前的商用识别算法都可以达到非常精确的程度，随着比对目标库的扩大算法的准确度不断降低），而是先与鲜活人脸图像库比对，该鲜活人脸图像库中的人脸图像主要或全部来源于同一个视频图像采集设备（如监控摄像头、手机摄像头等，下同）获取的视频流，也可以是位置邻近的不少于两个视频图像采集设备获取的视频流，还可以是具有一定关联且这种关联不是位置邻近的不少于两个视频图像采集设备获取的视频流，这种关联可以是属于同一个特定区域，也可以是属于同一某种类型的路线的沿线，也可以是通过直觉认定的关联（即人为确定的关联），还可以是通过一定算法得到的关联（比如通过数据分析得到的关联，特别是目前大数据技术的发展和应用，可以得到原来无法得到的关联）。比中的不再比对所述目标人脸图像库而直接采用被比中的人脸图像与所述目标人脸图像库比对结果，这种情况下必须已经有比对结果（可以是识别成功的结果如获知其身份等信息，也可以是没有识别成功的结果如没有比对出身份），在没有可用的比对结果的情况下，该人脸图像与比中的人脸图像只需拿其中一个去与所述目标人脸图像库比对而无需都去比对，这时不需要将该比中的人脸图像入库所述鲜活人脸图像库，因为已经有了，没有必要重复。没有比中的才与所述目标人脸图像库比对，同时还可把比对结果记录下来用于查阅及共享等，这个时候同时还可入库所述鲜活人脸图像库；根据这些描述可以得知所谓鲜活人脸就是当前获得的人脸，而目标目标人脸图像库中的人脸图像则是以前获取的。这里的比中可以是精确的比中一个，也可以比中若干个，这时有可能需要再进一步选择到底是其中哪一个，也可以不选择直接使用所有比中的。下面来计算一下上述技术方案的计算量，对于背景技术中提到的例子，由于平均每人被捕获两次而实际和目标库只需比对一次，因为第二个被捕获的重复的人脸图像可在比对鲜活人脸图像库时比中原有的人脸图像，因此实际拿来与目标库比对的人脸图像是10万，这样总的比对次数是10万*1000万=1万亿次；由于鲜活人脸图像库的规模为10万，远低于目标库，所以对于所增加的新获取的人脸图像和鲜活人脸图像库的比对次数可以忽略不计，共计需比对20万次，总的比对次数是10万*20万=200亿次，相比前面1万亿的规模当然是可以忽略不计的。因此总的人脸识别效率提高了一倍，这是因为所采集的鲜活人脸图像冗余度为2（平均捕获两次）；另一个方面，前面随着比对目标库的扩大算法的准确度不断降低，鲜活人脸图像库的规模为远低于目标库，不仅可以提高效率还可以提高准确率。如果鲜活人脸图像库的规模和目标库基本相当，那么当所采集的鲜活人脸图像冗余度仍然为2时比对的效率是没有增加的，小于2时是增加了开销的，因为这是新获取的人脸图像和鲜活人脸图像库的比对次数不可以忽略，但超过2（特别是远远超过2，即重复捕获同一个人的人脸图像时，如一个封闭的区域有很多摄像头，那么如果一个人在此封闭区域长时间活动那么被重复捕获的可能性就很高），同样效率提升很多。假设鲜活库和目标库都是100万的规模，而捕获鲜活人脸图像的冗余度为4（即平均被捕获4次），那么每四个人脸图像需要和鲜活人脸图像库比对4次和目标库比对1次，而鲜活人脸图像库是不断增长的其平均规模只有最大规模的一半即50万的规模（前面的场景已忽略这种情况），实际上所需要的比对次数400万（鲜活人脸图像的总采集量）*50万（鲜活人脸图像库的平均规模）+100万（采集的鲜活人脸图像中需要和目标库比对的数量）*100万（目标库的规模）=3万亿次，而现在传统的方法需要比对的总次数400万（鲜活人脸图像的总采集量）*100万（目标库的规模）=4万亿次，效率提升了25%。目前有些人脸识别系统可以对前端视频图像采集设备获得的视频流进行目标跟踪，同一目标的连续图像可以只提取一张人脸图像，但同一目标多次出现在同一前端视频图像采集设备的捕获范围或同一区域多个前端视频图像采集设备的捕获范围或有关联的多个前端视频图像采集设备的捕获范围的可能性是非常大的，鲜活人脸图像的冗余度现实中是非常高的；加上前面通过目标跟踪同一目标的连续图像可以只提取一张人脸图像这只是一种理想状态，实际上是受很多因素制约的，达不到只提取一张人脸图像的预期值，这样鲜活人脸图像的冗余度更高。另外，目前只是有些人脸识别系统可以实现目标跟踪功能，对于那些不具有目标跟踪功能的人脸识别系统在许多场合如办事、购物、参观等行进速度不快的情况甚至长时间静坐围观的情形冗余度更是非常高，采用本技术方案则可以大幅度的提高人脸识别效率。

上面的技术方案是针对的是视频流的动态连续图像，也可以针对静态图像，如现在有些人脸抓拍机，这种设备实际上也可采集视频流，但通过一定技术对其中的人脸图像进行了提取，从而可以直接获得人脸静态图像。抓拍到人脸图像后先不与所述目标人脸图像库比对，而是先与所述鲜活人脸图像库比对且该鲜活人脸图像库中的人脸图像主要或全部来源于同一个人脸图像抓拍设备抓拍的人脸图像集或位置邻近的不少于两个人脸图像抓拍设备抓拍的人脸图像集或具有一定关联且这种关联不是位置邻近的不少于两个人脸图像抓拍设备抓拍的人脸图像集，比中的不再比对所述目标人脸图像库而直接采用被比中的人脸图像与所述目标人脸图像库比对结果或与比中的人脸图像只拿其中一个去与所述目标人脸图像库比对、或者同时不入库所述鲜活人脸图像库，没有比中的才与所述目标人脸图像库比对或还把比对结果记录下来或同时还入库所述鲜活人脸图像库。本技术方案和前面的视频流技术方案基本相同，区别就是直接获得人脸图像而不要再去提取，这里对于本方案不再详细说明，相关说明可参考视频流技术方案。上述两种技术方案也可同时采用，比如同时有这两类人脸图像采集设备接入的时候。

鲜活人脸图像库为空时，因为没得比，所以从视频流中提取的人脸图像或抓拍到的人脸图像人脸图像直接与所述目标人脸图像库比对，同样同时还可入库所述鲜活人脸图像库。对于鲜活人脸图像库中的人脸图像主要来源于同一个视频图像采集设备获取的视频流或位置邻近的不少于两个视频图像采集设备获取的视频流或具有一定关联且这种关联不是位置邻近的不少于两个视频图像采集设备获取的视频流的情况，该鲜活人脸图像库中的人脸图像还可来源于其它指定的视频图像采集设备获取的视频流，也可以是指定的一段或多段视频，还可以是指定的人脸图像集，一张、多张，这样就可以用来布控；类似的，对于鲜活人脸图像库中的人脸图像主要来源于同一个人脸图像抓拍设备抓拍的人脸图像集或位置邻近的不少于两个人脸图像抓拍设备抓拍的人脸图像集或具有一定关联且这种关联不是位置邻近的不少于两个人脸图像抓拍设备抓拍的人脸图像集的情况该鲜活人脸图像库中的人脸图像还可来源于其它指定的人脸图像抓拍设备抓拍的人脸图像集或指定的人脸图像集，和前面不同的是视频流替换为人脸图像抓拍设备抓拍的人脸图像集。可以鲜活人脸图像库中的人脸图像具有比对的优先级别和/或优先顺序，比如布控的图像具有最高的优先级、已比中过的图像具有较高的优先级，在优先顺序上则可以按入库的时序，可以一步明确该比对的优先级别和/或优先顺序可以是人为赋予的，如前面的给布控的图像赋予最高的优先级，也可以是按照一定算法自动赋予的，如前面的已比中过的图像赋予较高的优先级；通过设置优先级别、优先顺序可以减少实际比对的次数从而提高比对的效率。可以设定鲜活人脸图像库中的人脸图像是具有生命周期的，这样鲜活人脸图像库的规模不会无限增长，这对于优化比对提高效率是很重要的，还可进一步明确该生命周期与入库时间、在库存续时间、优先级别以及优先顺序是相关的，这些策略可以用来淘汰过期的人脸图像，与入库时间相关可以是越早入库的越早淘汰，与在库存续时间相关可以是入库越久就先淘汰，与优先级别相关可以是优先级别越低越先淘汰，与优先顺序相关可以是优先顺序越靠后越先淘汰。对于与鲜活人脸图像库比中的，可以用该人脸图像替换库中已比中的人脸图像，因为此图像更加鲜活，是最新提取的，不过这里的比中要求是最精确的比中，而不是有若干个可选的结果或虽然只比中一个但相似度不是很高难以确定是同一个人，但一般情况下需要做一个判断，如果最新提取的人脸图像质量更好则替换，如果不是这样则没有必要替换。对于直接采用被比中的人脸图像与所述目标人脸图像库比对结果的情况，如果比对结果是没有识别成功则可用该人脸图像继续与所述目标人脸图像库比对进行识别，因为采集的人脸图像质量有高有低，特征有的明显有的不明显，如果鲜活库里比中的原来没有识别成功，说不定新提取的这个人脸图像可以识别成功，这样可以增加识别的成功率。

上述提高人脸识别效率方法的有些技术细节还可以进一步明确，其方案为：

所述目标人脸图像库和所述鲜活人脸图像库都放在人脸图像采集设备上和/或放在拓扑结构上靠近人脸图像采集设备的地方，也可以所述目标人脸图像库和所述鲜活人脸图像库都放在拓扑结构上不靠近人脸图像采集设备的地方，也可以所述鲜活人脸图像库都放在人脸图像采集设备上或放在拓扑结构上靠近人脸图像采集设备的地方而所述目标人脸图像库放在拓扑结构上不靠近人脸图像采集设备的地方。前面的人脸识别效率提升实际上是计算效率的提升，但实践中，人脸识别效率还与存储、安全、网络等因素相关，在存储技术已经充分发展的情况下，安全与网络因素仍然是限制视频图像利用的一个重要瓶颈，如果都放在人脸图像采集设备上和/或放在拓扑结构上靠近人脸图像采集设备的地方，网络的限制因素可以忽略，但安全问题比较突出；都放在拓扑结构上不靠近人脸图像采集设备的地方，安全方面可以采取更有效的措施，但视频图像传输就成了最关键的制约因素。一般来说比较好的一种方式就是所述鲜活人脸图像库都放在人脸图像采集设备上或放在拓扑结构上靠近人脸图像采集设备的地方而所述目标人脸图像库放在拓扑结构上不靠近人脸图像采集设备的地方。

上述提高人脸识别效率方法可以拓展为提高图像识别效率方法，其技术方案是：

将上述提高人脸识别效率方法中的人脸图像替换为人像（人像包括人脸，还包括除人脸之外的头部其它部分，甚至还可包括颈部、肩部）、人体图像（范围比人像更大，还可包括躯干、四肢等部分）、车脸图像（类似于人脸的车脸）、全车图像（范围比车脸更大，是全车）等，这些是目前应用或研究比较多的图像识别方法。还可以替换为其它可识别整体物体图像，或是替换为其它可识别局部物体图像。本提高图像识别效率方法的原理和上述提高人脸识别效率方法的原理是完全相同的，这里不再赘述，其适应的场景则可根据具体的情况选择适应。

上述提高图像识别效率方法，实际上是一种二次识别方法，通过第一次识别筛选出一部分重复比对的图像，不过其第一次识别所用到的比对库是当前采集的鲜活图像，和目标库没有直接的关系，由此稍加变化，可以得到一种提高图像识别效率的二次识别方法，从目标库中分离一部分出来优先比对，在一些场合也可以起到提高效率的作用，其技术方案是：

从要比对的图像集（即目标库，这里为了不局限于库的形式就采用了集合的概念）中挑出一个子集，进行图像识别时先与该子集进行比对没有比中的再与该图像集，也可以再与该图像集除去该子集的余集进行比对，这时可以减少一部分比对量，但在子集规模远小于图像集规模时，这个比对量是可以忽略不计的，所以前面就还是和该图像集进行比对，以减少拆分的麻烦。可以进一步明确该子集为根据一定算法确定的图像构成的子集，也可为根据一定条件筛选的图像构成的子集，也可为需要进行优先比对的图像构成的子集，还可是前三种图像中任意两种或全部三种图像共同构成的子集，一般根据一定算法确定的图像、根据一定条件筛选的均是最有可能比中的图像，这时可以和上述提高图像识别效率方法一样提高识别效率，原理及分析同前面的叙述，这里不再赘述；但也有可能优先级比较高的需要优先比对的图像，需要进行优先比对的图像可以自动设置（如前面提到的通过一定算法确定）也可以人为确定，如公安机关常用的逃犯库。可以进一步明确上述图像为人脸图像、人像、人体图像、车脸图像、全车图像、其它可识别整体物体图像、其它可识别局部物体图像，可以是其中一种，也可以是其中任意两种或以上的组合，这取决于其功能及需要。

本发明提供的一种提高人脸识别效率方法与人脸识别算法无关，技术上容易实现，推广至人像、人体图像、车脸图像、全车图像、其它可识别整体物体图像、其它可识别局部物体图像也是如此。所拓展的一种提高图像识别效率的二次识别方法，在某些场合也同样可以达到提高效率的结果。

具体实施方式

实施例1

一种提高人脸识别效率方法在地铁站视频监控中的应用

在前端建立鲜活人脸图像库，鲜活人脸图像来源于本地铁站所有视频监控探头，对于其中的人脸图像除最近3天新采集的鲜活人脸图像外还有最近1周出现5次以上的人脸图像（假设乘坐一次采集2-3次，出现5次以上即乘坐两次以上），规模在10万级。目标库是本市实有人口人脸图像加其它需要进行比对的非本市实有人口人脸图像，规模在1000万，放于后端。对于经常坐地铁的（一周超过两次的），其人脸图像一直位于前端的鲜活人脸图像库，绝大多数可以直接从鲜活人脸图像库比中，无需与目标库进行比对，假设这个占了四分之三，三天内被采集3次，那么这部分的比对量为7.5万*10万*3=22.5亿次，相比于原本需要的7.5万*1000万*3=22500亿次可以忽略不计，而另外四分之一假设被采集两次（因为地铁站有多个摄像头，只要乘坐一般会采集两次以上）那么实际需要的比对量为2.5万*1000万=2500亿次，而原本需要2.5万*1000万*2=5000亿次。共计的实际比对量为2500亿次（忽略了与鲜活库的比对），传统方式下共计需要22500+5000=27500亿次，只有十三分之一。人脸识别效率大大提高。

实施例2

一种提高图像识别效率的二次识别方法在大型菜市场的应用

假设本来的目标库是本市实有人口人脸图像加其它需要进行比对的非本市实有人口人脸图像，规模在1000万，现在把附近的居民、相关工作人员的人脸图像单独组一个人脸图像库作为第一次识别用，规模在10万，其余作为二次识别用。第一次识别可以把最常在菜市场出现的人群过滤到，而他们出现的次数占到总次数的三分之二以上，只有那些非经常可能出现在此菜市场的其他人员出现时才需要到目标库（已减掉一次识别库），如果只占三分之一的话，那么就只有原来三分之一的比对量（忽略了和一次识别库的比对量，因为其规模远小于目标库），效率提升了三倍。

Claims (5)

1.一种提高人脸识别效率方法，其特征在于：

从视频流中提取人脸图像后先不与目标人脸图像库比对，而是先与鲜活人脸图像库比对且所述鲜活人脸图像库中的人脸图像主要或全部来源于同一个视频图像采集设备获取的视频流或位置邻近的不少于两个视频图像采集设备获取的视频流或具有一定关联且这种关联不是位置邻近的不少于两个视频图像采集设备获取的视频流，比中的不再比对所述目标人脸图像库而直接采用被比中的人脸图像与所述目标人脸图像库比对结果或与比中的人脸图像只拿其中一个去与所述目标人脸图像库比对、或者同时不入库所述鲜活人脸图像库，没有比中的才与所述目标人脸图像库比对或还把比对结果记录下来或同时还入库所述鲜活人脸图像库；

同时/或者抓拍到人脸图像后先不与所述目标人脸图像库比对，而是先与所述鲜活人脸图像库比对且该鲜活人脸图像库中的人脸图像主要或全部来源于同一个人脸图像抓拍设备抓拍的人脸图像集或位置邻近的不少于两个人脸图像抓拍设备抓拍的人脸图像集或具有一定关联且这种关联不是位置邻近的不少于两个人脸图像抓拍设备抓拍的人脸图像集，比中的不再比对所述目标人脸图像库而直接采用被比中的人脸图像与所述目标人脸图像库比对结果或与比中的人脸图像只拿其中一个去与所述目标人脸图像库比对、或者同时不入库所述鲜活人脸图像库，没有比中的才与所述目标人脸图像库比对或还把比对结果记录下来或同时还入库所述鲜活人脸图像库。

2.根据权利要求1所述的提高人脸识别效率方法，其特征在于：

所述鲜活人脸图像库为空时，从视频流中提取的人脸图像或抓拍到的人脸图像人脸图像直接与所述目标人脸图像库比对或同时还入库所述鲜活人脸图像库；

同时/或者对于鲜活人脸图像库中的人脸图像主要来源于同一个视频图像采集设备获取的视频流或位置邻近的不少于两个视频图像采集设备获取的视频流或具有一定关联且这种关联不是位置邻近的不少于两个视频图像采集设备获取的视频流的情况该鲜活人脸图像库中的人脸图像还可来源于其它指定的视频图像采集设备获取的视频流或指定的视频或指定的人脸图像集；

同时/或者对于鲜活人脸图像库中的人脸图像主要来源于同一个人脸图像抓拍设备抓拍的人脸图像集或位置邻近的不少于两个人脸图像抓拍设备抓拍的人脸图像集或具有一定关联且这种关联不是位置邻近的不少于两个人脸图像抓拍设备抓拍的人脸图像集的情况该鲜活人脸图像库中的人脸图像还可来源于其它指定的人脸图像抓拍设备抓拍的人脸图像集或指定的人脸图像集；

同时/或者鲜活人脸图像库中的人脸图像具有比对的优先级别和/或优先顺序，或者进一步明确该比对的优先级别和/或优先顺序是人为赋予的和/或按照一定算法自动赋予的；

同时/或者鲜活人脸图像库中的人脸图像是具有生命周期的，或者进一步明确该生命周期与入库时间、在库存续时间、优先级别和/或优先顺序是相关的；

同时/或者进一步明确所述具有一定关联且这种关联不是位置邻近为属于同一个特定区域或同一某种类型的路线的沿线或通过直觉认定的关联或通过一定算法得到的关联；

同时/或者对于与鲜活人脸图像库比中的，用该人脸图像替换库中已比中的人脸图像；

同时/或者对于直接采用被比中的人脸图像与所述目标人脸图像库比对结果的情况，如果比对结果是没有识别成功则用该人脸图像继续与所述目标人脸图像库比对进行识别。

3.根据权利要求1或2所述的提高人脸识别效率方法，其特征在于：

所述目标人脸图像库和所述鲜活人脸图像库都放在人脸图像采集设备上和/或放在拓扑结构上靠近人脸图像采集设备的地方，或者所述目标人脸图像库和所述鲜活人脸图像库都放在拓扑结构上不靠近人脸图像采集设备的地方，或者所述鲜活人脸图像库都放在人脸图像采集设备上或放在拓扑结构上靠近人脸图像采集设备的地方而所述目标人脸图像库放在拓扑结构上不靠近人脸图像采集设备的地方。

4.一种提高图像识别效率方法，其特征在于：

将权利要求1、2或3中的人脸图像替换为人像、人体图像、车脸图像、全车图像或其它可识别整体物体图像或其它可识别局部物体图像。

5.一种提高图像识别效率的二次识别方法，其特征在于：

从要比对的图像集中挑出一个子集，进行图像识别时先与该子集进行比对没有比中的再与该图像集或该图像集除去该子集的余集进行比对，或者进一步明确该子集为根据一定算法确定的图像构成的子集或为根据一定条件筛选的图像构成的子集或为需要进行优先比对的图像构成的子集或前三种图像中任意两种/全部三种图像共同构成的子集，或者进一步明确上述图像为人脸图像、人像、人体图像、车脸图像、全车图像、其它可识别整体物体图像和/或其它可识别局部物体图像。