CN108052864A - 人脸识别方法、应用服务器及计算机可读存储介质 - Google Patents

人脸识别方法、应用服务器及计算机可读存储介质 Download PDF

Info

Publication number
CN108052864A
CN108052864A CN201711141724.8A CN201711141724A CN108052864A CN 108052864 A CN108052864 A CN 108052864A CN 201711141724 A CN201711141724 A CN 201711141724A CN 108052864 A CN108052864 A CN 108052864A
Authority
CN
China
Prior art keywords
face
sample
sorted
identified
grader
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
Application number
CN201711141724.8A
Other languages
English (en)
Other versions
CN108052864B (zh
Inventor
戴磊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ping An Technology Shenzhen Co Ltd
Original Assignee
Ping An Technology Shenzhen Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Ping An Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Priority to CN201711141724.8A priority Critical patent/CN108052864B/zh
Priority to PCT/CN2018/077640 priority patent/WO2019095587A1/zh
Publication of CN108052864A publication Critical patent/CN108052864A/zh
Application granted granted Critical
Publication of CN108052864B publication Critical patent/CN108052864B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/758—Involving statistics of pixels or of feature values, e.g. histogram matching
    • 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)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Human Computer Interaction (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种人脸识别方法，应用于应用服务器中，包括：获取待识别人脸的信息；计算待识别人脸分别与以串行方式连接的分类器中待分类样本的匹配值；若匹配值均小于预设值，将待识别人脸输入至以并行方式连接的分类器；挑选出预设数目的相似度高的待分类样本；对待分类样本进行赋值并计算对应的权重值；及选择权重值最小的待分类样本作为识别出的人脸。本发明还提供一种应用服务器及计算机可读存储介质。本发明提供的人脸识别方法、应用服务器及计算机可读存储介质能够降低错误的接受率通过降低错误的拒绝率以提升人脸识别的准确率。

Description

人脸识别方法、应用服务器及计算机可读存储介质
技术领域
本发明涉及人脸识别技术领域，尤其涉及一种人脸识别方法、应用服务器及计算机可读存储介质。
背景技术
随着人工智能技术的发展，身份识别技术也越来越成熟，其中，包括人脸识别技术。现有人脸识别技术中，当人脸识别算法确定时，错误的接受率和错误的拒绝率会因为阈值的设置不同，而可能会出现以下情况：
(1)阈值设置过高，误判机率下降，即错误的接受率降低，同时可能出现是识别对象是本人而被拒绝的现象，也即错误的拒绝率也会升高；
(2)阈值设置偏低，误判机率上升，即错误的接受率上升，错误的拒绝率同时下降。
通过以上传统固定算法的人脸识别技术，并不能满足应用的需要。
发明内容
有鉴于此，本发明提出一种人脸识别方法、应用服务器及计算机可读存储介质，以降低错误的接受率和错误的拒绝率。
首先，为实现上述目的，本发明提出一种人脸识别方法，该方法包括步骤：
获取待识别人脸的信息；
分别计算所述待识别人脸与以串行方式连接的分类器中待分类样本的匹配值；
判断所述待识别人脸与每一个待分类样本的匹配值是否均小于相应的预设值；
若所述待识别人脸与每一个待分类样本的匹配值均小于所述相应的预设值，则将所述待识别人脸输入至以并行方式连接的分类器，其中，所述以并行方式连接的分类器包括待分类样本；
按照与所述待识别人脸的相似度排列所述待分类样本，并挑选出预设数目的与所述待识别人脸的相似度高的待分类样本；
根据所述待识别人脸与所述待分类样本的相似度对所述待分类样本分别赋予不同的权重值，并计算所述待分类样本对应的总权重值；及
选择总权重值最小的待分类样本作为识别出的人脸以将所述待分类样本输出。
可选地，所述计算所述待识别人脸与以串行方式连接的分类器中待分类样本的匹配值的步骤之前还包括步骤：
标定切割所述待识别人脸；及
直方图归一化所述切割后的待识别人脸以得到人脸直方图，以便通过人脸直方图计算所述待识别人脸与所述待分类样本的匹配值。
可选地，所述串行方式连接的分类器至少包括第一分类器和第二分类器，所述方法还包括步骤：
计算所述待识别人脸与所述第一分类器中待分类样本的第一匹配值；
判断所述第一匹配值是否大于第一预设值；及
若所述第一匹配值大于所述第一预设值，则选择所述第一分类器中待分类样本为识别出的人脸。
可选地，所述待识别人脸可以通过摄像头、数码相机、扫描仪在内的任一种设备采集。
可选地，所述串行方式表示在时间上依次以各个不同的子集合对各个相应的分类器进行样本训练，所述并行方式表示同时分别以不同的子集合对其各个相应的分类器进行样本训练。
可选地，所述待分类样本获得的总权重值最小表示与待识别人脸的相似度最高。
可选地，所述并行方式连接的分类器至少包括所述第一分类器以及所述第二分类器。
可选地，所述人脸可通过显示器或者报警器输出。
此外，为实现上述目的，本发明还提供一种应用服务器，包括存储器、处理器，所述存储器上存储有可在所述处理器上运行的人脸识别系统，所述人脸识别系统被所述处理器执行时实现如上述的人脸识别方法的步骤。
进一步地，为实现上述目的，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质存储有人脸识别系统，所述人脸识别系统可被至少一个处理器执行，以使所述至少一个处理器执行如上述的人脸识别方法的步骤。
相较于现有技术，本发明所提出的人脸识别方法、应用服务器及计算机可读存储介质，可以降低错误的接受率和错误的拒绝率以提升人脸识别的准确率。
附图说明
图1是本发明应用服务器一可选的硬件架构的示意图；
图2是本发明人脸识别系统第一、二、三实施例的程序模块示意图；
图3是本发明人脸识别系统第四实施例的程序模块示意图；
图4是本发明人脸识别方法第一实施例的流程示意图；
图5是本发明人脸识别方法第二实施例的流程示意图；
图6是本发明人脸识别方法第三实施例的流程示意图。
附图标记：
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。基于本发明中的实施例，本领域普通技术人员在没有做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。
需要说明的是，在本发明中涉及“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外，各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。
参阅图1所示，是本发明应用服务器2一可选的硬件架构的示意图。
本实施例中，所述应用服务器2可包括，但不仅限于，可通过系统总线相互通信连接存储器11、处理器12、网络接口13。需要指出的是，图2仅示出了具有组件11-13的应用服务器2，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。
其中，所述应用服务器2可以是机架式服务器、刀片式服务器、塔式服务器或机柜式服务器等计算设备，该应用服务器2可以是独立的服务器，也可以是多个服务器所组成的服务器集群。
所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中，所述存储器11可以是所述应用服务器2的内部存储单元，例如该应用服务器2的硬盘或内存。在另一些实施例中，所述存储器11也可以是所述应用服务器2的外部存储设备，例如该应用服务器2上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(FlashCard)等。当然，所述存储器11还可以既包括所述应用服务器2的内部存储单元也包括其外部存储设备。本实施例中，所述存储器11通常用于存储安装于所述应用服务器2的操作系统和各类应用软件，例如人脸识别系统200的程序代码等。此外，所述存储器11还可以用于暂时地存储已经输出或者将要输出的各类数据。
所述处理器12在一些实施例中可以是中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器12通常用于控制所述应用服务器2的总体操作。本实施例中，所述处理器12用于运行所述存储器11中存储的程序代码或者处理数据，例如运行所述人脸识别系统200等。
所述网络接口13可包括无线网络接口或有线网络接口，该网络接口13通常用于在所述应用服务器2与其他电子设备之间建立通信连接。
至此，己经详细介绍了本发明相关设备的硬件结构和功能。下面，将基于上述介绍提出本发明的各个实施例。
首先，本发明提出一种人脸识别系统200。
参阅图2所示，是本发明人脸识别系统200第一、二、三实施例的程序模块图。
第一实施例
本实施例中，所述人脸识别系统200包括一系列的存储于存储器11上的计算机程序指令，当该计算机程序指令被处理器12执行时，可以实现本发明各实施例的人脸识别操作。在一些实施例中，基于该计算机程序指令各部分所实现的特定的操作，人脸识别系统200可以被划分为一个或多个模块。例如，在图2中，所述人脸识别系统200可以被分割成获取模块201、计算模块202、判断模块203、输入模块204、挑选模块205、赋值模块206、选择模块207、切割模块208及归一模块209。其中：
所述获取模块201，用于获取待识别人脸的信息。
具体地，当有用户经过时，所述获取模块201获取该用户的人脸信息以对该用户进行识别。
在一较佳实施例中，所述待识别人脸可以通过摄像头、数码相机、扫描仪在内的任一种设备采集。
所述计算模块202，用于分别计算所述待识别人脸与以串行方式连接的分类器中待分类样本的匹配值。
具体地，第一分类器与第二分类器以串行方式连接，所述待识别人脸依次经过第一分类器以及第二分类器以进行人脸匹配。所述计算模块202分别计算待识别人脸经过所述第一分类器以及第二分类器时，与所述第一分类器以及第二分类器中待分类样本的匹配值。
需要说明的是，所述串行方式表示在时间上依次以各个不同的子集合对各个相应的分类器进行样本训练。
所述判断模块203，用于判断所述待识别人脸与每一个待分类样本的匹配值是否均小于相应的预设值。
具体地，所述计算模块202分别计算出所述待识别人脸与所述第一分类器和所述第二分类器中待分类样本的匹配值之后，所述判断模块203判断所述匹配值是否均小于相应的预设值。
所述输入模块204，用于当所述第一分类器和所述第二分类器中待分类样本与所述待识别人脸的匹配值均小于所述相应的预设值时，将所述待识别人脸输入至以并行方式连接的分类器。其中，所述以并行方式连接的分类器包括待分类样本。
具体地，判断模块203判断出所述第一分类器和所述第二分类器中待分类样本与所述待识别人脸的匹配值均小于所述相应的预设值时，则所述判断模块203判断所述待识别人脸在所述第一分类器和所述第二分类器中均未识别成功。此时，所述输入模块204将所述待识别人脸输入至以并行方式连接的分类器。
需要说明的是，所述并行方式表示同时分别以不同的子集合对其各个相应的分类器进行样本训练。所述并行方式连接的分类器至少包括所述第一分类器以及所述第二分类器。
所述挑选模块205，用于按照与所述待识别人脸的相似度排列所述待分类样本，并挑选出预设数目的与所述待识别人脸的相似度高的待分类样本。
具体地，所述挑选模块205根据计算出的所述待识别人脸与所述分类器中待分类样本的相似度，分别将所述待分类器中的所述待分类样本与所述待识别人脸相似度由高至低顺序排列。所述挑选模块205并且从排列完成的所述待分类样本中挑选出前N个与所述待识别人脸相似度高的待分类样本。在本实施例中，N＝2。举例说明：挑选模块205挑选出第一分类器中的待分类样本A以及待分类样本B，并挑选出第二分类器中的待分类样本A以及待分类样本B。
所述赋值模块206，用于根据所述待识别人脸与所述待分类样本的相似度对所述待分类样本分别赋予不同的权重值，并计算所述待分类样本对应的总权重值。
具体地，所述赋值模块206分别根据所述待识别人脸与所述待分类样本的相似度对挑选出的前2个待分类样本分别赋予不同的权重值，并计算前2个待分类样本获得的总权重值。例如：所述挑选模块205挑选出待分类样本A和待分类样本B之后，所述赋值模块206对待分类样本A和待分类样本B分别赋予不同的权重值，其中，第一分类器中赋值模块206赋予待分类样本A的权重值为1，赋予待分类样本B的权重值为2，第二分类器中赋值模块206赋予待分类样本A的权重值为2，赋予待分类样本B的权重值为2，此时待分类样本A获得总权重值为3，待分类样本B获得总权重值为4。
所述选择模块207，用于选择总权重值最小的待分类样本作为识别出的人脸以将所述待分类样本输出。
具体地，若所述第一分类器中待分类样本A获得的权重值为1，所述待分类样本B获得的权重值为2，所述第二分类器中待分类样本A获得的权重值为2，所述待分类样本B获得的权重值为2，待分类样本A获得的总权重值为3，待分类样本B获得总权重值为4，所述选择模块207选择待分类样本A作为识别出的人脸并将待分类样本A输出。
在一较佳实施例中，识别出的人脸通过输出装置输出，其中所述输出装置包括显示器或报警器等。
需要说明的是，所述待分类样本获得的总权重值越小表示与待识别人脸的相似度越高。
在本实施例中，分类器是指当输入的数据含有多个样本，每个样本包括多个属性时，将其中一个特别的属性称作类(例如，相似程度的高、中、低)。分类器的目的在于分析输入的数据，并建立一个模型，并用这个模型对输入的数据进行分类。其中，上述分类器包括：可以使用支持向量机分类器、人工神经网络分类器、模糊分类器、贝叶斯分类器、模板匹配分类器、几何分类器等。
第二实施例
所述计算模块202，还用于计算所述待识别人脸与所述第一分类器中待分类样本的第一匹配值。
具体地，所述计算模块202根据所述人脸直方图计算所述待识别人脸与所述第一分类器中待分类样本的第一匹配值。
所述判断模块203，还用于判断所述第一匹配值是否大于第一预设值。
所述选择模块207，还用于当所述第一匹配值大于所述第一预设值时，选择所述第一分类器中待分类样本为识别出的人脸。
具体地，若所述第一匹配值大于所述第一预设值，则表示所述待识别人脸与所述第一分类器中待分类样本匹配成功，所述选择模块207选择所述待分类样本为识别出的人脸。
第三实施例
在本实施例中，若所述判断模块203判断出所述第一匹配值小于所述第一预设值，则：
所述计算模块202，还用于计算所述待识别人脸与第二分类器中待分类样本的第二匹配值。
具体地，所述计算模块202根据所述人脸直方图计算所述待识别人脸与所述第二分类器中待分类样本的第二匹配值。
所述判断模块203，还用于判断所述第二匹配值是否大于第二预设值。
所述选择模块207，还用于当所述第二匹配值大于所述第二预设值时，选择所述第二分类器中待分类样本为识别出的人脸。
参阅图3所示，是本发明人脸识别系统200第四实施例的程序模块图。本实施例中，所述的人脸识别系统200除了包括第一实施例中的所述获取模块201、计算模块202、判断模块203、输入模块204、挑选模块205、赋值模块206、选择模块207之外，还包括切割模块208及归一模块209。
所述切割模块208，用于标定切割所述待识别人脸。
具体地，当所述获取模块201获取所述待识别人脸的信息之后，所述切割模块208对所述待识别人脸进行标定切割以获得并识别所述待识别人脸的特征信息。
所述归一模块209，还用于直方图归一化所述切割后的待识别人脸以得到人脸直方图。
具体地，当所述切割模块208切割完所述待识别人脸之后，所述归一模块209对所述待识别人脸进行直方图归一化以得到人脸直方图，通过将人脸直方图与待分类样本进行比较，计算所述待识别人脸与待分类样本的匹配值。
此外，本发明还提出一种人脸识别方法。
参阅图4所示，是本发明人脸识别方法第一实施例的流程示意图。在本实施例中，根据不同的需求，图4所示的流程图中的步骤的执行顺序可以改变，某些步骤可以省略。
步骤S400，获取待识别人脸的信息。
具体地，当有用户经过时，获取该用户的人脸信息以对该用户进行识别。
在一较佳实施例中，所述待识别人脸可以通过摄像头、数码相机、扫描仪在内的任一种设备采集。
步骤S402，分别计算所述待识别人脸与以串行方式连接的分类器中待分类样本的匹配值。
具体地，第一分类器与第二分类器以串行方式连接，所述待识别人脸依次经过第一分类器以及第二分类器以进行人脸匹配。分别计算待识别人脸经过所述第一分类器以及第二分类器时，与所述第一分类器以及第二分类器中待分类样本的匹配值。
需要说明的是，所述串行方式表示在时间上依次以各个不同的子集合对各个相应的分类器进行样本训练。
步骤S404，判断所述待识别人脸与每一个待分类样本的匹配值是否均小于相应的预设值。
具体地，分别计算出所述待识别人脸与所述第一分类器和所述第二分类器中待分类样本的匹配值之后，判断所述匹配值是否均小于相应的预设值。
步骤S406，当所述第一分类器和所述第二分类器中待分类样本与所述待识别人脸的匹配值均小于所述相应的预设值时，将所述待识别人脸输入至以并行方式连接的分类器。其中，所述以并行方式连接的分类器包括待分类样本。
具体地，判断出所述第一分类器和所述第二分类器中待分类样本与所述待识别人脸的匹配值均小于所述相应的预设值时，则判断所述待识别人脸在所述第一分类器和所述第二分类器中均未识别成功。此时，将所述待识别人脸输入至以并行方式连接的分类器。
需要说明的是，所述并行方式表示同时分别以不同的子集合对其各个相应的分类器进行样本训练。所述并行方式连接的分类器至少包括所述第一分类器以及所述第二分类器。
步骤S408，按照与所述待识别人脸的相似度排列所述待分类样本，并挑选出预设数目的与所述待识别人脸的相似度高的待分类样本。
具体地，根据计算出的所述待识别人脸与所述分类器中待分类样本的相似度，分别将所述待分类器中的所述待分类样本与所述待识别人脸相似度由高至低顺序排列。并且，从排列完成的所述待分类样本中挑选出前N个与所述待识别人脸相似度高的待分类样本。在本实施例中，N＝2。举例说明：挑选出第一分类器中的待分类样本A以及待分类样本B，并挑选出第二分类器中的待分类样本A以及待分类样本B。
步骤S410，根据所述待识别人脸与所述待分类样本的相似度对所述待分类样本分别赋予不同的权重值，并计算所述待分类样本对应的总权重值。
具体地，根据所述待识别人脸与所述待分类样本的相似度分别对挑选出的前2个待分类样本分别赋予不同的权重值，并计算前2个待分类样本获得的总权重值。例如：挑选出待分类样本A和待分类样本B之后，对待分类样本A和待分类样本B分别赋予不同的权重值，其中，赋予第一分类器中待分类样本A的权重值为1，赋予第一分类器中待分类样本B的权重值为2，赋予第二分类器中待分类样本A的权重值为2，赋予第二分类器中待分类样本B的权重值为2，此时待分类样本A获得总权重值为3，待分类样本B获得总权重值为4。
步骤S412，选择总权重值最小的待分类样本作为识别出的人脸以将所述待分类样本输出。
具体地，若所述第一分类器中待分类样本A获得的权重值为1，所述待分类样本B获得的权重值为2，所述第二分类器中待分类样本A获得的权重值为2，所述待分类样本B获得的权重值为2，待分类样本A获得总权重值为3，待分类样本B获得总权重值为4，选择待分类样本A作为识别出的人脸并将待分类样本A输出。
在一较佳实施例中，识别出的人脸通过输出装置输出，其中所述输出装置包括显示器或报警器等。
需要说明的是，人脸相似度越高，获得票数越少。
在本实施例中，分类器是指当输入的数据含有多个样本，每个样本包括多个属性时，将其中一个特别的属性称作类(例如，相似程度的高、中、低)。分类器的目的在于分析输入的数据，并建立一个模型，并用这个模型对输入的数据进行分类。其中，上述分类器包括：可以使用支持向量机分类器、人工神经网络分类器、模糊分类器、贝叶斯分类器、模板匹配分类器、几何分类器等。
如图5所示，是本发明人脸识别方法的第二实施例的流程示意图。本实施例中，所述人脸识别方法的步骤S500，S506-S516与第一实施例的步骤S400-S412相类似，区别在于该方法还包括步骤S502-S504。
该方法包括以下步骤：
步骤S500，获取待识别人脸的信息。
具体地，当有用户经过时，获取该用户的人脸信息以对该用户进行识别。
在一较佳实施例中，所述待识别人脸可以通过摄像头、数码相机、扫描仪在内的任一种设备采集。
步骤S502，标定切割所述待识别人脸。
具体地，当获取所述待识别人脸的信息之后，对所述待识别人脸进行标定切割以获得并识别所述待识别人脸的特征信息。
步骤S504，直方图归一化所述切割后的待识别人脸以得到人脸直方图，以便通过人脸直方图计算所述待识别人脸与所述待分类样本的匹配值。
具体地，当切割完所述待识别人脸之后，对所述待识别人脸进行直方图归一化以得到人脸直方图，以便通过人脸直方图计算所述待识别人脸与所述待分类样本的匹配值。
步骤S506，分别计算所述待识别人脸与以串行方式连接的分类器中待分类样本的匹配值。
具体地，第一分类器与第二分类器以串行方式连接，所述待识别人脸依次经过第一分类器以及第二分类器以进行人脸匹配。分别计算待识别人脸经过所述第一分类器以及第二分类器时，与所述第一分类器以及第二分类器中待分类样本的匹配值。
需要说明的是，所述串行方式表示在时间上依次以各个不同的子集合对各个相应的分类器进行样本训练。
步骤S508，判断所述待识别人脸与每一个待分类样本的匹配值是否均小于相应的预设值。
具体地，分别计算出所述待识别人脸与所述第一分类器和所述第二分类器中待分类样本的匹配值之后，判断所述匹配值是否均小于相应的预设值。
步骤S510，当所述第一分类器和所述第二分类器中待分类样本与所述待识别人脸的匹配值均小于所述相应的预设值时，将所述待识别人脸输入至以并行方式连接的分类器。其中，所述以并行方式连接的分类器包括待分类样本。
具体地，判断出所述第一分类器和所述第二分类器中待分类样本与所述待识别人脸的匹配值均小于所述相应的预设值时，则判断所述待识别人脸在所述第一分类器和所述第二分类器中均未识别成功。此时，将所述待识别人脸输入至以并行方式连接的分类器。
需要说明的是，所述并行方式表示同时分别以不同的子集合对其各个相应的分类器进行样本训练。所述并行方式连接的分类器至少包括所述第一分类器以及所述第二分类器。
步骤S512，按照与所述待识别人脸的相似度排列所述待分类样本，并挑选出预设数目的与所述待识别人脸的相似度高的待分类样本。
具体地，根据计算出的所述待识别人脸与所述分类器中待分类样本的相似度，分别将所述待分类器中的所述待分类样本与所述待识别人脸相似度由高至低顺序排列。并且，从排列完成的所述待分类样本中挑选出前N个与所述待识别人脸相似度高的待分类样本。在本实施例中，N＝2。举例说明：挑选出第一分类器中的待分类样本A以及待分类样本B，并挑选出第二分类器中的待分类样本A以及待分类样本B。
步骤S514，根据所述待识别人脸与所述待分类样本的相似度对所述待分类样本分别赋予不同的权重值，并计算所述待分类样本对应的总权重值。
具体地，根据所述待识别人脸与所述待分类样本的相似度分别对挑选出的前2个待分类样本赋予不同的权重值，并计算前2个待分类样本获得的总投权重值。例如：挑选出待分类样本A和待分类样本B之后，分别赋予待分类样本A和待分类样本B相应的权重值，其中，赋予第一分类器中待分类样本A的权重值为1，赋予第一分类器中待分类样本B的权重值为2，赋予第二分类器中待分类样本A的权重值为2，赋予第二分类器中待分类样本B的权重值为2，此时待分类样本A获得总权重值为3，待分类样本B获得总权重值为4。
步骤S516，选择总权重值最小的待分类样本作为识别出的人脸以将所述待分类样本输出。
具体地，若所述第一分类器中待分类样本A获得的权重值为1，所述第一分类器中待分类样本B获得的权重值为2，所述第二分类器中待分类样本A获得的权重值为2，所述第二分类器中待分类样本B获得的权重值为2，待分类样本A获得的总权重值为3，待分类样本B获得总权重值为4，选择待分类样本A作为识别出的人脸并将待分类样本A输出。
在一较佳实施例中，识别出的人脸通过输出装置输出，其中所述输出装置包括显示器或报警器等。
需要说明的是，人脸相似度越高，获得票数越少。
如图6所示，是本发明人脸识别方法的第三实施例的流程示意图。本实施例中，第二实施例的步骤S506还包括以下步骤：
步骤S600，计算所述待识别人脸与所述第一分类器中待分类样本的第一匹配值。
具体地，根据所述人脸直方图计算所述待识别人脸与所述第一分类器中待分类样本的第一匹配值。
步骤S602，判断所述第一匹配值是否大于第一预设值，若所述第一匹配值大于所述第一预设值，则执行步骤S604，否则执行步骤S606。
步骤S604，选择所述第一分类器中待分类样本为识别出的人脸。
具体地，若所述第一匹配值大于所述第一预设值，则表示所述待识别人脸与所述第一分类器中待分类样本匹配成功，选择所述待分类样本为识别出的人脸。
步骤S606，计算所述待识别人脸与第二分类器中待分类样本的第二匹配值。
具体地，根据所述人脸直方图计算所述待识别人脸与所述第二分类器中待分类样本的第二匹配值。
步骤S608，判断所述第二匹配值是否大于第二预设值。
步骤S610，当所述第二匹配值大于所述第二预设值时，选择所述第二分类器中待分类样本为识别出的人脸。
本实施例所提出的人脸识别方法，可以降低错误的接受率和错误的拒绝率，从而提升人脸识别的准确率。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。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介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种人脸识别方法，应用于应用服务器中，其特征在于，所述方法包括步骤：
获取待识别人脸的信息；
分别计算所述待识别人脸与以串行方式连接的分类器中待分类样本的匹配值；
判断所述待识别人脸与每一个待分类样本的匹配值是否均小于相应的预设值；
若所述待识别人脸与每一个待分类样本的匹配值均小于所述相应的预设值，则将所述待识别人脸输入至以并行方式连接的分类器，其中，所述以并行方式连接的分类器包括待分类样本；
按照与所述待识别人脸的相似度排列所述待分类样本，并挑选出预设数目的与所述待识别人脸的相似度高的待分类样本；
根据所述待识别人脸与所述待分类样本的相似度对所述待分类样本分别赋予相应的权重值，并计算所述待分类样本对应的总权重值；及
选择总权重值最小的待分类样本作为识别出的人脸以将所述待分类样本输出。
2.如权利要求1所述的人脸识别方法，其特征在于，所述计算所述待识别人脸与以串行方式连接的分类器中待分类样本的匹配值的步骤之前还包括步骤：
标定切割所述待识别人脸；及
直方图归一化所述切割后的待识别人脸以得到人脸直方图，以便通过人脸直方图计算所述待识别人脸与所述待分类样本的匹配值。
3.如权利要求1所述的人脸识别方法，其特征在于，所述串行方式连接的分类器至少包括第一分类器和第二分类器，所述方法还包括步骤：
计算所述待识别人脸与所述第一分类器中待分类样本的第一匹配值；
判断所述第一匹配值是否大于第一预设值；及
若所述第一匹配值大于所述第一预设值，则选择所述第一分类器中待分类样本为识别出的人脸。
4.如权利要求1所述的人脸识别方法，其特征在于，所述待识别人脸可以通过摄像头、数码相机、扫描仪在内的任一种设备采集。
5.如权利要求1所述的人脸识别方法，其特征在于，所述串行方式表示在时间上依次以各个不同的子集合对各个相应的分类器进行样本训练，所述并行方式表示同时分别以不同的子集合对其各个相应的分类器进行样本训练。
6.如权利要求1所述的人脸识别方法，其特征在于，所述待分类样本获得的总权重值最小表示与待识别人脸的相似度最高。
7.如权利要求1所述的人脸识别方法，其特征在于，所述并行方式连接的分类器至少包括所述第一分类器以及所述第二分类器。
8.如权利要求1所述的人脸识别方法，其特征在于，所述人脸可通过显示器或者报警器输出。
9.一种应用服务器，其特征在于，所述应用服务器包括存储器、处理器，所述存储器上存储有可在所述处理器上运行的人脸识别系统，所述人脸识别系统被所述处理器执行时实现如权利要求1-8中任一项所述的人脸识别方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有人脸识别系统，所述人脸识别系统可被至少一个处理器执行，以使所述至少一个处理器执行如权利要求1-8中任一项所述的人脸识别方法的步骤。
CN201711141724.8A 2017-11-17 2017-11-17 人脸识别方法、应用服务器及计算机可读存储介质 Active CN108052864B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201711141724.8A CN108052864B (zh) 2017-11-17 2017-11-17 人脸识别方法、应用服务器及计算机可读存储介质
PCT/CN2018/077640 WO2019095587A1 (zh) 2017-11-17 2018-02-28 人脸识别方法、应用服务器及计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711141724.8A CN108052864B (zh) 2017-11-17 2017-11-17 人脸识别方法、应用服务器及计算机可读存储介质

Publications (2)

Publication Number Publication Date
CN108052864A true CN108052864A (zh) 2018-05-18
CN108052864B CN108052864B (zh) 2019-04-26

Family

ID=62118894

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711141724.8A Active CN108052864B (zh) 2017-11-17 2017-11-17 人脸识别方法、应用服务器及计算机可读存储介质

Country Status (2)

Country Link
CN (1) CN108052864B (zh)
WO (1) WO2019095587A1 (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109034048A (zh) * 2018-07-20 2018-12-18 苏州中德宏泰电子科技股份有限公司 人脸识别算法模型切换方法与装置
CN109063656A (zh) * 2018-08-08 2018-12-21 厦门市美亚柏科信息股份有限公司 一种利用多个人脸引擎进行人脸查询的方法及装置
CN109543547A (zh) * 2018-10-26 2019-03-29 平安科技（深圳）有限公司 人脸图像识别方法、装置、设备及存储介质
CN109543547B (zh) * 2018-10-26 2024-08-27 平安科技（深圳）有限公司 人脸图像识别方法、装置、设备及存储介质

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112241664A (zh) * 2019-07-18 2021-01-19 顺丰科技有限公司 人脸识别方法、装置、服务器及存储介质
CN113240394B (zh) * 2021-05-19 2023-04-07 国网福建省电力有限公司 一种基于人工智能的电力营业厅服务方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1908960A (zh) * 2005-08-02 2007-02-07 中国科学院计算技术研究所 一种基于特征分组的多分类器组合人脸识别方法
CN101075291A (zh) * 2006-05-18 2007-11-21 中国科学院自动化研究所 一种用于人脸识别的高效提升训练方法
CN101303730A (zh) * 2008-07-04 2008-11-12 西安电子科技大学 基于分类器集成的人脸识别系统及其方法
CN102855496A (zh) * 2012-08-24 2013-01-02 苏州大学 遮挡人脸认证方法及系统
CN103902961A (zh) * 2012-12-28 2014-07-02 汉王科技股份有限公司 一种人脸识别方法及装置
US20160026854A1 (en) * 2014-07-23 2016-01-28 Samsung Electronics Co., Ltd. Method and apparatus of identifying user using face recognition

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7822696B2 (en) * 2007-07-13 2010-10-26 Microsoft Corporation Histogram-based classifiers having variable bin sizes
CN100561502C (zh) * 2007-12-18 2009-11-18 北京中星微电子有限公司 一种人脸认证的方法和装置
CN103136533B (zh) * 2011-11-28 2015-11-25 汉王科技股份有限公司 基于动态阈值的人脸识别方法及装置
CN103218606A (zh) * 2013-04-10 2013-07-24 哈尔滨工程大学 一种基于人脸均值和方差能量图的多姿态人脸识别方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1908960A (zh) * 2005-08-02 2007-02-07 中国科学院计算技术研究所 一种基于特征分组的多分类器组合人脸识别方法
CN101075291A (zh) * 2006-05-18 2007-11-21 中国科学院自动化研究所 一种用于人脸识别的高效提升训练方法
CN101303730A (zh) * 2008-07-04 2008-11-12 西安电子科技大学 基于分类器集成的人脸识别系统及其方法
CN102855496A (zh) * 2012-08-24 2013-01-02 苏州大学 遮挡人脸认证方法及系统
CN103902961A (zh) * 2012-12-28 2014-07-02 汉王科技股份有限公司 一种人脸识别方法及装置
US20160026854A1 (en) * 2014-07-23 2016-01-28 Samsung Electronics Co., Ltd. Method and apparatus of identifying user using face recognition

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109034048A (zh) * 2018-07-20 2018-12-18 苏州中德宏泰电子科技股份有限公司 人脸识别算法模型切换方法与装置
CN109063656A (zh) * 2018-08-08 2018-12-21 厦门市美亚柏科信息股份有限公司 一种利用多个人脸引擎进行人脸查询的方法及装置
CN109063656B (zh) * 2018-08-08 2021-08-24 厦门市美亚柏科信息股份有限公司 一种利用多个人脸引擎进行人脸查询的方法及装置
CN109543547A (zh) * 2018-10-26 2019-03-29 平安科技（深圳）有限公司 人脸图像识别方法、装置、设备及存储介质
CN109543547B (zh) * 2018-10-26 2024-08-27 平安科技（深圳）有限公司 人脸图像识别方法、装置、设备及存储介质

Also Published As

Publication number Publication date
CN108052864B (zh) 2019-04-26
WO2019095587A1 (zh) 2019-05-23

Similar Documents

Publication Publication Date Title
CN108052864B (zh) 人脸识别方法、应用服务器及计算机可读存储介质
CN108711161A (zh) 一种图像分割方法、图像分割装置及电子设备
CN110309840A (zh) 风险交易识别方法、装置、服务器及存储介质
CN107808120A (zh) 眼镜定位方法、装置及存储介质
CN108427874A (zh) 身份认证方法、服务器及计算机可读存储介质
CN108460346B (zh) 指纹识别方法及装置
CN110111113B (zh) 一种异常交易节点的检测方法及装置
CN107563757A (zh) 数据风险控制的方法及装置
CN109919781A (zh) 团伙欺诈案件识别方法、电子装置及计算机可读存储介质
US20190347472A1 (en) Method and system for image identification
CN111506889A (zh) 一种基于相似用户组的用户验证方法及装置
CN109583392A (zh) 一种车位检测方法、装置和存储介质
CN114553591B (zh) 随机森林模型的训练方法、异常流量检测方法及装置
CN107918767A (zh) 目标检测方法、装置、电子设备及计算机可读介质
CN113254491A (zh) 一种信息推荐的方法、装置、计算机设备及存储介质
CN111382791B (zh) 深度学习任务处理方法、图像识别任务处理方法和装置
CN108154163A (zh) 数据处理方法、数据识别和学习方法及其装置
CN110598090B (zh) 兴趣标签的生成方法、装置、计算机设备和存储介质
CN114612011A (zh) 一种风险防控决策方法及装置
CN113723280A (zh) 基于静态人脸的对抗样本检测方法、装置、设备、介质
CN107844527A (zh) 网页地址去重方法、电子设备及计算机可读存储介质
CN116758373A (zh) 深度学习模型的训练方法、图像处理方法、装置和设备
CN110263736A (zh) 一种构件识别方法、装置、存储介质及系统
CN110880035A (zh) 卷积神经网络的训练方法、装置及结节征象识别方法、装置
CN108804652A (zh) 封面图片的生成方法、装置、存储介质和电子装置

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
GR01 Patent grant
GR01 Patent grant