CN108197544A - 人脸分析、过滤方法、装置、嵌入式设备、介质和集成电路 - Google Patents

人脸分析、过滤方法、装置、嵌入式设备、介质和集成电路 Download PDF

Info

Publication number
CN108197544A
CN108197544A CN201711406272.1A CN201711406272A CN108197544A CN 108197544 A CN108197544 A CN 108197544A CN 201711406272 A CN201711406272 A CN 201711406272A CN 108197544 A CN108197544 A CN 108197544A
Authority
CN
China
Prior art keywords
picture
detected
face
embedded device
analysis
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
CN201711406272.1A
Other languages
English (en)
Other versions
CN108197544B (zh
Inventor
牟永强
严蕤
刘荣杰
顾鹏
田第鸿
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.)
Shenzhen Intellifusion Technologies Co Ltd
Original Assignee
Shenzhen Intellifusion Technologies 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 Shenzhen Intellifusion Technologies Co Ltd filed Critical Shenzhen Intellifusion Technologies Co Ltd
Priority to CN201711406272.1A priority Critical patent/CN108197544B/zh
Priority to PCT/CN2017/119843 priority patent/WO2019119515A1/zh
Publication of CN108197544A publication Critical patent/CN108197544A/zh
Application granted granted Critical
Publication of CN108197544B publication Critical patent/CN108197544B/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
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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
    • G06V40/172—Classification, e.g. identification

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Human Computer Interaction (AREA)
  • Multimedia (AREA)
  • Data Mining & Analysis (AREA)
  • Probability & Statistics with Applications (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种人脸分析、过滤方法、装置、嵌入式设备、介质和集成电路。所述人脸过滤方法包括：获取待检测图片；利用人脸检测器对所述待检测图片进行检测，得到检测结果；当检测结果表示所述待检测图片为人脸图片时，利用训练好的随机蕨分类器对所述待检测图片进行分类；确定所述待检测图片的类别。本发明能利用随机蕨分类器对人脸检测器的检测结果进行分类，并且结合嵌入式设备的特性，在保证高召回率的前提下，减少人脸检测结果中人脸误检的数量。

Description

人脸分析、过滤方法、装置、嵌入式设备、介质和集成电路
技术领域
本发明涉及人脸检测技术领域，尤其涉及一种人脸分析、过滤方法、装置、嵌入式设备、介质和集成电路。
背景技术
人脸检测器用于从任意类型的传感器所产生的信号中标识出人脸所在的位置，一般使用矩形或者椭圆作为标记。现有技术方案中，主要包括以下3种方式的人脸检测方案：
(1)基于传统算法的人脸检测方案。
基于传统算法的人脸检测方案一般使用传统手工设计的特征进行人脸描述，如Haar特征，方向梯度直方图(Histogram of Oriented Gradient，HOG)特征，局部二值模式(Local Binary Patterns，LBP)特征，GABOR函数，像素差(Pixel Difference，PD)特征，归一化的像素差异(Normalized PixelDifference，NPD)特征等等，再使用Boosting算法进行分类，如AdaBoost算法，RealBoost算法，GentleBoost算法等等。由于传统手工设计特征的表达能力有限，因此，基于传统算法的人脸检测方案也逐渐被替代。
(2)先使用传统算法产生候选区域，再使用深度学习算法进行二次验证。
方案(2)先使用方案(1)中的方法进行区域判断，再训练一个通用的神经网络模型对方案(1)产生的候选区域进行二次判断。
(3)基于纯深度学习的人脸检测方案。
上述三种方案虽然可以进行人脸检测，但是无法在高召回率的前提下保证人脸检测的精度，并减少误检数量。
另外，在将上述人脸检测方案应用于嵌入式设备时，由于嵌入式设备的计算能力有限，因此经常出现误检现象，更加无法在高召回率的情况下达到较高的检测精度。
发明内容
鉴于以上内容，有必要提供一种人脸分析、过滤方法、装置、嵌入式设备、介质和集成电路，能利用随机蕨分类器对人脸检测器的检测结果进行分类，并且结合嵌入式设备的特性，在保证高召回率的前提下，减少人脸检测结果中人脸误检的数量。
一种人脸过滤方法，所述方法包括：
获取待检测图片；
利用人脸检测器对所述待检测图片进行检测，得到检测结果；
当检测结果表示所述待检测图片为人脸图片时，利用训练好的随机蕨分类器对所述待检测图片进行分类；
确定所述待检测图片的类别。
根据本发明优选实施例，当通过利用所述训练好的随机蕨分类器对所述待检测图片进行分类时，所述方法还包括：
从待检测图片中提取差分特征；
将所述待检测图片的差分特征输入至所述训练好的随机蕨分类器中，计算所述待检测图片属于所述训练好的随机蕨分类器中多个类别的概率；
筛选出概率最大的类别作为所述待检测图片的类别。
根据本发明优选实施例，在所述从待检测图片中提取差分特征时，所述方法包括：
获取嵌入式设备的性能参数；
根据所述嵌入式设备的性能参数，确定所述待检测图片中用于计算差分特征的像素组数。
一种人脸分析方法，所述方法包括：
获取待检测图片；
利用所述人脸过滤方法对所述待检测图片进行过滤，得到保留的人脸图片；
对所述保留的人脸图片进行与指定场景对应的统计分析，得到分析结果；
根据所述分析结果执行与所述指定场景对应的操作。
根据本发明优选实施例，所述对所述保留的人脸图片进行与指定场景对应的统计分析，得到分析结果，并根据所述分析结果执行与所述指定场景对应的操作包括：
计算指定时间段内在指定区域拍摄的图片中保留的人脸图片的数量；
当所述人脸图片的数量大于或者等于预设数量时，启动门禁装置。
根据本发明优选实施例，所述对所述保留的人脸图片进行与指定场景对应的统计分析，得到分析结果，并根据所述分析结果执行与所述指定场景对应的操作还包括：
计算指定时间段内在指定区域拍摄的图片中保留的人脸图片的数量；
获取每张保留的人脸图片中的人脸对应的人物的出行方式；
计算获取的每种出行方式的占比；
将所述获取的每种出行方式的占比发送至指定服务器，以供所述指定服务器进行统计分析。
一种人脸过滤装置，所述装置包括：
获取单元，用于获取待检测图片；
检测单元，用于利用人脸检测器对所述待检测图片进行检测，得到检测结果；
分类单元，用于当检测结果表示所述待检测图片为人脸图片时，利用训练好的随机蕨分类器对所述待检测图片进行分类；
确定单元，用于确定所述待检测图片的类别。
根据本发明优选实施例，所述装置还包括：
提取单元，用于当通过利用所述训练好的随机蕨分类器对所述待检测图片进行分类时，从待检测图片中提取差分特征；
计算单元，用于将所述待检测图片的差分特征输入至所述训练好的随机蕨分类器中，计算所述待检测图片属于所述训练好的随机蕨分类器中多个类别的概率；
筛选单元，用于筛选出概率最大的类别作为所述待检测图片的类别。
根据本发明优选实施例，所述获取单元，还用于在所述从待检测图片中提取差分特征时，获取嵌入式设备的性能参数；
所述确定单元，还用于根据所述嵌入式设备的性能参数，确定所述待检测图片中用于计算差分特征的像素组数。
一种人脸分析装置，所述装置包括：
获取模块，用于获取待检测图片；
过滤模块，用于利用所述人脸过滤方法对所述待检测图片进行过滤，得到保留的人脸图片；
分析模块，用于对所述保留的人脸图片进行与指定场景对应的统计分析，得到分析结果；
执行模块，用于根据所述分析结果执行与所述指定场景对应的操作。
根据本发明优选实施例，所述分析模块对所述保留的人脸图片进行与指定场景对应的统计分析，得到分析结果，所述执行模块根据所述分析结果执行与所述指定场景对应的操作包括：
计算指定时间段内在指定区域拍摄的图片中保留的人脸图片的数量；
当所述人脸图片的数量大于或者等于预设数量时，启动门禁装置。
根据本发明优选实施例，所述分析模块对所述保留的人脸图片进行与指定场景对应的统计分析，得到分析结果，所述执行模块根据所述分析结果执行与所述指定场景对应的操作还包括：
计算指定时间段内在指定区域拍摄的图片中保留的人脸图片的数量；
获取每张保留的人脸图片中的人脸对应的人物的出行方式；
计算获取的每种出行方式的占比；
将所述获取的每种出行方式的占比发送至指定服务器，以供所述指定服务器进行统计分析。
一种嵌入式设备，所述嵌入式设备包括：
存储器，存储至少一个指令；及
处理器，执行所述存储器中存储的指令以实现所述人脸过滤方法。
一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个指令，所述至少一个指令被嵌入式设备中的处理器执行以实现所述人脸过滤方法。
一种集成电路，所述集成电路安装于嵌入式设备中，使所述嵌入式设备发挥所述人脸过滤方法能实现的功能。
由以上技术方案可以看出，本发明获取待检测图片；利用人脸检测器对所述待检测图片进行检测，得到检测结果；当检测结果表示所述待检测图片为人脸图片时，利用训练好的随机蕨分类器对所述待检测图片进行分类；确定所述待检测图片的类别。利用本发明能利用随机蕨分类器对人脸检测器的检测结果进行分类，并且结合嵌入式设备的特性，在保证高召回率的前提下，减少人脸检测结果中人脸误检的数量。
附图说明
图1是本发明人脸过滤方法的较佳实施例的流程图。
图2是本发明人脸分析方法的较佳实施例的流程图。
图3是本发明人脸过滤装置的较佳实施例的功能模块图。
图4是本发明人脸分析装置的较佳实施例的功能模块图。
图5是本发明实现人脸过滤方法的较佳实施例的嵌入式设备的结构示意图。
主要元件符号说明
嵌入式设备 1
存储器 12
处理器 13
人脸过滤装置 11
获取单元 110
检测单元 111
分类单元 112
确定单元 113
提取单元 114
计算单元 115
筛选单元 116
人脸分析装置 14
获取模块 141
过滤模块 142
分析模块 143
执行模块 144
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面结合附图和具体实施例对本发明进行详细描述。
如图1所示，是本发明人脸过滤方法的较佳实施例的流程图。根据不同的需求，该流程图中步骤的顺序可以改变，某些步骤可以省略。
所述人脸过滤方法应用于一个或者多个嵌入式设备中，所述嵌入式设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程门阵列(Field－Programmable Gate Array，FPGA)、数字处理器(Digital SignalProcessor，DSP)等。
所述嵌入式设备还可以包括网络设备和/或用户设备。其中，所述网络设备包括，但不限于单个网络服务器、多个网络服务器组成的服务器组或基于云计算(CloudComputing)的由大量主机或网络服务器构成的云。
所述嵌入式设备所处的网络包括但不限于互联网、广域网、城域网、局域网、虚拟专用网络(Virtual Private Network，VPN)等。
S10，所述嵌入式设备获取待检测图片。
在本发明的至少一个实施例中，所述嵌入式设备获取待检测图片的方式可以包括，但不限于以下一种或者多种的组合：
(1)所述嵌入式设备将接收的用户上传的图片作为所述待检测图片。
在本发明的至少一个实施例中，将接收的所述用户上传的图片作为所述待检测图片可以使所述嵌入式设备根据所述用户的需求进行有针对性的检测，给用户带来更好的使用体验。
(2)所述嵌入式设备将与所述嵌入式设备相通信的摄像装置实时拍摄的图片作为所述待检测图片。
在本发明的至少一个实施例中，如果要进行抓拍图片的实时检测，则需要将与所述嵌入式设备相通信的摄像装置实时拍摄的图片作为所述待检测图片，这样，所述嵌入式设备就可以利用所述待检测图片分析抓拍地点或者抓拍时间段内的人流量等信息。
S11，所述嵌入式设备利用人脸检测器对所述待检测图片进行检测，得到检测结果。
在本发明的至少一个实施例中，所述嵌入式设备在利用人脸检测器对所述待检测图片进行检测，得到检测结果前，所述方法还包括：
所述嵌入式设备训练人脸检测器。
在本发明的至少一个实施例中，所述嵌入式设备训练人脸检测器的方式包括，但不限于以下一种或者多种的组合：
(1)最邻近分类器方式。
所述最近邻分类器方式是本技术领域中的分类方法之一，其直观简单。因此，在人脸识别问题中有着广泛的应用，并且最邻近的算法非常直观，也容易被实现，通过距离测试离当前测试样本最近的训练样本的标签来预测当前测试样本的类别，可以适用于任何分布的数据，在样本足够多的情况下，最邻近分类器方式的错误率较低。
其中，所述最邻近分类器方式所使用的距离度量包括，但不限于：欧氏距离、相关度、卡方、直方图交、巴氏距离(Bhattacharyya distance，巴塔恰里雅距离)等。
(2)线性分类器方式。
现有技术中，线性分类器方式是一种有效的特征抽取方法。使用所述线性分类器方式能够使投影后模式样本的类间散布矩阵最大，并且同时类内散布矩阵最小。也就是说，所述线性分类器方式能够保证投影后模式样本在新的空间中有最小的类内距离和最大的类间距离，即模式在该空间中有最佳的可分离性，分离效果更佳。
(3)归一化的像素差异特征(Normalized PixelDifference，NPD)分类器方式。
所述归一化的像素差异特征分类器用于通用的人脸检测，是一种弱分类器，所述归一化的像素差异特征分类器的分类错误率上界随着训练增加而稳定下降，且不会出现过拟合现象，适合于在各种分类场景下应用。
需要说明的是，在其他实施例中，所述嵌入式设备也可以通过其他方式训练所述人脸检测器，本发明在此不再赘述。
在本发明的至少一个实施例中，所述待检测图片通过所述人脸检测器进行检测后，可以将所述待检测图片中的人脸图片筛选出来进行保留，同时在人脸的位置进行标记，以供后续进一步进行筛选。
当然，由于所述人脸检测器的检测准确度、所述嵌入式设备的运算能力等因素的影响，通过所述人脸检测器检测后，所述待检测图片中筛选出来的人脸图片可能出现误检，标记的人脸的位置也可能有误，因此需要进行进一步过滤。
需要说明的是，所述待检测图片通过所述人脸检测器进行检测后，如果检测结果显示所述待检测图片是非人脸图片，则舍弃所述待检测图片。
S12，当检测结果表示所述待检测图片为人脸图片时，所述嵌入式设备利用训练好的随机蕨分类器对所述待检测图片进行分类。
在本发明的至少一个实施例中，当通过利用所述训练好的随机蕨分类器对所述待检测图片进行分类时，所述方法还包括：
所述嵌入式设备从待检测图片中提取差分特征，将所述待检测图片的差分特征输入至所述训练好的随机蕨分类器中，计算所述待检测图片属于所述训练好的随机蕨分类器中多个类别的概率，并筛选出概率最大的类别作为所述待检测图片的类别。
需要说明的是，采用差分特征是由于差分特征操作简单，且具有明确的统计意义，运算速度较快，可以提高所述随机蕨分类器的分类速度，提高分类效率。
在本发明的至少一个实施例中，所述嵌入式设备从待检测图片中提取差分特征包括：
所述嵌入式设备从所述待检测图片中的每张图片的像素点中随机抽取指定数量的像素组，每个像素组中包含像素点x及像素点y，其中，x、y是任意不同的两个大于0的正整数，所述嵌入式设备将所述像素点x的像素值及所述像素点y的像素值的大小进行比较。当所述像素点x的像素值大于所述像素点y的像素值时，对应像素组的差分特征值为1，或者是，当所述像素点x的像素值小于或者等于所述像素点y的像素值时，对应像素组的差分特征值为0，所述嵌入式设备将所述每张图片的所有像素组的差分特征值进行随机组合，得到所述每张图片的差分特征。
例如：所述嵌入式设备在待检测图片A中随机选择像素点A和像素点B作为像素组1，并且像素点A的像素值大于像素点B的像素值，则像素组1的差分特征值为1，同理，所述嵌入式设备再随机选择九个像素组，所述九个像素组的差分特征值分别为011011010，则所述嵌入式设备可以确定所述待检测图片A的差分特征为1011011010。
在本发明的至少一个实施例中，所述嵌入式设备在从所述待检测图片中提取差分特征时，所述方法包括：
所述嵌入式设备获取嵌入式设备的性能参数，并根据所述嵌入式设备的性能参数，确定所述待检测图片中用于计算差分特征的像素组数。
在本发明的至少一个实施例中，所述性能参数包括，但不限于：CPU的处理速度及功耗等、存储器的存储量、总线的响应速度、输入/输出设备的运行速度等。
在本发明的至少一个实施例中，结合所述嵌入式设备的具体性能参数确定所述待检测图片中用于计算差分特征的像素组数。例如：当CPU的处理速度快，且存储器的存储量较高时，可以配置所述待检测图片中用于计算差分特征的像素组数为10，而当CPU的处理速度慢，且存储器的存储量较低时，可以配置所述待检测图片中用于计算差分特征的像素组数为8等。
需要说明的是，通过结合所述嵌入式设备的性能参数确定计算差分特征的像素组数，可以避免由于运算数据过大造成运算崩溃的现象发生，也可以避免运算过程不流畅等卡顿的情况发生，还可以避免由于运算系统的超负荷运行造成的系统损害，同时提高了运算性能。
在本发明的至少一个实施例中，在所述嵌入式设备利用训练好的随机蕨分类器对所述待检测图片进行分类前，所述嵌入式设备利用随机蕨算法训练随机蕨分类器。
具体地，所述嵌入式设备获取训练随机蕨分类器的样本数据，所述嵌入式设备提取样本数据的差分特征，并将提取的差分特征输入随机蕨算法的训练公式中进行训练，得到所述随机蕨分类器；
其中，所述随机蕨算法的训练公式如下：
其中，f1,f2,f3,······,fn表示像素组的差分特征值，Ck表示图片类别，CF表示一张图片通过所述随机蕨分类器分类后确定的图片类别。
需要说明的是，由于训练随机蕨分类器的方法属于相对成熟的技术，因此，本发明不再赘述。
S13，所述嵌入式设备确定所述待检测图片的类别。
在本发明的至少一个实施例中，在所述待检测图片通过所述训练好的随机蕨分类器后，所述随机蕨分类器会输出概率最大的类别作为所述待检测图片的类别。
在本发明的至少一个实施例中，训练所述随机蕨分类器的样本数据包括正样本数据及负样本数据，根据所述样本数据的不同，所述随机蕨分类器的分类结果也相应不同。例如：当训练所述随机蕨分类器的样本数据包括表示白天人脸图片的正样本数据，及表示夜间人脸图片的负样本数据时，经过所述随机蕨分类器后输出的结果是白天人脸图片或夜间人脸图片；当训练所述随机蕨分类器的样本数据包括表示女性人脸图片的正样本数据，及表示男性人脸图片的负样本数据时，经过所述随机蕨分类器后输出的结果是女性人脸图片或男性人脸图片等。
在本发明的至少一个实施例中，训练所述随机蕨分类器的样本数据包括表示人脸图片的正样本数据，及表示非人脸图片的负样本数据，所述方法还包括：
当确定所述待检测图片的类别属于人脸类别时，所述嵌入式设备保留所述待检测图片；或者是，当确定所述待检测图片的类别属于非人脸类别时，所述嵌入式设备舍弃所述待检测图片。
这样，所述嵌入式设备可以仅利用保留的所述待检测图片继续进行其他操作，而舍弃其余图片，避免多余的工作量。
在本发明的至少一个实施例中，所述嵌入式设备获取保留的图片，将所述保留的图片作为目标图片，所述嵌入式设备利用训练好的随机蕨分类器对所述待检测图片进行分类，并确定所述待检测图片的类别。
这样，所述嵌入式设备可以通过所述随机蕨分类器对所述保留的图片进行二次筛选，以确保分类结果的准确性。
在本发明的至少一个实施例中，所述嵌入式设备训练所述随机蕨分类器的样本数据包括表示清晰图片的正样本数据，及表示模糊图片的负样本数据，所述方法还包括：
当确定所述待检测图片的类别属于清晰类别时，所述嵌入式设备保留所述待检测图片，或者是，当确定所述待检测图片的类别属于模糊类别时，所述嵌入式设备舍弃所述待检测图片。
可以理解的是，数据的分析需要采用清晰的图片作为分析的基础，因此，本发明保留了清晰类别的待检测图片，并且舍弃了模糊类别的待检测图片，以方便后续进行其他分析时使用，更加有利于分析的进行，使分析结果更加可靠。
综上所述，本发明能获取待检测图片；利用人脸检测器对所述待检测图片进行检测，得到检测结果；当检测结果表示所述待检测图片为人脸图片时，利用训练好的随机蕨分类器对所述待检测图片进行分类；确定所述待检测图片的类别。因此，本发明能利用随机蕨分类器对人脸检测器的检测结果进行分类，并且结合嵌入式设备的特性，在保证高召回率的前提下，减少人脸检测结果中人脸误检的数量。
如图2所示，是本发明人脸分析方法的较佳实施例的流程图。根据不同的需求，该流程图中步骤的顺序可以改变，某些步骤可以省略。
S20，所述嵌入式设备获取待检测图片。
S21，所述嵌入式设备利用所述人脸过滤方法对所述待检测图片进行过滤，得到保留的人脸图片。
S22，所述嵌入式设备对所述保留的人脸图片进行与指定场景对应的统计分析，得到分析结果。
S23，所述嵌入式设备根据所述分析结果执行与所述指定场景对应的操作。
在本发明的至少一个实施例中，所述嵌入式设备对所述保留的人脸图片进行与指定场景对应的统计分析，得到分析结果，并根据所述分析结果执行与所述指定场景对应的操作包括：
所述嵌入式设备计算指定时间段内在指定区域拍摄的图片中保留的人脸图片的数量，并且当所述人脸图片的数量大于或者等于预设数量时，启动门禁装置。
例如：如果一个景区需要限制人流量，所述嵌入式设备则可以将获取的一个小时内所述景区门口处拍摄的图片中保留的人脸图片的数量确定为所述景区一小时内的人流量，当所述人流量大于或者等于限制人数300人时，所述嵌入式设备可以启动门禁装置，限制游人进入景区。
这样，通过上述实施方式，可以实现对指定区域人流量的自动控制，并且所述指定时间段、所述指定区域及所述预设数量均可以根据实际情况进行设置，本发明在此不作限制。所述指定区域可以是景区、地铁站的安检处、火车站的安检处等等，既可以保证安全，又可以使现场更加有秩序，带来更好的体验。
在本发明的至少一个实施例中，所述嵌入式设备对所述保留的人脸图片进行与指定场景对应的统计分析，得到分析结果，并根据所述分析结果执行与所述指定场景对应的操作还包括：
所述嵌入式设备计算指定时间段内在指定区域拍摄的图片中保留的人脸图片的数量，所述嵌入式设备获取每张保留的人脸图片中的人脸对应的人物的出行方式，并计算获取的每种出行方式的占比，所述嵌入式设备将所述获取的每种出行方式的占比发送至指定服务器，以供所述指定服务器进行统计分析。
例如：所述嵌入式设备可以计算十字路口C处拍摄的图片中保留的人脸图片的数量，所述嵌入式设备获取每张保留的人脸图片中的人脸对应的人物的出行方式，并计算获取的每种出行方式的占比，如果计算结果显示步行人数：骑行人数：驾车人数＝1:5:10，则所述嵌入式设备将所述计算结果步行人数：骑行人数：驾车人数＝1:5:10发送至上述十字路口C所属交管所的服务器，以供所述交管所的相关工作人员进行统计分析。例如：所述交管所的相关工作人员可以根据所述计算结果分析出此处市民更佳喜欢的出行方式等。
这样，通过上述实施方式，所述嵌入式设备可以为指定服务器的统计分析提供准确的数据作为分析基础，以方便所述指定服务器进行对应的分析操作。例如，在其他实施例中，所述嵌入式设备也可以将所述计算结果发送至车辆销售商的服务器中，以使所述车辆销售商通过所述计算结果判断当地市民的出行习惯，并进一步预测可能的潜在客户的数量，并通过预测的可能的潜在客户的数量确定对应区域的宣传力度，或者是确定是否在对应区域设置分公司等。
如图3所示，是本发明人脸过滤装置的较佳实施例的功能模块图。所述人脸过滤装置11包括获取单元110、检测单元111、分类单元112、确定单元113、提取单元114、计算单元115、筛选单元116、保留单元117及舍弃单元118。本发明所称的模块/单元是指一种能够被处理器13所执行，并且能够完成固定功能的一系列计算机程序段，其存储在存储器12中。在本实施例中，关于各模块/单元的功能将在后续的实施例中详述。
获取单元110获取待检测图片。
在本发明的至少一个实施例中，所述获取单元110获取待检测图片的方式可以包括，但不限于以下一种或者多种的组合：
(1)所述获取单元110将接收的用户上传的图片作为所述待检测图片。
在本发明的至少一个实施例中，将接收的所述用户上传的图片作为所述待检测图片可以使所述嵌入式设备根据所述用户的需求进行有针对性的检测，给用户带来更好的使用体验。
(2)所述获取单元110将与所述嵌入式设备相通信的摄像装置实时拍摄的图片作为所述待检测图片。
在本发明的至少一个实施例中，如果要进行抓拍图片的实时检测，则需要将与所述嵌入式设备相通信的摄像装置实时拍摄的图片作为所述待检测图片，这样，所述嵌入式设备就可以利用所述待检测图片分析抓拍地点或者抓拍时间段内的人流量等信息。
检测单元111利用人脸检测器对所述待检测图片进行检测，得到检测结果。
在本发明的至少一个实施例中，所述检测单元111在利用人脸检测器对所述待检测图片进行检测，得到检测结果前，所述方法还包括：
所述嵌入式设备训练人脸检测器。
在本发明的至少一个实施例中，所述嵌入式设备训练人脸检测器的方式包括，但不限于以下一种或者多种的组合：
(1)最邻近分类器方式。
所述最近邻分类器方式是本技术领域中的分类方法之一，其直观简单。因此，在人脸识别问题中有着广泛的应用，并且最邻近的算法非常直观，也容易被实现，通过距离测试离当前测试样本最近的训练样本的标签来预测当前测试样本的类别，可以适用于任何分布的数据，在样本足够多的情况下，最邻近分类器方式的错误率较低。
其中，所述最邻近分类器方式所使用的距离度量包括，但不限于：欧氏距离、相关度、卡方、直方图交、巴氏距离(Bhattacharyya distance，巴塔恰里雅距离)等。
(2)线性分类器方式。
现有技术中，线性分类器方式是一种有效的特征抽取方法。使用所述线性分类器方式能够使投影后模式样本的类间散布矩阵最大，并且同时类内散布矩阵最小。也就是说，所述线性分类器方式能够保证投影后模式样本在新的空间中有最小的类内距离和最大的类间距离，即模式在该空间中有最佳的可分离性，分离效果更佳。
(3)归一化的像素差异特征(Normalized PixelDifference，NPD)分类器方式。
所述归一化的像素差异特征分类器用于通用的人脸检测，是一种弱分类器，所述归一化的像素差异特征分类器的分类错误率上界随着训练增加而稳定下降，且不会出现过拟合现象，适合于在各种分类场景下应用。
需要说明的是，在其他实施例中，所述嵌入式设备也可以通过其他方式训练所述人脸检测器，本发明在此不再赘述。
在本发明的至少一个实施例中，所述待检测图片通过所述人脸检测器进行检测后，保留单元117可以将所述待检测图片中的人脸图片筛选出来进行保留，同时在人脸的位置进行标记，以供后续进一步进行筛选。
当然，由于所述人脸检测器的检测准确度、所述嵌入式设备的运算能力等因素的影响，通过所述人脸检测器检测后，所述待检测图片中筛选出来的人脸图片可能出现误检，标记的人脸的位置也可能有误，因此需要进行进一步过滤。
需要说明的是，所述待检测图片通过所述人脸检测器进行检测后，如果检测结果显示所述待检测图片是非人脸图片，则舍弃单元118舍弃所述待检测图片。
当检测结果表示所述待检测图片为人脸图片时，分类单元112利用训练好的随机蕨分类器对所述待检测图片进行分类。
在本发明的至少一个实施例中，当所述分类单元112通过利用所述训练好的随机蕨分类器对所述待检测图片进行分类时，所述方法还包括：
提取单元114从待检测图片中提取差分特征，将所述待检测图片的差分特征输入至所述训练好的随机蕨分类器中，计算单元115计算所述待检测图片属于所述训练好的随机蕨分类器中多个类别的概率，筛选单元116筛选出概率最大的类别作为所述待检测图片的类别。
需要说明的是，采用差分特征是由于差分特征操作简单，且具有明确的统计意义，运算速度较快，可以提高所述随机蕨分类器的分类速度，提高分类效率。
在本发明的至少一个实施例中，所述提取单元114从待检测图片中提取差分特征包括：
所述提取单元114从所述待检测图片中的每张图片的像素点中随机抽取指定数量的像素组，每个像素组中包含像素点x及像素点y，其中，x、y是任意不同的两个大于0的正整数，所述提取单元114将所述像素点x的像素值及所述像素点y的像素值的大小进行比较。当所述像素点x的像素值大于所述像素点y的像素值时，对应像素组的差分特征值为1，或者是，当所述像素点x的像素值小于或者等于所述像素点y的像素值时，对应像素组的差分特征值为0，所述提取单元114将所述每张图片的所有像素组的差分特征值进行随机组合，得到所述每张图片的差分特征。
例如：所述提取单元114在待检测图片A中随机选择像素点A和像素点B作为像素组1，并且像素点A的像素值大于像素点B的像素值，则像素组1的差分特征值为1，同理，所述提取单元114再随机选择九个像素组，所述九个像素组的差分特征值分别为011011010，则所述提取单元114可以确定所述待检测图片A的差分特征为1011011010。
在本发明的至少一个实施例中，所述提取单元114在从所述待检测图片中提取差分特征时，所述方法包括：
所述提取单元114获取嵌入式设备的性能参数，并根据所述嵌入式设备的性能参数，确定所述待检测图片中用于计算差分特征的像素组数。
在本发明的至少一个实施例中，所述性能参数包括，但不限于：CPU的处理速度及功耗等、存储器的存储量、总线的响应速度、输入/输出设备的运行速度等。
在本发明的至少一个实施例中，所述提取单元114结合所述嵌入式设备的具体性能参数确定所述待检测图片中用于计算差分特征的像素组数。例如：当CPU的处理速度快，且存储器的存储量较高时，所述提取单元114可以配置所述待检测图片中用于计算差分特征的像素组数为10，而当CPU的处理速度慢，且存储器的存储量较低时，所述提取单元114可以配置所述待检测图片中用于计算差分特征的像素组数为8等。
需要说明的是，通过结合所述嵌入式设备的性能参数确定计算差分特征的像素组数，可以避免由于运算数据过大造成运算崩溃的现象发生，也可以避免运算过程不流畅等卡顿的情况发生，还可以避免由于运算系统的超负荷运行造成的系统损害，同时提高了运算性能。
在本发明的至少一个实施例中，在所述分类单元112利用训练好的随机蕨分类器对所述待检测图片进行分类前，所述嵌入式设备利用随机蕨算法训练随机蕨分类器。
具体地，所述获取单元110获取训练随机蕨分类器的样本数据，所述提取单元114提取样本数据的差分特征，并将提取的差分特征输入随机蕨算法的训练公式中进行训练，得到所述随机蕨分类器；
其中，所述随机蕨算法的训练公式如下：
其中，f1,f2,f3,······,fn表示像素组的差分特征值，Ck表示图片类别，CF表示一张图片通过所述随机蕨分类器分类后确定的图片类别。
需要说明的是，由于训练随机蕨分类器的方法属于相对成熟的技术，因此，本发明不再赘述。
确定单元113确定所述待检测图片的类别。
在本发明的至少一个实施例中，在所述待检测图片通过所述训练好的随机蕨分类器后，所述随机蕨分类器会输出概率最大的类别作为所述待检测图片的类别。
在本发明的至少一个实施例中，训练所述随机蕨分类器的样本数据包括正样本数据及负样本数据，根据所述样本数据的不同，所述随机蕨分类器的分类结果也相应不同。例如：当训练所述随机蕨分类器的样本数据包括表示白天人脸图片的正样本数据，及表示夜间人脸图片的负样本数据时，经过所述随机蕨分类器后输出的结果是白天人脸图片或夜间人脸图片；当训练所述随机蕨分类器的样本数据包括表示女性人脸图片的正样本数据，及表示男性人脸图片的负样本数据时，经过所述随机蕨分类器后输出的结果是女性人脸图片或男性人脸图片等。
在本发明的至少一个实施例中，训练所述随机蕨分类器的样本数据包括表示人脸图片的正样本数据，及表示非人脸图片的负样本数据，所述方法还包括：
当确定所述待检测图片的类别属于人脸类别时，所述保留单元117保留所述待检测图片；或者是，当确定所述待检测图片的类别属于非人脸类别时，所述舍弃单元118舍弃所述待检测图片。
这样，所述嵌入式设备可以仅利用保留的所述待检测图片继续进行其他操作，而舍弃其余图片，避免多余的工作量。
在本发明的至少一个实施例中，所述获取单元110获取保留的图片，将所述保留的图片作为目标图片，所述分类单元112利用训练好的随机蕨分类器对所述待检测图片进行分类，所述确定单元113确定所述待检测图片的类别。
这样，所述嵌入式设备可以通过所述随机蕨分类器对所述保留的图片进行二次筛选，以确保分类结果的准确性。
在本发明的至少一个实施例中，所述嵌入式设备训练所述随机蕨分类器的样本数据包括表示清晰图片的正样本数据，及表示模糊图片的负样本数据，所述方法还包括：
当确定所述待检测图片的类别属于清晰类别时，所述保留单元117保留所述待检测图片，或者是，当确定所述待检测图片的类别属于模糊类别时，所述舍弃单元118舍弃所述待检测图片。
可以理解的是，数据的分析需要采用清晰的图片作为分析的基础，因此，本发明保留了清晰类别的待检测图片，并且舍弃了模糊类别的待检测图片，以方便后续进行其他分析时使用，更加有利于分析的进行，使分析结果更加可靠。
综上所述，本发明能获取待检测图片；利用人脸检测器对所述待检测图片进行检测，得到检测结果；当检测结果表示所述待检测图片为人脸图片时，利用训练好的随机蕨分类器对所述待检测图片进行分类；确定所述待检测图片的类别。因此，本发明能利用随机蕨分类器对人脸检测器的检测结果进行分类，并且结合嵌入式设备的特性，在保证高召回率的前提下，减少人脸检测结果中人脸误检的数量。
如图4所示，是本发明人脸分析装置的较佳实施例的功能模块图。所述人脸分析装置14包括获取模块141、过滤模块142、分析模块143及执行模块144。本发明所称的模块/单元是指一种能够被所述人脸分析装置14处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在所述人脸分析装置14的存储器中。在本实施例中，关于各模块/单元的功能将在后续的实施例中详述。
获取模块141获取待检测图片。
过滤模块142利用所述人脸过滤方法对所述待检测图片进行过滤，得到保留的人脸图片。
分析模块143对所述保留的人脸图片进行与指定场景对应的统计分析，得到分析结果。
执行模块144根据所述分析结果执行与所述指定场景对应的操作。
在本发明的至少一个实施例中，所述分析模块143对所述保留的人脸图片进行与指定场景对应的统计分析，得到分析结果，所述执行模块144根据所述分析结果执行与所述指定场景对应的操作包括：
所述分析模块143计算指定时间段内在指定区域拍摄的图片中保留的人脸图片的数量，并且当所述人脸图片的数量大于或者等于预设数量时，所述执行模块144启动门禁装置。
例如：如果一个景区需要限制人流量，所述分析模块143则可以将获取的一个小时内所述景区门口处拍摄的图片中保留的人脸图片的数量确定为所述景区一小时内的人流量，当所述人流量大于或者等于限制人数300人时，所述执行模块144可以启动门禁装置，限制游人进入景区。
这样，通过上述实施方式，可以实现对指定区域人流量的自动控制，并且所述指定时间段、所述指定区域及所述预设数量均可以根据实际情况进行设置，本发明在此不作限制。所述指定区域可以是景区、地铁站的安检处、火车站的安检处等等，既可以保证安全，又可以使现场更加有秩序，带来更好的体验。
在本发明的至少一个实施例中，所述分析模块143对所述保留的人脸图片进行与指定场景对应的统计分析，得到分析结果，所述执行模块144根据所述分析结果执行与所述指定场景对应的操作还包括：
所述分析模块143计算指定时间段内在指定区域拍摄的图片中保留的人脸图片的数量，所述分析模块143获取每张保留的人脸图片中的人脸对应的人物的出行方式，并计算获取的每种出行方式的占比，所述执行模块144将所述获取的每种出行方式的占比发送至指定服务器，以供所述指定服务器进行统计分析。
例如：所述分析模块143可以计算十字路口C处拍摄的图片中保留的人脸图片的数量，所述分析模块143获取每张保留的人脸图片中的人脸对应的人物的出行方式，并计算获取的每种出行方式的占比，如果计算结果显示步行人数：骑行人数：驾车人数＝1:5:10，则所述执行模块144将所述计算结果步行人数：骑行人数：驾车人数＝1:5:10发送至上述十字路口C所属交管所的服务器，以供所述交管所的相关工作人员进行统计分析。例如：所述交管所的相关工作人员可以根据所述计算结果分析出此处市民更佳喜欢的出行方式等。
这样，通过上述实施方式，所述嵌入式设备可以为指定服务器的统计分析提供准确的数据作为分析基础，以方便所述指定服务器进行对应的分析操作。例如，在其他实施例中，所述嵌入式设备也可以将所述计算结果发送至车辆销售商的服务器中，以使所述车辆销售商通过所述计算结果判断当地市民的出行习惯，并进一步预测可能的潜在客户的数量，并通过预测的可能的潜在客户的数量确定对应区域的宣传力度，或者是确定是否在对应区域设置分公司等。
如图5所示，是本发明实现人脸过滤方法的较佳实施例的嵌入式设备的结构示意图。
所述嵌入式设备1是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(Application SpecificIntegrated Circuit，ASIC)、可编程门阵列(Field－Programmable Gate Array，FPGA)、数字处理器(Digital Signal Processor，DSP)等。
所述嵌入式设备1所处的网络包括但不限于互联网、广域网、城域网、局域网、虚拟专用网络(Virtual Private Network，VPN)等。
在本发明的一个实施例中，所述嵌入式设备1包括，但不限于，存储器12、处理器13，以及存储在所述存储器12中并可在所述处理器13上运行的计算机程序，例如人脸过滤程序。
本领域技术人员可以理解，所述示意图仅仅是嵌入式设备1的示例，并不构成对嵌入式设备1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，例如所述嵌入式设备1还可以包括输入输出设备、网络接入设备、总线等。
所称处理器13可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器13是所述嵌入式设备1的运算核心和控制中心，利用各种接口和线路连接整个嵌入式设备1的各个部分，及执行所述嵌入式设备1的操作系统以及安装的各类应用程序、程序代码等。
所述处理器13执行所述嵌入式设备1的操作系统以及安装的各类应用程序。所述处理器13执行所述应用程序以实现上述各个人脸过滤方法实施例中的步骤，例如图1所示的步骤S10、S11、S12、S13。
或者，所述处理器13执行所述计算机程序时实现上述各装置实施例中各模块/单元的功能，例如：获取待检测图片；利用人脸检测器对所述待检测图片进行检测，得到检测结果；当检测结果表示所述待检测图片为人脸图片时，利用训练好的随机蕨分类器对所述待检测图片进行分类；确定所述待检测图片的类别。
示例性的，所述计算机程序可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器12中，并由所述处理器13执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述嵌入式设备1中的执行过程。例如，所述计算机程序可以被分割成获取单元110、检测单元111、分类单元112、确定单元113、提取单元114、计算单元115、筛选单元116、保留单元117及舍弃单元118。
所述存储器12可用于存储所述计算机程序和/或模块，所述处理器13通过运行或执行存储在所述存储器12内的计算机程序和/或模块，以及调用存储在存储器12内的数据，实现所述嵌入式设备1的各种功能。所述存储器12可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器12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，例如硬盘、内存、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(Flash Card)、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。
所述存储器12可以是嵌入式设备1的外部存储器和/或内部存储器。进一步地，所述存储器12可以是集成电路中没有实物形式的具有存储功能的电路，如RAM(Random-Access Memory，随机存取存储器)、FIFO(First In First Out，)等。或者，所述存储器12也可以是具有实物形式的存储器，如内存条、TF卡(Trans-flash Card)等等。
所述嵌入式设备1集成的模块/单元如果以软件功能单元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介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。
其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random AccessMemory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
结合图1，所述嵌入式设备1中的所述存储器12存储多个指令以实现一种人脸过滤方法，所述处理器13可执行所述多个指令从而实现：获取待检测图片；利用人脸检测器对所述待检测图片进行检测，得到检测结果；当检测结果表示所述待检测图片为人脸图片时，利用训练好的随机蕨分类器对所述待检测图片进行分类；确定所述待检测图片的类别。
根据本发明优选实施例，所述处理器13还执行多个指令包括：
从待检测图片中提取差分特征；
将所述待检测图片的差分特征输入至所述训练好的随机蕨分类器中，计算所述待检测图片属于所述训练好的随机蕨分类器中多个类别的概率；
筛选出概率最大的类别作为所述待检测图片的类别。
根据本发明优选实施例，所述处理器13还执行多个指令包括：
获取嵌入式设备的性能参数；
根据所述嵌入式设备的性能参数，确定所述待检测图片中用于计算差分特征的像素组数。
具体地，所述处理器13对上述指令的具体实现方法可参考图1对应实施例中相关步骤的描述，在此不赘述。
以上说明的本发明的特征性的手段可以通过集成电路来实现，并控制实现上述任意实施例中所述人脸过滤方法的功能。即，本发明的集成电路安装于所述嵌入式设备中，使所述嵌入式设备发挥如下功能：获取待检测图片；利用人脸检测器对所述待检测图片进行检测，得到检测结果；当检测结果表示所述待检测图片为人脸图片时，利用训练好的随机蕨分类器对所述待检测图片进行分类；确定所述待检测图片的类别。
在任意实施例中所述人脸过滤方法所能实现的功能都能通过本发明的集成电路安装于所述嵌入式设备中，使所述嵌入式设备发挥任意实施例中所述人脸过滤方法所能实现的功能，在此不再详述。
在本发明所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以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，所述模块的划分，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。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块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模块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模块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，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。

Claims (10)

1.一种人脸过滤方法，其特征在于，所述方法包括：
获取待检测图片；
利用人脸检测器对所述待检测图片进行检测，得到检测结果；
当检测结果表示所述待检测图片为人脸图片时，利用训练好的随机蕨分类器对所述待检测图片进行分类；
确定所述待检测图片的类别。
2.如权利要求1所述的人脸过滤方法，其特征在于，当通过利用所述训练好的随机蕨分类器对所述待检测图片进行分类时，所述方法还包括：
从待检测图片中提取差分特征；
将所述待检测图片的差分特征输入至所述训练好的随机蕨分类器中，计算所述待检测图片属于所述训练好的随机蕨分类器中多个类别的概率；
筛选出概率最大的类别作为所述待检测图片的类别。
3.如权利要求2所述的人脸过滤方法，其特征在于，在所述从待检测图片中提取差分特征时，所述方法包括：
获取嵌入式设备的性能参数；
根据所述嵌入式设备的性能参数，确定所述待检测图片中用于计算差分特征的像素组数。
4.一种人脸分析方法，其特征在于，所述方法包括：
获取待检测图片；
利用如权利要求1至3中任意一项所述的人脸过滤方法对所述待检测图片进行过滤，得到保留的人脸图片；
对所述保留的人脸图片进行与指定场景对应的统计分析，得到分析结果；
根据所述分析结果执行与所述指定场景对应的操作。
5.如权利要求4所述的人脸分析方法，其特征在于，所述对所述保留的人脸图片进行与指定场景对应的统计分析，得到分析结果，并根据所述分析结果执行与所述指定场景对应的操作包括：
计算指定时间段内在指定区域拍摄的图片中保留的人脸图片的数量；
当所述人脸图片的数量大于或者等于预设数量时，启动门禁装置。
6.如权利要求4所述的人脸分析方法，其特征在于，所述对所述保留的人脸图片进行与指定场景对应的统计分析，得到分析结果，并根据所述分析结果执行与所述指定场景对应的操作还包括：
计算指定时间段内在指定区域拍摄的图片中保留的人脸图片的数量；
获取每张保留的人脸图片中的人脸对应的人物的出行方式；
计算获取的每种出行方式的占比；
将所述获取的每种出行方式的占比发送至指定服务器，以供所述指定服务器进行统计分析。
7.一种人脸过滤装置，其特征在于，所述装置包括：
获取单元，用于获取待检测图片；
检测单元，用于利用人脸检测器对所述待检测图片进行检测，得到检测结果；
分类单元，用于当检测结果表示所述待检测图片为人脸图片时，利用训练好的随机蕨分类器对所述待检测图片进行分类；
确定单元，用于确定所述待检测图片的类别。
8.一种嵌入式设备，其特征在于，所述嵌入式设备包括：
存储器，存储至少一个指令；及
处理器，执行所述存储器中存储的指令以实现如权利要求1至3中任意一项所述的人脸过滤方法。
9.一种计算机可读存储介质，其特征在于：所述计算机可读存储介质中存储有至少一个指令，所述至少一个指令被嵌入式设备中的处理器执行以实现如权利要求1至3中任意一项所述的人脸过滤方法。
10.一种集成电路，其特征在于，所述集成电路安装于嵌入式设备中，使所述嵌入式设备发挥如权利要求1至3中任意一项所述的人脸过滤方法能实现的功能。
CN201711406272.1A 2017-12-22 2017-12-22 人脸分析、过滤方法、装置、嵌入式设备、介质和集成电路 Active CN108197544B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201711406272.1A CN108197544B (zh) 2017-12-22 2017-12-22 人脸分析、过滤方法、装置、嵌入式设备、介质和集成电路
PCT/CN2017/119843 WO2019119515A1 (zh) 2017-12-22 2017-12-29 人脸分析、过滤方法、装置、嵌入式设备、介质和集成电路

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711406272.1A CN108197544B (zh) 2017-12-22 2017-12-22 人脸分析、过滤方法、装置、嵌入式设备、介质和集成电路

Publications (2)

Publication Number Publication Date
CN108197544A true CN108197544A (zh) 2018-06-22
CN108197544B CN108197544B (zh) 2020-02-04

Family

ID=62583540

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711406272.1A Active CN108197544B (zh) 2017-12-22 2017-12-22 人脸分析、过滤方法、装置、嵌入式设备、介质和集成电路

Country Status (2)

Country Link
CN (1) CN108197544B (zh)
WO (1) WO2019119515A1 (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111797756A (zh) * 2020-06-30 2020-10-20 平安国际智慧城市科技股份有限公司 基于人工智能的视频分析方法、设备及介质
CN112907773A (zh) * 2021-01-15 2021-06-04 佛山科学技术学院 一种基于动作检测与人脸识别的智能考勤方法及系统

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111124862B (zh) * 2019-12-24 2024-01-30 北京安兔兔科技有限公司 智能设备性能测试方法、装置及智能设备
CN111612785B (zh) * 2020-06-03 2024-02-02 浙江大华技术股份有限公司 人脸图片质量评估方法、装置及存储介质
CN111985545B (zh) * 2020-08-10 2024-05-17 中国平安人寿保险股份有限公司 基于人工智能的目标数据检测方法、装置、设备及介质
CN112580877B (zh) * 2020-12-22 2024-04-12 安徽东方风景建设有限公司 景区内综合管理系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102254183A (zh) * 2011-07-18 2011-11-23 北京汉邦高科数字技术有限公司 一种基于AdaBoost算法的人脸检测方法
CN103208190A (zh) * 2013-03-29 2013-07-17 西南交通大学 基于对象检测的交通流量检测方法
US20140270551A1 (en) * 2013-03-15 2014-09-18 Nvidia Corporation Performing object detection operations via a graphics processing unit
CN104504365A (zh) * 2014-11-24 2015-04-08 闻泰通讯股份有限公司 视频序列中的笑脸识别系统及方法
CN105701486A (zh) * 2014-11-26 2016-06-22 上海骏聿数码科技有限公司 一种在摄像机内实现人脸信息分析及提取的方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104143079B (zh) * 2013-05-10 2016-08-17 腾讯科技（深圳）有限公司 人脸属性识别的方法和系统
CN104778481B (zh) * 2014-12-19 2018-04-27 五邑大学 一种大规模人脸模式分析样本库的构建方法和装置
EP3136293A1 (en) * 2015-08-28 2017-03-01 Thomson Licensing Method and device for processing an image of pixels, corresponding computer program product and computer readable medium

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102254183A (zh) * 2011-07-18 2011-11-23 北京汉邦高科数字技术有限公司 一种基于AdaBoost算法的人脸检测方法
US20140270551A1 (en) * 2013-03-15 2014-09-18 Nvidia Corporation Performing object detection operations via a graphics processing unit
CN103208190A (zh) * 2013-03-29 2013-07-17 西南交通大学 基于对象检测的交通流量检测方法
CN104504365A (zh) * 2014-11-24 2015-04-08 闻泰通讯股份有限公司 视频序列中的笑脸识别系统及方法
CN105701486A (zh) * 2014-11-26 2016-06-22 上海骏聿数码科技有限公司 一种在摄像机内实现人脸信息分析及提取的方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111797756A (zh) * 2020-06-30 2020-10-20 平安国际智慧城市科技股份有限公司 基于人工智能的视频分析方法、设备及介质
CN112907773A (zh) * 2021-01-15 2021-06-04 佛山科学技术学院 一种基于动作检测与人脸识别的智能考勤方法及系统
CN112907773B (zh) * 2021-01-15 2023-08-22 佛山科学技术学院 一种基于动作检测与人脸识别的智能考勤方法及系统

Also Published As

Publication number Publication date
WO2019119515A1 (zh) 2019-06-27
CN108197544B (zh) 2020-02-04

Similar Documents

Publication Publication Date Title
CN108197544A (zh) 人脸分析、过滤方法、装置、嵌入式设备、介质和集成电路
CN105976400B (zh) 基于神经网络模型的目标跟踪方法及装置
CN108416250B (zh) 人数统计方法及装置
JP6779641B2 (ja) 画像分類装置、画像分類システム及び画像分類方法
US20160019698A1 (en) Systems and methods for people counting in sequential images
CN106296879B (zh) 基于无线探测的人流量获取的方法、装置和系统
CN110807759B (zh) 照片质量的评价方法及装置、电子设备、可读存储介质
CN108875540A (zh) 图像处理方法、装置和系统及存储介质
CN107944403B (zh) 一种图像中的行人属性检测方法及装置
CN113111838B (zh) 行为识别方法及装置、设备和存储介质
CN109657545B (zh) 一种基于多任务学习的行人检测方法
CN106372572A (zh) 监控方法和装置
CN108197543A (zh) 图像过滤方法及装置、嵌入式设备和存储介质
CN108363953A (zh) 一种行人检测的方法及双目监控设备
CN110111565A (zh) 一种基于实时视频流下的人车流量统计系统与方法
CN106845352A (zh) 行人检测方法和装置
Khan et al. Detecting dominant motion flows and people counting in high density crowds
CN103530638A (zh) 多摄像头下的行人匹配方法
CN109410245A (zh) 一种视频目标跟踪方法及设备
CN111091057A (zh) 一种信息处理方法、装置及计算机可读存储介质
CN108108711A (zh) 人脸布控方法、电子设备及存储介质
CN108875490A (zh) 人员流量分析的方法、装置及计算机存储介质
CN111950507B (zh) 数据处理和模型训练方法、装置、设备及介质
CN115552483A (zh) 一种数据收集方法、装置、设备及存储介质
CN107958231A (zh) 光场图像过滤方法、人脸分析方法及电子设备

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