CN108304816A - 身份识别方法、装置、存储介质及电子设备 - Google Patents
身份识别方法、装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN108304816A CN108304816A CN201810131810.9A CN201810131810A CN108304816A CN 108304816 A CN108304816 A CN 108304816A CN 201810131810 A CN201810131810 A CN 201810131810A CN 108304816 A CN108304816 A CN 108304816A
- Authority
- CN
- China
- Prior art keywords
- facial image
- pixel value
- image
- super
- resolution
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000003860 storage Methods 0.000 title claims abstract description 22
- 230000001815 facial effect Effects 0.000 claims abstract description 181
- 238000013528 artificial neural network Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 230000003321 amplification Effects 0.000 claims description 7
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 238000003475 lamination Methods 0.000 claims 2
- 210000004218 nerve net Anatomy 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 12
- 238000004458 analytical method Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 230000006854 communication Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000005291 magnetic effect Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000003973 paint Substances 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000003014 reinforcing effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
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
- G06V40/168—Feature extraction; Face representation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
-
- 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
- G06V10/757—Matching configurations of points or features
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30196—Human being; Person
- G06T2207/30201—Face
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Oral & Maxillofacial Surgery (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Human Computer Interaction (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
- Collating Specific Patterns (AREA)
Abstract
本发明实施例提供一种身份识别方法、装置、存储介质及电子设备，该方法包括：本发明实施例中，从目标图像中框出人脸图像；对所述人脸图像进行超分辨，以获取达到预设像素值的人脸图像；对所述达到预设像素值的人脸图像进行身份识别，通过对人脸图像进行超分辨，并基于超分辨后的人脸图像进行身份识别，提升了能被身份识别的人脸图像的概率，实现了对目标图像中的人脸图像的精确识别。
Description
技术领域
本发明涉及图像识别领域及计算机技术领域，具体而言，涉及一种身份识别方法、装置、存储介质及电子设备。
背景技术
目前，很多场所都设置有监控视频，视频监控系统为生产带来方便，例如，在一些较为恶劣的环境下，监控视频可以代替人力进行监视控制，而且不会产生人出现的视觉疲劳等生理缺陷，正常情况下保证成产安全。视频监控给生活带来方便，视频监控可以保证治安问题，将系统安装在超市，可以了解室内情况以及顾客行为。近年来新零售的概念兴起，有越来越多的商家店铺采用智能设备来监测店铺的运营状况，达到精准营销，对于店铺商家有效益的是客群的分析，店铺客流量以及店内区域分析等。近年来通过机器学习与大数据系统，从海量的数据中挖掘会员的消费偏好为一个新的商业精准营销手段。
人脸识别技术几年来的发展已经成熟，从传统的机器学习算法，需要进行二值化，归一化等数据清洗步骤，到现在利用深度学习框架去做大量数据的训练，不论在识别精度或是防伪效果上都是大大的提升。
在实现本发明的过程中，发明人发现现有技术中在监控视频中的画面进行分析统计时，由于对人脸辨识操作单一，互动性差，以及动态识别效果差，对模糊人脸识别率不高，导致对图像中的行人身份识别精确度以及效率低。
在所述背景技术部分公开的上述信息仅用于加强对本发明的背景的理解，因此它可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
有鉴于此，本发明提供一种身份识别方法、装置、存储介质及电子设备，能够提升。
本发明的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本发明的实践而习得。
根据本发明的第一方面，提供一种身份识别方法，其中，所述方法包括：
从目标图像中框出人脸图像；
对所述人脸图像进行超分辨，以获取达到预设像素值的人脸图像；
对所述达到预设像素值的人脸图像进行身份识别。
根据一些实施例，对所述人脸图像进行超分辨，以获取达到预设像素值的人脸图像，包括：
判断所述人脸图像的像素值是否小于预设像素值；
若所述人脸图像小于预设像素值，对所述人脸图像进行超分辨，以获取达到所述预设像素值的人脸图像。
根据一些实施例，对所述人脸图像进行超分辨，包括：
基于训练的图像超分辨模型对所述人脸图像进行超分辨，以获取达到预设像素值的人脸图像。
根据一些实施例，所述图像超分辨模型包括：深层网络模块、卷积层以及规范BN层。
根据一些实施例，基于训练的图像超分辨模型对所述人脸图像进行超分辨，包括：
输入小于所述预设像素值的人脸图像；
基于所述深层网络模块以及所述卷积层，对所述人脸图像进行深度卷积，以获取各卷积层提取的所述人脸图像的特征；
通过BN层对提取的特征进行过滤，以获取过滤后的特征；
确定所述人脸图像的像素值区间，获取所述像素值区间对应的放大倍数，并放大所述人脸图像；
将过滤后的特征添加到放大后的人脸图像，以获取达到预设像素值的人脸图像。
根据一些实施例，从目标图像中框出人脸图像，包括：
基于训练的神经网络框出所述目标图像中的人脸图像。
根据一些实施例，对所述达到预设像素值的人脸图像进行身份识别，包括：
将所述达到预设像素值的人脸图像与注册的用户图像进行匹配；
若匹配成功，获取与所述用户图像对应的用户信息。
根据一些实施例，所述方法还包括：
若匹配失败，基于人脸识别算法识别出所述达到预设像素值的人脸图像的年龄信息以及性别信息。
根据一些实施例，获取所述与所述用户图像对应的用户信息之后，所述方法还包括：将所述用户信息分类为预设置的数据标签类别，并基于该预设置的数据标签类别为绘制用户画像。
根据一些实施例，所述目标图像为摄像头所拍摄的视频流中的任意一帧；其中，所述摄像头安装于便利店、商店、会场中至少一个场所的入口。
根据本发明的第二方面，提供一种身份识别装置，其中，所述装置包括：
框出模块，用于从目标图像中框出人脸图像；
获取模块，用于对所述人脸图像进行超分辨，以获取达到预设像素值的人脸图像；
识别模块，用于对所述达到预设像素值的人脸图像进行身份识别。
根据一些实施例，其特征在于，所述获取模块，包括：
判断单元，用于判断所述人脸图像的像素值是否小于预设像素值；
获取单元，用于在所述判断单元判断出所述人脸图像小于预设像素值时，对所述人脸图像进行超分辨，以获取达到所述预设像素值的人脸图像。
根据一些实施例，所述获取模块，配置为：基于训练的图像超分辨模型对所述人脸图像进行超分辨，以获取达到预设像素值的人脸图像。
根据一些实施例，所述框出模块，配置为基于训练的神经网络框出所述目标图像中的人脸图像。
根据一些实施例，所述识别模块，配置为将所述达到预设像素值的人脸图像与注册的用户图像进行匹配，并在匹配成功时，获取与所述用户图像对应的用户信息。
根据一些实施例，所述装置还包括：绘制模块，用于在所述识别模块获取所述与所述用户图像对应的用户信息之后，将所述用户信息分类为预设置的数据标签类别，并基于该预设置的数据标签类别为绘制用户画像。
根据本发明的第三方面，提供一种计算机可读存储介质，其上存储有计算机程序，其中，该程序被处理器执行时实现如第一方面所述的方法步骤。
根据本发明的第四方面，提供一种电子设备，其中，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如第一方面所述的方法步骤。
本发明实施例中，从目标图像中框出人脸图像；对所述人脸图像进行超分辨，以获取达到预设像素值的人脸图像；对所述达到预设像素值的人脸图像进行身份识别，通过对人脸图像进行超分辨，并基于超分辨后的人脸图像进行身份识别，提升了能被身份识别的人脸图像的概率，实现了对目标图像中的人脸图像的精确识别。
附图说明
通过参照附图详细描述其示例实施例，本发明的上述和其它目标、特征及优点将变得更加显而易见。
图1是根据一示例性实施例示出的一种身份识别方法的流程图；
图2是根据一示例性实施例示出的一种超分辨模型的结构图；
图3(a)是根据一示例性实施例示出的用户信息的展示图；
图3(b)是根据图3(a)中的用户信息得到的用户画像；
图4是根据一示例性实施例示出的可应用身份识别方法的系统架构图；
图5是根据一示例性实施例示出的服务器的结构图；
图6是根据一示例性实施例示出的一种身份识别装置的结构图；
图7是根据一示例性实施例示出的一种电子设备的结构示意图。
具体实施方式
现在将参考附图更全面地描述示例实施例。然而，示例实施例能够以多种形式实施，且不应被理解为限于在此阐述的实施例；相反，提供这些实施例使得本发明将全面和完整，并将示例实施例的构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。
此外，所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中，提供许多具体细节从而给出对本发明的实施例的充分理解。然而，本领域技术人员将意识到，可以实践本发明的技术方案而没有特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知方法、装置、实现或者操作以避免模糊本发明的各方面。
附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解，而有的操作/步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。
图1是根据一示例性实施例示出的一种身份识别方法的流程图。
如图1所示，在S110中，从目标图像中框出人脸图像。
根据示例实施例，该目标图像可以为摄像头所拍摄的视频流中的任意一帧；其中，该摄像头安装于便利店、商店、会场中至少一个场所的入口。
根据本发明实施例，可以基于训练的神经网络框出所述目标图像中的人脸图像。
需要说明的是，可以采用32层的神经网络结构做深度学习，对人脸进行预训练，例如，训练时可采用大小归一化到448*448，约5000张的人脸图进行训练，训练的神经网络可以基于任意一张图像从中框出人脸图像。
神经网络在检测目标图像中的人脸时，可以在卷积特征图上进行滑窗采样，每个中心预测9种比例和大小的采样框，其中以神经网络的全连接层进行检测，计算出每个框在进行是否属于人脸的概率计算，达到框与是否为人脸可同时加载出结果的特性。
需要说明的是，每个目标图像中可以框出多个包含人脸图像的框。
在S120中，对所述人脸图像进行超分辨，以获取达到预设像素值的人脸图像。
根据本发明实施例，在框出人脸图像后，判断该人脸图像的像素值是否小于预设像素值，若小于预设像素值，对该人脸图像进行超分辨，以获取达到所述预设像素值的人脸图像。若大于预设像素值，可以直接进行身份识别。
需要说明的是，现有技术中当视频中的某一帧中框出的人脸图像像素值较小，通常是将这些人脸图像过滤掉，仅根据像素值大的人脸图像识别，从而导致对目标图像中的人脸图像的身份识别不准确。
判断人脸图像的像素值是否小于预设像素值是指：判断框出的人脸图像的水平方向的像素值数是否存在小于预设像素值的水平方向的像素值数，判断框出的人脸图像的垂直方向的像素值数是否存在小于预设像素值的垂直方向的像素值数，只要满足其中至少一个条件，则判断该人脸图像的像素值小于预设像素值。其中，预设像素值例如160*160，若框出的一人脸图像的像素值为120*180，则该人脸图像的像素值小于预设像素值，若框出的一人脸图像的像素值为180*120，则该人脸图像的像素值小于预设像素值，若框出的一人脸图像的像素值为120*120，则该人脸图像的像素值小于预设像素值。
根据本发明实施例，可以利用图像超分辨模型对小于预设像素值的人脸图像进行超分辨，以获取达到预设像素值的人脸图像。
根据本发明实施例，图像超分辨模型包括：深层网络模块、卷积层以及规范(BatchNormalization，BN)层。
图2是根据一示例性实施例示出的一种超分辨模型的结构图。
如图2所示，超分辨模型可以包括多层简化的卷积层，即CONV层，卷积层为一个区域性的过滤器，本发明实施例中，超分辨模型中加入了深度残差网络ResNet，ResNet的ResBlock组成深层网络模块并在卷积层之后加入BN层，以进一步提升超分辨速度以及精确度。
在进行超分辨时，将小于预设像素值的人脸图像输入至图像超分辨模型，并基于深层网络模块以及卷积层，对该人脸图像进行深度卷积，获取各卷积层提取的人脸图像的特征，并通过BN层对提取的特征进行过滤筛选，获取过滤后的特征。
需要说明的是，在输入图片上滑动窗口进行像素值乘积求和一般表示为N*N*K，其中，N表示滑动窗口的大小，即为过滤器的大小，N越大所采样的区域越大，但频率也就越低，特征提取越少。K可为颜色通道数量，彩色图片RGB为3通道，k＝3。而本发明实施例中，加入了深层网络模块，使在输入图片上滑动窗口进行像素值乘积求和由原本的N*N*K改为N*N*1+1*1*K，这种改变提升了特征提取的效率，而加入BN层可以防止梯度弥散，且在处理速度上有了很大的提升。图3是根据一示例性实施例示出的分别利用传统插值法与本申请的图像超分辨方法放大后的人脸图像的对比图，其中左侧为传统插值放大的人脸图像，右侧为图像超分辨方法放大后的人脸图像。
进一步的，可以设置不同的像素值区间，并设置每个像素值区间对应的放大倍数。在输入小于预设像素值的人脸图像后，确定该人脸图像的像素值区间，获取该区间对应的放大倍数，并依照该放大倍数将该人脸图像进行放大，将过滤后的特征添加到放大后的人脸图像，从而获取达到预设像素值的人脸图像。
例如，取小预预设像素值的人脸图像中像素值数较小的为X，当X处于100<X<160，将该人脸图像放大2倍，当X处于60<X<＝100，将该人脸图像放大三倍，当X处于X<＝60，将该人脸图像放大4倍。
本发明实施中，利用图像超分辨模型对人脸图像进行超分辨，提升了超分辨速度以及精确度。而且，本发明实施例中可以根据像素值大小灵活进行图像超分辨。经多次测试，在同个线程内将人脸图像放大两倍的超分辨时间约为70ms，三倍约为90ms，四倍的在130ms。从真正率TPR以及假正率FPR的分析，人脸识别的相似度量值的范围是0至1，越接近于1，表明两个人脸越相似，本发明实施例中给出确定两个人脸图像为一个人的相似度阈值取0.55。
在S130中，对达到预设像素值的人脸图像进行身份识别。
根据本发明实施例，在对达到预设像素值的人脸图像进行身份识别时，可以将该达到预设像素值的人脸图像与注册的用户图像进行匹配，若匹配成功，获取与该用户图像对应的用户信息。
本发明实施例中，在用户注册时，将用户信息存储至大数据库，对已经注册的用户信息中的用户图像利用人脸识别算法FaceNet识别出特征，配置该特征的标识。在获取到达到预设像素值的人脸图像后，利用该人脸识别算法从该人脸图像中提取特征，并与已注册的用户图像识别的特征进行匹配，若匹配成功，基于该匹配的用户图像的标识，从大数据库中提取用户信息，从而获取到与达到预设像素值的人脸图像对应的用户信息。
例如，当目标图像是某商店的摄像机在一段时间内拍摄的视频流中的一帧，在获取到达到预设像素值的人脸图像后，将该人脸图像与该商店已注册的用户的用户图像进行匹配，若匹配成功，获取到该用户的用户信息，如用户于线上购物的信息。
根据本发明实施例，获取到与用户图像对应的用户信息之后，还可以将所述用户信息分类为预设置的数据标签类别，并基于该预设置的数据标签类别为绘制用户画像。例如，可以将户于线上购物的信息分类为：消费偏好、财商数据等类别的数据标签，然后基于全部或者部分的数据标签绘制用户画像，在终端显示该用户的用户画像。从而实现了结合大数据，对目标图像中框出的人脸图像做精准的用户分析。
需要说明的是，若达到预设像素值的人脸图像与注册的用户图像匹配失败，则说明该人脸图像对应的用户未进行注册或者该用户注册时未输入其人脸图像，此时，可以基于人脸识别算法识别出该人脸图像对应的用户的年龄信息以及性别信息，并且以图表的形式展示出来。需要说明的是，本发明实施例中人脸识别算法不仅可以识别出人脸图像对应的用户的年龄信息以及性别信息，还可以基于大数据库中存储的特征与分析数据的对应关系，获取到该人脸图像的用户的分析数据。
图3(a)是根据一示例性实施例示出的用户信息的展示图，如图3所示，根据本发明实施例提供的身份识别方法，可以对指定时间段的客流量进行统计，如到客人数、男女比例年龄分布等。图3(b)是根据图3(a)中的用户信息得到的用户画像。
本发明实施例中，从目标图像中框出人脸图像；对所述人脸图像进行超分辨，以获取达到预设像素值的人脸图像；对所述达到预设像素值的人脸图像进行身份识别，通过对人脸图像进行超分辨，并基于超分辨后的人脸图像进行身份识别，提升了能被身份识别的人脸图像的概率，实现了对目标图像中的人脸图像的精确识别。
图4是根据一示例性实施例示出的可应用身份识别方法的系统架构图，如图4所示，该系统中可以包括摄像机410、服务器420以及显示器430。摄像机410可拍摄多张图像，输入至服务器420，由服务器420从图像中框出人脸图像，对人脸图像超分辨，并基于人脸识别算法对人脸图像身份识别，将身份信息输出至显示器430进行显示。
其中，摄像机可以为一可持续长时间拍摄的终端，可以按照设置的采集频率，采集目标图像，并将目标图像输入至服务器。例如，摄像机可按照每秒20次的频率采集图像。
图5是根据一示例性实施例示出的服务器的结构图，如图5所示，服务器420可以包括：人脸检测模块421、图像超分辨模块422、人脸识别模块423以及数据存储模块424。其中，数据存储模块424中存储有已注册的用户图像及其标识，以及该标识对应的已注册的用户信息。人脸检测模块可以接收摄像机输入的目标图像，并从目标图像中框出人脸图像，并输入至图像超分辨模块422，图像超分辨模块422可对框出的人脸图像进行超分辨，输出达到预设像素值的人脸图像，并输入至人脸识别模块422，人脸识别模块422对图像超分辨模块422输出的人脸图像进行人脸识别，并与数据存储模块424中存储的用户图像匹配，以确定用户的身份信息。
应清楚地理解，本发明描述了如何形成和使用特定示例，但本发明的原理不限于这些示例的任何细节。相反，基于本发明公开的内容的教导，这些原理能够应用于许多其它实施例。
下述为本发明装置实施例，可以用于执行本发明方法实施例。在下文对装置的描述中，与前述方法相同的部分，将不再赘述。
图6是根据一示例性实施例示出的一种身份识别装置的结构图，如图6所示，该装置600包括：
框出模块610，用于从目标图像中框出人脸图像；
获取模块620，用于对所述人脸图像进行超分辨，以获取达到预设像素值的人脸图像；
识别模块630，用于对所述达到预设像素值的人脸图像进行身份识别。
根据一些实施例，所述获取模块620，包括：
判断单元621，用于判断所述人脸图像的像素值是否小于预设像素值；
获取单元622，用于在所述判断单元判断出所述人脸图像小于预设像素值时，对所述人脸图像进行超分辨，以获取达到所述预设像素值的人脸图像。
根据一些实施例，所述获取模块622，配置为：基于训练的图像超分辨模型对所述人脸图像进行超分辨，以获取达到预设像素值的人脸图像。
根据一些实施例，所述框出模块610，配置为基于训练的神经网络框出所述目标图像中的人脸图像。
根据一些实施例，所述识别模块630，配置为将所述达到预设像素值的人脸图像与注册的用户图像进行匹配，并在匹配成功时，获取与所述用户图像对应的用户信息。
根据一些实施例，所述装置600还包括：绘制模块，用于在所述识别模块获取所述与所述用户图像对应的用户信息之后，将所述用户信息分类为预设置的数据标签类别，并基于该预设置的数据标签类别为绘制用户画像。
本发明实施例中，从目标图像中框出人脸图像；对所述人脸图像进行超分辨，以获取达到预设像素值的人脸图像；对所述达到预设像素值的人脸图像进行身份识别，通过对人脸图像进行超分辨，并基于超分辨后的人脸图像进行身份识别，提升了能被身份识别的人脸图像的概率，实现了对目标图像中的人脸图像的精确识别。
作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的设备中所包含的；也可以是单独存在，而未装配入该设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该设备执行时，使得该设备可以执行：从目标图像中框出人脸图像；对所述人脸图像进行超分辨，以获取达到预设像素值的人脸图像；对所述达到预设像素值的人脸图像进行身份识别。
图7是根据一示例性实施例示出的一种电子设备的结构示意图。需要说明的是，图7示出的电子设备仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
如图7所示，计算机系统700包括中央处理单元(CPU)701，其可以根据存储在只读存储器(ROM)702中的程序或者从存储部分708加载到随机访问存储器(RAM)703中的程序而执行各种适当的动作和处理。在RAM 703中，还存储有系统700操作所需的各种程序和数据。CPU 701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
以下部件连接至I/O接口705：包括键盘、鼠标等的输入部分706；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分707；包括硬盘等的存储部分708；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分709。通信部分709经由诸如因特网的网络执行通信处理。驱动器710也根据需要连接至I/O接口705。可拆卸介质711，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器710上，以便于从其上读出的计算机程序根据需要被安装入存储部分708。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分709从网络上被下载和安装，和/或从可拆卸介质711被安装。在该计算机程序被中央处理单元(CPU)701执行时，执行本申请的终端中限定的上述功能。
需要说明的是，本申请所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。
附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括框出模块、获取模块和识别模块。其中，这些模块的名称在某种情况下并不构成对该模块本身的限定。
以上具体示出和描述了本发明的示例性实施例。应可理解的是，本发明不限于这里描述的详细结构、设置方式或实现方法；相反，本发明意图涵盖包含在所附权利要求的精神和范围内的各种修改和等效设置。
Claims (18)
1.一种身份识别方法，其特征在于，所述方法包括：
从目标图像中框出人脸图像；
对所述人脸图像进行超分辨，以获取达到预设像素值的人脸图像；
对所述达到预设像素值的人脸图像进行身份识别。
2.如权利要求1所述的方法，其特征在于，对所述人脸图像进行超分辨，以获取达到预设像素值的人脸图像，包括：
判断所述人脸图像的像素值是否小于预设像素值；
若所述人脸图像小于预设像素值，对所述人脸图像进行超分辨，以获取达到所述预设像素值的人脸图像。
3.如权利要求2所述的方法，其特征在于，对所述人脸图像进行超分辨，包括：
基于训练的图像超分辨模型对所述人脸图像进行超分辨，以获取达到预设像素值的人脸图像。
4.如权利要求3所述的方法，其特征在于，所述图像超分辨模型包括：深层网络模块、卷积层以及规范BN层。
5.如权利要求4所述的方法，其特征在于，基于训练的图像超分辨模型对所述人脸图像进行超分辨，包括：
输入小于所述预设像素值的人脸图像；
基于所述深层网络模块以及所述卷积层，对所述人脸图像进行深度卷积，以获取各卷积层提取的所述人脸图像的特征；
通过BN层对提取的特征进行过滤，以获取过滤后的特征；
确定所述人脸图像的像素值区间，获取所述像素值区间对应的放大倍数，并放大所述人脸图像；
将过滤后的特征添加到放大后的人脸图像，以获取达到预设像素值的人脸图像。
6.如权利要求1所述的方法，其特征在于，从目标图像中框出人脸图像，包括：
基于训练的神经网络框出所述目标图像中的人脸图像。
7.如权利要求1所述的方法，其特征在于，对所述达到预设像素值的人脸图像进行身份识别，包括：
将所述达到预设像素值的人脸图像与注册的用户图像进行匹配；
若匹配成功，获取与所述用户图像对应的用户信息。
8.如权利要求7所述的方法，其特征在于，所述方法还包括：
若匹配失败，基于人脸识别算法识别出所述达到预设像素值的人脸图像的年龄信息以及性别信息。
9.如权利要求7所述的方法，其特征在于，获取所述与所述用户图像对应的用户信息之后，所述方法还包括：将所述用户信息分类为预设置的数据标签，并基于该预设置的数据标签为绘制用户画像。
10.如权利要求1-9中任一项所述的方法，其特征在于，所述目标图像为摄像头所拍摄的视频流中的任意一帧；其中，所述摄像头安装于便利店、商店、会场中至少一个场所的入口。
11.一种身份识别装置，其特征在于，所述装置包括：
框出模块，用于从目标图像中框出人脸图像；
获取模块，用于对所述人脸图像进行超分辨，以获取达到预设像素值的人脸图像；
识别模块，用于对所述达到预设像素值的人脸图像进行身份识别。
12.如权利要求11所述的装置，其特征在于，所述获取模块，包括：
判断单元，用于判断所述人脸图像的像素值是否小于预设像素值；
获取单元，用于在所述判断单元判断出所述人脸图像小于预设像素值时，对所述人脸图像进行超分辨，以获取达到所述预设像素值的人脸图像。
13.如权利要求12所述的装置，其特征在于，所述获取模块，配置为：基于训练的图像超分辨模型对所述人脸图像进行超分辨，以获取达到预设像素值的人脸图像。
14.如权利要求11所述的装置，其特征在于，所述框出模块，配置为基于训练的神经网络框出所述目标图像中的人脸图像。
15.如权利要求11所述的装置，其特征在于，所述识别模块，配置为将所述达到预设像素值的人脸图像与注册的用户图像进行匹配，并在匹配成功时，获取与所述用户图像对应的用户信息。
16.如权利要求13所述的装置，其特征在于，所述装置还包括：绘制模块，用于在所述识别模块获取所述与所述用户图像对应的用户信息之后，将所述用户信息分类为预设置的数据标签，并基于该预设置的数据标签绘制用户画像。
17.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1-10任一项所述的方法步骤。
18.一种电子设备，其特征在于，包括：一个或多个处理器；
存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如权利要求1-10中任一项所述的方法步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810131810.9A CN108304816B (zh) | 2018-02-09 | 2018-02-09 | 身份识别方法、装置、存储介质及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810131810.9A CN108304816B (zh) | 2018-02-09 | 2018-02-09 | 身份识别方法、装置、存储介质及电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108304816A true CN108304816A (zh) | 2018-07-20 |
| CN108304816B CN108304816B (zh) | 2020-09-01 |
Family
ID=62864945
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810131810.9A Active CN108304816B (zh) | 2018-02-09 | 2018-02-09 | 身份识别方法、装置、存储介质及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108304816B (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109344270A (zh) * | 2018-08-29 | 2019-02-15 | 上海常仁信息科技有限公司 | 一种基于机器人的客户画像系统和方法 |
| CN109993146A (zh) * | 2019-04-09 | 2019-07-09 | 深圳安泰创新科技股份有限公司 | 基于人脸识别的身份确认方法、电子设备及存储介质 |
| CN110807403A (zh) * | 2019-10-29 | 2020-02-18 | 中新智擎科技有限公司 | 一种用户身份识别方法、装置及电子设备 |
| CN110826371A (zh) * | 2018-08-10 | 2020-02-21 | 京东数字科技控股有限公司 | 一种动物识别方法、装置、介质及电子设备 |
| CN110991310A (zh) * | 2019-11-27 | 2020-04-10 | 北京金山云网络技术有限公司 | 人像检测方法、装置、电子设备及计算机可读介质 |
| CN111274435A (zh) * | 2018-12-04 | 2020-06-12 | 北京奇虎科技有限公司 | 视频的回溯方法、装置、电子设备及可读存储介质 |
| CN111709878A (zh) * | 2020-06-17 | 2020-09-25 | 北京百度网讯科技有限公司 | 人脸超分辨率实现方法、装置、电子设备及存储介质 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102194222A (zh) * | 2011-04-26 | 2011-09-21 | 浙江大学 | 一种基于联合运动估计与超分辨率重建的图像重建方法 |
| KR101087765B1 (ko) * | 2010-10-22 | 2011-11-30 | 고려대학교 산학협력단 | 얼굴 인식 기반의 범죄 용의자 탐지 및 식별 시스템 |
| US20120147205A1 (en) * | 2010-12-14 | 2012-06-14 | Pelican Imaging Corporation | Systems and methods for synthesizing high resolution images using super-resolution processes |
| CN102592116A (zh) * | 2011-12-27 | 2012-07-18 | Tcl集团股份有限公司 | 一种云计算应用方法、系统及终端设备、云计算平台 |
| CN104008370A (zh) * | 2014-05-19 | 2014-08-27 | 清华大学 | 一种视频人脸识别方法 |
| CN106056562A (zh) * | 2016-05-19 | 2016-10-26 | 京东方科技集团股份有限公司 | 一种人脸图像处理方法、装置及电子设备 |
| CN107657586A (zh) * | 2017-10-13 | 2018-02-02 | 深圳市唯特视科技有限公司 | 一种基于深度残差网络的单照片超分辨增强方法 |
-
2018
- 2018-02-09 CN CN201810131810.9A patent/CN108304816B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101087765B1 (ko) * | 2010-10-22 | 2011-11-30 | 고려대학교 산학협력단 | 얼굴 인식 기반의 범죄 용의자 탐지 및 식별 시스템 |
| US20120147205A1 (en) * | 2010-12-14 | 2012-06-14 | Pelican Imaging Corporation | Systems and methods for synthesizing high resolution images using super-resolution processes |
| CN102194222A (zh) * | 2011-04-26 | 2011-09-21 | 浙江大学 | 一种基于联合运动估计与超分辨率重建的图像重建方法 |
| CN102592116A (zh) * | 2011-12-27 | 2012-07-18 | Tcl集团股份有限公司 | 一种云计算应用方法、系统及终端设备、云计算平台 |
| CN104008370A (zh) * | 2014-05-19 | 2014-08-27 | 清华大学 | 一种视频人脸识别方法 |
| CN106056562A (zh) * | 2016-05-19 | 2016-10-26 | 京东方科技集团股份有限公司 | 一种人脸图像处理方法、装置及电子设备 |
| CN107657586A (zh) * | 2017-10-13 | 2018-02-02 | 深圳市唯特视科技有限公司 | 一种基于深度残差网络的单照片超分辨增强方法 |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110826371A (zh) * | 2018-08-10 | 2020-02-21 | 京东数字科技控股有限公司 | 一种动物识别方法、装置、介质及电子设备 |
| CN109344270A (zh) * | 2018-08-29 | 2019-02-15 | 上海常仁信息科技有限公司 | 一种基于机器人的客户画像系统和方法 |
| CN111274435A (zh) * | 2018-12-04 | 2020-06-12 | 北京奇虎科技有限公司 | 视频的回溯方法、装置、电子设备及可读存储介质 |
| CN109993146A (zh) * | 2019-04-09 | 2019-07-09 | 深圳安泰创新科技股份有限公司 | 基于人脸识别的身份确认方法、电子设备及存储介质 |
| CN110807403A (zh) * | 2019-10-29 | 2020-02-18 | 中新智擎科技有限公司 | 一种用户身份识别方法、装置及电子设备 |
| CN110807403B (zh) * | 2019-10-29 | 2022-12-02 | 中新智擎科技有限公司 | 一种用户身份识别方法、装置及电子设备 |
| CN110991310A (zh) * | 2019-11-27 | 2020-04-10 | 北京金山云网络技术有限公司 | 人像检测方法、装置、电子设备及计算机可读介质 |
| CN110991310B (zh) * | 2019-11-27 | 2023-08-22 | 北京金山云网络技术有限公司 | 人像检测方法、装置、电子设备及计算机可读介质 |
| CN111709878A (zh) * | 2020-06-17 | 2020-09-25 | 北京百度网讯科技有限公司 | 人脸超分辨率实现方法、装置、电子设备及存储介质 |
| US11710215B2 (en) | 2020-06-17 | 2023-07-25 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Face super-resolution realization method and apparatus, electronic device and storage medium |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108304816B (zh) | 2020-09-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108304816A (zh) | 身份识别方法、装置、存储介质及电子设备 | |
| CN108509941B (zh) | 情绪信息生成方法和装置 | |
| CN108269254B (zh) | 图像质量评估方法和装置 | |
| CN105160318B (zh) | 基于面部表情的测谎方法及系统 | |
| CN109214343A (zh) | 用于生成人脸关键点检测模型的方法和装置 | |
| CN108280477A (zh) | 用于聚类图像的方法和装置 | |
| CN109389589A (zh) | 用于统计人数的方法和装置 | |
| CN108416326B (zh) | 人脸识别方法和装置 | |
| CN108494778A (zh) | 身份认证方法和装置 | |
| Tran et al. | Micro-expression spotting: A new benchmark | |
| CN108229418B (zh) | 人体关键点检测方法和装置、电子设备、存储介质和程序 | |
| CN108510472A (zh) | 用于处理图像的方法和装置 | |
| KR102045223B1 (ko) | 골 연령 분석 방법, 장치 및 컴퓨터 프로그램 | |
| CN112598643A (zh) | 深度伪造图像检测及模型训练方法、装置、设备、介质 | |
| CN108133197B (zh) | 用于生成信息的方法和装置 | |
| CN112215831B (zh) | 一种用于人脸图像质量的评价方法和系统 | |
| CN108509921A (zh) | 用于生成信息的方法和装置 | |
| CN108171208A (zh) | 信息获取方法和装置 | |
| CN108491764A (zh) | 一种视频人脸情绪识别方法、介质及设备 | |
| CN108491825A (zh) | 信息生成方法和装置 | |
| US20190147226A1 (en) | Method, system and apparatus for matching a person in a first image to a person in a second image | |
| CN108389172A (zh) | 用于生成信息的方法和装置 | |
| CN112699832B (zh) | 目标检测方法、装置、设备以及存储介质 | |
| CN110443824A (zh) | 用于生成信息的方法和装置 | |
| Xin et al. | Color texture classification of yarn-dyed woven fabric based on dual-side scanning and co-occurrence matrix |
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: Room 221, 2nd floor, Block C, 18 Kechuang 11th Street, Beijing Economic and Technological Development Zone, 100176 Applicant after: JINGDONG DIGITAL TECHNOLOGY HOLDINGS Co.,Ltd. Address before: Room 221, 2nd floor, Block C, 18 Kechuang 11th Street, Beijing Economic and Technological Development Zone, 100176 Applicant before: BEIJING JINGDONG FINANCIAL TECHNOLOGY HOLDING Co.,Ltd. |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CP01 | Change in the name or title of a patent holder | ||
| CP01 | Change in the name or title of a patent holder |
Address after: Room 221, 2 / F, block C, 18 Kechuang 11th Street, Daxing District, Beijing, 100176 Patentee after: Jingdong Technology Holding Co.,Ltd. Address before: Room 221, 2 / F, block C, 18 Kechuang 11th Street, Daxing District, Beijing, 100176 Patentee before: Jingdong Digital Technology Holding Co.,Ltd. |
|
| CP03 | Change of name, title or address | ||
| CP03 | Change of name, title or address |
Address after: Room 221, 2 / F, block C, 18 Kechuang 11th Street, Daxing District, Beijing, 100176 Patentee after: Jingdong Digital Technology Holding Co.,Ltd. Address before: Room 221, 2 / F, block C, 18 Kechuang 11th Street, Beijing Economic and Technological Development Zone, 100176 Patentee before: JINGDONG DIGITAL TECHNOLOGY HOLDINGS Co.,Ltd. |