CN108491794A - 面部识别的方法和装置 - Google Patents

面部识别的方法和装置 Download PDF

Info

Publication number
CN108491794A
CN108491794A CN201810239389.3A CN201810239389A CN108491794A CN 108491794 A CN108491794 A CN 108491794A CN 201810239389 A CN201810239389 A CN 201810239389A CN 108491794 A CN108491794 A CN 108491794A
Authority
CN
China
Prior art keywords
face
recognition result
confidence level
image
distance
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
CN201810239389.3A
Other languages
English (en)
Other versions
CN108491794B (zh
Inventor
李习华
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.)
Tencent Technology Shenzhen Co Ltd
Original Assignee
Tencent 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 Tencent Technology Shenzhen Co Ltd filed Critical Tencent Technology Shenzhen Co Ltd
Priority to CN201810239389.3A priority Critical patent/CN108491794B/zh
Publication of CN108491794A publication Critical patent/CN108491794A/zh
Priority to PCT/CN2019/076398 priority patent/WO2019179295A1/zh
Priority to JP2020542097A priority patent/JP6973876B2/ja
Priority to EP19770980.1A priority patent/EP3757873B1/en
Priority to US16/890,484 priority patent/US11138412B2/en
Application granted granted Critical
Publication of CN108491794B publication Critical patent/CN108491794B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • 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
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
    • 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
    • G06V10/761—Proximity, similarity or dissimilarity measures
    • 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
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • 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
    • G06V40/50—Maintenance of biometric data or enrolment thereof
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Human Computer Interaction (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Medical Informatics (AREA)
  • Image Analysis (AREA)
  • Collating Specific Patterns (AREA)

Abstract

本发明实施例公开了一种面部识别的方法和装置，属于图像处理技术领域。所述方法包括：获取待识别的面部图像，并提取面部图像的目标特征向量；计算每个目标特征向量与每个面部标识对应的均值向量的距离，得到第一距离集合，根据各第一距离集合，确定面部图像对应的第一识别结果及其对应的第一置信度；计算每个目标特征向量与每个面部标识对应的每个特征向量的距离，得到第二距离集合，根据各第二距离集合，确定面部图像对应的第二识别结果及其对应的第二置信度；根据第一识别结果、第一置信度和第二识别结果、第二置信度，确定面部图像对应的面部识别结果和面部识别结果对应的置信度。采用本发明，可以提高面部识别的效率和精度。

Description

面部识别的方法和装置
技术领域
本发明涉及图像处理技术领域，特别涉及一种面部识别的方法和装置。
背景技术
某些情况下，需要对获取到的面部图像进行面部识别，确定面部图像对应的面部标识。其中，针对面部识别为人脸识别的情况，确定面部图像对应的面部标识为确定人脸图像中的人脸对应的人脸标识，其中，人脸标识可以是某个人物的标识，也可以是对应的人脸图像。
具体的，服务器中可以预先训练有分类器，其中，分类器的每个类别即为数据库中的每个面部标识。服务器每获取到待识别的面部图像后，可以提取该面部图像的特征向量，进而，可以将提取的特征向量输入到预先训练的分类器中，得到该面部图像对应的面部标识。
在实现本发明的过程中，发明人发现相关技术至少存在以下问题：
基于上述面部识别的处理方式，每当增加新的待识别的面部标识时，需要重新训练分类器，从而，导致面部识别的效率较低。
发明内容
本发明实施例提供了一种面部识别的方法和装置，可以解决相关技术中存在的面部识别的效率较低的问题。所述技术方案如下：
一方面，提供了一种面部识别的方法，所述方法包括：
获取待识别的面部图像，并提取所述面部图像对应的至少一个目标特征向量；
计算每个目标特征向量与数据库中预先存储的每个面部标识对应的均值向量的距离，得到每个目标特征向量对应的第一距离集合，确定每个第一距离集合中最小的距离对应的面部标识；在各第一距离集合中最小的距离对应的面部标识中，确定出现次数最多的面部标识，作为所述面部图像对应的第一识别结果；根据所述第一识别结果在各第一距离集合中对应的最小的距离，确定所述第一识别结果对应的第一置信度；
计算每个目标特征向量与数据库中预先存储的每个面部标识对应的每个特征向量的距离，得到每个目标特征向量对应的第二距离集合，确定每个第二距离集合中满足预设选取条件的目标距离对应的面部标识；在每个第二距离集合中各目标距离对应的面部标识中，确定出现次数最多的目标面部标识；在各目标面部标识中，确定出现次数最多的目标面部标识，作为所述面部图像对应的第二识别结果；根据所述第二识别结果在各第二距离集合中对应的最小的距离，确定所述第二识别结果对应的第二置信度；
根据所述第一识别结果、所述第一识别结果对应的第一置信度和所述第二识别结果、所述第二识别结果对应的第二置信度，确定所述面部图像对应的面部识别结果和所述面部识别结果对应的置信度
一方面，提供了一种面部识别的装置，所述装置包括：
获取模块，用于获取待识别的面部图像，并提取所述面部图像对应的至少一个目标特征向量；
第一计算模块，用于计算每个目标特征向量与数据库中预先存储的每个面部标识对应的均值向量的距离，得到每个目标特征向量对应的第一距离集合，确定每个第一距离集合中最小的距离对应的面部标识；在各第一距离集合中最小的距离对应的面部标识中，确定出现次数最多的面部标识，作为所述面部图像对应的第一识别结果；根据所述第一识别结果在各第一距离集合中对应的最小的距离，确定所述第一识别结果对应的第一置信度；
第二计算模块，用于计算每个目标特征向量与数据库中预先存储的每个面部标识对应的每个特征向量的距离，得到每个目标特征向量对应的第二距离集合，确定每个第二距离集合中满足预设选取条件的目标距离对应的面部标识；在每个第二距离集合中各目标距离对应的面部标识中，确定出现次数最多的目标面部标识；在各目标面部标识中，确定出现次数最多的目标面部标识，作为所述面部图像对应的第二识别结果；根据所述第二识别结果在各第二距离集合中对应的最小的距离，确定所述第二识别结果对应的第二置信度；
确定模块，用于根据所述第一识别结果、所述第一识别结果对应的第一置信度和所述第二识别结果、所述第二识别结果对应的第二置信度，确定所述面部图像对应的面部识别结果和所述面部识别结果对应的置信度。
一方面，提供了一种服务器，所述服务器包括处理器和存储器，所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现上述所述的面部识别的方法。
一方面，提供了一种计算机可读存储介质，所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现上述所述的面部识别的方法。
本发明实施例提供的技术方案带来的有益效果是：
本发明实施例中，服务器获取到待识别的面部图像后，可以提取面部图像对应的至少一个目标特征向量，进而，可以计算每个目标特征向量与每个面部标识对应的均值向量的距离，得到每个目标特征向量对应的第一距离集合，基于各第一距离集合，确定面部图像对应的第一识别结果及其对应的第一置信度。确定出至少一个目标特征向量后，还可以计算每个目标特征向量与每个面部标识对应的每个特征向量的距离，得到每个目标特征向量对应的第二距离集合，进而，可以基于各第二距离集合，确定面部图像对应的第二识别结果及其对应的第二置信度。确定出第一识别结果及其对应的第一置信度、第二识别结果及其对应的第二置信度后，可以确定面部图像对应的面部识别结果及其对应的置信度。这样，可以通过融合第一识别结果和第二识别结果，来确定面部图像对应的面部识别结果，无需预先训练分类器，进而，可以避免增加新的面部标识时，重新训练分类器，从而，可以提高面部识别的效率。
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，下面描述中的附图仅仅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(a)是本发明实施例提供的一种实施环境示意图；
图1(b)是本发明实施例提供的一种面部识别的方法流程图；
图2(a)是本发明实施例提供的一种框架示意图；
图2(b)是本发明实施例提供的一种框架示意图；
图3是本发明实施例提供的一种面部识别的方法流程图；
图4是本发明实施例提供的一种面部识别的装置结构示意图；
图5是本发明实施例提供的一种面部识别的装置结构示意图；
图6是本发明实施例提供的一种服务器的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。
本发明实施例提供了一种面部识别的方法，该方法的执行主体为终端或服务器，也可以由终端和服务器共同实现，如图1(a)所示。其中，终端可以是具有面部识别功能的任一终端，比如可以是个人电脑等终端。服务器可以是具有面部识别功能的服务器，比如可以是面部识别功能的后台服务器。针对由终端和服务器共同实现的情况，终端获取到待识别的面部图像后，可以向服务器发送该面部图像，此时即服务器得到了待识别的面部图像，进而，服务器可以确定待识别的面部图像对应的面部识别结果。下面将以执行主体为服务器为例进行详细说明，其他情况与之类似，不再进行赘述。
服务器可以包括处理器、存储器等部件。处理器可以为CPU等，可以用于根据均值搜索算法确定面部图像对应的第一识别结果、根据近邻搜索算法确定面部图像对应的第二识别结果、根据第一识别结果和第二识别结果确定面部图像对应的面部识别结果等处理。存储器可以为RAM、Flash等，可以用于存储接收到的数据、处理过程所需的数据、处理过程中生成的数据等，如第一识别结果和第二识别结果等。
某些场景下，服务器可以对待识别的面部图像进行面部识别处理，比如，通过人脸打卡场景，此种场景下，服务器可以通过图像拍摄装置获取到待识别的人脸图像，进而，可以对其进行面部识别处理。又例如，通过面部识别确定获取到的面部图像是否是需要查找的人物的场景，此种场景下，在多个位置可以部署有图像拍摄装置，服务器获取到每个图像拍摄装置发送的面部图像后，均可以对其进行面部识别，确定面部图像中的人物是否是需要寻找的人物。
在面部识别的相关技术中，服务器获取到数据库中每个面部标识对应的样本面部图像后，可以提取每个样本面部图像的特征向量，进而，可以基于每个特征向量及其对应的面部标识，训练多类分类器，其中，分类器的每个类别是数据库中的每个面部标识。此种情况下，每当数据库中需要增加新的面部标识时，需要重新训练分类器，得到类别包含增加的面部标识的分类器，从而，导致面部识别的效率较低。
然而，本方案中，服务器获取到待识别的面部图像后，可以分别基于均值搜索算法和近邻搜索算法，确定面部图像对应的第一识别结果和第二识别结果，进而，可以基于第一识别结果和第二识别结果，得到面部图像对应的面部识别结果，即得到面部图像对应的面部标识。这样，服务器可以通过融合均值搜索算法和近邻搜索算法，来确定面部图像对应的面部标识，无需训练分类器，进而，可以避免增加新的面部标识时，重新训练分类器，从而，可以克服需要重新训练分类器以及分类器扩展性较差的问题，进而，可以提高面部识别的效率。另外，本方案中，通过融合根据均值搜索算法确定出的面部识别结果、置信度和根据近邻搜索算法确定出的面部识别结果、置信度，可以增强面部识别的正确性，并可以对正确识别赋予高的置信度，从而，可以提高面部识别的召回率，并可以克服只采用均值搜索算法而导致的置信度较低的问题，以及可以克服只采用近邻搜索算法而导致的面部识别的正确性较低的问题。此外，本发明实施例提供的方法适用范围比较广，比如，可以适用于SIPP(single image per-person，每个人只有一张训练样本面部图像)，也可以适用于者融合场景，以及其他需要进行面部识别的场景。
下面将结合具体实施方式，对图1(b)所示的处理流程进行详细的说明，内容可以如下：
步骤101，获取待识别的面部图像，并提取面部图像对应的至少一个目标特征向量。
其中，面部图像可以是包含面部的图像，比如，可以是包含人脸的人脸图像。
在实施中，某些场景下，服务器可以对待识别的面部图像进行面部识别处理，比如，通过人脸打卡场景，此种场景下，服务器可以通过图像拍摄装置获取到待识别的人脸图像，进而，可以对其进行面部识别处理。又例如，通过面部识别确定获取到的面部图像是否是需要查找的人物的场景，此种场景下，在多个位置可以部署有图像拍摄装置，服务器获取到每个图像拍摄装置发送的面部图像后，均可以对其进行面部识别，确定面部图像中的人物是否是需要寻找的人物。具体的，服务器可以获取待识别的面部图像，进而，可以通过深度网络提取面部图像对应的至少一个特征向量(可称为目标特征向量)q，其中，q可以是面部图像本身对应的特征向量，也可以是图像增强后的多张面部图像分别对应的特征向量，也可以是图像增强后的多张面部图像对应的特征向量的均值向量。其中，服务器可以基于应用场景获取待识别的面部图像，比如，针对通过人脸打卡场景，服务器可以获取企业部署的图像拍摄装置拍摄到的面部图像，针对通过面部识别确定获取到的面部图像是否是需要查找的人物的场景，服务器可以获取交通管理等部门部署的图像拍摄装置拍摄到的面部图像。
步骤102，计算每个目标特征向量与数据库中预先存储的每个面部标识对应的均值向量的距离，得到每个目标特征向量对应的第一距离集合，确定每个第一距离集合中最小的距离对应的面部标识；在各第一距离集合中最小的距离对应的面部标识中，确定出现次数最多的面部标识，作为面部图像对应的第一识别结果；根据第一识别结果在各第一距离集合中对应的最小的距离，确定第一识别结果对应的第一置信度。
其中，第一置信度可以用于表示面部图像对应的面部标识为第一识别结果的可能性、可信度。
在实施中，服务器中可以预先存储有每个面部标识对应的样本面部图像，其中，每个面部标识对应的样本面部图像的数量可以相同，也可以不同，每个面部标识对应的样本面部图像可以包括直接获取到的原始面部图像(原始面部图像可以是拍摄得到的面部图像)，也可以包括根据原始面部图像通过图像增强得到的样本面部图像。对于每个面部标识，服务器可以通过深度网络提取该面部标识对应的每个样本面部图像的特征向量，得到该面部标识对应的至少一个特征向量，进而，可以计算该面部标识对应的至少一个特征向量的均值向量。假设数据库中的面部标识的数目为k(其中，k为正整数)，每个面部标识对应有mk张样本面部图像(其中，m为正整数)，每个面部标识对应的至少一个特征向量和均值向量可以如下：
p11，p12，…p1m1，均值向量：mp1
p21，p22，…p2m2，均值向量：mp2
…，…，…
pk1，pk2，…pkmk，均值向量：mpk
确定出至少一个目标特征向量后，针对目标特征向量q是面部图像本身对应的特征向量，或者是图像增强后的多张面部图像对应的均值向量的情况，服务器可以计算目标特征向量q与上述每个面部标识对应的均值向量mpi(其中，i＝1…k)的距离(其中，该距离可以是欧式距离，可以是余弦距离，可以是其他类型的向量距离)，得到第一距离集合。得到第一距离集合后，服务器可以将最小的距离对应的面部标识确定为待识别的面部图像对应的第一识别结果id1。
另外，服务器中还可以预先设置有距离阈值，其中，距离阈值可以是余弦距离的距离阈值，可以是欧氏距离的距离阈值。此种情况下，服务器得到第一距离集合后，可以将最小的距离与预设的距离阈值进行比较，如果最小的距离小于预设的距离阈值，则将最小的距离对应的面部标识确定为待识别的面部图像对应的第一识别结果id1，否则，识别失败。
另外，针对通过图像增强得到待识别的面部图像的多张面部图像(其中，多张面部图像包括待识别的面部图像和图像增强后的至少一张面部图像)的情况，即针对面部图像对应多个目标特征向量的情况，对于每张面部图像，服务器可以计算该面部图像的目标特征向量与上述每个面部标识对应的均值向量mpi的距离，得到该面部图像对应的第一距离集合，进而，可以将最小的距离对应的面部标识，确定为该面部图像对应的面部标识。得到每张面部图像对应的面部标识后，服务器可以将出现次数最多的面部标识确定为待识别的面部图像对应的第一识别结果。也就是说，提取到面部图像对应的至少一个目标特征向量后，服务器可以通过均值搜索算法，确定面部图像对应的第一识别结果和第一识别结果对应的第一置信度。其中，均值搜索算法可以是通过与均值向量进行比较，确定识别结果的算法。
获取到待识别的面部图像后，服务器除了确定面部图像对应的第一识别结果之外，还可以确定第一识别结果对应的第一置信度s1。具体的，服务器可以获取第一识别结果在各第一距离集合中对应的距离，进而，可以确定各距离中最小的距离，并可以根据第一识别结果对应的各距离中最小的距离，确定第一置信度，例如，可以将第一识别结果对应的各距离中最小的距离的倒数，确定为第一置信度。
步骤103，计算每个目标特征向量与数据库中预先存储的每个面部标识对应的每个特征向量的距离，得到每个目标特征向量对应的第二距离集合，确定每个第二距离集合中满足预设选取条件的目标距离对应的面部标识；在每个第二距离集合中各目标距离对应的面部标识中，确定出现次数最多的目标面部标识；在各目标面部标识中，确定出现次数最多的目标面部标识，作为面部图像对应的第二识别结果；根据第二识别结果在各第二距离集合中对应的最小的距离，确定第二识别结果对应的第二置信度。
其中，第二置信度可以用于表示面部图像对应的面部标识为第二识别结果的可能性、可信度。
在实施中，确定出至少一个目标特征向量后，针对目标特征向量q是面部图像本身对应的特征向量，或者是图像增强后的多张面部图像对应的均值向量的情况，服务器可以计算目标特征向量q与每个样本面部图像的特征向量的距离，得到第二距离集合，进而，可以在第二距离集合中，选择距离最小的预设数目个距离或者选择小于预设距离阈值的目标距离。选择出目标距离后，服务器可以确定每个目标距离对应的面部标识，进而，可以统计每个不同面部标识对应的出现次数，将出现次数最多的目标面部标识确定为待识别的面部图像对应的第二识别结果。
另外，针对通过图像增强得到待识别的面部图像的多张面部图像的情况，即针对面部图像对应多个目标特征向量的情况，对于每张面部图像，服务器均可以计算该面部图像的目标特征向量与上述每个面部标识对应的每个特征向量的距离，得到该面部图像对应的第二距离集合，进而，可以在每个第二距离集合中，选择距离最小的预设数目个距离或者选择小于预设距离阈值的目标距离。选择出每个第二距离集合对应的目标距离后，服务器可以确定每个目标距离对应的面部标识，进而，可以统计每个不同面部标识对应的出现次数，确定出现次数最多的目标面部标识。得到每个目标特征向量对应的目标面部标识后，可以在各个目标面部标识中，将对应的出现次数最多的目标面部标识，确定为面部图像对应的第二识别结果。也就是说，提取到面部图像对应的至少一个目标特征向量后，服务器可以通过近邻搜索算法，确定面部图像对应的第二识别结果和第二识别结果对应的第二置信度。其中，近邻搜索算法可以是通过与每个样本面部图像对应的特征向量进行比较，确定识别结果的算法，可以是LSH(local sensitive hashing，局部敏感哈希)算法。
服务器获取到待识别的面部图像后，服务器除了确定面部图像对应的第二识别结果之外，还可以确定第二识别结果对应的第二置信度s2。具体的，服务器可以获取第二识别结果在各第二距离集合中对应的各距离，进而，可以确定第二识别结果在距离中对应的最小的距离，并可以根据第二识别结果对应的各距离中最小的距离，确定第二置信度，例如，可以将第二识别结果对应的各距离中最小的距离的倒数，确定为第二置信度。
步骤104，根据第一识别结果、第一识别结果对应的第一置信度和第二识别结果、第二识别结果对应的第二置信度，确定面部图像对应的面部识别结果和面部识别结果对应的置信度。
在实施中，确定出第一识别结果、第一识别结果对应的第一置信度和第二识别结果、第二识别结果对应的第二置信度后，服务器可以根据第一识别结果、第一识别结果对应的第一置信度和第二识别结果、第二识别结果对应的第二置信度，确定待识别的面部图像对应的面部识别结果f_id以及面部识别结果对应的置信度f_score，比如，可以基于某些条件，将第一识别结果和第二识别结果中的一个确定为面部图像对应的面部识别结果，其中，本方案的处理框架如图2(a)所示。
另外，本方案的整体流程可以如图2(b)所示，其中，CNN_fes为用于提取特征向量的深度网络，baseset可以是对应的样本面部图像的张数较大的面部标识的集合，novelset可以是对应的样本面部图像的张数较小的面部标识的集合，augmented-novelset可以是图像增强后的novelset，Modified SVD augmentation module可以是改进的SVD增强模块，NNmodule：LSH feature pool可以是基于LSH的近邻搜索模块，Mean search feature pool可以是均值搜索模块，Hyper merge module可以是步骤104对应的融合模块。
可选的，基于确定面部识别结果的方式不同，步骤104的处理过程可以多种多样，以下给出了几种情况的实现方式：
情况一，当第一识别结果与第二识别结果相同时，将第一识别结果或第二识别结果确定为面部图像对应的面部识别结果，并将第一置信度和第二置信度中最大的置信度确定为面部识别结果对应的置信度。
在实施中，确定出第一识别结果和第二识别结果后，服务器可以判断第一识别结果与第二识别结果是否相同，如果第一识别结果与第二识别结果相同，服务器可以将第一识别结果或第二识别结果确定为面部图像对应的面部识别结果。相应的，服务器可以确定第一置信度和第二置信度中的最大的置信度，进而，可以将其确定为面部识别结果对应的置信度。
其中，第一识别结果与第二识别结果相同说明此次正确识别的概率较高，即面部图像真实对应的面部标识为第一识别结果或第二识别结果的可能性比较大，将第一识别结果或第二识别结果确定为面部图像对应的面部识别结果的可信度较大，因此，此种处理，可以提高面部识别的正确率，同时可以提高识别结果的置信度，即可以对正确识别赋予较高的置信度，从而，可以提高面部识别的召回率。
情况二，当第一识别结果与第二识别结果不同、且第二置信度与第一置信度的差值大于第一预设阈值时，将第二识别结果确定为面部图像对应的面部识别结果，并将第二置信度确定为面部识别结果对应的置信度。
在实施中，当第一识别结果与第二识别结果不相同时，服务器可以获取通过上述方式确定出的第一识别结果对应的第一置信度和第二识别结果对应的第二置信度，进而，可以基于第一置信度和第二置信度的大小关系，将第一识别结果和第二识别结果中的一个，确定为面部图像对应的面部识别结果。
具体的，如果第一识别结果与第二识别结果不相同，则服务器可以进一步比较第一置信度与第二置信度的大小，如果第二置信度与第一置信度的差值大于第一预设阈值，则服务器可以将第二识别结果，确定为面部图像对应的面部识别结果。相应的，服务器可以将第二置信度确定为面部识别结果对应的置信度。
其中，第二置信度大于第一置信度第一预设阈值说明，通过近邻搜索算法确定出的第二识别结果相对于通过均值搜索算法确定出的第一识别结果更置信，因此，此种处理，可以提高面部识别的正确率，同时可以提高识别结果的置信度，即可以对正确识别赋予较高的置信度，从而，可以提高面部识别的召回率。
情况三，当第一识别结果与第二识别结果不相同、且第一置信度与第二置信度的差值大于第二预设阈值时，将第一识别结果确定为面部图像对应的面部识别结果，并将第一置信度确定为面部识别结果对应的置信度。
在实施中，服务器中可以预先存储有第二预设阈值，其中，第一预设阈值与第二预设阈值可以相同，也可以不同。如果第一面部标识与第二面部标识不相同、且第一置信度与第二置信度的差值大于第二预设阈值，则服务器可以将第一面部标识确定为面部图像对应的面部识别结果和置信度。相应的，可以将第一置信度确定为面部识别结果对应的置信度。
第二置信度低于第一置信度第二预设阈值说明，通过近邻搜索算法确定出的第二面部标识不如通过均值搜索算法确定出的第一面部标识更置信，因此，此种处理，可以提高面部识别的正确率，同时可以提高识别结果的置信度，即可以对正确识别赋予较高的置信度，从而，可以提高面部识别的召回率。
其中，第二置信度低于第一置信度第二预设阈值说明，通过近邻搜索算法确定出的第二识别结果不如通过均值搜索算法确定出的第一识别结果更置信，因此，此种处理，可以提高面部识别的正确率，同时可以提高识别结果的置信度，即可以对正确识别赋予较高的置信度，从而，可以提高面部识别的召回率。
情况四，当第一识别结果与第二识别结果不相同、且第二置信度与第一置信度的差值小于第一预设阈值、且第一置信度与第二置信度的差值小于第二预设阈值时，将第一识别结果确定为面部图像对应的面部识别结果，并将第一置信度和第二置信度中最小的置信度确定为面部识别结果对应的置信度。
在实施中，当第一识别结果与第二识别结果不相同、且第二置信度与第一置信度的差值小于第一预设阈值、且第一置信度与第二置信度的差值小于第二预设阈值时，服务器可以将第一识别结果确定为面部图像对应的面部识别结果。相应的，服务器可以将第一置信度和第二置信度中最小的置信度确定为面部图像对应的置信度。
其中，往往均值搜索算法确定出的识别结果的正确性比近邻搜索算法确定出的识别结果的正确性高，第一识别结果与第二识别结果不相同说明此次正确识别的概率比较低，因此，此种处理可以正确反映此次面部识别的情况。
情况五，将第一识别结果、第一识别结果对应的第一置信度和第二识别结果、第二识别结果对应的置信度输入到预先训练的面部识别模型中，得到面部图像对应的面部识别结果和面部识别结果对应的置信度。
在实施中，服务器中可以预先存储有根据样本面部图像训练好的面部识别模型，其中，面部识别模型的输入可以是通过均值搜索算法确定出的面部识别结果及其对应的置信度和通过近邻搜索算法确定出的面部识别结果及其对应的置信度，其中，面部识别模型可以是决策模型、可以是神经网络模型等。服务器确定出第一识别结果、第一识别结果对应的第一置信度和第二识别结果、第二识别结果对应的第二置信度后，可以将第一识别结果、第一置信度和第二识别结果、第二置信度输入到预先训练的面部识别模型中，得到面部识别模型的输出，即可得到面部图像对应的面部识别结果及其对应的置信度。
其中，服务器可以支持上述情况一到情况四多种情况中的任意情况组合的处理。
可选的，面部识别模型的训练过程可以如下：计算每个训练面部图像对应的特征向量与数据库中预先存储的每个面部标识对应的均值向量的距离，得到第一距离集合，确定第一距离集合中最小的距离对应的面部标识，作为每个训练面部图像对应的第一识别结果，根据所述第一识别结果在第一距离集合中对应的最小的距离，确定第一识别结果对应的第一置信度；计算每个训练面部图像对应的特征向量与数据库中预先存储的每个面部标识对应的每个特征向量的距离，得到第二距离集合，确定第二距离集合中满足预设选取条件的目标距离对应的面部标识；在各目标距离对应的面部标识中，确定出现次数最多的目标面部标识，作为每个训练面部图像对应的第二识别结果，根据第二识别结果在第二距离集合中对应的最小的距离，确定第二识别结果对应的第二置信度；将每个训练面部图像对应的第一识别结果、第一置信度和第二识别结果、第二置信度，输入到面部识别模型中，得到每个训练面部图像对应的识别结果和置信度；根据得到的每个训练面部图像对应的面部识别结果和置信度、以及预设的每个训练面部图像对应的面部识别结果和置信度，对面部识别模型的模型参数进行调整，得到训练后的面部识别模型。
在实施中，服务器中可以预先存储有大量面部标识对应的训练面部图像，其中，如果直接获取到的某面部标识对应的原始面部图像的数量较少，则服务器可以对直接获取到的原始面部图像进行图像增强处理，得到多张样本面部图像(此种情况下，该面部标识对应的训练面部图像包括原始面部图像和通过图像增强得到的训练面部图像)。对于每个训练面部图像，服务器可以通过深度网络提取该训练面部图像的特征向量，进而，可以计算每个训练面部图像对应的特征向量与数据库中预先存储的每个面部标识对应的均值向量的距离，得到第一距离集合，确定第一距离集合中最小的距离对应的面部标识，作为每个训练面部图像对应的第一识别结果。相应的，服务器可以获取第一识别结果在第一距离集合中对应的最小的距离，进而，可以基于最小的距离，确定第一识别结果对应的第一置信度。
除了确定第一识别结果和第一置信度之外，服务器还可以确定第二识别结果及其对应的第二置信度。具体的，可以计算每个训练面部图像对应的特征向量与数据库中预先存储的每个面部标识对应的每个特征向量的距离，得到第二距离集合，确定第二距离集合中满足预设选取条件的目标距离对应的面部标识，进而，可以在各目标距离对应的面部标识中，确定出现次数最多的目标面部标识，作为每个训练面部图像对应的第二识别结果。相应的，服务器可以获取第二识别结果在第二距离集合中对应的最小的距离，进而，可以基于最小的距离，确定第二识别结果对应的第二置信度。
确定出每个训练面部图像对应的第一识别结果、第一置信度和第二识别结果、第二置信度后，服务器可以将训练面部图像对应的第一识别结果、第一置信度和第二识别结果、第二置信度输入到面部识别模型中，得到每个训练面部图像对应的面部识别结果和置信度，其中，通过面部识别模型得到的面部识别结果和置信度中包含有面部识别模型中的模型参数。
得到每个训练面部图像对应的面部识别结果和置信度后，可以基于得到的面部识别结果趋近于预设的训练面部图像对应的面部识别结果、得到的置信度趋近于预设的训练面部图像对应的置信度的训练原则(比如，可以将两者的差值确定为目标函数，进而，可以通过计算目标函数的最小值的方法，对面部识别模型进行训练)，对面部识别模型进行训练，即对面部识别模型的模型参数进行调整(其中，可以通过梯度下降法对面部识别模型进行训练)，得到训练后的面部识别模型。其中，预设的训练面部图像对应的面部识别结果可以是训练面部图像真实对应的面部识别结果，对于每个训练面部图像，如果其对应的第一识别结果和/或第二识别结果与真实对应的面部标识相同，则可以设置其对应的置信度较高，如果其对应的第一识别结果和/或第二识别结果与真实对应的面部标识不同，则可以设置其对应的置信度较低。
本方案中，通过融合根据均值搜索算法确定出的面部识别结果和根据近邻搜索算法确定出的面部识别结果，可以提高面部识别的正确率，通过融合根据上述两个算法确定出的置信度，可以对正确识别赋予较高的置信度，从而，可以提升面部识别的召回率。
另外，本方案可以适用于多种场景，使用范围广，可以适用于SIPP场景，也可以适用于融合场景(其中，融合场景是指数据库中某些面部标识对应有一张样本面部图像，有些面部标识对应有多张样本面部图像的场景)。
另外，针对通过面部识别模型确定面部图像对应的面部识别结果的情况，本发明实施例还提供了如图3所示的流程。
步骤301，获取待识别的面部图像，并提取面部图像对应的至少一个目标特征向量。
其中，面部图像可以是包含面部的图像，比如，可以是包含人脸的人脸图像。
在实施中，某些场景下，服务器可以对待识别的面部图像进行面部识别处理，比如，通过人脸打卡场景，此种场景下，服务器可以通过图像拍摄装置获取到待识别的人脸图像，进而，可以对其进行面部识别处理。又例如，通过面部识别确定获取到的面部图像是否是需要查找的人物的场景，此种场景下，在多个位置可以部署有图像拍摄装置，服务器获取到每个图像拍摄装置发送的面部图像后，均可以对其进行面部识别，确定面部图像中的人物是否是需要寻找的人物。具体的，服务器可以获取待识别的面部图像，进而，可以通过深度网络提取面部图像对应的至少一个特征向量(可称为目标特征向量)q，其中，q可以是面部图像本身对应的特征向量，也可以是图像增强后的多张面部图像分别对应的特征向量，也可以是图像增强后的多张面部图像对应的特征向量的均值向量。其中，服务器可以基于应用场景获取待识别的面部图像，比如，针对通过人脸打卡场景，服务器可以获取企业部署的图像拍摄装置拍摄到的面部图像，针对通过面部识别确定获取到的面部图像是否是需要查找的人物的场景，服务器可以获取交通管理等部门部署的图像拍摄装置拍摄到的面部图像。
步骤302，计算每个目标特征向量与数据库中预先存储的每个面部标识对应的均值向量的距离，得到每个目标特征向量对应的第一距离集合，确定每个第一距离集合中最小的距离对应的面部标识；在各第一距离集合中最小的距离对应的面部标识中，确定出现次数最多的面部标识，作为面部图像对应的第一识别结果；根据第一识别结果在各第一距离集合中对应的最小的距离，确定第一识别结果对应的第一置信度。
其中，第一置信度可以用于表示面部图像对应的面部标识为第一识别结果的可能性、可信度。
在实施中，服务器中可以预先存储有每个面部标识对应的样本面部图像，其中，每个面部标识对应的样本面部图像的数量可以相同，也可以不同，每个面部标识对应的样本面部图像可以包括直接获取到的原始面部图像(原始面部图像可以是拍摄得到的面部图像)，也可以包括根据原始面部图像通过图像增强得到的样本面部图像。对于每个面部标识，服务器可以通过深度网络提取该面部标识对应的每个样本面部图像的特征向量，得到该面部标识对应的至少一个特征向量，进而，可以计算该面部标识对应的至少一个特征向量的均值向量。假设数据库中的面部标识的数目为k(其中，k为正整数)，每个面部标识对应有mk张样本面部图像(其中，m为正整数)，每个面部标识对应的至少一个特征向量和均值向量可以如下：
p11，p12，…p1m1，均值向量：mp1
p21，p22，…p2m2，均值向量：mp2
…，…，…
pk1，pk2，…pkmk，均值向量：mpk
确定出至少一个目标特征向量后，针对目标特征向量q是面部图像本身对应的特征向量，或者是图像增强后的多张面部图像对应的均值向量的情况，服务器可以计算目标特征向量q与上述每个面部标识对应的均值向量mpi(其中，i＝1…k)的距离(其中，该距离可以是欧式距离，可以是余弦距离，可以是其他类型的向量距离)，得到第一距离集合。得到第一距离集合后，服务器可以将最小的距离对应的面部标识确定为待识别的面部图像对应的第一识别结果id1。
另外，服务器中还可以预先设置有距离阈值，其中，距离阈值可以是预先距离的距离阈值，可以是欧氏距离的距离阈值。此种情况下，服务器得到第一距离集合后，可以将最小的距离与预设的距离阈值进行比较，如果最小的距离小于预设的距离阈值，则将最小的距离对应的面部标识确定为待识别的面部图像对应的第一识别结果id1，否则，识别失败。
另外，针对通过图像增强得到待识别的面部图像的多张面部图像(其中，多张面部图像包括待识别的面部图像和图像增强后的至少一张面部图像)的情况，即针对面部图像对应多个目标特征向量的情况，对于每张面部图像，服务器可以计算该面部图像的目标特征向量与上述每个面部标识对应的均值向量mpi的距离，得到该面部图像对应的第一距离集合，进而，可以将最小的距离对应的面部标识，确定为该面部图像对应的面部标识。得到每张面部图像对应的面部标识后，服务器可以将出现次数最多的面部标识确定为待识别的面部图像对应的第一识别结果。也就是说，提取到面部图像对应的至少一个目标特征向量后，服务器可以通过均值搜索算法，确定面部图像对应的第一识别结果和第一识别结果对应的第一置信度。其中，均值搜索算法可以是通过与均值向量进行比较，确定识别结果的算法。
获取到待识别的面部图像后，服务器除了确定面部图像对应的第一识别结果之外，还可以确定第一识别结果对应的第一置信度s1。具体的，服务器可以获取第一识别结果在各第一距离集合中对应的距离，进而，可以确定各距离中最小的距离，并可以根据第一识别结果对应的各距离中最小的距离，确定第一置信度，例如，可以将第一识别结果对应的各距离中最小的距离的倒数，确定为第一置信度。
步骤303，计算每个目标特征向量与数据库中预先存储的每个面部标识对应的每个特征向量的距离，得到每个目标特征向量对应的第二距离集合，确定每个第二距离集合中满足预设选取条件的目标距离对应的面部标识；在每个第二距离集合中各目标距离对应的面部标识中，确定出现次数最多的目标面部标识；在各目标面部标识中，确定出现次数最多的目标面部标识，作为面部图像对应的第二识别结果；根据第二识别结果在各第二距离集合中对应的最小的距离，确定第二识别结果对应的第二置信度。
其中，第二置信度可以用于表示面部图像对应的面部标识为第二识别结果的可能性、可信度。
在实施中，确定出至少一个目标特征向量后，针对目标特征向量q是面部图像本身对应的特征向量，或者是图像增强后的多张面部图像对应的均值向量的情况，服务器可以计算目标特征向量q与每个样本面部图像的特征向量的距离，得到第二距离集合，进而，可以在第二距离集合中，选择距离最小的预设数目个距离或者选择小于预设距离阈值的目标距离。选择出目标距离后，服务器可以确定每个目标距离对应的面部标识，进而，可以统计每个不同面部标识对应的出现次数，将出现次数最多的目标面部标识确定为待识别的面部图像对应的第二识别结果。
另外，针对通过图像增强得到待识别的面部图像的多张面部图像的情况，即针对面部图像对应多个目标特征向量的情况，对于每张面部图像，服务器均可以计算该面部图像的目标特征向量与上述每个面部标识对应的每个特征向量的距离，得到该面部图像对应的第二距离集合，进而，可以在每个第二距离集合中，选择距离最小的预设数目个距离或者选择小于预设距离阈值的目标距离。选择出每个第二距离集合对应的目标距离后，服务器可以确定每个目标距离对应的面部标识，进而，可以统计每个不同面部标识对应的出现次数，确定出现次数最多的目标面部标识。得到每个目标特征向量对应的目标面部标识后，可以在各个目标面部标识中，将对应的出现次数最多的目标面部标识，确定为面部图像对应的第二识别结果。也就是说，提取到面部图像对应的至少一个目标特征向量后，服务器可以通过近邻搜索算法，确定面部图像对应的第二识别结果和第二识别结果对应的第二置信度。其中，近邻搜索算法可以是通过与每个样本面部图像对应的特征向量进行比较，确定识别结果的算法，可以是LSH(local sensitive hashing，局部敏感哈希)算法。
服务器获取到待识别的面部图像后，服务器除了确定面部图像对应的第二识别结果之外，还可以确定第二识别结果对应的第二置信度s2。具体的，服务器可以获取第二识别结果在各第二距离集合中对应的各距离，进而，可以确定第二识别结果在距离中对应的最小的距离，并可以根据第二识别结果对应的各距离中最小的距离，确定第二置信度，例如，可以将第二识别结果对应的各距离中最小的距离的倒数，确定为第二置信度。
步骤304，将第一识别结果、第一识别结果对应的第一置信度和第二识别结果、第二识别结果对应的置信度输入到预先训练的面部识别模型中，得到面部图像对应的面部识别结果和面部识别结果对应的置信度。
在实施中，服务器中可以预先存储有根据样本面部图像训练好的面部识别模型，其中，面部识别模型的输入可以是通过均值搜索算法确定出的面部识别结果及其对应的置信度和通过近邻搜索算法确定出的面部识别结果及其对应的置信度，其中，面部识别模型可以是决策模型、可以是神经网络模型等。服务器确定出第一识别结果、第一识别结果对应的第一置信度和第二识别结果、第二识别结果对应的第二置信度后，可以将第一识别结果、第一置信度和第二识别结果、第二置信度输入到预先训练的面部识别模型中，得到面部识别模型的输出，即可得到面部图像对应的面部识别结果及其对应的置信度。
可选的，面部识别模型的训练过程可以如下：计算每个训练面部图像对应的特征向量与数据库中预先存储的每个面部标识对应的均值向量的距离，得到第一距离集合，确定第一距离集合中最小的距离对应的面部标识，作为每个训练面部图像对应的第一识别结果，根据所述第一识别结果在第一距离集合中对应的最小的距离，确定第一识别结果对应的第一置信度；计算每个训练面部图像对应的特征向量与数据库中预先存储的每个面部标识对应的每个特征向量的距离，得到第二距离集合，确定第二距离集合中满足预设选取条件的目标距离对应的面部标识；在各目标距离对应的面部标识中，确定出现次数最多的目标面部标识，作为每个训练面部图像对应的第二识别结果，根据第二识别结果在第二距离集合中对应的最小的距离，确定第二识别结果对应的第二置信度；将每个训练面部图像对应的第一识别结果、第一置信度和第二识别结果、第二置信度，输入到面部识别模型中，得到每个训练面部图像对应的识别结果和置信度；根据得到的每个训练面部图像对应的面部识别结果和置信度、以及预设的每个训练面部图像对应的面部识别结果和置信度，对面部识别模型的模型参数进行调整，得到训练后的面部识别模型。
在实施中，服务器中可以预先存储有大量面部标识对应的训练面部图像，其中，如果直接获取到的某面部标识对应的原始面部图像的数量较少，则服务器可以对直接获取到的原始面部图像进行图像增强处理，得到多张样本面部图像(此种情况下，该面部标识对应的训练面部图像包括原始面部图像和通过图像增强得到的训练面部图像)。对于每个训练面部图像，服务器可以通过深度网络提取该训练面部图像的特征向量，进而，可以计算每个训练面部图像对应的特征向量与数据库中预先存储的每个面部标识对应的均值向量的距离，得到第一距离集合，确定第一距离集合中最小的距离对应的面部标识，作为每个训练面部图像对应的第一识别结果。相应的，服务器可以获取第一识别结果在第一距离集合中对应的最小的距离，进而，可以基于最小的距离，确定第一识别结果对应的第一置信度。
除了确定第一识别结果和第一置信度之外，服务器还可以确定第二识别结果及其对应的第二置信度。具体的，可以计算每个训练面部图像对应的特征向量与数据库中预先存储的每个面部标识对应的每个特征向量的距离，得到第二距离集合，确定第二距离集合中满足预设选取条件的目标距离对应的面部标识，进而，可以在各目标距离对应的面部标识中，确定出现次数最多的目标面部标识，作为每个训练面部图像对应的第二识别结果。相应的，服务器可以获取第二识别结果在第二距离集合中对应的最小的距离，进而，可以基于最小的距离，确定第二识别结果对应的第二置信度。
确定出每个训练面部图像对应的第一识别结果、第一置信度和第二识别结果、第二置信度后，服务器可以将训练面部图像对应的第一识别结果、第一置信度和第二识别结果、第二置信度输入到面部识别模型中，得到每个训练面部图像对应的面部识别结果和置信度，其中，通过面部识别模型得到的面部识别结果和置信度中包含有面部识别模型中的模型参数。
得到每个训练面部图像对应的面部识别结果和置信度后，可以基于得到的面部识别结果趋近于预设的训练面部图像对应的面部识别结果、得到的置信度趋近于预设的训练面部图像对应的置信度的训练原则(比如，可以将两者的差值确定为目标函数，进而，可以通过计算目标函数的最小值的方法，对面部识别模型进行训练)，对面部识别模型进行训练，即对面部识别模型的模型参数进行调整(其中，可以通过梯度下降法对面部识别模型进行训练)，得到训练后的面部识别模型。其中，预设的训练面部图像对应的面部识别结果可以是训练面部图像真实对应的面部识别结果，对于每个训练面部图像，如果其对应的第一识别结果和/或第二识别结果与真实对应的面部标识相同，则可以设置其对应的置信度较高，如果其对应的第一识别结果和/或第二识别结果与真实对应的面部标识不同，则可以设置其对应的置信度较低。
本发明实施例中，服务器获取到待识别的面部图像后，可以提取面部图像对应的至少一个目标特征向量，进而，可以计算每个目标特征向量与每个面部标识对应的均值向量的距离，得到每个目标特征向量对应的第一距离集合，基于各第一距离集合，确定面部图像对应的第一识别结果及其对应的第一置信度。确定出至少一个目标特征向量后，还可以计算每个目标特征向量与每个面部标识对应的每个特征向量的距离，得到每个目标特征向量对应的第二距离集合，进而，可以基于各第二距离集合，确定面部图像对应的第二识别结果及其对应的第二置信度。确定出第一识别结果及其对应的第一置信度、第二识别结果及其对应的第二置信度后，可以确定面部图像对应的面部识别结果及其对应的置信度。这样，可以通过融合第一识别结果和第二识别结果，来确定面部图像对应的面部识别结果，无需预先训练分类器，进而，可以避免增加新的面部标识时，重新训练分类器，从而，可以提高面部识别的效率。
基于相同的技术构思，本发明实施例还提供了一种面部识别的装置，如图4所示，该装置可以是上述服务器，该装置包括：
获取模块410，用于获取待识别的面部图像，并提取所述面部图像对应的至少一个目标特征向量；
第一计算模块420，用于计算每个目标特征向量与数据库中预先存储的每个面部标识对应的均值向量的距离，得到每个目标特征向量对应的第一距离集合，确定每个第一距离集合中最小的距离对应的面部标识；在各第一距离集合中最小的距离对应的面部标识中，确定出现次数最多的面部标识，作为所述面部图像对应的第一识别结果；根据所述第一识别结果在各第一距离集合中对应的最小的距离，确定所述第一识别结果对应的第一置信度；
第二计算模块430，用于计算每个目标特征向量与数据库中预先存储的每个面部标识对应的每个特征向量的距离，得到每个目标特征向量对应的第二距离集合，确定每个第二距离集合中满足预设选取条件的目标距离对应的面部标识；在每个第二距离集合中各目标距离对应的面部标识中，确定出现次数最多的目标面部标识；在各目标面部标识中，确定出现次数最多的目标面部标识，作为所述面部图像对应的第二识别结果；根据所述第二识别结果在各第二距离集合中对应的最小的距离，确定所述第二识别结果对应的第二置信度；
确定模块440，用于根据所述第一识别结果、所述第一识别结果对应的第一置信度和所述第二识别结果、所述第二识别结果对应的第二置信度，确定所述面部图像对应的面部识别结果和所述面部识别结果对应的置信度。
可选的，所述确定模块440，用于：
当所述第一识别结果与所述第二识别结果相同时，将所述第一识别结果或所述第二识别结果确定为所述面部图像对应的面部识别结果；并将所述第一置信度和所述第二置信度中最大的置信度确定为所述面部识别结果对应的置信度。
可选的，所述确定模块440，用于：
当所述第一识别结果与所述第二识别结果不同、且所述第二置信度与所述第一置信度的差值大于第一预设阈值时，将所述第二识别结果确定为所述面部图像对应的面部识别结果，并将所述第二置信度，确定为所述面部识别结果对应的置信度。
可选的，所述确定模块440，用于：
当所述第一识别结果与所述第二识别结果不相同、且所述第一置信度与所述第二置信度的差值大于第二预设阈值时，将所述第一识别结果确定为所述面部图像对应的面部识别结果，并将所述第一置信度确定为所述面部识别结果对应的置信度。
可选的，所述确定模块440，用于：
当所述第一识别结果与所述第二识别结果不相同、且所述第二置信度与所述第一置信度的差值小于第一预设阈值、且所述第一置信度与所述第二置信度的差值小于第二预设阈值时，将所述第一识别结果确定为所述面部图像对应的面部识别结果，并将所述第一置信度和所述第二置信度中最小的置信度确定为所述面部识别结果对应的置信度。
可选的，所述确定模块440，用于：
将所述第一识别结果、所述第一识别结果对应的第一置信度和所述第二识别结果、所述第二识别结果对应的第二置信度输入到预先训练的面部识别模型中，得到所述面部图像对应的面部识别结果和所述面部识别结果对应的置信度。
可选的，如图5所示，所述装置还包括：
第三计算模块450，用于计算每个训练面部图像对应的特征向量与数据库中预先存储的每个面部标识对应的均值向量的距离，得到第一距离集合，确定第一距离集合中最小的距离对应的面部标识，作为每个训练面部图像对应的第一识别结果，根据所述第一识别结果在第一距离集合中对应的最小的距离，确定第一识别结果对应的第一置信度；
第四计算模块460，用于计算每个训练面部图像对应的特征向量与数据库中预先存储的每个面部标识对应的每个特征向量的距离，得到第二距离集合，确定第二距离集合中满足预设选取条件的目标距离对应的面部标识；在各目标距离对应的面部标识中，确定出现次数最多的目标面部标识，作为每个训练面部图像对应的第二识别结果，根据第二识别结果在第二距离集合中对应的最小的距离，确定第二识别结果对应的第二置信度；
输入模块470，用于将每个训练面部图像对应的第一识别结果、第一置信度和第二识别结果、第二置信度，输入到面部识别模型中，得到每个训练面部图像对应的面部识别结果和置信度；
训练模块480，用于根据得到的每个训练面部图像对应的面部识别结果和置信度、以及预设的每个训练面部图像对应的面部识别结果和置信度，对所述面部识别模型的模型参数进行调整，得到训练后的面部识别模型。
本发明实施例中，服务器获取到待识别的面部图像后，可以提取面部图像对应的至少一个目标特征向量，进而，可以计算每个目标特征向量与每个面部标识对应的均值向量的距离，得到每个目标特征向量对应的第一距离集合，基于各第一距离集合，确定面部图像对应的第一识别结果及其对应的第一置信度。确定出至少一个目标特征向量后，还可以计算每个目标特征向量与每个面部标识对应的每个特征向量的距离，得到每个目标特征向量对应的第二距离集合，进而，可以基于各第二距离集合，确定面部图像对应的第二识别结果及其对应的第二置信度。确定出第一识别结果及其对应的第一置信度、第二识别结果及其对应的第二置信度后，可以确定面部图像对应的面部识别结果及其对应的置信度。这样，可以通过融合第一识别结果和第二识别结果，来确定面部图像对应的面部识别结果，无需预先训练分类器，进而，可以避免增加新的面部标识时，重新训练分类器，从而，可以提高面部识别的效率。
需要说明的是：上述实施例提供的面部识别的装置在面部识别时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将服务器的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的面部识别的装置与面部识别的方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。
图6是本发明实施例提供的一种计算机设备的结构示意图，该计算机设备600可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器(centralprocessing units，CPU)601和一个或一个以上的存储器602，其中，所述存储器602中存储有至少一条指令，所述至少一条指令由所述处理器601加载并执行以实现上述所述的面部识别的方法。
在示例性实施例中，还提供了一种非临时性计算机可读存储介质，所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现上述所述的面部识别的方法。
本发明实施例中，服务器获取到待识别的面部图像后，可以提取面部图像对应的至少一个目标特征向量，进而，可以计算每个目标特征向量与每个面部标识对应的均值向量的距离，得到每个目标特征向量对应的第一距离集合，基于各第一距离集合，确定面部图像对应的第一识别结果及其对应的第一置信度。确定出至少一个目标特征向量后，还可以计算每个目标特征向量与每个面部标识对应的每个特征向量的距离，得到每个目标特征向量对应的第二距离集合，进而，可以基于各第二距离集合，确定面部图像对应的第二识别结果及其对应的第二置信度。确定出第一识别结果及其对应的第一置信度、第二识别结果及其对应的第二置信度后，可以确定面部图像对应的面部识别结果及其对应的置信度。这样，可以通过融合第一识别结果和第二识别结果，来确定面部图像对应的面部识别结果，无需预先训练分类器，进而，可以避免增加新的面部标识时，重新训练分类器，从而，可以提高面部识别的效率。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (15)

1.一种面部识别的方法，其特征在于，所述方法包括：
获取待识别的面部图像，并提取所述面部图像对应的至少一个目标特征向量；
计算每个目标特征向量与数据库中预先存储的每个面部标识对应的均值向量的距离，得到每个目标特征向量对应的第一距离集合，确定每个第一距离集合中最小的距离对应的面部标识；在各第一距离集合中最小的距离对应的面部标识中，确定出现次数最多的面部标识，作为所述面部图像对应的第一识别结果；根据所述第一识别结果在各第一距离集合中对应的最小的距离，确定所述第一识别结果对应的第一置信度；
计算每个目标特征向量与数据库中预先存储的每个面部标识对应的每个特征向量的距离，得到每个目标特征向量对应的第二距离集合，确定每个第二距离集合中满足预设选取条件的目标距离对应的面部标识；在每个第二距离集合中各目标距离对应的面部标识中，确定出现次数最多的目标面部标识；在各目标面部标识中，确定出现次数最多的目标面部标识，作为所述面部图像对应的第二识别结果；根据所述第二识别结果在各第二距离集合中对应的最小的距离，确定所述第二识别结果对应的第二置信度；
根据所述第一识别结果、所述第一识别结果对应的第一置信度和所述第二识别结果、所述第二识别结果对应的第二置信度，确定所述面部图像对应的面部识别结果和所述面部识别结果对应的置信度。
2.根据权利要求1所述的方法，其特征在于，所述根据所述第一识别结果、所述第一识别结果对应的第一置信度和所述第二识别结果、所述第二识别结果对应的第二置信度，确定所述面部图像对应的面部识别结果和所述面部识别结果对应的置信度，包括：
当所述第一识别结果与所述第二识别结果相同时，将所述第一识别结果或所述第二识别结果确定为所述面部图像对应的面部识别结果；并将所述第一置信度和所述第二置信度中最大的置信度确定为所述面部识别结果对应的置信度。
3.根据权利要求1所述的方法，其特征在于，所述根据所述第一识别结果、所述第一识别结果对应的第一置信度和所述第二识别结果、所述第二识别结果对应的第二置信度，确定所述面部图像对应的面部识别结果和所述面部识别结果对应的置信度，包括：
当所述第一识别结果与所述第二识别结果不同、且所述第二置信度与所述第一置信度的差值大于第一预设阈值时，将所述第二识别结果确定为所述面部图像对应的面部识别结果，并将所述第二置信度，确定为所述面部识别结果对应的置信度。
4.根据权利要求1所述的方法，其特征在于，所述根据所述第一识别结果、所述第一识别结果对应的第一置信度和所述第二识别结果、所述第二识别结果对应的第二置信度，确定所述面部图像对应的面部识别结果和所述面部识别结果对应的置信度，包括：
当所述第一识别结果与所述第二识别结果不相同、且所述第一置信度与所述第二置信度的差值大于第二预设阈值时，将所述第一识别结果确定为所述面部图像对应的面部识别结果，并将所述第一置信度确定为所述面部识别结果对应的置信度。
5.根据权利要求1所述的方法，其特征在于，所述根据所述第一识别结果、所述第一识别结果对应的第一置信度和所述第二识别结果、所述第二识别结果对应的第二置信度，确定所述面部图像对应的面部识别结果和所述面部识别结果对应的置信度，包括：
当所述第一识别结果与所述第二识别结果不相同、且所述第二置信度与所述第一置信度的差值小于第一预设阈值、且所述第一置信度与所述第二置信度的差值小于第二预设阈值时，将所述第一识别结果确定为所述面部图像对应的面部识别结果，并将所述第一置信度和所述第二置信度中最小的置信度确定为所述面部识别结果对应的置信度。
6.根据权利要求1所述的方法，其特征在于，所述根据所述第一识别结果、所述第一识别结果对应的第一置信度和所述第二识别结果、所述第二识别结果对应的第二置信度，确定所述面部图像对应的面部识别结果和所述面部识别结果对应的置信度，包括：
将所述第一识别结果、所述第一识别结果对应的第一置信度和所述第二识别结果、所述第二识别结果对应的第二置信度输入到预先训练的面部识别模型中，得到所述面部图像对应的面部识别结果和所述面部识别结果对应的置信度。
7.根据权利要求6所述的方法，其特征在于，所述方法还包括：
计算每个训练面部图像对应的特征向量与数据库中预先存储的每个面部标识对应的均值向量的距离，得到第一距离集合，确定第一距离集合中最小的距离对应的面部标识，作为每个训练面部图像对应的第一识别结果，根据第一识别结果在第一距离集合中对应的最小的距离，确定第一识别结果对应的第一置信度；
计算每个训练面部图像对应的特征向量与数据库中预先存储的每个面部标识对应的每个特征向量的距离，得到第二距离集合，确定第二距离集合中满足预设选取条件的目标距离对应的面部标识；在各目标距离对应的面部标识中，确定出现次数最多的目标面部标识，作为每个训练面部图像对应的第二识别结果，根据第二识别结果在第二距离集合中对应的最小的距离，确定第二识别结果对应的第二置信度；
将每个训练面部图像对应的第一识别结果、第一置信度和第二识别结果、第二置信度，输入到面部识别模型中，得到每个训练面部图像对应的面部识别结果和置信度；
根据得到的每个训练面部图像对应的面部识别结果和置信度、以及预设的每个训练面部图像对应的面部识别结果和置信度，对所述面部识别模型的模型参数进行调整，得到训练后的面部识别模型。
8.一种面部识别的装置，其特征在于，所述装置包括：
获取模块，用于获取待识别的面部图像，并提取所述面部图像对应的至少一个目标特征向量；
第一计算模块，用于计算每个目标特征向量与数据库中预先存储的每个面部标识对应的均值向量的距离，得到每个目标特征向量对应的第一距离集合，确定每个第一距离集合中最小的距离对应的面部标识；在各第一距离集合中最小的距离对应的面部标识中，确定出现次数最多的面部标识，作为所述面部图像对应的第一识别结果；根据所述第一识别结果在各第一距离集合中对应的最小的距离，确定所述第一识别结果对应的第一置信度；
第二计算模块，用于计算每个目标特征向量与数据库中预先存储的每个面部标识对应的每个特征向量的距离，得到每个目标特征向量对应的第二距离集合，确定每个第二距离集合中满足预设选取条件的目标距离对应的面部标识；在每个第二距离集合中各目标距离对应的面部标识中，确定出现次数最多的目标面部标识；在各目标面部标识中，确定出现次数最多的目标面部标识，作为所述面部图像对应的第二识别结果；根据所述第二识别结果在各第二距离集合中对应的最小的距离，确定所述第二识别结果对应的第二置信度；
确定模块，用于根据所述第一识别结果、所述第一识别结果对应的第一置信度和所述第二识别结果、所述第二识别结果对应的第二置信度，确定所述面部图像对应的面部识别结果和所述面部识别结果对应的置信度。
9.根据权利要求8所述的装置，其特征在于，所述确定模块，用于：
当所述第一识别结果与所述第二识别结果相同时，将所述第一识别结果或所述第二识别结果确定为所述面部图像对应的面部识别结果；并将所述第一置信度和所述第二置信度中最大的置信度确定为所述面部识别结果对应的置信度。
10.根据权利要求8所述的装置，其特征在于，所述确定模块，用于：
当所述第一识别结果与所述第二识别结果不同、且所述第二置信度与所述第一置信度的差值大于第一预设阈值时，将所述第二识别结果确定为所述面部图像对应的面部识别结果，并将所述第二置信度，确定为所述面部识别结果对应的置信度。
11.根据权利要求8所述的装置，其特征在于，所述确定模块，用于：
当所述第一识别结果与所述第二识别结果不相同、且所述第一置信度与所述第二置信度的差值大于第二预设阈值时，将所述第一识别结果确定为所述面部图像对应的面部识别结果，并将所述第一置信度确定为所述面部识别结果对应的置信度。
12.根据权利要求8所述的装置，其特征在于，所述确定模块，用于：
当所述第一识别结果与所述第二识别结果不相同、且所述第二置信度与所述第一置信度的差值小于第一预设阈值、且所述第一置信度与所述第二置信度的差值小于第二预设阈值时，将所述第一识别结果确定为所述面部图像对应的面部识别结果，并将所述第一置信度和所述第二置信度中最小的置信度确定为所述面部识别结果对应的置信度。
13.根据权利要求8所述的装置，其特征在于，所述确定模块，用于：
将所述第一识别结果、所述第一识别结果对应的第一置信度和所述第二识别结果、所述第二识别结果对应的第二置信度输入到预先训练的面部识别模型中，得到所述面部图像对应的面部识别结果和所述面部识别结果对应的置信度。
14.一种服务器，其特征在于，所述服务器包括处理器和存储器，所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如权利要求1至7任一所述的面部识别的方法。
15.一种计算机可读存储介质，其特征在于，所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现如权利要求1至7任一所述的面部识别的方法。
CN201810239389.3A 2018-03-22 2018-03-22 面部识别的方法和装置 Active CN108491794B (zh)

Priority Applications (5)

Application Number Priority Date Filing Date Title
CN201810239389.3A CN108491794B (zh) 2018-03-22 2018-03-22 面部识别的方法和装置
PCT/CN2019/076398 WO2019179295A1 (zh) 2018-03-22 2019-02-28 面部识别的方法和装置
JP2020542097A JP6973876B2 (ja) 2018-03-22 2019-02-28 顔認識方法、顔認識装置及び顔認識方法を実行するコンピュータプログラム
EP19770980.1A EP3757873B1 (en) 2018-03-22 2019-02-28 Facial recognition method and device
US16/890,484 US11138412B2 (en) 2018-03-22 2020-06-02 Facial recognition method and apparatus

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810239389.3A CN108491794B (zh) 2018-03-22 2018-03-22 面部识别的方法和装置

Publications (2)

Publication Number Publication Date
CN108491794A true CN108491794A (zh) 2018-09-04
CN108491794B CN108491794B (zh) 2023-04-07

Family

ID=63319001

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810239389.3A Active CN108491794B (zh) 2018-03-22 2018-03-22 面部识别的方法和装置

Country Status (5)

Country Link
US (1) US11138412B2 (zh)
EP (1) EP3757873B1 (zh)
JP (1) JP6973876B2 (zh)
CN (1) CN108491794B (zh)
WO (1) WO2019179295A1 (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109766882A (zh) * 2018-12-18 2019-05-17 北京诺亦腾科技有限公司 人体光点的标签识别方法、装置
CN109815839A (zh) * 2018-12-29 2019-05-28 深圳云天励飞技术有限公司 微服务架构下的徘徊人员识别方法及相关产品
CN110163175A (zh) * 2019-05-28 2019-08-23 杭州电子科技大学 一种基于改进vgg-16网络的步态识别方法及系统
WO2019179295A1 (zh) * 2018-03-22 2019-09-26 腾讯科技（深圳）有限公司 面部识别的方法和装置
CN110505498A (zh) * 2019-09-03 2019-11-26 腾讯科技（深圳）有限公司 视频的处理、播放方法、装置及计算机可读介质
CN111242230A (zh) * 2020-01-17 2020-06-05 腾讯科技（深圳）有限公司 基于人工智能的图像处理方法及图像分类模型训练方法
WO2020124390A1 (zh) * 2018-12-18 2020-06-25 华为技术有限公司 一种面部属性的识别方法及电子设备
CN111507232A (zh) * 2020-04-10 2020-08-07 三一重工股份有限公司 多模态多策略融合的陌生人识别方法和系统
CN111626193A (zh) * 2020-05-26 2020-09-04 北京嘀嘀无限科技发展有限公司 一种面部识别方法、面部识别装置及可读存储介质

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11074733B2 (en) * 2019-03-15 2021-07-27 Neocortext, Inc. Face-swapping apparatus and method
CN110210307B (zh) * 2019-04-30 2023-11-28 中国银联股份有限公司 人脸样本库部署方法、基于人脸识别业务处理方法及装置
US20230367854A1 (en) * 2022-05-10 2023-11-16 Bank Of America Corporation Creating feature based image recognition subclasses for identity verification

Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101178773A (zh) * 2007-12-13 2008-05-14 北京中星微电子有限公司 基于特征提取和分类器的图像识别系统及方法
CN101226590A (zh) * 2008-01-31 2008-07-23 湖南创合制造有限公司 一种人脸识别方法
CN101561874A (zh) * 2008-07-17 2009-10-21 清华大学 一种人脸图像识别的方法
CN101719222A (zh) * 2009-11-27 2010-06-02 北京中星微电子有限公司 分类器训练方法和装置以及人脸认证方法和装置
KR101475155B1 (ko) * 2013-10-14 2014-12-19 삼성물산 주식회사 전기 비저항을 이용한 터널 막장 전방 지반조건 예측방법
CN104484650A (zh) * 2014-12-09 2015-04-01 北京信息科技大学 素描人脸识别的方法和装置
CN104808921A (zh) * 2015-05-08 2015-07-29 三星电子（中国）研发中心 进行信息提醒的方法及装置
WO2015121797A1 (en) * 2014-02-12 2015-08-20 Kaddymatic Inc Control system of a self-moving cart, in particular a golf caddie
CN105844283A (zh) * 2015-01-16 2016-08-10 阿里巴巴集团控股有限公司 用于识别图像类目归属的方法、图像搜索方法及装置
CN105956518A (zh) * 2016-04-21 2016-09-21 腾讯科技（深圳）有限公司 一种人脸识别方法、装置和系统
CN106022317A (zh) * 2016-06-27 2016-10-12 北京小米移动软件有限公司 人脸识别方法及装置
CN106250858A (zh) * 2016-08-05 2016-12-21 重庆中科云丛科技有限公司 一种融合多种人脸识别算法的识别方法及系统
CN107220614A (zh) * 2017-05-24 2017-09-29 北京小米移动软件有限公司 图像识别方法、装置及计算机可读存储介质
CN107315795A (zh) * 2017-06-15 2017-11-03 武汉大学 联合特定人物和场景的视频实例检索方法及系统
CN107423306A (zh) * 2016-05-24 2017-12-01 华为技术有限公司 一种图像检索方法及装置
CN107545277A (zh) * 2017-08-11 2018-01-05 腾讯科技（上海）有限公司 模型训练、身份验证方法、装置、存储介质和计算机设备
CN107818313A (zh) * 2017-11-20 2018-03-20 腾讯科技（深圳）有限公司 活体识别方法、装置、存储介质和计算机设备

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11074495B2 (en) * 2013-02-28 2021-07-27 Z Advanced Computing, Inc. (Zac) System and method for extremely efficient image and pattern recognition and artificial intelligence platform
KR20140055819A (ko) * 2012-11-01 2014-05-09 삼성전자주식회사 얼굴인식장치 및 그 제어방법
US10769255B2 (en) * 2015-11-11 2020-09-08 Samsung Electronics Co., Ltd. Methods and apparatuses for adaptively updating enrollment database for user authentication
CN107403168B (zh) * 2017-08-07 2020-08-11 青岛有锁智能科技有限公司 一种面部识别系统
CN108491794B (zh) * 2018-03-22 2023-04-07 腾讯科技（深圳）有限公司 面部识别的方法和装置

Patent Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101178773A (zh) * 2007-12-13 2008-05-14 北京中星微电子有限公司 基于特征提取和分类器的图像识别系统及方法
CN101226590A (zh) * 2008-01-31 2008-07-23 湖南创合制造有限公司 一种人脸识别方法
CN101561874A (zh) * 2008-07-17 2009-10-21 清华大学 一种人脸图像识别的方法
CN101719222A (zh) * 2009-11-27 2010-06-02 北京中星微电子有限公司 分类器训练方法和装置以及人脸认证方法和装置
KR101475155B1 (ko) * 2013-10-14 2014-12-19 삼성물산 주식회사 전기 비저항을 이용한 터널 막장 전방 지반조건 예측방법
WO2015121797A1 (en) * 2014-02-12 2015-08-20 Kaddymatic Inc Control system of a self-moving cart, in particular a golf caddie
CN104484650A (zh) * 2014-12-09 2015-04-01 北京信息科技大学 素描人脸识别的方法和装置
CN105844283A (zh) * 2015-01-16 2016-08-10 阿里巴巴集团控股有限公司 用于识别图像类目归属的方法、图像搜索方法及装置
CN104808921A (zh) * 2015-05-08 2015-07-29 三星电子（中国）研发中心 进行信息提醒的方法及装置
CN105956518A (zh) * 2016-04-21 2016-09-21 腾讯科技（深圳）有限公司 一种人脸识别方法、装置和系统
CN107423306A (zh) * 2016-05-24 2017-12-01 华为技术有限公司 一种图像检索方法及装置
CN106022317A (zh) * 2016-06-27 2016-10-12 北京小米移动软件有限公司 人脸识别方法及装置
CN106250858A (zh) * 2016-08-05 2016-12-21 重庆中科云丛科技有限公司 一种融合多种人脸识别算法的识别方法及系统
CN107220614A (zh) * 2017-05-24 2017-09-29 北京小米移动软件有限公司 图像识别方法、装置及计算机可读存储介质
CN107315795A (zh) * 2017-06-15 2017-11-03 武汉大学 联合特定人物和场景的视频实例检索方法及系统
CN107545277A (zh) * 2017-08-11 2018-01-05 腾讯科技（上海）有限公司 模型训练、身份验证方法、装置、存储介质和计算机设备
CN107818313A (zh) * 2017-11-20 2018-03-20 腾讯科技（深圳）有限公司 活体识别方法、装置、存储介质和计算机设备

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
GEORGESCU D等: "A real-time face recognition system using eigenfaces", 《JOURNAL OF MOBILE, EMBEDDED AND DISTRIBUTED SYSTEMS》 *
GHORBANDAEI POUR等: "Human–Robot Facial Expression Reciprocal Interaction Platform: Case Studies on Children with Autism" *
XIHUA.LI: "Improving precision and recall of face recognition in SIPP with combination of modified mean search and LSH", 《ARXIV:1709.03872V2 [CS.CV]》 *
刘兴: "人脸识别方法及其应用研究" *
戴阳阳等: "初始点优化与参数自适应的密度聚类算法", 《计算机工程》 *
文颖等: "一种基于共同向量结合2DPCA的人脸识别方法" *

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019179295A1 (zh) * 2018-03-22 2019-09-26 腾讯科技（深圳）有限公司 面部识别的方法和装置
US11138412B2 (en) 2018-03-22 2021-10-05 Tencent Technology (Shenzhen) Company Limited Facial recognition method and apparatus
WO2020124390A1 (zh) * 2018-12-18 2020-06-25 华为技术有限公司 一种面部属性的识别方法及电子设备
CN109766882A (zh) * 2018-12-18 2019-05-17 北京诺亦腾科技有限公司 人体光点的标签识别方法、装置
CN109766882B (zh) * 2018-12-18 2020-11-20 北京诺亦腾科技有限公司 人体光点的标签识别方法、装置
CN113196279A (zh) * 2018-12-18 2021-07-30 华为技术有限公司 一种面部属性的识别方法及电子设备
CN113196279B (zh) * 2018-12-18 2024-02-09 华为技术有限公司 一种面部属性的识别方法及电子设备
CN109815839A (zh) * 2018-12-29 2019-05-28 深圳云天励飞技术有限公司 微服务架构下的徘徊人员识别方法及相关产品
CN110163175A (zh) * 2019-05-28 2019-08-23 杭州电子科技大学 一种基于改进vgg-16网络的步态识别方法及系统
CN110505498A (zh) * 2019-09-03 2019-11-26 腾讯科技（深圳）有限公司 视频的处理、播放方法、装置及计算机可读介质
CN111242230A (zh) * 2020-01-17 2020-06-05 腾讯科技（深圳）有限公司 基于人工智能的图像处理方法及图像分类模型训练方法
CN111507232A (zh) * 2020-04-10 2020-08-07 三一重工股份有限公司 多模态多策略融合的陌生人识别方法和系统
CN111507232B (zh) * 2020-04-10 2023-07-21 盛景智能科技(嘉兴)有限公司 多模态多策略融合的陌生人识别方法和系统
CN111626193A (zh) * 2020-05-26 2020-09-04 北京嘀嘀无限科技发展有限公司 一种面部识别方法、面部识别装置及可读存储介质

Also Published As

Publication number Publication date
EP3757873A1 (en) 2020-12-30
JP2021513700A (ja) 2021-05-27
EP3757873A4 (en) 2021-03-31
CN108491794B (zh) 2023-04-07
EP3757873B1 (en) 2024-08-07
WO2019179295A1 (zh) 2019-09-26
US20200293761A1 (en) 2020-09-17
JP6973876B2 (ja) 2021-12-01
US11138412B2 (en) 2021-10-05

Similar Documents

Publication Publication Date Title
CN108491794A (zh) 面部识别的方法和装置
Agarwal et al. Swapped! digital face presentation attack detection via weighted local magnitude pattern
US20190034746A1 (en) System and method for identifying re-photographed images
CN110853033B (zh) 基于帧间相似度的视频检测方法和装置
US8792722B2 (en) Hand gesture detection
CN109508694A (zh) 一种人脸识别方法及识别装置
US20120027263A1 (en) Hand gesture detection
JP2019057815A (ja) 監視システム
CN109472193A (zh) 人脸检测方法及装置
US10528844B2 (en) Method and apparatus for distance measurement
CN111079816A (zh) 图像的审核方法、装置和服务器
CN108563651B (zh) 一种多视频的目标搜索方法、装置及设备
CN114299365B (zh) 图像模型隐蔽后门的检测方法及系统、存储介质、终端
WO2020195732A1 (ja) 画像処理装置、画像処理方法、およびプログラムが格納された記録媒体
Wang et al. Sface: An efficient network for face detection in large scale variations
US9117132B2 (en) System and method facilitating designing of classifier while recognizing characters in a video
US20190171885A1 (en) Generating signatures within a network that includes a plurality of computing devices of varying processing capabilities
CN114902299A (zh) 图像中关联对象的检测方法、装置、设备和存储介质
CN111091089B (zh) 一种人脸图像处理方法、装置、电子设备及存储介质
CN110348272A (zh) 动态人脸识别的方法、装置、系统和介质
US11087121B2 (en) High accuracy and volume facial recognition on mobile platforms
EP3757867A1 (en) Method and system for determining whether input data to be classified is manipulated input data
KR20230040848A (ko) 신분증 인식 방법 및 장치
CN111191519B (zh) 一种用于移动供电装置用户接入的活体检测方法
CN113762249A (zh) 图像攻击检测、图像攻击检测模型训练方法和装置

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