CN108985153A - 一种面部识别方法及装置 - Google Patents
一种面部识别方法及装置 Download PDFInfo
- Publication number
- CN108985153A CN108985153A CN201810566589.XA CN201810566589A CN108985153A CN 108985153 A CN108985153 A CN 108985153A CN 201810566589 A CN201810566589 A CN 201810566589A CN 108985153 A CN108985153 A CN 108985153A
- Authority
- CN
- China
- Prior art keywords
- similarity
- facial
- facial picture
- feature vector
- presetting
- 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.)
- Pending
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
- G06V40/168—Feature extraction; Face representation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/30—Scenes; Scene-specific elements in albums, collections or shared content, e.g. social network photos or video
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例提出一种面部识别方法及装置,涉及面部识别领域。该方法及装置基于多个预建立的卷积神经网络分别获取第一面部图片、第二面部图片多个预设定位置处的第一特征向量以及第二特征向量从而形成多个特征向量组,并依据特征向量组计算第一面部图片与第二面部图片的面部相似度,从而完成面部识别;由于在计算面部相似度的过程中采用了多个特征向量组,从而避免了仅采用单个特征向量代表面部信息造成的最终识别结果不准确的问题,降低面部某些大特征错误带来的干扰,提高了面部识别系统的鲁棒性;同时由于无需对第一面部图片、第二面部图片做额外的处理,增加额外的训练数据,因而通过本方法训练得出的面部识别模型的成本较低。
Description
技术领域
本发明涉及面部识别领域,具体而言,涉及一种面部识别方法及装置。
背景技术
面部识别是基于深度学习的计算机视觉领域的一个重要研究方向,也有着极为丰富的应用场景。近些年来,不断有更多的深度学习模型被提出并运用于面部识别这一课题中。
在传统的方法中,人们往往会将整张面部作为模型的传入量,并期望这个模型返回出一个能代表整张面部信息的特征向量,进而计算不同特征向量的相似度,进行接下来的判断。然而,实际应用场景中,我们经常发现基于上述方法训练得出的模型的鲁棒性不够;在面部特征出现变化时,例如发型与胡子的变化,或者面部被小范围遮挡,例如配戴眼镜等情况时,经常会出现识别错误。
对于这种情况,一个传统的解决办法是,在训练数据中添加更多样的数据。例如,对于同一个人,添加其不同发型及不同遮挡情况的数据。然而,这种做法会大幅提高数据准备方面的成本,且当数据过于杂乱时,即同一个人不同情况的图片种类过多时,模型训练时往往难以很好地收敛。
发明内容
有鉴于此,本发明的目的在于提供一种面部识别方法及装置,以解决上述问题。
为了实现上述目的,本发明实施例采用的技术方案如下:
第一方面,本发明实施例提供了一种面部识别方法,所述面部识别方法包括:
接收第一面部图片以及第二面部图片;
基于多个预建立的卷积神经网络分别获取所述第一面部图片包含的多个第一预设定位置处的第一特征向量以及所述第二面部图片包含的多个第二预设定位置处的第二特征向量;
将每对存在预设定对应关系的第一预设定位置处的第一特征向量、第二预设定位置处的第二特征向量构成多个特征向量组;
基于多个所述特征向量组计算所述第一面部图片与所述第二面部图片的面部相似度。
第二方面,本发明实施例还提供了一种面部识别装置,所述面部识别装置包括:
信息接收单元,用于接收第一面部图片以及第二面部图片;
特征向量获取单元,用于基于多个预建立的卷积神经网络分别获取所述第一面部图片包含的多个第一预设定位置处的第一特征向量以及所述第二面部图片包含的多个第二预设定位置处的第二特征向量;
特征向量组构成单元,用于将每对存在预设定对应关系的第一预设定位置处的第一特征向量、第二预设定位置处的第二特征向量构成多个特征向量组;
相似度计算单元,用于基于多个所述特征向量组计算所述第一面部图片与所述第二面部图片的面部相似度。
本发明实施例提供的面部识别方法及装置,基于多个预建立的卷积神经网络分别获取第一面部图片、第二面部图片多个预设定位置处的第一特征向量以及第二特征向量从而形成多个特征向量组,并依据特征向量组计算第一面部图片与第二面部图片的面部相似度,从而完成面部识别;由于在计算面部相似度的过程中采用了多个特征向量组,从而避免了仅采用单个特征向量代表面部信息造成的最终识别结果不准确的问题,降低面部某些大特征错误带来的干扰,提高了面部识别系统的鲁棒性;同时由于无需对第一面部图片、第二面部图片做额外的处理,增加额外的训练数据,因而通过本方法训练得出的面部识别模型的成本较低。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1示出了本发明实施例提供的服务器的功能框图。
图2示出了本发明实施例提供的种面部识别方法的流程图。
图3示出了图2中步骤S202的具体流程图。
图4示出了图2中步骤S204的具体流程图。
图5示出了图4中子步骤S2042的具体流程图。
图6示出了本发明实施例提供的一种面部识别装置的功能模块图。
图标:100-服务器;111-存储器;112-处理器;113-通信单元;200-面部识别装置;210-信息接收单元;220-特征向量获取单元;230-相似度计算单元。
具体实施方式
下面将结合本发明实施例中附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。同时,在本发明的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
请参阅图1,图1示出了一种可应用于本发明实施例中的服务器100的功能框图。包括面部识别装置200、存储器111、存储控制器,一个或多个(图中仅示出一个)处理器112、通信单元113。这些组件通过一条或多条通讯总线/信号线相互通讯。所述面部识别装置200包括至少一个可以软件或固件(firmware)的形式存储于所述存储器111中或固化在所述服务器100的操作系统(operating S4stem,OS)中的软件功能单元。
存储器111可用于存储软件程序以及单元,如本发明实施例中的软件测试装置及方法所对应的程序指令/单元,处理器112通过运行存储在存储器111内的面部识别装置200、方法的软件程序以及单元,从而执行各种功能应用以及数据处理,如本发明实施例提供的面部识别方法。其中,所述存储器111可以是,但不限于,随机存取存储器(RandomAccess Memor3,RAM),只读存储器(Read Onl3 Memor3,ROM),可编程只读存储器(Programmable Read-Onl3 Memor3,PROM),可擦除只读存储器(Erasable ProgrammableRead-Onl3 Memor3,EPROM),电可擦除只读存储器(Electric Erasable ProgrammableRead-Onl3 Memor3,EEPROM)等。处理器112以及其他可能的组件对存储器111的访问可在存储控制器的控制下进行。
所述通信单元113用于通过所述网络建立所述服务器100与其它通信终端之间的通信连接,并用于通过所述网络收发数据。
应当理解的是,图1所示的结构仅为示意,服务器100还可包括比图1中所示更多或者更少的组件,或者具有与图1所示不同的配置。图1中所示的各组件可以采用硬件、软件或其组合实现。
第一实施例
本发明实施例提供了一种面部识别方法,通过判断两张面部图片是否属于同一个人,从而实现面部识别。请参阅图2,为本发明实施例提供的面部识别方法的流程图。该面部识别方法包括:
步骤S201:接收第一面部图片以及第二面部图片。
可以理解地,第一面部图片与第二面部图片可以是属于同一个人的面部图片、同一个人具有不同特征的面部图片、或是不同人的面部图片等等。此外,对第一面部图片和第二面部图片的格式不做具体限制。
步骤S202:基于多个预建立的卷积神经网络分别获取第一面部图片包含的多个第一预设定位置处的第一特征向量以及第二面部图片包含的多个第二预设定位置处的第二特征向量。
请参阅图3,为步骤S202的具体流程图。步骤S202包括:
子步骤S2021:分别获取第一面部图片包含的多个第一预设定位置处的第一识别碎片以及第二面部图片包含的多个第二预设定位置处的第二识别碎片。
需要说明的是,第一预设定位置的数量和分布情况与第二预设定位置的数量和分布情况均一致。例如,第一预设定位置包括眼睛、嘴巴、眉毛、颧骨、额头、嘴角等等区域,第二预设定位置也包括眼睛、嘴巴、眉毛、颧骨、额头、嘴角等等区域,从而使得第一预设定位置与第二预设定位置一一对应。
可以理解地,第一预设定位置或是第二预设定位置的数量越多,面部图片则被划分的越细,从而识别结果受到某区域内错误特征的干扰便较小,识别精度便更高。
子步骤S2022:基于每个第一识别碎片及与每个第一识别碎片对应的预建立的卷积神经网络获取第一特征向量。
需要说明的是,每个第一预设定位置都有与之对应的预建立的卷积神经网络,基于该第一预设定位置处获得的识别碎片以及与之对应的预建立的卷积神经网,可获取该位置的特征向量,以表示识别碎片的面部信息。
子步骤S2023:基于每个第二识别碎片及与每个第二识别碎片对应的预建立的卷积神经网络获取第二特征向量。
需要说明的是,每个第二预设定位置都有与之对应的预建立的卷积神经网络,基于该第二预设定位置处获得的识别碎片以及与之对应的预建立的卷积神经网,可获取该位置的特征向量,以表示识别碎片的面部信息。
步骤S203:将每对存在预设定对应关系的第一预设定位置处的第一特征向量、第二预设定位置处的第二特征向量构成多个特征向量组。
需要说明的是,存在预设定对应关系首先指第一预设定位置与第二预设定位置存在对应关系,从而从第一图片包含的第一预设定位置处的获得的第一特征向量与从第二图片包含的第二预设定位置处的获得的第二特征向量存在对应关系。例如,第一特征向量是基于第一面部图片的眼部区域获取的,那与之对应的第二特征向量则是基于第二面部图片的眼部区域获取的。
可以理解地,在比较第一面部图片、第二面部图片的过程中,由于存在多个不同的预设定位置,因而存在多个不同的特征向量组,从而在后续步骤实现,第一面部图片的眼睛与第二面部图片的眼睛进行对比,第一面部图片的嘴巴与第二面部图片的嘴巴进行对比等操作。
步骤S204:基于多个特征向量组计算第一面部图片与第二面部图片的面部相似度。
请参阅图4,为步骤S204的具体流程图。步骤S204包括:
子步骤S2041:计算每个特征向量组的相似度从而形成第一相似度集合。
由于存在多个特征向量组,因而最终可以每个特征向量组的相似度,以表示在该区域内第一面部图片和第二面部图片的相似度。例如,特征向量组是第一面部图片和第二面部图片眼睛处的特征向量,因而基于该组特征向量计算出的相似度,即为第一面部图片和第二面部图片中眼睛部位的相似度。
将每个特征向量组计算获得的相似度记为si,i=1,2,…,N,令S为所有si的集合,即为第一相似度集合,则S:={si,i=1,2,…,N},其中,i代表特征向量组的序号。
子步骤S2042:剔除第一相似度集合中不符合预设条件的相似度从而形成第二相似度集合。
请参阅图5,为子步骤S2042的具体流程图。子步骤S2042包括:
子步骤S20421:计算第一相似度集合的平均值以及标准差。
已知第一相似度集合包括s1,s2,…sN,求出第一相似度集合的平均值μ以及标准差σ,可以确定第一相似度集合中相似度的分布情况。
子步骤S20422:基于平均值以及标准差剔除第一相似度集合中的离群值从而形成第二相似度集合。
离群值也称为逸出值,其相对于第一相似度集合中的其他值有较大的差异,如果继续依照离群值计算第一面部图片与第二面部图片的面部相似度,可能会对识别结果造成较大误差。
例如,假设第一面部图片与第二面部图片为同一个人戴眼镜前后的图片,即:第一面部图片中不包含眼镜,第二面部图片包括眼镜;可以理解地,此时得出的第一相似度集合中,基于眼部区域的特征向量组得到的相似度,相对于其他值会有较大差异,如果继续使用该相似度计算面部相似度,则很可能因为眼镜的原因降低面部相似度,导致最终的识别结果的准确度降低。
因而,通过剔除第一相似度集合中的离群值,可以提高最终识别结果的准确性,也提高了面部识别系统的鲁棒性。
在一种优选的实施例中,将满足的相似度,保留至第二相似度集合,不满足上述算式的相似度,作为离群值剔除,其中,a、b为预设定的常数。
因而,最终获得的第二相似度集合满足:
子步骤S2043:基于第二相似度集合计算第一面部图片与第二面部图片的面部相似度。
由于第二相似度集合中已经排除了某些错误特征区域的干扰,因为基于第二相似度集合计算的第一面部图片与第二面部图片的面部相似度较为准确。
第二实施例
请参阅图6,图6为本发明较佳实施例提供的一种面部识别装置200的功能模块图。需要说明的是,本实施例所提供的面部识别装置200,其基本原理及产生的技术效果和上述实施例相同,为简要描述,本实施例部分未提及之处,可参考上述的实施例中相应内容。其中,面部识别装置200包括信息接收单元210、特征向量获取单元220、特征向量组构成单元230以及相似度计算单元240。
信息接收单元210用于接收第一面部图片以及第二面部图片。
可以理解地,在一种优选的实施例中,信息接收单元210可用于执行步骤S201。
特征向量获取单元220用于基于多个预建立的卷积神经网络分别获取所述第一面部图片包含的多个第一预设定位置处的第一特征向量以及所述第二面部图片包含的多个第二预设定位置处的第二特征向量。
具体地,特征向量获取单元220首先分别获取所述第一面部图片包含的多个第一预设定位置处的第一识别碎片以及第二面部图片包含的多个第二预设定位置处的第二识别碎片。
接着,特征向量获取单元220还用于基于每个所述第一识别碎片及与每个所述第一识别碎片对应的预建立的卷积神经网络获取所述第一特征向量以及基于每个所述第二识别碎片及与每个所述第二识别碎片对应的预建立的卷积神经网络获取所述第二特征向量。
可以理解地,在一种优选的实施例中,特征向量获取单元220可用于执行步骤S202、子步骤S2021、子步骤S2022以及子步骤S2023。
特征向量组构成单元230用于将每对存在预设定对应关系的第一预设定位置处的第一特征向量、第二预设定位置处的第二特征向量构成多个特征向量组。
可以理解地,在一种优选的实施例中,特征向量组构成单元230可用于执行步骤S203。
相似度计算单元240用于基于多个特征向量组计算第一面部图片与第二面部图片的面部相似度。
具体地,相似度计算单元240可用于计算每个特征向量组的相似度从而形成第一相似度集合。
相似度计算单元240还用于剔除第一相似度集合中不符合预设条件的相似度从而形成第二相似度集合。
具体地,相似度计算单元240剔除第一相似度集合中不符合预设条件的相似度从而形成第二相似度集合的过程为:
首先,计算第一相似度集合的平均值以及标准差。
接着,基于平均值以及标准差剔除第一相似度集合中的离群值从而形成第二相似度集合。
需要说明的是,第二相似度集合应当满足:其中,S为第一相似度集合,为第二相似度集合,μ为平均值,σ为标准差,s为每个特征向量组的相似度,a、b为预设定的常数。
相似度计算单元240还用于基于第二相似度集合计算第一面部图片与第二面部图片的面部相似度。
可以理解地,在一种优选的实施例中,相似度计算单元240可用于执行步骤S204、子步骤S2041、子步骤S2042、子步骤S20421、子步骤S20422以及子步骤S20423。
综上所述,本发明实施例提供的面部识别方法及装置,基于多个预建立的卷积神经网络分别获取第一面部图片、第二面部图片多个预设定位置处的第一特征向量以及第二特征向量从而形成多个特征向量组,并依据特征向量组计算第一面部图片与第二面部图片的面部相似度,从而完成面部识别;由于在计算面部相似度的过程中采用了多个特征向量组,从而避免了仅采用单个特征向量代表面部信息造成的最终识别结果不准确的问题,降低面部某些大特征错误带来的干扰,提高了面部识别系统的鲁棒性;同时由于无需对第一面部图片、第二面部图片做额外的处理,增加额外的训练数据,因而通过本方法训练得出的面部识别模型的成本较低。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本发明的多个实施例的装置、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,所述模块、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方式中,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,两个连续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,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动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。
另外,在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块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,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Onl3 Memor3)、随机存取存储器(RAM,Random Access Memor3)、磁碟或者光盘等各种可以存储程序代码的介质。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。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。应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
Claims (10)
1.一种面部识别方法,其特征在于,所述面部识别方法包括:
接收第一面部图片以及第二面部图片;
基于多个预建立的卷积神经网络分别获取所述第一面部图片包含的多个第一预设定位置处的第一特征向量以及所述第二面部图片包含的多个第二预设定位置处的第二特征向量;
将每对存在预设定对应关系的第一预设定位置处的第一特征向量、第二预设定位置处的第二特征向量构成多个特征向量组;
基于多个所述特征向量组计算所述第一面部图片与所述第二面部图片的面部相似度。
2.根据权利要求1所述的面部识别方法,其特征在于,所述基于多个预建立的卷积神经网络分别获取所述第一面部图片包含的多个第一预设定位置处的第一特征向量以及所述第二面部图片包含的多个第二预设定位置处的第二特征向量的步骤包括:
分别获取所述第一面部图片包含的多个第一预设定位置处的第一识别碎片以及第二面部图片包含的多个第二预设定位置处的第二识别碎片;
基于每个所述第一识别碎片及与每个所述第一识别碎片对应的预建立的卷积神经网络获取所述第一特征向量;
基于每个所述第二识别碎片及与每个所述第二识别碎片对应的预建立的卷积神经网络获取所述第二特征向量。
3.根据权利要求1所述的面部识别方法,其特征在于,所述基于多个所述特征向量组计算所述第一面部图片与所述第二面部图片的面部相似度的步骤包括:
计算每个所述特征向量组的相似度从而形成第一相似度集合;
剔除所述第一相似度集合中不符合预设条件的相似度从而形成第二相似度集合;
基于所述第二相似度集合计算所述第一面部图片与所述第二面部图片的面部相似度。
4.根据权利要求3所述的面部识别方法,其特征在于,所述剔除所述第一相似度集合中不符合预设条件的相似度从而形成第二相似度集合的步骤包括:
计算所述第一相似度集合的平均值以及标准差;
基于所述平均值以及所述标准差剔除所述第一相似度集合中的离群值从而形成所述第二相似度集合。
5.根据权利要求4所述的面部识别方法,其特征在于,所述第二相似度集合满足:其中,S为第一相似度集合,为第二相似度集合,μ为平均值,σ为标准差,s为每个所述特征向量组的相似度,a、b为预设定的常数。
6.一种面部识别装置,其特征在于,所述面部识别装置包括:
信息接收单元,用于接收第一面部图片以及第二面部图片;
特征向量获取单元,用于基于多个预建立的卷积神经网络分别获取所述第一面部图片包含的多个第一预设定位置处的第一特征向量以及所述第二面部图片包含的多个第二预设定位置处的第二特征向量;
特征向量组构成单元,用于将每对存在预设定对应关系的第一预设定位置处的第一特征向量、第二预设定位置处的第二特征向量构成多个特征向量组;
相似度计算单元,用于基于多个所述特征向量组计算所述第一面部图片与所述第二面部图片的面部相似度。
7.根据权利要求6所述的面部识别装置,其特征在于,所述特征向量获取单元还用于分别获取所述第一面部图片包含的多个第一预设定位置处的第一识别碎片以及第二面部图片包含的多个第二预设定位置处的第二识别碎片;
所述特征向量获取单元还用于基于每个所述第一识别碎片及与每个所述第一识别碎片对应的预建立的卷积神经网络获取所述第一特征向量;
所述特征向量获取单元还用于基于每个所述第二识别碎片及与每个所述第二识别碎片对应的预建立的卷积神经网络获取所述第二特征向量。
8.根据权利要求6所述的面部识别装置,其特征在于,所述相似度计算单元还用于计算每个所述特征向量组的相似度从而形成第一相似度集合;
所述相似度计算单元还用于剔除所述第一相似度集合中不符合预设条件的相似度从而形成第二相似度集合;
所述相似度计算单元还用于基于所述第二相似度集合计算所述第一面部图片与所述第二面部图片的面部相似度。
9.根据权利要求8所述的面部识别装置,其特征在于,所述相似度计算单元还用于计算所述第一相似度集合的平均值以及标准差;
所述相似度计算单元还用于基于所述平均值以及所述标准差剔除所述第一相似度集合中的离群值从而形成所述第二相似度集合。
10.根据权利要求9所述的面部识别装置,其特征在于,所述第二相似度集合满足:其中,S为第一相似度集合,为第二相似度集合,μ为平均值,σ为标准差,s为每个所述特征向量组的相似度,a、b为预设定的常数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810566589.XA CN108985153A (zh) | 2018-06-05 | 2018-06-05 | 一种面部识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810566589.XA CN108985153A (zh) | 2018-06-05 | 2018-06-05 | 一种面部识别方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108985153A true CN108985153A (zh) | 2018-12-11 |
Family
ID=64540052
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810566589.XA Pending CN108985153A (zh) | 2018-06-05 | 2018-06-05 | 一种面部识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108985153A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012137214A1 (en) * | 2011-04-05 | 2012-10-11 | Hewlett-Packard Development Company, L. P. | Document registration |
CN102999751A (zh) * | 2013-01-06 | 2013-03-27 | 山东神思电子技术股份有限公司 | 一种基于sift特征的眉毛识别方法 |
CN103207986A (zh) * | 2013-02-06 | 2013-07-17 | 江苏清大维森科技有限责任公司 | 一种基于lbp-hf的人脸识别方法 |
CN103886305A (zh) * | 2014-04-08 | 2014-06-25 | 中国人民解放军国防科学技术大学 | 面向基层治安、维稳及反恐的特异人脸搜索方法 |
CN105934757A (zh) * | 2014-01-30 | 2016-09-07 | 华为技术有限公司 | 一种用于检测第一图像的关键点和第二图像的关键点之间的不正确关联关系的方法和装置 |
CN106898015A (zh) * | 2017-01-17 | 2017-06-27 | 华中科技大学 | 一种基于自适应子块筛选的多线索视觉跟踪方法 |
CN107330359A (zh) * | 2017-05-23 | 2017-11-07 | 深圳市深网视界科技有限公司 | 一种人脸对比的方法和装置 |
-
2018
- 2018-06-05 CN CN201810566589.XA patent/CN108985153A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012137214A1 (en) * | 2011-04-05 | 2012-10-11 | Hewlett-Packard Development Company, L. P. | Document registration |
CN102999751A (zh) * | 2013-01-06 | 2013-03-27 | 山东神思电子技术股份有限公司 | 一种基于sift特征的眉毛识别方法 |
CN103207986A (zh) * | 2013-02-06 | 2013-07-17 | 江苏清大维森科技有限责任公司 | 一种基于lbp-hf的人脸识别方法 |
CN105934757A (zh) * | 2014-01-30 | 2016-09-07 | 华为技术有限公司 | 一种用于检测第一图像的关键点和第二图像的关键点之间的不正确关联关系的方法和装置 |
CN103886305A (zh) * | 2014-04-08 | 2014-06-25 | 中国人民解放军国防科学技术大学 | 面向基层治安、维稳及反恐的特异人脸搜索方法 |
CN106898015A (zh) * | 2017-01-17 | 2017-06-27 | 华中科技大学 | 一种基于自适应子块筛选的多线索视觉跟踪方法 |
CN107330359A (zh) * | 2017-05-23 | 2017-11-07 | 深圳市深网视界科技有限公司 | 一种人脸对比的方法和装置 |
Non-Patent Citations (1)
Title |
---|
于振凡等: "《数据的统计处理和解释正态样本离群值的判断和处理》", 16 July 2008, 中国标准出版社 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11295474B2 (en) | Gaze point determination method and apparatus, electronic device, and computer storage medium | |
CN108197532B (zh) | 人脸识别的方法、装置及计算机装置 | |
CN108701216B (zh) | 一种人脸脸型识别方法、装置和智能终端 | |
CN106295476B (zh) | 人脸关键点定位方法和装置 | |
CN109284733B (zh) | 一种基于yolo和多任务卷积神经网络的导购消极行为监控方法 | |
US9254081B2 (en) | Fitting glasses frames to a user | |
US20180204094A1 (en) | Image recognition method and apparatus | |
CN109922355A (zh) | 虚拟形象直播方法、虚拟形象直播装置和电子设备 | |
CN109934196A (zh) | 人脸姿态参数评估方法、装置、电子设备及可读存储介质 | |
CN106897659A (zh) | 眨眼运动的识别方法和装置 | |
CN108198172B (zh) | 图像显著性检测方法和装置 | |
CN110276308A (zh) | 图像处理方法及装置 | |
CN109359499A (zh) | 一种用于脸部分类的方法和装置 | |
CN109993021A (zh) | 人脸正脸检测方法、装置及电子设备 | |
CN107346414A (zh) | 行人属性识别方法和装置 | |
CN113255561B (zh) | 头发信息识别方法、装置、设备及存储介质 | |
CN104281831B (zh) | 一种笔迹验证的方法和装置 | |
CN109299594A (zh) | 身份验证方法及装置 | |
CN112101156B (zh) | 一种目标识别的方法、装置和电子设备 | |
CN108520222A (zh) | 基于脸部智能扫描的识别鉴定方法、装置、存储介质及电子设备 | |
CN110647790A (zh) | 注视信息的确定方法及装置 | |
CN108986137A (zh) | 人体跟踪方法、装置及设备 | |
CN109447006A (zh) | 图像处理方法、装置、设备及存储介质 | |
CN110503068A (zh) | 视线估计方法、终端及存储介质 | |
CN109753873A (zh) | 图像处理方法及相关装置 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181211 |
|
RJ01 | Rejection of invention patent application after publication |