CN109086739A - 一种无人脸数据训练的人脸识别方法和系统 - Google Patents

一种无人脸数据训练的人脸识别方法和系统 Download PDF

Info

Publication number
CN109086739A
CN109086739A CN201810969189.3A CN201810969189A CN109086739A CN 109086739 A CN109086739 A CN 109086739A CN 201810969189 A CN201810969189 A CN 201810969189A CN 109086739 A CN109086739 A CN 109086739A
Authority
CN
China
Prior art keywords
face
library
image
picture
human
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
Application number
CN201810969189.3A
Other languages
English (en)
Inventor
李源
王飞
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.)
Hangzhou Digital Peak Technology Co Ltd
Chengdu Rui Code Technology Co Ltd
Original Assignee
Hangzhou Digital Peak Technology Co Ltd
Chengdu Rui Code Technology 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 Hangzhou Digital Peak Technology Co Ltd, Chengdu Rui Code Technology Co Ltd filed Critical Hangzhou Digital Peak Technology Co Ltd
Priority to CN201810969189.3A priority Critical patent/CN109086739A/zh
Publication of CN109086739A publication Critical patent/CN109086739A/zh
Pending legal-status Critical Current

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
    • G06V40/172—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
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • 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
    • 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
    • G06T2207/30168—Image quality inspection

Landscapes

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

Abstract

本发明公开了一种无人脸数据训练的人脸识别方法，本发明不需要海量的人脸数据训练，在缺乏人脸底库的情况下自动识别所收集到的人脸图片，便于将海量人员数据进行快速收集和分类，减少了人工识别的工作量，并对于陌生人的识别任务有着良好的适应性；本发明实现了人脸底库中数据的实时更新，并提高了人脸底库中图像的清晰度，提高了人脸识别的精确度。本发明还公开了一种无人脸底库人脸识别系统，本发明的人脸特征聚类模块弥补了MTCNN侧脸判断不准的问题，提高了照片获取的精确度，提高了人脸识别的精确度；使得人脸识别技术能在更广、更复杂的场景下应用。

Description

一种无人脸数据训练的人脸识别方法和系统
技术领域
本发明属于计算机视觉与图像处理领域，具体涉及一种无人脸数据训练的人脸识别方法和系统。
背景技术
从人脸识别技术的发现到人脸识别技术的应用，已有60多年历史，近年来，人脸识别技术作为模型识别、图像处理、机器视觉、神经网络等研究领域的热点研究课题，取得了较为突出的研究成果，并已运用于多个产业领域，如安全验证系统、信用卡验证、罪犯身份识别、银行和海关健康、人机交互等领域。
相较于其他生物识别技术，人脸识别技术具有相对的优越性：1.更简单的数据采集手续，不需要人工操作，不需要接触；2.速度较快，用户使用简便；3.较为可靠，准确度较高；4.性价比较高，可扩展性良好；5.具有自学习功能，鲁棒性较强。虽然人脸识别技术的唯一性相较于指纹和虹膜要差，但足以满足一般安全性要求的身份验证和鉴别系统。
人脸识别系统的主要研究内容包括以下5个方面：1.人脸检测。在不同场景之下找到人脸所在坐标和人脸面积区域。2.人脸表征。这一过程主要用于人脸特征的提取。3.人脸识别。待测对象与数据库中已存在的人脸图像进行比对，并得出所需结果。4.面部表情/姿势分析。识别人脸面部表情，理解人的情绪。5.生理分类。通过对人脸特征的分析，得到相关生理特征信息，如性别、年龄、种族、职业等信息。
现有研究在上述提到的研究方向都取得了较为突出的成果，但这些研究大多只适用于有海量人脸底层数据的场景，如DeepFace,DeepID,FaceNet等都是基于海量的人脸数据训练得到的。对于缺乏人脸底层数据库的场景，例如陌生人识别，要采用人脸识别技术还具有非常大的难度。现有技术中申请号为2017108922472、申请日为2017.09.27的中国发明专利公开了一种陌生人识别方法和系统，然而该识别方法中对于陌生人的识别任务没有适应性；而且对于人脸照片的处理精度不高，而且没有实现人脸数据的实时更新。
发明内容
本发明的目的在于提供一种无人脸数据训练的人脸识别方法，本发明不需要海量的人脸数据训练，在缺乏人脸底库的情况下自动识别所收集到的人脸图片，便于将海量人员数据进行快速收集和分类，减少了人工识别的工作量，并对于陌生人的识别任务有着良好的适应性；本发明实现了人脸底库中数据的实时更新，并提高了人脸底库中图像的清晰度，提高了人脸识别的精确度；使得人脸识别技术能在更广、更复杂的场景下应用。
本发明的另一个目的在于提供一种无人脸底库人脸识别系统，本发明人脸特征聚类模块弥补了MTCNN侧脸判断不准的问题，提高了照片获取的精确度，提高了人脸识别的精确度；使得人脸识别技术能在更广、更复杂的场景下应用。
本发明主要通过以下技术方案实现：一种无人脸数据训练的人脸识别方法，主要包括步骤S103：获取人脸图像与人脸底库的比对值，若根据比对值能够在底图图库中查到Face ID的图像，则输出检测到的ID，若输入图像与人脸底库图像相似度大于识别阈值加5，则进行人脸质量判断，若符合人脸质量标准，若底库照片大于等于10，则删除识别次数少的底库照片，然后加入人脸底库；若根据比对值不能够在底图图库中查到Face ID，则进行人脸质量判断，若满足人脸质量标准，则将图像加入人脸底库中，然后输出ID。所述ID可以为系统设定的身份，以提醒验证者的身份，方便安全检测。
为了更好的实现本发明，进一步的，若底库照片小于10，则直接加入人脸底库。
为了更好的实现本发明，进一步的，输出ID后对应人脸底库照片识别次数+1。
为了更好的实现本发明，进一步的，若根据比对值不能够在底图图库中查到FaceID，若满足人脸质量标准，则使用特征值MD5码生成Face ID并加入人脸底库中，然后输出ID；若不满足人脸质量标准，则判断为未识别。
为了更好的实现本发明，进一步的，若不满足人脸质量标准，则采用队列临时存储拒识别的人脸数据，在服务器空闲时，进行人脸底库对比并查到ID后删除该缓存的图片并输出ID。
为了更好的实现本发明，进一步的，当人脸底库中新增的图片数量大于500张时，则进行人脸聚类，删除相似度高的图片，合并相似度较高的Face ID。
为了更好的实现本发明，进一步的，还包括以下步骤：
步骤S101：采用MTCNN进行人脸五官特征点检测，确定图像中人脸位置，提取视频中一种或者多张人脸的抓拍照片；所述MTCNN将给定图片缩放到不同尺寸，形成图像金字塔，以达到尺寸不变；
步骤S102：运用ResNet算法进行人脸识别，并计算抓拍图像与人脸底库图像的余弦距离形成比对值。
为了更好的实现本发明，进一步的，所述步骤S101主要包括以下步骤：
步骤S1011：使用P-Net全卷积网络用来生成候选窗和边框回归向量；使用Boundingbox regression的方法来校正候选窗，使用非极大值抑制合并重叠的候选框；
步骤S1012：使用R-Net改善候选窗，将通过P-Net的候选窗输入R-Net中，拒绝掉大部分false的窗口，继续使用Bounding box regression和NMS合并；
步骤S1013：最后使用O-Net输出最终的人脸框和特征点位置；生成5个特征点位置。
为了更好的实现本发明，进一步的，所述步骤S103中进行人脸质量评估时，采用人脸质量评估算法；人脸质量评估算法主要通过步骤S101中MTCNN检测的5个关键点信息计算人脸角度与完整度，再结合深度学习图像分类模型评估图像清晰度，从而实现人脸质量评估。
本发明主要通过以下技术方案实现：一种人脸识别系统，主要包括用于确定图像中的人脸位置的人脸检测算法模块、用于提取人脸特征的人脸识别算法模块、用于评估人脸角度或人脸完整度或人脸清晰度的人脸质量评估算法模块、用于管理底库人脸图片的人脸底库管理模块、用于管理拒识别的人脸图片的拒识别人脸缓存模块、用于为每一个人生成一个固定的Face ID的Face ID生成模块、用于弥补MTCNN侧脸判断不准的人脸特征聚类模块。
所述人脸检测算法模块是通过MTCNN进行人脸五官特征点检测，提取一张或多张人脸的抓拍照片；所述人脸识别算法模块是运用ResNet算法进行人脸识别，获取抓拍图像与人脸底库中的图像的比对值；所述人脸质量评估算法模块是通过MTCNN检测的5个关键点信息计算人脸角度与完整度以及使用深度学习图像分类模型评估图像清晰度，可参考VGG16网络；所述人脸底库管理模块是采用数据库管理所有底库信息；所述拒识别人脸缓存模块采用队列临时存储拒识别的人脸数据信息；所述Face ID生成模块使用特征值的MD5码做为Face ID，避免不同人的ID重复；所述人脸特征聚类模块使用MTCNN模型提取出来的特征进行聚类，去除抓取的人脸图片中的侧脸。
主要包括：照片提取模块，采用MTCNN进行人脸五官特征点检测，提取一张或多张人脸的抓拍照片；照片比对模块，运用ResNet算法进行人脸识别，获取抓拍图像与人脸底库中的图像的比对值；判断模块，用于根据比对值进行判断并输出ID结果。
本发明的目的在于解决没有人脸底库的应用场景中的人脸识别问题。本发明提供一种无人脸数据训练的人脸识别方法和系统，包括：
步骤S1：运用人脸检测算法，确定图像中的人脸位置，提取图像中一张或者多张人脸抓拍照片;
步骤S2:运用人脸识别算法，得到每张人脸照片的人脸特征，并与人脸底库进行比对，获得比对值。
步骤S3:根据比对值进行判断，对满足条件和不满足条件的人脸图像采取不同处理流程。
所述步骤S3进一步包括：
1)根据比对值，能够在底图图库中查到Face ID的图像:
a.输出ID。
b.若输入图像与人脸底库内图像相似度大于识别阈值加5，则进行人脸质量判断。若满足人脸的角度、人脸的完整度、人脸的清晰度等维度人脸质量评估标准，则加入人脸底库。
c.若新增图片数量大于500张，则进行人脸聚类，删除相似度高的图片，合并相似度较高的Face ID。
2)根据比对值，在底图图库中查不到Face ID的图像：
进行人脸质量判断，若满足人脸质量标准，则使用特征值的MD5码生成Face ID并加入人脸底库中，然后输出ID。
若不满足人脸质量标准，则判断为未识别，采用队列临时存储拒识别的人脸数据。等待到服务器空闲时与人脸底库对比，查到ID后删除此缓存图片，并输出ID。
本发明提供一种无人脸底库场景下的人脸识别系统，能够自动识别陌生人，并为其生成FACE ID，使得人脸识别技术能在更广泛的范围内应用。上述流程步骤主要包含以下算法：
步骤S1中，运用MTCNN(级联卷积神经网络)进行人脸五官特征点检测。将给定图片缩放到不同尺寸，形成图像金字塔（image pyramid），以达到尺寸不变。该过程MTCNN训练流程图如图2所示。通过图2中的流程可知，MTCNN模型由三个步骤组成：
stage 1.Proposal Network(P-Net):使用P-Net全卷积网络用来生成候选窗和边框回归向量(boundingbox regression vectors)。使用Bounding box regression的方法来校正候选窗，使用非极大值抑制（NMS）合并重叠的候选框。P-Net网络结构如图3所示。
Stage 2.Refine Network(R-Net):使用R-Net改善候选窗。将通过P-Net的候选窗输入R-Net中，拒绝掉大部分false的窗口，继续使用Bounding box regression和NMS合并。R-Net网络结构如图4所示。
Stage 3 Output Network(O-Net):最后使用O-Net输出最终的人脸框和特征点位置。和第二步类似，但是不同的是生成5个特征点位置。O-Net网络结构如图5所示。
步骤S2中运用ResNet算法进行人脸识别，并计算现有图像与底图图库图像的余弦距离形成比对值。ResNet算法最根本的动机在于所谓的“退化”问题，即当模型的层次加深时，错误率却提高了。其与其他神经网络的不同点在于，ResNet提出了一个残差（Residual）结构，即增加了一个恒等映射（identity mapping），将原始所需要学的函数H(x)转化为F(x)+x，优化F(x)比优化H(x)更加简单。如图6所示
步骤S3中，进行人脸质量评估时，采用人脸质量评估算法。人脸质量评估算法主要通过S1步骤中MTCNN检测的5个关键点信息计算人脸角度与完整度，再结合深度学习图像分类模型评估图像清晰度，从而实现人脸质量评估。
本发明的的有益效果：
（1）获取人脸图像与人脸底库的比对值，若根据比对值能够在底图图库中查到Face ID的图像，则输出检测到的ID，若输入图像与人脸底库图像相似度大于识别阈值加5，则进行人脸质量判断，若符合人脸质量标准，则加入人脸底库；若根据比对值不能够在底图图库中查到Face ID，则进行人脸质量判断，若满足人脸质量标准，则将图像加入人脸底库中，然后输出ID。本发明不需要海量的人脸数据训练，在缺乏人脸底库的情况下自动识别所收集到的人脸图片，便于将海量人员数据进行快速收集和分类，减少了人工识别的工作量，并对于陌生人的识别任务有着良好的适应性；本发明实现了人脸底库中数据的实时更新，并提高了人脸底库中图像的清晰度，提高了人脸识别的精确度；使得人脸识别技术能在更广、更复杂的场景下应用。
（2）当人脸底库中新增的图片数量大于500张时，则进行人脸聚类，删除相似度高的图片，合并相似度较高的Face ID。本发明实现了人脸底库中数据的实时更新，并提高了人脸底库中图像的清晰度，提高了人脸识别的精确度；使得人脸识别技术能在更广、更复杂的场景下应用。
（3）若根据比对值不能够在底图图库中查到Face ID，若满足人脸质量标准，则使用特征值MD5码生成Face ID并加入人脸底库中；若不满足人脸质量标准，则判断为未识别。可以实现数据的自动存档，方便查询记录。
（4）若不满足人脸质量标准，则采用队列临时存储拒识别的人脸数据，在服务器空闲时，进行人脸底库对比并查到ID后删除该缓存的图片并输出ID。本发明减轻了服务器的负担，智能优选处理方法，具有较好的实用性。
（5）运用ResNet算法进行人脸识别，并计算抓拍图像与人脸底库图像的余弦距离形成比对值。ResNet算法最根本的动机在于所谓的“退化”问题，即当模型的层次加深时，错误率却提高了。其与其他神经网络的不同点在于，ResNet提出了一个残差（Residual）结构，即增加了一个恒等映射（identity mapping），将原始所需要学的函数H(x)转化为F(x)+x，优化F(x)比优化H(x)更加简单。
（6）主要包括用于确定图像中的人脸位置的人脸检测算法模块、用于提取人脸特征的人脸识别算法模块、用于评估人脸角度或人脸完整度或人脸清晰度的人脸质量评估算法模块、用于管理底库人脸图片的人脸底库管理模块、用于管理拒识别的人脸图片的拒识别人脸缓存模块、用于为每一个人生成一个固定的Face ID的Face ID生成模块、用于弥补MTCNN侧脸判断不准的人脸特征聚类模块。本发明采用MTCNN进行人脸五官特征点检测、运用ResNet算法进行人脸识别，提高了照片获取的精确度，提高了人脸识别的精确度；使得人脸识别技术能在更广、更复杂的场景下应用。
附图说明
图1为本发明的系统流程图；
图2为MTCNN级联卷积神经网络训练流程图；
图3为MTCNN级联卷积神经网络的P-Net的网络结构；
图4为MTCNN级联卷积神经网络的R-Net的网络结构；
图5为MTCNN级联卷积神经网络的O-Net的网络结构；
图6为ResNet中所用的残差的网络结构。
具体实施方式
实施例1：
一种无人脸数据训练的人脸识别方法，主要包括步骤S103：获取人脸图像与人脸底库的比对值，若根据比对值能够在底图图库中查到Face ID的图像，则输出检测到的ID，若输入图像与人脸底库图像相似度大于识别阈值加5，则进行人脸质量判断，若符合人脸质量标准，若底库照片大于等于10，则删除识别次数少的底库照片，然后加入人脸底库；若根据比对值不能够在底图图库中查到Face ID，则进行人脸质量判断，若满足人脸质量标准，则将图像加入人脸底库中，然后输出ID。
本发明不需要海量的人脸数据训练，实现了无底库的进行人脸识别，并实现了人脸底库中数据的实时更新，并提高了人脸底库中图像的清晰度，提高了人脸识别的精确度；使得人脸识别技术能在更广、更复杂的场景下应用。
实施例2：
本实施例是在实施例1的基础上进一步优化，如图1所示，若底库照片小于10，则直接加入人脸底库。若根据比对值不能够在底图图库中查到Face ID，若满足人脸质量标准，则使用特征值MD5码生成Face ID并加入人脸底库中，然后输出ID；若不满足人脸质量标准，则判断为未识别。若不满足人脸质量标准，则采用队列临时存储拒识别的人脸数据，在服务器空闲时，进行人脸底库对比并查到ID后删除该缓存的图片并输出ID。当人脸底库中新增的图片数量大于500张时，则进行人脸聚类，删除相似度高的图片，合并相似度较高的Face ID。输出ID后对应人脸底库照片识别次数+1。
本发明不需要海量的人脸数据训练，在缺乏人脸底库的情况下自动识别所收集到的人脸图片，便于将海量人员数据进行快速收集和分类，减少了人工识别的工作量，并对于陌生人的识别任务有着良好的适应性；本发明实现了人脸底库中数据的实时更新，并提高了人脸底库中图像的清晰度，提高了人脸识别的精确度；使得人脸识别技术能在更广、更复杂的场景下应用。本发明可以实现数据的自动存档，方便查询记录。本发明减轻了服务器的负担，智能优选处理方法，具有较好的实用性。
本实施例的其他部分与实施例1相同，故不再赘述。
实施例3：
本实施例是在实施例1或2的基础上进行优化，还包括以下步骤：
步骤S101：如图2所示，采用MTCNN进行人脸五官特征点检测，确定图像中人脸位置，提取视频中一种或者多张人脸的抓拍照片；将给定图片缩放到不同尺寸，形成图像金字塔，以达到尺寸不变；
步骤S102：如图6所示，运用ResNet算法进行人脸识别，并计算抓拍图像与人脸底库图像的余弦距离形成比对值。
所述步骤S101主要包括以下步骤：
步骤S1011：如图3所示，使用P-Net全卷积网络用来生成候选窗和边框回归向量；使用Bounding box regression的方法来校正候选窗，使用非极大值抑制合并重叠的候选框；
步骤S1012：如图4所示，使用R-Net改善候选窗，将通过P-Net的候选窗输入R-Net中，拒绝掉大部分false的窗口，继续使用Bounding box regression和NMS合并；
步骤S1013：如图5所示，最后使用O-Net输出最终的人脸框和特征点位置；生成5个特征点位置。
如图6所示，ResNet算法最根本的动机在于所谓的“退化”问题，即当模型的层次加深时，错误率却提高了。其与其他神经网络的不同点在于，ResNet提出了一个残差（Residual）结构，即增加了一个恒等映射（identity mapping），将原始所需要学的函数H(x)转化为F(x)+x，优化F(x)比优化H(x)更加简单。
本发明不需要海量的人脸数据训练，实现了无底库的进行人脸识别，并实现了人脸底库中数据的实时更新，并提高了人脸底库中图像的清晰度，提高了人脸识别的精确度；使得人脸识别技术能在更广、更复杂的场景下应用。
本实施例的其他部分与上述实施例1或2相同，故不再赘述。
实施例4：
本实施例是在实施例3的基础上进一步优化，所述步骤S103中进行人脸质量评估时，采用人脸质量评估算法；人脸质量评估算法主要通过步骤S101中MTCNN检测的5个关键点信息计算人脸角度与完整度，再结合深度学习图像分类模型评估图像清晰度，从而实现人脸质量评估。
本实施例的其他部分与上述实施例3相同，故不再赘述。
实施例5：
一种无人脸数据训练的人脸识别方法，主要包括以下步骤：
步骤S1：输入一张或多张人脸图片，提取出每张图片中的人脸照片；步骤S2：获取每个人脸照片的人脸特征，与人脸底库进行比对，获得比对值。步骤S3：根据每张人脸图像的比对值判断每张人脸是否具有Face ID。
如图1所示，对于能查到Face ID的人脸，若其相似度大于所设定的阈值加5则进行人脸质量判断，满足人脸质量判断条件的人脸则加入人脸底库；对于不能查到Face ID的人脸，进行人脸质量判断，若满足条件则生产新的Face ID并加入人脸底库、输出ID，若不满足条件则认为识别识别，存入缓存列表，并在服务区空闲时再和人脸底库图像对比，查到ID后删除缓存数据，输出ID。
当人脸底库中新增图片数量大于500张时，进行人脸聚类，删除相似度很高的图片，合并相似度较高的ID。步骤S1中，输入的人脸图片数量数量没有限制。
若人脸底库中没有待判断人脸信息情况下的处理过程如下：
通过步骤S1提取到人员A的1张人脸照片；提取到的人员A的人脸照片与已有的10个人脸底库进行对比，获取到A的照片与每个人脸底库人脸的比对值。根据比对值进行判断，发现无法查到Face ID。对人员A的这张人脸照片进行人脸质量判断，若发现其满足各个维度的人脸质量标准，则为其生成新的唯一Face ID，将A的这张人脸照片加入人脸底库中，并输出A的ID。若A的这张人脸照片不满足人脸质量判断标准，则存入到缓存中，等待到服务器空闲时再与人脸底库比对，查到ID后删除缓存数据，输出ID。
本发明实施例利用人脸特征，能在缺乏人脸底库的情况下自动识别所收集到的人脸图片，便于将海量人员数据进行快速收集和分类，减少了人工识别的工作量，并对于陌生人的识别任务有着良好的适应性。
实施例6：
一种人脸识别系统，主要包括：主要包括用于确定图像中的人脸位置的人脸检测算法模块、用于提取人脸特征的人脸识别算法模块、用于评估人脸角度或人脸完整度或人脸清晰度的人脸质量评估算法模块、用于管理底库人脸图片的人脸底库管理模块、用于管理拒识别的人脸图片的拒识别人脸缓存模块、用于为每一个人生成一个固定的Face ID的FaceID生成模块、用于弥补MTCNN侧脸判断不准的人脸特征聚类模块。
本发明采用MTCNN进行人脸五官特征点检测、运用ResNet算法进行人脸识别，提高了照片获取的精确度，提高了人脸识别的精确度；使得人脸识别技术能在更广、更复杂的场景下应用。
本发明实施例利用人脸特征，能在缺乏人脸底库的情况下自动识别所收集到的人脸图片，便于将海量人员数据进行快速收集和分类，减少了人工识别的工作量，并对于陌生人的识别任务有着良好的适应性。
以上所述，仅是本发明的较佳实施例，并非对本发明做任何形式上的限制，凡是依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化，均落入本发明的保护范围之内。

Claims (10)

1.一种无人脸数据训练的人脸识别方法，其特征在于，主要包括步骤S103：获取人脸图像与人脸底库的比对值，若根据比对值能够在底图图库中查到Face ID的图像，则输出检测到的ID，若输入图像与人脸底库图像相似度大于识别阈值加5，则进行人脸质量判断，若符合人脸质量标准，若底库照片大于等于10，则删除识别次数少的底库照片，然后加入人脸底库；若根据比对值不能够在底图图库中查到Face ID，则进行人脸质量判断，若满足人脸质量标准，则将图像加入人脸底库中，然后输出ID。
2.根据权利要求1所述的一种无人脸数据训练的人脸识别方法，其特征在于，若底库照片小于10，则直接加入人脸底库。
3.根据权利要求1或2所述的一种无人脸数据训练的人脸识别方法，其特征在于，若根据比对值不能够在底图图库中查到Face ID，若满足人脸质量标准，则使用特征值MD5码生成Face ID并加入人脸底库中，然后输出ID；若不满足人脸质量标准，则判断为未识别。
4.根据权利要求3所述的一种无人脸数据训练的人脸识别方法，其特征在于，若不满足人脸质量标准，则采用队列临时存储拒识别的人脸数据，在服务器空闲时，进行人脸底库对比并查到ID后删除该缓存的图片并输出ID。
5.根据权利要求1所述的一种无人脸数据训练的人脸识别方法，其特征在于，当人脸底库中新增的图片数量大于500张时，则进行人脸聚类，删除相似度高的图片，合并相似度较高的Face ID。
6.根据权利要求1所述的一种无人脸数据训练的人脸识别方法，其特征在于，还包括以下步骤：
步骤S101：采用MTCNN进行人脸五官特征点检测，确定图像中人脸位置，提取视频中一种或者多张人脸的抓拍照片；所述MTCNN将给定图片缩放到不同尺寸，形成图像金字塔，以达到尺寸不变；
步骤S102：运用ResNet算法进行人脸识别，并计算抓拍图像与人脸底库图像的余弦距离形成比对值。
7.根据权利要求6所述的一种无人脸数据训练的人脸识别方法，其特征在于，所述步骤S101主要包括以下步骤：
步骤S1011：使用P-Net全卷积网络用来生成候选窗和边框回归向量；使用Boundingbox regression的方法来校正候选窗，使用非极大值抑制合并重叠的候选框；
步骤S1012：使用R-Net改善候选窗，将通过P-Net的候选窗输入R-Net中，拒绝掉大部分false的窗口，继续使用Bounding box regression和NMS合并；
步骤S1013：最后使用O-Net输出最终的人脸框和特征点位置；生成5个特征点位置。
8.根据权利要求7所述的一种无人脸数据训练的人脸识别方法，其特征在于，所述步骤S103中进行人脸质量评估时，采用人脸质量评估算法；人脸质量评估算法主要通过步骤S101中MTCNN检测的5个关键点信息计算人脸角度与完整度，再结合深度学习图像分类模型评估图像清晰度，从而实现人脸质量评估。
9.根据权利要求1-8任一项所述的一种无人脸数据训练的人脸识别方法，其特征在于，输出ID后对应人脸底库照片识别次数+1。
10.一种人脸识别系统，其特征在于，主要包括用于确定图像中的人脸位置的人脸检测算法模块、用于提取人脸特征的人脸识别算法模块、用于评估人脸角度或人脸完整度或人脸清晰度的人脸质量评估算法模块、用于管理底库人脸图片的人脸底库管理模块、用于管理拒识别的人脸图片的拒识别人脸缓存模块、用于为每一个人生成一个固定的Face ID的Face ID生成模块、用于弥补MTCNN侧脸判断不准的人脸特征聚类模块。
CN201810969189.3A 2018-08-23 2018-08-23 一种无人脸数据训练的人脸识别方法和系统 Pending CN109086739A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810969189.3A CN109086739A (zh) 2018-08-23 2018-08-23 一种无人脸数据训练的人脸识别方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810969189.3A CN109086739A (zh) 2018-08-23 2018-08-23 一种无人脸数据训练的人脸识别方法和系统

Publications (1)

Publication Number Publication Date
CN109086739A true CN109086739A (zh) 2018-12-25

Family

ID=64794456

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810969189.3A Pending CN109086739A (zh) 2018-08-23 2018-08-23 一种无人脸数据训练的人脸识别方法和系统

Country Status (1)

Country Link
CN (1) CN109086739A (zh)

Cited By (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109858435A (zh) * 2019-01-29 2019-06-07 四川大学 一种基于脸部图像的小熊猫个体识别方法
CN109919017A (zh) * 2019-01-28 2019-06-21 平安科技（深圳）有限公司 人脸识别优化方法、装置、计算机设备和存储介质
CN109948734A (zh) * 2019-04-02 2019-06-28 北京旷视科技有限公司 图像聚类方法、装置及电子设备
CN110070078A (zh) * 2019-05-27 2019-07-30 浙江科技学院 一种基于传感器与机器视觉的酒驾检测方法及系统
CN110298296A (zh) * 2019-06-26 2019-10-01 北京澎思智能科技有限公司 应用于边缘计算设备的人脸识别方法
CN110348315A (zh) * 2019-06-14 2019-10-18 深圳英飞拓科技股份有限公司 动态更新人脸特征底库的方法及装置、人脸抓拍系统
CN110472555A (zh) * 2019-08-12 2019-11-19 北京比特大陆科技有限公司 目标检测方法和装置
CN110750670A (zh) * 2019-09-05 2020-02-04 北京旷视科技有限公司 陌生人监控方法、装置、系统和存储介质
CN111079566A (zh) * 2019-11-28 2020-04-28 深圳市信义科技有限公司 一种大规模人脸识别模型优化系统
CN111104846A (zh) * 2019-10-16 2020-05-05 平安科技（深圳）有限公司 数据检测方法、装置、计算机设备和存储介质
CN111144366A (zh) * 2019-12-31 2020-05-12 中国电子科技集团公司信息科学研究院 一种基于联合人脸质量评估的陌生人脸聚类方法
CN111428662A (zh) * 2020-03-30 2020-07-17 齐鲁工业大学 基于人群属性的广告播放变化方法及系统
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
CN111611920A (zh) * 2020-05-21 2020-09-01 杭州智珺智能科技有限公司 一种基于属性特征提取的ai人脸风格辨识方法
CN111652119A (zh) * 2020-05-31 2020-09-11 南京原为智能科技有限公司 一种结合位置信息的人脸特征提取方法
CN111738059A (zh) * 2020-05-07 2020-10-02 中山大学 一种面向无感场景的人脸识别方法
CN111814570A (zh) * 2020-06-12 2020-10-23 深圳禾思众成科技有限公司 一种基于动态阈值的人脸识别方法、系统及存储介质
CN111984815A (zh) * 2019-05-23 2020-11-24 北京地平线机器人技术研发有限公司 用于人脸识别的底库更新方法、装置、介质和设备
CN112800840A (zh) * 2020-12-28 2021-05-14 上海万雍科技股份有限公司 一种人脸识别管理系统和方法
CN112966638A (zh) * 2021-03-22 2021-06-15 国网浙江省电力有限公司电力科学研究院 基于多种特征的变电站作业人员鉴别及定位方法
CN113283305A (zh) * 2021-04-29 2021-08-20 百度在线网络技术（北京）有限公司 人脸识别方法、装置、电子设备及计算机可读存储介质
CN113566062A (zh) * 2021-07-22 2021-10-29 深圳创维－Rgb电子有限公司 智能升降系统及方法
CN113792168A (zh) * 2021-08-11 2021-12-14 同盾科技有限公司 人脸底库自维护的方法、系统、电子装置和存储介质
CN113837160A (zh) * 2021-11-29 2021-12-24 天津市中环系统工程有限责任公司 一种无预设信息下的常住人员和车辆识别方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120087552A1 (en) * 2010-10-08 2012-04-12 Micro-Star Int'l Co., Ltd. Facial recognition method for eliminating the effect of noise blur and environmental variations
CN105938552A (zh) * 2016-06-29 2016-09-14 北京旷视科技有限公司 底图自动更新的人脸识别方法及装置
CN107590212A (zh) * 2017-08-29 2018-01-16 深圳英飞拓科技股份有限公司 一种人脸图片的入库系统及方法
CN107609497A (zh) * 2017-08-31 2018-01-19 武汉世纪金桥安全技术有限公司 基于视觉跟踪技术的实时视频人脸识别方法及系统
CN107766797A (zh) * 2017-09-27 2018-03-06 汉柏科技有限公司 一种陌生人识别方法和系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120087552A1 (en) * 2010-10-08 2012-04-12 Micro-Star Int'l Co., Ltd. Facial recognition method for eliminating the effect of noise blur and environmental variations
CN105938552A (zh) * 2016-06-29 2016-09-14 北京旷视科技有限公司 底图自动更新的人脸识别方法及装置
CN107590212A (zh) * 2017-08-29 2018-01-16 深圳英飞拓科技股份有限公司 一种人脸图片的入库系统及方法
CN107609497A (zh) * 2017-08-31 2018-01-19 武汉世纪金桥安全技术有限公司 基于视觉跟踪技术的实时视频人脸识别方法及系统
CN107766797A (zh) * 2017-09-27 2018-03-06 汉柏科技有限公司 一种陌生人识别方法和系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
刘合星等: "人像识别系统的设计与研究", 《河南科技》 *

Cited By (40)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109919017A (zh) * 2019-01-28 2019-06-21 平安科技（深圳）有限公司 人脸识别优化方法、装置、计算机设备和存储介质
CN109919017B (zh) * 2019-01-28 2023-09-01 平安科技（深圳）有限公司 人脸识别优化方法、装置、计算机设备和存储介质
CN109858435A (zh) * 2019-01-29 2019-06-07 四川大学 一种基于脸部图像的小熊猫个体识别方法
CN109858435B (zh) * 2019-01-29 2020-12-01 四川大学 一种基于脸部图像的小熊猫个体识别方法
CN109948734A (zh) * 2019-04-02 2019-06-28 北京旷视科技有限公司 图像聚类方法、装置及电子设备
CN111984815A (zh) * 2019-05-23 2020-11-24 北京地平线机器人技术研发有限公司 用于人脸识别的底库更新方法、装置、介质和设备
CN111984815B (zh) * 2019-05-23 2024-05-28 北京地平线机器人技术研发有限公司 用于人脸识别的底库更新方法、装置、介质和设备
CN110070078A (zh) * 2019-05-27 2019-07-30 浙江科技学院 一种基于传感器与机器视觉的酒驾检测方法及系统
CN110070078B (zh) * 2019-05-27 2021-10-15 浙江科技学院 一种基于传感器与机器视觉的酒驾检测方法及系统
CN110348315A (zh) * 2019-06-14 2019-10-18 深圳英飞拓科技股份有限公司 动态更新人脸特征底库的方法及装置、人脸抓拍系统
CN110348315B (zh) * 2019-06-14 2021-10-19 深圳英飞拓科技股份有限公司 动态更新人脸特征底库的方法及装置、人脸抓拍系统
CN110298296A (zh) * 2019-06-26 2019-10-01 北京澎思智能科技有限公司 应用于边缘计算设备的人脸识别方法
CN110472555B (zh) * 2019-08-12 2022-10-04 北京算能科技有限公司 目标检测方法和装置
CN110472555A (zh) * 2019-08-12 2019-11-19 北京比特大陆科技有限公司 目标检测方法和装置
CN110750670A (zh) * 2019-09-05 2020-02-04 北京旷视科技有限公司 陌生人监控方法、装置、系统和存储介质
CN110750670B (zh) * 2019-09-05 2022-04-19 北京旷视科技有限公司 陌生人监控方法、装置、系统和存储介质
CN111104846A (zh) * 2019-10-16 2020-05-05 平安科技（深圳）有限公司 数据检测方法、装置、计算机设备和存储介质
CN111104846B (zh) * 2019-10-16 2022-08-30 平安科技（深圳）有限公司 数据检测方法、装置、计算机设备和存储介质
CN111079566A (zh) * 2019-11-28 2020-04-28 深圳市信义科技有限公司 一种大规模人脸识别模型优化系统
CN111079566B (zh) * 2019-11-28 2023-05-02 深圳市信义科技有限公司 一种大规模人脸识别模型优化系统
CN111144366A (zh) * 2019-12-31 2020-05-12 中国电子科技集团公司信息科学研究院 一种基于联合人脸质量评估的陌生人脸聚类方法
CN111428662A (zh) * 2020-03-30 2020-07-17 齐鲁工业大学 基于人群属性的广告播放变化方法及系统
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
CN111738059B (zh) * 2020-05-07 2024-03-29 中山大学 一种面向无感场景的人脸识别方法
CN111738059A (zh) * 2020-05-07 2020-10-02 中山大学 一种面向无感场景的人脸识别方法
CN111611920A (zh) * 2020-05-21 2020-09-01 杭州智珺智能科技有限公司 一种基于属性特征提取的ai人脸风格辨识方法
CN111652119A (zh) * 2020-05-31 2020-09-11 南京原为智能科技有限公司 一种结合位置信息的人脸特征提取方法
CN111652119B (zh) * 2020-05-31 2023-11-03 南京原为智能科技有限公司 一种结合位置信息的人脸特征提取方法
CN111814570B (zh) * 2020-06-12 2024-04-30 深圳禾思众成科技有限公司 一种基于动态阈值的人脸识别方法、系统及存储介质
CN111814570A (zh) * 2020-06-12 2020-10-23 深圳禾思众成科技有限公司 一种基于动态阈值的人脸识别方法、系统及存储介质
CN112800840B (zh) * 2020-12-28 2022-07-01 上海万雍科技股份有限公司 一种人脸识别管理系统和方法
CN112800840A (zh) * 2020-12-28 2021-05-14 上海万雍科技股份有限公司 一种人脸识别管理系统和方法
CN112966638A (zh) * 2021-03-22 2021-06-15 国网浙江省电力有限公司电力科学研究院 基于多种特征的变电站作业人员鉴别及定位方法
CN113283305A (zh) * 2021-04-29 2021-08-20 百度在线网络技术（北京）有限公司 人脸识别方法、装置、电子设备及计算机可读存储介质
CN113283305B (zh) * 2021-04-29 2024-03-26 百度在线网络技术（北京）有限公司 人脸识别方法、装置、电子设备及计算机可读存储介质
CN113566062A (zh) * 2021-07-22 2021-10-29 深圳创维－Rgb电子有限公司 智能升降系统及方法
CN113792168A (zh) * 2021-08-11 2021-12-14 同盾科技有限公司 人脸底库自维护的方法、系统、电子装置和存储介质
CN113837160B (zh) * 2021-11-29 2022-04-22 天津市中环系统工程有限责任公司 一种无预设信息下的常住人员和车辆识别方法
CN113837160A (zh) * 2021-11-29 2021-12-24 天津市中环系统工程有限责任公司 一种无预设信息下的常住人员和车辆识别方法

Similar Documents

Publication Publication Date Title
CN109086739A (zh) 一种无人脸数据训练的人脸识别方法和系统
Del Rio et al. Automated border control e-gates and facial recognition systems
Chakraborty et al. An overview of face liveness detection
KR101629224B1 (ko) 생체 특징에 기반한 인증 방법, 장치 및 시스템
Dagnes et al. Occlusion detection and restoration techniques for 3D face recognition: a literature review
KR20160101973A (ko) 비제약형 매체에 있어서 얼굴을 식별하는 시스템 및 방법
WO2020001083A1 (zh) 一种基于特征复用的人脸识别方法
CN104091176A (zh) 人像比对在视频中的应用技术
CN112380512B (zh) 卷积神经网络动态手势认证方法、装置、存储介质及设备
CN113033519B (zh) 活体检测方法、估算网络处理方法、装置和计算机设备
Galbally et al. Study on face identification technology for its implementation in the Schengen information system
CN202887214U (zh) 基于人脸识别的人体身份识别装置
Chen et al. An active security system based on ar smart classes and face recognition technology
Al-Taie et al. Palm print recognition using intelligent techniques: A review
Meena et al. A robust face recognition system for one sample problem
Shashikala et al. Attendance monitoring system using face recognition
Zhu et al. LFN: Based on the convolutional neural network of gait recognition method
Zhang et al. Combine object detection with skeleton-based action recognition to detect smoking behavior
Pflug Ear recognition: Biometric identification using 2-and 3-dimensional images of human ears
Indrawal et al. Development of efficient and secured face recognition using biometrics
Li et al. Face anti-spoofing methods based on physical technology and deep learning
KR100711223B1 (ko) 저니키(Ｚｅｒｎｉｋｅ)/선형 판별 분석(ＬＤＡ)을 이용한얼굴 인식 방법 및 그 방법을 기록한 기록매체
Miao Application of CNN-based Face Recognition Technology in Smart Logistics System
Peng et al. End-to-end anti-attack iris location based on lightweight network
Mishra et al. Masked face recognition and liveness detection using deep learning technique

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20181225