CN109472183A - 图像识别方法及装置、布控系统、计算机可读存储介质 - Google Patents
图像识别方法及装置、布控系统、计算机可读存储介质 Download PDFInfo
- Publication number
- CN109472183A CN109472183A CN201710805381.4A CN201710805381A CN109472183A CN 109472183 A CN109472183 A CN 109472183A CN 201710805381 A CN201710805381 A CN 201710805381A CN 109472183 A CN109472183 A CN 109472183A
- Authority
- CN
- China
- Prior art keywords
- gender
- facial image
- face
- image
- personage
- 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
- G06V40/172—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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- Oral & Maxillofacial Surgery (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
一种图像识别方法及装置、布控系统、计算机可读存储介质,所述方法包括:获取待识别图像;对所述待识别图像进行人脸检测,确定待识别图像为人脸图像;采用已训练的性别分类器对所述人脸图像进行处理,确定所述人脸图像中人物的性别;将所述人脸图像输入至已训练的人脸特征模型中,采用所述人脸特征模型中已训练的神经网络参数,前向传播得到所述人脸图像对应的人脸模板;从布控数据库中获取与所述人脸图像中人物的性别相同的预存储人脸模板;将得到的所述人脸图像对应的人脸模板与获取到的预存储的人脸模板进行相似度比对;当相似度最高值超过预设阈值时,执行报警提醒操作。采用上述方案,可以提高视频布控系统的图像识别正确率。
Description
技术领域
本发明实施例涉及图像识别技术领域,尤其涉及一种图像识别方法及装置、布控系统、计算机可读存储介质。
背景技术
目前,基于人脸特征识别的视频布控系统,将摄像头采集到的图像与布控数据库中存储的布控人脸模板进行比对,确定所采集到的图像中是否存在布控对象。
然而,随着布控数据库中存储的布控人脸模板数目的增多,一方面,对视频布控系统的处理能力的要求要越来越高;另一方面,视频布控系统图像识别正确率较低。
发明内容
本发明实施例解决的技术问题是如何提高视频布控系统的图像识别正确率。
为解决上述技术问题,本发明实施例提供一种图像识别方法,包括:获取待识别图像;对所述待识别图像进行人脸检测,确定待识别图像为人脸图像;采用已训练的性别分类器对所述人脸图像进行处理,确定所述人脸图像中人物的性别;将所述人脸图像输入至已训练的人脸特征模型中,采用所述人脸特征模型中已训练的神经网络参数,前向传播得到所述人脸图像对应的人脸模板;从布控数据库中获取与所述人脸图像中人物的性别相同的预存储人脸模板;将得到的所述人脸图像对应的人脸模板与获取到的预存储的人脸模板进行相似度比对;当相似度最高值超过预设阈值时,执行报警提醒操作。
可选地,采用深度卷积神经网络算法训练得到所述性别分类器。
可选地,所述采用深度卷积神经网络算法训练得到所述性别分类器,包括:接收输入的人脸图像样本;对所述人脸图像样本进行归一化处理,得到预设尺寸的人脸图像集;将得到的预设尺寸的人脸图像集依次经过预设数目的卷积层及全连接层进行处理,训练得到所述性别分类器。
可选地,所述将得到的预设尺寸的人脸图像集依次经过预设数目的卷积层及全连接层进行处理,训练得到所述性别分类器,包括:将预设尺寸的人脸图像集中的各图像分别输入至卷基层1,并依次经过预设层数的卷基层、预设层数的全连接层之后,训练得到所述性别分类器;其中:各卷基层中分别设有预设数量的滤波器,分别采用对应的激活函数,及设定的滑动步长;各全连接层中分别设有预设数目的神经元。
可选地,所述采用已训练的性别分类器对所述人脸图像进行处理,确定所述人脸图像中人物的性别,包括:当对待识别图像进行人脸检测,确定所述待识别图像中存在多个人物时,对各人物的人脸位置进行定位;根据各人物的人脸位置的定位结果,对所述待识别图像进行归一化处理,分别得到各人物对应的预设尺寸的人脸图像;采用已训练的性别分类器分别对各人物分别对应的预设尺寸的人脸图像进行处理,确定各预设尺寸的人脸图像中的人物的性别。
可选地,所述布控数据库中预存储人脸模板对应的性别,采用以下至少一种方式得到:根据预存储人脸模板对应的身份证号码得到性别;接收用户输入的预存储人脸模板的性别;采用所述已训练的性别分类器对预存储人脸模板进行处理,并确定所述预存储人脸模板的性别。
可选地,所述布控数据库中预存储人脸模板采用如下方式得到:对接收到的人脸图像进行归一化处理得到所述预设尺寸的人脸图像;将处理得到的所述预设尺寸的人脸图像输入至已训练的人脸特征模型中,采用所述人脸特征模型中已训练的神经网络参数,前向传播得到对应的人脸模板。
可选地,所述当相似度最高值超过预设阈值时,执行报警提醒操作,包括以下至少一种:当相似度最高值超过预设阈值时,通过文字提醒方式执行报警操作;当相似度最高值超过预设阈值时,通过声音提醒方式执行报警操作;当相似度最高值超过预设阈值时,保存对应的待识别图像,标定出相似度超过预设阈值的人脸模板在待识别图像中对应的人物并输出显示。
可选地,所述神经网络参数包括以下至少一种:各卷基层权重、各全连接层权重、偏置。
本发明实施例还提供一种图像识别装置,包括:第一获取单元,适于获取待识别图像;人脸图像确定单元,适于对所述待识别图像进行人脸检测,确定待识别图像为人脸图像;性别确定单元,适于采用已训练的性别分类器对所述人脸图像进行处理,确定所述人脸图像中人物的性别;人脸模板获得单元,适于将所述人脸图像输入至已训练的人脸特征模型中,采用所述人脸特征模型中已训练的神经网络参数,前向传播得到所述人脸图像对应的人脸模板;第二获取单元,适于从布控数据库中获取与所述人脸图像中人物的性别相同的预存储人脸模板;比对单元,适于将得到的所述人脸图像对应的人脸模板与获取到的预存储的人脸模板进行相似度比对;报警单元,适于当相似度最高值超过预设阈值时,执行报警提醒操作。
可选地,所述性别确定单元,包括:性别分类器训练子单元,适于采用深度卷积神经网络算法训练得到所述性别分类器。
可选地,所述性别分类器训练子单元,适于接收输入的人脸图像样本;对所述人脸图像样本进行归一化处理,得到预设尺寸的人脸图像集;将得到的预设尺寸的人脸图像集依次经过预设数目的卷积层及全连接层进行处理,训练得到所述性别分类器。
可选地,所述性别分类器训练子单元,适于将预设尺寸的人脸图像集中的各图像分别输入至卷基层1,并依次经过预设层数的卷基层、预设层数的全连接层之后,训练得到所述性别分类器;其中:各卷基层中分别设有预设数量的滤波器,分别采用对应的激活函数,及设定的滑动步长;各全连接层中分别设有预设数目的神经元。
可选地,所述性别确定单元,适于当对待识别图像进行人脸检测,确定所述待识别图像中存在多个人物时,对各人物的人脸位置进行定位;根据各人物的人脸位置的定位结果,对所述待识别图像进行归一化处理,分别得到各人物对应的预设尺寸的人脸图像;采用已训练的性别分类器分别对各人物分别对应的预设尺寸的人脸图像进行处理,确定各预设尺寸的人脸图像中的人物的性别。
可选地,所述第二获取单元,包括:性别获取子单元;所述性别获取子单元,适于根据预存储人脸模板对应的身份证号码得到性别;或者,接收用户输入的预存储人脸模板的性别;或者,采用所述已训练的性别分类器对预存储人脸模板进行处理,并确定所述预存储人脸模板的性别。
可选地,所述第二获取单元,包括:人脸模板获取子单元;所述人脸模板获取子单元,适于对接收到的人脸图像进行归一化处理得到所述预设尺寸的人脸图像;将处理得到的所述预设尺寸的人脸图像输入至已训练的人脸特征模型中,采用所述人脸特征模型中已训练的神经网络参数,前向传播得到对应的人脸模板。
可选地,所述报警单元,适于当相似度最高值超过预设阈值时,通过文字提醒方式执行报警操作;或者,当相似度最高值超过预设阈值时,通过声音提醒方式执行报警操作;或者,当相似度最高值超过预设阈值时,保存对应的待识别图像,标定出相似度超过预设阈值的人脸模板在待识别图像中对应的人物并输出显示。
可选地,所述神经网络参数包括以下至少一种:各卷基层权重、各全连接层权重、偏置。
本发明实施例还提供一种布控系统,包括:图像采集装置及上述任一种图像识别装置。
本发明实施例还提供一种图像识别装置,包括存储器和处理器,所述存储器上存储有能够在所述处理器上运行的计算机指令,所述处理器运行所述计算机指令时执行上述任一种图像识别方法的步骤。
本发明实施例还提供一种计算机可读存储介质,其上存储有计算机指令,所述计算机指令运行时执行上述任一种图像识别方法的步骤。
与现有技术相比,本发明实施例的技术方案具有以下有益效果:
在对待识别图像进行图像识别时,当确定待识别图像为人脸图像时,采用性别分类器确定所述人脸图像中人物的性别。从布控数据库中获取性别相同的预设人脸模板,并将所述人脸图像对应的人脸模板与性别相同的预设人脸模板进行相似度比对。当相似度最高值超过预设阈值时,执行报警提醒操作。通过性别分类器确定所述人脸图像的性别,并从布控数据库中获取性别相同的预设人脸模板进行比对,可以有效的缩小待比对的预设人脸模板数目,从而可以提高视频布控系统的图像识别正确率。由于缩小了待比对的预设人脸模板数目,故还可以降低对布控系统的处理能力要求。
进一步地,在训练性别分类器时,对接收到的人脸图像样本进行归一化处理,以得到相同的预设尺寸的人脸图像集,可以提高训练得到的性别分类器的精度。
附图说明
图1是本发明实施例中一种图像识别方法的流程图;
图2是本发明实施例中另一种图像识别方法的流程图;
图3是本发明实施例中一种向布控数据库中添加预设人脸模板的流程图;
图4是本发明实施例中一种图像识别装置的结构示意图;
图5是本发明实施例中一种布控系统的结构示意图。
具体实施方式
如上所述,随着布控数据库中存储的布控人脸模板数目的增多,一方面,对视频布控系统的处理能力的要求越来越高;另一方面,视频布控系统图像识别正确率较低。
为解决上述问题,在本发明实施例中,在对待识别图像进行图像识别时,当确定待识别图像为人脸图像时,采用性别分类器确定所述人脸图像中人物的性别。从布控数据库中获取性别相同的预设人脸模板,并将所述人脸图像对应的人脸模板与性别相同的预设人脸模板进行相似度比对。当相似度最高值超过预设阈值时,执行报警提醒操作。通过性别分类器确定所述人脸图像的性别,并从布控数据库中获取性别相同的预设人脸模板进行比对,可以有效的缩小待比对的预设人脸模板数目,从而可以提高视频布控系统的图像识别正确率。由于缩小了待比对的预设人脸模板数目,故还可以降低对布控系统的处理能力要求。
为使本发明实施例的上述目的、特征和有益效果能够更为明显易懂,下面结合附图对本发明的具体实施例做详细的说明。
参照图1,给出了本发明实施例中一种图像识别方法的流程图。下面结合具体步骤进行详细说明。
步骤11,获取待识别图像。
在具体实施中,所获取到的待识别图像可以为用户手动输入的,也可以为摄像头采集到的。当为摄像头采集到的视频时,可以从所采集到的视频中获取待识别图像。
步骤12,对所述待识别图像进行人脸检测,确定待识别图像为人脸图像。
在具体实施中,可以采用多种方式对所述待识别图像进行人脸检测,确定待识别图像为人脸图像。
例如,采用基于特征的方法,该方法通过寻找人脸中不变的人脸特征点,来对人脸特征进行定位。人脸特征点可以为眉毛、鼻子、眼睛、嘴巴、发际等。通过边缘提取器提取人脸特征点,并根据提取的人脸特征点,建立模型描述人脸特征点之间的关系,以对待处理人脸图像中的人脸特征进行定位。
又如,采用基于知识的方法,基于知识的方法是基于规则的人脸检测方法,所述规则来源于研究者关于人脸的先验知识。根据关于人脸的先验知识提出简单的规则来描述人脸特征点和各人脸特征点之间的相互关系。比如说,在一幅图像中出现的人脸,通常具有相互对称的两只眼睛、一个鼻子和一张嘴巴。人脸特征点之间的关系可以通过各人脸特征点之间相对距离和相对位置来描述。从待处理图像中提取人脸特征点,并对人脸特征点进行定位。
步骤13,采用已训练的性别分类器对所述人脸图像进行处理,确定所述人脸图像中人物的性别。
在具体实施中,在确定待识别图像为人脸图像后,可以将确定的人脸图像输入至已训练的性别分类器,采用已训练的性别分类器对所述人脸图像进行处理,并根据处理结果,确定所述人脸图像中人物的性别。
在具体实施中,可以采用多种方式训练得到性别分类器。例如,采用深度卷积神经网络算法训练得到所述性别分类器。在实际应用中,也可以采用其他算法训练得到所述线性分类器。
在本发明一实施例中,在采用深度卷积神经网络算法时,可以通过如下方式训练得到所述性别分类器:接收输入的人脸图像样本,并对接收到的人脸图像样本进行归一化处理,得到预设尺寸的人脸图像集。
例如,预设尺寸可以为64×64像素。将得到的预设尺寸的人脸图像集依次经过预设数目的卷基层及全连接层进行处理,训练得到所述性别分类器。
在具体实施中,可以将预设尺寸的人脸图像集中的各图像分别输入至卷基层1,并依次经过预设层数的卷基层、预设层数的全连接层之后,就可以训练得到性别分类器。其中,深度卷积神经网络中所采用的卷基层数目及全连接层的数目,各卷基层所采用的滤波器的数量,所采用的激活函数类型及设定的滑动步长均可以根据实际需要进行设定及调整。
例如,可以采用3个卷基层及3个全连接层。在卷基层1中设置有96个滤波器,大小为3×3,采用最大值池化,采用激活函数RELU,设定滑动步长为2。卷基层2中设置有256个滤波器,大小为3×3,采用最大值池化,采用激活函数RELU,设定滑动步长为2。卷基层3中设置有96个滤波器,大小为3×3,采用最大值池化,采用激活函数RELU,设定滑动步长为2。全连接层1中设有512个神经元,全连接层2中设有512个神经元,全连接层3设有2个神经元。其中对应两个神经元使得输出的结果为2个,即男或者女,也即是可以训练得到性别分类器。
可以理解的是,在实际的性别分类器训练过程中,所采用卷基层的数目、全连接层的数目、卷基层中所采用的滤波器的数目以及设定的滑动步长或者全连接层中的神经元的数目可以根据训练过程中的需要进行调整,此处不做限定。
在本发明一实施例中,可以采用如下方式对人脸图像样本进行归一化处理,具体如下:将人脸图像样本进行旋转操作,使得人脸图像样本中的人眼统一按照预设方向进行显示。
例如,将人脸图像样本中的人眼统一按照眉毛在上眼睛在下且眼睛沿水平方向进行显示。可以理解的是,在实际应用中,预设方向还可以设置为其他方向。
对人脸图像样本进行缩放处理,将所述人脸图像样本中的眼距调整为预设距离,其中,眼距指双眼的内眼角之间的距离。眼距的预设距离与人脸图像的预设尺寸相关。例如,人脸图像的预设尺寸的长宽比为x:y,眼距的预设距离与预设尺寸的长之比为z:x,当预设尺寸的长为2x时,相应地,眼距的预设距离为2z。
在具体实施中,在具体实施中,在对所述人脸图像进行缩放处理后,可以采用如下方式获取预设尺寸的人脸图像:首先,获取人脸图像标识点及裁剪信息;然后,根据人脸图像标识点及裁剪信息对人脸图像进行裁剪,得到预设尺寸的人脸图像,在裁剪信息中包括人脸图像的预设尺寸信息。
在具体实施中,人脸图像标识点可以为左眼、右眼、鼻子、嘴巴、眼距中心点等对应的像素点。根据人脸图像标识点与预设尺寸对应图像所在区域的位置关系,确定对待处理人脸图像的裁剪区域,将裁剪区域的人脸图像进行裁剪,从而可以得到预设尺寸的人脸图像。通过对待处理人脸图像进行归一化处理得到预设尺寸的人脸图像集,可以提高所得到的性别分类器的精确度。
步骤14,将所述人脸图像输入至已训练的人脸特征模型中,采用所述人脸特征模型中已训练的神经网络参数,前向传播得到所述人脸图像对应的人脸模板。
在具体实施中,已训练的人脸特征模型中存储有已训练的神经网络参数。可以将所述人脸图像输入至已训练的人脸特征模型中,采用所述人脸特征模型中已训练的神经网络参数,前向传播得到所述人脸图像对应的人脸模板。
在具体实施中,当所述人脸特征模型采用深度神经网络训练得到时,所述神经网络参数可以包括各卷基层权重、各全连接层权重、偏置中的一种或多种。
步骤15,从布控数据库中获取与所述人脸图像中人物的性别相同的预存储人脸模板。
在具体实施中,在确定人脸图像中人物的性别后,可以获取从布控数据库中获取与人脸图像中人物的性别相同的预存储人脸模板。
例如,在布控数据库中预存储有P个人脸模板,其中,男性人脸模板个数为M个,女性人脸模板个数为N个,P=M+N。所确定的人脸图像中人物的性别为男,则从布控数据库中获取M个男性人脸模板。
步骤16,将得到的所述人脸图像对应的人脸模板与获取到的预存储的人脸模板进行相似度比对。
在具体实施中,将得到的所述人脸图像对应的人脸模板分别与获取到的各预存储的人脸模板进行相似度比对,得到对应的相似度值。
步骤17,当相似度最高值超过预设阈值时,执行报警提醒操作。
在具体实施中,当相似度最高值超过预设阈值时,则可以表征所获取到的人脸图像中的人物为布控数据库中的预设目标对象,可以执行报警提醒操作。
在具体实施中,可以在布控系统中将目标人物的人脸图像进行处理得到对应的人脸模板,并将该人脸模板及其对应的人物的性别或姓名等属性信息存储在布控数据库中。
采用上述方案,在对待识别图像进行图像识别时,当确定待识别图像为人脸图像时,采用性别分类器确定所述人脸图像中人物的性别。从布控数据库中获取性别相同的预设人脸模板,并将所述人脸图像对应的人脸模板与性别相同的预设人脸模板进行相似度比对。当相似度最高值超过预设阈值时,执行报警提醒操作。通过性别分类器确定所述人脸图像的性别,并从布控数据库中获取性别相同的预设人脸模板进行比对,可以有效的缩小待比对的预设人脸模板数目,从而可以提高视频布控系统的图像识别正确率,并可以降低对布控系统的处理能力要求。
在具体实施中,可以采用多种方式进行报警提醒操作。例如,通过文字提醒方式执行报警操作。又如,通过声音提醒方式执行报警提醒操作。再如,保存对应的待识别图像,标定出相似度超过预设阈值的人脸模板在待识别图像中对应的人物并输出显示。可以理解的是,可以采用以上方式中的两种或者两种以上相结合的方式进行报警提醒操作,此处不做赘述。
在具体实施中,布控数据库中的预存储的人脸模板对应的性别可以通过预存储人脸模板对应的身份证号码得到,例如,身份证号码倒数第二位为奇数时,对应男性,身份证号码倒数第二位为偶数时,对应女性。也可以接收用户输入的预存储人脸模板的性别,例如,用户根据所掌握的目标人物的性别信息进行手动输入。还可以采用所述已训练的性别分类器对预存储人脸模板进行处理,并确定所述预存储人脸模板的性别。
在具体实施中,所述布控数据库中预存储人脸模板采用如下方式得到:对接收到的人脸图像进行归一化处理得到所述预设尺寸的人脸图像;将处理得到的所述预设尺寸的人脸图像输入至已训练的人脸特征模型中,采用所述人脸特征模型中已训练的神经网络参数,前向传播得到对应的人脸模板。
参照图2,给出了本发明实施例中另一种图像识别方法的流程图。具体可以包括如下步骤:
步骤21,获取摄像头采集到的视频。
在具体实施中,可以采用摄像头采集预设范围内的视频。
步骤22,对所采集到的视频对应的图像进行人脸检测,判断是否为人脸图像。
在具体实施中,可以从摄像头采集到的视频中获取每帧对应的图像,对每帧图像进行人脸检测。判断是否为人脸图像,当判断结果为是时,执行步骤23;当判断结果为否时,继续执行步骤22,对后续采集到的视频对应的图像进行人脸检测,并判断是否为人脸图像。
步骤23,采用已训练的性别分类器对人脸图像进行处理,确定所述人脸图像中人物的性别。
在具体实施中,为了提高性别分类器所确定得到的人脸图像中人物性别的准确度,可以对人脸图像进行归一化处理,得到预设尺寸的人脸图像。采用已训练的性别分类器对归一化处理之后得到的预设尺寸的人脸图像进行处理,确定人脸图像中人物的性别。
在本发明一实施例中,人脸图像归一化处理之后的预设尺寸为64×64像素,可以理解的是,也可以根据实际需要及具体的应用场景设定其他尺寸,此处不再赘述。
在具体实施中,所述人脸图像中可能存在一个人物,也可能存在多个人物。当对待识别图像进行人脸检测,确定待识别图像为人脸图像,且其中包括多个人物时,分别对待识别图像中存在的多个人物的人脸位置进行定位。根据各人物的人脸位置的定位结果,对待识别图像进行归一化处理,分别得到各人物对应的预设尺寸的人脸图像。采用已训练的性别分类器分别对各人物分别对应的预设尺寸的人脸图像进行处理,也即是将各人物对应的预设尺寸的人脸图像输入至已训练的性别分类器,确定各预设尺寸的人脸图像中的人物的性别。
例如,当待识别图像中存在5个人物时,对这5个人物的人脸位置进行定位,确定这5个人物的人脸位置分别在所述待识别图像中所处的区域。根据各人物的人脸位置的定位结果,对所述待识别图像进行归一化处理,分别得到这5个人物对应的预设尺寸的人脸图像。其中,归一化处理过程可以参见上述实施例中对归一化处理的描述,此处不再赘述。
在具体实施中,所述性别分类器的训练过程可以参见上述实施例中的描述,此处不再赘述。
步骤24,将所述人脸图像输入至已训练的人脸特征模型中,采用所述人脸特征模型中已训练的神经网络参数,前向传播得到所述人脸图像对应的人脸模板。
在具体实施中,当待识别图像中存在多个人物时,依次将各人物的人脸图像输入至已训练人脸特征模型中,采用所述人脸特征模型中已训练的神经网络参数,前向传播得到各人物的人脸图像对应的人脸模板。
步骤25,从布控数据库中获取与人脸图像中人物的性别相同的预存储人脸模板,并进行相似度比对。
例如,人脸图像中人物性别为男性,则从布控数据库中获取性别为男的所有预存储的人脸模板。将人脸图像对应的人脸模板分别与获取到的预设人脸模板进行相似度比对,得到对应的相似度值。
步骤26,判断相似度最高值是否大于预设阈值。
在具体实施中,当判断结果为是时,也即是相似度最大值超过预设阈值时,执行步骤27;当判断结果为否时,结束流程。
步骤27,执行报警提醒操作。
在具体实施中,可以采用多种方式进行报警提醒。
在本发明一实施例中,通过文字提醒方式执行报警提醒操作,例如,在显示界面弹出“发现目标人物”的提示。
在本发明另一实施例中,通过声音提醒当时执行报警提醒操作,例如,发出蜂鸣声进行报警提醒。
在本发明又一实施例中,相似度最高值超过预设阈值时,保存对应的待识别图像,标定出相似度超过预设阈值的人脸模板在待识别图像中对应的人物并输出显示。例如,在待识别图像中包括3个人物A、B及C,当相似度超过预设阈值的人脸模板在待识别图像中对应的人物为C,将C在待识别图像中标记出,还可以输出显示C与预存储模板中的哪个人物的相似度最高。
可以理解的是,也可以采用上述报警提醒方式中的两种或两种以上的组合执行报警提醒操作。
参照图3,给出了本发明实施例中一种向布控数据库中添加预设人脸模板的流程图。具体可以包括如下步骤:
步骤31,对接收到的图像进行人脸检测。
在具体实施中,所接收到的图像可以为二代身份证上的电子照片,也可以为其他途径获取到的目标人物的照片。
步骤32,判断所接收到的图像是否为人脸图像。
在具体实施中,当判断结果为是时,执行步骤33,当判断结果为否时,则结束流程。
步骤33,通过已训练的人脸特征模型得到所述人脸图像对应的人脸模板。
在具体实施中,可以对所接收到的人脸图像进行归一化处理,得到预设尺寸的人脸图像。在得到所述人脸图像对应的预设尺寸的人脸图像之后,将预设尺寸的人脸图像输入至已训练的人脸特征模型中。采用所述已训练的人脸特征模型中存储的已训练的神经网络参数,前向传播得到对应的人脸模板。
步骤34,将得到的人脸模板与对应的人物的属性信息存储至布控数据库。
在具体实施中,获取得到的人脸模板对应的人物的属性信息,将得到的人脸模板及对应的人物属性信息存储在布控数据库中。其中,人物的属性信息可以包括性别信息、名字或住址等。性别信息可以通过所述人物的身份证号码得到,也可以由用户判别后输入,还可以采用性别分类器对所述人物的人脸图像进行处理,得到该人物的性别。
为了便于本领域技术人员更好的理解和实现本发明实施例。本发明实施例还提供一种图像识别装置。
参照图4,给出了本发明实施例中一种图像识别装置的结构示意图。所述图像识别装置40可以包括:第一获取单元41、人脸图像确定单元42、性别确定单元43、人脸模板获得单元44、第二获取单元45、比对单元46及报警单元47,其中:
所述第一获取单元41,适于获取待识别图像;
所述人脸图像确定单元42,适于对所述待识别图像进行人脸检测,确定待识别图像为人脸图像;
所述性别确定单元43,适于采用已训练的性别分类器对所述人脸图像进行处理,确定所述人脸图像中人物的性别;
所述人脸模板获得单元44,适于将所述人脸图像输入至已训练的人脸特征模型中,采用所述人脸特征模型中已训练的神经网络参数,前向传播得到所述人脸图像对应的人脸模板;
所述第二获取单元45,适于从布控数据库中获取与所述人脸图像中人物的性别相同的预存储人脸模板;
所述比对单元46,适于将得到的所述人脸图像对应的人脸模板与获取到的预存储的人脸模板进行相似度比对;
所述报警单元47,适于当相似度最高值超过预设阈值时,执行报警提醒操作。
由上可知,在对待识别图像进行图像识别时,当确定待识别图像为人脸图像时,采用性别分类器确定所述人脸图像中人物的性别。从布控数据库中获取性别相同的预设人脸模板,并将所述人脸图像对应的人脸模板与性别相同的预设人脸模板进行相似度比对。当相似度最高值超过预设阈值时,执行报警提醒操作。通过性别分类器确定所述人脸图像的性别,并从布控数据库中获取性别相同的预设人脸模板进行比对,可以有效的缩小待比对的预设人脸模板数目,从而可以提高视频布控系统的图像识别正确率。
在具体实施中,所述性别确定单元43可以包括:性别分类器训练子单元(图4中未示出),适于采用深度卷积神经网络算法训练得到所述性别分类器。
在具体实施中,所述性别分类器训练子单元,适于接收输入的人脸图像样本;对所述人脸图像样本进行归一化处理,得到预设尺寸的人脸图像集;将得到的预设尺寸的人脸图像集依次经过预设数目的卷积层及全连接层进行处理,训练得到所述性别分类器。
在具体实施中,所述性别分类器训练子单元,适于将预设尺寸的人脸图像集中的各图像分别输入至卷基层1,并依次经过预设层数的卷基层、预设层数的全连接层之后,训练得到所述性别分类器;其中:各卷基层中分别设有预设数量的滤波器,分别采用对应的激活函数,及设定的滑动步长;各全连接层中分别设有预设数目的神经元。
在具体实施中,所述性别确定单元43,适于当对待识别图像进行人脸检测,确定所述待识别图像中存在多个人物时,对各人物的人脸位置进行定位;根据各人物的人脸位置的定位结果,对所述待识别图像进行归一化处理,分别得到各人物对应的预设尺寸的人脸图像;采用已训练的性别分类器分别对各人物分别对应的预设尺寸的人脸图像进行处理,确定各预设尺寸的人脸图像中的人物的性别。
在具体实施中,所述第二获取单元45可以包括:性别获取子单元(图4中未示出);所述性别获取子单元,适于根据预存储人脸模板对应的身份证号码得到性别;或者,接收用户输入的预存储人脸模板的性别;或者,采用所述已训练的性别分类器对预存储人脸模板进行处理,并确定所述预存储人脸模板的性别。
在具体实施中,所述第二获取单元45可以包括:人脸模板获取子单元;所述人脸模板获取子单元,适于对接收到的人脸图像进行归一化处理得到所述预设尺寸的人脸图像;将处理得到的所述预设尺寸的人脸图像输入至已训练的人脸特征模型中,采用所述人脸特征模型中已训练的神经网络参数,前向传播得到对应的人脸模板。
在具体实施中,所述报警单元47,适于当相似度最高值超过预设阈值时,通过文字提醒方式执行报警操作;或者,当相似度最高值超过预设阈值时,通过声音提醒方式执行报警操作;或者,当相似度最高值超过预设阈值时,保存对应的待识别图像,标定出相似度超过预设阈值的人脸模板在待识别图像中对应的人物并输出显示。
在具体实施中,当所述人脸特征模型采用深度神经网络训练得到时,所述神经网络参数可以包括各卷基层权重、各全连接层权重、偏置中的一种或多种。
在具体实施中,所述图像识别装置的工作原理及工作流程可以参考本发明上述实施例中提供的图像识别方法中的描述,此处不做赘述。
本发明实施例中还提供一种布控系统,参照图5,所述布控系统可以包括:图像采集装置51及图像识别装置40。其中,所述图像采集装置51,适于采集待识别图像,并输入至所述图像识别装置40;所述图像识别装置40可以采用本发明上述实施例中提供的任一种图像识别装置40。
在本发明一实施例中,所述图像采集装置51可以为摄像头。
在具体实施中,所述图像识别装置40及布控系统的工作原理及工作流程可以参见本发明上述实施例中提供的图像识别方法及图像识别装置中的描述,此处不再赘述。
本发明实施例还提供一种图像识别装置,包括存储器和处理器,所述存储器上存储有能够在所述处理器上运行的计算机指令,所述处理器运行所述计算机指令时执行上述任一实施例中的图像识别方法的步骤。
本发明实施例还提供一种计算机可读存储介质,其上存储有计算机指令,所述计算机指令运行时执行上述任一实施例中的图像识别方法的步骤。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序可以存储于一计算机可读存储介质中,存储介质可以包括:ROM、RAM、磁盘或光盘等。
虽然本发明披露如上,但本发明并非限定于此。任何本领域技术人员,在不脱离本发明的精神和范围内,均可作各种更动与修改,因此本发明的保护范围应当以权利要求所限定的范围为准。
Claims (21)
1.一种图像识别方法,其特征在于,包括:
获取待识别图像;
对所述待识别图像进行人脸检测,确定待识别图像为人脸图像;
采用已训练的性别分类器对所述人脸图像进行处理,确定所述人脸图像中人物的性别;
将所述人脸图像输入至已训练的人脸特征模型中,采用所述人脸特征模型中已训练的神经网络参数,前向传播得到所述人脸图像对应的人脸模板;
从布控数据库中获取与所述人脸图像中人物的性别相同的预存储人脸模板;
将得到的所述人脸图像对应的人脸模板与获取到的预存储的人脸模板进行相似度比对;
当相似度最高值超过预设阈值时,执行报警提醒操作。
2.根据权利要求1所述的图像识别方法,其特征在于,采用深度卷积神经网络算法训练得到所述性别分类器。
3.根据权利要求2所述的图像识别方法,其特征在于,所述采用深度卷积神经网络算法训练得到所述性别分类器,包括:
接收输入的人脸图像样本;
对所述人脸图像样本进行归一化处理,得到预设尺寸的人脸图像集;
将得到的预设尺寸的人脸图像集依次经过预设数目的卷积层及全连接层进行处理,训练得到所述性别分类器。
4.根据权利要求3所述的图像识别方法,其特征在于,所述将得到的预设尺寸的人脸图像集依次经过预设数目的卷积层及全连接层进行处理,训练得到所述性别分类器,包括:
将预设尺寸的人脸图像集中的各图像分别输入至卷基层1,并依次经过预设层数的卷基层、预设层数的全连接层之后,训练得到所述性别分类器;
其中:
各卷基层中分别设有预设数量的滤波器,分别采用对应的激活函数,及设定的滑动步长;
各全连接层中分别设有预设数目的神经元。
5.根据权利要求1所述的图像识别方法,其特征在于,所述采用已训练的性别分类器对所述人脸图像进行处理,确定所述人脸图像中人物的性别,包括:
当对待识别图像进行人脸检测,确定所述待识别图像中存在多个人物时,对各人物的人脸位置进行定位;
根据各人物的人脸位置的定位结果,对所述待识别图像进行归一化处理,分别得到各人物对应的预设尺寸的人脸图像;
采用已训练的性别分类器分别对各人物分别对应的预设尺寸的人脸图像进行处理,确定各预设尺寸的人脸图像中的人物的性别。
6.根据权利要求1所述的图像识别方法,其特征在于,所述布控数据库中预存储人脸模板对应的性别,采用以下至少一种方式得到:
根据预存储人脸模板对应的身份证号码得到性别;
接收用户输入的预存储人脸模板的性别;
采用所述已训练的性别分类器对预存储人脸模板进行处理,并确定所述预存储人脸模板的性别。
7.根据权利要求1所述的图像识别方法,其特征在于,所述布控数据库中预存储人脸模板采用如下方式得到:
对接收到的人脸图像进行归一化处理得到所述预设尺寸的人脸图像;
将处理得到的所述预设尺寸的人脸图像输入至已训练的人脸特征模型中,采用所述人脸特征模型中已训练的神经网络参数,前向传播得到对应的人脸模板。
8.根据权利要求1所述的图像识别方法,其特征在于,所述当相似度最高值超过预设阈值时,执行报警提醒操作,包括以下至少一种:
当相似度最高值超过预设阈值时,通过文字提醒方式执行报警操作;
当相似度最高值超过预设阈值时,通过声音提醒方式执行报警操作;
当相似度最高值超过预设阈值时,保存对应的待识别图像,标定出相似度超过预设阈值的人脸模板在待识别图像中对应的人物并输出显示。
9.根据权利要求1所述的图像识别方法,其特征在于,所述神经网络参数包括以下至少一种:
各卷基层权重、各全连接层权重、偏置。
10.一种图像识别装置,其特征在于,包括:
第一获取单元,适于获取待识别图像;
人脸图像确定单元,适于对所述待识别图像进行人脸检测,确定待识别图像为人脸图像;
性别确定单元,适于采用已训练的性别分类器对所述人脸图像进行处理,确定所述人脸图像中人物的性别;
人脸模板获得单元,适于将所述人脸图像输入至已训练的人脸特征模型中,采用所述人脸特征模型中已训练的神经网络参数,前向传播得到所述人脸图像对应的人脸模板;
第二获取单元,适于从布控数据库中获取与所述人脸图像中人物的性别相同的预存储人脸模板;
比对单元,适于将得到的所述人脸图像对应的人脸模板与获取到的预存储的人脸模板进行相似度比对;
报警单元,适于当相似度最高值超过预设阈值时,执行报警提醒操作。
11.根据权利要求10所述的图像识别装置,其特征在于,所述性别确定单元,包括:性别分类器训练子单元,适于采用深度卷积神经网络算法训练得到所述性别分类器。
12.根据权利要求10所述的图像识别装置,其特征在于,所述性别分类器训练子单元,适于接收输入的人脸图像样本;对所述人脸图像样本进行归一化处理,得到预设尺寸的人脸图像集;将得到的预设尺寸的人脸图像集依次经过预设数目的卷积层及全连接层进行处理,训练得到所述性别分类器。
13.根据权利要求12所述的图像识别装置,其特征在于,所述性别分类器训练子单元,适于将预设尺寸的人脸图像集中的各图像分别输入至卷基层1,并依次经过预设层数的卷基层、预设层数的全连接层之后,训练得到所述性别分类器;其中:各卷基层中分别设有预设数量的滤波器,分别采用对应的激活函数,及设定的滑动步长;各全连接层中分别设有预设数目的神经元。
14.根据权利要求10所述的图像识别装置,其特征在于,所述性别确定单元,适于当对待识别图像进行人脸检测,确定所述待识别图像中存在多个人物时,对各人物的人脸位置进行定位;根据各人物的人脸位置的定位结果,对所述待识别图像进行归一化处理,分别得到各人物对应的预设尺寸的人脸图像;采用已训练的性别分类器分别对各人物分别对应的预设尺寸的人脸图像进行处理,确定各预设尺寸的人脸图像中的人物的性别。
15.根据权利要求10所述的图像识别装置,其特征在于,所述第二获取单元,包括:性别获取子单元;所述性别获取子单元,适于根据预存储人脸模板对应的身份证号码得到性别;或者,接收用户输入的预存储人脸模板的性别;或者,采用所述已训练的性别分类器对预存储人脸模板进行处理,并确定所述预存储人脸模板的性别。
16.根据权利要求10所述的图像识别装置,其特征在于,所述第二获取单元,包括:人脸模板获取子单元;所述人脸模板获取子单元,适于对接收到的人脸图像进行归一化处理得到所述预设尺寸的人脸图像;将处理得到的所述预设尺寸的人脸图像输入至已训练的人脸特征模型中,采用所述人脸特征模型中已训练的神经网络参数,前向传播得到对应的人脸模板。
17.根据权利要求10所述的图像识别装置,其特征在于,所述报警单元,适于当相似度最高值超过预设阈值时,通过文字提醒方式执行报警操作;或者,当相似度最高值超过预设阈值时,通过声音提醒方式执行报警操作;或者,当相似度最高值超过预设阈值时,保存对应的待识别图像,标定出相似度超过预设阈值的人脸模板在待识别图像中对应的人物并输出显示。
18.根据权利要求10所述的图像识别装置,其特征在于,所述神经网络参数包括以下至少一种:
各卷基层权重、各全连接层权重、偏置。
19.一种布控系统,其特征在于,包括:图像采集装置及如权利要求10~18任一项所述的图像识别装置,其中:
所述图像采集装置,适于采集待识别图像,并输入至所述图像识别装置。
20.一种图像识别装置,包括存储器和处理器,所述存储器上存储有能够在所述处理器上运行的计算机指令,其特征在于,所述处理器运行所述计算机指令时执行权利要求1至9任一项所述的图像识别方法的步骤。
21.一种计算机可读存储介质,其上存储有计算机指令,其特征在于,所述计算机指令运行时执行权利要求1至9任一项所述的图像识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710805381.4A CN109472183A (zh) | 2017-09-08 | 2017-09-08 | 图像识别方法及装置、布控系统、计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710805381.4A CN109472183A (zh) | 2017-09-08 | 2017-09-08 | 图像识别方法及装置、布控系统、计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109472183A true CN109472183A (zh) | 2019-03-15 |
Family
ID=65658247
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710805381.4A Pending CN109472183A (zh) | 2017-09-08 | 2017-09-08 | 图像识别方法及装置、布控系统、计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109472183A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110826525A (zh) * | 2019-11-18 | 2020-02-21 | 天津高创安邦技术有限公司 | 一种人脸识别的方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101162499A (zh) * | 2006-10-13 | 2008-04-16 | 上海银晨智能识别科技有限公司 | 利用人脸模板组合进行比对的方法 |
CN101226591A (zh) * | 2008-01-31 | 2008-07-23 | 上海交通大学 | 基于手机摄像头结合人脸识别技术的身份识别方法 |
CN101576959A (zh) * | 2008-05-09 | 2009-11-11 | 上海银晨智能识别科技有限公司 | 一种利用人像识别技术涮选照片的方法 |
CN101667248A (zh) * | 2008-09-04 | 2010-03-10 | 索尼株式会社 | 图像处理设备、成像设备、图像处理方法和程序 |
CN103824054A (zh) * | 2014-02-17 | 2014-05-28 | 北京旷视科技有限公司 | 一种基于级联深度神经网络的人脸属性识别方法 |
CN105721770A (zh) * | 2016-01-20 | 2016-06-29 | 广东欧珀移动通信有限公司 | 一种拍照的控制方法及装置 |
CN106127159A (zh) * | 2016-06-28 | 2016-11-16 | 电子科技大学 | 一种基于卷积神经网络的性别识别方法 |
-
2017
- 2017-09-08 CN CN201710805381.4A patent/CN109472183A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101162499A (zh) * | 2006-10-13 | 2008-04-16 | 上海银晨智能识别科技有限公司 | 利用人脸模板组合进行比对的方法 |
CN101226591A (zh) * | 2008-01-31 | 2008-07-23 | 上海交通大学 | 基于手机摄像头结合人脸识别技术的身份识别方法 |
CN101576959A (zh) * | 2008-05-09 | 2009-11-11 | 上海银晨智能识别科技有限公司 | 一种利用人像识别技术涮选照片的方法 |
CN101667248A (zh) * | 2008-09-04 | 2010-03-10 | 索尼株式会社 | 图像处理设备、成像设备、图像处理方法和程序 |
CN103824054A (zh) * | 2014-02-17 | 2014-05-28 | 北京旷视科技有限公司 | 一种基于级联深度神经网络的人脸属性识别方法 |
CN105721770A (zh) * | 2016-01-20 | 2016-06-29 | 广东欧珀移动通信有限公司 | 一种拍照的控制方法及装置 |
CN106127159A (zh) * | 2016-06-28 | 2016-11-16 | 电子科技大学 | 一种基于卷积神经网络的性别识别方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110826525A (zh) * | 2019-11-18 | 2020-02-21 | 天津高创安邦技术有限公司 | 一种人脸识别的方法及系统 |
CN110826525B (zh) * | 2019-11-18 | 2023-05-26 | 天津高创安邦技术有限公司 | 一种人脸识别的方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11804071B2 (en) | Method for selecting images in video of faces in the wild | |
CN109522853B (zh) | 面向监控视频的人脸检测与搜索方法 | |
CN105354985B (zh) | 疲劳驾驶监控装置及方法 | |
CN110462633A (zh) | 一种人脸识别的方法、装置和电子设备 | |
CN106709450A (zh) | 一种指纹图像识别方法及系统 | |
CN106682578B (zh) | 基于眨眼检测的弱光人脸识别方法 | |
CN104794693B (zh) | 一种人脸关键区域自动检测蒙版的人像优化方法 | |
CN101201893A (zh) | 一种基于灰度信息的虹膜识别预处理方法 | |
CN103268479A (zh) | 全天候疲劳驾驶检测方法 | |
CN104021384B (zh) | 一种人脸识别方法及装置 | |
CN102254188A (zh) | 掌纹识别方法及装置 | |
CN101447023B (zh) | 人头检测方法和系统 | |
CN106600903A (zh) | 一种基于图像识别的预警方法及装置 | |
WO2019014814A1 (zh) | 一种定量检测人脸抬头纹的方法和智能终端 | |
CN108446690A (zh) | 一种基于多视角动态特征的人脸活体检测方法 | |
CN109359577A (zh) | 一种基于机器学习的复杂背景下人数检测系统 | |
CN110443132A (zh) | 一种基于深度学习的人脸检测及面部多属性融合分析方法 | |
CN107169996A (zh) | 一种视频中动态人脸识别方法 | |
Beng et al. | Finger-vein identification using pattern map and principal component analysis | |
CN107862298A (zh) | 一种基于红外摄像装置下眨眼的活体检测方法 | |
CN109472183A (zh) | 图像识别方法及装置、布控系统、计算机可读存储介质 | |
Ranjan et al. | Enhanced edge detection technique in digital images using optimised fuzzy operation | |
CN116631068B (zh) | 一种基于深度学习特征融合的掌静脉活体检测方法 | |
CN105243380A (zh) | 基于选择性中值滤波和pca结合的单人脸图像识别方法 | |
Das et al. | Human face detection in color images using HSV color histogram and WLD |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190315 |