CN109543645A - 一种人脸识别方法及装置 - Google Patents
一种人脸识别方法及装置 Download PDFInfo
- Publication number
- CN109543645A CN109543645A CN201811456436.6A CN201811456436A CN109543645A CN 109543645 A CN109543645 A CN 109543645A CN 201811456436 A CN201811456436 A CN 201811456436A CN 109543645 A CN109543645 A CN 109543645A
- Authority
- CN
- China
- Prior art keywords
- pedestrian
- face
- standard faces
- image
- face characteristic
- 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
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本申请提供了一种人脸识别方法及装置,涉及无人车技术领域,其中,该方法包括:获取摄像头采集的图像;根据所述图像中行人的人脸特征,以及标准人脸特征,判断所述行人是否是所述标准人脸特征对应的预设目标;若所述行人是所述预设目标,在所述图像中对所述行人进行标记;将标记后的所述图像发送至主控站。本申请实施例通过无人车行驶范围较广的特点,将罪犯追踪的范围扩大,以致通过固定摄像设施采集不到的区域也可以通过本申请实施例的方法,在无人车行驶的过程中,实现监控。
Description
技术领域
本申请涉及无人车技术领域,尤其是涉及一种人脸识别方法及装置。
背景技术
人脸识别,是基于人的脸部特征信息进行身份识别的一种生物识别技术。用摄像机或摄像头采集含有人脸的图像或视频流,并自动在图像中检测和跟踪人脸,进而对检测到的人脸进行脸部识别的一系列相关技术,通常也叫做人像识别、面部识别。
随着人脸识别技术的发展,各种配备人脸识别功能的摄像头遍布大街小巷,然而现有技术中,摄像头的设置通常都是固定在特定地点,比如在红绿灯架上,商铺门口等。然而罪犯相对与普通人,其主要出没在人烟稀少的区域,该区域缺乏监控设施,固定的摄像头采集的区域有限,面对罪犯的追踪显得力不从心。
发明内容
有鉴于此,本申请的目的在于提供一种人脸识别方法及装置,以扩大罪犯追踪的区域。
第一方面,本申请实施例提供了一种人脸识别方法,其中,包括:
获取摄像头采集的图像;
根据所述图像中行人的人脸特征,以及标准人脸特征,判断所述行人是否是所述标准人脸特征对应的预设目标;
若所述行人是所述预设目标,在所述图像中对所述行人进行标记;
将标记后的所述图像发送至主控站。
结合第一方面,本申请实施例提供了第一方面的第一种可能的实施方式,其中,根据所述图像中行人的人脸特征,以及标准人脸特征,判断所述行人是否是所述标准人脸特征对应的预设目标,包括:
提取所述图像中的所述行人的人脸特征;
将所述人脸特征与所述标准人脸特征进行匹配;
当所述人脸特征与所述标准人脸特征相匹配时,确定所述行人是所述标准人脸特征对应的预设目标。
结合第一方面的第一种可能的实施方式,本申请实施例提供了第一方面的第二种可能的实施方式,其中,将所述人脸特征与所述标准人脸特征进行匹配之后,还包括:
当所述人脸特征与所述标准人脸特征相匹配时,在所述摄像头采集的图像中,追踪所述行人;
获取包括所述行人的图像;
提取包括所述行人的图像中的人脸特征,组成所述行人的综合特征集;
根据所述综合特征集与所述标准人脸特征,判断所述行人是否是预设目标。
结合第一方面的第二种可能的实施方式,本申请实施例提供了第一方面的第三种可能的实施方式,其中,根据所述综合特征集与所述标准人脸特征,判断所述行人是否是预设目标,包括:
采用YOLO深度神经网络对所述图像进行识别。
结合第一方面,本申请实施例提供了第一方面的第四种可能的实施方式,其中,将标记后的所述图像发送至主控站后,还包括:
主控站根据多个上传图像,确定该区域存在预设目标;
向相应部门发出警示。
第二方面,本申请实施例还提供一种人脸识别装置,其中,包括:
获取模块,用于获取摄像头采集的图像;
识别模块,用于根据所述图像中行人的人脸特征,以及标准人脸特征,判断所述行人是否是所述标准人脸特征对应的预设目标;
标记模块,用于若所述行人是所述预设目标,在所述图像中对所述行人进行标记;
发送模块,用于将标记后的所述图像发送至主控站。
结合第二方面,本申请实施例提供了第二方面的第一种可能的实施方式,其中,所述识别模块具体用于:
提取所述图像中的所述行人的人脸特征;
将所述人脸特征与所述标准人脸特征进行匹配;
当所述人脸特征与所述标准人脸特征相匹配时,确定所述行人是所述标准人脸特征对应的预设目标
结合第二方面的第一种可能的实施方式,本申请实施例提供了第二方面的第二种可能的实施方式,其中,所述识别模块具体用于:
当所述人脸特征与所述标准人脸特征相匹配时,在所述摄像头采集的图像中,追踪所述行人;
获取包括所述行人的图像;
提取包括所述行人的图像中的人脸特征,组成所述行人的综合特征集;
根据所述综合特征集与所述标准人脸特征,判断所述行人是否是预设目标。
第三方面,本申请实施例还提供一种电子设备,包括:处理器、存储器和总线,所述存储器存储有所述处理器可执行的机器可读指令,当电子设备运行时,所述处理器与所述存储器之间通过总线通信,所述机器可读指令被所述处理器执行时执行上述方面中任一种可能的实施方式中的步骤。
第四方面,本申请实施例还提供一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行上述任一种可能的实施方式中的步骤。
本申请实施例提供的一种人脸识别方法及装置,采用获取摄像头采集的图像;根据所述图像中行人的人脸特征,以及标准人脸特征,判断所述行人是否是所述标准人脸特征对应的预设目标;若所述行人是所述预设目标,在所述图像中对所述行人进行标记;将标记后的所述图像发送至主控站。其与现有技术中固定摄像头采集的区域有限相比,其可以通过无人车行驶范围较广的特点,将罪犯追踪的范围扩大,以致通过固定摄像设施采集不到的区域也可以通过本申请实施例的方法,在无人车行驶的过程中,实现监控。
为使本申请的上述目的、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申请实施例的技术方案,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申请的某些实施例,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示出了本申请实施例所提供的一种人脸识别方法的流程图;
图2示出了本申请实施例所提供的通过YOLO神经网络进行人脸识别的流程图;
图3示出了本申请实施例所提供的一种人脸识别装置的模块结构示意图;
图4示出了本申请实施例所提供的执行一种人脸识别方法的电子设备的硬件结构的示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中附图,对本申请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申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请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申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请的实施例,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,都属于本申请保护的范围。
考虑到相关技术中,固定的摄像头采集的区域有限,面对罪犯的追踪显得力不从心,基于此,本申请实施例提供了一种人脸识别方法及装置,下面通过实施例进行描述。
为便于对本实施例进行理解,首先对本申请实施例所公开的一种人脸识别方法进行详细介绍。
实施例一
图1为本申请实施例提供的一种人脸识别方法的流程图,如图1所示,该方法包括以下步骤:
S110、获取摄像头采集的图像;
S120、根据所述图像中行人的人脸特征,以及标准人脸特征,判断所述行人是否是所述标准人脸特征对应的预设目标;
S130、若所述行人是所述预设目标,在所述图像中对所述行人进行标记;
S140、将标记后的所述图像发送至主控站。
具体的,主控站从公安系统中获取通缉的罪犯,并提取罪犯的人脸特征构建标准人脸特征数据库,该标准人脸特征与相应的罪犯一一对应。无人车从主控站下载该标准人脸特征数据库,通过无人车车载的摄像头采集无人车前方的图像,获取该图像,通过YOLO深度神经网络识别该图像中的行人的人脸特征,将图像中行人的人脸特征与标准人脸特征数据库中的标准人脸特征进行匹配,当行人的人脸特征与与标准人脸特征数据库中的标准人脸特征相匹配时,认为该行人就是与该标准人脸特征相对应的罪犯。在该图像中,将该行人进行罪犯标记,并将该图像上传至主控站进行报备。
采用本申请实施例的方法,通过获取摄像头采集的图像;根据所述图像中行人的人脸特征,以及标准人脸特征,判断所述行人是否是所述标准人脸特征对应的预设目标;若所述行人是所述预设目标,在所述图像中对所述行人进行标记;将标记后的所述图像发送至主控站,其可以通过无人车行驶范围较广的特点,将罪犯追踪的范围扩大,以致通过固定摄像设施采集不到的区域也可以通过本申请实施例的方法,在无人车行驶的过程中,实现监控。
在本申请实施例中,根据所述图像中行人的人脸特征,以及标准人脸特征,判断所述行人是否是所述标准人脸特征对应的预设目标,包括:
提取所述图像中的所述行人的人脸特征;
将所述人脸特征与所述标准人脸特征进行匹配;
当所述人脸特征与所述标准人脸特征相匹配时,确定所述行人是所述标准人脸特征对应的预设目标。
在本申请实施例中,将所述人脸特征与所述标准人脸特征进行匹配之后,还包括:
当所述人脸特征与所述标准人脸特征相匹配时,在所述摄像头采集的图像中,追踪所述行人;
获取包括所述行人的图像;
提取包括所述行人的图像中的人脸特征,组成所述行人的综合特征集;
根据所述综合特征集与所述标准人脸特征,判断所述行人是否是预设目标。
在本申请实施例中,,根据所述综合特征集与所述标准人脸特征,判断所述行人是否是预设目标,包括:
采用YOLO深度神经网络对所述图像进行识别。
具体的,在本申请实施例中,构建了初始神经网络,并对该初始神经网络进行训练,生成训练后的神经网络,利用该训练后的神经网络进行待处理图像的识别,利用该训练后的神经网络能够在同一个神经网络中实现确定识别目标和生成识别目标的图像特征值,只进行一次神经网络的演算即可,缩短了图像识别的时间。
在本申请实施例中,预先构建初始神经网络,包括:
将YOLO神经网络的输出结果设置为图像特征值,生成基于YOLO神经网络的初始神经网络。
在本申请实施例中,在YOLO神经网络的基础上生成了初始神经网络,基于该初始神经网络生成的训练后的神经网络能够快速的确定识别目标的位置,进而能够提高识别待处理图像中的识别目标的速度。
在本申请实施例中,预先构建初始神经网络,包括:
设置初始神经网络的损失函数;
根据初始神经网络的损失函数,生成初始神经网络。
在本申请实施例中,该初始神经网络的损失函数中既有对识别目标定位的准确性的评估,也有对识别目标的识别的准确性的评估,通过该损失函数能够从目标定位和目标识别两个方面来训练该初始神经网络,使得训练后的神经网络能够更加准确地进行目标定位和目标识别,进而提高对整个待处理图像的识别的准确性。
在本申请实施例中,可以通过对初始神经网络的目标定位进行训练,以及通过对初始神经网络的目标识别进行训练。
在本申请实施例中,对初始神经网络进行训练,生成训练后的神经网络,包括:
根据初始神经网络的损失函数,对初始神经网络进行训练,当初始神经网络的损失函数的值满足预设要求时,生成训练后的神经网络。
在本申请实施例中,通过初始神经网络的损失函数对初始神经网络进行训练,通过初始神经网络的损失函数的值来反映当前的神经网络的进行图像识别的水平,当满足预设要求时,训练结束,生成训练后的神经网络。
在本申请实施例中,预设要求可以是一个数值范围,当损失函数的值在该数值范围内时,说明该神经网络已经满足需求了。损失函数的值越小越好。
在本申请实施例中,利用训练后的神经网络输出的识别目标的图像特征值来表征该识别目标,进而通过分类器基于图像特征值进行分类。这里的比对结果可以是识别目标与标准目标的相似情况,例如:识别目标A与标准目标A的相似度为80%,该相似度可以根据识别目标A的预设数量个图像特征值以及标准目标A的预设数量个标准特征值计算得到。在本申请实施例中,可以利用分类器确定出与当前识别目标最相似的标准目标。
在本申请实施例中,在从待处理图像中确定至少一个识别目标时,可以是从待处理图像中确定出至少一个人脸,可以通过方框将待处理图像中的人脸选中,进而对各个方框中的人脸进行识别,生成各个人脸的预设数量个人脸特征值。
图2为本申请实施例提供的通过YOLO神经网络进行人脸识别的流程图,如图2所示,包括以下步骤:
S210、将YOLO神经网络的输出结果设置为人脸特征值,设置初始神经网络的损失函数,生成基于YOLO神经网络的初始神经网络。
具体地,初始神经网络可以是对YOLO神经网络改进得到的。将YOLO神经网络的输出结果修改为输出人脸特征值,将YOLO神经网络的损失函数修改为初始神经网络的损失函数,YOLO神经网络其余内容保持不变。例如:针对每个待处理图像中的每个人脸输出128个人脸特征值,使不同人脸的人脸特征值在欧式特征空间上高维线性可分。
S220、根据初始神经网络的损失函数,对初始神经网络进行训练,当初始神经网络的损失函数的值满足预设要求时,生成训练后的神经网络。
具体地,可以设置人脸训练库,该人脸训练库中包括多个人脸图像。利用人脸训练库中的多个人脸图像不断对初始神经网络进行训练。
训练过程就通过初始神经网络的损失函数不断调整当前神经网络的过程,直到损失函数的值达到预设要求后,训练结束。
S230、预先设置至少一个标准人脸的128个标准特征值,预先设置分类器。
具体地,可以预先设置人脸标准库,该人脸标准库中包括多个标准人脸,以及每个标准人脸的128个标准特征值,还可以包括每个标准人脸对应的信息。
这里的分类器是经过训练的分类器,该分类器可以是SVM(SupportVectorMachine,支持向量机)。
S240、将待处理图像输入到训练后的神经网络中。
S250、利用训练后的神经网络,确定出待处理图像中的至少一个待识别人脸,并生成每个待识别人脸的128个人脸特征值。
S260、针对每个待识别人脸,执行:将当前待识别人脸的128个人脸特征值输入到分类器中;利用分类器,将当前待识别人脸的128个人脸特征值与至少一个标准人脸的128个标准特征值进行比对,输出比对结果。
举例来说,将目标的人脸的128个人脸特征值与至少一个标准人脸的128个标准特征值进行比对,确定出与目标A的人脸最相似的标准人脸A,输出比对结果,该比对结果可以包括:标准人脸A、标准人脸A对应的信息,其中,标准人脸A对应的信息可以包括标准人脸A对应的姓名、性别等身份信息。
在本申请实施例中,将标记后的所述图像发送至主控站后,还包括:
主控站根据多个上传图像,确定该区域存在预设目标;
向相应部门发出警示。
基于相同的技术构思,本申请实施例还提供一种人脸识别装置、电子设备、以及计算机存储介质等,具体可参见以下实施例。
实施例二
图3为本申请实施例提供的一种人脸识别装置的模块结构示意图,如图3所示,该装置包括以下模块:
获取模块310,用于获取摄像头采集的图像;
识别模块320,用于根据所述图像中行人的人脸特征,以及标准人脸特征,判断所述行人是否是所述标准人脸特征对应的预设目标;
标记模块330,用于若所述行人是所述预设目标,在所述图像中对所述行人进行标记;
发送模块340,用于将标记后的所述图像发送至主控站。
具体的,主控站从公安系统中获取通缉的罪犯,并提取罪犯的人脸特征构建标准人脸特征数据库,该标准人脸特征与相应的罪犯一一对应。无人车从主控站下载该标准人脸特征数据库,通过无人车车载的摄像头采集无人车前方的图像,获取该图像,通过YOLO深度神经网络识别该图像中的行人的人脸特征,将图像中行人的人脸特征与标准人脸特征数据库中的标准人脸特征进行匹配,当行人的人脸特征与与标准人脸特征数据库中的标准人脸特征相匹配时,认为该行人就是与该标准人脸特征相对应的罪犯。在该图像中,将该行人进行罪犯标记,并将该图像上传至主控站进行报备。
采用本申请实施例的方法,通过获取摄像头采集的图像;根据所述图像中行人的人脸特征,以及标准人脸特征,判断所述行人是否是所述标准人脸特征对应的预设目标;若所述行人是所述预设目标,在所述图像中对所述行人进行标记;将标记后的所述图像发送至主控站,其可以通过无人车到处形式的特点,将罪犯追踪的范围扩大,以致通过固定摄像设施采集不到的区域也可以通过本申请实施例的方法,在无人车行驶的过程中,实现监控。
可选地,所述识别模块320具体用于:
提取所述图像中的所述行人的人脸特征;
将所述人脸特征与所述标准人脸特征进行匹配;
当所述人脸特征与所述标准人脸特征相匹配时,确定所述行人是所述标准人脸特征对应的预设目标。
可选地,所述识别模块320具体用于:
当所述人脸特征与所述标准人脸特征相匹配时,在所述摄像头采集的图像中,追踪所述行人;
获取包括所述行人的图像;
提取包括所述行人的图像中的人脸特征,组成所述行人的综合特征集;
根据所述综合特征集与所述标准人脸特征,判断所述行人是否是预设目标。
实施例三
图4示出了本申请实施例提供的执行一种人脸识别方法的电子设备的硬件结构的示意图,如图4所示,该设备包括:
一个或多个处理器410以及存储器420,图4中以一个处理器410为例。
处理器410和存储器420可以通过总线或者其他方式连接,图4中以通过总线连接为例。
存储器420作为一种非易失性计算机可读存储介质,可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块,如本申请实施例中的一种人脸识别方法对应的程序指令/模块。处理器410通过运行存储在存储器420中的非易失性软件程序、指令以及模块,从而执行服务器的各种功能应用以及数据处理,即实现上述申请实施例中的一种人脸识别方法。
存储器420可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储根据任意以上方法的使用所创建的数据等。此外,存储器420可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件或其他非易失性固态存储器件。在一些实施例中,存储器420可选包括相对于处理器410远程设置的存储器,这些远程存储器可以通过网络连接至运行任意以上方法的处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
一个或者多个模块存储在存储器420中,当被一个或者多个处理器410执行时,执行上述申请实施例中的一种人脸识别方法。
实施例四
本申请实施例还提供一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行上述方法实施例中一种人脸识别方法的步骤。
本申请实施例所提供的进行一种人脸识别方法的计算机程序产品,包括存储了处理器可执行的非易失的程序代码的计算机可读存储介质,所述程序代码包括的指令可用于执行前面方法实施例中所述的方法,具体实现可参见方法实施例,在此不再赘述。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,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,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,又例如,多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解,本申请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)执行本申请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(Read-OnlyMemory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上所述实施例,仅为本申请的具体实施方式,用以说明本申请的技术方案,而非对其限制,本申请的保护范围并不局限于此,尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.一种人脸识别方法,其特征在于,包括:
获取摄像头采集的图像;
根据所述图像中行人的人脸特征,以及标准人脸特征,判断所述行人是否是所述标准人脸特征对应的预设目标;
若所述行人是所述预设目标,在所述图像中对所述行人进行标记;
将标记后的所述图像发送至主控站。
2.根据权利要求1所述的一种人脸识别方法,其特征在于,根据所述图像中行人的人脸特征,以及标准人脸特征,判断所述行人是否是所述标准人脸特征对应的预设目标,包括:
提取所述图像中的所述行人的人脸特征;
将所述人脸特征与所述标准人脸特征进行匹配;
当所述人脸特征与所述标准人脸特征相匹配时,确定所述行人是所述标准人脸特征对应的预设目标。
3.根据权利要求2所述的一种人脸识别方法,其特征在于,将所述人脸特征与所述标准人脸特征进行匹配之后,还包括:
当所述人脸特征与所述标准人脸特征相匹配时,在所述摄像头采集的图像中,追踪所述行人;
获取包括所述行人的图像;
提取包括所述行人的图像中的人脸特征,组成所述行人的综合特征集;
根据所述综合特征集与所述标准人脸特征,判断所述行人是否是预设目标。
4.根据权利要求3所述的一种人脸识别方法,其特征在于,根据所述综合特征集与所述标准人脸特征,判断所述行人是否是预设目标,包括:
采用YOLO深度神经网络对所述图像进行识别。
5.根据权利要求1所述的一种人脸识别方法,其特征在于,将标记后的所述图像发送至主控站后,还包括:
主控站根据多个上传图像,确定该区域存在预设目标;
向相应部门发出警示。
6.一种人脸识别装置,其特征在于,包括:
获取模块,用于获取摄像头采集的图像;
识别模块,用于根据所述图像中行人的人脸特征,以及标准人脸特征,判断所述行人是否是所述标准人脸特征对应的预设目标;
标记模块,用于若所述行人是所述预设目标,在所述图像中对所述行人进行标记;
发送模块,用于将标记后的所述图像发送至主控站。
7.根据权利要求6所述的一种人脸识别装置,其特征在于,所述识别模块具体用于:
提取所述图像中的所述行人的人脸特征;
将所述人脸特征与所述标准人脸特征进行匹配;
当所述人脸特征与所述标准人脸特征相匹配时,确定所述行人是所述标准人脸特征对应的预设目标。
8.根据权利要求7所述的一种人脸识别装置,其特征在于,所述识别模块具体用于:
当所述人脸特征与所述标准人脸特征相匹配时,在所述摄像头采集的图像中,追踪所述行人;
获取包括所述行人的图像;
提取包括所述行人的图像中的人脸特征,组成所述行人的综合特征集;
根据所述综合特征集与所述标准人脸特征,判断所述行人是否是预设目标。
9.一种电子设备,其特征在于,包括:处理器、存储器和总线,所述存储器存储有所述处理器可执行的机器可读指令,当电子设备运行时,所述处理器与所述存储器之间通过总线通信,所述机器可读指令被所述处理器执行时执行如权利要求1至5任一所述的一种人脸识别方法的步骤。
10.一种计算机可读存储介质,其特征在于,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行如权利要求1至5任一所述的一种人脸识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811456436.6A CN109543645A (zh) | 2018-11-30 | 2018-11-30 | 一种人脸识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811456436.6A CN109543645A (zh) | 2018-11-30 | 2018-11-30 | 一种人脸识别方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109543645A true CN109543645A (zh) | 2019-03-29 |
Family
ID=65852549
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811456436.6A Pending CN109543645A (zh) | 2018-11-30 | 2018-11-30 | 一种人脸识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109543645A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110110669A (zh) * | 2019-05-08 | 2019-08-09 | 广东赛翼智能科技有限公司 | 一种基于人脸识别技术的智慧景区游客定位方法及系统 |
CN110502885A (zh) * | 2019-07-03 | 2019-11-26 | 平安科技(深圳)有限公司 | 身份认证方法、系统、计算机设备及计算机可读存储介质 |
CN113052087A (zh) * | 2021-03-29 | 2021-06-29 | 杭州京威盛智能科技有限公司 | 基于yolov5模型的人脸识别方法 |
CN113591544A (zh) * | 2021-06-10 | 2021-11-02 | 东风汽车集团股份有限公司 | 通过车辆对用户进行追踪的方法、系统、装置及电子设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120230539A1 (en) * | 2011-03-08 | 2012-09-13 | Bank Of America Corporation | Providing location identification of associated individuals based on identifying the individuals in conjunction with a live video stream |
CN103049751A (zh) * | 2013-01-24 | 2013-04-17 | 苏州大学 | 一种改进的加权区域匹配高空视频行人识别方法 |
US20160275342A1 (en) * | 2013-10-24 | 2016-09-22 | Blue Line Security Solutions, Llc | Human facial detection and recognition system |
CN105979210A (zh) * | 2016-06-06 | 2016-09-28 | 深圳市深网视界科技有限公司 | 一种基于多枪多球摄像机阵列的行人识别系统 |
CN108171207A (zh) * | 2018-01-17 | 2018-06-15 | 百度在线网络技术(北京)有限公司 | 基于视频序列的人脸识别方法和装置 |
CN108174154A (zh) * | 2017-12-29 | 2018-06-15 | 佛山市幻云科技有限公司 | 远程视频方法、装置及服务器 |
-
2018
- 2018-11-30 CN CN201811456436.6A patent/CN109543645A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120230539A1 (en) * | 2011-03-08 | 2012-09-13 | Bank Of America Corporation | Providing location identification of associated individuals based on identifying the individuals in conjunction with a live video stream |
CN103049751A (zh) * | 2013-01-24 | 2013-04-17 | 苏州大学 | 一种改进的加权区域匹配高空视频行人识别方法 |
US20160275342A1 (en) * | 2013-10-24 | 2016-09-22 | Blue Line Security Solutions, Llc | Human facial detection and recognition system |
CN105979210A (zh) * | 2016-06-06 | 2016-09-28 | 深圳市深网视界科技有限公司 | 一种基于多枪多球摄像机阵列的行人识别系统 |
CN108174154A (zh) * | 2017-12-29 | 2018-06-15 | 佛山市幻云科技有限公司 | 远程视频方法、装置及服务器 |
CN108171207A (zh) * | 2018-01-17 | 2018-06-15 | 百度在线网络技术(北京)有限公司 | 基于视频序列的人脸识别方法和装置 |
Non-Patent Citations (1)
Title |
---|
中国自动化学会: "《2016-2017控制科学与工程学科发展报告》", 31 March 2019 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110110669A (zh) * | 2019-05-08 | 2019-08-09 | 广东赛翼智能科技有限公司 | 一种基于人脸识别技术的智慧景区游客定位方法及系统 |
CN110502885A (zh) * | 2019-07-03 | 2019-11-26 | 平安科技(深圳)有限公司 | 身份认证方法、系统、计算机设备及计算机可读存储介质 |
CN113052087A (zh) * | 2021-03-29 | 2021-06-29 | 杭州京威盛智能科技有限公司 | 基于yolov5模型的人脸识别方法 |
CN113591544A (zh) * | 2021-06-10 | 2021-11-02 | 东风汽车集团股份有限公司 | 通过车辆对用户进行追踪的方法、系统、装置及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109543645A (zh) | 一种人脸识别方法及装置 | |
CN112232293B (zh) | 图像处理模型训练、图像处理方法及相关设备 | |
CN108960189B (zh) | 图像再识别方法、装置及电子设备 | |
CN109145766B (zh) | 模型训练方法、装置、识别方法、电子设备及存储介质 | |
US20170213080A1 (en) | Methods and systems for automatically and accurately detecting human bodies in videos and/or images | |
CN110431565B (zh) | 直推式和/或自适应最大边界零样本学习方法和系统 | |
CN110753892A (zh) | 在自动驾驶车辆中用于经由交叉模态验证的即时物体标记的方法和系统 | |
CN110869936A (zh) | 用于自动驾驶车辆中的分布式学习与适应的方法和系统 | |
CN110753953A (zh) | 用于自动驾驶车辆中经由交叉模态验证的以物体为中心的立体视觉的方法和系统 | |
CN107944382B (zh) | 目标跟踪方法、装置及电子设备 | |
CN111160275B (zh) | 行人重识别模型训练方法、装置、计算机设备和存储介质 | |
GB2502187A (en) | Determining parking lot occupancy from digital camera images | |
CN105378752A (zh) | 用于人检测和计数的在线学习系统 | |
KR20150116641A (ko) | 이미지 인식 장치, 그것의 이미지 인식 방법 및 얼굴 이미지 생성 방법 | |
CN109325429A (zh) | 一种关联特征数据的方法、装置、存储介质及终端 | |
Juranek et al. | Real-time pose estimation piggybacked on object detection | |
CN113033523B (zh) | 跌倒判断模型的构建方法及系统、跌倒判断方法及系统 | |
CN107944425A (zh) | 道路标志的识别方法和装置 | |
CN109063790B (zh) | 对象识别模型优化方法、装置和电子设备 | |
CN111666800A (zh) | 一种行人重识别模型训练方法及行人重识别方法 | |
CN109410536A (zh) | 一种声音提示方法、装置及存储介质 | |
CN112434566A (zh) | 客流统计方法、装置、电子设备及存储介质 | |
KR102289182B1 (ko) | 영상 기반 주차 관리 시스템, 장치 및 방법 | |
Kenk et al. | Visual re-identification across large, distributed camera networks | |
WO2023279799A1 (zh) | 对象识别方法、装置和电子系统 |
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: 20190329 |