CN109558764B - 人脸识别方法及装置、计算机设备 - Google Patents
人脸识别方法及装置、计算机设备 Download PDFInfo
- Publication number
- CN109558764B CN109558764B CN201710872594.9A CN201710872594A CN109558764B CN 109558764 B CN109558764 B CN 109558764B CN 201710872594 A CN201710872594 A CN 201710872594A CN 109558764 B CN109558764 B CN 109558764B
- Authority
- CN
- China
- Prior art keywords
- face
- feature
- target
- images
- stereo
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000005516 engineering process Methods 0.000 claims abstract description 13
- 239000011159 matrix material Substances 0.000 claims description 109
- 230000000875 corresponding effect Effects 0.000 claims description 39
- 230000001815 facial effect Effects 0.000 claims description 34
- 230000004927 fusion Effects 0.000 claims description 31
- 210000000624 ear auricle Anatomy 0.000 claims description 26
- 238000010606 normalization Methods 0.000 claims description 15
- 238000005286 illumination Methods 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 4
- 230000002596 correlated effect Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 230000036544 posture Effects 0.000 claims 2
- 238000010586 diagram Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000012512 characterization method Methods 0.000 description 4
- 230000014509 gene expression Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 210000000887 face Anatomy 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 230000036760 body temperature Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011840 criminal investigation Methods 0.000 description 1
- 230000008921 facial expression Effects 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 210000000554 iris Anatomy 0.000 description 1
- 230000033001 locomotion Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
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
- G06V40/161—Detection; Localisation; Normalisation
- G06V40/166—Detection; Localisation; Normalisation using acquisition arrangements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/50—Depth or shape recovery
- G06T7/55—Depth or shape recovery from multiple images
- G06T7/593—Depth or shape recovery from multiple images from stereo images
-
- 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
- G06V40/171—Local features and components; Facial parts ; Occluding parts, e.g. glasses; Geometrical relationships
-
- 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
- G06V40/40—Spoof detection, e.g. liveness detection
- G06V40/45—Detection of the body part being alive
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
- G06T2207/10012—Stereo images
-
- 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
- G06T2207/30196—Human being; Person
- G06T2207/30201—Face
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种人脸识别方法及装置、计算机设备,属于计算机视觉技术领域。所述方法包括:通过立体摄像组件对目标人脸进行拍摄,以得到所述目标人脸的m个人脸图像,m≥2;基于所述m个人脸图像,确定所述目标人脸的n个人脸特征点的深度,n≥2;基于所述n个人脸特征点的深度,判断所述目标人脸是否为立体人脸;当所述目标人脸为立体人脸时,确定所述m个人脸图像为真实人脸图像。本发明解决了相关技术中在判断检测到的人脸是否为真实人脸时方案复杂且成本较高的问题。本发明用于人脸识别。
Description
技术领域
本发明涉及计算机视觉技术领域,特别涉及一种人脸识别方法及装置、计算机设备。
背景技术
人脸识别技术就是通过计算机提取人脸的特征,并根据这些特征进行身份验证的一种技术。人脸与人体的其他生物特征(例如指纹、虹膜等)一样与生俱来,它们所具有的唯一性和不易被复制的良好特性为身份鉴别提供了必要的条件,与其他生物特征识别技术相比,人脸识别技术具有操作简单、结果直观的特点。因此,人脸识别技术在信息安全、刑事侦破、出入口控制、考勤等领域具有广泛的应用前景。
相关技术中,为了解决利用高品质的照片或影片替代真实人脸进行人脸识别的问题,一般采用非接触式温度感测装置检测人脸监控区域内的温度是否为正常人体温度,当检测到人脸监控区域内的温度为正常人体温度时,确定在人脸监控区域检测到的人脸为真实人脸。然后再基于该真实人脸的图像进行进一步识别。
但是相关技术中,在判断检测到的人脸是否为真实人脸时,需要另外设置非接触式温度感测装置,方案复杂且成本较高。
发明内容
本发明实施例提供了一种人脸识别方法及装置、计算机设备,可以解决相关技术中在判断检测到的人脸是否为真实人脸时方案复杂且成本较高的问题。所述技术方案如下:
第一方面,提供了一种人脸识别方法,所述方法包括:
通过立体摄像组件对目标人脸进行拍摄,以得到所述目标人脸的m个人脸图像,m≥2;
基于所述m个人脸图像,确定所述目标人脸的n个人脸特征点的深度,n≥2;
基于所述n个人脸特征点的深度,判断所述目标人脸是否为立体人脸;
当所述目标人脸为立体人脸时,确定所述m个人脸图像为真实人脸图像。
可选地,所述通过立体摄像组件对目标人脸进行拍摄,以得到所述目标人脸的m个人脸图像,包括:
通过双目摄像机对所述目标人脸进行拍摄,以得到同一时刻拍摄的两个人脸图像;
所述基于所述m个人脸图像,确定所述目标人脸的n个人脸特征点的深度,包括:
基于所述两个人脸图像,采用双目立体视觉技术计算所述n个人脸特征点的深度。
可选地,所述基于所述两个人脸图像,采用双目立体视觉技术计算所述n个人脸特征点的深度,包括:
确定第一人脸特征点在所述两个人脸图像中的位置,所述第一人脸特征点为所述n个人脸特征点中的任一特征点;
根据第一人脸特征点在所述两个人脸图像中的位置,结合相机参数,计算所述第一人脸特征点的三维坐标;
基于所述三维坐标,确定所述第一人脸特征点的深度。
可选地,所述双目摄像机包括一可见光摄像头和一近红外摄像头,所述两个人脸图像包括所述可见光摄像头拍摄的可见光图像以及所述近红外摄像头拍摄的近红外图像。
可选地,所述基于所述n个人脸特征点的深度,判断所述目标人脸是否为立体人脸,包括:
基于所述n个人脸特征点的深度,计算所述人脸特征点的立体度评分;
比较所述n个人脸特征点的立体度评分与预设的立体度分值的大小;
当所述n个人脸特征点的立体度评分大于或等于所述预设的立体度分值时,确定所述目标人脸为立体人脸;
当所述n个人脸特征点的立体度评分小于所述预设的立体度分值时,确定所述目标人脸不为立体人脸。
可选地,所述方法还包括:
基于所述m个人脸图像中的至少一个人脸图像确定目标特征矩阵;
将所述目标特征矩阵与信息库中的人脸图像所对应的特征矩阵进行匹配;
当所述目标特征矩阵与所述信息库中的某一人脸图像所对应的特征矩阵的相似度大于或等于预设的相似度阈值时,获取所述某一人脸图像所对应的身份信息;
将所述身份信息确定为所述目标人脸对应的身份信息。
可选地,所述基于所述m个人脸图像中的至少一个人脸图像确定目标特征矩阵,包括:
对所述m个人脸图像中的每个图像进行特征提取,以得到m个特征矩阵;
将所述m个特征矩阵进行特征融合,得到所述目标特征矩阵。
可选地,所述将所述m个特征矩阵进行特征融合,得到所述目标特征矩阵,包括:
采用加权求和归一化公式,将所述m个特征矩阵进行特征融合,得到所述目标特征矩阵;
可选地,在所述采用加权求和归一化公式,将所述m个特征矩阵进行特征融合,得到所述目标特征矩阵之前,所述方法还包括:
选取所述立体摄像组件采集的多组人脸图像,每组人脸图像包括m个人脸图像;
将所述多组人脸图像输入预设模型进行数据训练,以确定所述权重系数。
可选地,所述n个人脸特征点包括鼻尖、鼻根、左眼角、右眼角、左嘴角、右嘴角、下巴中心点、左耳垂、右耳垂、左脸颊和右脸颊中的至少两个。
第二方面,提供了一种人脸识别装置,所述装置包括:
立体摄像组件,用于对目标人脸进行拍摄,以得到所述目标人脸的m个人脸图像,m≥2;
第一确定模块,用于基于所述m个人脸图像,确定所述目标人脸的n个人脸特征点的深度,n≥2;
判断模块,用于基于所述n个人脸特征点的深度,判断所述目标人脸是否为立体人脸;
第二确定模块,用于当所述目标人脸为立体人脸时,确定所述m个人脸图像为真实人脸图像。
可选地,所述立体摄像组件为双目摄像机,所述双目摄像机用于:
对所述目标人脸进行拍摄,以得到同一时刻拍摄的两个人脸图像;
所述第一确定模块,用于:
基于所述两个人脸图像,采用双目立体视觉技术计算所述n个人脸特征点的深度。
可选地,所述第一确定模块,还用于:
确定第一人脸特征点在所述两个人脸图像中的位置,所述第一人脸特征点为所述n个人脸特征点中的任一特征点;
根据第一人脸特征点在所述两个人脸图像中的位置,结合相机参数,计算所述第一人脸特征点的三维坐标;
基于所述三维坐标,确定所述第一人脸特征点的深度。
可选地,所述双目摄像机包括一可见光摄像头和一近红外摄像头,所述两个人脸图像包括所述可见光摄像头拍摄的可见光图像以及所述近红外摄像头拍摄的近红外图像。
可选地,所述判断模块,包括:
计算子模块,用于基于所述n个人脸特征点的深度,计算所述人脸特征点的立体度评分;
比较子模块,用于比较所述n个人脸特征点的立体度评分与预设的立体度分值的大小;
第二确定子模块,用于当所述n个人脸特征点的立体度评分大于或等于所述预设的立体度分值时,确定所述目标人脸为立体人脸;
第三确定子模块,用于当所述n个人脸特征点的立体度评分小于所述预设的立体度分值时,确定所述目标人脸不为立体人脸。
可选地,所述装置还包括:
第三确定模块,用于基于所述m个人脸图像中的至少一个人脸图像确定目标特征矩阵;
匹配模块,用于将所述目标特征矩阵与信息库中的人脸图像所对应的特征矩阵进行匹配;
获取模块,用于当所述目标特征矩阵与所述信息库中的某一人脸图像所对应的特征矩阵的相似度大于或等于预设的相似度阈值时,获取所述某一人脸图像所对应的身份信息;
第四确定模块,用于将所述身份信息确定为所述目标人脸对应的身份信息。
可选地,所述第三确定模块,包括:
特征提取子模块,用于对所述m个人脸图像中的每个图像进行特征提取,以得到m个特征矩阵;
特征融合子模块,用于将所述m个特征矩阵进行特征融合,得到所述目标特征矩阵。
可选地,所述特征融合子模块,用于:
采用加权求和归一化公式,将所述m个特征矩阵进行特征融合,得到所述目标特征矩阵;
可选地,所述装置还包括:
选取模块,用于选取所述立体摄像组件采集的多组人脸图像,每组人脸图像包括m个人脸图像;
第五确定模块,用于将所述多组人脸图像输入预设模型进行数据训练,以确定所述权重系数。
可选地,所述n个人脸特征点包括鼻尖、鼻根、左眼角、右眼角、左嘴角、右嘴角、下巴中心点、左耳垂、右耳垂、左脸颊和右脸颊中的至少两个。
第三方面,提供了一种计算机设备,包括处理器和存储器,
其中,
所述存储器,用于存放计算机程序;
所述处理器,用于执行所述存储器上所存放的程序,实现第一方面任一所述的人脸识别方法。
本发明实施例提供的技术方案带来的有益效果是:
本发明实施例提供的人脸识别方法及装置、计算机设备,可以基于通过立体摄像组件对目标人脸进行拍摄得到的m个人脸图像,确定目标人脸的n个人脸特征点的深度,并判断目标人脸是否为立体人脸,当目标人脸为立体人脸时,确定拍摄得到的m个人脸图像为真实人脸图像,无需设置非接触式温度感测装置即可判断拍摄的图像是否为真实人脸图像,降低了判断拍摄到的图像是否为真实人脸图像的复杂度,且降低了人脸识别的成本。
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是本发明实施例提供的一种人脸识别方法的流程图;
图2是本发明实施例提供的另一种人脸识别方法的流程图;
图3-1是本发明实施例提供的一种确定人脸特征点的深度的方法流程图;
图3-2是本发明实施例提供的一种判断目标人脸是否为立体人脸的方法流程图;
图4-1是本发明实施例提供的一种人脸识别装置的结构示意图;
图4-2是本发明实施例提供的一种判断模块的结构示意图;
图4-3是本发明实施例提供的另一种人脸识别装置的结构示意图;
图4-4是本发明实施例提供的一种第三确定模块的结构示意图;
图4-5是本发明实施例提供的又一种人脸识别装置的结构示意图;
图5是本发明实施例提供的一种计算机设备的结构示意图。
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。
图1是本发明实施例提供的一种人脸识别方法的流程图,如图1所示,该方法可以包括:
步骤101、通过立体摄像组件对目标人脸进行拍摄,以得到目标人脸的m个人脸图像,m≥2。
步骤102、基于m个人脸图像,确定目标人脸的n个人脸特征点的深度,n≥2。
步骤103、基于n个人脸特征点的深度,判断目标人脸是否为立体人脸。
步骤104、当目标人脸为立体人脸时,确定m个人脸图像为真实人脸图像。
综上所述,本发明实施例提供的人脸识别方法,可以基于通过立体摄像组件对目标人脸进行拍摄得到的m个人脸图像,确定目标人脸的n个人脸特征点的深度,并判断目标人脸是否为立体人脸,当目标人脸为立体人脸时,确定拍摄得到的m个人脸图像为真实人脸图像,无需设置非接触式温度感测装置即可判断拍摄的图像是否为真实人脸图像,降低了判断拍摄到的图像是否为真实人脸图像的复杂度,且降低了人脸识别的成本。
图2是本发明实施例提供的一种人脸识别方法的流程图,如图2所示,该方法可以包括:
步骤201、通过立体摄像组件对目标人脸进行拍摄,以得到目标人脸的m个人脸图像,m≥2。
可选地,立体摄像组件可以为双目摄像机(也称为双目立体摄像机),则通过立体摄像组件对目标人脸进行拍摄,以得到目标人脸的m个人脸图像,可以包括:通过双目摄像机对目标人脸进行拍摄,以得到同一时刻拍摄的两个人脸图像。
其中,双目摄像机通常包括两个摄像头,由于该两个摄像头的位置不同,因此双目摄像机可以在同一时刻从不同视角对目标人脸进行拍摄,从而得到两个不同视角的人脸图像。
在本发明实施例中,双目摄像机可以包括一可见光摄像头和一近红外摄像头,则相应的,两个人脸图像可以包括可见光摄像头拍摄的可见光图像以及近红外摄像头拍摄的近红外图像。双目摄像机也可以包括两个可见光摄像头或两个近红外摄像头,本发明实施例对双目摄像机的摄像头的类型不做限定。
需要说明的是,可见光为波长范围为400~760纳米的电磁波,近红外光为波长范围为780~2526纳米的电磁波。因此,采用一可见光摄像头和一近红外摄像头时,可以保证在不同光照场景下,双目摄像机采集人脸图像的可靠性,例如,在光照较强(光波长处于400~760纳米之间)时,主要对可见光图像进行人脸识别,在光照较弱(光波长处于780~2526纳米之间)时,主要对近红外图像进行人脸识别,从而可以提高人脸识别的可靠性。
实际应用中,双目摄像机在进行拍摄前,需要判断当前拍摄区域内是否存在人脸,当拍摄区域内存在人脸时,双目摄像机进行拍摄。双目摄像机在拍摄人脸图像时,需要用户主动配合调整人脸在拍摄区域内的位置以及表情,以便双目摄像机拍摄到符合人脸识别的两个人脸图像。当目标人脸不满足双目摄像机的拍摄要求时,双目摄像机可以发出提示信息以提示用户调整位置及表情,例如双目摄像机可以发出语音提示信息,提示信息的内容为“请重新拍摄”。其中,符合人脸识别的图像可以为完整的人脸图像,也可以为包括某些特定人脸特征点的人脸图像。
可选地,立体摄像组件还可以由多个阵列排布的摄像机组成,本发明实施例对立体摄像组件的类型不做限定。例如,立体摄像组件可以包括三个摄像头,该三个摄像头从不同角度对同一区域进行拍摄,以得到同一时刻拍摄的三个人脸图像。
在本发明实施例中,人脸识别的过程可以包括真实人脸的判断过程和身份信息的确认过程,立体摄像组件拍摄得到目标人脸的m个人脸图像后,可以基于m个人脸图像,判断目标人脸是否为真实人脸,具体过程参考步骤202至步骤204;也可以基于m个人脸图像,确定目标人脸对应的身份信息,具体过程参考步骤205至步骤208。
步骤202、基于m个人脸图像,确定目标人脸的n个人脸特征点的深度,n≥2。
其中,n个人脸特征点可以包括鼻尖、鼻根、左眼角、右眼角、左嘴角、右嘴角、下巴中心点、左耳垂、右耳垂、左脸颊和右脸颊中的至少两个。
可选地,当m个人脸图像为通过双目摄像机对目标人脸进行拍摄得到的同一时刻的两个人脸图像时,确定目标人脸的n个人脸特征点的深度的方式可以为:基于该两个人脸图像,采用双目立体视觉技术计算n个人脸特征点的深度。
实际应用中,当立体摄像组件在同一时刻拍摄得到多个人脸图像时,可以对该多个图像进行筛选处理或融合处理得到两个人脸图像,再基于该两个人脸图像计算n个人脸特征点的深度,基于该两个人脸图像计算n个人脸特征点的深度的过程也可以采用双目立体视觉技术,例如,当立体摄像组件在同一时刻拍摄得到三个人脸图像时,可以从该三个人脸图像中筛选符合人脸识别要求的两个人脸图像,如包括清晰的n个人脸特征点的图像,再采用双目立体视觉技术计算n个人脸特征点的深度。
其中,双目立体视觉是机器视觉的一种重要形式,它是基于视差原理并利用成像设备从不同的位置获取被测物体的两幅图像,通过计算图像对应点间的位置偏差,来获取物体三维几何信息的方法。
在本发明实施例中,采用双目立体视觉技术计算n个人脸特征点的深度的方法流程图,可以如图3-1所示,包括:
步骤2021、确定第一人脸特征点在两个人脸图像中的位置。
其中,第一人脸特征点为n个人脸特征点中的任一特征点。可选地,可以分别为n个人脸特征点进行编号,例如该n个人脸特征点可以为p1、p2、...、pn,两个人脸图像包括第一人脸图像和第二人脸图像。
步骤2022、根据第一人脸特征点在两个人脸图像中的位置,结合相机参数,计算第一人脸特征点的三维坐标。
其中,相机参数包括内部参数(简称内参)和外部参数(简称外参),相机内参包括焦距、图像中心和畸变系数等,相机外参包括俯仰角、倾斜角和高度。
在建立图像坐标系后,根据第一人脸特征点在两个图像中的位置,结合相机参数,可以分别确定第一人脸特征点在两个图像中的平面坐标,采用确定第一人脸特征点的方法,可以确定n个人脸特征点在第一人脸图像中的平面坐标为确定n个人脸特征点在第二人脸图像中的平面坐标为
可选地,可以根据第一人脸特征点在第一人脸图像中的平面坐标和第一人脸特征点在第二人脸图像中的平面坐标,计算出第一人脸特征点在相机坐标系中的三维坐标,根据平面坐标计算三维坐标的具体方法可以参考现有技术,本发明实施例在此不做赘述。进一步的,n个人脸特征点可以根据编号分别进行特征点匹配,确定同一人脸特征点在两个人脸图像中的平面坐标,分别计算出n个人脸特征点在相机坐标系的三维坐标,例如,在相机坐标系中,该n个人脸特征点的三维坐标为其中,n个人脸特征点的深度坐标为
进一步的,根据n个人脸特征点在相机坐标系中的三维坐标,可以结合相机外参,采用刚体变换(三维空间中,当物体不发生形变时,对一个几何物体作旋转、平移的运动,称之为刚体变换),计算n个人脸特征点在世界坐标系中的三维坐标。在本发明实施例中,既可以采用n个人脸特征点在相机坐标系中的三维坐标进行立体人脸的判断,也可以采用n个人脸特征点在世界坐标系中的三维坐标进行立体人脸的判断。
其中,图像坐标系是以摄像机拍摄的二维图像为基准建立的坐标系;相机坐标系是摄像机在自己角度上衡量物体的坐标系,相机坐标系的原点在摄像机的光心上,z轴与摄像机的光轴平行;世界坐标系为真实物理坐标系,也即是目标物体位置的参考系。
步骤2023、基于三维坐标,确定第一人脸特征点的深度。
可选地,可以基于第一人脸特征点的深度坐标,确定第一人脸特征点的深度,相应的,n个人脸特征点中其他人脸特征点的深度也可以参考第一人脸特征点的深度的确定方式得到,本发明实施例在此不再赘述。
步骤203、基于n个人脸特征点的深度,判断目标人脸是否为立体人脸。
可选地,基于n个人脸特征点的深度,判断目标人脸是否为立体人脸的方法流程图,可以如图3-2所示,包括:
步骤2031、基于n个人脸特征点的深度,计算人脸特征点的立体度评分。
其中,立体度评分是对人脸特征点的深度进行打分得到的分值,立体度评分越高,目标人脸的立体度越高,立体度评分t与人脸特征点的深度坐标可以满足预设函数关系:该函数关系也即是立体度评分的评分规则,立体度评分的评分规则需体现三维人脸的立体形状,以及符合真实的人脸轮廓。立体度评分的大小与多组人脸特征点的深度的差和正相关,其中,每组人脸特征点可以包括n个人脸特征点中的两个。
作为本发明的一个可选实施例,可以选取鼻尖、鼻根、下巴中心点、左耳垂和右耳垂这五个特征点作为计算立体度评分的人脸特征点,其中,鼻尖的深度坐标为z1,鼻根的深度坐标为z2,下巴中心点的深度坐标为z3,左耳垂的深度坐标为z4,右耳垂的深度坐标为z5,可以采用鼻尖与鼻根、下巴中心点与左耳垂、下巴中心点与右耳垂这三组特征点的深度坐标的差和作为立体度评分的评分规则,则该五个人脸特征点的立体度评分t与该五个人脸特征点的深度坐标的函数表达式可以为:采用上述五个特征明显的人脸特征点计算立体度评分,优点在于人脸特征点的个数较少、特征信息明显易于确定特征点在图像中的位置以及点对间的深度坐标的差值较大易于判断是否为真实人脸。
作为本发明的另一个可选实施例,可以选取左耳垂、右耳垂、鼻尖、左嘴角和右嘴角这五个特征点作为计算立体度评分的人脸特征点,其中,左耳垂的深度坐标为z1,右耳垂的深度坐标为z2,鼻尖的深度坐标为z3,左嘴角的深度坐标为z4,右嘴角的深度坐标为z5,可以采用鼻尖与左耳垂、鼻尖与右耳垂、鼻尖与左嘴角、鼻尖与右嘴角这四组特征点的深度坐标的差和作为立体度评分的评分规则,则该五个人脸特征点的立体度评分t与该五个人脸特征点的深度坐标的函数表达式可以为:
需要说明的是,上述立体度评分的评分规则仅用于作简单的示例性说明,实际评分规则可根据人脸姿态进行设计,不同的人脸姿态可以对应不同的评分规则,在获取目标人脸的人脸图像后,可以根据人脸图像中的人脸姿态确定所选取的人脸特征点以及对应的评分规则,以计算人脸特征点的立体度评分,本发明实施例对此不做限定。
步骤2032、比较n个人脸特征点的立体度评分与预设的立体度分值的大小。
其中,预设的立体度分值的大小的设计与选取的用于计算立体度评分的人脸特征点以及评分规则有关。预设的立体度分值越大,非真实人脸的误判越少,真实人脸的漏判越多。
示例的,参考步骤2031中的另一个可选实施例,当选取左耳垂、右耳垂、鼻尖、左嘴角和右嘴角这五个特征点作为计算立体度评分的人脸特征点时,可以采用0.4倍的左右眼睛中心物理距离作为预设的立体度分值。
步骤2033、当n个人脸特征点的立体度评分大于或等于预设的立体度分值时,确定目标人脸为立体人脸。
步骤2034、当n个人脸特征点的立体度评分小于预设的立体度分值时,确定目标人脸不为立体人脸。
进一步的,当确定目标人脸不为立体人脸时,可以确定m个人脸图像不是真实人脸图像。此时,立体摄像组件可以将拍摄该目标人脸得到的m个人脸图像上传至考勤系统的“黑名单”数据库,管理人员在查询考勤系统时,可以根据“黑名单”中的人脸图像确定被代考勤的员工,以便进行后续处理。或者,当确定目标人脸不为立体人脸时,立体摄像组件可以即时发出告警信息,以提示管理人员或安保人员进行相应的措施。
步骤204、当目标人脸为立体人脸时,确定m个人脸图像为真实人脸图像。
需要说明的是,当目标人脸为立体人脸时,可以排除进行人脸识别的目标人脸为人脸照片,因此可以确定立体摄像组件拍摄得到的m个人脸图像为真实人脸图像。确定m个人脸图像为真实人脸图像,即确定目标人脸为真实人脸。
步骤205、基于m个人脸图像中的至少一个人脸图像确定目标特征矩阵。
可选地,可以对m个人脸图像中的任一人脸图像进行特征提取,将得到的特征矩阵确定为目标特征矩阵;或者,对m个人脸图像中的每个图像进行特征提取,以得到m个特征矩阵,将m个特征矩阵进行特征融合,得到目标特征矩阵。其中,人脸特征是从人脸图像中提取出来的具有人脸辨识度的表征数据,表征方法包括知识表征和统计表征,人脸特征主要包括视觉特征、几何特征、像素统计特征和图像代数特征等,常用的特征提取算法包括局域二值模式(英文:local binary pattern;简称:LBP)算法、尺度不变特征变换(英文:Scale-invariant feature transform;简称:SIFT)算法、梯度方向直方图(英文:Histograms ofOriented Gradients;简称:HOG)算法和深度神经网络学习算法等,本发明实施例对特征提取的具体实现方式不做限定。
作为本发明的一个可选实施例,将m个特征矩阵进行特征融合,得到目标特征矩阵的方法,可以包括:采用加权求和归一化公式,将m个特征矩阵进行特征融合,得到目标特征矩阵。
其中,加权求和归一化公式为:V为目标特征矩阵,Vi为m个特征矩阵中的第i个特征矩阵,ai为第i个特征矩阵的权重系数,且0≤ai≤1,norm()表示对向量取模。采用加权求和归一化公式将m个特征矩阵进行特征融合,在融合特征的基础上,没有增加特征维度,因此在融合多个人脸图像的特征后,可以在相同的计算复杂度的情况下提高人脸识别的准确率。
示例的,假设m个人脸图像为双目摄像机拍摄的一可见光图像和一近红外图像,则对可见光图像进行特征提取得到可见光特征矩阵V1,可见光特征矩阵的权重系数为a1,对近红外图像进行特征提取得到近红外特征矩阵V2,近红外特征矩阵的权重系数为a2,则对可见光特征矩阵V1和近红外特征矩阵V2进行特征融合得到的目标特征矩阵V为V=(a1*V1+a2*V2)/norm((a1*V1+a2*V2))。将可见光特征矩阵和近红外特征矩阵进行特征融合,可以兼顾近红外图像不受光照影响和可见光图像中人脸纹理细腻的特点,提高人脸识别的准确率。
需要说明的是,在将m个特征矩阵进行特征融合之前,选取立体摄像组件采集的多组人脸图像,每组人脸图像包括m个人脸图像,也即是每组人脸图像中人脸图像的个数与进行特征融合的特征矩阵的个数相同;将多组人脸图像输入预设模型进行数据训练,以确定权重系数。其中,采集的多组人脸图像可以包括不同时刻采集的人脸图像。
示例的,假设立体摄像组件为包括一可见光摄像头和一近红外摄像头的双目摄像机,多组人脸图像包括在不同时刻分别采集的多组人脸图像,每组人脸图像包括一可见光图像和一近红外图像,分别将不同时刻采集的多组人脸图像输入预设模型进行数据训练,以确定权重系数。
可选地,同一时刻采集的多组人脸图像包括不同的人脸姿态和人脸表情。设置a1和a2的变化梯度为0.1,a1和a2可能设置数值为{0,0.1,0.2,...,0.9,1},则a1和a2可能的组合有11*11种,遍历所有组合,统计不同组合下人脸识别的成功率,将人脸识别的成功率最高的组合中a1和a2的值确定为该时刻的权重系数。由于不同时刻光照的强度不同,可根据实际光照强度调整权重系数,以对可见光特征矩阵和近红外特征矩阵进行偏向性筛选,例如在光照强度较强时,使可见光特征矩阵V1的权重系数a1大于近红外特征矩阵V2的权重系数a2,在光照强度较弱时,使可见光特征矩阵V1的权重系数a1小于近红外特征矩阵V2的权重系数a1。本发明实施例对权重系数的具体数值的大小不做限定。
可选地,当立体摄像组件在同一时刻拍摄得到多个人脸图像时,可以对多个人脸图像进行特征融合,例如,当立体摄像组件在同一时刻拍摄得到三个人脸图像,则可以对该三个人脸图像进行特征融合,本发明实施例对进行特征融合的人脸图像的个数不做限定。
步骤206、将目标特征矩阵与信息库中的人脸图像所对应的特征矩阵进行匹配。
可选地,可以将目标特征矩阵与信息库中的人脸图像所对应的特征矩阵进行一一比对,获取目标特征矩阵与信息库中的人脸图像所对应的特征矩阵的最大相似度,以及确定最大相似度所对应的某一特征矩阵。
步骤207、当目标特征矩阵与信息库中的某一人脸图像所对应的特征矩阵的相似度大于或等于预设的相似度阈值时,获取某一人脸图像所对应的身份信息。
当目标特征矩阵与信息库中的某一人脸图像所对应的特征矩阵的相似度大于或等于预设的相似度阈值时,确定目标特征矩阵为信息库中的某一人脸图像的特征矩阵,也即是,信息库中存储有目标人脸的人脸图像。
步骤208、将该身份信息确定为目标人脸对应的身份信息。
在人脸考勤过程中,将信息库中的某一人脸图像所对应的身份信息确定为目标人脸对应的身份信息,即人脸考勤成功。
实际应用中,本发明实施例提供的人脸识别方法既可以应用于人脸考勤领域,还可以应用于人脸门禁管理等安防领域,本发明实施例对人脸识别方法的应用场景不做限定。
需要说明的是,本发明实施例提供的人脸识别方法步骤的先后顺序可以进行适当调整,例如步骤205至步骤208可以在步骤201至步骤204之前执行,即先进行目标人脸在信息库中的识别,再识别目标人脸是否为真实人脸;步骤也可以根据情况进行相应增减,例如,当本发明实施例提供的人脸识别方法应用于人脸门禁管理时,则在步骤207中确定目标特征矩阵与信息库中的某一人脸图像所对应的特征矩阵的相似度大于或等于预设的相似度阈值时,则可以解除门禁(开门),无需获取某一人脸图像所对应的身份信息以及确定目标人脸对应的身份信息,也即是无需执行步骤208,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化的方法,都应涵盖在本发明的保护范围之内,因此不再赘述。
综上所述,本发明实施例提供的人脸识别方法,可以基于通过立体摄像组件对目标人脸进行拍摄得到的m个人脸图像,确定目标人脸的n个人脸特征点的深度,并判断目标人脸是否为立体人脸,当目标人脸为立体人脸时,确定拍摄得到的m个人脸图像为真实人脸图像,无需设置非接触式温度感测装置即可判断拍摄的图像是否为真实人脸图像,降低了判断拍摄到的图像是否为真实人脸图像的复杂度,且降低了人脸识别的成本;采用根据m个人脸图像的特征矩阵进行特征融合后得到的目标特征矩阵进行人脸识别,提高了人脸识别的准确率。
图4-1是本发明实施例提供的一种人脸识别装置40的结构示意图,如图4-1所示,该装置40可以包括:
立体摄像组件401,用于对目标人脸进行拍摄,以得到目标人脸的m个人脸图像,m≥2。
第一确定模块402,用于基于m个人脸图像,确定目标人脸的n个人脸特征点的深度,n≥2。
判断模块403,用于基于n个人脸特征点的深度,判断目标人脸是否为立体人脸。
第二确定模块404,用于当目标人脸为立体人脸时,确定m个人脸图像为真实人脸图像。
综上所述,本发明实施例提供的人脸识别装置,可以基于通过立体摄像组件对目标人脸进行拍摄得到的m个人脸图像,通过第一确定模块确定目标人脸的n个人脸特征点的深度,并通过判断模块判断目标人脸是否为立体人脸,通过第二确定模块当目标人脸为立体人脸时确定拍摄得到的m个人脸图像为真实人脸图像,无需设置非接触式温度感测装置即可判断拍摄的图像是否为真实人脸图像,降低了判断拍摄到的图像是否为真实人脸图像的复杂度,且降低了人脸识别的成本。
可选地,立体摄像组件为双目摄像机,双目摄像机可以用于:
对目标人脸进行拍摄,以得到同一时刻拍摄的两个人脸图像。
相应的,第一确定模块,可以用于:
基于两个人脸图像,采用双目立体视觉技术计算n个人脸特征点的深度。
进一步的,第一确定模块,还可以用于:
确定第一人脸特征点在两个人脸图像中的位置,该第一人脸特征点为n个人脸特征点中的任一特征点;根据第一人脸特征点在两个人脸图像中的位置,结合相机参数,计算第一人脸特征点的三维坐标;基于三维坐标,确定第一人脸特征点的深度。
可选地,双目摄像机可以包括一可见光摄像头和一近红外摄像头,两个人脸图像包括可见光摄像头拍摄的可见光图像以及近红外摄像头拍摄的近红外图像。
可选地,如图4-2所示,判断模块403,可以包括:
计算子模块4031,用于基于n个人脸特征点的深度,计算人脸特征点的立体度评分。
比较子模块4032,用于比较n个人脸特征点的立体度评分与预设的立体度分值的大小。
第二确定子模块4033,用于当n个人脸特征点的立体度评分大于或等于预设的立体度分值时,确定目标人脸为立体人脸。
第三确定子模块4034,用于当n个人脸特征点的立体度评分小于预设的立体度分值时,确定目标人脸不为立体人脸。
进一步的,如图4-3所示,装置40还可以包括:
第三确定模块405,用于基于m个人脸图像中的至少一个人脸图像确定目标特征矩阵。
匹配模块406,用于将目标特征矩阵与信息库中的人脸图像所对应的特征矩阵进行匹配。
获取模块407,用于当目标特征矩阵与信息库中的某一人脸图像所对应的特征矩阵的相似度大于或等于预设的相似度阈值时,获取某一人脸图像所对应的身份信息。
第四确定模块408,用于将身份信息确定为目标人脸对应的身份信息。
可选地,如图4-4所示,第三确定模块405,可以包括:
特征提取子模块4051,用于对m个人脸图像中的每个图像进行特征提取,以得到m个特征矩阵。
特征融合子模块4052,用于将m个特征矩阵进行特征融合,得到目标特征矩阵。
其中,特征融合子模块,可以用于:
采用加权求和归一化公式,将m个特征矩阵进行特征融合,得到目标特征矩阵;其中,加权求和归一化公式为:V为目标特征矩阵,Vi为m个特征矩阵中的第i个特征矩阵,ai为第i个特征矩阵的权重系数,且0≤ai≤1,norm()表示对向量取模。
相应的,如图4-5所示,装置40还可以包括:
选取模块409,用于选取立体摄像组件采集的多组人脸图像,每组人脸图像包括m个人脸图像。
第五确定模块410,用于将多组人脸图像输入预设模型进行数据训练,以确定权重系数。
可选地,n个人脸特征点可以包括鼻尖、鼻根、左眼角、右眼角、左嘴角、右嘴角、下巴中心点、左耳垂、右耳垂、左脸颊和右脸颊中的至少两个。
综上所述,本发明实施例提供的人脸识别装置,可以基于通过拍摄模块通过立体摄像组件对目标人脸进行拍摄得到的m个人脸图像,通过第一确定模块确定目标人脸的n个人脸特征点的深度,并通过判断模块判断目标人脸是否为立体人脸,通过第二确定模块当目标人脸为立体人脸时确定拍摄得到的m个人脸图像为真实人脸图像,无需设置非接触式温度感测装置即可判断拍摄的图像是否为真实人脸图像,降低了判断拍摄到的图像是否为真实人脸图像的复杂度,且降低了人脸识别的成本;采用根据m个人脸图像的特征矩阵进行特征融合后得到的目标特征矩阵进行人脸识别,提高了人脸识别的准确率。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
本发明实施例提供了一种计算机设备,如图5所示,计算机设备01包括处理器12和存储器16,
其中,
所述存储器16,用于存放计算机程序;
所述处理器12,用于执行存储器16上所存放的程序,实现上述实施例所述的人脸识别方法,示例的,该方法可以包括:
通过立体摄像组件对目标人脸进行拍摄,以得到所述目标人脸的m个人脸图像,m≥2;
基于所述m个人脸图像,确定所述目标人脸的n个人脸特征点的深度,n≥2;
基于所述n个人脸特征点的深度,判断所述目标人脸是否为立体人脸;
当所述目标人脸为立体人脸时,确定所述m个人脸图像为真实人脸图像。
具体的,处理器12包括一个或者一个以上处理核心。处理器12通过运行存储器16存储的计算机程序,该计算机程序包括软件程序以及单元,从而执行各种功能应用以及数据处理。
存储器16存储的计算机程序包括软件程序以及单元。具体的,存储器16可存储操作系统162、至少一个功能所需的应用程序单元164。操作系统162可以是实时操作系统(Real Time eXecutive,RTX)、LINUX、UNIX、WINDOWS或OS X之类的操作系统。其中该应用程序单元164可以包括拍摄单元164a、第一确定单元164b、判断单元164c和第二确定单元164d。
拍摄单元164a,具有与立体摄像组件401相同或相似的功能。
第一确定单元164b,具有与第一确定模块402相同或相似的功能。
判断单元164c,具有与判断模块403相同或相似的功能。
第二确定单元164d,具有与第二确定模块404相同或相似的功能。
本发明实施例提供了一种存储介质,存储介质内存储有计算机程序,所述计算机程序被处理器执行时能够实现上述实施例涉及的人脸识别方法。
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)
1.一种人脸识别方法,其特征在于,所述方法包括:
通过立体摄像组件对目标人脸进行拍摄,以得到所述目标人脸的m个人脸图像,m≥2,所述立体摄像组件中包括可见光摄像头和近红外摄像头,所述m个人脸图像包括所述可见光摄像头拍摄的可见光图像以及所述近红外摄像头拍摄的近红外图像;
基于所述m个人脸图像,确定所述目标人脸的n个人脸特征点的深度,n≥2;
基于所述n个人脸特征点的深度,计算所述n个人脸特征点的立体度评分;比较所述n个人脸特征点的立体度评分与预设的立体度分值的大小;当所述n个人脸特征点的立体度评分小于所述预设的立体度分值时,确定所述目标人脸不为立体人脸;当所述目标人脸不为立体人脸时,所述立体摄像组件发出告警信息;
当所述n个人脸特征点的立体度评分大于或等于所述预设的立体度分值时,确定所述目标人脸为立体人脸;当所述目标人脸为立体人脸时,确定所述m个人脸图像为真实人脸图像;所述立体度评分为对所述人脸特征点的深度评分的分值,所述立体度评分的大小与所述目标人脸的立体度正相关,所述立体度评分是基于所述立体度评分的评分规则确定的,不同的人脸姿态对应不同的评分规则;
基于所述m个人脸图像,确定所述目标人脸对应的身份信息;
所述方法还包括:
对所述m个人脸图像中的每个图像进行特征提取,以得到m个特征矩阵,所述m个特征矩阵包括可见光特征矩阵和近红外特征矩阵;
根据当前光照强度调整所述可见光特征矩阵和所述近红外特征矩阵的权重系数,以对所述可见光特征矩阵和所述近红外特征矩阵进行偏向性筛选,不同光照强度下所述可见光特征矩阵的权重系数和所述近红外特征矩阵的权重系数的大小关系不同;
基于调整的权重系数,采用加权求和归一化公式,将所述m个特征矩阵进行特征融合,得到目标特征矩阵;
将所述目标特征矩阵与信息库中的人脸图像所对应的特征矩阵进行匹配;当所述目标特征矩阵与所述信息库中的某一人脸图像所对应的特征矩阵的相似度大于或等于预设的相似度阈值时,获取所述某一人脸图像所对应的身份信息;将所述身份信息确定为所述目标人脸对应的身份信息。
2.根据权利要求1所述的方法,其特征在于,所述通过立体摄像组件对目标人脸进行拍摄,以得到所述目标人脸的m个人脸图像,包括:
通过双目摄像机对所述目标人脸进行拍摄,以得到同一时刻拍摄的两个人脸图像;
所述基于所述m个人脸图像,确定所述目标人脸的n个人脸特征点的深度,包括:
基于所述两个人脸图像,采用双目立体视觉技术计算所述n个人脸特征点的深度。
3.根据权利要求2所述的方法,其特征在于,所述基于所述两个人脸图像,采用双目立体视觉技术计算所述n个人脸特征点的深度,包括:
确定第一人脸特征点在所述两个人脸图像中的位置,所述第一人脸特征点为所述n个人脸特征点中的任一特征点;
根据第一人脸特征点在所述两个人脸图像中的位置,结合相机参数,计算所述第一人脸特征点的三维坐标;
基于所述三维坐标,确定所述第一人脸特征点的深度。
4.根据权利要求2或3所述的方法,其特征在于,所述双目摄像机包括一可见光摄像头和一近红外摄像头,所述两个人脸图像包括所述可见光摄像头拍摄的可见光图像以及所述近红外摄像头拍摄的近红外图像。
6.根据权利要求1所述的方法,其特征在于,在所述采用加权求和归一化公式,将所述m个特征矩阵进行特征融合,得到所述目标特征矩阵之前,所述方法还包括:
选取所述立体摄像组件采集的多组人脸图像,每组人脸图像包括m个人脸图像;
将所述多组人脸图像输入预设模型进行数据训练,以确定所述权重系数。
7.根据权利要求1所述的方法,其特征在于,
所述n个人脸特征点包括鼻尖、鼻根、左眼角、右眼角、左嘴角、右嘴角、下巴中心点、左耳垂、右耳垂、左脸颊和右脸颊中的至少两个。
8.一种人脸识别装置,其特征在于,所述装置包括:
立体摄像组件,用于对目标人脸进行拍摄,以得到所述目标人脸的m个人脸图像,m≥2,所述立体摄像组件中包括可见光摄像头和近红外摄像头,所述m个人脸图像包括所述可见光摄像头拍摄的可见光图像以及所述近红外摄像头拍摄的近红外图像;
第一确定模块,用于基于所述m个人脸图像,确定所述目标人脸的n个人脸特征点的深度,n≥2;
判断模块,用于基于所述n个人脸特征点的深度,判断所述目标人脸是否为立体人脸;
第二确定模块,用于当所述目标人脸为立体人脸时,确定所述m个人脸图像为真实人脸图像,基于所述m个人脸图像,确定所述目标人脸对应的身份信息;
所述判断模块,包括:
计算子模块,用于基于所述n个人脸特征点的深度,计算所述人脸特征点的立体度评分,所述立体度评分为对所述人脸特征点的深度评分的分值,所述立体度评分的大小与所述目标人脸的立体度正相关,所述立体度评分是基于所述立体度评分的评分规则确定的,不同的人脸姿态对应不同的评分规则;
比较子模块,用于比较所述n个人脸特征点的立体度评分与预设的立体度分值的大小;
第二确定子模块,用于当所述n个人脸特征点的立体度评分大于或等于所述预设的立体度分值时,确定所述目标人脸为立体人脸;
第三确定子模块,用于当所述n个人脸特征点的立体度评分小于所述预设的立体度分值时,确定所述目标人脸不为立体人脸;
所述装置还包括用于当所述目标人脸不为立体人脸时,所述立体摄像组件发出告警信息的模块;
所述装置还包括:
第三确定模块,用于基于所述m个人脸图像中的至少一个人脸图像确定目标特征矩阵;
匹配模块,用于将所述目标特征矩阵与信息库中的人脸图像所对应的特征矩阵进行匹配;
获取模块,用于当所述目标特征矩阵与所述信息库中的某一人脸图像所对应的特征矩阵的相似度大于或等于预设的相似度阈值时,获取所述某一人脸图像所对应的身份信息;
第四确定模块,用于将所述身份信息确定为所述目标人脸对应的身份信息;
所述第三确定模块,包括:
特征提取子模块,用于对所述m个人脸图像中的每个图像进行特征提取,以得到m个特征矩阵,所述m个特征矩阵包括可见光特征矩阵和近红外特征矩阵;根据当前光照强度调整所述可见光特征矩阵和所述近红外特征矩阵的权重系数,以对所述可见光特征矩阵和所述近红外特征矩阵进行偏向性筛选,不同光照强度下所述可见光特征矩阵的权重系数和所述近红外特征矩阵的权重系数的大小关系不同;
特征融合子模块,用于将所述m个特征矩阵进行特征融合,得到所述目标特征矩阵;
所述特征融合子模块,用于:
基于调整的权重系数,采用加权求和归一化公式,将所述m个特征矩阵进行特征融合,得到所述目标特征矩阵。
9.根据权利要求8所述的装置,其特征在于,所述立体摄像组件为双目摄像机,所述双目摄像机用于:
对所述目标人脸进行拍摄,以得到同一时刻拍摄的两个人脸图像;
所述第一确定模块,用于:
基于所述两个人脸图像,采用双目立体视觉技术计算所述n个人脸特征点的深度。
10.根据权利要求9所述的装置,其特征在于,所述第一确定模块,还用于:
确定第一人脸特征点在所述两个人脸图像中的位置,所述第一人脸特征点为所述n个人脸特征点中的任一特征点;
根据第一人脸特征点在所述两个人脸图像中的位置,结合相机参数,计算所述第一人脸特征点的三维坐标;
基于所述三维坐标,确定所述第一人脸特征点的深度。
11.根据权利要求9或10所述的装置,其特征在于,所述双目摄像机包括一可见光摄像头和一近红外摄像头,所述两个人脸图像包括所述可见光摄像头拍摄的可见光图像以及所述近红外摄像头拍摄的近红外图像。
13.根据权利要求8所述的装置,其特征在于,所述装置还包括:
选取模块,用于选取所述立体摄像组件采集的多组人脸图像,每组人脸图像包括m个人脸图像;
第五确定模块,用于将所述多组人脸图像输入预设模型进行数据训练,以确定所述权重系数。
14.根据权利要求8所述的装置,其特征在于,
所述n个人脸特征点包括鼻尖、鼻根、左眼角、右眼角、左嘴角、右嘴角、下巴中心点、左耳垂、右耳垂、左脸颊和右脸颊中的至少两个。
15.一种计算机设备,其特征在于,包括处理器和存储器,
其中,
所述存储器,用于存放计算机程序;
所述处理器,用于执行所述存储器上所存放的程序,实现权利要求1至7任一所述的人脸识别方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710872594.9A CN109558764B (zh) | 2017-09-25 | 2017-09-25 | 人脸识别方法及装置、计算机设备 |
PCT/CN2018/105707 WO2019056988A1 (zh) | 2017-09-25 | 2018-09-14 | 人脸识别方法及装置、计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710872594.9A CN109558764B (zh) | 2017-09-25 | 2017-09-25 | 人脸识别方法及装置、计算机设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109558764A CN109558764A (zh) | 2019-04-02 |
CN109558764B true CN109558764B (zh) | 2021-03-16 |
Family
ID=65809529
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710872594.9A Active CN109558764B (zh) | 2017-09-25 | 2017-09-25 | 人脸识别方法及装置、计算机设备 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN109558764B (zh) |
WO (1) | WO2019056988A1 (zh) |
Families Citing this family (33)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110175515B (zh) * | 2019-04-15 | 2022-11-29 | 成都大数汇聚科技有限公司 | 一种基于大数据的人脸识别算法 |
WO2020215283A1 (zh) * | 2019-04-25 | 2020-10-29 | 深圳市汇顶科技股份有限公司 | 人脸识别方法、处理芯片以及电子设备 |
CN114097009A (zh) * | 2019-04-29 | 2022-02-25 | 艾克特维认证公司 | 涉及生物认证的安全系统和方法 |
CN112084811B (zh) * | 2019-06-12 | 2023-08-11 | 杭州海康威视数字技术股份有限公司 | 身份信息的确定方法、装置及存储介质 |
CN110309782B (zh) * | 2019-07-02 | 2022-05-03 | 四川大学 | 一种基于红外与可见光双目系统的活体人脸检测方法 |
CN111353368A (zh) * | 2019-08-19 | 2020-06-30 | 深圳市鸿合创新信息技术有限责任公司 | 云台摄像机、人脸特征处理方法及装置、电子设备 |
CN110570348B (zh) * | 2019-09-10 | 2023-09-15 | 连尚(新昌)网络科技有限公司 | 一种脸部图像替换方法及设备 |
CN110929566B (zh) * | 2019-10-16 | 2023-05-23 | 厦门大学 | 基于可见光和近红外双目摄像头的人脸活体检测方法 |
TWI731461B (zh) * | 2019-11-01 | 2021-06-21 | 宏碁股份有限公司 | 真實人臉的識別方法與真實人臉的識別裝置 |
CN110991266B (zh) * | 2019-11-13 | 2024-02-20 | 北京智芯原动科技有限公司 | 一种双目人脸活体检测方法及装置 |
CN111046770B (zh) * | 2019-12-05 | 2023-08-01 | 上海信联信息发展股份有限公司 | 一种照片档案人物自动标注方法 |
CN111160178B (zh) * | 2019-12-19 | 2024-01-12 | 深圳市商汤科技有限公司 | 图像处理方法及装置、处理器、电子设备及存储介质 |
CN111126265A (zh) * | 2019-12-24 | 2020-05-08 | 杭州魔点科技有限公司 | 活体检测方法、装置、电子设备及介质 |
CN111274946B (zh) * | 2020-01-19 | 2023-05-05 | 杭州涂鸦信息技术有限公司 | 一种人脸识别方法和系统及设备 |
CN111382681B (zh) * | 2020-02-28 | 2023-11-14 | 浙江大华技术股份有限公司 | 一种人脸注册方法、装置及存储介质 |
CN111428654B (zh) * | 2020-03-27 | 2023-11-28 | 北京万里红科技有限公司 | 一种虹膜识别方法、装置及存储介质 |
CN111582157B (zh) * | 2020-05-07 | 2023-07-28 | 讯飞幻境(北京)科技有限公司 | 一种人体识别方法、装置、设备及计算机可读存储介质 |
CN111579083B (zh) * | 2020-05-13 | 2022-06-07 | 芋头科技(杭州)有限公司 | 基于红外图像人脸检测的体温测量的方法和装置 |
CN111583334B (zh) * | 2020-05-26 | 2023-03-14 | 广东电网有限责任公司培训与评价中心 | 一种变电站人员三维空间定位方法、装置和设备 |
CN111968152B (zh) * | 2020-07-15 | 2023-10-17 | 桂林远望智能通信科技有限公司 | 一种动态身份识别方法及装置 |
CN112053389A (zh) * | 2020-07-28 | 2020-12-08 | 北京迈格威科技有限公司 | 人像处理方法、装置、电子设备及可读存储介质 |
CN113139413A (zh) * | 2020-08-07 | 2021-07-20 | 西安天和防务技术股份有限公司 | 人员管理方法、装置及电子设备 |
CN112101293A (zh) * | 2020-09-27 | 2020-12-18 | 深圳市灼华网络科技有限公司 | 人脸表情的识别方法、装置、设备及存储介质 |
CN112347849B (zh) * | 2020-09-29 | 2024-03-26 | 咪咕视讯科技有限公司 | 视频会议处理方法、电子设备及存储介质 |
CN112241700A (zh) * | 2020-10-15 | 2021-01-19 | 希望银蕨智能科技有限公司 | 一种额头精准定位的多目标额温测量方法 |
CN112241703A (zh) * | 2020-10-16 | 2021-01-19 | 沈阳天眼智云信息科技有限公司 | 基于红外技术与人脸识别的考勤方法 |
CN112364724B (zh) * | 2020-10-27 | 2024-08-06 | 北京地平线信息技术有限公司 | 活体检测方法和装置、存储介质、电子设备 |
CN113033307B (zh) * | 2021-02-22 | 2024-04-02 | 浙江大华技术股份有限公司 | 对象的匹配方法、装置、存储介质及电子装置 |
CN113128429B (zh) * | 2021-04-24 | 2024-08-16 | 芯算一体(深圳)科技有限公司 | 基于立体视觉的活体检测方法和相关设备 |
CN113902849A (zh) * | 2021-10-18 | 2022-01-07 | 深圳追一科技有限公司 | 三维人脸模型重建方法、装置、电子设备及存储介质 |
CN114202741B (zh) * | 2021-12-13 | 2024-08-02 | 中国平安财产保险股份有限公司 | 用户学习的监控方法、装置、计算机设备及存储介质 |
CN114542874A (zh) * | 2022-02-23 | 2022-05-27 | 常州工业职业技术学院 | 一种自动调节拍照高度和角度的装置及其控制系统 |
CN118042074A (zh) * | 2024-01-05 | 2024-05-14 | 广州开得联软件技术有限公司 | 目标识别方法、目标识别系统、装置、设备和存储介质 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104834901B (zh) * | 2015-04-17 | 2018-11-06 | 北京海鑫科金高科技股份有限公司 | 一种基于双目立体视觉的人脸检测方法、装置及系统 |
CN105023010B (zh) * | 2015-08-17 | 2018-11-06 | 中国科学院半导体研究所 | 一种人脸活体检测方法及系统 |
CN105205458A (zh) * | 2015-09-16 | 2015-12-30 | 北京邮电大学 | 人脸活体检测方法、装置及系统 |
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 |
-
2017
- 2017-09-25 CN CN201710872594.9A patent/CN109558764B/zh active Active
-
2018
- 2018-09-14 WO PCT/CN2018/105707 patent/WO2019056988A1/zh active Application Filing
Also Published As
Publication number | Publication date |
---|---|
WO2019056988A1 (zh) | 2019-03-28 |
CN109558764A (zh) | 2019-04-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109558764B (zh) | 人脸识别方法及装置、计算机设备 | |
CN106897675B (zh) | 双目视觉深度特征与表观特征相结合的人脸活体检测方法 | |
KR102147052B1 (ko) | 얼굴 영상 기반의 감정 인식 시스템 및 방법 | |
CN105335722B (zh) | 一种基于深度图像信息的检测系统及方法 | |
CN109271950B (zh) | 一种基于手机前视摄像头的人脸活体检测方法 | |
CN107403168B (zh) | 一种面部识别系统 | |
CN104933389B (zh) | 一种基于指静脉的身份识别方法和装置 | |
CN109670390B (zh) | 活体面部识别方法与系统 | |
CN109376518A (zh) | 基于人脸识别的防止隐私泄露方法及相关设备 | |
US10922399B2 (en) | Authentication verification using soft biometric traits | |
CN101510257A (zh) | 一种人脸相似度匹配方法及装置 | |
CN112069887B (zh) | 一种人脸识别方法、装置、终端设备及存储介质 | |
CN111783748A (zh) | 人脸识别方法、装置、电子设备及存储介质 | |
KR20160033553A (ko) | 3차원 얼굴모델 투영을 통한 얼굴 인식 방법 및 시스템 | |
KR101640014B1 (ko) | 허위 안면 이미지 분류가 가능한 홍채 인식 장치 | |
CN110909634A (zh) | 可见光与双红外线相结合的快速活体检测方法 | |
CN115035546B (zh) | 三维人体姿态检测方法、装置及电子设备 | |
CN116229528A (zh) | 一种活体掌静脉检测方法、装置、设备及存储介质 | |
Tian et al. | Face anti-spoofing by learning polarization cues in a real-world scenario | |
Zuo et al. | Face liveness detection algorithm based on livenesslight network | |
KR101053253B1 (ko) | 3차원 정보를 이용한 얼굴 인식 장치 및 방법 | |
Bastias et al. | A method for 3D iris reconstruction from multiple 2D near-infrared images | |
JP2014064083A (ja) | 監視装置及び方法 | |
CN116798130A (zh) | 一种人脸防伪方法、装置及存储介质 | |
Hossain et al. | A real-time face to camera distance measurement algorithm using object classification |
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 |