CN109711357A - 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
- CN109711357A CN109711357A CN201811629060.4A CN201811629060A CN109711357A CN 109711357 A CN109711357 A CN 109711357A CN 201811629060 A CN201811629060 A CN 201811629060A CN 109711357 A CN109711357 A CN 109711357A
- Authority
- CN
- China
- Prior art keywords
- face
- bottom library
- picture
- attribute
- library
- 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
Abstract
本发明实施例提供一种人脸识别方法及装置,在该人脸识别方法中,确定底库中各人脸底库图片的属性和特征向量,获取待识别人脸图像,并确定所述待识别人脸图像的属性以及特征向量。所述底库中针对同一人脸具有至少两张人脸底库图片。根据所述底库中各人脸底库图片的属性和特征向量,以及所述待识别人脸图像的属性和特征向量,确定人脸识别结果,可提高人脸识别的准确度。
Description
技术领域
本发明涉及人脸识别技术领域,尤其涉及一种人脸识别方法及装置。
背景技术
随着人脸识别技术的提升,人脸识别技术的应用越来越广泛。
在应用人脸识别技术时,对人脸图像进行比对是其中较为重要的一个环节。在进行人脸图像比对时,通常需要针对该待比对人脸图像预先设置底库,该底库中包含人脸底库图片,该人脸底库图片存储有该待识别人脸的已知人脸信息。通过将待识别人脸图像与底库中的人脸底库图片进行比对,可以确定待识别人脸图像与人脸底库图片之间的相似度,进而可根据确定的相似度,确定待识别人脸图像的识别结果,即确定待识别人脸图像与人脸底库图片中的人脸是否为同一人。
然而,采用目前已有的人脸图像比对方法,根据比对结果确定待识别人脸图像与人脸底库图片之间的相似度,确定待识别人脸图像的识别结果,会出现识别结果准确度较低的情形。
发明内容
本发明实施例旨在提供一种人脸识别方法及装置,以提高人脸识别的准确度。
第一方面,本发明实施例提供了一种人脸识别方法,在该人脸识别方法中,确定底库中各人脸底库图片的属性和特征向量,所述底库中针对同一人脸具有至少两张人脸底库图片。获取待识别人脸图像并确定所述待识别人脸图像的属性以及特征向量。根据所述底库中各人脸底库图片的属性和特征向量,以及所述待识别人脸图像的属性和特征向量,确定人脸识别结果。
本发明实施例中,底库中针对同一人脸具有至少两张人脸底库图片,利用底库中针对同一人脸的至少两张人脸底库图片的属性和特征向量确定人脸识别结果,相对利用一张人脸底库图片确认人脸识别结果,可提高人脸识别的准确度。
可能的实施方式中,所述底库中的人脸底库图片是根据预设的条件预先采集的,所述预设的条件为满足预设的属性组合的条件,所述属性包括人脸角度、遮挡情况、清晰度以及图片亮度中的至少一项。
本发明实施例可通过预设采集人脸底库图片的条件,在底库中针对同一人脸采集多张人脸底库图片,利用该多张人脸底库图片进行人脸识别,一定程度上提高人脸识别的准确度。
进一步的,预先采集的底库中的人脸底库图片属性与所述预设的条件中的属性组合一一对应。
可能的实施方式中,本发明实施例中底库中的人脸底库图片可采用如下方式根据预设的条件预先采集:
按照预设的条件中的每一属性组合,依次显示与该属性组合相匹配的提示信息,并采集所述提示信息提示采集的人脸图像,直至将预设的条件中的属性组合全部提示完毕。将与所述预设的条件中属性组合相匹配的人脸图像,作为底库中的人脸底库图片。
进一步的,将与所述预设的条件中属性组合相匹配的人脸图像,作为底库中的人脸底库图片之后,还可针对未采集到的人脸底库图片再次显示提示信息。其中,所述未采集到的人脸底库图片为在所述底库中未存在的、与所述预设的属性组合相匹配的人脸底库图片。
本发明实施例中针对未采集到的人脸底库图片,通过再次显示提示信息的方式进行采集,实现了遗漏人脸底库图片的采集,保证采集的人脸底库图片能够覆盖预设的条件中的全部属性组合。
一种可能的实施方式中,本发明实施例中确定底库中各人脸底库图片的属性,包括:将与人脸底库图片所匹配的属性组合,添加为该人脸底库图片的属性。
另一种可能的实施方式中,本发明实施例中确定底库中各人脸底库图片的属性,包括:对底库中的人脸底库图片进行属性检测,并根据检测结果生成人脸底库图片的属性。
可能的实施方式中,本发明实施例中可采用如下方式根据所述底库中各人脸底库图片的属性和特征向量,以及所述待识别人脸图像的属性和特征向量,确定人脸识别结果:
根据所述待识别人脸图像的属性以及所述底库中各人脸底库图片的属性,在所述底库中筛选人脸底库图片,得到人脸底库图片集合;根据所述待识别人脸图像的特征向量以及所述人脸底库图片集合中各人脸底库图片的特征向量,确定所述待识别人脸图像与人脸底库图片集合中每一人脸底库图片之间的相似度;根据待识别人脸图像与人脸底库图片集合中每一人脸底库图片之间的相似度,确定人脸识别结果。
其中,一种可能的实施方式中,可按照预设的人脸底库图片筛选规则,根据待识别人脸图像属性以及人脸底库图片属性,在所述底库中筛选满足所述人脸底库图片筛选规则的人脸底库图片,得到人脸底库图片集合。另一种可能的实施方式中,可调用预先训练得到的循环神经网络模型;将所述待识别人脸图像的属性以及所述底库中各人脸底库图片的属性作为所述循环神经网络模型的输入参数,将所述待识别人脸图像与人脸底库图片集合中每一人脸底库图片之间的相似度作为所述循环神经网络模型的评估参数,在所述底库中筛选出用于与所述待识别人脸图像进行比对的人脸底库图片,得到人脸底库图片集合。
其中,一种可能的实施方式中,本发明实施例中可根据预设运算函数,对待识别人脸图像与人脸底库图片集合中每一人脸底库图片之间的相似度进行运算,得到相似度函数值;根据所述相似度函数值以及预设人脸识别函数阈值,确定人脸识别结果。另一种可能的实施方式中,本发明实施例中可调用预先训练得到的分类神经网络模型;将待识别人脸图像与人脸底库图片集合中每一人脸底库图片之间的相似度作为所述分类神经网络模型的输入参数,并根据所述分类神经网络模型的输出确定人脸识别结果,其中,所述分类神经网络模型的输出包括人脸识别通过和人脸识别未通过。
另一种可能的实施方式中,本发明实施例中可采用如下方式根据所述底库中各人脸底库图片的属性和特征向量,以及所述待识别人脸图像的属性和特征向量,确定人脸识别结果:
调用预先训练得到的分类神经网络模型;将所述底库中人脸底库图片的属性和特征向量,以及所述待识别人脸图像的属性和特征向量作为所述分类神经网络模型的输入参数,并根据所述分类神经网络模型的输出确定人脸识别结果,其中,所述分类神经网络模型的输出包括人脸识别通过和人脸识别未通过。
第二方面,本发明实施例提供一种人脸识别装置,该人脸识别装置具有实现上述第一方面涉及的人脸识别方法的功能。所述功能可以通过硬件实现,也可以通过硬件执行相应的软件实现。所述硬件或软件包括一个或多个与上述功能相对应的模块。
一种可能的实施方式中,人脸识别装置包括获取单元、确定单元和识别单元,其中,确定单元,用于确定底库中各人脸底库图片的属性和特征向量,并用于确定待识别人脸图像的属性以及特征向量,所述底库中针对同一人脸具有至少两张人脸底库图片;获取单元,用于获取待识别人脸图像;识别单元,用于根据所述底库中各人脸底库图片的属性和特征向量,以及所述待识别人脸图像的属性和特征向量,确定人脸识别结果。
其中,获取单元、确定单元和识别单元的功能与可以和第一方面以及第一方面各种实施方式中涉及的各方法步骤相对应,在此不予赘述。
第三方面,本发明实施例提供一种电子设备,该电子设备包括处理器和存储器。所述存储器,用于存储所述处理器执行的指令;所述处理器,用于调用所述存储器存储的指令,并执行上述第一方面或第一方面各种实施方式中涉及的人脸识别方法。
第四方面,本发明实施例提供一种计算机可读存储介质,该计算机可读存储介质存储有计算机可执行指令,所述计算机可执行指令在计算机上运行时,执行上述第一方面或第一方面各种实施方式中涉及的人脸识别方法。
第五方面,提供一种包含指令的计算机程序产品,当所述包含指令的计算机程序产品在计算机上运行时,使得计算机执行上述第一方面或第一方面各种实施方式中涉及的人脸识别方法。
本发明实施例提供的人脸识别方法及装置,底库中针对同一人脸具有多张人脸底库图片,该多张人脸底库图片相对一张人脸底库图片可存储多种属性,利用该存储多种属性的多张人脸底库图片进行人脸识别,可提高人脸识别过程中人脸比对精度,并在进行人脸识别结果确定时,融合底库中各人脸底库图片的属性和特征向量、以及待识别人脸图像属性和特征向量,进行综合判定,可一定程度上提高人脸识别的准确度。
附图说明
图1是本发明实施例提供的电子设备的结构示意图;
图2是本发明实施例提供的一种采集底库的方法实施流程图;
图3是本发明实施例提供的一种用于采集底库的预设的条件示意图;
图4是本发明实施例提供的一种人脸识别的方法实施流程图;
图5是本发明实施例提供的一种确认人脸识别结果的方法实施流程图;
图6是本发明实施例提供的一种人脸识别装置结构示意图;
图7是本发明实施例提供的另一种人脸识别装置结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。
本发明实施例提供的人脸识别方法及装置,可应用于安防、金融领域等需要身份验证的人脸识别场景,例如银行远程开户、门禁系统、远程交易操作、搭乘诸如飞机高铁公共交通等需要身份验证的人脸识别场景。
本发明实施例应用的场景中至少包括能够实现人脸识别功能的电子设备,该电子设备可以是诸如智能手机、平板电脑、计算机等智能终端,也可以是诸如门禁系统中的图像采集端等个人计算机或远程服务器等设备。
图1所示为本发明实施例涉及的一种电子设备100的示例性结构示意图。参阅图1所示,电子设备100可包括处理器/控制器101、存储器102、输入输出装置103以及图像采集装置104。其中,处理器/控制器101分别与存储器102、输入输出装置103以及图像采集装置104连接,例如可通过总线系统和/或其它形式的连接机构(未示出)进行连接。存储器102可用于存储程序和数据,包括本发明实施例中涉及的人脸识别的程序,处理器/控制器101通过运行存储在存储器102的程序从而执行电子设备100的各种功能应用以及数据处理,例如执行控制图像采集装置104执行人脸图像采集的功能。
以下,本发明实施例将对电子设备100中涉及的主要部件进行介绍:
本发明实施例中,处理器/控制器101是电子设备100的控制中心,可利用各种接口和线路连接电子设备100中的各个部件,通过运行或执行存储在存储器102内的程序,以及调用存储在存储器102内的数据,执行电子设备100的各种功能和数据的处理,控制所述电子设备100中的其它组件以执行期望的功能,从而对电子终端100进行整体监控。本发明实施例中处理器/控制器101可以采用数字信号处理器(Digital Signal Processing,DSP)、现场可编程门阵列(Field Programmable Gate Array,FPGA)、可编程逻辑阵列(Programmable Logic Array,PLA)中的至少一种硬件形式来实现,所述处理器/控制器101可以是中央处理单元(Central Processing Unit,CPU)或者具有数据处理能力和/或指令执行能力的其它形式的处理单元中的一种或几种的组合。
本发明实施例中,存储器102存储的程序可以是电子设备100的操作系统(比如:安卓操作系统,简称“安卓系统”,或者iOS操作系统,或者其他操作系统,其中,操作系统也可简称为“系统”),也可以是电子设备100实现相应功能所需的应用程序(例如图像采集功能,声音播放功能、图像显示功能等)。存储器102存储的数据可以是电子设备100使用过程中所创建的数据等。本发明实施例中涉及的存储器102可以包括一个或多个计算机程序产品,所述计算机程序产品可以包括各种形式的计算机可读存储介质,例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(Random Access Memory,RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(Read-Only Memory,ROM)、快闪存储器(flash memory)、硬盘(hard disk drive,HDD)或固态硬盘(solid-state drive,SSD)等。所述计算机可读存储介质也可以是其他磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此,例如存储器102可以是上述易失性存储器和/或非易失性存储器的组合。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令,处理器/控制器101可以运行所述程序指令,以实现下文所述的本发明实施例中的人脸识别功能。在所述计算机可读存储介质中还可以存储各种应用程序和各种数据,例如所述应用程序使用和/或产生的各种数据等。
本发明实施例中,输入输出装置103可用于接收输入的指令(例如数字或字符信息,以及产生与电子设备100的用户设置以及功能控制有关的键信号输入等),也可向外部输出各种信息(例如,图像或声音等)。本发明实施例中输入输出装置103可包括物理键盘、功能按键(比如音量控制按键、开关按键等)、鼠标、操作杆、轨迹球、麦克风、扬声器、和触控面板等中的一个或多个。
本发明实施例中,图像采集装置104可用于采集图像。图像采集装置104例如可以是摄像机、照相机等,用以拍摄用户期望的图像(例如照片、视频等),并且将所拍摄的图像存储在所述存储器102中以供其它组件使用。
可以理解的是,图1所示的电子设备100的组件和结构只是示例性的,而非限制性的,根据需要,电子设备100包括比图示更多或更少的部件,或者组合某些部件,或者也可以具有其他组件和结构。例如电子设备100还可包括提供用户与电子设备100之间音频接口的音频电路、扬声器和麦克风等。当电子设备100采用无线方式与外界通信时,还可包括射频(Radio Frequency,RF)电路和连接的天线,无线保真(Wireless-Fidelity,Wi-Fi)模块和连接的天线等。此外,电子设备100还包括传感器以及为其供电的电源等,在此不再一一列举。
目前,电子设备100在进行人脸识别过程中,获取到待识别人脸图像后,需要将待识别人脸图像与人脸底库图片进行比对。将待识别人脸图像与人脸底库图片进行比对时,通常是将待识别人脸图像与一张人脸底库图片进行比对并确定待识别人脸图像与人脸底库图片之间的相似度。由于一张人脸底库图片反映的人脸信息有限,而人脸识别过程中采集的待识别人脸图像存在各种不确定性,利用该有限的人脸信息进行比对确定人脸识别结果,难免会出现识别不准确的情形。
有鉴于此,本发明实施例提供一种人脸识别方法,在该方法中,针对同一人脸,预先采集多张人脸底库图片,以在人脸底库图片中存储多种属性,利用该多张人脸底库图片进行人脸识别,一定程度上提高人脸识别的准确度。
本发明实施例中涉及的属性可以包括但不限于人脸角度、遮挡情况、清晰度以及图片亮度等。其中,各属性均包括子属性,例如:人脸角度这个属性的子属性可以包括正脸、侧脸等。遮挡情况这个属性的子属性可以包括有遮挡、无遮挡等。图片亮度这个属性的子属性可以包括室内正常情况、室内开灯、室外正常情况等。
以下将结合实际应用对本发明实施例提供的人脸识别方法进行说明。
本发明实施例中,首先对采集底库的过程进行说明。采集底库就是预先采集人脸底库图片得到底库的过程。本发明实施例中涉及的底库,针对每一人脸都具有至少两张人脸底库图片。本发明实施例以下涉及的采集底库的过程主要是针对同一人脸采集至少两张人脸底库图片的过程。
图2所示为本发明实施例提供的一种采集底库的方法实施流程图。图2所示的方法执行主体可以是电子设备100,也可以是电子设备100中的某个部件(例如图像采集装置104),当然可以是其他能够实现相应功能的执行主体,本发明实施例不做限定。参阅图2所示,该方法包括:
S101:获取采集底库的条件。
本发明实施例中,一种可能的实施方式中可预设采集底库的条件,并根据预设的条件采集底库,实现人脸图像的主动采集。
其中,本发明实施例预设的条件可以理解为是满足预设的属性组合的条件,也可以理解为是采集底库中各人脸底库图片需要满足的属性组合。图3所示为本发明实施例涉及的预设的条件的一种组成示意图。该用于采集底库的预设的条件中包括由设定子属性组成的属性组合。
本发明实施例用于采集底库的预设的条件中的属性组合可以是人脸角度、遮挡情况、清晰度以及图片亮度中的一个属性,也可以是人脸角度、遮挡情况、清晰度以及图片亮度中的任意两个或两个以上属性。预设的条件中的属性组合是可以根据人脸识别场景确定的。
进一步的,本发明实施例中预设的条件中的属性组合,以及每一属性组合中的子属性可以根据人脸识别场景确定。例如,对于场景较固定的人脸识别场景,预设的条件中的属性组合可以包括人脸角度,属性组合中的子属性是多个不同的人脸角度,例如其中的一个属性组合可以包括正脸,另一个属性组合可以包括侧脸。对于场景变化较大的人脸识别场景(如手机解锁应用场景),预设的条件中的属性组合可以包括图片亮度,属性组合中的子属性是多种不同的图片亮度,例如各属性组合可以是不同光照。对于时间跨度较大的人脸识别场景(如公司门禁应用场景等),预设的条件中的属性组合可以包括多种遮挡情况、清晰度等,属性组合中的子属性可以是有无遮挡、清晰度具体数值等。例如各属性组合可分别包括不同装饰、不同妆容情况。
本发明实施例中预设的条件中的属性组合数量可以根据人脸识别精度需求设定。人脸识别精度需求越高,设置的属性组合数量越多;人脸识别精度需求越低,设置的属性组合数量越少。
可以理解的是,本发明实施例中在预设条件时,可选择不同属性的子属性,以组成不同的属性组合,每一属性组合对应的人脸底库图片可以理解为是存储了一种类别的人脸属性,不同属性组合对应的人脸底库图片对应存储不同种类的人脸信息,通过设置多种不同属性组合,可以使后续按照该属性组合采集的人脸底库图片的图像差异较大及场景覆盖面较全,进而可以得到包括多种人脸信息的人脸底库图片。
S102:根据预设的条件采集人脸底库图片。
本发明实施例可通过预设采集人脸底库图片的条件,在底库中针对同一人脸采集多张(至少两张)人脸底库图片,以在人脸底库图片中存储多种属性,利用该多张人脸底库图片进行人脸识别,一定程度上提高人脸识别的准确度。
可能的示例中,本发明实施例中在根据预设的条件采集人脸底库图片时,针对同一人脸采集的人脸底库图片的属性与预设的条件中的属性组合一一对应。可以理解为是针对每一人脸,在采集底库时,按照预设的属性组合中的属性进行采集,实现采集的人脸底库图片覆盖预设的条件中的属性组合。
本发明实施例中以图3为例对本发明实施例中根据预设的条件采集底库的过程进行说明。本发明实施例中可根据实际人脸识别场景确定预设的条件中的属性组合,例如图3中预设的条件中的属性组合包括人脸角度、遮挡情况、图片亮度等。对于人脸角度这个属性包括的子属性可以是正脸、侧脸等。遮挡情况包括的子属性可以是有遮挡、无遮挡等。图片亮度包括的子属性可以是室内正常情况、室内开灯、室外正常情况等。本发明实施例中可根据实际场景需求选择一个或多个属性中的一个或多个子属性,组成属性组合,即可以是根据实际人脸识别场景需求,在正脸、侧脸、有遮挡、无遮挡、室内正常情况、室内开灯、室外正常情况等中选择任意一个或多个,组成属性组合。例如,属性组合1为正脸;属性组合2为侧脸;属性组合3为正脸、室内开灯;属性组合4为正脸、无遮挡、室内正常情况;属性组合5为侧脸、无遮挡、室内正常情况;属性组合6为正脸、室外正常情况;……属性组合N为正脸、有遮挡、室外正常情况。本发明实施例中针对图3所示的属性组合的可能情况此处不再一一列举。本发明实施例中可根据人脸识别精度需求预设属性组合数量,假设图3中根据人脸识别精度需求预设的属性组合数量为N,N为大于等于2的正整数。
按照图3所示的条件采集底库时,可按照图3所示的各个属性组合分别采集人脸底库图片。其中,采集的人脸底库图片中包括属性组合1的人脸底库图片,属性组合2的人脸底库图片,……,属性组合N的人脸底库图片。最终采集的人脸底库图片数量为N。
本发明实施例在进行人脸底库图片采集时,可以采用显示提示信息的方式采集人脸图像,通过该提示信息可提示用户主动配合提供符合预设的条件中属性组合的人脸图像,实现符合预设的条件中属性组合的人脸图像的主动采集。具体的,可采用如下方式采集人脸底库图片:
S1021:按照预设的条件中的每一属性组合,依次显示与该属性组合相匹配的提示信息,并依次采集提示信息提示采集的人脸图像,直至将预设的条件中的属性组合全部提示完毕。
本发明实施例中涉及的提示信息用于提示按照属性组合对应的属性采集人脸图像。例如,预设的条件中包括的属性组合包括不戴眼镜和戴眼镜两种情形下在上、下、左、右和正中间5个不同角度的人脸图像,则可依次发出提示信息:提示用户戴上眼镜摆正头部,并按照抬头、低头、左偏和右偏等不同角度转动头部;提示用户摘下眼镜摆正头部,并按照抬头、低头、左偏和右偏等不同角度转动头部。
S1022:确定与预设的条件中属性组合相匹配的人脸图像,将该与预设的条件中属性组合相匹配的人脸图像,作为底库中的人脸底库图片。
本发明实施例中,在采集到人脸图像后,可判断采集的人脸图像属性是否与预设的条件中的属性组合相匹配。若采集的人脸图像的属性与预设的条件中的属性组合相匹配,则将该采集的人脸图像存入底库,作为底库中的人脸底库图片。若采集的人脸图像与预设的条件中的属性组合不相匹配,则可舍弃该采集的人脸图像,重新进行人脸图像的采集,以提高底库中人脸底库图片的采集准确性。
本发明实施例中为了保证采集的人脸底库图片能够覆盖预设的条件中的全部属性组合,可在采集到人脸底库图片后,执行如下步骤:
S1023:确定是否存在未采集到的人脸底库图片。
本发明实施例涉及的未采集到的人脸底库图片可以理解为是在底库中未存在的、与预设的属性组合相匹配的人脸底库图片。例如,预设的条件中的属性组合中存在戴眼镜、抬头的属性组合,但是在底库中并不存在戴眼镜、抬头的人脸底库图片,则该戴眼镜并抬头的人脸底库图片为未采集到的人脸底库图片。
本发明实施例中可通过将已采集到的人脸底库图片的属性与预设的条件中各属性组合进行比较,确定未采集到的人脸底库图片。若在预设的条件中存在对应匹配的属性组合,但在底库中未存在与该人脸底库图片,则确定存在未采集到的人脸底库图片,并执行S1024。若预设的条件中包括的属性组合对应匹配的人脸底库图片全部都存在底库中,则确定不存在未采集到的人脸底库图片。
S1024:针对未采集到的人脸底库图片再次显示提示信息。
本发明实施例中,再次显示的提示信息用于提示按照未采集到的人脸底库图片对应的属性组合采集人脸图像。例如未采集到的人脸底库图片为戴眼镜并抬头的人脸底库图片,则该再次显示的提示信息可以是“请戴上眼镜并抬头”。
本发明实施例中针对未采集到的人脸底库图片,通过再次显示提示信息的方式进行采集,实现了遗漏人脸底库图片的采集,保证采集的人脸底库图片能够覆盖预设的条件中的全部属性组合。
可能的实施方式中,本发明实施例在每采集到人脸底库图片后,可确定是否存在未采集到的人脸底库图片,针对未采集到的人脸底库图片发送提示信息,可避免针对已采集到的人脸底库图片重复发送提示信息,提高采集效率。
本发明实施例提供的上述根据预设的条件采集人脸底库的实施方式,可实现用户配合式的底库采集,实现人脸底库的主动采集,并可通过设置用于采集底库的条件,实现对不同应用场景下采集满足该场景下图像差异及场景覆盖的人脸底库图片,使底库中的人脸底库图片存储多种属性。
本发明实施例针对同一人脸采集得到底库后,可利用底库中针对同一人脸具有的多张人脸底库图片,进行人脸识别。
图4所示为本发明实施例提供的一种人脸识别方法实施流程图。图4所示的方法执行主体可以是电子设备100,也可以是电子设备100中的某个部件(例如处理器/控制器101),当然可以是其他能够实现相应功能的执行主体,本发明实施例不做限定。参阅图4所示,该方法包括:
S201:确定底库中各人脸底库图片的属性以及特征向量(feature)。
本发明实施例中底库中针对同一人脸具有至少两张人脸底库图片,该针对同一人脸具有至少两张人脸底库图片的底库可采用本发明上述实施例涉及的方式预先采集得到。
本发明实施例中在确定底库中各人脸底库图片的属性时可采用如下方式:
一种实施方式中,可将与人脸底库图片所匹配的属性组合,添加为该人脸底库图片的属性。例如与人脸底库图片所匹配的属性组合为人脸角度,遮挡情况,则在确定人脸底库图片的属性时,可将具体的人脸角度、遮挡情况等属性添加为人脸底库图片的属性。可能的示例中,本发明实施例中可根据采集人脸底库图片时的提示信息获得与人脸底库图片所匹配的属性。本发明实施例中可显示与属性组合相匹配的提示信息,例如显示的提示信息提示“戴眼镜、头部左转15度”,采集到提示信息提示采集的人脸图像后,将与属性组合相匹配的人脸图像作为人脸底库图,并将与人脸底库图片所匹配的属性组合(戴眼镜、头部左转15度),添加为该人脸底库图片的属性。
另一种实施方式中,可对底库中的人脸底库图片进行属性检测,并根据检测结果生成人脸底库图片的属性。例如,底库中存在人脸底库图片A,可检测该人脸底库图片A的属性(人脸角度、亮度、清晰度等),将检测到的属性生成为该人脸底库图片A的属性。例如,检测得到人脸底库图片A的清晰度为a1且亮度为b1,并且清晰度为a1、亮度为b1满足预设的条件中的一属性组合,则将清晰度为a1、亮度为b1作为人脸底库图片A的属性。
进一步的,本发明实施例中人脸底库图片的属性的具体检测提取过程可采用目前已有的属性计算方式进行确定。
本发明实施例中人脸底库图片的特征向量也可采用目前已有的方式进行提取。例如可采用普通局部二值模式(LBP)、高维局部二值模式(High-Dimensional LBP)、加伯(Gabor)、费舍尔脸(Fisher Face),以及深度学习(Deep Learning)等方法中的一种或多种对人脸底库图片进行人脸特征向量的提取。
S202:获取待识别人脸图像。
本发明实施例中待识别人脸图像的获取方式可以采用目前已有的方式进行获取,例如采用照相机、摄像机等图像采集装置进行人脸图像采集等,本发明实施例在此不再详述。
S203:确定待识别人脸图像的属性以及特征向量。
本发明实施例中待识别的人脸图像也可以称为待比对人脸图像,或者待匹配人脸图像等。该待识别人脸图像可以通过输入输出装置103输入,也可以通过图像采集装置104进行采集。
本发明实施例中获取到待识别人脸图像后,可提取该待识别人脸图像的属性以及特征向量。待识别人脸图像的属性以及特征向量的提取方式可采用目前已有技术,在此不再赘述。
S204:根据底库中各人脸底库图片的属性以及特征向量,以及待识别人脸图像的属性以及特征向量,确定人脸识别结果。
本发明实施例,在人脸识别过程中,可融合底库中各人脸底库图片的属性和特征向量、以及待识别人脸图像属性和特征向量,进行人脸识别结果的确定。人脸识别结果可包括人脸识别通过和人脸识别未通过两种情况。
本发明实施例以下将结合实际应用对上述根据底库中各人脸底库图片的属性和特征向量、以及待识别人脸图像属性和特征向量,确定人脸识别结果的过程进行说明。
一种可能的实施方式中,本发明实施例中可采用图5所示的方式根据底库中各人脸底库图片的属性和特征向量、以及待识别人脸图像属性和特征向量,进行人脸识别结果的确定。参阅图5所示,该确定人脸识别结果的过程包括:
S2041:根据待识别人脸图像的属性以及底库中各人脸底库图片的属性,在底库中筛选人脸底库图片,得到人脸底库图片集合。
本发明实施例中,为了使底库中的人脸底库图片存储多种属性,通常会存储存在差异并覆盖各种场景的人脸底库图片,而存在差异并覆盖各种场景的人脸底库图片可能是适用于与不同待识别人脸图像进行比对的,故本发明实施例中为了进一步提高待识别人脸图像与人脸底库图片的比对精度,可在底库中筛选适用于与当前待识别人脸图形进行比对的人脸底库图片。
本发明实施例中在底库中筛选得到的适用于与当前待识别人脸图形进行比对的人脸底库图片可组成人脸底库图片集合,后续利用该人脸底库图片集合中的人脸底库图片进行人脸识别结果的确定。
本发明实施例中在根据待识别人脸图像的属性以及底库中与获取的待识别人脸图像对应的每一人脸底库图片的属性,在底库中筛选人脸底库图片,得到人脸底库图片集合时,可依据待识别人脸图像的属性以及人脸底库图片的属性预先构建函数F(Ai,QA),其中,Ai表征人脸底库图片的属性,QA表征待识别人脸图像的属性,根据函数F(Ai,QA)在底库中筛选人脸底库图片,得到人脸底库图片集合。
具体的,本发明实施例中函数F(Ai,QA)可以包含但不限于规则函数、或预先训练得到的模型函数等,模型函数可以是支持向量机(Support Vector Machine,SVM)模型函数、决策树模型函数或深度神经网络模型函数等。
一种可能的实施方式中,函数F(Ai,QA)为规则函数时,可预设人脸底库图片筛选规则,按照该人脸底库图片筛选规则,根据待识别人脸图像属性以及人脸底库图片属性,在底库中筛选满足该人脸底库图片筛选规则的人脸底库图片,得到人脸底库图片集合。
具体的,人脸底库图片筛选规则可以根据实际需求设定,例如可以设定人脸底库图片筛选规则为选择与待识别人脸图像的角度差小于设定角度值,并且亮度差小于设定亮度级别(如角度差<10度且亮度差异<1级)的人脸底库图片作为人脸底库图片集合中的人脸底库图片。或者也可以设定人脸底库图片筛选规则为使用与待识别人脸图像属性最接近的一张或多张人脸底库图片作为人脸底库图片集合中的人脸底库图片,如重要属性为角度,则设置角度阈值X,选择底库中与待识别人脸图像中人脸角度差小于X的人脸底库图片作为人脸底库图片集合中的人脸底库图片。
另一种可能的实施方式中,本发明实施例中F(Ai,QA)可以是根据待识别人脸图像属性、人脸底库图片属性、待识别人脸图像与人脸底库图片之间的相似度,预先训练得到的模型函数,例如循环神经网络模型。可能的示例中,可以将样本图像的属性以及人脸底库图片的属性作为循环神经网络模型的输入参数,将样本图像与人脸底库图片之间的相似度作为循环神经网络模型的评估参数,进行循环神经网络模型训练,得到输出参数为用于与样本图像进行比对的人脸底库图片。其中,循环神经网络模型的具体训练过程可采用目前已有的相关技术,本发明实施例在此不再详述。
本发明实施例中当F(Ai,QA)为预先训练得到的循环神经网络模型时,可在筛选人脸底库图片集合时,调用该预先训练得到的神经网络模型。将待识别人脸图像的属性以及底库中每一人脸底库图片的属性作为循环神经网络模型的输入参数,将待识别人脸图像与人脸底库图片集合中每一人脸底库图片之间的相似度作为循环神经网络模型的评估参数,得到用于与待识别人脸图像进行比对的人脸底库图片,以在底库中筛选出用于与待识别人脸图像进行比对的人脸底库图片,得到人脸底库图片集合。
S2042:根据待识别人脸图像的特征向量以及人脸底库图片集合中人脸底库图片的特征向量,确定待识别人脸图像与人脸底库图片集合中每一人脸底库图片之间的相似度。
本发明实施例中,可以采用目前已有的方式,根据待识别人脸图像的特征向量以及人脸底库图片集合中人脸底库图片的特征向量,确定待识别人脸图像与人脸底库图片集合中每一人脸底库图片之间的相似度,在此不再详述。
S2043:根据待识别人脸图像与人脸底库图片集合中每一人脸底库图片之间的相似度,确定人脸识别结果。
本发明实施例中可以在一次人脸识别结果的确定过程中,融合待识别人脸图像与人脸底库图片集合中各人脸底库图片之间的相似度,一次性综合确定人脸识别结果。可能的实施方式中,本发明实施例中可构建融合函数H(Si),以得到人脸识别结果。其中,Si表征待识别人脸图像与人脸底库图片集合中各人脸底库图片之间的相似度。其中,融合函数H(Si)可以是以待识别人脸图像与人脸底库图片之间的相似度为变量确定的运算函数,也可以是预先训练得到的模型函数等,模型函数可以是SVM模型函数、决策树模型函数或深度神经网络模型函数等。
一种可能的实施方式中,本发明实施例中H(Si)为预设运算函数,该运算函数可以理解为是以设定运算规则,对待识别人脸图像与人脸底库图片之间的相似度进行运算的函数,其中运算函数的运算规则可以根据实际情况进行设定,例如,可以是对待识别人脸图像与人脸底库图片之间的相似度进行取均值运算,也可以是对多个待识别人脸图像与人脸底库图片之间的相似度取最大值运算,或者将待识别人脸图像与人脸底库图片之间的相似度与预设阈值进行大小比较运算。H(Si)为预设运算函数时,可根据该预设运算函数,对待识别人脸图像与人脸底库图片集合中每一人脸底库图片之间的相似度进行运算,得到相似度函数值。其中,相似度函数值可以理解为是按照运算函数的运算规则对待识别人脸图像与人脸底库图片之间的相似度进行运算后得到的结果。
本发明实施例中还可预设人脸识别函数阈值,通过将得到的相似度函数值与预设人脸识别函数阈值进行比较,确认人脸识别结果。例如,预设运算函数是对待识别人脸图像与人脸底库图片之间的相似度进行取均值运算时,可通过判断待识别人脸图像与人脸底库图片集合中每一人脸底库图片之间的相似度取均值后得到的数值是否超过预设人脸识别函数阈值,来确定人脸识别通过与否。又例如,预设运算函数是将每张待识别人脸图像与人脸底库图片之间的相似度与预设阈值进行大小比较运算,则可将该预设阈值作为预设人脸识别函数阈值,待识别人脸图像与人脸底库图片之间的相似度作为相似度函数值,若相似度函数值中存在大于该人脸识别函数阈值的人脸底库图片,则可确定人脸识别通过,若相似度函数值中不存在大于该人脸识别函数阈值的人脸底库图片,则可确定人脸识别不通过。
另一种可能的实施方式中,本发明实施例中H(Si)可以是根据多个待识别人脸图像与人脸底库图片之间的相似度进行训练得到的模型函数,例如深度神经网络模型,该深度神经网络模型例如可以是分类神经网络模型。本发明实施例中H(Si)为分类神经网络模型函数时,可以将样本图像与至少一个人脸底库图片之间的相似度作为输入参数,将人脸识别通过和人脸识别未通过作为输出参数,进行训练,得到分类神经网络模型。在根据待识别人脸图像与人脸底库图片集合中每一人脸底库图片之间的相似度,确定人脸识别结果时,调用预先训练得到的分类神经网络模型,将待识别人脸图像与人脸底库图片集合中每一人脸底库图片之间的相似度作为该分类神经网络模型的输入参数,并根据所述分类神经网络模型的输出确定人脸识别结果。
可以理解的是,本发明实施例中对于根据底库中各人脸底库图片的属性和特征向量,以及待识别人脸图像的属性和特征向量,确定人脸识别结果的实施过程,可采用多种实施方式,本发明实施例并不做限定。例如,另一种可能的实施方式中,本发明实施例中可将上述图5所示的方法实施流程通过预先训练的模型函数实现,例如通过预先训练的分类神经网络模型进行人脸识别结果的确定。可能的示例中,可根据样本图像属性、人脸底库图片属性、样本图像的特征向量与人脸底库图片的特征向量,预先训练得到模型函数,并利用该模型函数确定人脸识别结果。例如将人脸底库图片属性、人脸底库图片特征向量、样本图像属性以及样本图像特征向量作为分类神经网络模型的输入参数,以人脸识别通过和人脸识别未通过为分类神经网络模型的输出参数,进行训练得到分类神经网络模型。在进行人脸识别结果确定时,调用该预先训练的分类神经网络模型,将底库中人脸底库图片的属性以及特征向量,以及待识别人脸图像的属性以及特征向量作为分类神经网络模型的输入参数,并根据分类神经网络模型的输出确定人脸识别结果。
本发明实施例中基于底库中针对同一人脸的多张人脸底库图片进行人脸识别,并在进行人脸识别结果确定时融合底库中各人脸底库图片的属性和特征向量、以及待识别人脸图像属性和特征向量,进行综合判定,可一定程度上提高人脸识别的准确度。
可以理解的是,本发明实施例中涉及的底库中可包括针对一个人脸的人脸底库图片,也可以包括针对多个人脸的人脸底库图片。可能的实施方式中,若底库中包括针对一个人脸的人脸底库图片,则可采用本发明实施例上述实施方式进行人脸识别结果的确定,实现对指定人脸的识别。若底库中包括针对多个人脸的人脸底库图片,每个人脸具有至少两张人脸底库图片,以实现多人脸的识别。底库中包括多个人脸的人脸底库图片时,针对每个人脸的识别过程,可利用本发明实施例上述涉及的人脸识别方法。
基于相同的发明构思,本发明实施例还提供一种人脸识别装置。
可以理解的是,本发明实施例提供的人脸识别装置为了实现上述功能,其包含了执行各个功能相应的硬件结构和/或软件模块。结合本发明实施例中所公开的各示例的单元及算法步骤,本发明实施例能够以硬件或硬件和计算机软件的结合形式来实现。某个功能究竟以硬件还是计算机软件驱动硬件的方式来执行,取决于技术方案的特定应用和设计约束条件。本领域技术人员可以对每个特定的应用来使用不同的方法来实现所描述的功能,但是这种实现不应认为超出本发明实施例的技术方案的范围。
本发明实施例可以根据上述方法实施例对人脸识别装置进行功能单元的划分,例如,可以对应各个功能划分各个功能单元,也可以将两个或两个以上的功能集成在一个处理单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。需要说明的是,本发明实施例中对单元的划分是示意性的,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。
在采用集成的单元的情况下,本发明实施例提供的人脸识别装置可包括获取单元、确定单元和识别单元。图6所示为本发明实施例提供的一种人脸识别装置1000的结构示意图,该人脸识别装置1000可以应用于上述涉及的电子设备100。参阅图6所示,该人脸识别装置1000可包括获取单元1001、确定单元1002和识别单元1003。其中,获取单元1001,用于获取待识别人脸图像。确定单元1002,用于确定底库中各人脸底库图片的属性和特征向量,并用于确定待识别人脸图像的属性以及特征向量。其中,底库中针对同一人脸具有至少两张人脸底库图片。识别单元1003,用于根据底库中各人脸底库图片的属性和特征向量,以及待识别人脸图像的属性和特征向量,确定人脸识别结果。
一种可能的实施方式中,人脸识别装置1000还可包括采集单元1004,如图7所示。本发明实施例中采集单元1004,用于根据预设的条件预先采集底库中的人脸底库图片。
其中,预设的条件根据人脸识别精度需求设定。预设的条件为满足预设的属性组合的条件。该属性包括人脸角度、遮挡情况、清晰度以及图片亮度中的至少一项。
其中,预先采集的底库中的人脸底库图片的属性与所述预设的条件中的属性组合一一对应。
可能的示例中,采集单元1004可按照预设的条件中的每一属性组合,依次显示与该属性组合相匹配的提示信息,提示按照属性组合对应的属性采集人脸图像,并采集提示信息提示采集的人脸图像,直至将预设的条件中的属性组合全部提示完毕。将与预设的条件中属性组合相匹配的人脸图像,作为底库中的人脸底库图片。
可能的示例中,采集单元1004,还用于:将与所述预设的条件中属性组合相匹配的人脸图像之后,针对未采集到的人脸底库图片再次显示提示信息。未采集到的人脸底库图片为在底库中未存在的、与预设的属性组合相匹配的人脸底库图片。再次显示的提示信息用于提示按照未采集到的人脸底库图片对应的属性组合采集人脸图像。
本发明实施例中,确定单元1002可采用如下方式确定底库中各人脸底库图片的属性:将与人脸底库图片所匹配的属性组合,添加为该人脸底库图片的属性。或者确定单元1002还可采用如下方式确定底库中各人脸底库图片的属性:对底库中的人脸底库图片进行属性检测,并根据检测结果生成人脸底库图片的属性。
本发明实施例中,识别单元1003可采用如下方式根据底库中各人脸底库图片的属性和特征向量,以及待识别人脸图像的属性和特征向量,确定人脸识别结果:根据待识别人脸图像的属性以及底库中每一人脸底库图片的属性,在底库中筛选人脸底库图片,得到用于与待识别人脸图像进行比对的人脸底库图片集合。根据待识别人脸图像的特征向量以及人脸底库图片集合中人脸底库图片的特征向量,确定待识别人脸图像与人脸底库图片集合中每一人脸底库图片之间的相似度。根据待识别人脸图像与人脸底库图片集合中每一人脸底库图片之间的相似度,确定人脸识别结果。
一种可能的实施方式中,识别单元1003可按照预设的人脸底库图片筛选规则,根据待识别人脸图像属性以及人脸底库图片属性,在底库中筛选满足人脸底库图片筛选规则的人脸底库图片,得到人脸底库图片集合。
另一种可能的实施方式中,识别单元1003可调用预先训练得到的循环神经网络模型,将待识别人脸图像的属性以及底库中每一人脸底库图片的属性作为循环神经网络模型的输入参数,将待识别人脸图像与人脸底库图片集合中每一人脸底库图片之间的相似度作为循环神经网络模型的评估参数,在底库中筛选出用于与待识别人脸图像进行比对的人脸底库图片,得到人脸底库图片集合。
一种可能的实施方式中,识别单元1003可根据预设运算函数,对待识别人脸图像与人脸底库图片集合中每一人脸底库图片之间的相似度进行运算,得到相似度函数值。根据相似度函数值以及预设人脸识别函数阈值,确定人脸识别结果。
另一种可能的实施方式中,识别单元1003可调用预先训练得到的分类神经网络模型。将待识别人脸图像与人脸底库图片集合中每一人脸底库图片之间的相似度作为分类神经网络模型的输入参数,并根据分类神经网络模型的输出确定人脸识别结果。
可能的示例中,识别单元1003还可采用如下方式根据底库中各人脸底库图片的属性和特征向量,以及待识别人脸图像的属性和特征向量,确定人脸识别结果:调用预先训练得到的分类神经网络模型。将底库中人脸底库图片的属性和特征向量,以及待识别人脸图像的属性和特征向量作为分类神经网络模型的输入参数,并根据分类神经网络模型的输出确定人脸识别结果。
需要说明的是,本发明实施例提供的人脸识别装置1000具有实现上述方法实施例中涉及的人脸识别方法过程中的所有功能,其具体实现过程可参阅上述实施例及附图的相关描述,在此不再赘述。人脸识别装置1000中的各个模块单元所实现的功能与上文描述的用于人脸识别的方法中的步骤相对应,其具体实现和技术效果请参见上文对于方法步骤的描述,在此不再赘述。
在采用硬件形式的情况下,上述涉及的获取单元1001可以是图像采集装置或输入输出装置,确定单元1002和识别单元1003可以是处理器/控制器。采集单元1004可以是图像采集装置。
若获取单元1001是输入输出装置,确定单元1002和识别单元1003是处理器。采集单元1004是图像采集装置,上述涉及的人脸识别装置1000可以为图1所示的电子设备。该电子设备包括处理器和存储器。电子设备也可包括输入输出装置,还可包括图像采集装置。所述存储器、输入输出装置和图像采集装置均通过总线与所述处理器连接。其中,所述存储器,用于存储所述处理器执行的指令;所述处理器,用于调用所述存储器存储的指令,并执行上述实施例涉及人脸识别方法。本发明实施例中处理器可调用存储器存储的指令,对所述输入输出装置采集的待识别人脸图像,采用上述实施例涉及的人脸识别方法,利用图像采集装置采集的底库中与该待识别人脸图像对应的至少两张人脸底库图片,进行人脸识别结果的确定。
其中,电子设备执行人脸识别的过程,可参阅上述实施例描述的人脸识别的实施过程,在此不再赘述。
本发明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存储有计算机可执行指令,所述计算机可执行指令在计算机上运行时,执行上述实施例涉及的人脸识别方法。
本发明实施例还提供一种包含指令的计算机程序产品,当所述包含指令的计算机程序产品在计算机上运行时,使得计算机执行上述实施例涉及的人脸识别方法。
可以理解的是,本发明实施例中尽管在附图中以特定的顺序描述操作,但是不应将其理解为要求按照所示的特定顺序或是串行顺序来执行这些操作,或是要求执行全部所示的操作以得到期望的结果。在特定环境中,多任务和并行处理可能是有利的。
进一步可以理解的是,本发明实施例中涉及的“多个”是指两个或两个以上。“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
本发明实施例涉及的方法和装置能够利用标准编程技术来完成,利用基于规则的逻辑或者其他逻辑来实现各种方法步骤。还应当注意的是,此处以及权利要求书中使用的词语“装置”和“模块”意在包括使用一行或者多行软件代码的实现和/或硬件实现和/或用于接收输入的设备。
此处描述的任何步骤、操作或程序可以使用单独的或与其他设备组合的一个或多个硬件或软件模块来执行或实现。在一个实施方式中,软件模块使用包括包含计算机程序代码的计算机可读介质的计算机程序产品实现,其能够由计算机处理器执行用于执行任何或全部的所描述的步骤、操作或程序。
出于示例和描述的目的,已经给出了本发明实施的前述说明。前述说明并非是穷举性的也并非要将本发明限制到所公开的确切形式,根据上述教导还可能存在各种变形和修改,或者是可能从本发明的实践中得到各种变形和修改。选择和描述这些实施例是为了说明本发明的原理及其实际应用,以使得本领域的技术人员能够以适合于构思的特定用途来以各种实施方式和各种修改而利用本发明。
Claims (16)
1.一种人脸识别方法,其中,包括:
确定底库中各人脸底库图片的属性和特征向量,所述底库中针对同一人脸具有至少两张人脸底库图片;
获取待识别人脸图像,并确定所述待识别人脸图像的属性以及特征向量;
根据所述底库中各人脸底库图片的属性和特征向量,以及所述待识别人脸图像的属性和特征向量,确定人脸识别结果。
2.根据权利要求1所述的方法,其中,所述底库中的人脸底库图片是根据预设的条件预先采集的;
所述预设的条件为满足预设的属性组合的条件,所述属性包括人脸角度、遮挡情况、清晰度以及图片亮度中的至少一项。
3.根据权利要求2所述的方法,其中,预先采集的底库中的人脸底库图片的属性与所述预设的条件中的属性组合一一对应。
4.根据权利要求2所述的方法,其中,所述底库中的人脸底库图片采用如下方式根据预设的条件预先采集:
按照预设的条件中的每一属性组合,依次显示与该属性组合相匹配的提示信息,并采集所述提示信息提示采集的人脸图像,直至将预设的条件中的属性组合全部提示完毕;
将与所述预设的条件中属性组合相匹配的人脸图像,作为底库中的人脸底库图片。
5.根据权利要求4所述的方法,其中,将与所述预设的条件中属性组合相匹配的人脸图像,作为底库中的人脸底库图片之后,所述方法还包括:
针对未采集到的人脸底库图片再次显示提示信息,其中,
所述未采集到的人脸底库图片为在所述底库中未存在的、与所述预设的属性组合相匹配的人脸底库图片。
6.根据权利要求2所述的方法,其中,确定底库中各人脸底库图片的属性,包括:
将与人脸底库图片所匹配的属性组合,添加为该人脸底库图片的属性。
7.根据权利要求2所述的方法,其中,确定底库中各人脸底库图片的属性,包括:
对底库中的人脸底库图片进行属性检测,并根据检测结果生成人脸底库图片的属性。
8.根据权利要求1所述的方法,其中,根据所述底库中各人脸底库图片的属性和特征向量,以及所述待识别人脸图像的属性和特征向量,确定人脸识别结果,包括:
根据所述待识别人脸图像的属性以及所述底库中各人脸底库图片的属性,在所述底库中筛选人脸底库图片,得到人脸底库图片集合;
根据所述待识别人脸图像的特征向量以及所述人脸底库图片集合中各人脸底库图片的特征向量,确定所述待识别人脸图像与人脸底库图片集合中每一人脸底库图片之间的相似度;
根据待识别人脸图像与人脸底库图片集合中每一人脸底库图片之间的相似度,确定人脸识别结果。
9.根据权利要求8所述的方法,其中,根据所述待识别人脸图像的属性以及所述底库中各人脸底库图片的属性,在所述底库中筛选人脸底库图片,得到人脸底库图片集合,包括:
按照预设的人脸底库图片筛选规则,根据待识别人脸图像属性以及人脸底库图片属性,在所述底库中筛选满足所述人脸底库图片筛选规则的人脸底库图片,得到人脸底库图片集合。
10.根据权利要求8所述的方法,其中,根据所述待识别人脸图像的属性以及所述底库中各人脸底库图片的属性,在所述底库中筛选人脸底库图片,得到人脸底库图片集合,包括:
调用预先训练得到的循环神经网络模型;
将所述待识别人脸图像的属性以及所述底库中各人脸底库图片的属性作为所述循环神经网络模型的输入参数;
将所述待识别人脸图像与人脸底库图片集合中每一人脸底库图片之间的相似度作为所述循环神经网络模型的评估参数;
在所述底库中筛选出用于与所述待识别人脸图像进行比对的人脸底库图片,得到人脸底库图片集合。
11.根据权利要求8至10任一项所述的方法,其中,根据待识别人脸图像与人脸底库图片集合中每一人脸底库图片之间的相似度,确定人脸识别结果,包括:
根据预设运算函数,对待识别人脸图像与人脸底库图片集合中每一人脸底库图片之间的相似度进行运算,得到相似度函数值;
根据所述相似度函数值以及预设人脸识别函数阈值,确定人脸识别结果。
12.根据权利要求8至10任一项所述的方法,其中,根据待识别人脸图像与人脸底库图片集合中每一人脸底库图片之间的相似度,确定人脸识别结果,包括:
调用预先训练得到的分类神经网络模型;
将待识别人脸图像与人脸底库图片集合中每一人脸底库图片之间的相似度作为所述分类神经网络模型的输入参数,并根据所述分类神经网络模型的输出确定人脸识别结果,其中,
所述分类神经网络模型的输出包括人脸识别通过和人脸识别未通过。
13.根据权利要求1所述的方法,其中,根据所述底库中各人脸底库图片的属性和特征向量,以及所述待识别人脸图像的属性和特征向量,确定人脸识别结果,包括:
调用预先训练得到的分类神经网络模型;
将所述底库中人脸底库图片的属性和特征向量,以及所述待识别人脸图像的属性和特征向量作为所述分类神经网络模型的输入参数,并根据所述分类神经网络模型的输出确定人脸识别结果,其中,
所述分类神经网络模型的输出包括人脸识别通过和人脸识别未通过。
14.一种人脸识别装置,其中,所述装置包括:
确定单元,用于确定底库中各人脸底库图片的属性和特征向量,并用于确定待识别人脸图像的属性以及特征向量,所述底库中针对同一人脸具有至少两张人脸底库图片;
获取单元,用于获取待识别人脸图像;
识别单元,用于根据所述底库中各人脸底库图片的属性和特征向量,以及所述待识别人脸图像的属性和特征向量,确定人脸识别结果。
15.一种电子设备,其中,所述电子设备包括:
存储器,用于存储指令;以及
处理器,用于调用所述存储器存储的指令执行权利要求1至13中任一项所述的人脸识别方法。
16.一种计算机可读存储介质,其中,所述计算机可读存储介质存储有计算机可执行指令,所述计算机可执行指令在计算机上运行时,执行权利要求1至13中任一项所述的人脸识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811629060.4A CN109711357A (zh) | 2018-12-28 | 2018-12-28 | 一种人脸识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811629060.4A CN109711357A (zh) | 2018-12-28 | 2018-12-28 | 一种人脸识别方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109711357A true CN109711357A (zh) | 2019-05-03 |
Family
ID=66259276
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811629060.4A Pending CN109711357A (zh) | 2018-12-28 | 2018-12-28 | 一种人脸识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109711357A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112084902A (zh) * | 2020-08-26 | 2020-12-15 | 武汉普利商用机器有限公司 | 人脸图像获取方法、装置、电子设备及存储介质 |
CN112084904A (zh) * | 2020-08-26 | 2020-12-15 | 武汉普利商用机器有限公司 | 人脸搜索方法、装置及存储介质 |
CN112241666A (zh) * | 2019-07-18 | 2021-01-19 | 佳能株式会社 | 目标识别方法、装置及存储介质 |
CN112668427A (zh) * | 2020-12-21 | 2021-04-16 | 南京熊猫电子股份有限公司 | 基于手机imsi和rsrp的人脸识别相似度提升方法 |
WO2021128846A1 (zh) * | 2019-12-23 | 2021-07-01 | 深圳壹账通智能科技有限公司 | 电子文件的控制方法、装置、计算机设备及存储介质 |
WO2021139167A1 (zh) * | 2020-07-31 | 2021-07-15 | 平安科技(深圳)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 |
CN113536953A (zh) * | 2021-06-22 | 2021-10-22 | 浙江吉利控股集团有限公司 | 一种人脸识别方法、装置、电子设备及存储介质 |
CN113536953B (zh) * | 2021-06-22 | 2024-04-19 | 浙江吉利控股集团有限公司 | 一种人脸识别方法、装置、电子设备及存储介质 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140301613A1 (en) * | 2008-12-12 | 2014-10-09 | At&T Intellectual Property I. L.P. | System and method for matching faces |
CN106446816A (zh) * | 2016-09-14 | 2017-02-22 | 北京旷视科技有限公司 | 人脸识别方法及装置 |
CN106503687A (zh) * | 2016-11-09 | 2017-03-15 | 合肥工业大学 | 融合人脸多角度特征的监控视频人物身份识别系统及其方法 |
TWI596552B (zh) * | 2016-08-02 | 2017-08-21 | Nat Chin-Yi Univ Of Tech | Car models recognition system and method |
CN107404721A (zh) * | 2016-05-20 | 2017-11-28 | 阿里巴巴集团控股有限公司 | 物联网设备配网方法、图像采集方法及设备 |
CN107958230A (zh) * | 2017-12-22 | 2018-04-24 | 中国科学院深圳先进技术研究院 | 人脸表情识别方法及装置 |
CN108197250A (zh) * | 2017-12-29 | 2018-06-22 | 深圳云天励飞技术有限公司 | 图片检索方法、电子设备及存储介质 |
CN108280399A (zh) * | 2017-12-27 | 2018-07-13 | 武汉普利商用机器有限公司 | 一种场景自适应人脸识别方法 |
CN108615007A (zh) * | 2018-04-23 | 2018-10-02 | 深圳大学 | 基于特征张量的三维人脸识别方法、装置及存储介质 |
CN108829900A (zh) * | 2018-07-31 | 2018-11-16 | 成都视观天下科技有限公司 | 一种基于深度学习的人脸图像检索方法、装置及终端 |
CN108875484A (zh) * | 2017-09-22 | 2018-11-23 | 北京旷视科技有限公司 | 用于移动终端的人脸解锁方法、装置和系统及存储介质 |
-
2018
- 2018-12-28 CN CN201811629060.4A patent/CN109711357A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140301613A1 (en) * | 2008-12-12 | 2014-10-09 | At&T Intellectual Property I. L.P. | System and method for matching faces |
CN107404721A (zh) * | 2016-05-20 | 2017-11-28 | 阿里巴巴集团控股有限公司 | 物联网设备配网方法、图像采集方法及设备 |
TWI596552B (zh) * | 2016-08-02 | 2017-08-21 | Nat Chin-Yi Univ Of Tech | Car models recognition system and method |
CN106446816A (zh) * | 2016-09-14 | 2017-02-22 | 北京旷视科技有限公司 | 人脸识别方法及装置 |
CN106503687A (zh) * | 2016-11-09 | 2017-03-15 | 合肥工业大学 | 融合人脸多角度特征的监控视频人物身份识别系统及其方法 |
CN108875484A (zh) * | 2017-09-22 | 2018-11-23 | 北京旷视科技有限公司 | 用于移动终端的人脸解锁方法、装置和系统及存储介质 |
CN107958230A (zh) * | 2017-12-22 | 2018-04-24 | 中国科学院深圳先进技术研究院 | 人脸表情识别方法及装置 |
CN108280399A (zh) * | 2017-12-27 | 2018-07-13 | 武汉普利商用机器有限公司 | 一种场景自适应人脸识别方法 |
CN108197250A (zh) * | 2017-12-29 | 2018-06-22 | 深圳云天励飞技术有限公司 | 图片检索方法、电子设备及存储介质 |
CN108615007A (zh) * | 2018-04-23 | 2018-10-02 | 深圳大学 | 基于特征张量的三维人脸识别方法、装置及存储介质 |
CN108829900A (zh) * | 2018-07-31 | 2018-11-16 | 成都视观天下科技有限公司 | 一种基于深度学习的人脸图像检索方法、装置及终端 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112241666A (zh) * | 2019-07-18 | 2021-01-19 | 佳能株式会社 | 目标识别方法、装置及存储介质 |
WO2021128846A1 (zh) * | 2019-12-23 | 2021-07-01 | 深圳壹账通智能科技有限公司 | 电子文件的控制方法、装置、计算机设备及存储介质 |
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 |
WO2021139167A1 (zh) * | 2020-07-31 | 2021-07-15 | 平安科技(深圳)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 |
CN112084902A (zh) * | 2020-08-26 | 2020-12-15 | 武汉普利商用机器有限公司 | 人脸图像获取方法、装置、电子设备及存储介质 |
CN112084904A (zh) * | 2020-08-26 | 2020-12-15 | 武汉普利商用机器有限公司 | 人脸搜索方法、装置及存储介质 |
CN112668427A (zh) * | 2020-12-21 | 2021-04-16 | 南京熊猫电子股份有限公司 | 基于手机imsi和rsrp的人脸识别相似度提升方法 |
CN113536953A (zh) * | 2021-06-22 | 2021-10-22 | 浙江吉利控股集团有限公司 | 一种人脸识别方法、装置、电子设备及存储介质 |
CN113536953B (zh) * | 2021-06-22 | 2024-04-19 | 浙江吉利控股集团有限公司 | 一种人脸识别方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109711357A (zh) | 一种人脸识别方法及装置 | |
CN106897658B (zh) | 人脸活体的鉴别方法和装置 | |
CN109117700A (zh) | 脸部验证方法和设备 | |
CN108140123A (zh) | 人脸活体检测方法、电子设备和计算机程序产品 | |
CN108664880A (zh) | 活性测试方法和设备 | |
CN108629168A (zh) | 脸部验证方法、设备以及计算设备 | |
CN108664879A (zh) | 脸部验证方法和设备 | |
CN108875676A (zh) | 活体检测方法、装置及系统 | |
CN105518708A (zh) | 用于验证活体人脸的方法、设备和计算机程序产品 | |
CN108875540A (zh) | 图像处理方法、装置和系统及存储介质 | |
CN110136224A (zh) | 图像融合方法和设备 | |
CN108875452A (zh) | 人脸识别方法、装置、系统和计算机可读介质 | |
CN106960177A (zh) | 活体人脸验证方法及系统、活体人脸验证装置 | |
CN108229297A (zh) | 人脸识别方法和装置、电子设备、计算机存储介质 | |
CN106557678A (zh) | 一种智能终端模式切换方法及其装置 | |
CN108197318A (zh) | 人脸识别方法、装置、机器人及存储介质 | |
CN101558431A (zh) | 脸认证设备 | |
CN106295313A (zh) | 对象身份管理方法、装置和电子设备 | |
CN109615387A (zh) | 一种基于人脸识别的消费支付系统及方法 | |
CN110162462A (zh) | 基于场景的人脸识别系统的测试方法、系统和计算机设备 | |
CN105654033A (zh) | 人脸图像验证方法和装置 | |
CN108875338A (zh) | 解锁方法、装置和系统及存储介质 | |
CN109389002A (zh) | 活体检测方法及装置 | |
CN105528703A (zh) | 通过表情实现支付确认操作的方法及系统 | |
CN105740808B (zh) | 人脸识别方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190503 |