CN109784187B - 人脸识别的优化方法及装置 - Google Patents
人脸识别的优化方法及装置 Download PDFInfo
- Publication number
- CN109784187B CN109784187B CN201811551889.7A CN201811551889A CN109784187B CN 109784187 B CN109784187 B CN 109784187B CN 201811551889 A CN201811551889 A CN 201811551889A CN 109784187 B CN109784187 B CN 109784187B
- Authority
- CN
- China
- Prior art keywords
- data
- data set
- face
- value
- confidence coefficient
- 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
Images
Landscapes
- Collating Specific Patterns (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种人脸识别的优化方法及装置，优化时，获取并记录视频流中每一人脸的每帧的数据，形成原始数据集，数据包括识别结果ID、人脸框的坐标、置信度、角度值；将原始数据集中置信度小于最低阈值或角度值小于最小阈值的数据删除；从原始数据集中提取数据集A及数据集B；从数据集A中提取数据A1与数据集B中的数据B1进行比对，当数据A1的置信度小于数据B1的置信度、A1和B1的识别结果ID不一致、且A1及B1的人脸框在图片中的交并比大于预设值时，将A1识别为噪声。本方案对一段时间内的人脸进行统计，淘汰掉错误的识别结果，避免一段时间内因为一张人脸的错误识别对该段时间内识别统计结果的影响，大幅降低了误识率。
Description
技术领域
本发明涉及图像识别技术领域，特别涉及一种人脸识别的优化方法及装置。
背景技术
在会议、学校课堂中的考勤可以使用人脸识别技术来进行，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，识别算法要完成人脸特征的提取，并与库存的已知人脸进行比对，完成最终的分类。人脸的识别速度及人脸的识别准确度都是人脸识别技术的重要指标。现有的人脸识别算法中，通过优选人脸图片、提高置信度阈值及筛选识别结果来提高准确率。但是现有技术中，由于没有利用一定时间段内前后图片之间的关系来进行图片处理，容易出现某个体对应的一部分人脸图像识别正确，另一部分人脸图像则错误识别为其他个体的情形，这造成了对于最终识别结果评价降低的问题，导致误识率较高。
发明内容
本发明要解决的技术问题是如何提供一种可去除人脸识别中的噪声图片、提高识别的准确率的人脸识别的优化方法及装置。
为了解决上述技术问题，本发明的技术方案为：
一种人脸识别的优化方法，其特征在于：包括步骤：
S10：获取并记录视频流中每一人脸的每帧的数据，形成原始数据集，所述数据包括识别结果ID、人脸框的坐标、置信度、角度值；
S20：将原始数据集中置信度小于最低阈值或角度值小于最小阈值的数据删除；
S30：从原始数据集中提取数据集A及数据集B；
S40：从数据集A中提取数据A1与数据集B中的数据B1进行比对，当数据A1的置信度小于数据B1的置信度、A1和B1的识别结果ID不一致、且A1及B1的人脸框在图片中的交并比大于预设值时，删除数据A1。
优选地，步骤S10之前还包括步骤：预设人脸的置信度的最低阈值、最高阈值，并预设人脸的角度值的最小阈值、最大阈值。
优选地，步骤S30中：数据集A为原始数据集中置信度小于最高阈值，且角度值小于最大阈值的所有数据；数据集B为原始数据集中置信度大于最低阈值的所有数据。
优选地，置信度的最低阈值取值范围为0.2至0.5，置信度的最高阈值取值范围0.5至0.9；
角度值包括人脸与摄像头的上下夹角最小阈值J2及上下夹角最大阈值J1，J1及J2的取值范围都在-90～90之间；
角度值还包括人脸与摄像头的左右夹角最小阈值LR2及左右夹角最大阈值LR1，LR1及LR2的取值范围都在-90～90之间。
优选地，
步骤S30之前还包括步骤：
当一数据的置信度大于最高阈值时，将该数据存入识别结果数据集Z1，并从原始数据集中删除该数据；
此外，步骤S40之后还包括步骤：
将数据集A与数据集Z1合并形成新的数据集D；
将数据集D中的数据通过识别结果ID进行分组，每组中取最高置信度的数据作为最终的数据。
本发明还提出了一种人脸识别的优化装置，包括：
数据收集模块：获取并记录视频流中每一人脸的每帧的数据，形成原始数据集，所述数据包括识别结果ID、人脸框的坐标、置信度、角度值；
过滤模块：将原始数据集中置信度小于最低阈值或角度值小于最小阈值的数据删除；
数据集提取模块：从原始数据集中提取数据集A及数据集B；
去噪模块：从数据集A中提取数据A1与数据集B中的数据B1进行比对，当数据A1的置信度小于数据B1的置信度、A1和B1的识别结果ID不一致、且A1及B1的人脸框在图片中的交并比大于预设值时，删除数据A1。
优选地，该人脸识别的优化装置还包括：
预设模块，预设人脸的置信度的最低阈值、最高阈值，并预设人脸的角度值的最小阈值、最大阈值。
优选地，数据集提取模块中，数据集A为原始数据集中置信度小于最高阈值，且角度值小于最大阈值的所有数据；数据集B为原始数据集中置信度大于最低阈值的所有数据。
优选地，该人脸识别的优化装置中：
置信度的最小阈值取值范围为0.2至0.5，置信度的最大阈值取值范围0.5至0.9；
角度值包括人脸与摄像头的上下夹角最小阈值J2及上下夹角最大阈值J1，J1及J2的取值范围都在-90～90之间；
角度值包括人脸与摄像头的左右夹角最小阈值LR2及左右夹角最大阈值LR1，LR1及LR2的取值范围都在-90～90之间。
优选地，该人脸识别的优化装置还包括结果数据集模块、合并模块及结果获取模块；其中，
结果数据集模块：当一数据的置信度大于最高阈值时，将该数据存入识别结果数据集Z1，并从原始数据集中删除该数据
合并模块：将数据集A与数据集Z1合并形成新的数据集D；
结果获取模块：将数据集D中的数据通过识别结果ID进行分组，每组中取最高置信度的数据作为最终的数据。
采用上述技术方案，将数据集中的数据进行一一比对，当两个数据的人脸框在图片中的交并比大于预设值，且其识别结果不同时，则代表其中有一数据为噪声，此时，通过比对两个数据的置信度，通过删除置信度较低的数据，实现了数据去噪。本方案对一段时间内的人脸进行统计，淘汰掉错误的识别结果。避免一段时间内因为一张人脸的错误识别对这段时间内识别统计结果的影响，大幅降低了误识率。
附图说明
图1为本发明人脸识别的优化方法一实施例的流程图；
图2为本发明人脸识别的优化方法另一实施例的流程图；
图3为本发明人脸识别的优化装置一实施例的原理框图。
图中，10-数据收集模块，20-过滤模块，30-数据集提取模块，40-去噪模块，50-预设模块，60-结果数据集模块，70-合并模块，80-结果获取模块。
具体实施方式
下面结合附图对本发明的具体实施方式作进一步说明。在此需要说明的是，对于这些实施方式的说明用于帮助理解本发明，但并不构成对本发明的限定。此外，下面所描述的本发明各个实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互组合。
参照图1及图2，本发明提出了一种人脸识别的优化方法，包括步骤：
预设人脸的置信度的最低阈值、最高阈值，并预设人脸的角度值的最小阈值、最大阈值。置信度的最低阈值取值范围为0.2至0.5，置信度的最高阈值取值范围0.5至0.9；角度值包括人脸与摄像头的上下夹角最小阈值J2及上下夹角最大阈值J1，J1及J2的取值范围都在-90～90之间；角度值还包括人脸与摄像头的左右夹角最小阈值LR2及左右夹角最大阈值LR1，LR1及LR2的取值范围都在-90～90之间。
S10：获取并记录视频流中每一人脸的每帧的数据，形成原始数据集，所述数据包括识别结果ID、人脸框的坐标、置信度、生成时间、角度值；
当一数据的置信度大于最高阈值时，将该数据存入识别结果数据集Z1，并从原始数据集中删除该数据。
S20：将原始数据集中置信度小于最低阈值或角度值小于最小阈值的数据删除；
S30：从原始数据集中提取数据集A及数据集B；数据集A为原始数据集中置信度小于最高阈值，且角度值小于最大阈值的所有数据；数据集B为原始数据集中置信度大于最低阈值的所有数据。
S40：从数据集A中提取数据A1与数据集B中的数据B1进行比对，当数据A1的置信度小于数据B1的置信度、A1和B1的识别结果ID不一致、且A1及B1的人脸框在图片中的交并比大于预设值时，删除数据A1。
将数据集A与数据集Z1合并形成新的数据集D；
将数据集D中的数据通过识别结果ID进行分组，每组中取最高置信度的数据作为最终的数据。
需要说明的是，步骤S40，在课堂或会议的考勤中，当A1及B1的人脸框在图片中的交并比大于预设值、且两个图片的识别结果ID不同，则表示其中一数据为噪声，此时通过去除两个结果中置信度较低的一个，以实现数据的优化，提升识别的准确度。
在本发明的另一实施例中，该人脸识别的优化方法通过以下步骤完成优化：
1、设定置信度最低阈值C2,最高阈值C1；角度值范围最低值,最高值。需要说明的是，本实施例中，摄像头是装在离地2.5米的位置，脸相对于镜头，俯仰、侧脸超过一个范围，识别的效果就不好，所以要限定范围。角度值是根据大量数据分析判断出来的人脸与摄像头之间的夹角角度，包括人脸的俯仰角度值及人脸的左右侧脸的角度值。
置信度的最低阈值取值范围为0.2至0.5，置信度的最高阈值取值范围0.5至0.9；角度值包括上下夹角最小阈值J2及左右夹角最大阈值J1，J1及J2的取值范围都在-90～90之间；角度值还包括左右夹角最小阈值LR2及左右夹角最大阈值LR1，LR1及LR2的取值范围都在-90～90之间。
2、存储连续视频每帧每人脸在人脸识别后的结构化数据,包含识别结果ID,人脸框的左、右、上、下坐标、置信度、生成时间及俯仰角度值、左右角度值。
3、过滤掉置信度小于C2、人脸的俯仰角度过大、或人脸的左右侧脸的角度过大的数据。
4、将过滤后的一个预设时间段内的数据汇总为原始数据。
5、到了可以统计的时间点，对原始数据中置信度较高，即大于阈值C1的数据，直接并入最终的识别结果集Z1。
6、生成数据集A，条件：从原始数据中取出识别结果ID不在Z1内的，并且置信度阈值小于C1的，并且角度值小于两个最小阈值的数据。
7、生成数据集B，条件：从原始数据中取出置信度阈值在C2之上的所有数据。
8、A与B之间的数据一一比较，2个数据集的数据分别为记录A1，B1。当满足A1的置信度小于B1的置信度、A1和B1的识别结果ID编号不一致及两者脸部在原图位置的矩形框的交并比大于预设值IOU1三个条件时，则判定A1为噪声，并删除A1。IOU1是两个矩形框的重合率设定，范围是在0到1之间。
9、清除后的A集合与Z1合并形成新的数据集D。
10、利用识别结果ID分组，将相同识别结果ID的数据分为一组，同组中，取置信度最高的数据作为最终的结果。
参照图3，本发明还提出一种人脸识别的优化装置，包括：
预设模块50，预设人脸的置信度的最低阈值、最高阈值，角度值的最小阈值、最大阈值。置信度的最小阈值取值范围为0.2至0.5，置信度的最大阈值取值范围0.5至0.9；角度值包括上下夹角最小阈值J2及上下夹角最大阈值J1，J1及J2的取值范围都在-90～90之间；角度值包括左右夹角最小阈值LR2及左右夹角最大阈值LR1，LR1及LR2的取值范围都在-90～90之间。
数据收集模块10：获取并记录视频流中每一人脸的每帧的数据，形成原始数据集，所述数据包括识别结果ID、人脸框的坐标、置信度、生成时间、角度值；
结果数据集模块60：当一数据的置信度大于最高阈值时，将该数据存入识别结果数据集Z1，并从原始数据集中删除该数据。
过滤模块20：将原始数据集中置信度小于最低阈值或角度值小于最小阈值的数据删除；
数据集提取模块30：从原始数据集中提取数据集A及数据集B；数据集A为原始数据集中置信度小于最高阈值，且角度值小于最大阈值的所有数据；数据集B为原始数据集中置信度大于最低阈值的所有数据。
去噪模块40：从数据集A中提取数据A1与数据集B中的数据B1进行比对，当数据A1的置信度小于数据B1的置信度、A1和B1的识别结果ID不一致、且A1及B1的人脸框在图片中的交并比大于预设值时，删除数据A1。
合并模块70：将数据集A与数据集Z1合并形成新的数据集D；
结果获取模块80：将数据集D中的数据通过识别结果ID进行分组，每组中取最高置信度的数据作为最终的数据。
采用上述技术方案，将数据集中的数据进行一一比对，当两个数据的人脸框在图片中的交并比大于预设值，且其识别结果不同时，代表其中有一数据为噪声，此时，通过比对两个数据的置信度，通过删除置信度较低的数据，实现了数据去噪。对一段时间内的人脸进行统计，淘汰掉错误的识别结果。解决一段时间内因为一张人脸的错误识别对这段时间内识别统计结果的影响，大幅降低了误识率。
以上结合附图对本发明的实施方式作了详细说明，但本发明不限于所描述的实施方式。对于本领域的技术人员而言，在不脱离本发明原理和精神的情况下，对这些实施方式进行多种变化、修改、替换和变型，仍落入本发明的保护范围内。
Claims (5)
1.一种人脸识别的优化方法，其特征在于：包括步骤：
S10：获取并记录视频流中每一人脸的每帧的数据，形成原始数据集，所述数据包括识别结果ID、人脸框的坐标、置信度、角度值；
S20：将原始数据集中置信度小于最低阈值或角度值小于最小阈值的数据删除；
S30：从原始数据集中提取数据集A及数据集B；
S40：从数据集A中提取数据A1与数据集B中的数据B1进行比对，当数据A1的置信度小于数据B1的置信度、A1和B1的识别结果ID不一致、且A1及B1的人脸框在图片中的交并比大于预设值时，删除数据A1；
其中，所述步骤S30中，数据集A为原始数据集中置信度小于最高阈值，且角度值小于最大阈值的所有数据；数据集B为原始数据集中置信度大于最低阈值的所有数据；
所述步骤S30之前还包括步骤：
当一数据的置信度大于最高阈值时，将该数据存入识别结果数据集Z1，并从原始数据集中删除该数据；
此外，步骤S40之后还包括步骤：
将数据集A与数据集Z1合并形成新的数据集D；
将数据集D中的数据通过识别结果ID进行分组，将相同识别结果ID的数据分为一组，每组中取最高置信度的数据作为最终的数据。
2.根据权利要求1所述的人脸识别的优化方法，其特征在于：步骤S10之前还包括步骤：预设人脸的置信度的最低阈值、最高阈值，并预设人脸的角度值的最小阈值、最大阈值。
3.根据权利要求2所述的人脸识别的优化方法，其特征在于：
置信度的最低阈值取值范围为0.2至0.5，置信度的最高阈值取值范围为0.5至0.9；
角度值包括人脸与摄像头的上下夹角最小阈值J2及上下夹角最大阈值J1，J1及J2的取值范围都在-90～90之间；
角度值还包括人脸与摄像头的左右夹角最小阈值LR2及左右夹角最大阈值LR1，LR1及LR2的取值范围都在-90～90之间。
4.一种人脸识别的优化装置，其特征在于：包括：
数据收集模块：获取并记录视频流中每一人脸的每帧的数据，形成原始数据集，所述数据包括识别结果ID、人脸框的坐标、置信度、角度值；
过滤模块：将原始数据集中置信度小于最低阈值或角度值小于最小阈值的数据删除；
数据集提取模块：从原始数据集中提取数据集A及数据集B；
去噪模块：从数据集A中提取数据A1与数据集B中的数据B1进行比对，当数据A1的置信度小于数据B1的置信度、A1和B1的识别结果ID不一致、且A1及B1的人脸框在图片中的交并比大于预设值时，删除数据A1；
预设模块，预设人脸的置信度的最低阈值、最高阈值，并预设人脸的角度值的最小阈值、最大阈值；
所述数据集提取模块中，数据集A为原始数据集中置信度小于最高阈值，且角度值小于最大阈值的所有数据；数据集B为原始数据集中置信度大于最低阈值的所有数据；
结果数据集模块：当一数据的置信度大于最高阈值时，将该数据存入识别结果数据集Z1，并从原始数据集中删除该数据
合并模块：将数据集A与数据集Z1合并形成新的数据集D；
结果获取模块：将数据集D中的数据通过识别结果ID进行分组，每组中取最高置信度的数据作为最终的数据。
5.根据权利要求4所述的人脸识别的优化装置，其特征在于：
置信度的最小阈值取值范围为0.2至0.5，置信度的最大阈值取值范围0.5至0.9；
角度值包括人脸与摄像头的上下夹角最小阈值J2及上下夹角最大阈值J1，J1及J2的取值范围都在-90～90之间；
角度值包括人脸与摄像头的左右夹角最小阈值LR2及左右夹角最大阈值LR1，LR1及LR2的取值范围都在-90～90之间。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811551889.7A CN109784187B (zh) | 2018-12-19 | 2018-12-19 | 人脸识别的优化方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811551889.7A CN109784187B (zh) | 2018-12-19 | 2018-12-19 | 人脸识别的优化方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109784187A CN109784187A (zh) | 2019-05-21 |
| CN109784187B true CN109784187B (zh) | 2022-12-13 |
Family
ID=66497273
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811551889.7A Active CN109784187B (zh) | 2018-12-19 | 2018-12-19 | 人脸识别的优化方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109784187B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117542106B (zh) * | 2024-01-10 | 2024-04-05 | 成都同步新创科技股份有限公司 | 一种静态人脸检测和数据排除方法、装置及存储介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106630126A (zh) * | 2015-10-31 | 2017-05-10 | 新大陆科技集团有限公司 | 一种可自动脱除生物膜的污水净化处理生物膜载体装置 |
| CN106778585A (zh) * | 2016-12-08 | 2017-05-31 | 腾讯科技（上海）有限公司 | 一种人脸关键点跟踪方法和装置 |
| CN108898125A (zh) * | 2018-07-10 | 2018-11-27 | 深圳市巨龙创视科技有限公司 | 一种基于嵌入式人脸识别管理系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP6573311B2 (ja) * | 2015-06-15 | 2019-09-11 | パナソニック株式会社 | 顔認識システム、顔認識サーバ及び顔認識方法 |
-
2018
- 2018-12-19 CN CN201811551889.7A patent/CN109784187B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106630126A (zh) * | 2015-10-31 | 2017-05-10 | 新大陆科技集团有限公司 | 一种可自动脱除生物膜的污水净化处理生物膜载体装置 |
| CN106778585A (zh) * | 2016-12-08 | 2017-05-31 | 腾讯科技（上海）有限公司 | 一种人脸关键点跟踪方法和装置 |
| CN108898125A (zh) * | 2018-07-10 | 2018-11-27 | 深圳市巨龙创视科技有限公司 | 一种基于嵌入式人脸识别管理系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109784187A (zh) | 2019-05-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108388885B (zh) | 面向大型直播场景的多人特写实时识别与自动截图方法 | |
| CN108491784B (zh) | 面向大型直播场景的单人特写实时识别与自动截图方法 | |
| CN108446617B (zh) | 抗侧脸干扰的人脸快速检测方法 | |
| CN110941594B (zh) | 一种视频文件的拆分方法、装置、电子设备及存储介质 | |
| CN111382704B (zh) | 基于深度学习的车辆压线违章判断方法、装置及存储介质 | |
| CN105718871B (zh) | 一种基于统计的视频主持人识别方法 | |
| CN107330373A (zh) | 一种基于视频的违章停车监控系统 | |
| CN103679147A (zh) | 手机型号的识别方法与装置 | |
| WO2019001505A1 (zh) | 一种目标特征提取方法、装置及应用系统 | |
| CN109145708A (zh) | 一种基于rgb和d信息融合的人流量统计方法 | |
| CN111209820B (zh) | 人脸活体检测方法、系统、设备及可读存储介质 | |
| JP2001325593A (ja) | 自動アルバム化システムにおける重複写真検知方法 | |
| CN110059634A (zh) | 一种大场景人脸抓拍方法 | |
| CN116030396B (zh) | 一种用于视频结构化提取的精确分割方法 | |
| CN110969164A (zh) | 基于深度学习端对端的低照度成像车牌识别方法及装置 | |
| CN111222508B (zh) | 基于roi的户型图比例尺识别方法、装置、计算机设备 | |
| CN106529441A (zh) | 基于模糊边界分片的深度动作图人体行为识别方法 | |
| CN109784187B (zh) | 人脸识别的优化方法及装置 | |
| CN113076860B (zh) | 一种野外场景下的鸟类检测系统 | |
| CN113822927A (zh) | 一种适用弱质量图像的人脸检测方法、装置、介质及设备 | |
| US8879805B2 (en) | Automated image identification method | |
| Julliand et al. | Automated image splicing detection from noise estimation in raw images | |
| CN108009480A (zh) | 一种基于特征识别的图像人体行为检测方法 | |
| CN106156774A (zh) | 影像处理方法及影像处理系统 | |
| CN108182391B (zh) | 一种基于教育视频自动提取不重复的幻灯片方法 |
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 | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20221116 Address after: 350015 No. 1 Rujiangxi Road, Mawei District, Fuzhou City, Fujian Province Applicant after: NEWLAND DIGITAL TECHNOLOGY Co.,Ltd. Applicant after: Macau New World Wanbo Technology Co.,Ltd. Address before: 350015 No. 1 Rujiangxi Road, Mawei District, Fuzhou City, Fujian Province Applicant before: NEWLAND DIGITAL TECHNOLOGY Co.,Ltd. |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |