CN109815823B - 数据处理方法及相关产品 - Google Patents
数据处理方法及相关产品 Download PDFInfo
- Publication number
- CN109815823B CN109815823B CN201811614192.XA CN201811614192A CN109815823B CN 109815823 B CN109815823 B CN 109815823B CN 201811614192 A CN201811614192 A CN 201811614192A CN 109815823 B CN109815823 B CN 109815823B
- Authority
- CN
- China
- Prior art keywords
- target
- face image
- preset categories
- target face
- preset
- 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
- Image Analysis (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请实施例提供一种数据处理方法及相关产品,其中,所述方法包括:获取目标人脸图像,以及所述目标人脸图像的关联信息;对所述目标人脸图像进行特征提取,得到目标特征数据;根据所述目标特征数据,从N个预设类别中确定出M个参考预设类别,M为小于或等于N的正整数,N为正整数;根据所述目标人脸图像的关联信息,从所述M个参考预设类别中确定出与所述目标人脸图像对应的类别,因此,能够提升对数据进行类别确定时的准确性。
Description
技术领域
本申请涉及数据处理技术领域,具体涉及一种数据处理方法及相关产品。
背景技术
随着互联网的不断发展,大数据时代已经到来。在大数据时代中,需要对大量的数据进行处理。随着数据量的急剧增加,需要对数据进行归档处理,因此,在对数据进行归档处理时,对归档处理时的准确性的要求也随之提升。对图片进行归档处理可以理解为对图片进行类别选择,将图片归为与之最相近的类别中,目前,现有的方案在对图像数据进行归档处理时,在遇到一张图像与多个类别相似时,容易造成归档不准确的情况,从而产生在对数据进行归档时的准确性较低。
发明内容
本申请实施例提供一种数据处理方法及相关产品,能够提升对数据进行类别确定时的准确性。
本申请实施例的第一方面提供了一种数据处理方法,所述方法包括:
获取目标人脸图像,以及所述目标人脸图像的关联信息;
对所述目标人脸图像进行特征提取,得到目标特征数据;
根据所述目标特征数据,从N个预设类别中确定出M个参考预设类别,M为小于或等于N的正整数,N为正整数;
根据所述目标人脸图像的关联信息,从所述M个参考预设类别中确定出与所述目标人脸图像对应的类别。
结合本申请实施例的第一方面,在第一方面的第一种可能的实现方式中,所述目标特征数据包括目标图像质量和目标面部朝向,所述根据所述目标特征数据,从N个预设类别中确定出M个参考预设类别,包括:
获取所述目标图像质量与N个预设类别中的每个预设类别的人脸图像的图像质量之间的差值,得到N个质量差值;
将所述目标面部朝向与所述N个预设类别中的每个预设类别的人脸图像的面部朝向进行比对,得到N个偏离度值;
获取所述质量差值的第一权值,以及所述偏离度值的第二权值;
采用所述第一权值和所述第二权值,对所述N个质量差值和所述N个偏离度值进行权值运算,得到N个目标相似度评价值,所述N个目标相似度评价值与所述N个预设类别相对应;
根据所述N个目标相似度评价值,确定出M个参考预设类别,所述M个参考预设类别为目标相似度评价值小于预设相似度评价值阈值的预设类别。
结合本申请实施例的第一方面的第一种可能的实现方式,在第一方面的第二种可能的实现方式中,所述关联信息包括多张关联图像,所述根据所述目标人脸图像的关联信息,从所述M个参考预设类别中确定出与所述目标人脸图像对应的类别,包括:
获取所述目标人脸图像与所述多张关联图像之间的关联度,以及获取所述多张关联图像所对应的预设类别;
将所述每个参考预设类别中的关联图像的关联度之和,作为所述每个参考类别的第一关联评分值,得到M个第一关联评分值;
根据所述每个参考预设类别中的关联图像的个数,确定出关联评分值修正因子;
根据所述第一关联评分值和所述关联评分值修正因子,确定出每个参考预设类别的关联评分值,得到M个第二参考评分值;
将目标参考关联评分值所对应的预设参考类别作为所述目标人脸图像对应的类别,所述目标关联评分值为所述M个第二关联评分值中最大值。
本申请实施例的第二方面提供了一种数据处理装置,所述装置包括获取单元、提取单元、第一确定单元和第二确定单元,其中,
所述获取单元,用于获取目标人脸图像,以及所述目标人脸图像的关联信息;
所述提取单元,用于对所述目标人脸图像进行特征提取,得到目标特征数据;
所述第一确定单元,用于根据所述目标特征数据,从N个预设类别中确定出M个参考预设类别,M为小于或等于N的正整数,N为正整数;
所述第二确定单元,用于根据所述目标人脸图像的关联信息,从所述M个参考预设类别中确定出与所述目标人脸图像对应的类别。
结合本申请实施例的第二方面,在第二方面的第一种可能的实现方式中,,所述目标特征数据包括目标图像质量和目标面部朝向,在所述根据所述目标特征数据,从N个预设类别中确定出M个参考预设类别方面,所述第一确定单元具体用于:
获取所述目标图像质量与N个预设类别中的每个预设类别的人脸图像的图像质量之间的差值,得到N个质量差值;
将所述目标面部朝向与所述N个预设类别中的每个预设类别的人脸图像的面部朝向进行比对,得到N个偏离度值;
获取所述质量差值的第一权值,以及所述偏离度值的第二权值;
采用所述第一权值和所述第二权值,对所述N个质量差值和所述N个偏离度值进行权值运算,得到N个目标相似度评价值,所述N个目标相似度评价值与所述N个预设类别相对应;
根据所述N个目标相似度评价值,确定出M个参考预设类别,所述M个参考预设类别为目标相似度评价值小于预设相似度评价值阈值的预设类别。
结合本申请实施例的第二方面的第一种可能的实现方式,在第二方面的第二种可能的实现方式中,所述关联信息包括多张关联图像,在所述根据所述目标人脸图像的关联信息,从所述M个参考预设类别中确定出与所述目标人脸图像对应的类别方面,所述第二确定单元具体用于:
获取所述目标人脸图像与所述多张关联图像之间的关联度,以及获取所述多张关联图像所对应的预设类别;
将所述每个参考预设类别中的关联图像的关联度之和,作为所述每个参考类别的第一关联评分值,得到M个第一关联评分值;
根据所述每个参考预设类别中的关联图像的个数,确定出关联评分值修正因子;
根据所述第一关联评分值和所述关联评分值修正因子,确定出每个参考预设类别的关联评分值,得到M个第二参考评分值;
将目标参考关联评分值所对应的预设参考类别作为所述目标人脸图像对应的类别,所述目标关联评分值为所述M个第二关联评分值中最大值。
本申请实施例的第三方面提供一种终端,包括处理器、输入设备、输出设备和存储器,所述处理器、输入设备、输出设备和存储器相互连接,其中,所述存储器用于存储计算机程序,所述计算机程序包括程序指令,所述处理器被配置用于调用所述程序指令,执行如本申请实施例第一方面中的步骤指令。
本申请实施例的第四方面提供了一种计算机可读存储介质,其中,上述计算机可读存储介质存储用于电子数据交换的计算机程序,其中,上述计算机程序使得计算机执行如本申请实施例第一方面中所描述的部分或全部步骤。
本申请实施例的第五方面提供了一种计算机程序产品,其中,上述计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质,上述计算机程序可操作来使计算机执行如本申请实施例第一方面中所描述的部分或全部步骤。该计算机程序产品可以为一个软件安装包。
实施本申请实施例,至少具有如下有益效果:
通过本申请实施例,获取目标人脸图像,以及所述目标人脸图像的关联信息,对所述目标人脸图像进行特征提取,得到目标特征数据,根据所述目标特征数据,从N个预设类别中确定出M个参考预设类别,M为小于或等于N的正整数,N为正整数,根据所述目标人脸图像的关联信息,从所述M个参考预设类别中确定出与所述目标人脸图像对应的类别,相对于现有方案中,对图像进行归档处理时,在遇到一张图像与多个类别相似时,容易造成归档不准确的情况,而本申请能够通过关联信息,从多个相似类别中确定出与图像相对应的类别,从而能够在一定程度上提升对归档时的准确性。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术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申请的一些实施例,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为本申请实施例提供了一种数据处理方法的应用场景示意图;
图2A为本申请实施例提供了一种数据处理方法的流程示意图;
图2B为本申请实施例提供了一种面部朝向的对比分析图;
图3为本申请实施例提供了另一种数据处理方法的流程示意图;
图4为本申请实施例提供了另一种数据处理方法的流程示意图;
图5为本申请实施例提供的一种终端的结构示意图;
图6为本申请实施例提供了一种数据处理装置的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,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。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动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。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同对象,而不是用于描述特定顺序。此外,术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。
在本申请中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本申请所描述的实施例可以与其它实施例相结合。
本申请实施例所涉及到的电子装置可以包括各种具有无线通信功能的手持设备、车载设备、可穿戴设备、计算设备或连接到无线调制解调器的其他处理设备,以及各种形式的用户设备(user equipment,UE),移动台(mobile station,MS),终端设备(terminaldevice)等等。为方便描述,上面提到的设备统称为电子装置。
为了更好的理解本申请实施例,下面首先对本申请实施例提供的一种数据处理方法进行简要介绍。请参阅图1,图1为本申请实施例提供了一种数据处理方法的应用场景示意图。如图1所示,获取目标人脸图像,以及目标人脸图像的关联信息,然后对目标人脸图像进行特征提取,得到目标特征数据,再根据目标特征数据,从九个预设类别中确定出五个参考预设类别,再根据目标人脸图像的关联信息,从五个参考类别中确定出与目标人脸图像相对应的类别为第六类别,因此,相对于现有方案中,对目标人脸图像进行归档处理时,会将目标人脸图像归档到第四类别、第五类别、第六类别、第八类别和第九类别,造成了归档不准确的情况,本方案中,通过关联信息,将目标人脸图像归类为第六类别,从而能够在一定程度上提升对归档时的准确性。
请参阅图2A,图2A为本申请实施例提供了一种数据处理方法的流程示意图。如图2A所示,数据处理方法包括步骤201-204,具体如下:
201、获取目标人脸图像,以及所述目标人脸图像的关联信息。
其中,目标人脸图像可以为经过社区的人的人脸图像、或者在超市中出现次数较高的人的人脸图像。
可选的,一种可能的获取目标人脸图像的方法包括步骤A1-A3,具体如下:
A1、对目标区域进行采集,得到采集图像,所述采集图像的每张图像中包括目标用户;
其中,采集的多张图像可以为目标用户经过目标社区时,通过具有摄像头的电子装置采集的包括目标用户的图像。
A2、对采集的采集图像进行人脸识别,得到目标用户的目标人脸图像。
可选的,当目标人脸图像出现被遮挡时,可以采用如下方法进行识别,具体包括步骤A200-A211,具体如下:
A200、依据人脸的对称性原理对目标人脸图像进行修复,得到第一人脸图像以及目标修复系数,所述目标修复系数用于表述人脸图像对修复的完整度;
其中,目标人脸图像为从采集的图像中提取出的仅包括部分人脸的人脸图像。
A201、对所述第一人脸图像进行特征提取,得到第一人脸特征集;
A202、对所述目标人脸图像进行特征提取,得到第二人脸特征集;
A203、依据所述第一人脸特征集在所述数据库中进行搜索,得到与所述第一人脸特征集匹配成功的多个对象的人脸图像;
A204、将所述第二人脸特征集与所述多个对象的人脸图像的特征集进行匹配,得到多个第一匹配值;
A205、获取所述多个对象中每一对象的人体特征数据,得到多个人体特征数据;
A206、将所述目标人脸对应的人体特征数据与所述多个人体特征数据中每一人体特征数据进行匹配,得到多个第二匹配值;
A207、按照预设的修复系数与权值之间的映射关系,确定所述目标修复系数对应的第一权值,并依据所述第一权值确定第二权值;
A208、根据所述第一权值、所述第二权值、所述多个第一匹配值、所述多个第二匹配值进行加权运算,得到多个目标匹配值;
A209、从所述多个目标匹配值中选取最大值,并将所述最大值对应的对象作为所述目标人脸图像对应的完整人脸图像。
可选的,可根据人脸的对称性原理对目标人脸图像进行镜像变换处理,在进行镜像变换处理以后,可将处理以后的目标人脸图像基于生成对抗网络的模型进行人脸修复,得到第一人脸图像以及目标修复系数,其中,目标修复系数可为修复完成的人脸部位的像素占整个人脸的像素总数的比例值,生成对抗网络的模型可包括以下组成部分:鉴别器、语义正则化网络等等,在此不作限定。
可选地,对第一人脸图像进行特征提取的方法可包括以下至少一种:LBP(LocalBinary Patterns,局部二值模式)特征提取算法、HOG(Histogram of Oriented Gradient,方向梯度直方图)特征提取算法、LoG(Laplacian of Gaussian,二阶拉普拉斯-高斯)特征提取算法等等,在此不做限定。
其中,预设的修复系数与权值之间的映射关系可为每一个预设的修复系数均对应一个权值,且每一个预设的修复系数的权值之间的和为1,预设的修复系数的权值可由用户自行设置或者系统默认,具体地,根据预设的修复系数与权值之间的映射关系,确定目标修复系数对应的第一权值,并依据所述第一权值确定第二权值,第二权值可为第二匹配值对应的权值,第一权值与第二权值之间的和为1,将第一权值分别与多个第一匹配值加权,并将第二权值分别与多个第二匹配值进行加权运算,得到多个对象分别对应的多个目标匹配值,选取多个匹配值中最大的匹配值对应的对象为目标人脸图像对应的完整人脸图像。
本示例中,通过对不完整人脸图像进行修复,在通过修复后的人脸图像,进行匹配,得到多个对象的人脸图像,在通过人体特征的比对,来确定出目标人脸图像对应的完整人脸图像,从而通过对人脸进行修复,在对修复后匹配的图像进行筛选,得到最后的完整人脸图像,能够一定程度上提升人脸图像获取时的准确性。
A210、将所述多张人脸图像与数据库中的目标用户的人脸图像进行比对,得到每张人脸图像与目标用户的人脸图像之间的相似度;
其中,将多张人脸图像与目标用户的人脸图像进行比对时,可以将每张图片进行拆分,拆分为多个子图像,然后同时进行比对,得到每个子图像的相似度,再将子图像的相似度均值作为人脸图像与目标用户人脸图像之间的相似度,当然,在确定出相似度之后,还可以判别其中的一些特殊的子图像的相似度,当该相似度低于预设值时,则直接判定该人脸图像与目标用户的人脸图像不相似,特殊的子图像可以为包括嘴部、眼部、鼻子的子图像,预设值为通过经验值设定或者历史数据进行设定。
A211、将相似度大于预设相似度值的人脸图像,确定为目标用户的人脸图像。
其中,预设相似度值可以通过经验值设定或历史数据设定。
本示例中,通过上述方式来确定多张图像目标用户的人脸图像中,在目标人脸图像被遮挡时,对人脸图像进行处理得到完整人脸图像,以及比对时采用分块比对的方式,能够一定程度提升目标用户的人脸图像进行判别时的准确性,以及提升目标用户的人脸图像进行判别时的效率。
202、对所述目标人脸图像进行特征提取,得到目标特征数据。
其中,对目标人脸图像进行特征提取的方法可以参照前述对人脸图像进行特征提取的方法、算法。
203、根据所述目标特征数据,从N个预设类别中确定出M个参考预设类别,M为小于或等于N的正整数,N为正整数。
可选的,所述目标特征数据包括目标图像质量和目标面部朝向,一种可能的根据目标特征数据,从N个预设类别中确定出M个参考类别的方法包括步骤B1-B5,具体如下:
B1、获取所述目标图像质量与N个预设类别中的每个预设类别的人脸图像的图像质量之间的差值,得到N个质量差值;
可选的,获取目标人脸图像的目标图像质量时,可以采用图像质量评价指标对图片质量进行表示,图像质量评价指标可包括但不仅限于:平均灰度、均方差、熵、边缘保持度、信噪比等等。可定义为得到的图像质量评价值越大,则图像质量越好。
需要说明的是,由于采用单一评价指标对图像质量进行评价时,具有一定的局限性,因此,可采用多个图像质量评价指标对图像质量进行评价,当然,对图像质量进行评价时,并非图像质量的评价指标越多越好,因为图像质量评价指标越多,图像质量评价过程的计算复杂度越高,也不见得图像质量评价效果越好,因此,在对图像质量评价要求较高的情况下,可采用2~10个图像质量评价指标对图像质量进行评价。具体地,选取图像质量评价指标的个数及哪个指标,依据具体实现情况而定。当然,也得结合具体地场景选取图像质量评价指标,在暗环境下进行图像质量评价和亮环境下进行图像质量评价选取的图像质量指标可不一样。
可选地,在对图像质量评价精度要求不高的情况下,可用一个图像质量评价指标进行评价,例如,以熵对待处理图像进行图像质量评价值,可认为熵越大,则说明图像质量越好,相反地,熵越小,则说明图像质量越差。
可选地,在对图像质量评价精度要求较高的情况下,可以采用多个图像质量评价指标对待评价图像进行评价,在多个图像质量评价指标对待评价图像进行图像质量评价时,可设置该多个图像质量评价指标中每一图像质量评价指标的权重,可得到多个图像质量评价值,根据该多个图像质量评价值及其对应的权重可得到最终的图像质量评价值,例如,三个图像质量评价指标分别为:A指标、B指标和C指标,A的权重为a1,B的权重为a2,C的权重为a3,采用A、B和C对某一图像进行图像质量评价时,A对应的图像质量评价值为b1,B对应的图像质量评价值为b2,C对应的图像质量评价值为b3,那么,可以通过如下公式计算图像评价值:
S=a1×b1+a2×b2+a3×b3
其中,S为图像评价值,a1为A的权重值,a2为B的权重值,a3为C的权重值。通常情况下,图像质量评价值越大,说明图像质量越好。
可选的,目标图像质量与每个预设类别的图像质量之间的差值可以为整数、负数或0。
B2、将所述目标面部朝向与所述N个预设类别中的每个预设类别的人脸图像的面部朝向进行比对,得到N个偏离度值;
其中,目标面部朝向与每个预设类别的人脸图像的面部朝向之间的夹角可以理解为将面部抽象为一个平面,该平面的垂线的方向为面部朝向,垂线的方向为面部所对的方向,因此,目标面部朝向与每个预设类别的人脸图像的面部朝向之间的夹角即为垂线之间的夹角。垂线之间的夹角可以理解为异面直线之间的夹角或共面直线之间的夹角。
可选的,请参阅图2B,图2B为本申请实施例提供了一种面部朝向的对比分析图。如图2B所示,以目标面部朝向的方向为标准,将每个预设类别的面部朝向投影到目标面部朝向的方向所在的平面,面部朝向的夹角的大小为偏离度值,夹角越大,偏离度值越大,夹角越小,偏离度值越小,其中,a为面部朝向夹角。
B3、获取所述质量差值的第一权值,以及所述偏离度值的第二权值;
其中,第一权值和第二权值可以通过经验值或历史数据进行设定。第一权值与第二权值之和为1。
B4、采用所述第一权值和所述第二权值,对所述N个质量差值和所述N个偏离度值进行权值运算,得到N个目标相似度评价值,所述N个目标相似度评价值与所述N个预设类别相对应;
其中,在对质量差值和偏离度值进行权值运算前,先对质量差值进行绝对值运算,从而保证在权值运算时的数据均为正。进行权值运算的方法为:将第一权值乘以进行绝对值运算后的质量差值,第二权值乘以偏离度值,再相加,得到目标相似度评价值。
B5、根据所述N个目标相似度评价值,确定出M个参考预设类别,所述M个参考预设类别为目标相似度评价值小于预设相似度评价值阈值的预设类别。
其中,预设相似度评价值阈值可以通过经验值或历史数据进行设定。
本示例中,通过图像质量和面部朝向,来确定出M个参考预设类别,由于图像质量和面部朝向能够较为直观的反映出目标人脸图像与预设类别的人脸图像之间的相似度,从而能够快速的确定出参考预设类别,进而能够一定程度上提升参考预设类别确定时的效率。
可选的,数据处理方法还包括:
若所述N个目标相似度评价值均大于所述相似度评价值阈值,则通过所述目标特征数据和所述目标人脸图像的关联信息,建立所述目标人脸图像的类别。
其中,根据目标特征数据和目标人脸图像的关联信息,建立目标人脸图像的类别的方法可以为:将目标特征数据和关联信息作为人脸图像类别的标识参数,从而得到人脸图像的类别。
204、根据所述目标人脸图像的关联信息,从所述M个参考预设类别中确定出与所述目标人脸图像对应的类别。
可选的,一种可能的根据关联信息,确定出与目标人脸图像对应的类别的方法包括C1-C2,具体如下:
C1、将所述关联信息与所述M个参考预设类别的关联信息进行比对,得到M个关联信息相似度;
其中,关联信息可以为拍摄包括目标人脸图像的采集图像的时间、地点、天气、温度、湿度、拍摄采集图像的摄像头的来源等。关联信息相似度可以理解为,关联信息的相同的个数或相似程度,例如时间,则时间之间的相似程度可以理解为,时间点之间的差值,差值越大,相似度越低,差值越小,相似度越高,以地点为例,地点之间的距离越小,相似度越高。
C2、将所述M个关联信息相似度中的最大值对应的参考预设类别确定为所述目标人脸图像的类别。
可选的,关联信息包括多张关联图像,则另一种根据关联信息,确定出与目标人脸图像对应的类别的方法包括D1-D5,具体如下:
D1、获取所述目标人脸图像与所述多张关联图像之间的关联度,以及获取所述多张关联图像所对应的预设类别;
其中,关联图像可以理解为与包括目标人脸图像的采集图像的相同时间点、相同地点的子节点摄像头采集的图像,不同摄像头为采集包括目标人脸图像的采集图像的目标摄像头的子节点摄像头,子节点摄像头以理解为:目标摄像头的辅助摄像头,使得能够全方位的对目标用户及同行用户进行图像采集,例如,在目标用户进入某小区时,目标摄像头可以为设置于小区大门处的摄像头,子节点摄像头可以为设置于其余各个不同方位的摄像头(侧左面、侧右面等),在位置上子节点摄像头与目标摄像头不同,此处为一种逻辑上的划分。
可选的,关联度可以理解为目标人脸图像与关联图像中的目标人脸图像的相似度。因为从不同的角度对同一个用户进行拍摄时,会拍摄到该用户不同的脸型。例如,从正面拍摄时,为正脸,从侧面拍摄时为侧脸,侧面拍摄时与正面拍摄的夹角不同,侧脸也会出现不同。因此,可以通过角度的方式来确定相似度,夹角越小,相似度越高,夹角越大,相似度越低。由于不同角度拍摄的人脸图像可能会被确定为不同的预设类别。
D2、将所述每个参考预设类别中的关联图像的关联度之和,作为所述每个参考类别的第一关联评分值,得到M个第一关联评分值;
其中,每个参考预设类别中会包括至少一张关联图片、不包括关联图片。
D3、根据所述每个参考预设类别中的关联图像的个数,确定出关联评分值修正因子;
其中,关联图像的关联度较高的个数越多,则关联评分修正因子越高,关联度较低的个数越多,则关联评分修正因子越低。
D4、根据所述第一关联评分值和所述关联评分值修正因子,确定出每个参考预设类别的关联评分值,得到M个第二参考评分值;
D5、将目标参考关联评分值所对应的预设参考类别作为所述目标人脸图像对应的类别,所述目标关联评分值为所述M个第二关联评分值中最大值。
本示例中,当关联信息为关联图像时,通过确定每个参考预设类别的第一关联评分值,并根据关联图像的个数对第一关联评分值进行修正,得到第二参考评分值,从而能够一定程度上提升确定第二参考评分值的准确性,进而一定程度上提升确定与目标人脸图像相对应的类别的准确性。
请参阅图3,图3为本申请实施例提供了另一种数据处理方法的流程示意图。如图3所示,数据处理方法可包括步骤301-308,具体如下:
301、获取目标人脸图像,以及所述目标人脸图像的关联信息;
302、对所述目标人脸图像进行特征提取,得到目标特征数据;
其中,所述目标特征数据包括目标图像质量和目标面部朝向。
303、获取所述目标图像质量与N个预设类别中的每个预设类别的人脸图像的图像质量之间的差值,得到N个质量差值;
304、将所述目标面部朝向与所述N个预设类别中的每个预设类别的人脸图像的面部朝向进行比对,得到N个偏离度值;
其中,步骤303和步骤304在执行时无先后顺序,具体地,可以先执行步骤303,后执行步骤304,或者,先执行步骤304,再执行步骤303,或者,步骤303与步骤304并行执行。
305、获取所述质量差值的第一权值,以及所述偏离度值的第二权值;
306、采用所述第一权值和所述第二权值,对所述N个质量差值和所述N个偏离度值进行权值运算,得到N个目标相似度评价值,所述N个目标相似度评价值与所述N个预设类别相对应;
307、根据所述N个目标相似度评价值,确定出M个参考预设类别,所述M个参考预设类别为目标相似度评价值小于预设相似度评价值阈值的预设类别;
其中,M为小于或等于N的正整数,N为正整数;
308、根据所述目标人脸图像的关联信息,从所述M个参考预设类别中确定出与所述目标人脸图像对应的类别。
本示例中,通过图像质量和面部朝向,来确定出M个参考预设类别,由于图像质量和面部朝向能够较为直观的反映出目标人脸图像与预设类别的人脸图像之间的相似度,从而能够快速的确定出参考预设类别,进而能够一定程度上提升参考预设类别确定时的效率。
请参阅图4,图4为本申请实施例提供了另一种数据处理方法的流程示意图。如图4所示,数据处理方法可包括步骤401-408,具体如下:
401、获取目标人脸图像,以及所述目标人脸图像的关联信息;
402、对所述目标人脸图像进行特征提取,得到目标特征数据;
403、根据所述目标特征数据,从N个预设类别中确定出M个参考预设类别,M为小于或等于N的正整数,N为正整数;
404、获取所述目标人脸图像与所述多张关联图像之间的关联度,以及获取所述多张关联图像所对应的预设类别;
其中,关联信息包括多张关联图像。
405、将所述每个参考预设类别中的关联图像的关联度之和,作为所述每个参考类别的第一关联评分值,得到M个第一关联评分值;
406、根据所述每个参考预设类别中的关联图像的个数,确定出关联评分值修正因子;
407、根据所述第一关联评分值和所述关联评分值修正因子,确定出每个参考预设类别的关联评分值,得到M个第二参考评分值;
408、将目标参考关联评分值所对应的预设参考类别作为所述目标人脸图像对应的类别,所述目标关联评分值为所述M个第二关联评分值中最大值。
本示例中,当关联信息为关联图像时,通过确定每个参考预设类别的第一关联评分值,并根据关联图像的个数对第一关联评分值进行修正,得到第二参考评分值,从而能够一定程度上提升确定第二参考评分值的准确性,进而一定程度上提升确定与目标人脸图像相对应的类别的准确性。
与上述实施例一致的,请参阅图5,图5为本申请实施例提供的一种终端的结构示意图,如图所示,包括处理器、输入设备、输出设备和存储器,所述处理器、输入设备、输出设备和存储器相互连接,其中,所述存储器用于存储计算机程序,所述计算机程序包括程序指令,所述处理器被配置用于调用所述程序指令,上述程序包括用于执行以下步骤的指令;
获取目标人脸图像,以及所述目标人脸图像的关联信息;
对所述目标人脸图像进行特征提取,得到目标特征数据;
根据所述目标特征数据,从N个预设类别中确定出M个参考预设类别,M为小于或等于N的正整数,N为正整数;
根据所述目标人脸图像的关联信息,从所述M个参考预设类别中确定出与所述目标人脸图像对应的类别。
本示例中,获取目标人脸图像,以及所述目标人脸图像的关联信息,对所述目标人脸图像进行特征提取,得到目标特征数据,根据所述目标特征数据,从N个预设类别中确定出M个参考预设类别,M为小于或等于N的正整数,N为正整数,根据所述目标人脸图像的关联信息,从所述M个参考预设类别中确定出与所述目标人脸图像对应的类别,相对于现有方案中,对图像进行归档处理时,在遇到一张图像与多个类别相似时,容易造成归档不准确的情况,而本申请能够通过关联信息,从多个相似类别中确定出与图像相对应的类别,从而能够在一定程度上提升对归档时的准确性。
上述主要从方法侧执行过程的角度对本申请实施例的方案进行了介绍。可以理解的是,终端为了实现上述功能,其包含了执行各个功能相应的硬件结构和/或软件模块。本领域技术人员应该很容易意识到,结合本文中所提供的实施例描述的各示例的单元及算法步骤,本申请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。专业技术人员可以对每个特定的应用使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
本申请实施例可以根据上述方法示例对终端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,本申请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。
与上述一致的,请参阅图6,图6为本申请实施例提供了一种数据处理装置的结构示意图,所述装置包括获取单元601、提取单元602、第一确定单元603和第二确定单元604,其中,
所述获取单元601,用于获取目标人脸图像,以及所述目标人脸图像的关联信息;
所述提取单元602,用于对所述目标人脸图像进行特征提取,得到目标特征数据;
所述第一确定单元603,用于根据所述目标特征数据,从N个预设类别中确定出M个参考预设类别,M为小于或等于N的正整数,N为正整数;
所述第二确定单元604,用于根据所述目标人脸图像的关联信息,从所述M个参考预设类别中确定出与所述目标人脸图像对应的类别。
本示例中,获取目标人脸图像,以及所述目标人脸图像的关联信息,对所述目标人脸图像进行特征提取,得到目标特征数据,根据所述目标特征数据,从N个预设类别中确定出M个参考预设类别,M为小于或等于N的正整数,N为正整数,根据所述目标人脸图像的关联信息,从所述M个参考预设类别中确定出与所述目标人脸图像对应的类别,相对于现有方案中,对图像进行归档处理时,在遇到一张图像与多个类别相似时,容易造成归档不准确的情况,而本申请能够通过关联信息,从多个相似类别中确定出与图像相对应的类别,从而能够在一定程度上提升对归档时的准确性。
可选的,所述目标特征数据包括目标图像质量和目标面部朝向,在所述根据所述目标特征数据,从N个预设类别中确定出M个参考预设类别方面,所述第一确定单元603具体用于:
获取所述目标图像质量与N个预设类别中的每个预设类别的人脸图像的图像质量之间的差值,得到N个质量差值;
将所述目标面部朝向与所述N个预设类别中的每个预设类别的人脸图像的面部朝向进行比对,得到N个偏离度值;
获取所述质量差值的第一权值,以及所述偏离度值的第二权值;
采用所述第一权值和所述第二权值,对所述N个质量差值和所述N个偏离度值进行权值运算,得到N个目标相似度评价值,所述N个目标相似度评价值与所述N个预设类别相对应;
根据所述N个目标相似度评价值,确定出M个参考预设类别,所述M个参考预设类别为目标相似度评价值小于预设相似度评价值阈值的预设类别。
可选的,在所述根据所述目标人脸图像的关联信息,从所述M个参考预设类别中确定出与所述目标人脸图像对应的类别方面,所述第二确定单元604具体用于:
将所述关联信息与所述M个参考预设类别的关联信息进行比对,得到M个关联信息相似度;
将所述M个关联信息相似度中的最大值对应的参考预设类别确定为所述目标人脸图像的类别。
可选的,所述关联信息包括多张关联图像,在所述根据所述目标人脸图像的关联信息,从所述M个参考预设类别中确定出与所述目标人脸图像对应的类别方面,所述第二确定单元604具体用于:
获取所述目标人脸图像与所述多张关联图像之间的关联度,以及获取所述多张关联图像所对应的预设类别;
将所述每个参考预设类别中的关联图像的关联度之和,作为所述每个参考类别的第一关联评分值,得到M个第一关联评分值;
根据所述每个参考预设类别中的关联图像的个数,确定出关联评分值修正因子;
根据所述第一关联评分值和所述关联评分值修正因子,确定出每个参考预设类别的关联评分值,得到M个第二参考评分值;
将目标参考关联评分值所对应的预设参考类别作为所述目标人脸图像对应的类别,所述目标关联评分值为所述M个第二关联评分值中最大值。
可选的,所述数据处理装置还具体用于:
若所述N个目标相似度评价值均大于所述相似度评价值阈值,则通过所述目标特征数据和所述目标人脸图像的关联信息,建立所述目标人脸图像的类别。
本申请实施例还提供一种计算机存储介质,其中,该计算机存储介质存储用于电子数据交换的计算机程序,该计算机程序使得计算机执行如上述方法实施例中记载的任何一种数据处理方法的部分或全部步骤。
本申请实施例还提供一种计算机程序产品,所述计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质,该计算机程序使得计算机执行如上述方法实施例中记载的任何一种数据处理方法的部分或全部步骤。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本申请并不受所描述的动作顺序的限制,因为依据本申请,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本申请所必须的。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置,可通过其它的方式实现。例如,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,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接口,装置或单元的间接耦合或通信连接,可以是电性或其它的形式。
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,在申请明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。上述集成的单元既可以采用硬件的形式实现,也可以采用软件程序模块的形式实现。
所述集成的单元如果以软件程序模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储器中。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全部或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器中,包括若干指令用以使得一台计算机设备(可为个人计算机、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。而前述的存储器包括:U盘、只读存储器(read-only memory,ROM)、随机存取存储器(random access memory,RAM)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
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器中,存储器可以包括:闪存盘、只读存储器、随机存取器、磁盘或光盘等。
以上对本申请实施例进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
Claims (7)
1.一种数据处理方法,其特征在于,所述方法包括:
获取目标人脸图像,以及所述目标人脸图像的关联信息;
对所述目标人脸图像进行特征提取,得到目标特征数据;
根据所述目标特征数据,从N个预设类别中确定出M个参考预设类别,M为小于或等于N的正整数,N为正整数;
根据所述目标人脸图像的关联信息,从所述M个参考预设类别中确定出与所述目标人脸图像对应的类别;
所述目标特征数据包括目标图像质量和目标面部朝向,所述根据所述目标特征数据,从N个预设类别中确定出M个参考预设类别,包括:
获取所述目标图像质量与N个预设类别中的每个预设类别的人脸图像的图像质量之间的差值,得到N个质量差值;
将所述目标面部朝向与所述N个预设类别中的每个预设类别的人脸图像的面部朝向进行比对,得到N个偏离度值;
获取所述质量差值的第一权值,以及所述偏离度值的第二权值;
采用所述第一权值和所述第二权值,对所述N个质量差值和所述N个偏离度值进行权值运算,得到N个目标相似度评价值,所述N个目标相似度评价值与所述N个预设类别相对应;
根据所述N个目标相似度评价值,确定出M个参考预设类别,所述M个参考预设类别为目标相似度评价值小于预设相似度评价值阈值的预设类别;
所述关联信息包括多张关联图像,所述根据所述目标人脸图像的关联信息,从所述M个参考预设类别中确定出与所述目标人脸图像对应的类别,包括:
获取所述目标人脸图像与所述多张关联图像之间的关联度,以及获取所述多张关联图像所对应的预设类别;
将所述每个参考预设类别中的关联图像的关联度之和,作为所述每个参考类别的第一关联评分值,得到M个第一关联评分值;
根据所述每个参考预设类别中的关联图像的个数,确定出关联评分值修正因子;
根据所述第一关联评分值和所述关联评分值修正因子,确定出每个参考预设类别的关联评分值,得到M个第二参考评分值;
将目标参考关联评分值所对应的预设参考类别作为所述目标人脸图像对应的类别,所述目标关联评分值为所述M个第二关联评分值中最大值。。
2.根据权利要求1所述的方法,其特征在于,所述根据所述目标人脸图像的关联信息,从所述M个参考预设类别中确定出与所述目标人脸图像对应的类别,包括:
将所述关联信息与所述M个参考预设类别的关联信息进行比对,得到M个关联信息相似度;
将所述M个关联信息相似度中的最大值对应的参考预设类别确定为所述目标人脸图像的类别。
3.根据权利要求1所述的方法,其特征在于,所述方法还包括:
若所述N个目标相似度评价值均大于所述相似度评价值阈值,则通过所述目标特征数据和所述目标人脸图像的关联信息,建立所述目标人脸图像的类别。
4.一种数据处理装置,其特征在于,所述装置包括获取单元、提取单元、第一确定单元和第二确定单元,其中,
所述获取单元,用于获取目标人脸图像,以及所述目标人脸图像的关联信息;
所述提取单元,用于对所述目标人脸图像进行特征提取,得到目标特征数据;
所述第一确定单元,用于根据所述目标特征数据,从N个预设类别中确定出M个参考预设类别,M为小于或等于N的正整数,N为正整数;
所述第二确定单元,用于根据所述目标人脸图像的关联信息,从所述M个参考预设类别中确定出与所述目标人脸图像对应的类别;
所述目标特征数据包括目标图像质量和目标面部朝向,在所述根据所述目标特征数据,从N个预设类别中确定出M个参考预设类别方面,所述第一确定单元具体用于:
获取所述目标图像质量与N个预设类别中的每个预设类别的人脸图像的图像质量之间的差值,得到N个质量差值;
将所述目标面部朝向与所述N个预设类别中的每个预设类别的人脸图像的面部朝向进行比对,得到N个偏离度值;
获取所述质量差值的第一权值,以及所述偏离度值的第二权值;
采用所述第一权值和所述第二权值,对所述N个质量差值和所述N个偏离度值进行权值运算,得到N个目标相似度评价值,所述N个目标相似度评价值与所述N个预设类别相对应;
根据所述N个目标相似度评价值,确定出M个参考预设类别,所述M个参考预设类别为目标相似度评价值小于预设相似度评价值阈值的预设类别。
5.根据权利要求4所述的装置,其特征在于,在所述根据所述目标人脸图像的关联信息,从所述M个参考预设类别中确定出与所述目标人脸图像对应的类别方面,所述第二确定单元具体用于:
将所述关联信息与所述M个参考预设类别的关联信息进行比对,得到M个关联信息相似度;
将所述M个关联信息相似度中的最大值对应的参考预设类别确定为所述目标人脸图像的类别。
6.一种终端,其特征在于,包括处理器、输入设备、输出设备和存储器,所述处理器、输入设备、输出设备和存储器相互连接,其中,所述存储器用于存储计算机程序,所述计算机程序包括程序指令,所述处理器被配置用于调用所述程序指令,执行如权利要求1-3任一项所述的方法。
7.一种计算机可读存储介质,其特征在于,所述计算机存储介质存储有计算机程序,所述计算机程序包括程序指令,所述程序指令当被处理器执行时使所述处理器执行如权利要求1-3任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811614192.XA CN109815823B (zh) | 2018-12-27 | 2018-12-27 | 数据处理方法及相关产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811614192.XA CN109815823B (zh) | 2018-12-27 | 2018-12-27 | 数据处理方法及相关产品 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109815823A CN109815823A (zh) | 2019-05-28 |
CN109815823B true CN109815823B (zh) | 2020-11-24 |
Family
ID=66602559
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811614192.XA Active CN109815823B (zh) | 2018-12-27 | 2018-12-27 | 数据处理方法及相关产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109815823B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110751026B (zh) * | 2019-09-09 | 2023-10-27 | 深圳追一科技有限公司 | 视频处理方法及相关装置 |
CN111259200A (zh) * | 2020-01-16 | 2020-06-09 | 北京达佳互联信息技术有限公司 | 视频类别划分方法、装置、电子设备及存储介质 |
CN113411355B (zh) * | 2021-08-19 | 2021-11-09 | 深圳百昱达科技有限公司 | 基于互联网的应用注册方法及相关装置 |
CN114359611B (zh) * | 2022-03-18 | 2022-09-06 | 浙江大华技术股份有限公司 | 目标聚档方法、计算机设备及存储装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104133917A (zh) * | 2014-08-15 | 2014-11-05 | 百度在线网络技术(北京)有限公司 | 照片的分类存储方法及装置 |
CN104954659A (zh) * | 2014-03-28 | 2015-09-30 | 宇龙计算机通信科技(深圳)有限公司 | 一种处理图像信息的方法及装置 |
CN105095915A (zh) * | 2015-08-21 | 2015-11-25 | 努比亚技术有限公司 | 一种信息处理方法及装置、终端 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10318846B2 (en) * | 2016-12-28 | 2019-06-11 | Ancestry.Com Operations Inc. | Clustering historical images using a convolutional neural net and labeled data bootstrapping |
-
2018
- 2018-12-27 CN CN201811614192.XA patent/CN109815823B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104954659A (zh) * | 2014-03-28 | 2015-09-30 | 宇龙计算机通信科技(深圳)有限公司 | 一种处理图像信息的方法及装置 |
CN104133917A (zh) * | 2014-08-15 | 2014-11-05 | 百度在线网络技术(北京)有限公司 | 照片的分类存储方法及装置 |
CN105095915A (zh) * | 2015-08-21 | 2015-11-25 | 努比亚技术有限公司 | 一种信息处理方法及装置、终端 |
Also Published As
Publication number | Publication date |
---|---|
CN109815823A (zh) | 2019-05-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109284729B (zh) | 基于视频获取人脸识别模型训练数据的方法、装置和介质 | |
CN109711243B (zh) | 一种基于深度学习的静态三维人脸活体检测方法 | |
US10346676B2 (en) | Face detection, representation, and recognition | |
CN109815823B (zh) | 数据处理方法及相关产品 | |
CN110532984B (zh) | 关键点检测方法、手势识别方法、装置及系统 | |
US8792722B2 (en) | Hand gesture detection | |
US8750573B2 (en) | Hand gesture detection | |
WO2021139324A1 (zh) | 图像识别方法、装置、计算机可读存储介质及电子设备 | |
KR20180104609A (ko) | 다수의 이미지 일치성을 바탕으로 보험클레임 사기 방지를 실현하는 방법, 시스템, 기기 및 판독 가능 저장매체 | |
US9489566B2 (en) | Image recognition apparatus and image recognition method for identifying object | |
US11804071B2 (en) | Method for selecting images in video of faces in the wild | |
Lepsøy et al. | Statistical modelling of outliers for fast visual search | |
CN112200056B (zh) | 人脸活体检测方法、装置、电子设备及存储介质 | |
CN110866466A (zh) | 一种人脸识别方法、装置、存储介质和服务器 | |
CN113298158B (zh) | 数据检测方法、装置、设备及存储介质 | |
CN110751069A (zh) | 一种人脸活体检测方法及装置 | |
WO2019062426A1 (zh) | 边框检测方法、服务器及存储介质 | |
CN109598301B (zh) | 检测区域去除方法、装置、终端和存储介质 | |
CN111462094A (zh) | Pcba元器件检测方法、装置及计算机可读存储介质 | |
CN113963149A (zh) | 一种医疗票据图片的模糊判断方法、系统、设备及介质 | |
CN108875445B (zh) | 一种行人再识别方法及装置 | |
CN110717406B (zh) | 一种人脸检测的方法、装置及终端设备 | |
CN108694347B (zh) | 图像处理方法和装置 | |
CN111127327A (zh) | 一种图片倾斜检测方法及装置 | |
JP6399651B2 (ja) | 登録装置及び検索装置並びに方法及びプログラム |
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 |