CN109919003A - 人脸识别方法、终端设备及计算机可读存储介质 - Google Patents
人脸识别方法、终端设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN109919003A CN109919003A CN201910063724.3A CN201910063724A CN109919003A CN 109919003 A CN109919003 A CN 109919003A CN 201910063724 A CN201910063724 A CN 201910063724A CN 109919003 A CN109919003 A CN 109919003A
- Authority
- CN
- China
- Prior art keywords
- face
- facial image
- characteristic
- characteristic information
- user
- 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
- 238000000034 method Methods 0.000 title claims abstract description 46
- 230000001815 facial effect Effects 0.000 claims abstract description 150
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 56
- 238000000605 extraction Methods 0.000 claims abstract description 43
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 29
- 239000000284 extract Substances 0.000 claims description 44
- 238000013135 deep learning Methods 0.000 claims description 10
- 238000004891 communication Methods 0.000 claims description 9
- 238000001514 detection method Methods 0.000 description 27
- 238000012549 training Methods 0.000 description 24
- 230000005540 biological transmission Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 10
- 230000004913 activation Effects 0.000 description 6
- 230000000193 eyeblink Effects 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 235000013399 edible fruits Nutrition 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 230000000644 propagated effect Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000000151 deposition Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种人脸识别方法,包括:当接收到用户触发的人脸识别指令时,开启摄像头采集现场画面;采用adaboost算法和卷积神经网络算法检测所述现场画面中的各帧画面的人脸图像;若检测到人脸图像,则使用预设的人脸特征提取模型提取人脸图像的特征信息;将特征信息传输至服务器,以供服务器根据预存的人脸数据库与特征信息识别出人脸身份,其中,人脸数据库中存储有人脸用户的身份信息与所述人脸用户的特征信息;及接收服务器返回的人脸身份识别结果。本发明还提供一种终端设备及计算机可读存储介质。本发明提供的人脸识别方法、终端设备及计算机可读存储介质无需在特定位置安装高清摄像头,可以随时随地识别人脸,节省了成本。
Description
技术领域
本发明涉及人脸识别领域,尤其涉及一种人脸识别方法、终端及计算机可读存储介质。
背景技术
现有的人脸识别技术一般都需要在特定位置部署高清摄像头采集人脸图像,然后将采集到的人脸图像输入至服务器实时搜索比对人脸库,实现人脸识别锁定身份。
现有的人脸识别系统需要在特定位置安装高清摄像头,从而造成现有的人脸识别系统成本较高,以及只有用户出现在特定位置时才能对用户的身份进行识别。
发明内容
有鉴于此,本发明提出一种人脸识别方法、终端设备及计算机可读存储介质,无需在特定位置安装高清摄像头,可以随时随地识别人脸,节省了成本。
首先,为实现上述目的,本发明提出一种终端设备,所述终端设备包括摄像头、通讯模块、存储器、处理器,所述存储器上存储有可在所述处理器上运行的人脸识别系统,所述人脸识别系统被所述处理器执行时实现如下步骤:
当接收到用户触发的人脸识别指令时,开启摄像头采集现场画面;
采用adaboost算法和卷积神经网络算法检测所述现场画面中的各帧画面的人脸图像;
若检测到人脸图像,则使用预设的人脸特征提取模型提取所述人脸图像的特征信息;
将所述特征信息传输至服务器,以供服务器根据预存的人脸数据库与所述特征信息识别出人脸身份,其中,所述人脸数据库中存储有人脸用户的身份信息与所述人脸用户的特征信息;及
接收所述服务器返回的人脸身份识别结果。
可选地,所述人脸识别系统被所述处理器执行时,还实现如下步骤:
对检测到的人脸图像依据预设的眨眼识别模型进行识别,以识别出检测到的人脸图像是否为真人图像,若识别出为真人图像,则执行使用预设的人脸特征提取模型提取所述人脸图像的特征信息的步骤,若识别出不为真人图像,则不执行使用预设的人脸特征提取模型提取所述人脸图像的特征信息的步骤。
可选地,所述人脸识别系统被所述处理器执行时,还实现如下步骤:
利用深度学习算法建立特征提取模型,并根据人脸样本对所述特征提取模型进行训练以得到所述人脸特征提取模型;
所述使用预设的人脸特征提取模型提取所述人脸图像的特征信息的步骤包括:
将所述人脸图像转换为需求特征向量;及
将所述需求特征向量输入至所述人脸特征提取模型,以得到所述人脸图像的特征信息。
可选地,所述人脸识别系统被所述处理器执行时,还实现如下步骤:
判断所述识别结果是否为预设用户,所述预设用户为带有标记的用户;及
若所述识别结果为预设用户,则发送告警信息至管理者。
此外,为实现上述目的,本发明还提供一种人脸识别方法,应用于终端设备,所述方法包括:
当接收到用户触发的人脸识别指令时,开启摄像头采集现场画面;
采用adaboost算法和卷积神经网络算法检测所述现场画面中的各帧画面的人脸图像;
若检测到人脸图像,则使用预设的人脸特征提取模型提取所述人脸图像的特征信息;
将所述特征信息传输至服务器,以供服务器根据预存的人脸数据库与所述特征信息识别出人脸身份,其中,所述人脸数据库中存储有人脸用户的身份信息与所述人脸用户的特征信息;及
接收所述服务器返回的人脸身份识别结果。
可选地,所述人脸识别方法还包括:
对检测到的人脸图像依据预设的眨眼识别模型进行识别,以识别出检测到的人脸图像是否为真人图像,若识别出为真人图像,则执行使用预设的人脸特征提取模型提取所述人脸图像的特征信息的步骤,若识别出不为真人图像,则不执行使用预设的人脸特征提取模型提取所述人脸图像的特征信息的步骤。
可选地,所述使用预设的人脸特征提取模型提取所述人脸图像的特征信息步骤之前还包括:
利用深度学习算法建立特征提取模型,并根据人脸样本对所述特征提取模型进行训练以得到所述人脸特征提取模型;
所述使用预设的人脸特征提取模型提取所述人脸图像的特征信息的步骤包括:
将所述人脸图像转换为需求特征向量;及
将所述需求特征向量输入至所述人脸特征提取模型,以得到所述人脸图像的特征信息。
可选地,所述接收所述服务器返回的人脸身份识别结果的步骤之后,还包括:
判断所述识别结果是否为预设用户,所述预设用户为带有标记的用户;及
若所述识别结果为预设用户,则发送告警信息至管理者。
可选地,所述人脸识别方法还包括:
将采集到的画面实时上传至指挥中心,以供指挥中心的用户远程查看当前画面,其中,采集到的画面中包括画面发生的位置信息。
进一步地,为实现上述目的,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质存储有人脸识别系统,所述人脸识别系统可被至少一个处理器执行,以使所述至少一个处理器执行如上述人脸识别方法的步骤。
相较于现有技术,本发明所提出的人脸识别方法、终端设备及计算机可读存储介质,当接收到用户触发的人脸识别指令时,开启摄像头采集现场画面;采用adaboost算法和卷积神经网络算法检测所述现场画面中的各帧画面的人脸图像;若检测到人脸图像,则使用预设的人脸特征提取模型提取所述人脸图像的特征信息;将所述特征信息传输至服务器,以供服务器根据预存的人脸数据库与所述特征信息识别出人脸身份,其中,所述人脸数据库中存储有人脸用户的身份信息与所述人脸用户的特征信息;及接收所述服务器返回的人脸身份识别结果。这样,可以无需在特定位置安装高清摄像头,可以随时随地识别人脸,节省了成本。
附图说明
图1是本发明各个实施例一可选的应用环境示意图;
图2是本发明终端设备一可选的硬件架构的示意图;
图3是本发明人脸识别系统第一实施例的程序模块示意图;
图4是本发明人脸识别系统第二实施例的程序模块示意图;
图5为本发明人脸识别方法第一实施例的实施流程示意图;
图6为本发明人脸识别方法第二实施例的实施流程示意图。
附图标记:
终端设备 | 1 |
服务器 | 2 |
网络 | 3 |
存储器 | 11 |
处理器 | 12 |
通讯模块 | 13 |
摄像头 | 14 |
人脸识别系统 | 100 |
开启模块 | 101 |
检测模块 | 102 |
提取模块 | 103 |
传输模块 | 104 |
接收模块 | 105 |
判断模块 | 106 |
发送模块 | 107 |
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。基于本发明中的实施例,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,都属于本发明保护的范围。
需要说明的是,在本发明中涉及“第一”、“第二”等的描述仅用于描述目的,而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外,各个实施例之间的技术方案可以相互结合,但是必须是以本领域普通技术人员能够实现为基础,当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在,也不在本发明要求的保护范围之内。
参阅图1所示,是本发明各个实施例一可选的应用环境示意图。
在本实施例中,本发明可应用于包括,但不仅限于,终端设备1、服务器 2、网络3的应用环境中。其中,所述终端设备1可以是移动电话、智能电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、导航装置、车载装置等等的可移动设备,以及诸如数字 TV、台式计算机、笔记本、服务器等等的固定终端。所述服务器2可以是机架式服务器、刀片式服务器、塔式服务器或机柜式服务器等计算设备,该服务器2可以是独立的服务器,也可以是多个服务器所组成的服务器集群。所述网络3可以是企业内部网(Intranet)、互联网(Internet)、全球移动通讯系统(Global System ofMobile communication,GSM)、宽带码分多址(Wideband Code Division MultipleAccess,WCDMA)、4G网络、5G网络、蓝牙(Bluetooth)、 Wi-Fi、通话网络等无线或有线网络。
其中,所述服务器2可以通过所述网络3分别与一个或多个所述终端设备1 通信连接,以进行数据传输和交互。
参阅图2所示,是本发明终端设备1一可选的硬件架构的示意图。
本实施例中,所述终端设备1可包括,但不仅限于,可通过系统总线相互通信连接存储器11、处理器12、通讯模块13及摄像头14。需要指出的是,图2 仅示出了具有组件11-13的终端设备1,但是应理解的是,并不要求实施所有示出的组件,可以替代的实施更多或者更少的组件。
所述存储器11至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中,所述存储器11可以是所述终端设备1 的内部存储单元,例如终端设备1的内存。在另一些实施例中,所述存储器11 也可以是所述终端设备1的外部存储设备,例如终端设备1上配备的插接式硬盘,智能存储卡(SmartMedia Card,SMC),安全数字(Secure Digital,SD) 卡,闪存卡(Flash Card)等。当然,所述存储器11还可以既包括所述终端设备1的内部存储单元也包括其外部存储设备。本实施例中,所述存储器11通常用于存储安装于所述终端设备1的操作系统和各类应用软件,例如人脸识别系统100的程序代码等。此外,所述存储器11还可以用于暂时地存储已经输出或者将要输出的各类数据。
所述处理器12在一些实施例中可以是中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器12通常用于控制所述终端设备1的总体操作。本实施例中,所述处理器12用于运行所述存储器11中存储的程序代码或者处理数据,例如运行所述人脸识别系统100等。
所述通讯模块13为3G模块、4G模块、WIFI模块等,该通讯模块13用于与服务器2建立通信连接。本实施例中,所述服务器2可以与所述一个或多个终端设备1之间的建立数据传输通道和通信连接。
摄像头14,用于采集现场画面。
至此,己经详细介绍了本发明相关设备的硬件结构和功能。下面,将基于上述介绍提出本发明的各个实施例。
首先,本发明提出一种人脸识别系统100。
参阅图3所示,是本发明人脸识别系统100第一实施例的程序模块图。
本实施例中,所述人脸识别系统100包括一系列的存储于存储器11上的计算机程序指令,当该计算机程序指令被处理器12执行时,可以实现本发明各实施例的人脸识别操作。在一些实施例中,基于该计算机程序指令各部分所实现的特定的操作,人脸识别系统100可以被划分为一个或多个模块。例如,在图3中,人脸识别系统100可以被分割成开启模块101、检测模块102、提取模块103、传输模块104及接收模块105。其中:
所述开启模块101用于当接收到用户触发的人脸识别指令时,开启摄像头采集现场画面。
在一实施例中,所述人脸识别指令可以通过用户按压终端设备1的物理按键触发,也可以通过用户按压终端设备1的触摸按键触发。在一具体实施方式中,可以在终端设备1中预先安装一人脸识别应用,用户通过点击该应用程序图标触发。当开启模块101接收到用户触发的人脸识别指令时,即会调用摄像头来采集现场画面。下面结合一具体应用场景进行说明:
当一公司保安发现一可疑人员(以可疑人员一为例)时,为了识别该可疑人员的身份,该保安人员可以通过其自身携带的终端设备1触发一个人脸识别指令,可以理解的是,该保安人员在触发一人脸识别指令时,需要将终端设备1的摄像头对着该可疑人员的正面,以便可以通过该终端设备1采集到该可疑人员的正面人脸图像。
需要说明的是,上述应用场景仅为示例性的,并不以此为限,比如,也可以用于可疑人员二身份识别场景等。
所述检测模块102用于采用adaboost算法和卷积神经网络算法检测所述现场画面中的各帧画面的人脸图像。
adaboost算法是一种迭代算法,其核心思想是针对同一个训练集训练不同的分类器(弱分类器),然后把这些弱分类器集合起来,构成一个更强的最终分类器(强分类器)。其算法本身是通过改变数据分布来实现的,它根据每次训练集之中每个样本的分类是否正确,以及上次的总体分类的准确率,来确定每个样本的权值。将修改过权值的新数据集送给下层分类器进行训练,最后将每次训练得到的分类器最后融合起来,作为最后的决策分类器。使用adaboost 分类器可以排除一些不必要的训练数据特征,并放在关键的训练数据上面。
在一实施方式中,所述卷积神经网络算法可以为CNN前向传播算法,该 CNN前向传播算法包括:输入层、卷基层、池化层、全连接层及输出层,其中:
所述输入层:输入一个所述人脸数字图像、CNN模型层数L和所有隐藏层的类型;
所述卷基层:定义卷积核的大小K、卷积核子矩阵的维度F、填充大小P、步幅S;
所述池化层:定义池化区域大小k和池化标准;
所述全连接层:定义激活函数和各层的神经元个数;
所述输出层:所述CNN模型的输出值为aL;
A、根据所述输入层的填充大小P,填充人脸数字图像的边缘得到输入张量al;
B、初始化所有所述隐藏层的参数W、b;
C、for l=2to L-1:
(1)如果第一层是所述卷基层,侧输出为 aL=σ(zl)=σ(al-1*Wl+bl);
(2)如果第一层是所述池化层,侧输出为
al=pool(al-1)(pool指按照所述池化区域大小k和所述池化标准将输入张量缩小的过程);
(3)如果第一层是所述全连接层,则输出为
al=σ(zl)=σ(Wlal-1+bl);
(4)对于所述输出层第L层:
aL=σ(ZL)=σ(WLaL_1+bL);
其中,上标代表层数、W表示卷积核、b代表偏倚、σ为激活函数ReLU。
在本实施例中,由于现场画面的各帧图像中可能存在人脸图像,也可能不存在人脸图像。因此,通过所述检测模块102可能没有输出,或者输出结果为一特定值,若所述检测模块102没有输出,或者输出结果为一特定值,则表明检测的当前帧画面中不存在人脸图像,若所述检测模块102有输出结果,且该输出结果不为一特定值,则表明检测的当前帧画面中存在人脸图像。
在一实施例中,所述检测模块102可以对采集到的现场画面中的各帧画面依次进行分析。在对各帧画面进行分析时,优选按照采集帧画面的时间依次对各帧画面进行检测,以判断各个帧画面中是否存在人脸图像。具体分析过程如下:首先检测第一帧画面是否存在人脸图像,若第一帧画面中不存在人脸图像,则继续检测第二帧画面是否存在人脸图像,以此类推,直到发现帧画面中存在人脸图像为止,在发现帧画面中存在人脸图像时,则可以提取所述人脸图像的特征信息。在本实施例中,在提取到人脸图像时,可以不再对后续的帧画面进行检测,以节省终端运算资源。
在另一实施方式中,为了确保检测到的人脸图像为真人脸图像,而不是假人脸图像(比如,图片,模型等),图像采集模块102在从帧画面中检测到第一人脸图像之后,还需要对检测到的人脸图像依据预设的眨眼识别模型进行识别,以识别出检测到的人脸图像是否为真人图像,若识别出为真人图像,则使用预设的人脸特征提取模型提取所述人脸图像的特征信息;若识别出不为真人图像,则不使用预设的人脸特征提取模型提取所述人脸图像的特征信息,而是需要继续对该帧画面之后的若干连续的帧画面进行检测以检测帧画面中的第二人脸图像。比如,该第一人脸图像为第五帧画面,则在检测到该第五帧画面存在人脸图像之后,继续对第六帧画面进行检测,判断该帧画面是否存在人脸图像,若该帧画面中存在人脸图像,则再次对检测到的第二人脸图像依据预设的眨眼识别模型进行识别,以识别出检测到的第二人脸图像是否为真人图像,若识别出为真人图像,则使用预设的人脸特征提取模型提取所述人脸图像的特征信息。若该二人脸图像依然不为真人图像,则继续对第七帧画面进行检测,以此类推,直到依据预设的眨眼识别模型进行识别,以识别出检测到的人脸图像为真人图像为止,或者所有的帧画面检测完为止。
在本发明实施例中,眨眼识别模型可以通过深度学习算法建立眨眼模型,然后通过大量的眨眼人脸图像样本对该眨眼模型进行训练,进而生成最终的眨眼识别模型。
所述提取模块103用于在检测到人脸图像时,使用预设的人脸特征提取模型提取所述人脸图像的特征信息。
在一实施方式中,该预设的人脸特征提取模型为利用深度学习算法建立特征提取模型,然后根据人脸样本对所述特征提取模型进行训练后得到所述人脸特征提取模型。在一具体实施方式中,在对根据人脸样本对所述特征提取模型进行训练时,首先提取各个人脸样本的人脸特征,然后对提取到的人脸特征进行聚类,最后以聚类结果作为监督信息,以上述人脸样本图像对特征提取模型进行训练,直到满足预设训练完成条件,从而得到人脸特征提取模型。
在本实施例中,所述提取模块103在提取人脸特征信息时,需要先将人脸图像转换为需求特征向量,然后将所述需求特征向量输入至所述人脸特征提取模型,进而可以得到人脸图像的特征信息。其中,将该需求特征向量为一输入至人脸识别模型时,可以得到识别结果的特征向量。
所述传输模块104用于将所述特征信息传输至服务器,以供服务器根据预存的人脸数据库与所述特征信息识别出人脸身份。
在一实施方式中,特征提取模块103在提取到人脸的特征信息后,会将该特征信息传输至服务器。服务器中预存有的人脸数据库,该人脸数据库中包括人脸用户的身份信息与该人脸用户的特征信息。服务器在接收到特征信息之后,会将该特征信息与人脸数据库中存储的所有人脸用户的特征信息进行一一比对,当该特征信息与数据库中存储的人脸用户的特征信息的相似度大于预设阈值时,则将识别出该人脸身份。当该特征信息与数据库中存储的所有人脸用户的特征信息的相似度都低于该预设阈值时,则不能识别出人脸身份。
在另一实施方式中,所述传输模块104还用于将采集到的画面实时上传至指挥中心,以供指挥中心的用户远程查看当前画面,其中,采集到的画面中包括画面发生的位置信息。
在本实施方式中,当摄像头采集到现场画面时,传输模块104会将采集到的画面实时上传至指挥中心,以供指挥中心的用户远程查看当前画面。在本实施例中,通过将现场的画面实时上传至指挥中心,使得指挥中心的人员可以及时了解现场情况,方便指挥中心人员根据现场情况进行远程指挥。
在另一实施方式中,为了便于指挥中心的人员可以知道该现场画面具体来自哪个地方,可以在上传画面中添加位置信息,这样,指挥中心的人员可以清楚地了解到现场的画面具体来自哪里,可以方便安排相关主管人员及时到现场进行处理。
接收模块105用于接收所述服务器返回的人脸身份识别结果。
当服务器完成对特征信息的比对之后,会返回识别结果给所述接收模块 105。所述接收模块105从而接收该识别结果。在本实施例中,当服务器识别出人脸身份时,该身份识别结果可以包括人员的姓名、性别、联系方式、与公司的关系(比如,在2016年购买了公司的意外险)等,该身份识别结果包含的内容仅为示例性的,并不以此为限。当服务器识别不出人脸身份时,该身份识别结果可以为“陌生人”或“身份识别不出”等,同理,该身份识别结果包含的内容也仅为示例性的,并不以此为限。
通过上述程序模块101-105,本发明所提出的人脸识别系统100,当接收到用户触发的人脸识别指令时,开启摄像头采集现场画面;采用adaboost算法和卷积神经网络算法检测所述现场画面中的各帧画面的人脸图像;若检测到人脸图像,则使用预设的人脸特征提取模型提取所述人脸图像的特征信息;将所述特征信息传输至服务器,以供服务器根据预存的人脸数据库与所述特征信息识别出人脸身份,其中,所述人脸数据库中存储有人脸用户的身份信息与所述人脸用户的特征信息;及接收所述服务器返回的人脸身份识别结果。这样,可以通过终端设备随时随地识别人脸,无需在特定位置安装高清摄像头,节省了成本,以及通过机器学习的方式来提取人脸特征信息,从而可以提高人脸识别的准确度。
参阅图4所示,是本发明人脸识别系统100第二实施例的程序模块图。本实施例中,所述人脸识别系统100包括一系列的存储于存储器11上的计算机程序指令,当该计算机程序指令被处理器12执行时,可以实现本发明各实施例的人脸识别操作。在一些实施例中,基于该计算机程序指令各部分所实现的特定的操作,人脸识别系统100可以被划分为一个或多个模块。例如,在图4 中,人脸识别系统100可以被分割成开启模块101、检测模块102、提取模块103、传输模块104、接收模块105、判断模块106及发送模块107。所述各程序模块101-105与本发明人脸识别系统100第一实施例相同,并在此基础上增加判断模块106及发送模块107。其中:
所述开启模块101用于当接收到用户触发的人脸识别指令时,开启摄像头采集现场画面。
在一实施例中,所述人脸识别指令可以通过用户按压终端设备1的物理按键触发,也可以通过用户按压终端设备1的触摸按键触发。在一具体实施方式中,可以在终端设备1中预先安装一人脸识别应用,用户通过点击该应用程序图标触发。当开启模块101接收到用户触发的人脸识别指令时,即会调用摄像头来采集现场画面。下面结合一具体应用场景进行说明:
当一公司保安发现一可疑人员(以可疑人员一为例)时,为了识别该可疑人员的身份,该保安人员可以通过其自身携带的终端设备1触发一个人脸识别指令,可以理解的是,该保安人员在触发一人脸识别指令时,需要将终端设备1的摄像头对着该可疑人员的正面,以便可以通过该终端设备1采集到该可疑人员的正面人脸图像。
需要说明的是,上述应用场景仅为示例性的,并不以此为限,比如,也可以用于可疑人员二身份识别场景等。
所述检测模块102用于采用adaboost算法和卷积神经网络算法检测所述现场画面中的各帧画面的人脸图像。
adaboost算法是一种迭代算法,其核心思想是针对同一个训练集训练不同的分类器(弱分类器),然后把这些弱分类器集合起来,构成一个更强的最终分类器(强分类器)。其算法本身是通过改变数据分布来实现的,它根据每次训练集之中每个样本的分类是否正确,以及上次的总体分类的准确率,来确定每个样本的权值。将修改过权值的新数据集送给下层分类器进行训练,最后将每次训练得到的分类器最后融合起来,作为最后的决策分类器。使用adaboost 分类器可以排除一些不必要的训练数据特征,并放在关键的训练数据上面。
在一实施方式中,所述卷积神经网络算法可以为CNN前向传播算法,该 CNN前向传播算法包括:输入层、卷基层、池化层、全连接层及输出层,其中:
所述输入层:输入一个所述人脸数字图像、CNN模型层数L和所有隐藏层的类型;
所述卷基层:定义卷积核的大小K、卷积核子矩阵的维度F、填充大小P、步幅S;
所述池化层:定义池化区域大小k和池化标准;
所述全连接层:定义激活函数和各层的神经元个数;
所述输出层:所述CNN模型的输出值为aL;
A、根据所述输入层的填充大小P,填充人脸数字图像的边缘得到输入张量al;
B、初始化所有所述隐藏层的参数W、b;
C、for l=2to L-1:
(1)如果第一层是所述卷基层,侧输出为
aL=σ(zl)=σ(al-1*Wl+bl);
(2)如果第一层是所述池化层,侧输出为
al=pool(al-1)(pool指按照所述池化区域大小k和所述池化标准将输入张量缩小的过程);
(3)如果第一层是所述全连接层,则输出为
al=σ(zl)=σ(Wlal-1+bl);
(4)对于所述输出层第L层:
aL=σ(ZL)=σ(WLaL_1+bL);
其中,上标代表层数、W表示卷积核、b代表偏倚、σ为激活函数ReLU。
在本实施例中,由于现场画面的各帧图像中可能存在人脸图像,也可能不存在人脸图像。因此,通过所述检测模块102可能没有输出,或者输出结果为一特定值,若所述检测模块102没有输出,或者输出结果为一特定值,则表明检测的当前帧画面中不存在人脸图像,若所述检测模块102有输出结果,且该输出结果不为一特定值,则表明检测的当前帧画面中存在人脸图像。
在一实施例中,所述检测模块102可以对采集到的现场画面中的各帧画面依次进行分析。在对各帧画面进行分析时,优选按照采集帧画面的时间依次对各帧画面进行检测,以判断各个帧画面中是否存在人脸图像。具体分析过程如下:首先检测第一帧画面是否存在人脸图像,若第一帧画面中不存在人脸图像,则继续检测第二帧画面是否存在人脸图像,以此类推,直到发现帧画面中存在人脸图像为止,在发现帧画面中存在人脸图像时,则可以提取所述人脸图像的特征信息。在本实施例中,在提取到人脸图像时,可以不再对后续的帧画面进行检测,以节省终端运算资源。
在另一实施方式中,为了确保检测到的人脸图像为真人脸图像,而不是假人脸图像(比如,图片,模型等),图像采集模块102在从帧画面中检测到第一人脸图像之后,还需要对检测到的人脸图像依据预设的眨眼识别模型进行识别,以识别出检测到的人脸图像是否为真人图像,若识别出为真人图像,则使用预设的人脸特征提取模型提取所述人脸图像的特征信息;若识别出不为真人图像,则不使用预设的人脸特征提取模型提取所述人脸图像的特征信息,而是需要继续对该帧画面之后的若干连续的帧画面进行检测以检测帧画面中的第二人脸图像。比如,该第一人脸图像为第五帧画面,则在检测到该第五帧画面存在人脸图像之后,继续对第六帧画面进行检测,判断该帧画面是否存在人脸图像,若该帧画面中存在人脸图像,则再次对检测到的第二人脸图像依据预设的眨眼识别模型进行识别,以识别出检测到的第二人脸图像是否为真人图像,若识别出为真人图像,则使用预设的人脸特征提取模型提取所述人脸图像的特征信息。若该二人脸图像依然不为真人图像,则继续对第七帧画面进行检测,以此类推,直到依据预设的眨眼识别模型进行识别,以识别出检测到的人脸图像为真人图像为止,或者所有的帧画面检测完为止。
在本发明实施例中,眨眼识别模型可以通过深度学习算法建立眨眼模型,然后通过大量的眨眼人脸图像样本对该眨眼模型进行训练,进而生成最终的眨眼识别模型。
所述提取模块103用于在检测到人脸图像时,使用预设的人脸特征提取模型提取所述人脸图像的特征信息。
在一实施方式中,该预设的人脸特征提取模型为利用深度学习算法建立特征提取模型,然后根据人脸样本对所述特征提取模型进行训练后得到所述人脸特征提取模型。在一具体实施方式中,在对根据人脸样本对所述特征提取模型进行训练时,首先提取各个人脸样本的人脸特征,然后对提取到的人脸特征进行聚类,最后以聚类结果作为监督信息,以上述人脸样本图像对特征提取模型进行训练,直到满足预设训练完成条件,从而得到人脸特征提取模型。
在本实施例中,所述提取模块103在提取人脸特征信息时,需要先将人脸图像转换为需求特征向量,然后将所述需求特征向量输入至所述人脸特征提取模型,进而可以得到人脸图像的特征信息。其中,将该需求特征向量为一输入至人脸识别模型时,可以得到识别结果的特征向量。
所述传输模块104用于将所述特征信息传输至服务器,以供服务器根据预存的人脸数据库与所述特征信息识别出人脸身份。
在一实施方式中,特征提取模块103在提取到人脸的特征信息后,会将该特征信息传输至服务器。服务器中预存有的人脸数据库,该人脸数据库中包括人脸用户的身份信息与该人脸用户的特征信息。服务器在接收到特征信息之后,会将该特征信息与人脸数据库中存储的所有人脸用户的特征信息进行一一比对,当该特征信息与数据库中存储的人脸用户的特征信息的相似度大于预设阈值时,则将识别出该人脸身份。当该特征信息与数据库中存储的所有人脸用户的特征信息的相似度都低于该预设阈值时,则不能识别出人脸身份。
在另一实施方式中,所述传输模块104还用于将采集到的画面实时上传至指挥中心,以供指挥中心的用户远程查看当前画面,其中,采集到的画面中包括画面发生的位置信息。
在本实施方式中,当摄像头采集到现场画面时,传输模块104会将采集到的画面实时上传至指挥中心,以供指挥中心的用户远程查看当前画面。在本实施例中,通过将现场的画面实时上传至指挥中心,使得指挥中心的人员可以及时了解现场情况,方便指挥中心人员根据现场情况进行远程指挥。
在另一实施方式中,为了便于指挥中心的人员可以知道该现场画面具体来自哪个地方,可以在上传画面中添加位置信息,这样,指挥中心的人员可以清楚地了解到现场的画面具体来自哪里,可以方便安排相关主管人员及时到现场进行处理。
接收模块105用于接收所述服务器返回的人脸身份识别结果。
当服务器完成对特征信息的比对之后,会返回识别结果给所述接收模块105。所述接收模块105从而接收该识别结果。在本实施例中,当服务器识别出人脸身份时,该身份识别结果可以包括人员的姓名、性别、联系方式、与公司的关系(比如,在2016年购买了公司的意外险)等,该身份识别结果包含的内容仅为示例性的,并不以此为限。当服务器识别不出人脸身份时,该身份识别结果可以为“陌生人”或“身份识别不出”等,同理,该身份识别结果包含的内容也仅为示例性的,并不以此为限。
所述判断模块106用于判断所述识别结果是否为预设用户。
在一实施方式中,所述预设用户为带有标记的用户,该用户可以闹事人员,比如为可疑人员一,该用户也可以为可疑人员二,具体的可以根据用户需要进行设定。当用户发现某个用户为可疑人员一或者可疑人员二等,则可以对该用户进行标记,从而方便下次再发现该用户时,可以及时将其身份识别出来。比如,对“小王”标记为“可疑人员一”,对“小李”标记为“可疑人员二”等。
判断模块106通过将所述识别结果中包含的信息与设定的预设用户的信息比对,以判断出所述识别结果是否为预设用户。
所述发送模块107用于若所述识别结果为预设用户,则发送告警信息至管理者。
在一实施方式中,所述告警信息可以通过短信或者邮件的方式发送至管理者,当然,也可以通过其他方式将告警信息发送至管理者。在本实施例中,所述管理者优选为公司的领导人员。当判断模块106判断出识别结果为预设用户时,则发送模块107及时发送告警信息至管理者,从而使得管理者可以及时了解情况。
通过上述程序模块101-107,本发明所提出的人脸识别系统100,当接收到用户触发的人脸识别指令时,开启摄像头采集现场画面;采用adaboost算法和卷积神经网络算法检测所述现场画面中的各帧画面的人脸图像;若检测到人脸图像,则使用预设的人脸特征提取模型提取所述人脸图像的特征信息;将所述特征信息传输至服务器,以供服务器根据预存的人脸数据库与所述特征信息识别出人脸身份,其中,所述人脸数据库中存储有人脸用户的身份信息与所述人脸用户的特征信息;及接收所述服务器返回的人脸身份识别结果;判断所述识别结果是否为预设用户;及若所述识别结果为预设用户,则发送告警信息至管理者。这样,通过在识别出人脸身份为特定用户时,及时发送告警信息至管理者,使得管理者可以立即了解情况,方便管理者及时处理。
此外,本发明还提出一种人脸识别方法。
参阅图5所示,是本发明人脸识别方法第一实施例的实施流程示意图。在本实施例中,根据不同的需求,图5所示的流程图中的步骤的执行顺序可以改变,某些步骤可以省略。
步骤S500,当接收到用户触发的人脸识别指令时,开启摄像头采集现场画面。
在一实施例中,所述人脸识别指令可以通过用户按压终端设备1的物理按键触发,也可以通过用户按压终端设备1的触摸按键触发。在一具体实施方式中,可以在终端设备1中预先安装一人脸识别应用,用户通过点击该应用程序图标触发。当接收到用户触发的人脸识别指令时,即会调用摄像头来采集现场画面。下面结合一具体应用场景进行说明:
当一公司保安发现一可疑人员(以可疑人员一为例)时,为了识别该可疑人员的身份,该保安人员可以通过其自身携带的终端设备触发一个人脸识别指令,可以理解的是,该保安人员在触发一人脸识别指令时,需要将终端设备的摄像头对着该可疑人员的正面,以便可以通过该终端设备采集到该可疑人员的正面人脸图像。
需要说明的是,上述应用场景仅为示例性的,并不以此为限,比如,也可以用于可疑人员二身份识别场景等。
步骤S502,采用adaboost算法和卷积神经网络算法检测所述现场画面中的各帧画面的人脸图像。
adaboost算法是一种迭代算法,其核心思想是针对同一个训练集训练不同的分类器(弱分类器),然后把这些弱分类器集合起来,构成一个更强的最终分类器(强分类器)。其算法本身是通过改变数据分布来实现的,它根据每次训练集之中每个样本的分类是否正确,以及上次的总体分类的准确率,来确定每个样本的权值。将修改过权值的新数据集送给下层分类器进行训练,最后将每次训练得到的分类器最后融合起来,作为最后的决策分类器。使用adaboost 分类器可以排除一些不必要的训练数据特征,并放在关键的训练数据上面。
在一实施方式中,所述卷积神经网络算法可以为CNN前向传播算法,该 CNN前向传播算法包括:输入层、卷基层、池化层、全连接层及输出层,其中:
所述输入层:输入一个所述人脸数字图像、CNN模型层数L和所有隐藏层的类型;
所述卷基层:定义卷积核的大小K、卷积核子矩阵的维度F、填充大小P、步幅S;
所述池化层:定义池化区域大小k和池化标准;
所述全连接层:定义激活函数和各层的神经元个数;
所述输出层:所述CNN模型的输出值为aL;
A、根据所述输入层的填充大小P,填充人脸数字图像的边缘得到输入张量al;
B、初始化所有所述隐藏层的参数W、b;
C、for l=2to L-1:
(1)如果第一层是所述卷基层,侧输出为
aL=σ(zl)=σ(al-1*Wl+bl);
(2)如果第一层是所述池化层,侧输出为
al=pool(al-1)(pool指按照所述池化区域大小k和所述池化标准将输入张量缩小的过程);
(3)如果第一层是所述全连接层,则输出为
al=σ(zl)=σ(Wlal-1+bl);
(4)对于所述输出层第L层:
aL=σ(ZL)=σ(WLaL_1+bL);
其中,上标代表层数、W表示卷积核、b代表偏倚、σ为激活函数ReLU。
在本实施例中,由于现场画面的各帧图像中可能存在人脸图像,也可能不存在人脸图像。因此,通过所述检测模块102可能没有输出,或者输出结果为一特定值,若没有输出,或者输出结果为一特定值,则表明检测的当前帧画面中不存在人脸图像,若有输出结果,且该输出结果不为一特定值,则表明检测的当前帧画面中存在人脸图像。
在一实施例中,可以对采集到的现场画面中的各帧画面依次进行分析。在对各帧画面进行分析时,优选按照采集帧画面的时间依次对各帧画面进行检测,以判断各个帧画面中是否存在人脸图像。具体分析过程如下:首先检测第一帧画面是否存在人脸图像,若第一帧画面中不存在人脸图像,则继续检测第二帧画面是否存在人脸图像,以此类推,直到发现帧画面中存在人脸图像为止,在发现帧画面中存在人脸图像时,则可以提取所述人脸图像的特征信息。在本实施例中,在提取到人脸图像时,可以不再对后续的帧画面进行检测,以节省终端运算资源。
在另一实施方式中,为了确保检测到的人脸图像为真人脸图像,而不是假人脸图像(比如,图片,模型等),在从帧画面中检测到第一人脸图像之后,还需要对检测到的人脸图像依据预设的眨眼识别模型进行识别,以识别出检测到的人脸图像是否为真人图像,若识别出为真人图像,则使用预设的人脸特征提取模型提取所述人脸图像的特征信息;若识别出不为真人图像,则不使用预设的人脸特征提取模型提取所述人脸图像的特征信息,而是需要继续对该帧画面之后的若干连续的帧画面进行检测以检测帧画面中的第二人脸图像。比如,该第一人脸图像为第五帧画面,则在检测到该第五帧画面存在人脸图像之后,继续对第六帧画面进行检测,判断该帧画面是否存在人脸图像,若该帧画面中存在人脸图像,则再次对检测到的第二人脸图像依据预设的眨眼识别模型进行识别,以识别出检测到的第二人脸图像是否为真人图像,若识别出为真人图像,则使用预设的人脸特征提取模型提取所述人脸图像的特征信息。若该二人脸图像依然不为真人图像,则继续对第七帧画面进行检测,以此类推,直到依据预设的眨眼识别模型进行识别,以识别出检测到的人脸图像为真人图像为止,或者所有的帧画面检测完为止。
在本发明实施例中,眨眼识别模型可以通过深度学习算法建立眨眼模型,然后通过大量的眨眼人脸图像样本对该眨眼模型进行训练,进而生成最终的眨眼识别模型。
步骤S504,在检测到人脸图像时,使用预设的人脸特征提取模型提取所述人脸图像的特征信息。
在一实施方式中,在使用预设的人脸特征提取模型提取所述人脸图像的特征信息步骤之前需要先利用深度学习算法建立特征提取模型,然后根据人脸样本对所述特征提取模型进行训练后得到所述人脸特征提取模型。在一具体实施方式中,在对根据人脸样本对所述特征提取模型进行训练时,首先提取各个人脸样本的人脸特征,然后对提取到的人脸特征进行聚类,最后以聚类结果作为监督信息,以上述人脸样本图像对特征提取模型进行训练,直到满足预设训练完成条件,从而得到人脸特征提取模型。
在本实施例中,在提取人脸特征信息时,需要先将人脸图像转换为需求特征向量,然后将所述需求特征向量输入至所述人脸特征提取模型,进而可以得到人脸图像的特征信息。其中,将该需求特征向量为一输入至人脸识别模型时,可以得到识别结果的特征向量。
步骤S506,将所述特征信息传输至服务器,以供服务器根据预存的人脸数据库与所述特征信息识别出人脸身份。
在一实施方式中,在提取到人脸的特征信息后,会将该特征信息传输至服务器。服务器中预存有的人脸数据库,该人脸数据库中包括人脸用户的身份信息与该人脸用户的特征信息。服务器在接收到特征信息之后,会将该特征信息与人脸数据库中存储的所有人脸用户的特征信息进行一一比对,当该特征信息与数据库中存储的人脸用户的特征信息的相似度大于预设阈值时,则将识别出该人脸身份。当该特征信息与数据库中存储的所有人脸用户的特征信息的相似度都低于该预设阈值时,则不能识别出人脸身份。
在另一实施方式中,除了将所述特征信息传输至服务器之外,还会将采集到的画面实时上传至指挥中心,以供指挥中心的用户远程查看当前画面。
在本实施方式中,当摄像头采集到现场画面时,会将采集到的画面实时上传至指挥中心,以供指挥中心的用户远程查看当前画面。在本实施例中,通过将现场的画面实时上传至指挥中心,使得指挥中心的人员可以及时了解现场情况,方便指挥中心人员根据现场情况进行远程指挥。
在另一实施方式中,为了便于指挥中心的人员可以知道该现场画面具体来自哪个地方,可以在上传画面中添加位置信息,这样,指挥中心的人员可以清楚地了解到现场的画面具体来自哪里,可以方便安排相关主管人员及时到现场进行处理。
步骤S508,接收所述服务器返回的人脸身份识别结果。
当服务器完成对特征信息的比对之后,会发出识别结果给终端设备。终端设备从而接收该识别结果。在本实施例中,当服务器识别出人脸身份时,该身份识别结果可以包括人员的姓名、性别、联系方式、与公司的关系(比如,在2016年购买了公司的意外险)等,该身份识别结果包含的内容仅为示例性的,并不以此为限。当服务器识别不出人脸身份时,该身份识别结果可以为“陌生人”或“身份识别不出”等,同理,该身份识别结果包含的内容也仅为示例性的,并不以此为限。
通过上述步骤S500-S508,本发明所提出的人脸识别方法,当接收到用户触发的人脸识别指令时,开启摄像头采集现场画面;采用adaboost算法和卷积神经网络算法检测所述现场画面中的各帧画面的人脸图像;若检测到人脸图像,则使用预设的人脸特征提取模型提取所述人脸图像的特征信息;将所述特征信息传输至服务器,以供服务器根据预存的人脸数据库与所述特征信息识别出人脸身份,其中,所述人脸数据库中存储有人脸用户的身份信息与所述人脸用户的特征信息;及接收所述服务器返回的人脸身份识别结果。这样,可以通过终端设备随时随地识别人脸,无需在特定位置安装高清摄像头,节省了成本,以及通过机器学习的方式来提取人脸特征信息,从而可以提高人脸识别的准确度。
参阅图6所示,是本发明人脸识别方法第二实施例的实施流程示意图。在本实施例中,根据不同的需求,图6所示的流程图中的步骤的执行顺序可以改变,某些步骤可以省略。
步骤S600,当接收到用户触发的人脸识别指令时,开启摄像头采集现场画面。
步骤S602,采用adaboost算法和卷积神经网络算法检测所述现场画面中的各帧画面的人脸图像。
步骤S604,在检测到人脸图像时,使用预设的人脸特征提取模型提取所述人脸图像的特征信息。
步骤S606,将所述特征信息传输至服务器,以供服务器根据预存的人脸数据库与所述特征信息识别出人脸身份,其中,所述人脸数据库中存储有人脸用户的身份信息与所述人脸用户的特征信息。
步骤S608,接收所述服务器返回的人脸身份识别结果。
上述步骤S600-S608与步骤S500-S508类似,在本实施方式中不再赘述。
步骤S610,判断所述识别结果是否为预设用户。
在一实施方式中,所述预设用户为带有标记的用户,该用户可以闹事人员,比如为可疑人员一,该用户也可以为可疑人员二,具体的可以根据用户需要进行设定。当用户发现某个用户为可疑人员一或者可疑人员二等,则可以对该用户进行标记,从而方便下次再发现该用户时,可以及时将其身份识别出来。比如,对“小王”标记为“可疑人员一”,对“小李”标记为“可疑人员二”等。
在本实施方式中,通过将所述识别结果中包含的信息与设定的预设用户的信息比对,以判断出所述识别结果是否为预设用户
步骤S612,若所述识别结果为预设用户,则发送告警信息至管理者。
在一实施方式中,所述告警信息可以通过短信或者邮件的方式发送至管理者,当然,也可以通过其他方式将告警信息发送至管理者。在本实施例中,所述管理者优选为公司的领导人员。当判断出识别结果为预设用户时,则及时发送告警信息至管理者,从而使得管理者可以及时了解情况。
通过上述步骤S600-S612,本发明所提出的人脸识别方法,当接收到用户触发的人脸识别指令时,开启摄像头采集现场画面;采用adaboost算法和卷积神经网络算法检测所述现场画面中的各帧画面的人脸图像;若检测到人脸图像,则使用预设的人脸特征提取模型提取所述人脸图像的特征信息;
将所述特征信息传输至服务器,以供服务器根据预存的人脸数据库与所述特征信息识别出人脸身份,其中,所述人脸数据库中存储有人脸用户的身份信息与所述人脸用户的特征信息;及接收所述服务器返回的人脸身份识别结果;判断所述识别结果是否为预设用户;及若所述识别结果为预设用户,则发送告警信息至管理者。这样,通过在识别出人脸身份为特定用户时,及时发送告警信息至管理者,使得管理者可以立即了解情况,方便管理者及时处理。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献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(如ROM/RAM、磁碟、光盘) 中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种人脸识别方法,应用于终端设备,其特征在于,所述方法包括:
当接收到用户触发的人脸识别指令时,开启摄像头采集现场画面;
采用adaboost算法和卷积神经网络算法检测所述现场画面中的各帧画面的人脸图像;
若检测到人脸图像,则使用预设的人脸特征提取模型提取所述人脸图像的特征信息;
将所述特征信息传输至服务器,以供服务器根据预存的人脸数据库与所述特征信息识别出人脸身份,其中,所述人脸数据库中存储有人脸用户的身份信息与所述人脸用户的特征信息;及
接收所述服务器返回的人脸身份识别结果。
2.如权利要求1所述的人脸识别方法,其特征在于,所述人脸识别方法还包括:
对检测到的人脸图像依据预设的眨眼识别模型进行识别,以识别出检测到的人脸图像是否为真人图像,若识别出为真人图像,则执行使用预设的人脸特征提取模型提取所述人脸图像的特征信息的步骤,若识别出不为真人图像,则不执行使用预设的人脸特征提取模型提取所述人脸图像的特征信息的步骤。
3.如权利要求1所述的人脸识别方法,其特征在于,所述使用预设的人脸特征提取模型提取所述人脸图像的特征信息步骤之前还包括:
利用深度学习算法建立特征提取模型,并根据人脸样本对所述特征提取模型进行训练以得到所述人脸特征提取模型;
所述使用预设的人脸特征提取模型提取所述人脸图像的特征信息的步骤包括:
将所述人脸图像转换为需求特征向量;及
将所述需求特征向量输入至所述人脸特征提取模型,以得到所述人脸图像的特征信息。
4.如权利要求1至3任一项所述的人脸识别方法,其特征在于,所述接收所述服务器返回的人脸身份识别结果的步骤之后,还包括:
判断所述识别结果是否为预设用户,所述预设用户为带有标记的用户;及
若所述识别结果为预设用户,则发送告警信息至管理者。
5.如权利要求1至3任一项所述的人脸识别方法,其特征在于,所述人脸识别方法还包括:
将采集到的画面实时上传至指挥中心,以供指挥中心的用户远程查看当前画面,其中,采集到的画面中包括画面发生的位置信息。
6.一种终端设备,其特征在于,所述终端设备包括摄像头、通讯模块、存储器、处理器,所述存储器上存储有可在所述处理器上运行的人脸识别系统,所述人脸识别系统被所述处理器执行时实现如下步骤:
当接收到用户触发的人脸识别指令时,开启摄像头采集现场画面;
采用adaboost算法和卷积神经网络算法检测所述现场画面中的各帧画面的人脸图像;
若检测到人脸图像,则使用预设的人脸特征提取模型提取所述人脸图像的特征信息;
将所述特征信息传输至服务器,以供服务器根据预存的人脸数据库与所述特征信息识别出人脸身份,其中,所述人脸数据库中存储有各个用户的特征信息;及
接收所述服务器返回的人脸身份识别结果。
7.如权利要求6所述的终端设备,其特征在于,所述人脸识别系统被所述处理器执行时,还实现如下步骤:
对检测到的人脸图像依据预设的眨眼识别模型进行识别,以识别出检测到的人脸图像是否为真人图像,若识别出为真人图像,则执行使用预设的人脸特征提取模型提取所述人脸图像的特征信息的步骤,若识别出不为真人图像,则不执行使用预设的人脸特征提取模型提取所述人脸图像的特征信息的步骤。
8.如权利要求6所述的终端设备,其特征在于,所述人脸识别系统被所述处理器执行时,还实现如下步骤:
利用深度学习算法建立特征提取模型,并根据人脸样本对所述特征提取模型进行训练以得到所述人脸特征提取模型;
所述使用预设的人脸特征提取模型提取所述人脸图像的特征信息的步骤包括:
将所述人脸图像转换为需求特征向量;及
将所述需求特征向量输入至所述人脸特征提取模型,以得到所述人脸图像的特征信息。
9.如权利要求6至8任一项所述的终端设备,其特征在于,所述人脸识别系统被所述处理器执行时,还实现如下步骤:
判断所述识别结果是否为预设用户,所述预设用户为带有标记的用户;及
若所述识别结果为预设用户,则发送告警信息至管理者。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有人脸识别系统,所述人脸识别系统可被至少一个处理器执行,以使所述至少一个处理器执行如权利要求1-5中任一项所述的人脸识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910063724.3A CN109919003A (zh) | 2019-01-23 | 2019-01-23 | 人脸识别方法、终端设备及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910063724.3A CN109919003A (zh) | 2019-01-23 | 2019-01-23 | 人脸识别方法、终端设备及计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109919003A true CN109919003A (zh) | 2019-06-21 |
Family
ID=66960504
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910063724.3A Pending CN109919003A (zh) | 2019-01-23 | 2019-01-23 | 人脸识别方法、终端设备及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109919003A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110866443A (zh) * | 2019-10-11 | 2020-03-06 | 厦门身份宝网络科技有限公司 | 人像存储方法、人脸识别方法、设备及存储介质 |
CN111047757A (zh) * | 2019-10-23 | 2020-04-21 | 中交武汉港湾工程设计研究院有限公司 | 一种基于入口人脸识别的导引服务系统及导引服务方法 |
CN111597910A (zh) * | 2020-04-22 | 2020-08-28 | 深圳英飞拓智能技术有限公司 | 一种人脸识别方法、装置、终端设备及介质 |
CN111985360A (zh) * | 2020-08-05 | 2020-11-24 | 上海依图网络科技有限公司 | 一种人脸识别的方法、装置、设备和介质 |
CN112235589A (zh) * | 2020-10-13 | 2021-01-15 | 中国联合网络通信集团有限公司 | 网络直播识别方法、边缘服务器、计算机设备及存储介质 |
CN112287830A (zh) * | 2020-10-29 | 2021-01-29 | 泰康保险集团股份有限公司 | 一种图像的检测方法及装置 |
CN112504628A (zh) * | 2020-11-23 | 2021-03-16 | 江苏科技大学 | 基于人脸识别的船模试验水池造波机控制系统及方法 |
CN113158823A (zh) * | 2021-03-30 | 2021-07-23 | 浙江大华技术股份有限公司 | 一种人脸识别方法及装置 |
CN113518474A (zh) * | 2020-03-27 | 2021-10-19 | 阿里巴巴集团控股有限公司 | 检测方法、装置、设备、存储介质和系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107992844A (zh) * | 2017-12-14 | 2018-05-04 | 合肥寰景信息技术有限公司 | 基于深度学习的人脸识别系统及方法 |
CN108269333A (zh) * | 2018-01-08 | 2018-07-10 | 平安科技(深圳)有限公司 | 人脸识别方法、应用服务器及计算机可读存储介质 |
CN108446674A (zh) * | 2018-04-28 | 2018-08-24 | 平安科技(深圳)有限公司 | 电子装置、基于人脸图像与声纹信息的身份识别方法及存储介质 |
CN109002789A (zh) * | 2018-07-10 | 2018-12-14 | 银河水滴科技(北京)有限公司 | 一种应用于摄像头的人脸识别方法 |
-
2019
- 2019-01-23 CN CN201910063724.3A patent/CN109919003A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107992844A (zh) * | 2017-12-14 | 2018-05-04 | 合肥寰景信息技术有限公司 | 基于深度学习的人脸识别系统及方法 |
CN108269333A (zh) * | 2018-01-08 | 2018-07-10 | 平安科技(深圳)有限公司 | 人脸识别方法、应用服务器及计算机可读存储介质 |
CN108446674A (zh) * | 2018-04-28 | 2018-08-24 | 平安科技(深圳)有限公司 | 电子装置、基于人脸图像与声纹信息的身份识别方法及存储介质 |
CN109002789A (zh) * | 2018-07-10 | 2018-12-14 | 银河水滴科技(北京)有限公司 | 一种应用于摄像头的人脸识别方法 |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110866443A (zh) * | 2019-10-11 | 2020-03-06 | 厦门身份宝网络科技有限公司 | 人像存储方法、人脸识别方法、设备及存储介质 |
CN111047757A (zh) * | 2019-10-23 | 2020-04-21 | 中交武汉港湾工程设计研究院有限公司 | 一种基于入口人脸识别的导引服务系统及导引服务方法 |
CN113518474A (zh) * | 2020-03-27 | 2021-10-19 | 阿里巴巴集团控股有限公司 | 检测方法、装置、设备、存储介质和系统 |
CN111597910A (zh) * | 2020-04-22 | 2020-08-28 | 深圳英飞拓智能技术有限公司 | 一种人脸识别方法、装置、终端设备及介质 |
CN111985360A (zh) * | 2020-08-05 | 2020-11-24 | 上海依图网络科技有限公司 | 一种人脸识别的方法、装置、设备和介质 |
CN112235589A (zh) * | 2020-10-13 | 2021-01-15 | 中国联合网络通信集团有限公司 | 网络直播识别方法、边缘服务器、计算机设备及存储介质 |
CN112287830A (zh) * | 2020-10-29 | 2021-01-29 | 泰康保险集团股份有限公司 | 一种图像的检测方法及装置 |
CN112504628A (zh) * | 2020-11-23 | 2021-03-16 | 江苏科技大学 | 基于人脸识别的船模试验水池造波机控制系统及方法 |
CN112504628B (zh) * | 2020-11-23 | 2023-04-18 | 江苏科技大学 | 基于人脸识别的船模试验水池造波机控制系统及方法 |
CN113158823A (zh) * | 2021-03-30 | 2021-07-23 | 浙江大华技术股份有限公司 | 一种人脸识别方法及装置 |
CN113158823B (zh) * | 2021-03-30 | 2023-05-12 | 浙江大华技术股份有限公司 | 一种人脸识别方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109919003A (zh) | 人脸识别方法、终端设备及计算机可读存储介质 | |
CN110325983A (zh) | 图像检索装置和图像检索方法 | |
CN110263613A (zh) | 监控视频处理方法及装置 | |
CN108491773A (zh) | 一种识别方法及系统 | |
CN108549848A (zh) | 用于输出信息的方法和装置 | |
CN112418360B (zh) | 卷积神经网络的训练方法、行人属性识别方法及相关设备 | |
US11514605B2 (en) | Computer automated interactive activity recognition based on keypoint detection | |
CN109977832B (zh) | 一种图像处理方法、装置及存储介质 | |
CN111415241A (zh) | 欺诈人员识别方法、装置、设备和存储介质 | |
CN110443120A (zh) | 一种人脸识别方法及设备 | |
CN110991231B (zh) | 活体检测方法、装置、服务器和人脸识别设备 | |
CN112364803A (zh) | 活体识别辅助网络和训练方法、终端、设备及存储介质 | |
Sahani et al. | Design of face recognition based embedded home security system | |
CN113890902A (zh) | 特征识别库的构建方法及装置、流量识别方法 | |
Singh et al. | Face recognition using open source computer vision library (OpenCV) with Python | |
US20220004652A1 (en) | Providing images with privacy label | |
CN110084213A (zh) | 人脸图像处理方法及装置 | |
WO2023000792A1 (zh) | 构建活体识别模型和活体识别的方法、装置、设备及介质 | |
CN111405175B (zh) | 摄像头控制方法、装置、计算机设备和存储介质 | |
KR20230090979A (ko) | 뉴럴 네트워크를 이용한 상담 가이드 정보 추천 방법 및 장치 | |
CN115546846A (zh) | 图像识别处理方法、装置、电子设备及存储介质 | |
Zhai et al. | Ensemble of multiresolution probabilistic neural network classifiers with fuzzy integral for face recognition | |
CN113469138A (zh) | 对象检测方法和装置、存储介质及电子设备 | |
KR102060110B1 (ko) | 컨텐츠에 포함되는 객체를 분류하는 방법, 장치 및 컴퓨터 프로그램 | |
CN117275156B (zh) | 无人值守共享棋牌室预定系统 |
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 |