CN109977745B - 人脸图像处理方法及相关装置 - Google Patents
人脸图像处理方法及相关装置 Download PDFInfo
- Publication number
- CN109977745B CN109977745B CN201811599359.XA CN201811599359A CN109977745B CN 109977745 B CN109977745 B CN 109977745B CN 201811599359 A CN201811599359 A CN 201811599359A CN 109977745 B CN109977745 B CN 109977745B
- Authority
- CN
- China
- Prior art keywords
- face
- group
- face images
- cleaning
- images
- 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
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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- General Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本申请实施例公开了人脸图像处理方法及相关装置,方法包括:通过特征提取模型将第一人脸图像集合中的多组不同人脸的人脸图像转化成多组人脸图像特征向量;计算所述多组人脸图像特征向量中每组人脸图像特征向量的平均余弦相似度;根据所述每组人脸图像特征向量的平均余弦相似度,确定所述每组人脸图像对应的清洗方式,所述清洗方式包括算法清洗和人工清洗;按照所述每组人脸图像对应的清洗方式对所述第一人脸图像集合中的多组人脸图像进行清洗,得到第二人脸图像集合。本申请通过结合算法清洗和人工清洗对人脸图像集合进行处理,有利于提高人脸图像集合中同一人脸的人脸图像的可靠性和准确性。
Description
技术领域
本申请涉及电子技术领域,具体涉及一种人脸图像处理的方法及相关装置。
背景技术
在对人脸识别进行深度学习时,需要大量的人脸数据,人脸数据的数量和质量都会影响人脸学习的准确性和可靠性。在收集人脸数据的过程中,实际收集到的人脸数据往往缺乏可靠性,特别是在人脸数据较大时,人脸数据中针对某个人的多张人脸图像中可能会混入其他人的人脸图像,或者,包含多张重复的人脸图像,此时若直接采用人脸数据进行人脸识别的学习,会导致针对人脸识别的学习结果有一定的误差。
发明内容
本申请实施例提供了一种人脸图像处理方法及相关装置,以实现对大量人脸图像进行清洗,提高人脸图像的准确性和可靠性。
第一方面,本申请实施例提供一种人脸图像处理方法应用于电子设备,所述方法包括:
通过特征提取模型将第一人脸图像集合中的多组不同人脸的人脸图像转化成多组人脸图像特征向量;
计算所述多组人脸图像特征向量中每组人脸图像特征向量的平均余弦相似度;
根据所述每组人脸图像特征向量的平均余弦相似度,确定所述每组人脸图像对应的清洗方式,所述清洗方式包括算法清洗和人工清洗,所述算法清洗和人工清洗用于控制清洗后的每组人脸图像中的人脸为同一人脸,且所述每组人脸图像中任意两张人脸图像不相同;
按照所述每组人脸图像对应的清洗方式对所述第一人脸图像集合中的多组人脸图像进行清洗,得到第二人脸图像集合,所述第二人脸图像集合中的人脸图像组数不大于所述第一人脸图像集合中的人脸图像组数。
第二方面,本申请实施例提供一种人脸图像处理装置,应用于电子设备,所述人脸图像处理装置包括处理单元和通信单元,其中,
所述处理单元,用于通过所述通信单元控制特征提取模型将第一人脸图像集合中的多组不同人脸的人脸图像转化成多组人脸图像特征向量;以及用于计算所述多组人脸图像特征向量中每组人脸图像特征向量的平均余弦相似度;以及用于根据所述每组人脸图像特征向量的平均余弦相似度,确定所述每组人脸图像对应的清洗方式,所述清洗方式包括算法清洗和人工清洗,所述算法清洗和人工清洗用于控制清洗后的每组人脸图像中的人脸为同一人脸,且所述每组人脸图像中任意两张人脸图像不相同;以及用于按照所述每组人脸图像对应的清洗方式对所述第一人脸图像集合中的多组人脸图像进行清洗,得到第二人脸图像集合,所述第二人脸图像集合中的人脸图像组数不大于所述第一人脸图像集合中的人脸图像组数。
第三方面,本申请实施例提供一种电子设备,包括处理器、存储器、通信接口以及一个或多个程序,其中,上述一个或多个程序被存储在上述存储器中,并且被配置由上述处理器执行,上述程序包括用于执行本申请实施例第一方面任一方法中的步骤的指令。
第四方面,本申请实施例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任一方法中所描述的部分或全部步骤。
第五方面,本申请实施例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任一方法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。
可以看出,本申请实施例中,电子设备首先通过特征提取模型将第一人脸图像集合中的多组不同人脸的人脸图像转化成多组人脸图像特征向量,其次,计算所述多组人脸图像特征向量中每组人脸图像特征向量的平均余弦相似度,然后,根据所述每组人脸特征向量的平均余弦相似度,确定所述每组人脸图像对应的清洗方式,所述清洗方式包括算法清洗和人工清洗,所述算法清洗和人工清洗用于控制清洗后的每组人脸图像中的人脸为同一人脸,最后,按照所述每组人脸图像对应的清洗方式对所述第一人脸图像集合中的多组人脸图像进行清洗,得到第二人脸图像集合,所述第二人脸图像集合包括所述多组人脸图像中的至少一组人脸图像。由于电子设备将第一人脸图像集合中多组不同人脸的人脸图像集合转化成了多组人脸图像特征向量,并通过每组人脸图像特征向量的平均余弦相似度确定每组人脸图像的清洗方式,从而通过人工清洗或算法清洗对其进行清洗,使得得到的第二人脸图像集合中每组人脸图像中的人脸图像都为相同的人脸,且无重复的人脸图像,有利于提高人脸图像的可靠性和准确性。
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是本申请实施例提供的第一人脸图像集合的结构示意图;
图2是本申请实施例提供的一种人脸图像处理方法的流程示意图;
图3是本申请实施例提供的另一种人脸图像处理方法的流程示意图;
图4是本申请实施例提供的另一种人脸图像处理方法的流程示意图;
图5是本申请实施例提供的一种电子设备的结构示意图;
图6是本申请实施例提供的一种人脸图像处理装置的功能单元组成框图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,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作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。
在本文中提及“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,本文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设备可以包括各种手持设备、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(UserEquipment,UE),移动台(Mobile Station,MS),电子设备设备(terminal Pevice)等等。
本申请实施例提出一种人脸图像处理方法,下面结合附图对本申请实施例进行详细介绍。
在对人脸图像进行深度学习时需要大量的人脸数据,但是数据越大时其中的噪声可能也越多,人脸数据的噪声主要是某个人脸身份(Identification,ID)对应的多张人脸图像中混入了其他人脸的人脸图像,或者,多张人脸图像中有重复的人脸图像,因此,需要对人脸数据进行清除,去除其中的噪声,以便在人脸学习、训练人脸识别模型时,可以提高训练得到的人脸识别模型的精度。在本申请实施例中,需要清洗的人脸数据为第一人脸数据集合,如图1所示,为第一人脸数据集合的结构示例图,第一人脸图像集合中的包括针对用户A、用户B、用户C和用户D的四组不同用户的人脸图像,每组人脸图像包括多张人脸图像,对第一人脸图像集合中的人脸图像进行清洗后,可去除掉用户A的K张人脸图像中,不是用户A的人脸图像和重复的人脸图像,以及用户B的L张人脸图像中,不是用户B的人脸图像和重复的人脸图像,以及用户C的M张人脸图像中,不是用户C的人脸图像和重复的人脸图像,以及用户D的N张人脸图像中,不是用户D的人脸图像和重复的人脸图像,进而得到了第二图像集合,使用第二图像集合中的人脸图像对用户A、用户B、用户C以及用户D的人脸进行学习后得到的人脸识别模型精度更高。
请参阅图2,图2是本申请实施例提供了一种人脸图像处理方法的流程示意图,应用于电子设备,如图所示,本人脸图像处理方法包括:
S201,电子设备通过特征提取模型将第一人脸图像集合中的多组不同人脸的人脸图像转化成多组人脸图像特征向量。
其中,第一人脸图像集合中包括多个人脸的人脸图像,每个人脸为一个ID,每个ID包括对应人脸的多张人脸图像,因此,第一人脸图像集合中有多个不同人脸的人脸图像,例如,第一人脸图像集合中包括用户A的K张人脸图像,用户B的L张人脸图像,用户C的M张人脸图像,用户D的N张人脸图像,因此,第一人脸图像集合中包括4组不同用户的人脸图像。
其中,通过特征提取模型可以将输入的人脸图像转化成人脸图像特征向量,人脸图像特征向量的维度通常为128、256、512、1024等,在此不作任何限定,从而,得到了多组人脸图像特征向量。
S202,所述电子设备计算所述多组人脸图像特征向量中每组人脸图像特征向量的平均余弦相似度。
其中,通过测量两个人脸图像特征向量的夹角的余弦值可以度量它们之间的相似度,0度的余弦值是1,其他任何角度的余弦值都不大于1,最小值是-1。当两张人脸图像为重复的人脸图像时,对应人脸图像特征向量之间的余弦相似度为1或接近1;当两张人脸图像中的人脸为相同人脸时,对应人脸图像特征向量之间的余弦相似度应可能接近1但不等于1;当两张人脸图像中的人脸为不同人脸时,对应人脸图像特征向量之间的余弦相似度可能为-1或接近-1。
其中,多组人脸图像特征向量中包括多个人脸图像特征向量,因此,可计算每组人脸图像特征向量的平均余弦相似度,从而,比较每组人脸图像中的每张人脸图像之间的相似度。
S203,所述电子设备根据所述每组人脸图像特征向量的平均余弦相似度,确定所述每组人脸图像对应的清洗方式,所述清洗方式包括算法清洗和人工清洗,所述算法清洗和人工清洗用于控制清洗后的每组人脸图像中的人脸为同一人脸,且所述每组人脸图像中任意两张人脸图像不相同。
其中,每组人脸图像特征向量对应一个平均余弦相似度,根据每组人脸图像特征向量的平均余弦相似度,可确定每组人脸图像对应的清洗方式,确定是通过算法清洗方式来清洗该组人脸图像特征向量还是通过人工清洗方式来清洗该组人脸图像特征向量。
其中,通过对多组人脸图像进行清洗,可以使得剩下的每组人脸图像中,每张人脸图像中的人脸为相同的人脸,即每组人脸图像为同一个人的人脸图像,没有其他人的人脸图像,且每组人脸图像中的任意两张人脸图像不相同。
其中,人工清洗,即由人手工对人脸图像集合中的多组人脸图像进行筛选,筛选后得到的人脸图像集合可靠性较高,但是效率低且人工成本昂贵,算法清洗,即设计算法将人脸图像集合中不满足条件的人脸图像去除,效率高,但是算法容易有误差,导致筛选后得到的人脸图像集合可靠性较低。而本申请实施例中结合人工清洗和算法清洗,根据每组人脸图像的平均余弦相似度,确定清洗方式,有利于高效准确的提高人脸图像集合中人脸图像的质量。
S204,所述电子设备按照所述每组人脸图像对应的清洗方式对所述第一人脸图像集合中的多组人脸图像进行清洗,得到第二人脸图像集合,所述第二人脸图像集合中的人脸图像组数不大于所述第一人脸图像集合中的人脸图像组数。
举例说明,第一人脸图像集合中包括4组不同用户的人脸图像,分别是,第一组为用户A的1000张人脸图像,第二组为用户B的1500张人脸图像,第三组为用户C的2000张人脸图像,第四组为用户D的2500张人脸图像,但是通过计算每组人脸图像的平均余弦相似度之后,发现第一组中用户A的1000张照片中有重复的人脸图像,第三组中用户C的2000中人脸图像中有其他用户的人脸图像,通过算法清洗和人工清洗后,得到的第二人脸图像集合中包括用户A的995张人脸图像,用户B的1500张人脸图像,用户C的1998张人脸图像,用户D的2500张人脸图像,此时,已经清洗掉了第一组中重复的人脸图像,第三组中其他用户的人脸图像,使得第二图像集合中的照片准确性和可靠性更好,为后续人脸学习提供了更准确可靠的人脸数据。
可以看出,本申请实施例中,电子设备首先通过特征提取模型将第一人脸图像集合中的多组不同人脸的人脸图像转化成多组人脸图像特征向量,其次,计算所述多组人脸图像特征向量中每组人脸图像特征向量的平均余弦相似度,然后,根据所述每组人脸特征向量的平均余弦相似度,确定所述每组人脸图像对应的清洗方式,所述清洗方式包括算法清洗和人工清洗,所述算法清洗和人工清洗用于控制清洗后的每组人脸图像中的人脸为同一人脸,最后,按照所述每组人脸图像对应的清洗方式对所述第一人脸图像集合中的多组人脸图像进行清洗,得到第二人脸图像集合,所述第二人脸图像集合包括所述多组人脸图像中的至少一组人脸图像。由于电子设备将第一人脸图像集合中多组不同人脸的人脸图像集合转化成了多组人脸图像特征向量,并通过每组人脸图像特征向量的平均余弦相似度确定每组人脸图像的清洗方式,从而通过人工清洗或算法清洗对其进行清洗,使得得到的第二人脸图像集合中每组人脸图像中的人脸图像都为相同的人脸,且无重复的人脸图像,有利于提高人脸图像的可靠性和准确性。
在一个可能的示例中,所述计算所述多组人脸图像特征向量中每组人脸图像特征向量的平均余弦相似度,包括:确定所述每组人脸图像特征向量中的任意两个人脸特征向量之间的余弦相似度,得到多个余弦相似度;计算所述多个余弦相似度之间的平均值,得到所述每组人脸图像特征向量的平均余弦相似度。
其中,在获取每组人脸图像特征向量的平均值时,需要先计算每组人脸图像特征向量中,任意两个人脸特征向量之间的余弦相似度,得到多个余弦相似度后计算该多个余弦相似度的平均值,即为该组人脸图像特征向量的平均余弦相似度。举例说明,第一组人脸图像中有用户A的1000张照片,因此对应有1000个人脸图像特征向量,计算其中任意两个人脸图像特征向量之间的余弦相似度,得到499500个余弦相似度,计算平均值则得到第一人脸图像特征向量的平均余弦相似度。
可见,本示例中,通过计算每组人脸图像特征向量中的任意两个人脸特征向量之间的余弦相似度,可以得到每组人脸图像特征向量的平均余弦相似度,进而,有利于根据每组人脸图像特征向量的平均余弦相似度确定每组人脸图像中的多张人脸图像之间的相似度,从而,确定其适配的清洗方式。
在一个可能的示例中,所述根据所述每组人脸特征向量的平均余弦相似度,确定所述每组人脸图像对应的清洗方式,包括:在检测到所述每组人脸图像特征向量的平均余弦相似度大于或等于第一预设阈值时,确定所述每组人脸图像的清洗方式为算法清洗;在检测到所述每组人脸图像特征向量的平均余弦相似度小于所述第一预设阈值时,确定所述每组人脸图像的清洗方式为人工清洗。
其中,余弦相似度的数值在-1到1之间,但每组人脸图像中的人脸图像越相似时,平均余弦相似度越接近1,数值也越大。因次,可通过设定第一预设阈值,通过比较平均余弦相似度和第一预设阈值时间的大小关系,确定每组人脸图像对应的清洗方式,例如,第一预设阈值为0.7,则在平均余弦相似度大于0.7时,可以通过算法清洗,在平均余弦相似度小于0.7时,可通过人工清洗。
可见,本示例中,通过设定第一预设阈值,并将每组人脸图像特征向量的平均余弦相似度和第一预设阈值进行比较,确定每组人脸图像的清洗方式,平均余弦相似度大于第一预设阈值的一组人脸图像中,可能还包括重复的人脸图像,因此更适合采用算法清洗去掉里面重复的人脸图像,平均余弦相似度小于第一预设阈值的一组人脸图像中,可能还包括其他用户的人脸图像,因此更适合采用人工清洗去掉里面其他用户的人脸图像,从而,通过结合人工清洗和算法清洗有利于提高对人脸图像进行清洗的可靠性和效率。
在一个可能的示例中,所述按照所述每组人脸图像对应的清洗方式对所述第一人脸图像集合中的多组人脸图像进行清洗,得到第二人脸图像集合,包括:在确定按照所述算法清洗来清洗所述多组人脸图像时,在检测到所述多组人脸图像中存在人脸图像特征向量的平均余弦值大于第二预设阈值的目标人脸图像组时,确定所述目标人脸图像组中的多张人脸图像为相同的人脸图像,所述第二预设阈值大于所述第一预设阈值;将所述多组人脸图像中除所述目标人脸图像组中的至少一组人脸图像添加到所述第二人脸图像集合。
其中,在确定按照算法清洗来清洗某组人脸图像时,将该组人脸图像特征向量的平均余弦相似度和第二预设阈值进行比较,第二预设阈值为数值较大,接近1到数值,例如0.9或0.95。当检测到某组人脸图像的平均余弦相似度大于第二预设阈值,如大于第二预设阈值0.9,则可认为该组人脸图像中有重复的人脸图像,即相同的两张人脸图像,可直接丢弃该组人脸图像。
可见,本示例中,在按照算法清洗某组人脸图像的过程中,先通过比较该组人脸图像对应的平均余弦相似度是否大于第二预设阈值,来确定该组人脸图像中是否有重复的人脸图像,从而,在检测到平均余弦相似度大于第二预设阈值时可以直接丢弃掉该组人脸图像,有利于保证请洗后的每组人脸图像中没有重复的人脸图像。
在一个可能的示例中,所述按照所述每组人脸图像对应的清洗方式对所述第一人脸图像集合中的多组人脸图像进行清洗,得到第二人脸图像集合,包括:在确定按照所述人工清洗来清洗所述多组人脸图像时,确定待人工清洗的多组人脸图像中每组人脸图像对应的平均余弦相似度;根据所述平均余弦相似度由大到小对所述多组人脸图像进行排序;按照所述排序依次显示所述多组人脸图像,并通知进行人工清洗。
其中,在确定按照人工清洗来清洗多组人脸图像时,先确定每组人脸图像的平均余弦相似度,并按照平均余弦相似度从大到小的顺序将多组人脸图像进行牌组,然后在电视设备上依次显示多组人脸图像,通知持有电子设备的用户通过手动对每组人脸图像中的多张人脸图像进行清洗,即去除掉每组人脸图像中混入的其他用户的人脸图像。例如,用户A的一组照片中混入了用户B的一张或多张人脸图像,则需要人工去除该组照片中用户B人脸图像,从而提高该组人脸图像的纯净度。
其中,可设定第三预设阈值,在待人工清洗的多组人脸图像中,若有对应的平均余弦相似大小于第三预设阈值的一组人脸图像时,可直接删除该组人脸图像,例如,预设阈值为0.2,则可将平均余弦相似度在-1到0.2之间的多组人脸图像直接删除,在平均余弦相似度数值较低时,表明该组人脸图像中可能有多个不相同的人脸。
可见,本示例中,在按照人工清洗来清洗多组人脸图像时,按照每组人脸图像的平均余弦相似度由大到小的顺序对每组人脸图像进行排序,从而在清洗时,可以先清洗相对容易的一组人脸图像,再清洗相对难一点的一组人脸图像,有利于帮助清洗用户逐步适应人工清洗的过程,进而提高人工清洗的效率。
在一个可能的示例中,所述按照所述每组人脸图像对应的清洗方式对所述第一人脸图像集合中的多组人脸图像进行清洗,得到第二人脸图像集合,包括:在确定按照所述人工清洗来清洗所述多组人脸图像时,将所述多组人脸图像发送给至少一个预设移动终端,由持有所述至少一个预设移动终端的至少一个专业清洗工作人员进行人工清洗;接收由所述至少一个预设移动终端发送的经过清洗后得到的至少一组人脸图像;将所述至少一组人脸图像添加到所述第二人脸图像集合。
其中,由于每组人脸图片的数据量较大,且可能有多组需要进行人工清洗的人脸图像,因此,可将多组待人工清洗人脸图像发送给至少一个预设移动这终端,至少一个移动终端中的每个移动终端会接收到至少一组待人工清洗的人脸图像,在持有预设移动终端的用户人工对接收到的至少一组人脸图像进行清洗后,预设移动终端将清洗后的人脸图像发送给电子设备。
可见,本示例中,在确定按照人工清洗来清洗多组人脸图像时,将多组待清洗的人脸图像发送给至少一个预设移动终端,从而,可以持有至少一个预设移动终端的至少一个专业清洗人员来对每组人脸图像进行清洗,分工进行,有利于提高清洗效率。
在一个可能的示例中,所述按照所述多组人脸图像对应的清洗方式对所述多组人脸图像进行清洗,得到第二人脸图像集合之后,所述方法还包括:删除所述第一人脸图像集合,并将所述第二人脸图像集合保存到数据库。
可见,本示例中,在对第一人脸图像集合中的多组人脸图像进行清洗后,得到第二人脸图像集合,因此,可删除存储的数据库中的第一人脸图像集合,有利于在后续进行人脸识别深度学习时,可直接使用第二人脸图像集合中的多组人脸图像,为人脸识别学习提供更准确可靠的人脸数据。
与上述图2所示的实施例一致的,请参阅图3,图3是本申请实施例提供的另一种人脸图像处理方法的流程示意图,应用于电子设备,如图所示,本人脸图像处理方法包括:
S301、电子设备通过特征提取模型将第一人脸图像集合中的多组不同人脸的人脸图像转化成多组人脸图像特征向量。
S302、所述电子设备确定所述每组人脸图像特征向量中的任意两个人脸特征向量之间的余弦相似度,得到多个余弦相似度。
S303、所述电子设备计算所述多个余弦相似度之间的平均值,得到所述每组人脸图像特征向量的平均余弦相似度。
S304、所述电子设备根据所述每组人脸特征向量的平均余弦相似度,确定所述每组人脸图像对应的清洗方式,所述清洗方式包括算法清洗和人工清洗,所述算法清洗和人工清洗用于控制清洗后的每组人脸图像中的人脸为同一人脸。
S305、所述电子设备按照所述每组人脸图像对应的清洗方式对所述第一人脸图像集合中的多组人脸图像进行清洗,得到第二人脸图像集合,所述第二人脸图像集合包括所述多组人脸图像中的至少一组人脸图像。
可以看出,本申请实施例中,电子设备首先通过特征提取模型将第一人脸图像集合中的多组不同人脸的人脸图像转化成多组人脸图像特征向量,其次,计算所述多组人脸图像特征向量中每组人脸图像特征向量的平均余弦相似度,然后,根据所述每组人脸特征向量的平均余弦相似度,确定所述每组人脸图像对应的清洗方式,所述清洗方式包括算法清洗和人工清洗,所述算法清洗和人工清洗用于控制清洗后的每组人脸图像中的人脸为同一人脸,最后,按照所述每组人脸图像对应的清洗方式对所述第一人脸图像集合中的多组人脸图像进行清洗,得到第二人脸图像集合,所述第二人脸图像集合包括所述多组人脸图像中的至少一组人脸图像。由于电子设备将第一人脸图像集合中多组不同人脸的人脸图像集合转化成了多组人脸图像特征向量,并通过每组人脸图像特征向量的平均余弦相似度确定每组人脸图像的清洗方式,从而通过人工清洗或算法清洗对其进行清洗,使得得到的第二人脸图像集合中每组人脸图像中的人脸图像都为相同的人脸,且无重复的人脸图像,有利于提高人脸图像的可靠性和准确性。
此外,通过计算每组人脸图像特征向量中的任意两个人脸特征向量之间的余弦相似度,可以得到每组人脸图像特征向量的平均余弦相似度,进而,有利于根据每组人脸图像特征向量的平均余弦相似度确定每组人脸图像中的多张人脸图像之间的相似度,从而,确定其适配的清洗方式。
与上述图2、图3所示的实施例一致的,请参阅4,图4是本申请实施例提供的另一种人脸图像处理方法的流程示意图,应用于地铁预警系统的电子设备,如图所示,本人脸图像处理方法包括:
S401、电子设备通过特征提取模型将第一人脸图像集合中的多组不同人脸的人脸图像转化成多组人脸图像特征向量。
S402、所述电子设备确定所述每组人脸图像特征向量中的任意两个人脸特征向量之间的余弦相似度,得到多个余弦相似度。
S403、所述电子设备计算所述多个余弦相似度之间的平均值,得到所述每组人脸图像特征向量的平均余弦相似度。
S404、所述电子设备根据所述每组人脸特征向量的平均余弦相似度,确定所述每组人脸图像对应的清洗方式,所述清洗方式包括算法清洗和人工清洗,所述算法清洗和人工清洗用于控制清洗后的每组人脸图像中的人脸为同一人脸。
S405、所述电子设备按照所述每组人脸图像对应的清洗方式对所述第一人脸图像集合中的多组人脸图像进行清洗,得到第二人脸图像集合,所述第二人脸图像集合包括所述多组人脸图像中的至少一组人脸图像。
S406、所述电子设备删除所述第一人脸图像集合,并将所述第二人脸图像集合保存到数据库。
可以看出,本申请实施例中,电子设备首先通过特征提取模型将第一人脸图像集合中的多组不同人脸的人脸图像转化成多组人脸图像特征向量,其次,计算所述多组人脸图像特征向量中每组人脸图像特征向量的平均余弦相似度,然后,根据所述每组人脸特征向量的平均余弦相似度,确定所述每组人脸图像对应的清洗方式,所述清洗方式包括算法清洗和人工清洗,所述算法清洗和人工清洗用于控制清洗后的每组人脸图像中的人脸为同一人脸,最后,按照所述每组人脸图像对应的清洗方式对所述第一人脸图像集合中的多组人脸图像进行清洗,得到第二人脸图像集合,所述第二人脸图像集合包括所述多组人脸图像中的至少一组人脸图像。由于电子设备将第一人脸图像集合中多组不同人脸的人脸图像集合转化成了多组人脸图像特征向量,并通过每组人脸图像特征向量的平均余弦相似度确定每组人脸图像的清洗方式,从而通过人工清洗或算法清洗对其进行清洗,使得得到的第二人脸图像集合中每组人脸图像中的人脸图像都为相同的人脸,且无重复的人脸图像,有利于提高人脸图像的可靠性和准确性。
此外,通过计算每组人脸图像特征向量中的任意两个人脸特征向量之间的余弦相似度,可以得到每组人脸图像特征向量的平均余弦相似度,进而,有利于根据每组人脸图像特征向量的平均余弦相似度确定每组人脸图像中的多张人脸图像之间的相似度,从而,确定其适配的清洗方式。
此外,在对第一人脸图像集合中的多组人脸图像进行清洗后,得到第二人脸图像集合,因此,可删除存储的数据库中的第一人脸图像集合,有利于在后续进行人脸识别深度学习时,可直接使用第二人脸图像集合中的多组人脸图像,为人脸识别学习提供更准确可靠的人脸数据。
与上述图2、图3、图4所示的实施例一致的,请参阅图5,图5是本申请实施例提供的一种电子设备500的结构示意图,如图所示,所述电子设备500包括应用处理器510、存储器520、通信接口530以及一个或多个程序521,其中,所述一个或多个程序521被存储在上述存储器520中,并且被配置由上述应用处理器510执行,所述一个或多个程序521包括用于执行以下步骤的指令;
通过特征提取模型将第一人脸图像集合中的多组不同人脸的人脸图像转化成多组人脸图像特征向量;
计算所述多组人脸图像特征向量中每组人脸图像特征向量的平均余弦相似度;
根据所述每组人脸特征向量的平均余弦相似度,确定所述每组人脸图像对应的清洗方式,所述清洗方式包括算法清洗和人工清洗,所述算法清洗和人工清洗用于控制清洗后的每组人脸图像中的人脸为同一人脸;
按照所述每组人脸图像对应的清洗方式对所述第一人脸图像集合中的多组人脸图像进行清洗,得到第二人脸图像集合,所述第二人脸图像集合包括所述多组人脸图像中的至少一组人脸图像。
可以看出,本申请实施例中,电子设备首先通过特征提取模型将第一人脸图像集合中的多组不同人脸的人脸图像转化成多组人脸图像特征向量,其次,计算所述多组人脸图像特征向量中每组人脸图像特征向量的平均余弦相似度,然后,根据所述每组人脸特征向量的平均余弦相似度,确定所述每组人脸图像对应的清洗方式,所述清洗方式包括算法清洗和人工清洗,所述算法清洗和人工清洗用于控制清洗后的每组人脸图像中的人脸为同一人脸,最后,按照所述每组人脸图像对应的清洗方式对所述第一人脸图像集合中的多组人脸图像进行清洗,得到第二人脸图像集合,所述第二人脸图像集合包括所述多组人脸图像中的至少一组人脸图像。由于电子设备将第一人脸图像集合中多组不同人脸的人脸图像集合转化成了多组人脸图像特征向量,并通过每组人脸图像特征向量的平均余弦相似度确定每组人脸图像的清洗方式,从而通过人工清洗或算法清洗对其进行清洗,使得得到的第二人脸图像集合中每组人脸图像中的人脸图像都为相同的人脸,且无重复的人脸图像,有利于提高人脸图像的可靠性和准确性。
在一个可能的示例中,在所述计算所述多组人脸图像特征向量中每组人脸图像特征向量的平均余弦相似度方面,所述程序中的指令具体用于执行以下操作:确定所述每组人脸图像特征向量中的任意两个人脸特征向量之间的余弦相似度,得到多个余弦相似度;计算所述多个余弦相似度之间的平均值,得到所述每组人脸图像特征向量的平均余弦相似度。
在一个可能的示例中,在所述根据所述每组人脸特征向量的平均余弦相似度,确定所述每组人脸图像对应的清洗方式方面,所述程序中的指令具体用于执行以下操作:在检测到所述每组人脸图像特征向量的平均余弦相似度大于或等于第一预设阈值时,确定所述每组人脸图像的清洗方式为算法清洗;在检测到所述每组人脸图像特征向量的平均余弦相似度小于所述第一预设阈值时,确定所述每组人脸图像的清洗方式为人工清洗。
在一个可能的示例中,在所述按照所述每组人脸图像对应的清洗方式对所述第一人脸图像集合中的多组人脸图像进行清洗,得到第二人脸图像集合方面,所述程序中的指令具体用于执行以下操作:在确定按照所述算法清洗来清洗所述多组人脸图像时,在检测到所述多组人脸图像中存在人脸图像特征向量的平均余弦值大于第二预设阈值的目标人脸图像组时,确定所述目标人脸图像组中的多张人脸图像为相同的人脸图像,所述第二预设阈值大于所述第一预设阈值;将所述多组人脸图像中除所述目标人脸图像组中的至少一组人脸图像添加到所述第二人脸图像集合。
在一个可能的示例中,所在所述按照所述每组人脸图像对应的清洗方式对所述第一人脸图像集合中的多组人脸图像进行清洗,得到第二人脸图像集合方面,所述程序中的指令具体用于执行以下操作:在确定按照所述人工清洗来清洗所述多组人脸图像时,确定待人工清洗的多组人脸图像中每组人脸图像对应的平均余弦相似度;根据所述平均余弦相似度由大到小对所述多组人脸图像进行排序;按照所述排序依次显示所述多组人脸图像,并通知进行人工清洗。
在一个可能的示例中,在所述按照所述每组人脸图像对应的清洗方式对所述第一人脸图像集合中的多组人脸图像进行清洗,得到第二人脸图像集合方面,所述程序中的指令还用于执行以下操作:在确定按照所述人工清洗来清洗所述多组人脸图像时,将所述多组人脸图像发送给至少一个预设移动终端,由持有所述至少一个预设移动终端的至少一个专业清洗工作人员进行人工清洗;接收由所述至少一个预设移动终端发送的经过清洗后得到的至少一组人脸图像;将所述至少一组人脸图像添加到所述第二人脸图像集合。
在一个可能的示例中,所述按照所述多组人脸图像对应的清洗方式对所述多组人脸图像进行清洗,得到第二人脸图像集合之后,所述程序中的指令还用于执行以下操作:删除所述第一人脸图像集合,并将所述第二人脸图像集合保存到数据库。
可以理解的是,电子设备为了实现上述功能,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电子设备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。
图6是本申请实施例中所涉及的人脸图像处理装置600的功能单元组成框图。该控制装置600应用于电子设备,包括处理单元601和通信单元602,其中,所述处理单元601,用于通过所述通信单元602控制特征提取模型将第一人脸图像集合中的多组不同人脸的人脸图像转化成多组人脸图像特征向量;以及用于计算所述多组人脸图像特征向量中每组人脸图像特征向量的平均余弦相似度;以及用于根据所述每组人脸图像特征向量的平均余弦相似度,确定所述每组人脸图像对应的清洗方式,所述清洗方式包括算法清洗和人工清洗,所述算法清洗和人工清洗用于控制清洗后的每组人脸图像中的人脸为同一人脸,且所述每组人脸图像中任意两张人脸图像不相同;以及用于按照所述每组人脸图像对应的清洗方式对所述第一人脸图像集合中的多组人脸图像进行清洗,得到第二人脸图像集合,所述第二人脸图像集合中的人脸图像组数不大于所述第一人脸图像集合中的人脸图像组数。
其中,所述人脸图像处理装置600还可以包括存储单元603,用于存储电子设备的程序代码和数据。所述处理单元601可以是处理器,所述通信单元602可以是触控显示屏或者收发器,存储单元603可以是存储器。
可以看出,本申请实施例中,电子设备首先通过特征提取模型将第一人脸图像集合中的多组不同人脸的人脸图像转化成多组人脸图像特征向量,其次,计算所述多组人脸图像特征向量中每组人脸图像特征向量的平均余弦相似度,然后,根据所述每组人脸特征向量的平均余弦相似度,确定所述每组人脸图像对应的清洗方式,所述清洗方式包括算法清洗和人工清洗,所述算法清洗和人工清洗用于控制清洗后的每组人脸图像中的人脸为同一人脸,最后,按照所述每组人脸图像对应的清洗方式对所述第一人脸图像集合中的多组人脸图像进行清洗,得到第二人脸图像集合,所述第二人脸图像集合包括所述多组人脸图像中的至少一组人脸图像。由于电子设备将第一人脸图像集合中多组不同人脸的人脸图像集合转化成了多组人脸图像特征向量,并通过每组人脸图像特征向量的平均余弦相似度确定每组人脸图像的清洗方式,从而通过人工清洗或算法清洗对其进行清洗,使得得到的第二人脸图像集合中每组人脸图像中的人脸图像都为相同的人脸,且无重复的人脸图像,有利于提高人脸图像的可靠性和准确性。
在一个可能的示例中,在所述计算所述多组人脸图像特征向量中每组人脸图像特征向量的平均余弦相似度方面,所述处理单元601具体用于:确定所述每组人脸图像特征向量中的任意两个人脸特征向量之间的余弦相似度,得到多个余弦相似度;以及用于计算所述多个余弦相似度之间的平均值,得到所述每组人脸图像特征向量的平均余弦相似度。
在一个可能的示例中,在所述根据所述每组人脸特征向量的平均余弦相似度,确定所述每组人脸图像对应的清洗方式方面,所述处理单元601具体用于:在检测到所述每组人脸图像特征向量的平均余弦相似度大于或等于第一预设阈值时,确定所述每组人脸图像的清洗方式为算法清洗;在检测到所述每组人脸图像特征向量的平均余弦相似度小于所述第一预设阈值时,确定所述每组人脸图像的清洗方式为人工清洗。
在一个可能的示例中,在所述按照所述每组人脸图像对应的清洗方式对所述第一人脸图像集合中的多组人脸图像进行清洗,得到第二人脸图像集合方面,所述处理单元601具体用于:在确定按照所述算法清洗来清洗所述多组人脸图像时,在检测到所述多组人脸图像中存在人脸图像特征向量的平均余弦值大于第二预设阈值的目标人脸图像组时,确定所述目标人脸图像组中的多张人脸图像为相同的人脸图像,所述第二预设阈值大于所述第一预设阈值;以及用于将所述多组人脸图像中除所述目标人脸图像组中的至少一组人脸图像添加到所述第二人脸图像集合。
在一个可能的示例中,在所述按照所述每组人脸图像对应的清洗方式对所述第一人脸图像集合中的多组人脸图像进行清洗,得到第二人脸图像集合方面,所述处理单元601具体用于:在确定按照所述人工清洗来清洗所述多组人脸图像时,确定待人工清洗的多组人脸图像中每组人脸图像对应的平均余弦相似度;以及用于根据所述平均余弦相似度由大到小对所述多组人脸图像进行排序;以及用于按照所述排序依次显示所述多组人脸图像,并通知进行人工清洗。
在一个可能的示例中,在所述按照所述每组人脸图像对应的清洗方式对所述第一人脸图像集合中的多组人脸图像进行清洗,得到第二人脸图像集合方面,所述处理单元601还用于:在确定按照所述人工清洗来清洗所述多组人脸图像时,将所述多组人脸图像发送给至少一个预设移动终端,由持有所述至少一个预设移动终端的至少一个专业清洗工作人员进行人工清洗;以及用于接收由所述至少一个预设移动终端发送的经过清洗后得到的至少一组人脸图像;以及用于将所述至少一组人脸图像添加到所述第二人脸图像集合。
在一个可能的示例中,所述按照所述多组人脸图像对应的清洗方式对所述多组人脸图像进行清洗,得到第二人脸图像集合之后,所述处理单元601还用于:删除所述第一人脸图像集合,并将所述第二人脸图像集合保存到数据库。
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一方法的部分或全部步骤,上述计算机包括电子设备。
本申请实施例还提供一种计算机程序产品,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上述方法实施例中记载的任一方法的部分或全部步骤。该计算机程序产品可以为一个软件安装包,上述计算机包括电子设备。
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,例如上述单元的划分,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。
上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,在本申请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,也可以采用软件功能单元的形式实现。
上述集成的单元如果以软件功能单元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上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(ROM,ReaP-Only Memory)、随机存取存储器(RAM,RanPom Access Memory)、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(英文:ReaP-Only Memory,简称:ROM)、随机存取器(英文:RanPom Access Memory,简称:RAM)、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 (9)
1.一种人脸图像处理方法,其特征在于,应用于电子设备,所述方法包括:
通过特征提取模型将第一人脸图像集合中的多组不同人脸的人脸图像转化成多组人脸图像特征向量;
计算所述多组人脸图像特征向量中每组人脸图像特征向量的平均余弦相似度;
根据所述每组人脸图像特征向量的平均余弦相似度,确定所述每组人脸图像对应的清洗方式,所述清洗方式包括算法清洗和人工清洗,所述算法清洗用于使用预设算法将待清洗的人脸图像中不满足条件的人脸图像去除,所述人工清洗用于将所述待清洗的人脸图像发送给清洗人员持有的预设移动终端,由所述清洗人员清洗所述待清洗的人脸图像,所述算法清洗和人工清洗用于控制清洗后的每组人脸图像中的人脸为同一人脸,且所述每组人脸图像中任意两张人脸图像不相同;
按照所述每组人脸图像对应的清洗方式对所述第一人脸图像集合中的多组人脸图像进行清洗,得到第二人脸图像集合,所述第二人脸图像集合中的人脸图像组数不大于所述第一人脸图像集合中的人脸图像组数;
所述计算所述多组人脸图像特征向量中每组人脸图像特征向量的平均余弦相似度,包括:
确定所述每组人脸图像特征向量中的任意两个人脸图像特征向量之间的余弦相似度,得到多个余弦相似度;
计算所述多个余弦相似度之间的平均值,得到所述每组人脸图像特征向量的平均余弦相似度。
2.根据权利要求1所述的方法,其特征在于,所述根据所述每组人脸图像特征向量的平均余弦相似度,确定所述每组人脸图像对应的清洗方式,包括:
在检测到所述每组人脸图像特征向量的平均余弦相似度大于或等于第一预设阈值时,确定所述每组人脸图像的清洗方式为算法清洗;
在检测到所述每组人脸图像特征向量的平均余弦相似度小于所述第一预设阈值时,确定所述每组人脸图像的清洗方式为人工清洗。
3.根据权利要求1或2所述的方法,其特征在于,所述按照所述每组人脸图像对应的清洗方式对所述第一人脸图像集合中的多组人脸图像进行清洗,得到第二人脸图像集合,包括:
在确定按照所述算法清洗来清洗所述多组人脸图像时,在检测到所述多组人脸图像中存在人脸图像特征向量的平均余弦值大于第二预设阈值的目标人脸图像组时,确定所述目标人脸图像组中的多张人脸图像为相同的人脸图像,所述第二预设阈值大于第一预设阈值;
将所述多组人脸图像中除所述目标人脸图像组中的至少一组人脸图像添加到所述第二人脸图像集合。
4.根据权利要求1或2所述的方法,其特征在于,所述按照所述每组人脸图像对应的清洗方式对所述第一人脸图像集合中的多组人脸图像进行清洗,得到第二人脸图像集合,包括:
在确定按照所述人工清洗来清洗所述多组人脸图像时,确定待人工清洗的多组人脸图像中每组人脸图像对应的平均余弦相似度;
根据所述平均余弦相似度由大到小对所述多组人脸图像进行排序;
按照所述排序依次显示所述多组人脸图像,并通知进行人工清洗。
5.根据权利要求1或2所述的方法,其特征在于,所述按照所述每组人脸图像对应的清洗方式对所述第一人脸图像集合中的多组人脸图像进行清洗,得到第二人脸图像集合,包括:
在确定按照所述人工清洗来清洗所述多组人脸图像时,将所述多组人脸图像发送给至少一个预设移动终端,由持有所述至少一个预设移动终端的至少一个专业清洗工作人员进行人工清洗;
接收由所述至少一个预设移动终端发送的经过清洗后得到的至少一组人脸图像;
将所述至少一组人脸图像添加到所述第二人脸图像集合。
6.根据权利要求1所述的方法,其特征在于,所述按照所述多组人脸图像对应的清洗方式对所述多组人脸图像进行清洗,得到第二人脸图像集合之后,所述方法还包括:
删除所述第一人脸图像集合,并将所述第二人脸图像集合保存到数据库。
7.一种人脸图像处理装置,其特征在于,应用于电子设备,所述人脸图像处理装置包括处理单元和通信单元,其中,
所述处理单元,用于通过所述通信单元控制特征提取模型将第一人脸图像集合中的多组不同人脸的人脸图像转化成多组人脸图像特征向量;以及用于计算所述多组人脸图像特征向量中每组人脸图像特征向量的平均余弦相似度;以及用于根据所述每组人脸图像特征向量的平均余弦相似度,确定所述每组人脸图像对应的清洗方式,所述清洗方式包括算法清洗和人工清洗,所述算法清洗用于使用预设算法将待清洗的人脸图像中不满足条件的人脸图像去除,所述人工清洗用于将所述待清洗的人脸图像发送给清洗人员持有的预设移动终端,由所述清洗人员清洗所述待清洗的人脸图像,所述算法清洗和人工清洗用于控制清洗后的每组人脸图像中的人脸为同一人脸,且所述每组人脸图像中任意两张人脸图像不相同;以及用于按照所述每组人脸图像对应的清洗方式对所述第一人脸图像集合中的多组人脸图像进行清洗,得到第二人脸图像集合,所述第二人脸图像集合中的人脸图像组数不大于所述第一人脸图像集合中的人脸图像组数;
在所述计算所述多组人脸图像特征向量中每组人脸图像特征向量的平均余弦相似度方面,所述处理单元还用于:
确定所述每组人脸图像特征向量中的任意两个人脸图像特征向量之间的余弦相似度,得到多个余弦相似度;
计算所述多个余弦相似度之间的平均值,得到所述每组人脸图像特征向量的平均余弦相似度。
8.一种电子设备,其特征在于,包括处理器、存储器、通信接口,以及一个或多个程序,所述一个或多个程序被存储在所述存储器中,并且被配置由所述处理器执行,所述程序包括用于执行如权利要求1-6任一项所述的方法中的步骤的指令。
9.一种计算机可读存储介质,其特征在于,存储用于电子数据交换的计算机程序,其中,所述计算机程序使得计算机执行如权利要求1-6任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811599359.XA CN109977745B (zh) | 2018-12-25 | 2018-12-25 | 人脸图像处理方法及相关装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811599359.XA CN109977745B (zh) | 2018-12-25 | 2018-12-25 | 人脸图像处理方法及相关装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109977745A CN109977745A (zh) | 2019-07-05 |
CN109977745B true CN109977745B (zh) | 2021-09-14 |
Family
ID=67076345
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811599359.XA Active CN109977745B (zh) | 2018-12-25 | 2018-12-25 | 人脸图像处理方法及相关装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109977745B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111476105A (zh) * | 2020-03-17 | 2020-07-31 | 深圳力维智联技术有限公司 | 人脸数据清洗方法、装置及设备 |
CN113408587B (zh) * | 2021-05-24 | 2022-06-03 | 支付宝(杭州)信息技术有限公司 | 一种公交车乘客od匹配方法、装置和电子设备 |
CN114492667B (zh) * | 2022-02-16 | 2024-06-04 | 平安科技(深圳)有限公司 | 图像处理方法、装置、电子设备和存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106203387A (zh) * | 2016-07-21 | 2016-12-07 | 乐视控股(北京)有限公司 | 人脸验证方法及系统 |
CN107071143A (zh) * | 2017-01-17 | 2017-08-18 | 广东欧珀移动通信有限公司 | 一种影像的管理方法及装置、终端 |
CN108319938A (zh) * | 2017-12-31 | 2018-07-24 | 奥瞳系统科技有限公司 | 用于高性能人脸识别系统的高质量训练数据准备系统 |
CN108334811A (zh) * | 2017-12-26 | 2018-07-27 | 大唐软件技术股份有限公司 | 一种人脸图像处理方法及装置 |
CN108765426A (zh) * | 2018-05-15 | 2018-11-06 | 南京林业大学 | 自动图像分割方法及装置 |
-
2018
- 2018-12-25 CN CN201811599359.XA patent/CN109977745B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106203387A (zh) * | 2016-07-21 | 2016-12-07 | 乐视控股(北京)有限公司 | 人脸验证方法及系统 |
CN107071143A (zh) * | 2017-01-17 | 2017-08-18 | 广东欧珀移动通信有限公司 | 一种影像的管理方法及装置、终端 |
CN108334811A (zh) * | 2017-12-26 | 2018-07-27 | 大唐软件技术股份有限公司 | 一种人脸图像处理方法及装置 |
CN108319938A (zh) * | 2017-12-31 | 2018-07-24 | 奥瞳系统科技有限公司 | 用于高性能人脸识别系统的高质量训练数据准备系统 |
CN108765426A (zh) * | 2018-05-15 | 2018-11-06 | 南京林业大学 | 自动图像分割方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN109977745A (zh) | 2019-07-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109977745B (zh) | 人脸图像处理方法及相关装置 | |
CN110610127B (zh) | 人脸识别方法、装置、存储介质及电子设备 | |
CN108846842B (zh) | 一种图像噪声检测方法、装置及电子设备 | |
CN108416343B (zh) | 一种人脸图像识别方法及装置 | |
CN109685805B (zh) | 一种图像分割方法及装置 | |
CN110969240B (zh) | 一种深度卷积神经网络的剪枝方法、装置、设备及介质 | |
CN107272899B (zh) | 一种基于动态手势的vr交互方法、装置及电子设备 | |
CN112116556A (zh) | 一种客流量统计方法、装置和计算机设备 | |
CN110390344B (zh) | 备选框更新方法及装置 | |
CN110209551A (zh) | 一种异常设备的识别方法、装置、电子设备及存储介质 | |
CN104978583B (zh) | 人物动作的识别方法及装置 | |
CN109711287B (zh) | 人脸采集方法及相关产品 | |
CN105302715B (zh) | 应用程序用户界面的获取方法和装置 | |
CN112101072A (zh) | 人脸匹配方法、装置、设备及介质 | |
CN104424485A (zh) | 一种基于图像识别来获取特定信息的方法与装置 | |
CN112215276A (zh) | 一种对抗网络的训练方法、装置、电子设备和存储介质 | |
CN107832690B (zh) | 人脸识别的方法及相关产品 | |
CN105787963A (zh) | 一种视频目标跟踪方法及装置 | |
CN114564310A (zh) | 一种数据处理方法、装置、电子设备和可读存储介质 | |
CN109684991B (zh) | 图像处理方法、装置、电子设备及存储介质 | |
CN109784226B (zh) | 人脸抓拍方法及相关装置 | |
CN114332951A (zh) | 坐姿检测方法、系统及电子设备 | |
CN110458171B (zh) | 一种车牌识别的方法以及相关装置 | |
CN113326405A (zh) | 基于bim技术的园区入驻推荐方法以及系统 | |
CN108475430A (zh) | 图片质量评估方法及装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |