CN110069968A - 脸部辨识系统及脸部辨识方法 - Google Patents

脸部辨识系统及脸部辨识方法 Download PDF

Info

Publication number
CN110069968A
CN110069968A CN201810686704.7A CN201810686704A CN110069968A CN 110069968 A CN110069968 A CN 110069968A CN 201810686704 A CN201810686704 A CN 201810686704A CN 110069968 A CN110069968 A CN 110069968A
Authority
CN
China
Prior art keywords
face
face recognition
dimensional
face image
function
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.)
Granted
Application number
CN201810686704.7A
Other languages
English (en)
Other versions
CN110069968B (zh
Inventor
刘峻诚
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Energy Ltd Co
Original Assignee
Energy Ltd Co
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Energy Ltd Co filed Critical Energy Ltd Co
Publication of CN110069968A publication Critical patent/CN110069968A/zh
Application granted granted Critical
Publication of CN110069968B publication Critical patent/CN110069968B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/64—Three-dimensional objects
    • 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
    • G06V40/166—Detection; Localisation; Normalisation using acquisition arrangements
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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
    • G06V40/172—Classification, e.g. identification
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Computer Interaction (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Collating Specific Patterns (AREA)
  • Image Analysis (AREA)

Abstract

本发明提出一种脸部辨识系统及脸部辨识方法，该脸部辨识系统包含传送端、接收端、数据库、人工智能芯片及主处理器。传送端用以发射至少一个第一光信号至物体。接收端用以接收由物体所反射的至少一个第二光信号。数据库用以存储训练数据。人工智能芯片耦接于传送端、接收端及数据库，用以依据至少一个第二光信号及训练数据，由物体中辨识出脸部图像。主处理器耦接于人工智能芯片，用以接收由人工智能芯片产生的脸部辨识信号。本发明提出的脸部辨识系统可以避免数据外泄的问题，故具有增加数据保密安全性的功能，可以避免浪费额外的功率，故能延长操作时间。

Description

脸部辨识系统及脸部辨识方法
技术领域
本发明揭露一种脸部辨识系统及脸部辨识方法，尤指一种具有人工智能芯片，且能提供高数据保密性以及低功率消耗的脸部辨识系统及脸部辨识方法。
背景技术
人工神经网络应用于机器学习的概念存在已久，但先前受限于处理器运算能力，相关研究始终无法顺利推进。然而，近十年来，随着处理器运算速度、存储器存取速度以及机器学习演算法等各方面技术的长足进步，让产生复杂判断结果的人工神经网络正逐渐被实现中。因此，人工神经网络在自动驾驶、图像辨识、自然语言辨识、数据探勘等领域中重新受到高度重视。
大脑中最基本的运算单位为神经元，是通过多个树突(Dendrite)收集多个输入信号，并通过轴突(Axon)传递输出信号(通常是传递至另一个神经元的树突作为输入信号)。人工神经元模仿生物神经元的架构，典型运作的模式可以数学式表示如下：
其中，符号xi表示第i个输入信号，y表示输出信号；每一个树突各自加诸于其输入信号xi的权重wi，以模拟树突所连接的前一个神经元对于此神经元的影响程度。符号b表示此神经元本身贡献的偏移量(Bias)。在进行机器学习的过程中，每一个神经元的权重wi与偏移量b可被不断地修改与调整。符号f代表转移函数，在人工神经网络中常用Σ函数(Sigmoid Function)、双曲正切(Hyperbolic Tangent)函数或整流后线性函数(RectifiedLinear Function)来进行运算。
人工神经网络常使用多层式的结构，通过适当调整每一层的参数，最终可以输出最佳化或是低错误率的信号。一般而言，多层式的结构除了最前端的输入层与最后端的输出层，其他串接在输入层与输出层之间的称为隐藏层。若以神经元连接方式区分，每一个隐藏层与输出层可以各自是卷积层(Convolutional Layer)或全连接层(Fully-ConnectedLayer)，并符合上述的数学式模型。因为每一个隐藏层以及输出层会将第k-1层的输出信号以非线性组合后，产生第k层的输出信号。因此，当k很大时，由于人工神经网络的每一层以及每一个神经元会用递归模式以执行多层式结构的参数计算，故很难避免高计算复杂度的产生。也因如此，有限计算能力的可携式设备(如智能手机)就必须先与外部的服务器建立有线或无线的连结，再利用外部的服务器辅助人工神经网络的操作以及数据存取。另一种作法为，可携式设备可用较为强大的主处理器来执行人工神经网络的功能，前提是主处理器要有能力处理高运算复杂度的计算。
然而，使用外部的服务器或是主处理器来执行人工神经网络的功能，可能会有数据外泄的风险。举例而言，当外部的服务器或是主处理器执行人工智能脸部检测功能或是脸部辨识功能时，由于外部的服务器或是主处理器也能用无线的方式通过收发器连线到有风险性的网络，窃资者或是黑客可能会用非法的手段由网络中撷取或是侧录使用者的个人数据。因此，传统的可携式设备上所执行的人工智能脸部检测功能或是脸部辨识功能的隐私安全性不足，且当许多非必要的常驻程序或是软件持续地开启时，也会造成额外的功率消耗。
发明内容
本发明一实施例提出一种脸部辨识系统，包含传送端、接收端、数据库、人工智能芯片及主处理器。传送端用以发射至少一个第一光信号至物体。接收端用以接收由物体所反射的至少一个第二光信号。数据库用以存储训练数据。人工智能芯片耦接于传送端、接收端及数据库，用以依据至少一个第二光信号及训练数据，由物体中辨识出脸部图像。主处理器耦接于人工智能芯片，用以接收由人工智能芯片产生的脸部辨识信号。
本发明另一实施例提出一种脸部辨识方法，包含发射至少一个第一光信号至物体，接收由物体所反射的至少一个第二光信号，依据至少一个第二光信号，人工智能芯片执行脸部检测功能，以由物体中检测脸部图像，以及当人工智能芯片无法由物体中检测出脸部图像时，关闭二维脸部辨识功能及三维脸部辨识功能。
本发明另一实施例提出一种脸部辨识方法，包含发射至少一个第一光信号至物体，接收由物体所反射的至少一个第二光信号，依据至少一个第二光信号，人工智能芯片执行脸部检测功能，以由物体中检测脸部图像，当脸部图像由物体中检测成功后，执行人工智能芯片的二维脸部辨识功能及三维脸部辨识功能，及在二维脸部辨识功能及三维脸部辨识功能被执行后，人工智能芯片产生脸部辨识信号。
本发明提出的脸部辨识系统可以避免数据外泄的问题，故具有增加数据保密安全性的功能，可以避免浪费额外的功率，故能延长操作时间。
附图说明
图1为本发明的脸部辨识系统的实施例的结构框图。
图2为图1的脸部辨识系统的应用的示意图。
图3为图1的脸部辨识系统中，脸部检测模块、二维脸部辨识模块以及三维脸部辨识模块的第一种配置图。
图4为图1的脸部辨识系统中，脸部检测模块、二维脸部辨识模块以及三维脸部辨识模块的第二种配置图。
图5为图1的脸部辨识系统中，执行脸部辨识方法的流程图。
附图标号：
100、100a及100b 脸部辨识系统
10 传送端
11 接收端
12 数据库
13 人工智能芯片
14 主处理器
15 上侧条状区域
E1 二维光发射装置
E2 三维结构光发射装置
L1 光感测器
MB 主机板
R1 第一区域
R2 第二区域
FD 脸部检测模块
FR2D 二维脸部辨识模块
FR3D 三维脸部辨识模块
S501至S509 步骤
具体实施方式
图1为本发明的脸部辨识系统100的实施例的结构框图。脸部辨识系统100可为基于人工智能演算法的脸部辨识系统，其具有很高的辨识精确度。脸部辨识系统100可应用于具有光信号感测能力的智能手机、个人电脑、甚至任何的可携式装置等等。脸部辨识系统100包含传送端10、接收端11、数据库12、人工智能芯片13以及主处理器14。传送端10用以发射至少一个第一光信号至物体。传送端10可包含光发射双镜头，用以由两个不同的入射角发射两个第一光信号至物体。并且，传送端10可包含用以发射二维光信号至物体的二维光发射装置，以及用以发射三维结构光信号至物体的三维结构光发射装置。传送端10也可以仅包含单一相机镜头。任何合理的硬件变更均属于本发明所揭露的范畴。
接收端11用以接收由物体所反射的至少一个第二光信号。举例而言，在传送端10发射许多三维结构光信号后，物体的曲面部分将反射一部分的三维结构光信号，以形成一些第二光信号。因此，这些第二光信号带有三维光信息。并且，物体的平面部分将反射另一部分的三维结构光信号，以形成另一些第二光信号。因此，另一些第二光信号会带有二维光信息。接收端11可为任何具有光信号感测能力的装置。举例而言，接收端11可包含感光耦合元件(Charge-coupled Device，CCD)或是互补式金属氧化物半导体(ComplementaryMetal-Oxide-Semiconductor，CMOS)，以感测光信号。换句话说，利用匹配好的传送端10以及接收端11，至少一个第二光信号可被接收端11接收。并且，接收端11所接收的至少一个第二光信号包含物体的二维光信息及三维光信息。脸部辨识系统100也可以将二维光信息转换为对应物体的点阵图矩阵的三维光信息。数据库12用以存储训练数据(Training Data)。训练数据可包含许多不同使用者对应的不同脸部图像的数据。如前述提及，脸部辨识系统100可为基于人工智能演算法的脸部辨识系统，具有由物体中检测脸部图像的能力。因此，脸部辨识系统100可以检查由物体中检测出的脸部图像与存储在数据库12中的脸部图像是否对应相同使用者的可能性(Likelihood)。人工智能芯片13耦接于传送端10、接收端11及数据库12，用以依据至少一个第二光信号及训练数据，由物体中辨识出脸部图像。人工智能芯片13可为神经处理元件(Neural Processing Unit，NPU)、深度学习加速器(DeepLearning Accelerator，DLA)或是任何执行人工神经网络功能的处理元件。主处理器14耦接于人工智能芯片13，用以接收由人工智能芯片13产生的脸部辨识信号。主处理器14可为中央处理器(Central Processing Unit，CPU)、图形处理器(Graphics Processing Unit)或是任何具备可编程图像处理能力的装置。在主处理器14接收脸部辨识信号后，主处理器14可以产生文字信号、图形界面、或是影音信息以告知使用者辨识的结果。举例而言，人工智能芯片13产生的脸部辨识信号可包含第一决策信号或第二决策信号。当脸部图像由物体检测成功且辨识成功时，人工智能芯片13可产生第一决策信号。当脸部图像无法由物体中检测或辨识时，人工智能芯片13可产生第二决策信号。
图2为脸部辨识系统100的应用的示意图。如前述提及，脸部辨识系统100可应用于智能手机。在图2中，传送端10、接收端11以及人工智能芯片13可以设置在智能手机的上侧条状区域15附近。传送端10可包含二维光发射装置(例如相机的单镜头)E1以及三维结构光发射装置E2。然而，本发明却不以此为限制。举例而言，元件E1以及E2可为相机的光发射双镜头。接收端11可包含光感测器L1，例如具有感光耦合元件(CCD)或是互补式金属氧化物半导体(CMOS)的光感测器。并且，人工智能芯片13可执行脸部检测功能，以及当脸部图像成功地被检测后，执行二维脸部辨识功能或进一步地执行三维脸部辨识功能。人工智能芯片13可使用第一驱动功率以执行脸部检测功能。当脸部图像由物体检测成功后，人工智能芯片13可使用第二驱动功率以执行二维脸部辨识功能。当二维脸部辨识功能将脸部图像辨识成功后，人工智能芯片13可使用第三驱动功率以执行三维脸部辨识功能。并且，第一驱动功率小于第二驱动功率，且第二驱动功率小于第三驱动功率。在脸部辨识系统100中，因人工智能芯片13可连续地由物体中找出有可能的脸部轮廓，故脸部检测功能可为常驻程序(Resident Program)，恒为开启状态。然而，二维脸部辨识功能及三维脸部辨识功能可为两个非常驻的程式，当脸部图像成功地被检测后才会启动。并且，当人工智能芯片13无法由物体中检测脸部图像时，无论先前的操作状态如何，二维脸部辨识功能及三维脸部辨识功能会强制进入关闭状态。通过如此操作，由于脸部检测功能、二维脸部辨识功能及三维脸部辨识功能利用可适性的方式操作。相较于传统脸部辨识机制需要永远开启脸部检测功能、二维脸部辨识功能及三维脸部辨识功能，脸部辨识系统100可以避免浪费额外的功率，故能延长操作时间。
图3为脸部辨识系统100中，脸部检测模块FD、二维脸部辨识模块FR2D以及三维脸部辨识模块FR3D的第一种配置图。为了避免混淆，图3的脸部辨识系统100，于此使用的代号为脸部辨识系统100a。在脸部辨识系统100a中，人工智能芯片13包含脸部检测模块FD、二维脸部辨识模块FR2D以及三维脸部辨识模块FR3D。脸部检测模块FD用以依据至少一个第二光信号，由物体中检测脸部图像。二维脸部辨识模块FR2D用以依据至少一个第二光信号及训练数据，辨识脸部图像，以判断脸部图像是否对应二维使用者标示符(User Identifier，UID)。三维脸部辨识模块FR3D用以依据至少一个第二光信号及训练数据，辨识脸部图像，以判断脸部图像是否对应三维使用者标示符。在本实施例中，二维/三维使用者标示符可以是任何使用者的信息或是使用者指标，例如使用者名称或是使用者编号等等。并且，脸部图像于三维使用者标示符的辨识精确度大于二维使用者标示符的辨识精确度。举例而言，脸部图像于二维使用者标示符的辨识精确度约等于98％～99％。脸部图像于三维使用者标示符的辨识精确度约等于99.999999％。如前述提及，为了避免额外的功率消耗，在脸部检测模块FD成功地由物体中检测脸部图像后，二维脸部辨识模块FR2D会被使能。二维脸部辨识模块FR2D会辨识脸部图像，以判断脸部图像是否对应二维使用者标示符。接着，若二维脸部辨识模块FR2D成功地将脸部图像对应至二维使用者标示符，三维脸部辨识模块FR3D会被使能。三维脸部辨识模块FR3D会辨识脸部图像以判断脸部图像是否对应三维使用者标示符。然而，本发明不被上述的操作模式所限制。例如，在脸部检测模块FD成功地由物体中检测脸部图像后，可以直接开启二维脸部辨识模块FR2D以及三维脸部辨识模块FR3D，利用二维脸部辨识以及三维脸部辨识的信息，以提供较高的辨识精确度。反之，当脸部检测模块FD由物体中检测脸部图像失败时，二维脸部辨识模块FR2D及三维脸部辨识模块FR3D会被关闭，以节省不必要的功率消耗。并且，在脸部辨识系统100a中，人工智能芯片13设置于主机板MB上的第一区域R1，主处理器14设置于主机板MB上的第二区域R2，且第一区域R1与第二区域R2不重叠。换句话说，人工智能芯片13并未以内嵌的方式设置于主处理器14中。并且，脸部辨识系统100a也可以利用设置于人工智能芯片13与主处理器14之间的数据传输路径上的编码器以及解码器，以避免数据外泄，并具有增加保密安全性的功能。
在脸部辨识系统100a中，由于人工智能芯片13不是内嵌于主处理器14中的元件，因此具有较高的数据保密性，说明如下。由于智能手机中的主处理器14可驱动无线收发器对开放式网络进行数据存取，若人工智能芯片13内嵌于主处理器14中，窃资者或是黑客可能会用非法的手段，通过网络入侵主处理器14以及内部的人工智能芯片13，以撷取或是侧录使用者的个人数据。因此，为了避免数据外泄，在脸部辨识系统100a中，人工智能芯片13可执行所有脸部辨识程序的操作步骤，例如脸部检测功能、二维脸部辨识功能以及三维脸部辨识功能。取代传统需要连线至服务器以执行人工智能的脸部辨识功能，脸部辨识系统100a中可以利用独立的人工智能芯片13执行脸部辨识程序的操作步骤，并产生脸部辨识信号(可为加密后的脸部辨识结果)至主处理器14。因此，对于窃资者或是黑客而言，通过网络控制主处理器14，由数据路径上撷取加密后的脸部辨识结果，而再对其解码盗取个人数据，实为困难且窒碍难行的技术。因此，利用非内嵌于主处理器14的独立式人工智能芯片13，脸部辨识系统100a可以提供高数据保密安全性，以及低功率消耗的功能。
图4为脸部辨识系统100中，脸部检测模块FD、二维脸部辨识模块FR2D以及三维脸部辨识模块FR3D的第二种配置图。为了避免混淆，图4的脸部辨识系统100，于此使用的代号为脸部辨识系统100b。在脸部辨识系统100b中，人工智能芯片13可包含脸部检测模块FD以及二维脸部辨识模块FR2D。并且，三维脸部辨识模块FR3D可设置于主处理器14中。类似地，脸部检测模块FD用以依据至少一个第二光信号，由物体中检测脸部图像。二维脸部辨识模块FR2D用以依据至少一个第二光信号及训练数据，辨识脸部图像，以判断脸部图像是否对应二维使用者标示符。三维脸部辨识模块FR3D用以依据至少一个第二光信号及训练数据，辨识脸部图像，以判断脸部图像是否对应三维使用者标示符。并且，在脸部检测模块FD成功地由物体中检测脸部图像后，二维脸部辨识模块FR2D会被使能。二维脸部辨识模块FR2D会辨识脸部图像，以判断脸部图像是否对应二维使用者标示符。接着，若二维脸部辨识模块FR2D成功地将脸部图像对应至二维使用者标示符，三维脸部辨识模块FR3D会被使能。三维脸部辨识模块FR3D会辨识脸部图像以判断脸部图像是否对应三维使用者标示符。反之，当脸部检测模块FD由物体中检测脸部图像失败时，二维脸部辨识模块FR2D及三维脸部辨识模块FR3D会被关闭，以节省不必要的功率消耗。
换句话说，在脸部辨识系统100b中，主处理器14可以用于辅助人工智能芯片13执行脸部辨识方法的至少一个步骤。举例而言，主处理器14可以用于辅助人工智能芯片13执行三维脸部辨识功能，如此一来即可在主处理器14与人工智能芯片13之间取得操作负荷的平衡性，进而提升执行效能。任何合理的技术或硬件变更都属于本发明所揭露的范畴。并且，在脸部辨识系统100b中，人工智能芯片13设置于主机板MB上的第一区域R1，主处理器14设置于主机板MB上的第二区域R2，且第一区域R1与第二区域R2不重叠。因此，由于人工智能芯片13并未以内嵌的方式设置于主处理器14中，脸部辨识系统100b也可以避免数据外泄，并具有增加保密安全性的功能。
图5为脸部辨识系统100中，执行脸部辨识方法的流程图。脸部辨识方法的流程包含步骤S501至步骤S509。任何合理的步骤变更均属于本发明所揭露的范畴。步骤S501至步骤S509描述于下：
步骤S501：将二维使用者标示符及三维使用者标示符对应的原始脸部图像加入至训练数据内；
步骤S502：由传送端10发射至少一个第一光信号至物体；
步骤S503：接收端11接收由物体所反射的至少一个第二光信号；
步骤S504：依据至少一个第二光信号，人工智能芯片13执行脸部检测功能，以由物体中尝试检测脸部图像；
步骤S505：人工智能芯片13决定脸部图像是否检测成功，若脸部图像检测成功，执行步骤S506；若脸部图像检测失败，执行步骤S509；
步骤S506：依据至少一个第二光信号及训练数据，执行二维脸部辨识功能，以由物体所检测的脸部图像进行辨识，而进一步判断脸部图像与二维使用者标示符对应的原始脸部图像的一致性；
步骤S507：依据至少一个第二光信号及训练数据，执行三维脸部辨识功能，以由物体所检测的脸部图像进行辨识，而进一步判断脸部图像与三维使用者标示符对应的原始脸部图像的一致性；
步骤S508：人工智能芯片13产生脸部辨识信号至主处理器14，以告知使用者辨识信息。
步骤S509：关闭二维脸部辨识功能及三维脸部辨识功能，并返回步骤S501以准备在下一个时间点进行脸部检测。
步骤S501至步骤S509已于前文中详述其内容，故于此将不再赘述。并且，步骤S501至步骤S509的顺序或是内容也可以合理地变换。例如，在步骤S509关闭二维脸部辨识功能及三维脸部辨识功能后，人工智能芯片13可以产生一个检测失败的信息至主处理器14，以告知使用者脸部检测失败的信息。或者，在步骤S509关闭二维脸部辨识功能及三维脸部辨识功能后，可以直接返回步骤S502，于下一个时间点重新发射至少一个第一光信号至物体，以继续进行下一个时间点的脸部检测程序。甚至，使用者可以在步骤S501中，重新建立更为清晰或解析度更高的原始脸部图像至训练数据内，以增加辨识成功率。任何合理的步骤变更均属于本发明所揭露的范畴。并且，在脸部辨识系统100中，由于脸部图像于三维使用者标示符的辨识精确度(99.999999％)大于二维使用者标示符的辨识精确度(98％～99％)，本发明的较佳实施例为引入步骤S506以及S507以增加辨识精确度。然而，本发明却不被步骤S501至步骤S509的流程所限制。举例而言，当智能手机缺少光发射双镜头或是三维结构光发射装置的硬件时，智能手机仅能启动二维脸部辨识功能，故只能以较低的精确度进行脸部图像辨识。换句话说，当智能手机的硬件只支持二维脸部辨识功能时，步骤S507将无法执行而被省略。因此，通过适当调整图5的流程的步骤，脸部辨识系统100可以应用于具备人工智能芯片的任何型号的智能手机中。
综上所述，本发明描述了一种脸部辨识系统及脸部辨识方法。脸部辨识系统利用人工智能芯片(或经由主处理器的辅助)，支持脸部检测功能、二维脸部辨识功能以及三维脸部辨识功能。并且，人工智能芯片与主处理器可设置于主机板上的两不重叠的区域。人工智能芯片与主处理器可以通过加密后的数据路径进行通讯。因此，脸部辨识系统可以避免数据外泄的问题，故具有增加数据保密安全性的功能。并且，二维脸部辨识功能及三维脸部辨识功能为两个非常驻程序。在本发明的脸部辨识系统中，由于脸部检测功能、二维脸部辨识功能及三维脸部辨识功能利用可适性的方式操作。相较于传统脸部辨识机制需要永远开启脸部检测功能、二维脸部辨识功能及三维脸部辨识功能，本发明的脸部辨识系统可以避免浪费额外的功率，故能延长操作时间。
以上所述仅为本发明的较佳实施例，凡依本发明权利要求所做的均等变化与修饰，皆应属本发明的涵盖范围。

Claims (20)

1.一种脸部辨识系统，其特征在于，包含：
一传送端，用以发射至少一第一光信号至一物体；
一接收端，用以接收由该物体所反射的至少一第二光信号；
一数据库，用以存储训练数据；
一人工智能芯片，耦接于该传送端、该接收端及该数据库，用以依据该至少一第二光信号及该训练数据，由该物体中辨识出一脸部图像；及
一主处理器，耦接于该人工智能芯片，用以接收由该人工智能芯片产生的一脸部辨识信号。
2.如权利要求1所述的脸部辨识系统，其特征在于，该传送端包含：
光发射双镜头，用以由两不同入射角发射两第一光信号至该物体。
3.如权利要求1所述的脸部辨识系统，其特征在于，该传送端包含：
一三维结构光发射装置，用以发射一三维结构光信号至该物体；及
一二维光发射装置，用以发射一二维光信号至该物体。
4.如权利要求3所述的脸部辨识系统，其特征在于，该接收端所接收的该至少一第二光信号包含该物体的二维光信息及三维光信息。
5.如权利要求4所述的脸部辨识系统，其特征在于，该物体的该三维光信息为该物体的一点阵图矩阵信息。
6.如权利要求3所述的脸部辨识系统，其特征在于，该人工智能芯片包含：
一脸部检测模块，用以依据该至少一第二光信号，由该物体中检测该脸部图像；
一二维脸部辨识模块，用以依据该至少一第二光信号及该训练数据，辨识该脸部图像，以判断该脸部图像是否对应一二维使用者标示符；及
一三维脸部辨识模块，用以依据该至少一第二光信号及该训练数据，辨识该脸部图像，以判断该脸部图像是否对应一三维使用者标示符。
7.如权利要求6所述的脸部辨识系统，其特征在于，在该脸部检测模块成功地由该物体中检测该脸部图像后，使能该二维脸部辨识模块，以使该二维脸部模块辨识该脸部图像以判断该脸部图像是否对应该二维使用者标示符，若该二维脸部辨识模块成功地将该脸部图像对应至该二维使用者标示符，使能该三维脸部辨识模块，以使该三维脸部辨识模块辨识该脸部图像以判断该脸部图像是否对应该三维使用者标示符。
8.如权利要求6所述的脸部辨识系统，其特征在于，当该脸部检测模块由该物体中检测该脸部图像失败时，关闭该二维脸部辨识模块及该三维脸部辨识模块。
9.如权利要求1所述的脸部辨识系统，其特征在于，该人工智能芯片包含：
一脸部检测模块，用以依据该至少一第二光信号由该物体中检测该脸部图像；及
一二维脸部辨识模块，用以依据该至少一第二光信号及该训练数据，辨识该脸部图像，以判断该脸部图像是否对应一二维使用者标示符；及
其中该主处理器包含：
一三维脸部辨识模块，用以依据该至少一第二光信号及该训练数据，辨识该脸部图像，以判断该脸部图像是否对应一三维使用者标示符。
10.如权利要求9所述的脸部辨识系统，其特征在于，在该脸部检测模块成功地由该物体中检测该脸部图像后，使能该二维脸部辨识模块，以使该二维脸部模块辨识该脸部图像以判断该脸部图像是否对应该二维使用者标示符，若该二维脸部辨识模块成功地将该脸部图像对应至该二维使用者标示符，使能该三维脸部辨识模块，以使该三维脸部辨识模块辨识该脸部图像以判断该脸部图像是否对应该三维使用者标示符。
11.如权利要求9所述的脸部辨识系统，其特征在于，当该脸部检测模块由该物体中检测该脸部图像失败时，关闭该二维脸部辨识模块及该三维脸部辨识模块。
12.如权利要求1所述的脸部辨识系统，其特征在于，由该人工智能芯片产生的该脸部辨识信号包含一第一决策信号或一第二决策信号，当该脸部图像由该物体检测成功且辨识成功时，产生该第一决策信号，及当由该物体中无法检测或无法辨识该脸部图像时，产生该第二决策信号。
13.如权利要求1所述的脸部辨识系统，其特征在于，该人工智能芯片执行一脸部检测功能，以及当该脸部图像成功地被检测后，执行一二维脸部辨识功能或进一步地执行一三维脸部辨识功能，该人工智能芯片使用一第一驱动功率以执行该脸部检测功能，当该脸部图像由该物体检测成功时，该人工智能芯片使用一第二驱动功率以执行该二维脸部辨识功能，当该二维脸部辨识功能将该脸部图像辨识成功后，该人工智能芯片使用一第三驱动功率以执行该三维脸部辨识功能。
14.如权利要求13所述的脸部辨识系统，其特征在于，该第一驱动功率小于该第二驱动功率，且该第二驱动功率小于该第三驱动功率。
15.如权利要求1所述的脸部辨识系统，其特征在于，该人工智能芯片设置于一主机板上的一第一区域，该主处理器设置于该主机板上的一第二区域，且该第一区域与该第二区域不重叠。
16.一种脸部辨识方法，其特征在于，包含：
发射至少一第一光信号至一物体；
接收由该物体所反射的至少一第二光信号；
依据该至少一第二光信号，一人工智能芯片执行一脸部检测功能，以由该物体中检测一脸部图像；及
当该人工智能芯片无法由该物体中检测出该脸部图像时，关闭一二维脸部辨识功能及一三维脸部辨识功能。
17.一种脸部辨识方法，其特征在于，包含：
发射至少一第一光信号至一物体；
接收由该物体所反射的至少一第二光信号；
依据该至少一第二光信号，一人工智能芯片执行一脸部检测功能，以由该物体中检测一脸部图像；
当该脸部图像由该物体中检测成功后，执行该人工智能芯片的一二维脸部辨识功能及一三维脸部辨识功能；及
在该二维脸部辨识功能及该三维脸部辨识功能被执行后，该人工智能芯片产生一脸部辨识信号。
18.如权利要求17所述的脸部辨识方法，其特征在于，该人工智能芯片产生的该脸部辨识信号包含一第一决策信号或一第二决策信号，当该脸部图像由该物体检测成功且辨识成功时，产生该第一决策信号，及当由该物体中无法检测或无法辨识该脸部图像时，产生该第二决策信号。
19.如权利要求17所述的脸部辨识方法，其特征在于，该脸部检测功能为一常驻程序，且该二维脸部辨识功能及该三维脸部辨识功能为两非常驻程序。
20.如权利要求17所述的脸部辨识方法，其特征在于，另包含：
将一二维使用者标示符及一三维使用者标示符对应的原始脸部图像加入至训练数据内；
依据该至少一第二光信号及该训练数据，由该物体中所检测的该脸部图像进行辨识，以判断该脸部图像与该二维使用者标示符对应的该原始脸部图像是否一致；及
依据该至少一第二光信号及该训练数据，由该物体中所检测的该脸部图像进行辨识，以判断该脸部图像与该三维使用者标示符对应的该原始脸部图像是否一致；
其中该脸部图像于该三维使用者标示符的辨识精确度大于该二维使用者标示符的辨识精确度。
CN201810686704.7A 2018-01-22 2018-06-28 脸部辨识系统及脸部辨识方法 Active CN110069968B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US15/876,217 US10885314B2 (en) 2018-01-22 2018-01-22 Face identification system and face identification method with high security level and low power consumption
US15/876,217 2018-01-22

Publications (2)

Publication Number Publication Date
CN110069968A true CN110069968A (zh) 2019-07-30
CN110069968B CN110069968B (zh) 2023-05-26

Family

ID=67300054

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810686704.7A Active CN110069968B (zh) 2018-01-22 2018-06-28 脸部辨识系统及脸部辨识方法

Country Status (3)

Country Link
US (1) US10885314B2 (zh)
CN (1) CN110069968B (zh)
TW (1) TWI693556B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110503596A (zh) * 2019-08-12 2019-11-26 北京中科寒武纪科技有限公司 视频处理方法、装置、电子设备以及计算机可读存储介质

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10922590B2 (en) * 2018-02-09 2021-02-16 Stmicroelectronics (Research & Development) Limited Apparatus, method and computer program for performing object recognition
US11874897B2 (en) 2020-04-09 2024-01-16 Micron Technology, Inc. Integrated circuit device with deep learning accelerator and random access memory
US11726784B2 (en) 2020-04-09 2023-08-15 Micron Technology, Inc. Patient monitoring using edge servers having deep learning accelerator and random access memory
US11461651B2 (en) * 2020-04-09 2022-10-04 Micron Technology, Inc. System on a chip with deep learning accelerator and random access memory
US11887647B2 (en) 2020-04-09 2024-01-30 Micron Technology, Inc. Deep learning accelerator and random access memory with separate memory access connections
US11355175B2 (en) 2020-04-09 2022-06-07 Micron Technology, Inc. Deep learning accelerator and random access memory with a camera interface

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050276452A1 (en) * 2002-11-12 2005-12-15 Boland James M 2-D to 3-D facial recognition system
US20090060274A1 (en) * 2007-08-31 2009-03-05 Casio Computer Co., Ltd. Image pick-up apparatus having a function of recognizing a face and method of controlling the apparatus
TW201023056A (en) * 2008-12-02 2010-06-16 Nat Univ Tsing Hua Face recognition method
US20110164792A1 (en) * 2010-01-05 2011-07-07 Samsung Electronics Co., Ltd Facial recognition apparatus, method and computer-readable medium
US20110255746A1 (en) * 2008-12-24 2011-10-20 Rafael Advanced Defense Systems Ltd. system for using three-dimensional models to enable image comparisons independent of image source
JP2012157016A (ja) * 2012-03-01 2012-08-16 Casio Comput Co Ltd 撮像装置、顔認識方法及びそのプログラム
US20130229491A1 (en) * 2012-03-02 2013-09-05 Samsung Electronics Co., Ltd. Method of operating a three-dimensional image sensor
US20140169621A1 (en) * 2012-12-13 2014-06-19 Intel Corporation Gesture pre-processing of video stream to reduce platform power
CN104268539A (zh) * 2014-10-17 2015-01-07 中国科学技术大学 一种高性能的人脸识别方法及系统
CN104715254A (zh) * 2015-03-17 2015-06-17 东南大学 一种基于2d和3d sift特征融合的一般物体识别方法
CN105825186A (zh) * 2016-03-16 2016-08-03 四川川大智胜软件股份有限公司 一种基于三维人脸数据的身份证与持证人的同一性认证方法
CN106650782A (zh) * 2015-11-04 2017-05-10 豪威科技股份有限公司 用于评价图像信号处理器中实施的分类器的系统和方法
CN107239734A (zh) * 2017-04-20 2017-10-10 合肥工业大学 一种用于监狱出入口管理系统的三维人脸识别方法
CN107392137A (zh) * 2017-07-18 2017-11-24 艾普柯微电子（上海）有限公司 人脸识别方法及装置

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7415126B2 (en) * 1992-05-05 2008-08-19 Automotive Technologies International Inc. Occupant sensing system
US7398259B2 (en) 2002-03-12 2008-07-08 Knowmtech, Llc Training of a physical neural network
US10094655B2 (en) * 2015-07-15 2018-10-09 15 Seconds of Fame, Inc. Apparatus and methods for facial recognition and video analytics to identify individuals in contextual video streams
CN205375507U (zh) 2016-02-25 2016-07-06 四川大学 基于相位轮廓术的相位和反射率的人脸识别装置
CN205621018U (zh) 2016-02-26 2016-10-05 陈进民 手机细胞/卷积神经网络加速器
CN105809113B (zh) 2016-03-01 2019-05-21 湖南拓视觉信息技术有限公司 三维人脸识别方法及应用其的数据处理装置
CN107480575B (zh) 2016-06-07 2020-09-22 深圳市商汤科技有限公司 模型的训练方法、跨年龄人脸识别方法和对应的装置
CN107578014B (zh) 2017-09-06 2020-11-03 上海寒武纪信息科技有限公司 信息处理装置及方法
CN107609383B (zh) 2017-10-26 2021-01-26 奥比中光科技集团股份有限公司 3d人脸身份认证方法与装置

Patent Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050276452A1 (en) * 2002-11-12 2005-12-15 Boland James M 2-D to 3-D facial recognition system
CN104092947A (zh) * 2007-08-31 2014-10-08 卡西欧计算机株式会社 摄像装置及其脸辨别方法
US20090060274A1 (en) * 2007-08-31 2009-03-05 Casio Computer Co., Ltd. Image pick-up apparatus having a function of recognizing a face and method of controlling the apparatus
TW201023056A (en) * 2008-12-02 2010-06-16 Nat Univ Tsing Hua Face recognition method
US20110255746A1 (en) * 2008-12-24 2011-10-20 Rafael Advanced Defense Systems Ltd. system for using three-dimensional models to enable image comparisons independent of image source
US20110164792A1 (en) * 2010-01-05 2011-07-07 Samsung Electronics Co., Ltd Facial recognition apparatus, method and computer-readable medium
JP2012157016A (ja) * 2012-03-01 2012-08-16 Casio Comput Co Ltd 撮像装置、顔認識方法及びそのプログラム
US20130229491A1 (en) * 2012-03-02 2013-09-05 Samsung Electronics Co., Ltd. Method of operating a three-dimensional image sensor
US20140169621A1 (en) * 2012-12-13 2014-06-19 Intel Corporation Gesture pre-processing of video stream to reduce platform power
CN104268539A (zh) * 2014-10-17 2015-01-07 中国科学技术大学 一种高性能的人脸识别方法及系统
CN104715254A (zh) * 2015-03-17 2015-06-17 东南大学 一种基于2d和3d sift特征融合的一般物体识别方法
CN106650782A (zh) * 2015-11-04 2017-05-10 豪威科技股份有限公司 用于评价图像信号处理器中实施的分类器的系统和方法
CN105825186A (zh) * 2016-03-16 2016-08-03 四川川大智胜软件股份有限公司 一种基于三维人脸数据的身份证与持证人的同一性认证方法
CN107239734A (zh) * 2017-04-20 2017-10-10 合肥工业大学 一种用于监狱出入口管理系统的三维人脸识别方法
CN107392137A (zh) * 2017-07-18 2017-11-24 艾普柯微电子（上海）有限公司 人脸识别方法及装置

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
傅泽华等: "二维及三维多模人脸数据库构建", 《数据采集与处理》 *
姜美花,苏显渝,刘元坤: "基于结构照明的三维物体识别新方法", 光电子.激光 *
李阳: "基于三维模型子空间监督学习法的二维人脸识别", 《长春理工大学学报(自然科学版)》 *
赵冬梅;: "低分辨率人脸图像的识别性能", 信息与电脑(理论版) *
邵洁等: "RGB-D动态序列的人脸自然表情识别", 《计算机辅助设计与图形学学报》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110503596A (zh) * 2019-08-12 2019-11-26 北京中科寒武纪科技有限公司 视频处理方法、装置、电子设备以及计算机可读存储介质

Also Published As

Publication number Publication date
US10885314B2 (en) 2021-01-05
CN110069968B (zh) 2023-05-26
US20190228210A1 (en) 2019-07-25
TW201933174A (zh) 2019-08-16
TWI693556B (zh) 2020-05-11

Similar Documents

Publication Publication Date Title
CN110069968A (zh) 脸部辨识系统及脸部辨识方法
WO2020207189A1 (zh) 身份验证方法、装置、存储介质和计算机设备
US20210279491A1 (en) Multispectral anomaly detection
Liu et al. Cross‐ethnicity face anti‐spoofing recognition challenge: A review
CN108875833A (zh) 神经网络的训练方法、人脸识别方法及装置
CN111274916B (zh) 人脸识别方法和人脸识别装置
Vijayan et al. Twins 3D face recognition challenge
US11106903B1 (en) Object detection in image data
CN108764031A (zh) 识别人脸的方法、装置、计算机设备和存储介质
CN108363997A (zh) 一种在视频中对特定人的实时跟踪方法
EP3847587A1 (en) Neural network architectures employing interrelatedness
Soni et al. Hybrid meta-heuristic algorithm based deep neural network for face recognition
US11854311B2 (en) Comparison of biometric identifiers in memory
CN109740578A (zh) 一种适用于光照、姿态、表情变化的人脸识别方法
CN113139499A (zh) 一种基于轻量注意力卷积神经网络的步态识别方法和系统
US20220327189A1 (en) Personalized biometric anti-spoofing protection using machine learning and enrollment data
Wang et al. Conv-MLP: A convolution and MLP mixed model for multimodal face anti-spoofing
Gupta et al. Advanced security system in video surveillance for COVID-19
Li et al. Adaptive deep feature fusion for continuous authentication with data augmentation
KR20210071410A (ko) 센서 특화 이미지 인식 장치 및 방법
Pasumarthy et al. An Indian currency recognition model for assisting visually impaired individuals
Deng et al. Multimodal contrastive learning for face anti-spoofing
Dhiman et al. An introduction to deep learning applications in biometric recognition
Kim et al. Ultra-lightweight face activation for dynamic vision sensor with convolutional filter-level fusion using facial landmarks
CN115424330B (zh) 一种基于dfmn和dsd的单模态人脸活体检测方法

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
GR01 Patent grant
GR01 Patent grant