CN110309691A - 一种人脸识别方法、装置、服务器及存储介质 - Google Patents
一种人脸识别方法、装置、服务器及存储介质 Download PDFInfo
- Publication number
- CN110309691A CN110309691A CN201810258504.1A CN201810258504A CN110309691A CN 110309691 A CN110309691 A CN 110309691A CN 201810258504 A CN201810258504 A CN 201810258504A CN 110309691 A CN110309691 A CN 110309691A
- Authority
- CN
- China
- Prior art keywords
- face
- image
- identity information
- user
- training sample
- 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
Links
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
- G06V40/168—Feature extraction; Face representation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- 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
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/757—Matching configurations of points or features
-
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/30—Scenes; Scene-specific elements in albums, collections or shared content, e.g. social network photos or video
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30196—Human being; Person
- G06T2207/30201—Face
Abstract
本申请提供一种人脸识别方法、装置、服务器及存储介质,该方法包括对用户指定或关联的存储空间中的图像进行人脸检测,得到人脸图像;基于目标人脸识别模型对该人脸图像进行人脸识别,得到人脸特征;目标人脸识别模型以用户提供的标定有身份信息的人脸图像为训练样本,以通用人脸识别模型对训练样本中的人脸的身份信息的预测结果趋近于训练样本被标定的身份信息为训练目标,对通用人脸识别模型进行训练生成。本申请由用户标定身份信息的训练样本对通用人脸识别模型进行训练,使得所生成的目标人脸识别模型对该用户指定或关联的存储空间中的图像的人脸特征的识别结果更具区分性,进而提高了对图像管理的准确性。
Description
技术领域
本发明涉及人脸识别技术领域,更具体地说,涉及一种人脸识别方法、装置、服务器及存储介质。
背景技术
近几年来图像管理技术的广泛应用(如电子相册等),在极大程度上方便了用户对图像的管理。目前图像管理技术在应用过程中,一般是基于通用人脸识别模型识别出的人脸图像的人脸特征来实现对图像的管理。
然而,因为通用人脸识别模型是根据人脸公开数据集训练得到的,因此在图像管理技术应用过程中,通常存在由通用人脸识别模型识别出的人脸图像的人脸特征的区分性低、进而导致图像管理结果不准确的问题。比如,在图像管理技术应用过程中,由通用人脸识别模型识别出的一个戴眼镜的人与戴同样眼镜的另一个人的人脸特征之间的相似度很高,甚至高过识别出的他本人戴眼镜与不戴眼镜的人脸特征之间的相似度。
因此,提供一种人脸识别方法、装置、服务器及存储介质,以提高图像管理技术应用过程中,识别出的人脸图像的人脸特征的区分性,进而便于对图像的准确管理,是亟待解决的问题。
发明内容
有鉴于此,本发明提供一种人脸识别方法、装置、服务器及存储介质,以提高图像管理技术应用过程中,识别出的人脸图像的人脸特征的区分性,进而便于对图像的准确管理。
为实现上述目的,本发明实施例提供如下技术方案:
一种人脸识别方法,包括:
对用户指定或关联的存储空间中的图像进行人脸检测,得到人脸图像;
调用目标人脸识别模型,所述目标人脸识别模型以用户提供的标定有身份信息的人脸图像为训练样本,以通用人脸识别模型对所述训练样本中的人脸的身份信息的预测结果趋近于所述训练样本被标定的身份信息为训练目标,对所述通用人脸识别模型进行训练生成;
基于所述目标人脸识别模型对所述图像中的人脸图像进行人脸识别,得到人脸特征。
一种人脸识别装置,包括:
图像检测单元,用于对用户指定或关联的存储空间中的图像进行人脸检测,得到人脸图像;
模型调用单元,用于调用目标人脸识别模型,所述目标人脸识别模型以用户提供的标定有身份信息的人脸图像为训练样本,以通用人脸识别模型对所述训练样本中的人脸的身份信息的预测结果趋近于所述训练样本被标定的身份信息为训练目标,对所述通用人脸识别模型进行训练生成;
人脸识别单元,用于基于所述目标人脸识别模型对所述图像中的人脸图像进行人脸识别,得到人脸特征。
一种服务器,包括:至少一个存储器和至少一个处理器;所述存储器存储有程序,所述处理器调用所述存储器存储的程序,所述程序用于:
对用户指定或关联的存储空间中的图像进行人脸检测,得到人脸图像;
调用目标人脸识别模型,所述目标人脸识别模型以用户提供的标定有身份信息的人脸图像为训练样本,以通用人脸识别模型对所述训练样本中的人脸的身份信息的预测结果趋近于所述训练样本被标定的身份信息为训练目标,对所述通用人脸识别模型进行训练生成;
基于所述目标人脸识别模型对所述图像中的人脸图像进行人脸识别,得到人脸特征。
一种存储介质,所述存储介质存储有适于处理器执行的程序,所述程序用于:
对用户指定或关联的存储空间中的图像进行人脸检测,得到人脸图像;
调用目标人脸识别模型,所述目标人脸识别模型以用户提供的标定有身份信息的人脸图像为训练样本,以通用人脸识别模型对所述训练样本中的人脸的身份信息的预测结果趋近于所述训练样本被标定的身份信息为训练目标,对所述通用人脸识别模型进行训练生成;
基于所述目标人脸识别模型对所述图像中的人脸图像进行人脸识别,得到人脸特征。
本申请提供一种人脸识别方法、装置、服务器及存储介质,该方法包括对用户指定或关联的存储空间中的图像进行人脸检测,得到人脸图像;基于目标人脸识别模型对该人脸图像进行人脸识别,得到人脸特征;目标人脸识别模型以用户提供的标定有身份信息的人脸图像为训练样本,以通用人脸识别模型对训练样本中的人脸的身份信息的预测结果趋近于训练样本被标定的身份信息为训练目标,对通用人脸识别模型进行训练生成。本申请由用户标定身份信息的训练样本对通用人脸识别模型进行训练,使得所生成的目标人脸识别模型对该用户指定或关联的存储空间中的图像的人脸特征的识别结果更具区分性,进而提高了对图像管理的准确性。
附图说明
为了更清楚地说明本发明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发明的实施例,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,还可以根据提供的附图获得其他的附图。
图1为本申请实施例提供的一种服务器的硬件结构框图;
图2为本申请实施例提供的一种目标人脸识别模型生成方法流程图;
图3为本申请实施例提供的一种人脸识别方法流程图;
图4为本申请实施例提供的另一种人脸识别方法流程图;
图5为本申请实施例提供的一种响应用户发送的目标人脸识别模型分享请求,从用户的各个好友用户中,确定目标好友用户的方法流程图;
图6为本申请实施例提供的又一种人脸识别方法流程;
图7为本申请实施例提供的又一种人脸识别方法流程;
图8为本申请实施例提供的一种图像管理应用场景图;
图9(a)为本申请实施例提供的另一种图像管理应用场景图;
图9(b)为本申请实施例提供的又一种图像管理应用场景图;
图9(c)为本申请实施例提供的又一种图像管理应用场景图;
图9(d)为本申请实施例提供的又一种图像管理应用场景图;
图10为本申请实施例提供的一种人脸识别装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明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发明一部分实施例,而不是全部的实施例。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。
实施例
本申请实施例提供的一种人脸识别方法可以应用于服务器(如,人脸识别服务器或者其他专门设置的服务器)构成。
图1为本申请实施例提供的一种服务器的硬件结构框图,参照图1,服务器的硬件结构可以包括:至少一个处理器11,至少一个通信接口12,至少一个存储器13和至少一个通信总线14;
在本发明实施例中,处理器11、通信接口12、存储器13、通信总线14的数量为至少一个,且处理器11、通信接口12、存储器13通过通信总线14完成相互间的通信;
处理器11可能是一个中央处理器CPU、GPU(Graphics Processing Unit,图形处理器),或者是特定集成电路ASIC(Application Specific Integrated Circuit),或者是被配置成实施本发明实施例的一个或多个集成电路等;
存储器13可能包含高速RAM存储器,也可能还包括非易失性存储器(non-volatilememory)等,例如至少一个磁盘存储器;
其中,存储器存储有程序,处理器可调用存储器存储的程序,程序用于:
对用户指定或关联的存储空间中的图像进行人脸检测,得到人脸图像;
调用目标人脸识别模型,目标人脸识别模型以用户提供的标定有身份信息的人脸图像为训练样本,以通用人脸识别模型对训练样本中的人脸的身份信息的预测结果趋近于训练样本被标定的身份信息为训练目标,对通用人脸识别模型进行训练生成;
基于目标人脸识别模型对图像中的人脸图像进行人脸识别,得到人脸特征。
可选的,程序的细化功能和扩展功能可参照下文描述。
为了便于对本申请实施例提供的一种人脸识别方法进行详细阐述,在此首先对本申请实施例提供的一种目标人脸识别模型的生成方法进行详细介绍。
如图2所示为本申请实施例提供的一种目标人脸识别模型生成方法流程图。
如图2所示,该方法包括:
S201、确定训练样本,训练样本包括用户提供的标定有身份信息的人脸图像;
在本申请实施例中,优选的,可以将用户提供的标定有身份信息的每个人脸图像作为一个训练样本。
可选的,图像管理技术在应用过程中,若图像管理技术应用在图像管理应用程序时,可以将待存储至图像管理应用程序或已存储于图像管理应用程序的图像作为与图像管理应用程序相关的图像。
可选的,与图像管理应用程序相关的图像可以看成是用户关联的存储空间中的图像。在本申请实施例中,优选的,与图像管理应用程序相关的图像中的各个目标图像(将与图像管理应用程序相关的每一个位于指定图像管理范围内的图像看成一个目标图像)可以看成是用户指定存储空间中的图像。
进一步的,还可以将对该用户开放图像管理权限的好友用户所关联的存储空间中的图像看成是该用户指定存储空间中的图像。即,确定该用户的各个好友用户,从所确定的各个好友用户中确定为该用户开放图像管理权限的目标好友用户,该目标好友用户所关联的存储空间中的图像可以看成是该用户指定的存储空间中的图像。
需要注意的是:若目标好友用户对该用户的开放的图像管理权限中指定了图像开放范围,则将与该目标好友用户关联的存储空间中的、位于该图像开放范围内的图像看成是该用户指定的存储空间中的图像。
可选的,用户可以为用户指定和/或关联的存储空间的图像中的人脸图像标定身份信息,进而每个标定有身份信息的人脸图像可以作为一个用户提供的标定有身份信息的人脸图像。比如,用户在图像管理应用程序中存储图像时,可以标定一下这个图像中的任意一个或多个人脸图像的身份信息【若该图像中存在多个人脸图像时,用户可以分别标定该图像中每个人脸图像中的人脸的身份信息,用户标定的人脸图像中人脸的身份信息便是用户标定的该人脸图像的身份信息】。
可选的,针对每个标定的身份信息,可以由用户提供多张被该身份信息标定的人脸图像。在本申请实施例中,优选的,针对一个被标定的身份信息,可以由用户提供5~10张标定有该身份信息的图像。
在本申请实施例中,优选的,在确定用户提供的标定有身份信息的人脸图像后,可以分别针对每个被标定的身份信息,根据各个被该身份信息标定的人脸图像计算该身份信息对应的目标人脸特征。
可选的,针对每个被标定的身份信息,进行如下计算:确定被该身份信息标定的各个人脸图像,根据通用人脸识别模型识别所确定的每个人脸图像的人脸特征,将识别出的各个人脸特征的平均值确定为与该身份信息对应的目标人脸特征。
在本申请实施例中,除了可以将用户提供的标定有身份信息的人脸图像作为训练样本,还可以针对被标定的每个身份信息,执行以下过程:从用户指定或关联的存储空间中的图像中获取人脸特征与该身份信息对应的目标人脸特征匹配的人脸图像,为获取到的每个人脸图像标定该身份信息,进而将获取到的每一个人脸图像也作为一个训练样本。
在本申请实施例中,优选的,为了对通用人脸识别模型训练结果的准确性,针对每个被标定的身份信息,可以获取被该身份信息标定的大于预设数量的训练样本,来对通用人脸识别模型进行训练。可选的预设数量可以100张。以上仅仅是本申请实施例提供的预设数量的优选方式,具体的,发明人可根据自己的需求任意设置预设数量的具体内容,在此不做限定。
进一步的,若确定的训练样本中,被一身份信息标定的训练样本中不仅包括用户提供的标定有该身份信息的人脸图像,还包括根据该身份信息对应的目标人脸特征从用户指定或关联的存储空间中获取到的人脸图像时,可以将基于被该身份信息标定的各个训练样本对该身份信息对应的目标人脸特征进行更新。即,将被该身份信息标定的各个训练样本的人脸特征的平均值重新作为与该身份信息对应的目标人脸特征。
在本申请实施例中,优选的,当两个人脸特征之间的相似度大于预设相似度阈值时,可以认为这两个人脸特征匹配。相应的,若人脸特征与目标人脸特征之间的相似度大于预设相似度阈值时,可以认为该人脸特征与该目标人脸特征匹配。可选的,预设相似度阈值为85%。
以上仅仅是本申请实施例提供的确定两个人脸特征匹配的优选方式,具体的,发明人可根据自己的需求任意设置两个人脸特征匹配的条件,在此不做限定。
S202、利用通用人脸识别模型对训练样本进行人脸识别,得到训练样本的人脸特征;
在本申请实施例中,优选的,以被身份信息标定的各个人脸图像为训练样本,以通用人脸识别模型对训练样本中的人脸的身份信息的预测结果趋近于训练样本被标定的身份信息为训练目标对该通用人脸识别模型进行训练,以得到目标人脸识别模型。
可选的,将训练样本作为输入信息输入至通用人脸识别模型,可以输出该训练样本的人脸特征。
S203、计算训练样本的人脸特征与训练样本被标定的身份信息对应的目标人脸特征之间的映射距离;
S204、以最小化映射距离为训练目标,更新通用人脸识别模型中的参数,得到目标人脸识别模型。
可选的,利于各个训练样本对通用人脸识别模型进行训练,得到目标人脸识别模型。在对通用人脸识别模型进行训练的过程中,基于当前被训练的通用人脸识别模型识别训练样本的人脸特征,并计算该人脸特征与该训练样本被标定的身份信息对应的目标人脸特征之间的映射距离,并以最小化该映射距离为训练目标更新当前被训练的通用人脸识别模型中的参数,以得到目标人脸识别模型。
在本申请实施例中,优选的,人脸特征与目标人脸特征之间的映射距离包括基于该人脸特征和该目标人脸特征所计算得到的损失函数。进而,以最小化该损失函数为训练目标,更新当前被训练的通用人脸识别模型中的参数,以得到目标人脸识别模型。
基于上述本申请实施例生成的目标人脸识别模型,可对用户指定或关联的存储空间中的图像进行人脸识别。具体的,图3为本申请实施例提供的一种人脸识别方法流程图。如图3所示,该方法包括:
S301、对用户指定或关联的存储空间中的图像进行人脸检测,得到人脸图像;
可选的,对图像进行人脸检测以得到图像中的人脸图像的人脸检测技术为现有技术,再此不做详细介绍。
S302、调用目标人脸识别模型,目标人脸识别模型以用户提供的标定有身份信息的人脸图像为训练样本,以通用人脸识别模型对训练样本中的人脸的身份信息的预测结果趋近于训练样本被标定的身份信息为训练目标,对通用人脸识别模型进行训练生成;
可选的,调用的目标人脸识别模型可以是基于上述实施例提供的目标人脸识别模型生成方法预先训练好的目标人脸识别模型,也可以是在执行完成步骤S301之后基于上述实施例提供的目标人脸识别模型生成方法训练的目标人脸识别模型,在此不做限定。
S303、基于目标人脸识别模型对图像中的人脸图像进行人脸识别,得到人脸特征。
可选的,基于目标人脸识别模型对所得到的人脸图像进行人脸识别,可以得到该人脸图像的人脸特征。
图4为本申请实施例提供的另一种人脸识别方法流程图。
如图4所示,该方法包括:
S401、对用户指定或关联的存储空间中的图像进行人脸检测,得到人脸图像;
S402、调用目标人脸识别模型,目标人脸识别模型以用户提供的标定有身份信息的人脸图像为训练样本,以通用人脸识别模型对训练样本中的人脸的身份信息的预测结果趋近于训练样本被标定的身份信息为训练目标,对通用人脸识别模型进行训练生成;
S403、基于目标人脸识别模型对图像中的人脸图像进行人脸识别,得到人脸特征;
可选的,本申请实施例提供的步骤S401-S403的执行过程与上述实施例提供的步骤S301-S303的执行过程相同,有关步骤S401-S403的执行过程请参见上述实施例对步骤S301-S303的执行过程的介绍,再此不做赘述。
S404、根据目标人脸识别模型识别出的图像中的人脸图像的人脸特征,预测人脸图像中人脸的身份信息。
进一步的,相比于上述实施例提供的如图3所示的人脸识别方法而言,本申请实施例提供的如图4所示的一种人脸识别方法在步骤S403之后,进一步包括步骤S404、根据目标人脸识别模型识别出的图像中的人脸图像的人脸特征,预测人脸图像中人脸的身份信息。
可选的,在根据目标人脸识别模型识别出图像中的人脸图像的人脸特征后,可根据识别出的该人脸图像的人脸特征预测该人脸图像中的人脸的身份信息。
可选的,根据识别出的人脸图像的人脸特征预测该人脸图像中的人脸的身份信息,包括:确定与识别出的人脸图像的人脸特征匹配的目标人脸特征,将与所确定的目标人脸特征对应的身份信息作为预测到的该人脸图像中人脸的身份信息。
在本申请实施例中,优选的,随着对人脸图像(如,用户指定或关联的存储空间中的图像中的人脸图像)中的人脸的身份信息的预测,还可以进一步对与身份信息对应的目标人脸特征进行更新;如,根据识别出的人脸图像的人脸特征预测出该人脸图像中的人脸的身份信息之后,为该人脸图像标定该预测出的身份信息;进而将该身份信息对应的目标人脸特征更新为该身份信息所标定的各个人脸图像的人脸特征的平均值。
S405、将预测的人脸图像中人脸的身份信息与人脸图像所属的图像绑定。
进一步的,本申请实施例提供的一种人脸识别方法还可以包括:将步骤S404中预测的人脸图像中人脸的身份信息与人脸图像所属的图像绑定。
比如,若待进行人脸识别的图像为图像1和图像2,图像1中包括两个人脸图像(分别为人脸图像1和人脸图像2),图像2中包括一个人脸图像(人脸图像3),基于本申请实施例提供的一种人脸识别方法预测出人脸图像1中的人脸的身份信息为身份信息2、人脸图像2中的人脸的身份信息为身份信息1,人脸图像3中的人脸的身份信息为身份信息1;则,将身份信息1与图像1和图像2绑定,将身份信息2与图像1绑定。
可选的,将预测的人脸图像中人脸的身份信息与人脸图像所属的图像绑定,使得在用户搜索与身份信息对应的图像时/在用户搜索图像中的各个人脸图像的身份信息时,可以直接根据身份信息与图像的绑定关系得到相应的搜索结果。
可选的,本申请实施例,在未将步骤S404中预测的人脸图像中人脸的身份信息与人脸图像所属的图像绑定的基础上,只要能够基于目标人脸识别模型识别出图像中的人脸图像中的人脸的身份信息,便可实现对图像中所包括的各个人脸图像中的人脸的身份信息进行确定。比如,如果一张图像中显示有3个人脸图像,分别为人脸图像1、人脸图像2和人脸图像3;基于目标人脸识别模型识别出人脸图像1中的人脸的身份信息为身份信息1、人脸图像2中的人脸的身份信息为身份信息2,人脸图像3中的人脸的身份信息为身份信息1,进而可确定此张图像中显示了具有不同身份信息的两个人的人脸图像,分别为身份信息为身份信息1的人的人脸图像,以及身份信息为身份信息2的人的人脸图像。
进一步的,本申请实施例提供的一种人脸识别方法,在基于上述实施例提供的目标人脸识别模型生成方法而生成目标人脸识别模型后,还可以:响应用户发送的目标人脸识别模型分享请求,从用户的各个好友用户中,确定目标好友用户;将目标人脸识别模型分享给目标好友用户。
可选的,在通过训练样本(训练样本包括用户提供的标定有身份信息的人脸图像)对通用人脸识别模型进行训练生成目标人脸识别模型后,可以响应用户发送的目标人脸识别模型分享请求,以将该生成的目标人脸识别模型分享给目标好友用户(其中,目标好友用户为从该用户的好友用户中选择出的一个或多个好友用户)。
比如,在图像管理技术应用过程中,若图像管理技术应用在图像管理应用程序时,该图像管理应用程序在通过用户提供的标定有身份信息的人脸图像以生成目标人脸识别模型后,可以接收该用户发送的目标人脸识别模型分享请求,并在接收到该目标人脸识别模型分享请求后,获取该用户的各个好友用户,并通过图像管理应用程序显示该用户的各个好友用户,以便于用户从显示的各个好友用户中选择一个或多个好友用户作为目标好友用户,进而将该目标人脸识别模型分享给每一个目标好友用户。具体的,可以是在接收到用户发送的目标人脸识别模型分享请求后,获取该用户的每个好友用户的好友用户账号(如,获取该用户的用户账号的各个好友用户账号),并通过图像管理应用程序显示每个好友用户账号(还可以在显示好友用户的好友用户账号时,显示用于指示该好友用户的信息),以便于用户从显示的各个好友用户账号中选择一个或多个好友用户账号作为目标好友用户,进而将该目标人脸识别模型分享给每一个目标好友用户账号。
图5为本申请实施例提供的一种响应用户发送的目标人脸识别模型分享请求,从用户的各个好友用户中,确定目标好友用户的方法流程图。
如图5所示,该方法包括:
S501、响应用户发送的目标人脸识别模型分享请求,确定用户的各个好友用户;
具体的,可以是响应用户发送的目标人脸识别模型分享请求,确定用户的用户账号的各个好友用户账号,每个好友用户账号表示了一个好友用户。
S502、从各个好友用户中确定待选好友用户;其中,待选好友用户的身份信息为用于标定训练样本的身份信息,和/或,待选好友用户的好友用户的身份信息为用于标定训练样本的身份信息;
可选的,待选好友用户的身份信息为用户标定训练样本的身份信息,和/或,待选好友用户的好友用户的身份信息为用于标定训练样本的身份信息,可以使得待选用户在接收到该目标人脸识别模型时,利用该目标人脸识别模型对该待选用户和/或该待选用户的好友用户有较好的识别效果。
S503、接收用户对所确定的待选好友用户的选择操作,将被选中的待选好友用户确定为目标好友用户。
可选的,在从各个好友用户中确定待选好友用户后,可以在图像管理应用程序中显示所确定的各个待选好友用户,以便于用户对所显示的各个待选好友用户进行选择操作,进而将用户选中的每一个待选好友用户作为一个目标好友用户。
进一步的,在本申请实施例提供的一种人脸识别方法中,用于标定训练样本的每一个身份信息都可以关联一个属性信息,该属性信息用于校验识别出的用户指定或关联的存储空间中的图像的人脸特征。
在本申请实施例中,优选的,属性信息包括地址信息,地址信息指示有地址范围。可选的,在基于目标人脸识别模型识别出用户指定或关联的存储空间中的图像中的人脸图像的人脸特征后,可以确定与该识别出的人脸特征匹配的目标人脸特征,进而将与所确定的目标人脸特征匹配的身份信息确定为该人脸图像的身份信息;进一步的,确定与该身份信息关联的属性信息,可以得到具有该身份信息的人的地址信息,进而只要获取该人脸图像所属图像的拍摄地址,在该拍摄地址属于该地址信息指示的地址范围内,便可确定基于目标人脸识别模型识别出的该人脸图像的人脸特征准确。
图6为本申请实施例提供的又一种人脸识别方法流程。如图6所示,该方法包括:
S601、对用户指定或关联的存储空间中的图像进行人脸检测,得到人脸图像;
S602、调用目标人脸识别模型,目标人脸识别模型以用户提供的标定有身份信息的人脸图像为训练样本,以通用人脸识别模型对训练样本中的人脸的身份信息的预测结果趋近于训练样本被标定的身份信息为训练目标,对通用人脸识别模型进行训练生成;
S603、基于目标人脸识别模型对图像中的人脸图像进行人脸识别,得到人脸特征;
可选的,本申请实施例提供的步骤S601-S603的执行过程与上述实施例提供的步骤S301-S303的执行过程相同,有关步骤S601-S603的执行过程请参见上述实施例对步骤S301-S303的执行过程的介绍,再此不做赘述。
S604、基于目标人脸识别模型识别出的用户指定或关联的存储空间中的图像的人脸特征,生成图像聚类请求的请求结果;图像聚类请求用于指示对用户指定或关联的存储空间中的指定图像范围内的图像进行聚类。
进一步的,相比于上述实施例提供的如图3所示的人脸识别方法而言,本申请实施例提供的如图6所示的一种人脸识别方法在步骤S603之后,进一步包括步骤S604、基于目标人脸识别模型识别出的用户指定或关联的存储空间中的图像的人脸特征,生成图像聚类请求的请求结果;图像聚类请求用于指示对用户指定或关联的存储空间中的指定图像范围内的图像进行聚类。
在本申请实施例中,优选的,在图像管理技术应用过程中,若该图像管理技术应用于图像管理应用程序,该图像管理应用程序可以接收用户发送的图像聚类请求,该图像聚类请求用于指示对用户指定或关联的存储空间中的指定图像范围内的图像进行聚类;图像管理应用程序接收到图像聚类请求后,可以先确定用户指定或关联的存储空间中的位于图像聚类请求的指定图像范围内的图像;并基于目标人脸识别模型识别出所确定的每个图像中的人脸图像的人脸特征;进而根据各个人脸图像的人脸特征对所确定的各个图像进行聚类,得到至少一个图像类别。如,将人脸特征匹配的各个人脸图像所属的图像归为一类。
图7为本申请实施例提供的又一种人脸识别方法流程。如图7所示,该方法包括:
S701、对用户指定或关联的存储空间中的图像进行人脸检测,得到人脸图像;
S702、调用目标人脸识别模型,目标人脸识别模型以用户提供的标定有身份信息的人脸图像为训练样本,以通用人脸识别模型对训练样本中的人脸的身份信息的预测结果趋近于训练样本被标定的身份信息为训练目标,对通用人脸识别模型进行训练生成;
S703、基于目标人脸识别模型对图像中的人脸图像进行人脸识别,得到人脸特征;
可选的,本申请实施例提供的步骤S701-S703的执行过程与上述实施例提供的步骤S301-S303的执行过程相同,有关步骤S701-S703的执行过程请参见上述实施例对步骤S301-S303的执行过程的介绍,再此不做赘述。
S704、基于目标人脸识别模型识别出的用户指定或关联的存储空间中的图像的人脸特征,生成图像搜索请求的请求结果;图像搜索请求用于指示在用户指定或关联的存储空间中的指定图像范围内搜索与指定身份信息相关的图像。
进一步的,相比于上述实施例提供的如图3所示的人脸识别方法而言,本申请实施例提供的如图7所示的一种人脸识别方法在步骤S703之后,进一步包括步骤S704、基于目标人脸识别模型识别出的用户指定或关联的存储空间中的图像的人脸特征,生成图像搜索请求的请求结果;图像搜索请求用于指示在用户指定或关联的存储空间中的指定图像范围内搜索与指定身份信息相关的图像。
在本申请实施例中,优选的,可以将包括具有指定身份信息的人脸图像的图像作为与指定身份信息相关的图像,即,若一图像中包括具有指定身份信息的人脸图像,则将该图像看成是与指定身份信息相关的图像;其中,若人脸图像中的人脸的身份信息为指定身份信息时,该人脸图像为具有指定身份信息的人脸图像。
在本申请实施例中,优选的,也可以将包括具有与指定身份信息相关的目标身份信息的人脸图像作为与指定身份信息相关的图像;即,若一图像中包括具有与指定身份信息相关的目标身份信息,则将该图像看成是与指定身份信息相关的图像。其中,若人脸图像中的人脸的身份信息为与指定身份信息相关的目标身份信息时,该人脸图像为具有与指定身份信息相关的目标身份信息的人脸图像。
可选的,与指定身份信息相关的目标身份信息可以是与指定身份信息存在亲属关系的身份信息;与指定身份信息相关的目标身份信息也可以是与指定身份信息存在好友关系的身份信息。
以上仅仅是本申请实施例提供的目标身份信息的优选方式,具体的,发明人可根据自己的需求任意设置目标身份信息的具体内容,在此不做限定。
在本申请实施例中,优选的,在图像管理技术应用过程中,若该图像管理技术应用于图像管理应用程序,该图像管理应用程序可以接收用户发送的图像搜索请求,该图像搜索请求用于指示在用户指定或关联的存储空间中的指定图像范围内搜索与指定身份信息相关的图像;图像管理应用程序接收到图像搜索请求后,可以先确定用户指定或关联的存储空间中的位于图像搜索请求的指定图像范围内的图像;并基于目标人脸识别模型识别出所确定的每个图像中的人脸图像的人脸特征;进而从各个人脸特征中确定与指定身份信息对应的目标人脸特征匹配的人脸特征所属的图像,和/或,从各个人脸特征中确定与指定身份信息相关目标身份信息所对应的目标人脸特征匹配的人脸特征所属的图像。
在本申请实施例中,还可以提供一种人脸识别方法,该人脸识别方法在执行完成步骤S601-S603之后,不仅可以执行步骤S604还可以执行步骤S704,有关步骤S604和S704的详细执行过程请参数上述实施例的描述,在此不做赘述。
为了便于对本申请实施例提供的一种人脸识别方法的理解,现从该人脸识别方法的应用场景进行详细介绍。
本申请实施例提供的一种人脸识别方法可以应用于图像管理应用程序,如图8所示该图像管理应用程序可以包括以下功能:
如图8所示,本申请实施例中的图像管理应用程序可以确定用户指定或关联的存储空间中的图像;其中,用户关联的存储空间中的图像可以认为是与该图像管理应用程序相关的图像(与该图像管理应用程序相关的图像,包括:待存储于该图像管理应用程序中或已存储于该图像管理应用程序中的图像);用户指定的存储空间中的图像可以认为是:与该图像管理应用程序相关的图像中的每一个位于指定图像管理范围内的图像;或者,对该用户开放图像管理权限的好友用户相关的图像(对该用户开放图像管理权限的好友用户相关的图像,包括:为该用户开放图像管理权限的好友用户待存储至其所对应的图像管理应用程序或已存储至其所对应的图像管理应用程序中的图像)。
可选的,用户可以从该用户关联或指定的存储空间中的图像中,选择至少一张图像,并标定其所选择的图像中的人脸图像中的人脸的身份信息,将用户标定有身份信息的人脸图像作为训练样本。
进一步的,还可以针对每个被标定的身份信息,从用户关联或指定的存储空间中获取更多的具有该身份信息的人脸图像,并将该人脸图像被该身份信息标定,以作为训练样本。此过程请参见上述实施例的详细介绍,在此不做赘述。
在本申请实施例中,优选的,将训练样本输入至通用人脸识别模型,并以通用人脸识别模型对训练样本中的人脸的身份信息的预测结果趋近于训练样本被标定的身份信息为训练目标,对通用人脸识别模型进行训练,以生成目标人脸识别模型。
可选的,图像管理应用程序可以基于所生成的目标人脸识别模型的人脸识别功能,实现对用户指定或关联的存储空间中的图像进行图像管理。
可选的,参见图9(a)为本申请实施例提供的另一种图像管理应用场景图。
如图9(a)所示,若图像聚类请求指示的用户指定或关联的存储空间中的指定图像范围内的图像可以看成一个待管理图像集合911,待管理图像集合911中包括待管理图像11、待管理图像12、待管理图像13、待管理图像14和待管理图像15;若基于目标人脸识别模型识别出的待管理图像11中显示有身份信息为身份信息1的人脸图像和身份信息为身份信息2的人脸图像;待管理图像12中显示有身份信息为身份信息3的人脸图像;待管理图像13中显示有身份信息为身份信息1的人脸图像和身份信息为身份信息3的人脸图像;待管理图像14中显示有身份信息为身份信息2的人脸图像;待管理图像15中显示有身份信息为身份信息1的人脸图像、身份信息为身份信息2的人脸图像和身份信息为身份信息3的人脸图像。
对待管理图像集合911中的各个待管理图像进行聚类处理,得到图像聚类请求的图像聚类结果包括3个图像类别,分别为与身份信息1对应的图像类别912、与身份信息2对应的图像类别913和与身份信息3对应的图像类别914;其中,图像类别912包括待管理图像11、待管理图像13和待管理图像15;图像类别913包括待管理图像11、待管理图像14和待管理图像15;图像类别914包括待管理图像12、待管理图像13和待管理图像15。
可选的,参见图9(b)为本申请实施例提供的又一种图像管理应用场景图。
如图9(b)所示,若图像搜索请求指示的用户指定或关联的存储空间中的指定图像范围内的图像可以看成上述待管理图像集合911;如果显示有指定身份信息的人脸图像的图像为与指定身份信息相关的图像,且图像搜索请求指定身份信息为身份信息2时,则在待管理图像集合911中进行搜索处理,得到的图像搜索结果915包括待管理图像11、待管理图像14和待管理图像15。
进一步的,如图9(c)所示,若图像搜索请求指示的用户指定或关联的存储空间中的指定图像范围内的图像可以看成上述待管理图像集合911;如果显示有指定身份信息的人脸图像的图像为与指定身份信息相关的图像,且图像搜索请求指定身份信息为身份信息1和身份信息3时,则在待管理图像集合911中进行搜索处理,得到的图像搜索结果包括图像类别916和图像类别917,其中,图像类别916与身份信息1对应,图像类别916中包括待管理图像11、待管理图像13和待管理图像15;图像类别917与身份信息3对应,图像类别917中包括待管理图像12、待管理图像13和待管理图像15。
进一步的,如图9(d)所示,若存在一张待确定身份信息的图像,图像管理应用程序可以利用图像检测技术对该图像进行人脸检测,得到该图像中的人脸图像,并将所得到的人脸图像输入至目标人脸识别模型,以得到该人脸图像的人脸特征;进而通过确定与该人脸特征匹配的目标人脸特征的方式,将所确定的目标人脸特征对应的身份信息确定为该人脸图像中人脸的身份信息。其中,待确定身份信息的图像中各个人脸图像中人脸的身份信息便是该待确定身份信息的图像中所显示的各个人脸的身份信息。
以上是为了对本申请实施例提供的一种人脸识别方法进行说明,而提供的优选场景实施例,有关本申请实施例提供的一种人脸识别方法的具体应用场景,发明人可根据自己的需求任意设置,在此不做限定。
本申请提供一种人脸识别方法及服务器,该方法包括对用户指定或关联的存储空间中的图像进行人脸检测,得到人脸图像;基于目标人脸识别模型对该人脸图像进行人脸识别,得到人脸特征;目标人脸识别模型以用户提供的标定有身份信息的人脸图像为训练样本,以通用人脸识别模型对训练样本中的人脸的身份信息的预测结果趋近于训练样本被标定的身份信息为训练目标,对通用人脸识别模型进行训练生成。本申请由用户标定身份信息的训练样本对通用人脸识别模型进行训练,使得所生成的目标人脸识别模型对该用户指定或关联的存储空间中的图像的人脸特征的识别结果更具区分性,进而提高了对图像管理的准确性。
下面对本发明实施例提供的人脸识别装置进行介绍,下文描述的人脸识别装置可认为是,服务器为实现本发明实施例提供的人脸识别方法,所需设置的程序模块。下文描述的人脸识别装置内容,可与上文描述的人脸识别方法内容相互对应参照。
图10为本申请实施例提供的一种人脸识别装置的结构示意图。
如图10所示,该装置包括:
图像检测单元101,用于对用户指定或关联的存储空间中的图像进行人脸检测,得到人脸图像;
模型调用单元102,用于调用目标人脸识别模型,目标人脸识别模型以用户提供的标定有身份信息的人脸图像为训练样本,以通用人脸识别模型对训练样本中的人脸的身份信息的预测结果趋近于训练样本被标定的身份信息为训练目标,对通用人脸识别模型进行训练生成;
人脸识别单元103,用于基于目标人脸识别模型对图像中的人脸图像进行人脸识别,得到人脸特征。
进一步的,在本申请实施例提供的一种人脸识别装置中,还包括:模型生成单元,模型生成单元包括:
训练样本确定单元,用于确定训练样本,训练样本包括用户提供的标定有身份信息的人脸图像;
人脸特征确定单元,用于利用通用人脸识别模型对训练样本进行人脸识别,得到训练样本的人脸特征;
映射距离计算的单元,用于计算训练样本的人脸特征与训练样本被标定的身份信息对应的目标人脸特征之间的映射距离;
训练单元,用于以最小化映射距离为训练目标,更新通用人脸识别模型中的参数,得到目标人脸识别模型。
在本申请实施例中,优选的,训练样本确定单元包括:
人脸图像确定单元,用于确定用户提供的标定有身份信息的人脸图像;
目标人脸特征计算单元,用于基于标定有同一身份信息的各个人脸图像,计算身份信息对应的目标人脸特征;
训练样本确定子单元,用于从用户指定或关联的存储空间中,获取人脸特征与目标人脸特征匹配的人脸图像,并为所获取的人脸图像标定与目标人脸特征对应的身份信息,每个标定有身份信息的人脸图像为一个训练样本。
进一步的,在本申请实施例提供的一种人脸识别装置中,还包括身份信息预测单元,用于根据目标人脸识别模型识别出的图像中的人脸图像的人脸特征,预测人脸图像中人脸的身份信息。
在本申请实施例中,优选的,身份信息关联有属性信息,属性信息用于校验识别出的用户指定或关联的存储空间中的图像的人脸特征。
进一步的,在本申请实施例提供的一种人脸识别装置中,还包括目标人脸识别模型分享单元,用于响应用户发送的目标人脸识别模型分享请求,从用户的各个好友用户中,确定目标好友用户;将目标人脸识别模型分享给目标好友用户。
在本申请实施例中,优选的,响应用户发送的目标人脸识别模型分享请求,从用户的各个好友用户中,确定目标好友用户,包括:响应用户发送的目标人脸识别模型分享请求,确定用户的各个好友用户;从各个好友用户中确定待选好友用户;其中,待选好友用户的身份信息为用于标定训练样本的身份信息,和/或,待选好友用户的好友用户的身份信息为用于标定训练样本的身份信息;接收用户对所确定的待选好友用户的选择操作,将被选中的待选好友用户确定为目标好友用户。
进一步的,在本申请实施例提供的一种人脸识别装置中,还包括图像聚类单元,用于基于目标人脸识别模型识别出的用户指定或关联的存储空间中的图像的人脸特征,生成图像聚类请求的请求结果;图像聚类请求用于指示对用户指定或关联的存储空间中的指定图像范围内的图像进行聚类。
进一步的,在本申请实施例提供的一种人脸识别装置中,还包括图像搜索单元,用于基于目标人脸识别模型识别出的用户指定或关联的存储空间中的图像的人脸特征,生成图像搜索请求的请求结果;图像搜索请求用于指示在用户指定或关联的存储空间中的指定图像范围内搜索与指定身份信息相关的图像。
本发明实施例还提供一种存储介质,该存储介质可存储有适于处理器执行的程序,程序用于:
对用户指定或关联的存储空间中的图像进行人脸检测,得到人脸图像;
调用目标人脸识别模型,目标人脸识别模型以用户提供的标定有身份信息的人脸图像为训练样本,以通用人脸识别模型对训练样本中的人脸的身份信息的预测结果趋近于训练样本被标定的身份信息为训练目标,对通用人脸识别模型进行训练生成;
基于目标人脸识别模型对图像中的人脸图像进行人脸识别,得到人脸特征。
可选的,程序的细化功能和扩展功能可参照上文描述。
本申请提供一种人脸识别装置及存储介质,该方法包括对用户指定或关联的存储空间中的图像进行人脸检测,得到人脸图像;基于目标人脸识别模型对该人脸图像进行人脸识别,得到人脸特征;目标人脸识别模型以用户提供的标定有身份信息的人脸图像为训练样本,以通用人脸识别模型对训练样本中的人脸的身份信息的预测结果趋近于训练样本被标定的身份信息为训练目标,对通用人脸识别模型进行训练生成。本申请由用户标定身份信息的训练样本对通用人脸识别模型进行训练,使得所生成的目标人脸识别模型对该用户指定或关联的存储空间中的图像的人脸特征的识别结果更具区分性,进而提高了对图像管理的准确性。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,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来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发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的核心思想或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (15)
1.一种人脸识别方法,其特征在于,包括:
对用户指定或关联的存储空间中的图像进行人脸检测,得到人脸图像;
调用目标人脸识别模型,所述目标人脸识别模型以用户提供的标定有身份信息的人脸图像为训练样本,以通用人脸识别模型对所述训练样本中的人脸的身份信息的预测结果趋近于所述训练样本被标定的身份信息为训练目标,对所述通用人脸识别模型进行训练生成;
基于所述目标人脸识别模型对所述图像中的人脸图像进行人脸识别,得到人脸特征。
2.根据权利要求1所述的方法,其特征在于,以用户提供的标定有身份信息的人脸图像为训练样本,以通用人脸识别模型对所述训练样本中的人脸的身份信息的预测结果趋近于所述训练样本被标定的身份信息为训练目标,对所述通用人脸识别模型进行训练生成目标人脸识别模型,包括:
确定训练样本,所述训练样本包括所述用户提供的标定有身份信息的人脸图像;
利用通用人脸识别模型对所述训练样本进行人脸识别,得到所述训练样本的人脸特征;
计算所述训练样本的人脸特征与所述训练样本被标定的身份信息对应的目标人脸特征之间的映射距离;
以最小化所述映射距离为训练目标,更新所述通用人脸识别模型中的参数,得到目标人脸识别模型。
3.根据权利要求2所述的方法,其特征在于,所述确定训练样本包括:
确定所述用户提供的标定有身份信息的人脸图像;
基于标定有同一所述身份信息的各个所述人脸图像,计算所述身份信息对应的目标人脸特征;
从所述用户指定或关联的存储空间中,获取人脸特征与所述目标人脸特征匹配的人脸图像,并为所获取的人脸图像标定与所述目标人脸特征对应的身份信息,每个标定有身份信息的人脸图像为一个训练样本。
4.根据权利要求1-3任意一项所述的方法,其特征在于,还包括:根据所述目标人脸识别模型识别出的所述图像中的人脸图像的人脸特征,预测所述人脸图像中人脸的身份信息。
5.根据权利要求1-3任意一项所述的方法,其特征在于,所述身份信息关联有属性信息,所述属性信息用于校验识别出的所述用户指定或关联的存储空间中的图像的人脸特征。
6.根据权利要求1-3任意一项所述的方法,其特征在于,还包括:
响应所述用户发送的目标人脸识别模型分享请求,从所述用户的各个好友用户中,确定目标好友用户;
将所述目标人脸识别模型分享给所述目标好友用户。
7.根据权利要求6所述的方法,其特征在于,所述响应所述用户发送的目标人脸识别模型分享请求,从所述用户的各个好友用户中,确定目标好友用户,包括:
响应所述用户发送的目标人脸识别模型分享请求,确定所述用户的各个好友用户;
从各个所述好友用户中确定待选好友用户;其中,所述待选好友用户的身份信息为用于标定所述训练样本的身份信息,和/或,所述待选好友用户的好友用户的身份信息为用于标定所述训练样本的身份信息;
接收所述用户对所确定的待选好友用户的选择操作,将被选中的所述待选好友用户确定为目标好友用户。
8.根据权利要求1-3任意一项所述的方法,其特征在于,还包括:
基于所述目标人脸识别模型识别出的所述用户指定或关联的存储空间中的图像的人脸特征,生成图像聚类请求的请求结果;所述图像聚类请求用于指示对所述用户指定或关联的存储空间中的指定图像范围内的图像进行聚类。
9.根据权利要求8所述的方法,其特征在于,还包括:
基于所述目标人脸识别模型识别出的所述用户指定或关联的存储空间中的图像的人脸特征,生成图像搜索请求的请求结果;所述图像搜索请求用于指示在所述用户指定或关联的存储空间中的指定图像范围内搜索与指定身份信息相关的图像。
10.一种人脸识别装置,其特征在于,包括:
图像检测单元,用于对用户指定或关联的存储空间中的图像进行人脸检测,得到人脸图像;
模型调用单元,用于调用目标人脸识别模型,所述目标人脸识别模型以用户提供的标定有身份信息的人脸图像为训练样本,以通用人脸识别模型对所述训练样本中的人脸的身份信息的预测结果趋近于所述训练样本被标定的身份信息为训练目标,对所述通用人脸识别模型进行训练生成;
人脸识别单元,用于基于所述目标人脸识别模型对所述图像中的人脸图像进行人脸识别,得到人脸特征。
11.根据权利要求10所述的装置,其特征在于,还包括模型生成单元,所述模型生成单元包括:
训练样本确定单元,用于确定训练样本,所述训练样本包括所述用户提供的标定有身份信息的人脸图像;
人脸特征确定单元,用于利用通用人脸识别模型对所述训练样本进行人脸识别,得到所述训练样本的人脸特征;
映射距离计算的单元,用于计算所述训练样本的人脸特征与所述训练样本被标定的身份信息对应的目标人脸特征之间的映射距离;
训练单元,用于以最小化所述映射距离为训练目标,更新所述通用人脸识别模型中的参数,得到目标人脸识别模型。
12.根据权利要求11所述的装置,其特征在于,所述训练样本确定单元包括:
人脸图像确定单元,用于确定所述用户提供的标定有身份信息的人脸图像;
目标人脸特征计算单元,用于基于标定有同一所述身份信息的各个所述人脸图像,计算所述身份信息对应的目标人脸特征;
训练样本确定子单元,用于从所述用户指定或关联的存储空间中,获取人脸特征与所述目标人脸特征匹配的人脸图像,并为所获取的人脸图像标定与所述目标人脸特征对应的身份信息,每个标定有身份信息的人脸图像为一个训练样本。
13.根据权利要求10-12任意一项所述的装置,其特征在于,还包括身份信息预测单元,用于根据所述目标人脸识别模型识别出的所述图像中的人脸图像的人脸特征,预测所述人脸图像中人脸的身份信息。
14.一种服务器,其特征在于,包括:至少一个存储器和至少一个处理器;所述存储器存储有程序,所述处理器调用所述存储器存储的程序,所述程序用于:
对用户指定或关联的存储空间中的图像进行人脸检测,得到人脸图像;
调用目标人脸识别模型,所述目标人脸识别模型以用户提供的标定有身份信息的人脸图像为训练样本,以通用人脸识别模型对所述训练样本中的人脸的身份信息的预测结果趋近于所述训练样本被标定的身份信息为训练目标,对所述通用人脸识别模型进行训练生成;
基于所述目标人脸识别模型对所述图像中的人脸图像进行人脸识别,得到人脸特征。
15.一种存储介质,其特征在于,所述存储介质存储有适于处理器执行的程序,所述程序用于:
对用户指定或关联的存储空间中的图像进行人脸检测,得到人脸图像;
调用目标人脸识别模型,所述目标人脸识别模型以用户提供的标定有身份信息的人脸图像为训练样本,以通用人脸识别模型对所述训练样本中的人脸的身份信息的预测结果趋近于所述训练样本被标定的身份信息为训练目标,对所述通用人脸识别模型进行训练生成;
基于所述目标人脸识别模型对所述图像中的人脸图像进行人脸识别,得到人脸特征。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810258504.1A CN110309691B (zh) | 2018-03-27 | 2018-03-27 | 一种人脸识别方法、装置、服务器及存储介质 |
PCT/CN2019/075538 WO2019184627A1 (zh) | 2018-03-27 | 2019-02-20 | 一种人脸识别方法、装置、服务器及存储介质 |
US16/900,461 US11367311B2 (en) | 2018-03-27 | 2020-06-12 | Face recognition method and apparatus, server, and storage medium |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810258504.1A CN110309691B (zh) | 2018-03-27 | 2018-03-27 | 一种人脸识别方法、装置、服务器及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110309691A true CN110309691A (zh) | 2019-10-08 |
CN110309691B CN110309691B (zh) | 2022-12-27 |
Family
ID=68062469
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810258504.1A Active CN110309691B (zh) | 2018-03-27 | 2018-03-27 | 一种人脸识别方法、装置、服务器及存储介质 |
Country Status (3)
Country | Link |
---|---|
US (1) | US11367311B2 (zh) |
CN (1) | CN110309691B (zh) |
WO (1) | WO2019184627A1 (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108920639B (zh) * | 2018-07-02 | 2022-01-18 | 北京百度网讯科技有限公司 | 基于语音交互的上下文获取方法及设备 |
CN114503172A (zh) * | 2019-08-09 | 2022-05-13 | 克利尔维尤人工智能股份有限公司 | 基于人脸识别来提供关于人的信息的方法 |
Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100329568A1 (en) * | 2008-07-02 | 2010-12-30 | C-True Ltd. | Networked Face Recognition System |
CN101976356A (zh) * | 2010-09-30 | 2011-02-16 | 惠州市华阳多媒体电子有限公司 | 网吧实名制人脸识别方法及识别系统 |
CN103530652A (zh) * | 2013-10-23 | 2014-01-22 | 北京中视广信科技有限公司 | 一种基于人脸聚类的视频编目方法、检索方法及其系统 |
WO2015078183A1 (zh) * | 2013-11-29 | 2015-06-04 | 华为技术有限公司 | 图像身份识别方法和相关装置及身份识别系统 |
CN105868309A (zh) * | 2016-03-24 | 2016-08-17 | 广东微模式软件股份有限公司 | 一种基于人脸图像聚类和识别技术的图像快速查找和自助打印方法 |
CN105956022A (zh) * | 2016-04-22 | 2016-09-21 | 腾讯科技(深圳)有限公司 | 电子镜图像处理方法和装置、图像处理方法和装置 |
WO2017000807A1 (zh) * | 2015-06-30 | 2017-01-05 | 芋头科技(杭州)有限公司 | 一种人脸图像识别方法 |
EP3125154A1 (en) * | 2015-07-31 | 2017-02-01 | Xiaomi Inc. | Photo sharing method and device |
CN106384237A (zh) * | 2016-08-31 | 2017-02-08 | 北京志光伯元科技有限公司 | 基于人脸识别的会员认证和管理方法、装置及系统 |
CN106407369A (zh) * | 2016-09-09 | 2017-02-15 | 华南理工大学 | 一种基于深度学习人脸识别的照片管理方法和系统 |
CN106453864A (zh) * | 2016-09-26 | 2017-02-22 | 广东欧珀移动通信有限公司 | 一种图像处理方法、装置和终端 |
WO2017096921A1 (zh) * | 2015-12-09 | 2017-06-15 | 广州广电运通金融电子股份有限公司 | 一种通过社交关系进行身份验证的方法 |
US20170206403A1 (en) * | 2016-01-19 | 2017-07-20 | Jason RAMBACH | Method of distributed face recognition and system thereof |
CN107247941A (zh) * | 2017-06-22 | 2017-10-13 | 易容智能科技(苏州)有限公司 | 一种高硬件弹性的精准人脸采样和识别方法 |
CN107545243A (zh) * | 2017-08-07 | 2018-01-05 | 南京信息工程大学 | 基于深度卷积模型的黄种人脸识别方法 |
WO2018023753A1 (zh) * | 2016-08-05 | 2018-02-08 | 胡明祥 | 面部识别技术匹配电脑解锁时的数据采集方法和识别系统 |
CN107679451A (zh) * | 2017-08-25 | 2018-02-09 | 百度在线网络技术(北京)有限公司 | 建立人脸识别模型的方法、装置、设备和计算机存储介质 |
WO2018033143A1 (zh) * | 2016-08-19 | 2018-02-22 | 北京市商汤科技开发有限公司 | 视频图像的处理方法、装置和电子设备 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7903883B2 (en) * | 2007-03-30 | 2011-03-08 | Microsoft Corporation | Local bi-gram model for object recognition |
JP5713821B2 (ja) * | 2011-06-30 | 2015-05-07 | キヤノン株式会社 | 画像処理装置及び方法、並びに画像処理装置を有するカメラ |
CN102945117A (zh) * | 2012-10-19 | 2013-02-27 | 广东欧珀移动通信有限公司 | 根据人脸识别自动操作照片的方法、装置及终端 |
CN104573652B (zh) * | 2015-01-04 | 2017-12-22 | 华为技术有限公司 | 确定人脸图像中人脸的身份标识的方法、装置和终端 |
CN105426857B (zh) * | 2015-11-25 | 2019-04-12 | 小米科技有限责任公司 | 人脸识别模型训练方法和装置 |
CN105631403B (zh) * | 2015-12-17 | 2019-02-12 | 小米科技有限责任公司 | 人脸识别方法及装置 |
CN110741377A (zh) * | 2017-06-30 | 2020-01-31 | Oppo广东移动通信有限公司 | 人脸图像处理方法、装置、存储介质及电子设备 |
-
2018
- 2018-03-27 CN CN201810258504.1A patent/CN110309691B/zh active Active
-
2019
- 2019-02-20 WO PCT/CN2019/075538 patent/WO2019184627A1/zh active Application Filing
-
2020
- 2020-06-12 US US16/900,461 patent/US11367311B2/en active Active
Patent Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100329568A1 (en) * | 2008-07-02 | 2010-12-30 | C-True Ltd. | Networked Face Recognition System |
CN101976356A (zh) * | 2010-09-30 | 2011-02-16 | 惠州市华阳多媒体电子有限公司 | 网吧实名制人脸识别方法及识别系统 |
CN103530652A (zh) * | 2013-10-23 | 2014-01-22 | 北京中视广信科技有限公司 | 一种基于人脸聚类的视频编目方法、检索方法及其系统 |
WO2015078183A1 (zh) * | 2013-11-29 | 2015-06-04 | 华为技术有限公司 | 图像身份识别方法和相关装置及身份识别系统 |
WO2017000807A1 (zh) * | 2015-06-30 | 2017-01-05 | 芋头科技(杭州)有限公司 | 一种人脸图像识别方法 |
EP3125154A1 (en) * | 2015-07-31 | 2017-02-01 | Xiaomi Inc. | Photo sharing method and device |
US20170034097A1 (en) * | 2015-07-31 | 2017-02-02 | Xiaomi Inc. | Photo sharing method and device |
WO2017096921A1 (zh) * | 2015-12-09 | 2017-06-15 | 广州广电运通金融电子股份有限公司 | 一种通过社交关系进行身份验证的方法 |
US20170206403A1 (en) * | 2016-01-19 | 2017-07-20 | Jason RAMBACH | Method of distributed face recognition and system thereof |
CN105868309A (zh) * | 2016-03-24 | 2016-08-17 | 广东微模式软件股份有限公司 | 一种基于人脸图像聚类和识别技术的图像快速查找和自助打印方法 |
CN105956022A (zh) * | 2016-04-22 | 2016-09-21 | 腾讯科技(深圳)有限公司 | 电子镜图像处理方法和装置、图像处理方法和装置 |
WO2018023753A1 (zh) * | 2016-08-05 | 2018-02-08 | 胡明祥 | 面部识别技术匹配电脑解锁时的数据采集方法和识别系统 |
WO2018033143A1 (zh) * | 2016-08-19 | 2018-02-22 | 北京市商汤科技开发有限公司 | 视频图像的处理方法、装置和电子设备 |
CN106384237A (zh) * | 2016-08-31 | 2017-02-08 | 北京志光伯元科技有限公司 | 基于人脸识别的会员认证和管理方法、装置及系统 |
CN106407369A (zh) * | 2016-09-09 | 2017-02-15 | 华南理工大学 | 一种基于深度学习人脸识别的照片管理方法和系统 |
CN106453864A (zh) * | 2016-09-26 | 2017-02-22 | 广东欧珀移动通信有限公司 | 一种图像处理方法、装置和终端 |
CN107247941A (zh) * | 2017-06-22 | 2017-10-13 | 易容智能科技(苏州)有限公司 | 一种高硬件弹性的精准人脸采样和识别方法 |
CN107545243A (zh) * | 2017-08-07 | 2018-01-05 | 南京信息工程大学 | 基于深度卷积模型的黄种人脸识别方法 |
CN107679451A (zh) * | 2017-08-25 | 2018-02-09 | 百度在线网络技术(北京)有限公司 | 建立人脸识别模型的方法、装置、设备和计算机存储介质 |
Non-Patent Citations (3)
Title |
---|
LIANZHI TAN等: ""Group emotion recognition with individual facial emotion CNNs and global image based CNNs"", 《PROCEEDINGS OF THE 19TH ACM INTERNATIONAL CONFERENCE ON MULTIMODAL INTERACTION》 * |
林云峰等: ""利用贪心近似算法的人脸识别方法"", 《控制工程》 * |
段晓东等: ""基于多图像组信息的人脸识别研究"", 《大连民族大学学报》 * |
Also Published As
Publication number | Publication date |
---|---|
CN110309691B (zh) | 2022-12-27 |
US20200311390A1 (en) | 2020-10-01 |
US11367311B2 (en) | 2022-06-21 |
WO2019184627A1 (zh) | 2019-10-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP4982578B2 (ja) | リソース割当装置、リソース割当方法、およびリソース割当制御プログラム | |
CN103902331B (zh) | 信息处理装置和信息处理方法 | |
CN106201923B (zh) | 读写数据方法及装置 | |
EP2414926A1 (en) | Storage system for eliminating duplicated data | |
CN110348519A (zh) | 金融产品欺诈团伙的识别方法和装置 | |
CN110309691A (zh) | 一种人脸识别方法、装置、服务器及存储介质 | |
CN111191601B (zh) | 同行用户识别方法、装置、服务器及存储介质 | |
US7251664B2 (en) | Volume allocation within a storage management system | |
CN109902681A (zh) | 用户群体关系确定方法、装置、设备及存储介质 | |
CN114244595A (zh) | 权限信息的获取方法、装置、计算机设备及存储介质 | |
CN109992956A (zh) | 容器的安全策略的处理方法和相关装置 | |
CN110287767A (zh) | 可防攻击的活体检测方法、装置、计算机设备及存储介质 | |
US11075004B2 (en) | Discrimination result providing apparatus, operating method of discrimination result providing apparatus, discrimination result providing program, and discrimination result providing system | |
CN109783321A (zh) | 监控数据管理方法、装置、终端设备 | |
CN108090108A (zh) | 信息处理方法、装置、电子设备和存储介质 | |
CN109684566A (zh) | 标签引擎实现方法、装置、计算机设备及存储介质 | |
CN109634888A (zh) | 一种fc接口卡交换资源标识处理方法及相关组件 | |
CN109445569A (zh) | 基于ar的信息处理方法、装置、设备及可读存储介质 | |
EP2608152A1 (en) | Medical imaging diagnosis apparatus and medical imaging diagnosis method for providing diagnostic basis | |
WO2019000468A1 (zh) | 用户位置识别方法、装置、存储介质及电子设备 | |
CN109976826A (zh) | 一种应用软件处理方法、移动终端及云服务器 | |
WO2018004083A1 (ko) | 지도 검색 기록을 이용한 유동인구 추정 장치 및 방법 | |
CN109117091A (zh) | 一种ssd设备挂载点获取方法及相关装置 | |
CN111598390B (zh) | 服务器高可用性评估方法、装置、设备和可读存储介质 | |
JP2022076274A (ja) | モデル学習方法、モデル学習システム、サーバ装置、及びコンピュータプログラム |
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 |