CN110378230B - 失踪人脸识别方法、装置、计算机设备和存储介质 - Google Patents

失踪人脸识别方法、装置、计算机设备和存储介质 Download PDF

Info

Publication number
CN110378230B
CN110378230B CN201910531862.XA CN201910531862A CN110378230B CN 110378230 B CN110378230 B CN 110378230B CN 201910531862 A CN201910531862 A CN 201910531862A CN 110378230 B CN110378230 B CN 110378230B
Authority
CN
China
Prior art keywords
face
missing
face image
image
features
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
Application number
CN201910531862.XA
Other languages
English (en)
Other versions
CN110378230A (zh
Inventor
王建华
何四燕
司马云鹤
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.)
Ping An Technology Shenzhen Co Ltd
Original Assignee
Ping An Technology Shenzhen Co Ltd
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 Ping An Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Priority to CN201910531862.XA priority Critical patent/CN110378230B/zh
Priority to PCT/CN2019/102927 priority patent/WO2020252911A1/zh
Publication of CN110378230A publication Critical patent/CN110378230A/zh
Application granted granted Critical
Publication of CN110378230B publication Critical patent/CN110378230B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06V40/172—Classification, e.g. identification
    • G06V40/173—Classification, e.g. identification face re-identification, e.g. recognising unknown faces across different face tracks
    • 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
    • G06V40/178—Human faces, e.g. facial parts, sketches or expressions estimating age from face image; using age information for improving recognition

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Human Computer Interaction (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
  • Collating Specific Patterns (AREA)

Abstract

本申请涉及人工智能中的机器学习，提供一种失踪人脸识别方法、装置、计算机设备和存储介质。所述方法包括：接收人脸识别指令，根据人脸识别指令获取第一失踪人脸图像；将第一失踪人脸图像输入到已训练的人脸预测模型中，得到目标年龄对应的第二失踪人脸图像；获取目标年龄对应的直系血亲人脸图像，提取直系血亲人脸图像的人脸特征；根据人脸特征修正目标年龄对应的第二失踪人脸图像，得到第三失踪人脸图像；对第三失踪人脸图像进行人脸识别，得到人脸识别结果。采用本方法能够提高失踪人脸图像识别的准确性。

Description

失踪人脸识别方法、装置、计算机设备和存储介质
技术领域
本申请涉及计算机技术领域，特别是涉及一种失踪人脸识别方法、装置、计算机设备和存储介质。
背景技术
随着互联网的发展，开始采用人脸识别对失踪人口进行寻找。但是，如果失踪人口走失的时间较长，失踪人口的容貌随年龄的增长变化比较大，因此通过人脸识别的方式确认失踪人口，存在准确性较低的问题。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高识别准确性的失踪人脸识别方法、装置、计算机设备和存储介质。
一种失踪人脸识别方法，所述方法包括：
接收人脸识别指令，根据人脸识别指令获取第一失踪人脸图像；
将第一失踪人脸图像输入到已训练的人脸预测模型中，得到目标年龄对应的第二失踪人脸图像；
获取目标年龄对应的直系血亲人脸图像，提取直系血亲人脸图像的人脸特征；
根据人脸特征修正目标年龄对应的第二失踪人脸图像，得到第三失踪人脸图像；
对第三失踪人脸图像进行人脸识别，得到人脸识别结果。
在其中一个实施例中，在接收人脸识别指令，根据人脸识别指令获取第一失踪人脸图像之前，还包括：
获取各个年龄对应的人脸图像，将第一年龄对应的人脸图像作为输入，将第二年龄对应的人脸图像作为输出，使用卷积神经网络进行训练；
当达到预设条件时，得到已训练的人脸预测模型。
在其中一个实施例中，获取目标年龄对应的直系血亲人脸图像，提取直系血亲人脸图像的人脸特征，包括：
将目标年龄对应的直系血亲人脸图像按照预设条件进行划分，得到直系血亲人脸图像的人脸区域；
计算人脸区域的局部二进制模式值，得到人脸区域的纹理特征；
确定人脸区域的肤色特征，根据人脸区域的纹理特征和人脸区域的肤色特征，得到直系血亲人脸图像的人脸特征。
在其中一个实施例中，根据人脸特征修正目标年龄对应的第二失踪人脸图像，得到第三失踪人脸图像，包括：
计算第一直系血亲人脸图像对应的人脸特征和第二直系血亲人脸图像对应的人脸特征的相似度，当相似度大于预设阈值时，获取相似度大于预设阈值的第一人脸特征；
计算第二失踪人脸图像与第一人脸特征对应的第二人脸特征，将第二人脸特征替换为第一人脸特征，得到第三失踪人脸图像。
在其中一个实施例中，对目标失踪人脸图像进行人脸识别，得到人脸识别结果，包括：
根据目标失踪人脸图像确定对应的肤色特征，根据肤色特征计算与预设人脸数据库中人脸肤色特征的第一相似度；
根据目标失踪人脸图像计算对应的纹理特征，根据纹理特征计算与预设人脸数据库中人脸纹理特征的第二相似度；
根据第一相似度和第二相似度得到目标失踪人脸图像与预设人脸数据库中人脸的相似度，得到人脸识别结果。
在其中一个实施例中，对目标失踪人脸图像进行人脸识别，得到人脸识别结果，包括：
启动预设并行线程，将目标失踪人脸图像与预设人脸数据库中的人脸并行识别，得到人脸识别结果。
在其中一个实施例中，对目标失踪人脸图像进行人脸识别，得到人脸识别结果，包括：
将目标走失图像发送到各个从节点服务器，以使各个从节点服务器对目标失踪人脸图像进行人脸识别；
获取各个从节点服务器返回的人脸识别结果，根据从节点服务器返回的人脸识别得到目标人脸识别结果。
一种失踪人脸识别装置，所述装置包括：
第一图像获取模块，用于接收人脸识别指令，根据人脸识别指令获取第一失踪人脸图像；
第二图像得到模块，用于将第一失踪人脸图像输入到已训练的人脸预测模型中，得到目标年龄对应的第二失踪人脸图像；
特征提取模块，用于获取目标年龄对应的直系血亲人脸图像，提取直系血亲人脸图像的人脸特征；
第三图像得到模块，用于根据人脸特征修正目标年龄对应的第二失踪人脸图像，得到第三失踪人脸图像；
人脸识别模块，用于对第三失踪人脸图像进行人脸识别，得到人脸识别结果。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
接收人脸识别指令，根据人脸识别指令获取第一失踪人脸图像；
将第一失踪人脸图像输入到已训练的人脸预测模型中，得到目标年龄对应的第二失踪人脸图像；
获取目标年龄对应的直系血亲人脸图像，提取直系血亲人脸图像的人脸特征；
根据人脸特征修正目标年龄对应的第二失踪人脸图像，得到第三失踪人脸图像；
对第三失踪人脸图像进行人脸识别，得到人脸识别结果。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
接收人脸识别指令，根据人脸识别指令获取第一失踪人脸图像；
将第一失踪人脸图像输入到已训练的人脸预测模型中，得到目标年龄对应的第二失踪人脸图像；
获取目标年龄对应的直系血亲人脸图像，提取直系血亲人脸图像的人脸特征；
根据人脸特征修正目标年龄对应的第二失踪人脸图像，得到第三失踪人脸图像；
对第三失踪人脸图像进行人脸识别，得到人脸识别结果。
上述失踪人脸识别方法、装置、计算机设备和存储介质，通过对第一失踪人脸使用人脸预测模型预测得到二失踪人脸图像并根据直系血亲人脸特征进行修正得到第三失踪人脸图像，然后对第三失踪人脸图像识别，得到识别结果。即通过直系血亲人脸特征来修正预测出的失踪人脸图像，得到修正后的失踪人脸图像，在对修正后的失踪人脸图像进行识别得到识别结果，提高了失踪人脸识别的准确性。
附图说明
图1为一个实施例中失踪人脸识别方法的应用场景图；
图2为一个实施例中失踪人脸识别方法的流程示意图；
图3为一个实施例中训练人脸预测模型的流程示意图；
图4为一个实施例中的提取直系血亲人脸图像特征的流程示意图；
图5为一个实施例中得到第三失踪人脸图像的流程示意图；
图6为一个实施例中得到人脸识别结果的流程示意图；
图7另一个实施例中得到人脸识别结果的流程示意图；
图8为一个实施例中失踪人脸识别方法装置的结构框图；
图9为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请提供的失踪人脸识别方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104进行通信。服务器104接收终端102发送的人脸识别指令，根据人脸识别指令获取第一失踪人脸图像；将第一失踪人脸图像输入到已训练的人脸预测模型中，得到目标年龄对应的第二失踪人脸图像；获取目标年龄对应的直系血亲人脸图像，提取直系血亲人脸图像的人脸特征；根据人脸特征修正目标年龄对应的第二失踪人脸图像，得到第三失踪人脸图像；对第三失踪人脸图像进行人脸识别，得到人脸识别结果，可以将人脸识别结果返回到终端102进行显示。其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中，如图2所示，提供了一种失踪人脸识别方法，以该方法应用于图1中的服务器为例进行说明，包括以下步骤：
S202，接收人脸识别指令，根据人脸识别指令获取第一失踪人脸图像。
其中，第一失踪人脸图像是失踪人员在走失前的人脸图像，第一失踪人脸图像可以是在走失前某个年龄拍照留存的人脸图像，也可以是走失前监控设备监控得到的人脸图像，也可以是居民身份证中的人脸图像。
具体地，服务器接收到终端发送的人脸识别指令，根据该指令服务器获取到终端上传的第一失踪人脸图像。
S204，将第一失踪人脸图像输入到已训练的人脸预测模型中，得到目标年龄对应的第二失踪人脸图像。
其中，人脸预测模型是根据历史人脸数据使用卷积神经网络算法建立的神经网络模型，是用来预测某一年龄的失踪人脸图像的。第二失踪人脸图像是指预测的在目标年龄时的失踪人脸图像。目标年龄是指该失踪人脸在进行预测时的年龄。比如，该失踪人脸是指4岁走失，第一失踪人脸图像就可以是4岁的人脸图像。则在进行失踪人脸预测时，该失踪人脸为10岁，则目标年龄就是10岁。
具体地，服务器将第一失踪人脸图像输入到已训练的人脸预测模型中进行计算，得到该人脸预测模型的输出即目标年龄对应的第二失踪人脸图像。
S206，获取目标年龄对应的直系血亲人脸图像，提取直系血亲人脸图像的人脸特征。
其中，直系血亲是指和是指和自己有直接血缘关系的亲属，具有生与被生关系，比如父母、子女、祖父母(外祖父母)、孙子女(外孙子女)等等。直系血亲人脸图像是指在目标年龄时直系血亲的人脸图像。
具体地，服务器获取该目标年龄对应的直系血亲的人脸图像，提取直系血亲人脸图像中的人脸特征。如果第一失踪人脸图像为儿童人脸图像，则直系血亲人脸图像可以是父母的人脸图像。如果第一失踪人脸图像为父母的人脸图像，则直系血亲人脸图像可以是儿女的人脸图像。比如当失踪人脸图像是4岁的儿童时，现在该走失儿童10岁，则获取10岁时父母的人脸图像，提取父母双方人脸图像中的人脸特征包括几何特征、肤色特征和纹理特征等等。
S208，根据人脸特征修正目标年龄对应的第二失踪人脸图像，得到第三失踪人脸图像。
其中，第三失踪人脸图像是指经过直系血亲人脸图像修正后得到人脸特征修正后的失踪人脸图像。
具体地，服务器根据提取到的直系血亲人脸图像的人脸特征修正目标年龄对应的第二失踪人脸图像，得到修正后的第三失踪人脸图像。
S210，对第三失踪人脸图像进行人脸识别，得到人脸识别结果。
其中，人脸识别结果包括在人脸数据库中通过人脸识别匹配到相似人脸图像或者未匹配到相似人脸图像。
具体地，服务器对第三失踪人脸图像进行人脸识别，得到该第三失踪人脸图像的人脸识别结果，然后可以将人脸识别结果发送到终端进行显示，可以显示第三失踪人脸图像和人脸识别结果。其中，人脸识别结果可以是在人脸数据库中匹配到相似度大于预设阈值的人脸图像，将该人脸图像也在终端进行显示。其中，人脸数据库用于存储从各个不同渠道到采集到的人脸数据，比如，可以从国家数据中心获取人脸图像数据，可以从近期的监控设备中获取人脸图像数据等等。人脸数据库中的人脸图像数据随着时间的变化而不断进行更新。
上述失踪人脸识别方法，通过接收人脸识别指令，根据人脸识别指令获取第一失踪人脸图像；将第一失踪人脸图像输入到已训练的人脸预测模型中，得到目标年龄对应的第二失踪人脸图像；获取目标年龄对应的直系血亲人脸图像，提取直系血亲人脸图像的人脸特征；根据人脸特征修正目标年龄对应的第二失踪人脸图像，得到第三失踪人脸图像；对第三失踪人脸图像进行人脸识别，得到人脸识别结果。通过对第一失踪人脸使用人脸预测模型预测得到二失踪人脸图像并根据父母人脸特征进行修正的带第三失踪人脸图像，对第二失踪人脸图像识别，得到识别结果，提高了人脸识别的准确性。
在一个实施例中，如图3所示，在步骤S202之前，即在接收人脸识别指令，根据人脸识别指令获取第一失踪人脸图像之前，还包括步骤：
S302，获取各个年龄对应的人脸图像，将第一年龄对应的人脸图像作为输入，将第二年龄对应的人脸图像作为输出，使用卷积神经网络进行训练。
其中，第一年龄是指该人员在失踪时的年龄，第二年龄是指该人员在失踪一段时间后的年龄。比如，第一年龄可以是失踪时的3岁，则第二年龄可以是在失踪一段时间后的20岁。也可以是失踪时的60岁，则第二年龄可以是在失踪一段时间后的65岁等等。卷积神经网络是一类包含卷积计算且具有深度结构的前馈神经网络，其结构包括输入层，卷积层、池化层、全连接层和输出层。
具体地，服务器获取大量各个年龄对应的人脸图像，将第一年龄对应的人脸图像作为卷积神经网络的输入，将该输入的第一年龄的人脸图像对应的第二年龄人脸图像作为卷积神经网络的输出，使用卷积神经网络进行训练。使用ReLU(Rectified Linear Unit，线性整流函数)函数为激励函数即f(x)＝max(0,x)。损失函数使用交叉熵函数。例如，获取到大量的不同年龄段的人脸图像。将年龄小的人脸图像作为卷积神经网络的输入，将同一的人脸图像在年龄较大的人脸图像作为卷积神经网络的输出，进行训练。举例来说，可以将2岁的人脸图像作为卷积神经网络的输入，将该2岁的人脸图像在15岁时的人脸图像作为卷积神经网络的输出，进行训练。也可以将20岁的人脸图像作为卷积神经网络的输入，将该20岁的人脸图像在30岁时的人脸图像作为卷积神经网络的输出，进行训练。
S304，当达到预设条件时，得到已训练的人脸预测模型。
其中，预设条件是指当训练次数达到最大迭代次数或者损失函数的值达到预设阈值。
具体地，当达到预设条件时，服务器训练完成，得到训练好的卷积神经网络，该训练好的卷积神经网络就是人脸预测模型。
在上述实施例中，通过预设训练好人脸预测模型，在进行失踪人脸识别时，可以直接通过已有的失踪人脸图像预测目标年龄的失踪人脸图像，提高失踪人脸识别的效率。
在一个实施例中，如图4所示，步骤S206，即获取目标年龄对应的直系血亲人脸图像，提取直系血亲人脸图像的人脸特征，包括步骤：
S402，将目标年龄对应的直系血亲人脸图像按照预设条件进行划分，得到直系血亲人脸图像的人脸区域。
其中，预设条件可以是按照预先设置好的划分条件比如按照五官区域进行划分等等。
具体地，将目标年龄对应的直系血亲人脸图像的人脸区域进行划分，可以划分为预先设置数量的人脸区域，得到直系血亲人脸图像的划分后的各个人脸区域。
S404，计算人脸区域的局部二进制模式值，得到人脸区域的纹理特征。
具体地，服务器计算各个人脸区域的LBP(Local Binary Patterns，局部二进制模式)值，得到各个人脸区域的纹理特征。LBP的基本思想是以图像中某个像素为中心，对相邻像素进行阈值比较。如果中心像素的亮度大于等于它的相邻像素，把相邻像素标记为1，否则标记为0。
S406，确定人脸区域的肤色特征，根据人脸区域的纹理特征和人脸区域的肤色特征，得到直系血亲人脸图像的人脸特征。
具体地，服务器根据各个人脸区域的像素点确定肤色特征，或者使用肤色模型来确定各个人脸区域的肤色特征，比如高斯混合模型等等。服务器根据各个人脸区域的纹理特征和各个人脸区域的肤色特征，得到直系血亲人脸图像中各个人脸区域的人脸特征。
在上述实施例中，通过将目标年龄对应的直系血亲人脸图像按照预设条件进行划分，得到直系血亲人脸图像的人脸区域，计算人脸区域的局部二进制模式值，得到人脸区域的纹理特征。确定人脸区域的肤色特征，根据人脸区域的纹理特征和人脸区域的肤色特征，得到直系血亲人脸图像的人脸特征。通过计算纹理特征和肤色特征，实现了提取直系血亲人脸图像的人脸特征，方便快捷。
在一个实施例中，如图5所示，步骤S208，即根据人脸特征修正目标年龄对应的第二失踪人脸图像，得到第三失踪人脸图像，包括步骤：
S502，计算第一直系血亲人脸图像对应的人脸特征和第二直系血亲人脸图像对应的人脸特征的相似度，当相似度大于预设阈值时，获取相似度大于预设阈值的第一人脸特征。
其中，第一人脸特征是指各个人脸区域中的人脸特征的相似度大于预设阈值的人脸特征，该人脸特征可以有多个。每个人脸区域中可以有第一人脸特征，也可以没有第一人脸特征，即该人脸区域中没有相似度大于预设阈值的人脸特征。第一直系血亲人脸图像和第二直系血亲人脸图像是从直系血亲中选项两个不同的直系血亲对应的人脸图像。比如，若失踪人员为儿童，则第一直系血亲人脸图像可以是父亲人脸图像，第二直系血亲人脸图像可以是母亲人脸图像。若失踪人员为父母，则第一直系血亲人脸图像可以是儿子人脸图像，第二直系血亲人脸图像可以是女儿人脸图像等。
具体地，服务器计算第一直系血亲人脸图像对应的人脸特征和第二直系血亲人脸图像对应的人脸特征的相似度。若失踪人员为儿童，则可以计算父亲人脸图像各个人脸区域中的人脸特征和母亲人脸图像中对应人脸区域中人脸特征的相似度。当相似度大于预设阈值时，获取各个人脸区域中人脸特征的相似度大于预设阈值的第一人脸特征。
S504，计算第二失踪人脸图像与第一人脸特征对应的第二人脸特征，将第二人脸特征替换为第一人脸特征，得到第三失踪人脸图像。
其中，第二人脸特征是第二失踪人脸图像中与直系血亲人脸图像中相同人脸区域的人脸特征。第三失踪人脸图像是指经过直系血亲人脸图像中人脸特征修正过的失踪人脸图像。
具体的，服务器将第二失踪人脸图像按照直系血亲人脸图像中人脸区域划分方法进行划分，得到第二失踪人脸图像中的目标人脸区域，该目标人脸区域是与第一人脸特征属于的人脸区域一致的人脸区域，计算该人脸区域中第二人脸特征，第二人脸特征与第一人脸特征是对应的。将第二人脸特征替换为第一人脸特征，得到第三失踪人脸图像。比如，直系血亲人脸图像中一个人脸区域的肤色特征，在第二失踪人脸图像中找到相同的人脸区域，计算第二失踪人脸图像中该相同区域的肤色特征，将该肤色特征替换为直系血亲人脸图像中该人脸区域的肤色特征，得到第三失踪人脸图像。
在上述实施例中，通过计算第一直系血亲人脸图像对应的人脸特征和第二直系血亲人脸图像对应的人脸特征的相似度，当相似度大于预设阈值时，获取相似度大于预设阈值的第一人脸特征，计算第二失踪人脸图像与第一人脸特征对应的第二人脸特征，将第二人脸特征替换为第一人脸特征，得到第三失踪人脸图像，实现了对第二失踪人脸图像的修正，得到第三失踪人脸图像，使得在进行人脸识别时，提高人脸识别的准确性。
在一个实施例中，如图6所示，步骤S210，即对目标失踪人脸图像进行人脸识别，得到人脸识别结果，包括步骤：
S602，根据目标失踪人脸图像确定对应的肤色特征，根据肤色特征计算与预设人脸数据库中人脸肤色特征的第一相似度。
其中，第一相似度是指失踪人脸图像与人脸数据库中人脸的肤色相似度。
具体地，服务器根据目标失踪人脸图像中像素点计算对应的肤色特征，也可以使用已建立肤色模型来计算肤色特征，根据该肤色特征计算与预设人脸数据库中人脸肤色特征的第一相似度。
S604，根据目标失踪人脸图像计算对应的纹理特征，根据纹理特征计算与预设人脸数据库中人脸纹理特征的第二相似度。
其中，第二相似度是指失踪人脸图像与人脸数据库中人脸的纹理相似度。
具体地，服务器将目标失踪人脸图像划分为预设数量的人脸区域，计算每个人脸区域像素点的LBP值，根据计算得到的人脸区域的LBP值得到目标失踪人脸图像的纹理特征。LBP的基本思想是以图像中某个像素为中心，对相邻像素进行阈值比较。如果中心像素的亮度大于等于它的相邻像素，把相邻像素标记为1，否则标记为0。
S606，根据第一相似度和第二相似度得到目标失踪人脸图像与预设人脸数据库中人脸的相似度，得到人脸识别结果。
具体地，根据第一相似度和第二相似度得到目标失踪人脸图像与预设人脸数据库中人脸的相似度，查找相似度大于预设阈值的人脸，当能够查找到时，将预设人脸数据库中相似度大于预设阈值的人脸图像返回给终端进行显示，当未查找到时，向终端返回匹配失败的提示信息。
在上述实施例中，通过根据目标失踪人脸图像确定对应的肤色特征，根据肤色特征计算与预设人脸数据库中人脸肤色特征的第一相似度，根据目标失踪人脸图像计算对应的纹理特征，根据纹理特征计算与预设人脸数据库中人脸纹理特征的第二相似度，根据第一相似度和第二相似度得到目标失踪人脸图像与预设人脸数据库中人脸的相似度，得到人脸识别结果，通过使用不同的人脸特征分别计算相似度，最后得到失踪人脸图像与预设人脸数据库中人脸的相似度，提高了相似度计算的精确性。
在一个实施例中，对目标失踪人脸图像进行人脸识别，得到人脸识别结果，包括步骤：
启动预设并行线程，将目标失踪人脸图像与预设人脸数据库中的人脸并行识别，得到人脸识别结果。
具体的，服务器启动预先设置好的多个并行线程，将目标失踪人脸图像与预设人脸数据库中的人脸进行并行识别，即使用多个线程同时目标失踪人脸图像与预设人脸数据库中的不同人脸进行匹配处理，得到与预设人脸数据库中人脸匹配结果，提高人脸识别的效率。
在一个实施例中，如图7所示，步骤S210，对目标失踪人脸图像进行人脸识别，得到人脸识别结果，包括步骤：
S702，将目标走失图像发送到各个从节点服务器，以使各个从节点服务器对目标失踪人脸图像进行人脸识别。
具体地，将服务器作为主节点服务器，主节点服务区将目标走失图像发送到各个从节点服务器，每个从节点服务器中都加载有人脸识别程序，将人脸识别任务按照负载均衡分配到从节点服务器进行识别，即可以将预设人脸数据库中人脸按照负载均衡分配的从节点服务器中，每个从节点服务器与预设人脸数据库中的一部分人脸进行匹配，当各个从节点服务器识别任务完成时，将人脸识别结果返回给主节点服务器。
S704，获取各个从节点服务器返回的人脸识别结果，根据从节点服务器返回的人脸识别得到目标人脸识别结果。
其中，目标人脸识别结果是指目标失踪人脸图像与预设人脸数据库中的所有人脸匹配后得到的结果。
具体地，主节点服务器获取从节点服务器返回的人脸识别结果，根据从节点服务器返回的人脸识别得到目标人脸识别结果。
在上述实施例中，通过将人脸识别的任务分配到从节点服务器中进行处理，减轻了服务器的压力，提高了人脸识别的效率。
应该理解的是，虽然图2-7的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2-7中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图8所示，提供了一种失踪人脸识别装置800，包括：第一图像获取模块802、第二图像得到模块804、特征提取模块806、第三图像得到模块808和人脸识别模块810，其中：
第一图像获取模块802，用于接收人脸识别指令，根据人脸识别指令获取第一失踪人脸图像；
第二图像得到模块804，用于将第一失踪人脸图像输入到已训练的人脸预测模型中，得到目标年龄对应的第二失踪人脸图像；
特征提取模块806，用于获取目标年龄对应的直系血亲人脸图像，提取直系血亲人脸图像的人脸特征；
第三图像得到模块808，用于根据人脸特征修正目标年龄对应的第二失踪人脸图像，得到第三失踪人脸图像；
人脸识别模块810，用于对第三失踪人脸图像进行人脸识别，得到人脸识别结果。
在一个实施例中，失踪人脸识别装置800，还包括：
模型训练模块，用于获取各个年龄对应的人脸图像，将第一年龄对应的人脸图像作为输入，将第二年龄对应的人脸图像作为输出，使用卷积神经网络进行训练；
训练完成模块，用于当达到预设条件时，得到已训练的人脸预测模型。
在一个实施例中，特征提取模块806，包括：
区域划分单元，用于将目标年龄对应的直系血亲人脸图像按照预设条件进行划分，得到直系血亲人脸图像的人脸区域；
纹理特征计算单元，用于计算人脸区域的局部二进制模式值，得到人脸区域的纹理特征；
人脸特征得到单元，用于确定人脸区域的肤色特征，根据人脸区域的纹理特征和人脸区域的肤色特征，得到直系血亲人脸图像的人脸特征。
在一个实施例中，第三图像得到模块808，包括：
第一人脸特征得到模块，用于计算父亲人脸图像对应的人脸特征和母亲人脸图像对应的人脸特征的相似度，当相似度大于预设阈值时，获取相似度大于预设阈值的第一人脸特征；
特征替换模块，用于计算第二失踪人脸图像与第一人脸特征对应的第二人脸特征，将第二人脸特征替换为第一人脸特征，得到第三失踪人脸图像。
在一个实施例中，人脸识别模块810，包括：
第一相似度计算单元，用于根据目标失踪人脸图像确定对应的肤色特征，根据肤色特征计算与预设人脸数据库中人脸肤色特征的第一相似度；
第二相似度计算单元，用于根据目标失踪人脸图像计算对应的纹理特征，根据纹理特征计算与预设人脸数据库中人脸纹理特征的第二相似度；
人脸相似度得到单元，用于根据第一相似度和第二相似度得到目标失踪人脸图像与预设人脸数据库中人脸的相似度，得到人脸识别结果。
在一个实施例中，人脸识别模块810，包括：
并行计算单元，用于启动预设并行线程，将目标失踪人脸图像与预设人脸数据库中的人脸并行识别，得到人脸识别结果。
在一个实施例中，人脸识别模块810，包括：
图像发送单元，用于将目标走失图像发送到各个从节点服务器，以使各个从节点服务器对目标失踪人脸图像进行人脸识别；
结果获取单元，用于获取各个从节点服务器返回的人脸识别结果，根据从节点服务器返回的人脸识别得到目标人脸识别结果
关于失踪人脸识别装置的具体限定可以参见上文中对于失踪人脸识别方法的限定，在此不再赘述。上述失踪人脸识别装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图9所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储人脸数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种失踪人脸识别方法。
本领域技术人员可以理解，图9中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，该存储器存储有计算机程序，该处理器执行计算机程序时实现以下步骤：接收人脸识别指令，根据人脸识别指令获取第一失踪人脸图像；将第一失踪人脸图像输入到已训练的人脸预测模型中，得到目标年龄对应的第二失踪人脸图像；获取目标年龄对应的直系血亲人脸图像，提取直系血亲人脸图像的人脸特征；根据人脸特征修正目标年龄对应的第二失踪人脸图像，得到第三失踪人脸图像；对第三失踪人脸图像进行人脸识别，得到人脸识别结果。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：获取各个年龄对应的人脸图像，将第一年龄对应的人脸图像作为输入，将第二年龄对应的人脸图像作为输出，使用卷积神经网络进行训练；当达到预设条件时，得到已训练的人脸预测模型。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：将目标年龄对应的直系血亲人脸图像按照预设条件进行划分，得到直系血亲人脸图像的人脸区域；计算人脸区域的局部二进制模式值，得到人脸区域的纹理特征；确定人脸区域的肤色特征，根据人脸区域的纹理特征和人脸区域的肤色特征，得到直系血亲人脸图像的人脸特征。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：计算父亲人脸图像对应的人脸特征和母亲人脸图像对应的人脸特征的相似度，当相似度大于预设阈值时，获取相似度大于预设阈值的第一人脸特征；计算第二失踪人脸图像与第一人脸特征对应的第二人脸特征，将第二人脸特征替换为第一人脸特征，得到第三失踪人脸图像。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：根据目标失踪人脸图像确定对应的肤色特征，根据肤色特征计算与预设人脸数据库中人脸肤色特征的第一相似度；根据目标失踪人脸图像计算对应的纹理特征，根据纹理特征计算与预设人脸数据库中人脸纹理特征的第二相似度；根据第一相似度和第二相似度得到目标失踪人脸图像与预设人脸数据库中人脸的相似度，得到人脸识别结果。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：启动预设并行线程，将目标失踪人脸图像与预设人脸数据库中的人脸并行识别，得到人脸识别结果。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：将目标走失图像发送到各个从节点服务器，以使各个从节点服务器对目标失踪人脸图像进行人脸识别；获取各个从节点服务器返回的人脸识别结果，根据从节点服务器返回的人脸识别得到目标人脸识别结果。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：接收人脸识别指令，根据人脸识别指令获取第一失踪人脸图像；将第一失踪人脸图像输入到已训练的人脸预测模型中，得到目标年龄对应的第二失踪人脸图像；获取目标年龄对应的直系血亲人脸图像，提取直系血亲人脸图像的人脸特征；根据人脸特征修正目标年龄对应的第二失踪人脸图像，得到第三失踪人脸图像；对第三失踪人脸图像进行人脸识别，得到人脸识别结果。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取各个年龄对应的人脸图像，将第一年龄对应的人脸图像作为输入，将第二年龄对应的人脸图像作为输出，使用卷积神经网络进行训练；当达到预设条件时，得到已训练的人脸预测模型。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：将目标年龄对应的直系血亲人脸图像按照预设条件进行划分，得到直系血亲人脸图像的人脸区域；计算人脸区域的局部二进制模式值，得到人脸区域的纹理特征；确定人脸区域的肤色特征，根据人脸区域的纹理特征和人脸区域的肤色特征，得到直系血亲人脸图像的人脸特征。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：计算父亲人脸图像对应的人脸特征和母亲人脸图像对应的人脸特征的相似度，当相似度大于预设阈值时，获取相似度大于预设阈值的第一人脸特征；计算第二失踪人脸图像与第一人脸特征对应的第二人脸特征，将第二人脸特征替换为第一人脸特征，得到第三失踪人脸图像。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：根据目标失踪人脸图像确定对应的肤色特征，根据肤色特征计算与预设人脸数据库中人脸肤色特征的第一相似度；根据目标失踪人脸图像计算对应的纹理特征，根据纹理特征计算与预设人脸数据库中人脸纹理特征的第二相似度；根据第一相似度和第二相似度得到目标失踪人脸图像与预设人脸数据库中人脸的相似度，得到人脸识别结果。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：启动预设并行线程，将目标失踪人脸图像与预设人脸数据库中的人脸并行识别，得到人脸识别结果。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：将目标走失图像发送到各个从节点服务器，以使各个从节点服务器对目标失踪人脸图像进行人脸识别；获取各个从节点服务器返回的人脸识别结果，根据从节点服务器返回的人脸识别得到目标人脸识别结果。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种失踪人脸识别方法，所述方法包括：
接收人脸识别指令，根据所述人脸识别指令获取第一失踪人脸图像；
将所述第一失踪人脸图像输入到已训练的人脸预测模型中，得到目标年龄对应的第二失踪人脸图像；
将所述目标年龄对应的直系血亲人脸图像按照预设条件进行划分，得到所述直系血亲人脸图像的人脸区域；
计算所述人脸区域的局部二进制模式值，得到所述人脸区域的纹理特征；
确定所述人脸区域的肤色特征，根据所述人脸区域的纹理特征和所述人脸区域的肤色特征，得到所述直系血亲人脸图像的人脸特征；
根据所述人脸特征修正所述目标年龄对应的第二失踪人脸图像，得到第三失踪人脸图像，包括：计算第一直系血亲人脸图像中各个人脸区域的人脸特征和第二直系血亲人脸图像中对应人脸区域的人脸特征的相似度，当所述相似度大于预设阈值时，获取所述各个人脸区域中人脸特征的相似度大于预设阈值的第一人脸特征；将所述第二失踪人脸图像按照直系血亲人脸图像中人脸区域划分方法进行划分，得到第二失踪人脸图像中的目标人脸区域，所述目标人脸区域是与第一人脸特征属于的人脸区域一致的人脸区域，计算所述目标人脸区域的第二人脸特征，将所述第二失踪人脸图像中目标人脸区域的第二人脸特征替换为所述第一人脸特征，得到第三失踪人脸图像；
对所述第三失踪人脸图像进行人脸识别，得到人脸识别结果，包括：根据所述第三失踪人脸图像确定对应的肤色特征，根据所述肤色特征计算与预设人脸数据库中人脸肤色特征的第一相似度，根据所述第三失踪人脸图像计算对应的纹理特征，根据所述纹理特征计算与所述预设人脸数据库中人脸纹理特征的第二相似度，根据所述第一相似度和所述第二相似度得到所述第三失踪人脸图像与所述预设人脸数据库中人脸的相似度，得到人脸识别结果。
2.根据权利要求1所述的方法，其特征在于，在所述接收人脸识别指令，根据所述人脸识别指令获取第一失踪人脸图像之前，还包括：
获取各个年龄对应的人脸图像，将第一年龄对应的人脸图像作为输入，将第二年龄对应的人脸图像作为输出，使用卷积神经网络进行训练；
当达到预设条件时，得到已训练的人脸预测模型。
3.根据权利要求1所述的方法，其特征在于，所述对所述第三失踪人脸图像进行人脸识别，得到人脸识别结果，包括：
启动预设并行线程，将所述第三失踪人脸图像与预设人脸数据库中的人脸并行识别，得到人脸识别结果。
4.根据权利要求1所述的方法，其特征在于，所述对所述第三失踪人脸图像进行人脸识别，得到人脸识别结果，包括：
将所述第三失踪人脸图像发送到各个从节点服务器，以使所述各个从节点服务器对所述第三失踪人脸图像进行人脸识别；
获取所述各个从节点服务器返回的人脸识别结果，根据所述从节点服务器返回的人脸识别得到目标人脸识别结果。
5.一种失踪人脸识别装置，其特征在于，所述装置包括：
第一图像获取模块，用于接收人脸识别指令，根据所述人脸识别指令获取第一失踪人脸图像；
第二图像得到模块，用于将所述第一失踪人脸图像输入到已训练的人脸预测模型中，得到目标年龄对应的第二失踪人脸图像；
特征提取模块，用于将所述目标年龄对应的直系血亲人脸图像按照预设条件进行划分，得到所述直系血亲人脸图像的人脸区域；计算所述人脸区域的局部二进制模式值，得到所述人脸区域的纹理特征；确定所述人脸区域的肤色特征，根据所述人脸区域的纹理特征和所述人脸区域的肤色特征，得到所述直系血亲人脸图像的人脸特征；
第三图像得到模块，用于根据所述人脸特征修正所述目标年龄对应的第二失踪人脸图像，得到第三失踪人脸图像，包括：计算第一直系血亲人脸图像中各个人脸区域的人脸特征和第二直系血亲人脸图像中对应人脸区域的人脸特征的相似度，当所述相似度大于预设阈值时，获取所述各个人脸区域中人脸特征的相似度大于预设阈值的第一人脸特征；将所述第二失踪人脸图像按照直系血亲人脸图像中人脸区域划分方法进行划分，得到第二失踪人脸图像中的目标人脸区域，所述目标人脸区域是与第一人脸特征属于的人脸区域一致的人脸区域，计算所述目标人脸区域的第二人脸特征，将所述第二失踪人脸图像中目标人脸区域的第二人脸特征替换为所述第一人脸特征，得到第三失踪人脸图像；
人脸识别模块，用于对所述第三失踪人脸图像进行人脸识别，得到人脸识别结果，包括：根据所述第三失踪人脸图像确定对应的肤色特征，根据所述肤色特征计算与预设人脸数据库中人脸肤色特征的第一相似度；根据所述第三失踪人脸图像计算对应的纹理特征，根据所述纹理特征计算与所述预设人脸数据库中人脸纹理特征的第二相似度；根据所述第一相似度和所述第二相似度得到所述第三失踪人脸图像与所述预设人脸数据库中人脸的相似度，得到人脸识别结果。
6.根据权利要求5所述的装置，其特征在于，所述装置还包括：
模型训练模块，用于获取各个年龄对应的人脸图像，将第一年龄对应的人脸图像作为输入，将第二年龄对应的人脸图像作为输出，使用卷积神经网络进行训练；
训练完成模块，用于当达到预设条件时，得到已训练的人脸预测模型。
7.根据权利要求5所述的装置，其特征在于，所述人脸识别模块，包括：
并行计算单元，用于启动预设并行线程，将所述第三失踪人脸图像与预设人脸数据库中的人脸并行识别，得到人脸识别结果。
8.根据权利要求5所述的装置，其特征在于，所述人脸识别模块，包括：
图像发送单元，用于将所述第三失踪人脸图像发送到各个从节点服务器，以使所述各个从节点服务器对所述第三失踪人脸图像进行人脸识别；获取所述各个从节点服务器返回的人脸识别结果，根据所述从节点服务器返回的人脸识别得到目标人脸识别结果。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至4中任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至4中任一项所述的方法的步骤。
CN201910531862.XA 2019-06-19 2019-06-19 失踪人脸识别方法、装置、计算机设备和存储介质 Active CN110378230B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201910531862.XA CN110378230B (zh) 2019-06-19 2019-06-19 失踪人脸识别方法、装置、计算机设备和存储介质
PCT/CN2019/102927 WO2020252911A1 (zh) 2019-06-19 2019-08-28 失踪人脸识别方法、装置、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910531862.XA CN110378230B (zh) 2019-06-19 2019-06-19 失踪人脸识别方法、装置、计算机设备和存储介质

Publications (2)

Publication Number Publication Date
CN110378230A CN110378230A (zh) 2019-10-25
CN110378230B true CN110378230B (zh) 2024-03-05

Family

ID=68249290

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910531862.XA Active CN110378230B (zh) 2019-06-19 2019-06-19 失踪人脸识别方法、装置、计算机设备和存储介质

Country Status (2)

Country Link
CN (1) CN110378230B (zh)
WO (1) WO2020252911A1 (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112437226B (zh) * 2020-09-15 2022-09-16 上海传英信息技术有限公司 图像处理方法、设备及存储介质
CN112580572B (zh) * 2020-12-25 2023-09-08 深圳市优必选科技股份有限公司 多任务识别模型的训练方法及使用方法、设备及存储介质
CN117441195A (zh) * 2021-04-26 2024-01-23 微软技术许可有限责任公司 纹理补全
CN113255594A (zh) * 2021-06-28 2021-08-13 深圳市商汤科技有限公司 人脸识别方法和装置、神经网络
CN113361471A (zh) * 2021-06-30 2021-09-07 平安普惠企业管理有限公司 图像数据处理方法、装置、计算机设备及存储介质
CN114708644B (zh) * 2022-06-02 2022-09-13 杭州魔点科技有限公司 一种基于家庭基因模板的人脸识别方法和系统
CN116912899B (zh) * 2023-05-22 2024-05-03 国政通科技有限公司 一种基于区域网络的人员搜索方法及装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103902960A (zh) * 2012-12-28 2014-07-02 北京计算机技术及应用研究所 一种实时人脸识别系统及其方法
CN105488463A (zh) * 2015-11-25 2016-04-13 康佳集团股份有限公司 基于人脸生物特征的直系亲属关系识别方法及系统
CN106920256A (zh) * 2017-03-14 2017-07-04 上海琛岫自控科技有限公司 一种有效的失踪儿童寻找系统
CN108804996A (zh) * 2018-03-27 2018-11-13 腾讯科技（深圳）有限公司 人脸验证方法、装置、计算机设备及存储介质
CN108875466A (zh) * 2017-06-01 2018-11-23 北京旷视科技有限公司 基于人脸识别的监控方法、监控系统与存储介质
CN109509142A (zh) * 2018-10-29 2019-03-22 重庆中科云丛科技有限公司 一种人脸变老图像处理方法、系统、可读存储介质及设备

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100290677A1 (en) * 2009-05-13 2010-11-18 John Kwan Facial and/or Body Recognition with Improved Accuracy
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
CN108257081B (zh) * 2018-01-17 2022-05-13 百度在线网络技术（北京）有限公司 用于生成图片的方法和装置
CN109359210A (zh) * 2018-08-09 2019-02-19 中国科学院信息工程研究所 双盲隐私保护的人脸检索方法与系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103902960A (zh) * 2012-12-28 2014-07-02 北京计算机技术及应用研究所 一种实时人脸识别系统及其方法
CN105488463A (zh) * 2015-11-25 2016-04-13 康佳集团股份有限公司 基于人脸生物特征的直系亲属关系识别方法及系统
CN106920256A (zh) * 2017-03-14 2017-07-04 上海琛岫自控科技有限公司 一种有效的失踪儿童寻找系统
CN108875466A (zh) * 2017-06-01 2018-11-23 北京旷视科技有限公司 基于人脸识别的监控方法、监控系统与存储介质
CN108804996A (zh) * 2018-03-27 2018-11-13 腾讯科技（深圳）有限公司 人脸验证方法、装置、计算机设备及存储介质
CN109509142A (zh) * 2018-10-29 2019-03-22 重庆中科云丛科技有限公司 一种人脸变老图像处理方法、系统、可读存储介质及设备

Also Published As

Publication number Publication date
CN110378230A (zh) 2019-10-25
WO2020252911A1 (zh) 2020-12-24

Similar Documents

Publication Publication Date Title
CN110378230B (zh) 失踪人脸识别方法、装置、计算机设备和存储介质
CN109389030B (zh) 人脸特征点检测方法、装置、计算机设备及存储介质
CN110909803B (zh) 图像识别模型训练方法、装置和计算机可读存储介质
CN109344742B (zh) 特征点定位方法、装置、存储介质和计算机设备
CN113239874B (zh) 基于视频图像的行为姿态检测方法、装置、设备及介质
CN110490076B (zh) 活体检测方法、装置、计算机设备和存储介质
CN108399052B (zh) 图片压缩方法、装置、计算机设备和存储介质
CN110824587B (zh) 图像预测方法、装置、计算机设备和存储介质
CN108932321B (zh) 人脸图像检索方法、装置、计算机设备及存储介质
CN113469092B (zh) 字符识别模型生成方法、装置、计算机设备和存储介质
CN112183295A (zh) 行人重识别方法、装置、计算机设备及存储介质
US20230076017A1 (en) Method for training neural network by using de-identified image and server providing same
CN111898735A (zh) 蒸馏学习方法、装置、计算机设备和存储介质
CN113435330B (zh) 基于视频的微表情识别方法、装置、设备及存储介质
CN111476216A (zh) 人脸识别方法、装置、计算机设备和可读存储介质
CN109002776B (zh) 人脸识别方法、系统、计算机设备和计算机可读存储介质
CN113962402A (zh) 联邦学习防御方法、装置、计算机设备和计算机存储介质
CN111860582B (zh) 图像分类模型构建方法、装置、计算机设备和存储介质
CN113705685A (zh) 疾病特征识别模型训练、疾病特征识别方法、装置及设备
CN116110100A (zh) 一种人脸识别方法、装置、计算机设备及存储介质
CN110796652B (zh) 图像处理方法、计算机设备和存储介质
CN113505797A (zh) 模型训练方法、装置、计算机设备和存储介质
CN110163151B (zh) 人脸模型的训练方法、装置、计算机设备和存储介质
CN112115860A (zh) 人脸关键点定位方法、装置、计算机设备和存储介质
CN108875611B (zh) 视频动作识别方法和装置

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