CN110516513B - 一种人脸识别方法及装置 - Google Patents
一种人脸识别方法及装置 Download PDFInfo
- Publication number
- CN110516513B CN110516513B CN201810492083.9A CN201810492083A CN110516513B CN 110516513 B CN110516513 B CN 110516513B CN 201810492083 A CN201810492083 A CN 201810492083A CN 110516513 B CN110516513 B CN 110516513B
- Authority
- CN
- China
- Prior art keywords
- feature vector
- feature
- model
- vector
- unit
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/211—Selection of the most significant subset of features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Human Computer Interaction (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Collating Specific Patterns (AREA)
Abstract
本发明实施例提供一种人脸识别方法及装置,该方法包括:采集第一人脸图像;使用第一特征提取模型提取第一人脸图像的第一特征向量;使用第二特征提取模型提取第一人脸图像的第二特征向量,第一特征向量的维度小于第二特征向量的维度;根据第一特征向量从数据库中选取目标特征向量集;将第二特征向量与目标特征向量集中的向量进行匹配。实施本发明实施例,可以保证人脸识别精度的情况下缩短人脸识别时延。
Description
技术领域
本发明涉及人脸识别技术领域,具体涉及一种人脸识别方法及装置。
背景技术
门禁人脸识别属于1:N的人脸识别技术,包括特征提取和特征搜索。通常来说,特征提取模型越复杂,或提取的特征越多,则提取的特征越具代表性和区分性,人脸识别的精度将越高。此外,进行特征搜索时数据库中的数据量越大,特征搜索的精度越高。在进行门禁人脸识别时,不仅要求精度高,而且要求时延小。由于嵌入式设备上的计算资源有限,如果特征提取模型复杂的话,则特征提取需要的时间较长,这就要求特征搜索的时间较短。然而,为了减小特征搜索的时间要么数据库中数据量小,要么提取的特征少,这将降低人脸识别精度,以致与门禁高精度的要求相矛盾。因此,如何在数据库数据量较大的情况下提高人脸识别的精度成为一个亟待解决的技术问题。
发明内容
本发明实施例提供一种人脸识别方法及装置,可以保证人脸识别精度的情况下缩短人脸识别时延。
本发明实施例第一方面提供一种人脸识别方法,包括:
采集第一人脸图像;
使用第一特征提取模型提取所述第一人脸图像的第一特征向量;
使用第二特征提取模型提取所述第一人脸图像的第二特征向量,所述第一特征向量的维度小于所述第二特征向量的维度;
根据所述第一特征向量从数据库中选取目标特征向量集;
将所述第二特征向量与所述目标特征向量集中的向量进行匹配。
在一个实施例中,所述数据库包括第一数据集和第二数据集,所述第一数据集是所述第一特征提取模型提取的人脸图像的特征向量的集合,所述第二数据集是所述第二特征提取模型提取的人脸图像的特征向量的集合;
所述根据所述第一特征向量从数据库中选取目标特征向量集包括:
计算所述第一特征向量与所述第一数据集中每个特征向量的相似度;
从所述第一数据集中选取相似度最大的M个特征向量,所述M为大于1的整数;
从所述第二数据集中选取与所述M个特征向量中每个特征向量对应的特征向量,获得目标特征向量集。
在一个实施例中,所述将所述第二特征向量与所述目标特征向量集中的向量进行匹配包括:
计算所述第二特征向量与所述目标特征向量集中每个特征向量的相似度;
判断所述相似度中的最大值是否大于或等于阈值,当所述最大值大于或等于所述阈值时,确定所述第二特征向量与所述最大值对应的特征向量匹配。
在一个实施例中,所述第一特征提取模型的复杂度小于所述第二特征提取模型的复杂度。
在一个实施例中,所述方法还包括:
获取第二人脸图像以及第一身份特征向量,所述第一身份特征向量用于标识所述第二人脸图像对应的人;
使用第一模型提取所述第二人脸图像的第三特征向量;
根据所述第三特征向量和所述第一身份特征向量,计算第一损失值;
将所述第一损失值以梯度的方式反向传播至所述第一模型,获得更新参数的第一模型;
根据所述更新参数的第一模型更新第一损失值;
将第一损失值最小时对应的第一模型确定为第一特征提取模型。
本发明实施例第二方面提供一种人脸识别装置,包括:
采集单元,用于采集第一人脸图像;
第一提取单元,用于使用第一特征提取模型提取所述采集单元采集的第一人脸图像的第一特征向量;
第二提取单元,用于使用第二特征提取模型提取所述采集单元采集的第一人脸图像的第二特征向量,所述第一特征向量的维度小于所述第二特征向量的维度;
选取单元,用于根据所述第一提取单元提取的第一特征向量从数据库中选取目标特征向量集;
匹配单元,用于将所述第二提取单元提取的第二特征向量与所述选取单元选取的目标特征向量集中的向量进行匹配。
本发明实施例中,采集第一人脸图像,使用第一特征提取模型提取第一人脸图像的第一特征向量,使用第二特征提取模型提取第一人脸图像的第二特征向量,根据第一特征向量从数据库中选取目标特征向量集,并将第二特征向量与目标特征向量集中的向量进行匹配。由于第一特征提取模型提取的第一特征向量的维度较小,因此,可以快速地从数据库中选取目标特征向量集;又由于第二特征提取模型提取的第二特征向量的维度较大,且最终是通过维度较大的第二特征向量与目标特征向量集进行匹配,因此,可以保证人脸识别的精度;同时由于与维度较大的第二特征向量进行匹配的数据量减少了,因此,可以缩短人脸识别的时延,从而使本发明可以在保证人脸识别精度的情况下缩短人脸识别时延。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,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是本发明实施例提供的一种人脸识别方法的流程示意图;
图2是本发明实施例提供的另一种人脸识别方法的流程示意图;
图3是本发明实施例提供的一种人脸识别装置的结构示意图;
图4是本发明实施例提供的一种门禁设备的结构示意图。
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。
本发明实施例提供一种人脸识别方法及装置,可以保证人脸识别精度的情况下缩短人脸识别时延。以下分别进行详细说明。
请参阅图1,图1是本发明实施例提供的一种人脸识别方法的流程示意图。其中,该人脸识别方法适用于设置有图像采集装置的嵌入式的门禁设备。根据不同的需求,图1所示的流程图中的步骤的执行顺序可以改变,某些步骤可以拆分为几个步骤,某些步骤可以省略。如图1所示,该人脸识别方法可以包括以下步骤。
101、采集第一人脸图像。
本实施例中,当门禁设备的图像采集装置检测到采集范围内出现人物时,将采集第一人脸图像。其中,图像采集装置可以是摄像头,也可以是其他可以采集人脸图像的装置。
102、使用第一特征提取模型提取第一人脸图像的第一特征向量。
本实施例中,通过图像采集装置采集到第一人脸图像之后,将使用第一特征提取模型提取第一人脸图像的第一特征向量,第一特征提取模型可以为神经网络模型,也可以为其他模型。
103、使用第二特征提取模型提取第一人脸图像的第二特征向量。
本实施例中,通过图像采集装置采集到第一人脸图像之后,将使用第二特征提取模型提取第一人脸图像的第二特征向量,第二特征提取模型可以为神经网络模型,也可以为其他模型。第一特征提取模型提取的第一特征向量的维度小于第二特征提取模型提取的第二特征向量的维度。可以理解,步骤102和步骤103可以并行执行,也可以串行执行;当步骤102和步骤103并行执行时,可以缩短人脸识别的时间。
104、根据第一特征向量从数据库中选取目标特征向量集。
本实施例中,使用第一特征提取模型提取到第一人脸图像的第一特征向量之后,可以先根据第一特征向量从数据库中选取目标特征向量集。由于第一特征向量的维度较小,因此,可以快速地从数据库中选取部分向量,得到目标特征向量集,从而可以缩短第二特征向量的匹配范围,进而可以缩短人脸识别的时间。步骤103和步骤104可以并行执行,也可以串行执行。此外,当步骤103与步骤101和步骤104中的至少一个步骤并行执行时,可以进一步缩短人脸识别的时间。
本实施例中,数据库可以存储第一数据集和第二数据集,第一数据集是第一特征提取模型提取的人脸图像的特征向量的集合,第二数据集是第二特征提取模型提取的人脸图像的特征向量的集合。可以先计算第一特征向量与第一数据集中每个特征向量的相似度。之后从第一数据集中选取相似度最大的M个特征向量,可以是先对计算出的第一特征向量与第一数据集中每个特征向量的相似度进行降序排列或升序排列得到降序排列表或升序排列表,选取降序排列表中位于最前面M个相似度对应的特征向量或升序排列表中位于最后面的M个相似度对应的特征向量,可以提高选取M个特征向量的效率,从而提高人脸识别效率。此外,可以保证选取的M个特征向量是与第一人脸图像相关度最大的特征向量,从而可以保证第二特征向量的匹配范围的准确性。其中,M为大于1的整数。之后从第二数据集中选取与M个特征向量中每个特征向量对应的特征向量得到目标特征向量集。可以理解,可以预先建立第一数据集中特征向量与第二数据集中特征向量的对应关系,利用对应关系可以快速地从第二数据集中选取与M个特征向量中每个特征向量对应的特征向量得到目标特征向量集,从而可以提高人脸识别效率。其中,该对应关系可以是第一数据集中特征向量与第二数据集中特征向量之间的直接对应关系,也可以是第一数据集中特征向量与第二数据集中特征向量之间借助其他信息的间接对应关系。由于从第一数据集中选取出了与第一特征向量相似度最大的M个特征向量,并从第二数据集中选取与这M个特征向量中每个特征向量对应的特征向量作为目标特征向量集,因此,可以保证得到的目标特征向量集中的向量是与第一人脸图像相关度最大的向量,从而可以在提高识别效率的同时,保证第二特征向量的匹配范围的准确性。
105、将第二特征向量与目标特征向量集中的向量进行匹配。
本实施例中,使用第二特征提取模型提取到第一人脸图像的第二特征向量,以及根据第一特征向量从数据库中选取到目标特征向量集之后,将第二特征向量与目标特征向量集中的向量进行匹配。由于第二特征向量的维度较大,可以保证人脸识别的精度,此外,由于目标特征向量集只是数据库中的部分数据,因此,虽然第二特征向量的维度较大,匹配时间较长,但由于匹配的数据量较小,因此,可以缩短人脸识别时间,从而可以保证人脸识别精度的情况下缩短人脸识别时延。
本实施例中,可以先计算第二特征向量与目标特征向量集中每个特征向量的相似度,由于每个人脸图像只能从数据库中找到一个匹配的特征向量,因此,可以直接判断相似度中的最大值是否大于或等于阈值,当最大值大于或等于所述阈值时,确定第二特征向量与最大值对应的特征向量相匹配,可以减少判断次数,从而可以提高人脸识别效率。
本实施例中,一般情况下,第一特征向量的维度数量与第二特征向量的维度数量的比值小于或等于0.25,目标特征向量集的向量数量与数据库中总匹配的向量数量的比值小于0.5,因此,本发明中人脸识别所需时间与全部采用第二特征向量进行匹配所需时间的比值小于0.75。由此可见,本发明实施例提供的人脸识别方法可以在保证人脸识别精度的情况下缩短人脸识别时延。
另外,在图1所描述的人脸识别方法中,由于第一特征提取模型提取的第一特征向量的维度较小,因此,可以快速地从数据库中选取目标特征向量集;又由于第二特征提取模型提取的第二特征向量的维度较大,且最终是通过维度较大的第二特征向量与目标特征向量集进行匹配,因此,可以保证人脸识别的精度;同时由于与维度较大的第二特征向量进行匹配的数据量减少了,因此,可以缩短人脸识别的时延,从而使本发明实施例提供的人脸识别方法可以在保证人脸识别精度的情况下缩短人脸识别时延。
请参阅图2,图2是本发明实施例提供的另一种人脸识别方法的流程示意图。其中,该人脸识别方法适用于设置有图像采集装置的嵌入式的门禁设备。根据不同的需求,图2所示的流程图中的步骤的执行顺序可以改变,某些步骤可以拆分为几个步骤,某些步骤可以省略。如图2所示,该人脸识别方法可以包括以下步骤。
201、训练得到第一特征提取模型。
本实施例中,可以先训练得到第一特征提取模型,可以是先获取第二人脸图像以及第一身份特征向量,使用第一模型提取第二人脸图像的第三特征向量,根据第三特征向量和第一身份特征向量计算第一损失值,将第一损失值以梯度的方式反向传播至第一模型得到更新参数的第一模型,根据更新参数的第一模型更新第一损失值,将第一损失值最小时对应的第一模型确定为第一特征提取模型。根据更新参数的第一模型更新第一损失值时,每次使用的人脸图像是不同的。第一身份特征向量用于标识第二人脸图像对应的人,可以是第二人脸图像对应的人的身份证号码、手机号码等。
举例说明,当第一模型为神经网络模型时,根据第三特征向量和第一身份特征向量计算第一损失值,可以是计算第三特征向量和第一身份特征向量的交叉熵。
202、训练得到第二特征提取模型。
本实施例中,可以先训练得到第二特征提取模型,可以是先获取第三人脸图像以及第二身份特征向量,使用第二模型提取第三人脸图像的第四特征向量,根据第四特征向量和第二身份特征向量计算第二损失值,将第二损失值以梯度的方式反向传播至第二模型得到更新参数的第二模型,根据更新参数的第二模型更新第二损失值,将第二损失值最小时对应的第二模型确定为第二特征提取模型。根据更新参数的第二模型更新第二损失值时,每次使用的人脸图像是不同的。第二身份特征向量用于标识第三人脸图像对应的人,可以是第三人脸图像对应的人的身份证号码、手机号码等。其中,第一特征提取模型的复杂度小于第二特征提取模型的复杂度,模型的复杂度包括时间复杂度和空间复杂度,时间复杂度即计算时间的长短,空间复杂度即占用内存空间的大小。第一特征提取模型的复杂度小于第二特征提取模型的复杂度,是指第一特征提取模型的时间复杂度小于第二特征提取模型的时间复杂度,同时第一特征提取模型的空间复杂度小于第二特征提取模型的空间复杂度。
203、将第一特征提取模型提取的特征向量存储在数据库中的第一数据集中,将第二特征提取模型提取的特征向量存储在数据库中的第二数据集中,并建立第一数据集中特征向量与第二数据集中特征向量的对应关系。
本实施例中,训练得到第一特征提取模型和第二特征提取模型之后,将获取具有门禁权限的所有用户的人脸图像,使用第一特征提取模型提取这些人脸图像的特征向量并存储在数据库中的第一数据集中,使用第二特征提取模型提取这些人脸图像的特征向量并存储在数据库中的第二数据集中,并建立第一数据集和第二数据集中同属于同一人的特征向量的对应关系,可以是这两个特征向量的直接对应关系,也可以是通过这个人的其他信息建立的间接对应关系。
204、采集第一人脸图像。
其中,步骤204与步骤101相同,在此不再赘述,详细描述请参阅步骤101。
205、使用第一特征提取模型提取第一人脸图像的第一特征向量。
其中,步骤205与步骤102相同,在此不再赘述,详细描述请参阅步骤102。
此外,由于第一特征提取模型的复杂度较小,因此,可以缩短第一特征提取模型提取第一特征向量的时间,从而可以进一步缩短人脸识别时间。
206、使用第二特征提取模型提取第一人脸图像的第二特征向量。
其中,步骤206与步骤103相同,在此不再赘述,详细描述请参阅步骤103。
此外,由于第二特征提取模型的复杂度较大,因此,第二特征提取模型提取的第二特征向量维度较大且更具有代表性,从而可以进一步提高人脸识别精度。
207、根据第一特征向量从数据库中选取目标特征向量集。
其中,步骤207与步骤104相同,在此不再赘述,详细描述请参阅步骤104。
208、将第二特征向量与目标特征向量集中的向量进行匹配。
其中,步骤208与步骤105相同,在此不再赘述,详细描述请参阅步骤105。
本实施例中,当目标特征向量集中存在与第二特征向量匹配的向量时,确定第一人脸图像对应的用户为合法用户,门禁设备开启门禁;当目标特征向量集中不存在与第二特征向量匹配的向量时,确定第一人脸图像对应的用户为非法用户,门禁设备将不开启门禁。
一个实施例中,第一特征向量的维度数量与第二特征向量的维度数量的比值小于或等于0.25,目标特征向量集的向量数量与数据库中总匹配的向量数量的比值小于0.5,因此,本发明中人脸识别所需时间与全部采用第二特征向量进行匹配所需时间的比值小于0.75。由此可见,本发明实施例提供的人脸识别方法可以在保证人脸识别精度的情况下缩短人脸识别时延。
在图2所描述的人脸识别方法中,第一特征提取模型比较简单,可以更快地提取到第一特征向量,又由于第一特征向量的维度较小,因此,可以快速地从数据库中选取目标特征向量集。此外,第二特征提取模型比较复杂,提取的第二特征向量维度较大且更具有代表性,用维度较大的第二特征向量与目标特征向量集进行匹配,可以保证人脸识别的精度。同时由于与维度较大的第二特征向量进行匹配的数据量减少了,因此,可以缩短人脸识别的时延,从而使本发明实施例提供的人脸识别方法可以在保证人脸识别精度的情况下缩短人脸识别时延。
请参阅图3,图3是本发明实施例提供的一种人脸识别装置的结构示意图。其中,该人脸识别装置可以设置在设置有图像采集装置的嵌入式的门禁设备上。如图3所示,该人脸识别装置可以包括:
采集单元301,用于采集第一人脸图像;
第一提取单元302,用于使用第一特征提取模型提取采集单元301采集的第一人脸图像的第一特征向量;
第二提取单元303,用于使用第二特征提取模型提取采集单元301采集的第一人脸图像的第二特征向量,第一特征向量的维度小于第二特征向量的维度;
选取单元304,用于根据第一提取单元302提取的第一特征向量从数据库中选取目标特征向量集;
匹配单元305,用于将第二提取单元303提取的第二特征向量与选取单元304选取的目标特征向量集中的向量进行匹配。
作为一种可能的实施方式,数据库可以包括第一数据集和第二数据集,第一数据集是第一特征提取模型提取的人脸图像的特征向量的集合,第二数据集是第二特征提取模型提取的人脸图像的特征向量的集合;
选取单元304可以包括:
第一计算子单元3041,用于计算第一提取单元302提取的第一特征向量与第一数据集中每个特征向量的相似度;
第一选取子单元3042,用于从第一数据集中选取第一计算子单元3041计算的相似度最大的M个特征向量,M为大于1的整数;
第二选取子单元3043,用于从第二数据集中选取与第一选取子单元3042选取的M个特征向量中每个特征向量对应的特征向量,获得目标特征向量集。
作为一种可能的实施方式,匹配单元305可以包括:
第二计算子单元3051,用于计算第二提取单元303提取的第二特征向量与选取单元304选取的目标特征向量集中每个特征向量的相似度;
判断子单元3052,用于判断第二计算子单元3051计算的相似度中的最大值是否大于或等于阈值,当判断子单元3051判断出所述最大值大于或等于阈值时,确定第二特征向量与最大值对应的特征向量匹配。
作为一种可能的实施方式,该人脸识别装置还可以包括:
获取单元306,用于获取第二人脸图像以及第一身份特征向量,第一身份特征向量用于标识第二人脸图像对应的人;
第三提取单元307,用于使用第一模型提取获取单元306获取的第二人脸图像的第三特征向量;
计算单元308,用于根据第三提取单元307提取的第三特征向量和获取单元306获取的第一身份特征向量,计算第一损失值;
传播单元309,用于将计算单元308计算的第一损失值以梯度的方式反向传播至第一模型,获得更新参数的第一模型;
更新单元310,用于根据传播单元309获得的更新参数的第一模型更新第一损失值;
确定单元311,用于将更新单元310更新的第一损失值最小时对应的第一模型确定为第一特征提取模型。
作为一种可能的实施方式,获取单元306,还用于获取第三人脸图像以及第二身份特征向量,第二身份特征向量用于标识第三人脸图像对应的人;
第三提取单元307,还用于使用第二模型提取第三人脸图像的第四特征向量;
计算单元308,还用于根据第四特征向量和第二身份特征向量,计算第二损失值;
传播单元309,还用于将第二损失值以梯度的方式反向传播至第二模型,获得更新参数的第二模型;
更新单元310,还用于根据更新参数的第二模型更新第二损失值;
确定单元311,还用于将第二损失值最小时对应的第二模型确定为第二特征提取模型。
作为一种可能的实施方式,第一特征提取模型的复杂度小于第二特征提取模型的复杂度。
此外,该人脸识别装置还可以执行上述图1-图2的方法步骤,还可以包括执行上述图1-图2的方法步骤的其他单元,此处不再赘述。
请参阅图4,图4是本发明实施例公开的一种门禁设备。如图4所示,该门禁设备可以包括处理器401、存储器402、图像采集装置403、数据库404和总线405。处理器401可以是一个通用中央处理器(CPU),多个CPU,微处理器,特定应用集成电路(application-specific integrated circuit,ASIC),或一个或多个用于控制本发明方案程序执行的集成电路。存储器402可以是只读存储器(read-only memory,ROM)或可存储静态信息和指令的其他类型的静态存储设备,随机存取存储器(random access memory,RAM)或者可存储信息和指令的其他类型的动态存储设备,也可以是电可擦可编程只读存储器(ElectricallyErasable Programmable Read-Only Memory,EEPROM)、只读光盘(Compact Disc Read-Only Memory,CD-ROM)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。存储器402可以是独立存在,总线405与处理器401相连接。存储器402也可以和处理器401集成在一起。总线405在上述组件之间传送信息。其中:
图像采集装置403,用于采集第一人脸图像;
数据库404,用于存储具有门禁权限的用户的人脸图像的特征向量;
存储器402中存储有一组程序代码,处理器401用于调用存储器402中存储的程序代码执行以下操作:
使用第一特征提取模型提取第一人脸图像的第一特征向量;
使用第二特征提取模型提取第一人脸图像的第二特征向量,第一特征向量的维度小于第二特征向量的维度;
根据第一特征向量从数据库中选取目标特征向量集;
将第二特征向量与目标特征向量集中的向量进行匹配。
作为一种可能的实施方式,数据库404存储有第一数据集和第二数据集,第一数据集是第一特征提取模型提取的人脸图像的特征向量的集合,第二数据集是第二特征提取模型提取的人脸图像的特征向量的集合;
处理器401根据第一特征向量从数据库中选取目标特征向量集包括:
计算第一特征向量与第一数据集中每个特征向量的相似度;
从第一数据集中选取相似度最大的M个特征向量,M为大于1的整数;
从第二数据集中选取与M个特征向量中每个特征向量对应的特征向量,获得目标特征向量集。
作为一种可能的实施方式,处理器401将第二特征向量与目标特征向量集中的向量进行匹配包括:
计算第二特征向量与目标特征向量集中每个特征向量的相似度;
判断这些相似度中的最大值是否大于或等于阈值,当最大值大于或等于阈值时,确定第二特征向量与最大值对应的特征向量匹配。
作为一种可能的实施方式,处理器401还用于调用存储器402中存储的程序代码执行以下操作:
获取第二人脸图像以及第一身份特征向量,第一身份特征向量用于标识第二人脸图像对应的人;
使用第一模型提取第二人脸图像的第三特征向量;
根据第三特征向量和第一身份特征向量,计算第一损失值;
将第一损失值以梯度的方式反向传播至第一模型,获得更新参数的第一模型;
根据更新参数的第一模型更新第一损失值;
将第一损失值最小时对应的第一模型确定为第一特征提取模型。
作为一种可能的实施方式,处理器401还用于调用存储器402中存储的程序代码执行以下操作:
获取第三人脸图像以及第二身份特征向量,第二身份特征向量用于标识第三人脸图像对应的人;
使用第二模型提取第三人脸图像的第四特征向量;
根据第四特征向量和第二身份特征向量,计算第二损失值;
将第二损失值以梯度的方式反向传播至第二模型,获得更新参数的第二模型;
根据更新参数的第二模型更新第二损失值;
将第二损失值最小时对应的第二模型确定为第二特征提取模型。
作为一种可能的实施方式,第一特征提取模型的复杂度小于第二特征提取模型的复杂度。
在一个实施例中提供了一种存储介质,该存储介质用于存储应用程序,应用程序用于在运行时执行图1或图2的人脸识别方法。
在一个实施例中提供了一种应用程序,该应用程序用于在运行时执行图1或图2的人脸识别方法。
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介质中,存储介质可以包括:闪存盘、只读存储器(Read-Only Memory,ROM)、随机存取器(Random AccessMemory,RAM)、磁盘或光盘等。
以上对本发明实施例所提供的人脸识别方法及装置进行了详细介绍,本文中应用了具体个例对本发明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发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,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发明的限制。
Claims (8)
1.一种人脸识别方法,其特征在于,包括:
采集第一人脸图像;
使用第一特征提取模型提取所述第一人脸图像的第一特征向量;
使用第二特征提取模型提取所述第一人脸图像的第二特征向量,所述第一特征向量的维度小于所述第二特征向量的维度;
计算所述第一特征向量与第一数据集中每个特征向量的相似度,所述第一数据集是所述第一特征提取模型提取的人脸图像的特征向量的集合;
从所述第一数据集中选取相似度最大的M个特征向量,所述M为大于1的整数;
从第二数据集中选取与所述M个特征向量中每个特征向量对应的特征向量,获得目标特征向量集,所述第二数据集是所述第二特征提取模型提取的人脸图像的特征向量的集合;
将所述第二特征向量与所述目标特征向量集中的向量进行匹配。
2.根据权利要求1所述的方法,其特征在于,所述将所述第二特征向量与所述目标特征向量集中的向量进行匹配包括:
计算所述第二特征向量与所述目标特征向量集中每个特征向量的相似度;
判断所述相似度中的最大值是否大于或等于阈值,当所述最大值大于或等于所述阈值时,确定所述第二特征向量与所述最大值对应的特征向量匹配。
3.根据权利要求1或2所述的方法,其特征在于,所述第一特征提取模型的复杂度小于所述第二特征提取模型的复杂度。
4.根据权利要求3所述的方法,其特征在于,所述方法还包括:
获取第二人脸图像以及第一身份特征向量,所述第一身份特征向量用于标识所述第二人脸图像对应的人;
使用第一模型提取所述第二人脸图像的第三特征向量;
根据所述第三特征向量和所述第一身份特征向量,计算第一损失值;
将所述第一损失值以梯度的方式反向传播至所述第一模型,获得更新参数的第一模型;
根据所述更新参数的第一模型更新第一损失值;
将第一损失值最小时对应的第一模型确定为第一特征提取模型。
5.一种人脸识别装置,其特征在于,包括:
采集单元,用于采集第一人脸图像;
第一提取单元,用于使用第一特征提取模型提取所述采集单元采集的第一人脸图像的第一特征向量;
第二提取单元,用于使用第二特征提取模型提取所述采集单元采集的第一人脸图像的第二特征向量,所述第一特征向量的维度小于所述第二特征向量的维度;
选取单元,用于计算所述第一特征向量与第一数据集中每个特征向量的相似度,从所述第一数据集中选取相似度最大的M个特征向量,从第二数据集中选取与所述M个特征向量中每个特征向量对应的特征向量,获得目标特征向量集,所述第一数据集是所述第一特征提取模型提取的人脸图像的特征向量的集合,所述第二数据集是所述第二特征提取模型提取的人脸图像的特征向量的集合,所述M为大于1的整数;
匹配单元,用于将所述第二提取单元提取的第二特征向量与所述选取单元选取的目标特征向量集中的向量进行匹配。
6.根据权利要求5所述的装置,其特征在于,所述匹配单元包括:
第二计算子单元,用于计算所述第二特征向量与所述目标特征向量集中每个特征向量的相似度;
判断子单元,用于判断所述第二计算子单元计算的相似度中的最大值是否大于或等于阈值,当所述判断子单元判断出所述最大值大于或等于所述阈值时,确定所述第二特征向量与所述最大值对应的特征向量匹配。
7.根据权利要求5或6所述的装置,其特征在于,所述第一特征提取模型的复杂度小于所述第二特征提取模型的复杂度。
8.根据权利要求7所述的装置,其特征在于,所述装置还包括:
获取单元,用于获取第二人脸图像以及第一身份特征向量,所述第一身份特征向量用于标识所述第二人脸图像对应的人;
第三提取单元,用于使用第一模型提取所述获取单元获取的第二人脸图像的第三特征向量;
计算单元,用于根据所述第三提取单元提取的第三特征向量和所述获取单元获取的第一身份特征向量,计算第一损失值;
传播单元,用于将所述计算单元计算的第一损失值以梯度的方式反向传播至所述第一模型,获得更新参数的第一模型;
更新单元,用于根据所述传播单元获得的更新参数的第一模型更新第一损失值;
确定单元,用于将所述更新单元更新的第一损失值最小时对应的第一模型确定为第一特征提取模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810492083.9A CN110516513B (zh) | 2018-05-22 | 2018-05-22 | 一种人脸识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810492083.9A CN110516513B (zh) | 2018-05-22 | 2018-05-22 | 一种人脸识别方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110516513A CN110516513A (zh) | 2019-11-29 |
CN110516513B true CN110516513B (zh) | 2022-03-25 |
Family
ID=68621756
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810492083.9A Active CN110516513B (zh) | 2018-05-22 | 2018-05-22 | 一种人脸识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110516513B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113034764B (zh) * | 2019-12-24 | 2023-03-03 | 深圳云天励飞技术有限公司 | 门禁控制方法、装置、设备以及门禁系统 |
CN111191612B (zh) * | 2019-12-31 | 2023-05-12 | 深圳云天励飞技术有限公司 | 视频图像匹配方法、装置、终端设备及可读存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5901244A (en) * | 1996-06-18 | 1999-05-04 | Matsushita Electric Industrial Co., Ltd. | Feature extraction system and face image recognition system |
CN102194135A (zh) * | 2010-03-08 | 2011-09-21 | 艾美特电器(深圳)有限公司 | 基于核自适应局部保持映射的图像分类方法和图像处理器 |
CN105740808A (zh) * | 2016-01-28 | 2016-07-06 | 北京旷视科技有限公司 | 人脸识别方法和装置 |
CN107958247A (zh) * | 2018-01-17 | 2018-04-24 | 百度在线网络技术(北京)有限公司 | 用于人脸图像识别的方法和装置 |
-
2018
- 2018-05-22 CN CN201810492083.9A patent/CN110516513B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5901244A (en) * | 1996-06-18 | 1999-05-04 | Matsushita Electric Industrial Co., Ltd. | Feature extraction system and face image recognition system |
CN102194135A (zh) * | 2010-03-08 | 2011-09-21 | 艾美特电器(深圳)有限公司 | 基于核自适应局部保持映射的图像分类方法和图像处理器 |
CN105740808A (zh) * | 2016-01-28 | 2016-07-06 | 北京旷视科技有限公司 | 人脸识别方法和装置 |
CN107958247A (zh) * | 2018-01-17 | 2018-04-24 | 百度在线网络技术(北京)有限公司 | 用于人脸图像识别的方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN110516513A (zh) | 2019-11-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10402627B2 (en) | Method and apparatus for determining identity identifier of face in face image, and terminal | |
CN106446816B (zh) | 人脸识别方法及装置 | |
CN108447471B (zh) | 语音识别方法及语音识别装置 | |
CN108491794B (zh) | 面部识别的方法和装置 | |
US11301509B2 (en) | Image search system, image search method, and program | |
CN106156755A (zh) | 一种人脸识别中的相似度计算方法及系统 | |
US20150125072A1 (en) | Data processing method for learning discriminator, and data processing apparatus therefor | |
CN108596079B (zh) | 手势识别方法、装置及电子设备 | |
CN110516513B (zh) | 一种人脸识别方法及装置 | |
CN108629345A (zh) | 高维图像特征匹配方法和装置 | |
CN111008620A (zh) | 目标用户识别方法、装置及存储介质、电子设备 | |
CN111753870B (zh) | 目标检测模型的训练方法、装置和存储介质 | |
CN112735437A (zh) | 一种声纹比对方法及系统及装置及存储机构 | |
KR20200020107A (ko) | 기계학습을 이용한 획 기반 수기 서명 인증 방법 및 시스템 | |
CN113361567B (zh) | 图像处理方法、装置、电子设备和存储介质 | |
CN112257689A (zh) | 人脸识别模型的训练和识别方法、存储介质及相关设备 | |
CN111930885B (zh) | 文本话题的抽取方法、装置及计算机设备 | |
JP2016212879A (ja) | 情報処理方法及び情報処理装置 | |
CN116310994A (zh) | 一种视频片段提取方法、装置、电子设备及介质 | |
CN115984977A (zh) | 活体检测方法和系统 | |
CN114782720A (zh) | 文案的配图确定方法、装置、电子设备、介质及程序产品 | |
CN112749542A (zh) | 一种商品名称匹配方法、系统、设备及存储介质 | |
KR102060110B1 (ko) | 컨텐츠에 포함되는 객체를 분류하는 방법, 장치 및 컴퓨터 프로그램 | |
CN107665189B (zh) | 一种提取中心词的方法、终端以及设备 | |
CN114626340B (zh) | 基于手机信令的行为特征提取方法及相关装置 |
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 |