CN110728783A - 一种人脸识别系统的自我纠正方法、系统及设备 - Google Patents
一种人脸识别系统的自我纠正方法、系统及设备 Download PDFInfo
- Publication number
- CN110728783A CN110728783A CN201910819223.3A CN201910819223A CN110728783A CN 110728783 A CN110728783 A CN 110728783A CN 201910819223 A CN201910819223 A CN 201910819223A CN 110728783 A CN110728783 A CN 110728783A
- Authority
- CN
- China
- Prior art keywords
- face recognition
- user
- abnormal
- similarity
- recognition
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/168—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)
- Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- General Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Collating Specific Patterns (AREA)
Abstract
本发明提出的一种人脸识别系统的自我纠正方法、系统及设备，首先，统计员工固定周期内在人脸识别系统中的识别时间和识别率，对系统中人脸识别存在问题的用户进行标记作后续处理；然后，对于识别率不高或者识别缓慢的用户增加其在数据库中面部图像的特征向量个数；最后，由人脸识别系统定期批量地识别率较低或者识别缓慢的员工图像进行相似度函数参数的重新训练。本发明实现了在人脸识别系统的实际使用过程中，对系统中出现识别率低或者识别时间长的问题，进行无人干预的自我纠正。
Description
技术领域
本发明涉及人脸识别技术领域，更具体的说是涉及一种人脸识别系统的自我纠正方法、系统及设备。
背景技术
人脸识别是深度学习的一项重要应用，在现实生活中应用十分广泛，常见于各单位的门禁系统。当前，人脸识别系统中常用的方案如下：
人员靠近人脸识别系统时，摄像头会采集人员的面部图像，得到待识别图像，并将其输入人脸识别系统，如果该输入图像与数据库中某位员工的面部图像相似度(由相似度函数计算得到)高于某个设定的阈值，则判断该人为单位员工，予以通过；否则，不予通行。
目前采用的人脸识别系统，主要存在的问题是数据库图像是员工的工牌或者档案中的面部图像，数量基本为一张，比较少；而员工面部的妆容或者配饰会经常改变，造成人脸识别系统的识别困难，从而导致系统别时间长或者识别率低等问题。
发明内容
针对以上问题，本发明的目的在于提供一种人脸识别系统的自我纠正方法、系统及设备，使得实际使用的人脸识别系统自我解决某些员工识别率低和识别时间长的问题，提高人脸识别系统的工作效率。
本发明为实现上述目的，通过以下技术方案实现：一种人脸识别系统的自我纠正方法，包括如下步骤：
S1：通过统计在人脸识别系统中的识别时间和/或识别率异常的用户，确定人脸识别异常用户；
S2：采集人脸识别异常用户的面部图像；
S3：将采集得到的面部图像输入系统卷积神经网络部分提取得到特征向量，并存入数据库中作为相似度计算的特征向量；
S4：系统对人脸识别异常用户的进行人脸识别计算相似度时，采用最新的数据库特征向量与待识别特征向量进行相似度计算，以此达到相似度的最大值；
S5：如果人脸识别异常用户的在预设周期内新增的数据库特征向量的数目与其数据库特征向量总数的比值超过预设阈值，以数据库中保存的用户图像作为样本，重新训练相似度函数的参数。
进一步，所述人脸识别异常用户在数据库中保存的面部图像的特征向量与系统当前检测得到的特征向量的相似度小于预设相似度阈值。
进一步，所述步骤S2包括：
如果人脸识别异常用户在固定周期内经过系统时，系统自动采集其面部图像；如果人脸识别异常用户未在固定周期内经过系统，系统不会采集其图像。
进一步，所述步骤S4还包括：
如果时间最新的特征向量和待识别特征向量的相似度小于预设相似度阈值，则按时间倒序取时间次新的特征向量与时间最新的特征向量的平均值作为特征向量与待识别特征向量进行相似度计算，并再次与预设相似度阈值比较。
进一步，所述步骤S5中，重新训练相似度函数的参数，在人脸识别系统预设的工作时间之外的时间段进行。
进一步，所述识别时间异常的用户为识别时间大于预设识别时间的用户，所述识别率异常的用户为识别率小于预设识别率的用户。
相应的，本发明还公开了一种人脸识别系统的自我纠正系统，包括：
统计判定模块，用于通过统计固定周期内在人脸识别系统中的识别时间和/或识别率异常的用户，确定人脸识别异常用户；
图像采集模块，用于采集人脸识别异常用户的面部图像；
图像提取模块，用于将采集得到的面部图像输入系统卷积神经网络部分提取得到特征向量，并存入数据库中作为相似度计算的特征向量；
计算模块，用于选用时间最新的数据库特征向量与待识别特征向量进行相似度计算，以此达到相似度的最大值；
比较模块，用于比较人脸识别异常用户的在预设周期内新增的数据库特征向量的数目与其数据库特征向量总数的比值是否超过预设阈值；
训练模块，用于以数据库中保存的用户图像作为样本，重新训练相似度函数的参数。
相应的，本发明还公开了一种人脸识别系统的自我纠正设备，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如上文任一项所述人脸识别系统的自我纠正方法步骤。
对比现有技术，本发明有益效果在于：本发明提供了一种人脸识别系统的自我纠正方法、系统及设备，首先，统计员工固定周期内在人脸识别系统中的识别时间和识别率，对系统中人脸识别存在问题的用户进行标记作后续处理；然后，对于识别率不高或者识别缓慢的用户增加其在数据库中面部图像的特征向量个数；最后，由人脸识别系统定期批量地识别率较低或者识别缓慢的员工图像进行相似度函数参数的重新训练。本发明实现了在人脸识别系统的实际使用过程中，对系统中出现识别率低或者识别时间长的问题，进行无人干预的自我纠正。
由此可见，本发明与现有技术相比，具有突出的实质性特点和显著的进步，其实施的有益效果也是显而易见的。
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。
附图1是本发明的方法流程图。
附图2是本发明的系统结构图。
具体实施方式
下面结合附图对本发明的具体实施方式做出说明。
在实际人脸识别系统中，系统卷积神经网络部分是保持一致的，只有如此对待识别图像提取的特征向量才具有一致性。数据库存放的用户面部图像外，还存放经过卷积神经网络提前提取的特征向量，如此在计算相似度时可以直接使用，不必重复计算。A代表待识别图像的特征向量，B代表数据库中预提取得到的特征向量，通常使用高维空间距离函数L(A，B)表示特征向量的相似程度(空间距离越近，则相似度越高)。当特征向量A，B的相似度高于给定阈值α时，判断是同一员工。
在上述基础上，如图1所示，本发明提供了一种人脸识别系统的自我纠正方法，包括如下步骤：
S1：通过统计固定周期内在人脸识别系统中的识别时间和/或识别率异常的用户，确定人脸识别异常用户。
其中，所述识别时间异常的用户为识别时间大于预设识别时间的用户，所述识别率异常的用户为识别率小于预设识别率的用户。识别时间和/或识别率异常的用户均被认定为人脸识别异常用户。而且，人脸识别异常用户在数据库中保存的面部图像的特征向量与系统当前检测得到的特征向量的相似度小于预设相似度阈值。
S2：采集人脸识别异常用户的面部图像。
如果人脸识别异常用户在固定周期内经过系统时，系统自动采集其面部图像；如果人脸识别异常用户未在固定周期内经过系统，系统不会采集其图像。
S3：将采集得到的面部图像输入系统卷积神经网络部分提取得到特征向量，并存入数据库中作为相似度计算的特征向量。
S4：系统再次对人脸识别异常用户的进行人脸识别计算相似度时，优先选用时间最新的数据库特征向量与待识别特征向量进行相似度计算，以此达到相似度的最大值。
如果时间最新的特征向量和待识别特征向量的相似度小于预设相似度阈值，则按时间倒序取时间次新的特征向量与时间最新的特征向量的平均值作为特征向量与待识别特征向量进行相似度计算，并再次与预设相似度阈值比较。
S5：如果人脸识别异常用户的在预设周期内新增的数据库特征向量的数目与其数据库特征向量总数的比值超过预设阈值，以数据库中保存的用户图像作为样本，重新训练相似度函数的参数。
重新训练相似度函数的参数，在人脸识别系统预设的工作时间之外的时间段进行。
相应的，如图2所示，本发明还公开了一种人脸识别系统的自我纠正系统，包括：
统计判定模块，用于通过统计固定周期内在人脸识别系统中的识别时间和/或识别率异常的用户，确定人脸识别异常用户；
图像采集模块，用于采集人脸识别异常用户的面部图像；
图像提取模块，用于将采集得到的面部图像输入系统卷积神经网络部分提取得到特征向量，并存入数据库中作为相似度计算的特征向量；
计算模块，用于选用时间最新的数据库特征向量与待识别特征向量进行相似度计算，以此达到相似度的最大值；
比较模块，用于比较人脸识别异常用户的在预设周期内新增的数据库特征向量的数目与其数据库特征向量总数的比值是否超过预设阈值；
训练模块，用于以数据库中保存的用户图像作为样本，重新训练相似度函数的参数。
相应的，本发明还公开了一种人脸识别系统的自我纠正设备，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如上文任一项所述人脸识别系统的自我纠正方法步骤。
本领域的技术人员可以清楚地了解到本发明实施例中的技术可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本发明实施例中的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中如U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质，包括若干指令用以使得一台计算机终端(可以是个人计算机，服务器，或者第二终端、网络终端等)执行本发明各个实施例所述方法的全部或部分步骤。本说明书中各个实施例之间相同相似的部分互相参见即可。尤其，对于终端实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例中的说明即可。
在本发明所提供的几个实施例中，应该理解到，所揭露的系统、系统和方法，可以通过其它的方式实现。例如，以上所描述的系统实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，系统或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个单元中。
结合附图和具体实施例，对本发明作进一步说明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所限定的范围。
Claims (8)
1.一种人脸识别系统的自我纠正方法，其特征在于，包括如下步骤：
S1：通过统计在人脸识别系统中的识别时间和/或识别率异常的用户，确定人脸识别异常用户；
S2：采集人脸识别异常用户的面部图像；
S3：将采集得到的面部图像输入系统卷积神经网络部分提取得到特征向量，并存入数据库中作为相似度计算的特征向量；
S4：系统对人脸识别异常用户的进行人脸识别计算相似度时，采用最新的数据库特征向量与待识别特征向量进行相似度计算，以此达到相似度的最大值；
S5：如果人脸识别异常用户的在预设周期内新增的数据库特征向量的数目与其数据库特征向量总数的比值超过预设阈值，以数据库中保存的用户图像作为样本，重新训练相似度函数的参数。
2.根据权利要求1所述的人脸识别系统的自我纠正方法，其特征在于，
所述人脸识别异常用户在数据库中保存的面部图像的特征向量与系统当前检测得到的特征向量的相似度小于预设相似度阈值。
3.根据权利要求1所述的人脸识别系统的自我纠正方法，其特征在于，
所述步骤S2包括：
如果人脸识别异常用户在固定周期内经过系统时，系统自动采集其面部图像；如果人脸识别异常用户未在固定周期内经过系统，系统不会采集其图像。
4.根据权利要求1所述的人脸识别系统的自我纠正方法，其特征在于，
所述步骤S4还包括：
如果时间最新的特征向量和待识别特征向量的相似度小于预设相似度阈值，则按时间倒序取时间次新的特征向量与时间最新的特征向量的平均值作为特征向量与待识别特征向量进行相似度计算，并再次与预设相似度阈值比较。
5.根据权利要求1所述的人脸识别系统的自我纠正方法，其特征在于，所述步骤S5中，重新训练相似度函数的参数，在人脸识别系统预设的工作时间之外的时间段进行。
6.根据权利要求1所述的人脸识别系统的自我纠正方法，其特征在于，所述识别时间异常的用户为识别时间大于预设识别时间的用户，所述识别率异常的用户为识别率小于预设识别率的用户。
7.一种人脸识别系统的自我纠正系统，其特征在于，包括：
统计判定模块，用于通过统计在人脸识别系统中的识别时间和/或识别率异常的用户，确定人脸识别异常用户；
图像采集模块，用于采集人脸识别异常用户的面部图像；
图像提取模块，用于将采集得到的面部图像输入系统卷积神经网络部分提取得到特征向量，并存入数据库中作为相似度计算的特征向量；
计算模块，用于选用时间最新的数据库特征向量与待识别特征向量进行相似度计算，以此达到相似度的最大值；
比较模块，用于比较人脸识别异常用户的在预设周期内新增的数据库特征向量的数目与其数据库特征向量总数的比值是否超过预设阈值；
训练模块，用于以数据库中保存的用户图像作为样本，重新训练相似度函数的参数。
8.一种人脸识别系统的自我纠正设备，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如权利要求1至6任一项所述人脸识别系统的自我纠正方法步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910819223.3A CN110728783A (zh) | 2019-08-31 | 2019-08-31 | 一种人脸识别系统的自我纠正方法、系统及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910819223.3A CN110728783A (zh) | 2019-08-31 | 2019-08-31 | 一种人脸识别系统的自我纠正方法、系统及设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110728783A true CN110728783A (zh) | 2020-01-24 |
Family
ID=69218764
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910819223.3A Pending CN110728783A (zh) | 2019-08-31 | 2019-08-31 | 一种人脸识别系统的自我纠正方法、系统及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110728783A (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1971630A (zh) * | 2006-12-01 | 2007-05-30 | 浙江工业大学 | 基于人脸鉴别技术的门禁和考勤装置 |
| CN105260639A (zh) * | 2015-10-28 | 2016-01-20 | 浪潮电子信息产业股份有限公司 | 一种脸部识别系统的数据更新的方法及装置 |
| CN105335519A (zh) * | 2015-11-18 | 2016-02-17 | 百度在线网络技术（北京）有限公司 | 模型生成方法及装置、推荐方法及装置 |
| EP3147827A1 (en) * | 2015-06-24 | 2017-03-29 | Samsung Electronics Co., Ltd. | Face recognition method and apparatus |
| CN109325327A (zh) * | 2017-08-01 | 2019-02-12 | 苹果公司 | 用于更新在面部识别中所使用的模板的过程 |
| CN109615750A (zh) * | 2018-12-29 | 2019-04-12 | 深圳市多度科技有限公司 | 门禁机的人脸识别控制方法及装置、门禁设备、存储介质 |
| CN109858447A (zh) * | 2019-01-31 | 2019-06-07 | 维沃移动通信有限公司 | 一种信息处理方法及终端 |
| CN110110593A (zh) * | 2019-03-27 | 2019-08-09 | 广州杰赛科技股份有限公司 | 基于自学习的人脸考勤方法、装置、设备及存储介质 |
-
2019
- 2019-08-31 CN CN201910819223.3A patent/CN110728783A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1971630A (zh) * | 2006-12-01 | 2007-05-30 | 浙江工业大学 | 基于人脸鉴别技术的门禁和考勤装置 |
| EP3147827A1 (en) * | 2015-06-24 | 2017-03-29 | Samsung Electronics Co., Ltd. | Face recognition method and apparatus |
| CN105260639A (zh) * | 2015-10-28 | 2016-01-20 | 浪潮电子信息产业股份有限公司 | 一种脸部识别系统的数据更新的方法及装置 |
| CN105335519A (zh) * | 2015-11-18 | 2016-02-17 | 百度在线网络技术（北京）有限公司 | 模型生成方法及装置、推荐方法及装置 |
| CN109325327A (zh) * | 2017-08-01 | 2019-02-12 | 苹果公司 | 用于更新在面部识别中所使用的模板的过程 |
| CN109615750A (zh) * | 2018-12-29 | 2019-04-12 | 深圳市多度科技有限公司 | 门禁机的人脸识别控制方法及装置、门禁设备、存储介质 |
| CN109858447A (zh) * | 2019-01-31 | 2019-06-07 | 维沃移动通信有限公司 | 一种信息处理方法及终端 |
| CN110110593A (zh) * | 2019-03-27 | 2019-08-09 | 广州杰赛科技股份有限公司 | 基于自学习的人脸考勤方法、装置、设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109472206B (zh) | 基于微表情的风险评估方法、装置、设备及介质 | |
| CN107633207B (zh) | Au特征识别方法、装置及存储介质 | |
| CN107958230B (zh) | 人脸表情识别方法及装置 | |
| CN113449704B (zh) | 人脸识别模型训练方法、装置、电子设备及存储介质 | |
| CN109117857B (zh) | 一种生物属性的识别方法、装置及设备 | |
| CN111783882B (zh) | 关键点检测方法、装置、电子设备及存储介质 | |
| CN110659665A (zh) | 一种异维特征的模型构建方法及图像识别方法、装置 | |
| CN109872406B (zh) | 一种渐进式的判断更新方法、装置和人脸打卡系统 | |
| CN112001932A (zh) | 人脸识别方法、装置、计算机设备和存储介质 | |
| CN105654056A (zh) | 人脸识别的方法及装置 | |
| CN110610125A (zh) | 基于神经网络的牛脸识别方法、装置、设备及存储介质 | |
| CN112418135A (zh) | 人体行为识别方法、装置、计算机设备及可读存储介质 | |
| CN112329663A (zh) | 一种基于人脸图像序列的微表情时刻检测方法及装置 | |
| CN113255557A (zh) | 一种基于深度学习的视频人群情绪分析方法及系统 | |
| CN111353385A (zh) | 一种基于掩膜对齐与注意力机制的行人再识别方法和装置 | |
| CN105844204B (zh) | 人体行为识别方法和装置 | |
| CN114861241A (zh) | 基于智能检测的防窥屏方法及其相关设备 | |
| CN114373212A (zh) | 人脸识别模型构建方法、人脸识别方法及相关设备 | |
| CN111860057A (zh) | 人脸图像模糊和活体检测方法、装置、存储介质及设备 | |
| CN117746076A (zh) | 一种基于机器视觉的设备图像匹配方法 | |
| CN112149517A (zh) | 一种人脸考勤方法、系统、计算机设备及存储介质 | |
| CN110728783A (zh) | 一种人脸识别系统的自我纠正方法、系统及设备 | |
| CN105787423B (zh) | 人脸图像的属性信息识别方法和装置 | |
| CN114926887A (zh) | 人脸识别方法、装置及终端设备 | |
| CN114821722A (zh) | 一种基于马氏距离改进的人脸识别系统及方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200124 |
|
| RJ01 | Rejection of invention patent application after publication |