CN110942014A - 人脸识别快速检索方法、装置、服务器及存储装置 - Google Patents

人脸识别快速检索方法、装置、服务器及存储装置 Download PDF

Info

Publication number
CN110942014A
CN110942014A CN201911158386.8A CN201911158386A CN110942014A CN 110942014 A CN110942014 A CN 110942014A CN 201911158386 A CN201911158386 A CN 201911158386A CN 110942014 A CN110942014 A CN 110942014A
Authority
CN
China
Prior art keywords
sample
similarity
face
features
feature
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
CN201911158386.8A
Other languages
English (en)
Other versions
CN110942014B (zh
Inventor
邸德宁
郝敬松
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.)
Zhejiang Dahua Technology Co Ltd
Original Assignee
Zhejiang Dahua Technology 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 Zhejiang Dahua Technology Co Ltd filed Critical Zhejiang Dahua Technology Co Ltd
Priority to CN201911158386.8A priority Critical patent/CN110942014B/zh
Publication of CN110942014A publication Critical patent/CN110942014A/zh
Application granted granted Critical
Publication of CN110942014B publication Critical patent/CN110942014B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06V40/172—Classification, e.g. identification
    • 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
    • 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
    • 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)
  • General Physics & Mathematics (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Human Computer Interaction (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种人脸识别快速检索方法、装置、服务器及存储装置，所述方法包括：获取同一个目标人物的多帧不同人脸图像，并提取每个人脸图像的浮点数特征；对每个人脸图像的浮点数特征进行特征量化，得到多个量化后的人脸特征；计算每个人脸特征与预设人脸数据库中所有样本特征的相似度；根据相似度的大小选取样本特征组成与人脸特征一一对应的样本子集；将所有样本子集中同一样本特征的相似度进行累加，得到样本子集中每个样本特征的最终相似度；根据最终相似度执行告警策略。本发明通过量化后的人脸特征筛选出的多个样本子集，并计算样本子集中样本特征的相似度，得到样本特征的最终相似度，并以此作出告警策略，提高了人脸识别精度。

Description

人脸识别快速检索方法、装置、服务器及存储装置
技术领域
本申请涉及人脸识别技术领域，特别是涉及一种人脸识别快速检索方法、装置、服务器及存储装置。
背景技术
出于社会安全及便利生活需求，人脸识别系统被大量应用，包括1:1 的人证一致性校验和1:N的未知人脸身份识别检索。在1:N应用中，需事先准备关注对象列表的人脸照片集，并提取照片集内人脸的特征，称为gallery(底库)；需查询的未知身份人脸同样提取特征，称为probe(查询项)。检索时，需比对probe与gallery内每个特征的相似度(或距离)。然而，目前的gallery内特征数目已达千万规模，导致检索过程费时且资源占用高。
为了使得检索gallery过程更加高效，目前主要通过量化方式对特征进行量化，再对量化后的特征进行检索，但是，现有的检索方案中，量化方案能够减少计算量，但是会降低计算的特征之间的相似度精确度损失，导致最终的检索结果不稳定，误差较高。
发明内容
本申请提供一种人脸识别快速检索方法、装置、服务器及存储装置，以解决现有的人脸检索方案准确度不高的问题。
为解决上述技术问题，本申请采用的一个技术方案是：提供一种人脸识别快速检索方法，其包括：获取同一个目标人物的多帧不同人脸图像，并提取每个人脸图像的浮点数特征；对每个人脸图像的浮点数特征进行特征量化，得到多个量化后的人脸特征；计算每个人脸特征与预设人脸数据库中所有样本特征的相似度；根据相似度的大小选取样本特征组成与人脸特征一一对应的样本子集；将所有样本子集中同一样本特征的相似度进行累加，得到样本子集中每个样本特征的最终相似度；根据最终相似度执行告警策略。
为解决上述技术问题，本申请采用的另一个技术方案是：提供一种人脸识别快速检索装置，包括：获取模块，用于获取同一个目标人物的多帧不同人脸图像，并提取每个人脸图像的浮点数特征；提取模块，与获取模块耦合，用于对每个人脸图像的浮点数特征进行特征量化，得到多个量化后的人脸特征；计算模块，与提取模块耦合，用于计算每个人脸特征与预设人脸数据库中所有样本特征的相似度；选取模块，与计算模块耦合，用于根据相似度的大小选取样本特征组成与人脸特征一一对应的多个样本子集；累加模块，与选取模块耦合，用于将所有样本子集中同一样本特征的相似度进行累加，得到样本子集中每个样本特征的最终相似度；告警模块，与累加模块耦合，用于根据最终相似度执行告警策略。
为解决上述技术问题，本申请采用的再一个技术方案是：提供一种服务器，服务器包括处理器、与处理器耦接的存储器、至少一个摄像头，其中，存储器存储有用于实现上述中任一项的人脸识别快速检索方法的程序指令；处理器用于执行存储器存储的程序指令以快速检索人脸信息；至少一个摄像头用于拍摄人脸图像。
为解决上述技术问题，本申请采用的再一个技术方案是：提供一种存储装置，存储有能够实现上述人脸识别快速检索方法的程序文件。
本申请的有益效果是：本发明通过获取同一个目标人物的多个人脸特征，再分别计算每个人脸特征与预设人脸数据库中所有样本特征的相似度，并筛选出每个人脸特征对应的一个样本子集，再将多个样本子集中同一个样本特征的相似度进行累加，得到每个样本特征的最终相似度，根据最终相似度执行告警策略，其通过将多个人脸特征分别与预设人脸数据库进行匹配筛选，再通过累加获得样本子集中每个样本特征的最终相似度，从而根据最终相似度作出合理的告警策略，避免了因特征量化而造成的最终检索结果不稳定的问题。
附图说明
图1是本发明第一实施例的人脸识别快速检索方法的流程示意图；
图2是本发明第二实施例的人脸识别快速检索方法的流程示意图；
图3是本发明第三实施例的人脸识别快速检索方法的流程示意图；
图4是本发明第四实施例的人脸识别快速检索方法的流程示意图；
图5是本发明第五实施例的人脸识别快速检索方法的流程示意图；
图6是本发明第六实施例的人脸识别快速检索方法的流程示意图；
图7是本发明第七实施例的人脸识别快速检索方法的流程示意图；
图8是本发明实施例的人脸识别快速检索装置的结构示意图；
图9是本发明实施例的服务器的结构示意图；
图10是本发明实施例的存储装置的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请的一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
本申请中的术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”、“第三”的特征可以明示或者隐含地包括至少一个该特征。本申请的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。本申请实施例中所有方向性指示(诸如上、下、左、右、前、后……)仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
图1是本发明第一实施例的人脸识别快速检索方法的流程示意图。需注意的是，若有实质上相同的结果，本发明的方法并不以图1所示的流程顺序为限。如图1所示，该方法包括步骤：
步骤S100，获取同一个目标人物的多帧不同人脸图像，并提取每个人脸图像的浮点数特征。
在步骤S100中，通过摄像头获取同一个目标人物的一段视频流，然后从视频流中截取出多帧不同人脸图像，该不同人脸图像是指从不同角度拍摄获取的人脸图像，再通过人脸识别算法分别从每帧人脸图像中提取每个人脸图像的浮点数特征。
步骤S101，对每个人脸图像的浮点数特征进行特征量化，得到多个量化后的人脸特征。
在步骤S101中，对浮点数特征进行特征量化，具体可采用以下两种方式来实现：
(1)将浮点数特征量化为定点数，一般是对浮点数特征中每个浮点数单独处理，不改变特征维度；
(2)二值化处理，需要训练特定的模型，再通过模型将整个浮点数特征进行二值化处理，在通过模型进行训练时，可以改变特征维度。
步骤S102，计算每个人脸特征与预设人脸数据库中所有样本特征的相似度。
在步骤S102中，通过预设的相似度度量算法，计算每个人脸特征与预设人脸数据库中所有样本特征的相似度，得到每个人脸特征对应的一组相似度。
需要说明的是，预设人脸数据库预先构建，其通过按照事先准备关注对象列表的人脸照片集，检测每个照片中人脸位置等信息，利用人脸识别算法提取人脸的浮点数特征，并对浮点数特征进行特征量化，转换为样本特征，并记录样本特征与照片信息的对应关系。优选地，若预设人脸数据库中同一人存在多个样本特征，则可将多个样本特征融合强化为一个样本特征，从而提高该样本特征的表达能力。
步骤S103，根据相似度的大小选取样本特征组成与人脸特征一一对应的样本子集。
在步骤S103中，每个人脸特征对应的一组相似度，分别根据每组相似度中每个相似度的大小筛选出每个人脸特征对应的样本子集，具体地，可按照预先设定的相似度阈值或排序规则筛选出样本子集，以一个人脸特征对应的一组相似度为例：若按照相似度阈值进行筛选，则将相似度高于预设相似度阈值的所有样本特征组成样本子集；若按照排序规则进行筛选，则将样本特征按照相似度大小从高到低依次排列，再选出排列在前预设数量个的样本特征组成样本子集，该预设数量可预先设定。
步骤S104，将所有样本子集中同一样本特征的相似度进行累加，得到样本子集中每个样本特征的最终相似度。
在步骤S104中，确认每个样本子集各自包括的样本特征，以及样本特征的相似度，再将不同样本子集中同一个样本特征的相似度进行累加，从而得到每个样本特征的最终相似度。例如，以下述例子为例进行说明，样本子集A包括样本特征{a(1)，b(2)，c(3)}(括号内为各自对应的相似度)，样本子集B包括样本特征{a(2)，b(1)，d(5)}，样本子集C包括样本特征{b(4)，c(2)，d(1)}，则计算最终相似度时，样本子集A、B、C共有a、b、c、d四个样本特征，将这四个样本特征在各自样本子集中对应的相似度值进行累加，即样本特征a的最终相似度为1+2＝3，样本特征b的最终相似度为2+1+4＝7，样本特征c 的最终相似度为3+2＝5，样本特征d的最终相似度为5+1＝6。
步骤S105，根据最终相似度执行告警策略。
在步骤S105中，在得到样本特征的最终相似度之后，根据样本特征的最终相似度制定告警策略。
本实施例中，通过获取同一个目标人物的多个人脸特征，再分别计算每个人脸特征与预设人脸数据库中所有样本特征的相似度，并筛选出每个人脸特征对应的一个样本子集，再将多个样本子集中同一个样本特征的相似度进行累加，得到每个样本特征的最终相似度，根据最终相似度执行告警策略，其通过将多个人脸特征分别与预设人脸数据库进行匹配筛选，再通过累加获得样本子集中每个样本特征的最终相似度，从而根据最终相似度作出合理的告警策略，避免了因特征量化而造成的最终检索结果不稳定的问题。
图2是本发明第二实施例的人脸识别快速检索方法的流程示意图。需注意的是，若有实质上相同的结果，本发明的方法并不以图2所示的流程顺序为限。如图2所示，该方法包括步骤：
步骤S200，获取同一个目标人物的多帧不同人脸图像，并提取每个人脸图像的浮点数特征。
在本实施例中，图2中的步骤S200和图1中的步骤S100类似，为简约起见，在此不再赘述。
步骤S201，对每个人脸图像的浮点数特征进行特征量化，得到多个量化后的人脸特征。
在本实施例中，图2中的步骤S201和图1中的步骤S101类似，为简约起见，在此不再赘述。
步骤S202，计算每个人脸特征与预设人脸数据库中所有样本特征的相似度。
在本实施例中，图2中的步骤S202和图1中的步骤S102类似，为简约起见，在此不再赘述。
步骤S203，根据相似度的大小选取样本特征组成与人脸特征一一对应的样本子集。
在本实施例中，图2中的步骤S203和图1中的步骤S103类似，为简约起见，在此不再赘述。
步骤S204，根据预设方式为每个相似度设定权重系数。
在步骤S204中，通过预设方式分别为每个相似度设定权重系数。例如，假设样本特征a的对应有四个相似度，分别为10、8、5、2，在设定权重系数时，权重系数可依次设置为40％、30％、20％、10％。
需要说明的是，根据预设方式为每个相似度设定权重系数具体可以为根据相似度的大小或样本子集的生成时间来设置。具体地：
(1)根据相似度的大小设定权重系数的过程具体可以为：
1、将同一样本特征的每个相似度进行降序排序。
2、为每个相似度设定权重系数，且所述权重系数的大小随相似度降序排序递减。
3、将每个相似度分别与对应的所述权重系数进行加权计算，再累加得到最终相似度。
(2)根据样本子集的生成时间设定权重系数的过程具体可以为：
1、记录每个样本子集的生成时间。
2、根据生成时间设定每个相似度的权重系数，生成时间与权重系数成抛物线函数关系，生成时间越大或越小时，权重系数越小。
3、将每个相似度分别与对应的权重系数进行加权计算，再累加得到最终相似度。
步骤S205，将每个相似度分别与对应的权重系数进行加权计算，再进行累加得到最终相似度。
在步骤S205中，以上述例子继续说明，再设定样本特征2对应的每个相似度的权重系数之和，计算样本特征a的最终相似度，最终相似度＝40％*10+30％*8+20％*5+10％*2＝7.6。
步骤S206，根据最终相似度执行告警策略。
在本实施例中，图2中的步骤S206和图1中的步骤S105类似，为简约起见，在此不再赘述。
本实例中，考虑到了同一样本特征的相似度的重要性不相同，因此，通过根据预设方式为每个相似度设定权重系数，再将同一样本特征的相似度按权重系数进行加权累加，得到最终相似度，从而使得最终的检索结果更为准确。
图3是本发明第三实施例的人脸识别快速检索方法的流程示意图。需注意的是，若有实质上相同的结果，本发明的方法并不以图3所示的流程顺序为限。如图3所示，该方法包括步骤：
步骤S300，获取同一个目标人物的多帧不同人脸图像，并提取每个人脸图像的浮点数特征。
在本实施例中，图3中的步骤S300和图1中的步骤S100类似，为简约起见，在此不再赘述。
步骤S301，对每个人脸图像的浮点数特征进行特征量化，得到多个量化后的人脸特征。
在本实施例中，图3中的步骤S301和图1中的步骤S101类似，为简约起见，在此不再赘述。
步骤S302，计算每个人脸特征与预设人脸数据库中所有样本特征的相似度。
在本实施例中，图3中的步骤S302和图1中的步骤S102类似，为简约起见，在此不再赘述。
步骤S303，根据相似度的大小选取样本特征组成与人脸特征一一对应的样本子集。
在本实施例中，图3中的步骤S303和图1中的步骤S103类似，为简约起见，在此不再赘述。
步骤S304，判断样本子集的数量是否超过第一预设数量。若是，则执行步骤S305～步骤S306；若否，则执行步骤S307。
需要说明的是，第一预设数量预先设置。
步骤S305，将所有样本子集中同一样本特征的相似度进行累加，得到样本子集中每个样本特征的最终相似度。
在本实施例中，图3中的步骤S305和图1中的步骤S104类似，为简约起见，在此不再赘述。
步骤S306，根据最终相似度执行告警策略。
在本实施例中，图3中的步骤S306和图1中的步骤S105类似，为简约起见，在此不再赘述。
步骤S307，停止识别目标人物或保留浮点数特征直至样本子集的数量超过第一预设数量。
在步骤S307中，当样本子集的数量低于第一预设数量时，说明此时用于判断目标人物身份的数据不足，导致最终的检索可能出现较大误差，因此，停止识别该目标人物，或者是，将该将该人脸图像的浮点数特征保留，并在后续获得的样本子集的数量超过第一预设数量时，再进行识别。
本实施例通过判断样本子集的数量来确认是否有足够的数量来实现高精度人脸识别，若样本子集的数量不足，则停止进行识别或者保留人脸图像的浮点数特征直至样本子集的数量超过第一预设数量之后，在执行识别操作，以避免因数据不足而导致检索结果不准确的问题。
图4是本发明第四实施例的人脸识别快速检索方法的流程示意图。需注意的是，若有实质上相同的结果，本发明的方法并不以图4所示的流程顺序为限。如图4所示，该方法包括步骤：
步骤S400，获取同一个目标人物的多帧不同人脸图像，并提取每个人脸图像的浮点数特征。
在本实施例中，图4中的步骤S400和图1中的步骤S100类似，为简约起见，在此不再赘述。
步骤S401，对每个浮点数特征进行特征量化，得到量化后特征。
在步骤S401中，对浮点数特征进行特征量化的操作具体可参阅第一实施例，此处不再赘述。
步骤S402，将多个量化后特征按预设帧数划分为多组量化后特征集。
在步骤S402中，每个量化后特征均对应一个人脸图像，因此，按预设帧数将多个量化后特征划分为多组量化后特征集。需要说明的是，该预设帧数预先设定。
步骤S403，将每组量化后特征集中的至少一个量化后特征进行融合强化，得到每组量化后特征集对应的人脸特征。
在步骤S403中，每组量化后特征集中包括至少一个量化后特征，分别将每组量化后特征集中的至少一个量化后特征进行融合强化，得到每组量化后特征集对应的一个人脸特征。具体地，在将量化后特征进行融合强化时，可通过拼接或池化两种方式来实现，具体地：
(1)、通过拼接方式：
建设单个初始特征的维度为D，将K个初始特征依序拼接，得到人脸特征，拼接后的人脸特征的维度为K*D，此时，后续在计算人脸特征与预设人脸数据库中所有样本特征的相似度时，需要将预设人脸数据库中所有样本特征通过重复拼接自身的方式扩展到K*D的维度，因此，为了方便计算，K可以取固定值。
(2)、通过池化方式：
按维度逐个处理，如使用平均池化，各维度计算方式为：
featd＝average(Feati,d),i＝1…K,d＝1…D；
其中，featd为强化后的初始特征的第d个维度，Feati,d为K个初始特征中的第i个特征的第d个维度。对于二值化特征，还需要将平均后的值四舍五入近似到0或1，具体可通过投票机制实现，例如，K个初始特征中同一维度下的0和1数量多者为最终结果。在一些实施例中，还可通过中值池化、带权重的平均池化来实现。而池化处理不改变特征的维度，因此，预设人脸数据库中的样本特征不需要扩展维度，K不需要取固定值。
步骤S404，计算每个人脸特征与预设人脸数据库中所有样本特征的相似度。
在本实施例中，图4中的步骤S404和图1中的步骤S102类似，为简约起见，在此不再赘述。
步骤S405，根据相似度的大小选取样本特征组成与人脸特征一一对应的样本子集。
在本实施例中，图4中的步骤S405和图1中的步骤S103类似，为简约起见，在此不再赘述。
步骤S406，将所有样本子集中同一样本特征的相似度进行累加，得到样本子集中每个样本特征的最终相似度。
在本实施例中，图4中的步骤S406和图1中的步骤S104类似，为简约起见，在此不再赘述。
步骤S407，根据最终相似度执行告警策略。
在本实施例中，图4中的步骤S407和图1中的步骤S105类似，为简约起见，在此不再赘述。
本实施例中，为了提高人脸特征的表达能力，通过将多帧人脸图像的量化后特征按组划分，然后分别将每组量化后特征进行融合强化成一个表达能力强的人脸特征，以提高最终的识别准确度。
图5是本发明第五实施例的人脸识别快速检索方法的流程示意图。需注意的是，若有实质上相同的结果，本发明的方法并不以图5所示的流程顺序为限。如图5所示，该方法包括步骤：
步骤S500，获取同一个目标人物的多帧不同人脸图像，并提取每个人脸图像的浮点数特征。
在本实施例中，图5中的步骤S500和图1中的步骤S100类似，为简约起见，在此不再赘述。
步骤S501，对每个人脸图像的浮点数特征进行特征量化，得到多个量化后的人脸特征。
在本实施例中，图5中的步骤S501和图1中的步骤S101类似，为简约起见，在此不再赘述。
步骤S502，计算每个人脸特征与预设人脸数据库中所有样本特征的相似度。
在本实施例中，图5中的步骤S502和图1中的步骤S102类似，为简约起见，在此不再赘述。
步骤S503，根据相似度的大小选取样本特征组成与人脸特征一一对应的样本子集。
在本实施例中，图5中的步骤S503和图1中的步骤S103类似，为简约起见，在此不再赘述。
步骤S504，将每个相似度分别与对应的权重系数进行加权计算，再累加得到最终相似度。
在本实施例中，图5中的步骤S504和图1中的步骤S104类似，为简约起见，在此不再赘述。
步骤S505，根据最终相似度的大小将所有样本特征进行排序。
在步骤S505中，得到每个样本特征的最终相似度之后，将所有的样本特征按照最终相似度的大小进行降序排序。
步骤S506，将前第二预设数量的样本特征作为最终结果，或者是，将最终相似度超过预设相似度阈值的样本特征作为最终结果。
步骤S507，输出最终结果。
在步骤S506～S507中，具体实际应用过程中，可根据用户的需求输出最终识别的结果，当用户需要输出多个检索结果时，可以将排序后的样本特征中，前第二预设数量的样本特征作为最终结果并输出，当用户需要按相似度阈值进行告警时，可以将最终相似度超过预设相似度阈值的样本特征作为最终结果并输出。
需要说明的是，第二预设数量和预想相似度阈值预先设定。
进一步的，在将所有样本特征按最终相似度进行降序排序之后，判断排列在首位的样本特征的最终相似度是否超过预设相似度阈值，若否，则不执行告警，从而不需要再对后续的最终相似度进行判断操作。
本实施例通过根据预设相似度阈值确认最终结果，或者是通过将样本特征按最终相似度的大小降序排序后，选择排列在前第二预设数量的特征作为最终结果，其在实际应用过程中可根据用户的需求进行设定，满足了用户对最终结果的需求的多样性。
图6是本发明第六实施例的人脸识别快速检索方法的流程示意图。需注意的是，若有实质上相同的结果，本发明的方法并不以图6所示的流程顺序为限。如图6所示，该方法包括步骤：
步骤S600，获取同一个目标人物的多帧不同人脸图像，并提取每个人脸图像的浮点数特征。
在本实施例中，图6中的步骤S600和图1中的步骤S100类似，为简约起见，在此不再赘述。
步骤S601，对每个人脸图像的浮点数特征进行特征量化，得到多个量化后的人脸特征。
在本实施例中，图6中的步骤S601和图1中的步骤S101类似，为简约起见，在此不再赘述。
步骤S602，计算每个人脸特征与预设人脸数据库中所有样本特征的相似度。
在本实施例中，图6中的步骤S602和图1中的步骤S102类似，为简约起见，在此不再赘述。
步骤S603，根据相似度的大小选取样本特征组成与人脸特征一一对应的样本子集。
在本实施例中，图6中的步骤S603和图1中的步骤S103类似，为简约起见，在此不再赘述。
步骤S604，将每个相似度分别与对应的权重系数进行加权计算，再累加得到最终相似度。
在本实施例中，图6中的步骤S604和图1中的步骤S104类似，为简约起见，在此不再赘述。
步骤S605，确认所有样本子集中每个样本特征的相似度的个数。
步骤S606，将相似度的个数少于目标阈值的样本特征及对应的最终相似度删除。
在步骤S605～S606中，将所有样本子集中包括的每个样本特征的相似度的个数进行统计，从而确定每个样本特征的相似度的个数，将相似度的个数少于目标阈值的样本特征及其对应的最终相似度删除。
需要说明的是，目标阈值＝当前样本特征的相似度的个数×预设值，该预设值预先设定，每个样本特征均对应一个目标阈值，其目标阈值根据该样本特征的相似度的个数来计算确定，例如，统计样本特征a的相似度的个数为n，预设值为0.8，则样本特征a对应的目标阈值＝0.8*n。
步骤S607，根据最终相似度的大小将所有样本特征进行排序。
在本实施例中，图6中的步骤S607和图5中的步骤S505类似，为简约起见，在此不再赘述。
步骤S608，将前第二预设数量的样本特征作为最终结果，或者是，将最终相似度超过预设相似度阈值的样本特征作为最终结果。
在本实施例中，图6中的步骤S608和图5中的步骤S506类似，为简约起见，在此不再赘述。
步骤S609，输出最终结果。
在本实施例中，图6中的步骤S609和图5中的步骤S507类似，为简约起见，在此不再赘述。
本实施例通过将相似度的个数少于目标阈值的样本特征删除，避免因相似度的个数过少而导致最终识别的结果误差过大，从而提高了识别准确率。
图7是本发明第七实施例的人脸识别快速检索方法的流程示意图。需注意的是，若有实质上相同的结果，本发明的方法并不以图7所示的流程顺序为限。如图7所示，该方法包括步骤：
步骤S700，获取同一个目标人物的多帧不同人脸图像，并提取每个人脸图像的浮点数特征。
在本实施例中，图7中的步骤S700和图1中的步骤S100类似，为简约起见，在此不再赘述。
步骤S701，对每个人脸图像的浮点数特征进行特征量化，得到多个量化后的人脸特征。
在本实施例中，图7中的步骤S701和图1中的步骤S101类似，为简约起见，在此不再赘述。
步骤S702，计算每个人脸特征与预设人脸数据库中所有样本特征的相似度。
在本实施例中，图7中的步骤S702和图1中的步骤S102类似，为简约起见，在此不再赘述。
步骤S703，根据相似度的大小选取样本特征组成与人脸特征一一对应的样本子集。
在本实施例中，图7中的步骤S703和图1中的步骤S103类似，为简约起见，在此不再赘述。
步骤S704，将每个相似度分别与对应的权重系数进行加权计算，再累加得到最终相似度。
在本实施例中，图7中的步骤S704和图1中的步骤S104类似，为简约起见，在此不再赘述。
步骤S705，根据最终相似度的大小将所有样本特征进行排序。
在本实施例中，图7中的步骤S705和图5中的步骤S505类似，为简约起见，在此不再赘述。
步骤S706，将前第二预设数量的样本特征作为最终结果，或者是，将最终相似度超过预设相似度阈值的样本特征作为最终结果。
在本实施例中，图7中的步骤S706和图5中的步骤S506类似，为简约起见，在此不再赘述。
步骤S707，将最终结果作为候选子集。
步骤S708，从预设人脸数据库中提取候选子集中每个样本特征的对应的样本图像的浮点数特征。
需要说明的是，预设人脸数据库中还存储有每个样本图像的浮点数特征。
步骤S709，计算人脸图像的浮点数特征与样本图像的浮点数特征的特征相似度。
步骤S710，根据特征相似度调整最终结果。
在步骤S710中，根据特征相似度调整最终结果的过程具体可参照第五实施例中步骤S505和步骤S506来执行。
步骤S711，输出最终结果。
在本实施例中，图7中的步骤S711和图5中的步骤S507类似，为简约起见，在此不再赘述。
本实施例通过在得到最终结果之后，将最终结果作为候选子集，计算人脸图像的浮点数特征与最终结果中的样本图像的浮点数特征的特征相似度，并以该特征相似度对最终结果进行调整，达到了二次筛选的目的，提高了最终识别结果的精度，并且，经过筛选后得到的最终结果的数据量较少，从而利用浮点数特征直接计算相似度所需要处理的数据量较低，不会占用过多资源，而直接利用浮点数特征进行相似度计算，其精度更高，从而使得最终结果更为精确，提高了人脸识别的准确率。
图8是本发明实施例的人脸识别快速检索装置的结构示意图。如图 8所示，该人脸识别快速检索装置80包括获取模块81、提取模块82、计算模块83、选取模块84、累加模块85、告警模块86。
获取模块81，用于获取同一个目标人物的多帧不同人脸图像，并提取每个人脸图像的浮点数特征；
提取模块82，与获取模块81耦合，用于对每个人脸图像的浮点数特征进行特征量化，得到多个量化后的人脸特征；
计算模块83，与提取模块82耦合，用于计算每个人脸特征与预设人脸数据库中所有样本特征的相似度；
选取模块84，与计算模块83耦合，用于根据相似度的大小选取样本特征组成与人脸特征一一对应的多个样本子集；
累加模块85，与选取模块84耦合，用于将所有样本子集中同一样本特征的相似度进行累加，得到样本子集中每个样本特征的最终相似度；
告警模块86，与累加模块85耦合，用于根据最终相似度执行告警策略。
可选地，累加模块85将所有样本子集中同一样本特征的相似度进行累加，得到样本子集中每个样本特征的最终相似度的操作还可以为：根据预设方式为每个相似度设定权重系数；将每个相似度分别与对应的权重系数进行加权计算，再进行累加得到最终相似度。
可选地，选取模块84根据相似度的大小选取样本特征组成与人脸特征一一对应的样本子集的操作之后，还包括：判断样本子集的数量是否超过第一预设数量；若是，则执行将所有样本子集中同一样本特征的相似度进行累加，得到样本子集中每个样本特征的最终相似度及后续步骤；若否，则停止识别目标人物或保留浮点数特征直至样本子集的数量超过第一预设数量。
可选地，提取模块82对每个人脸图像的浮点数特征进行特征量化，得到多个量化后的人脸特征的操作还可以为：对每个浮点数特征进行特征量化，得到量化后特征；将多个量化后特征按预设帧数划分为多组量化后特征集；将每组量化后特征集中的至少一个量化后特征进行融合强化，得到每组量化后特征集对应的人脸特征。
可选地，告警模块86根据最终相似度执行告警策略的操作还可以为：根据最终相似度的大小将所有样本特征进行排序；将前第二预设数量的样本特征作为最终结果，或者是，将最终相似度超过预设相似度阈值的样本特征作为最终结果；输出最终结果。
可选地，告警模块86根据最终相似度的大小将剩余的样本特征进行排序的操作之前，还包括：确认所有样本子集中每个样本特征的相似度的个数；将相似度的个数少于目标阈值的样本特征及对应的最终相似度删除，目标阈值＝当前样本特征的相似度的个数×预设值。
可选地，告警模块86输出最终结果的操作之前，还包括：将最终结果作为候选子集；从预设人脸数据库中提取候选子集中每个样本特征的对应的样本图像的浮点数特征；计算人脸图像的浮点数特征与样本图像的浮点数特征的特征相似度；根据特征相似度调整最终结果。
请参阅图9，图9为本发明实施例的服务器的结构示意图。如图9 所示，该服务器90包括处理器91及和处理器91耦接的存储器92、至少一个摄像头93。
存储器92存储有用于实现上述任一实施例所述的人脸识别快速检索方法的程序指令；
处理器91用于执行存储器92存储的程序指令以快速检索人脸信息；
至少一个摄像头93用于拍摄人脸图像。
其中，处理器91还可以称为CPU(Central Processing Unit，中央处理单元)。处理器91可能是一种集成电路芯片，具有信号的处理能力。处理器91还可以是通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器92可以是只读存储器、可存储静态信息和指令的静态存储设备、随机存取存储器、或者可存储信息和指令的动态存储设备，也可以是电可擦可编程只读存储器、只读光盘、或其他光盘存储、光碟存储、磁盘存储介质或者其他磁存储设备。存储器92与处理器91可以通过通信总线相连接，也可以和处理器91集成在一起。
本实施例中服务器90包括但不仅限于处理器91、存储器92。本领域技术人员可以理解，图9仅仅是服务器的一个示例，并不构成对服务器的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如服务器还可以包括输入设备、输出设备、网络接入设备、总线等。
参阅图10，图10为本发明实施例的存储装置的结构示意图。本发明实施例的存储装置存储有能够实现上述所有方法的程序文件71，其中，该程序文件71可以以软件产品的形式存储在上述存储装置中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(processor)执行本申请各个实施方式所述方法的全部或部分步骤。而前述的存储装置包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、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，或者是计算机、服务器、手机、平板等终端设备。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，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，装置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。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。以上仅为本申请的实施方式，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。

Claims (10)

1.一种人脸识别快速检索方法，其特征在于，其包括：
获取同一个目标人物的多帧不同人脸图像，并提取每个所述人脸图像的浮点数特征；
对每个所述人脸图像的浮点数特征进行特征量化，得到多个量化后的人脸特征；
计算每个所述人脸特征与预设人脸数据库中所有样本特征的相似度；
根据所述相似度的大小选取样本特征组成与所述人脸特征一一对应的样本子集；
将所有所述样本子集中同一样本特征的相似度进行累加，得到所述样本子集中每个所述样本特征的最终相似度；
根据所述最终相似度执行告警策略。
2.根据权利要求1所述的人脸识别快速检索方法，其特征在于，
所述将所有所述样本子集中同一样本特征的相似度进行累加，得到所述样本子集中每个所述样本特征的最终相似度的步骤，包括：
根据预设方式为每个所述相似度设定权重系数；
将每个所述相似度分别与对应的所述权重系数进行加权计算，再进行累加得到所述最终相似度。
3.根据权利要求1所述的人脸识别快速检索方法，其特征在于，
所述根据所述相似度的大小选取样本特征组成与所述人脸特征一一对应的样本子集的步骤之后，还包括：
判断所述样本子集的数量是否超过第一预设数量；
若是，则执行将所有所述样本子集中同一样本特征的相似度进行累加，得到所述样本子集中每个所述样本特征的最终相似度及后续步骤；
若否，则停止识别所述目标人物或保留所述浮点数特征直至所述样本子集的数量超过所述第一预设数量。
4.根据权利要求1所述的人脸识别快速检索方法，其特征在于，
所述对每个所述人脸图像的浮点数特征进行特征量化，得到多个量化后的人脸特征的步骤，包括：
对每个所述浮点数特征进行特征量化，得到量化后特征；
将多个所述量化后特征按预设帧数划分为多组量化后特征集；
将每组所述量化后特征集中的至少一个量化后特征进行融合强化，得到每组所述量化后特征集对应的人脸特征。
5.根据权利要求1所述的人脸识别快速检索方法，其特征在于，
所述根据所述最终相似度执行告警策略的步骤，包括：
根据所述最终相似度的大小将所有所述样本特征进行排序；
将前第二预设数量的样本特征作为最终结果，或者是，将所述最终相似度超过预设相似度阈值的样本特征作为最终结果；
输出所述最终结果。
6.根据权利要求5所述的人脸识别快速检索方法，其特征在于，
所述根据所述最终相似度的大小将剩余的样本特征进行排序的步骤之前，还包括：
确认所有所述样本子集中每个所述样本特征的相似度的个数；
将所述相似度的个数少于目标阈值的样本特征及对应的最终相似度删除，所述目标阈值＝当前样本特征的相似度的个数×预设值。
7.根据权利要求5所述的人脸识别快速检索方法，其特征在于，
所述输出所述最终结果的步骤之前，包括：
将所述最终结果作为候选子集；
从所述预设人脸数据库中提取所述候选子集中每个样本特征的对应的样本图像的浮点数特征；
计算所述人脸图像的浮点数特征与所述样本图像的浮点数特征的特征相似度；
根据所述特征相似度调整所述最终结果。
8.一种人脸识别快速检索装置，其特征在于，包括：
获取模块，用于获取同一个目标人物的多帧不同人脸图像，并提取每个所述人脸图像的浮点数特征；
提取模块，与所述获取模块耦合，用于对每个所述人脸图像的浮点数特征进行特征量化，得到多个量化后的人脸特征；
计算模块，与所述提取模块耦合，用于计算每个所述人脸特征与预设人脸数据库中所有样本特征的相似度；
选取模块，与所述计算模块耦合，用于根据所述相似度的大小选取样本特征组成与所述人脸特征一一对应的多个样本子集；
累加模块，与所述选取模块耦合，用于将所有所述样本子集中同一样本特征的相似度进行累加，得到所述样本子集中每个所述样本特征的最终相似度；
告警模块，与所述累加模块耦合，用于根据所述最终相似度执行告警策略。
9.一种服务器，其特征在于，所述服务器包括处理器、与所述处理器耦接的存储器、至少一个摄像头，其中，
所述存储器存储有用于实现如权利要求1-7中任一项所述的人脸识别快速检索方法的程序指令；
所述处理器用于执行所述存储器存储的所述程序指令以快速检索人脸信息；
所述至少一个摄像头用于拍摄人脸图像。
10.一种存储装置，其特征在于，存储有能够实现如权利要求1-7中任一项所述的人脸识别快速检索方法的程序文件。
CN201911158386.8A 2019-11-22 2019-11-22 人脸识别快速检索方法、装置、服务器及存储装置 Active CN110942014B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911158386.8A CN110942014B (zh) 2019-11-22 2019-11-22 人脸识别快速检索方法、装置、服务器及存储装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911158386.8A CN110942014B (zh) 2019-11-22 2019-11-22 人脸识别快速检索方法、装置、服务器及存储装置

Publications (2)

Publication Number Publication Date
CN110942014A true CN110942014A (zh) 2020-03-31
CN110942014B CN110942014B (zh) 2023-04-07

Family

ID=69907471

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911158386.8A Active CN110942014B (zh) 2019-11-22 2019-11-22 人脸识别快速检索方法、装置、服务器及存储装置

Country Status (1)

Country Link
CN (1) CN110942014B (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017107957A1 (zh) * 2015-12-22 2017-06-29 中兴通讯股份有限公司 人脸图像的检索方法及装置
US20180005022A1 (en) * 2014-12-23 2018-01-04 Beijing Qihoo Technology Company Limited Method and device for obtaining similar face images and face image information
CN108090433A (zh) * 2017-12-12 2018-05-29 厦门集微科技有限公司 人脸识别方法及装置、存储介质、处理器
CN108491773A (zh) * 2018-03-12 2018-09-04 中国工商银行股份有限公司 一种识别方法及系统
CN108898051A (zh) * 2018-05-22 2018-11-27 广州洪森科技有限公司 一种基于视频流的人脸识别方法及系统
CN109145720A (zh) * 2018-07-06 2019-01-04 阿里巴巴集团控股有限公司 一种人脸识别方法和装置
CN109492589A (zh) * 2018-11-13 2019-03-19 重庆工程职业技术学院 通过二进制特征与联合层叠结构融合的人脸识别工作方法以及智能芯片
CN109815845A (zh) * 2018-12-29 2019-05-28 深圳前海达闼云端智能科技有限公司 人脸识别的方法和装置、存储介质
CN110147710A (zh) * 2018-12-10 2019-08-20 腾讯科技（深圳）有限公司 人脸特征的处理方法、装置和存储介质
CN110363047A (zh) * 2018-03-26 2019-10-22 普天信息技术有限公司 人脸识别的方法、装置、电子设备和存储介质

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180005022A1 (en) * 2014-12-23 2018-01-04 Beijing Qihoo Technology Company Limited Method and device for obtaining similar face images and face image information
WO2017107957A1 (zh) * 2015-12-22 2017-06-29 中兴通讯股份有限公司 人脸图像的检索方法及装置
CN108090433A (zh) * 2017-12-12 2018-05-29 厦门集微科技有限公司 人脸识别方法及装置、存储介质、处理器
CN108491773A (zh) * 2018-03-12 2018-09-04 中国工商银行股份有限公司 一种识别方法及系统
CN110363047A (zh) * 2018-03-26 2019-10-22 普天信息技术有限公司 人脸识别的方法、装置、电子设备和存储介质
CN108898051A (zh) * 2018-05-22 2018-11-27 广州洪森科技有限公司 一种基于视频流的人脸识别方法及系统
CN109145720A (zh) * 2018-07-06 2019-01-04 阿里巴巴集团控股有限公司 一种人脸识别方法和装置
CN109492589A (zh) * 2018-11-13 2019-03-19 重庆工程职业技术学院 通过二进制特征与联合层叠结构融合的人脸识别工作方法以及智能芯片
CN110147710A (zh) * 2018-12-10 2019-08-20 腾讯科技（深圳）有限公司 人脸特征的处理方法、装置和存储介质
CN109815845A (zh) * 2018-12-29 2019-05-28 深圳前海达闼云端智能科技有限公司 人脸识别的方法和装置、存储介质

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
MINKU KANG等: "PCA-based Face Recognition in an Embedded Module for Robot Application" *
孙劲光;孟凡宇;: "一种特征加权融合人脸识别方法" *
成文龙: "基于深度哈希学习的人脸快速检索算法研究和实现" *
曾燕;陈岳林;蔡晓东;: "结合全局与局部池化的深度哈希人脸识别算法" *

Also Published As

Publication number Publication date
CN110942014B (zh) 2023-04-07

Similar Documents

Publication Publication Date Title
US20140193077A1 (en) Image retrieval apparatus, image retrieval method, query image providing apparatus, query image providing method, and program
CN110825894B (zh) 数据索引建立、数据检索方法、装置、设备和存储介质
CN111143597B (zh) 图像检索方法、终端及存储装置
JP6211407B2 (ja) 画像検索システム、画像検索装置、検索サーバ装置、画像検索方法、及び画像検索プログラム
CN110827924B (zh) 基因表达数据的聚类方法、装置、计算机设备及存储介质
CN111340213B (zh) 神经网络的训练方法、电子设备、存储介质
CN110705489B (zh) 目标识别网络的训练方法、装置、计算机设备和存储介质
CN106570015B (zh) 图像搜索方法和装置
CN110751027B (zh) 一种基于深度多示例学习的行人重识别方法
CN112052251B (zh) 目标数据更新方法和相关装置、设备及存储介质
CN112749726B (zh) 目标检测模型的训练方法、装置、计算机设备和存储介质
CN112307934B (zh) 图像检测方法及相关模型的训练方法、装置、设备、介质
CN109447023B (zh) 确定图像相似度的方法、视频场景切换识别方法及装置
WO2023082641A1 (zh) 电子档案生成方法、装置、终端设备及存储介质
CN110765903A (zh) 行人重识别方法、装置及存储介质
CN113128278B (zh) 一种图像识别方法及装置
CN110942014B (zh) 人脸识别快速检索方法、装置、服务器及存储装置
CN112560856A (zh) 车牌检测识别方法、装置、设备及存储介质
CN116071569A (zh) 图像选择方法、计算机设备及存储装置
JP5923744B2 (ja) 画像検索システム、画像検索方法及び検索装置
CN112214639A (zh) 视频筛选方法、视频筛选装置及终端设备
CN111625672B (zh) 图像处理方法、装置、计算机设备及存储介质
CN117235297B (zh) 图像选择方法及计算机设备
CN115565229A (zh) 一种档案对象识别方法、装置及介质
CN111340084B (zh) 数据处理方法及装置、处理器、电子设备、存储介质

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