CN111079517B - 人脸管理及识别方法及计算机可读存储介质 - Google Patents

人脸管理及识别方法及计算机可读存储介质 Download PDF

Info

Publication number
CN111079517B
CN111079517B CN201911053410.1A CN201911053410A CN111079517B CN 111079517 B CN111079517 B CN 111079517B CN 201911053410 A CN201911053410 A CN 201911053410A CN 111079517 B CN111079517 B CN 111079517B
Authority
CN
China
Prior art keywords
face
face feature
feature vector
group
vector
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
CN201911053410.1A
Other languages
English (en)
Other versions
CN111079517A (zh
Inventor
刘德建
陈春雷
郭玉湖
陈宏�
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.)
Fujian Tianquan Educational Technology Ltd
Original Assignee
Fujian Tianquan Educational Technology 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 Fujian Tianquan Educational Technology Ltd filed Critical Fujian Tianquan Educational Technology Ltd
Priority to CN201911053410.1A priority Critical patent/CN111079517B/zh
Publication of CN111079517A publication Critical patent/CN111079517A/zh
Application granted granted Critical
Publication of CN111079517B publication Critical patent/CN111079517B/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
    • G06V40/168—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
    • 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)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Human Computer Interaction (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)
  • Collating Specific Patterns (AREA)

Abstract

本发明公开了一种人脸管理及识别方法及计算机可读存储介质，方法包括：获取人脸图像，得到人脸库；得到人脸库中的各人脸图像的人脸特征向量，并生成人脸特征向量库；对人脸特征向量进行聚类分析，得到若干个分组，并确定各分组的标志向量；对待识别图像进行人脸检测和人脸面部特征提取，得到待识别人脸特征向量；分别计算待识别人脸特征向量与各分组的标志向量之间的余弦相似度，并选择最大的余弦相似度对应的分组，作为候选分组；分别计算待识别人脸特征向量与候选分组中各人脸特征向量之间的余弦相似度；若所述余弦相似度中的最大值大于预设的相似度阈值，则获取最大值对应的人脸特征向量的用户标识。本发明可提高人脸识别的效率。

Description

人脸管理及识别方法及计算机可读存储介质
技术领域
本发明涉及人脸识别技术领域，尤其涉及一种人脸管理及识别方法及计算机可读存储介质。
背景技术
人脸识别已经广泛应用于生活的方方面面，如门禁打卡、手机解锁等。当系统内存储的人脸(人脸库)数量较小时，系统可以轻松地比对人脸库里的人脸；但当人脸库数量庞大时(如公司、车站人脸识别场景等)，则会导致比对速度的下降或者计算压力的提升。
发明内容
本发明所要解决的技术问题是：提供一种人脸管理及识别方法及计算机可读存储介质，可提高人脸识别的效率。
为了解决上述技术问题，本发明采用的技术方案为：一种人脸管理及识别方法，包括：
获取人脸图像，得到人脸库，所述人脸图像标注有用户标识且只包含一个人脸；
分别对所述人脸库中的各人脸图像进行人脸检测和人脸面部特征提取，得到各人脸图像对应的人脸特征向量，并根据各人脸特征向量及其对应的用户标识，生成人脸特征向量库；
对所述人脸特征向量库中的各人脸特征向量进行聚类分析，得到若干个分组，并确定各分组的标志向量；
对待识别图像进行人脸检测；
若所述待识别图像中存在人脸，则对所述人脸进行人脸面部特征提取，得到待识别人脸特征向量；
分别计算所述待识别人脸特征向量与各分组的标志向量之间的余弦相似度，并选择最大的余弦相似度对应的分组，作为候选分组；
分别计算所述待识别人脸特征向量与所述候选分组中各人脸特征向量之间的余弦相似度；
若所述余弦相似度中的最大值大于预设的相似度阈值，则获取所述最大值对应的人脸特征向量的用户标识，作为识别结果。
本发明还提出一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现如上所述的步骤
本发明的有益效果在于：通过对人脸特征向量进行聚类分析，将相似的人脸归为一组，要识别新的人脸时，只需将新的人脸特征向量与各组的标志向量以及候选分组内的人脸特征向量进行比较即可，而不需要比对整个人脸库，从而提高了人脸识别的效率，且可保证识别准确率。
附图说明
图1为本发明的一种人脸管理及识别方法的流程图；
图2为本发明实施例一的人脸分组的方法流程图；
图3为本发明实施例一的人脸识别的方法流程图；
图4为本发明实施例一的新增人脸的方法流程图；
图5为本发明实施例一的删除人脸的方法流程图。
具体实施方式
为详细说明本发明的技术内容、所实现目的及效果，以下结合实施方式并配合附图详予说明。
本发明最关键的构思在于：将向量的夹角作为聚类距离的衡量，对人脸特征向量进行聚类。
请参阅图1，一种人脸管理及识别方法，包括：
获取人脸图像，得到人脸库，所述人脸图像标注有用户标识且只包含一个人脸；
分别对所述人脸库中的各人脸图像进行人脸检测和人脸面部特征提取，得到各人脸图像对应的人脸特征向量，并根据各人脸特征向量及其对应的用户标识，生成人脸特征向量库；
对所述人脸特征向量库中的各人脸特征向量进行聚类分析，得到若干个分组，并确定各分组的标志向量；
对待识别图像进行人脸检测；
若所述待识别图像中存在人脸，则对所述人脸进行人脸面部特征提取，得到待识别人脸特征向量；
分别计算所述待识别人脸特征向量与各分组的标志向量之间的余弦相似度，并选择最大的余弦相似度对应的分组，作为候选分组；
分别计算所述待识别人脸特征向量与所述候选分组中各人脸特征向量之间的余弦相似度；
若所述余弦相似度中的最大值大于预设的相似度阈值，则获取所述最大值对应的人脸特征向量的用户标识，作为识别结果。
从上述描述可知，本发明的有益效果在于：可提高人脸识别的效率。
进一步地，所述对所述人脸特征向量库中的各人脸特征向量进行聚类分析，得到若干个分组，并确定各分组的标志向量具体为：
分别计算人脸特征向量库中任意两个人脸特征向量之间的夹角，作为所述任意两个人脸特征向量之间的距离；
根据人脸特征向量之间的距离，对所述人脸特征向量库中各人脸特征向量进行聚类，得到若干个分组；
分别将各分组的类中心作为各分组的标志向量。
由上述描述可知，通过将向量的夹角作为聚类距离的衡量，改善了高维空间中的聚类效果。
进一步地，所述对所述人脸特征向量库中的各人脸特征向量进行聚类分析，得到若干个分组，并确定各分组的标志向量之后，进一步包括：
获取新增人脸图像；
对所述新增人脸图像进行人脸检测和人脸面部特征提取，得到新增人脸特征向量；
分别计算所述新增人脸特征向量与各分组的标志向量之间的余弦相似度，并选择最大的余弦相似度对应的分组，作为候选分组；
分别计算所述新增人脸特征向量与所述候选分组中各人脸特征向量之间的余弦相似度；
若所述新增人脸特征向量与所述候选分组中各人脸特征向量之间的余弦相似度均小于预设的相似度阈值，则将所述新增人脸特征向量加入所述候选分组。
由上述描述可知，可实现无冗余的人脸库和人脸特征向量库，从而可进一步提升人脸识别的效率。
进一步地，所述对所述人脸特征向量库中的各人脸特征向量进行聚类分析，得到若干个分组，并确定各分组的标志向量之后，进一步包括：
获取待删除人脸对应的人脸特征向量，得到待删除人脸特征向量；
判断所述待删除人脸特征向量所在的分组的人脸特征向量数量是否为1；
若是，则删除所述待删除人脸特征向量所在的分组；
若否，则删除所述待删除人脸特征向量。
若所述待删除人脸特征向量为其所在分组的标志向量，则更新所述分组的标志向量。
进一步地，所述更新所述分组的标志向量具体为：
根据密度公式，分别计算所述分组中剩余的各人脸特征向量在预设的距离内的密度，所述密度公式为
Figure BDA0002255891700000041
S为所述分组中剩余的各人脸特征向量的集合，θr,i为所述集合中第i个人脸特征向量和第r个人脸特征向量之间的夹角，t为预设的距离阈值，
Figure BDA0002255891700000042
为函数，当x＜0时，
Figure BDA0002255891700000043
当x≥0时，
Figure BDA0002255891700000044
选择密度最大的人脸特征向量，作为所述分组的标志向量。
由上述描述可知，通过选取合适的标志向量，保证后续识别的准确性。
本发明还提出一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现如上所述的步骤。
实施例一
请参照图2-5，本发明的实施例一为：一种人脸管理及识别方法，可应用于门禁打卡、公共场合人脸识别等场景，所述方法主要包括人脸库管理和人脸识别两部分，其中人脸库管理又分为人脸分组、新增人脸和删除人脸三部分。
如图2所示，人脸分组包括如下步骤：
S101：获取人脸图像，得到人脸库，所述人脸图像标注有用户标识且只包含一个人脸；即获取用户上传的人脸图像并标注用户ID，构成人脸库，需要保证人脸图像中有且仅有一个人脸。
S102：分别对所述人脸库中的各人脸图像进行人脸检测和人脸面部特征提取，得到各人脸图像对应的人脸特征向量，并根据各人脸特征向量及其对应的用户标识，生成人脸特征向量库。
具体地，利用人脸检测算法检测人脸库里图像的人脸，并利用神经网络提取人脸面部特征向量，构成人脸特征向量库。所述人脸特征向量为高维空间中的向量，通常向量长度为512或者128。本实施例中，采用MTCNN(Multi-task convolutional neural network，多任务卷积神经网络)进行人脸检测，采用Arcface(参考文献《ArcFace:Additive AngularMargin Loss for Deep Face Recognition[c],arxiv:1801.07698》)进行人脸面部特征提取。
S103：分别计算人脸特征向量库中任意两个人脸特征向量之间的夹角，作为所述任意两个人脸特征向量之间的距离；即分别计算人脸特征向量库中各人脸特征向量与其他人脸特征向量之间的夹角，作为各人脸特征向量与其他人脸特征向量之间的距离。
假设人脸特征向量库中有N个人脸特征向量，则不同向量之间有N(N-1)/2个距离，任意两个人脸特征向量a,b之间的夹角θa,b的余弦公式为：
Figure BDA0002255891700000051
其中，(·)为内积运算，||为向量取模；则a,b之间的夹角θa,b为：
θa，b＝arccos(cos(θa，b))
S104：根据人脸特征向量之间的距离，对所述人脸特征向量库中各人脸特征向量进行聚类，得到若干个分组；即通过聚类算法将人脸特征向量库划分为M个分组，若存在离群点，则离群点自成一类。本实施例中的聚类算法可参考文献《Rodriguez A,LaioA.Machine learning.Clustering by fast search and find of density peaks[J].Science,2014,344(6191):1492.》。
S105：分别将各分组的类中心作为各分组的标志向量。
如图3所示，人脸识别包括如下步骤：
S201：对待识别图像进行人脸检测，判断是否存在人脸，若是，则执行步骤S202，若否，则结束识别。
S202：对所述人脸进行人脸面部特征提取，得到待识别人脸特征向量。
S203：分别计算所述待识别人脸特征向量与各分组的标志向量之间的余弦相似度，并选择最大的余弦相似度对应的分组，作为候选分组；即将待识别人脸特征向量p分别与M个分组的标志向量q计算余弦相似度cos(θp,q)，若待识别人脸特征向量与一分组的标志向量的余弦相似度最大，则将该分组作为候选分组。
S204：分别计算所述待识别人脸特征向量与所述候选分组中各人脸特征向量之间的余弦相似度。
S205：判断所述余弦相似度中的最大值是否大于预设的相似度阈值，即判断待识别人脸特征向量与候选分组中各人脸特征向量之间的余弦相似度的最大值是否大于相似度阈值，若是，则判定人脸识别命中，执行步骤S206，若否，则判定人脸识别未命中。
S206：获取所述最大值对应的人脸特征向量的用户标识，作为识别结果。
进一步地，步骤S204之后，对余弦相似度进行归一化，由于余弦相似度的取值范围为[-1,1]，因此可将原值除以2再加上0.5，使得取值范围变为[0,1]，从而实现归一化。归一化后，相似度阈值优选为0.7。
如图4所示，新增人脸包括如下步骤：
S301：获取新增人脸图像，并对所述新增人脸图像进行人脸检测和人脸面部特征提取，得到新增人脸特征向量。其中，所述新增人脸图像标注有用户标识且只包含一个人脸。
S302：分别计算所述新增人脸特征向量与各分组的标志向量之间的余弦相似度，并选择最大的余弦相似度对应的分组，作为候选分组。
S303：分别计算所述新增人脸特征向量与所述候选分组中各人脸特征向量之间的余弦相似度；进一步地，对所述余弦相似度进行归一化。
S304：判断所述新增人脸特征向量与所述候选分组中各人脸特征向量之间的余弦相似度是否均小于预设的相似度阈值，若是，则认为新增人脸特征向量未出现过，执行步骤S305，若否，则认为新增的人脸为旧的人脸，不加入人脸特征向量库。优选地，所述相似度阈值为0.7。
S305：将所述新增人脸特征向量加入所述候选分组，进一步地，将所述新增人脸图像加入人脸库。
通过上述步骤，可实现无冗余的人脸库和人脸特征向量库，从而可进一步提升人脸识别的效率。
如图5所示，删除人脸包括如下步骤：
S401：获取待删除人脸对应的人脸特征向量，得到待删除人脸特征向量。
S402：判断所述待删除人脸特征向量所在的分组的人脸特征向量数量是否为1，若是，则执行步骤S403，若否，则执行步骤S404。
S403：删除所述待删除人脸特征向量所在的分组，即直接删除其所在的整个分组。
S404：删除所述待删除人脸特征向量；即在所述人脸库中删除所述待删除人脸的图像，在人脸特征向量库中删除所述待删除人脸特征向量。
S405：判断所述待删除人脸特征向量是否为其所在分组的标志向量，若是，则执行步骤S406，若否，则删除人脸完成。
S406：更新所述分组的标志向量。本实施例中，选取分组中密度最大的人脸特征向量作为标志向量。具体地，根据密度公式，分别计算所述分组中剩余的各人脸特征向量在预设的距离内的密度，然后选择密度最大的人脸特征向量，作为所述分组的标志向量。所述密度公式为：
Figure BDA0002255891700000071
其中，S为所述分组中剩余的各人脸特征向量的集合，θr,i为所述集合中第i个人脸特征向量和第r个人脸特征向量之间的夹角，t为预设的距离阈值，
Figure BDA0002255891700000081
为函数，当x＜0时，
Figure BDA0002255891700000084
当x≥0时，
Figure BDA0002255891700000085
也就是说，当θr,i-t＜0时，
Figure BDA0002255891700000082
当θr,i-t≥0时，
Figure BDA0002255891700000083
该密度公式即计算在人脸特征向量r的半径t内的人脸特征向量个数。
进一步地，假设所述分组中剩余的各人脸特征向量的个数为K，分别计算这K个人脸特征向量中任意两个人脸特征向量之间的距离，则可得到K(K-1)/2个距离，对这些距离进行升序排序，则t的取值等于第
Figure BDA0002255891700000086
个距离的取值，其中，
Figure BDA0002255891700000087
为取下整运算，T％为可调整的阈值，取值范围为[1％,2％]，优选值为2％。
本实施例通过将向量的夹角作为聚类距离的衡量，改善了高维空间中的聚类效果；通过对人脸特征向量进行聚类分析，将相似的人脸归为一组，要识别新的人脸时，只需将新的人脸特征向量与各组的标志向量以及候选分组内的人脸特征向量进行比较即可，而不需要比对整个人脸库，从而提高了人脸识别的效率，且可保证识别准确率。
实施例二
本实施例是对应上述实施例的一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现如下步骤：
获取人脸图像，得到人脸库，所述人脸图像标注有用户标识且只包含一个人脸；
分别对所述人脸库中的各人脸图像进行人脸检测和人脸面部特征提取，得到各人脸图像对应的人脸特征向量，并根据各人脸特征向量及其对应的用户标识，生成人脸特征向量库；
对所述人脸特征向量库中的各人脸特征向量进行聚类分析，得到若干个分组，并确定各分组的标志向量；
对待识别图像进行人脸检测；
若所述待识别图像中存在人脸，则对所述人脸进行人脸面部特征提取，得到待识别人脸特征向量；
分别计算所述待识别人脸特征向量与各分组的标志向量之间的余弦相似度，并选择最大的余弦相似度对应的分组，作为候选分组；
分别计算所述待识别人脸特征向量与所述候选分组中各人脸特征向量之间的余弦相似度；
若所述余弦相似度中的最大值大于预设的相似度阈值，则获取所述最大值对应的人脸特征向量的用户标识，作为识别结果。
进一步地，所述对所述人脸特征向量库中的各人脸特征向量进行聚类分析，得到若干个分组，并确定各分组的标志向量具体为：
分别计算人脸特征向量库中任意两个人脸特征向量之间的夹角，作为所述任意两个人脸特征向量之间的距离；
根据人脸特征向量之间的距离，对所述人脸特征向量库中各人脸特征向量进行聚类，得到若干个分组；
分别将各分组的类中心作为各分组的标志向量。
进一步地，所述对所述人脸特征向量库中的各人脸特征向量进行聚类分析，得到若干个分组，并确定各分组的标志向量之后，进一步包括：
获取新增人脸图像；
对所述新增人脸图像进行人脸检测和人脸面部特征提取，得到新增人脸特征向量；
分别计算所述新增人脸特征向量与各分组的标志向量之间的余弦相似度，并选择最大的余弦相似度对应的分组，作为候选分组；
分别计算所述新增人脸特征向量与所述候选分组中各人脸特征向量之间的余弦相似度；
若所述新增人脸特征向量与所述候选分组中各人脸特征向量之间的余弦相似度均小于预设的相似度阈值，则将所述新增人脸特征向量加入所述候选分组。
进一步地，所述对所述人脸特征向量库中的各人脸特征向量进行聚类分析，得到若干个分组，并确定各分组的标志向量之后，进一步包括：
获取待删除人脸对应的人脸特征向量，得到待删除人脸特征向量；
判断所述待删除人脸特征向量所在的分组的人脸特征向量数量是否为1；
若是，则删除所述待删除人脸特征向量所在的分组；
若否，则删除所述待删除人脸特征向量。
若所述待删除人脸特征向量为其所在分组的标志向量，则更新所述分组的标志向量。
进一步地，所述更新所述分组的标志向量具体为：
根据密度公式，分别计算所述分组中剩余的各人脸特征向量在预设的距离内的密度，所述密度公式为
Figure BDA0002255891700000101
S为所述分组中剩余的各人脸特征向量的集合，θr,i为所述集合中第i个人脸特征向量和第r个人脸特征向量之间的夹角，t为预设的距离阈值，
Figure BDA0002255891700000102
为函数，当x＜0时，
Figure BDA0002255891700000103
当x≥0时，
Figure BDA0002255891700000104
选择密度最大的人脸特征向量，作为所述分组的标志向量。
综上所述，本发明提供的一种人脸管理及识别方法及计算机可读存储介质，通过将向量的夹角作为聚类距离的衡量，改善了高维空间中的聚类效果；通过对人脸特征向量进行聚类分析，将相似的人脸归为一组，要识别新的人脸时，只需将新的人脸特征向量与各组的标志向量以及候选分组内的人脸特征向量进行比较即可，而不需要比对整个人脸库，从而提高了人脸识别的效率，且可保证识别准确率。
以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等同变换，或直接或间接运用在相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (6)

1.一种人脸管理及识别方法，其特征在于，包括：
获取人脸图像，得到人脸库，所述人脸图像标注有用户标识且只包含一个人脸；
分别对所述人脸库中的各人脸图像进行人脸检测和人脸面部特征提取，得到各人脸图像对应的人脸特征向量，并根据各人脸特征向量及其对应的用户标识，生成人脸特征向量库；
对所述人脸特征向量库中的各人脸特征向量进行聚类分析，得到若干个分组，并确定各分组的标志向量；
对待识别图像进行人脸检测；
若所述待识别图像中存在人脸，则对所述人脸进行人脸面部特征提取，得到待识别人脸特征向量；
分别计算所述待识别人脸特征向量与各分组的标志向量之间的余弦相似度，并选择最大的余弦相似度对应的分组，作为候选分组；
分别计算所述待识别人脸特征向量与所述候选分组中各人脸特征向量之间的余弦相似度；
若所述余弦相似度中的最大值大于预设的相似度阈值，则获取所述最大值对应的人脸特征向量的用户标识，作为识别结果；
所述对所述人脸特征向量库中的各人脸特征向量进行聚类分析，得到若干个分组，并确定各分组的标志向量之后，进一步包括：
获取待删除人脸对应的人脸特征向量，得到待删除人脸特征向量；
判断所述待删除人脸特征向量所在的分组的人脸特征向量数量是否为1；
若是，则删除所述待删除人脸特征向量所在的分组；
若否，则删除所述待删除人脸特征向量；
若所述待删除人脸特征向量为其所在分组的标志向量，则更新所述分组的标志向量；
所述更新所述分组的标志向量具体为：
根据密度公式，分别计算所述分组中剩余的各人脸特征向量在预设的距离内的密度， 所述密度公式为
Figure 74346DEST_PATH_IMAGE001
，S为所述分组中剩余的各人脸特征向量的集 合，θr,i为所述集合中第i个人脸特征向量和第r个人脸特征向量之间的夹角，t为预设的距 离阈值，φ(x)为函数，当x＜0时，φ(x)=0，当x≥0时，φ(x)=1；
选择密度最大的人脸特征向量，作为所述分组的标志向量。
2.根据权利要求1所述的人脸管理及识别方法，其特征在于，所述对所述人脸特征向量库中的各人脸特征向量进行聚类分析，得到若干个分组，并确定各分组的标志向量具体为：
分别计算人脸特征向量库中任意两个人脸特征向量之间的夹角，作为所述任意两个人脸特征向量之间的距离；
根据人脸特征向量之间的距离，对所述人脸特征向量库中各人脸特征向量进行聚类，得到若干个分组；
分别将各分组的类中心作为各分组的标志向量。
3.根据权利要求1所述的人脸管理及识别方法，其特征在于，所述对所述人脸特征向量库中的各人脸特征向量进行聚类分析，得到若干个分组，并确定各分组的标志向量之后，进一步包括：
获取新增人脸图像；
对所述新增人脸图像进行人脸检测和人脸面部特征提取，得到新增人脸特征向量；
分别计算所述新增人脸特征向量与各分组的标志向量之间的余弦相似度，并选择最大的余弦相似度对应的分组，作为候选分组；
分别计算所述新增人脸特征向量与所述候选分组中各人脸特征向量之间的余弦相似度；
若所述新增人脸特征向量与所述候选分组中各人脸特征向量之间的余弦相似度均小于预设的相似度阈值，则将所述新增人脸特征向量加入所述候选分组。
4.一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，所述程序被处理器执行时实现如下步骤：
获取人脸图像，得到人脸库，所述人脸图像标注有用户标识且只包含一个人脸；
分别对所述人脸库中的各人脸图像进行人脸检测和人脸面部特征提取，得到各人脸图像对应的人脸特征向量，并根据各人脸特征向量及其对应的用户标识，生成人脸特征向量库；
对所述人脸特征向量库中的各人脸特征向量进行聚类分析，得到若干个分组，并确定各分组的标志向量；
对待识别图像进行人脸检测；
若所述待识别图像中存在人脸，则对所述人脸进行人脸面部特征提取，得到待识别人脸特征向量；
分别计算所述待识别人脸特征向量与各分组的标志向量之间的余弦相似度，并选择最大的余弦相似度对应的分组，作为候选分组；
分别计算所述待识别人脸特征向量与所述候选分组中各人脸特征向量之间的余弦相似度；
若所述余弦相似度中的最大值大于预设的相似度阈值，则获取所述最大值对应的人脸特征向量的用户标识，作为识别结果；
所述对所述人脸特征向量库中的各人脸特征向量进行聚类分析，得到若干个分组，并确定各分组的标志向量之后，进一步包括：
获取待删除人脸对应的人脸特征向量，得到待删除人脸特征向量；
判断所述待删除人脸特征向量所在的分组的人脸特征向量数量是否为1；
若是，则删除所述待删除人脸特征向量所在的分组；
若否，则删除所述待删除人脸特征向量；
若所述待删除人脸特征向量为其所在分组的标志向量，则更新所述分组的标志向量；
所述更新所述分组的标志向量具体为：
根据密度公式，分别计算所述分组中剩余的各人脸特征向量在预设的距离内的密度， 所述密度公式为
Figure 876080DEST_PATH_IMAGE001
，S为所述分组中剩余的各人脸特征向量的集 合，θr,i为所述集合中第i个人脸特征向量和第r个人脸特征向量之间的夹角，t为预设的距 离阈值，φ(x)为函数，当x＜0时，φ(x)=0，当x≥0时，φ(x)=1；
选择密度最大的人脸特征向量，作为所述分组的标志向量。
5.根据权利要求4所述的计算机可读存储介质，其特征在于，所述对所述人脸特征向量库中的各人脸特征向量进行聚类分析，得到若干个分组，并确定各分组的标志向量具体为：
分别计算人脸特征向量库中任意两个人脸特征向量之间的夹角，作为所述任意两个人脸特征向量之间的距离；
根据人脸特征向量之间的距离，对所述人脸特征向量库中各人脸特征向量进行聚类，得到若干个分组；
分别将各分组的类中心作为各分组的标志向量。
6.根据权利要求4所述的计算机可读存储介质，其特征在于，所述对所述人脸特征向量库中的各人脸特征向量进行聚类分析，得到若干个分组，并确定各分组的标志向量之后，进一步包括：
获取新增人脸图像；
对所述新增人脸图像进行人脸检测和人脸面部特征提取，得到新增人脸特征向量；
分别计算所述新增人脸特征向量与各分组的标志向量之间的余弦相似度，并选择最大的余弦相似度对应的分组，作为候选分组；
分别计算所述新增人脸特征向量与所述候选分组中各人脸特征向量之间的余弦相似度；
若所述新增人脸特征向量与所述候选分组中各人脸特征向量之间的余弦相似度均小于预设的相似度阈值，则将所述新增人脸特征向量加入所述候选分组。
CN201911053410.1A 2019-10-31 2019-10-31 人脸管理及识别方法及计算机可读存储介质 Active CN111079517B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911053410.1A CN111079517B (zh) 2019-10-31 2019-10-31 人脸管理及识别方法及计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911053410.1A CN111079517B (zh) 2019-10-31 2019-10-31 人脸管理及识别方法及计算机可读存储介质

Publications (2)

Publication Number Publication Date
CN111079517A CN111079517A (zh) 2020-04-28
CN111079517B true CN111079517B (zh) 2023-02-28

Family

ID=70310616

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911053410.1A Active CN111079517B (zh) 2019-10-31 2019-10-31 人脸管理及识别方法及计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN111079517B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113128427A (zh) * 2021-04-24 2021-07-16 新疆爱华盈通信息技术有限公司 人脸识别方法、装置、计算机可读存储介质及终端设备
CN113723205A (zh) * 2021-08-04 2021-11-30 中国人民解放军陆军勤务学院 一种基于人脸底库特征分组的人脸识别方法
KR20230032459A (ko) * 2021-08-31 2023-03-07 디어젠 주식회사 능동적 학습을 위한 데이터 샘플링 방법
CN114550236B (zh) * 2022-01-24 2023-08-15 北京百度网讯科技有限公司 图像识别及其模型的训练方法、装置、设备和存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105631039A (zh) * 2016-01-15 2016-06-01 北京邮电大学 一种图片浏览方法
CN109426781A (zh) * 2017-08-29 2019-03-05 阿里巴巴集团控股有限公司 人脸识别数据库的构建方法、人脸识别方法、装置及设备
CN109829433A (zh) * 2019-01-31 2019-05-31 北京市商汤科技开发有限公司 人脸图像识别方法、装置、电子设备及存储介质
CN110009052A (zh) * 2019-04-11 2019-07-12 腾讯科技（深圳）有限公司 一种图像识别的方法、图像识别模型训练的方法及装置

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107463883A (zh) * 2017-07-18 2017-12-12 广东欧珀移动通信有限公司 生物识别方法及相关产品

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105631039A (zh) * 2016-01-15 2016-06-01 北京邮电大学 一种图片浏览方法
CN109426781A (zh) * 2017-08-29 2019-03-05 阿里巴巴集团控股有限公司 人脸识别数据库的构建方法、人脸识别方法、装置及设备
CN109829433A (zh) * 2019-01-31 2019-05-31 北京市商汤科技开发有限公司 人脸图像识别方法、装置、电子设备及存储介质
CN110009052A (zh) * 2019-04-11 2019-07-12 腾讯科技（深圳）有限公司 一种图像识别的方法、图像识别模型训练的方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
《基于距离测度的PCA人脸识别研究》;杨浩;《陕西理工学院学报（自然科学版）》;20160908;第32卷(第4期);45-50页 *

Also Published As

Publication number Publication date
CN111079517A (zh) 2020-04-28

Similar Documents

Publication Publication Date Title
CN111079517B (zh) 人脸管理及识别方法及计算机可读存储介质
CN108536851B (zh) 一种基于移动轨迹相似度比较的用户身份识别方法
CN109829435B (zh) 一种视频图像处理方法、装置及计算机可读介质
CN107392222B (zh) 一种人脸聚类方法、装置以及存储介质
KR101191223B1 (ko) 이미지 검색 방법, 장치, 및 이 방법을 실행하기 위한 컴퓨터 판독 가능한 기록 매체
US9064171B2 (en) Detection device and method for transition area in space
US9117145B2 (en) Finger biometric sensor providing coarse matching of ridge flow data using histograms and related methods
WO2010033459A1 (en) System and method for object clustering and identification in video
CN106156755A (zh) 一种人脸识别中的相似度计算方法及系统
CN109002784B (zh) 街景识别方法和系统
JP6708043B2 (ja) データ検索プログラム、データ検索方法およびデータ検索装置
Shum et al. Large-scale community detection on speaker content graphs
JP4421527B2 (ja) 映像検索装置，方法及びプログラム並びにプログラムを記録した記録媒体
CN113987243A (zh) 一种图像聚档方法、图像聚档装置和计算机可读存储介质
CN113536020B (zh) 数据查询的方法、存储介质和计算机程序产品
CN111950573A (zh) 异常问题聚类的方法及装置
Zhou et al. An optimized space partitioning technique to support two-layer WiFi fingerprinting
CN114048344A (zh) 一种相似人脸搜索方法、装置、设备和可读存储介质
Kami et al. Algorithm for detecting significant locations from raw GPS data
Vinh et al. Constraint-based MDL principle for semi-supervised classification of time series
WO2013175771A1 (ja) 画像検索システム及び画像検索方法
Chen et al. An online trajectory compression based on retrace point detection
Truong et al. An efficient method for discovering motifs in large time series
CN102855279A (zh) 基于细节点隆线形状的目标指纹快速查找方法
CN113626469B (zh) 物联网设备匹配方法和装置

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