CN111274965A - 人脸识别方法、装置、计算机设备和存储介质 - Google Patents
人脸识别方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN111274965A CN111274965A CN202010067028.2A CN202010067028A CN111274965A CN 111274965 A CN111274965 A CN 111274965A CN 202010067028 A CN202010067028 A CN 202010067028A CN 111274965 A CN111274965 A CN 111274965A
- Authority
- CN
- China
- Prior art keywords
- face image
- face
- image
- target
- candidate
- 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.)
- Withdrawn
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
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/53—Querying
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/53—Querying
- G06F16/535—Filtering based on additional data, e.g. user or group profiles
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及一种人脸识别方法、装置、计算机设备和存储介质。所述方法包括:对目标图像进行人脸检测,得到多个第一人脸图像;每个所述第一人脸图像对应一个识别对象;从多个所述第一人脸图像中,筛选出清晰度符合预设条件的作为第二人脸图像;从预先设置的人脸数据库中查找出与所述第二人脸图像匹配的目标人脸图像;根据所述目标人脸图像,确定所述第二人脸图像中的识别对象对应的目标对象。采用本方法能够提高识别准确率。
Description
技术领域
本申请涉及图像识别技术领域,特别是涉及一种人脸识别方法、装置、计算机设备和存储介质。
背景技术
随着科技的飞速发展,人脸识别技术应用于人们工作生活中的多个领域,为人们带来了极大地便利。
在安防监控领域中,通过摄像头采集含有人脸的图像或视频,然后自动检测人脸并对检测到的人脸进行面部识别,从而识别出目标人物并采取相应的措施。
但是,由于图像采集过程中人脸是运动的,或者是人脸与摄像头距离较远,因此常常会出现采集到的人脸图像不清晰的情况,非常影响后续人脸识别的准确率。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高人脸识别准确率的人脸识别方法、装置、计算机设备和存储介质。
一种人脸识别方法,该方法包括:
对目标图像进行人脸检测,得到多个第一人脸图像;每个第一人脸图像对应一个识别对象;
从多个第一人脸图像中,筛选出清晰度符合预设条件的作为第二人脸图像;
从预先设置的人脸数据库中查找出与第二人脸图像匹配的目标人脸图像;
根据目标人脸图像,确定第二人脸图像中的识别对象对应的目标对象。
在其中一个实施例中,上述从多个第一人脸图像中,筛选出清晰度符合预设条件的作为第二人脸图像,包括:
分别计算目标图像的第一像素面积和各第一人脸图像的第二像素面积;
若第二像素面积与第一像素面积的比值大于预设比值,则确定第一人脸图像为第二人脸图像。
在其中一个实施例中,上述从多个第一人脸图像中,筛选出清晰度符合预设条件的作为第二人脸图像,包括:
对各第一人脸图像进行拉普拉斯变换处理,得到各第一人脸图像对应的目标图像值;
若目标图像值大于预设图像值,则确定第一人脸图像为第二人脸图像。
在其中一个实施例中,上述从多个第一人脸图像中,筛选出清晰度符合预设条件的作为第二人脸图像,包括:
将各第一人脸图像输入到预先训练的神经网络模型中,得到各第一人脸图像对应的清晰度置信度;
若清晰度置信度大于预设置信度,则确定第一人脸图像为第二人脸图像。
在其中一个实施例中,该方法还包括:
对多个第一人脸图像进行侧脸检测,得到第一人脸图像中识别对象是否为侧脸的检测结果;
对应地,上述从多个第一人脸图像中,筛选出清晰度符合预设条件的作为第二人脸图像,包括:
从多个第一人脸图像中,筛选出识别对象为非侧脸且清晰度符合预设条件的第二人脸图像。
在其中一个实施例中,在上述从多个第一人脸图像中,筛选出清晰度符合预设条件的作为第二人脸图像之后,该方法还包括:
对第二人脸图像进行标记;
对应地,上述从预先设置的人脸数据库中查找出与第二人脸图像匹配的目标人脸图像,包括:
根据标记获取第二人脸图像;
将第二人脸图像与人脸数据库中的各候选人脸图像进行比较,得到第二人脸图像与候选人脸图像是否匹配的比较结果;
若候选人脸图像与第二人脸图像匹配,则将候选人脸图像确定为目标人脸图像。
在其中一个实施例中,上述将第二人脸图像与人脸数据库中的各候选人脸图像进行比较,得到第二人脸图像与候选人脸图像是否匹配的比较结果,包括:
分别对第二人脸图像和各候选人脸图像进行特征提取,得到第二人脸图像对应的识别特征和各候选人脸图像对应的候选特征;
计算识别特征与各候选特征之间的相似度;
若相似度大于预设相似度,则确定候选特征对应的候选人脸图像与第二人脸图像匹配。
一种人脸识别装置,装置包括:
第一人脸图像获得模块,用于对目标图像进行人脸检测,得到多个第一人脸图像;每个第一人脸图像对应一个识别对象;
第二人脸图像获得模块,用于从多个第一人脸图像中,筛选出清晰度符合预设条件的作为第二人脸图像;
人脸图像匹配模块,用于从预先设置的人脸数据库中查找出与第二人脸图像匹配的目标人脸图像;
目标对象确定模块,用于根据目标人脸图像,确定第二人脸图像中的识别对象对应的目标对象。
在其中一个实施例中,上述第二人脸图像获得模块,具体用于分别计算目标图像的第一像素面积和各第一人脸图像的第二像素面积;若第二像素面积与第一像素面积的比值大于预设比值,则确定第一人脸图像为第二人脸图像。
在其中一个实施例中,上述第二人脸图像获得模块,具体用于对各第一人脸图像进行拉普拉斯变换处理,得到各第一人脸图像对应的目标图像值;若目标图像值大于预设图像值,则确定第一人脸图像为第二人脸图像。
在其中一个实施例中,上述第二人脸图像获得模块,具体用于将各第一人脸图像输入到预先训练的神经网络模型中,得到各第一人脸图像对应的清晰度置信度;若清晰度置信度大于预设置信度,则确定第一人脸图像为第二人脸图像。
在其中一个实施例中,该装置还包括:
侧脸检测模块,用于对多个第一人脸图像进行侧脸检测,得到第一人脸图像中识别对象是否为侧脸的检测结果;
对应地,上述第二人脸图像获得模块,具体用于从多个第一人脸图像中,筛选出识别对象为非侧脸且清晰度符合预设条件的第二人脸图像。
在其中一个实施例中,该装置还包括:
标记模块,用于对第二人脸图像进行标记;
对应地,上述人脸图像匹配模块,用于根据标记获取第二人脸图像;将第二人脸图像与人脸数据库中的各候选人脸图像进行比较,得到第二人脸图像与候选人脸图像是否匹配的比较结果;若候选人脸图像与第二人脸图像匹配,则将候选人脸图像确定为目标人脸图像。
在其中一个实施例中,上述人脸图像匹配模块,具体用于分别对第二人脸图像和各候选人脸图像进行特征提取,得到第二人脸图像对应的识别特征和各候选人脸图像对应的候选特征;计算识别特征与各候选特征之间的相似度;若相似度大于预设相似度,则确定候选特征对应的候选人脸图像与第二人脸图像匹配。
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:
对目标图像进行人脸检测,得到多个第一人脸图像;每个第一人脸图像对应一个识别对象;
从多个第一人脸图像中,筛选出清晰度符合预设条件的作为第二人脸图像;
从预先设置的人脸数据库中查找出与第二人脸图像匹配的目标人脸图像;
根据目标人脸图像,确定第二人脸图像中的识别对象对应的目标对象。
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:
对目标图像进行人脸检测,得到多个第一人脸图像;每个第一人脸图像对应一个识别对象;
从多个第一人脸图像中,筛选出清晰度符合预设条件的作为第二人脸图像;
从预先设置的人脸数据库中查找出与第二人脸图像匹配的目标人脸图像;
根据目标人脸图像,确定第二人脸图像中的识别对象对应的目标对象。
上述人脸识别方法、装置、计算机设备和存储介质,先对目标图像进行人脸检测,得到多个第一人脸图像;然后,从多个第一人脸图像中,筛选出清晰度符合预设条件的作为第二人脸图像;接着,从预先设置的人脸数据库中查找出与第二人脸图像匹配的目标人脸图像;最后,根据目标人脸图像,确定第二人脸图像中的识别对象对应的目标对象。通过本申请实施例,只对目标图像中清晰的人脸图像进行识别,因此可以减少报错信息,提高识别准确率。
附图说明
图1为一个实施例中人脸识别方法的应用环境图;
图2为一个实施例中人脸识别方法的流程示意图;
图3为一个实施例中筛选出清晰度符合预设条件的作为第二人脸图像步骤的流程示意图之一;
图4为一个实施例中筛选出清晰度符合预设条件的作为第二人脸图像步骤的流程示意图之二;
图5为一个实施例中筛选出清晰度符合预设条件的作为第二人脸图像步骤的流程示意图之三;
图6为另一个实施例中人脸识别方法的流程示意图;
图7为一个实施例中人脸识别装置的结构框图;
图8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。
在安防监控领域中,如果想要查找嫌疑人员,可以根据摄像头采集的图像或视频进行查找。但是,由于图像采集过程中人脸是运动的,或者是人脸与摄像头距离较远,因此常常会出现采集到的人脸图像不清晰的情况,这样,就会在后续的人脸识别过程中出现较多报错信息,即识别错误率较高。而本申请实施例中,筛选出目标图像中清晰的人脸图像,仅对清晰的人脸图像进行识别,对于模糊的人脸图像不进行识别,因此可以减少报错信息,从而提高识别准确率。
本申请提供的人脸识别方法,可以应用于如图1所示的应用环境中。该应用环境中包括终端102和服务器104,终端102与服务器104通过网络进行通信。其中,通过终端102获取目标图像,通过服务器104对目标图像进行识别,从而确定目标图像中各识别对象对应的目标对象。上述终端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,上述服务器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:
步骤201,对目标图像进行人脸检测,得到多个第一人脸图像;每个第一人脸图像对应一个识别对象。
本申请实施例中,可以通过摄像头采集监控图像;然后,通过终端从大量的监控图像中选取出待进行人脸识别的目标图像。终端将选取出的目标图像发送至服务器,服务器在接收到目标图像后,可以将目标图像输入到预先训练的人脸检测模型中,得到目标图像中的多个第一人脸图像。
例如,将目标图像输入到人脸检测模型中,得到3个第一人脸图像a1、a2和a3,其中,第一人脸图像a1对应识别对象A1,第一人脸图像a2对应识别对象A2,第一人脸图像a3对应识别对象A3。
上述人脸检测模型可以是神经网络模型,本申请实施例对此不作详细限定,可以根据实际情况进行设置。
步骤202,从多个第一人脸图像中,筛选出清晰度符合预设条件的作为第二人脸图像。
本申请实施例中,由于模糊的人脸图像会影响后续的人脸识别,因此,从多个第一人脸图像中,筛选出清晰度符合预设条件的第一人脸图像作为第二人脸图像。具体地,计算各第一人脸图像的清晰度,若第一人脸图像的清晰度大于预设清晰度,则将第一人脸图像确定为第二人脸图像。
例如,预设清晰度为50%,计算清晰度得到第一人脸图像a1的清晰度为80%,第二人脸图像a2的清晰度为60%,第三人脸图像a3的清晰度为30%;其中,第一人脸图像a1和a2的清晰度大于预设清晰度,则将第一人脸图像a1和a2确定为第二人脸图像。
步骤203,从预先设置的人脸数据库中查找出与第二人脸图像匹配的目标人脸图像。
本申请实施例中,预先设置人脸数据库,人脸数据库中包含大量候选人脸图像。在查找出目标图像中清晰的第二人脸图像后,将第二人脸图像与人脸数据库中的候选人脸图像一一进行匹配,如果候选人脸图像与第二人脸图像匹配,则将候选人脸图像确定为目标人脸图像。
例如,人脸数据库中含有1000张候选人脸图像,将第二人脸图像a1与候选人脸图像一一进行匹配,其中候选人脸图像b15与第二人脸图像a1匹配,则候选人脸图像b15为目标人脸图像。将第二人脸图像a2与候选人脸图像一一进行匹配,如果不存在与第二人脸图像a2匹配的候选人脸图像,服务器可以向终端反馈未查找到目标人脸图像。
可以理解地,清晰的人脸图像包含较多的人脸特征,模糊的人脸图像包含较少的人脸特征,因此,只对目标图像中清晰的人脸图像进行识别,而不对目标图像中模糊的人脸图像进行识别,可以减少报错信息,从而提高识别准确率。
步骤204,根据目标人脸图像,确定第二人脸图像中的识别对象对应的目标对象。
本申请实施例中,在查找到目标人脸图像后,目标人脸图像中的对象即为第二人脸图像中的识别对象。例如,目标人脸图像中的对象为王某,则第二人脸图像a1中的识别对象即为王某。
上述人脸识别方法中,服务器先对目标图像进行人脸检测,得到多个第一人脸图像;然后,从多个第一人脸图像中,筛选出清晰度符合预设条件的作为第二人脸图像;接着,从预先设置的人脸数据库中查找出与第二人脸图像匹配的目标人脸图像;最后,根据目标人脸图像,确定第二人脸图像中的识别对象对应的目标对象。通过本申请实施例,只对目标图像中清晰的人脸图像进行识别,因此可以减少报错信息,提高识别准确率。
在一个实施例中,参照图3、4、5所示,从多个第一人脸图像中,筛选出清晰度符合预设条件的作为第二人脸图像,具体包括如下步骤:
方式一,见图3所示:
步骤301,分别计算目标图像的第一像素面积和各第一人脸图像的第二像素面积。
本申请实施例中,目标图像的第一像素面积和各第一人脸图像的第二像素面积可以根据像素个数确定。例如,目标图像的第一像素面积为S1=1024*720,第一人脸图像a1的第二像素面积为S2=340*201,第一人脸图像a2的第二像素面积为S3=309*105,第一人脸图像a3的第二像素面积S4=25*13。第一像素面积和第二像素面积还可以采用其他方式计算,本申请实施例对此不作详细限定,可以根据实际情况进行选取。
步骤302,若第二像素面积与第一像素面积的比值大于预设比值,则确定第一人脸图像为第二人脸图像。
本申请实施例中,计算第二像素面积与第一像素面积的比值,如果该比值大于预设比值,则确定第一人脸图像为清晰的人脸图像;如果该比值小于或等于预设比值,则确定第一人脸图像为模糊的人脸图像。
例如,预设比值为0.001,针对第一人脸图像a1,第二像素面积与第一像素面积的比值为T=(640*401)/(1024*720)=0.092,该比值大于0.001,则确定第一人脸图像a1为第二人脸图像。针对第一人脸图像a2,第二像素面积与第一像素面积的比值为T=(309*105)/(1024*720)=0.044,该比值大于0.001,则确定第一人脸图像a2为第二人脸图像。针对第一人脸图像a3,第二像素面积与第一像素面积的比值为T=(25*13)/(1024*720)=0.0004,该比值小于0.001,则确定第一人脸图像a2不是第二人脸图像。本申请实施例对预设比值不作详细限定,可以根据实际情况进行设置。
方式二,见图4所示:
步骤303,对各第一人脸图像进行拉普拉斯变换处理,得到各第一人脸图像对应的目标图像值。
本实施例中,可以根据拉普拉斯算子对各第一人脸图像进行变换处理,得到各第一人脸图像对应的目标图像值。其中,拉普拉斯算子(Laplace operator,Laplacian)是n维欧几里德空间中的一个二阶微分算子,定义为梯度(▽f)的散度(▽·f)。
例如,对第一人脸图像a1、a2和a3分别进行变换处理,得到目标图像值分别为604、402、105。
步骤304,若目标图像值大于预设图像值,则确定第一人脸图像为第二人脸图像。
本申请实施例中,判断各第一人脸图像进行变换处理后得到的目标图像值是否大于预设图像值,如果大于预设图像值,则确定第一人脸图像是清晰的人脸图像;如果小于或等于预设图像值,则确定第一人脸图像是模糊的人脸图像。
例如,预设图像值为400,其中,第一人脸图像a1和a2的目标图像值大于预设图像值,将第一人脸图像确定为第二人脸图像。
方式三,见图5所示:
步骤305,将各第一人脸图像输入到预先训练的神经网络模型中,得到各第一人脸图像对应的清晰度置信度。
本申请实施例中,预先训练检测人脸图像清晰度的神经网络模型,分别将各第一人脸图像输入到该神经网络模型中,神经网络模型输出各第一人脸图像对应的清晰度置信度。本申请实施例对神经网络模型不作详细限定,可以根据实际情况进行训练。
例如,分别将第一人脸图像a1、a2和a3输入到神经网络模型中,神经网络模型输出第一人脸图像a1的清晰度置信度为0.9,第一人脸图像a2的清晰度置信度为0.75,第一人脸图像a3的清晰度置信度为0.5。
步骤306,若清晰度置信度大于预设置信度,则确定第一人脸图像为第二人脸图像。
本申请实施例中,将各第一人脸图像对应的清晰度置信度与预设置信度进行比较,如果清晰度置信度大于预设置信度,则确定第一人脸图像为清晰的人脸图像;如果清晰度置信度小于或等于预设置信度,则确定第一人脸图像为模糊的人脸图像。
例如,预设置信度为0.7,将第一人脸图像a1、a2和a3对应的清晰度置信度与预设置信度进行比较,其中,第一人脸图像a1和a2对应的清晰度置信度大于预设置信度,则将第一人脸图像a1和a2确定为第二人脸图像。
在实际应用中,可以选择上述一种或多种方式筛选出清晰的人脸图像,本申请实施例对此不作详细限定,可以根据实际情况进行选取。
上述从多个第一人脸图像中,筛选出清晰度符合预设条件的作为第二人脸图像的步骤中,可以通过计算像素面积、进行拉普拉斯变换以及神经网络模型检测清晰度等多种方式,从第一人脸图像中筛选出清晰的人脸图像,以便后续对清晰的人脸图像进行人脸识别,从而减少报错信息,提高识别准确率。
在一个实施例中,参照图6所示,在上述实施例的基础上,人脸识别方法还可以如下步骤:
步骤401,对目标图像进行人脸检测,得到多个第一人脸图像;每个第一人脸图像对应一个识别对象。
步骤402,对多个第一人脸图像进行侧脸检测,得到第一人脸图像中识别对象是否为侧脸的检测结果。
本申请实施例中,从目标图像中截取出第一人脸图像,并将各第一人脸图像输入到预先训练的侧脸检测模型中,侧脸检测模型输出各第一人脸图像中识别对象是否为侧脸的检测结果。具体地,侧脸检测模型输出各第一人脸图像中识别对象为侧脸的置信度。
例如,预先设置的置信度阈值为80%,将第一人脸图像a1、a2、a3和a4输入到侧脸检测模型中,侧脸检测模型输出第一人脸图像a1中识别对象为侧脸的置信度为10%,第一人脸图像a2中识别对象为侧脸的置信度为25%,第一人脸图像a3中识别对象为侧脸的置信度为30%,第一人脸图像a4中识别对象为侧脸的置信度为85%。可见,第一人脸图像a1、a2和a3对应的置信度小于置信度阈值,第一人脸图像a4对应的置信度大于置信度阈值,则确定第一人脸图像a1、a2、a3中识别对象为非侧脸,第一人脸图像a4中识别对象为侧脸。
步骤403,从多个第一人脸图像中,筛选出识别对象为非侧脸且清晰度符合预设条件的作为第二人脸图像。
本申请实施例中,可以先从多个第一人脸图像中,筛选出识别对象为非侧脸的第一人脸图像,再从非侧脸的第一人脸图像中筛选出清晰度符合预设条件的第一人脸图像作为第二人脸图像。
可以理解地,先筛选出识别对象为非侧脸的第一人脸图像,可以减少后续筛选工作的数据处理量;并且,筛选出识别对象为非侧脸并且清晰度符合预设条件的第一人脸图像作为第二人脸图像,可以进一步提高识别准确率。
其中,从非侧脸的第一人脸图像中筛选出清晰度符合预设条件的第一人脸图像作为第二人脸图像,具体地可以包括:分别计算目标图像的第一像素面积和各第一人脸图像的第二像素面积;若第二像素面积与第一像素面积的比值大于预设比值,则确定第一人脸图像为第二人脸图像。也可以包括:对各第一人脸图像进行拉普拉斯变换处理,得到各第一人脸图像对应的图像值;若图像值大于预设图像值,则确定第一人脸图像为第二人脸图像。还可以包括将各第一人脸图像输入到预先训练的神经网络模型中,得到各第一人脸图像对应的清晰度置信度;若清晰度置信度大于预设置信度,则确定第一人脸图像为第二人脸图像。
步骤404,对第二人脸图像进行标记。
本申请实施例中,可以将第一人脸图像中清晰的人脸图像标记为1,即将第二人脸图像标记为1,将第一人脸图像中模糊的人脸图像标记为0。本申请实施例对标记不作详细限定,可以根据实际情况进行设置。
步骤405,根据标记获取第二人脸图像。
本申请实施例中,在进行人脸识别时,可以根据标记只获取清晰的人脸图像,而不获取模糊的人脸图像。例如,获取标记为1的人脸图像。
步骤406,将第二人脸图像与人脸数据库中的各候选人脸图像进行比较,得到第二人脸图像与候选人脸图像是否匹配的比较结果。
步骤407,若候选人脸图像与第二人脸图像匹配,则将候选人脸图像确定为目标人脸图像。
本申请实施例中,将候选人脸图像与第二人脸图像进行匹配,具体可以包括:分别对第二人脸图像和各候选人脸图像进行特征提取,得到第二人脸图像对应的识别特征和各候选人脸图像对应的候选特征;计算识别特征与各候选特征之间的相似度;若相似度大于预设相似度,则确定候选特征对应的候选人脸图像与第二人脸图像匹配。
例如,预设相似度为80%,第二人脸图像a1的特征与候选人脸图像b15的特征之间的相似度为90%,确定候选人脸图像b15为目标人脸图像。
步骤408,根据目标人脸图像,确定第二人脸图像中的识别对象对应的目标对象。
上述人脸识别方法中,服务器从目标图像中检测出多个第一人脸图像;接着,从多个第一人脸图像中筛选出识别对象为非侧脸并且清晰度符合预设条件的作为第二人脸图像;然后,在人脸识别时,将第二人脸图像与候选人脸图像进行匹配,并将与第二人脸图像匹配的候选人脸图像作为目标人脸图像;最后,根据目标人脸图像确定识别对象对应的目标对象。通过本申请实施例,在进行人脸识别之前,筛选出清晰的人脸图像,去除模糊的人脸图像,因此,只对清晰的人脸图像进行识别,减少了报错信息,提高了识别准确率。
应该理解的是,虽然图2-图6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-图6中的至少一部分步骤可以包括多个步骤或者多个阶段,这些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中的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7所示,提供了一种人脸识别装置,包括:
第一人脸图像获得模块501,用于对目标图像进行人脸检测,得到多个第一人脸图像;每个第一人脸图像对应一个识别对象;
第二人脸图像获得模块502,用于从多个第一人脸图像中,筛选出清晰度符合预设条件的作为第二人脸图像;
人脸图像匹配模块503,用于从预先设置的人脸数据库中查找出与第二人脸图像匹配的目标人脸图像;
目标对象确定模块504,用于根据目标人脸图像,确定第二人脸图像中的识别对象对应的目标对象。
在其中一个实施例中,上述第二人脸图像获得模块,具体用于分别计算目标图像的第一像素面积和各第一人脸图像的第二像素面积;若第二像素面积与第一像素面积的比值大于预设比值,则确定第一人脸图像为第二人脸图像。
在其中一个实施例中,上述第二人脸图像获得模块,具体用于对各第一人脸图像进行拉普拉斯变换处理,得到各第一人脸图像对应的目标图像值;若目标图像值大于预设图像值,则确定第一人脸图像为第二人脸图像。
在其中一个实施例中,上述第二人脸图像获得模块,具体用于将各第一人脸图像输入到预先训练的神经网络模型中,得到各第一人脸图像对应的清晰度置信度;若清晰度置信度大于预设置信度,则确定第一人脸图像为第二人脸图像。
在其中一个实施例中,该装置还包括:
侧脸检测模块,用于对多个第一人脸图像进行侧脸检测,得到第一人脸图像中识别对象是否为侧脸的检测结果;
对应地,上述第二人脸图像获得模块,具体用于从多个第一人脸图像中,筛选出识别对象为非侧脸且清晰度符合预设条件的第二人脸图像。
在其中一个实施例中,该装置还包括:
标记模块,用于对第二人脸图像进行标记;
对应地,上述人脸图像匹配模块,用于根据标记获取第二人脸图像;将第二人脸图像与人脸数据库中的各候选人脸图像进行比较,得到第二人脸图像与候选人脸图像是否匹配的比较结果;若候选人脸图像与第二人脸图像匹配,则将候选人脸图像确定为目标人脸图像。
在其中一个实施例中,上述人脸图像匹配模块,具体用于分别对第二人脸图像和各候选人脸图像进行特征提取,得到第二人脸图像对应的识别特征和各候选人脸图像对应的候选特征;计算识别特征与各候选特征之间的相似度;若相似度大于预设相似度,则确定候选特征对应的候选人脸图像与第二人脸图像匹配。
关于人脸识别装置的具体限定可以参见上文中对于人脸识别方法的限定,在此不再赘述。上述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8所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。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识别数据。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人脸识别方法。
本领域技术人员可以理解,图8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,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
对目标图像进行人脸检测,得到多个第一人脸图像;每个第一人脸图像对应一个识别对象;
从多个第一人脸图像中,筛选出清晰度符合预设条件的作为第二人脸图像;
从预先设置的人脸数据库中查找出与第二人脸图像匹配的目标人脸图像;
根据目标人脸图像,确定第二人脸图像中的识别对象对应的目标对象。
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:
分别计算目标图像的第一像素面积和各第一人脸图像的第二像素面积;
若第二像素面积与第一像素面积的比值大于预设比值,则确定第一人脸图像为第二人脸图像。
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:
对各第一人脸图像进行拉普拉斯变换处理,得到各第一人脸图像对应的目标图像值;
若目标图像值大于预设图像值,则确定第一人脸图像为第二人脸图像。
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:
将各第一人脸图像输入到预先训练的神经网络模型中,得到各第一人脸图像对应的清晰度置信度;
若清晰度置信度大于预设置信度,则确定第一人脸图像为第二人脸图像。
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:
对多个第一人脸图像进行侧脸检测,得到第一人脸图像中识别对象是否为侧脸的检测结果;
从多个第一人脸图像中,筛选出识别对象为非侧脸且清晰度符合预设条件的第二人脸图像。
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:
对第二人脸图像进行标记;
根据标记获取第二人脸图像;
将第二人脸图像与人脸数据库中的各候选人脸图像进行比较,得到第二人脸图像与候选人脸图像是否匹配的比较结果;
若候选人脸图像与第二人脸图像匹配,则将候选人脸图像确定为目标人脸图像。
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:
分别对第二人脸图像和各候选人脸图像进行特征提取,得到第二人脸图像对应的识别特征和各候选人脸图像对应的候选特征;
计算识别特征与各候选特征之间的相似度;
若相似度大于预设相似度,则确定候选特征对应的候选人脸图像与第二人脸图像匹配。
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:
对目标图像进行人脸检测,得到多个第一人脸图像;每个第一人脸图像对应一个识别对象;
从多个第一人脸图像中,筛选出清晰度符合预设条件的作为第二人脸图像;
从预先设置的人脸数据库中查找出与第二人脸图像匹配的目标人脸图像;
根据目标人脸图像,确定第二人脸图像中的识别对象对应的目标对象。
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:
分别计算目标图像的第一像素面积和各第一人脸图像的第二像素面积;
若第二像素面积与第一像素面积的比值大于预设比值,则确定第一人脸图像为第二人脸图像。
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:
对各第一人脸图像进行拉普拉斯变换处理,得到各第一人脸图像对应的目标图像值;
若目标图像值大于预设图像值,则确定第一人脸图像为第二人脸图像。
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:
将各第一人脸图像输入到预先训练的神经网络模型中,得到各第一人脸图像对应的清晰度置信度;
若清晰度置信度大于预设置信度,则确定第一人脸图像为第二人脸图像。
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:
对多个第一人脸图像进行侧脸检测,得到第一人脸图像中识别对象是否为侧脸的检测结果;
从多个第一人脸图像中,筛选出识别对象为非侧脸且清晰度符合预设条件的第二人脸图像。
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:
对第二人脸图像进行标记;
根据标记获取第二人脸图像;
将第二人脸图像与人脸数据库中的各候选人脸图像进行比较,得到第二人脸图像与候选人脸图像是否匹配的比较结果;
若候选人脸图像与第二人脸图像匹配,则将候选人脸图像确定为目标人脸图像。
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:
分别对第二人脸图像和各候选人脸图像进行特征提取,得到第二人脸图像对应的识别特征和各候选人脸图像对应的候选特征;
计算识别特征与各候选特征之间的相似度;
若相似度大于预设相似度,则确定候选特征对应的候选人脸图像与第二人脸图像匹配。
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易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory,ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic Random Access Memory,DRAM)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)
1.一种人脸识别方法,其特征在于,所述方法包括:
对目标图像进行人脸检测,得到多个第一人脸图像;每个所述第一人脸图像对应一个识别对象;
从多个所述第一人脸图像中,筛选出清晰度符合预设条件的作为第二人脸图像;
从预先设置的人脸数据库中查找出与所述第二人脸图像匹配的目标人脸图像;
根据所述目标人脸图像,确定所述第二人脸图像中的识别对象对应的目标对象。
2.根据权利要求1所述的方法,其特征在于,所述从多个所述第一人脸图像中,筛选出清晰度符合预设条件的作为第二人脸图像,包括:
分别计算所述目标图像的第一像素面积和各所述第一人脸图像的第二像素面积;
若所述第二像素面积与所述第一像素面积的比值大于预设比值,则确定所述第一人脸图像为所述第二人脸图像。
3.根据权利要求1所述的方法,其特征在于,所述从多个所述第一人脸图像中,筛选出清晰度符合预设条件的作为第二人脸图像,包括:
对各所述第一人脸图像进行拉普拉斯变换处理,得到各所述第一人脸图像对应的目标图像值;
若所述目标图像值大于预设图像值,则确定所述第一人脸图像为所述第二人脸图像。
4.根据权利要求1所述的方法,其特征在于,所述从多个所述第一人脸图像中,筛选出清晰度符合预设条件的作为第二人脸图像,包括:
将各所述第一人脸图像输入到预先训练的神经网络模型中,得到各所述第一人脸图像对应的清晰度置信度;
若所述清晰度置信度大于预设置信度,则确定所述第一人脸图像为所述第二人脸图像。
5.根据权利要求1-4任一项所述的方法,其特征在于,所述方法还包括:
对多个所述第一人脸图像进行侧脸检测,得到所述第一人脸图像中所述识别对象是否为侧脸的检测结果;
对应地,所述从多个所述第一人脸图像中,筛选出清晰度符合预设条件的作为第二人脸图像,包括:
从所述多个第一人脸图像中,筛选出所述识别对象为非侧脸且所述清晰度符合所述预设条件的所述第二人脸图像。
6.根据权利要求1所述的方法,其特征在于,在所述从多个所述第一人脸图像中,筛选出清晰度符合预设条件的作为第二人脸图像之后,所述方法还包括:
对所述第二人脸图像进行标记;
对应地,所述从预先设置的人脸数据库中查找出与所述第二人脸图像匹配的目标人脸图像,包括:
根据所述标记获取所述第二人脸图像;
将所述第二人脸图像与所述人脸数据库中的各候选人脸图像进行比较,得到所述第二人脸图像与所述候选人脸图像是否匹配的比较结果;
若所述候选人脸图像与所述第二人脸图像匹配,则将所述候选人脸图像确定为所述目标人脸图像。
7.根据权利要求6所述的方法,其特征在于,所述将所述第二人脸图像与所述人脸数据库中的各候选人脸图像进行比较,得到所述第二人脸图像与所述候选人脸图像是否匹配的比较结果,包括:
分别对所述第二人脸图像和各所述候选人脸图像进行特征提取,得到所述第二人脸图像对应的识别特征和各所述候选人脸图像对应的候选特征;
计算所述识别特征与各所述候选特征之间的相似度;
若所述相似度大于预设相似度,则确定所述候选特征对应的候选人脸图像与所述第二人脸图像匹配。
8.一种人脸识别装置,其特征在于,所述装置包括:
第一人脸图像获得模块,用于对目标图像进行人脸检测,得到多个第一人脸图像;每个所述第一人脸图像对应一个识别对象;
第二人脸图像获得模块,用于从多个所述第一人脸图像中,筛选出清晰度符合预设条件的作为第二人脸图像;
人脸图像匹配模块,用于从预先设置的人脸数据库中查找出与所述第二人脸图像匹配的目标人脸图像;
目标对象确定模块,用于根据所述目标人脸图像,确定所述第二人脸图像中的识别对象对应的目标对象。
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7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7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010067028.2A CN111274965A (zh) | 2020-01-20 | 2020-01-20 | 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 |
---|---|---|---|
CN202010067028.2A CN111274965A (zh) | 2020-01-20 | 2020-01-20 | 人脸识别方法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111274965A true CN111274965A (zh) | 2020-06-12 |
Family
ID=71003322
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010067028.2A Withdrawn CN111274965A (zh) | 2020-01-20 | 2020-01-20 | 人脸识别方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111274965A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113158867A (zh) * | 2021-04-15 | 2021-07-23 | 微马科技有限公司 | 人脸特征的确定方法、装置和计算机可读存储介质 |
CN113822927A (zh) * | 2021-09-22 | 2021-12-21 | 易联众智鼎(厦门)科技有限公司 | 一种适用弱质量图像的人脸检测方法、装置、介质及设备 |
WO2022057719A1 (zh) * | 2020-09-17 | 2022-03-24 | 中国银联股份有限公司 | 识别对象确定方法、装置、设备及存储介质 |
-
2020
- 2020-01-20 CN CN202010067028.2A patent/CN111274965A/zh not_active Withdrawn
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022057719A1 (zh) * | 2020-09-17 | 2022-03-24 | 中国银联股份有限公司 | 识别对象确定方法、装置、设备及存储介质 |
TWI804988B (zh) * | 2020-09-17 | 2023-06-11 | 大陸商中國銀聯股份有限公司 | 識別對象確定方法、裝置、設備及存儲介質 |
CN113158867A (zh) * | 2021-04-15 | 2021-07-23 | 微马科技有限公司 | 人脸特征的确定方法、装置和计算机可读存储介质 |
CN113822927A (zh) * | 2021-09-22 | 2021-12-21 | 易联众智鼎(厦门)科技有限公司 | 一种适用弱质量图像的人脸检测方法、装置、介质及设备 |
CN113822927B (zh) * | 2021-09-22 | 2024-01-23 | 易联众智鼎(厦门)科技有限公司 | 一种适用弱质量图像的人脸检测方法、装置、介质及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108846355B (zh) | 图像处理方法、人脸识别方法、装置和计算机设备 | |
CN109635657B (zh) | 目标跟踪方法、装置、设备及存储介质 | |
CN109271870B (zh) | 行人重识别方法、装置、计算机设备及存储介质 | |
WO2021017261A1 (zh) | 识别模型训练方法、图像识别方法、装置、设备及介质 | |
CN110569731B (zh) | 一种人脸识别方法、装置及电子设备 | |
EP2806374B1 (en) | Method and system for automatic selection of one or more image processing algorithm | |
CN110489951B (zh) | 风险识别的方法、装置、计算机设备和存储介质 | |
CN113239874B (zh) | 基于视频图像的行为姿态检测方法、装置、设备及介质 | |
CN111191568B (zh) | 翻拍图像识别方法、装置、设备及介质 | |
US8842889B1 (en) | System and method for automatic face recognition | |
CN111274965A (zh) | 人脸识别方法、装置、计算机设备和存储介质 | |
CN112001932B (zh) | 人脸识别方法、装置、计算机设备和存储介质 | |
Molina-Moreno et al. | Efficient scale-adaptive license plate detection system | |
CN110660078B (zh) | 对象追踪方法、装置、计算机设备和存储介质 | |
CN112613515A (zh) | 语义分割方法、装置、计算机设备和存储介质 | |
WO2019102608A1 (en) | Image processing device, image processing method, and image processing program | |
US11281922B2 (en) | Face recognition system, method for establishing data of face recognition, and face recognizing method thereof | |
CN112884782B (zh) | 生物对象分割方法、装置、计算机设备和存储介质 | |
WO2018100668A1 (en) | Image processing device, image processing method, and image processing program | |
WO2019033567A1 (zh) | 眼球动作捕捉方法、装置及存储介质 | |
US11403875B2 (en) | Processing method of learning face recognition by artificial intelligence module | |
CN112836682B (zh) | 视频中对象的识别方法、装置、计算机设备和存储介质 | |
CN111582027A (zh) | 身份认证方法、装置、计算机设备和存储介质 | |
CN111178162B (zh) | 图像识别方法、装置、计算机设备和存储介质 | |
CN110738175A (zh) | 人脸图像处理方法、装置、计算机设备和存储介质 |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20200612 |
|
WW01 | Invention patent application withdrawn after publication |