CN111353364A - 一种人脸动态识别方法及装置、电子设备 - Google Patents
一种人脸动态识别方法及装置、电子设备 Download PDFInfo
- Publication number
- CN111353364A CN111353364A CN201910765182.4A CN201910765182A CN111353364A CN 111353364 A CN111353364 A CN 111353364A CN 201910765182 A CN201910765182 A CN 201910765182A CN 111353364 A CN111353364 A CN 111353364A
- Authority
- CN
- China
- Prior art keywords
- result
- face
- matching
- similarity
- matching threshold
- 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)
Abstract
本发明公开了一种人脸动态识别方法及装置、电子设备，包括：获取包括多个检测对象的图像信息；对所述图像信息进行特征提取处理，提取出各检测对象的人脸特征信息；根据所述各检测对象的人脸特征信息，对各检测对象进行人脸识别处理，包括设定从高到低的多个匹配阈值，配置与各个匹配阈值相对应的人脸识别模型，利用人脸识别模型对各检测对象的人脸特征信息进行识别处理，将大于等于与人脸识别模型相对应的匹配阈值的人脸识别结果作为人脸匹配结果。本发明能够通过调整匹配阈值，较为完整、准确的识别人脸。
Description
技术领域
本发明涉及人工智能技术领域，特别是指一种人脸动态识别方法及装置、电子设备。
背景技术
目前的人脸识别方法，一般是将人脸特征输入人脸识别模型中，得到人脸识别结果，若相似度大于设定的阈值，则认为人脸识别成功，否则识别失败。实际应用中，受图像采集设备的拍摄范围、拍摄精度以及场景内光线等因素的影响，采集的图像信息的清晰度无法保证，提取出的人脸特征有可能不够精准，若设定的阈值过高，则会降低识别的完整度，若设定的阈值较低，则会产生误判，降低识别准确性。
发明内容
有鉴于此，本发明的目的在于提出一种人脸动态识别方法及装置、电子设备，能够动态调整匹配阈值，保证人脸识别完整性和准确性。
基于上述目的，本发明提供了一种人脸动态识别方法，包括：
获取包括多个检测对象的图像信息；
对所述图像信息进行特征提取处理，提取出各检测对象的人脸特征信息；
根据所述各检测对象的人脸特征信息，通过动态匹配阈值匹配方式对各检测对象进行人脸识别处理，得到人脸匹配结果。
可选的，所述人脸识别处理方法包括：
设定从高到低的多个匹配阈值；
配置与各个匹配阈值相对应的人脸识别模型；
利用所述人脸识别模型对所述各检测对象的人脸特征信息进行识别处理，将大于等于与所述人脸识别模型相对应的匹配阈值的人脸识别结果作为所述人脸匹配结果。
可选的，利用第一人脸识别模型对第一特征集合进行识别处理，得到第一人脸识别结果；所述第一特征集合包括所有检测对象的人脸特征信息，所述第一人脸识别模型是以所有检测对象的人脸特征信息为人脸样本训练得到的模型；
将所述第一人脸识别结果中各项结果的相似度与预设的第一匹配阈值进行比较，将相似度大于等于所述第一匹配阈值的结果作为第一结果，若存在小于所述第一匹配阈值的结果，将小于所述第一匹配阈值的结果汇总于第一未识别特征集合；
利用第二人脸识别模型对所述第一未识别特征集合进行识别处理，得到第二人脸识别结果；所述第二人脸识别模型是以所述第一未识别特征集合中的检测对象对应的人脸特征信息为人脸样本训练得到的模型；
将所述第二人脸识别结果中各项结果的相似度与预设的第二匹配阈值进行比较，将相似度大于等于所述第二匹配阈值的结果作为第二结果，若存在小于所述第二匹配阈值的结果，将小于所述第二匹配阈值的结果汇总于第二未识别特征集合；
利用第三人脸识别模型对所述第二未识别特征集合进行识别处理，得到第三人脸识别结果；所述第三人脸识别模型是以所述第二未识别特征集合中的检测对象对应的人脸特征信息为人脸样本训练得到的模型；
将所述第三人脸识别结果中各项结果的相似度与预设的最低匹配阈值进行比较，将相似度大于等于所述最低匹配阈值的结果作为第三结果。
可选的，若存在所述相似度小于所述最低匹配阈值的结果，重新获取所述图像信息，对所述图像信息进行特征提取处理，基于提取出的人脸特征信息利用所述人脸识别处理方法进行人脸识别处理。
可选的，若不存在所述相似度小于所述第一匹配阈值的结果，所述第一结果为所述人脸匹配结果，若不存在所述相似度小于所述第二匹配阈值的结果，所述第一结果和第二结果为所述人脸匹配结果，若不存在所述相似度小于所述最低匹配阈值的结果，所述第一结果、第二结果和第三结果为所述人脸匹配结果。
可选的，所述第一匹配阈值大于所述第二匹配阈值，所述第二匹配阈值大于所述最低匹配阈值。
本发明实施例还提供一种人脸动态识别装置，包括：
图像获取模块，用于获取包括多个检测对象的图像信息；
特征提取模块，用于对图像信息进行特征提取处理，提取出各检测对象的人脸特征信息；
匹配模块，用于根据各检测对象的人脸特征信息，通过动态匹配阈值匹配方式对各检测对象进行人脸识别处理，得到人脸匹配结果。
可选的，所述匹配模块用于：
设定从高到低的多个匹配阈值；
配置与各个匹配阈值相对应的人脸识别模型；
利用所述人脸识别模型对所述各检测对象的人脸特征信息进行识别处理，将大于等于与所述人脸识别模型相对应的匹配阈值的人脸识别结果作为所述人脸匹配结果。
可选的，利用第一人脸识别模型对第一特征集合进行识别处理，得到第一人脸识别结果；所述第一特征集合包括所有检测对象的人脸特征信息，所述第一人脸识别模型是以所有检测对象的人脸特征信息为人脸样本训练得到的模型；
将所述第一人脸识别结果中各项结果的相似度与预设的第一匹配阈值进行比较，将相似度大于等于所述第一匹配阈值的结果作为第一结果，若存在小于所述第一匹配阈值的结果，将小于所述第一匹配阈值的结果汇总于第一未识别特征集合；
利用第二人脸识别模型对所述第一未识别特征集合进行识别处理，得到第二人脸识别结果；所述第二人脸识别模型是以所述第一未识别特征集合中的检测对象对应的人脸特征信息为人脸样本训练得到的模型；
将所述第二人脸识别结果中各项结果的相似度与预设的第二匹配阈值进行比较，将相似度大于等于所述第二匹配阈值的结果作为第二结果，若存在小于所述第二匹配阈值的结果，将小于所述第二匹配阈值的结果汇总于第二未识别特征集合；
利用第三人脸识别模型对所述第二未识别特征集合进行识别处理，得到第三人脸识别结果；所述第三人脸识别模型是以所述第二未识别特征集合中的检测对象对应的人脸特征信息为人脸样本训练得到的模型；
将所述第三人脸识别结果中各项结果的相似度与预设的最低匹配阈值进行比较，将相似度大于等于所述最低匹配阈值的结果作为第三结果。
可选的，若存在所述相似度小于所述最低匹配阈值的结果，所述图像获取模块重新获取所述图像信息，所述特征提取模块对所述图像信息进行特征提取处理，所述匹配模块基于提取出的人脸特征信息进行人脸识别处理。
可选的，若不存在所述相似度小于所述第一匹配阈值的结果，所述第一结果为所述人脸匹配结果，若不存在所述相似度小于所述第二匹配阈值的结果，所述第一结果和第二结果为所述人脸匹配结果，若不存在所述相似度小于所述最低匹配阈值的结果，所述第一结果、第二结果和第三结果为所述人脸匹配结果。
可选的，所述第一匹配阈值大于所述第二匹配阈值，所述第二匹配阈值大于所述最低匹配阈值。
本发明实施例还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现所述人脸动态识别方法。
从上面所述可以看出，本发明提供的人脸动态识别方法及装置、电子设备，通过获取包括多个检测对象的图像信息，从图像信息提取出各检测对象的人脸特征信息，利用人脸识别模型对各检测对象的人脸特征信息进行识别处理，将大于等于与人脸识别模型相对应的匹配阈值的人脸识别结果作为人脸匹配结果；本发明能够通过调整匹配阈值的取值，较为完整、准确的识别出多个检测对象的人脸。
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为本发明实施例的方法流程示意图；
图2为本发明实施例的装置结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明进一步详细说明。
需要说明的是，本发明实施例中所有使用“第一”和“第二”的表述均是为了区分两个相同名称非相同的实体或者非相同的参量，可见“第一”“第二”仅为了表述的方便，不应理解为对本发明实施例的限定，后续实施例对此不再一一说明。
图1为本发明实施例的方法流程示意图。如图所示，本发明实施例提供的人脸动态识别方法，包括：
S10：获取包括多个检测对象的图像信息；
于一些实施例中，利用图像采集设备采集包括多个检测对象的视频信息，按照预定时间从视频信息中提取视频帧图像作为图像信息进行后续识别处理。例如，在课前考勤时间段内，每隔1.5秒从视频信息中提取一幅图像信息；在课中考勤时间段内，每隔30秒从视频信息中提取一幅图像信息。
可于特定区域安装图像采集设备，用于采集特定区域内所有检测对象的图像信息。例如，对于课堂考勤场景，在教室前方安装摄像头，用于采集教室内所有学生的图像信息。
S11：对图像信息进行特征提取处理，提取出各检测对象的人脸特征信息；
本实施例中，对图像信息进行提取处理，首先识别出图像信息中的人脸位置，于人脸位置截取出人脸轮廓，基于截取出的人脸轮廓提取人脸特征信息，人脸特征信息包括眉毛、眼部、鼻部、嘴部、脸型等特征信息。
S12：根据各检测对象的人脸特征信息，对各检测对象进行人脸识别处理，得到人脸匹配结果。
本实施例中，利用人脸识别模型通过动态匹配阈值匹配方式对各检测对象的人脸特征信息进行人脸识别处理，得到人脸匹配结果。具体包括：
设定从高到低的多个匹配阈值；
配置与各个匹配阈值相对应的人脸识别模型；
利用人脸识别模型对所述各检测对象的人脸特征信息进行识别处理，将大于等于与人脸识别模型相对应的匹配阈值的人脸识别结果作为所述人脸匹配结果。
于一种实施例中，将包括所有检测对象的人脸特征信息的第一特征集合输入第一人脸识别模型，第一人脸识别模型对第一特征集合中的每组人脸特征信息进行识别，得到第一人脸识别结果，第一人脸识别结果包括特征值、身份信息及相似度，其中，身份信息包括检测对象的姓名、性别、所属班级或部门等；第一人脸识别模型是以所有检测对象的人脸特征信息为人脸样本训练得到的模型。
根据得到的第一人脸识别结果，将相似度大于等于预设的第一匹配阈值的结果作为第一结果，若存在相似度小于第一匹配阈值的结果，则将相似度小于第一匹配阈值的结果汇总于第一未识别特征集合，若不存在则第一结果即为人脸匹配结果。之后，将第一未识别特征集合输入第二人脸识别模型，第二人脸识别模型对第一未识别特征集合中的每组人脸特征信息进行识别，得到第二人脸识别结果。其中，第二人脸识别模型是以第一未识别特征集合中的检测对象对应的人脸特征信息为人脸样本训练得到的模型。
根据得到的第二人脸识别结果，将相似度大于等于预设的第二匹配阈值的结果作为第二结果，若存在相似度小于第二匹配阈值的结果，将相似度小于第二匹配阈值的结果汇总于第二未识别特征集合，若不存在则第一结果和第二结果即为人脸匹配结果。之后，将第二未识别特征集合输入第三人脸识别模型，第三人脸识别模型对第二未识别特征集合中的每组人脸特征信息进行识别，得到第三人脸识别结果。其中，第三人脸识别模型是以第二未识别特征集合中的检测对象对应的人脸特征信息为人脸样本训练得到的模型。
根据第三人脸识别结果，将相似度大于等于预设的最低匹配阈值的结果作为第三结果，若不存在相似度小于最低匹配阈值的结果，则将第一、第二、第三结果汇总形成人脸匹配结果；若存在相似度小于最低匹配阈值的结果，则需要重新获取图像信息，对图像信息进行特征提取处理，根据提取出的人脸特征信息，进行人脸识别处理过程。
本实施例中，第一匹配阈值大于第二匹配阈值，第二匹配阈值大于最低匹配阈值，例如，第一匹配阈值为80％，第二匹配阈值为70％，最低匹配阈值为60％。可选的，匹配阈值可设置三个以上，以得到更为完整、准确的匹配结果，对于多个匹配阈值，按照上述过程，依次根据人脸识别模型的识别结果中的相似度进行判断，对于小于相应档次的匹配阈值的结果，利用对应的人脸识别模型进行人脸识别，直至所有检测对象的相似度大于等于设定的匹配阈值，得到最终的人脸匹配结果。本实施例综合考虑到图像采集设备的拍摄范围、拍摄精度以及场景内光线等条件因素的影响，通过设置多个匹配阈值对人脸识别结果进行匹配，能够得到完整又准确的人脸匹配结果。
图2为本发明实施例的装置结构示意图。如图所示，本发明实施例提供的人脸动态识别装置，包括：
图像获取模块，用于获取包括多个检测对象的图像信息；
特征提取模块，用于对图像信息进行特征提取处理，提取出各检测对象的人脸特征信息；
匹配模块，用于根据各检测对象的人脸特征信息，通过动态匹配阈值匹配方式对各检测对象进行人脸识别处理，得到人脸匹配结果。
所述匹配模块用于设定从高到低的多个匹配阈值；
配置与各个匹配阈值相对应的人脸识别模型；
利用人脸识别模型对所述各检测对象的人脸特征信息进行识别处理，将大于等于与人脸识别模型相对应的匹配阈值的人脸识别结果作为所述人脸匹配结果。
于一些实施例中，利用图像采集设备采集包括多个检测对象的视频信息，按照预定时间从视频信息中提取视频帧图像作为图像信息进行后续识别处理。例如，在课前考勤时间段内，每隔1.5秒从视频信息中提取一幅图像信息；在课中考勤时间段内，每隔30秒从视频信息中提取一幅图像信息。
可于特定区域安装图像采集设备，用于采集特定区域内所有检测对象的图像信息。例如，对于课堂考勤场景，在教室前方安装摄像头，用于采集教室内所有学生的图像信息。
本实施例中，特征提取模块对图像信息进行提取处理，首先识别出图像信息中的人脸位置，于人脸位置截取出人脸轮廓，基于截取出的人脸轮廓提取人脸特征信息，人脸特征信息包括眉毛、眼部、鼻部、嘴部、脸型等特征信息。
本实施例中，匹配模块利用人脸识别模型对各检测对象的人脸特征信息进行人脸识别处理，得到人脸匹配结果。具体包括：
将包括所有检测对象的人脸特征信息的第一特征集合输入第一人脸识别模型，第一人脸识别模型对第一特征集合中的每组人脸特征信息进行识别，得到第一人脸识别结果，第一人脸识别结果包括特征值、身份信息及相似度，其中，身份信息包括检测对象的姓名、性别、所属班级或部门等；第一人脸识别模型是以所有检测对象的人脸特征信息为人脸样本训练得到的模型。
根据得到的第一人脸识别结果，将相似度大于等于预设的第一匹配阈值的结果作为第一结果，若存在相似度小于第一匹配阈值的结果，则将相似度小于第一匹配阈值的结果汇总于第一未识别特征集合。之后，将第一未识别特征集合输入第二人脸识别模型，第二人脸识别模型对第一未识别特征集合中的每组人脸特征信息进行识别，得到第二人脸识别结果。其中，第二人脸识别模型是以第一未识别特征集合中的检测对象对应的人脸特征信息为人脸样本训练得到的模型。
根据得到的第二人脸识别结果，将相似度大于等于预设的第二匹配阈值的结果作为第二结果，若存在相似度小于第二匹配阈值的结果，将相似度小于第二匹配阈值的结果汇总于第二未识别特征集合。之后，将第二未识别特征集合输入第三人脸识别模型，第三人脸识别模型对第二未识别特征集合中的每组人脸特征信息进行识别，得到第三人脸识别结果。其中，第三人脸识别模型是以第二未识别特征集合中的检测对象对应的人脸特征信息为人脸样本训练得到的模型。
根据第三人脸识别结果，将相似度大于等于预设的最低匹配阈值的结果作为第三结果，若不存在相似度小于最低匹配阈值的结果，则将第一、第二、第三结果汇总形成人脸匹配结果；若存在相似度小于最低匹配阈值的结果，则需要重新获取图像信息，对图像信息进行特征提取处理，根据提取出的人脸特征信息，进行人脸识别处理过程。
本实施例中，第一匹配阈值大于第二匹配阈值，第二匹配阈值大于最低匹配阈值，例如，第一匹配阈值为80％，第二匹配阈值为70％，最低匹配阈值为60％。可选的，匹配阈值可设置三个以上，以得到更为完整、准确的匹配结果，对于多个匹配阈值，按照上述过程，依次根据人脸识别模型的识别结果中的相似度进行判断，对于小于相应档次的匹配阈值的结果，利用对应的人脸识别模型进行人脸识别，直至所有检测对象的相似度大于等于设定的匹配阈值，得到最终的人脸匹配结果。本实施例综合考虑到图像采集设备的拍摄范围、拍摄精度以及场景内光线等条件因素的影响，通过设置多个匹配阈值对人脸识别结果进行匹配，能够得到完整又准确的人脸匹配结果。
基于上述目的，本发明实施例还提出了一种执行所述人脸动态识别方法的装置的一个实施例。所述装置包括：
一个或多个处理器以及存储器。
所述执行所述人脸动态识别方法的装置还可以包括：输入装置和输出装置。
处理器、存储器、输入装置和输出装置可以通过总线或者其他方式连接。
存储器作为一种非易失性计算机可读存储介质，可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块，如本发明实施例中的人脸动态识别方法对应的程序指令/模块。处理器通过运行存储在存储器中的非易失性软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例的人脸动态识别方法。
存储器可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据执行所述人脸动态识别方法的装置的使用所创建的数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至会员用户行为监控装置。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置可接收输入的数字或字符信息，以及产生与执行人脸动态识别方法的装置的用户设置以及功能控制有关的键信号输入。输出装置可包括显示屏等显示设备。
所述一个或者多个模块存储在所述存储器中，当被所述一个或者多个处理器执行时，执行上述任意方法实施例中的人脸动态识别方法。所述执行所述人脸动态识别方法的装置的实施例，其技术效果与前述任意方法实施例相同或者类似。
本发明实施例还提供了一种非暂态计算机存储介质，所述计算机存储介质存储有计算机可执行指令，该计算机可执行指令可执行上述任意方法实施例中的列表项操作的处理方法。所述非暂态计算机存储介质的实施例，其技术效果与前述任意方法实施例相同或者类似。
最后需要说明的是，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硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(Random Access Memory，RAM)等。所述计算机程序的实施例，其技术效果与前述任意方法实施例相同或者类似。
此外，典型地，本公开所述的装置、设备等可为各种电子终端设备，例如手机、个人数字助理(PDA)、平板电脑(PAD)、智能电视等，也可以是大型终端设备，如服务器等，因此本公开的保护范围不应限定为某种特定类型的装置、设备。本公开所述的客户端可以是以电子硬件、计算机软件或两者的组合形式应用于上述任意一种电子终端设备中。
此外，根据本公开的方法还可以被实现为由CPU执行的计算机程序，该计算机程序可以存储在计算机可读存储介质中。在该计算机程序被CPU执行时，执行本公开的方法中限定的上述功能。
此外，上述方法步骤以及系统单元也可以利用控制器以及用于存储使得控制器实现上述步骤或单元功能的计算机程序的计算机可读存储介质实现。
此外，应该明白的是，本文所述的计算机可读存储介质(例如，存储器)可以是易失性存储器或非易失性存储器，或者可以包括易失性存储器和非易失性存储器两者。作为例子而非限制性的，非易失性存储器可以包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦写可编程ROM(EEPROM)或快闪存储器。易失性存储器可以包括随机存取存储器(RAM)，该RAM可以充当外部高速缓存存储器。作为例子而非限制性的，RAM可以以多种形式获得，比如同步RAM(DRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据速率SDRAM(DDR SDRAM)、增强SDRAM(ESDRAM)、同步链路DRAM(SLDRAM)以及直接RambusRAM(DRRAM)。所公开的方面的存储设备意在包括但不限于这些和其它合适类型的存储器。
上述实施例的装置用于实现前述实施例中相应的方法，并且具有相应的方法实施例的有益效果，在此不再赘述。
所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本公开的范围(包括权利要求)被限于这些例子；在本发明的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，步骤可以以任意顺序实现，并存在如上所述的本发明的不同方面的许多其它变化，为了简明它们没有在细节中提供。
另外，为简化说明和讨论，并且为了不会使本发明难以理解，在所提供的附图中可以示出或可以不示出与集成电路(IC)芯片和其它部件的公知的电源/接地连接。此外，可以以框图的形式示出装置，以便避免使本发明难以理解，并且这也考虑了以下事实，即关于这些框图装置的实施方式的细节是高度取决于将要实施本发明的平台的(即，这些细节应当完全处于本领域技术人员的理解范围内)。在阐述了具体细节(例如，电路)以描述本发明的示例性实施例的情况下，对本领域技术人员来说显而易见的是，可以在没有这些具体细节的情况下或者这些具体细节有变化的情况下实施本发明。因此，这些描述应被认为是说明性的而不是限制性的。
尽管已经结合了本发明的具体实施例对本发明进行了描述，但是根据前面的描述，这些实施例的很多替换、修改和变型对本领域普通技术人员来说将是显而易见的。例如，其它存储器架构(例如，动态RAM(DRAM))可以使用所讨论的实施例。
本发明的实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此，凡在本发明的精神和原则之内，所做的任何省略、修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (13)
1.一种人脸动态识别方法，其特征在于，包括：
获取包括多个检测对象的图像信息；
对所述图像信息进行特征提取处理，提取出各检测对象的人脸特征信息；
根据所述各检测对象的人脸特征信息，通过动态匹配阈值匹配方式对各检测对象进行人脸识别处理，得到人脸匹配结果。
2.根据权利要求1所述的方法，其特征在于，所述人脸识别处理方法包括：
设定从高到低的多个匹配阈值；
配置与各个匹配阈值相对应的人脸识别模型；
利用所述人脸识别模型对所述各检测对象的人脸特征信息进行识别处理，将大于等于与所述人脸识别模型相对应的匹配阈值的人脸识别结果作为所述人脸匹配结果。
3.根据权利要求2所述的方法，其特征在于，利用第一人脸识别模型对第一特征集合进行识别处理，得到第一人脸识别结果；所述第一特征集合包括所有检测对象的人脸特征信息，所述第一人脸识别模型是以所有检测对象的人脸特征信息为人脸样本训练得到的模型；
将所述第一人脸识别结果中各项结果的相似度与预设的第一匹配阈值进行比较，将相似度大于等于所述第一匹配阈值的结果作为第一结果，若存在小于所述第一匹配阈值的结果，将小于所述第一匹配阈值的结果汇总于第一未识别特征集合；
利用第二人脸识别模型对所述第一未识别特征集合进行识别处理，得到第二人脸识别结果；所述第二人脸识别模型是以所述第一未识别特征集合中的检测对象对应的人脸特征信息为人脸样本训练得到的模型；
将所述第二人脸识别结果中各项结果的相似度与预设的第二匹配阈值进行比较，将相似度大于等于所述第二匹配阈值的结果作为第二结果，若存在小于所述第二匹配阈值的结果，将小于所述第二匹配阈值的结果汇总于第二未识别特征集合；
利用第三人脸识别模型对所述第二未识别特征集合进行识别处理，得到第三人脸识别结果；所述第三人脸识别模型是以所述第二未识别特征集合中的检测对象对应的人脸特征信息为人脸样本训练得到的模型；
将所述第三人脸识别结果中各项结果的相似度与预设的最低匹配阈值进行比较，将相似度大于等于所述最低匹配阈值的结果作为第三结果。
4.根据权利要求3所述的方法，其特征在于，若存在所述相似度小于所述最低匹配阈值的结果，重新获取所述图像信息，对所述图像信息进行特征提取处理，基于提取出的人脸特征信息利用所述人脸识别处理方法进行人脸识别处理。
5.根据权利要求3所述的方法，其特征在于，若不存在所述相似度小于所述第一匹配阈值的结果，所述第一结果为所述人脸匹配结果，若不存在所述相似度小于所述第二匹配阈值的结果，所述第一结果和第二结果为所述人脸匹配结果，若不存在所述相似度小于所述最低匹配阈值的结果，所述第一结果、第二结果和第三结果为所述人脸匹配结果。
6.根据权利要求3所述的方法，其特征在于，所述第一匹配阈值大于所述第二匹配阈值，所述第二匹配阈值大于所述最低匹配阈值。
7.一种人脸动态识别装置，其特征在于，包括：
图像获取模块，用于获取包括多个检测对象的图像信息；
特征提取模块，用于对图像信息进行特征提取处理，提取出各检测对象的人脸特征信息；
匹配模块，用于根据各检测对象的人脸特征信息，通过动态匹配阈值匹配方式对各检测对象进行人脸识别处理，得到人脸匹配结果。
8.根据权利要求7所述的装置，其特征在于，所述匹配模块，
用于设定从高到低的多个匹配阈值；
配置与各个匹配阈值相对应的人脸识别模型；
利用所述人脸识别模型对所述各检测对象的人脸特征信息进行识别处理，将大于等于与所述人脸识别模型相对应的匹配阈值的人脸识别结果作为所述人脸匹配结果。
9.根据权利要求8所述的装置，其特征在于，所述匹配模块利用第一人脸识别模型对第一特征集合进行识别处理，得到第一人脸识别结果；所述第一特征集合包括所有检测对象的人脸特征信息，所述第一人脸识别模型是以所有检测对象的人脸特征信息为人脸样本训练得到的模型；
将所述第一人脸识别结果中各项结果的相似度与预设的第一匹配阈值进行比较，将相似度大于等于所述第一匹配阈值的结果作为第一结果，若存在小于所述第一匹配阈值的结果，将小于所述第一匹配阈值的结果汇总于第一未识别特征集合；
利用第二人脸识别模型对所述第一未识别特征集合进行识别处理，得到第二人脸识别结果；所述第二人脸识别模型是以所述第一未识别特征集合中的检测对象对应的人脸特征信息为人脸样本训练得到的模型；
将所述第二人脸识别结果中各项结果的相似度与预设的第二匹配阈值进行比较，将相似度大于等于所述第二匹配阈值的结果作为第二结果，若存在小于所述第二匹配阈值的结果，将小于所述第二匹配阈值的结果汇总于第二未识别特征集合；
利用第三人脸识别模型对所述第二未识别特征集合进行识别处理，得到第三人脸识别结果；所述第三人脸识别模型是以所述第二未识别特征集合中的检测对象对应的人脸特征信息为人脸样本训练得到的模型；
将所述第三人脸识别结果中各项结果的相似度与预设的最低匹配阈值进行比较，将相似度大于等于所述最低匹配阈值的结果作为第三结果。
10.根据权利要求9所述的装置，其特征在于，若存在所述相似度小于所述最低匹配阈值的结果，所述图像获取模块重新获取所述图像信息，所述特征提取模块对所述图像信息进行特征提取处理，所述匹配模块基于提取出的人脸特征信息进行人脸识别处理。
11.根据权利要求9所述的装置，其特征在于，若不存在所述相似度小于所述第一匹配阈值的结果，所述第一结果为所述人脸匹配结果，若不存在所述相似度小于所述第二匹配阈值的结果，所述第一结果和第二结果为所述人脸匹配结果，若不存在所述相似度小于所述最低匹配阈值的结果，所述第一结果、第二结果和第三结果为所述人脸匹配结果。
12.根据权利要求9所述的装置，其特征在于，所述第一匹配阈值大于所述第二匹配阈值，所述第二匹配阈值大于所述最低匹配阈值。
13.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至6任意一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910765182.4A CN111353364A (zh) | 2019-08-19 | 2019-08-19 | 一种人脸动态识别方法及装置、电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910765182.4A CN111353364A (zh) | 2019-08-19 | 2019-08-19 | 一种人脸动态识别方法及装置、电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111353364A true CN111353364A (zh) | 2020-06-30 |
Family
ID=71192853
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910765182.4A Pending CN111353364A (zh) | 2019-08-19 | 2019-08-19 | 一种人脸动态识别方法及装置、电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111353364A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112101215A (zh) * | 2020-09-15 | 2020-12-18 | Oppo广东移动通信有限公司 | 人脸录入的方法、终端设备及计算机可读存储介质 |
| CN112257491A (zh) * | 2020-08-20 | 2021-01-22 | 江苏正赫通信息科技有限公司 | 自适应调度人脸识别和属性分析方法及装置 |
| CN113033307A (zh) * | 2021-02-22 | 2021-06-25 | 浙江大华技术股份有限公司 | 对象的匹配方法、装置、存储介质及电子装置 |
| CN115793923A (zh) * | 2023-02-09 | 2023-03-14 | 深圳市泛联信息科技有限公司 | 一种人机界面运动轨迹识别方法、系统、设备及介质 |
-
2019
- 2019-08-19 CN CN201910765182.4A patent/CN111353364A/zh active Pending
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112257491A (zh) * | 2020-08-20 | 2021-01-22 | 江苏正赫通信息科技有限公司 | 自适应调度人脸识别和属性分析方法及装置 |
| CN112257491B (zh) * | 2020-08-20 | 2021-12-24 | 江苏正赫通信息科技有限公司 | 自适应调度人脸识别和属性分析方法及装置 |
| CN112101215A (zh) * | 2020-09-15 | 2020-12-18 | Oppo广东移动通信有限公司 | 人脸录入的方法、终端设备及计算机可读存储介质 |
| CN113033307A (zh) * | 2021-02-22 | 2021-06-25 | 浙江大华技术股份有限公司 | 对象的匹配方法、装置、存储介质及电子装置 |
| CN113033307B (zh) * | 2021-02-22 | 2024-04-02 | 浙江大华技术股份有限公司 | 对象的匹配方法、装置、存储介质及电子装置 |
| CN115793923A (zh) * | 2023-02-09 | 2023-03-14 | 深圳市泛联信息科技有限公司 | 一种人机界面运动轨迹识别方法、系统、设备及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| RU2762142C1 (ru) | Способ и устройство для определения ключевой точки лица, компьютерное устройство и носитель данных | |
| CN111353364A (zh) | 一种人脸动态识别方法及装置、电子设备 | |
| Gupta et al. | Face detection and recognition using Raspberry Pi | |
| US10235603B2 (en) | Method, device and computer-readable medium for sensitive picture recognition | |
| US11126882B2 (en) | Method and device for license plate positioning | |
| WO2020098250A1 (zh) | 字符识别方法、服务器及计算机可读存储介质 | |
| WO2019071664A1 (zh) | 结合深度信息的人脸识别方法、装置及存储介质 | |
| CN111626371A (zh) | 一种图像分类方法、装置、设备及可读存储介质 | |
| CN111160275B (zh) | 行人重识别模型训练方法、装置、计算机设备和存储介质 | |
| WO2020244071A1 (zh) | 基于神经网络的手势识别方法、装置、存储介质及设备 | |
| CN105243370A (zh) | 一种指纹识别方法、指纹识别装置和移动终端 | |
| Anand et al. | An improved local binary patterns histograms techniques for face recognition for real time application | |
| CN108108711B (zh) | 人脸布控方法、电子设备及存储介质 | |
| CN112434556A (zh) | 宠物鼻纹识别方法、装置、计算机设备及存储介质 | |
| EP3617993B1 (en) | Collation device, collation method and collation program | |
| CN110569826B (zh) | 一种人脸识别方法、装置、设备及介质 | |
| JP2022133378A (ja) | 顔生体検出方法、装置、電子機器、及び記憶媒体 | |
| CN113221771A (zh) | 活体人脸识别方法、装置、设备、存储介质及程序产品 | |
| WO2022077139A1 (zh) | 人脸识别方法、装置及可读存储介质 | |
| CN111353368A (zh) | 云台摄像机、人脸特征处理方法及装置、电子设备 | |
| CN109558773B (zh) | 信息识别方法、装置及电子设备 | |
| CN114663726A (zh) | 目标类别检测模型的训练方法、目标检测方法及电子设备 | |
| CN110163151B (zh) | 人脸模型的训练方法、装置、计算机设备和存储介质 | |
| CN110569707A (zh) | 一种身份识别方法和电子设备 | |
| CN111311772A (zh) | 一种考勤处理方法及装置、电子设备 |
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 |