CN111368622A - 人员识别方法及装置、存储介质 - Google Patents
人员识别方法及装置、存储介质 Download PDFInfo
- Publication number
- CN111368622A CN111368622A CN201910996289.XA CN201910996289A CN111368622A CN 111368622 A CN111368622 A CN 111368622A CN 201910996289 A CN201910996289 A CN 201910996289A CN 111368622 A CN111368622 A CN 111368622A
- Authority
- CN
- China
- Prior art keywords
- face image
- database
- identity information
- recognized
- person
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 72
- 230000001815 facial effect Effects 0.000 claims description 112
- 238000004590 computer program Methods 0.000 claims description 22
- 238000012545 processing Methods 0.000 claims description 20
- 239000002699 waste material Substances 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 14
- 230000008569 process Effects 0.000 description 8
- 230000000694 effects Effects 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000007667 floating Methods 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
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
-
- 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
- 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)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Collating Specific Patterns (AREA)
- Image Analysis (AREA)
Abstract
本申请实施例提供的人员识别方法及装置、存储介质,在抓拍设备中设置初始状态为空的第一数据库,当抓拍设备抓拍到人脸图像后,首先与本地的第一数据库进行比对,在未成功识别的情况下,抓拍设备将该人脸图像存储在第一数据库中,并发送给后端的服务器,由服务器对该人脸图像进行识别,并向抓拍设备返回识别得到的身份信息,抓拍设备将该身份信息添加至第一数据库中。当该人脸图像对应的人员再次被抓拍到时,即可由抓拍设备利用第一数据库完成识别,无需再经过后端服务器识别,从而降低了人员识别成本、改善了比对资源的浪费问题。
Description
技术领域
本申请实施例涉及监控技术领域,尤其涉及一种人员识别方法及装置、存储介质。
背景技术
基于人脸图像的人员聚类可应用于视频监控场景中。基于人脸图像的人员聚类是指将同一个人员的人脸图像聚类到一起,当查询该人员的唯一标识时,能够将该人员对应的人脸图像提取出来。
现有技术中,由抓拍设备对进入监控区域的人员进行人脸抓拍,得到人脸图像。抓拍设备将抓拍到的人脸图像发送给后端的服务器。服务器将人脸图像与数据库进行比对,得到人员的身份信息,并将该人员的身份信息和人脸图像存储到抓拍库中。从而,抓拍库可用于进行人员聚类。例如,利用人员的身份信息,从抓拍库中获取该人员对应的人脸图像,从而根据这些人脸图像确定出该人员的活动轨迹。
然而,实际应用中,人脸抓拍的数据量庞大,各抓拍设备抓拍到的人脸图像均发送给后端服务器进行人员识别,需要多台服务器进行集群才能保证后端处理性能,导致人员识别成本较高。
发明内容
本申请实施例提供一种人员识别方法及装置、存储介质,用以降低人员识别的成本。
第一方面,本申请实施例提供一种人员识别方法,应用于第一人员识别装置,包括:
从第一数据库中获取与待识别人脸图像的相似度最高的第一人脸图像,以及所述待识别人脸图像与所述第一人脸图像的第一相似度;
若所述第一相似度大于或者等于第一阈值,则将所述第一人脸图像的身份信息作为所述待识别人脸图像的身份信息;
若所述第一相似度小于第二阈值,其中,所述第二阈值不大于所述第一阈值,则执行如下步骤:
将所述待识别人脸图像存储至所述第一数据库中;
向第二人员识别装置发送所述待识别人脸图像,以使所述第二人员识别装置对所述待识别人脸图像进行识别;
接收所述待识别人脸图像对应的目标身份信息,并将所述目标身份信息作为所述待识别人脸图像的身份信息存储至所述第一数据库中;其中,所述目标身份信息为所述第二人员识别装置对所述待识别人脸图像进行识别得到的。
可选的,所述第二阈值小于所述第一阈值;所述方法还包括:
若所述第一相似度大于或者等于所述第二阈值、且小于所述第一阈值,则向所述第二人员识别装置发送所述待识别人脸图像,以使所述第二人员识别装置对所述待识别人脸图像进行识别。
第二方面,本申请实施例提供一种人员识别方法,应用于第二人员识别装置,包括:
接收第一人员识别装置发送的待识别人脸图像;
从第二数据库中获取与所述待识别人脸图像的相似度最高的第二人脸图像,以及所述待识别人脸图像与所述第二人脸图像的第二相似度;所述第二数据库用于存储第一已知人员对应的人脸图像和身份信息,所述第一已知人员是所述第一人员识别装置所属区域中的已知人员;
若所述第二相似度大于或者等于第三阈值,则将所述第二人脸图像的身份信息作为所述待识别人脸图像的目标身份信息,并发送至所述第一人员识别装置。
可选的,所述方法还包括:
若所述第二相似度小于所述第三阈值,则从第三数据库和第四数据库中获取与所述待识别人脸图像的相似度最高的第三人脸图像,以及所述待识别人脸图像与所述第三人脸图像的第三相似度;其中,所述第三数据库用于存储第二已知人员对应的人脸图像和身份信息,第二已知人员是所述第一人员识别装置所属区域的上级区域中除所述第一已知人员以外的已知人员;所述第四数据库用于存储未知人员对应的人脸图像和身份信息,所述未知人员是所述第一人员识别装置所属区域的上级区域中的未知身份信息的人员;
若所述第三相似度大于或者等于第四阈值,则将所述第三人脸图像的身份信息作为所述待识别人脸图像的目标身份信息,并发送至所述第一人员识别装置;
若所述第三相似度小于所述第四阈值,则为所述待识别人脸图像生成目标身份信息,将所述待识别人脸图像和所述目标身份信息存储至第四数据库中,并向所述第一人员识别装置发送所述所述目标身份信息。
第三方面,本申请实施例提供一种人员识别装置,包括:
比对模块,用于从第一数据库中获取与待识别人脸图像的相似度最高的第一人脸图像,以及所述待识别人脸图像与所述第一人脸图像的第一相似度;
处理模块,用于若所述第一相似度大于或者等于第一阈值,则将所述第一人脸图像的身份信息作为所述待识别人脸图像的身份信息;
所述处理模块,还用于若所述第一相似度小于第二阈值,其中,所述第二阈值不大于所述第一阈值,则将所述待识别人脸图像存储至所述第一数据库中;向第二人员识别装置发送所述待识别人脸图像,以使所述第二人员识别装置对所述待识别人脸图像进行识别;
接收模块,用于接收所述待识别人脸图像对应的目标身份信息,并将所述目标身份信息作为所述待识别人脸图像的身份信息存储至所述第一数据库中;其中,所述目标身份信息为所述第二人员识别装置对所述待识别人脸图像进行识别得到的。
可选的,所述第二阈值小于所述第一阈值,所述处理模块还用于:
若所述第一相似度大于或者等于所述第二阈值、且小于所述第一阈值,则向所述第二人员识别装置发送所述待识别人脸图像,以使所述第二人员识别装置对所述待识别人脸图像进行识别。
第四方面,本申请实施例提供一种人员识别装置,包括:
接收模块,用于接收第一人员识别装置发送的待识别人脸图像;
识别模块,用于从第二数据库中获取与所述待识别人脸图像的相似度最高的第二人脸图像,以及所述待识别人脸图像与所述第二人脸图像的第二相似度;所述第二数据库用于存储第一已知人员对应的人脸图像和身份信息,所述第一已知人员是所述第一人员识别装置所属区域中的已知人员;
所述识别模块,还用于若所述第二相似度大于或者等于第三阈值,则将所述第二人脸图像的身份信息作为所述待识别人脸图像的目标身份信息;
发送模块,用于向所述第一人员识别装置发送所述目标身份信息。
可选的,所述识别模块,还用于若所述第二相似度小于所述第三阈值,则从第三数据库和第四数据库中获取与所述待识别人脸图像的相似度最高的第三人脸图像,以及所述待识别人脸图像与所述第三人脸图像的第三相似度;其中,所述第三数据库用于存储第二已知人员对应的人脸图像和身份信息,第二已知人员是所述第一人员识别装置所属区域的上级区域中除所述第一已知人员以外的已知人员;所述第四数据库用于存储未知人员对应的人脸图像和身份信息,所述未知人员是所述第一人员识别装置所属区域的上级区域中的未知身份信息的人员;
所述识别模块,还用于若所述第三相似度大于或者等于第四阈值,则将所述第三人脸图像的身份信息作为所述待识别人脸图像的目标身份信息;若所述第三相似度小于所述第四阈值,则为所述待识别人脸图像生成目标身份信息,将所述待识别人脸图像和所述目标身份信息存储至第四数据库中;
所述发送模块,用于在将所述第二人脸图像/第三人脸图像的身份信息作为所述待识别人脸图像的目标身份信息的情况下,向所述第一人员识别装置发送所述目标身份信息。
第五方面,本申请实施例提供一种人员识别装置,包括存储器、处理器以及计算机程序,所述计算机程序存储在所述存储器中,所述处理器运行所述计算机程序执行如第一方面任一项所述的方法。
可选的,人员识别装置为抓拍设备。
第六方面,本申请实施例提供一种人员识别装置,包括:存储器、处理器以及计算机程序,所述计算机程序存储在所述存储器中,所述处理器运行所述计算机程序执行如第二方面任一项所述的方法。
可选的,人员识别装置为服务器。
第七方面,本申请实施例提供一种计算机可读存储介质,所述计算机可读存储介质包括计算机程序,所述计算机程序被处理器执行时实现如第一方面任一项所述的方法,或者,如第二方面任一项所述的方法。
第八方面,本申请实施例提供一种人员识别系统,包括如第五方面任一项所述的人员识别装置,以及至少一个如第六方面任一项所述的人员识别装置。
本申请实施例提供的人员识别方法及装置、存储介质,位于小场景中的抓拍设备抓拍得到人脸图像后,首先在本地利用小场景的第一数据库进行本地识别,在未成功识别的情况下下,抓拍设备将待识别人脸图像存储在第一数据库中,并发送给后端的服务器,由后端的服务器对该人脸图像进行识别,并向抓拍设备返回识别得到的该人脸图像的身份信息,由抓拍设备将该身份信息添加至该人脸图像并存储于第一数据库中。当该人脸图像对应的人员再次被抓拍到时,即可由前端的抓拍设备利用第一数据库完成识别,无需再经过后端服务器识别,从而降低了人员识别成本、改善了比对资源的浪费问题。随着上述的人员识别数量的增加,前端的抓拍设备中的第一数据库中的人员信息不断增加,即第一数据库中也存储了越来越多的人员信息,使得前端的抓拍设备利用第一数据库可以实现人员识别和聚类,这样,解决了由于小场景中无法收集实名人员信息、不具有部署实名数据库和大型比对服务器的能力导致的无法在小场景中独立实现人员识别与聚类的问题。
附图说明
为了更清楚地说明本申请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申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例中的网络架构示意图;
图2为本申请实施例适用的应用场景示意图;
图3为本申请一实施例提供的人员识别方法的流程示意图;
图4为本申请另一实施例提供的人员识别方法的流程示意图;
图5为本申请实施例提供的人员识别过程的示意图;
图6为本申请一个实施例提供的人员识别装置的结构示意图;
图7为本申请另一个实施例提供的人员识别装置的结构示意图;
图8为本申请一个实施例提供的人员识别装置的硬件结构示意图;
图9为本申请另一个实施例提供的人员识别装置的硬件结构示意图。
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,所描述的实施例仅仅是本申请一部分实施例,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。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,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、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为了便于理解本申请的技术方案,首先结合图1和图2对本申请的网络架构以及应用场景进行介绍。
图1示例性地示出了本申请实施例中的网络架构示意图,包括:第一人员识别装置和第二人员识别装置。其中,第一人员识别装置和第二人员识别装置均具有对人脸图像进行分析、比对以识别得到人员身份信息的能力。如图1所示,第一人员识别装置可以为具有抓拍功能的电子设备,例如人脸抓拍摄像头。第一人员识别装置还可以是与抓拍设备连接的处理设备。本实施例中,第二人员识别装置的识别能力可以高于第一人员识别装置的识别能力。示例性的,第二人员识别装置可以具有大数据量的存储能力和处理能力。例如:第二人员识别装置可以为服务器。
为了描述方便,后续实施例中,以第一人员识别装置为抓拍设备、第二人员识别装置为服务器为例进行描述。
图2示例性地示出了本申请实施例适用的应用场景示意图。本实施例可应用于小场景和大场景相结合的监控场景。其中,小场景也可以称为下级场景,包括但不限于:社区场景、工地场景、公共区域场景等。大场景为小场景的上级区域,大场景也可以称为上级场景,包括但不限于:市区场景、省区场景等。示例性的,以小场景为社区场景、大场景为市区场景为例,如图2所示,市区中通常包括多个社区。下面对社区场景和市区场景的特点进行对比说明。
社区中的人员主要包括常住人员和流动人员。其中,常住人员是指在小区长期居住或者长期工作的人员。流动人员包括但不限于:快递员、送餐人员、游客等。由于单个社区的区域范围较小,社区中的人脸抓拍数据量较少,人员重复出现频率较高。另外,社区场景中的人员信息属于敏感信息,通常无法收集实名人员信息。并且,社区场景中,承担成本能力较低,不具有部署大型数据库和部署大型比对服务器的能力。
市区中通常包括多个社区,市区中的人员组成更加复杂。市区场景中的人脸抓拍数据量较大,人员基数也较大。市区通常有相关机构的管控,容易获取到实名人员信息。并且,市区通常承担成本能力较高,容易部署大型数据库和部署大型比对服务器。
结合图2所示的应用场景,抓拍设备也可以称为前端识别设备,服务器也可以称为后端识别设备。抓拍设备部署在图2所示的社区场景中,一个社区中可以部署一个或者多个抓拍设备,例如设置在社区主入口、岔路口、楼门口等需要监控的位置。服务器可以部署在图2所示的市区场景中。各社区的抓拍设备均与服务器连接。
现有技术中,在进行人员识别时,抓拍设备将抓拍到的人脸图像均发送给后端的服务器,由服务器将人脸图像与数据库进行比对,得到人员的身份信息。然而,实际应用中,一方面,人脸抓拍的数据量庞大,各抓拍设备抓拍到的人脸图像均发送给服务器进行人员识别,需要多台服务器进行集群才能保证后端处理性能,导致人员识别成本较高。并且,同一人员被抓拍到的人脸图像通常具有一定的规律性,每次均发送给服务器进行全量的人脸比对,造成比对资源的浪费。另一方面,由于社区等小场景中不具有部署大型数据库和部署大型比对服务器的能力,且,小场景中的人员信息属于敏感信息,通常无法收集实名人员信息,因此,通常无法在小场景中独立实现人员识别与聚类。
为了解决上述问题中的至少一个,本申请实施例提供一种人员识别方法,结合小场景和大场景的优势,实现抓拍设备和服务器的分级识别。首先在小场景中设置第一数据库,位于小场景中的抓拍设备抓拍得到人脸图像后,先在本地利用小场景的第一数据库进行本地识别,在未成功识别的情况下,抓拍设备将待识别人脸图像存储在第一数据库中,并发送给后端的服务器,由后端的服务器对该人脸图像进行识别,并向抓拍设备返回识别得到的该人脸图像的身份信息,由抓拍设备将该身份信息添加至该人脸图像并存储于第一数据库中。若后端的服务器识别出该人脸图像为该小场景的已知人员,则第一数据库间接获得了该小场景的实名人员信息;若后端的服务器识别出该人脸图像为其他小场景的已知人员,则第一数据库间接获得了大场景中其他小场景的实名人员信息;若后端的服务器识别出该人脸图像为大场景中的陌生人,则第一数据库间接获得了大场景陌生人的人员信息。当该人脸图像对应的人员再次被抓拍到时,即可由前端的抓拍设备利用第一数据库完成识别,无需再经过后端服务器识别,从而降低了人员识别成本、改善了比对资源的浪费问题。
可选的,第一数据库的初始状态为空数据库,可进一步降低小场景中抓拍设备的存储资源压力,且避免第一数据库中存在不可用的数据,使得第一数据库中的数据与在小场景中出现过的人员的数据基本对应,有效利用抓拍设备的存储资源。
随着上述的人员识别数量的增加,前端的抓拍设备中的第一数据库中的人员信息不断增加,即第一数据库中也存储了越来越多的人员信息,使得前端的抓拍设备利用第一数据库可以实现人员识别和聚类,这样,解决了由于小场景中无法收集实名人员信息、不具有部署实名数据库和大型比对服务器的能力导致的无法在小场景中独立实现人员识别与聚类的问题。进一步的,由于小场景中人员重复出现频率较高,在本地利用第一数据库进行识别即可大概率识别出身份信息。若在本地识别得到人员身份信息,则无需将人脸图像发送给服务器进行识别。若在本地未能识别得到人员身份信息,则将人脸图像发送给服务器,由服务器利用大场景的数据库进行人员身份信息的识别。这样,降低了服务器的识别数据量,并降低了抓拍设备与服务器之间的数据传输的带宽消耗,实现了服务器对抓拍设备的人员识别能力赋能,并且,实现了抓拍设备对服务器的人员识别性能减压。
下面以具体地实施例对本申请的技术方案进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例不再赘述。
图3为本申请一实施例提供的人员识别方法的流程示意图。本实施例的人员识别方法可以应用于如图1所示的网络架构中。为了描述方便,本实施例中以第一人员识别设备为抓拍设备、第二人员识别设备为服务器为例进行描述。如图3所示,本实施例的方法,包括:
S301:抓拍设备从第一数据库中获取与待识别人脸图像的相似度最高的第一人脸图像,以及待识别人脸图像与第一人脸图像的第一相似度。
可选的,待识别人脸图像为抓拍设备抓拍得到的图像。抓拍设备抓拍到人脸图像后可以实时执行本实施例中的S301至S303以进行人员识别,也可以先将人脸图像缓存起来,待需要进行人脸识别时进行离线识别。可选的,待识别人脸图像也可以为其他设备输入的人脸图像;例如,当第一人员识别设备为服务器时,当其他小场景中有识别需求时,也可向该小场景中的服务器输入待识别人脸图像;例如,可直接输入待识别人员的照片,将照片中的人脸作为待识别人脸图像。
第一数据库是设置在抓拍设备中的数据库,本实施例中的第一数据库为小场景的数据库,或者称为下级数据库。第一数据库用于存储抓拍设备所属区域(即小场景)中人员信息。其中,人员信息可以包括小场景中的全部人员的人脸图像和身份信息,还可以包括小场景中的部分人员的人脸图像和身份信息。一些实施例中,人员信息除了包括小场景中的人员信息,还可以包括小场景中的陌生人的人员信息。
可选的,第一数据库的初始状态为空数据库。应理解,随着本实施例的人员识别方法执行次数的增加,第一数据库中的人员信息可以不断被补充和完善,即第一数据库中包括越来越多的人员的人脸图像和身份信息。其中,第一数据库中的身份信息可以是经过服务器对人脸图像进行识别得到的。
示例性的,位于小场景中的抓拍设备抓拍得到人脸图像后,首先在本地利用小场景的第一数据库进行本地识别,由于第一数据库的初始状态为空,则第一次进行识别的人脸图像将无法识别到,即人脸相似度为0,在这种情况下,抓拍设备将第一次进行识别的人脸图像存储在第一数据库中,并发送给后端的服务器,由后端的服务器对该人脸图像进行识别,并向抓拍设备返回识别得到的该人脸图像的身份信息,由抓拍设备将该身份信息添加至该人脸图像并存储于第一数据库中。若后端的服务器识别出该人脸图像为该小场景的已知人员,则第一数据库间接获得了该小场景的实名人员信息;若后端的服务器识别出该人脸图像为其他小场景的已知人员,则第一数据库间接获得了大场景中其他小场景的实名人员信息;若后端的服务器识别出该人脸图像为大场景中的陌生人,则第一数据库间接获得了大场景陌生人的人员信息。
这样,随着人员识别数量的增加,抓拍设备中的第一数据库中的人员信息不断增加,即第一数据库中存储了越来越多的人员信息,使得抓拍设备可以利用第一数据库进行人员识别。解决了由于小场景中无法收集实名人员信息、不具有部署实名数据库和大型比对服务器的能力导致的无法在小场景中独立实现人员识别与聚类的问题。
其中,本实施例中的身份信息是指能够标识一个人员身份的唯一标识信息。示例性的,身份信息可以为身份证号码,还可以为身份证号码的哈希(hash)值。
S302:若第一相似度大于或者等于第一阈值,则抓拍设备将第一人脸图像的身份信息作为待识别人脸图像的身份信息。
S303:若第一相似度小于第二阈值,则抓拍设备将待识别人脸图像存储至第一数据库中,并向服务器发送待识别人脸图像,以使服务器对待识别人脸图像进行识别。
其中,本实施例中,第一阈值用于判断待识别人脸图像与第一数据库是否匹配成功,若第一相似度大于或者等于第一阈值,则确定待识别人脸图像与第一数据库匹配成功;若第一相似度小于第一阈值,则确定待识别人脸图像与第一数据库匹配失败。第二阈值用于判断是否将待识别人脸图像保存至第一数据库中,第二阈值不大于第一阈值。当第一相似度小于第二阈值时,确定将待识别人脸图像保存至第一数据库中。本实施例对于第一阈值和第二阈值的取值不作具体限定,可以根据实际应用场景进行设置,例如第一阈值可以为95%,第二阈值可以为小于或者等于95%的值,例如50%,70%等。
能够理解,若第一相似度小于第一阈值,即待识别人脸图像与第一数据库匹配失败,则说明第一数据库中不存在待识别人脸图像对应的人员信息,因此,可以将待识别人脸图像发送给后端的服务器,由服务器对待识别人脸图像进行识别。
本实施例中,若第一相似度小于第二阈值,其中,第二阈值不大于第一阈值,则将待识别人脸图像存储至第一数据库中,向第二人员识别装置发送待识别人脸图像,以使第二人员识别装置对待识别人脸图像进行识别。
这里包括两种情况。情况1:第二阈值等于第一阈值,例如,第一阈值和第二阈值均为95%。这种情况下,若第一相似度大于或者等于95%,则说明待识别人脸图像与第一人脸图像比对成功,直接将第一人脸图像的身份信息作为待识别人脸图像的目标身份信息。一些场景中,抓拍设备还可以存储待识别人脸图像和目标身份信息,例如存入抓拍库中。若第一相似度小于95%,则说明待识别人脸图像与第一人脸图像比对失败,则先在第一数据库中存储待识别人脸图像,并将待识别人脸图像发送给服务器进行识别。当服务器识别到待识别人脸图像的目标身份信息时,终端设备从服务器获取目标身份信息,并将身份信息添加至第一数据库中,这样可以实现对第一数据库中的人员信息的补充和完善。
情况2:第二阈值小于第一阈值,例如,第一阈值为95%,第二阈值为50%。这种情况下,若第一相似度大于或者等于95%,则说明待识别人脸图像与第一人脸图像比对成功,直接将第一人脸图像的身份信息作为待识别人脸图像的目标身份信息,并存储待识别人脸图像和目标身份信息,例如存入抓拍库中。若第一相似度小于50%,则先在第一数据库中存储待识别人脸图像,并将待识别人脸图像发送给服务器进行识别。当服务器识别到待识别人脸图像的目标身份信息时,终端设备从服务器获取目标身份信息,并将身份信息添加至第一数据库中,这样可以实现对第一数据库中的人员信息的补充和完善。
上述的情况1中,只要待识别人脸图像与第一数据库匹配失败(即第一相似度小于第一阈值),则抓拍设备就将待识别人脸图像保存至第一数据库中。而上述的情况2中,在待识别人脸图像与第一数据库匹配失败的情况下,还要利用第二阈值进行判断,只有当第一相似度小于第二阈值时,才将待识别人脸图像保存至第一数据库中。能够理解,第一数据库是设置在抓拍设备中的,受到抓拍设备的存储容量限制,第一数据库中的数据量不宜过大,因此,上述的情况2与情况1相比,可以避免第一数据库中的数据量过大。
能够理解,上述两种情况中,抓拍设备将待识别人脸图像存储到第一数据库中后,待识别人脸图像是未关联身份信息的。
其中,上述的抓拍库可以是位于服务器中,也可以是位于抓拍设备中,还可以是位于独立于服务器和抓拍设备的其他设备中。
相应的,服务器从抓拍设备接收待识别人脸图像。
S304:服务器从第二数据库中获取与待识别人脸图像的相似度最高的第二人脸图像,以及待识别人脸图像与第二人脸图像的第二相似度。
其中,第二数据库与现有技术中的服务器侧的全集数据库不同,本申请中的第二数据库其实为现有技术中全集数据库的子集。第二数据库用于存储第一已知人员对应的人脸图像和身份信息,第一已知人员是抓拍设备所属区域中的已知人员。示例性的,假设抓拍设备设置在社区1(小场景)中,则第一已知人员是社区1中的已知身份信息的人员,即社区1中的实名人员。本实施例中,第二数据库设置在服务器侧,第二数据库为大场景的数据库。示例性的,可以利用大场景中的实名信息采集能力对社区1中的实名人员进行采集,得到第二数据库。
S305:若第二相似度大于或者等于第三阈值,则服务器将第二人脸图像的身份信息作为待识别人脸图像的目标身份信息,并向抓拍设备发送目标身份信息。
依然以抓拍设备设置在社区1为例,由于第二数据库中存储的是社区1中的已知人员的人脸图像和身份信息,并且,通常抓拍设备抓拍的人脸图像较大概率为社区1中的人员。因此,当服务器从抓拍设备接收到待识别人脸图像后,先将待识别人脸图像与第二数据库进行对比,从而能够较大概率识别出人员身份信息。与现有技术中服务器每次将待识别人脸图像与全集的数据库进行比对,能够降低人脸比对资源,提高人员识别效率。
本实施例中,服务器从抓拍设备接收到待识别人脸图像后,将待识别人脸图像与第二数据库中的各人脸图像进行比对,确定出相似度最高的第二人脸图像。若待识别人脸图像与第二人脸图像的相似度大于或者等于第三阈值,则说明待识别人脸图像与第二人脸图像比中,因此,服务器将第二人脸图像的身份信息作为待识别人脸图像的目标身份信息,并将目标身份信息发送给抓拍设备。一些场景中,服务器还可以将待识别人脸图像和目标身份信息存入抓拍库中。
其中,第三阈值用于判断待识别人脸图像与第二数据库是否匹配成功,本实施例对于第三阈值的取值不作具体限定,可以根据实际应用场景进行设置。第三阈值与第一阈值可以相同或者不同。
相应的,抓拍设备从服务器接收待识别人脸图像对应的目标身份信息。
S306:抓拍设备将目标身份信息作为待识别人脸图像的身份信息存储至第一数据库中。
这样,第一数据库中的待识别人脸图像关联了身份信息。当后续抓拍设备抓拍到相同人员的人脸图像后,通过与第一数据库进行比对,即可在本地识别到身份信息,无需再经过后端服务器识别,从而降低了人员识别成本、改善了比对资源的浪费问题。
本实施例提供的人员识别方法,在小场景中设置初始状态为空的第一数据库,位于小场景中的抓拍设备抓拍得到人脸图像后,首先在本地利用小场景的第一数据库进行本地识别,由于第一数据库的初始状态为空,则第一次进行识别的人脸图像将无法识别到,即人脸相似度为0,在这种情况下,抓拍设备将第一次进行识别的人脸图像存储在第一数据库中,并发送给后端的服务器,由后端的服务器对该人脸图像进行识别,并向抓拍设备返回识别得到的该人脸图像的身份信息,由抓拍设备将该身份信息添加至该人脸图像并存储于第一数据库中。当该人脸图像对应的人员再次被抓拍到时,即可由前端的抓拍设备利用第一数据库完成识别,无需再经过后端服务器识别,从而降低了人员识别成本、改善了比对资源的浪费问题。随着上述的人员识别数量的增加,前端的抓拍设备中的第一数据库中的人员信息不断增加,即第一数据库中也存储了越来越多的人员信息,使得前端的抓拍设备利用第一数据库可以实现人员识别和聚类,这样,解决了由于小场景中无法收集实名人员信息、不具有部署实名数据库和大型比对服务器的能力导致的无法在小场景中独立实现人员识别与聚类的问题。
图4为本申请另一实施例提供的人员识别方法的流程示意图。本实施例对图3所示实施例进行细化。
S401:抓拍设备从第一数据库中获取与待识别人脸图像的相似度最高的第一人脸图像,以及待识别人脸图像与第一人脸图像的第一相似度。
其中,待识别人脸图像为抓拍设备抓拍得到的图像,第一数据库的初始状态为空数据库。
S402:若第一相似度大于或者等于第一阈值,则抓拍设备将第一人脸图像的身份信息作为待识别人脸图像的身份信息。
本实施例中,S401和S402的实施方式与图3所示实施例中的S301和S302类似,此处不再赘述。
S403:若第一相似度大于或者等于第二阈值,且小于第一阈值,则抓拍设备向服务器发送待识别人脸图像,以使服务器对待识别人脸图像进行识别。其中,第二阈值小于第一阈值。
S404:若第一相似度小于第二阈值,则抓拍设备为待识别人脸图像生成标识,将待识别人脸图像和该标识存储至第一数据库中,并向服务器发送待识别人脸图像和标识,以使第二人员识别装置对待识别人脸图像进行识别。
本实施例中,第一数据库设置在抓拍设备中,由于抓拍设备的存储容量限制,第一数据库中的数据量不宜过大。因此,本实施例中,抓拍设备对第一数据库进行补充和完善时,可以根据第一相似度和第一阈值和第二阈值,采用不同逻辑进行处理。以第一阈值为95%,第二阈值为50%为例,三种判断逻辑分别为:
(1)当第一相似度大于或者等于95%时,能够准确的确定待识别人脸图像与第一数据库比对成功,也就是说,第一数据库中已存在当前人员的人脸图像,因此无需在将该人脸图像存储到第一数据库中,这样可以避免第一数据库中的数据量过大。
(2)当第一相似度小于50%时,能够准确的确定出待识别人脸图像与第一数据库未比对成功,也就是说,第一数据库中不存在当前人员的人脸图像。因此,本实施例中,抓拍设备将待识别人脸图像发送给服务器进行识别,在服务器识别到身份信息后,抓拍设备从服务器获取该身份信息,并将该人脸图像和该身份信息保存到第一数据库中。这样可以不断完善第一数据库中的数据。
(3)当第一相似度大于等于50%,且小于95%时,说明待识别人脸图像与第一数据库的比对结果可能不太准确,也就是说,第一数据库中可能存在当前人员的人脸图像(由于拍摄角度等原因导致第一相似度小于95%),也可能不存在当前人员的人脸图像。本实施例中,针对该情况,抓拍设备将待识别人脸图像发送给服务器进行进一步识别,以保证识别结果的准确性。但是,抓拍设备不在第一数据库中保存待识别人脸图像,以避免第一数据库的数据量过大。
需要说明的是,上述S403和S404中抓拍设备均会向服务器发送待识别人脸图像,不同之处在于,S403中抓拍设备未将待识别人脸图像保存至第一数据库中,因此抓拍设备向服务器发送待识别人脸图像时不会携带标识;而S404中抓拍设备将待识别人脸图像保存至第一数据库中,为了在接收到服务器返回的身份信息时能够区分是第一数据库中的哪个人脸图像的身份信息,本实施例中,在S404中抓拍设备会先为待识别人脸图像生成一个标识,并将待识别人脸图像和标识存储至第一数据库中。能够理解,该标识用于唯一指示第一数据库中的一个人脸图像。抓拍设备向服务器发送待识别人脸图像时还会携带标识,从而服务器在向抓拍设备返回目标身份信息时,也携带该标识,使得终端设备能够确定出应该将该目标身份信息作为第一数据库中的哪个人脸图像的身份信息。
能够理解,服务器无论是通过S403还是通过S404接收到待识别人脸图像,服务器对于待识别人脸图像的识别过程都是相同的。不同之处在于,若服务器通过S403接收到待识别人脸图像,则无需向抓拍设备返回识别到的身份信息,若服务器通过S404接收到识别人脸图像,则需要向抓拍设备返回识别到的身份信息。下述的S405至S409是以服务器通过S404接收到的待识别人脸图像和标识后的识别过程为例进行描述的。
S405:服务器从第二数据库中获取与待识别人脸图像的相似度最高的第二人脸图像,以及待识别人脸图像与第二人脸图像的第二相似度。
S406:若第二相似度大于或者等于第三阈值,则服务器将第二人脸图像的身份信息作为待识别人脸图像的目标身份信息,并向抓拍设备发送标识和目标身份信息。
本实施例中,S405和S406的实施方式与图3所示实施例中S304和S305类似,此处不再赘述。
在图3所示实施例的基础上,本实施例中服务器侧除了包括第二数据库之外,还可以包括第三数据库和第四数据库。其中,第三数据库用于存储第二已知人员对应的人脸图像和身份信息,第二已知人员是抓拍设备所属区域的上级区域中除第一已知人员以外的已知人员;第四数据库用于存储未知人员对应的人脸图像和身份信息,未知人员是抓拍设备所属区域的上级区域中的未知身份信息的人员。
能够理解,本实施例中,第三数据库和第四数据库为大场景的数据库。第三数据库可以称为上级实名数据库,或者后端实名数据库,其中存储的是大场景中的实名人员数据。第三数据库中的数据可以由相关机构进行人员信息采集得到。第四数据库可以称为上级陌生人数据库,或者后端陌生人数据库,其中存储的是大场景中的陌生人员数据。第四数据库初始状态可以为空,随着人员识别数量的增加,将服务器识别到的陌生人员存储到第四数据库中,并为陌生人员分配临时的身份信息,从而不断完善第四数据库中的数据。
本实施例中,若服务器将待识别人脸图像与第二数据库进行比对,未识别到人员身份信息,则还可以进一步执行S407和S409进行识别。
S407:若第二相似度小于第三阈值,则服务器从第三数据库和第四数据库中获取与待识别人脸图像的相似度最高的第三人脸图像,以及待识别人脸图像与第三人脸图像的第三相似度。
示例性的,服务器获取待识别人脸图像与第三数据库中各人脸图像的相似度,以及待识别人脸图像与第四数据库中各人脸图像的相似度,从而确定出相似度最高的第三人脸图像。能够理解,第三人脸图像可能来源于第三数据库,也可以来源于第四数据库,也就是说,第三人脸图像可能是实名人员也可能是陌生人员。
S408:若第三相似度大于或者等于第四阈值,则服务器将第三人脸图像的身份信息作为待识别人脸图像的目标身份信息,并向抓拍设备发送标识和目标身份信息。
S409:若第三相似度小于第四阈值,则服务器为待识别人脸图像生成目标身份信息,将待识别人脸图像和目标身份信息存储至第四数据库中,并向抓拍设备发送标识和目标身份信息。
其中,第四阈值用于判断待识别人脸图像与第三数据库/第四数据库是否匹配成功,本实施例对于第四阈值的取值不作具体限定,可以根据实际应用场景进行设置。第四阈值与第一阈值/第三阈值可以相同或者不同。
S410:抓拍设备将目标身份信息作为标识对应的待识别人脸图像的身份信息保存至第一数据库中。
下面结合举例对图4所示的实施例进行详细描述。为了描述更清楚,本实施例将服务器侧的第三数据库称为库A。库A中存储的是大场景(例如市区场景)中的已知人员信息。库A属于大库,例如:从大场景采集1000万条实名人员信息,将这些人员的人脸图像以及真实身份信息存储至库A中。能够理解,按照大场景中所包括的各个小场景(例如社区),可以将库A划分为多个小库,例如:库A1、库A2、库A3等。示例性地,将库A中的社区1的实名人员信息提取出来作为库A1;将库A中的社区2的实名人员信息提取出来作为库A2、将库A中的社区3的实名人员信息提取出来作为库A3等。这些小库(库A1、库A2、库A3等)分别是库A的子集,对应上述的第二数据库。将服务器侧的第四数据库称为库B,库B用于存储该大场景中出现的陌生人员信息,初始时库B中不存在人员信息。将抓拍设备侧的第一数据库称为库C,库C用于存储该小场景中的特定人员信息,初始时库C中不存在人员信息。
图5为本申请实施例提供的人员识别过程的示意图。假设第一阈值、第三阈值和第四阈值均为95%,第二阈值为50%。
如图5所示,抓拍设备获取到待识别的人脸图像X后,从本地的第一数据库(上述的库C)中获取与人脸图像X的相似度最高的第一人脸图像。其中,第一数据库中存储的是该抓拍设备曾经抓拍到的、并将服务器识别到身份信息的人员。
逻辑1:如果人脸图像X与第一人脸图像的相似度大于或者等于95%,则说明能够准确的确定待识别人脸图像与第一数据库比对成功,也就是说,第一数据库中已存在当前人员的人脸图像,因此无需在将该人脸图像存储到第一数据库中,这样可以避免第一数据库中的数据量过大。此时,直接将比中的第一人脸图像的身份信息作为人脸图像X的目标身份信息,并将人脸图像X和目标身份信息存储到抓拍库中。
逻辑2:如果人脸图像X与第一人脸图像的相似度小于50%,则说明能够准确的确定出待识别人脸图像与第一数据库未比对成功,也就是说,第一数据库中不存在当前人员的人脸图像。因此,抓拍设备可以将当前人员的信息补充到第一数据库中,这样可以不断完善第一数据库中的数据。
示例性的,抓拍设备为人脸图像X生成一个标识,将人脸图像X添加至第一数据库中。其中,上述的标识为能够唯一标识该人脸图像的任意标识,例如上述标识可以是为人脸图像X分配的ID。然后,抓拍设备将人脸图像X和该标识发送至服务器进行比对识别。可以理解的,该逻辑中,虽然抓拍设备将人脸图像X添加到了第一数据库中,但是此时人脸图像X在第一数据库中并未关联身份信息。
逻辑3:如果人脸图像X与第一人脸图像的相似度大于或者等于50%且小于95%,则说明待识别人脸图像与第一数据库的比对结果可能不太准确,也就是说,第一数据库中可能存在当前人员的人脸图像,也可能不存在当前人员的人脸图像。为了保证识别结果的准确性,抓拍设备将人脸图像X发送至服务器进行比对识别。
本实施例中,由于第一数据库设置在抓拍设备中,抓拍设备具有容量小的特点。上述的逻辑2和逻辑3对应的均是人脸图像X未被第一数据库比中的情况。如果上述两个逻辑均将人脸图像X添加至第一数据库中,则可能会导致第一数据库的数据量较大,超出容量限制。因此,本实施例中仅在逻辑2中将人脸图像X添加至第一数据库中,逻辑3中不将人脸图像X添加至第一数据库中,避免了第一数据库的数据量过大。
进一步的,逻辑3中抓拍设备需要向服务器发送人脸图像X,逻辑2中抓拍设备向服务器发送人脸图像X的同时,还需要携带人脸图像X在第一数据库中的标识。服务器根据该标识,可以确定出在识别到人脸图像X的身份信息后,是否需要将该身份信息反馈给抓拍设备。示例性的,若服务器收到了标识,则说明该人脸图像X是在上述的逻辑2中发送的,服务器需要将识别到的身份信息反馈给抓拍设备,从而,抓拍设备将该身份信息与人脸图像X关联保存到第一数据库中。若服务器未收到标识,则说明该人脸图像X是在上述的逻辑3中发送的,由于逻辑3中抓拍设备未在第一数据库中保存人脸图像X,因此,服务器不需要将识别到的身份信息反馈给抓拍设备。
可以理解的,通过上述的逻辑2和逻辑3的分别处理,一定程度上可以避免第一数据库的数据量过大。然而,当抓拍设备运行时间较长时,依然可能出现存储容量不足的问题。为了解决该问题,本实施例还提供了如下两种可能的实施方式。
一种可能的实施方式中,第一数据库还用于存储各人脸图像的入库时间。这样,抓拍设备在将人脸图像X存储至第一数据库中时,可以按照入库时间的先后顺序对人脸图像进行覆盖。示例性的,将第一数据库中入库时间最早的人脸图像替换为人脸图像X。
另一种可能的实施方式中,第一数据库还用于存储各人脸图像的匹配次数。其中,匹配次数是指人脸图像被比中的次数。可以理解的,匹配次数多说明该人脸图像对应的人员被抓拍到的次数较多,匹配次数少说明该人脸图像对应的人员被抓拍到的次数较少。因此,本实施例中,抓拍设备在将人脸图像X存储至第一数据库中时,可以按照匹配次数的多少顺序进行覆盖。示例性的,可以将第一数据库中的匹配次数最少的人脸图像替换为人脸图像X。
进一步的,服务器接收到抓拍设备发送的人脸图像X后,根据人脸图像X的来源,即可确定出需要与哪个小库进行比对。示例性的,服务器中维护了抓拍设备与社区之间、以及社区与小库之间的对应关系,根据该对应关系即可确定出需要将人脸图像X与哪个小库(前述的库A1、库A2、库A3)进行比对。本实施例将抓拍设备对应的小库(假设库A1)称为第二数据库。第二数据库存储的是抓拍设备所属社区中的已知人员的人脸图像和身份信息。
服务器将人脸图像X首先与第二数据库进行比对。示例性的,服务器从第二数据库中获取与人脸图像X相似度最高的第二人脸图像,以及人脸图像X与第二人脸图像的相似度,并根据逻辑4和逻辑5进行处理。
逻辑4:如果人脸图像X与第二人脸图像的相似度大于或者等于95%,则认为人脸图像X被第二数据库比中,直接将比中的第二人脸图像的身份信息作为人脸图像X的身份信息,存储到抓拍库中。进一步的,服务器判断该人脸图像X是否是在上述逻辑2对应的分支中发送的(例如,服务器可以根据接收到人脸图像X时是否同时接收到人脸图像X的标识来进行判断,当然,还可以采用其他的判断方式)。若是的话,则服务器将识别到的身份信息发送给抓拍设备,以使抓拍设备将该身份信息与人脸图像X关联保存至第一数据库中。这样,第一数据库中的人脸图像X也关联了身份信息。
逻辑5:如果人脸图像X与第二人脸图像的相似度小于95%,则认为人脸图像X未被第二数据库比中,即人脸图像X对应的人员不存在于第二数据库中。因此,服务器继续将人脸图像X与第三数据库(库A中除库A1之外的库,即库A2、库A3等)和第四数据库(上述的库B)进行比对。
服务器将人脸图像X与第三数据库和第四数据库进行比对。示例性的,服务器获取待识别人脸图像与第三数据库中各人脸图像的相似度,以及待识别人脸图像与第四数据库中各人脸图像的相似度,从而确定出相似度最高的第三人脸图像。能够理解,第三人脸图像可能来源于第三数据库,也可以来源于第四数据库,也就是说,第三人脸图像可能是实名人员也可能是陌生人员。
逻辑5.1:如果人脸图像X与第三人脸图像的相似度大于或者等于95%,则认为人脸图像X与第三人脸图像比中。将第三人脸图像的身份信息作为人脸图像X的身份信息,并将人脸图像X与其身份信息存储至抓拍库中。进一步的,服务器判断该人脸图像X是否是在上述逻辑2对应的分支中发送的(例如,服务器可以根据接收到人脸图像X时是否同时接收到人脸图像X的标识来进行判断,当然,还可以采用其他的判断方式)。若是的话,则服务器将识别到的身份信息发送给抓拍设备,以使抓拍设备将该身份信息与人脸图像X关联并保存至第一数据库中。这样,第一数据库中的人脸图像X也关联了身份信息。
逻辑5.2:如果人脸图像X与第三人脸图像的相似度小于95%,则认为人脸图像X与第三数据库和第四数据库均没有比中。服务器将人脸图像X作为陌生人员,为人脸图像X生成临时的身份信息。示例性的,为人脸图像随机生成一个唯一标识作为其临时的身份信息。然后,服务器将人脸图像X和临时的身份信息存储至抓拍库中。并且,服务器还将人脸图像X和临时身份信息存储至第四数据库中。进一步的,服务器判断该人脸图像X是否是在上述逻辑2对应的分支中发送的(例如,服务器可以根据接收到人脸图像X时是否同时接收到人脸图像X的标识来进行判断,当然,还可以采用其他的判断方式)。若是的话,则服务器将识别到的身份信息发送给抓拍设备,以使抓拍设备将该身份信息与人脸图像X关联并保存至第一数据库中。这样,第一数据库中的人脸图像X也关联了身份信息。
需要说明的是,服务器在利用第三数据库和第四数据库对人脸图像X进行比对识别时,可以将人脸图像X先与第三数据库进行比对,然后再与第四数据库进行比对;还可以将人脸图像X先与第四数据库进行比对,然后再与第三数据库进行比对;还可以将人脸图像X与第三数据库和第四数据库进行同时比对。上述的逻辑5.1和逻辑5.2中是以同时比对进行示例的。
另外,上述举例中,第三数据库为库A中除库A1之外的数据库,例如库A2、库A3等。有些场景中,第三数据库还可以为库A,即第三数据库为该大场景中的全集实名数据库。
本实施例中,服务器在对人脸图像X进行比对时,先利用抓拍设备所属区域对应的第二数据库(即小库)进行比对,若第二数据库未比对中的话,再将人脸图像X与第三数据库(即大库)和第四数据库(即陌生人库)进行比对。由于抓拍设备抓拍到的人员大概率属于该抓拍设备所属区域,因此,服务器先利用第二数据库进行人脸比对,这样可以减少服务器的比对次数,提高人员识别的效率和准确度。另外,服务器在识别到人脸图像X的身份信息后,将该身份信息有针对性的更新至对应的抓拍设备中,减少了实名数据泄露的问题,同时,使得下级场景中的抓拍设备也具有人员识别能力,实现了服务器对抓拍设备的人员识别赋能。
可以理解的,在人员识别场景存在多个抓拍设备时,可能会存在如下问题:抓拍设备1中存储的人脸图像A和抓拍设备2中存储的人脸图像B是同一个人员的人脸图像,但是人脸图像A和人脸图像B对应的身份信息不一致。导致该问题的原因为:同一个人员被不同抓拍设备抓拍时,由于抓拍角度、质量、环境等不完全相同,服务器在进行识别时,将人脸图像A和人脸图像B识别为两个不同的人员。针对上述问题,本实施例还可以根据人脸图像之间的相似度进行人员去重处理。
示例性的,在上述的逻辑5的判断中,服务器获取到人脸图像X与第三数据库中的各人脸图像的相似度,并获取到人脸图像X与第四数据库中各人脸图像的相似度后,发现人脸图像H与人脸图像X的相似度,以及人脸图像T和人脸图像X的相似度均为98%,该情况下,可以认为人脸图像H和人脸图像T其实为同一个人员的不同人脸图像。
一种可能的情况中,如果人脸图像H和人脸图像T均为第四数据库中的,则可以只保留其中一个人脸图像,例如将人脸图像T删除,保留人脸图像H,或者,将第四数据库中的人脸图像T的身份信息更新为人脸图像H的身份信息。进一步的,服务器将所有抓拍设备中存储的人脸图像T的身份信息都更新为人脸图像H的身份信息。
另一种可能的情况中,如果人脸图像H为第三数据库中的,人脸图像T为第四数据库中的,则将第四数据库中的人脸图像T删除。进一步的,服务器将所有抓拍设备中存储的人脸图像T的身份信息都更新为人脸图像H的身份信息。
通过上述的人员去重处理,能够保证抓拍设备以及服务器中存储的人员身份信息的准确性,提高人员识别结果的准确性。
图6为本申请一个实施例提供的人员识别装置的结构示意图。本实施例的人员识别装置可以作为图1中的第一人员识别装置。可选的,本实施例的人员识别装置可以为抓拍设备。
如图6所示,本实施例提供的人员识别装置600,包括:比对模块601、处理模块602和接收模块603。
其中,比对模块601,用于从第一数据库中获取与待识别人脸图像的相似度最高的第一人脸图像,以及所述待识别人脸图像与所述第一人脸图像的第一相似度;
处理模块602,用于若所述第一相似度大于或者等于第一阈值,则将所述第一人脸图像的身份信息作为所述待识别人脸图像的身份信息;
所述处理模块602,还用于若所述第一相似度小于第二阈值,其中,所述第二阈值不大于所述第一阈值,则将所述待识别人脸图像存储至所述第一数据库中;向第二人员识别装置发送所述待识别人脸图像,以使所述第二人员识别装置对所述待识别人脸图像进行识别;
接收模块603,用于接收所述待识别人脸图像对应的目标身份信息,并将所述目标身份信息作为所述待识别人脸图像的身份信息存储至所述第一数据库中;其中,所述目标身份信息为所述第二人员识别装置对所述待识别人脸图像进行识别得到的。
可选的,所述第二阈值小于所述第一阈值,所述处理模块602还用于:
若所述第一相似度大于或者等于所述第二阈值、且小于所述第一阈值,则向所述第二人员识别装置发送所述待识别人脸图像,以使所述第二人员识别装置对所述待识别人脸图像进行识别。
本实施例提供的人员识别装置,可用于执行上述任一方法实施例中抓拍设备侧的技术方案,其实现原理和技术效果类似,此处不再赘述。
图7为本申请另一个实施例提供的人员识别装置的结构示意图。本实施例的人员识别装置可以作为图1中的第二人员识别装置。可选的,本实施例的人员识别装置可以为服务器。
如图7所示,本实施例提供的人员识别装置700,包括:接收模块701、识别模块702和发送模块703。
其中,接收模块701,用于接收第一人员识别装置发送的待识别人脸图像;
识别模块702,用于从第二数据库中获取与所述待识别人脸图像的相似度最高的第二人脸图像,以及所述待识别人脸图像与所述第二人脸图像的第二相似度;所述第二数据库用于存储第一已知人员对应的人脸图像和身份信息,所述第一已知人员是所述第一人员识别装置所属区域中的已知人员;
所述识别模块702,还用于若所述第二相似度大于或者等于第三阈值,则将所述第二人脸图像的身份信息作为所述待识别人脸图像的目标身份信息;
发送模块703,用于向所述第一人员识别装置发送所述目标身份信息。
可选的,所述识别模块702,还用于若所述第二相似度小于所述第三阈值,则从第三数据库和第四数据库中获取与所述待识别人脸图像的相似度最高的第三人脸图像,以及所述待识别人脸图像与所述第三人脸图像的第三相似度;其中,所述第三数据库用于存储第二已知人员对应的人脸图像和身份信息,第二已知人员是所述第一人员识别装置所属区域的上级区域中除所述第一已知人员以外的已知人员;所述第四数据库用于存储未知人员对应的人脸图像和身份信息,所述未知人员是所述第一人员识别装置所属区域的上级区域中的未知身份信息的人员;
所述识别模块702,还用于若所述第三相似度大于或者等于第四阈值,则将所述第三人脸图像的身份信息作为所述待识别人脸图像的目标身份信息;若所述第三相似度小于所述第四阈值,则为所述待识别人脸图像生成目标身份信息,将所述待识别人脸图像和所述目标身份信息存储至第四数据库中;
所述发送模块703,用于在将所述第二人脸图像/第三人脸图像的身份信息作为所述待识别人脸图像的目标身份信息的情况下,向所述第一人员识别装置发送所述目标身份信息。
本实施例提供的人员识别装置,可用于执行上述任一方法实施例中的服务器侧的技术方案,其实现原理和技术效果类似,此处不再赘述。
图8为本申请一个实施例提供的人员识别装置的硬件结构示意图。本实施例的人员识别装置可以作为图1中的第一人员识别装置。可选的,本实施例的人员识别装置可以为抓拍设备。
如图8所示,本实施例提供的人员识别装置800,包括:处理器801以及存储器802;其中,存储器802,用于存储计算机程序;处理器801,用于执行存储器存储的计算机程序,以实现上述实施例中的抓拍设备侧的人员识别方法。具体可以参见前述方法实施例中的相关描述。
可选地,存储器802既可以是独立的,也可以跟处理器801集成在一起。
当所述存储器802是独立于处理器801之外的器件时,所述人员识别装置800还可以包括:总线803,用于连接所述存储器802和处理器801。
本实施例提供的人员识别装置,可用于执行上述任一方法实施例中抓拍设备所执行的人员识别方法,其实现原理和技术效果类似,本实施例此处不再赘述。
图9为本申请另一实施例提供的人员识别装置的硬件结构示意图。本实施例的人员识别装置可以作为图1中的第二人员识别装置。可选的,本实施例的人员识别装置可以为服务器。
如图9所示,本实施例提供的人员识别装置900,包括:处理器901以及存储器902;其中,存储器902,用于存储计算机程序;处理器901,用于执行存储器存储的计算机程序,以实现上述实施例中的服务器执行的人员识别方法。具体可以参见前述方法实施例中的相关描述。
可选地,存储器902既可以是独立的,也可以跟处理器901集成在一起。
当所述存储器902是独立于处理器901之外的器件时,所述人员识别装置900还可以包括:总线903,用于连接所述存储器902和处理器901。
本实施例提供的人员识别装置,可用于执行上述任一方法实施例中的服务器所执行的人员识别方法,其实现原理和技术效果类似,本实施例此处不再赘述。
本申请实施例还提供一种计算机可读存储介质,所述计算机可读存储介质包括计算机程序,所述计算机程序用于实现如上任一方法实施例中抓拍设备所执行的人员识别方法,或者实现如上任一方法实施例中服务器所执行的人员识别方法。
本申请实施例还提供一种计算机程序,所述计算机程序被处理器执行时实现如上任一方法实施例中抓拍设备所执行的人员识别方法,或者实现如上任一方法实施例中服务器所执行的人员识别方法。
本申请实施例还提供一种芯片,包括:存储器、处理器以及计算机程序,所述计算机程序存储在所述存储器中,所述处理器运行所述计算机程序实现如上任一方法实施例中抓拍设备所执行的人员识别方法,或者实现如上任一方法实施例中服务器所执行的人员识别方法。
本申请实施例还提供一种人员识别系统,包括第二人员识别装置和至少一个第一人员识别装置,其中,第二人员识别装置可以采用如图7或图9所示的人员识别装置,第一人员识别装置可以采用如图6或图8所示的人员识别装置。
在本申请所提供的几个实施例中,应该理解到,所揭露的设备和方法,可以通过其它的方式实现。例如,以上所描述的设备实施例仅仅是示意性的,例如,所述模块的划分,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,例如多个模块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,装置或模块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模块可以是或者也可以不是物理上分开的,作为模块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模块来实现本实施例方案的目的。
另外,在本申请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。上述模块成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
上述以软件功能模块的形式实现的集成的模块,可以存储在一个计算机可读取存储介质中。上述软件功能模块存储在一个存储介质中,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(英文:processor)执行本申请各个实施例所述方法的部分步骤。
应理解,上述处理器可以是中央处理单元(英文:Central Processing Unit,简称:CPU),还可以是其他通用处理器、数字信号处理器(英文:Digital Signal Processor,简称:DSP)、专用集成电路(英文:Application Specific Integrated Circuit,简称:ASIC)等。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。结合申请所公开的方法的步骤可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。
存储器可能包含高速RAM存储器,也可能还包括非易失性存储NVM,例如至少一个磁盘存储器,还可以为U盘、移动硬盘、只读存储器、磁盘或光盘等。
总线可以是工业标准体系结构(Industry Standard Architecture,ISA)总线、外部设备互连(Peripheral Component,PCI)总线或扩展工业标准体系结构(ExtendedIndustry Standard Architecture,EISA)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示,本申请附图中的总线并不限定仅有一根总线或一种类型的总线。
上述存储介质可以是由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。存储介质可以是通用或专用计算机能够存取的任何可用介质。
一种示例性的存储介质耦合至处理器,从而使处理器能够从该存储介质读取信息,且可向该存储介质写入信息。当然,存储介质也可以是处理器的组成部分。处理器和存储介质可以位于专用集成电路(Application Specific Integrated Circuits,简称:ASIC)中。当然,处理器和存储介质也可以作为分立组件存在于电子设备或主控设备中。本领域普通技术人员可以理解:实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时,执行包括上述各方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上各实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述各实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的范围。
Claims (10)
1.一种人员识别方法,应用于第一人员识别装置,其特征在于,包括:
从第一数据库中获取与待识别人脸图像的相似度最高的第一人脸图像,以及所述待识别人脸图像与所述第一人脸图像的第一相似度;
若所述第一相似度大于或者等于第一阈值,则将所述第一人脸图像的身份信息作为所述待识别人脸图像的身份信息;
若所述第一相似度小于第二阈值,其中,所述第二阈值不大于所述第一阈值,则执行如下步骤:
将所述待识别人脸图像存储至所述第一数据库中;
向第二人员识别装置发送所述待识别人脸图像,以使所述第二人员识别装置对所述待识别人脸图像进行识别;
接收所述待识别人脸图像对应的目标身份信息,并将所述目标身份信息作为所述待识别人脸图像的身份信息存储至所述第一数据库中;其中,所述目标身份信息为所述第二人员识别装置对所述待识别人脸图像进行识别得到的。
2.根据权利要求1所述的方法,其特征在于,
所述第二阈值小于所述第一阈值;
所述方法还包括:
若所述第一相似度大于或者等于所述第二阈值、且小于所述第一阈值,则向所述第二人员识别装置发送所述待识别人脸图像,以使所述第二人员识别装置对所述待识别人脸图像进行识别。
3.一种人员识别方法,应用于第二人员识别装置,其特征在于,包括:
接收第一人员识别装置发送的待识别人脸图像;
从第二数据库中获取与所述待识别人脸图像的相似度最高的第二人脸图像,以及所述待识别人脸图像与所述第二人脸图像的第二相似度;所述第二数据库用于存储第一已知人员对应的人脸图像和身份信息,所述第一已知人员是所述第一人员识别装置所属区域中的已知人员;
若所述第二相似度大于或者等于第三阈值,则将所述第二人脸图像的身份信息作为所述待识别人脸图像的目标身份信息,并发送至所述第一人员识别装置。
4.根据权利要求3所述的方法,其特征在于,所述方法还包括:
若所述第二相似度小于所述第三阈值,则从第三数据库和第四数据库中获取与所述待识别人脸图像的相似度最高的第三人脸图像,以及所述待识别人脸图像与所述第三人脸图像的第三相似度;其中,所述第三数据库用于存储第二已知人员对应的人脸图像和身份信息,第二已知人员是所述第一人员识别装置所属区域的上级区域中除所述第一已知人员以外的已知人员;所述第四数据库用于存储未知人员对应的人脸图像和身份信息,所述未知人员是所述第一人员识别装置所属区域的上级区域中的未知身份信息的人员;
若所述第三相似度大于或者等于第四阈值,则将所述第三人脸图像的身份信息作为所述待识别人脸图像的目标身份信息,并发送至所述第一人员识别装置;
若所述第三相似度小于所述第四阈值,则为所述待识别人脸图像生成目标身份信息,将所述待识别人脸图像和所述目标身份信息存储至第四数据库中,并向所述第一人员识别装置发送所述目标身份信息。
5.一种人员识别装置,其特征在于,包括:
比对模块,用于从第一数据库中获取与待识别人脸图像的相似度最高的第一人脸图像,以及所述待识别人脸图像与所述第一人脸图像的第一相似度;
处理模块,用于若所述第一相似度大于或者等于第一阈值,则将所述第一人脸图像的身份信息作为所述待识别人脸图像的身份信息;
所述处理模块,还用于若所述第一相似度小于第二阈值,其中,所述第二阈值不大于所述第一阈值,则将所述待识别人脸图像存储至所述第一数据库中;向第二人员识别装置发送所述待识别人脸图像,以使所述第二人员识别装置对所述待识别人脸图像进行识别;
接收模块,用于接收所述待识别人脸图像对应的目标身份信息,并将所述目标身份信息作为所述待识别人脸图像的身份信息存储至所述第一数据库中;其中,所述目标身份信息为所述第二人员识别装置对所述待识别人脸图像进行识别得到的。
6.根据权利要求5所述的人员识别装置,其特征在于,所述第二阈值小于所述第一阈值,所述处理模块还用于:
若所述第一相似度大于或者等于所述第二阈值、且小于所述第一阈值,则向所述第二人员识别装置发送所述待识别人脸图像,以使所述第二人员识别装置对所述待识别人脸图像进行识别。
7.一种人员识别装置,其特征在于,包括:
接收模块,用于接收第一人员识别装置发送的待识别人脸图像;
识别模块,用于从第二数据库中获取与所述待识别人脸图像的相似度最高的第二人脸图像,以及所述待识别人脸图像与所述第二人脸图像的第二相似度;所述第二数据库用于存储第一已知人员对应的人脸图像和身份信息,所述第一已知人员是所述第一人员识别装置所属区域中的已知人员;
所述识别模块,还用于若所述第二相似度大于或者等于第三阈值,则将所述第二人脸图像的身份信息作为所述待识别人脸图像的目标身份信息;
发送模块,用于向所述第一人员识别装置发送所述目标身份信息。
8.根据权利要求7所述的人员识别装置,其特征在于,
所述识别模块,还用于若所述第二相似度小于所述第三阈值,则从第三数据库和第四数据库中获取与所述待识别人脸图像的相似度最高的第三人脸图像,以及所述待识别人脸图像与所述第三人脸图像的第三相似度;其中,所述第三数据库用于存储第二已知人员对应的人脸图像和身份信息,第二已知人员是所述第一人员识别装置所属区域的上级区域中除所述第一已知人员以外的已知人员;所述第四数据库用于存储未知人员对应的人脸图像和身份信息,所述未知人员是所述第一人员识别装置所属区域的上级区域中的未知身份信息的人员;
所述识别模块,还用于若所述第三相似度大于或者等于第四阈值,则将所述第三人脸图像的身份信息作为所述待识别人脸图像的目标身份信息;若所述第三相似度小于所述第四阈值,则为所述待识别人脸图像生成目标身份信息,将所述待识别人脸图像和所述目标身份信息存储至第四数据库中;
所述发送模块,用于在将所述第二人脸图像/第三人脸图像的身份信息作为所述待识别人脸图像的目标身份信息的情况下,向所述第一人员识别装置发送所述目标身份信息。
9.一种人员识别装置,其特征在于,包括:存储器、处理器以及计算机程序,所述计算机程序存储在所述存储器中,所述处理器运行所述计算机程序执行如权利要求1或2所述的方法,或者,如权利要求3或4所述的方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质包括计算机程序,所述计算机程序被处理器执行时实现如权利要求1或2所述的方法,或者,如权利要求3或4所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910996289.XA CN111368622B (zh) | 2019-10-18 | 2019-10-18 | 人员识别方法及装置、存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910996289.XA CN111368622B (zh) | 2019-10-18 | 2019-10-18 | 人员识别方法及装置、存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111368622A true CN111368622A (zh) | 2020-07-03 |
CN111368622B CN111368622B (zh) | 2024-01-12 |
Family
ID=71207993
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910996289.XA Active CN111368622B (zh) | 2019-10-18 | 2019-10-18 | 人员识别方法及装置、存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111368622B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111862412A (zh) * | 2020-07-21 | 2020-10-30 | 上海茂声智能科技有限公司 | 用于智能门锁的图片获取方法、装置及智能门锁系统 |
CN111898559A (zh) * | 2020-08-03 | 2020-11-06 | 南京奥拓电子科技有限公司 | 一种提升人脸识别速度的方法、装置及电子设备 |
CN111950364A (zh) * | 2020-07-07 | 2020-11-17 | 北京思特奇信息技术股份有限公司 | 千万级底库的分库人脸识别系统和方法 |
CN112052780A (zh) * | 2020-09-01 | 2020-12-08 | 北京嘀嘀无限科技发展有限公司 | 人脸验证方法、装置、系统及存储介质 |
CN112052346A (zh) * | 2020-09-11 | 2020-12-08 | 讯飞智元信息科技有限公司 | 实有人员库的更新方法、装置、电子设备及存储介质 |
CN112084355A (zh) * | 2020-09-14 | 2020-12-15 | 重庆农村商业银行股份有限公司 | 一种人脸分库更新方法、装置、设备及存储介质 |
CN112101254A (zh) * | 2020-09-21 | 2020-12-18 | 深圳喜为智慧科技有限公司 | 一种提升图像识别精度和速度的方法和系统 |
CN112380910A (zh) * | 2020-10-21 | 2021-02-19 | 重庆恢恢信息技术有限公司 | 一种基于区块链的建筑工地异常行为视频数据挖掘方法 |
CN113965345A (zh) * | 2021-09-08 | 2022-01-21 | 福建库克智能科技有限公司 | 一种身份识别方法、装置、电子设备和存储介质 |
CN115659305A (zh) * | 2022-12-27 | 2023-01-31 | 成都国星宇航科技股份有限公司 | 一种身份信息识别方法、系统及电子设备 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130329971A1 (en) * | 2010-12-10 | 2013-12-12 | Nagravision S.A. | Method and device to speed up face recognition |
WO2016112630A1 (zh) * | 2015-01-12 | 2016-07-21 | 芋头科技(杭州)有限公司 | 一种影像识别系统及方法 |
CN106203333A (zh) * | 2016-07-08 | 2016-12-07 | 乐视控股(北京)有限公司 | 人脸识别方法及系统 |
CN106469296A (zh) * | 2016-08-30 | 2017-03-01 | 北京旷视科技有限公司 | 人脸识别方法、装置和门禁系统 |
CN106991403A (zh) * | 2017-04-07 | 2017-07-28 | 移康智能科技(上海)股份有限公司 | 一种人脸识别的方法与装置 |
WO2017146160A1 (ja) * | 2016-02-26 | 2017-08-31 | 日本電気株式会社 | 顔照合システム、顔照合方法、及び記録媒体 |
CN107278369A (zh) * | 2016-12-26 | 2017-10-20 | 深圳前海达闼云端智能科技有限公司 | 人员查找的方法、装置及通信系统 |
CN107886079A (zh) * | 2017-11-22 | 2018-04-06 | 北京旷视科技有限公司 | 对象识别方法、装置及系统 |
CN108009482A (zh) * | 2017-11-25 | 2018-05-08 | 宁波亿拍客网络科技有限公司 | 一种提高人脸识别效率方法 |
CN108446692A (zh) * | 2018-06-08 | 2018-08-24 | 南京擎华信息科技有限公司 | 人脸比对方法、装置和系统 |
CN108921055A (zh) * | 2018-06-15 | 2018-11-30 | 北京蜂盒科技有限公司 | 身份识别方法、装置、存储介质及电子设备 |
CN108961520A (zh) * | 2018-09-21 | 2018-12-07 | 深圳市九洲电器有限公司 | 一种人脸识别方法及装置 |
CN109117714A (zh) * | 2018-06-27 | 2019-01-01 | 北京旷视科技有限公司 | 一种同行人员识别方法、装置、系统及计算机存储介质 |
CN109598203A (zh) * | 2018-11-06 | 2019-04-09 | 平安科技(深圳)有限公司 | 基于人脸识别的照片添加方法、装置、终端及存储介质 |
CN109800691A (zh) * | 2019-01-07 | 2019-05-24 | 深圳英飞拓科技股份有限公司 | 基于人脸识别技术的人口统计方法及系统 |
-
2019
- 2019-10-18 CN CN201910996289.XA patent/CN111368622B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130329971A1 (en) * | 2010-12-10 | 2013-12-12 | Nagravision S.A. | Method and device to speed up face recognition |
WO2016112630A1 (zh) * | 2015-01-12 | 2016-07-21 | 芋头科技(杭州)有限公司 | 一种影像识别系统及方法 |
WO2017146160A1 (ja) * | 2016-02-26 | 2017-08-31 | 日本電気株式会社 | 顔照合システム、顔照合方法、及び記録媒体 |
CN106203333A (zh) * | 2016-07-08 | 2016-12-07 | 乐视控股(北京)有限公司 | 人脸识别方法及系统 |
CN106469296A (zh) * | 2016-08-30 | 2017-03-01 | 北京旷视科技有限公司 | 人脸识别方法、装置和门禁系统 |
CN107278369A (zh) * | 2016-12-26 | 2017-10-20 | 深圳前海达闼云端智能科技有限公司 | 人员查找的方法、装置及通信系统 |
CN106991403A (zh) * | 2017-04-07 | 2017-07-28 | 移康智能科技(上海)股份有限公司 | 一种人脸识别的方法与装置 |
CN107886079A (zh) * | 2017-11-22 | 2018-04-06 | 北京旷视科技有限公司 | 对象识别方法、装置及系统 |
CN108009482A (zh) * | 2017-11-25 | 2018-05-08 | 宁波亿拍客网络科技有限公司 | 一种提高人脸识别效率方法 |
CN108446692A (zh) * | 2018-06-08 | 2018-08-24 | 南京擎华信息科技有限公司 | 人脸比对方法、装置和系统 |
CN108921055A (zh) * | 2018-06-15 | 2018-11-30 | 北京蜂盒科技有限公司 | 身份识别方法、装置、存储介质及电子设备 |
CN109117714A (zh) * | 2018-06-27 | 2019-01-01 | 北京旷视科技有限公司 | 一种同行人员识别方法、装置、系统及计算机存储介质 |
CN108961520A (zh) * | 2018-09-21 | 2018-12-07 | 深圳市九洲电器有限公司 | 一种人脸识别方法及装置 |
CN109598203A (zh) * | 2018-11-06 | 2019-04-09 | 平安科技(深圳)有限公司 | 基于人脸识别的照片添加方法、装置、终端及存储介质 |
CN109800691A (zh) * | 2019-01-07 | 2019-05-24 | 深圳英飞拓科技股份有限公司 | 基于人脸识别技术的人口统计方法及系统 |
Non-Patent Citations (2)
Title |
---|
SURBHI 等: "A Face Identification Technique for Human Facial Image", 《(IJCSIT) INTERNATIONAL JOURNAL OF COMPUTER SCIENCE AND INFORMATION TECHNOLOGIES》, vol. 3, no. 6 * |
陈浩: "基于人像大数据现代人口管控技术的方案设计", 《电子设计工程》, vol. 27, no. 6 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111950364B (zh) * | 2020-07-07 | 2024-03-22 | 北京思特奇信息技术股份有限公司 | 千万级底库的分库人脸识别系统和方法 |
CN111950364A (zh) * | 2020-07-07 | 2020-11-17 | 北京思特奇信息技术股份有限公司 | 千万级底库的分库人脸识别系统和方法 |
CN111862412A (zh) * | 2020-07-21 | 2020-10-30 | 上海茂声智能科技有限公司 | 用于智能门锁的图片获取方法、装置及智能门锁系统 |
CN111898559A (zh) * | 2020-08-03 | 2020-11-06 | 南京奥拓电子科技有限公司 | 一种提升人脸识别速度的方法、装置及电子设备 |
CN111898559B (zh) * | 2020-08-03 | 2024-04-26 | 南京奥拓电子科技有限公司 | 一种提升人脸识别速度的方法、装置及电子设备 |
CN112052780A (zh) * | 2020-09-01 | 2020-12-08 | 北京嘀嘀无限科技发展有限公司 | 人脸验证方法、装置、系统及存储介质 |
CN112052346A (zh) * | 2020-09-11 | 2020-12-08 | 讯飞智元信息科技有限公司 | 实有人员库的更新方法、装置、电子设备及存储介质 |
CN112084355A (zh) * | 2020-09-14 | 2020-12-15 | 重庆农村商业银行股份有限公司 | 一种人脸分库更新方法、装置、设备及存储介质 |
CN112101254A (zh) * | 2020-09-21 | 2020-12-18 | 深圳喜为智慧科技有限公司 | 一种提升图像识别精度和速度的方法和系统 |
CN112380910B (zh) * | 2020-10-21 | 2023-06-02 | 重庆恢恢信息技术有限公司 | 一种基于区块链的建筑工地异常行为视频数据挖掘方法 |
CN112380910A (zh) * | 2020-10-21 | 2021-02-19 | 重庆恢恢信息技术有限公司 | 一种基于区块链的建筑工地异常行为视频数据挖掘方法 |
CN113965345A (zh) * | 2021-09-08 | 2022-01-21 | 福建库克智能科技有限公司 | 一种身份识别方法、装置、电子设备和存储介质 |
CN115659305A (zh) * | 2022-12-27 | 2023-01-31 | 成都国星宇航科技股份有限公司 | 一种身份信息识别方法、系统及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN111368622B (zh) | 2024-01-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111368622A (zh) | 人员识别方法及装置、存储介质 | |
CN109740004B (zh) | 一种归档方法及装置 | |
US20210357678A1 (en) | Information processing method and apparatus, and storage medium | |
CN109426785B (zh) | 一种人体目标身份识别方法及装置 | |
JP2022518469A (ja) | 情報処理方法および装置、記憶媒体 | |
CN108446681B (zh) | 行人分析方法、装置、终端及存储介质 | |
US11445150B2 (en) | Multi-camera collaboration-based image processing method and video surveillance system | |
CN111368619B (zh) | 可疑人员的检测方法、装置及设备 | |
CN109784220B (zh) | 一种确定路人轨迹的方法及装置 | |
CN109800664B (zh) | 一种确定路人轨迹的方法及装置 | |
CN110991231B (zh) | 活体检测方法、装置、服务器和人脸识别设备 | |
CN112818149A (zh) | 一种基于时空轨迹数据的人脸聚类方法、装置及存储介质 | |
CN111277788B (zh) | 一种基于mac地址的监控方法和监控系统 | |
CN109800318A (zh) | 一种归档方法及装置 | |
CN109271545B (zh) | 一种特征检索方法及装置、存储介质和计算机设备 | |
CN114093014A (zh) | 一种图码关联强度计算方法、装置、设备及存储介质 | |
CN110705469A (zh) | 一种人脸匹配方法、装置及服务器 | |
CN113470013A (zh) | 一种搬移物品的检测方法及装置 | |
CN112183161B (zh) | 人脸数据库的处理方法、装置及设备 | |
CN114863364B (zh) | 一种基于智能视频监控的安防检测方法及系统 | |
CN112966136B (zh) | 一种人脸分类方法及装置 | |
CN113283410B (zh) | 基于数据关联分析的人脸增强识别方法、装置和设备 | |
CN115391596A (zh) | 视频档案生成方法、装置及存储介质 | |
CN112487082A (zh) | 一种生物特征识别的方法及相关设备 | |
CN112333182A (zh) | 档案处理方法、装置、服务器及存储介质 |
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 |