CN111414803A - 人脸识别方法、装置、电子设备 - Google Patents

人脸识别方法、装置、电子设备 Download PDF

Info

Publication number
CN111414803A
CN111414803A CN202010113903.6A CN202010113903A CN111414803A CN 111414803 A CN111414803 A CN 111414803A CN 202010113903 A CN202010113903 A CN 202010113903A CN 111414803 A CN111414803 A CN 111414803A
Authority
CN
China
Prior art keywords
face
feature
features
recognized
preset
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Withdrawn
Application number
CN202010113903.6A
Other languages
English (en)
Inventor
王峰
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.)
Beijing Sankuai Online Technology Co Ltd
Original Assignee
Beijing Sankuai Online Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Sankuai Online Technology Co Ltd filed Critical Beijing Sankuai Online Technology Co Ltd
Priority to CN202010113903.6A priority Critical patent/CN111414803A/zh
Publication of CN111414803A publication Critical patent/CN111414803A/zh
Priority to PCT/CN2020/116486 priority patent/WO2021169257A1/zh
Withdrawn legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
    • G06V10/507—Summing image-intensity values; Histogram projection analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/56—Extraction of image or video features relating to colour
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Human Computer Interaction (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本申请实施例公开了一种人脸识别方法，属于视觉识别技术领域，有助于提升人脸识别的准确度。本申请实施例公开的人脸识别方法包括：确定待识别人脸图像的姿态特征、环境光照特征和人脸特征；从预设人脸特征库中筛选出与待识别人脸图像的姿态特征和环境光特征相符的至少一人脸特征，构成人脸特征集合；将待识别人脸图像的人脸特征与所述人脸特征集合中的各人脸特征分别进行比对，获取待识别人脸图像的人脸识别结果。所述方法通过选择与待识别人脸图像的姿态和环境光照条件相同或相近的注册人脸图像进行比对，可以减少由于姿态和环境光照的不同给人脸比对带来的影响，能够应对复杂的环境光照变化和姿态变化，从而提升实际场景的人脸识别准确度。

Description

人脸识别方法、装置、电子设备
技术领域
本申请实施例涉及视觉识别技术领域，特别是涉及一种人脸识别方法、装置、电子设备及计算机可读存储介质。
背景技术
人脸识别被广泛的应用于考勤、支付、会议签到、园区或景区刷脸进入等实际场景。现有技术中的人脸识别方法为：首先需要待识别用户注册一张或多张人脸图像，存入人脸库中；然后，在人脸识别时，实时采集人脸图像与人脸库中的人脸图像进行比对，完成人脸识别。由于人脸识别对人脸图像采集的姿态、光照条件敏感，因此，现有技术中的这种人脸识别方法，在注册环节和识别环节的人脸姿态或环境光照发生改变时，都会影响人脸识别的准确度。
可见，现有技术中的人脸识别方法还有待改进。
发明内容
本申请实施例公开一种人脸识别方法，有助于提升人脸识别的准确度。
为了解决上述问题，第一方面，本申请实施例公开了一种人脸识别方法，包括：
确定待识别人脸图像的姿态特征、环境光照特征和人脸特征；
从预设人脸特征库中筛选出与所述待识别人脸图像的姿态特征和环境光特征相符的至少一人脸特征，构成人脸特征集合；
将所述待识别人脸图像的人脸特征与所述人脸特征集合中的各人脸特征分别进行比对，获取所述待识别人脸图像的人脸识别结果。
第二方面，本申请实施例公开了一种人脸识别装置，包括：
特征确定模块，用于确定待识别人脸图像的姿态特征、环境光照特征和人脸特征；
人脸特征集合构成模块，用于从预设人脸特征库中筛选出与所述待识别人脸图像的姿态特征和环境光特征相符的至少一人脸特征，构成人脸特征集合；
人脸识别模块，用于将所述待识别人脸图像的人脸特征与所述人脸特征集合中的各人脸特征分别进行比对，获取所述待识别人脸图像的人脸识别结果。
第三方面，本申请实施例还公开了一种电子设备，包括存储器、处理器及存储在所述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计算机程序时实现本申请实施例所述的人脸识别方法。
第四方面，本申请实施例公开了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时本申请实施例公开的人脸识别方法的步骤。
本申请实施例公开的人脸识别方法，通过确定待识别人脸图像的姿态特征、环境光照特征和人脸特征；从预设人脸特征库中筛选出与所述待识别人脸图像的姿态特征和环境光特征相符的至少一人脸特征，构成人脸特征集合；将所述待识别人脸图像的人脸特征与所述人脸特征集合中的各人脸特征分别进行比对，获取所述待识别人脸图像的人脸识别结果，有助于提升人脸识别的准确度。本申请实施例公开的人脸识别方法，通过选择与待识别人脸图像的姿态和环境光照条件相同或相近的注册人脸图像进行比对，可以减少由于姿态和环境光照的不同给人脸比对带来的影响，能够应对复杂的环境光照变化和姿态变化，从而提升实际场景的人脸识别准确度。上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。
附图说明
为使本申请实施例的目的、技术方案和优点更加清楚，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作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。
图1是本申请实施例一的人脸识别方法流程图之一；
图2是本申请实施例一的人脸识别方法流程图之二；
图3是本申请实施例二的人脸识别装置结构示意图之一；
图4是本申请实施例三的人脸识别装置结构示意图之二；
图5示意性地示出了用于执行根据本申请的方法的电子设备的框图；以及
图6示意性地示出了用于保持或者携带实现根据本申请的方法的程序代码的存储单元。
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作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。
实施例一
本申请实施例公开的一种人脸识别方法，如图1所示，所述方法包括：步骤110至步骤130。
步骤110，确定待识别人脸图像的姿态特征、环境光照特征和人脸特征。
在人脸识别过程中，首先需要获取至少一张待识别人脸的人脸图像，并将待识别人脸图像输入至预设的人脸识别引擎进行识别。本申请实施例中，对获取待识别人脸图像的具体方式不做限定，对获取待识别人脸图像的光照环境不做限定。
本申请的一些实施例中，所述姿态特征指通过人脸的俯仰角度、左右旋转角度和左右摇摆角度中的任意一种或多种角度表示的人脸姿态。所述确定待识别人脸图像的姿态特征、环境光照特征和人脸特征，包括：通过预设人脸姿态识别模型确定待识别人脸图像匹配的姿态特征和人脸关键点信息，以及，通过预设人脸特征提取模型确定所述待识别人脸图像中的人脸特征；根据所述人脸关键点信息计算区域HSV颜色直方图，确定所述待识别人脸图像的环境光照特征。在获取到一张待识别人脸图像之后，首先，需要从待识别人脸图像中提取待识别的人脸特征，本申请具体实施时，可以采用现有技术中的人脸特征提取模型确定所述待识别人脸图像中的人脸特征，其中，所述预设人脸特征提取模型可以神经网络模型，也可以为算法模型；或者，采用现有技术中的其他方法确定待识别人脸图像中的人脸特征。通常，所述人脸特征通过预设维度(如256维)的向量表示。本申请具体实施时，还需要确定该待识别人脸图像匹配的姿态特征和环境光照特征。其中，待识别人脸图像的姿态特征为该待识别人脸图像中的人脸的姿态特征；待识别人脸图像的环境光照特征为采集该待识别人脸图像的环境光照特征。
本申请的一些实施例中，可以通过预设人脸姿态识别模型确定该待识别人脸图像中人脸的姿态特征，以及，确定该待识别人脸图像中人脸关键点信息。其中，所述人脸姿态识别模型可以基于卷积神经网络搭建，通过对输入的人脸图像进行运算，可以输出所述输入的人脸图像中的人脸关键点信息和姿态特征。例如，可以输出通过人脸的俯仰角度、左右旋转角度和左右摇摆角度中的任意一种或多种角度的向量表示的姿态特征，以及输出表征人脸关键点的人脸关键点信息。本申请的另一些实施例中，还可以采用现有技术中的其他方法确定该待识别人脸图像中人脸的姿态特征和人脸关键点信息。本申请对确定人脸关键点和人脸图像中姿态特征的具体技术方案不做限定。
在确定了待识别人脸图像中的人脸关键点之后，根据各人脸关键点(patch)补丁颜色特征的HSV颜色直方图确定所述待识别人脸图像的环境光照特征。例如，通过对各人脸关键点周围预设大小的图像区域提取HSV(Hue(色调),Saturation(饱和度),Value(透明度))颜色特征，得到各人脸关键点的HSV颜色直方图，按照各人脸关键点的排列顺序，将待识别人脸图像中各人脸关键点的HSV颜色直方图依序排列，将得到的向量作为该待识别人脸图像的环境光照特征。以确定的人脸关键点包括97个点举例，如果取各人脸关键点周围16*16的图像区域提取HSV颜色特征并计算HSV颜色直方图，将得到106*3*64长度的环境光照特征向量。
步骤120，从预设人脸特征库中筛选出与所述待识别人脸图像的姿态特征和环境光特征相符的至少一人脸特征，构成人脸特征集合。
本申请具体实施时，在进行人脸识别之前，即从预设人脸特征库中筛选出与所述待识别人脸图像的姿态特征和环境光特征相符的至少一人脸特征，构成人脸特征集合的步骤之前，还包括：构建人脸特征库，所述人脸特征库中包括与预设姿态特征和预设环境光照特征对应的人脸特征。
本申请的一些实施例中，构建人脸特征库包括：获取注册人脸的正面图像；通过对所述正面图像进行基于预设姿态和预设环境光照条件的三维重建，获得所述正面图像对应的各预设姿态、不同环境光照条件下的人脸图像；获取所述注册人脸的各预设姿态、不同环境光照条件下的每张所述人脸图像的一组人脸特征；根据获取的所述注册人脸的各预设姿态、不同环境光照条件下的每张所述人脸图像的人脸特征，构建人脸特征库。即三维重建后的每张人脸图像对应所述人脸特征库中的一组人脸特征，每组所述人脸特征对应相应三维重建后的人脸图像对应的姿态的姿态特征，以及该三维重建后的人脸图像对应的环境光照条件的环境光照特征。从人脸图像中提取人脸特征的具体方法如前一步骤所述，此处不再赘述。
其中，所述预设姿态可以为通过人脸的俯仰角度、左右旋转角度和左右摇摆角度定义的姿态。例如，将俯仰角度小于10度、左右旋转角度小于5度、左右摇摆角度小于5度定义为姿态1；将俯仰角度小于20度、左右旋转角度小于5度、左右摇摆角度小于5度定义为姿态2等等。按照此方法可以确定多种姿态，所述预设姿态根据人脸识别精度和鲁棒性需求确定。
其中，环境光照条件通过光源种类(如自然光，灯光，射灯)、光线属性(如点光源，平行光源)、点光源位置(例如表示为(x,y,z))、平行光照方向(例如表示为(θ1,θ2,θ3))、光照颜色(例如表示为(R,G,B))等中的任意一项或多项信息确定。例如，可以将光源种类为自然光、光线属性为平行光源、点光源位置为(1,1,0)、平行光照方向为(0,0,1)、光照颜色为(128,128,128)表示的环境光照条件定义为环境光照条件1；将光源种类为自然光、光线属性为平行光源、点光源位置为(1,1,0)、平行光照方向为(0,0,5)、光照颜色为(128,128,128)表示的环境光照条件定义为环境光照条件2等。按照此方法可以确定多种环境光照条件。
本申请的一些实施例中，以预设姿态包括M种、预设环境光照条件包括N种举例，对于注册用户U1的注册图像P1，经过三维重建之后，将得到M*N张人脸图像，每张人脸图像对应一种预设姿态和一种预设环境光照条件，其中，对应每种预设姿态的人脸图像包括N张，对应每种预设姿态的N张人脸图像分别对应一种预设环境光照条件。进一步的，从注册用户U1的经过三维重建得到的M*N张人脸图像中的每张人脸图像中，都可以提取到注册用户U1的一组人脸特征，从而得到注册用户U1的对应不同预设姿态、不同预设环境光照条件的M*N组人脸特征。按照此方法，可以获得每个注册用户的对应不同预设姿态、不同预设环境光照条件的M*N组人脸特征。本申请实施例中，M和N为正整数。从三维重建后得到的人脸图像中提取人脸特征的方案参见前述步骤中确定待识别人脸图像中人脸特征的具体技术方案，此处不再赘述。
本申请具体实施时，在进行人脸识别之前，即从预设人脸特征库中筛选出与所述待识别人脸图像的姿态特征和环境光特征相符的至少一人脸特征，构成人脸特征集合的步骤之前，还包括：构建姿态环境光照模型，所述姿态环境光照模型中包括与各预设姿态特征对应的各预设环境光照特征。每种姿态特征对应多组环境光照特征。
本申请的一些实施例中，构建姿态环境光照模型包括：对于每种预设姿态特征，确定对应该预设姿态特征的三维重建后的若干人脸图像；对于所述若干人脸图像中对应同一种预设环境光照条件的每张人脸图像，根据该人脸图像的人脸关键点(patch)补丁颜色特征的HSV颜色直方图确定该人脸图像的环境光照特征，并将所述若干人脸图像中对应同一种预设环境光照条件的每张人脸图像的环境光照特征的平均值确定为对应该预设姿态特征和相应预设环境光照条件的环境光照特征。例如，从每个注册用户的每张人脸图像中，可以提取到一组环境光照特征。将所有注册用户的对应一指定预设姿态(如姿态posture1)和一指定预设环境光照条件(如环境光照条件condition1)的人脸图像进行人脸关键点(patch)补丁颜色特征的HSV颜色直方图提取，得到每个用户在姿态posture1和环境光照条件condition1下的人脸图像的环境光照特征。然后，将所述注册用户在姿态posture1和环境光照条件condition1下的人脸图像的环境光照特征相加后求平均值，得到的结果作为姿态posture1对应的一种环境光照特征(即姿态posture1对应环境光照条件condition1的环境光照特征)。其中，从三维重建后得到的每张人脸图像中提取人脸关键点(patch)补丁颜色特征的HSV颜色直方图的方案参见前述步骤中确定待识别人脸图像中环境光照特征的具体技术方案，此处不再赘述。
按照上述方法可以确定对应姿态posture1和N种环境光照条件的环境光照特征，以及，对应每种姿态下N种环境光照条件的环境光照特征。M种姿态中每种姿态与N种环境光照条件的环境光照特征的对应关系，构成了姿态环境光照模型。
本申请一些实施例中，每种环境光照特征设置有权重，该权重用于计算所述姿态环境光照模型中各所述环境光照特征与待识别人脸图像匹配的所述环境光照特征的相似度。
本申请的一些实施例中，所述人脸特征库中包括M个人脸特征子库，每个人脸特征子库对应一种预设姿态特征，即每个人脸特征子库对应一种姿态，每个人脸子库中进一步包括N个人脸特征集合，每个人脸特征集合对应一种人脸特征和一种环境光照特征。
本申请的另一些实施例中，每组人脸特征可以以姿态特征和环境光照特征索引存储，例如以(posture，condition，character)的形式存储，其中，posture表示该组人脸特征对应的姿态特征，condition表示该组人脸特征对应的环境光照特征，character表示该组人脸特征。
本申请的一些实施例中，所述从预设人脸特征库中筛选出与所述待识别人脸图像的姿态特征和环境光特征相符的至少一人脸特征，构成人脸特征集合，包括：将预设姿态环境光照模型中所述姿态特征对应的每组环境光照特征，分别作为指定环境光照特征；根据每组所述指定环境光照特征当前的权重，分别计算所述环境光照特征与每组所述指定环境光照特征的相似概率；确定最大的所述相似概率对应的一组所述指定环境光照特征，作为当前环境光照特征；从预设人脸特征库中选择与所述姿态特征和所述当前环境光照特征匹配的人脸特征，构成人脸特征集合。
例如，假设待识别人脸图像匹配的姿态特征为posture1，则根据前述建立的姿态环境光照模型，可以确定姿态特征posture1对应的N种环境光照特征，作为N种指定环境光照特征；之后，分别计算上述N种指定环境光照特征与待识别人脸图像匹配的环境光照特征的相似概率。指定环境光照特征与待识别人脸图像匹配的环境光照特征的相似概率反映了待识别人脸图像的采集环境光照条件与指定环境光照条件的相似程度，待识别人脸图像匹配的环境光照特征与某一指定环境光照特征的相似概率越大，说明该待识别人脸图像的采集环境光照条件与所述某一指定环境光照特征对应的环境光照条件越相似。本申请的一些实施例中，可以确定最大的所述相似概率对应的一组所述指定环境光照特征，作为当前环境光照特征。之后，将人脸特征库中所有注册用户的，匹配当前环境光照特征和姿态特征的注册人脸特征，构成人脸特征集合，用于进行人脸比对。
本申请的另一些实施例中，所述从预设人脸特征库中筛选出与所述待识别人脸图像的姿态特征和环境光特征相符的至少一人脸特征，构成人脸特征集合，包括：将预设姿态环境光照模型中所述姿态特征对应的每组环境光照特征，分别作为指定环境光照特征；根据每组所述指定环境光照特征当前的权重，分别计算所述环境光照特征与每组所述指定环境光照特征的相似概率；从预设人脸特征库中与所述姿态特征匹配的人脸特征中，选择所述相似概率符合预设条件的所述指定环境光照特征对应的人脸特征，分别建立与每组所述指定环境光照特征对应的人脸特征子集；对于每个用户，将该用户在每个所述人脸特征子集中的所述人脸特征分别进行加权融合，得到该用户融合后的人脸特征，其中，进行加权融合时所述人脸特征的权值与该人脸特征所在人脸特征子集对应的所述指定环境光照特征的所述相似概率正相关；确定所述每个用户的融合后的人脸特征，构成人脸特征集合。其中，所述预设条件可以为相似概率最大的预设数量组(如3组)，所述预设数量组根据光照环境特征的数量确定；或者，例如，可以为3组。或者，所述预设条件可以为相似概率大于预设值，如所述预设值为0等。
例如，假设待识别人脸图像匹配的姿态特征为posture1，则根据前述建立的姿态环境光照模型，可以确定姿态特征posture1对应的N种环境光照特征，作为N种指定环境光照特征；之后，分别计算上述N种指定环境光照特征与待识别人脸图像匹配的环境光照特征的相似概率。之后，从预设人脸特征库中与所述姿态特征匹配的人脸特征中，选择所述相似概率大于0的所述指定环境光照特征(如condition1、condition3、condition5)对应的人脸特征，分别建立与每组所述指定环境光照特征对应的人脸特征子集，可以得到3个人脸特征子集S1、S2和S3；对于每个注册用户，将该注册用户在每个所述人脸特征子集中的所述人脸特征(如character1、character2和character3)分别通过公式
Figure BDA0002390894830000091
进行加权融合，得到该用户融合后的人脸特征。其中，character(i)表示某一用户在人脸特征子集i中的一组人脸特征，β(i)表示人脸特征子集i对应的所述指定环境光照特征与待识别人脸图像的指定环境光照特征的相似概率；K表示所述选择所述相似概率最大的人脸特征组数。最后，每个注册用户的融合后的人脸特征，构成人脸特征集合。
通过选择对应多种指定环境光照特征的人脸特征进行加权融合，之后再进行人脸识别，相比于只选择最相近的指定环境光照特征对应的人脸特征进行人脸识别，可以提升人脸识别对环境光照的鲁棒性。
本申请的一些实施例中，通过以下公式计算待识别人脸图像匹配的环境光照特征和任意一指定环境光照特征的相似概率：
相似概率＝权重*G(xi,e)，其中，
Figure BDA0002390894830000092
x是待识别人脸图像的人脸特征，xi是当前指定环境光照特征。本申请的一些实施例中，还可以通过其他公式计算相似概率。所述待识别人脸图像匹配的环境光照特征与指定环境光照特征的相似概率与该指定环境光照特征的权重正相关，与待识别人脸图像匹配的环境光照特征与指定环境光照特征的距离正相关。
本申请的一些实施例中，在建立姿态环境光照模型时，每个环境光照特征的权重将设置相等的初始值，姿态环境光照模型中每个环境光照特征的权重是动态变化的。如图2所示，所述从预设人脸特征库中筛选出与所述待识别人脸图像的姿态特征和环境光特征相符的至少一人脸特征，构成人脸特征集合之后，还包括：步骤140。
步骤140，根据所述环境光照特征，更新用于计算所述姿态环境光照模型中各所述指定环境光照特征与所述环境光照特征的相似度的权重。其中，更新所述指定环境光照特征与所述环境光照特征的相似度的权重的步骤可以在从预设人脸特征库中筛选出与所述待识别人脸图像的姿态特征和环境光特征相符的至少一人脸特征，构成人脸特征集合的步骤之后，或者将所述待识别人脸图像的人脸特征与所述人脸特征集合中的各人脸特征分别进行比对，获取所述待识别人脸图像的人脸识别结果的步骤之后执行。
本申请的一些实施例中，所述根据所述环境光照特征，更新用于计算所述姿态环境光照模型中各所述指定环境光照特征与所述环境光照特征的相似度的权重，包括：根据所述姿态环境光照模型中所述姿态特征对应的每组指定环境光照特征当前的权重，分别计算所述待识别人脸图像匹配的所述环境光照特征与每组所述指定环境光照特征的相似概率；根据所述相似概率，更新所述指定环境光照特征当前的权重，使得每组所述指定环境光照特征更新后的权重和该组指定环境光照特征与所述环境光照特征的相似概率正相关。本申请的一些实施例中，通过将指定环境光照特征当前权重与待识别人脸图像匹配的环境光照特征与该指定环境光照特征的相似距离求和再归一化的方法，更新各指定环境光照特征的权重。例如，首先通过公式：更新权重wxi’＝wxi的当前权重+G(xi,e)计算每个指定环境光照特征的候选更新权重，其中，G(xi,e)表示指定环境光照特征xi相对于待识别人脸图像匹配的环境光照特征的高斯分布；然后，对每个指定环境光照特征的更新权重归一化，得到每个指定环境光照特征的更新后的权重。归一化的方式例如：指定环境光照特征xi的权重＝wxi’/(wx1’+wx2’+…+wxi’+wxN’),其中，x1到xN对应同一组姿态特征的N组指定环境光照特征。
由前述计算相似概率的方法可知，通过调整某一环境光照特征的权重，可以影响该环境光照特征与待识别人脸图像匹配的环境光照特征的相似概率，从而进一步影响基于该相似概率选择的人脸特征集合。例如，通过对早晨采集的人脸图像p1进行人脸识别，根据早晨的环境光照特征更新姿态环境光照模型中各种环境光照特征的权重，特征更新后，与早晨的环境光照条件相同或相近的指定环境光照特征对应的人脸特征将有更大概率被选择用来与人脸图像p1进行人脸匹配，从而可以提升早晨采集的各人脸图像的人脸识别的准确性。同理，在傍晚时，通过对傍晚采集的人脸图像p2进行人脸识别，根据傍晚的环境光照特征更新姿态环境光照模型中各种环境光照特征的权重，特征更新后，与傍晚的环境光照条件相同或相近的指定环境光照特征对应的人脸特征将有更大概率被选择用来与人脸图像p2进行人脸匹配，从而可以提升傍晚采集的各人脸图像的人脸识别的准确性。
步骤130，将所述待识别人脸图像的人脸特征与所述人脸特征集合中的各人脸特征分别进行比对，获取所述待识别人脸图像的人脸识别结果。
在确定了与当前姿态特征和环境光照特征匹配的人脸特征集合之后，可以通过分别计算所述待识别人脸图像匹配的所述人脸特征和所述人脸特征集合中的每组人脸特征的相似度，对所述待识别人脸图像的人脸特征与所述人脸特征集合中的各人脸特征分别进行比对。之后，根据计算得到的相似度确定与所述待识别人脸图像匹配的所述人脸特征库中的人脸特征，至此，可以进一步确定待识别人脸图像的身份信息。
本申请实施例公开的人脸识别方法，通过确定待识别人脸图像的姿态特征、环境光照特征和人脸特征；从预设人脸特征库中筛选出与所述待识别人脸图像的姿态特征和环境光特征相符的至少一人脸特征，构成人脸特征集合；将所述待识别人脸图像的人脸特征与所述人脸特征集合中的各人脸特征分别进行比对，获取所述待识别人脸图像的人脸识别结果，有助于提升人脸识别的准确度。本申请实施例公开的人脸识别方法，通过选择与待识别人脸图像的姿态和环境光照条件相同或相近的注册人脸图像进行比对，可以减少由于姿态和环境光照的不同给人脸比对带来的影响，能够应对复杂的环境光照变化和姿态变化，从而提升实际场景的人脸识别准确度。
另一方面，本申请通过预先建立姿态环境光照模型，并对姿态环境光照模型中包括的各种环境光照特征与当前环境光照特征的相似概率计算权重进行动态调整，使得人脸识别过程能够动态学习实时环境光照条件，进一步提升了人脸识别准确度。
实施例二
本申请实施例公开的一种人脸识别装置，如图3所示，所述装置包括：
特征确定模块310，用于确定待识别人脸图像的姿态特征、环境光照特征和人脸特征；
人脸特征集合构成模块320，用于从预设人脸特征库中筛选出与所述待识别人脸图像的姿态特征和环境光特征相符的至少一人脸特征，构成人脸特征集合；
人脸识别模块330，用于将所述待识别人脸图像的人脸特征与所述人脸特征集合中的各人脸特征分别进行比对，获取所述待识别人脸图像的人脸识别结果。
本申请的一些实施例中，如图4所示，所述装置还包括：
权重更新模块340，用于根据所述环境光照特征，更新用于计算所述姿态环境光照模型中各所述指定环境光照特征与所述环境光照特征的相似度的权重。
本申请的一些实施例中，所述根据所述环境光照特征，更新用于计算所述姿态环境光照模型中各所述指定环境光照特征与所述环境光照特征的相似度的权重，包括：
根据所述姿态环境光照模型中所述姿态特征对应的每组指定环境光照特征当前的权重，分别计算所述待识别人脸图像匹配的所述环境光照特征与每组所述指定环境光照特征的相似概率；
根据所述相似概率，更新所述指定环境光照特征当前的权重，使得每组所述指定环境光照特征更新后的权重和该组指定环境光照特征与所述环境光照特征的相似概率正相关。
本申请的一些实施例中，所述特征确定模块310进一步用于：
通过预设人脸姿态识别模型确定待识别人脸图像匹配的姿态特征和人脸关键点信息，以及，通过预设人脸特征提取模型确定所述待识别人脸图像中的人脸特征；
根据所述人脸关键点信息计算区域HSV颜色直方图，确定所述待识别人脸图像的环境光照特征。
本申请的一些实施例中，所述人脸特征集合构成模块320进一步用于：
将预设姿态环境光照模型中所述姿态特征对应的每组环境光照特征，分别作为指定环境光照特征；
根据每组所述指定环境光照特征当前的权重，分别计算所述环境光照特征与每组所述指定环境光照特征的相似概率；
确定最大的所述相似概率对应的一组所述指定环境光照特征，作为当前环境光照特征；
从预设人脸特征库中选择与所述姿态特征和所述当前环境光照特征匹配的人脸特征，构成人脸特征集合。
本申请的另一些实施例中，所述人脸特征集合构成模块320进一步用于：
将预设姿态环境光照模型中所述姿态特征对应的每组环境光照特征，分别作为指定环境光照特征；
根据每组所述指定环境光照特征当前的权重，分别计算所述环境光照特征与每组所述指定环境光照特征的相似概率；
从预设人脸特征库中与所述姿态特征匹配的人脸特征中，选择所述相似概率符合预设条件的所述指定环境光照特征对应的人脸特征，分别建立与每组所述指定环境光照特征对应的人脸特征子集；
对于每个用户，将该用户在每个所述人脸特征子集中的所述人脸特征分别进行加权融合，得到该用户融合后的人脸特征，其中，进行加权融合时所述人脸特征的权值与该人脸特征所在人脸特征子集对应的所述指定环境光照特征的所述相似概率正相关；
确定所述每个用户的融合后的人脸特征，构成人脸特征集合。
本申请的另一些实施例中，如图4所示，所述装置还包括：
人脸特征库构建模块350，用于构建人脸特征库，所述人脸特征库中包括与预设姿态特征和预设环境光照特征对应的人脸特征。
本申请的一些实施例中，所述人脸特征库构建模块350进一步用于：
获取注册人脸的正面图像；
通过对所述正面图像进行基于预设姿态和预设环境光照条件的三维重建，获得所述正面图像对应的各预设姿态、不同环境光照条件下的人脸图像；
获取所述注册人脸的各预设姿态、不同环境光照条件下的每张所述人脸图像的一组人脸特征；
根据获取的所述注册人脸的各预设姿态、不同环境光照条件下的每张所述人脸图像的人脸特征，构建人脸特征库。
本申请实施例公开的人脸识别装置，用于实现本申请实施例一中所述的人脸识别方法，装置的各模块的具体实施方式不再赘述，可参见方法实施例相应步骤的具体实施方式。
本申请实施例公开的人脸识别装置，通过确定待识别人脸图像的姿态特征、环境光照特征和人脸特征；从预设人脸特征库中筛选出与所述待识别人脸图像的姿态特征和环境光特征相符的至少一人脸特征，构成人脸特征集合；将所述待识别人脸图像的人脸特征与所述人脸特征集合中的各人脸特征分别进行比对，获取所述待识别人脸图像的人脸识别结果，有助于提升人脸识别的准确度。本申请实施例公开的人脸识别装置，通过选择与待识别人脸图像的姿态和环境光照条件相同或相近的注册人脸图像进行比对，可以减少由于姿态和环境光照的不同给人脸比对带来的影响，能够应对复杂的环境光照变化和姿态变化，从而提升实际场景的人脸识别准确度。
另一方面，本申请通过预先建立姿态环境光照模型，并对姿态环境光照模型中包括的各种环境光照特征与当前环境光照特征的相似概率计算权重进行动态调整，使得人脸识别过程能够动态学习实时环境光照条件，进一步提升了人脸识别准确度。
本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上对本申请公开的一种人脸识别方法及装置进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其一种核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元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。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
本申请的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本申请实施例的电子设备中的一些或者全部部件的一些或者全部功能。本申请还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本申请的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。
例如，图5示出了可以实现根据本申请的方法的电子设备。所述电子设备可以为PC机、移动终端、个人数字助理、平板电脑等。该电子设备传统上包括处理器510和存储器520及存储在所述存储器520上并可在处理器510上运行的程序代码530，所述处理器510执行所述程序代码530时实现上述实施例中所述的方法。所述存储器520可以为计算机程序产品或者计算机可读介质。存储器520可以是诸如闪存、EEPROM(电可擦除可编程只读存储器)、EPROM、硬盘或者ROM之类的电子存储器。存储器520具有用于执行上述方法中的任何方法步骤的计算机程序的程序代码530的存储空间5201。例如，用于程序代码530的存储空间5201可以包括分别用于实现上面的方法中的各种步骤的各个计算机程序。所述程序代码530为计算机可读代码。这些计算机程序可以从一个或者多个计算机程序产品中读出或者写入到这一个或者多个计算机程序产品中。这些计算机程序产品包括诸如硬盘，紧致盘(CD)、存储卡或者软盘之类的程序代码载体。所述计算机程序包括计算机可读代码，当所述计算机可读代码在电子设备上运行时，导致所述电子设备执行根据上述实施例的方法。
本申请实施例还公开了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本申请实施例一所述的人脸识别方法的步骤。
这样的计算机程序产品可以为计算机可读存储介质，该计算机可读存储介质可以具有与图5所示的电子设备中的存储器520类似布置的存储段、存储空间等。程序代码可以例如以适当形式进行压缩存储在所述计算机可读存储介质中。所述计算机可读存储介质通常为如参考图6所述的便携式或者固定存储单元。通常，存储单元包括计算机可读代码530’，所述计算机可读代码530’为由处理器读取的代码，这些代码被处理器执行时，实现上面所描述的方法中的各个步骤。
本文中所称的“一个实施例”、“实施例”或者“一个或者多个实施例”意味着，结合实施例描述的特定特征、结构或者特性包括在本申请的至少一个实施例中。此外，请注意，这里“在一个实施例中”的词语例子不一定全指同一个实施例。
在此处所公开的说明书中，说明了大量具体细节。然而，能够理解，本申请的实施例可以在没有这些具体细节的情况下被实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本申请可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
最后应说明的是：以上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精神和范围。

Claims (11)

1.一种人脸识别方法，其特征在于，包括：
确定待识别人脸图像的姿态特征、环境光照特征和人脸特征；
从预设人脸特征库中筛选出与所述待识别人脸图像的姿态特征和环境光特征相符的至少一人脸特征，构成人脸特征集合；
将所述待识别人脸图像的人脸特征与所述人脸特征集合中的各人脸特征分别进行比对，获取所述待识别人脸图像的人脸识别结果。
2.根据权利要求1所述的方法，其特征在于，所述从预设人脸特征库中筛选出与所述待识别人脸图像的姿态特征和环境光特征相符的至少一人脸特征，构成人脸特征集合的步骤之后，还包括：
根据所述环境光照特征，更新用于计算所述姿态环境光照模型中各所述指定环境光照特征与所述环境光照特征的相似度的权重。
3.根据权利要求2所述的方法，其特征在于，所述根据所述环境光照特征，更新用于计算所述姿态环境光照模型中各所述指定环境光照特征与所述环境光照特征的相似度的权重的步骤，包括：
根据所述姿态环境光照模型中所述姿态特征对应的每组指定环境光照特征当前的权重，分别计算所述待识别人脸图像匹配的所述环境光照特征与每组所述指定环境光照特征的相似概率；
根据所述相似概率，更新所述指定环境光照特征当前的权重，使得每组所述指定环境光照特征更新后的权重和该组指定环境光照特征与所述环境光照特征的相似概率正相关。
4.根据权利要求1至3任一项所述的方法，其特征在于，所述确定待识别人脸图像的姿态特征、环境光照特征和人脸特征的步骤，包括：
通过预设人脸姿态识别模型确定待识别人脸图像匹配的姿态特征和人脸关键点信息，以及，通过预设人脸特征提取模型确定所述待识别人脸图像中的人脸特征；
根据所述人脸关键点信息计算区域HSV颜色直方图，确定所述待识别人脸图像的环境光照特征。
5.根据权利要求1至3任一项所述的方法，其特征在于，所述从预设人脸特征库中筛选出与所述待识别人脸图像的姿态特征和环境光特征相符的至少一人脸特征，构成人脸特征集合的步骤，包括：
将预设姿态环境光照模型中所述姿态特征对应的每组环境光照特征，分别作为指定环境光照特征；
根据每组所述指定环境光照特征当前的权重，分别计算所述环境光照特征与每组所述指定环境光照特征的相似概率；
确定最大的所述相似概率对应的一组所述指定环境光照特征，作为当前环境光照特征；
从预设人脸特征库中选择与所述姿态特征和所述当前环境光照特征匹配的人脸特征，构成人脸特征集合。
6.根据权利要求1至3任一项所述的方法，其特征在于，所述从预设人脸特征库中筛选出与所述待识别人脸图像的姿态特征和环境光特征相符的至少一人脸特征，构成人脸特征集合的步骤，包括：
将预设姿态环境光照模型中所述姿态特征对应的每组环境光照特征，分别作为指定环境光照特征；
根据每组所述指定环境光照特征当前的权重，分别计算所述环境光照特征与每组所述指定环境光照特征的相似概率；
从预设人脸特征库中与所述姿态特征匹配的人脸特征中，选择所述相似概率符合预设条件的所述指定环境光照特征对应的人脸特征，分别建立与每组所述指定环境光照特征对应的人脸特征子集；
对于每个用户，将该用户在每个所述人脸特征子集中的所述人脸特征分别进行加权融合，得到该用户融合后的人脸特征，其中，进行加权融合时所述人脸特征的权值与该人脸特征所在人脸特征子集对应的所述指定环境光照特征的所述相似概率正相关；
确定所述每个用户的融合后的人脸特征，构成人脸特征集合。
7.根据权利要求1至3任一项所述的方法，其特征在于，所述从预设人脸特征库中筛选出与所述待识别人脸图像的姿态特征和环境光特征相符的至少一人脸特征，构成人脸特征集合的步骤之前，还包括：构建人脸特征库，所述人脸特征库中包括与预设姿态特征和预设环境光照特征对应的人脸特征。
8.根据权利要求7所述的方法，其特征在于，所述构建人脸特征库的步骤，包括：
获取注册人脸的正面图像；
通过对所述正面图像进行基于预设姿态和预设环境光照条件的三维重建，获得所述正面图像对应的各预设姿态、不同环境光照条件下的人脸图像；
获取所述注册人脸的各预设姿态、不同环境光照条件下的每张所述人脸图像的一组人脸特征；
根据获取的所述注册人脸的各预设姿态、不同环境光照条件下的每张所述人脸图像的人脸特征，构建人脸特征库。
9.一种人脸识别装置，其特征在于，包括：
特征确定模块，用于确定待识别人脸图像的姿态特征、环境光照特征和人脸特征；
人脸特征集合构成模块，用于从预设人脸特征库中筛选出与所述待识别人脸图像的姿态特征和环境光特征相符的至少一人脸特征，构成人脸特征集合；
人脸识别模块，用于将所述待识别人脸图像的人脸特征与所述人脸特征集合中的各人脸特征分别进行比对，获取所述待识别人脸图像的人脸识别结果。
10.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在处理器上运行的程序代码，其特征在于，所述处理器执行所述程序代码时实现权利要求1至8任一项所述的人脸识别方法。
11.一种计算机可读存储介质，其上存储有程序代码，其特征在于，该程序代码被处理器执行时实现权利要求1至8任一项所述的人脸识别方法的步骤。
CN202010113903.6A 2020-02-24 2020-02-24 人脸识别方法、装置、电子设备 Withdrawn CN111414803A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202010113903.6A CN111414803A (zh) 2020-02-24 2020-02-24 人脸识别方法、装置、电子设备
PCT/CN2020/116486 WO2021169257A1 (zh) 2020-02-24 2020-09-21 人脸识别

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010113903.6A CN111414803A (zh) 2020-02-24 2020-02-24 人脸识别方法、装置、电子设备

Publications (1)

Publication Number Publication Date
CN111414803A true CN111414803A (zh) 2020-07-14

Family

ID=71494202

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010113903.6A Withdrawn CN111414803A (zh) 2020-02-24 2020-02-24 人脸识别方法、装置、电子设备

Country Status (2)

Country Link
CN (1) CN111414803A (zh)
WO (1) WO2021169257A1 (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112597891A (zh) * 2020-12-22 2021-04-02 陈王芳 人脸识别图像处理方法及系统
CN112818909A (zh) * 2021-02-22 2021-05-18 Oppo广东移动通信有限公司 图像更新方法、装置、电子设备及计算机可读介质
CN112862821A (zh) * 2021-04-01 2021-05-28 中国工商银行股份有限公司 基于图像处理的漏水检测方法、装置、计算设备和介质
CN113657187A (zh) * 2021-07-26 2021-11-16 浙江大华技术股份有限公司 一种脸部识别方法、设备和计算机可读存储介质

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116778487A (zh) * 2023-08-11 2023-09-19 四川汉唐云分布式存储技术有限公司 一种在监控界面为个人头部增加独特标识符的系统和方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101320484A (zh) * 2008-07-17 2008-12-10 清华大学 一种基于人脸全自动定位的三维人脸识别方法
CN102982321A (zh) * 2012-12-05 2013-03-20 深圳Tcl新技术有限公司 人脸库采集方法及装置
CN103136533A (zh) * 2011-11-28 2013-06-05 汉王科技股份有限公司 基于动态阈值的人脸识别方法及装置
CN106845385A (zh) * 2017-01-17 2017-06-13 腾讯科技（上海）有限公司 视频目标跟踪的方法和装置
US20170230584A1 (en) * 2014-09-30 2017-08-10 Beijing Zhigu Rui Tuo Tech Co., Ltd Photography illumination compensation method, compensation apparatus, and user equipment
CN110647782A (zh) * 2018-06-08 2020-01-03 北京信息科技大学 三维人脸重建与多姿态人脸识别方法及装置

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101159015B (zh) * 2007-11-08 2010-12-08 清华大学 一种二维人脸图像的识别方法
CN102799871A (zh) * 2012-07-13 2012-11-28 Tcl集团股份有限公司 一种人脸跟踪识别的方法
CN102938065B (zh) * 2012-11-28 2017-10-20 北京旷视科技有限公司 基于大规模图像数据的人脸特征提取方法及人脸识别方法
US10521649B2 (en) * 2015-02-16 2019-12-31 University Of Surrey Three dimensional modelling

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101320484A (zh) * 2008-07-17 2008-12-10 清华大学 一种基于人脸全自动定位的三维人脸识别方法
CN103136533A (zh) * 2011-11-28 2013-06-05 汉王科技股份有限公司 基于动态阈值的人脸识别方法及装置
CN102982321A (zh) * 2012-12-05 2013-03-20 深圳Tcl新技术有限公司 人脸库采集方法及装置
US20170230584A1 (en) * 2014-09-30 2017-08-10 Beijing Zhigu Rui Tuo Tech Co., Ltd Photography illumination compensation method, compensation apparatus, and user equipment
CN106845385A (zh) * 2017-01-17 2017-06-13 腾讯科技（上海）有限公司 视频目标跟踪的方法和装置
CN110647782A (zh) * 2018-06-08 2020-01-03 北京信息科技大学 三维人脸重建与多姿态人脸识别方法及装置

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112597891A (zh) * 2020-12-22 2021-04-02 陈王芳 人脸识别图像处理方法及系统
CN112597891B (zh) * 2020-12-22 2022-05-06 深圳市海威达科技有限公司 人脸识别图像处理方法及系统
CN112818909A (zh) * 2021-02-22 2021-05-18 Oppo广东移动通信有限公司 图像更新方法、装置、电子设备及计算机可读介质
CN112862821A (zh) * 2021-04-01 2021-05-28 中国工商银行股份有限公司 基于图像处理的漏水检测方法、装置、计算设备和介质
CN113657187A (zh) * 2021-07-26 2021-11-16 浙江大华技术股份有限公司 一种脸部识别方法、设备和计算机可读存储介质

Also Published As

Publication number Publication date
WO2021169257A1 (zh) 2021-09-02

Similar Documents

Publication Publication Date Title
US11830230B2 (en) Living body detection method based on facial recognition, and electronic device and storage medium
CN111414803A (zh) 人脸识别方法、装置、电子设备
Shen et al. Person re-identification with correspondence structure learning
Lin et al. Learning correspondence structures for person re-identification
CN108875542B (zh) 一种人脸识别方法、装置、系统及计算机存储介质
CN109711399B (zh) 基于图像的店铺识别方法、装置，电子设备
CN110909651A (zh) 视频主体人物的识别方法、装置、设备及可读存储介质
CN109711416B (zh) 目标识别方法、装置、计算机设备和存储介质
CN109886223B (zh) 人脸识别方法、底库录入方法、装置及电子设备
CN110414550B (zh) 人脸识别模型的训练方法、装置、系统和计算机可读介质
CN105005777A (zh) 一种基于人脸的音视频推荐方法及系统
Fan et al. Image visual realism: From human perception to machine computation
CN112836625A (zh) 人脸活体检测方法、装置、电子设备
CN111353325A (zh) 关键点检测模型训练方法及装置
CN108229432A (zh) 人脸标定方法及装置
CN108268863B (zh) 一种图像处理方法、装置和计算机存储介质
CN116171462A (zh) 对象序列的识别方法、网络训练方法、装置、设备及介质
CN114724218A (zh) 视频检测方法、装置、设备及介质
CN111382791A (zh) 深度学习任务处理方法、图像识别任务处理方法和装置
CN114168768A (zh) 图像检索方法及相关设备
CN110826534A (zh) 一种基于局部主成分分析的人脸关键点检测方法及系统
CN108875501B (zh) 人体属性识别方法、装置、系统及存储介质
CN112070744B (zh) 一种人脸识别的方法、系统、设备及可读存储介质
Bhattacharya et al. Qdf: A face database with varying quality
CN116884045A (zh) 身份识别方法、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: 20200714

WW01 Invention patent application withdrawn after publication