CN111460893A - 人脸特征向量动态调整方法及相关设备 - Google Patents

人脸特征向量动态调整方法及相关设备 Download PDF

Info

Publication number
CN111460893A
CN111460893A CN202010136922.0A CN202010136922A CN111460893A CN 111460893 A CN111460893 A CN 111460893A CN 202010136922 A CN202010136922 A CN 202010136922A CN 111460893 A CN111460893 A CN 111460893A
Authority
CN
China
Prior art keywords
face feature
feature vector
user
face
preset database
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
Application number
CN202010136922.0A
Other languages
English (en)
Inventor
陈娜
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.)
Ping An Technology Shenzhen Co Ltd
Original Assignee
Ping An Technology Shenzhen 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 Ping An Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Priority to CN202010136922.0A priority Critical patent/CN111460893A/zh
Publication of CN111460893A publication Critical patent/CN111460893A/zh
Priority to PCT/CN2020/124333 priority patent/WO2021174875A1/zh
Pending legal-status Critical Current

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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Abstract

本发明提供了一种人脸特征向量动态调整方法及相关设备。所述方法根据预设数据库中的用户的人脸特征向量对应的人脸图像采集时间确定预设数据库中的用户的人脸特征向量的权值，根据权值计算预设数据库中的用户的人脸特征向量的加权平均值；计算预设数据库中的用户的人脸图像采集时间中的最新时间对应的人脸特征向量的预期人脸特征向量序列；根据预期人脸特征向量序列与加权平均值从预设数据库中的用户的人脸特征向量中确定用户的优选人脸特征向量；根据用户的优选人脸特征向量计算用户的新的人脸特征向量；根据新的人脸特征向量更新人脸特征库中匹配的人脸特征向量。本发明增强了人脸识别任务的可持续性。

Description

人脸特征向量动态调整方法及相关设备
技术领域
本发明涉及人脸识别技术领域，具体涉及一种人脸特征向量动态调整方法、装置、计算机装置及计算机存储介质。
背景技术
人脸识别技术作为人体生物特征识别的一种技术手段已经得到广泛应用，在考勤管理，楼宇、车站、海关人员出入管理、手机或电脑解锁、软件登录、逃犯追踪等方面发挥重要作用。
传统的人脸识别技术主要处理流程包括：录入用户人脸特征信息保存到数据库中；用户身份认证时，采集提取当前人脸特征；与数据库中已有用户数据进行比对，相似度达到限定的阈值时，判定为身份认证成功。但传统的人脸识别技术存在以下问题：随着时间的变化，相对于数据库中未变化的已有用户数据，用户的面部特征可能发生较大的变化。为避免影响人脸识别的准确性，此时只能重新录入用户的人脸特征信息，人脸识别任务不可持续。
发明内容
鉴于以上内容，有必要提出一种人脸特征向量动态调整方法、装置、计算机装置及计算机存储介质，其可以动态调整用于人脸识别的人脸特征库中的人脸特征向量，增强人脸识别任务的可持续性。
本申请的第一方面提供一种人脸特征向量动态调整方法，所述方法包括：
采集用户的人脸图像进行人脸识别时，若从所述人脸图像中提取的所述用户的人脸特征向量与人脸特征库中的人脸特征向量相匹配，则将提取的所述用户的人脸特征向量、提取的所述用户的人脸特征向量对应的人脸图像采集时间、提取的所述用户的人脸特征向量与所述人脸特征库中匹配的人脸特征向量的距离存储至预设数据库；
判断所述预设数据库中的所述用户的人脸特征向量的数量是否达到预设数量，以及判断所述预设数据库中的所述用户的人脸特征向量对应的人脸图像采集时间的时间跨度是否达到预设时间跨度；
若所述预设数据库中的所述用户的人脸特征向量的数量达到预设数量且所述预设数据库中的所述用户的人脸特征向量对应的人脸图像采集时间的时间跨度达到预设时间跨度，根据所述预设数据库中的所述用户的人脸特征向量对应的人脸图像采集时间确定所述预设数据库中的所述用户的人脸特征向量的权值，根据所述权值计算所述预设数据库中的所述用户的人脸特征向量的加权平均值；
根据所述预设数据库中的所述用户的人脸特征向量对应的人脸图像采集时间从所述预设数据库中选取部分所述用户的人脸特征向量，将选取的人脸特征向量组成人脸特征向量序列；
确定所述人脸特征向量序列中的每个人脸特征向量的每个维度的平滑系数，根据所述人脸特征向量序列中的每个人脸特征向量的每个维度的平滑系数计算所述人脸特征向量序列的所有人脸特征向量的每个维度的平滑系数均值；
根据所述人脸特征向量序列的每个维度的平滑系数均值计算所述预设数据库中的所述用户的人脸图像采集时间中的最新时间对应的人脸特征向量的预期人脸特征向量序列；
根据所述预期人脸特征向量序列与所述加权平均值从所述预设数据库中的所述用户的人脸特征向量中确定所述用户的优选人脸特征向量；
根据所述用户的优选人脸特征向量计算所述用户的新的人脸特征向量；
根据所述新的人脸特征向量更新所述人脸特征库中所述匹配的人脸特征向量。
另一种可能的实现方式中，所述根据所述预设数据库中的所述用户的人脸特征向量对应的人脸图像采集时间确定所述预设数据库中的所述用户的人脸特征向量的权值包括：
计算所述预设数据库中的所述用户的每个人脸特征向量对应的人脸图像采集时间与所述预设数据库中的所述用户的人脸图像采集时间中的最新时间的时间间隔；
根据所述时间间隔确定所述预设数据库中的所述用户的每个人脸特征向量的权值。
另一种可能的实现方式中，所述人脸特征向量序列为B＝{B1，B2，…Bk，…Be}，所述确定所述人脸特征向量序列中的每个人脸特征向量的每个维度的平滑系数包括：
初始化B1的预测人脸特征向量G1和每个维度的平滑系数；
从B2开始至Be-1从人脸特征向量序列中逐一选择人脸特征向量，对于每个选择的人脸特征向量，根据所述人脸特征向量序列中所述选择的人脸特征向量的上一人脸特征向量、所述上一人脸特征向量的预测人脸特征向量和所述上一人脸特征向量的平滑系数计算所述选择的人脸特征向量的预测人脸特征向量，根据所述选择的人脸特征向量的预测人脸特征向量和下一人脸特征向量计算所述选择的人脸特征向量的每个维度的平滑系数；
根据Be-1的平滑系数向量确定Be的平滑系数向量。
另一种可能的实现方式中，所述用户的新的人脸特征向量根据如下公式确定：
f＝y1-d(x1，x)+y2-d(x2，x)+…+yn-d(xn，x)
函数f取得最大值时的人脸特征向量变量x的取值为所述用户的新的人脸特征向量，其中n为所述用户的优选人脸特征向量的数量，yi为所述用户的第i个优选人脸特征向量与所述人脸特征库中与所述第i个优选人脸特征向量匹配的人脸特征向量的距离，1≤i≤n，d(xi，x)为所述用户的第i个优选人脸特征向量与人脸特征向量变量x的距离。
另一种可能的实现方式中，所述根据所述用户的优选人脸特征向量确定所述用户的新的人脸特征向量包括：
将所述用户的优选人脸特征向量作为训练数据训练自编码器，得到训练后的自编码器，所述自动编码器包括输入层、多个隐层、输出层，所述输入层的节点数为所述用户的优选人脸特征向量的维数，按照所述输入层的节点数的预设比例设定所述多个隐层的节点数；将所述预设数据库中的所述用户的人脸图像采集时间中的最新时间对应的人脸特征向量输入所述训练后的自编码器，得到所述用户的新的人脸特征向量。
另一种可能的实现方式中，所述方法还包括：
将更新后的所述人脸特征库中的人脸特征向量与新提取的所述用户的人脸特征向量进行匹配。
另一种可能的实现方式中，所述根据所述新的人脸特征向量更新所述人脸特征库中所述匹配的人脸特征向量之后，所述方法还包括：
删除所述预设数据库中的所述用户的人脸特征向量。
本申请的第二方面提供一种人脸特征向量动态调整装置，所述装置包括：
存储模块，用于采集用户的人脸图像进行人脸识别时，若从所述人脸图像中提取的所述用户的人脸特征向量与人脸特征库中的人脸特征向量相匹配，则将提取的所述用户的人脸特征向量、提取的所述用户的人脸特征向量对应的人脸图像采集时间、提取的所述用户的人脸特征向量与所述人脸特征库中匹配的人脸特征向量的距离存储至预设数据库；
判断模块，用于判断所述预设数据库中的所述用户的人脸特征向量的数量是否达到预设数量，以及判断所述预设数据库中的所述用户的人脸特征向量对应的人脸图像采集时间的时间跨度是否达到预设时间跨度；
第一计算模块，用于若所述预设数据库中的所述用户的人脸特征向量的数量达到预设数量且所述预设数据库中的所述用户的人脸特征向量对应的人脸图像采集时间的时间跨度达到预设时间跨度，根据所述预设数据库中的所述用户的人脸特征向量对应的人脸图像采集时间确定所述预设数据库中的所述用户的人脸特征向量的权值，根据所述权值计算所述预设数据库中的所述用户的人脸特征向量的加权平均值；
选取模块，用于根据所述预设数据库中的所述用户的人脸特征向量对应的人脸图像采集时间从所述预设数据库中选取部分所述用户的人脸特征向量，将选取的人脸特征向量组成人脸特征向量序列；
第二计算模块，用于确定所述人脸特征向量序列中的每个人脸特征向量的每个维度的平滑系数，根据所述人脸特征向量序列中的每个人脸特征向量的每个维度的平滑系数计算所述人脸特征向量序列的所有人脸特征向量的每个维度的平滑系数均值，根据所述人脸特征向量序列的每个维度的平滑系数均值计算所述预设数据库中的所述用户的人脸图像采集时间中的最新时间对应的人脸特征向量的预期人脸特征向量序列；
确定模块，用于根据所述预期人脸特征向量序列与所述加权平均值从所述预设数据库中的所述用户的人脸特征向量中确定所述用户的优选人脸特征向量；
第三计算模块，用于根据所述用户的优选人脸特征向量计算所述用户的新的人脸特征向量；
更新模块，用于根据所述新的人脸特征向量更新所述人脸特征库中所述匹配的人脸特征向量。
本申请的第三方面提供一种计算机装置，所述计算机装置包括处理器，所述处理器用于执行存储器中存储的计算机程序时实现所述人脸特征向量动态调整方法。
本申请的第四方面提供一种计算机存储介质，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所述人脸特征向量动态调整方法。
本发明增强了人脸识别任务的可持续性。
附图说明
图1是本发明实施例提供的人脸特征向量动态调整方法的流程图。
图2是本发明实施例提供的人脸特征向量动态调整装置的结构图。
图3是本发明实施例提供的计算机装置的示意图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施例对本发明进行详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。
优选地，本发明的人脸特征向量动态调整方法应用在一个或者多个计算机装置中。所述计算机装置是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(Application SpecificIntegrated Circuit，ASIC)、可编程门阵列(Field－Programmable Gate Array，FPGA)、数字处理器(Digital Signal Processor，DSP)、嵌入式设备等。
所述计算机装置可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机装置可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
实施例一
图1是本发明实施例一提供的人脸特征向量动态调整方法的流程图。所述人脸特征向量动态调整方法应用于计算机装置。
本发明人脸特征向量动态调整方法用于动态调整用于人脸识别的人脸特征库中的人脸特征向量。
如图1所示，所述人脸特征向量动态调整方法包括：
101，采集用户的人脸图像进行人脸识别时，若从所述人脸图像中提取的所述用户的人脸特征向量与人脸特征库中的人脸特征向量相匹配，则将提取的所述用户的人脸特征向量、提取的所述用户的人脸特征向量对应的人脸图像采集时间、提取的所述用户的人脸特征向量与所述人脸特征库中匹配的人脸特征向量的距离存储至预设数据库。
例如，在高铁站安检时，采集用户A的人脸图像进行识别，如果从人脸图像中提取的用户A的人脸特征向量与铁路系统的人脸特征库中的用户A的人脸特征向量相匹配，则用户A成功通过安检，记录用户A的人脸图像采集时间，计算提取的用户A的人脸特征向量与铁路系统人脸特征库中的用户A的人脸特征向量的距离(如欧式距离)，并将提取的用户A的人脸特征向量、用户A的人脸图像采集时间和计算的距离存储至预设数据库。每次对用户A进行人脸识别，用户A的人脸特征向量、用户A的人脸特征向量对应的人脸图像采集时间和用户A的人脸特征向量对应的距离存储到预设数据库中。
再如，在公司考勤打卡时，采集用户B的人脸图像进行识别，如果从采集的人脸图像中提取的用户B的人脸特征向量与公司人脸特征库中的用户B的人脸特征向量相匹配，则用户B成功打卡，记录用户B的人脸图像采集时间，计算提取的用户B的人脸特征向量与公司人脸特征库中的用户B的人脸特征向量的距离(如余弦距离)，并将提取的用户B的人脸特征向量、用户B的人脸图像采集时间和计算的距离存储至预设数据库。
在一具体实施例中，所述人脸特征库中的每个用户的人脸特征向量可以是一个。
102，判断所述预设数据库中的所述用户的人脸特征向量的数量是否达到预设数量，以及判断所述预设数据库中的所述用户的人脸特征向量对应的人脸图像采集时间的时间跨度是否达到预设时间跨度。
所述预设数据库中的所述用户的人脸特征向量对应的人脸图像采集时间的时间跨度是所述预设数据库中所述用户的人脸图像采集时间中的最早时间到最新时间的时间区间。所述时间跨度可以用所述用户的人脸图像采集时间中的最新时间与最早时间的时间差表示，例如，所述预设数据库中的所述用户的人脸特征向量对应的人脸图像采集时间的时间跨度为2018.1.1-2018.12.31，即为365天。
例如上述高铁站安检的例子中，预设数量为100，预设时间跨度为365天，可以判断预设数据库中的用户A的人脸特征向量的数量是否达到100，并且判断预设数据库中的用户A的人脸特征向量对应的人脸图像采集时间的时间跨度是否达到365天。
对所述预设数据库中的所述用户的人脸特征向量的数量和所述预设数据库中的所述用户的人脸特征向量对应的人脸图像采集时间进行判断是为了确定对人脸特征向量进行动态调整的时机。当所述预设数据库中的所述用户的人脸特征向量的数量达到预设数量且所述预设数据库中的所述用户的人脸特征向量对应的人脸图像采集时间的时间跨度达到预设时间跨度时，用户的人脸可能发生一定的变化，此时需要对人脸特征库中所述用户的人脸特征向量进行调整，以提高人脸识别的准确度。
103，若所述预设数据库中的所述用户的人脸特征向量的数量达到预设数量且所述预设数据库中的所述用户的人脸特征向量对应的人脸图像采集时间的时间跨度达到预设时间跨度，根据所述预设数据库中的所述用户的人脸特征向量对应的人脸图像采集时间确定所述预设数据库中的所述用户的人脸特征向量的权值，根据所述权值计算所述预设数据库中的所述用户的人脸特征向量的加权平均值。
在一具体实施例中，所述根据所述预设数据库中的所述用户的人脸特征向量对应的人脸图像采集时间确定所述预设数据库中的所述用户的人脸特征向量的权值包括：
计算所述预设数据库中的所述用户的每个人脸特征向量对应的人脸图像采集时间与所述预设数据库中的所述用户的人脸图像采集时间中的最新时间的时间间隔；
根据所述时间间隔确定所述预设数据库中的所述用户的每个人脸特征向量的权值。
所述预设数据库中的所述用户的第i个人脸特征向量为Ai＝(ai，1，ai，2，…，ai，j，…ai，n)，1≤j≤n，n为人脸特征向量的维数，1≤i≤m，m为所述预设数据库中的所述用户的人脸特征向量的数量。所述预设数据库中的所述用户的第i个人脸特征向量对应的人脸图像采集时间与所述预设数据库中的所述用户的人脸图像采集时间中的最新时间的时间间隔为di(di为正数)。可以根据如下公式计算所述预设数据库中的所述用户的第i个人脸特征向量Ai的权值ci：
Figure BDA0002397647630000081
上述权值计算公式中，所述预设数据库中的所述用户的人脸图像采集时间中的最新时间对应的时间间隔取非零值(例如0.1(天))。可以确定所述预设数据库中的所述用户的人脸图像采集时间中的非最新时间对应的时间间隔中的最小时间间隔，根据所述最小时间间隔确定所述最新时间对应的时间间隔，例如所述最新时间对应的时间间隔等于预设系数(如0.1)与所述最小时间间隔的乘积。
所述预设数据库中的所述用户的人脸特征向量的加权平均值Z＝(z1，z2，…，zj，…zn)，
Figure BDA0002397647630000091
104，根据所述预设数据库中的所述用户的人脸特征向量对应的人脸图像采集时间从所述预设数据库中选取部分所述用户的人脸特征向量，将选取的人脸特征向量组成人脸特征向量序列。
在本实施例中，将所述预设数据库中的所述用户的人脸特征向量对应的人脸图像采集时间的时间跨度分为多个子时间跨度，得到子时间跨度T1，T2，…Tk，…Te，e为子时间跨度的个数。每个子时间跨度包括至少一个所述预设数据库中的所述用户的人脸特征向量对应的人脸图像采集时间。对于每个子时间跨度Tk，选取一个对应的人脸图像采集时间在该子时间跨度中的所述预设数据库中的所述用户的人脸特征向量Bk，得到所述用户的人脸特征向量序列B＝{B1，B2，…Bk，…Be}，Bk＝(bk，1，bk，2，…，bk，j，…bk，n)，1≤k≤e，其中bk，j为所述用户的所述人脸特征向量序列中第k个人脸特征向量的第j维的值。例如，所述预设数据库中的所述用户的人脸特征向量对应的人脸图像采集时间的时间跨度为2018.1.1-2018.12.31，将2018年的每个月作为一个子时间跨度，对于每个子时间跨度，选取一个对应的人脸图像采集时间在该子时间跨度中的所述预设数据库中的所述用户的人脸特征向量，得到所述用户的人脸特征向量序列B＝{B1，B2，…Bk，…B12}。
105，确定所述人脸特征向量序列中的每个人脸特征向量的每个维度的平滑系数，根据所述人脸特征向量序列中的每个人脸特征向量的每个维度的平滑系数计算所述人脸特征向量序列的所有人脸特征向量的每个维度的平滑系数均值。
人脸特征向量序列中的每个人脸特征向量的每个维度对应一个平滑系数，每个人脸特征向量的不同维度对应的平滑系数可以相同也可以不同。
在一具体实施例中，人脸特征向量序列为B＝{B1，B2，…Bk，…Be}，所述确定所述人脸特征向量序列中的每个人脸特征向量的每个维度的平滑系数包括：
(1)初始化B1的预测人脸特征向量G1和每个维度的平滑系数。
B1的预测人脸特征向量G1可以初始化为等于B1，即G1＝B1。或者，B1的预测人脸特征向量G1可以初始化为等于B1乘以第一系数，所述第一系数大于0小于1。B1的每个维度的平滑系数可以取0与1之间的值(包括0和1)。例如，B1的第j维的平滑系数表示为f1，j，f1，j可以等于0.8。
(2)从B2开始至Be-1从人脸特征向量序列B＝{B1，B2，…Bk，…Be}中逐一选择人脸特征向量，对于每个选择的人脸特征向量，根据所述人脸特征向量序列中所述选择的人脸特征向量的上一人脸特征向量、所述上一人脸特征向量的预测人脸特征向量和所述上一人脸特征向量的平滑系数计算所述选择的人脸特征向量的预测人脸特征向量，根据所述选择的人脸特征向量的预测人脸特征向量和下一人脸特征向量计算所述选择的人脸特征向量的每个维度的平滑系数。
例如，从所述人脸特征向量序列中选择第k(2≤k≤e-1)个人脸特征向量，根据所述人脸特征向量序列中的第k-1个人脸特征向量的第j维的值bk-1，j、第k-1个人脸特征向量的第j维的预测值Gk-1，j和第k-1个人脸特征向量的第j维的平滑系数fk-1，j计算第k个人脸特征向量的第j维的预测值Gk，j，Gk，j＝fk-1，j×bk-1，j+(1-fk-1，j)×Gk-1，j，根据第k个人脸特征向量的第j维的预测值Gk，j和第k+1个人脸特征向量的第j维的值bk+1，j计算第k个人脸特征向量的第j维的平滑系数fk，j，fk，j根据bk+1，j＝fk，j×bk，j+(1-fk，j)×Gk，j计算得到，0≤fk，j≤1。
(3)根据Be-1的平滑系数向量确定Be的平滑系数向量。
Be-1的平滑系数向量可以等于Be的平滑系数向量，即fe，j＝fe-1，j。或者，Be-1的平滑系数向量可以等于定Be的平滑系数向量乘以第二系数，所述第二系数大于0小于1，例如所述第二系数等于0.8。
人脸特征向量序列B＝{B1，B2，…Bk，…Be}第j维的平滑系数均值
Figure BDA0002397647630000101
Figure BDA0002397647630000102
所述人脸特征向量序列的平滑系数向量F＝(f1，f2，…，fj，…，fn)。
106，根据所述人脸特征向量序列的每个维度的平滑系数均值计算所述预设数据库中的所述用户的人脸图像采集时间中的最新时间对应的人脸特征向量的预期人脸特征向量序列。
根据所述平滑系数F和所述用户的人脸特征向量序列B计算所述最新时间对应的人脸特征向量的预期人脸特征向量序列H，所述预期人脸特征向量序列中的预期人脸特征向量与所述用户的人脸特征向量序列B中的人脸特征向量一一对应(即Hk与Bk相对应)，H＝{H1，H2，…，Hk，…，He}，Hk＝(hk，1，hk，2，…，hk，j，…hk，n)，其中hk，j＝fj×bk-1，j+(1-fj)×hk-1，j，2≤k≤e，h1，j＝b1，j。
107，根据所述预期人脸特征向量序列与所述加权平均值从所述预设数据库中的所述用户的人脸特征向量中确定所述用户的优选人脸特征向量。
若所述预期人脸特征向量序列H中的第k个预期人脸特征向量Hk与所述用户的加权平均值Z的欧氏距离小于第一预设距离，则将预期人脸特征向量Hk对应的所述用户的人脸特征向量序列中的人脸特征向量Bk的上一人脸特征向量Bk-1确定为所述优选人脸特征向量。
108，根据所述用户的优选人脸特征向量计算所述用户的新的人脸特征向量。
在一具体实施例中，所述用户的新的人脸特征向量根据如下公式确定：
f＝y1-d(x1，x)+y2-d(x2，x)+…+yn-d(xn，x)
函数f取得最大值时的人脸特征向量变量x的取值为所述用户的新的人脸特征向量，其中n为所述用户的优选人脸特征向量的数量，yi为所述用户的第i个优选人脸特征向量与所述人脸特征库中与所述第i个优选人脸特征向量匹配的人脸特征向量的距离，1≤i≤n，d(xi，x)为所述用户的第i个优选人脸特征向量与人脸特征向量变量x的距离，所述距离为欧式距离或余弦距离。
在另一实施例中，所述根据所述用户的优选人脸特征向量确定所述用户的新的人脸特征向量包括：
将所述用户的优选人脸特征向量作为训练数据训练自编码器，得到训练后的自编码器，所述自动编码器包括输入层、多个隐层、输出层，所述输入层的节点数为所述用户的优选人脸特征向量的维数，按照所述输入层的节点数的预设比例设定所述多个隐层的节点数；将所述预设数据库中的所述用户的人脸图像采集时间中的最新时间对应的人脸特征向量输入所述训练后的自编码器，得到所述用户的新的人脸特征向量。
具体地，在所述自编码器(AutoEncoder)中，从所述输入层到所述多个隐层的中间隐层，将相邻两层作为一个受限玻尔兹曼机(Restricted Boltzmann Machine，简称RBM)，从所述输入层开始，将所述用户的优选人脸特征向量作为训练数据输入输入层，然后逐层对全部受限玻尔兹曼机进行训练，得到所述自动编码器的编码部分(Encoder)，将所述编码部分反向后得到所述自动编码器的解码部分(Decoder)。
例如，所述自动编码器的所述输入层的节点数为1000，所述自动编码器的三个隐层的节点数分别为900、810、900，所述自动编码器的多数输出层的节点数为1000。所述自动编码器的三个隐层分别为第一隐层、第二隐层和第三隐层，将所述输入层和所述第一隐层作为一个受限玻尔兹曼机，将所述第一隐层和所述第二隐层作为一个受限玻尔兹曼机。训练所述输入层与所述第一隐层之间的编码部分可以包括：
1、将所述输入层作为给定受限玻尔兹曼机的可视层H1＝(h1，1，h1，2，…，h1，i，…h1，1000)，将与所述输入层相邻的所述第一隐层作为所述给定受限玻尔兹曼机的隐含层H2＝(h2，1，h2，2，…，h2，j，…h2，900)。
2、初始化权值矩阵W，可视层偏置向量A＝(a1，a2，…，ai，…a1000)和隐含层偏置向量B＝(b1，b2，…，bj，…b900)，所述权值矩阵W中wi，j为所述可视层的第i个神经元所述隐含层的第j个神经元对应的神经元权值。
3、根据所述可视层计算所述隐含层H2＝(h2，1，h2，2，…，h2，j，…h2，900)，其中所述可视层为所述自动编码器的所述输入层(即所述用户的优选人脸特征向量)。
Figure BDA0002397647630000121
1≤j≤900。随机产生j个随机数Cj，0≤Cj≤1，若h2，j≥Cj，则h2，j＝1；若h2，j＜Cj，则h2，j＝0。
4、根据所述隐含层计算重建的所述可视层H′1＝(h′1，1，h′1，2，…，h′1，i，…h′1，1000)，
Figure BDA0002397647630000122
1≤i≤1000。
5、根据重建的所述可视层计算重建的所述隐含层H′2＝(h′2，1，h′2，2，…，h′2，j，…h′2，900)，
Figure BDA0002397647630000123
1≤j≤900。
6、若所述可视层与重建的所述可视层之间的距离大于或等于第二预设距离，则更新所述权值矩阵、所述可视层偏置向量和所述隐含层偏置向量：
W′＝W+d×((H1)TH2-(H′1)TH′2)
A′＝A+d×(H1-H′1)
B′＝B+d×(H2-H′2)
其中，W′为更新后的所述权值矩阵，A′为更新后的所述可视偏置向量，B′为更新后的所述隐含层偏置向量，d为学习率，0＜d＜1。
7、若所述可视层与重建的所述可视层之间的距离小于第二预设距离，则停止上述更新步骤，得到所述输入层与所述第一隐层之间的所述权值矩阵、所述可视层偏置向量和所述隐含层偏置向量，即完成对所述输入层与所述第一隐层之间的所述编码部分的训练。
同理可完成对所述第一隐层与所述第二隐层之间的所述编码部分的训练，所述第一隐层的输出为所述第二隐层的输入。将所述第一隐层与所述第二隐层之间的所述编码部分转向后得到所述第二隐层与所述第三隐层之间的所述解码部分，将所述输入层与第一隐层之间的所述编码部分转向后得到所述第三隐层与所述输出层之间的所述解码部分。
109，根据所述新的人脸特征向量更新所述人脸特征库中所述匹配的人脸特征向量。
例如，将高铁安检实施例中用户A的新的人脸特征向量a′更新铁路系统人脸特征库中与用户A匹配的人脸特征向量a，完成对铁路系统人脸特征库中与用户A匹配的人脸特征向量的调整。
实施例一动态调整用于人脸识别的人脸特征库中的人脸特征向量，增强了人脸识别任务的可持续性。
在另一实施例中，所述方法还包括：
将更新后的所述人脸特征库中的人脸特征向量与新提取的所述用户的人脸特征向量进行匹配。具体地，当再次进行人脸识别时，可以计算新提取的所述用户的人脸特征向量与更新后的所述人脸特征库中的人脸特征向量的距离，所述距离为欧式距离或余弦距离；若所述距离中的最小距离小于第三预设距离，则新提取的所述用户的人脸特征向量与更新后的所述人脸特征库中的人脸特征向量相匹配，对所述用户的人脸识别成功。
在另一实施例中，所述根据所述新的人脸特征向量更新所述人脸特征库中所述匹配的人脸特征向量之后，所述方法还包括：
删除所述预设数据库中的所述用户的人脸特征向量。具体地，当根据所述新的人脸特征向量更新所述人脸特征库中所述匹配的人脸特征向量之后，可以删除所述预设数据库中的所述用户的人脸特征向量，以重新对新提取的所述用户的人脸特征向量进行存储，作为下一次人脸特征向量调整的初始数据。
实施例二
图2是本发明实施例二提供的人脸特征向量动态调整装置的结构图。所述人脸特征向量动态调整装置20应用于计算机装置。本装置的人脸特征向量动态调整是动态调整用于人脸识别的人脸特征库中的人脸特征向量。如图2所示，所述人脸特征向量动态调整装置20可以包括存储模块201、判断模块202、第一计算模块203、选取模块204、第二计算模块205、确定模块206、第三计算模块207、更新模块208。
存储模块201，用于采集用户的人脸图像进行人脸识别时，若从所述人脸图像中提取的所述用户的人脸特征向量与人脸特征库中的人脸特征向量相匹配，则将提取的所述用户的人脸特征向量、提取的所述用户的人脸特征向量对应的人脸图像采集时间、提取的所述用户的人脸特征向量与所述人脸特征库中匹配的人脸特征向量的距离存储至预设数据库。
例如，在高铁站安检时，采集用户A的人脸图像进行识别，如果从人脸图像中提取的用户A的人脸特征向量与铁路系统的人脸特征库中的用户A的人脸特征向量相匹配，则用户A成功通过安检，记录用户A的人脸图像采集时间，计算提取的用户A的人脸特征向量与铁路系统人脸特征库中的用户A的人脸特征向量的距离(如欧式距离)，并将提取的用户A的人脸特征向量、用户A的人脸图像采集时间和计算的距离存储至预设数据库。每次对用户A进行人脸识别，用户A的人脸特征向量、用户A的人脸特征向量对应的人脸图像采集时间和用户A的人脸特征向量对应的距离存储到预设数据库中。
再如，在公司考勤打卡时，采集用户B的人脸图像进行识别，如果从采集的人脸图像中提取的用户B的人脸特征向量与公司人脸特征库中的用户B的人脸特征向量相匹配，则用户B成功打卡，记录用户B的人脸图像采集时间，计算提取的用户B的人脸特征向量与公司人脸特征库中的用户B的人脸特征向量的距离(如余弦距离)，并将提取的用户B的人脸特征向量、用户B的人脸图像采集时间和计算的距离存储至预设数据库。
在一具体实施例中，所述人脸特征库中的每个用户的人脸特征向量可以是一个。
判断模块202，用于判断所述预设数据库中的所述用户的人脸特征向量的数量是否达到预设数量，以及判断所述预设数据库中的所述用户的人脸特征向量对应的人脸图像采集时间的时间跨度是否达到预设时间跨度。
所述预设数据库中的所述用户的人脸特征向量对应的人脸图像采集时间的时间跨度是所述预设数据库中所述用户的人脸图像采集时间中的最早时间到最新时间的时间区间。所述时间跨度可以用所述用户的人脸图像采集时间中的最新时间与最早时间的时间差表示，例如，所述预设数据库中的所述用户的人脸特征向量对应的人脸图像采集时间的时间跨度为2018.1.1-2018.12.31，即为365天。
例如上述高铁站安检的例子中，预设数量为100，预设时间跨度为365天，可以判断预设数据库中的用户A的人脸特征向量的数量是否达到100，并且判断预设数据库中的用户A的人脸特征向量对应的人脸图像采集时间的时间跨度是否达到365天。
对所述预设数据库中的所述用户的人脸特征向量的数量和所述预设数据库中的所述用户的人脸特征向量对应的人脸图像采集时间进行判断是为了确定对人脸特征向量进行动态调整的时机。当所述预设数据库中的所述用户的人脸特征向量的数量达到预设数量且所述预设数据库中的所述用户的人脸特征向量对应的人脸图像采集时间的时间跨度达到预设时间跨度时，用户的人脸可能发生一定的变化，此时需要对人脸特征库中所述用户的人脸特征向量进行调整，以提高人脸识别的准确度。
第一计算模块203，用于若所述预设数据库中的所述用户的人脸特征向量的数量达到预设数量且所述预设数据库中的所述用户的人脸特征向量对应的人脸图像采集时间的时间跨度达到预设时间跨度，根据所述预设数据库中的所述用户的人脸特征向量对应的人脸图像采集时间确定所述预设数据库中的所述用户的人脸特征向量的权值，根据所述权值计算所述预设数据库中的所述用户的人脸特征向量的加权平均值。
在一具体实施例中，所述根据所述预设数据库中的所述用户的人脸特征向量对应的人脸图像采集时间确定所述预设数据库中的所述用户的人脸特征向量的权值包括：
计算所述预设数据库中的所述用户的每个人脸特征向量对应的人脸图像采集时间与所述预设数据库中的所述用户的人脸图像采集时间中的最新时间的时间间隔；
根据所述时间间隔确定所述预设数据库中的所述用户的每个人脸特征向量的权值。
所述预设数据库中的所述用户的第i个人脸特征向量为Ai＝(ai，1，ai，2，…，ai，j，…ai，n)，1≤j≤n，n为人脸特征向量的维数，1≤i≤m，m为所述预设数据库中的所述用户的人脸特征向量的数量。所述预设数据库中的所述用户的第i个人脸特征向量对应的人脸图像采集时间与所述预设数据库中的所述用户的人脸图像采集时间中的最新时间的时间间隔为di(di为正数)。可以根据如下公式计算所述预设数据库中的所述用户的第i个人脸特征向量Ai的权值ci：
Figure BDA0002397647630000161
上述权值计算公式中，所述预设数据库中的所述用户的人脸图像采集时间中的最新时间对应的时间间隔取非零值(例如0.1(天))。可以确定所述预设数据库中的所述用户的人脸图像采集时间中的非最新时间对应的时间间隔中的最小时间间隔，根据所述最小时间间隔确定所述最新时间对应的时间间隔，例如所述最新时间对应的时间间隔等于预设系数(如0.1)与所述最小时间间隔的乘积。
所述预设数据库中的所述用户的人脸特征向量的加权平均值Z＝(z1，z2，…，zj，…zn)，
Figure BDA0002397647630000171
选取模块204，用于根据所述预设数据库中的所述用户的人脸特征向量对应的人脸图像采集时间从所述预设数据库中选取部分所述用户的人脸特征向量，将选取的人脸特征向量组成人脸特征向量序列。
在本实施例中，将所述预设数据库中的所述用户的人脸特征向量对应的人脸图像采集时间的时间跨度分为多个子时间跨度，得到子时间跨度T1，T2，…Tk，…Te，e为子时间跨度的个数。每个子时间跨度包括至少一个所述预设数据库中的所述用户的人脸特征向量对应的人脸图像采集时间。对于每个子时间跨度Tk，选取一个对应的人脸图像采集时间在该子时间跨度中的所述预设数据库中的所述用户的人脸特征向量Bk，得到所述用户的人脸特征向量序列B＝{B1，B2，…Bk，…Be}，Bk＝(bk，1，bk，2，…，bk，j，…bk，n)，1≤k≤e，其中bk，j为所述用户的所述人脸特征向量序列中第k个人脸特征向量的第j维的值。例如，所述预设数据库中的所述用户的人脸特征向量对应的人脸图像采集时间的时间跨度为2018.1.1-2018.12.31，将2018年的每个月作为一个子时间跨度，对于每个子时间跨度，选取一个对应的人脸图像采集时间在该子时间跨度中的所述预设数据库中的所述用户的人脸特征向量，得到所述用户的人脸特征向量序列B＝{B1，B2，…Bk，…B12}。
第二计算模块205，用于确定所述人脸特征向量序列中的每个人脸特征向量的每个维度的平滑系数，根据所述人脸特征向量序列中的每个人脸特征向量的每个维度的平滑系数计算所述人脸特征向量序列的所有人脸特征向量的每个维度的平滑系数均值；根据所述人脸特征向量序列的每个维度的平滑系数均值计算所述预设数据库中的所述用户的人脸图像采集时间中的最新时间对应的人脸特征向量的预期人脸特征向量序列。
人脸特征向量序列中的每个人脸特征向量的每个维度对应一个平滑系数，每个人脸特征向量的不同维度对应的平滑系数可以相同也可以不同。
在一具体实施例中，人脸特征向量序列为B＝{B1，B2，…Bk，…Be}，所述确定所述人脸特征向量序列中的每个人脸特征向量的每个维度的平滑系数包括：
(1)初始化B1的预测人脸特征向量G1和每个维度的平滑系数。
B1的预测人脸特征向量G1可以初始化为等于B1，即G1＝B1。或者，B1的预测人脸特征向量G1可以初始化为等于B1乘以第一系数，所述第一系数大于0小于1。B1的每个维度的平滑系数可以取0与1之间的值(包括0和1)。例如，B1的第j维的平滑系数表示为f1，j，f1，j可以等于0.8。
(2)从B2开始至Be-1从人脸特征向量序列B＝{B1，B2，…Bk，…Be}中逐一选择人脸特征向量，对于每个选择的人脸特征向量，根据所述人脸特征向量序列中所述选择的人脸特征向量的上一人脸特征向量、所述上一人脸特征向量的预测人脸特征向量和所述上一人脸特征向量的平滑系数计算所述选择的人脸特征向量的预测人脸特征向量，根据所述选择的人脸特征向量的预测人脸特征向量和下一人脸特征向量计算所述选择的人脸特征向量的每个维度的平滑系数。
例如，从所述人脸特征向量序列中选择第k(2≤k≤e-1)个人脸特征向量，根据所述人脸特征向量序列中的第k-1个人脸特征向量的第j维的值bk-1，j、第k-1个人脸特征向量的第j维的预测值Gk-1，j和第k-1个人脸特征向量的第j维的平滑系数fk-1，j计算第k个人脸特征向量的第j维的预测值Gk，j，Gk，j＝fk-1，j×bk-1，j+(1-fk-1，j)×Gk-1，j，根据第k个人脸特征向量的第j维的预测值Gk，j和第k+1个人脸特征向量的第j维的值bk+1，j计算第k个人脸特征向量的第j维的平滑系数fk，j，fk，j根据bk+1，j＝fk，j×bk，j+(1-fk，j)×Gk，j计算得到，0≤fk，j≤1。
(3)根据Be-1的平滑系数向量确定Be的平滑系数向量。
Be-1的平滑系数向量可以等于Be的平滑系数向量，即fe，j＝fe-1，j。或者，Be-1的平滑系数向量可以等于定Be的平滑系数向量乘以第二系数，所述第二系数大于0小于1，例如所述第二系数等于0.8。
人脸特征向量序列B＝{B1，B2，…Bk，…Be}第j维的平滑系数均值
Figure BDA0002397647630000181
Figure BDA0002397647630000182
所述人脸特征向量序列的平滑系数向量F＝(f1，f2，…，fj，…，fn)。
根据所述平滑系数F和所述用户的人脸特征向量序列B计算所述最新时间对应的人脸特征向量的预期人脸特征向量序列H，所述预期人脸特征向量序列中的预期人脸特征向量与所述用户的人脸特征向量序列B中的人脸特征向量一一对应(即Hk与Bk相对应)，H＝{H1，H2，…，Hk，…，He}，Hk＝(hk，1，hk，2，…，hk，j，…hk，n)，其中hk，j＝fj×bk-1，j+(1-fj)×hk-1，j，2≤k≤e，h1，j＝b1，j。
确定模块206，用于根据所述预期人脸特征向量序列与所述加权平均值从所述预设数据库中的所述用户的人脸特征向量中确定所述用户的优选人脸特征向量。
若所述预期人脸特征向量序列H中的第k个预期人脸特征向量Hk与所述用户的加权平均值Z的欧氏距离小于第一预设距离，则将预期人脸特征向量Hk对应的所述用户的人脸特征向量序列中的人脸特征向量Bk的上一人脸特征向量Bk-1确定为所述优选人脸特征向量。
第三计算模块207，用于根据所述用户的优选人脸特征向量计算所述用户的新的人脸特征向量。
在一具体实施例中，所述用户的新的人脸特征向量根据如下公式确定：
f＝y1-d(x1，x)+y2-d(x2，x)+…+yn-d(xn，x)
函数f取得最大值时的人脸特征向量变量x的取值为所述用户的新的人脸特征向量，其中n为所述用户的优选人脸特征向量的数量，yi为所述用户的第i个优选人脸特征向量与所述人脸特征库中与所述第i个优选人脸特征向量匹配的人脸特征向量的距离，1≤i≤n，d(xi，x)为所述用户的第i个优选人脸特征向量与人脸特征向量变量x的距离，所述距离为欧式距离或余弦距离。
在另一实施例中，所述根据所述用户的优选人脸特征向量确定所述用户的新的人脸特征向量包括：
将所述用户的优选人脸特征向量作为训练数据训练自编码器，得到训练后的自编码器，所述自动编码器包括输入层、多个隐层、输出层，所述输入层的节点数为所述用户的优选人脸特征向量的维数，按照所述输入层的节点数的预设比例设定所述多个隐层的节点数；将所述预设数据库中的所述用户的人脸图像采集时间中的最新时间对应的人脸特征向量输入所述训练后的自编码器，得到所述用户的新的人脸特征向量。
具体地，在所述自编码器(AutoEncoder)中，从所述输入层到所述多个隐层的中间隐层，将相邻两层作为一个受限玻尔兹曼机(Restricted Boltzmann Machine，简称RBM)，从所述输入层开始，将所述用户的优选人脸特征向量作为训练数据输入输入层，然后逐层对全部受限玻尔兹曼机进行训练，得到所述自动编码器的编码部分(Encoder)，将所述编码部分反向后得到所述自动编码器的解码部分(Decoder)。
例如，所述自动编码器的所述输入层的节点数为1000，所述自动编码器的三个隐层的节点数分别为900、810、900，所述自动编码器的多数输出层的节点数为1000。所述自动编码器的三个隐层分别为第一隐层、第二隐层和第三隐层，将所述输入层和所述第一隐层作为一个受限玻尔兹曼机，将所述第一隐层和所述第二隐层作为一个受限玻尔兹曼机。训练所述输入层与所述第一隐层之间的编码部分可以包括：
1、将所述输入层作为给定受限玻尔兹曼机的可视层H1＝(h1，1，h1，2，…，h1，i，…h1，1000)，将与所述输入层相邻的所述第一隐层作为所述给定受限玻尔兹曼机的隐含层H2＝(h2，1，h2，2，…，h2，j，…h2，900)。
2、初始化权值矩阵W，可视层偏置向量A＝(a1，a2，…，ai，…a1000)和隐含层偏置向量B＝(b1，b2，…，bj，…b900)，所述权值矩阵W中wi，j为所述可视层的第i个神经元所述隐含层的第j个神经元对应的神经元权值。
3、根据所述可视层计算所述隐含层H2＝(h2，1，h2，2，…，h2，j，…h2，900)，其中所述可视层为所述自动编码器的所述输入层(即所述用户的优选人脸特征向量)。
Figure BDA0002397647630000201
1≤j≤900。随机产生j个随机数Cj，0≤Cj≤1，若h2，j≥Cj，则h2，j＝1；若h2，j＜Cj，则h2，j＝0。
4、根据所述隐含层计算重建的所述可视层H′1＝(h′1，1，h′1，2，…，h′1，i，…h′1，1000)，
Figure BDA0002397647630000202
1≤i≤1000。
5、根据重建的所述可视层计算重建的所述隐含层H′2＝(h′2，1，h′2，2，…，h′2，j，…h′2，900)，
Figure BDA0002397647630000203
1≤j≤900。
6、若所述可视层与重建的所述可视层之间的距离大于或等于第二预设距离，则更新所述权值矩阵、所述可视层偏置向量和所述隐含层偏置向量：
W′＝W+d×((H1)TH2-(H′1)TH′2)
A′＝A+d×(H1-H′1)
B′＝B+d×(H2-H′2)
其中，W′为更新后的所述权值矩阵，A′为更新后的所述可视偏置向量，B′为更新后的所述隐含层偏置向量，d为学习率，0＜d＜1。
7、若所述可视层与重建的所述可视层之间的距离小于第二预设距离，则停止上述更新步骤，得到所述输入层与所述第一隐层之间的所述权值矩阵、所述可视层偏置向量和所述隐含层偏置向量，即完成对所述输入层与所述第一隐层之间的所述编码部分的训练。
同理可完成对所述第一隐层与所述第二隐层之间的所述编码部分的训练，所述第一隐层的输出为所述第二隐层的输入。将所述第一隐层与所述第二隐层之间的所述编码部分转向后得到所述第二隐层与所述第三隐层之间的所述解码部分，将所述输入层与第一隐层之间的所述编码部分转向后得到所述第三隐层与所述输出层之间的所述解码部分。
更新模块208，用于根据所述新的人脸特征向量更新所述人脸特征库中所述匹配的人脸特征向量。
例如，将高铁安检实施例中用户A的新的人脸特征向量a′更新铁路系统人脸特征库中与用户A匹配的人脸特征向量a，完成对铁路系统人脸特征库中与用户A匹配的人脸特征向量的调整。
实施例二动态调整用于人脸识别的人脸特征库中的人脸特征向量，增强了人脸识别任务的可持续性。
在另一实施例中，所述人脸特征向量动态调整装置20还可以包括：匹配模块，用于将更新后的所述人脸特征库中的人脸特征向量与新提取的所述用户的人脸特征向量进行匹配。具体地，当再次进行人脸识别时，可以计算新提取的所述用户的人脸特征向量与更新后的所述人脸特征库中的人脸特征向量的距离，所述距离为欧式距离或余弦距离；若所述距离中的最小距离小于第三预设距离，则新提取的所述用户的人脸特征向量与更新后的所述人脸特征库中的人脸特征向量相匹配，对所述用户的人脸识别成功。
在另一实施例中，所述人脸特征向量动态调整装置20还可以包括：删除模块，用于删除所述预设数据库中的所述用户的人脸特征向量。具体地，当根据所述新的人脸特征向量更新所述人脸特征库中所述匹配的人脸特征向量之后，可以删除所述预设数据库中的所述用户的人脸特征向量，以重新对新提取的所述用户的人脸特征向量进行存储，作为下一次人脸特征向量调整的初始数据。
实施例三
本实施例提供一种计算机存储介质，该计算机存储介质上存储有计算机程序，该计算机程序被处理器执行时实现上述人脸特征向量动态调整方法实施例中的步骤，例如图1所示的101-109。
或者，该计算机程序被处理器执行时实现上述装置实施例中各模块的功能，例如图2中的模块201-208。
实施例四
图3为本发明实施例四提供的计算机装置的示意图。所述计算机装置30包括存储器301、处理器302以及存储在所述存储器301中并可在所述处理器302上运行的计算机程序303，例如人脸特征向量动态调整程序。所述处理器302执行所述计算机程序303时实现上述人脸特征向量动态调整方法实施例中的步骤，例如图1所示的101-109。
或者，该计算机程序被处理器执行时实现上述装置实施例中各模块的功能，例如图2中的模块201-208。
示例性的，所述计算机程序303可以被分割成一个或多个模块，所述一个或者多个模块被存储在所述存储器301中，并由所述处理器302执行，以完成本方法。所述一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序303在所述计算机装置30中的执行过程。例如，所述计算机程序303可以被分割成图2中的存储模块201、判断模块202、第一计算模块203、选取模块204、第二计算模块205、确定模块206、第三计算模块207、更新模块208，各模块具体功能参见实施例二。
所述计算机装置30可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。本领域技术人员可以理解，所述示意图3仅仅是计算机装置30的示例，并不构成对计算机装置30的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述计算机装置30还可以包括输入输出设备、网络接入设备、总线等。
所称处理器302可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器302也可以是任何常规的处理器等，所述处理器302是所述计算机装置30的控制中心，利用各种接口和线路连接整个计算机装置30的各个部分。
所述存储器301可用于存储所述计算机程序303，所述处理器302通过运行或执行存储在所述存储器301内的计算机程序或模块，以及调用存储在存储器301内的数据，实现所述计算机装置30的各种功能。所述存储器301可主要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、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据计算机装置30的使用所创建的数据(比如音频数据等)等。此外，存储器301可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)、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。
所述计算机装置30集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也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计算机存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)。
在本发明所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置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。
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模块，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，在本发明各个实施例中的各功能模块可以集成在一个处理模块中，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模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
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(processor)执行本发明各个实施例所述方法的部分步骤。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。此外，显然“包括”一词不排除其他模块或步骤，单数不排除复数。系统权利要求中陈述的多个模块或装置也可以由一个模块或装置通过软件或者硬件来实现。第一，第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。

Claims (10)

1.一种人脸特征向量动态调整方法，其特征在于，所述方法包括：
采集用户的人脸图像进行人脸识别时，若从所述人脸图像中提取的所述用户的人脸特征向量与人脸特征库中的人脸特征向量相匹配，则将提取的所述用户的人脸特征向量、提取的所述用户的人脸特征向量对应的人脸图像采集时间、提取的所述用户的人脸特征向量与所述人脸特征库中匹配的人脸特征向量的距离存储至预设数据库；
判断所述预设数据库中的所述用户的人脸特征向量的数量是否达到预设数量，以及判断所述预设数据库中的所述用户的人脸特征向量对应的人脸图像采集时间的时间跨度是否达到预设时间跨度；
若所述预设数据库中的所述用户的人脸特征向量的数量达到预设数量且所述预设数据库中的所述用户的人脸特征向量对应的人脸图像采集时间的时间跨度达到预设时间跨度，根据所述预设数据库中的所述用户的人脸特征向量对应的人脸图像采集时间确定所述预设数据库中的所述用户的人脸特征向量的权值，根据所述权值计算所述预设数据库中的所述用户的人脸特征向量的加权平均值；
根据所述预设数据库中的所述用户的人脸特征向量对应的人脸图像采集时间从所述预设数据库中选取部分所述用户的人脸特征向量，将选取的人脸特征向量组成人脸特征向量序列；
确定所述人脸特征向量序列中的每个人脸特征向量的每个维度的平滑系数，根据所述人脸特征向量序列中的每个人脸特征向量的每个维度的平滑系数计算所述人脸特征向量序列的所有人脸特征向量的每个维度的平滑系数均值；
根据所述人脸特征向量序列的每个维度的平滑系数均值计算所述预设数据库中的所述用户的人脸图像采集时间中的最新时间对应的人脸特征向量的预期人脸特征向量序列；
根据所述预期人脸特征向量序列与所述加权平均值从所述预设数据库中的所述用户的人脸特征向量中确定所述用户的优选人脸特征向量；
根据所述用户的优选人脸特征向量计算所述用户的新的人脸特征向量；
根据所述新的人脸特征向量更新所述人脸特征库中所述匹配的人脸特征向量。
2.如权利要求1所述的方法，其特征在于，所述根据所述预设数据库中的所述用户的人脸特征向量对应的人脸图像采集时间确定所述预设数据库中的所述用户的人脸特征向量的权值包括：
计算所述预设数据库中的所述用户的每个人脸特征向量对应的人脸图像采集时间与所述预设数据库中的所述用户的人脸图像采集时间中的最新时间的时间间隔；
根据所述时间间隔确定所述预设数据库中的所述用户的每个人脸特征向量的权值。
3.如权利要求1所述的方法，其特征在于，所述人脸特征向量序列为B＝{B1，B2，…Bk，…Be}，所述确定所述人脸特征向量序列中的每个人脸特征向量的每个维度的平滑系数包括：
初始化B1的预测人脸特征向量G1和每个维度的平滑系数；
从B2开始至Be-1从所述人脸特征向量序列中逐一选择人脸特征向量，对于每个选择的人脸特征向量，根据所述人脸特征向量序列中所述选择的人脸特征向量的上一人脸特征向量、所述上一人脸特征向量的预测人脸特征向量和所述上一人脸特征向量的平滑系数计算所述选择的人脸特征向量的预测人脸特征向量，根据所述选择的人脸特征向量的预测人脸特征向量和下一人脸特征向量计算所述选择的人脸特征向量的每个维度的平滑系数；
根据Be-1的平滑系数向量确定Be的平滑系数向量。
4.如权利要求1所述的方法，其特征在于，所述用户的新的人脸特征向量根据如下公式确定：
f＝y1-d(x1，x)+y2-d(x2，x)+…+yn-d(xn，x)；
函数f取得最大值时的人脸特征向量变量x的取值为所述用户的新的人脸特征向量，其中n为所述用户的优选人脸特征向量的数量，yi为所述用户的第i个优选人脸特征向量与所述人脸特征库中与所述第i个优选人脸特征向量匹配的人脸特征向量的距离，1≤i≤n，d(xi，x)为所述用户的第i个优选人脸特征向量与人脸特征向量变量x的距离。
5.如权利要求4所述的方法，其特征在于，所述根据所述用户的优选人脸特征向量确定所述用户的新的人脸特征向量包括：
将所述用户的优选人脸特征向量作为训练数据训练自编码器，得到训练后的自编码器，所述自动编码器包括输入层、多个隐层、输出层，所述输入层的节点数为所述用户的优选人脸特征向量的维数，按照所述输入层的节点数的预设比例设定所述多个隐层的节点数；
将所述预设数据库中的所述用户的人脸图像采集时间中的最新时间对应的人脸特征向量输入所述训练后的自编码器，得到所述用户的新的人脸特征向量。
6.如权利要求1所述的方法，其特征在于，所述方法还包括：
将更新后的所述人脸特征库中的人脸特征向量与新提取的所述用户的人脸特征向量进行匹配。
7.如权利要求1所述的方法，其特征在于，所述根据所述新的人脸特征向量更新所述人脸特征库中所述匹配的人脸特征向量之后，所述方法还包括：
删除所述预设数据库中的所述用户的人脸特征向量。
8.一种人脸特征向量动态调整装置，其特征在于，所述装置包括：
存储模块，用于采集用户的人脸图像进行人脸识别时，若从所述人脸图像中提取的所述用户的人脸特征向量与人脸特征库中的人脸特征向量相匹配，则将提取的所述用户的人脸特征向量、提取的所述用户的人脸特征向量对应的人脸图像采集时间、提取的所述用户的人脸特征向量与所述人脸特征库中匹配的人脸特征向量的距离存储至预设数据库；
判断模块，用于判断所述预设数据库中的所述用户的人脸特征向量的数量是否达到预设数量，以及判断所述预设数据库中的所述用户的人脸特征向量对应的人脸图像采集时间的时间跨度是否达到预设时间跨度；
第一计算模块，用于若所述预设数据库中的所述用户的人脸特征向量的数量达到预设数量且所述预设数据库中的所述用户的人脸特征向量对应的人脸图像采集时间的时间跨度达到预设时间跨度，根据所述预设数据库中的所述用户的人脸特征向量对应的人脸图像采集时间确定所述预设数据库中的所述用户的人脸特征向量的权值，根据所述权值计算所述预设数据库中的所述用户的人脸特征向量的加权平均值；
选取模块，用于根据所述预设数据库中的所述用户的人脸特征向量对应的人脸图像采集时间从所述预设数据库中选取部分所述用户的人脸特征向量，将选取的人脸特征向量组成人脸特征向量序列；
第二计算模块，用于确定所述人脸特征向量序列中的每个人脸特征向量的每个维度的平滑系数，根据所述人脸特征向量序列中的每个人脸特征向量的每个维度的平滑系数计算所述人脸特征向量序列的所有人脸特征向量的每个维度的平滑系数均值，根据所述人脸特征向量序列的每个维度的平滑系数均值计算所述预设数据库中的所述用户的人脸图像采集时间中的最新时间对应的人脸特征向量的预期人脸特征向量序列；
确定模块，用于根据所述预期人脸特征向量序列与所述加权平均值从所述预设数据库中的所述用户的人脸特征向量中确定所述用户的优选人脸特征向量；
第三计算模块，用于根据所述用户的优选人脸特征向量计算所述用户的新的人脸特征向量；
更新模块，用于根据所述新的人脸特征向量更新所述人脸特征库中所述匹配的人脸特征向量。
9.一种计算机装置，其特征在于，所述计算机装置包括处理器，所述处理器用于执行存储器中存储的计算机程序以实现如权利要求1-7中任一项所述人脸特征向量动态调整方法。
10.一种计算机存储介质，所述计算机存储介质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如权利要求1-7中任一项所述人脸特征向量动态调整方法。
CN202010136922.0A 2020-03-02 2020-03-02 人脸特征向量动态调整方法及相关设备 Pending CN111460893A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202010136922.0A CN111460893A (zh) 2020-03-02 2020-03-02 人脸特征向量动态调整方法及相关设备
PCT/CN2020/124333 WO2021174875A1 (zh) 2020-03-02 2020-10-28 人脸特征向量动态调整方法及相关设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010136922.0A CN111460893A (zh) 2020-03-02 2020-03-02 人脸特征向量动态调整方法及相关设备

Publications (1)

Publication Number Publication Date
CN111460893A true CN111460893A (zh) 2020-07-28

Family

ID=71684158

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010136922.0A Pending CN111460893A (zh) 2020-03-02 2020-03-02 人脸特征向量动态调整方法及相关设备

Country Status (2)

Country Link
CN (1) CN111460893A (zh)
WO (1) WO2021174875A1 (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021174875A1 (zh) * 2020-03-02 2021-09-10 平安科技（深圳）有限公司 人脸特征向量动态调整方法及相关设备
CN113743308A (zh) * 2021-09-06 2021-12-03 汇纳科技股份有限公司 基于特征质量的人脸识别方法、装置、存储介质及系统
TWI804441B (zh) * 2022-01-13 2023-06-01 大陸商中國銀聯股份有限公司 特徵向量資料庫的更新方法、裝置、設備及介質
CN117011922A (zh) * 2023-09-26 2023-11-07 荣耀终端有限公司 人脸识别方法、设备和存储介质

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102004908B (zh) * 2010-11-30 2012-10-17 汉王科技股份有限公司 一种自适应的人脸识别方法及装置
US9811540B2 (en) * 2015-04-08 2017-11-07 Nec Corporation Compact, clustering-based indexes for large-scale real-time lookups on streaming videos
CN110046573B (zh) * 2019-04-15 2022-04-15 北京迈格威科技有限公司 人脸图像的识别方法、装置、计算机设备和存储介质
CN111460893A (zh) * 2020-03-02 2020-07-28 平安科技（深圳）有限公司 人脸特征向量动态调整方法及相关设备

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021174875A1 (zh) * 2020-03-02 2021-09-10 平安科技（深圳）有限公司 人脸特征向量动态调整方法及相关设备
CN113743308A (zh) * 2021-09-06 2021-12-03 汇纳科技股份有限公司 基于特征质量的人脸识别方法、装置、存储介质及系统
CN113743308B (zh) * 2021-09-06 2023-12-12 汇纳科技股份有限公司 基于特征质量的人脸识别方法、装置、存储介质及系统
TWI804441B (zh) * 2022-01-13 2023-06-01 大陸商中國銀聯股份有限公司 特徵向量資料庫的更新方法、裝置、設備及介質
CN117011922A (zh) * 2023-09-26 2023-11-07 荣耀终端有限公司 人脸识别方法、设备和存储介质
CN117011922B (zh) * 2023-09-26 2024-03-08 荣耀终端有限公司 人脸识别方法、设备和存储介质

Also Published As

Publication number Publication date
WO2021174875A1 (zh) 2021-09-10

Similar Documents

Publication Publication Date Title
CN111460893A (zh) 人脸特征向量动态调整方法及相关设备
CN111679949A (zh) 基于设备指标数据的异常检测方法及相关设备
CN109902222B (zh) 一种推荐方法及装置
WO2019119505A1 (zh) 人脸识别的方法和装置、计算机装置及存储介质
AU2019200711B2 (en) Biometric verification
Malarvizhi et al. Adaptive fuzzy genetic algorithm for multi biometric authentication
JP2011154415A (ja) 生体認証システム
CN111461168A (zh) 训练样本扩充方法、装置、电子设备及存储介质
CN111696029A (zh) 虚拟形象视频生成方法、装置、计算机设备及存储介质
Nguyen et al. A workload prediction approach using models stacking based on recurrent neural network and autoencoder
CN111639500A (zh) 语义角色标注方法、装置、计算机设备及存储介质
CN110706054A (zh) 方案推送方法、装置、计算机装置及可读存储介质
CN115222443A (zh) 客户群体划分方法、装置、设备及存储介质
CN112116589A (zh) 虚拟形象的评测方法、装置、设备及计算机可读存储介质
CN113570391A (zh) 基于人工智能的社群划分方法、装置、设备及存储介质
CN113705468A (zh) 基于人工智能的数字图像识别方法及相关设备
CN106297807B (zh) 训练声纹识别系统的方法和装置
CN112364136B (zh) 关键词生成方法、装置、设备及存储介质
CN113486680B (zh) 文本翻译方法、装置、设备及存储介质
WO2021147404A1 (zh) 依存关系分类方法及相关设备
CN115169360A (zh) 基于人工智能的用户意图识别方法及相关设备
CN113469002A (zh) 基于区块链互证和生物多特征识别及多源数据融合的身份识别方法
CN113986660A (zh) 系统调整策略的匹配方法、装置、设备及存储介质
CN113421575B (zh) 声纹识别方法、装置、设备及存储介质
CN112528140A (zh) 信息推荐方法、装置、设备、系统及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
REG Reference to a national code

Ref country code: HK

Ref legal event code: DE

Ref document number: 40031274

Country of ref document: HK

SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination