CN111476222B - 图像处理方法、装置、计算机设备和计算机可读存储介质 - Google Patents
图像处理方法、装置、计算机设备和计算机可读存储介质 Download PDFInfo
- Publication number
- CN111476222B CN111476222B CN202010526363.4A CN202010526363A CN111476222B CN 111476222 B CN111476222 B CN 111476222B CN 202010526363 A CN202010526363 A CN 202010526363A CN 111476222 B CN111476222 B CN 111476222B
- Authority
- CN
- China
- Prior art keywords
- face image
- target
- distribution
- similarity
- density
- 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.)
- Active
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
-
- 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)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Human Computer Interaction (AREA)
- Bioinformatics & Computational Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及一种图像处理方法、装置、计算机设备和计算机可读存储介质。所述方法包括:获取目标人脸图像相应的目标人脸图像特征;查询所述目标人脸图像特征在参考密度分布下的目标分布密度;所述参考密度分布为参考人脸图像特征在聚集程度上的分布;根据所述目标分布密度,确定所述目标人脸图像特征相应的修正参数;通过所述修正参数调整所述目标人脸图像特征与所述参考人脸图像特征的相似程度,得到所述目标人脸图像相应的人脸识别结果。采用本方法能够提高人脸识别的准确性。
Description
技术领域
本申请涉及计算机技术领域,特别是涉及一种图像处理方法、装置、计算机设备和计算机可读存储介质。
背景技术
随着人工智能的发展,机器学习模型的使用越来越广泛。比如,在用户通过计算机进行各种操作之前,往往需要进行人脸识别操作,而人脸识别操作,通常通过人脸识别模型进行数据处理。
目前,对于不同类型的人脸数据,人脸识别模型的识别准确度存在较大偏差,即传统的人脸识别操作存在不准确的问题。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高人脸识别准确性的图像处理方法、装置、计算机设备和计算机可读存储介质。
一种图像处理方法,该方法包括:
获取目标人脸图像相应的目标人脸图像特征;
查询目标人脸图像特征在参考密度分布下的目标分布密度;参考密度分布为参考人脸图像特征在聚集程度上的分布;
根据目标分布密度,确定目标人脸图像特征相应的修正参数;
通过修正参数调整目标人脸图像特征与参考人脸图像特征的相似程度,得到目标人脸图像相应的人脸识别结果。
一种图像处理装置,该装置包括:
获取模块,用于获取目标人脸图像相应的目标人脸图像特征;
查询模块,用于查询目标人脸图像特征在参考密度分布下的目标分布密度;参考密度分布为参考人脸图像特征在聚集程度上的分布;
确定模块,用于根据目标分布密度,确定目标人脸图像特征相应的修正参数;
识别模块,用于通过修正参数调整目标人脸图像特征与参考人脸图像特征的相似程度,得到目标人脸图像相应的人脸识别结果。
一种计算机设备,包括存储器和处理器,存储器存储有计算机程序,处理器执行计算机程序时实现以下步骤:
获取目标人脸图像相应的目标人脸图像特征;
查询目标人脸图像特征在参考密度分布下的目标分布密度;参考密度分布为参考人脸图像特征在聚集程度上的分布;
根据目标分布密度,确定目标人脸图像特征相应的修正参数;
通过修正参数调整目标人脸图像特征与参考人脸图像特征的相似程度,得到目标人脸图像相应的人脸识别结果。
一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取目标人脸图像相应的目标人脸图像特征;
查询目标人脸图像特征在参考密度分布下的目标分布密度;参考密度分布为参考人脸图像特征在聚集程度上的分布;
根据目标分布密度,确定目标人脸图像特征相应的修正参数;
通过修正参数调整目标人脸图像特征与参考人脸图像特征的相似程度,得到目标人脸图像相应的人脸识别结果。
上述图像处理方法、装置、计算机设备和计算机可读存储介质,获取目标人脸图像特征,根据目标人脸图像特征在参考密度分布下的目标分布密度,确定目标人脸图像特征相应的修正参数,并通过修正参数调整目标人脸图像特征与参考人脸图像特征的相似程度,得到目标人脸图像相应的人脸识别结果,这样,一是根据目标人脸图像特征在参考密度分布下的分布密度,确定识别得到的目标人脸图像特征与参考人脸图像特征的相似程度是否存在偏差;并且当目标人脸图像特征与参考人脸图像特征的相似程度存在偏差时,通过修正参数进行相应的调整,从而提高了人脸识别的准确性。
附图说明
图1为一个实施例中图像处理方法的应用环境图;
图2为一个实施例中图像处理方法的数据流向示意图;
图3为一个实施例中图像处理方法的流程示意图;
图4为一个实施例中参考密度分布的可视化示意图;
图5为一个实施例中图像处理系统的结构框图;
图6为一个实施例中参考密度分布的示意图;
图7为另一个实施例中参考密度分布的示意图;
图8为另一个实施例中图像处理方法的流程示意图;
图9为一个实施例中图像处理装置的结构框图;
图10为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
人工智能(Artificial Intelligence, AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说,人工智能是计算机科学的一个综合技术,它企图了解智能的实质,并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法,使机器具有感知、推理与决策的功能。
人工智能技术是一门综合学科,涉及领域广泛,既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
机器学习(Machine Learning, ML)是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为,以获取新的知识或技能,重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心,是使计算机具有智能的根本途径,其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、式教学习等技术。
随着人工智能技术研究和进步,人工智能技术在多个领域展开研究和应用,例如常见的智能家居、智能穿戴设备、虚拟助理、智能音箱、智能营销、无人驾驶、自动驾驶、无人机、机器人、智能医疗、智能客服等,相信随着技术的发展,人工智能技术将在更多的领域得到应用,并发挥越来越重要的价值。
本申请实施例提供的方案涉及人工智能的机器学习等技术,具体通过如下实施例进行说明:本申请提供的图像处理方法,可以应用于如图1所示的应用环境中。其中,终端102通过网络与服务器104进行通信。终端102获取目标人脸图像,将目标人脸图像上传至服务器104;服务器104获取到目标人脸图像时,提取目标人脸图像相应的目标人脸图像特征,并查询目标人脸图像特征在参考密度分布下的目标分布密度,该参考密度分布为参考人脸图像特征在聚集程度上的分布;服务器104根据目标分布密度,确定目标人脸图像特征相应的修正参数;服务器104通过修正参数调整目标人脸图像特征与参考人脸图像特征的相似程度,得到目标人脸图像相应的人脸识别结果。
其中,终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。服务器104可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式系统,还可以是提供云存储、网络服务、云通信、大数据和人工智能平台等基础云计算服务的云服务器。终端以及服务器可以通过有线或无线通信方式进行直接或间接地连接,本申请在此不做限制。
在一个具体的实施例中,如图2所示,终端102上运行的前端可以获取目标人脸图像,前端将目标人脸图像上传至后端,即服务器104,后端则执行本申请提供的图像处理方法,并将人脸识别结果反馈至前端。
在一个实施例中,如图3所示,提供了一种图像处理方法,以该方法应用于图1中的服务器104为例进行说明,包括以下步骤:
步骤302,获取目标人脸图像相应的目标人脸图像特征。
其中,目标人脸图像是待进行人脸识别的图像。
具体地,终端可通过内置的摄像头采集现实场景的图像。终端也可通过外置的、且与终端关联的摄像头采集现实场景的图像。比如,终端可通过连接线或网络与图像采集设备连接,图像采集设备通过摄像头采集现实场景的图像,并将采集到的图像传输至终端。摄像头可以是单目摄像头、双目摄像头、深度摄像头、3D(3 Dimensions,三维)摄像头等。
在一个具体的实施例中,可采集现实场景中活体的图像,也可对现实场景中包含人脸的已有图像进行采集,比如身份证件扫描件等。
在一个具体的实施例中,可调用摄像头开启摄像扫描模式,实时扫描摄像头视野中的目标对象,并按照一定的帧率实时地生成图像。其中,摄像头视野是摄像头可拍摄到的区域。
在一个具体的实施例中,终端在采集到图像后,可检测该图像中是否存在人脸,若存在人脸,则将该图像作为目标人脸图像发送至服务器,服务器获取到目标人脸图像。或者,终端在采集到图像后,直接将该图像发送至服务器,服务器检测该图像中是否存在人脸,若存在人脸,则将该图像作为目标人脸图像。
其中,目标人脸图像特征是用于反映目标人脸图像中的人脸特征的数据。人脸特征是人脸所固有的生理特征,比如,虹膜、面部器官(眼睛、鼻子、嘴、耳朵等)之间的位置关系、面部器官的结构(形状、大小等)、皮肤纹理等等。
在一个具体的实施例中,目标人脸图像特征具体可以是从目标人脸图像中提取出的与人脸特征相关的位置信息、纹理信息、形状信息和颜色信息等中的一种或几种的组合。以位置信息为例,位置信息可以是指眼睛、鼻子、嘴、耳朵等各个面部器官之间的距离、角度等。
具体地,服务器在获取到目标人脸图像后,先对目标人脸图像中的人脸以及人脸关键点进行识别,得到预处理后的目标人脸图像。接着,基于预处理后的目标人脸图像进行特征提取,得到目标人脸图像特征。比如,服务器先识别出人脸的各个面部器官,再确定各个面部器官之间的位置信息,比如双眼之间的距离、眼睛与鼻子之间的角度、鼻子与嘴巴之间的距离等。
在一个具体的实施例中,服务器在获取到目标人脸图像后,先基于目标人脸图像进行活体识别,以识别该目标人脸图像对应的目标对象是否为活体。当判定目标人脸图像对应的目标对象为活体时,再对目标人脸图像进行预处理。
在一个具体的实施例中,服务器通过卷积神经网络对目标人脸图像中的人脸以及人脸关键点进行识别,得到预处理后的目标人脸图像。接着,服务器根据图像特征提取策略对预处理后的目标人脸图像进行特征提取。其中,图像特征提取策略可以是图像特征提取算法或者预先训练完成的人脸识别模型。
在一个实施例中,S302包括:获取采集的目标人脸图像和通用的人脸识别模型,通过人脸识别模型提取目标人脸图像相应的目标人脸图像特征。
其中,人脸识别模型可包括卷积神经网络结构,该卷积神经网络可执行卷积计算、非线性激活函数计算、池化计算等操作。
具体地,将目标人脸图像输入人脸识别模型,经过人脸识别模型中卷积神经网络的处理,得到指定维度的结构化的特征向量,该特征向量即为目标人脸图像特征。
在一个具体的实施例中,人脸识别模型的训练方法可以是:获取通用的人脸图像样本集,该人脸图像样本集包括多于一个人脸图像样本。为每个人脸图像样本分配一个身份标识。选取指定数量的人脸图像样本作为一组,并初始化人脸识别模型的参数。将一组人脸图像样本输入人脸识别模型,得到一组指定维度的特征向量。采用损失函数,基于梯度下降算法对人脸识别模型的参数进行优化。按照上述方法对人脸识别模型进行迭代训练,直至满足训练停止条件。训练停止条件可以是迭代次数达到指定次数,或者损失函数的变化量小于指定阈值。
其中,损失函数可以是softmax函数、Contrastive Loss函数、Triplet Loss函数、Center Loss函数、margin函数等。
其中,梯度下降算法可以是随机梯度下降算法,或者基于随机梯度下降算法优化的算法,比如带动量项的随机梯度下降算法等。在优化的过程中,通过不断更新模型参数和偏置参数,在每次迭代过程中,计算预测结果误差并反向传播到模型,计算梯度并更新模型的参数。
步骤304,查询目标人脸图像特征在参考密度分布下的目标分布密度;参考密度分布为参考人脸图像特征在聚集程度上的分布。
其中,参考人脸图像特征是用于反映参考人脸图像中的人脸特征的数据。参考人脸图像是在人脸识别过程中,用于与目标人脸图像进行比对的预存的图像。
具体地,参考密度分布反映了参考人脸图像特征在聚集程度上的分布。举例说明,参考图4,图4为一个实施例中参考密度分布的可视化示意图。可以看到,在参考密度分布的不同位置,参考人脸图像特征的聚集程度有差异。比如,位置410处的参考人脸图像特征的密度,高于位置420处的参考人脸图像特征的密度。
具体地,服务器先对参考人脸图像中的人脸以及人脸关键点进行识别,得到预处理后的参考人脸图像。接着,基于预处理后的参考人脸图像进行特征提取,得到参考人脸图像特征。接着,根据参考人脸图像特征构建参考密度分布,使得参考密度分布可反映出参考人脸图像特征在聚集程度上的分布。
在一个具体的实施例中,服务器通过卷积神经网络对参考人脸图像中的人脸以及人脸关键点进行识别,得到预处理后的参考人脸图像。接着,服务器根据图像特征提取策略对预处理后的参考人脸图像进行特征提取,得到参考人脸图像特征,该图像特征提取策略可以是图像特征提取算法或者预先训练完成的人脸识别模型。接着,服务器通过密度分布估计策略对参考人脸图像特征构建参考密度分布,该密度分布估计策略可以是密度分布估计算法或者密度分布估计模型。其中,密度分布估计模型可以是分布函数,比如离散型随机变量概率分布函数(包括二项分布函数、多项分布函数、伯努利分布函数、泊松分布函数等)、连续型随机变量概率分布函数(包括高斯分布函数、混合高斯分布函数等)。
在一个实施例中,参考人脸图像特征由人脸识别模型从参考人脸图像中提取,参考人脸图像为人脸识别模型在应用时的注册用户的人脸图像。比如,以人脸识别模型应用于登录应用程序账号为例,用户需要预先提供用于比对的图像,提供的这些图像即为参考人脸图像。
在一个具体的实施例中,可通过分布函数对参考人脸图像特征构建参考密度分布。分布函数用于描述人脸图像特征与分布密度之间的对应关系,该分布函数携带有分布参数,分布参数可根据参考人脸图像特征确定。即可先根据参考人脸图像特征确定分布参数,接着以每个参考人脸图像特征作为自变量,根据分布函数和分布参数确定每个参考人脸图像特征相应的参考分布密度,得到参考密度分布。
其中,目标分布密度用于描述目标人脸图像特征在参考密度分布中所在位置的分布密度,该分布密度用于表征参考人脸图像特征的聚集程度。
具体地,服务器通过密度分布估计策略查询目标人脸图像特征在参考密度分布下的目标分布密度,该密度分布估计策略可以是密度分布估计算法或者密度分布估计模型。其中,密度分布估计模型可以通过上述分布函数进行构建,分布函数携带有分布参数,该分布参数可由参考人脸图像特征确定。
步骤306,根据目标分布密度,确定目标人脸图像特征相应的修正参数。
步骤308,通过修正参数调整目标人脸图像特征与参考人脸图像特征的相似程度,得到目标人脸图像相应的人脸识别结果。
具体地,服务器可通过人脸识别模型提取目标人脸图像相应的目标人脸图像特征(即目标人脸特征向量),进而再将该目标人脸特征向量与预先存储的参考人脸图像特征(即参考人脸特征向量)进行一一比对,确定该目标人脸特征向量与各参考人脸特征向量的相似程度。该目标人脸特征向量与参考人脸特征向量的相似程度越高,表示目标人脸图像向量相应的用户与参考人脸图像向量相应的用户为同一用户的可能性越高。
其中,修正参数可用于调整目标人脸图像特征与参考人脸图像特征的相似度,或者目标人脸图像特征与参考人脸图像特征的相似度阈值。
在一个实施例中,S308,包括:获取目标人脸图像特征与参考人脸图像特征的相似度;通过修正参数调整相似度,并根据调整后的相似度与相似度阈值的关系得到目标人脸图像相应的人脸识别结果;或者,通过修正参数调整相似度阈值,并根据相似度与调整后的相似度阈值的关系得到目标人脸图像相应的人脸识别结果。
具体地,服务器可计算目标人脸特征向量与参考人脸特征向量之间的相似度,进而判断该相似度是否超过相似度阈值,当相似度超过相似度阈值时,判定目标人脸图像向量相应的用户与参考人脸图像向量相应的用户为同一用户。其中,相似度阈值是预先设置的、可判定人脸识别结果的最小相似度的数值。
在一个具体的实施例中,计算目标人脸特征向量与参考人脸特征向量之间的相似度,可具体计算两特征向量之间的差异,特征向量之间的差异越大则相似度越低,特征向量之间的差异越小则相似度越高。相似度可采用余弦相似度等。
具体地,人脸识别模型识别得到的相似度大小,与人脸识别模型训练所使用的人脸图像样本在人脸数据类型的分布有关。举例说明,在人脸图像样本中,各种人脸数据类型的分布不均衡,比如女性的人脸图像样本多于男性的人脸图像样本,或者黄种人的人脸图像样本多于白种人的人脸图像样本,等等。那么对于同样的人脸识别结果,以目标人脸图像特征相应的用户与参考人脸图像特征相应的用户为同一用户为例,女性的目标人脸图像特征与参考人脸图像特征的相似度,可能高于男性的目标人脸图像特征与参考人脸图像特征的相似度;黄种人的目标人脸图像特征与参考人脸图像特征的相似度,可能高于白种人的目标人脸图像特征与参考人脸图像特征的相似度。所以传统的人脸识别模型采用同样的相似度阈值,在一定程度上影响人脸识别的准确性。
基于上述构思,可先确定目标人脸图像特征在参考密度分布下的目标分布密度,根据目标分布密度确定相应的修正参数,通过修正参数对目标人脸图像特征与参考人脸图像特征的相似度,或者目标人脸图像特征与参考人脸图像特征的相似度阈值进行相应的调整,以提高人脸识别模型的准确度。
在一个具体的实施例中,可预先设置分布密度与修正参数之间的关联关系,服务器根据该关联关系查询目标分布密度对应的修正参数。
具体地,在参考密度分布中,目标位置的分布密度越低,说明该位置的参考人脸图像特征越少,该位置相应的人脸数据类型的人脸图像样本越少,人脸识别模型识别得到的相似度可能偏低,可通过修正参数升高目标人脸图像特征与参考人脸图像特征的相似度、或者降低目标人脸图像特征与参考人脸图像特征的相似度阈值。同理,目标位置的分布密度越高,说明该位置的参考人脸图像特征越多,该位置相应的人脸数据类型的人脸图像样本越多,人脸识别模型识别得到的相似度可能偏高,可通过修正参数降低目标人脸图像特征与参考人脸图像特征的相似度、或者升高目标人脸图像特征与参考人脸图像特征的相似度阈值。
可以理解,在通过修正参数降低目标人脸图像特征与参考人脸图像特征的相似度的同时,也可通过修正参数升高目标人脸图像特征与参考人脸图像特征的相似度阈值;同理,在通过修正参数升高目标人脸图像特征与参考人脸图像特征的相似度的同时,也可通过修正参数降低目标人脸图像特征与参考人脸图像特征的相似度阈值。
本实施例中,通过修正参数调整相似度,并根据调整后的相似度与相似度阈值的关系得到目标人脸图像相应的人脸识别结果,或者通过修正参数调整相似度阈值,并根据相似度与调整后的相似度阈值的关系得到目标人脸图像相应的人脸识别结果,这样通过对人脸识别模型识别得到的相似度进行调整,或者相似度阈值进行调整,以提高人脸识别结果的准确性。
在一个实施例中,参考图5,图5为一个实施例中图像处理系统的结构框图。可以看到,图像处理系统至少包括特征提取网络(即人脸识别模型)、密度分布估计网络、分布密度估计网络、修正参数计算网络、特征检索比对网络。其中,特征提取网络用于提取目标人脸图像相应的目标人脸图像特征,密度分布估计网络用于根据参考人脸图像构建参考密度分布,分布密度估计网络用于查询目标人脸图像特征在参考密度分布下的目标分布密度,修正参数计算网络用于根据目标分布密度确定目标人脸图像特征相应的修正参数,特征检索比对网络用于通过修正参数调整目标人脸图像特征与参考人脸图像特征的相似程度,得到目标人脸图像相应的人脸识别结果。
本实施例中,不需要对人脸识别模型重新进行训练,只需要对注册用户的人脸图像进行建模,从经济角度出发,无需收集新的人脸图像,其成本可以忽略;并且,只需在人脸识别模型的后续进行相似度或者相似度阈值的调整,无需对人脸识别模型进行较大的改动;再者,可基于人脸识别模型所提取的特征在参考密度分布下的分布密度,对相似度或者相似度阈值进行调整,从而提升人脸识别的准确性。
本实施例可应用于需要进行身份验证的场景,比如一对一身份验证场景、一对多身份验证场景等。一对一身份验证场景是将目标人脸图像特征与一个参考人脸图像特征进行比对,在目标人脸图像特征与参考人脸图像特征的相似度超过相似度阈值时,判定目标人脸图像特征相应的身份信息为参考人脸图像特征相应的用户身份信息,比如移动终端屏幕解锁、社交应用程序中账号登录、银行应用程序中交易支付、抓捕罪犯等等。一对多身份验证场景是将目标人脸图像特征与多于一个参考人脸图像特征进行比对,在各个相似度中最高相似度超过相似度阈值时,判定目标人脸图像特征相应的身份信息,为最高相似度的参考人脸图像特征相应的用户身份信息,比如人脸考勤机打卡、寻找失踪人员等等。
以抓捕罪犯为例,当抓捕到嫌疑人时,获取嫌疑人的人脸图像,将嫌疑人的人脸图像发送给服务器,服务器通过人脸识别模型提取该人脸图像相应的目标人脸图像特征,计算该目标人脸图像特征与参考人脸图像特征之间的相似度,该参考人脸图像特征是服务器通过人脸识别模型在罪犯的人脸图像中提取得到的。判断该相似度是否超过相似度阈值,当该相似度超过相似度阈值时,确定该嫌疑人为正在通缉的罪犯。
以寻找失踪人员为例,当找到流浪人员时,获取流浪人员的人脸图像,将流浪人员的人脸图像发送给服务器,服务器通过人脸识别模型提取该人脸图像相应的目标人脸图像特征,计算该目标人脸图像特征与各参考人脸图像特征之间的相似度,各参考人脸图像特征是服务器通过人脸识别模型在失踪人员的人脸图像中提取得到的。判断各个相似度中最高相似度是否超过相似度阈值,当最高相似度超过相似度阈值时,确定该流浪人员为失踪人员,且该流浪人员的用户身份信息为最高相似度的参考人脸图像特征相应的用户身份信息。
上述图像处理方法中,获取目标人脸图像特征,根据目标人脸图像特征在参考密度分布下的目标分布密度,确定目标人脸图像特征相应的修正参数,并通过修正参数调整目标人脸图像特征与参考人脸图像特征的相似程度,得到目标人脸图像相应的人脸识别结果,这样,一是根据目标人脸图像特征在参考密度分布下的分布密度,确定识别得到的目标人脸图像特征与参考人脸图像特征的相似程度是否存在偏差;并且当目标人脸图像特征与参考人脸图像特征的相似程度存在偏差时,通过修正参数进行相应的调整,从而提高了人脸识别的准确性。
在一个实施例中,查询目标人脸图像特征在参考密度分布下的目标分布密度,包括:获取参考密度分布的分布函数;参考密度分布是通过分布函数,以归一化处理后的参考人脸图像特征为自变量构建得到的;确定对参考人脸图像特征进行归一化处理的归一化方式;根据归一化方式对目标人脸图像特征进行归一化处理,得到目标人脸图像特征在参考密度分布下的目标位置;根据目标位置及分布函数,确定目标人脸图像特征的目标分布密度。
具体地,在构建参考密度分布时,可先对每个参考人脸图像特征(即参考人脸特征向量)进行归一化处理,根据处理后的参考人脸图像特征确定分布参数,接着以每个处理后的参考人脸图像特征作为自变量,根据分布函数和分布参数确定每个参考人脸图像特征相应的参考分布密度,得到参考密度分布。其中,每个归一化处理后的参考人脸图像特征,即代表参考人脸图像特征在参考密度分布下的位置。
具体地,可对每个参考人脸特征向量进行L2范数归一化处理。L2范数归一化处理是对特征向量在每个维度的数据均除以模长,得到一个新的特征向量,即:
而模长可通过以下公式进行计算:
通过L2范数归一化处理后,新的特征向量的模长均为1。
同样的,按照对参考人脸图像特征进行归一化处理的归一化方式,对目标人脸图像特征(即目标人脸特征向量)进行归一化处理。接着以处理后的目标人脸图像特征作为自变量,根据分布函数和分布参数确定目标人脸图像特征相应的目标分布密度,该分布参数是归一化处理处理后的参考人脸图像特征确定的。
这样,对参考人脸特征向量和目标人脸特征向量均进行L2范数归一化处理,使得处理后的参考人脸特征向量和处理后的目标人脸特征向量具有同样的模长,后续在计算相似度时,只需要计算参考人脸特征向量与目标人脸特征向量之间的乘积即可,从而大大减少了计算量。
具体地,服务器按照对参考人脸图像特征进行归一化处理的归一化方式,对目标人脸图像特征进行归一化处理,归一化处理后的目标人脸图像特征,即代表目标人脸图像特征在参考密度分布下的目标位置。接着,服务器以处理后的目标人脸图像特征作为自变量,根据分布函数和分布参数确定目标人脸图像特征相应的目标分布密度。
本实施例中,通过对参考人脸图像特征进行归一化处理的归一化方式,对目标人脸图像特征进行归一化处理,得到目标人脸图像特征在参考密度分布下的目标位置,并根据目标位置及构建参考密度分布的分布函数,确定目标人脸图像特征的目标分布密度,这样,一是通过分布函数准确构建参考密度分布,并且通过分布函数准确识别目标人脸图像特征在参考密度分布下的目标分布密度,二是参考人脸图像特征和目标人脸图像特征具有同样的模长,后续在计算特征向量之间的相似度时减少了计算量。
在一个实施例中,分布函数为高斯函数;分布函数携带有分布参数,分布参数包括参考人脸图像特征的均值、及参考人脸图像特征的协方差矩阵;根据目标位置及分布函数,确定目标人脸图像特征的目标分布密度,包括:将目标位置输入高斯函数,根据高斯函数携带的分布参数,确定目标位置在高斯函数中相应的目标分布密度。
其中,高斯函数是正态分布的密度函数,根据中心极限定理,其为复杂总和的有限概率分布。参考人脸图像特征的均值是参考密度分布下的各个参考人脸图像特征的平均值。参考人脸图像特征的协方差矩阵是参考密度分布下的各个参考人脸图像特征的协方差矩阵,协方差矩阵的每个元素是各个向量元素之间的协方差。
具体地,高斯函数可通过以下公式进行表示:
具体地,可通过高斯函数对参考人脸图像特征构建参考密度分布。服务器对参考人脸图像进行特征提取,得到参考人脸图像特征。接着,服务器对参考人脸图像特征进行归一化处理,得到处理后的参考人脸图像特征。接着,服务器确定处理后的参考人脸图像特征的均值、及处理后的参考人脸图像特征的协方差矩阵,得到高斯函数的分布参数。接着,服务器以每个处理后的参考人脸图像特征作为自变量,根据高斯函数、及高斯函数携带的分布参数,确定每个参考人脸图像特征相应的参考分布密度,从而得到参考密度分布。
参考图6,图6为一个实施例中由高斯函数构建的参考密度分布的示意图。图中的横坐标为归一化处理后的参考人脸图像特征,其代表参考人脸图像特征在参考密度分布的位置;纵坐标为参考人脸图像特征在高斯函数中相应的分布密度。
具体地,可通过高斯函数确定目标人脸图像特征相应的目标分布密度。服务器按照对参考人脸图像特征进行归一化处理的归一化方式,对目标人脸图像特征进行归一化处理,归一化处理后的目标人脸图像特征,即代表目标人脸图像特征在参考密度分布下的目标位置。接着,服务器以处理后的目标人脸图像特征作为自变量,根据高斯函数、及高斯函数携带的分布参数确定目标人脸图像特征相应的目标分布密度。
本实施例中,通过高斯函数准确构建参考密度分布,并且通过高斯函数准确识别目标人脸图像特征在参考密度分布下的目标分布密度。
在一个实施例中,其特征在于,分布函数为混合高斯函数;分布函数携带有分布参数,分布参数包括各个图像特征簇相应的参考人脸图像特征的均值、各个图像特征簇相应的参考人脸图像特征的协方差矩阵、及各个图像特征簇的聚类权重,图像特征簇是对参考人脸图像特征进行聚类处理得到的;根据目标位置及分布函数,确定目标人脸图像特征的目标分布密度,包括:将目标位置输入混合高斯函数,根据混合高斯函数携带的各个图像特征簇相应的参考人脸图像特征的均值、及各个图像特征簇相应的参考人脸图像特征的协方差矩阵,确定目标位置在各个图像特征簇构建的高斯函数中相应的聚类分布密度;根据各个图像特征簇的聚类权重、及各个聚类分布密度,确定目标位置在混合高斯函数中相应的目标分布密度。
其中,混合高斯函数是由多于一个高斯函数组合而成的模型。图像特征簇是对参考人脸图像特征进行聚类处理得到的,每个图像特征簇包括至少一个参考人脸图像特征。图像特征簇相应的参考人脸图像特征的均值,是图像特征簇相应的参考人脸图像特征的平均值。图像特征簇相应的参考人脸图像特征的协方差矩阵,是图像特征簇相应的参考人脸图像特征的协方差矩阵。聚类分布密度是待识别的人脸图像特征在由各个图像特征簇构建的高斯函数中相应的分布密度。
在一个具体的实施例中,聚类处理可采用通用的聚类算法,比如K-means(k-meansclustering algorithm)聚类算法、Mean-Shift聚类算法、DBSCAN(Density-Based SpatialClustering of Applications with Noise)聚类算法等等。
具体地,图像特征簇的聚类权重可通过如下公式进行计算:
具体地,混合高斯函数可通过以下公式进行表示:
具体地,可通过混合高斯函数对参考人脸图像特征构建参考密度分布。服务器对参考人脸图像进行特征提取,得到参考人脸图像特征。接着,服务器对参考人脸图像特征进行归一化处理,得到处理后的参考人脸图像特征。接着,服务器对处理后的参考人脸图像特征进行聚类处理,得到多于一个图像特征簇。接着,服务器计算各个图像特征簇的聚类权重、各个图像特征簇相应的参考人脸图像特征的均值、及各个图像特征簇相应的参考人脸图像特征的协方差矩阵,得到混合高斯函数的分布参数。接着,服务器以每个处理后的参考人脸图像特征作为自变量,根据混合高斯函数、混合高斯函数携带的分布参数确定每个参考人脸图像特征相应的参考分布密度,从而得到参考密度分布。
具体地,服务器以处理后的参考人脸图像特征作为自变量,根据混合高斯函数、各个图像特征簇相应的参考人脸图像特征的均值、及各个图像特征簇相应的参考人脸图像特征的协方差矩阵,确定参考人脸图像特征在由各个图像特征簇构建的高斯函数中相应的聚类分布密度。接着,服务器根据各个图像特征簇的聚类权重、及各个聚类分布密度,确定参考人脸图像特征相应的参考分布密度。
参考图7,图7为一个实施例中由混合高斯函数构建的、各个图像特征簇相应的参考密度分布的示意图。图中的横坐标为归一化处理后的参考人脸图像特征,其代表参考人脸图像特征在由各个图像特征簇构建的参考密度分布的位置;纵坐标为参考人脸图像特征在由各个图像特征簇构建的高斯函数中相应的聚类分布密度。
具体地,可通过混合高斯函数确定目标人脸图像特征相应的目标分布密度。服务器按照对参考人脸图像特征进行归一化处理的归一化方式,对目标人脸图像特征进行归一化处理,归一化处理后的目标人脸图像特征,即代表目标人脸图像特征在由各个图像特征簇构建的参考密度分布的目标位置。接着,服务器以处理后的目标人脸图像特征作为自变量,根据混合高斯函数、各个图像特征簇相应的参考人脸图像特征的均值、及各个图像特征簇相应的参考人脸图像特征的协方差矩阵,确定目标人脸图像特征在由各个图像特征簇构建的高斯函数中相应的聚类分布密度。接着,服务器根据各个图像特征簇的聚类权重、及各个聚类分布密度,确定目标人脸图像特征相应的目标分布密度。
本实施例中,通过混合高斯函数准确构建参考密度分布,并且通过混合高斯函数准确识别目标人脸图像特征在参考密度分布下的目标分布密度。
在一个实施例中,根据目标分布密度,确定目标人脸图像特征相应的修正参数,包括:获取参考密度分布下的分布密度均值;确定目标分布密度相对于分布密度均值的偏离程度;根据偏离程度确定目标人脸图像特征相应的修正参数。
其中,分布密度均值是参考密度分布下的各个参考人脸图像特征的平均值。
在一个具体的实施例中,目标分布密度相对于分布密度均值的偏离程度,可通过目标分布密度与分布密度均值之间差值进行表征。
在一个具体的实施例中,可预先设置偏离程度与修正参数之间的关联关系,服务器根据该关联关系查询当前的偏离程度对应的修正参数。
具体地,以分布密度均值作为标准线,当目标分布密度大于分布密度均值时,判定目标分布密度过高,需要通过修正参数降低目标人脸图像特征与参考人脸图像特征的相似度,或者通过修正参数升高目标人脸图像特征与参考人脸图像特征的相似度阈值;当目标分布密度小于分布密度均值时,判定目标分布密度过低,需要通过修正参数升高目标人脸图像特征与参考人脸图像特征的相似度,或者通过修正参数降低目标人脸图像特征与参考人脸图像特征的相似度阈值。
可以理解,也可以仅在目标分布密度小于分布密度均值的情况下,通过修正参数升高目标人脸图像特征与参考人脸图像特征的相似度、或者降低目标人脸图像特征与参考人脸图像特征的相似度阈值,而在目标分布密度大于分布密度均值的情况下不做调整。
本实施例中,确定目标分布密度相对于分布密度均值的偏离程度,并根据偏离程度确定目标人脸图像特征相应的修正参数,这样针对人脸识别模型识别得到的相似度存在偏差的情况,都能通过修正参数进行相应的调整,从而提高了人脸识别的准确性。
在一个实施例中,确定目标分布密度相对于分布密度均值的偏离程度,包括:将目标分布密度与分布密度均值之间的差值作为偏离程度;根据偏离程度确定目标人脸图像特征相应的修正参数,包括:获取分布密度区间;分布密度区间是参考密度分布下的分布密度最大值和分布密度最小值之间的差值;确定偏离程度在分布密度区间的占比;根据占比确定目标人脸图像特征相应的修正参数。
具体地,修正参数可通过以下公式进行计算:
本实施例中,确定偏离程度在分布密度区间的占比,根据占比确定目标人脸图像特征相应的修正参数,这样,控制修正参数在合理范围内,从而实现对相似度或者相似度阈值的准确调整。
在一个实施例中,通过修正参数调整相似度,并根据调整后的相似度与相似度阈值的关系得到目标人脸图像相应的人脸识别结果,包括:获取参考密度分布下的分布密度均值;确定目标分布密度与分布密度均值之间的差值;在差值为正值时,通过修正参数降低相似度;在差值为负值时,通过修正参数升高相似度;当调整后的相似度超过相似度阈值时,目标人脸图像特征相应的用户与参考人脸图像特征相应的用户为同一用户。
在一个具体的实施例中,在目标分布密度与分布密度均值之间的差值为正值时,说明人脸识别模型识别得到的相似度可能偏高,可通过修正参数降低目标人脸图像特征与参考人脸图像特征的相似度。在目标分布密度与分布密度均值之间的差值为负值时,说明人脸识别模型识别得到的相似度可能偏低,可通过修正参数升高目标人脸图像特征与参考人脸图像特征的相似度。
具体地,服务器获取目标人脸图像相应的目标人脸图像特征,计算目标人脸图像特征(即目标人脸特征向量)与参考人脸图像特征(即参考人脸特征向量)之间的相似度,进而根据修正参数对相似度进行调整,判断调整后的相似度是否超过相似度阈值,当调整后的相似度超过相似度阈值时,判定目标人脸图像特征相应的用户与参考人脸图像特征相应的用户为同一用户。
本实施例可应用于一对一人脸识别场景下,一对一人脸识别是指将目标人脸图像特征与一个参考人脸图像特征进行比对。比如在已知用户的应用程序账号的前提下,通过用户的应用程序账号确定用于比对的参考人脸图像特征,并进行一对一比对,提升了一对一人脸识别场景下的准确性。
在一个实施例中,参考人脸图像特征多于一个;该方法还包括:分别获取目标人脸图像特征与各个参考人脸图像特征的相似度;通过修正参数分别调整各个相似度;当调整后的相似度中最高相似度超过相似度阈值时,目标人脸图像特征相应的用户,与最高相似度的参考人脸图像相应的用户为同一用户。
具体地,服务器获取目标人脸图像相应的目标人脸图像特征,逐一计算目标人脸图像特征(即目标人脸特征向量)与各个参考人脸图像特征(即参考人脸特征向量)之间的相似度,进而根据修正参数对各个相似度进行调整,判断调整后的各个相似度是否超过相似度阈值,当调整后的相似度中最高相似度超过相似度阈值时,判定目标人脸图像特征相应的用户,与最高相似度的参考人脸图像特征相应的用户为同一用户。
本实施例可应用于一对多人脸识别场景下,一对多人脸识别是指将目标人脸图像特征与多于一个参考人脸图像特征进行比对。比如在不知道用户的应用程序账号的前提下,将目标人脸图像特征与多于一个参考人脸图像特征逐一进行比对,提升了一对多人脸识别场景下的准确性。
在一个实施例中,通过修正参数调整相似度阈值,并根据相似度与调整后的相似度阈值的关系得到目标人脸图像相应的人脸识别结果,包括:在差值为正值时,通过修正参数升高相似度阈值;在差值为负值时,通过修正参数降低相似度阈值;当相似度超过调整后的相似度阈值时,目标人脸图像特征相应的用户与参考人脸图像特征相应的用户为同一用户。
在一个具体的实施例中,在目标分布密度与分布密度均值之间的差值为正值时,说明人脸识别模型识别得到的相似度可能偏高,可通过修正参数升高目标人脸图像特征与参考人脸图像特征的相似度阈值。在目标分布密度与分布密度均值之间的差值为负值时,说明人脸识别模型识别得到的相似度可能偏低,可通过修正参数降低目标人脸图像特征与参考人脸图像特征的相似度阈值。
具体地,服务器获取目标人脸图像相应的目标人脸图像特征,计算目标人脸图像特征(即目标人脸特征向量)与参考人脸图像特征(即参考人脸特征向量)之间的相似度。根据修正参数对相似度阈值进行调整,判断相似度是否超过调整后的相似度阈值,当相似度超过调整后的相似度阈值时,判定目标人脸图像特征相应的用户与参考人脸图像特征相应的用户为同一用户。
本实施例可应用于一对一人脸识别场景下,提升了一对一人脸识别场景下的准确性。
在一个实施例中,参考人脸图像特征多于一个;该方法还包括:分别获取目标人脸图像特征与各个参考人脸图像特征的相似度;通过修正参数调整相似度阈值;当相似度中最高相似度超过调整后的相似度阈值时,目标人脸图像特征相应的用户,与最高相似度的参考人脸图像特征相应的用户为同一用户。
具体地,服务器获取目标人脸图像相应的目标人脸图像特征,逐一计算目标人脸图像特征(即目标人脸特征向量)与各个参考人脸图像特征(即参考人脸特征向量)之间的相似度。根据修正参数对相似度阈值进行调整,判断相似度是否超过调整后的相似度阈值,当相似度中最高相似度超过调整后的相似度阈值时,目标人脸图像特征相应的用户,与最高相似度的参考人脸图像特征相应的用户为同一用户。
本实施例可应用于一对多人脸识别场景下,提升了一对多人脸识别场景下的准确性。
在一个实施例中,如图8所示,提供了一种图像处理方法,包括:
步骤802,获取采集的目标人脸图像和通用的人脸识别模型,通过人脸识别模型提取目标人脸图像相应的目标人脸图像特征。
步骤804,获取参考密度分布的分布函数,参考密度分布是通过分布函数,以归一化处理后的参考人脸图像特征为自变量构建得到的。
其中,参考人脸图像特征由人脸识别模型从参考人脸图像中提取;参考人脸图像为人脸识别模型在应用时的注册用户的人脸图像。
步骤806,确定对参考人脸图像特征进行归一化处理的归一化方式,根据归一化方式对目标人脸图像特征进行归一化处理,得到目标人脸图像特征在参考密度分布下的目标位置。
步骤808,根据目标位置及分布函数,确定目标人脸图像特征的目标分布密度。
其中,分布函数可为高斯函数;分布函数携带有分布参数,分布参数包括参考人脸图像特征的均值、及参考人脸图像特征的协方差矩阵,将目标位置输入高斯函数,根据高斯函数携带的分布参数,确定目标位置在高斯函数中相应的目标分布密度。
分布函数也可为混合高斯函数;分布函数携带有分布参数,分布参数包括各个图像特征簇相应的参考人脸图像特征的均值、各个图像特征簇相应的参考人脸图像特征的协方差矩阵、及各个图像特征簇的聚类权重,图像特征簇是对参考人脸图像特征进行聚类处理得到的。将目标位置输入混合高斯函数,根据混合高斯函数携带的各个图像特征簇相应的参考人脸图像特征的均值、及各个图像特征簇相应的参考人脸图像特征的协方差矩阵,确定目标位置在各个图像特征簇构建的高斯函数中相应的聚类分布密度;根据各个图像特征簇的聚类权重、及各个聚类分布密度,确定目标位置在混合高斯函数中相应的目标分布密度。
步骤810,获取参考密度分布下的分布密度均值,将目标分布密度与分布密度均值之间差值的绝对值作为偏离程度。
步骤812,获取分布密度区间,并确定偏离程度在分布密度区间的占比,根据占比确定目标人脸图像特征相应的修正参数。
其中,分布密度区间是参考密度分布下的分布密度最大值和分布密度最小值之间的差值。
步骤814,获取目标人脸图像特征与参考人脸图像特征的相似度。
步骤816,通过修正参数调整相似度,并根据调整后的相似度与相似度阈值的关系得到目标人脸图像相应的人脸识别结果;或者,通过修正参数调整相似度阈值,并根据相似度与调整后的相似度阈值的关系得到目标人脸图像相应的人脸识别结果。
其中,在一比一人脸识别场景下,获取参考密度分布下的分布密度均值;确定目标分布密度与分布密度均值之间的差值;在差值为正值时,通过修正参数降低相似度; 在差值为负值时,通过修正参数升高相似度;当调整后的相似度超过相似度阈值时,将相似度对应的参考人脸图像作为目标人脸图像相应的人脸识别结果。
或者,在差值为正值时,通过修正参数升高相似度阈值;在差值为负值时,通过修正参数降低相似度阈值;当相似度超过调整后的相似度阈值时,将相似度对应的参考人脸图像作为目标人脸图像相应的人脸识别结果。
在一比多人脸识别场景下,分别获取目标人脸图像特征与各个参考人脸图像特征的相似度;通过修正参数分别调整各个相似度;当调整后的相似度中最高相似度超过相似度阈值时,将最高相似度对应的参考人脸图像作为目标人脸图像相应的人脸识别结果。
或者,分别获取目标人脸图像特征与各个参考人脸图像特征的相似度;通过修正参数调整相似度阈值;当相似度中最高相似度超过调整后的相似度阈值时,将最高相似度对应的参考人脸图像作为目标人脸图像相应的人脸识别结果。
上述图像处理方法中,一是根据目标人脸图像特征在参考密度分布下的分布密度,确定识别得到的目标人脸图像特征与参考人脸图像特征的相似程度是否存在偏差;并且当目标人脸图像特征与参考人脸图像特征的相似程度存在偏差时,通过修正参数进行相应的调整,从而提高了人脸识别的准确性。
应该理解的是,虽然图3、图8的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图3、图8中的至少一部分步骤可以包括多个步骤或多个阶段,这些步骤或阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或其它步骤中的步骤或阶段的至少一部分轮流或交替地执行。
在一个实施例中,如图9所示,提供了一种图像处理装置,该装置可以采用软件模块或硬件模块,或是二者的结合成为计算机设备的一部分,该装置具体包括:获取模块902、查询模块904、确定模块906和识别模块908,其中:
获取模块902,用于获取目标人脸图像相应的目标人脸图像特征;
查询模块904,用于查询目标人脸图像特征在参考密度分布下的目标分布密度;参考密度分布为参考人脸图像特征在聚集程度上的分布;
确定模块906,用于根据目标分布密度,确定目标人脸图像特征相应的修正参数;
识别模块908,用于通过修正参数调整目标人脸图像特征与参考人脸图像特征的相似程度,得到目标人脸图像相应的人脸识别结果。
在一个实施例中,获取模块902,还用于:获取采集的目标人脸图像和通用的人脸识别模型;通过人脸识别模型提取目标人脸图像相应的目标人脸图像特征;其中,参考人脸图像特征由人脸识别模型从参考人脸图像中提取;参考人脸图像为人脸识别模型在应用时的注册用户的人脸图像。
在一个实施例中,查询模块904,还用于:获取参考密度分布的分布函数;参考密度分布是通过分布函数,以归一化处理后的参考人脸图像特征为自变量构建得到的;确定对参考人脸图像特征进行归一化处理的归一化方式;根据归一化方式对目标人脸图像特征进行归一化处理,得到目标人脸图像特征在参考密度分布下的目标位置;根据目标位置及分布函数,确定目标人脸图像特征的目标分布密度。
在一个实施例中,分布函数为高斯函数;分布函数携带有分布参数,分布参数包括参考人脸图像特征的均值、及参考人脸图像特征的协方差矩阵;查询模块904,还用于:将目标位置输入高斯函数,根据高斯函数携带的分布参数,确定目标位置在高斯函数中相应的目标分布密度。
在一个实施例中,分布函数为混合高斯函数;分布函数携带有分布参数,分布参数包括各个图像特征簇相应的参考人脸图像特征的均值、各个图像特征簇相应的参考人脸图像特征的协方差矩阵、及各个图像特征簇的聚类权重,图像特征簇是对参考人脸图像特征进行聚类处理得到的;查询模块904,还用于:将目标位置输入混合高斯函数,根据混合高斯函数携带的各个图像特征簇相应的参考人脸图像特征的均值、及各个图像特征簇相应的参考人脸图像特征的协方差矩阵,确定目标位置在各个图像特征簇构建的高斯函数中相应的聚类分布密度;根据各个图像特征簇的聚类权重、及各个聚类分布密度,确定目标位置在混合高斯函数中相应的目标分布密度。
在一个实施例中,确定模块906,还用于:获取参考密度分布下的分布密度均值;确定目标分布密度相对于分布密度均值的偏离程度;根据偏离程度确定目标人脸图像特征相应的修正参数。
在一个实施例中,将目标分布密度与分布密度均值之间的差值作为偏离程度;确定模块906,还用于:获取分布密度区间;分布密度区间是参考密度分布下的分布密度最大值和分布密度最小值之间的差值;确定偏离程度在分布密度区间的占比;根据占比确定目标人脸图像特征相应的修正参数。
在一个实施例中,识别模块908,还用于:获取目标人脸图像特征与参考人脸图像特征的相似度;通过修正参数调整相似度,并根据调整后的相似度与相似度阈值的关系得到目标人脸图像相应的人脸识别结果;或者,通过修正参数调整相似度阈值,并根据相似度与调整后的相似度阈值的关系得到目标人脸图像相应的人脸识别结果。
在一个实施例中,识别模块908,还用于:获取参考密度分布下的分布密度均值;确定目标分布密度与分布密度均值之间的差值;在差值为正值时,通过修正参数降低相似度;在差值为负值时,通过修正参数升高相似度;当调整后的相似度超过相似度阈值时,目标人脸图像特征相应的用户与参考人脸图像特征相应的用户为同一用户。
在一个实施例中,参考人脸图像特征多于一个;识别模块908,还用于:分别获取目标人脸图像特征与各个参考人脸图像特征的相似度;通过修正参数分别调整各个相似度;当调整后的相似度中最高相似度超过相似度阈值时,目标人脸图像特征相应的用户,与最高相似度的参考人脸图像特征相应的用户为同一用户。
在一个实施例中,识别模块908,还用于:在差值为正值时,通过修正参数升高相似度阈值;在差值为负值时,通过修正参数降低相似度阈值;当相似度超过调整后的相似度阈值时,目标人脸图像特征相应的用户与参考人脸图像特征相应的用户为同一用户。
在一个实施例中,参考人脸图像特征多于一个;识别模块908,还用于: 分别获取目标人脸图像特征与各个参考人脸图像特征的相似度;通过修正参数调整相似度阈值;当相似度中最高相似度超过调整后的相似度阈值时,目标人脸图像特征相应的用户,与最高相似度的参考人脸图像特征相应的用户为同一用户。
上述图像处理装置中,一是根据目标人脸图像特征在参考密度分布下的分布密度,确定识别得到的目标人脸图像特征与参考人脸图像特征的相似程度是否存在偏差;并且当目标人脸图像特征与参考人脸图像特征的相似程度存在偏差时,通过修正参数进行相应的调整,从而提高了人脸识别的准确性。
关于图像处理装置的具体限定可以参见上文中对于图像处理方法的限定,在此不再赘述。上述图像处理装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图10所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储图像处理数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种图像处理方法。
本领域技术人员可以理解,图10中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或组合某些部件,或具有不同的部件布置。
在一个实施例中,还提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中,提供了一种计算机可读存储介质,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各方法实施例中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory,ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic Random Access Memory,DRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (15)
1.一种图像处理方法,其特征在于,所述方法包括:
获取目标人脸图像相应的目标人脸图像特征;
查询所述目标人脸图像特征在参考密度分布下的目标分布密度;所述参考密度分布为参考人脸图像特征在聚集程度上的分布;
根据所述目标分布密度,确定所述目标人脸图像特征相应的修正参数;
通过所述修正参数调整所述目标人脸图像特征与所述参考人脸图像特征的相似程度,得到所述目标人脸图像相应的人脸识别结果。
2.根据权利要求1所述的方法,其特征在于,所述获取目标人脸图像相应的目标人脸图像特征,包括:
获取采集的目标人脸图像和通用的人脸识别模型;
通过所述人脸识别模型提取所述目标人脸图像相应的目标人脸图像特征;
其中,所述参考人脸图像特征由所述人脸识别模型从参考人脸图像中提取;所述参考人脸图像为所述人脸识别模型在应用时的注册用户的人脸图像。
3.根据权利要求1所述的方法,其特征在于,所述查询所述目标人脸图像特征在参考密度分布下的目标分布密度,包括:
获取所述参考密度分布的分布函数;所述参考密度分布是通过所述分布函数,以归一化处理后的所述参考人脸图像特征为自变量构建得到的;
确定对所述参考人脸图像特征进行归一化处理的归一化方式;
根据所述归一化方式对所述目标人脸图像特征进行归一化处理,得到所述目标人脸图像特征在所述参考密度分布下的目标位置;
根据所述目标位置及所述分布函数,确定所述目标人脸图像特征的目标分布密度。
4.根据权利要求3所述的方法,其特征在于,所述分布函数为高斯函数;所述分布函数携带有分布参数,所述分布参数包括所述参考人脸图像特征的均值、及所述参考人脸图像特征的协方差矩阵;
所述根据所述目标位置及所述分布函数,确定所述目标人脸图像特征的目标分布密度,包括:
将所述目标位置输入所述高斯函数,根据所述高斯函数携带的所述分布参数,确定所述目标位置在所述高斯函数中相应的目标分布密度。
5.根据权利要求3所述的方法,其特征在于,所述分布函数为混合高斯函数;所述分布函数携带有分布参数,所述分布参数包括各个图像特征簇相应的参考人脸图像特征的均值、各个所述图像特征簇相应的参考人脸图像特征的协方差矩阵、及各个所述图像特征簇的聚类权重,所述图像特征簇是对所述参考人脸图像特征进行聚类处理得到的;
所述根据所述目标位置及所述分布函数,确定所述目标人脸图像特征的目标分布密度,包括:
将所述目标位置输入所述混合高斯函数,根据所述混合高斯函数携带的各个所述图像特征簇相应的参考人脸图像特征的均值、及各个所述图像特征簇相应的参考人脸图像特征的协方差矩阵,确定所述目标位置在各个所述图像特征簇构建的高斯函数中相应的聚类分布密度;
根据各个所述图像特征簇的聚类权重、及各个所述聚类分布密度,确定所述目标位置在所述混合高斯函数中相应的目标分布密度。
6.根据权利要求1所述的方法,其特征在于,所述根据所述目标分布密度,确定所述目标人脸图像特征相应的修正参数,包括:
获取所述参考密度分布下的分布密度均值;
确定所述目标分布密度相对于所述分布密度均值的偏离程度;
根据所述偏离程度确定所述目标人脸图像特征相应的修正参数。
7.根据权利要求6所述的方法,其特征在于,所述确定所述目标分布密度相对于所述分布密度均值的偏离程度,包括:
将所述目标分布密度与所述分布密度均值之间的差值作为所述偏离程度;
所述根据所述偏离程度确定所述目标人脸图像特征相应的修正参数,包括:
获取分布密度区间;所述分布密度区间是所述参考密度分布下的分布密度最大值和分布密度最小值之间的差值;
确定所述偏离程度在所述分布密度区间的占比;
根据所述占比确定所述目标人脸图像特征相应的修正参数。
8.根据权利要求1所述的方法,其特征在于,所述通过所述修正参数调整所述目标人脸图像特征与所述参考人脸图像特征的相似程度,得到所述目标人脸图像相应的人脸识别结果,包括:
获取所述目标人脸图像特征与所述参考人脸图像特征的相似度;
通过所述修正参数调整所述相似度,并根据调整后的所述相似度与相似度阈值的关系得到所述目标人脸图像相应的人脸识别结果;或者,
通过所述修正参数调整所述相似度阈值,并根据所述相似度与调整后的所述相似度阈值的关系得到所述目标人脸图像相应的人脸识别结果。
9.根据权利要求8所述的方法,其特征在于,所述通过所述修正参数调整所述相似度,并根据调整后的所述相似度与相似度阈值的关系得到所述目标人脸图像相应的人脸识别结果,包括:
获取所述参考密度分布下的分布密度均值;
确定所述目标分布密度与所述分布密度均值之间的差值;
在所述差值为正值时,通过所述修正参数降低所述相似度;
在所述差值为负值时,通过所述修正参数升高所述相似度;
当调整后的所述相似度超过所述相似度阈值时,所述目标人脸图像特征相应的用户与所述参考人脸图像特征相应的用户为同一用户。
10.根据权利要求9所述的方法,其特征在于,所述参考人脸图像特征多于一个;
所述方法还包括:
分别获取所述目标人脸图像特征与各个所述参考人脸图像特征的相似度;
通过所述修正参数分别调整各个所述相似度;
当调整后的所述相似度中最高相似度超过所述相似度阈值时,所述目标人脸图像特征相应的用户,与所述最高相似度的参考人脸图像特征相应的用户为同一用户。
11.根据权利要求9所述的方法,其特征在于,所述通过所述修正参数调整所述相似度阈值,并根据所述相似度与调整后的所述相似度阈值的关系得到所述目标人脸图像相应的人脸识别结果,包括:
在所述差值为正值时,通过所述修正参数升高所述相似度阈值;
在所述差值为负值时,通过所述修正参数降低所述相似度阈值;
当所述相似度超过调整后的所述相似度阈值时,所述目标人脸图像特征相应的用户与所述参考人脸图像特征相应的用户为同一用户。
12.根据权利要求11所述的方法,其特征在于,所述参考人脸图像特征多于一个;
所述方法还包括:
分别获取所述目标人脸图像特征与各个所述参考人脸图像特征的相似度;
通过所述修正参数调整所述相似度阈值;
当所述相似度中最高相似度超过调整后的所述相似度阈值时,所述目标人脸图像特征相应的用户,与所述最高相似度的参考人脸图像特征相应的用户为同一用户。
13.一种图像处理装置,其特征在于,所述装置包括:
获取模块,用于获取目标人脸图像相应的目标人脸图像特征;
查询模块,用于查询所述目标人脸图像特征在参考密度分布下的目标分布密度;所述参考密度分布为参考人脸图像特征在聚集程度上的分布;
确定模块,用于根据所述目标分布密度,确定所述目标人脸图像特征相应的修正参数;
识别模块,用于通过所述修正参数调整所述目标人脸图像特征与所述参考人脸图像特征的相似程度,得到所述目标人脸图像相应的人脸识别结果。
14.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至12中任一项所述的方法的步骤。
15.一种计算机可读存储介质,存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至12中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010526363.4A CN111476222B (zh) | 2020-06-11 | 2020-06-11 | 图像处理方法、装置、计算机设备和计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010526363.4A CN111476222B (zh) | 2020-06-11 | 2020-06-11 | 图像处理方法、装置、计算机设备和计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111476222A CN111476222A (zh) | 2020-07-31 |
CN111476222B true CN111476222B (zh) | 2020-10-09 |
Family
ID=71763845
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010526363.4A Active CN111476222B (zh) | 2020-06-11 | 2020-06-11 | 图像处理方法、装置、计算机设备和计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111476222B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111783752A (zh) * | 2020-08-21 | 2020-10-16 | 北京市商汤科技开发有限公司 | 人脸识别方法及装置、电子设备和存储介质 |
CN112418078B (zh) * | 2020-11-20 | 2021-11-09 | 北京云从科技有限公司 | 分数调制方法、人脸识别方法、装置及介质 |
CN112329890B (zh) * | 2020-11-27 | 2022-11-08 | 北京市商汤科技开发有限公司 | 图像处理方法及装置、电子设备及存储介质 |
CN113158948A (zh) * | 2021-04-29 | 2021-07-23 | 宜宾中星技术智能系统有限公司 | 信息生成方法、装置、终端设备 |
CN113255594A (zh) * | 2021-06-28 | 2021-08-13 | 深圳市商汤科技有限公司 | 人脸识别方法和装置、神经网络 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9396412B2 (en) * | 2012-06-21 | 2016-07-19 | Siemens Aktiengesellschaft | Machine-learnt person re-identification |
CN106446754A (zh) * | 2015-08-11 | 2017-02-22 | 阿里巴巴集团控股有限公司 | 图像识别方法、度量学习方法、图像来源识别方法及装置 |
CN105740842B (zh) * | 2016-03-01 | 2018-10-19 | 浙江工业大学 | 基于快速密度聚类算法的无监督人脸识别方法 |
CN106446781A (zh) * | 2016-08-29 | 2017-02-22 | 厦门美图之家科技有限公司 | 一种人脸图像处理方法及装置 |
CN108805048B (zh) * | 2018-05-25 | 2020-01-31 | 腾讯科技(深圳)有限公司 | 一种人脸识别模型的调整方法、装置和存储介质 |
CN109934195A (zh) * | 2019-03-21 | 2019-06-25 | 东北大学 | 一种基于信息融合的反欺骗三维人脸识别方法 |
CN111079833B (zh) * | 2019-12-16 | 2022-05-06 | 腾讯医疗健康(深圳)有限公司 | 图像识别方法、装置以及计算机可读存储介质 |
-
2020
- 2020-06-11 CN CN202010526363.4A patent/CN111476222B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN111476222A (zh) | 2020-07-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111476222B (zh) | 图像处理方法、装置、计算机设备和计算机可读存储介质 | |
CN105975932B (zh) | 基于时间序列shapelet的步态识别分类方法 | |
KR101438011B1 (ko) | 3차원 스캐너를 이용한 얼굴 인식 시스템 | |
CN112232117A (zh) | 一种人脸识别方法、装置及存储介质 | |
CN109934195A (zh) | 一种基于信息融合的反欺骗三维人脸识别方法 | |
CN107463917B (zh) | 一种基于改进的ltp与二维双向pca融合的人脸特征提取方法 | |
CN111274916A (zh) | 人脸识别方法和人脸识别装置 | |
CN112801054B (zh) | 人脸识别模型的处理方法、人脸识别方法及装置 | |
CN110633624B (zh) | 一种基于多特征融合的机器视觉人体异常行为识别方法 | |
CN103632147A (zh) | 实现面部特征标准化语义描述的系统及方法 | |
Ahmadi et al. | Iris tissue recognition based on GLDM feature extraction and hybrid MLPNN-ICA classifier | |
CN113449704B (zh) | 人脸识别模型训练方法、装置、电子设备及存储介质 | |
CN111091075A (zh) | 人脸识别方法、装置、电子设备及存储介质 | |
CN113298158B (zh) | 数据检测方法、装置、设备及存储介质 | |
CN113705596A (zh) | 图像识别方法、装置、计算机设备和存储介质 | |
Thepade et al. | Face gender recognition using multi layer perceptron with OTSU segmentation | |
KR101195539B1 (ko) | 얼굴 인식 및 검출을 이용한 출입문 개폐 시스템 및 그 방법 | |
CN109753873B (zh) | 图像处理方法及相关装置 | |
Ali et al. | New algorithm for localization of iris recognition using deep learning neural networks | |
Murugan et al. | Fragmented iris recognition system using BPNN | |
CN117115595A (zh) | 姿态估计模型的训练方法、装置、电子设备及存储介质 | |
Gül | Holistic face recognition by dimension reduction | |
Yu et al. | Research on face recognition method based on deep learning | |
Karungaru et al. | Face recognition in colour images using neural networks and genetic algorithms | |
Cai et al. | Robust facial expression recognition using RGB-D images and multichannel features |
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 | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40026150 Country of ref document: HK |