CN111652074B - 一种人脸识别方法、装置、设备及介质 - Google Patents
一种人脸识别方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN111652074B CN111652074B CN202010388377.4A CN202010388377A CN111652074B CN 111652074 B CN111652074 B CN 111652074B CN 202010388377 A CN202010388377 A CN 202010388377A CN 111652074 B CN111652074 B CN 111652074B
- Authority
- CN
- China
- Prior art keywords
- image
- processor
- face
- feature vector
- determining
- 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
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000012545 processing Methods 0.000 claims abstract description 45
- 238000001514 detection method Methods 0.000 claims abstract description 39
- 238000007781 pre-processing Methods 0.000 claims description 10
- 230000000694 effects Effects 0.000 abstract description 2
- 210000000887 face Anatomy 0.000 description 32
- 230000006870 function Effects 0.000 description 11
- 230000008569 process Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 10
- 230000006872 improvement Effects 0.000 description 9
- 238000004590 computer program Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 5
- 238000007405 data analysis Methods 0.000 description 4
- 230000001815 facial effect Effects 0.000 description 4
- 230000001133 acceleration Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 210000000554 iris Anatomy 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 210000001525 retina Anatomy 0.000 description 1
- 230000003068 static effect Effects 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
- G06V40/172—Classification, e.g. identification
-
- 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
- G06V40/161—Detection; Localisation; Normalisation
-
- 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)
- Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- General Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Collating Specific Patterns (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种人脸识别方法、装置、设备及介质,包括:将图像输入至第一处理器的第一端,并通过所述第一端的第一人脸检测模块检测所述图像,确定出所述图像中的人脸数量;根据所述图像中的人脸数量判断所述第一端是否达到处理要求;若判断出所述第一端达到处理要求,将所述图像输入至第一端的第一人脸识别模块,确定出所述图像对应的第一人脸特征向量,并将所述第一人脸特征向量与预先存储的人脸特征向量进行对比,确定出所述图像中人脸的识别结果。本申请实施例通过将人脸识别模块设置于处理器中,可以减少人脸识别系统的延迟,使得人脸识别的效果更好。
Description
技术领域
本申请涉及计算机技术领域,尤其涉及一种人脸识别方法、装置、设备及介质。
背景技术
随着社会的不断进步,人脸识别逐渐进入了大众的视野。人脸与人体的其它生物特性如指纹、掌纹、虹膜、视网膜等具有唯一性,它的唯一性可用于识别用户的身份。
在现有技术中,人脸识别系统大都采用云端来处理大规模的人脸识别算法,但这种方式可能会给人脸识别系统带来比较大的延迟,严重的还有可能影响用户的正常使用。
发明内容
有鉴于此,本申请实施例提供了一种人脸识别方法、装置、设备及介质,用于解决现有技术中人脸识别系统延迟比较大的问题。
本申请实施例采用下述技术方案:
本申请实施例提供一种人脸识别方法、装置、设备及介质,所述方法包括:
将图像输入至第一处理器的第一端,并通过所述第一端的第一人脸检测模块检测所述图像,确定出所述图像中的人脸数量;
根据所述图像中的人脸数量判断所述第一端是否达到处理要求;
若判断出所述第一端达到处理要求,将所述图像输入至第一端的第一人脸识别模块,确定出所述图像对应的第一人脸特征向量,并将所述第一人脸特征向量与预先存储的人脸特征向量进行对比,确定出所述图像中人脸的识别结果。
进一步的,所述方法还包括:
若判断出所述第一端未达到处理要求,将所述图像输入所述第一处理器的第二端,并通过所述第二端的第二人脸检测模块检测所述图像,确定出所述图像中的人脸数量;
将所述图像中的人脸图像发送至第二处理器,以便所述第二处理器通过第二人脸识别模块,确定出所述图像对应的第二人脸特征向量,并将所述第二人脸特征向量与所述第一处理器的第一端预先存储的人脸特征向量进行对比,确定出所述图像中人脸的识别结果。
进一步的,所述方法还包括:所述第二处理器至少设置有两个,所述将所述图像中的人脸发送至第二处理器,具体包括:
提取所述图像中的人脸图像,并按照预先设定的比例将所述人脸图像发送至所述第二处理器。
进一步的,所述将图像输入至第一处理器的第一端之前,所述方法还包括:
将图像进行预处理操作,其中,预处理操作包括图像增强以及图像伸缩。
进一步的,所述第一处理器为ZYNQ处理器,所述第二处理器为FPGA处理器。
进一步的,所述第一人脸检测模块采用MTCNN算法。
进一步的,所述第一人脸识别模块采用mobilefacenet算法。
本申请实施例还提供一种人脸识别装置,所述装置包括:
检测单元,用于将图像输入至第一处理器的第一端,并通过所述第一端的第一人脸检测模块检测所述图像,确定出所述图像中的人脸数量;
判断单元,用于根据所述图像中的人脸数量判断所述第一端是否达到处理要求;
识别单元,用于若判断出所述第一端达到处理要求,将所述图像输入至第一端的第一人脸识别模块,确定出所述图像对应的第一人脸特征向量,并将所述第一人脸特征向量与预先存储的人脸特征向量进行对比,确定出所述图像中人脸的识别结果。
本申请实施例还提供一种人脸识别设备,所述设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够:
将图像输入至第一处理器的第一端,并通过所述第一端的第一人脸检测模块检测所述图像,确定出所述图像中的人脸数量;
根据所述图像中的人脸数量判断所述第一端是否达到处理要求;
若判断出所述第一端达到处理要求,将所述图像输入至第一端的第一人脸识别模块,确定出所述图像对应的第一人脸特征向量,并将所述第一人脸特征向量与预先存储的人脸特征向量进行对比,确定出所述图像中人脸的识别结果。
本申请实施例还提供一种人脸识别介质,存储有计算机可执行指令,所述计算机可执行指令设置为:
将图像输入至第一处理器的第一端,并通过所述第一端的第一人脸检测模块检测所述图像,确定出所述图像中的人脸数量;
根据所述图像中的人脸数量判断所述第一端是否达到处理要求;
若判断出所述第一端达到处理要求,将所述图像输入至第一端的第一人脸识别模块,确定出所述图像对应的第一人脸特征向量,并将所述第一人脸特征向量与预先存储的人脸特征向量进行对比,确定出所述图像中人脸的识别结果。
本申请实施例采用的上述至少一个技术方案能够达到以下有益效果:本申请实施例通过将人脸识别模块设置于处理器中,可以减少人脸识别系统的延迟,使得人脸识别的效果更好。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1为本说明书实施例一提供的一种人脸识别方法的流程示意图;
图2为本说明书实施例二提供的一种人脸识别方法的流程示意图;
图3为本说明书实施例三提供的一种人脸识别装置的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然,所描述的实施例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。
以下结合附图,详细说明本申请各实施例提供的技术方案。
图1为本说明书实施例一提供的一种人脸识别方法的流程示意图,具体包括:
步骤S101,人脸识别系统将图像输入至第一处理器的第一端,并通过所述第一端的第一人脸检测模块检测所述图像,确定出所述图像中的人脸数量。
步骤S102,人脸识别系统根据所述图像中的人脸数量判断所述第一端是否达到处理要求。
步骤S103,人脸识别系统若判断出所述第一端达到处理要求,将所述图像输入至第一端的第一人脸识别模块,确定出所述图像对应的第一人脸特征向量,并将所述第一人脸特征向量与预先存储的人脸特征向量进行对比,确定出所述图像中人脸的识别结果。
与实施例一相对应的是,图2为本说明书实施例二提供的一种人脸识别方法的流程示意图,具体包括:
步骤S201,人脸识别系统将图像输入至第一处理器的第一端,并通过所述第一端的第一人脸检测模块检测所述图像,确定出所述图像中的人脸数量。
在本说明书实施例的步骤S201中,输入的图像可以为视频的某一帧。所以,本说明书实施例中的人脸识别系统不仅可以处理图像,也可以处理视频。
在本说明书实施例的步骤S201中,第一处理器可以为ZYNQ处理器。其中,ZYNQ处理器是一种带有多核ARM和FPGA的SOC器件,该器件兼有ARM和FPGA的优点,同现有的ARM+FPGA的分立芯片比较,具有更好的灵活性,可以降低PCB板的布线复杂度。其中,第一处理器的第一端可以为ZYNQ处理器的PS端。
在本说明书实施例的步骤S201中,第一人脸检测模块可以采用MTCNN算法。可以根据第一人脸检测模块检测出的多个人脸图像,并可以对检测出的多个人脸图像进行标号,即确定出了图像中的人脸数量。
步骤S202,人脸识别系统根据所述图像中的人脸数量判断所述第一端是否达到处理要求,若是,则执行步骤S203,若否,则执行步骤S204。
在本说明书实施例的步骤S202中,第一处理器的第一端进行人脸识别时存在限制,即需要判断当前图像中的人脸数量,若是当前图像的人脸数量未超出第一端的处理能力时,可以由第一处理器的第一端执行后续的操作;若是当前图像的人脸数量超出第一端的处理能力,可以由第一处理器的第二端执行后续操作。
步骤S203,人脸识别系统将所述图像输入至第一端的第一人脸识别模块,确定出所述图像对应的第一人脸特征向量,并将所述第一人脸特征向量与预先存储的人脸特征向量进行对比,确定出所述图像中人脸的识别结果。
在本说明书实施例的步骤S203中,当前图像的人脸数量未超出第一端的处理能力,可以由第一处理器的第一端执行图像中人脸的识别过程。其中,第一人脸识别模块可以采用mobilefacenet算法。
步骤S204,人脸识别系统将所述图像输入所述第一处理器的第二端,并通过所述第二端的第二人脸检测模块检测所述图像,确定出所述图像中的人脸数量。
在本说明书实施例的步骤S204中,当前图像的人脸数量已超出第一端的处理能力,可以由第一处理器的第二端执行图像中人脸的识别过程。其中,第二人脸检测模块可以采用MTCNN算法。第一处理器的第二端可以为ZYNQ处理器的PL端。
步骤S205,人脸识别系统将所述图像中的人脸图像发送至第二处理器,以便所述第二处理器通过第二人脸识别模块,确定出所述人脸图像对应的第二人脸特征向量,并将所述第二人脸特征向量与所述第一处理器的第一端预先存储的人脸特征向量进行对比,确定出所述图像中人脸的识别结果。
在本说明书实施例的步骤S205中,第二处理器至少设置有两个,所述将所述图像中的人脸发送至第二处理器,具体包括:
提取所述图像中的人脸图像,并按照预先设定的比例将所述人脸图像发送至所述第二处理器。比如,第二处理器设置有两个,提取图像中的人脸图像,并对提取的人脸图像进行编号,可以预先设定将前一半编号的人脸图像在第一处理器的第二端根据标号组成一组数据帧,将该组数据帧通过高速接口发送到第一个第二处理器,并将另一半编号的人脸图像在第一处理器的第二端根据标号组成一组数据帧,将该组数据帧通过高速接口发送到第二个第二处理器。
进一步的,在本说明书实施例的步骤S205中,第二处理器通过高速接口接收到数据后,可以通过数据解析模块先将人脸图像进行解析,并将解析结果发送至第二人脸识别模块,经过第二人脸识别模块处理后生成第二人脸特征向量,可以通过数据解析模块组合成第一处理器的第二端所需的数据报文,并将该数据报文发送至第一处理器的第二端,经过第一处理器的第二端解帧后发送到第一处理器的第一端,最后可以由第一处理器的第一端将解帧后第二人脸特征向量与预先存储的人脸特征向量进行比对,得出人脸识别的结果,并且,可以通过视频显示出识别结果。其中,预先存储的人脸特征向量可以存储于第一端的数据库。
在本说明书实施例的步骤S205中,所述第二处理器可以为FPGA处理器。第二人脸识别模块可以采用mobilefacenet算法。
进一步的,将图像输入至第一处理器的第一端之前,所述方法还包括:
将图像进行预处理操作,其中,预处理操作包括图像增强以及图像伸缩。
需要说明的是,本说明书实施例的人脸识别系统可以是以FPGA和ZYNQ为核心处理器,其中FPGA主要用来实现人脸识别算法的加速,ZYNQ作为主控器件完成一系列的系统控制和人脸检测算法。其中核心处理器FPGA要完成人脸识别算法的加速功能,高速接口的实现和数据解析模块实现。人脸识别算法可以采用mobilefacenet算法,算法中的卷积池化模块全部在该FPGA种完成,数据解析模块主要完成将ZYNQ中发送的数据报文提取出人脸识别算法的有效报文以及将人脸识别算法提取的特征按照规则组合成ZYNQ所需的报文发送给ZYNQ处理器,利用预存的人脸数据库对比完成识别功能。
ZYNQ处理器的PS端可以完成视频预处理,人脸识别预处理,人脸检测算法实现,监控管理,人脸检测处理选择,人脸匹配等模块。ZYNQ处理器的PL端主要完成人脸检测算法加速,该人脸检测算法可以采用MTCNN算法,人脸识别预处理,高速接口等模块所述的人脸识别预处理模块,是将人脸检测算法提取出来的人脸进行编号,并决定送入哪一个FPGA进行识别算法的处理。人脸检测处理选择是根据人脸的个数选择人脸检测算法是采用PS端的检测模块还是PL端的检测模块,若人脸数量超出PS端的处理能力,可以由PL处理。
与本说明书实施例二相对应的是,图3为本说明书实施例三提供的一种人脸识别装置的结构示意图,具体包括:检测单元1、判断单元2以及识别单元3。
检测单元1用于将图像输入至第一处理器的第一端,并通过所述第一端的第一人脸检测模块检测所述图像,确定出所述图像中的人脸数量;
判断单元2用于根据所述图像中的人脸数量判断所述第一端是否达到处理要求;
识别单元3用于若判断出所述第一端达到处理要求,将所述图像输入至第一端的第一人脸识别模块,确定出所述图像对应的第一人脸特征向量,并将所述第一人脸特征向量与预先存储的人脸特征向量进行对比,确定出所述图像中人脸的识别结果。
本申请实施例还提供一种人脸识别设备,所述设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够:
将图像输入至第一处理器的第一端,并通过所述第一端的第一人脸检测模块检测所述图像,确定出所述图像中的人脸数量;
根据所述图像中的人脸数量判断所述第一端是否达到处理要求;
若判断出所述第一端达到处理要求,将所述图像输入至第一端的第一人脸识别模块,确定出所述图像对应的第一人脸特征向量,并将所述第一人脸特征向量与预先存储的人脸特征向量进行对比,确定出所述图像中人脸的识别结果。
本申请实施例还提供一种人脸识别介质,存储有计算机可执行指令,所述计算机可执行指令设置为:
将图像输入至第一处理器的第一端,并通过所述第一端的第一人脸检测模块检测所述图像,确定出所述图像中的人脸数量;
根据所述图像中的人脸数量判断所述第一端是否达到处理要求;
若判断出所述第一端达到处理要求,将所述图像输入至第一端的第一人脸识别模块,确定出所述图像对应的第一人脸特征向量,并将所述第一人脸特征向量与预先存储的人脸特征向量进行对比,确定出所述图像中人脸的识别结果。
在20世纪90年代,对于一个技术的改进可以很明显地区分是硬件上的改进(例如,对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而,随着技术的发展,当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此,不能说一个方法流程的改进就不能用硬件实体模块来实现。例如,可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray,FPGA))就是这样一种集成电路,其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上,而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且,如今,取代手工地制作集成电路芯片,这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现,它与程序开发撰写时所用的软件编译器相类似,而要编译之前的原始代码也得用特定的编程语言来撰写,此称之为硬件描述语言(Hardware Description Language,HDL),而HDL也并非仅有一种,而是有许多种,如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等,目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚,只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中,就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现,例如,控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程逻辑控制器和嵌入微控制器的形式,控制器的例子包括但不限于以下微控制器:ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320,存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带式磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,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。
以上所述仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (8)
1.一种人脸识别方法,其特征在于,所述方法包括:
将图像输入至第一处理器的第一端,并通过所述第一端的第一人脸检测模块检测所述图像,确定出所述图像中的人脸数量,所述第一处理器的第一端为ZYNQ处理器的PS端;
根据所述图像中的人脸数量判断所述第一端是否达到处理要求;
若判断出所述第一端达到处理要求,将所述图像输入至第一端的第一人脸识别模块,确定出所述图像对应的第一人脸特征向量,并将所述第一人脸特征向量与预先存储的人脸特征向量进行对比,确定出所述图像中人脸的识别结果;
若判断出所述第一端未达到处理要求,将所述图像输入所述第一处理器的第二端,并通过所述第二端的第二人脸检测模块检测所述图像,确定出所述图像中的人脸数量,所述第一处理器的第二端为ZYNQ处理器的PL端;
将所述图像中的人脸图像发送至第二处理器,以便所述第二处理器通过第二人脸识别模块,确定出所述图像对应的第二人脸特征向量,并将所述第二人脸特征向量与所述第一处理器的第一端预先存储的人脸特征向量进行对比,确定出所述图像中人脸的识别结果,所述第二处理器为FPGA处理器。
2.根据权利要求1所述的人脸识别方法,其特征在于,所述方法还包括:所述第二处理器至少设置有两个,所述将所述图像中的人脸发送至第二处理器,具体包括:
提取所述图像中的人脸图像,并按照预先设定的比例将所述人脸图像发送至所述第二处理器。
3.根据权利要求1所述的人脸识别方法,其特征在于,所述将图像输入至第一处理器的第一端之前,所述方法还包括:
将图像进行预处理操作,其中,预处理操作包括图像增强以及图像伸缩。
4.根据权利要求1所述的人脸识别方法,其特征在于,所述第一人脸检测模块采用MTCNN算法。
5.根据权利要求1所述的人脸识别方法,其特征在于,所述第一人脸识别模块采用mobilefacenet算法。
6.一种人脸识别装置,其特征在于,所述装置包括:
检测单元,用于将图像输入至第一处理器的第一端,并通过所述第一端的第一人脸检测模块检测所述图像,确定出所述图像中的人脸数量,所述第一处理器的第一端为ZYNQ处理器的PS端;
判断单元,用于根据所述图像中的人脸数量判断所述第一端是否达到处理要求;
识别单元,用于若判断出所述第一端达到处理要求,将所述图像输入至第一端的第一人脸识别模块,确定出所述图像对应的第一人脸特征向量,并将所述第一人脸特征向量与预先存储的人脸特征向量进行对比,确定出所述图像中人脸的识别结果;若判断出所述第一端未达到处理要求,将所述图像输入所述第一处理器的第二端,并通过所述第二端的第二人脸检测模块检测所述图像,确定出所述图像中的人脸数量,所述第一处理器的第二端为ZYNQ处理器的PL端;将所述图像中的人脸图像发送至第二处理器,以便所述第二处理器通过第二人脸识别模块,确定出所述图像对应的第二人脸特征向量,并将所述第二人脸特征向量与所述第一处理器的第一端预先存储的人脸特征向量进行对比,确定出所述图像中人脸的识别结果,所述第二处理器为FPGA处理器。
7.一种人脸识别设备,其特征在于,所述设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够:
将图像输入至第一处理器的第一端,并通过所述第一端的第一人脸检测模块检测所述图像,确定出所述图像中的人脸数量,所述第一处理器的第一端为ZYNQ处理器的PS端;
根据所述图像中的人脸数量判断所述第一端是否达到处理要求;
若判断出所述第一端达到处理要求,将所述图像输入至第一端的第一人脸识别模块,确定出所述图像对应的第一人脸特征向量,并将所述第一人脸特征向量与预先存储的人脸特征向量进行对比,确定出所述图像中人脸的识别结果;
若判断出所述第一端未达到处理要求,将所述图像输入所述第一处理器的第二端,并通过所述第二端的第二人脸检测模块检测所述图像,确定出所述图像中的人脸数量,所述第一处理器的第二端为ZYNQ处理器的PL端;
将所述图像中的人脸图像发送至第二处理器,以便所述第二处理器通过第二人脸识别模块,确定出所述图像对应的第二人脸特征向量,并将所述第二人脸特征向量与所述第一处理器的第一端预先存储的人脸特征向量进行对比,确定出所述图像中人脸的识别结果,所述第二处理器为FPGA处理器。
8.一种人脸识别介质,存储有计算机可执行指令,其特征在于,所述计算机可执行指令设置为:
将图像输入至第一处理器的第一端,并通过所述第一端的第一人脸检测模块检测所述图像,确定出所述图像中的人脸数量,所述第一处理器的第一端为ZYNQ处理器的PS端;
根据所述图像中的人脸数量判断所述第一端是否达到处理要求;
若判断出所述第一端达到处理要求,将所述图像输入至第一端的第一人脸识别模块,确定出所述图像对应的第一人脸特征向量,并将所述第一人脸特征向量与预先存储的人脸特征向量进行对比,确定出所述图像中人脸的识别结果;
若判断出所述第一端未达到处理要求,将所述图像输入所述第一处理器的第二端,并通过所述第二端的第二人脸检测模块检测所述图像,确定出所述图像中的人脸数量,所述第一处理器的第二端为ZYNQ处理器的PL端;
将所述图像中的人脸图像发送至第二处理器,以便所述第二处理器通过第二人脸识别模块,确定出所述图像对应的第二人脸特征向量,并将所述第二人脸特征向量与所述第一处理器的第一端预先存储的人脸特征向量进行对比,确定出所述图像中人脸的识别结果,所述第二处理器为FPGA处理器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010388377.4A CN111652074B (zh) | 2020-05-09 | 2020-05-09 | 一种人脸识别方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010388377.4A CN111652074B (zh) | 2020-05-09 | 2020-05-09 | 一种人脸识别方法、装置、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111652074A CN111652074A (zh) | 2020-09-11 |
CN111652074B true CN111652074B (zh) | 2022-11-08 |
Family
ID=72352002
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010388377.4A Active CN111652074B (zh) | 2020-05-09 | 2020-05-09 | 一种人脸识别方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111652074B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113239812A (zh) * | 2021-05-17 | 2021-08-10 | 上海中通吉网络技术有限公司 | 基于图片的人脸识别方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106937052A (zh) * | 2017-03-29 | 2017-07-07 | 维沃移动通信有限公司 | 一种图像数据的处理方法及移动终端 |
CN107766812A (zh) * | 2017-10-12 | 2018-03-06 | 东南大学—无锡集成电路技术研究所 | 一种基于MiZ702N的实时人脸检测识别系统 |
CN107977988A (zh) * | 2017-11-21 | 2018-05-01 | 北京航宇创通技术有限公司 | 视频目标跟踪系统、方法、所述系统的控制板 |
CN110245630A (zh) * | 2019-06-18 | 2019-09-17 | 广东中安金狮科创有限公司 | 监控数据处理方法、装置及可读存储介质 |
CN110427265A (zh) * | 2019-07-03 | 2019-11-08 | 平安科技(深圳)有限公司 | 人脸识别的方法、装置、计算机设备和存储介质 |
CN110909629A (zh) * | 2019-11-06 | 2020-03-24 | 浙江大华技术股份有限公司 | 人脸识别数据处理方法、装置、计算机设备和存储介质 |
-
2020
- 2020-05-09 CN CN202010388377.4A patent/CN111652074B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106937052A (zh) * | 2017-03-29 | 2017-07-07 | 维沃移动通信有限公司 | 一种图像数据的处理方法及移动终端 |
CN107766812A (zh) * | 2017-10-12 | 2018-03-06 | 东南大学—无锡集成电路技术研究所 | 一种基于MiZ702N的实时人脸检测识别系统 |
CN107977988A (zh) * | 2017-11-21 | 2018-05-01 | 北京航宇创通技术有限公司 | 视频目标跟踪系统、方法、所述系统的控制板 |
CN110245630A (zh) * | 2019-06-18 | 2019-09-17 | 广东中安金狮科创有限公司 | 监控数据处理方法、装置及可读存储介质 |
CN110427265A (zh) * | 2019-07-03 | 2019-11-08 | 平安科技(深圳)有限公司 | 人脸识别的方法、装置、计算机设备和存储介质 |
CN110909629A (zh) * | 2019-11-06 | 2020-03-24 | 浙江大华技术股份有限公司 | 人脸识别数据处理方法、装置、计算机设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111652074A (zh) | 2020-09-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111696176B (zh) | 图像处理方法、装置、电子设备及计算机可读介质 | |
CN109034183B (zh) | 一种目标检测方法、装置及设备 | |
CN111930809A (zh) | 数据处理方法、装置及设备 | |
CN111311634A (zh) | 一种人脸图像检测方法、装置及设备 | |
CN112308113A (zh) | 一种基于半监督的目标识别方法、设备及介质 | |
CN112347512A (zh) | 图像处理方法、装置、设备及存储介质 | |
CN111160251B (zh) | 一种活体识别方法及装置 | |
CN111652074B (zh) | 一种人脸识别方法、装置、设备及介质 | |
US20220012541A1 (en) | Fingerprint image processing methods and apparatuses | |
CN117541963A (zh) | 包含文本风险的关键视频帧提取方法及装置 | |
CN117894036A (zh) | 基于边缘设备的行人目标检测方法、装置、设备及介质 | |
CN117612269A (zh) | 一种生物攻击检测方法、装置及设备 | |
CN116186330B (zh) | 一种基于多模态学习的视频去重方法及装置 | |
CN115830633B (zh) | 基于多任务学习残差神经网络的行人重识别方法和系统 | |
CN115545572B (zh) | 一种业务风控的方法、装置、设备及存储介质 | |
CN115221523B (zh) | 数据处理方法、装置及设备 | |
CN115358777A (zh) | 虚拟世界的广告投放处理方法及装置 | |
CN115618375A (zh) | 一种业务执行方法、装置、存储介质及电子设备 | |
CN114926437A (zh) | 一种图像质量评价方法及装置 | |
CN109325127B (zh) | 一种风险识别方法和装置 | |
CN112115952B (zh) | 一种基于全卷积神经网络的图像分类方法、设备及介质 | |
CN111598092A (zh) | 图像中目标区域的确定方法、目标识别方法及装置 | |
CN113642603B (zh) | 一种数据匹配方法、装置、存储介质及电子设备 | |
CN115495712B (zh) | 数字作品处理方法及装置 | |
CN113221871B (zh) | 一种文字识别方法、装置、设备及介质 |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20220914 Address after: 250101 building S02, 1036 Chaochao Road, high tech Zone, Jinan City, Shandong Province Applicant after: Shandong Inspur Scientific Research Institute Co.,Ltd. Address before: Floor 6, Chaochao Road, Shandong Province Applicant before: JINAN INSPUR HIGH-TECH TECHNOLOGY DEVELOPMENT Co.,Ltd. |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |