CN111723761B - 异常人脸图像的确定方法、装置及存储介质 - Google Patents
异常人脸图像的确定方法、装置及存储介质 Download PDFInfo
- Publication number
- CN111723761B CN111723761B CN202010600159.2A CN202010600159A CN111723761B CN 111723761 B CN111723761 B CN 111723761B CN 202010600159 A CN202010600159 A CN 202010600159A CN 111723761 B CN111723761 B CN 111723761B
- Authority
- CN
- China
- Prior art keywords
- face
- determining
- abnormal
- images
- face image
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- 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
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Multimedia (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本申请提供一种异常人脸图像的确定方法、装置及存储介质,涉及数据处理技术领域。异常人脸图像的确定装置首先可以获取到图像采集设备采集到的对应同一人物的人脸图像中的至少两个目标图像。然后可以确定出每个目标图像中人脸的空间姿态角,并根据确定出的所有空间姿态角确定变化指数。该变化指数用于表征所有空间姿态角随时间变化的变化程度,当变化指数满足预设条件时可将至少两个目标图像确定为异常人脸图像。由于至少两个目标图像是对应同一人物的人脸图像,而对应同一人物的人脸图像中人脸的空间姿态角的变化指数能够表明该人物的人脸图像是否异常,因此,本申请提供的方法可以确定出异常人脸图像。
Description
技术领域
本申请涉及数据处理技术领域,尤其涉及一种异常人脸图像的确定方法、装置及存储介质。
背景技术
随着对安全防范需求的与日俱增,人脸抓拍在生产生活各方面都有着非常广泛的应用。大部分场所(如公园、地铁站、政府机关、银行、小区等)的出入口都会安装人脸抓拍设备。人脸抓拍设备用于获取人脸图像。对人脸图像进行深入挖掘,可以分析出一个人的行为轨迹,用于事后追溯、证据查询等。
实际应用中,人脸抓拍设备可能会抓拍到真实人的人脸图像和广告牌(广告牌包括有人脸)的人脸图像。对广告牌的人脸图像进行深入挖掘分析没有任何实际意义。但是,目前还不存在如何有效识别广告牌的人脸图像的方法。
发明内容
本申请提供一种异常人脸图像的确定方法、装置及存储介质,能够有效识别出异常人脸图像(比如广告牌的人脸图像)。
为达到上述目的,本申请采用如下技术方案:
第一方面,本申请提供一种异常人脸图像的确定方法,在获取至少两个目标图像(图像采集设备采集到的,对应同一人物的人脸图像)之后,确定出每个目标图像中人脸的空间姿态角。然后,根据确定出的所有空间姿态角,确定出用于表征所有空间姿态角随时间变化的变化程度的变化指数,当该变化指数满足预设条件时,确定至少两个目标图像为异常人脸图像。
容易理解的是,实际生活中,某一人物的人脸些许会发生转动。若人脸一直未发生转动,则说明该人物的人脸图像属于异常图像。基于这一原理,本申请根据获取到的对应同一人物的至少两个目标图像中所有的人脸的空间姿态角,确定出该人物的人脸的空间姿态角随时间变化的变化程度,进而可以有效地确定出至少两个目标图像是否为异常人脸图像。
在一种可能的设计方式中,至少两个目标图像包括第一目标图像集和第二目标图像集,上述“根据确定出的所有空间姿态角,确定出用于表征所有空间姿态角随时间变化的变化程度的变化指数”包括:确定第一空间姿态角和第二空间姿态角;将第一空间姿态角与第二空间姿态角之间的变化值确定为变化指数。其中,第一目标图像集包括采集时间位于第一预设时间段内的目标图像,第二目标图像集包括采集时间位于第二预设时间段内的目标图像;第一预设时间段与第二预设时间段的间隔小于预设时长。这里的第一空间姿态角用于表征第一目标图像集的空间姿态角,第二空间姿态角用于表征第二目标图像集的空间姿态角。
由于异常人脸图像中人脸的空间姿态角在固定时间段内不会发生变化,而真实人脸的空间姿态角不会长时间处于固定不变的状态,所以可以确定出两个间隔小于预设时长的时间段(第一预设时间段与第二预设时间段)的人脸的空间姿态角随时间变化的变化程度,进而可以通过该变化程度确定至少两个目标图像是否为异常人脸图像。
在另一种可能的设计方式中,上述“确定第一空间姿态角和第二空间姿态角”包括:确定第一目标图像集中所有人脸的空间姿态角的均值为第一空间姿态角;确定第二目标图像集中所有人脸的空间姿态角的均值为第二空间姿态角。
某个时间段内所有人脸的空间姿态角的均值可以较为准确地反映出该段时间内所有人脸图像的空间姿态角,所以,可以将第一目标图像集和第二目标图像集中所有人脸的空间姿态角的均值分别确定为第一空间姿态角和第二空间姿态角。
在另一种可能的设计方式中,上述“获取至少两个目标图像”包括:确定对应同一人物的人脸图像的图像数量异常;从对应同一人物的人脸图像中确定至少两个目标图像。
在实际应用中,图像采集设备采集到的异常人脸图像(比如广告牌的人脸图像)的数量远远多于真实人脸图像。所以,可以从图像采集设备采集到的人脸图像中筛选出图像数量异常的人脸图像,将对应同一人物且图像数量异常的人脸图像确定为至少两个目标图像。
第二方面,本申请提供一种异常人脸图像的确定装置,该异常人脸图像的确定装置包括获取模块和确定模块。获取模块,用于获取至少两个目标图像。其中,至少两个目标图像为:图像采集设备采集到的,对应同一人物的人脸图像。确定模块,用于确定获取模块获取的每个目标图像中人脸的空间姿态角;确定模块,还用于根据确定出的所有空间姿态角,确定变化指数。其中,变化指数用于表征所有空间姿态角随时间变化的变化程度。确定模块,还用于当变化指数满足预设条件时,确定至少两个目标图像为异常人脸图像。
第三方面,本申请提供一种异常人脸图像的确定装置,该异常人脸图像的确定装置包括存储器和处理器。上述存储器和处理器耦合。该存储器用于存储计算机程序代码,该计算机程序代码包括计算机指令。当处理器执行该计算机指令时,异常人脸图像的确定装置执行如第一方面提供的异常人脸图像的确定方法或第一方面中任一种可能的设计方式所述的异常人脸图像的确定方法。
第四方面,本申请提供一种芯片系统,该芯片系统应用于异常人脸图像的确定装置;所述芯片系统包括一个或多个接口电路,以及一个或多个处理器。所述接口电路和所述处理器通过线路互联;所述接口电路用于从所述异常人脸图像的确定装置的存储器接收信号,并向所述处理器发送所述信号,所述信号包括所述存储器中存储的计算机指令。当所述处理器执行所述计算机指令时,所述异常人脸图像的确定装置执行如第一方面提供的异常人脸图像的确定方法或第一方面中任一种可能的设计方式所述的异常人脸图像的确定方法。
第五方面,本申请提供一种计算机可读存储介质,该计算机可读存储介质中包括有计算机指令,当计算机指令在异常人脸图像的确定装置上运行时,使得异常人脸图像的确定装置实现如第一方面提供的异常人脸图像的确定方法或第一方面中任一种可能的设计方式所述的异常人脸图像的确定方法。
第六方面,本申请提供一种计算机程序产品,该计算机程序产品包括计算机指令,当计算机指令在异常人脸图像的确定装置上运行时,使得异常人脸图像的确定装置执行如第一方面提供的异常人脸图像的确定方法或第一方面中任一种可能的设计方式所述的异常人脸图像的确定方法。
需要说明的是,上述计算机指令可以全部或者部分存储在计算机可读存储介质上。其中,计算机可读存储介质可以与异常人脸图像的确定装置的处理器封装在一起的,也可以与异常人脸图像的确定装置的处理器单独封装,本申请对此不作限定。
本申请中第二方面、第三方面、第四方面、第五方面以及第六方面的描述,可以参考第一方面及其各种实现方式中的详细描述;并且,第二方面、第三方面、第四方面、第五方面以及第六方面的有益效果,可以参考第一方面及其各种实现方式中的有益效果分析,此处不再赘述。
在本申请中,上述异常人脸图像的确定装置的名字对设备或功能模块本身不构成限定,在实际实现中,这些设备或功能模块可以以其他名称出现。只要各个设备或功能模块的功能和本申请类似,属于本申请权利要求及其等同技术的范围之内。
本申请的这些方面或其他方面在以下的描述中会更加简明易懂。
附图说明
图1为本申请实施例提供的一种异常人脸图像的确定系统的结构示意图;
图2为本申请实施例提供的一种异常人脸图像的确定方法的原理示意图;
图3为本申请实施例提供的另一种异常人脸图像的确定方法的原理示意图;
图4为本申请实施例提供的一种异常人脸图像的确定方法的流程示意图;
图5为本申请实施例提供的三张不同脸部空间姿态角下的人脸图像;
图6为本申请实施例提供的另外三张不同脸部空间姿态角下的人脸图像;
图7为本申请实施例提供的另一种异常人脸图像的确定方法的流程示意图;
图8为本申请实施例提供的又一种异常人脸图像的确定方法的流程示意图;
图9为本申请实施例提供的又一种异常人脸图像的确定方法的流程示意图;
图10为本申请实施例提供的一种异常人脸图像的确定装置的结构示意图;
图11为本申请实施例提供的另一种异常人脸图像的确定装置的结构示意图。
具体实施方式
下面结合附图对本申请实施例提供的一种异常人脸图像的确定方法、装置及存储介质进行详细地描述。
本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。
本申请的说明书以及附图中的术语“第一”和“第二”等是用于区别不同的对象,或者用于区别对同一对象的不同处理,而不是用于描述对象的特定顺序。
此外,本申请的描述中所提到的术语“包括”和“具有”以及它们的任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或模块的过程、方法、系统、产品或设备没有限定于已列出的步骤或模块,而是可选地还包括其他没有列出的步骤或模块,或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或模块。
需要说明的是,本申请实施例中,“示例性地”或者“例如”等词用于表示作例子、例证或说明。本申请实施例中被描述为“示例性地”或者“例如”的任何实施例或设计方案不应被解释为比其它实施例或设计方案更优选或更具优势。确切而言,使用“示例性地”或者“例如”等词旨在以具体方式呈现相关概念。
在本申请的描述中,除非另有说明,“多个”的含义是指两个或两个以上。
可以理解的是,本申请实施例提供的异常人脸图像的确定方法在实际应用中,具体方法的步骤顺序可以做以调整,本申请实施例对此不做限定。
本申请实施例提供了一种异常人脸图像的确定方法,通过分析同一人物的人脸图像,可以确定该人物的人脸的空间姿态角(如俯仰角)在两个或多个时间段内是否变化,进而确定对应该人物的人脸图像是否为异常人脸图像(如广告牌的人脸图像)。
本申请实施例提供的异常人脸图像的确定方法可以适用于异常人脸图像的确定系统。图1示出了该异常人脸图像的确定系统的一种可能的结构。如图1所示,本申请实施例提供的异常人脸图像的确定系统包括:第一服务器10、第二服务器11、后台服务器12以及多个图像采集设备13。第一服务器10与多个图像采集设备13中的每个图像采集设备13均连接,第一服务器10还与第二服务器11连接。第二服务器11与后台服务器12连接。
第一服务器10、第二服务器11与后台服务器12均可以为个人计算机、笔记本电脑等计算设备。图像采集设备13可以为用于采集人脸图像的设备,例如:人脸抓拍摄像机等。
在实际应用中,第一服务器10、第二服务器11与后台服务器12可以集成在一个计算设备中;也可以任意两个服务器集成,其余一个服务器独立设置(比如第一服务器10和第二服务器11集成在一个计算设备中,后台服务器12位于独立的计算设备中);还可以位于三个相互之间均独立的三个计算设备中。如无明确说明,本申请实施例下述内容均以第一服务器10、第二服务器11与后台服务器12位于相互独立的设备为例进行说明。
现结合图1对本申请实施例提供的异常人脸图像的确定方法的原理进行说明。
如图2所示,在一种可能的实现方式中,本申请实施例中的每个图像采集设备13在采集到人脸图像后,均会向与图像采集设备13连接的第一服务器10发送采集到的人脸图像。第一服务器10在接收到人脸图像后,会对人脸图像进行特征值的提取,建立属于该人脸图像的“人脸模型”。之后,第一服务器10会将建立的“人脸模型”发送给第二服务器11,第二服务器11会将该“人脸模型”与存储的预先建立的“人脸模型”库进行比对。“人脸模型”库中每个“人脸模型”包括有与该“人脸模型”对应的特征值,以及属于该“人脸模型”的人物信息(例如:身份标识)。比如,第二服务器11接收到第一服务器10发送的第一“人脸模型”之后,会将该第一“人脸模型”与“人脸模型”库中的“人脸模型”进行比对,当第一“人脸模型”的特征值与“人脸模型”库中第二“人脸模型”的特征值之间的相似度大于预设相似度时,会给第一“人脸模型”所属的人脸图像添加第二“人脸模型”的人物信息。第二服务器11可以为从第一服务器10接收到的每个“人脸模型”所属的人脸图像添加对应的人物信息,所有添加有人物信息的人脸图像即组成了本申请实施例中的图像集合。第二服务器11在为人脸图像添加完对应的人物信息之后,会将图像集合以及图像集合中每一图像的人物信息发送给后台服务器12。后台服务器12可以确定出图像集合中的至少两个目标图像,然后确定出至少两个目标图像中人脸的空间姿态角的变化指数,最后根据该变化指数确定出目标图像中的异常人脸图像。
本申请实施例中的“人脸模型”,具体可以是第一服务器10基于人脸图像确定出的各种人脸特征的特征值。示例性地,该“人脸模型”可以包括对应的人脸图像的人眼、嘴巴、鼻子等人脸特征的特征值。
在另一种可能的实现方式中,本申请实施例提供的异常人脸图像的确定系统中第一服务器10可以直接与后台服务器12连接。如图3所示,本申请实施例中的每个图像采集设备13在采集到人脸图像后,均会向与图像采集设备13连接的第一服务器10发送采集到的人脸图像。第一服务器10在接收到人脸图像后,会对人脸图像进行特征值的提取,建立属于该人脸图像的“人脸模型”,然后将建立好的“人脸模型”直接发送给后台服务器12。后台服务器12会将接收到的每个“人脸模型”存储,定期(例如,每隔24小时)对这些“人脸模型”进行比对处理,将这些“人脸模型”中特征值的相似度超过预设相似度的“人脸模型”添加同一人物信息。所有添加有人物信息的人脸图像即为本申请实施例中的图像集合。之后,后台服务器12可以确定出图像集合中的至少两个目标图像,然后确定出至少两个目标图像中人脸的空间姿态角的变化指数,最后根据该变化指数确定出目标图像中的异常人脸图像。
本申请实施例提供的异常人脸图像的确定方法的执行主体为异常人脸图像的确定装置。该异常人脸图像的确定装置可以是上述异常人脸图像的确定系统中的后台服务器12,还可以是上述后台服务器12中用于确定异常人脸图像的客户端。当第一服务器10、第二服务器11与后台服务器12为集成设备时,本申请实施例提供的异常人脸图像的确定方法的执行主体还可以为第一服务器10、第二服务器11与后台服务器12集成的计算设备。本申请实施例以后台服务器12执行异常人脸图像的确定方法为例,对本申请提供的异常人脸图像的确定方法进行说明。
下面结合图1提供的异常人脸图像的确定系统的结构示意图、图2提供的异常人脸图像的确定方法的原理示意图以及图3提供的异常人脸图像的确定方法的原理示意图对本申请实施例提供的异常人脸图像的确定方法进行描述。
如图4所示,本申请实施例提供的异常人脸图像的确定方法包括如下步骤。
S401、后台服务器12获取至少两个目标图像。
其中,至少两个目标图像为图像采集设备13采集到的,对应同一人物的人脸图像。
可选地,后台服务器12在确定至少两个目标图像之前,可以先获取图像集合和图像集合中每一图像的人物信息。其中,图像集合中包括:图像采集设备13采集到的人脸图像中,特征值与预设特征值之间的相似度大于预设相似度的人脸图像。
在一种可能的实现方式中,图像集合和图像集合中每一图像的人物信息是由第二服务器11确定的(对应图2提供的异常人脸图像的确定方法的原理示意图),后台服务器12可以直接从第二服务器11中获取图像集合和图像集合中每一图像的人物信息,并存储。
示例性地,第一服务器10在接收到图像采集设备13采集到的人脸图像后,会对该人脸图像中人眼、鼻、嘴巴等元素的特征值进行提取,建立属于该人脸图像的人眼、鼻、嘴巴等元素的“人脸模型”,并将建立的“人脸模型”发送给第二服务器11。第二服务器11中存储有预先建立的“人脸模型”库,“人脸模型”库中每个“人脸模型”包括有与该“人脸模型”对应的特征值,以及属于该“人脸模型”的人物信息(例如:身份标识)。第二服务器11接收到第一服务器10发送的“人脸模型”之后,会确定出图像集合和图像集合中每一图像的人物信息。
具体地,第二服务器11会将接收到的每个“人脸模型”(比如第一“人脸模型”)与“人脸模型”库中的“人脸模型”(比如第二“人脸模型”)进行比对,当第一“人脸模型”的特征值与第二“人脸模型”的特征值之间的相似度大于预设相似度时,会给第一“人脸模型”所属的人脸图像添加第二“人脸模型”的人物信息。第二服务器11可以为从第一服务器10接收到的每个“人脸模型”所属的人脸图像添加对应的人物信息,所有添加有人物信息的人脸图像即组成了本申请实施例中的图像集合。
其中,预设相似度是人为事先确定的参数。比如预设相似度可以为95%。
需要说明的是,在实际应用中,第一服务器10建立的“人脸模型”的字节应与“人脸模型”库中“人脸模型”的字节相同。比如,第一服务器10建立的“人脸模型”可以为512字节,对应的,“人脸模型”库中每个“人脸模型”均为512字节。
在另一种可能的实现方式中,图像集合和图像集合中每一图像的人物信息是由后台服务器12确定的(对应图3提供的异常人脸图像的确定方法的原理示意图)。示例性地,第一服务器10会将建立的每个“人脸模型”发送给后台服务器12。后台服务器12每间隔24小时对接收到的“人脸模型”进行一次比对处理,比如第一“人脸模型”、第二“人脸模型”以及第三“人脸模型”的特征值的相似度超过预设相似度时,可以为这三个“人脸模型”添加同一人物信息。所有添加有人物信息的人脸图像即为本申请实施例中的图像集合。后台服务器12每确定一次图像集合。会将确定的图像集合和图像集合中每一图像的人物信息存储。
上述示例中,后台服务器12每间隔24小时对图像采集设备13采集到的人脸图像进行一次处理,也即是,图像集合中的所有人脸图像的间隔最多为24小时。可以理解的是,后台服务器12对图像采集设备13采集到的人脸图像进行处理的周期也可以为其他时长,该间隔时长设置合理即可,本申请对此不做限定。
可选地,后台服务器12在获取到图像集合和图像集合中每一图像的人物信息之后,可以从图像集合中筛选出图像数量异常的人脸图像。
一般情况下,图像采集设备13采集到的人脸图像中,异常人脸图像(比如广告牌的人脸图像)的数量远大于真实人脸图像的数量。所以,后台服务器12在获取到图像集合和图像集合中每一图像的人物信息之后,可以确定已经存储的图像集合中,对应同一人物的人脸图像的图像数量,当该人物的人脸图像的图像数量异常时,表明对应该人物的人脸图像为异常人脸图像的概率较大,可以初步将对应该人物的人脸图像确定为疑似异常人脸图像,再做进一步的判断。
在一种可能的实现方式中,可以分别确定出图像集合中每一图像的人物信息对应的人脸图像的图像数量,当某一人物信息对应的图像数量大于或等于第一预设阈值时,可以将该人物信息对应的图像确定为疑似异常人脸图像,对应同一人物的疑似异常人脸图像即为本申请中的至少两个目标图像。
其中,第一预设阈值是人为事先确定的数值。比如,第一预设阈值可以为150张。
示例性地,当图像集合中包含有6个人物信息(身份标识分别为humanDossierId1、humanDossierId2、humanDossierId3、humanDossierId4、humanDossierId5和humanDossierId6)对应的人脸图像时,可以分别确定出这6个人物信息中每个人物信息对应的人脸图像的图像数量。比如,humanDossierId1对应的人脸图像的图像数量为320张、humanDossierId2对应的人脸图像的图像数量为260张、humanDossierId3对应的人脸图像的图像数量为150张、humanDossierId4对应的人脸图像的图像数量为50张、humanDossierId5对应的人脸图像的图像数量为35张、humanDossierId6对应的人脸图像的图像数量为20张。此时,可以将humanDossierId1、humanDossierId2以及humanDossierId3对应的人脸图像确定为疑似异常人脸图像。
比如,当需要进一步确定humanDossierId1对应的所有人脸图像是否为异常人脸图像时,则可以将humanDossierId1对应的所有人脸图像确定为至少两个目标图像做进一步判断。
在另一种可能的实现方式中,可以分别确定出图像集合中每一图像的人物信息对应的人脸图像的图像数量占图像集合中总图像数量的占比,当某一人物信息对应的图像数量占图像集合中总图像数量的占比大于预设占比时,可以将该人物信息对应的图像确定为疑似异常人脸图像,对应同一人物的疑似异常人脸图像即为本申请中的至少两个目标图像。
可以理解的是,本申请实施例在具体实施时,还可以通过其他数学方法来确定图像集合中对应同一人物的人脸图像的图像数量是否异常,本申请对此不做限定。
在实际应用中,图像采集设备13采集到的人脸图像中,也会出现某一真实人物对应的人脸图像的数量异常的情况。比如,经常出现在公园、地铁站以及小区等场所的工作人员,会经常出现在图像采集设备13的采集视野中,则图像采集设备13采集到的这些工作人员的人脸图像的数量也很大。所以当对应同一人物的人脸图像的图像数量异常时,只能将该人物信息对应的图像确定为疑似异常人脸图像,还需进一步判断其他信息来确定是否为异常人脸图像。
S402、后台服务器12确定每个目标图像中人脸的空间姿态角。
在实际应用中,异常人脸图像中人脸的空间姿态角是固定不变的,而真实人脸的空间姿态角不会长时间处于固定不变的状态。所以,后台服务器12获取到至少两个目标图像之后,可以基于每个目标图像中人脸的空间姿态角判断目标图像是否为异常人脸图像。
可选的,本申请实施例涉及到的空间姿态角可以为俯仰角,也可以为左右角。
示例性地,可以基于图像采集设备13的显示屏所在的平面(第一平面)确定人脸图像的俯仰角,人脸与第一平面平行时,俯仰角为0。比如,图5中人脸图像B的俯仰角为0°。人脸相对第一平面以仰视姿态转动时,俯仰角为正值。比如,图5中人脸图像A的俯仰角为45°。人脸相对第一平面以俯视姿态转动时,俯仰角为负值。比如,图5中人脸图像C的俯仰角为-45°。
示例性地,可以基于图像采集设备13的显示屏所在的平面(第一平面)确定人脸图像的左右角,人脸与第一平面平行时,左右角为0。比如,图6中人脸图像B的左右角为0°。人脸相对第一平面向左转动时,左右角为正值。比如,图6中人脸图像A的左右角为45°。人脸相对第一平面向右转动时,左右角为负值。比如,图6中人脸图像C的左右角为-45°。
当然,在实际应用中,空间姿态角也可以为其他用于表征人脸空间姿态的角度。比如,可以基于三维坐标系确定的人脸旋转的欧拉角,具体确定方式可以参照现有技术中的相关描述,此处不再赘述。
S403、后台服务器12根据确定出的所有空间姿态角,确定变化指数。
其中,变化指数用于表征所有空间姿态角随时间变化的变化程度。
异常人脸图像中人脸的空间姿态角在固定时间段内不会发生变化,而真实人脸的空间姿态角不会长时间处于固定不变的状态,所以,可选地,可以确定出不同时间段的人脸的空间姿态角随时间变化的变化程度,进而可以通过该变化程度确定至少两个目标图像是否为异常人脸图像。
在一种可能的实现方式中,后台服务器12可以获取到包括有第一目标图像集和第二目标图像集的至少两个目标图像。其中,第一目标图像集包括采集时间位于第一预设时间段内的目标图像,第二目标图像集包括采集时间位于第二预设时间段内的目标图像。第一预设时间段与第二预设时间段的间隔小于预设时长。后台服务器12可以确定出第一目标图像集和第二目标图像集中每个人脸的空间姿态角,然后确定出用于表征第一目标图像集的空间姿态角(第一空间姿态角)和用于表征第二目标图像集的空间姿态角(第二空间姿态角),并将第一空间姿态角与第二空间姿态角之间的变化值确定为变化指数。
可选地,第一目标图像集的数量可以大于第二预设阈值,第二目标图像集的数量可以大于第三预设阈值。其中,第二预设阈值和第三预设阈值为人为事先确定的值,第二预设阈值和第三预设阈值可以相等,也可以不等。
需要说明的是,上述第一预设时间段与第二预设时间段的间隔需小于预设时长。以异常人脸图像中的广告牌的人脸图像为例,由于广告牌是定期更换的,所以,当第一预设时间段与第二预设时间段的间隔时间很长时,广告牌的人脸图像的人脸的空间姿态角也会发生变化。因此,本申请实施例中,第一预设时间段与第二预设时间段的间隔需小于预设时长。
由于某个时间段内所有人脸的空间姿态角的均值可以较为准确地反映出该段时间内所有人脸图像的空间姿态角,所以,可选地,可以将第一目标图像集和第二目标图像集中所有人脸的空间姿态角的均值分别确定为第一空间姿态角和第二空间姿态角。
S404、当变化指数满足预设条件时,后台服务器12确定至少两个目标图像为异常人脸图像。
后台服务器12确定出变化指数之后,可以判断变化指数是否满足预设条件,当变化指数满足预设条件时,后台服务器12可以将至少两个目标图像确定为异常人脸图像。
为了更清楚的说明本申请实施例提供的异常人脸图像的确定方法,以下提供了一种可能的实现方式,以确定广告牌人脸为例详细描述本申请实施例如何确定异常人脸图像。
具体地,该实现方式中异常人脸图像的确定方法共有5个步骤,该实现方式可以适用于图1所示的异常人脸图像的确定系统。如图7所示,5个步骤包括:人脸采集、人脸建模、人脸比对、人脸入库以及人脸广告牌标定。
其中,人脸采集过程可以由图像采集设备13实现(比如图7中采用智能人脸抓拍摄像机IPC进行人脸采集)。通过人脸检测算法,智能IPC可以对实时视频画面中出现的人脸图像进行检测、跟踪、抓拍、筛选等一系列流程,最终截取到清晰人脸图像输出至第一服务器10。
人脸建模的过程可以由第一服务器10实现,具体地,可以对多张人脸图像进行预处理,提取特征值后建立“人脸模型”,也可以对每张人脸图像进行单独处理,提取特征值后建立“人脸模型”。
人脸比对的过程可以由第二服务器11实现,具体地,第二服务器11中包含有预先建立的“人脸模型”库,第二服务器11从第一服务器10中加载到“人脸模型”之后,会对加载到的“人脸模型”进行数据分析,与预先建立的“人脸模型”库中的“人脸模型”进行比对,且输出所有加载的“人脸模型”与预先建立的“人脸模型”库的相似度排名。
人脸入库的过程可以由第二服务器11或后台服务器12实现。示例性地,第二服务器11可以对相似度排名进行分析,当相似度超过设定阈值(比如95%)时,给对应的“人脸模型”添加唯一的身份标识(该身份标识对应预先建立的“人脸模型”库中某一“人脸模型”的人物信息),然后将同一标识的“人脸模型”对应的人脸图像确定为对应同一人物的人脸图像,存入后台服务器12的数据库中。当相似度未超过设定阈值时,过滤对应的人脸图像。
人脸广告牌标定的过程可以后台服务器12实现,后台服务器12可以定期对自身数据库中的人脸图像进行处理。具体地,后台服务器12可以先从自身数据库中筛选出对应同一人物的图像数量异常的人脸图像。示例性地,若humanDossierId1对应的人脸图像的数量异常,后台服务器12可以从humanDossierId1对应的人脸图像中,采集时间位于第一预设时间段的人脸图像里随机筛选出n张人脸图像,采集时间位于第二预设时间段的人脸图像里随机筛选出m张人脸图像。之后,后台服务器12可以确定出第一预设时间段内的n张人脸图像的人脸的空间姿态角的平均值M,以及第二预设时间段内的n张人脸图像的人脸的空间姿态角的平均值N。后台服务器12可以将M和N的变化值确定为变化指数,当变化指数小于预设变化值时,后台服务器12可以将humanDossierId1对应的人脸图像确定为异常人脸图像。
可选地,当后台服务器12确定humanDossierId1对应的人脸图像为异常人脸图像时,可以将humanDossierId1添加异常标识后发送给第二服务器11。当第二服务器11再次接收到第一服务器10发送的对应humanDossierId1的人脸图像时,可以直接过滤掉对应的人脸图像,不用再通过后台服务器12做进一步分析。
异常人脸图像对于人员的行为轨迹等数据分析过程来说,是无效数据,且这些异常人脸图像掺杂在真实人脸图像中,还会影响对于数据的分析。另外,后台服务器12的存储空间也是有限的。因此,当后台服务器12确定出某一人物对应的人脸图像为异常人脸图像之后,可以将存储的对应该人物的所有人脸图像删除,避免占用后台服务器12的存储空间。
本申请实施例提供的异常人脸图像的确定方法可以通过人脸图像中的一种空间姿态角来确定变化指数,也可以同时通过多种空间姿态角来确定变化指数。比如,可以结合人脸的俯仰角和左右角来确定变化指数。
示例性地,若humanDossierId1对应的人脸图像的数量异常,后台服务器12可以从humanDossierId1对应的人脸图像中,采集时间位于第一预设时间段的人脸图像里随机筛选出n张人脸图像,采集时间位于第二预设时间段的人脸图像里随机筛选出m张人脸图像。之后,后台服务器12可以确定出第一预设时间段内的n张人脸图像的人脸的俯仰角的平均值M1以及人脸的左右角的平均值M2,并且确定出第二预设时间段内的m张人脸图像的人脸的俯仰角的平均值N1以及人脸的左右角的平均值N2。进一步地,后台服务器12可以确定出M1与N1之间的差值,以及M2与N2之间的差值。M1与N1之间的差值、M2与N2之间的差值均可作为变化指数,当变化指数小于预设变化值时,后台服务器12可以将humanDossierId1对应的人脸图像确定为异常人脸图像。
其中,n和m为人为事先确定的参数(n可以对应前述中的第二预设阈值,m可以对应前述中的第三预设阈值),n和m可以相等,也可以不等。
此外,本申请实施例提供的异常人脸图像的确定方法可以通过分析两个时间段内人脸的空间姿态角的变化程度,来确定变化指数,也可以通过分析多个时间段内人脸的空间姿态角的变化程度,来确定变化指数。
示例性地,如图8所示,若humanDossierId1对应的人脸图像的数量异常,后台服务器12可以随机从humanDossierId1对应的人脸图像中,采集时间位于t0时刻至t1时刻之间(T0时间段)的人脸图像里随机筛选出n张人脸图像,采集时间位于t1时刻至t2时刻之间(T1时间段)的人脸图像里随机筛选出m张人脸图像,采集时间位于t2时刻至t3时刻之间(T2时间段)的r张人脸图像。后台服务器12可以确定出T0时间段,n张人脸图像的人脸的俯仰角的平均值Y0,以及n张人脸图像的人脸的左右角的平均值P0。后台服务器12还可以确定出T1时间段,m张人脸图像的人脸的俯仰角的平均值Y1,以及m张人脸图像的人脸的左右角的平均值P1。后台服务器12还可以确定出T2时间段,r张人脸图像的人脸的俯仰角的平均值Y2,以及r张人脸图像的人脸的左右角的平均值P2。进一步地,后台服务器12可以确定出Y0与Y1之间的差值(第一变化值),Y1与Y2的之间的差值(第二变化值),P0与P1之间的差值(第三变化值),P1与P2的之间的差值(第四变化值)。当第一变化值、第二变化值、第三变化值或者第四变化值小于预设变化值时,后台服务器12可以将humanDossierId1对应的人脸图像确定为异常人脸图像。
需要说明的是,本申请实施例中所涉及到的所有差值均为正值。比如Y0比Y1大时,Y0与Y1之间的差值为Y0与Y1的差,Y0比Y1小时,Y0与Y1之间的差值为Y0与Y1的差的绝对值。
另外,以T0时间段为例,当t0时刻至t1时刻之间的目标图像的总数少于n张人脸图像时,可以不将T0时间段的数据作为参数数据,直接比较T1时间段和T2时间段的人脸的空间姿态角即可。
该示例中,将三个时间段内的人脸的空间姿态角作为参考,以此来确定目标图像是否为异常人脸图像。在实际应用中,为了提高确定异常人脸图像的准确率,还可以扩大数据参考范围。比如可以将24个小时中23个时间段内的人脸的空间姿态角作为参考,来确定获取的至少两个目标图像是否为异常人脸图像。
综合以上描述,如图9所示,本申请实施例提供的异常人脸图像的确定方法还可以包括如下步骤。
S901、后台服务器12查询数据库中每一人物对应的人脸图像的数量。
S902、后台服务器12判断是否存在humanDossierId对应的人脸图像的数量异常。
当后台服务器12确定存在humanDossierId对应的人脸图像的数量异常时,执行S903;当后台服务器12确定不存在humanDossierId对应的人脸图像的数量异常时,结束该方法流程。
S903、后台服务器12分别从多个时间段内抽取humanDossierId对应的人脸图像。
S904、后台服务器12获取抽取的humanDossierId对应的人脸图像的人脸的空间姿态角。
S905、后台服务器12根据确定出的所有空间姿态角,确定变化指数。
S906、后台服务器12判断变化指数是否满足预设条件。
当后台服务器12确定变化指数满足预设条件时,执行S907;当后台服务器12确定变化指数不满足预设条件时,结束该方法流程。
S907、后台服务器12确定humanDossierId对应的人脸图像为异常人脸图像。
在步骤S907之后该方法流程结束。
本申请实施例提供的异常人脸图像的确定方法,首先可以确定出图像采集设备采集到的人脸图像中的至少两个目标图像,然后可以确定出每个目标图像中人脸的空间姿态角,并根据确定出的所有空间姿态角确定变化指数。该变化指数用于表征所述所有空间姿态角随时间变化的变化程度,当变化指数满足预设条件时可将至少两个目标图像确定为异常人脸图像。由于至少两个目标图像是对应同一人物的人脸图像,而对应同一人物的人脸图像中人脸的空间姿态角的变化指数能够表明该人物的人脸图像是否异常,因此,本申请提供的方法可以确定出异常人脸图像。
上述主要从方法的角度对本申请实施例提供的方案进行了介绍。为了实现上述功能,其包含了执行各个功能相应的硬件结构和/或软件模块。本领域技术人员应该很容易意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,本申请能够以硬件或硬件和计算机软件的结合形式来实现。某个功能究竟以硬件还是计算机软件驱动硬件的方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
本申请实施例还提供了一种异常人脸图像的确定装置,该异常人脸图像的确定装置可以是图1所示的异常人脸图像的确定系统中的后台服务器12,也可以是上述后台服务器12中的CPU,还可以是上述后台服务器12中用于确定异常人脸图像的的客户端。
如图10所示,为本申请实施例提供的一种异常人脸图像的确定装置100的结构示意图。异常人脸图像的确定装置100用于执行图4所示的异常人脸图像的确定方法。该异常人脸图像的确定装置100包括:获取模块1001和确定模块1002。
具体地,获取模块1001,用于获取至少两个目标图像。其中,至少两个目标图像为:图像采集设备采集到的,对应同一人物的人脸图像。例如,结合图4,获取模块1001可以用于执行S401。
确定模块1002,用于确定获取模块1001获取的每个目标图像中人脸的空间姿态角。例如,结合图4,确定模块1002可以用于执行S402。
确定模块1002,还用于根据确定出的所有空间姿态角,确定变化指数;变化指数用于表征所有空间姿态角随时间变化的变化程度。例如,结合图4,确定模块1002可以用于执行S403。
确定模块1002,还用于当变化指数满足预设条件时,确定至少两个目标图像为异常人脸图像。例如,结合图4,确定模块1002可以用于执行S404。
可选地,至少两个目标图像包括第一目标图像集和第二目标图像集,其中,第一目标图像集包括采集时间位于第一预设时间段内的目标图像,第二目标图像集包括采集时间位于第二预设时间段内的目标图像;第一预设时间段与第二预设时间段的间隔小于预设时长。确定模块1002包括:第一确定子模块和第二确定子模块。
第一确定子模块,用于确定第一空间姿态角和第二空间姿态角。第一空间姿态角用于表征第一目标图像集的空间姿态角;第二空间姿态角用于表征第二目标图像集的空间姿态角。
第二确定子模块,用于将第一确定子模块确定的第一空间姿态角与第二空间姿态角之间的变化值确定为变化指数。
可选地,第一确定子模块具体用于:确定第一目标图像集中所有人脸的空间姿态角的均值为第一空间姿态角;确定第二目标图像集中所有人脸的空间姿态角的均值为第二空间姿态角。
可选地,获取模块1001具体用于:确定对应同一人物的人脸图像的图像数量异常;从对应同一人物的人脸图像中确定至少两个目标图像。
可选地,异常人脸图像的确定装置100还可以包括存储模块,用于存储人脸图像。
如图11所示,本申请实施例还提供一种异常人脸图像的确定装置,包括存储器111、处理器112、总线113和通信接口114;存储器111用于存储计算机执行指令,处理器112与存储器111通过总线113连接;当异常人脸图像的确定装置运行时,处理器112执行存储器111存储的计算机执行指令,以使异常人脸图像的确定装置执行如上述实施例提供的异常人脸图像的确定方法。
在具体的实现中,作为一种实施例,处理器112(112-1和112-2)可以包括一个或多个中央处理器(central processing unit,CPU),例如图11中所示的CPU0和CPU1。且作为一种实施例,异常人脸图像的确定装置可以包括多个处理器112,例如图11中所示的处理器112-1和处理器112-2。这些处理器112中的每一个CPU可以是一个单核处理器(single-CPU),也可以是一个多核处理器(multi-CPU)。这里的处理器112可以指一个或多个设备、电路、和/或用于处理数据(例如计算机程序指令)的处理核。
存储器111可以是只读存储器111(read-only memory,ROM)或可存储静态信息和指令的其他类型的静态存储设备,随机存取存储器(random access memory,RAM)或者可存储信息和指令的其他类型的动态存储设备,也可以是电可擦可编程只读存储器(electrically erasable programmable read-only memory,EEPROM)、只读光盘(compactdisc read-only memory,CD-ROM)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。存储器111可以是独立存在,通过总线113与处理器112相连接。存储器111也可以和处理器112集成在一起。
在具体的实现中,存储器111,用于存储本申请中的数据和执行本申请的软件程序对应的计算机执行指令。处理器112可以通过运行或执行存储在存储器111内的软件程序,以及调用存储在存储器111内的数据,异常人脸图像的确定装置的各种功能。
通信接口114,使用任何收发器一类的装置,用于与其他设备或通信网络通信,如控制系统、无线接入网(radio access network,RAN),无线局域网(wireless local areanetworks,WLAN)等。通信接口114可以包括接收模块实现接收功能,以及发送模块实现发送功能。
总线113,可以是工业标准体系结构(industry standard architecture,ISA)总线、外部设备互连(peripheral component interconnect,PCI)总线或扩展工业标准体系结构(extended industry standard architecture,EISA)总线等。该总线113可以分为地址总线、数据总线、控制总线等。为便于表示,图11中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
作为一个示例,结合图10,异常人脸图像的确定装置中的获取模块实现的功能与图11中的接收单元实现的功能相同,异常人脸图像的确定装置中的存储模块实现的功能与图11中的存储器实现的功能相同。
本实施例中相关内容的解释可参考上述方法实施例,此处不再赘述。
通过以上的实施方式的描述,所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将装置的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。上述描述的系统,装置和模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
本申请实施例还提供一种计算机可读存储介质,计算机可读存储介质中存储有指令,当计算机指令在异常人脸图像的确定装置上运行时,使得异常人脸图像的确定装置执行上述实施例提供的异常人脸图像的确定方法。
其中,计算机可读存储介质,例如可以是但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、RAM、ROM、可擦式可编程只读存储器(erasable programmable read only memory,EPROM)、寄存器、硬盘、光纤、CD-ROM、光存储器件、磁存储器件、或者上述的任意合适的组合、或者本领域熟知的任何其它形式的计算机可读存储介质。一种示例性地存储介质耦合至处理器,从而使处理器能够从该存储介质读取信息,且可向该存储介质写入信息。当然,存储介质也可以是处理器的组成部分。处理器和存储介质可以位于特定用途集成电路(application specificintegrated circuit,ASIC)中。在本申请实施例中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
本申请实施例还提供一种芯片系统,该芯片系统应用于异常人脸图像的确定装置。芯片系统包括一个或多个接口电路,以及一个或多个处理器。接口电路和处理器通过线路互联,接口电路用于从异常人脸图像的确定装置的存储器接收信号,并向处理器发送信号。该信号中包括存储器中存储的计算机指令。当处理器执行计算机指令时,以使异常人脸图像的确定装置执行如上述实施例提供的异常人脸图像的确定方法。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何在本申请揭露的技术范围内的变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应该以权利要求的保护范围为准。
Claims (6)
1.一种异常人脸图像的确定方法,其特征在于,包括:
获取第一目标图像集和第二目标图像集;所述第一目标图像集和所述第二目标图像集是从图像数量异常的对应同一人物的人脸图像中获取的;所述第一目标图像集包括采集时间位于第一预设时间段内的目标图像,所述第二目标图像集包括采集时间位于第二预设时间段内的目标图像,所述第一预设时间段与所述第二预设时间段的间隔小于预设时长;
确定所述第一目标图像集的第一空间姿态角和所述第二目标图像集的第二空间姿态角;所述第一空间姿态角为所述第一目标图像集中所有人脸的空间姿态角的均值,所述第二空间姿态角为所述第二目标图像集中所有人脸的空间姿态角的均值;
根据所述第一空间姿态角和所述第二空间姿态角,确定变化指数;所述变化指数用于表征所述第一空间姿态角和所述第二空间姿态角随时间变化的变化程度;
当所述变化指数满足预设条件时,确定所述对应同一人物的人脸图像为异常人脸图像。
2.根据权利要求1所述的异常人脸图像的确定方法,其特征在于,所述获取第一目标图像集和第二目标图像集,包括:
确定对应所述同一人物的人脸图像的图像数量异常;
从所述对应同一人物的人脸图像中确定所述第一目标图像集和所述第二目标图像集。
3.一种异常人脸图像的确定装置,其特征在于,包括:
获取模块,用于获取第一目标图像集和第二目标图像集;所述第一目标图像集和所述第二目标图像集是从图像数量异常的对应同一人物的人脸图像中获取的;所述第一目标图像集包括采集时间位于第一预设时间段内的目标图像,所述第二目标图像集包括采集时间位于第二预设时间段内的目标图像,所述第一预设时间段与所述第二预设时间段的间隔小于预设时长;
第一确定子模块,用于确定所述第一目标图像集的第一空间姿态角和所述第二目标图像集的第二空间姿态角;所述第一空间姿态角为所述第一目标图像集中所有人脸的空间姿态角的均值,所述第二空间姿态角为所述第二目标图像集中所有人脸的空间姿态角的均值;
第二确定子模块,用于根据所述第一空间姿态角和所述第二空间姿态角,确定变化指数;所述变化指数用于表征所述第一空间姿态角和所述第二空间姿态角随时间变化的变化程度;
第三确定子模块,用于当所述变化指数满足预设条件时,确定所述对应同一人物的人脸图像为异常人脸图像。
4.根据权利要求3所述的异常人脸图像的确定装置,其特征在于,所述获取模块具体用于:
确定对应所述同一人物的人脸图像的图像数量异常;
从所述对应同一人物的人脸图像中确定所述第一目标图像集和所述第二目标图像集。
5.一种异常人脸图像的确定装置,其特征在于,所述异常人脸图像的确定装置包括存储器和处理器;所述存储器和所述处理器耦合;所述存储器用于存储计算机程序代码,所述计算机程序代码包括计算机指令,当所述处理器执行所述计算机指令时,所述异常人脸图像的确定装置执行如权利要求1-2中任意一项所述的异常人脸图像的确定方法。
6.一种计算机可读存储介质,其特征在于,包括计算机指令,当所述计算机指令在异常人脸图像的确定装置上运行时,使得所述异常人脸图像的确定装置执行如权利要求1-2中任意一项所述的异常人脸图像的确定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010600159.2A CN111723761B (zh) | 2020-06-28 | 2020-06-28 | 异常人脸图像的确定方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010600159.2A CN111723761B (zh) | 2020-06-28 | 2020-06-28 | 异常人脸图像的确定方法、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111723761A CN111723761A (zh) | 2020-09-29 |
CN111723761B true CN111723761B (zh) | 2023-08-11 |
Family
ID=72569243
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010600159.2A Active CN111723761B (zh) | 2020-06-28 | 2020-06-28 | 异常人脸图像的确定方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111723761B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112633204A (zh) * | 2020-12-29 | 2021-04-09 | 厦门瑞为信息技术有限公司 | 一种精准客流统计方法、装置、设备和介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105574518A (zh) * | 2016-01-25 | 2016-05-11 | 北京天诚盛业科技有限公司 | 人脸活体检测的方法和装置 |
CN106295522A (zh) * | 2016-07-29 | 2017-01-04 | 武汉理工大学 | 一种基于多角度人脸和环境信息的两级防欺骗检测方法 |
CN106599872A (zh) * | 2016-12-23 | 2017-04-26 | 北京旷视科技有限公司 | 用于验证活体人脸图像的方法和设备 |
CN108960097A (zh) * | 2018-06-22 | 2018-12-07 | 维沃移动通信有限公司 | 一种获取人脸深度信息的方法及装置 |
CN109063582A (zh) * | 2018-07-10 | 2018-12-21 | 武汉云易虹科技有限公司 | 一种自动判定疑似买卖分人员的系统及方法 |
WO2020000908A1 (zh) * | 2018-06-29 | 2020-01-02 | 汉王科技股份有限公司 | 一种人脸活体检测方法及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10956714B2 (en) * | 2018-05-18 | 2021-03-23 | Beijing Sensetime Technology Development Co., Ltd | Method and apparatus for detecting living body, electronic device, and storage medium |
-
2020
- 2020-06-28 CN CN202010600159.2A patent/CN111723761B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105574518A (zh) * | 2016-01-25 | 2016-05-11 | 北京天诚盛业科技有限公司 | 人脸活体检测的方法和装置 |
CN106295522A (zh) * | 2016-07-29 | 2017-01-04 | 武汉理工大学 | 一种基于多角度人脸和环境信息的两级防欺骗检测方法 |
CN106599872A (zh) * | 2016-12-23 | 2017-04-26 | 北京旷视科技有限公司 | 用于验证活体人脸图像的方法和设备 |
CN108960097A (zh) * | 2018-06-22 | 2018-12-07 | 维沃移动通信有限公司 | 一种获取人脸深度信息的方法及装置 |
WO2020000908A1 (zh) * | 2018-06-29 | 2020-01-02 | 汉王科技股份有限公司 | 一种人脸活体检测方法及装置 |
CN109063582A (zh) * | 2018-07-10 | 2018-12-21 | 武汉云易虹科技有限公司 | 一种自动判定疑似买卖分人员的系统及方法 |
Non-Patent Citations (1)
Title |
---|
基于FS-LBP特征的人脸活体检测方法;吴继鹏;蔡国榕;陈水利;吴云东;;集美大学学报(自然科学版)(05);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111723761A (zh) | 2020-09-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109783685B (zh) | 一种查询方法及装置 | |
US20220092881A1 (en) | Method and apparatus for behavior analysis, electronic apparatus, storage medium, and computer program | |
CN109740004B (zh) | 一种归档方法及装置 | |
US20210357624A1 (en) | Information processing method and device, and storage medium | |
CN109766779A (zh) | 徘徊人员识别方法及相关产品 | |
CN110750670B (zh) | 陌生人监控方法、装置、系统和存储介质 | |
CN108563651B (zh) | 一种多视频的目标搜索方法、装置及设备 | |
CN109815829A (zh) | 一种确定路人轨迹的方法及装置 | |
CN111652331B (zh) | 一种图像识别方法、装置和计算机可读存储介质 | |
CN110659391A (zh) | 一种视频侦查方法及装置 | |
CN106878670A (zh) | 一种视频处理方法及装置 | |
CN110941978B (zh) | 一种未识别身份人员的人脸聚类方法、装置及存储介质 | |
WO2020056914A1 (zh) | 人群热力图获得方法、装置、电子设备及可读存储介质 | |
CN105279496A (zh) | 一种人脸识别的方法和装置 | |
CN112464030B (zh) | 一种可疑人员确定方法及装置 | |
CN109559336B (zh) | 对象追踪方法、装置及存储介质 | |
CN109784220B (zh) | 一种确定路人轨迹的方法及装置 | |
CN112017323A (zh) | 一种巡检报警方法、装置、可读存储介质及终端设备 | |
CN111510675A (zh) | 一种基于人脸识别和大数据分析的智慧安防系统 | |
Xiong et al. | A blockchain-based edge collaborative detection scheme for construction internet of things | |
CN111091047B (zh) | 活体检测方法、装置、服务器和人脸识别设备 | |
CN111723761B (zh) | 异常人脸图像的确定方法、装置及存储介质 | |
CN110909612A (zh) | 一种基于深度神经网络与机器视觉的步态识别方法及系统 | |
CN115567563B (zh) | 基于端边云的综合交通枢纽监测预警系统及其控制方法 | |
CN116386086A (zh) | 人员定位方法、装置、电子设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |