CN111859000A - 一种深度学习模型下的人脸特征数据库构建和更新方法 - Google Patents

一种深度学习模型下的人脸特征数据库构建和更新方法 Download PDF

Info

Publication number
CN111859000A
CN111859000A CN202010589531.4A CN202010589531A CN111859000A CN 111859000 A CN111859000 A CN 111859000A CN 202010589531 A CN202010589531 A CN 202010589531A CN 111859000 A CN111859000 A CN 111859000A
Authority
CN
China
Prior art keywords
face
database
feature
features
person
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
CN202010589531.4A
Other languages
English (en)
Inventor
苏寒松
刘腾腾
刘高华
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.)
Tianjin University
Original Assignee
Tianjin University
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 Tianjin University filed Critical Tianjin University
Priority to CN202010589531.4A priority Critical patent/CN111859000A/zh
Publication of CN111859000A publication Critical patent/CN111859000A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • 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)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Human Computer Interaction (AREA)
  • Multimedia (AREA)
  • General Health & Medical Sciences (AREA)
  • Library & Information Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Processing Or Creating Images (AREA)
  • Collating Specific Patterns (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种深度学习模型下的人脸特征数据库构建和更新方法，该方法包括以下步骤：步骤(1)、建立基础人脸特征数据库；步骤(2)、在数据库中添加基准人脸特征；步骤(3)、使用人脸特征数据库进行人脸比对；步骤(4)、实时捕获人脸特征；步骤(5)、人脸特征数据库更新，该方法减少了由于待识别人员化妆，发型，侧脸等问题带来的干扰，提高了识别设备的准确率和效率。

Description

一种深度学习模型下的人脸特征数据库构建和更新方法
技术领域
本发明涉及计算机视觉、人脸识别领域，特别是涉及一种适用于深度学习模型下的人脸特征数据库构建和更新方法。
背景技术
近年来随着神经网络，深度学习等不断发展，计算机视觉取得了很大的进步，同时也给人类生活带来了诸多便捷。现在以人脸识别为核心的设备被广泛应用，例如小区的人脸识别门禁系统，公司和学校的考勤系统等。在这些系统中，人脸特征数据库都是比不可少的，但是传统的人脸特征数据库作用单一，仅仅用来存放人脸的特征向量，其对于人脸识别设备的识别效果并没有影响。同时人脸识别设备在应用时总是面临由于化妆，发型遮挡，侧脸等带来的识别干扰。
发明内容
本发明的目的是为了克服现有技术中的不足，进一步开发人脸识别中人脸特征数据库的作用，针对现有技术中存在的人脸识别设备的识别效果易受待识别人员化妆，遮挡，侧脸等干扰，通过提出一种数据库构建和更新方法来有效解决以上问题。
本发明的目的是通过以下技术方案实现的：
一种适用于深度学习模型下的人脸特征数据库构建和更新方法，该方法包括以下步骤：
步骤(1)、建立基础人脸特征数据库；
步骤(2)、在数据库中添加基准人脸特征；
步骤(3)、使用人脸特征数据库进行人脸比对；
步骤(4)、实时捕获人脸特征；
步骤(5)、人脸特征数据库更新。
进一步的，步骤(1)包括以下步骤：
步骤(101)、根据人脸识别设备所需识别的人数进行数据库存储空间分配，为每个人分配一个人脸特征数据子库，同时设置人脸特征数据缓存区；
步骤(102)、为每个人的人脸特征数据子库分配20个人脸特征数据空间，即每人最多允许存在20组人脸特征数据。
进一步的，步骤(2)具体包括以下处理过程：
步骤(201)、收集所需识别人员的脸部照片五张，其中一张正脸照，两张小幅度侧脸照(左右侧各一张)，一张小幅度抬头照片和一张小幅度低头照片；
步骤(202)、使用人脸识别模型对五张照片进行人脸特征提取，将提取到的特征放入对应人员名称下。
进一步的，所述步骤(3)具体包括以下处理过程：
步骤(301)、使用人脸识别模型对待识别人脸提取特征。
步骤(302)、使用欧式距离或余弦距离将待识别的人脸特征与数据库中的人脸特征进行对比，其中与待识别人脸特征最近且小于固定阈值的人脸特征对应的人员即为待识别人脸的身份，若大于阈值则识别为陌生人。
进一步的，所述步骤(4)具体包括以下处理步骤：
步骤(401)、在人脸识别失败时触发人脸特征捕获机制，将未能识别的人脸特征放入数据库的缓存区；
步骤(402)、在上次人脸识别失败后继续进行识别，(实际情况下为了成功识别，待识别人员会调整脸部位置和姿态)若识别依旧失败则将本次人脸特征放入数据库的缓存区并将前一次的特征数据删除；
步骤(403)、在上次人脸识别失败后继续进行识别，(实际情况下为了成功识别，待识别人员会调整脸部位置和姿态)若识别成功则将识别出的人员与缓存区的人脸特征对应，在缓存区与人员对应的特征将不再被步骤(402)删除，下次识别失败则添加新的缓存。
进一步的，步骤(5)具体包括以下处理步骤：
步骤(501)、在设备不再进行人脸识别半小时后进入数据库更新状态，一旦检测到有待识别人脸则立即突出数据库更新状态；
步骤(502)、在数据库更新状态下，逐条读取缓存区内所有与人员对应的人脸特征。通过欧式距离或余弦距离计算该人脸特征与数据库中所有人的所有特征的距离，若与该特征距离最小的人脸特征对应的人员与缓存区该特征对应的人员一致则将该特征写入对应人员的人脸特征数据子库。若与该特征距离最小的人脸特征对应的人员与缓存区该特征对应的人员不一致则将该特征舍弃，并在缓存区中删除。
有益效果
本发明将人脸特征数据库构建为可自动更新的数据库，提出了一个改善人脸识别设备效果的新思路，减少了由于待识别人员化妆，发型，侧脸等问题带来的干扰，提高了设备的准确率和效率。
附图说明
图1为本发明人脸特征数据库结构图；
图2为本发明人脸特征捕获流程示意图；
图3为本发明人脸特征数据库更新流程示意图。
具体实施方式：
下面结合附图对本发明作进一步的描述。
本发明提供一种适用于深度学习模型下的人脸特征数据库构建和更新方法，包括以下步骤：
1.建立基础人脸特征数据库，如图1所示；具体的：
步骤101、根据人脸识别设备所需识别的人数进行数据库存储空间分配，为每个人分配一个人脸特征数据子库，同时设置人脸特征数据缓存区；
步骤102、为每个人的人脸特征数据子库分配20个人脸特征数据空间，即每人最多允许存在20组人脸特征数据。
2.在数据库中添加基准人脸特征，具体的：
步骤201、收集所需识别人员的脸部照片五张，其中一张正脸照，两张小幅度侧脸照(左右侧各一张)，一张小幅度抬头照片和一张小幅度低头照片；
步骤202、使用人脸识别模型对五张照片进行人脸特征提取，将提取到的特征放入对应人员名称下。
3.使用人脸特征数据库进行人脸比对，具体的：
步骤301、使用人脸识别模型对待识别人脸提取特征。
步骤302、使用欧式距离或余弦距离将待识别的人脸特征与数据库中的人脸特征进行对比，其中与待识别人脸特征最近且小于固定阈值的人脸特征对应的人员即为待识别人脸的身份，若大于阈值则识别为陌生人。
如图2所示，4.实时捕获人脸特征，具体的：
步骤401、在人脸识别失败时触发人脸特征捕获机制，将未能识别的人脸特征放入数据库的缓存区；
步骤402、在上次人脸识别失败后继续进行识别，(实际情况下为了成功识别，待识别人员会调整脸部位置和姿态)若识别依旧失败则将本次人脸特征放入数据库的缓存区并将前一次的特征数据删除；
步骤403、在上次人脸识别失败后继续进行识别，(实际情况下为了成功识别，待识别人员会调整脸部位置和姿态)若识别成功则将识别出的人员与缓存区的人脸特征对应，在缓存区与人员对应的特征将不再被步骤(402)删除，下次识别失败则添加新的缓存。
5.人脸特征数据库更新，具体的：
步骤501、在设备不再进行人脸识别半小时后进入数据库更新状态，一旦检测到有待识别人脸则立即突出数据库更新状态；
步骤502、在数据库更新状态下，逐条读取缓存区内所有与人员对应的人脸特征；通过欧式距离或余弦距离计算该人脸特征与数据库中所有人的所有特征的距离；
若与该特征距离最小的人脸特征对应的人员与缓存区该特征对应的人员一致则将该特征写入对应人员的人脸特征数据子库；
若与该特征距离最小的人脸特征对应的人员与缓存区该特征对应的人员不一致则将该特征舍弃，并在缓存区中删除。
本发明并不限于上文描述的实施方式。以上对具体实施方式的描述旨在描述和说明本发明的技术方案，上述的具体实施方式仅仅是示意性的，并不是限制性的。在不脱离本发明宗旨和权利要求所保护的范围情况下，本领域的普通技术人员在本发明的启示下还可做出很多形式的具体变换，这些均属于本发明的保护范围之内。

Claims (5)

1.一种深度学习模型下的人脸特征数据库构建和更新方法，其特征在于，该方法包括以下步骤：
步骤(1)、建立基础人脸特征数据库；
步骤(2)、在数据库中添加基准人脸特征；
步骤(3)、使用人脸特征数据库进行人脸比对；
步骤(4)、实时捕获人脸特征过程；其中：
在人脸识别失败时触发人脸特征捕获机制，将未能识别的人脸特征放入数据库的缓存区；
在上次人脸识别失败后继续进行识别，若识别依旧失败则将本次人脸特征放入数据库的缓存区并将前一次的特征数据删除；
在上次人脸识别失败后继续进行识别，若识别成功则将识别出的人员与缓存区的人脸特征对应，在缓存区与人员对应的特征将不再被删除，下次识别失败则添加新的缓存；
步骤(5)、人脸特征数据库更新。
2.根据权利要求1所述的一种深度学习模型下的人脸特征数据库构建和更新方法，其特征在于，步骤(1)包括以下步骤：
根据人脸识别设备所需识别的人数进行数据库存储空间分配，为每个人分配一个人脸特征数据子库，同时设置人脸特征数据缓存区；
为每个人的人脸特征数据子库分配20个人脸特征数据空间，即每人最多允许存在20组人脸特征数据。
3.根据权利要求1所述的一种深度学习模型下的人脸特征数据库构建和更新方法，其特征在于，步骤(2)具体包括以下处理过程：
收集所需识别人员的脸部照片五张，其中一张正脸照，两张小幅度侧脸照，一张小幅度抬头照片和一张小幅度低头照片；
使用人脸识别模型对五张照片进行人脸特征提取，将提取到的特征放入对应人员名称下。
4.根据权利要求1所述的一种深度学习模型下的人脸特征数据库构建和更新方法，其特征在于，所述步骤(3)具体包括以下处理过程：
使用人脸识别模型对待识别人脸提取特征。
使用欧式距离或余弦距离将待识别的人脸特征与数据库中的人脸特征进行对比，其中与待识别人脸特征最近且小于固定阈值的人脸特征对应的人员即为待识别人脸的身份，若大于阈值则识别为陌生人。
5.根据权利要求1所述的一种深度学习模型下的人脸特征数据库构建和更新方法，其特征在于，步骤(5)具体包括以下处理步骤：
在设备不再进行人脸识别半小时后进入数据库更新状态，一旦检测到有待识别人脸则立即突出数据库更新状态；
在数据库更新状态下，逐条读取缓存区内所有与人员对应的人脸特征，通过欧式距离或余弦距离计算该人脸特征与数据库中所有人的所有特征的距离；
若与该特征距离最小的人脸特征对应的人员与缓存区该特征对应的人员一致则将该特征写入对应人员的人脸特征数据子库，
若与该特征距离最小的人脸特征对应的人员与缓存区该特征对应的人员不一致则将该特征舍弃，并在缓存区中删除。
CN202010589531.4A 2020-06-24 2020-06-24 一种深度学习模型下的人脸特征数据库构建和更新方法 Pending CN111859000A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010589531.4A CN111859000A (zh) 2020-06-24 2020-06-24 一种深度学习模型下的人脸特征数据库构建和更新方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010589531.4A CN111859000A (zh) 2020-06-24 2020-06-24 一种深度学习模型下的人脸特征数据库构建和更新方法

Publications (1)

Publication Number Publication Date
CN111859000A true CN111859000A (zh) 2020-10-30

Family

ID=72988447

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010589531.4A Pending CN111859000A (zh) 2020-06-24 2020-06-24 一种深度学习模型下的人脸特征数据库构建和更新方法

Country Status (1)

Country Link
CN (1) CN111859000A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112308031A (zh) * 2020-11-25 2021-02-02 浙江大华系统工程有限公司 通用人脸识别和人脸特征信息库生成方法、装置及设备
CN112966638A (zh) * 2021-03-22 2021-06-15 国网浙江省电力有限公司电力科学研究院 基于多种特征的变电站作业人员鉴别及定位方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101770613A (zh) * 2010-01-19 2010-07-07 北京智慧眼科技发展有限公司 基于人脸识别和活体检测的社保身份认证方法
CN102916968A (zh) * 2012-10-29 2013-02-06 北京天诚盛业科技有限公司 身份认证方法、身份认证服务器和身份认证装置
CN103714347A (zh) * 2013-12-30 2014-04-09 汉王科技股份有限公司 人脸识别方法及人脸识别装置
CN103778409A (zh) * 2014-01-02 2014-05-07 深圳市元轩科技发展有限公司 基于人脸特征数据挖掘的人脸识别方法与装置
CN104537389A (zh) * 2014-12-29 2015-04-22 生迪光电科技股份有限公司 人脸识别方法和终端设备
CN109740438A (zh) * 2018-12-06 2019-05-10 航天信息股份有限公司 身份验证方法、装置、系统及存储介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101770613A (zh) * 2010-01-19 2010-07-07 北京智慧眼科技发展有限公司 基于人脸识别和活体检测的社保身份认证方法
CN102916968A (zh) * 2012-10-29 2013-02-06 北京天诚盛业科技有限公司 身份认证方法、身份认证服务器和身份认证装置
CN103714347A (zh) * 2013-12-30 2014-04-09 汉王科技股份有限公司 人脸识别方法及人脸识别装置
CN103778409A (zh) * 2014-01-02 2014-05-07 深圳市元轩科技发展有限公司 基于人脸特征数据挖掘的人脸识别方法与装置
CN104537389A (zh) * 2014-12-29 2015-04-22 生迪光电科技股份有限公司 人脸识别方法和终端设备
CN109740438A (zh) * 2018-12-06 2019-05-10 航天信息股份有限公司 身份验证方法、装置、系统及存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112308031A (zh) * 2020-11-25 2021-02-02 浙江大华系统工程有限公司 通用人脸识别和人脸特征信息库生成方法、装置及设备
CN112966638A (zh) * 2021-03-22 2021-06-15 国网浙江省电力有限公司电力科学研究院 基于多种特征的变电站作业人员鉴别及定位方法

Similar Documents

Publication Publication Date Title
Yuan et al. Fingerprint liveness detection using an improved CNN with image scale equalization
CN102945366B (zh) 一种人脸识别的方法及装置
Delac et al. A survey of biometric recognition methods
Crihalmeanu et al. A protocol for multibiometric data acquisition, storage and dissemination
CN107545241A (zh) 神经网络模型训练及活体检测方法、装置及存储介质
Burge et al. Ear biometrics for machine vision
CN103258157B (zh) 一种基于手指信息的在线笔迹认证方法及系统
WO2020244174A1 (zh) 人脸识别方法、装置、设备及计算机可读存储介质
Charity et al. A bimodal biometrie student attendance system
CN104965589A (zh) 一种基于人脑智慧和人机交互的人体活体检测方法与装置
CN109472269A (zh) 图像特征配置及校验方法、装置、计算机设备及介质
CN111859000A (zh) 一种深度学习模型下的人脸特征数据库构建和更新方法
CN111178130A (zh) 一种基于深度学习的人脸识别方法、系统和可读存储介质
CN106874877A (zh) 一种结合局部和全局特征的无约束人脸验证方法
Haji et al. Real time face recognition system (RTFRS)
CN108960171B (zh) 一种基于特征迁移学习的转换手势识别到身份识别的方法
CN108875907A (zh) 一种基于深度学习的指纹识别方法和装置
CN112199530B (zh) 多维度脸库图片自动更新方法、系统、设备及介质
CN109767531A (zh) 一种智能人脸识别门禁系统
Nathwani Online signature verification using bidirectional recurrent neural network
CN110188671B (zh) 一种利用机器学习算法分析笔迹特征的方法
CN113505717B (zh) 一种基于人脸面部特征识别技术的在线通行系统
CN110443577A (zh) 一种基于人脸识别的校园考勤系统
Perwej An Empirical Investigation of Human Identity Verification Methods
CN111723595A (zh) 人员身份识别方法和系统

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
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20201030

WD01 Invention patent application deemed withdrawn after publication