CN111898559B - 一种提升人脸识别速度的方法、装置及电子设备 - Google Patents
一种提升人脸识别速度的方法、装置及电子设备 Download PDFInfo
- Publication number
- CN111898559B CN111898559B CN202010767672.0A CN202010767672A CN111898559B CN 111898559 B CN111898559 B CN 111898559B CN 202010767672 A CN202010767672 A CN 202010767672A CN 111898559 B CN111898559 B CN 111898559B
- Authority
- CN
- China
- Prior art keywords
- face
- memory
- face data
- data
- face recognition
- 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 36
- 238000004590 computer program Methods 0.000 claims description 12
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 2
- 230000008878 coupling Effects 0.000 description 4
- 238000010168 coupling process Methods 0.000 description 4
- 238000005859 coupling reaction Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
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
- 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
- G06F16/51—Indexing; Data structures therefor; Storage structures
-
- 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
- G06V40/50—Maintenance of biometric data or enrolment thereof
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
- Studio Devices (AREA)
Abstract
本发明涉及一种提升人脸识别速度的方法、装置及电子设备，其中，方法包括：将符合加载条件的人脸数据，加载到内存，并按照预设标准进行排序；获取待识别的人脸图像，提取待识别的人脸特征；将待识别的人脸特征，与内存中的人脸数据进行对比；当从内存中的人脸数据中找到匹配的人脸数据时，输出人脸识别结果；根据LRU算法，更新内存中的人脸数据。在人脸识别时，直接在内存中进行人脸比对，相对于在数据库中进行比对的方案，比对处理速度更快；同时，优先选择近期被调用的人脸数据加载到内存，并动态更新，增加在内存中匹配到对应人脸数据的概率，减少无效的比对次数。本方案可以有效提升人脸识别速度，可以便捷的迁移至任意应用场景。
Description
技术领域
本发明涉及人工智能领域，特别是涉及一种提升人脸识别速度的方法、装置及电子设备。
背景技术
随着人工智能技术的不断发展，人脸识别技术，从身份认证到复杂的人机交互，在越来越多的场景中得到了使用。目前的人脸识别技术，通常是将待识别图像中的人脸，与数据库中的人脸逐个进行对比，来进行身份匹配的。随着人脸数据库中的数据不断增加，现有逐个进行人脸比对的方案，人脸匹配的时间也在同步线性增大，导致人脸识别的速度严重下降，不能满足实际应用场景下人脸识别速度的要求。这一问题，在运算处理资源受限的情况下，变得尤为突出。
为了提升人脸识别的速度，中国发明专利申请CN201910193625.7公开了一种人脸识别闸机的检票方法，将游客人脸、订单有效期推送到人脸识别闸机上，当游客过闸时，直接比对闸机上存储的人脸数据即可，提升了人脸识别的速度。但是，该方案与场景深度绑定，场景的移植性和扩展性方面，存在一定的问题。
中国发明专利申请CN201710313903.9公开了一种加快人脸识别搜索速度的方法，在人脸数据库中，建了一张人脸索引表，识别次数越多的人脸，在人脸索引表中越靠前，后续识别时，按照人脸索引表的顺序进行人脸比对，提升了前面几次比对成功的概率，减少了无用比对的发生，提高了人脸识别的速度。但是，该方案，针对之前访问次数较少、短期内会多次到访的情况，表现不佳。
因此，如何提升人脸数据库较大，或者运算处理资源受限的情形下的人脸识别速度，并兼顾场景的移植性和方案的扩展性，成为了亟需解决的问题。
发明内容
基于此，有必要针对现有人脸数据库较大或者运算处理资源受限情况下，人脸识别速度较慢的问题，提供一种提升人脸识别速度的方法、装置及电子设备。
本申请一实施例提供了一种提升人脸识别速度的方法，包括：
将符合加载条件的人脸数据，加载到内存，并按照预设标准进行排序；
获取待识别的人脸图像，提取待识别的人脸特征；
将待识别的人脸特征，与内存中的人脸数据进行对比；
当从内存中的人脸数据中找到匹配的人脸数据时，输出人脸识别结果；
根据LRU算法，更新内存中的人脸数据。
在一些实施例中，在所述将待识别的人脸特征，与内存中的人脸数据进行对比的步骤之后，还包括：
当未能从内存中的人脸数据中找到匹配的人脸数据时，将待识别的人脸特征，与数据库中的人脸数据进行比对。
在一些实施例中，数据库中的人脸数据，按照预设标准进行排序。
在一些实施例中，所述加载条件为，按被调用的时间排序的人脸数据序列中，前面N个人脸数据，N为正整数；所述预设标准为人脸数据被调用的时间先后顺序，被调用的时间在后的，位置越靠前。
在一些实施例中，还包括：
统计预设时间段内人脸识别的次数，根据统计的人脸识别的次数、人脸数据的总量、可用内存、单个人脸数据的大小，确定加载条件中的人脸数据的个数N。
本申请一实施例提供了一种提升人脸识别速度的装置，包括：
内存加载单元，用于将符合加载条件的人脸数据，加载到内存，并按照预设标准进行排序；
内存，用于加载的存储人脸数据；
特征获取单元，用于获取待识别的人脸图像，提取待识别的人脸特征；
内存比对单元，用于将待识别的人脸特征，与内存中的人脸数据进行对比；
结果输出单元，用于当从内存中的人脸数据中找到匹配的人脸数据时，输出人脸识别结果；
数据刷新单元，根据LRU算法，更新内存中的人脸数据。
在一些实施例中，还包括：
数据库单元，用于存储人脸数据的数据库；
数据库比对单元，用于当未能从内存中的人脸数据中找到匹配的人脸数据时，将待识别的人脸特征，与数据库中的人脸数据进行比对。
在一些实施例中，还包括摄像头，用于采集人脸图像。
本申请另一实施例提供了一种电子设备，包括处理器、存储器、内存以及摄像头；所述内存，用于存储人脸数据；所述摄像头，用于采集人脸图像；
所述存储器上存储有人脸数据库以及计算机程序，所述计算机程序在由处理器执行时实现前述任一项实施例所述的提升人脸识别速度的方法。
本申请另一实施例还提供了一种机器可读存储介质，其上存储有计算机程序，所述计算机程序在由处理器执行时实现前述任一项实施例所述的提升人脸识别速度的方法。
本申请实施例提供的提升人脸识别速度的方案，通过将部分人脸数据预先加载在内存中，在进行人脸识别时，可以直接在内存中进行人脸比对，相对于现有在数据库中进行人脸比对的方案，比对的处理速度更快；同时，加载到内存的中人脸数据，会优先选择近期被调用的人脸数据，并在每次人脸识别之后进行动态更新，以提升在内存中匹配到对应人脸数据的概率，减少无效的比对次数。本申请提供的方法，可以有效的提升人脸识别速度。同时，本方案基于对内存中的人脸识别数据进行动态刷新，与应用场景的耦合性较低，可以便捷的迁移至任意应用场景，可以按照需要进行方案扩展。
附图说明
图1为本申请一实施例的提升人脸识别速度的方法的流程示意图；
图2为本申请另一实施例的提升人脸识别速度的方法的流程示意图；
图3为本申请一实施例的提升人脸识别速度的装置的框架结构示意图。
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方式对本发明进行详细描述。需要说明的是，在不冲突的情况下，本申请的实施方式及实施方式中的特征可以相互组合。
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方式的目的，不是旨在于限制本发明。
如图1所示，本申请一实施例公开了一种提升人脸识别速度的方法，包括：
S100，将符合加载条件的人脸数据，加载到内存，并按照预设标准进行排序；
一般的，采用数据库来存储人脸数据。在本申请的实施例中，需要将符合加载条件的人脸数据加载到内存中。如此，在后续的人脸识别时，可以直接在内存中进行对比，而无需像现有技术，到数据库中进行对比，可以极大的提升比对速度，提升人脸识别速度。
要加载到内存中的人脸数据，需要符合加载条件。示例的，在数据库中的人脸数据，可以按照人脸数据被调用的时间先后进行排序，被调用的时间在后的，位置越靠前。人脸数据被调用的时间，就是人脸识别时，该人脸数据被待识别的人脸图像匹配到的时间，可以理解为用户的到访时间。
需要说明的是，这里所提及的“被调用的时间在后的”，是从时间的流逝角度来判断的。比如说，假定A人脸数据被调用的时间为2019年5月1日10时20分30秒，B人脸数据被调用的时间为2019年8月21日20时30分40秒。那么，相对于A人脸数据，B人脸数据就属于被调用的时间在后的。
加载条件，可以是按被调用的时间排序的人脸数据序列中，前面N个人脸数据，N为正整数。N的取值，可以根据可用内存、每条人脸数据的大小进行确定。
示例的，可以按照下面的公式，确定加载条件中的人脸数据的个数N。
N＝f*Mtotal/Sizesingle
其中，f表示内存负载因子，取值范围为0-1，建议小于0.6；Mtotal表示可用内存的大小；Sizesingle表示每条人脸数据的大小。
在确定N的取值时，利用内存负载因子f，来控制人脸数据对内存的占用，可以缓解内存的使用压力，平衡人脸数据加载以及人脸识别的处理对内存的占用。
示例的，在步骤S100中，通过将按被调用的时间排序的人脸数据序列中，前面N个人脸数据，加载到内存。加载到内存中的人脸数据，按照预设标准进行排序。预设标准，可以为人脸数据被调用的时间先后，被调用的时间在后的，位置越靠前。
可以理解的是，预设标准，也可以是被调用的时间在先的，位置越靠前。
可以理解的是，人脸数据，不仅可以包括被调用的时间，还可以包括注册时间——即人脸数据收录进数据库的时间。在一些情况下，一个人脸数据在注册之后，可能没有被调用过——即用户，也就会没有被调用的时间。在构建人脸数据序列时，可以优先按照被调用的时间进行排序，被调用的时间在后的，位置越靠前；如果没有被调用的时间的，再按照注册时间进行排序，注册时间在后的，位置相对越靠前。有被调用的时间的人脸数据的位置，相对没有被调用的时间的人脸数据，其位置相对靠前。相应的，预设标准，也采用加载条件中相同的排序标准。
可以理解的是，加载条件，也可以是根据人脸数据被调用的次数，从大到小的排序中，前面N个人脸数据。预设标准，也是人脸数据被调用的次数，被调用的次数多的，位置越靠前。
S300，获取待识别的人脸图像，提取待识别的人脸特征；
S500，将待识别的人脸特征，与内存中的人脸数据进行对比；
S600，当从内存中的人脸数据中找到匹配的人脸数据时，输出人脸识别结果；
S800，根据LRU算法，更新内存中的人脸数据。
待识别的人脸图像，可以通过摄像头进行采集用户的现场图像而获取到，也可以由外部直接输入。获取到待识别的人脸图像之后，即可提取人脸特征。人脸特征的提取，可以采用现有人脸识别技术中的常规手段，在此不做限制。
得到待识别的人脸特征之后，即可与内存中的人脸数据进行对比，以期找到匹配的人脸数据。匹配的人脸数据，可以是与待识别的人脸特征之间的相似度，超过预设匹配阈值的人脸数据。在内存中的人脸数据中找到匹配的人脸数据之后，即可输出识别结果。
然后，根据LRU算法，对内存中的人脸数据进行更新。LRU算法，LRU算法，即LeastRecently Used算法、最近最久未使用算法。LRU算法的核心思想是，如果一个数据在最近一段时间内都没有被使用，那么它在将来被使用到的可能性也很小。当需要更新存储空间中的数据时，优先淘汰掉最久没有被使用的数据。
示例的，当从内存中的人脸数据中找到匹配的人脸数据，并输出人脸识别结果时，可以更新匹配的人脸数据的被调用的时间。根据LRU算法，更新内存中的人脸数据，将匹配的人脸数据调整至内存中人脸数据序列中的头部，使得下次的待识别的人脸特征数据在内存中进行比对时，可以首先与本次匹配的人脸数据进行比对。
在一些实施例中，内存中的人脸数据，采用单链表的形式进行存储，链表的尾部是对比时最先访问的数据，头部是比对时的最后访问的数据。在根据LRU算法更新内存中的人脸数据时，将匹配的人脸数据，移动至链表的尾部；如果链表满了，则删除链表的头部。
在一些实施例中，内存中的人脸数据，采用哈希表+双向链表的形式进行存储——哈希表中存储链表的节点，节点中存储人脸数据；双向链表存储节点的顺序。在根据LRU算法更新内存中的人脸数据时，将存储有匹配的人脸数据的节点，调整至双向链表的表头即可。如果匹配的人脸数据没有存储在内存中，则将匹配的人脸数据加载到内存中，建立新的节点，并将该节点调整至双向链表的表头。如果双向链表满了，删除链表的尾部。
可以理解的是，内存中的人脸数据，还可以采用其他形式进行存储，比如LinkedHashMap等，只要在根据LRU算法更新内存的中的人脸数据时，可以保证下次的待识别的人脸特征数据在内存中进行比对时，可以首先与本次匹配的人脸数据进行比对。
本申请实施例提供的提升人脸识别速度的方法，通过将部分人脸数据预先加载在内存中，在进行人脸识别时，可以直接在内存中进行人脸比对，相对于现有在数据库中进行人脸比对的方案，比对的处理速度更快；同时，加载到内存的中人脸数据，会优先选择近期被调用的人脸数据，并在每次人脸识别之后进行动态更新，以提升在内存中匹配到对应人脸数据的概率，减少无效的比对次数。本申请提供的方法，可以有效的提升人脸识别速度。同时，本方案基于对内存中的人脸识别数据进行动态刷新，与应用场景的耦合性较低，可以便捷的迁移至任意应用场景，可以按照需要进行方案扩展。
在一些实施例中，如图2所示，在步骤S500之后，还包括：
S700，当未能从内存中的人脸数据中找到匹配的人脸数据时，将待识别的人脸特征，与数据库中的人脸数据进行比对。
进一步的，数据库中的人脸数据，按照预设标准进行排序。
当在内存中的人脸数据中，未能找到匹配的人脸数据时，可以继续在数据库中的人脸数据进行比对。数据库中的人脸数据，可以使用预设标准进行排序。如此，数据库中的人脸数据与内存中的人脸数据，采用相同的排序标准，有利于在数据库中快速的分离已经加载到内存中的人脸数据。
当匹配的人脸数据不是在内存中，而是在数据库中时，步骤S800中，更新内存中的人脸数据时，需要将匹配的人脸数据加载到内存中，并将匹配的人脸数据调整至内存中人脸数据序列中的头部，使得下次的待识别的人脸特征数据在内存中进行比对时，可以首先与本次匹配的人脸数据进行比对。
在一些实施例中，如图2所示，在步骤S800之后，还包括：
S900，统计预设时间段内人脸识别的次数，根据统计的人脸识别的次数、人脸数据的总量、可用内存、单个人脸数据的大小，确定加载条件中的人脸数据的个数N。
预设时间段，可以根据实际需要进行设置，比如一天、半天或者其他时间长度。示例的，预设时间段可以设置为一天。在每一天结束时，可以统计该日内的人脸识别的次数PL，也就是客流量。可以理解的是，这里所说的“一天”，可以是指24小时，也可以是应用场景在一天内的营业时间，比如8小时或者12小时。
考虑到在预设时间段内，会有用户进行多次人脸识别，但是该多次人脸识别实际仅对应一个客流。因此，统计预设时间段内人脸识别的次数时，可以筛除同一个人脸数据在预设时间段内的重复次数。
统计预设时间段内人脸识别的次数之后，可以按照下面的公式，计算加载条件中的人脸数据的个数N。
其中，f表示内存负载因子，取值范围为0-1，建议小于0.6；a表示可变的配比参数，用于根据统计的人脸识别的次数PL与人脸数据的总量统计的人脸识别的次数的比值进行动态调节；PL表示统计的人脸识别的次数；nDB表示人脸数据的总量；Mtotal表示可用内存的大小；Sizesingle表示每条人脸数据的大小。
示例的，f可以取值0.5，a可以取值0.8。
本申请实施例提供的提升人脸识别速度的方法，通过将部分人脸数据预先加载在内存中，在进行人脸识别时，可以直接在内存中进行人脸比对，相对于现有在数据库中进行人脸比对的方案，比对的处理速度更快；同时，加载到内存的中人脸数据，会优先选择近期被调用的人脸数据，并在每次人脸识别之后进行动态更新，以提升在内存中匹配到对应人脸数据的概率，减少无效的比对次数。本申请提供的方法，可以有效的提升人脸识别速度。同时，本方案基于对内存中的人脸识别数据进行动态刷新，与应用场景的耦合性较低，可以便捷的迁移至任意应用场景，可以按照需要进行方案扩展。
需要说明的是，对于方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请实施例并不受所描述的动作顺序的限制，因为依据本申请实施例，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作并不一定是本申请实施例所必须的。
如图3所示，本申请一实施例公开了一种提升人脸识别速度的装置，包括：
内存加载单元100，用于将符合加载条件的人脸数据，加载到内存，并按照预设标准进行排序；
内存，用于加载的存储人脸数据；
特征获取单元300，用于获取待识别的人脸图像，提取待识别的人脸特征；
内存比对单元500，用于将待识别的人脸特征，与内存中的人脸数据进行对比；
结果输出单元600，用于当从内存中的人脸数据中找到匹配的人脸数据时，输出人脸识别结果；
数据刷新单元800，根据LRU算法，更新内存中的人脸数据。
在一些实施例中，提升人脸识别速度的装置还包括：数据库单元，用于存储人脸数据的数据库；
数据库比对单元700，用于当未能从内存中的人脸数据中找到匹配的人脸数据时，将待识别的人脸特征，与数据库中的人脸数据进行比对。
进一步的，数据库中的人脸数据，按照预设标准进行排序。
在一些实施例中，提升人脸识别速度的装置还包括：
加载量确定单元900，用于统计预设时间段内人脸识别的次数，根据统计的人脸识别的次数、人脸数据的总量、可用内存、单个人脸数据的大小，确定加载条件中的人脸数据的个数。
在一些实施例中，提升人脸识别速度的装置还包括：摄像头，用于采集人脸图像。
内存加载单元100、特征获取单元300、内存比对单元500、结果输出单元600、数据刷新单元800、数据库比对单元700及加载量确定单元900的具体工作方式，可以参见前面方法实施例中的描述，在此不再赘述。
本申请实施例提供的提升人脸识别速度的装置，通过将部分人脸数据预先加载在内存中，在进行人脸识别时，可以直接在内存中进行人脸比对，相对于现有在数据库中进行人脸比对的方案，比对的处理速度更快；同时，加载到内存的中人脸数据，会优先选择近期被调用的人脸数据，并在每次人脸识别之后进行动态更新，以提升在内存中匹配到对应人脸数据的概率，减少无效的比对次数。本申请提供的方法，可以有效的提升人脸识别速度。同时，本方案基于对内存中的人脸识别数据进行动态刷新，与应用场景的耦合性较低，可以便捷的迁移至任意应用场景，可以按照需要进行方案扩展。
本申请一实施例还提供一种电子设备，包括处理器、存储器、内存以及摄像头；所述内存，用于存储人脸数据；所述摄像头，用于采集人脸图像；
所述存储器上存储有人脸数据库以及计算机程序，所述计算机程序在由处理器执行时实现上述任一实施例所述的提升人脸识别速度的方法。
本申请一实施例提供一种机器可读存储介质，其上存储有计算机程序，所述计算机程序在由处理器执行时实现上述任一实施例所述的提升人脸识别速度的方法。
所述系统/计算机装置集成的部件/模块/单元如果以软件功能单元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方式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可读存储介质中，所述计算机程序在被处理器执行时，可实现上述各个方法实施方式的步骤。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。所述计算机可读存储介质可以包括：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-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
在本发明所提供的几个具体实施方式中，应该理解到，所揭露的系统和方法，可以通过其它的方式实现。例如，以上所描述的系统实施方式仅仅是示意性的，例如，所述部件的划分，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。
另外，在本发明各个实施例中的各功能模块/部件可以集成在相同处理模块/部件中，也可以是各个模块/部件单独物理存在，也可以两个或两个以上模块/部件集成在相同模块/部件中。上述集成的模块/部件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/部件的形式实现。
对于本领域技术人员而言，显然本发明实施例不限于上述示范性实施例的细节，而且在不背离本发明实施例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实施例。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，本发明实施例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实施例内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统、装置或终端权利要求中陈述的多个单元、模块或装置也可以由同一个单元、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。
以上所述实施例仅表达了本发明的几种实施方式，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，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
Claims (8)
1.一种提升人脸识别速度的方法，其特征在于，包括：
将符合加载条件的人脸数据，加载到内存，并按照预设标准进行排序，计算加载条件中的人脸数据的个数N：
其中，f表示内存负载因子，取值范围为0-1；a表示可变的配比参数；PL表示统计的人脸识别的次数；nDB表示人脸数据的总量；Mtotal表示可用内存的大小；Sizesingle表示每条人脸数据的大小；
所述加载条件为，按被调用的时间排序的人脸数据序列中，前面N个人脸数据，N为正整数；所述预设标准为人脸数据被调用的时间先后顺序，被调用的时间在后的，位置越靠前；
获取待识别的人脸图像，提取待识别的人脸特征；
将待识别的人脸特征，与内存中的人脸数据进行对比；
当从内存中的人脸数据中找到匹配的人脸数据时，输出人脸识别结果；
根据LRU算法，更新内存中的人脸数据。
2.根据权利要求1所述的提升人脸识别速度的方法，其特征在于，在所述将待识别的人脸特征，与内存中的人脸数据进行对比的步骤之后，还包括：
当未能从内存中的人脸数据中找到匹配的人脸数据时，将待识别的人脸特征，与数据库中的人脸数据进行比对。
3.根据权利要求2所述的提升人脸识别速度的方法，其特征在于，数据库中的人脸数据，按照预设标准进行排序。
4.一种提升人脸识别速度的装置，其特征在于，包括：
内存加载单元，用于将符合加载条件的人脸数据，加载到内存，并按照预设标准进行排序，所述加载条件为，按被调用的时间排序的人脸数据序列中，前面N个人脸数据，N为正整数；所述预设标准为人脸数据被调用的时间先后顺序，被调用的时间在后的，位置越靠前；计算加载条件中的人脸数据的个数N：
其中，f表示内存负载因子，取值范围为0-1；a表示可变的配比参数；PL表示统计的人脸识别的次数；nDB表示人脸数据的总量；Mtotal表示可用内存的大小；Sizesingle表示每条人脸数据的大小；
内存，用于存储加载的人脸数据；
特征获取单元，用于获取待识别的人脸图像，提取待识别的人脸特征；
内存比对单元，用于将待识别的人脸特征，与内存中的人脸数据进行对比；
结果输出单元，用于当从内存中的人脸数据中找到匹配的人脸数据时，输出人脸识别结果；
数据刷新单元，根据LRU算法，更新内存中的人脸数据。
5.根据权利要求4所述的提升人脸识别速度的装置，其特征在于，还包括：
数据库单元，用于存储人脸数据的数据库；
数据库比对单元，用于当未能从内存中的人脸数据中找到匹配的人脸数据时，将待识别的人脸特征，与数据库中的人脸数据进行比对。
6.根据权利要求4所述的提升人脸识别速度的装置，其特征在于，还包括摄像头，用于采集人脸图像。
7.一种电子设备，其特征在于，包括处理器、存储器、内存以及摄像头；所述内存，用于存储人脸数据；所述摄像头，用于采集人脸图像；
所述存储器上存储有人脸数据库以及计算机程序，所述计算机程序在由处理器执行时实现权利要求1-3任一项所述的提升人脸识别速度的方法。
8.一种机器可读存储介质，其特征在于，其上存储有计算机程序，所述计算机程序在由处理器执行时实现权利要求1-3任一项所述的提升人脸识别速度的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010767672.0A CN111898559B (zh) | 2020-08-03 | 2020-08-03 | 一种提升人脸识别速度的方法、装置及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010767672.0A CN111898559B (zh) | 2020-08-03 | 2020-08-03 | 一种提升人脸识别速度的方法、装置及电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111898559A CN111898559A (zh) | 2020-11-06 |
| CN111898559B true CN111898559B (zh) | 2024-04-26 |
Family
ID=73183524
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010767672.0A Active CN111898559B (zh) | 2020-08-03 | 2020-08-03 | 一种提升人脸识别速度的方法、装置及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111898559B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113344132A (zh) * | 2021-06-30 | 2021-09-03 | 成都商汤科技有限公司 | 身份识别方法、系统、装置、计算机设备及存储介质 |
| CN114648649A (zh) * | 2022-03-18 | 2022-06-21 | 成都商汤科技有限公司 | 人脸匹配方法及装置、电子设备和存储介质 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107025421A (zh) * | 2016-02-01 | 2017-08-08 | 北京小米移动软件有限公司 | 指纹识别方法和装置 |
| CN107292228A (zh) * | 2017-05-05 | 2017-10-24 | 珠海数字动力科技股份有限公司 | 一种加快人脸识别搜索速度的方法 |
| CN107767324A (zh) * | 2017-10-24 | 2018-03-06 | 中国科学院电子学研究所苏州研究院 | 一种大型遥感图像快速缓存方法 |
| CN109684940A (zh) * | 2018-12-06 | 2019-04-26 | 武汉腾云慧城科技有限公司 | 一种基于三层分布式动态调度的人脸识别方法及系统 |
| CN110334570A (zh) * | 2019-03-30 | 2019-10-15 | 深圳市晓舟科技有限公司 | 人脸识别自动建库方法、装置、设备及存储介质 |
| CN110738773A (zh) * | 2019-10-30 | 2020-01-31 | 广州市果豆科技有限责任公司 | 一种具备本地扩容功能的人脸识别门禁管理方法及系统 |
| CN111368622A (zh) * | 2019-10-18 | 2020-07-03 | 杭州海康威视系统技术有限公司 | 人员识别方法及装置、存储介质 |
-
2020
- 2020-08-03 CN CN202010767672.0A patent/CN111898559B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107025421A (zh) * | 2016-02-01 | 2017-08-08 | 北京小米移动软件有限公司 | 指纹识别方法和装置 |
| CN107292228A (zh) * | 2017-05-05 | 2017-10-24 | 珠海数字动力科技股份有限公司 | 一种加快人脸识别搜索速度的方法 |
| CN107767324A (zh) * | 2017-10-24 | 2018-03-06 | 中国科学院电子学研究所苏州研究院 | 一种大型遥感图像快速缓存方法 |
| CN109684940A (zh) * | 2018-12-06 | 2019-04-26 | 武汉腾云慧城科技有限公司 | 一种基于三层分布式动态调度的人脸识别方法及系统 |
| CN110334570A (zh) * | 2019-03-30 | 2019-10-15 | 深圳市晓舟科技有限公司 | 人脸识别自动建库方法、装置、设备及存储介质 |
| CN111368622A (zh) * | 2019-10-18 | 2020-07-03 | 杭州海康威视系统技术有限公司 | 人员识别方法及装置、存储介质 |
| CN110738773A (zh) * | 2019-10-30 | 2020-01-31 | 广州市果豆科技有限责任公司 | 一种具备本地扩容功能的人脸识别门禁管理方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111898559A (zh) | 2020-11-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111898559B (zh) | 一种提升人脸识别速度的方法、装置及电子设备 | |
| CN112052251B (zh) | 目标数据更新方法和相关装置、设备及存储介质 | |
| CN111125390B (zh) | 数据库更新方法和装置、电子设备、计算机存储介质 | |
| CN112818867B (zh) | 人像聚类方法、设备及存储介质 | |
| CN110851675B (zh) | 一种数据提取方法、装置及介质 | |
| CN111368867B (zh) | 档案归类方法及系统、计算机可读存储介质 | |
| CN112132279A (zh) | 卷积神经网络模型压缩方法、装置、设备及存储介质 | |
| CN111783743A (zh) | 一种图像聚类方法及装置 | |
| CN108667678A (zh) | 一种基于大数据的运维日志安全检测方法及装置 | |
| CN113901981A (zh) | 设备聚类方法、装置、计算机设备及存储介质 | |
| CN110781336A (zh) | 基于全局建档的人像数据与手机特征数据融合方法及系统 | |
| CN114078277A (zh) | 一人一档的人脸聚类方法、装置、计算机设备及存储介质 | |
| CN114897151A (zh) | 访存优化方法、装置、电子设备及存储介质 | |
| CN113920353A (zh) | 一种无监督的人脸图像二次聚类方法、装置、介质 | |
| CN110769259A (zh) | 一种视频目标跟踪轨迹内容的图像数据压缩方法 | |
| CN117312613B (zh) | 基于云计算的订单数据智能管理方法及系统 | |
| CN111507424B (zh) | 一种数据处理方法及装置 | |
| CN113128278B (zh) | 一种图像识别方法及装置 | |
| CN113988148A (zh) | 一种数据聚类的方法、系统、计算机设备和存储介质 | |
| CN116956874A (zh) | 基于新闻数据的事件脉络生成方法、终端设备和存储介质 | |
| CN112214639B (zh) | 视频筛选方法、视频筛选装置及终端设备 | |
| CN115578765A (zh) | 目标识别方法、装置、系统及计算机可读存储介质 | |
| CN113343004B (zh) | 对象的识别方法和装置、存储介质及电子装置 | |
| CN116383259A (zh) | 数据查询处理方法、装置、设备、存储介质及处理器 | |
| CN113887366A (zh) | 一种身份归档方法、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 |