CN111985298B - 人脸识别样本收集方法和装置 - Google Patents
人脸识别样本收集方法和装置 Download PDFInfo
- Publication number
- CN111985298B CN111985298B CN202010594672.5A CN202010594672A CN111985298B CN 111985298 B CN111985298 B CN 111985298B CN 202010594672 A CN202010594672 A CN 202010594672A CN 111985298 B CN111985298 B CN 111985298B
- Authority
- CN
- China
- Prior art keywords
- target
- face
- sample
- face image
- identity information
- 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 47
- 230000004044 response Effects 0.000 claims abstract description 7
- 239000000523 sample Substances 0.000 claims description 170
- 239000013074 reference sample Substances 0.000 claims description 23
- 230000015654 memory Effects 0.000 claims description 19
- 238000012216 screening Methods 0.000 claims description 6
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 2
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 238000013135 deep learning Methods 0.000 abstract description 3
- 238000004590 computer program Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 230000001815 facial effect Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 101100261006 Salmonella typhi topB gene Proteins 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000004080 punching Methods 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 101150032437 top-3 gene Proteins 0.000 description 1
- 230000000007 visual 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
- G06V40/161—Detection; Localisation; Normalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
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)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Collating Specific Patterns (AREA)
Abstract
本申请公开了人脸识别样本收集方法和装置，涉及深度学习技术领域、计算机视觉技术领域和人工智能技术领域，其中，方法包括：获取人脸识别失败的目标人脸图像，并获取目标人脸图像对应的实体标识信息；根据实体标识信息获取目标人脸图像对应的目标身份信息；查询预先注册的人脸识别样本库，判断是否包含与目标身份信息对应的目标样本人脸集合，其中，目标样本人脸集合中包含至少一个目标样本人脸图像；响应于确定，将目标人脸图像存储到目标样本人脸集合中。由此，在识别失败的人脸图像中，筛选出可以召回的人脸图像召回，降低了人脸图像的召回成本，便于后续提高人脸识别的准确率。
Description
技术领域
本申请涉及深度学习技术领域、计算机视觉技术领域和人工智能技术领域，尤其涉及一种人脸识别样本收集方法和装置。
背景技术
人脸识别技术被广泛应用在工作、生活等各种日常工作场景中，比如机场安检、地铁安检、公司打卡闸机等。通常，人脸识别时，是根据当前采集到的人脸图像与预先注册的人脸图像进行比对，当比对结果一致时，则认为人脸识别成功，否则，认为人脸识别失败。
然而，在实际应用中，当前采集人脸图像的环境是复杂多变的，比如光线不一致，甚至人脸由于佩戴了口罩、墨镜等原因，都会导致当前采集的人脸图像与预先注册的人脸图像不一致，导致人脸识别失败，降低了人脸识别的准确率。
发明内容
本申请提供了一种人脸识别样本收集方法和装置。
根据本申请的第一方面，提供了一种人脸识别样本收集方法，包括：
获取人脸识别失败的目标人脸图像，并获取所述目标人脸图像对应的实体标识信息；
根据所述实体标识信息获取所述目标人脸图像对应的目标身份信息；
查询预先注册的人脸识别样本库，判断是否包含与所述目标身份信息对应的目标样本人脸集合，其中，所述目标样本人脸集合中包含至少一个目标样本人脸图像；
响应于确定包含所述目标样本人脸集合，将所述目标人脸图像存储到所述目标样本人脸集合中。
根据本申请的第二方面，提供了一种人脸识别样本收集装置，包括：
第一获取模块，用于获取人脸识别失败的目标人脸图像，并获取所述目标人脸图像对应的实体标识信息；
第二获取模块，用于根据所述实体标识信息获取所述目标人脸图像对应的目标身份信息；
判断模块，用于查询预先注册的人脸识别样本库，判断是否包含与所述目标身份信息对应的目标样本人脸集合，其中，所述目标样本人脸集合中包含至少一个目标样本人脸图像；
存储模块，用于响应于确定包含所述目标样本人脸集合，将所述目标人脸图像存储到所述目标样本人脸集合中。
根据本申请的第三方面，提供了一种电子设备，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执行如第一方面所述的人脸识别样本收集方法。
根据本申请的第四方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行如第一方面所述的人脸识别样本收集方法。
根据本申请的第五方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据第一方面所述的人脸识别样本收集方法
应当理解，本部分所描述的内容并非旨在标识本申请的实施例的关键或重要特征，也不用于限制本申请的范围。本申请的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案，不构成对本申请的限定。其中：
图1是根据本申请第一实施例的人脸识别样本收集方法的流程示意图；
图2-1是根据本申请第二实施例的人脸识别样本收集场景示意图；
图2-2是根据本申请第三实施例的人脸识别样本收集场景示意图；
图2-3是根据本申请第四实施例的人脸识别样本收集场景示意图；
图3是根据本申请第五实施例的人脸识别样本库存储内容示意图；
图4是根据本申请第六实施例的人脸识别样本收集方法的流程示意图；
图5是根据本申请第七实施例的人脸识别样本收集装置的结构示意图；
图6是用来实现本申请实施例的脸识别样本收集方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
为了解决上述背景技术中提到的，实时采集的人脸图像具有多样性，而预先注册的人脸图像有限，从而导致人脸识别精度不高的技术问题，本申请提出了一种可以在实时人脸图像中进一步挖掘人脸图像的样本，将实时采集的人脸图像补充到预先注册的人脸头像中，从而，不但降低了人脸图像的样本生成成本，而且提高了人脸识别的精度。
其中，本申请实施例的方法可以应用在公司门禁闸机、机场安检等多种场景中。
具体而言，图1是根据本申请第一实施例的人脸识别样本收集方法的流程图，如图1所示，该方法包括：
步骤101，获取人脸识别失败的目标人脸图像，并获取目标人脸图像对应的实体标识信息。
在本实施例中，当实时采集的人脸图像与预先注册的人脸图像不一致时，则将该实时采集的人脸图像作为目标人脸图像采集得到，其中，这里的目标人脸图像包括任何身份识别阶段识别失败的人脸图像。举例而言，在如图2-1所示的公司闸机识别人脸场景中，闸机识别人脸的流程为如图2-2所示，首先基于实时采集的人脸图像进行身份验证，当人脸图像识别失败，则会进一步基于工卡信息来进行身份验证，那么在该场景中，无论工卡信息身份验证的结果是成功还是失败，本实施例中的实时采集的人脸图像都将会作为目标人脸图像被收集。
在本申请的一个实施例中，预先根据大量样本数据训练人脸识别模型，该人脸识别模型的输入为用户的人脸图像，输出为该人脸图像对应的身份信息和与该身份信息对应的可能的概率，若是该概率小于一定值，比如小于0.7，则认为该人脸图像识别错误，确定为本实施例中的目标人脸图像。
不难理解的是，人脸识别目的是为了将人脸图像与用户的身份信息对应起来，从而，仅仅基于非人脸图像即可进行身份识别，因此，为了能够回收该人脸图像，需要获取该人脸图像的真实身份信息。
现有技术中，确定将识别失败的目标人脸图像和真实身份信息对应起来是十分困难的，以图2-1所示的场景为例，在闸机运行过程中，后台服务器会收到一次次的人脸识别及工卡认证请求，体现在系统日志里类似：
2020-05-09 10:32:53gate_1,face recognition successfulFace info: xxxxx或者是2020-05-09 10:32:55 gate_2 , face recognition failed. Face info: xxxxx等，其中gate_n代表第n个闸机，每个闸机都配备有自己的人脸识别和门卡识别，当用户A在闸机_1 刷脸失败，接下来在闸机_2 刷工卡识别face info 与 card info并不固定在一台闸机，或者，用户A在闸机gate_1 刷脸失败，接下来用户B、C、D分别在闸机gate_1 刷脸或刷工卡， 此后用户A在闸机gate_1 继续刷工卡识别face info与card info并不固定拥有紧邻的时间顺序，或者是用户A在闸机gate_1刷脸失败，在用户B的帮助下（用户B刷脸或刷工卡）完成同行，face info并不一定能找到对应的card info，因此，现实场景的复杂多样性，导致了利用日志信息自动挖掘人脸识别失败的face info与对应的card info的关联，变成了不可行。
为了解决上述技术问题，本申请中基于另一个维度的信息来间接获取目标人脸图像对应的身份信息。
在本实施例中，获取目标人脸图像对应的实体标识信息，以便于进一步根据目标人脸图像对应的实体标识信息，来获取目标人脸图像对应的身份信息，其中，该实体标识可以是在于人脸图像不同维度的能唯一定位到目标人脸图像对应的用户的标识信息。
在一些可能的示例中，继续以图2-1所示的场景为例，当如图2-3所示，设置能覆盖所有闸机以及邻近一定范围的区域的多个摄像头，在本示例中，实体标识信息可以理解为摄像头在跟踪目标人脸图像对应的用户时，对应的实体编码等，也可以理解对位置信息和时间戳信息等。总而言之，该实体标识信息可以脱离用户的人脸图像唯一定为用户。
在另一些可能的示例中，该实体标识信息也可以是在人俩识别失败时，提示用户输入的指纹信息等生理特征信息。
步骤102，根据实体标识信息获取目标人脸图像对应的目标身份信息。
不难理解的是，若是目标人脸图像对应的用户是预先注册的用户，则必然可以根据其历史人脸识别结果，找到其对应的目标身份信息，这里的目标身份信息与场景有关，可以为学号信息、可以为工号信息等。
在一些可能的示例中，可以根据实体标识信息查询历史日志，获取与实体标识信息对应的识别成功日志记录，进而，获取识别成功日志记录中记录的与实体标识信息对应的目标身份信息。
继续以上述图2-3示出的场景为例，根据摄像机跟踪实体标识信息对应的用户的移动轨迹，根据用户的移动轨迹和时间点，调用与移动轨迹对应的闸机在对应时间点的历史日志记录，若是该历史日志记录是人脸识别成功，则提取该历史日志记录中身份信息作为目标人脸图像对应的目标身份信息。
在另一些可能的示例中，调用当前场景下与实体标识信息对应的所有识别记录，对识别记录中识别结果为成功的识别记录，提取对应的身份信息作为目标身份信息。
当然，在很多场景下可能用户会使用其他人的身份信息标识进行身份验证，因此，为了保证目标人脸图像的召回质量，根据实体标识信息获取目标人脸图像对应的目标身份信息为多个时，可以确定每个目标身份信息对应的识别成功日志记录在所有识别成功日志记录的比例，当比例大于一定值时，将对应的目标身份信息作为目标人脸图像对应的目标身份信息。
步骤103，查询预先注册的人脸识别样本库，判断是否包含与目标身份信息对应的目标样本人脸集合，其中，目标样本人脸集合中包含至少一个目标样本人脸图像。
其中，在一些可能的示例中，在一些可能的示例中，预先注册的人脸识别样本库中也可以包含多个独立的样本人脸图像，当然，在一些可能的实施例中，如图3所示，预先注册的人脸识别样本库中包含多个样本人脸集合，每个样本人脸集合对应于同一个身份信息，为了确定目标注册人脸是否是目标身份信息对应的人脸图像，查询预先注册的人脸识别样本库，判断是否包含与目标身份信息对应的目标样本人脸集合，其中，目标样本人脸集合中包含至少一个目标样本人脸图像，其中，如包含目标样本人脸集合，则表明目标人脸图像对应的用户是已注册过的用户，但是由于人脸识别样本库中包含的样本人脸图像不足，导致人脸识别失败。
步骤104，响应于包含目标样本人脸集合，将目标人脸图像存储到目标样本人脸集合中。
正如以上分析的，当前目标人脸图像识别失败的原因是目标样本人脸集合中，样本人脸图像不足的原因，因此，若包含目标样本人脸集合，则将目标人脸图像存储到目标样本人脸集合中。从而，便于提高人脸识别精确度。
综上，本申请实施例的人脸识别样本收集方法，对于人脸识别失败的目标人脸图像，基于另一个维度的信息-实体标识信息，获取目标人脸图像对应的目标身份信息，若是该目标身份信息在预先注册的人脸识别样本库中具有目标样本人脸集合，则表示目标人脸图像与目标身份信息属于同一个用户，因此，将目标人脸图像存储到目标样本人脸集合中，从而，丰富了目标样本人脸集合，降低了人脸图像的召回成本，便于后续提高人脸识别的准确率。
基于上述实施例，为了进一步避免挪用他人工卡刷卡通行等，导致目标身份信息与目标人脸图像不对应，本申请还结合其他参数来确定目标注册人脸图像。
示例一：
在本示例中，结合目标人脸图像与人脸识别样本库中的样本人脸图像的相似度来确定目标注册人脸图像。
如图4所示，在本示例中，上述步骤103包括：
步骤201，将目标人脸图像与人脸识别样本库中的样本人脸图像匹配，并根据匹配度筛选出N个参考样本人脸图像。
在一个实施例中，将目标人脸图像与人脸识别样本库中的样本人脸图像匹配，这里的匹配涉及到计算机视觉技术领域，可以提取目标人脸图像的图像特征，和样本人脸图像的图像特征，根据二者的图像特征来计算相似度，当然，为了避免目标人脸图像中包含口罩等导致匹配度识别率较低的问题，在本实施例中，还可以首先确定目标人脸图像的遮挡部位，并对非遮挡部位与样本人脸图像匹配，计算非遮挡部位与样本人脸图像匹配度。
进而，根据匹配度筛选出N个参考样本人脸图像，其中，N可以为任意大于1的自然数，比如可以为3等，N的设置可以与当前人脸识别样本库的设置时间确定，当人脸识别样本库的设置时间越早，则对应的N 越大等，其中，可以对匹配度排序，计算目标人脸图像与人脸识别样本库中每个样本人脸图像的匹配度，
按照匹配度由高到低的顺序，对每个样本人脸图像排序，根据排序结果确定位于前N位的样本人脸图像为参考样本人脸图像。
步骤202，获取与N个参考样本人脸图像中每个参考样本人脸图像对应的候选参考身份信息。
应当理解的是，每个参考样本人脸图像均预先存储有与其对应的参考身份信息，这种场景下，人脸识别样本库中的样本人脸图像必然是独立存储的，而不是以集合形式存储的，获取与N个参考样本人脸图像中每个参考样本人脸图像对应的候选参考身份信息，以便于进一步根据候选参考身份信息确定最相似的样本人脸图像，是否与目标人脸图像对应的用户一致。
步骤203，判断N个候选参考身份信息中，是否包含与目标身份信息一致的目标参考身份信息，其中，若包含目标参考身份信息，则确定目标参考身份信息对应的参考样本注册人脸图像为目标注册人脸图像。
在本实施例中，判断N个候选参考身份信息中，是否包含与目标身份信息一致的目标参考身份信息，其中，若包含目标参考身份信息，则认为最相似的样本人脸图像，与目标人脸图像对应的用户一致，从而，确定目标参考身份信息对应的参考样本注册人脸图像为目标注册人脸图像。
在本申请的一个实施例中，为了进一步保证后续人脸识别的精确度，在将目标人脸图像存储到目标样本人脸集合中之前，还可确定目标人脸图像与目标样本人脸图像对应的匹配度，大于预设第一匹配阈值，即只有在目标人脸图像于目标样本人脸图像绝对相似时，才存储对应的目标人脸图像，避免目标人脸图像与目标样本人脸图像不属于同一个用户。
示例二：
在本示例中，结合目标人脸图像与人脸识别样本库中每个样本人脸图像的匹配度确定目标样本人脸集合。
在本实施例中，计算目标人脸图像与人脸识别样本库中每个样本人脸图像的匹配度，判断是否存在匹配度大于等于预设第二匹配阈值的目标样本人脸图像，若是存在匹配度大于等于预设第二匹配阈值的目标样本人脸图像，则证明当前目标人脸图像确实是与目标样本人脸图像属于同一个用户，因此，将匹配度大于等于预设第二匹配阈值的目标样本人脸图像加入目标样本人脸集合中。
进一步的，在丰富扩展了目标样本人脸集合后，还可以将该目标样本人脸集合应用于深度学习技术领域以及人工智能技术领域，训练预设人脸识别模型，即将目标样本人脸集合和对应的目标身份信息作为样本，训练得到精度更高的预设人脸识别模型。
为了使得本领域的技术人员更加清楚的理解本申请中的人脸识别样本收集方法，下面结合具体的应用场景说明，其中，该场景与图2-3的场景对应，该场景中，实体标识信息为person_XX，N为3，身份信息为姓名信息NAME_XX，本场景中的身份信息还包括工卡信息Card info，工卡信息Card info可以对应到人名（NAME_XX），人脸图像信息为Face info，gate_1、gate_2为闸机，并对应该闸机的工卡刷卡机和人脸识别机。
在本示例中，若是实时采集的人脸图像识别失败，则提取目标人脸图像（FaceInfo_xx），获取实体标识信息person_n，在人脸识别样本库中根据匹配度筛选出3个参考样本人脸图像，3个参考样本人脸图像的识别结果为：NAME_A|SIMILARITY_A、NAME_B|SIMILARITY_B、NAME_C|SIMILARITY_C，以时间序列，继续查找对应person_n的工卡识别记录，如果找到并且工卡识别成功，则提取工卡信息NAME_N作为目标身份信息，将上一步提到的工卡信息NAME_N，与此前人脸识别失败的识别出的top3结果比对，如果 NAME_N 落在（NAME_A、NAME_B、NAME_C）中，并且对应的相似度值SIMILARITY大于预设第一匹配阈值，将人脸图片信息 Face Info_xx作为我们最终挖掘出来的与NAME_N对应的样本人脸图像。
综上，本申请实施例的人脸识别样本收集方法，结合目标人脸图像与人脸识别样本库中样本人脸图像的匹配度，确定与目标身份信息对应的目标样本人脸集合，保证了目标人脸图像与目标身份信息的一致性，进一步保证了人脸识别的精度。
为了实现上述实施例，本申请还提出了一种人脸识别样本收集装置。
图5是根据本申请一个实施例的人脸识别样本收集装置的结构示意图，如图5所示，该人脸识别样本收集装置50包括：第一获取模块510、第二获取模块520、判断模块530和存储模块540，其中，
第一获取模块510，用于获取人脸识别失败的目标人脸图像，并获取目标人脸图像对应的实体标识信息；
第二获取模块520，用于根据实体标识信息获取目标人脸图像对应的目标身份信息；
判断模块530，用于查询预先注册的人脸识别样本库，判断是否包含与目标身份信息对应的目标样本人脸集合，其中，目标样本人脸集合中包含至少一个目标样本人脸图像；
存储模块540，用于响应于包含目标样本人脸集合，将目标人脸图像存储到目标样本人脸集合中。
在本申请实施例一种可能的实现方式中，第二获取模块520,具体用于：
根据实体标识信息查询历史日志，获取与实体标识信息对应的识别成功日志记录；
获取识别成功日志记录中记录的与实体标识信息对应的目标身份信息。
需要说明的是，前述对人脸识别样本收集方法的实施例的解释说明，也适用于该实施例的人脸识别样本收集装置，其实现原理类似，此处不再赘述。
综上，本申请实施例的人脸识别样本收集装置，对于人脸识别失败的目标人脸图像，基于另一个维度的信息-实体标识信息，获取目标人脸图像对应的目标身份信息，若是该目标身份信息在预先注册的人脸识别样本库中具有目标样本人脸集合，则表示目标人脸图像与目标身份信息属于同一个用户，因此，将目标人脸图像存储到目标样本人脸集合中，从而，丰富了目标样本人脸集合，降低了人脸图像的召回成本，便于后续提高人脸识别的准确率。
在本申请的一个实施例中，判断模块530具体用于：
将目标人脸图像与人脸识别样本库中的样本人脸图像匹配，并根据匹配度筛选出N个参考样本人脸图像；
获取与N个参考样本人脸图像中每个参考样本人脸图像对应的候选参考身份信息；
判断N个候选参考身份信息中，是否包含与目标身份信息一致的目标参考身份信息，其中，若包含目标参考身份信息，则确定目标参考身份信息对应的参考样本注册人脸图像为目标注册人脸图像。
在本申请的一个实施例中，判断模块530具体用于：
计算目标人脸图像与人脸识别样本库中每个样本人脸图像的匹配度；
判断是否存在匹配度大于等于预设第二匹配阈值的目标样本人脸图像。
需要说明的是，前述对人脸识别样本收集方法的实施例的解释说明，也适用于该实施例的人脸识别样本收集装置，其实现原理类似，此处不再赘述。
综上 ，本申请实施例的人脸识别样本收集装置，结合目标人脸图像与人脸识别样本库中样本人脸图像的匹配度，确定与目标身份信息对应的目标样本人脸集合，保证了目标人脸图像与目标身份信息的一致性，进一步保证了人脸识别的精度。
根据本申请的实施例，本申请还提供了一种电子设备和一种可读存储介质。
如图6所示，是根据本申请实施例的人脸图像的样本收集的方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图6所示，该电子设备包括：一个或多个处理器601、存储器602，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置（诸如，耦合至接口的显示设备）上显示GUI的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个电子设备，各个设备提供部分必要的操作（例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统）。图6中以一个处理器601为例。
存储器602即为本申请所提供的非瞬时计算机可读存储介质。其中，所述存储器存储有可由至少一个处理器执行的指令，以使所述至少一个处理器执行本申请所提供的人脸图像的样本收集的方法。本申请的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本申请所提供的人脸图像的样本收集的方法。
存储器602作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本申请实施例中的人脸图像的样本收集的方法对应的程序指令/模块（例如，附图第一获取模块510、第二获取模块520、判断模块530和存储模块540）。处理器601通过运行存储在存储器602中的非瞬时软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例中的人脸图像的样本收集的方法。
存储器602可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据人脸图像的样本收集的电子设备的使用所创建的数据等。此外，存储器602可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器602可选包括相对于处理器601远程设置的存储器，这些远程存储器可以通过网络连接至人脸图像的样本收集的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
人脸图像的样本收集的方法的电子设备还可以包括：输入装置603和输出装置604。处理器601、存储器602、输入装置603和输出装置604可以通过总线或者其他方式连接，图6中以通过总线连接为例。
输入装置603可接收输入的数字或字符信息，以及产生与人脸图像的样本收集的电子设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置604可以包括显示设备、辅助照明装置（例如，LED）和触觉反馈装置（例如，振动电机）等。该显示设备可以包括但不限于，液晶显示器（LCD）、发光二极管（LED）显示器和等离子体显示器。在一些实施方式中，显示设备可以是触摸屏。
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC（专用集成电路）、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，即本申请还提出了一种计算机程序，该计算机程序在被处理器执行时，实现上述实施例所描述的人脸识别样本收集方法，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
这些计算程序（也称作程序、软件、软件应用、或者代码）包括可编程处理器的机器指令，并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置（例如，磁盘、光盘、存储器、可编程逻辑装置（PLD）），包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置（例如，CRT（阴极射线管）或者LCD（液晶显示器）监视器）；以及键盘和指向装置（例如，鼠标或者轨迹球），用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈（例如，视觉反馈、听觉反馈、或者触觉反馈）；并且可以用任何形式（包括声输入、语音输入或者、触觉输入）来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统（例如，作为数据服务器）、或者包括中间件部件的计算系统（例如，应用服务器）、或者包括前端部件的计算系统（例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互）、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信（例如，通信网络）来将系统的部件相互连接。通信网络的示例包括：局域网（LAN）、广域网（WAN）和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。
本申请的实施为合法使用。
Claims (11)
1.一种人脸识别样本收集方法，包括：
获取人脸识别失败的目标人脸图像，并获取所述目标人脸图像对应的实体标识信息；
根据所述实体标识信息获取所述目标人脸图像对应的目标身份信息；
查询预先注册的人脸识别样本库，判断是否包含与所述目标身份信息对应的目标样本人脸集合，其中，所述目标样本人脸集合中包含至少一个目标样本人脸图像；
响应于确定包含所述目标样本人脸集合，将所述目标人脸图像存储到所述目标样本人脸集合中;
其中，所述查询预先注册的人脸识别样本库，判断是否包含与所述目标身份信息对应的目标样本人脸集合，包括：
将所述目标人脸图像与所述人脸识别样本库中的样本人脸图像匹配，并根据匹配度筛选出N个参考样本人脸图像；
获取与所述N个参考样本人脸图像中每个参考样本人脸图像对应的候选参考身份信息；
判断N个所述候选参考身份信息中，是否包含与所述目标身份信息一致的目标参考身份信息，其中，若包含所述目标参考身份信息，则确定所述目标参考身份信息对应的参考样本注册人脸图像为所述目标注册人脸图像。
2.如权利要求1所述的方法，其中，所述根据所述实体标识信息获取所述目标人脸图像对应的目标身份信息，包括：
根据所述实体标识信息查询历史日志，获取与所述实体标识信息对应的识别成功日志记录；
获取所述识别成功日志记录中记录的与所述实体标识信息对应的所述目标身份信息。
3.如权利要求1所述的方法，其中，所述将所述目标人脸图像与所述人脸识别样本库中的样本人脸图像匹配，并根据匹配度筛选出N个参考样本人脸图像，包括：
计算所述目标人脸图像与所述人脸识别样本库中每个样本人脸图像的匹配度；
按照所述匹配度由高到低的顺序，对所述每个样本人脸图像排序；
根据所述排序结果确定位于前N位的样本人脸图像为所述参考样本人脸图像。
4.如权利要求3所述的方法，其中，在所述将所述目标人脸图像存储到所述目标样本人脸集合中之前，还包括：
确定所述目标人脸图像与所述目标样本人脸图像对应的匹配度，大于预设第一匹配阈值。
5.如权利要求1所述的方法，其中，所述查询预先注册的人脸识别样本库，判断是否包含与所述目标身份信息对应的目标样本人脸集合，包括：
计算所述目标人脸图像与所述人脸识别样本库中每个样本人脸图像的匹配度；
判断是否存在所述匹配度大于等于预设第二匹配阈值的所述目标样本人脸图像。
6.如权利要求1所述的方法，还包括：
根据所述目标样本人脸集合和所述目标身份信息，训练预设人脸识别模型。
7.一种人脸识别样本收集装置，包括：
第一获取模块，用于获取人脸识别失败的目标人脸图像，并获取所述目标人脸图像对应的实体标识信息；
第二获取模块，用于根据所述实体标识信息获取所述目标人脸图像对应的目标身份信息；
判断模块，用于查询预先注册的人脸识别样本库，判断是否包含与所述目标身份信息对应的目标样本人脸集合，其中，所述目标样本人脸集合中包含至少一个目标样本人脸图像；
存储模块，用于响应于确定包含所述目标样本人脸集合，将所述目标人脸图像存储到所述目标样本人脸集合中;
其中，所述判断模块，具体用于：
将所述目标人脸图像与所述人脸识别样本库中的样本人脸图像匹配，并根据匹配度筛选出N个参考样本人脸图像；
获取与所述N个参考样本人脸图像中每个参考样本人脸图像对应的候选参考身份信息；
判断N个所述候选参考身份信息中，是否包含与所述目标身份信息一致的目标参考身份信息，其中，若包含所述目标参考身份信息，则确定所述目标参考身份信息对应的参考样本注册人脸图像为所述目标注册人脸图像。
8.如权利要求7所述的装置，其中，所述第二获取模块,具体用于：
根据所述实体标识信息查询历史日志，获取与所述实体标识信息对应的识别成功日志记录；
获取所述识别成功日志记录中记录的与所述实体标识信息对应的所述目标身份信息。
9.如权利要求7所述的装置，其中，所述判断模块，具体用于：
计算所述目标人脸图像与所述人脸识别样本库中每个样本人脸图像的匹配度；
判断是否存在所述匹配度大于等于预设第二匹配阈值的所述目标样本人脸图像。
10.一种电子设备，其特征在于，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执行权利要求1-6中任一项所述的人脸识别样本收集方法。
11.一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使所述计算机执行权利要求1-6中任一项所述的人脸识别样本收集方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010594672.5A CN111985298B (zh) | 2020-06-28 | 2020-06-28 | 人脸识别样本收集方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010594672.5A CN111985298B (zh) | 2020-06-28 | 2020-06-28 | 人脸识别样本收集方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111985298A CN111985298A (zh) | 2020-11-24 |
| CN111985298B true CN111985298B (zh) | 2023-07-25 |
Family
ID=73442141
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010594672.5A Active CN111985298B (zh) | 2020-06-28 | 2020-06-28 | 人脸识别样本收集方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111985298B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112699803B (zh) * | 2020-12-31 | 2024-01-16 | 竹间智能科技（上海）有限公司 | 人脸识别方法、系统、设备及可读存储介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018192406A1 (zh) * | 2017-04-20 | 2018-10-25 | 腾讯科技（深圳）有限公司 | 身份验证方法及装置、存储介质 |
| CN110245622A (zh) * | 2019-06-18 | 2019-09-17 | 青岛中科福田科技有限公司 | 一种人脸识别方法、装置及设备 |
| CN110889392A (zh) * | 2019-12-06 | 2020-03-17 | 北京百度网讯科技有限公司 | 人脸图像处理的方法及装置 |
Family Cites Families (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105488859A (zh) * | 2015-11-24 | 2016-04-13 | 苏州铭冠软件科技有限公司 | 基于人脸识别和语音识别的考勤系统 |
| US9996590B2 (en) * | 2015-12-31 | 2018-06-12 | Ebay Inc. | System and method for identifying miscategorization |
| CN106203297B (zh) * | 2016-06-30 | 2019-11-08 | 北京七鑫易维信息技术有限公司 | 一种身份识别方法及装置 |
| US10943096B2 (en) * | 2017-12-31 | 2021-03-09 | Altumview Systems Inc. | High-quality training data preparation for high-performance face recognition systems |
| CN108304720B (zh) * | 2018-02-06 | 2020-12-11 | 恒安嘉新（北京）科技股份公司 | 一种基于机器学习的安卓恶意程序检测方法 |
| CN110363047B (zh) * | 2018-03-26 | 2021-10-26 | 普天信息技术有限公司 | 人脸识别的方法、装置、电子设备和存储介质 |
| CN108446674A (zh) * | 2018-04-28 | 2018-08-24 | 平安科技（深圳）有限公司 | 电子装置、基于人脸图像与声纹信息的身份识别方法及存储介质 |
| US10303866B1 (en) * | 2018-06-03 | 2019-05-28 | Apple Inc. | Automatic retries for facial recognition |
| CN109389161B (zh) * | 2018-09-28 | 2021-08-31 | 广州大学 | 基于深度学习的垃圾识别进化学习方法、装置、系统及介质 |
| CN109583325B (zh) * | 2018-11-12 | 2023-06-27 | 平安科技（深圳）有限公司 | 人脸样本图片标注方法、装置、计算机设备及存储介质 |
| CN110414376B (zh) * | 2019-07-08 | 2022-08-09 | 浙江大华技术股份有限公司 | 更新人脸识别模型的方法、人脸识别相机及服务器 |
| WO2021072673A1 (zh) * | 2019-10-16 | 2021-04-22 | 中新智擎科技有限公司 | 一种用户身份识别方法、装置及电子设备 |
-
2020
- 2020-06-28 CN CN202010594672.5A patent/CN111985298B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018192406A1 (zh) * | 2017-04-20 | 2018-10-25 | 腾讯科技（深圳）有限公司 | 身份验证方法及装置、存储介质 |
| CN110245622A (zh) * | 2019-06-18 | 2019-09-17 | 青岛中科福田科技有限公司 | 一种人脸识别方法、装置及设备 |
| CN110889392A (zh) * | 2019-12-06 | 2020-03-17 | 北京百度网讯科技有限公司 | 人脸图像处理的方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| 单样本的低分辨率单目标人脸识别算法;薛杉;朱虹;吴文欢;;仪器仪表学报(第03期);199-205 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111985298A (zh) | 2020-11-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109284729B (zh) | 基于视频获取人脸识别模型训练数据的方法、装置和介质 | |
| CN111967302B (zh) | 视频标签的生成方法、装置及电子设备 | |
| CN111582185B (zh) | 用于识别图像的方法和装置 | |
| CN112364827B (zh) | 人脸识别方法、装置、计算机设备和存储介质 | |
| CN111626119A (zh) | 目标识别模型训练方法、装置、设备以及存储介质 | |
| CN110458130B (zh) | 人物识别方法、装置、电子设备及存储介质 | |
| CN111783646B (zh) | 行人再识别模型的训练方法、装置、设备和存储介质 | |
| CN112668586B (zh) | 模型训练、图片处理方法及设备、存储介质、程序产品 | |
| CN112507090B (zh) | 用于输出信息的方法、装置、设备和存储介质 | |
| US11403875B2 (en) | Processing method of learning face recognition by artificial intelligence module | |
| CN111783619B (zh) | 人体属性的识别方法、装置、设备及存储介质 | |
| CN112561053B (zh) | 图像处理方法、预训练模型的训练方法、装置和电子设备 | |
| CN112560772B (zh) | 人脸的识别方法、装置、设备及存储介质 | |
| CN111783639A (zh) | 图像检测方法、装置、电子设备及可读存储介质 | |
| CN116097322A (zh) | 基于关键点检测的计算机自动交互活动识别 | |
| CN111191207A (zh) | 电子文件的控制方法、装置、计算机设备及存储介质 | |
| CN112232223A (zh) | 多模态图像处理方法、装置、设备及存储介质 | |
| CN111985298B (zh) | 人脸识别样本收集方法和装置 | |
| CN111444819A (zh) | 切割帧确定方法、网络训练方法、装置、设备及存储介质 | |
| US20190122020A1 (en) | Latent fingerprint pattern estimation | |
| CN110889392B (zh) | 人脸图像处理的方法及装置 | |
| CN111949820B (zh) | 视频关联兴趣点的处理方法、装置及电子设备 | |
| CN111552829B (zh) | 用于分析图像素材的方法和装置 | |
| CN113378005B (zh) | 事件处理方法、装置、电子设备以及存储介质 | |
| CN111768007A (zh) | 用于挖掘数据的方法和装置 |
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 |