CN111985424A - 多人场景下的图像验证方法 - Google Patents

多人场景下的图像验证方法 Download PDF

Info

Publication number
CN111985424A
CN111985424A CN202010875040.6A CN202010875040A CN111985424A CN 111985424 A CN111985424 A CN 111985424A CN 202010875040 A CN202010875040 A CN 202010875040A CN 111985424 A CN111985424 A CN 111985424A
Authority
CN
China
Prior art keywords
face
image
faces
pixel
motion detection
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.)
Granted
Application number
CN202010875040.6A
Other languages
English (en)
Other versions
CN111985424B (zh
Inventor
徐戈
汪涛
杨晓燕
王炅
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.)
Minjiang University
Original Assignee
Minjiang 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 Minjiang University filed Critical Minjiang University
Priority to CN202010875040.6A priority Critical patent/CN111985424B/zh
Publication of CN111985424A publication Critical patent/CN111985424A/zh
Application granted granted Critical
Publication of CN111985424B publication Critical patent/CN111985424B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06V40/161—Detection; Localisation; Normalisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/50—Depth or shape recovery
    • G06T7/55—Depth or shape recovery from multiple images
    • G06T7/579—Depth or shape recovery from multiple images from motion
    • 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
    • G06V40/20—Movements or behaviour, e.g. gesture recognition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10016—Video; Image sequence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10028—Range image; Depth image; 3D point clouds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30196—Human being; Person
    • G06T2207/30201—Face

Landscapes

  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Computer Interaction (AREA)
  • Multimedia (AREA)
  • Psychiatry (AREA)
  • Social Psychology (AREA)
  • Image Analysis (AREA)
  • Collating Specific Patterns (AREA)

Abstract

一种多人场景下的图像验证方法，包括如下步骤，获取影像获取模块的输入影像，对所述输入影像内的人脸进行人脸检测操作；选取多个人脸中所占画面最大的前n个人脸，对该n个人脸进行运动检测，得到运动检测结果；对运动检测结果最小的单个人脸，选取为识别对象。通过上述方法，本发明能够在摄像模块摄录到多人的影像的时候进行优化识别配置，通过运动检测及所占画面比例来确定最优的识别对象。从而增大了本方案的匹配效率，增强了在多人环境下的抗干扰能力。

Description

多人场景下的图像验证方法
技术领域
本发明涉及自动化图像检测领域，尤其涉及一种多人场景下的检测识别优化方法。
背景技术
在现有的人脸识别技术中，如申请号2017111892326和申请号2018116155405的技术方案，能够达到多人的同时识别。若是实时摄录的人像，在多人场景中很容易出现摄像设备无法只获取到一人的非理想情况。在对摄像设备获取到的图像进行识别时，很有可能出现多人排队的同时，后排人士的面部与前排人士的面部相靠较近，从而无法正确识别的技术问题。
发明内容
为此，需要提供一种能够在多人场景下的智能检测方法，以解决在现有技术中对于多人场景的人脸识别不够精确的问题；
为实现上述目的，发明人提供了一种多人场景下的图像验证方法，包括如下步骤，获取影像获取模块的输入影像，对所述输入影像内的人脸进行人脸检测操作；
选取多个人脸中所占画面最大的前n个人脸，对该n个人脸进行运动检测，得到运动检测结果；
对运动检测结果最小的单个人脸，选取为识别对象。
具体地，所述运动检测结果具体为，对第i个人脸进行检测，选取m个特征点，该第i个人脸中的m个特征点在不同帧画面中的坐标移动的值。
具体地，所述运动检测结果具体为，对第i个人脸进行检测，选取m个特征点，该第i个人脸中的m个特征点在相邻帧画面中的坐标移动的值a，
还进行步骤，求和在预设时间内所有相邻帧画面中的坐标移动的总值∑a。
进一步地，还包括步骤，
对多个人脸下方进行连通域检测，获取人脸图像对应的身体图像；
判断所述识别对象对应的身体图像所占画面是否为所有身体图像中最大的，判断为是则校验成功。
进一步地，还包括步骤，
获取多个人脸下方进行连通域检测，获取人脸图像对应的身体图像，对身体图像提取深度信息；
判断所述识别对象对应的身体图像所占画面是否为所有身体图像中深度最近的，判断为是则校验成功。
具体地，
连通域检测的方法为，获取人脸区域下方部分的深度图像，计算平均深度z，对人脸区域正下方选择K个像素点进行扩展，扩展方法为，设置待扩展集合C，将K个像素置入C中，对C中每个像素p，计算其左、左下、下、右下、右五个像素的深度与z的差值，如果差值小于z±预设范围，将该像素置入C中，像素p对应五个像素计算完后，将p从C中删除，并同时计算C中所有像素的平均深度d’，并将d更新为d’，如此计算至达到停止条件为止。停止条件为已经计算的像素达到MAX个，或者C中没有像素满足条件可以扩展，此时得到的d就是身体图像与设备的距离D。
具体地，n的值根据平均排队间距确定。
通过上述方法，本发明能够在摄像模块摄录到多人的影像的时候进行优化识别配置，通过运动检测及所占画面比例来确定最优的识别对象。从而增大了本方案的匹配效率，增强了在多人环境下的抗干扰能力。
附图说明
图1为本发明具体实施方式所述的多人场景图像验证方法流程图；
图2为本发明具体实施方式所述的人像识别方法流程图；
图3为本发明具体实施方式所述的自助式人脸服务方法流程图；
图4为本发明具体实施方式所述的多人场景图像验证装置图；
图5为本发明具体实施方式所述的人像识别装置图；
图6为本发明具体实施方式所述的自助式人脸服务装置图。
具体实施方式
为详细说明技术方案的技术内容、构造特征、所实现目的及效果，以下结合具体实施例并配合附图详予说明。
请参阅图1，一种多人场景下的图像验证方法，包括如下步骤，
S100获取影像获取模块的输入影像，对所述输入影像内的人脸进行人脸检测操作；这里对输入影像内的人脸进行人脸检测，指的是影像获取模块的输入影像进行初步解析，识别出图像中可能为人脸部图像的区块。在本文中，人脸检测是指在图像中检测可能为人脸的区域，还可辅以矩形框来标识人脸区域，一般计算量比较小，速度快。人脸识别是在被人脸检测识别为人脸后，把矩形框切割出来和人脸库比对，确定身份，计算量大一些
S101选取多个人脸中所占画面最大的前n个人脸，对该n个人脸进行运动检测，得到运动检测结果；选取多个人脸中所占画面最大的前n个人脸，即为对多个识别为人脸部图像区块进行面积排序，面积可以为像素，通过像素区块的大小进行面积相关的判定。对运动检测结果最小的单个人脸，选取为识别对象。这里的运动检测指的是进行区块在图像中的位置是否产生变化的判定，判定的标准可以是相邻帧中识别为人脸部的区块是否发生了平移、形变、或大小放缩等。
具体地，所述运动检测结果具体为，对第i个人脸进行检测，选取m个特征点，该第i个人脸中的m个特征点在不同帧画面中的坐标移动的值。若m个特征点在不同帧画面中的坐标移动的值的和大于零，或设置为大于某个预设阈值，则认为发生了运动。通过设计图像中的多个特征点进行人脸移动的判断，能够获得更为准确的运动结果的判定。
而在另一些更为具体的实施例中，所述运动检测结果具体为，对第i个人脸进行检测，选取m个特征点，该第i个人脸中的m个特征点在相邻帧画面中的坐标移动的值的和a。即，设该第i个人脸中的第m个特征点在相邻帧画面中的坐标移动的值为αi,m，则该第i个人脸的运动检测结果ai＝∑mαi,m。
在更进一步的实施例中，为了运动检测的结果更为准确地反映相对长的时段内的运动状态，我们还设计进行步骤，设计一个预设时间，如2-4秒。在预设时间内可能有50-100帧，则求和在预设时间内该第i个人脸的运动检测结果ai在50-100个相邻帧画面中的坐标移动的总值∑ai。
在图1所示的一些进一步的实施例中，还包括步骤，S102对多个人脸下方进行连通域检测，获取人脸图像对应的身体图像。这一步是用于将多个人脸区域与多个身体区域建立对应关系，当然也可能存在识别不到人脸区域的下方的身体区域的情况，说明该人脸图像对应的身体区域可能被遮挡，再继续进行步骤
S103判断所述识别对象对应的身体图像所占画面是否为所有身体图像中最大的，判断为是则校验成功。若存在某个人脸区域的下方没有对应的身体图像，则可以判定为其对应的身体图像所占画面为0。通过上述方案步骤S102、与S103对之前的步骤S100、S101选取出来的识别对象进行验证，若判断出来的识别对象的身体区域在所有身体图像为最大，确实地证明了通过前述方法选择出来的识别对象最有可能是站在最前方的人物的人脸，因为拥有最大身体图像所占画面的最可能站在最前从而遮盖了最大的摄像头视角。通过上述校验步骤，能够使得人脸图像的识别正确率得到较大的提升，提高了本发明方案的实用性。
在其他一些进一步的实施例中，为了对之前的步骤S100、S101选取出来的识别对象进行验证，还可以设计包括步骤，S105获取多个人脸下方进行连通域检测，获取人脸图像对应的身体图像，对身体图像提取深度信息；
S106判断所述识别对象对应的身体图像所占画面是否为所有身体图像中深度最近的，判断为是则校验成功。这里的深度信息指的是摄像模块前的物体与摄像模块的距离信息，该信息通过常规手段及现有技术获得，如将摄像头设置为使用tof或者结构光的RGBD深度摄像头等，在此不再赘述。通过上述步骤S105、S106对身体图像区域的深度信息进行识别，可以达到验证识别对象是否为站在最前方的人物的人脸的技术效果。避免有些热心人士在队伍后面却将头探上来指导操作等情况对识别结果造成的干扰。通过上述校验步骤，能够使得人脸图像的识别正确率得到较大的提升，提高了本发明方案的实用性。
在如下文所示的一些具体的实施例中，可以通过如下方法进行连通域的深度计算：获取人脸区域下方部分的深度图像，计算平均深度z，对人脸区域正下方选择K个像素点进行扩展，扩展方法为，设置待扩展集合C，将K个像素置入C中，对C中每个像素p，计算其左、左下、下、右下、右五个像素的深度与z的差值，如果差值小于z±预设范围，将该像素置入C中，像素p对应五个像素计算完后，将p从C中删除，并同时计算C中所有像素的平均深度d’，并将d更新为d’，如此计算至达到停止条件为止。停止条件为已经计算的像素达到MAX个，或者C中没有像素满足条件可以扩展，此时得到的d就是身体图像与设备的距离D。
为了更好地分配算力，同时考虑到n的取值如果太大，要处理的人脸变多，误检的概率提高，n的取值如果太小，可能真正应该被识别的人脸没有被涵盖进来，漏检的概率提高，我们还需要对n的值进行优化选取，n的值根据平均排队间距确定。具体的，摄像头摄录排队人群，对人群中的排队人数进行智能识别，再通过摄录的排队图像计算队伍的排队长度，获得平均间距＝排队长度/排队人数。在这一实例中，我们设置n的取值与平均间距的倒数(可以认为是排队密度)正相关，正相关系数可以根据需要选取，n的取值可以设置为向上取整。例如，在一实施例中，排队人群的人数X为10人，排队长度Y为7.5m，正相关系数k选取为3，则n＝k*X/Y＝4。可见在这一排队密度的情况下，选取多个人脸中所占画面最大的前4个人脸是符合计算需求并节省算力的设置。通过上述方案，我们的摄像头可以实时摄录排队人群并计算的密集程度，从而能够更好地完成人脸检测个数的确定。另一些实施例中，除了实时调整的方案，还可以根据过去一段时间内的平均排队长度和平均人数，来获取过去一段时间的平均排队密度。可以通过选定过去一周、一日、一个月的平均排队密度来进行优选的n值的计算，也能够得到优化n值的数值选取的技术效果。
在如图2所示的一些实施例中，还进行一种人像识别方法，方法包括如下步骤，S200通过第一摄像单元摄取排队人群人数，设置第一摄像单元为人群上方，第一摄像单元中轴线方向在竖直面内的投影与水平面的夹角小于45°，即第一摄像单元的水平方向视场角大于垂直方向的视场角。便于捕捉排队人群。S202设置第二摄像单元在队伍前方，摄制略低于人群高度设置，第二摄像单元中轴线方向在竖直面内的投影与水平面的夹角大于45°即第二摄像单元的水平方向视场角小于垂直方向的视场角，便于进行人脸识别。还进行步骤，第一摄像单元摄录排队人群，对人群中的排队人数进行智能识别，再通过摄录的排队图像计算队伍的排队长度，获得平均间距＝排队长度/排队人数。设置n的取值与平均间距的倒数(可以认为是排队密度)正相关。在S202步骤完成后进行步骤S101，选取多个人脸中所占画面最大的前n个人脸，对该n个人脸进行运动检测，得到运动检测结果。这样本设计方法就与多人场景下的图像验证方法联系了起来。通过上述方案，能够同时分工摄制排队人群数量和进行人脸检测，通过设置专用摄像头，提升了识别的准确率，最终提升了方案执行的质量。
在如图3所示的实施例中，我们还对信息获取的流程进行了设计，方案为一种自助式人脸识别服务方法，还包括步骤S1，获取用户ID，检测用户ID是否存在于自有服务器，是则获取用户ID相关的用户档案，否则新建一组档案。S10检测该用户档案中是否包括用户照片，若不包含用户照片，从步骤S100开始执行，直到校验识别对象完成，将识别对象作为用户照片。如果信用户档案中包括用户照片，则在步骤S100获取影像获取模块的输入影像，对所述输入影像内的人脸进行人脸检测操作,后，优先进行步骤，S1001选取多个人脸中所占画面最大的前n个人脸，进行与用户照片的匹配，若存在匹配成功的第i个人脸，可以将该匹配成功的人脸设置为识别对象。通过上述方案，我们能够在获取到用户ID之后与现有的数据库进行匹配，当不存在用户照片的时候能够快速获取，并且在存在用户照片的时候能优先匹配尽快找出识别对象，上述方案提升了本发明方案的灵活性。
本方案还介绍如图4所示的一种多人场景下的图像验证装置，可以用于运行前述的多人场景下的图像识别方法，该装置包括影像获取模块400、人脸识别模块402、运动检测模块404，所述影像获取模块400用于输入影像，所述人脸识别模块402用于对所述输入影像内的人脸进行人脸检测操作；所述运动检测模块404用于选取多个人脸中所占画面最大的前n个人脸，对该n个人脸进行运动检测，得到运动检测结果；所述人脸识别模块402还用于对运动检测结果最小的单个人脸，选取为识别对象。
具体地，所述运动检测模块404具体用于，对第i个人脸进行检测，选取m个特征点，该第i个人脸中的m个特征点在不同帧画面中的坐标移动的值。
具体地，所述运动检测结果具体为，对第i个人脸进行检测，选取m个特征点，该第i个人脸中的m个特征点在相邻帧画面中的坐标移动的值a，求和在预设时间内所有相邻帧画面中的坐标移动的总值∑a。
进一步地，还包括连通域检测模块406、判断校验模块408，所述连通域检测模块还用于对多个人脸下方进行连通域检测，获取人脸图像对应的身体图像。所述判断校验模块还用于判断所述识别对象对应的身体图像所占画面是否为所有身体图像中最大的，判断为是则校验成功。
其他进一步的实施例中，还包括连通域检测模块406、判断校验模块408，所述连通域检测模块还用于多个人脸下方进行连通域检测，获取人脸图像对应的身体图像，对身体图像提取深度信息；所述判断校验模块还用于判断所述识别对象对应的身体图像所占画面是否为所有身体图像中深度最近的，判断为是则校验成功。
具体地，所述连通域检测模块还用于多个人脸下方进行连通域检测，具体用于，获取人脸区域下方部分的深度图像，计算平均深度z，对人脸区域正下方选择K个像素点进行扩展，扩展方法为，设置待扩展集合C，将K个像素置入C中，对C中每个像素p，计算其左、左下、下、右下、右五个像素的深度与z的差值，如果差值小于z±预设范围，将该像素置入C中，像素p对应五个像素计算完后，将p从C中删除，并同时计算C中所有像素的平均深度d’，并将d更新为d’，如此计算至达到停止条件为止。停止条件为已经计算的像素达到MAX个，或者C中没有像素满足条件可以扩展，此时得到的d就是身体图像与设备的距离D。
具体地，n的值根据平均排队间距确定。具体的，摄像头摄录排队人群，对人群中的排队人数进行智能识别，再通过摄录的排队图像计算队伍的排队长度，获得平均间距＝排队长度/排队人数。在这一实例中，我们设置n的取值与平均间距的倒数(可以认为是排队密度)正相关，正相关系数可以根据需要选取，n的取值可以设置为向上取整。例如，在一实施例中，排队人群的人数X为10人，排队长度Y为7.5m，正相关系数k选取为3，则n＝k*X/Y＝4。可见在这一排队密度的情况下，选取多个人脸中所占画面最大的前4个人脸是符合计算需求并节省算力的设置。通过上述方案，我们的摄像头可以实时摄录排队人群并计算的密集程度，从而能够更好地完成人脸检测个数的确定。另一些实施例中，除了实时调整的方案，还可以根据过去一段时间内的平均排队长度和平均人数，来获取过去一段时间的平均排队密度。可以通过选定过去一周、一日、一个月的平均排队密度来进行优选的n值的计算，也能够得到优化n值的数值选取的技术效果。
通过上述装置设计，能够避免多人情况下对人脸识别系统的干扰，提升本发明方案的抗干扰能力，进而优化多人情景下人脸识别的准确率。
在图5所示的实施例中，展示了一种人像识别装置，用于执行上述人像识别方法，包括影像获取模块400、影像分析模块401、人脸识别模块402、运动检测模块404，用户数据模块405，所述影像获取模块包括第一摄像单元、第二摄像单元，所述第一摄像单元用于摄取排队人群人数，第一摄像单元设置在人群上方，第一摄像单元中轴线方向在竖直面内的投影与水平面的夹角小于45°，所述第二摄像单元在队伍前方，第二摄像单元中轴线方向在竖直面内的投影与水平面的夹角大于45°，所述人脸识别模块用于对第二摄像单元的输入影像内的人脸进行人脸检测操作；所述影像分析模块用于分析第一摄像单元的摄录影像获取平均排队密度，根据n与平均排队密度正相关原则来获取n的值。所述运动检测模块用于选取多个人脸中所占画面最大的前n个人脸，对该n个人脸进行运动检测，得到运动检测结果，所述人脸识别模块还用于对运动检测结果最小的单个人脸，选取为识别对象；所述用户数据模块还用于获取用户身份信息，根据获取到的属于该用户身份信息的数据库中的用户照片与识别对象进行匹配。通过上述设计，该人像识别装置能够通过第一摄像单元、第二摄像单元分工摄制所需要的影像，再通过选取前n个人脸的做法，提升了在多人情境下人脸识别的准确性和抗干扰能力。
具体地，所述运动检测模块具体用于，对第i个人脸进行检测，选取m个特征点，该第i个人脸中的m个特征点在不同帧画面中的坐标移动的值。
进一步地，所述运动检测结果具体为，对第i个人脸进行检测，选取m个特征点，该第i个人脸中的m个特征点在相邻帧画面中的坐标移动的值a，求和在预设时间内所有相邻帧画面中的坐标移动的总值∑a。
进一步的实施例中，还包括连通域检测模块406、判断校验模块408，所述连通域检测模块还用于对多个人脸下方进行连通域检测，获取人脸图像对应的身体图像。所述判断校验模块还用于判断所述识别对象对应的身体图像所占画面是否为所有身体图像中最大的，判断为是则校验成功。
具体地，还包括连通域检测模块406、判断校验模块408，
所述连通域检测模块还用于多个人脸下方进行连通域检测，获取人脸图像对应的身体图像，对身体图像提取深度信息；
所述判断校验模块还用于判断所述识别对象对应的身体图像所占画面是否为所有身体图像中深度最近的，判断为是则校验成功。
进一步的实施例中，所述连通域检测模块还用于多个人脸下方进行连通域检测，具体用于，获取人脸区域下方部分的深度图像，计算平均深度z，对人脸区域正下方选择K个像素点进行扩展，扩展方法为，设置待扩展集合C，将K个像素置入C中，对C中每个像素p，计算其左、左下、下、右下、右五个像素的深度与z的差值，如果差值小于z±预设范围，将该像素置入C中，像素p对应五个像素计算完后，将p从C中删除，并同时计算C中所有像素的平均深度d’，并将d更新为d’，如此计算至达到停止条件为止。停止条件为已经计算的像素达到MAX个，或者C中没有像素满足条件可以扩展，此时得到的d就是身体图像与设备的距离D。
具体地，n的值通过选定过去一周、一日或一个月的平均排队密度确定。
另一些如图6所示的实施例中，还提供一种自助式人脸识别服务装置，用于运行如图3所示的一种自助式人脸识别服务方法，包括用户信息检测模块407，影像获取模块400、人脸识别模块402、运动检测模块404，用户数据模块405，所述用户信息检测模块用于获取用户ID，检测用户ID是否存在于自有服务器，获取用户ID相关的用户档案，还用于检测该用户档案中是否包括用户照片，在检测不包含用户照片时，使能影像获取模块；所述影像获取模块用于输入影像，所述人脸识别模块用于对所述输入影像内的人脸进行人脸检测操作；所述运动检测模块用于选取多个人脸中所占画面最大的前n个人脸，对该n个人脸进行运动检测，得到运动检测结果。所述人脸识别模块还用于对运动检测结果最小的单个人脸，选取为识别对象。所述用户数据模块还用于获取用户身份信息，根据获取到的属于该用户身份信息的数据库中的用户照片与识别对象进行匹配。通过上述设计，本方案能够迅速地将用户ID通过用户数据模块与用户信息快速匹配，通过选取前n个人脸，并进行运动检测的做法，寻找出运动结果最小的人脸，进而提升了在多人情境下人脸识别的准确性和抗干扰能力。
进一步地，所述运动检测模块具体用于，对第i个人脸进行检测，选取m个特征点，该第i个人脸中的m个特征点在不同帧画面中的坐标移动的值。
所述运动检测结果具体为，对第i个人脸进行检测，选取m个特征点，该第i个人脸中的m个特征点在相邻帧画面中的坐标移动的值a，求和在预设时间内所有相邻帧画面中的坐标移动的总值∑a。
具体地，还包括连通域检测模块406、判断校验模块408，
所述连通域检测模块406还用于对多个人脸下方进行连通域检测，获取人脸图像对应的身体图像；
所述判断校验模块408还用于判断所述识别对象对应的身体图像所占画面是否为所有身体图像中最大的，判断为是则校验成功。
具体地，还包括连通域检测模块、判断校验模块，
所述连通域检测模块还用于多个人脸下方进行连通域检测，获取人脸图像对应的身体图像，对身体图像提取深度信息；
所述判断校验模块还用于判断所述识别对象对应的身体图像所占画面是否为所有身体图像中深度最近的，判断为是则校验成功。
具体地，所述连通域检测模块还用于多个人脸下方进行连通域检测，具体用于，获取人脸区域下方部分的深度图像，计算平均深度z，对人脸区域正下方选择K个像素点进行扩展，扩展方法为，设置待扩展集合C，将K个像素置入C中，对C中每个像素p，计算其左、左下、下、右下、右五个像素的深度与z的差值，如果差值小于z±预设范围，将该像素置入C中，像素p对应五个像素计算完后，将p从C中删除，并同时计算C中所有像素的平均深度d’，并将d更新为d’，如此计算至达到停止条件为止。停止条件为已经计算的像素达到MAX个，或者C中没有像素满足条件可以扩展，此时得到的d就是身体图像与设备的距离D。
进一步地，n的值根据平均排队间距确定。
具体地，所述用户信息检测模块407用于通过读取医保卡信息获取用户ID。
进一步地，所述人脸识别模块408还用于在用户档案中包含用户照片时，则进行与用户照片的匹配，若存在匹配成功的人脸，可以将该匹配成功的人脸设置为识别对象。通过上述方案，我们能够在获取到用户ID之后与现有的数据库进行匹配，当不存在用户照片的时候能够快速获取，并且在存在用户照片的时候能优先匹配尽快找出识别对象，上述方案提升了本发明方案的灵活性。
需要说明的是，尽管在本文中已经对上述各实施例进行了描述，但并非因此限制本发明的专利保护范围。因此，基于本发明的创新理念，对本文所述实施例进行的变更和修改，或利用本发明说明书及附图内容所作的等效结构或等效流程变换，直接或间接地将以上技术方案运用在其他相关的技术领域，均包括在本发明的专利保护范围之内。

Claims (7)

1.一种多人场景下的图像验证方法，其特征在于，包括如下步骤，获取影像获取模块的输入影像，对所述输入影像内的人脸进行人脸检测操作；
选取多个人脸中所占画面最大的前n个人脸，对该n个人脸进行运动检测，得到运动检测结果；
对运动检测结果最小的单个人脸，选取为识别对象。
2.根据权利要求1所述的多人场景下的图像验证方法，其特征在于，所述运动检测结果具体为，对第i个人脸进行检测，选取m个特征点，该第i个人脸中的m个特征点在不同帧画面中的坐标移动的值。
3.根据权利要求2所述的多人场景下的图像验证方法，其特征在于，所述运动检测结果具体为，对第i个人脸进行检测，选取m个特征点，该第i个人脸中的m个特征点在相邻帧画面中的坐标移动的值a，
还进行步骤，求和在预设时间内所有相邻帧画面中的坐标移动的总值∑a。
4.根据权利要求1所述的多人场景下的图像验证方法，其特征在于，还包括步骤，
对多个人脸下方进行连通域检测，获取人脸图像对应的身体图像；
判断所述识别对象对应的身体图像所占画面是否为所有身体图像中最大的，判断为是则校验成功。
5.根据权利要求1所述的多人场景下的图像验证方法，其特征在于，还包括步骤，
获取多个人脸下方进行连通域检测，获取人脸图像对应的身体图像，对身体图像提取深度信息；
判断所述识别对象对应的身体图像所占画面是否为所有身体图像中深度最近的，判断为是则校验成功。
6.根据权利要求4或5其中一项所述的多人场景下的图像验证方法，其特征在于，
连通域检测的方法为，获取人脸区域下方部分的深度图像，计算平均深度z，对人脸区域正下方选择K个像素点进行扩展，扩展方法为，设置待扩展集合C，将K个像素置入C中，对C中每个像素p，计算其左、左下、下、右下、右五个像素的深度与z的差值，如果差值小于z±预设范围，将该像素置入C中，像素p对应五个像素计算完后，将p从C中删除，并同时计算C中所有像素的平均深度d’，并将d更新为d’，如此计算至达到停止条件为止。停止条件为已经计算的像素达到MAX个，或者C中没有像素满足条件可以扩展，此时得到的d就是身体图像与设备的距离D。
7.根据权利要求1所述的多人场景下的图像验证方法，其特征在于，n的值根据平均排队间距确定。
CN202010875040.6A 2020-08-27 2020-08-27 多人场景下的图像验证方法 Active CN111985424B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010875040.6A CN111985424B (zh) 2020-08-27 2020-08-27 多人场景下的图像验证方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010875040.6A CN111985424B (zh) 2020-08-27 2020-08-27 多人场景下的图像验证方法

Publications (2)

Publication Number Publication Date
CN111985424A true CN111985424A (zh) 2020-11-24
CN111985424B CN111985424B (zh) 2024-01-19

Family

ID=73441449

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010875040.6A Active CN111985424B (zh) 2020-08-27 2020-08-27 多人场景下的图像验证方法

Country Status (1)

Country Link
CN (1) CN111985424B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115988164A (zh) * 2022-12-03 2023-04-18 北京视通科技有限公司 一种会议室多媒体控制方法、系统及计算机设备

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110543867A (zh) * 2019-09-09 2019-12-06 北京航空航天大学 一种多摄像头条件下的人群密度估测系统及方法
CN110619300A (zh) * 2019-09-14 2019-12-27 韶关市启之信息技术有限公司 一种多人脸同时识别的纠正方法
CN110889355A (zh) * 2019-11-19 2020-03-17 深圳市紫金支点技术股份有限公司 一种人脸识别校验方法、系统及存储介质

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110543867A (zh) * 2019-09-09 2019-12-06 北京航空航天大学 一种多摄像头条件下的人群密度估测系统及方法
CN110619300A (zh) * 2019-09-14 2019-12-27 韶关市启之信息技术有限公司 一种多人脸同时识别的纠正方法
CN110889355A (zh) * 2019-11-19 2020-03-17 深圳市紫金支点技术股份有限公司 一种人脸识别校验方法、系统及存储介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115988164A (zh) * 2022-12-03 2023-04-18 北京视通科技有限公司 一种会议室多媒体控制方法、系统及计算机设备

Also Published As

Publication number Publication date
CN111985424B (zh) 2024-01-19

Similar Documents

Publication Publication Date Title
CN112001334A (zh) 人像识别装置
US10599228B2 (en) Information processing device and method, program and recording medium for identifying a gesture of a person from captured image data
US8731249B2 (en) Face recognition using face tracker classifier data
JP6754642B2 (ja) 生体検知装置
JP6494253B2 (ja) 物体検出装置、物体検出方法、画像認識装置及びコンピュータプログラム
JP4642128B2 (ja) 画像処理方法、画像処理装置及びシステム
CN109858375B (zh) 活体人脸检测方法、终端及计算机可读存储介质
KR20160106514A (ko) 동화상에 있어서 물체를 검출하는 방법 및 장치, 및 그 프로그램을 기억한 기억 매체
WO2005116910A2 (en) Image comparison
JP2009211311A (ja) 画像処理装置及び方法
JPWO2008035411A1 (ja) 移動体情報検出装置、移動体情報検出方法および移動体情報検出プログラム
JP2004301607A (ja) 移動物体検出装置、移動物体検出方法及び移動物体検出プログラム
CN115019364A (zh) 基于人脸识别的身份认证方法、装置、电子设备及介质
CN111985424A (zh) 多人场景下的图像验证方法
CN111967422A (zh) 自助式人脸识别服务方法
KR20140134549A (ko) 연속 촬영 이미지에서의 고조점 이미지 추출 장치 및 방법
CN113469135A (zh) 对象身份信息的确定方法、装置、存储介质及电子装置
JP2009301242A (ja) 頭部候補抽出方法、頭部候補抽出装置、頭部候補抽出プログラムおよびそのプログラムを記録した記録媒体
CN111967425A (zh) 自助式人脸识别服务装置
CN111985425A (zh) 多人场景下的图像验证装置
CN112001340A (zh) 人像识别方法
CN114743264A (zh) 拍摄行为检测方法、装置、设备及存储介质
JP4812743B2 (ja) 顔認識装置、顔認識方法、顔認識プログラムおよびそのプログラムを記録した記録媒体
JP7524953B2 (ja) 凝視に基づくライブネス検出のための情報処理装置、情報処理方法、およびプログラム
US11335123B2 (en) Live facial recognition system and method

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