CN112016508B - 人脸识别方法、装置、系统、计算设备及存储介质 - Google Patents
人脸识别方法、装置、系统、计算设备及存储介质 Download PDFInfo
- Publication number
- CN112016508B CN112016508B CN202010926438.8A CN202010926438A CN112016508B CN 112016508 B CN112016508 B CN 112016508B CN 202010926438 A CN202010926438 A CN 202010926438A CN 112016508 B CN112016508 B CN 112016508B
- Authority
- CN
- China
- Prior art keywords
- face
- face feature
- similarity
- feature model
- angle
- 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
- G06V40/172—Classification, e.g. identification
-
- 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)
- Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- General Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本申请提出了人脸识别方法、装置、系统、计算设备及存储介质。其中,一种人脸识别方法,包括:获取待识别的人脸图像;生成与人脸图像对应的第一人脸特征模型;确定人脸图像的拍摄角度;从多个对象的第二人脸特征模型中,选定每个对象的与所述拍摄角度对应的第二人脸特征模型,每个对象的第二人脸特征模型包括:多个预定角度的第二人脸特征模型;将选定的第二人脸特征模型分别与所述第一人脸特征模型进行比对,得到每个选定的第二人脸特征模型的第一相似度;在确定最大的第一相似度达到第一阈值时,将最大的第一相似度对应的第二人脸特征模型作为所述人脸图像的匹配对象。
Description
技术领域
本申请涉及图像处理技术领域,特别涉及人脸识别方法、装置、系统、计算设备及存储介质。
背景技术
在一些人脸监测场景中,监测方案需要进行人脸识别。当前端的图像采集设备抓拍到人脸图像时,可以将人脸图像传输到后端处理设备。后端处理设备可以将接收到的人脸图像与人脸数据库中人脸数据进行比对,以识别接收到的人脸图像是否与人脸数据库中人脸数据匹配。
目前,人脸识别方案通常是首先对该抓拍的人脸进行特征建模,然后将建模数据和人脸数据库中的人脸图片的建模数据进行比对。当人脸数据库的人脸图片和抓拍的人脸图像都为正脸的情况下,人脸识别的准确度较高。
然而,由于前端的图像采集设备部署在不同的场景中,图像采集设备可以有不同的安装位置和不同的镜头朝向。因此,图像采集设备抓拍的人脸图像很可能不是正脸图像。在抓拍的人脸图像非正脸图像时,人脸识别方案的准确度有待提高。
因此,在抓拍的人脸图像不限定为正脸图像的场景中,如何提高人脸识别的准确度是需要解决的技术问题。
发明内容
本申请提出了人脸识别方法、装置、系统、计算设备及存储介质,能够在抓拍的人脸图像不限定为正脸图像的前提下,提高人脸识别的准确度。
根据本申请一个方面,提供一种人脸识别方法,包括:
获取待识别的人脸图像;
生成与所述人脸图像对应的第一人脸特征模型;
确定所述人脸图像的拍摄角度;
从多个对象的第二人脸特征模型中,选定每个对象的与所述拍摄角度对应的第二人脸特征模型,每个对象的第二人脸特征模型包括:多个预定角度的第二人脸特征模型;
将选定的第二人脸特征模型分别与所述第一人脸特征模型进行比对,得到每个选定的第二人脸特征模型的第一相似度;
在确定最大的第一相似度达到第一阈值时,将最大的第一相似度对应的第二人脸特征模型作为所述人脸图像的匹配对象。
在一些实施例中,所述确定所述人脸图像的拍摄角度,包括:
确定多个对象的正脸角度的第二人脸特征模型分别与所述第一人脸特征模型的第二相似度,并将第二相似度达到第二阈值的一个正脸角度的第二人脸特征模型对应的对象作为第一对象;
确定第一对象的多个预定角度的第二人脸特征模型分别与所述第一人脸特征模型的第三相似度,以得到第三相似度排名靠前的至少一个第二人脸特征模型对应的预定角度;
根据所述至少一个第二人脸特征模型对应的预定角度,确定所述人脸图像的拍摄角度。
在一些实施例中,所述每个对象的多个预定角度的第二人脸特征模型包括:基于第一转轴的多个预定角度的第二人脸特征模型和/或基于第二转轴的多个预定角度的第二人脸特征模型,其中,所述第一转轴和第二转轴相交,所述第一转轴和第二转轴所处共同平面与拍摄镜头方向垂直,基于第一转轴的多个预定角度的第二人脸特征模型包括:与第一转轴的多个转动角度对应的人脸图像的第二人脸特征模型,基于第二转轴的多个预定角度的第二人脸特征模型包括:与第二转轴的多个转动角度对应的人脸图像的第二人脸特征模型。
在一些实施例中,所述确定所述人脸图像的拍摄角度,包括:
确定多个对象的正脸角度的第二人脸特征模型分别与所述第一人脸特征模型的第二相似度,并将第二相似度达到第二阈值的一个正脸角度的第二人脸特征模型对应的对象作为第一对象;
确定第一对象的基于第一转轴的多个预定角度的第二人脸特征模型分别与所述第一人脸特征模型的第四相似度,以得到第四相似度排名靠前的至少一个第二人脸特征模型对应的第一预定角度;
确定第一对象的基于第二转轴的多个预定角度的第二人脸特征模型分别与所述第一人脸特征模型的第五相似度,以得到第五相似度排名靠前的至少一个第二人脸特征模型对应的第二预定角度;
根据第一预定角度和第二预定角度,确定所述拍摄角度,所述拍摄角度包括:基于第一转轴的转角和基于第二转轴的转角。
在一些实施例中,所述从多个对象的第二人脸特征模型中,选定每个对象的与所述拍摄角度对应的第二人脸特征模型,包括:
比较所述第四相似度的最大值和所述第五相似度的最大值;
在所述第四相似度的最大值大于所述第五相似度的最大值时,将第一转轴作为主转轴,并将第二转轴作为副转轴;
在所述第四相似度的最大值小于所述第五相似度的最大值时,将第一转轴作为副转轴,并将第二转轴作为主转轴;
从每个对象的基于主转轴的多个预定角度的第二人脸特征模型中,选定该对象的与所述拍摄角度对应的第二人脸特征模型。
在一些实施例中,上述方法进一步包括:
在确定最大的第一相似度低于第一阈值时,确定所述拍摄角度的基于副转轴的转角是否达到角度阈值;
在基于副转轴的转角达到角度阈值时,根据第一相似度的排名,获取所述多个对象中至少一个对象的视频数据;
根据所述至少一个对象的视频数据,生成所述至少一个对象中每个对象在所述拍摄角度的人脸图像;
生成每个对象在所述拍摄角度的人脸图像对应的第三人脸特征模型;
将生成的每个对象的第三人脸特征模型与第一人脸特征模型进行比对,得到每个对象的第三人脸特征模型对应的第六相似度;
在确定最大的第六相似度达到第一阈值时,将最大的第六相似度对应的对象作为与所述人脸图像的匹配对象。
在一些实施例中,每个对象的多个预定角度的第二人脸特征模型的生成方式,包括:
对于任一个对象,获取第一视频,所述第一视频中人脸按照第一转轴转动;
获取第二视频,第二视频中人脸按照第二转轴转动;
根据每个对象的第一视频,获取该对象的基于第一转轴的多个预定角度的人脸图像;
根据每个对象的基于第一转轴的多个预定角度的人脸图像,生成该对象的基于第一转轴的多个预定角度的第二人脸特征模型;
根据每个对象的第二视频,获取该对象的基于第二转轴的多个预定角度的人脸图像;
根据每个对象的基于第二转轴的多个预定角度的人脸图像,生成该对象的基于第二转轴的多个预定角度的第二人脸特征模型。
在一些实施例中,所述根据每个对象的第一视频,获取该对象的基于第一转轴的多个预定角度的人脸图像,包括:
确定第一目标帧数;
按照第一目标帧数,对所述第一视频进行均匀抽帧,得到第一目标图像帧序列;
对第一目标图像帧序列进行解码,得到第一人脸图像序列,并将其作为基于第一转轴的多个预定角度的人脸图像;
所述根据每个对象的第二视频,获取该对象的基于第二转轴的多个预定角度的人脸图像,包括:
确定第二目标帧数;
按照第二目标帧数,对所述第二视频进行均匀抽帧,得到第二目标图像帧序列;
对第二目标图像帧序列进行解码,得到第二人脸图像序列,并将其作为基于第二转轴的多个预定角度的人脸图像。
根据本申请一个方面,提供一种人脸识别装置,包括:
图像获取单元,获取待识别的人脸图像;
特征提取单元,生成与所述人脸图像对应的第一人脸特征模型;
角度确定单元,确定所述人脸图像的拍摄角度;
模型筛选单元,从多个对象的第二人脸特征模型中,选定每个对象的与所述拍摄角度对应的第二人脸特征模型,每个对象的第二人脸特征模型包括:多个预定角度的第二人脸特征模型;
匹配单元,将选定的第二人脸特征模型分别与所述第一人脸特征模型进行比对,得到每个选定的第二人脸特征模型的第一相似度;在确定最大的第一相似度达到第一阈值时,将最大的第一相似度对应的第二人脸特征模型作为所述人脸图像的匹配对象。
根据本申请一个方面,提供一种人脸识别系统,包括:
图像采集设备,获取待识别的人脸图像;
人脸识别平台,接收所述图像采集设备获取的待识别的人脸图像,生成与所述人脸图像对应的第一人脸特征模型,从多个对象的第二人脸特征模型中,选定每个对象的与所述拍摄角度对应的第二人脸特征模型,每个对象的第二人脸特征模型包括:多个预定角度的第二人脸特征模型;将选定的第二人脸特征模型分别与所述第一人脸特征模型进行比对,得到每个选定的第二人脸特征模型的第一相似度;在确定最大的第一相似度达到第一阈值时,将最大的第一相似度对应的第二人脸特征模型作为所述人脸图像的匹配对象。
根据本申请一个方面,提供一种计算设备,包括:
存储器;
处理器;
程序,存储在该存储器中并被配置为由所述处理器执行,所述程序包括用于执行根据本申请的人脸识别方法的指令。
根据本申请一个方面,提供一种存储介质,存储有程序,所述程序包括指令,所述指令当由计算设备执行时,使得所述计算设备执行根据本申请的人脸识别方法。
综上,根据本申请实施例的人脸识别方案可以利用正脸角度的第二人脸特征模型进行初步筛选,可以选定第一对象。由于第一对象对应的正脸角度的人脸图像的第二人脸特征模型与第一人脸特征之间相似度较高,人脸识别方案可以利用第一对象的多个第二人脸特征模型,更准确地确定拍摄角度。这样,通过更准确地确定拍摄角度,人脸识别方案能够提高人脸识别的准确度。
附图说明
图1示出了根据本申请一些实施例的应用场景的示意图;
图2示出了根据本申请一些实施例的人脸识别方法200的流程图;
图3示出了根据本申请一些实施例的确定拍摄角度的方法300的流程图;
图4示出了根据本申请一些实施例的多个预定角度的示意图;
图5A示出了根据本申请一些实施例的多个仰角类型的预定角度对应的方向的示意图;
图5B示出了根据本申请一些实施例的多个俯角类型的预定角度对应的方向的示意图;
图5C示出了根据本申请一些实施例的人脸左转角度30度对应的方向的示意图;
图5D示出了根据本申请一些实施例的人脸右转30度对应的方向的示意图;
图6示出了根据本申请一些实施例的确定拍摄角度的方法600的流程图;
图7示出了根据本申请一些实施例的选定第二人脸特征模型的方法700的流程图;
图8示出了根据本申请一些实施例的人脸识别方法800的流程图;
图9示出了根据本申请一些实施例的生成人脸数据库的方法900的流程图;
图10示出了根据本申请一些实施例的基于第一转轴的多个预定角度的人脸图像的方法1000的流程图;
图11示出了根据本申请一些实施例的基于第二转轴的多个预定角度的人脸图像的方法1100的流程图;
图12示出了根据本申请一些实施例的人脸识别装置1200的示意图;
图13示出了根据本申请一些实施例的计算设备的示意图。
具体实施方式
为使本申请的目的、技术方案及优点更加清楚明白,以下参照附图并举实施例,对本申请进一步详细说明。
图1示出了根据本申请一些实施例的应用场景的示意图。
如图1所示,应用场景可以包括至少一个图像采集设备,例如图1示出的图像采集设备110。另外,应用场景还可以包括人脸识别平台120。这里,人脸识别平台120可以包括一个或多个计算设备。每个计算设备为个人计算机、服务器或者虚拟云服务器。图像采集设备110可以通过网络130与人脸识别平台120进行数据通讯。这里,网络130例如为有线网络或者无线网络,本申请对此不做限制。
图像采集设备110可以抓拍应用场景中的人脸图像,并将人脸图像传输人脸识别平台120。人脸识别平台120可以对人脸图像进行人脸识别操作。
图2示出了根据本申请一些实施例的人脸识别方法200的流程图。方法200例如可以由人脸识别平台120执行。
如图2所示,在步骤S201中,获取待识别的人脸图像。例如,人脸识别平台120可以从图像采集设备110获取人脸图像。
在步骤S202中,生成与人脸图像对应的第一人脸特征模型。这里,第一人脸特征模型用于表征人脸图像中人脸的特征。第一人脸特征模型例如可以表示为一个多维向量。
在步骤S203中,确定人脸图像的拍摄角度。这里,拍摄角度用于表征:当镜头拍摄人脸对象时人脸对象的拍摄姿态。例如,以人脸正对镜头的姿态为基准姿态,拍摄角度例如为从基准姿态向左转脸后的拍摄角度、从基准姿态向右转脸后的拍摄角度、从基准姿态仰脸后的拍摄角度或者从基准姿态低头后的拍摄角度等等。
在步骤S204中,从多个对象的第二人脸特征模型中,选定每个对象的与拍摄角度对应的第二人脸特征模型。每个对象的第二人脸特征模型包括:多个预定角度的第二人脸特征模型。
在一些实施例中,人脸识别平台120可以包括人脸数据库。人脸数据库可以包括多个对象的人脸图像和每个对象的第二人脸特征模型。多个预定角度的第二人脸特征模型就是多个拍摄姿态的人脸图像对应的第二人脸特征模型。一个预定角度的第二人脸特征模型可以表征该预定角度的人脸图像的特征。
在一些实施例中,为了选定每个对象的与拍摄角度对应的第二人脸特征模型,步骤S204可以从该对象的多个预定角度对应的第二人脸特征模型中,选定一个或多个预定角度。选定的预定角度可以被认为与步骤S201获取的人脸图像的拍摄角度一致或接近。
在步骤S205中,将选定的第二人脸特征模型分别与第一人脸特征模型进行比对,得到每个选定的第二人脸特征模型的第一相似度。这里,一个第二人脸特征模型的第一相似度为该第二人脸特征模型与第一人脸特征模型之间的相似度。这里,第一相似度例如可以表示为第一人脸特征模型的向量与第二人脸特征模型的向量之间的相似度。
在步骤S206中,在确定最大的第一相似度达到第一阈值时,将最大的第一相似度对应的第二人脸特征模型作为人脸图像的匹配对象。第一相似度例如可以表示为余弦距离,第一阈值取值例如为0.6,但不限于此。
综上,根据本申请实施例的人脸识别方法200通过确定人脸图像的拍摄角度,从而能够选定与拍摄角度一致或者接近的第二人脸特征模型。由于与拍摄角度一致或者接近,方法200选定的预定角度的第二人脸特征模型与第一人脸特征模型的第一相似度能更准确地反应人脸图像与人脸数据库中人脸图像之间的匹配度,进而能够提高人脸识别的准确度。另外说明的是,通过选定与拍摄角度一致或者接近的第二人脸特征模型,本申请的人脸识别方法200能够避免将第一人脸特征模型与人脸数据库中全部第二人脸特征模型的匹配判断,从而能够提高人脸识别的效率。
在一些实施例中,人脸识别平台120可以采用深度学习等机器学习方式,训练用于确定拍摄角度的算法模型。在此基础上,步骤S203利用已训练的算法模型,确定人脸图像的拍摄图像。
在一些实施例中,拍摄角度可以表示为人脸的正脸朝向与镜头方向之间的角度关系。为了确定人脸图像的拍摄角度,步骤S203可以实施为方法300。
在步骤S301中,确定多个对象的正脸角度的第二人脸特征模型分别与第一人脸特征模型的第二相似度,并将第二相似度达到第二阈值的一个正脸角度的第二人脸特征模型对应的对象作为第一对象。正脸角度的第二人脸特征模型是指正脸角度的人脸图像对应的第二人脸特征模型。一个对象例如为一个被拍摄人员的标识。
例如,步骤S301可以将第二相似度中最大值对应的第二人脸特征模型的对象作为第一对象。又例如,步骤S301可以从第二相似度达到第二阈值的多个第二人脸特征模型对应的对象中随机选择一个对象作为第一对象。这里,第二相似度例如为向量余弦距离,第二阈值取值例如为0.7。
在步骤S302中,确定第一对象的多个预定角度的第二人脸特征模型分别与第一人脸特征模型的第三相似度,以得到第三相似度排名靠前的至少一个第二人脸特征模型对应的预定角度。这里,第三相似度例如为向量余弦距离。例如,第一对象被配置有10个预定角度的第二人脸特征模型。10个第二人脸特征模型对应的第三相似度进行降序排序后,步骤S302可以选定排名靠前的3个(即前3名)第二人脸特征模型的3个预定角度。
在步骤S303中,根据至少一个第二人脸特征模型对应的预定角度,确定人脸图像的拍摄角度。
在一些实施例中,单个的预定角度例如可以用三维坐标系中一个向量表示。步骤S303将至少一个第二人脸特征模型对应的预定角度合成为一个角度,并将其作为拍摄角度。
在一些实施例中,步骤S302可以选取第三相似度排名最高一个第二人脸特征模型对应的预定角度。步骤S303可以将步骤S302选取的预定角度直接作为拍摄角度。
综上,根据本申请实施例的方法300可以利用正脸角度的第二人脸特征模型进行初步筛选,可以选定第一对象。由于第一对象对应的正脸角度的人脸图像的第二人脸特征模型与第一人脸特征之间相似度较高,方法300可以利用第一对象的多个第二人脸特征模型,更准确地确定拍摄角度。这样,通过更准确地确定拍摄角度,方法300能够提高人脸识别的准确度。
在一些实施例中,每个对象的多个预定角度的第二人脸特征模型包括:基于第一转轴的多个预定角度的第二人脸特征模型和/或基于第二转轴的多个预定角度的第二人脸特征模型。其中,第一转轴和第二转轴相交。第一转轴和第二转轴例如相互垂直。第一转轴和第二转轴所处共同平面与拍摄镜头方向垂直。基于第一转轴的多个预定角度的第二人脸特征模型包括:与第一转轴的多个转动角度对应的人脸图像的第二人脸特征模型。基于第二转轴的多个预定角度的第二人脸特征模型包括:与第二转轴的多个转动角度对应的人脸图像的第二人脸特征模型。
下面结合图4对单个对象的多个预定角度进行说明。
如图4所示,方向401为假定的镜头朝向。第一转轴402和第二转轴403垂直相交于O点。第一转轴402可以被假定为平行于人脸部双瞳的连线。相应的,第二转轴403垂直于双瞳的连线。但不限于此,第一转轴402也可以不平行于双瞳的连线,例如与双瞳的连线成45度等角度。O点可以认为是被拍摄对象(即人体的头部)的转动中心。
第一转轴402和第二转轴403所处共同平面P与方向401垂直。正脸图像的角度可以认为是基准角度,例如认为是0角度。换言之,正脸图像的脸部法向404(即人体的头部的前向)沿第一转轴402的转动方向上与方向401夹角为180度。正脸图像的脸部法向404沿第二转轴403的转动方向上与方向401夹角为180度。
多个预定角度例如可以包括人脸(头部)围绕第一转轴402的多个转动角度。转动角度例如包括0至90度范围内多个角度。相邻预定角度的角度差例如为5度或10度等等。又例如,转动角度还可以包括0至-90度范围内多个角度。0至90度范围内多个角度可以认为是仰角类型的多个预定角度。0至-90度范围内多个角度可以认为是俯角类型的多个预定角度。例如,图5A示出了多个仰角类型的预定角度对应的方向501和502。图5B示出了多个俯角类型的预定角度对应的方向503和504。例如,在脸部法向为方向501时,人脸图像的预定角度为方向501在第一转轴402的转动方向上与正脸图像的脸部法向404的夹角,即30度。
另外,多个预定角度还可以包括人脸围绕第二转轴403的多个转动角度。围绕第二转轴403的多个转动角度例如包括-90至90度范围内多个角度。围绕第二转轴403的处于0至90度范围内多个角度可以认为是人脸左转类型的预定角度。围绕第二转轴403的处于0至-90度范围内多个角度可以认为是人脸右转类型的预定角度。例如,图5C示出了人脸左转角度30度对应的方向505。图5D示出了人脸右转30度对应的方向506。
需要说明的是,本申请涉及的人脸围绕转轴(即第一转轴或者第二转轴)的转动角度可以表示人脸相对于镜头的转动角度。人脸围绕转轴的转动角度也可以认为是镜头围绕转轴的转动角度。
在一些实施例中,步骤S203可以实施为方法600。
如图6所示,在步骤S601中,确定多个对象的正脸角度的第二人脸特征模型分别与第一人脸特征模型的第二相似度,并将第二相似度达到第二阈值的一个正脸角度的第二人脸特征模型对应的对象作为第一对象。例如,步骤S601可以从人脸数据库获取多个对象的正脸角度的第二人脸特征模型,以确定人脸数据库中各对象(即各人员的人脸)的正脸角度的人脸图像与待识别的人脸图像的相似度(即第二相似度)。
在步骤S602中,确定第一对象的基于第一转轴的多个预定角度的第二人脸特征模型分别与第一人脸特征模型的第四相似度,以得到第四相似度排名靠前的至少一个第二人脸特征模型对应的第一预定角度。这里,第四相似度取值范围例如为0-50。第四相似度的值越大,表示模型越相似。
在步骤S603中,确定第一对象的基于第二转轴的多个预定角度的第二人脸特征模型分别与第一人脸特征模型的第五相似度,以得到第五相似度排名靠前的至少一个第二人脸特征模型对应的第二预定角度。第五相似度取值范围例如为0-50。第五相似度的值越大,表示模型越相似
例如下表示出了第一人员的各第二人脸特征模型与第一人脸特征模型之间的相似度。这里,相似度取值范围例如为0至50。相似度越大表示两个模型越相似。其中,“上向中”一行的相似度表示仰角类型的预定角度对应的第四相似度。“下向中”一行的相似度表示俯角类型的预定角度对应的第四相似度。“左向中”一行的相似度表示人脸左转类型的预定角度对应的第五相似度。“右向中”一行的相似度表示人脸左转类型的预定角度对应的第五相似度。
基于上表,S602例如可以选择“上向中”的40、50和60度,作为3个第一预定角度。
步骤S603例如可以选择“左向中”的50、60和70度,作为3个第二预定角度。另外说明的是,S602选定的排名靠前的第一预定角度可以比三个更多或更少,例如仅选择“上向中”的40作为第一预定角度。S603可以选定的排名靠前的第二预定角度可以比三个更多或更少,例如仅选择“左向中”的70作为第二预定角度。
在步骤S604中,根据第一预定角度和第二预定角度,确定拍摄角度。拍摄角度包括:基于第一转轴的转角和基于第二转轴的转角。这里,拍摄角度可以表示为两个角度的组合。
例如,第一预定角度为40度,第二预定角度为70度,拍摄角度可以表示为(40,70)。其中,40度表示拍摄角度的方向在第一转轴的转动方向上与正脸图像的脸部法向之间的转动夹角。70度表示拍摄角度的方向在第二转轴的转动方向上与正脸图像的脸部法向之间的转动夹角。
又例如,第一预定角度包括40、50和60度,第二预定角度例如包括50、60和70度。第二预定角度例如可以是角度均值,即60度。步骤S604可以确定多个备选的拍摄角度。拍摄角度例如可以表示为(40,60)、(50,60)或者(60,60)。
综上,方法600可以通过分别选定第一预定夹角和第二预定夹角,可以利用分别沿两个转轴的转动夹角的组合表示拍摄角度。这样,尽管已有的预定角度的第二人脸特征模型有限(即人脸数据库中多个预定角度均是沿着单个转轴的转动角度,人脸数据库可能没有真实的拍摄角度对应的第二人脸特征模型),方法600可以通过获取待识别的人脸图像与第一转轴有关的第一预定夹角和与第二转轴有关的第二预定角度,能够准确表示拍摄角度,进而提高人脸识别的准确度。
在一些实施例中,步骤S204可以实施为方法700。
如图7所示,在步骤S701中,比较第四相似度的最大值和第五相似度的最大值。
在步骤S702中,在第四相似度的最大值大于第五相似度的最大值时,将第一转轴作为主转轴,并将第二转轴作为副转轴。
在步骤S703中,在第四相似度的最大值小于第五相似度的最大值时,将第一转轴作为副转轴,并将第二转轴作为主转轴。
在步骤S704中,从每个对象的基于主转轴的多个预定角度的第二人脸特征模型中,选定该对象的与拍摄角度对应的第二人脸特征模型。换言之,步骤S704可以将主转轴对应的预定角度中选定一个角度的第二人脸特征模型作为与拍摄角度对应的第二人脸特征模型。
综上,由于人脸数据库很可能没有真实的拍摄角度对应的第二人脸特征模型,方法700通过选定主转轴,能够从基于主转轴的多个预定角度的第二人脸特征模型中选定第二人脸特征模型,从而能够使得选定的第二人脸特征模型的角度与拍摄角度更接近,从而提高人脸识别的准确度。
图8示出了根据本申请一些实施例的人脸识别方法800的流程图。
如图8所示,方法800可以包括步骤S801-S806。步骤S801-S806的实施方式与方法200中步骤S201-S206一致,这里不再赘述。
另外,在步骤S807中,在确定最大的第一相似度低于第一阈值时,确定拍摄角度的基于副转轴的转角是否达到角度阈值。这里,角度阈值例如为45度。
在步骤S807确定基于副转轴的转角达到角度阈值时,方法800可以执行步骤S808,根据第一相似度的排名,获取多个对象中至少一个对象的视频数据。例如,步骤S808可以获取第一相似度排名前5的5个对象的视频数据。
另外说明的是,在副转轴的转角低于角度阈值时,方法800可以不再执行步骤S808。
在步骤S809中,根据至少一个对象的视频数据,生成至少一个对象中每个对象在拍摄角度的人脸图像。这里,视频数据通常可以包括多个转动姿态的人脸图像。步骤S809可以利用多个转动姿态的人脸图像可以合成与拍摄角度对应的人脸图像。
在一些实施例中,本申请的实施例可以利用卷积神经网络等机器学习方式,训练合成给定拍摄角度的人脸图像的人脸合成算法模型。这样,步骤S809可以基于经过训练的人脸合成算法模型,生成与拍摄角度对应的人脸图像。
在此基础上,步骤S810可以生成每个对象在拍摄角度的人脸图像对应的第三人脸特征模型。
在步骤S811中,将生成的每个对象的第三人脸特征模型与第一人脸特征模型进行比对,得到每个对象的第三人脸特征模型对应的第六相似度。这里,第六相似度例如为余弦相似度。
在步骤S812中,在确定最大的第六相似度达到第一阈值时,将最大的第六相似度对应的对象作为与人脸图像的匹配对象。
综上,方法800可以利用已有的视频数据,合成拍摄角度对应的人脸图像,从而能够利用合成的人脸图像进行人脸识别,进而能够提高人脸识别的准确度。另外,在副转轴的转角低于角度阈值时,本申请实施例认为基于主转轴的转角与拍摄角度比较接近,即使重新合成拍摄角度对应的人脸图像,最终的第六相似度与第一相似度基本一致。因此,在副转轴的转角低于角度阈值时,方法800可以不执行步骤S808-S812。
在一些实施例中,人脸数据库中每个对象的多个预定角度的第二人脸特征模型的生成方式,可以实施为方法900。
如图9所示,在步骤S901中,对于任一个对象,获取第一视频。第一视频中人脸按照第一转轴转动。
在步骤S902中,获取第二视频,第二视频中人脸按照第二转轴转动。
在步骤S903中,根据每个对象的第一视频,获取该对象的基于第一转轴的多个预定角度的人脸图像。
在步骤S904中,根据每个对象的基于第一转轴的多个预定角度的人脸图像,生成该对象的基于第一转轴的多个预定角度的第二人脸特征模型。
在步骤S905中,根据每个对象的第二视频,获取该对象的基于第二转轴的多个预定角度的人脸图像。
在步骤S906中,根据每个对象的基于第二转轴的多个预定角度的人脸图像,生成该对象的基于第二转轴的多个预定角度的第二人脸特征模型。
综上,方法900能够通过获取人脸按照第一转轴(第二转轴)转动地视频,获取按照第一转轴(第二转轴)转动地多个预定角度的人脸图像对应的第二人脸特征模型。
在一些实施例中,步骤S903可以实施为方法1000。
如图10所示,在步骤S1001中,确定第一目标帧数。第一目标帧数可以与基于第一转轴的预定角度的数据一致。
在步骤S1002中,按照第一目标帧数,对第一视频进行均匀抽帧,得到第一目标图像帧序列。
在步骤S1003中,对第一目标图像帧序列进行解码,得到第一人脸图像序列,并将其作为基于第一转轴的多个预定角度的人脸图像。
在一些实施例中,步骤S905可以实施为方法1100。
如图11所示,在步骤S1101中,确定第二目标帧数。
在步骤S1102中,按照第二目标帧数,对第二视频进行均匀抽帧,得到第二目标图像帧序列。
在步骤S1103中,对第二目标图像帧序列进行解码,得到第二人脸图像序列,并将其作为基于第二转轴的多个预定角度的人脸图像。
图12示出了根据本申请一些实施例的人脸识别装置1200的示意图。装置1200例如可以部署在计算设备中。
如图12所示,人脸识别装置1200包括图像获取单元1201、特征提取单元1202、角度确定单元1203、模型筛选单元1204和匹配单元1205。
图像获取单元1201可以获取待识别的人脸图像。
特征提取单元1202可以生成与人脸图像对应的第一人脸特征模型。
角度确定单元1203可以确定人脸图像的拍摄角度。
模型筛选单元1204可以从多个对象的第二人脸特征模型中,选定每个对象的与拍摄角度对应的第二人脸特征模型。每个对象的第二人脸特征模型包括:多个预定角度的第二人脸特征模型。
匹配单元1205可以将选定的第二人脸特征模型分别与第一人脸特征模型进行比对,得到每个选定的第二人脸特征模型的第一相似度。在确定最大的第一相似度达到第一阈值时,匹配单元1205将最大的第一相似度对应的第二人脸特征模型作为人脸图像的匹配对象。
综上,根据本申请实施例的人脸识别装置1200通过确定人脸图像的拍摄角度,从而能够选定与拍摄角度一致或者接近的第二人脸特征模型。由于与拍摄角度一致或者接近,人脸识别装置1200选定的预定角度的第二人脸特征模型与第一人脸特征模型的第一相似度能更准确地反应人脸图像与人脸数据库中人脸图像之间的匹配度,进而能够提高人脸识别的准确度。另外说明的是,通过选定与拍摄角度一致或者接近的第二人脸特征模型,本申请的人脸识别装置1200能够避免将第一人脸特征模型与人脸数据库中全部第二人脸特征模型的匹配判断,从而能够提高人脸识别的效率。
在一些实施例中,为了确定人脸图像的拍摄角度,角度确定单元1203首先确定多个对象的正脸角度的第二人脸特征模型分别与第一人脸特征模型的第二相似度,并将第二相似度达到第二阈值的一个正脸角度的第二人脸特征模型对应的对象作为第一对象。然后,角度确定单元1203可以确定第一对象的多个预定角度的第二人脸特征模型分别与第一人脸特征模型的第三相似度,以得到第三相似度排名靠前的至少一个第二人脸特征模型对应的预定角度。这样,根据至少一个第二人脸特征模型对应的预定角度,角度确定单元1203可以确定人脸图像的拍摄角度。
在一些实施例中,每个对象的多个预定角度的第二人脸特征模型包括:基于第一转轴的多个预定角度的第二人脸特征模型和/或基于第二转轴的多个预定角度的第二人脸特征模型。其中,第一转轴和第二转轴相交。第一转轴和第二转轴所处共同平面与拍摄镜头方向垂直。基于第一转轴的多个预定角度的第二人脸特征模型包括:与第一转轴的多个转动角度对应的人脸图像的第二人脸特征模型。基于第二转轴的多个预定角度的第二人脸特征模型包括:与第二转轴的多个转动角度对应的人脸图像的第二人脸特征模型。
在一些实施例中,为了确定人脸图像的拍摄角度,角度确定单元1203可以先确定多个对象的正脸角度的第二人脸特征模型分别与第一人脸特征模型的第二相似度,并将第二相似度达到第二阈值的一个正脸角度的第二人脸特征模型对应的对象作为第一对象。然后,角度确定单元1203确定第一对象的基于第一转轴的多个预定角度的第二人脸特征模型分别与第一人脸特征模型的第四相似度,以得到第四相似度排名靠前的至少一个第二人脸特征模型对应的第一预定角度。另外,角度确定单元1203可以确定第一对象的基于第二转轴的多个预定角度的第二人脸特征模型分别与所述第一人脸特征模型的第五相似度,以得到第五相似度排名靠前的至少一个第二人脸特征模型对应的第二预定角度。根据第一预定角度和第二预定角度,角度确定单元1203可以确定拍摄角度。拍摄角度包括:基于第一转轴的转角和基于第二转轴的转角。换言之,拍摄角度可以用两个维度的角度(即,第一转轴的转角和基于第二转轴的转角)的组合表示。
在一些实施例中,模型筛选单元1204可以比较第四相似度的最大值和所述第五相似度的最大值。在第四相似度的最大值大于第五相似度的最大值时,模型筛选单元1204可以将第一转轴作为主转轴,并将第二转轴作为副转轴。在第四相似度的最大值小于第五相似度的最大值时,模型筛选单元1204可以将第一转轴作为副转轴,并将第二转轴作为主转轴。在此基础上,模型筛选单元1204可以从每个对象的基于主转轴的多个预定角度的第二人脸特征模型中,选定该对象的与所述拍摄角度对应的第二人脸特征模型。
在一些实施例中,在确定最大的第一相似度低于第一阈值时,匹配单元1205可以确定拍摄角度的基于副转轴的转角是否达到角度阈值。在基于副转轴的转角达到角度阈值时,图像获取单元1201可以根据第一相似度的排名,获取多个对象中至少一个对象的视频数据。根据至少一个对象的视频数据,图像获取单元1201可以生成至少一个对象中每个对象在所述拍摄角度的人脸图像。特征提取单元1202可以生成每个对象在拍摄角度的人脸图像对应的第三人脸特征模型。匹配单元1205可以将生成的每个对象的第三人脸特征模型与第一人脸特征模型进行比对,得到每个对象的第三人脸特征模型对应的第六相似度。在确定最大的第六相似度达到第一阈值时,匹配单元1205可以将最大的第六相似度对应的对象作为与人脸图像的匹配对象。
在一些实施例中,特征提取单元1202可以生成每个对象的多个预定角度的第二人脸特征模型。对于任一个对象,特征提取单元1202可以获取第一视频。第一视频中人脸按照第一转轴转动。另外,特征提取单元1202还可以获取第二视频。第二视频中人脸按照第二转轴转动。根据每个对象的第一视频,特征提取单元1202可以获取每个对象的基于第一转轴的多个预定角度的人脸图像。根据每个对象的基于第一转轴的多个预定角度的人脸图像,特征提取单元1202可以生成该对象的基于第一转轴的多个预定角度的第二人脸特征模型。根据每个对象的第二视频,特征提取单元1202获取该对象的基于第二转轴的多个预定角度的人脸图像。根据每个对象的基于第二转轴的多个预定角度的人脸图像,特征提取单元1202生成该对象的基于第二转轴的多个预定角度的第二人脸特征模型。
在一些实施例中,特征提取单元1202可以确定第一目标帧数。按照第一目标帧数,特征提取单元1202可以对第一视频进行均匀抽帧,得到第一目标图像帧序列。特征提取单元1202还可以对第一目标图像帧序列进行解码,得到第一人脸图像序列,并将其作为基于第一转轴的多个预定角度的人脸图像。
另外,特征提取单元1202可以确定第二目标帧数。按照第二目标帧数,特征提取单元1202可以对第二视频进行均匀抽帧,得到第二目标图像帧序列。特征提取单元1202可以对第二目标图像帧序列进行解码,得到第二人脸图像序列,并将其作为基于第二转轴的多个预定角度的人脸图像。人脸识别装置1200更具体的实施方式与人脸识别方法200一致,这里不再赘述。
图13示出了根据本申请一些实施例的计算设备的示意图。如图13所示,该计算设备包括一个或者多个处理器(CPU)1302、通信模块1304、存储器1306、用户接口1310,以及用于互联这些组件的通信总线1308。
处理器1302可通过通信模块1304接收和发送数据以实现网络通信和/或本地通信。
用户接口1310包括一个或多个输出设备1312,其包括一个或多个扬声器和/或一个或多个可视化显示器。用户接口1310也包括一个或多个输入设备1314。用户接口1310例如可以接收遥控器的指令,但不限于此。
存储器1306可以是高速随机存取存储器,诸如DRAM、SRAM、DDR RAM、或其他随机存取固态存储设备;或者非易失性存储器,诸如一个或多个磁盘存储设备、光盘存储设备、闪存设备,或其他非易失性固态存储设备。
存储器1306存储处理器1302可执行的指令集,包括:
操作系统1316,包括用于处理各种基本系统服务和用于执行硬件相关任务的程序。
应用1318,包括用于实现上述检测包裹的各种程序,例如可以包括人脸识别装置。这种程序能够实现上述各实例中的处理流程,比如可以包括人脸识别方法。
另外,本申请的每一个实施例可以通过由数据处理设备如计算机执行的数据处理程序来实现。显然,数据处理程序构成了本发明。此外,通常存储在一个存储介质中的数据处理程序通过直接将程序读取出存储介质或者通过将程序安装或复制到数据处理设备的存储设备(如硬盘和或内存)中执行。因此,这样的存储介质也构成了本发明。存储介质可以使用任何类型的记录方式,例如纸张存储介质(如纸带等)、磁存储介质(如软盘、硬盘、闪存等)、光存储介质(如CD-ROM等)、磁光存储介质(如MO等)等。
因此本申请还公开了一种非易失性存储介质,其中存储有程序。该程序包括指令,所述指令当由处理器执行时,使得计算设备执行根据本申请的人脸识别方法。
另外,本申请所述的方法步骤除了可以用数据处理程序来实现,还可以由硬件来实现,例如,可以由逻辑门、开关、专用集成电路(ASIC)、可编程逻辑控制器和嵌微控制器等来实现。因此这种可以实现本申请所述方法的硬件也可以构成本申请。
以上所述仅为本申请的较佳实施例而已,并不用以限制本申请,凡在申请的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本申请保护的范围之内。
Claims (12)
1.一种人脸识别方法,其特征在于,包括:
获取待识别的人脸图像;
生成与所述人脸图像对应的第一人脸特征模型;
确定所述人脸图像的拍摄角度;
从多个对象的第二人脸特征模型中,选定每个对象的与所述拍摄角度对应的第二人脸特征模型,每个对象的第二人脸特征模型包括:多个预定角度的第二人脸特征模型;
将选定的第二人脸特征模型分别与所述第一人脸特征模型进行比对,得到每个选定的第二人脸特征模型的第一相似度;
在确定最大的第一相似度达到第一阈值时,将最大的第一相似度对应的对象作为所述人脸图像的匹配对象;
其中,所述确定所述人脸图像的拍摄角度,包括:
确定多个对象的正脸角度的第二人脸特征模型分别与所述第一人脸特征模型的第二相似度,并将第二相似度达到第二阈值的一个正脸角度的第二人脸特征模型对应的对象作为第一对象;
确定第一对象的多个预定角度的第二人脸特征模型分别与所述第一人脸特征模型的第三相似度,以得到第三相似度排名靠前的至少一个第二人脸特征模型对应的预定角度;
根据所述至少一个第二人脸特征模型对应的预定角度,确定所述人脸图像的拍摄角度。
2.一种人脸识别方法,其特征在于,包括:
获取待识别的人脸图像;
生成与所述人脸图像对应的第一人脸特征模型;
确定所述人脸图像的拍摄角度;
从多个对象的第二人脸特征模型中,选定每个对象的与所述拍摄角度对应的第二人脸特征模型,每个对象的第二人脸特征模型包括:多个预定角度的第二人脸特征模型;
将选定的第二人脸特征模型分别与所述第一人脸特征模型进行比对,得到每个选定的第二人脸特征模型的第一相似度;
在确定最大的第一相似度达到第一阈值时,将最大的第一相似度对应的对象作为所述人脸图像的匹配对象;
其中,所述每个对象的多个预定角度的第二人脸特征模型包括:基于第一转轴的多个预定角度的第二人脸特征模型和/或基于第二转轴的多个预定角度的第二人脸特征模型,其中,所述第一转轴和第二转轴相交,所述第一转轴和第二转轴所处共同平面与拍摄镜头方向垂直,基于第一转轴的多个预定角度的第二人脸特征模型包括:与第一转轴的多个转动角度对应的人脸图像的第二人脸特征模型,基于第二转轴的多个预定角度的第二人脸特征模型包括:与第二转轴的多个转动角度对应的人脸图像的第二人脸特征模型;
所述确定所述人脸图像的拍摄角度,包括:
确定多个对象的正脸角度的第二人脸特征模型分别与所述第一人脸特征模型的第二相似度,并将第二相似度达到第二阈值的一个正脸角度的第二人脸特征模型对应的对象作为第一对象;
确定第一对象的基于第一转轴的多个预定角度的第二人脸特征模型分别与所述第一人脸特征模型的第四相似度,以得到第四相似度排名靠前的至少一个第二人脸特征模型对应的第一预定角度;
确定第一对象的基于第二转轴的多个预定角度的第二人脸特征模型分别与所述第一人脸特征模型的第五相似度,以得到第五相似度排名靠前的至少一个第二人脸特征模型对应的第二预定角度;
根据第一预定角度和第二预定角度,确定所述拍摄角度,所述拍摄角度包括:基于第一转轴的转角和基于第二转轴的转角。
3.如权利要求2所述的人脸识别方法,其特征在于,所述从多个对象的第二人脸特征模型中,选定每个对象的与所述拍摄角度对应的第二人脸特征模型,包括:
比较所述第四相似度的最大值和所述第五相似度的最大值;
在所述第四相似度的最大值大于所述第五相似度的最大值时,将第一转轴作为主转轴,并将第二转轴作为副转轴;
在所述第四相似度的最大值小于所述第五相似度的最大值时,将第一转轴作为副转轴,并将第二转轴作为主转轴;
从每个对象的基于主转轴的多个预定角度的第二人脸特征模型中,选定该对象的与所述拍摄角度对应的第二人脸特征模型。
4.如权利要求3所述的人脸识别方法,其特征在于,进一步包括:
在确定最大的第一相似度低于第一阈值时,确定所述拍摄角度的基于副转轴的转角是否达到角度阈值;
在基于副转轴的转角达到角度阈值时,根据第一相似度的排名,获取所述多个对象中至少一个对象的视频数据;
根据所述至少一个对象的视频数据,生成所述至少一个对象中每个对象在所述拍摄角度的人脸图像;
生成每个对象在所述拍摄角度的人脸图像对应的第三人脸特征模型;
将生成的每个对象的第三人脸特征模型与第一人脸特征模型进行比对,得到每个对象的第三人脸特征模型对应的第六相似度;
在确定最大的第六相似度达到第一阈值时,将最大的第六相似度对应的对象作为所述人脸图像的匹配对象。
5.如权利要求2所述的人脸识别方法,其特征在于,每个对象的多个预定角度的第二人脸特征模型的生成方式,包括:
对于任一个对象,获取第一视频,所述第一视频中人脸按照第一转轴转动;
获取第二视频,第二视频中人脸按照第二转轴转动;
根据每个对象的第一视频,获取每个对象的基于第一转轴的多个预定角度的人脸图像;
根据每个对象的基于第一转轴的多个预定角度的人脸图像,生成该对象的基于第一转轴的多个预定角度的第二人脸特征模型;
根据每个对象的第二视频,获取该对象的基于第二转轴的多个预定角度的人脸图像;
根据每个对象的基于第二转轴的多个预定角度的人脸图像,生成该对象的基于第二转轴的多个预定角度的第二人脸特征模型。
6.如权利要求5所述的人脸识别方法,其特征在于,
所述根据每个对象的第一视频,获取该对象的基于第一转轴的多个预定角度的人脸图像,包括:
确定第一目标帧数;
按照第一目标帧数,对所述第一视频进行均匀抽帧,得到第一目标图像帧序列;
对第一目标图像帧序列进行解码,得到第一人脸图像序列,并将其作为基于第一转轴的多个预定角度的人脸图像;
所述根据每个对象的第二视频,获取该对象的基于第二转轴的多个预定角度的人脸图像,包括:
确定第二目标帧数;
按照第二目标帧数,对所述第二视频进行均匀抽帧,得到第二目标图像帧序列;
对第二目标图像帧序列进行解码,得到第二人脸图像序列,并将其作为基于第二转轴的多个预定角度的人脸图像。
7.一种人脸识别装置,其特征在于,包括:
图像获取单元,获取待识别的人脸图像;
特征提取单元,生成与所述人脸图像对应的第一人脸特征模型;
角度确定单元,确定所述人脸图像的拍摄角度;
模型筛选单元,从多个对象的第二人脸特征模型中,选定每个对象的与所述拍摄角度对应的第二人脸特征模型,每个对象的第二人脸特征模型包括:多个预定角度的第二人脸特征模型;
匹配单元,将选定的第二人脸特征模型分别与所述第一人脸特征模型进行比对,得到每个选定的第二人脸特征模型的第一相似度;在确定最大的第一相似度达到第一阈值时,将最大的第一相似度对应的对象作为所述人脸图像的匹配对象;
其中,在所述角度确定单元中,所述确定所述人脸图像的拍摄角度,包括:
确定多个对象的正脸角度的第二人脸特征模型分别与所述第一人脸特征模型的第二相似度,并将第二相似度达到第二阈值的一个正脸角度的第二人脸特征模型对应的对象作为第一对象;
确定第一对象的多个预定角度的第二人脸特征模型分别与所述第一人脸特征模型的第三相似度,以得到第三相似度排名靠前的至少一个第二人脸特征模型对应的预定角度;
根据所述至少一个第二人脸特征模型对应的预定角度,确定所述人脸图像的拍摄角度。
8.一种人脸识别装置,其特征在于,包括:
图像获取单元,获取待识别的人脸图像;
特征提取单元,生成与所述人脸图像对应的第一人脸特征模型;
角度确定单元,确定所述人脸图像的拍摄角度;
模型筛选单元,从多个对象的第二人脸特征模型中,选定每个对象的与所述拍摄角度对应的第二人脸特征模型,每个对象的第二人脸特征模型包括:多个预定角度的第二人脸特征模型;
匹配单元,将选定的第二人脸特征模型分别与所述第一人脸特征模型进行比对,得到每个选定的第二人脸特征模型的第一相似度;在确定最大的第一相似度达到第一阈值时,将最大的第一相似度对应的对象作为所述人脸图像的匹配对象;
其中,所述每个对象的多个预定角度的第二人脸特征模型包括:基于第一转轴的多个预定角度的第二人脸特征模型和/或基于第二转轴的多个预定角度的第二人脸特征模型,其中,所述第一转轴和第二转轴相交,所述第一转轴和第二转轴所处共同平面与拍摄镜头方向垂直,基于第一转轴的多个预定角度的第二人脸特征模型包括:与第一转轴的多个转动角度对应的人脸图像的第二人脸特征模型,基于第二转轴的多个预定角度的第二人脸特征模型包括:与第二转轴的多个转动角度对应的人脸图像的第二人脸特征模型;
在所述角度确定单元中,所述确定所述人脸图像的拍摄角度,包括:
确定多个对象的正脸角度的第二人脸特征模型分别与所述第一人脸特征模型的第二相似度,并将第二相似度达到第二阈值的一个正脸角度的第二人脸特征模型对应的对象作为第一对象;
确定第一对象的基于第一转轴的多个预定角度的第二人脸特征模型分别与所述第一人脸特征模型的第四相似度,以得到第四相似度排名靠前的至少一个第二人脸特征模型对应的第一预定角度;
确定第一对象的基于第二转轴的多个预定角度的第二人脸特征模型分别与所述第一人脸特征模型的第五相似度,以得到第五相似度排名靠前的至少一个第二人脸特征模型对应的第二预定角度;
根据第一预定角度和第二预定角度,确定所述拍摄角度,所述拍摄角度包括:基于第一转轴的转角和基于第二转轴的转角。
9.一种人脸识别系统,其特征在于,包括:
图像采集设备,获取待识别的人脸图像;
人脸识别平台,接收所述图像采集设备获取的待识别的人脸图像,生成与所述人脸图像对应的第一人脸特征模型,从多个对象的第二人脸特征模型中,选定每个对象的与拍摄角度对应的第二人脸特征模型,每个对象的第二人脸特征模型包括:多个预定角度的第二人脸特征模型;将选定的第二人脸特征模型分别与所述第一人脸特征模型进行比对,得到每个选定的第二人脸特征模型的第一相似度;在确定最大的第一相似度达到第一阈值时,将最大的第一相似度对应的对象作为所述人脸图像的匹配对象;
其中,所述确定所述人脸图像的拍摄角度,包括:
确定多个对象的正脸角度的第二人脸特征模型分别与所述第一人脸特征模型的第二相似度,并将第二相似度达到第二阈值的一个正脸角度的第二人脸特征模型对应的对象作为第一对象;
确定第一对象的多个预定角度的第二人脸特征模型分别与所述第一人脸特征模型的第三相似度,以得到第三相似度排名靠前的至少一个第二人脸特征模型对应的预定角度;
根据所述至少一个第二人脸特征模型对应的预定角度,确定所述人脸图像的拍摄角度。
10.一种人脸识别系统,其特征在于,包括:
图像采集设备,获取待识别的人脸图像;
人脸识别平台,接收所述图像采集设备获取的待识别的人脸图像,生成与所述人脸图像对应的第一人脸特征模型,从多个对象的第二人脸特征模型中,选定每个对象的与拍摄角度对应的第二人脸特征模型,每个对象的第二人脸特征模型包括:多个预定角度的第二人脸特征模型;将选定的第二人脸特征模型分别与所述第一人脸特征模型进行比对,得到每个选定的第二人脸特征模型的第一相似度;在确定最大的第一相似度达到第一阈值时,将最大的第一相似度对应的对象作为所述人脸图像的匹配对象;
其中,所述每个对象的多个预定角度的第二人脸特征模型包括:基于第一转轴的多个预定角度的第二人脸特征模型和/或基于第二转轴的多个预定角度的第二人脸特征模型,其中,所述第一转轴和第二转轴相交,所述第一转轴和第二转轴所处共同平面与拍摄镜头方向垂直,基于第一转轴的多个预定角度的第二人脸特征模型包括:与第一转轴的多个转动角度对应的人脸图像的第二人脸特征模型,基于第二转轴的多个预定角度的第二人脸特征模型包括:与第二转轴的多个转动角度对应的人脸图像的第二人脸特征模型;
所述确定所述人脸图像的拍摄角度,包括:
确定多个对象的正脸角度的第二人脸特征模型分别与所述第一人脸特征模型的第二相似度,并将第二相似度达到第二阈值的一个正脸角度的第二人脸特征模型对应的对象作为第一对象;
确定第一对象的基于第一转轴的多个预定角度的第二人脸特征模型分别与所述第一人脸特征模型的第四相似度,以得到第四相似度排名靠前的至少一个第二人脸特征模型对应的第一预定角度;
确定第一对象的基于第二转轴的多个预定角度的第二人脸特征模型分别与所述第一人脸特征模型的第五相似度,以得到第五相似度排名靠前的至少一个第二人脸特征模型对应的第二预定角度;
根据第一预定角度和第二预定角度,确定所述拍摄角度,所述拍摄角度包括:基于第一转轴的转角和基于第二转轴的转角。
11.一种计算设备,其特征在于,包括:
存储器;
处理器;
程序,存储在该存储器中并被配置为由所述处理器执行,所述程序包括用于执行权利要求1-6中任一项所述人脸识别方法的指令。
12.一种存储介质,存储有程序,所述程序包括指令,所述指令当由计算设备执行时,使得所述计算设备执行如权利要求1-6中任一项所述的人脸识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010926438.8A CN112016508B (zh) | 2020-09-07 | 2020-09-07 | 人脸识别方法、装置、系统、计算设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010926438.8A CN112016508B (zh) | 2020-09-07 | 2020-09-07 | 人脸识别方法、装置、系统、计算设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112016508A CN112016508A (zh) | 2020-12-01 |
CN112016508B true CN112016508B (zh) | 2023-08-29 |
Family
ID=73515424
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010926438.8A Active CN112016508B (zh) | 2020-09-07 | 2020-09-07 | 人脸识别方法、装置、系统、计算设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112016508B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115273264A (zh) * | 2022-08-09 | 2022-11-01 | 平安付科技服务有限公司 | 考勤系统、方法、存储介质及计算机设备 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009187186A (ja) * | 2008-02-05 | 2009-08-20 | Sony Corp | 画像処理装置および方法、並びにプログラム |
CN107480658A (zh) * | 2017-09-19 | 2017-12-15 | 苏州大学 | 基于多角度视频的人脸识别装置和方法 |
CN108021846A (zh) * | 2016-11-01 | 2018-05-11 | 杭州海康威视数字技术股份有限公司 | 一种人脸识别方法和装置 |
CN108256459A (zh) * | 2018-01-10 | 2018-07-06 | 北京博睿视科技有限责任公司 | 基于多摄像机融合的安检门人脸识别和人脸自动建库算法 |
WO2018137623A1 (zh) * | 2017-01-24 | 2018-08-02 | 深圳市商汤科技有限公司 | 图像处理方法、装置以及电子设备 |
WO2018170864A1 (zh) * | 2017-03-20 | 2018-09-27 | 成都通甲优博科技有限责任公司 | 一种人脸识别跟踪方法 |
CN108960156A (zh) * | 2018-07-09 | 2018-12-07 | 苏州浪潮智能软件有限公司 | 一种人脸检测识别方法及装置 |
CN109684951A (zh) * | 2018-12-12 | 2019-04-26 | 北京旷视科技有限公司 | 人脸识别方法、底库录入方法、装置及电子设备 |
WO2019128917A1 (zh) * | 2017-12-29 | 2019-07-04 | 腾讯科技(深圳)有限公司 | 对象控制方法、装置、存储介质和计算机设备 |
CN110443110A (zh) * | 2019-06-11 | 2019-11-12 | 平安科技(深圳)有限公司 | 基于多路摄像的人脸识别方法、装置、终端及存储介质 |
CN110688901A (zh) * | 2019-08-26 | 2020-01-14 | 苏宁云计算有限公司 | 一种人脸识别方法及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20150116641A (ko) * | 2014-04-08 | 2015-10-16 | 한국과학기술연구원 | 이미지 인식 장치, 그것의 이미지 인식 방법 및 얼굴 이미지 생성 방법 |
-
2020
- 2020-09-07 CN CN202010926438.8A patent/CN112016508B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009187186A (ja) * | 2008-02-05 | 2009-08-20 | Sony Corp | 画像処理装置および方法、並びにプログラム |
CN108021846A (zh) * | 2016-11-01 | 2018-05-11 | 杭州海康威视数字技术股份有限公司 | 一种人脸识别方法和装置 |
WO2018137623A1 (zh) * | 2017-01-24 | 2018-08-02 | 深圳市商汤科技有限公司 | 图像处理方法、装置以及电子设备 |
WO2018170864A1 (zh) * | 2017-03-20 | 2018-09-27 | 成都通甲优博科技有限责任公司 | 一种人脸识别跟踪方法 |
CN107480658A (zh) * | 2017-09-19 | 2017-12-15 | 苏州大学 | 基于多角度视频的人脸识别装置和方法 |
WO2019128917A1 (zh) * | 2017-12-29 | 2019-07-04 | 腾讯科技(深圳)有限公司 | 对象控制方法、装置、存储介质和计算机设备 |
CN108256459A (zh) * | 2018-01-10 | 2018-07-06 | 北京博睿视科技有限责任公司 | 基于多摄像机融合的安检门人脸识别和人脸自动建库算法 |
CN108960156A (zh) * | 2018-07-09 | 2018-12-07 | 苏州浪潮智能软件有限公司 | 一种人脸检测识别方法及装置 |
CN109684951A (zh) * | 2018-12-12 | 2019-04-26 | 北京旷视科技有限公司 | 人脸识别方法、底库录入方法、装置及电子设备 |
CN110443110A (zh) * | 2019-06-11 | 2019-11-12 | 平安科技(深圳)有限公司 | 基于多路摄像的人脸识别方法、装置、终端及存储介质 |
CN110688901A (zh) * | 2019-08-26 | 2020-01-14 | 苏宁云计算有限公司 | 一种人脸识别方法及装置 |
Non-Patent Citations (1)
Title |
---|
基于三种类型图像数据的人脸识别测试;谢兰迟等;《刑事技术》;第41卷(第6期);第442-445页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112016508A (zh) | 2020-12-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11748906B2 (en) | Gaze point calculation method, apparatus and device | |
CN111127304B (zh) | 跨域图像转换 | |
Wechsler | Reliable Face Recognition Methods: System Design, Impementation and Evaluation | |
CN110738595B (zh) | 图片处理方法、装置和设备及计算机存储介质 | |
WO2020156143A1 (zh) | 三维人体姿态信息检测方法及装置、电子设备、存储介质 | |
CN108596827B (zh) | 三维人脸模型生成方法、装置及电子设备 | |
KR101647803B1 (ko) | 3차원 얼굴모델 투영을 통한 얼굴 인식 방법 및 시스템 | |
Du et al. | Robust face recognition from multi-view videos | |
CN111091075B (zh) | 人脸识别方法、装置、电子设备及存储介质 | |
JP5631086B2 (ja) | 情報処理装置及びその制御方法、プログラム | |
US9224036B2 (en) | Generating static scenes | |
JP2008152530A (ja) | 顔認識装置及び顔認識方法、ガボア・フィルタ適用装置、並びにコンピュータ・プログラム | |
WO2023011013A1 (zh) | 视频图像的拼缝搜索方法、视频图像的拼接方法和装置 | |
WO2021218568A1 (zh) | 图像深度确定方法及活体识别方法、电路、设备和介质 | |
JP2009157767A (ja) | 顔画像認識装置、顔画像認識方法、顔画像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 | |
Raghavendra et al. | 3d face reconstruction and multimodal person identification from video captured using smartphone camera | |
CA3172140A1 (en) | Full skeletal 3d pose recovery from monocular camera | |
WO2022219384A1 (en) | Method and apparatus for generating point cloud encoder,method and apparatus for generating point cloud data, electronic device and computer storage medium | |
CN112016508B (zh) | 人脸识别方法、装置、系统、计算设备及存储介质 | |
WO2014100449A1 (en) | Capturing photos without a camera | |
CN115035456A (zh) | 视频去噪方法、装置、电子设备和可读存储介质 | |
Zhu et al. | Beyond 3DMM: Learning to capture high-fidelity 3D face shape | |
Park et al. | 3D face reconstruction from stereo video | |
Chrzan | Liveness detection for face recognition | |
CN112990047B (zh) | 一种结合面部角度信息的多姿态人脸验证方法 |
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 |