CN112052780A - 人脸验证方法、装置、系统及存储介质 - Google Patents
人脸验证方法、装置、系统及存储介质 Download PDFInfo
- Publication number
- CN112052780A CN112052780A CN202010906410.8A CN202010906410A CN112052780A CN 112052780 A CN112052780 A CN 112052780A CN 202010906410 A CN202010906410 A CN 202010906410A CN 112052780 A CN112052780 A CN 112052780A
- Authority
- CN
- China
- Prior art keywords
- face
- driver
- image
- neural network
- preset threshold
- 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
Links
- 238000012795 verification Methods 0.000 title claims abstract description 139
- 238000000034 method Methods 0.000 title claims abstract description 76
- 238000013528 artificial neural network Methods 0.000 claims description 115
- 230000001815 facial effect Effects 0.000 claims description 50
- 238000005286 illumination Methods 0.000 claims description 34
- 238000012216 screening Methods 0.000 claims description 33
- 230000036544 posture Effects 0.000 claims description 28
- 238000012549 training Methods 0.000 claims description 27
- 238000004590 computer program Methods 0.000 claims description 15
- 238000012545 processing Methods 0.000 abstract description 34
- 238000010586 diagram Methods 0.000 description 11
- 238000004891 communication Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 7
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012552 review Methods 0.000 description 2
- 238000012550 audit Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
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
- G06V40/166—Detection; Localisation; Normalisation using acquisition arrangements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
-
- 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)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Economics (AREA)
- Artificial Intelligence (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Human Computer Interaction (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Entrepreneurship & Innovation (AREA)
- Multimedia (AREA)
- General Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Computational Linguistics (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Evolutionary Biology (AREA)
- Primary Health Care (AREA)
- Collating Specific Patterns (AREA)
Abstract
本申请提供一种人脸验证方法、装置、系统及存储介质,该方法基于车载设备和服务器相结合的方式进行网约车司机人脸验证,其中,首先在车载设备进行司机人脸验证,将大量的验证分散在各个车载设备进行,仅将一部分验证上传至服务器处理,既能够充分利用车载设备的计算能力,又减轻了服务器的计算压力,提高服务器的处理速度,降低处理成本,并节约了图像上传所需的大量数据流量,而且,本申请实施例在进行人脸验证之前,对获取的司机的多个人脸图像进行了筛选,筛选出符合要求的人脸图像,进而,基于筛选出的人脸图像进行后续人脸验证处理,提高了后续人脸验证结果的准确性,适合实际应用。
Description
技术领域
本申请涉及计算机视觉技术,尤其涉及一种人脸验证方法、装置、系统及存储介质。
背景技术
随着网络技术的发展,通过网络预约车辆出行的方式被越来越多的人采用,该种出行方式在为人们带来便捷的同时,也存在着以下的安全隐患。例如,网约车的司机只要用账号登录平台服务器即可接受乘客的订单,这样,无法确认接受订单的司机与注册时的司机是否为同一人,也无法确认通过同一账号接受这一订单的司机与上一单的司机是否为同一人等,进而,使乘客在使用网约车日常出行的过程中存在着一定的安全隐患。
为了对网约车司机的身份进行验证,相关技术中,通常是通过云端对两张来自相同司机身份标识号码(IDentity,ID)的两个司机的人脸进行比对验证,判断是否为同一个人,即判断相同司机ID是否发生换人。
然而,当司机人数特别多时,云端接收到的比对数据量级特别大,验证人脸所需的计算资源是巨大的,可能导致通过云端对司机进行人脸验证的周期较长、成本较高,而且云端直接将两个司机的人脸进行比对验证,误差率较高,进而,无法及时发现安全风险,无法快速进行必要的干预。
发明内容
为解决现有技术中存在的问题,本申请提供一种人脸验证方法、装置、系统及存储介质。
第一方面,本申请实施例提供一种人脸验证方法,包括:
在获取待验证司机的多个人脸图像后,从所述多个人脸图像中筛选出目标人脸图像;
将所述目标人脸图像输入第一预设神经网络,其中,所述第一预设神经网络通过第一参考人脸图像和人脸特征训练得到;
获取所述第一预设神经网络输出的人脸特征,并确定获取的人脸特征与预存的司机的人脸特征之间的相似度;
若所述相似度小于第一预设阈值,且大于第二预设阈值,其中,所述第一预设阈值大于所述第二预设阈值,则将所述目标人脸图像上传至服务器,所述目标人脸图像用于指示所述服务器根据所述目标人脸图像,对所述待验证司机进行人脸验证。
在一种可能的实现方式中,所述从所述多个人脸图像中筛选出目标人脸图像,包括:
对所述多个人脸图像的人脸姿态、图像光照和人脸遮挡进行判断;
根据判断结果,从所述多个人脸图像中筛选出所述目标人脸图像。
在一种可能的实现方式中,所述对所述多个人脸图像的人脸姿态、图像光照和人脸遮挡进行判断,包括:
将所述多个人脸图像输入第二预设神经网络,其中,所述第二预设神经网络通过第二参考人脸图像和图像判断结果训练得到,所述图像判断结果包括人脸姿态判断结果、图像光照判断结果和人脸遮挡判断结果;
根据所述第二预设神经网络输出的图像判断结果,确定所述多个人脸图像的人脸姿态、图像光照和人脸遮挡的判断结果。
在一种可能的实现方式中,在所述确定获取的人脸特征与预存的司机的人脸特征之间的相似度之后,还包括:
若所述相似度大于或等于所述第一预设阈值,则确定所述待验证司机与所述预存的司机为同一人。
在一种可能的实现方式中,在所述确定获取的人脸特征与预存的司机的人脸特征之间的相似度之后,还包括:
若所述相似度小于或等于所述第二预设阈值,则确定所述待验证司机与所述预存的司机不为同一人。
在一种可能的实现方式中,所述第一预设神经网络的结构采用轻量网络的结构,所述轻量网络为MobileNet或ShuffleNet。
第二方面,本申请实施例提供另一种人脸验证方法,包括:
接收车载设备上传的待验证司机的目标人脸图像,所述目标人脸图像的人脸特征与预存的司机的人脸特征之间的相似度小于第一预设阈值,且大于第二预设阈值,其中,所述第一预设阈值大于所述第二预设阈值;
将所述目标人脸图像输入第三预设神经网络,其中,所述第三预设神经网络通过第三参考人脸图像和人脸特征训练得到;
获取所述第三预设神经网络输出的人脸特征,并确定获取的人脸特征与预存的司机的人脸特征之间的相似度;
若所述相似度小于第三预设阈值,且大于第四预设阈值,其中,所述第三预设阈值大于所述第四预设阈值,则将所述目标人脸图像发送至人工审核单元。
在一种可能的实现方式中,在所述确定获取的人脸特征与预存的司机的人脸特征之间的相似度之后,还包括:
若所述相似度大于或等于所述第三预设阈值,则确定所述待验证司机与所述预存的司机为同一人。
在一种可能的实现方式中,在所述确定获取的人脸特征与预存的司机的人脸特征之间的相似度之后,还包括:
若所述相似度小于或等于所述第四预设阈值,则确定所述待验证司机与所述预存的司机不为同一人。
在一种可能的实现方式中,所述第三预设神经网络的结构采用复杂网络的结构,所述复杂网络为ResNet或VGGNet。
第三方面,本申请实施例提供一种人脸验证装置,包括:
筛选模块,用于在获取待验证司机的多个人脸图像后,从所述多个人脸图像中筛选出目标人脸图像;
第一输入模块,用于将所述目标人脸图像输入第一预设神经网络,其中,所述第一预设神经网络通过第一参考人脸图像和人脸特征训练得到;
第一确定模块,用于获取所述第一预设神经网络输出的人脸特征,并确定获取的人脸特征与预存的司机的人脸特征之间的相似度;
上传模块,用于若所述相似度小于第一预设阈值,且大于第二预设阈值,其中,所述第一预设阈值大于所述第二预设阈值,则将所述目标人脸图像上传至服务器,所述目标人脸图像用于指示所述服务器根据所述目标人脸图像,对所述待验证司机进行人脸验证。
在一种可能的实现方式中,所述筛选模块,具体用于:
对所述多个人脸图像的人脸姿态、图像光照和人脸遮挡进行判断;
根据判断结果,从所述多个人脸图像中筛选出所述目标人脸图像。
在一种可能的实现方式中,所述筛选模块,具体用于:
将所述多个人脸图像输入第二预设神经网络,其中,所述第二预设神经网络通过第二参考人脸图像和图像判断结果训练得到,所述图像判断结果包括人脸姿态判断结果、图像光照判断结果和人脸遮挡判断结果;
根据所述第二预设神经网络输出的图像判断结果,确定所述多个人脸图像的人脸姿态、图像光照和人脸遮挡的判断结果。
在一种可能的实现方式中,所述第一确定模块在确定获取的人脸特征与预存的司机的人脸特征之间的相似度之后,还用于:
若所述相似度大于或等于所述第一预设阈值,则确定所述待验证司机与所述预存的司机为同一人。
在一种可能的实现方式中,所述第一确定模块在确定获取的人脸特征与预存的司机的人脸特征之间的相似度之后,还用于:
若所述相似度小于或等于所述第二预设阈值,则确定所述待验证司机与所述预存的司机不为同一人。
在一种可能的实现方式中,所述第一预设神经网络的结构采用轻量网络的结构,所述轻量网络为MobileNet或ShuffleNet。
第四方面,本申请实施例提供另一种人脸验证装置,包括:
接收模块,用于接收车载设备上传的待验证司机的目标人脸图像,所述目标人脸图像的人脸特征与预存的司机的人脸特征之间的相似度小于第一预设阈值,且大于第二预设阈值,其中,所述第一预设阈值大于所述第二预设阈值;
第二输入模块,用于将所述目标人脸图像输入第三预设神经网络,其中,所述第三预设神经网络通过第三参考人脸图像和人脸特征训练得到;
第二确定模块,用于获取所述第三预设神经网络输出的人脸特征,并确定获取的人脸特征与预存的司机的人脸特征之间的相似度;
发送模块,用于若所述相似度小于第三预设阈值,且大于第四预设阈值,其中,所述第三预设阈值大于所述第四预设阈值,则将所述目标人脸图像发送至人工审核单元。
在一种可能的实现方式中,所述第二确定模块在确定获取的人脸特征与预存的司机的人脸特征之间的相似度之后,还用于:
若所述相似度大于或等于所述第三预设阈值,则确定所述待验证司机与所述预存的司机为同一人。
在一种可能的实现方式中,所述第二确定模块在确定获取的人脸特征与预存的司机的人脸特征之间的相似度之后,还用于:
若所述相似度小于或等于所述第四预设阈值,则确定所述待验证司机与所述预存的司机不为同一人。
在一种可能的实现方式中,所述第三预设神经网络的结构采用复杂网络的结构,所述复杂网络为ResNet或VGGNet。
第五方面,本申请实施例提供一种人脸验证系统,包括:
车载设备,用于在获取待验证司机的多个人脸图像后,从所述多个人脸图像中筛选出目标人脸图像;将所述目标人脸图像输入第一预设神经网络,其中,所述第一预设神经网络通过第一参考人脸图像和人脸特征训练得到;获取所述第一预设神经网络输出的人脸特征,并确定获取的人脸特征与预存的司机的人脸特征之间的相似度;若所述相似度小于第一预设阈值,且大于第二预设阈值,其中,所述第一预设阈值大于所述第二预设阈值,则将所述目标人脸图像上传至服务器;
所述服务器,用于根据所述目标人脸图像,对所述待验证司机进行人脸验证。
第六方面,本申请实施例提供一种车载设备,包括:
处理器;
存储器;以及
计算机程序;
其中,所述计算机程序被存储在所述存储器中,并且被配置为由所述处理器执行,所述计算机程序包括用于执行如第一方面所述的方法的指令。
第七方面,本申请实施例提供一种服务器,包括:
处理器;
存储器;以及
计算机程序;
其中,所述计算机程序被存储在所述存储器中,并且被配置为由所述处理器执行,所述计算机程序包括用于执行如第二方面所述的方法的指令。
第八方面,本申请实施例提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序使得服务器执行第一方面所述的方法。
第九方面,本申请实施例提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序使得服务器执行第二方面所述的方法。
本申请实施例提供的人脸验证方法、装置、系统及存储介质,该方法基于车载设备和服务器相结合的方式进行网约车司机人脸验证,其中,首先在车载设备进行司机人脸验证,将大量的验证分散在各个车载设备进行,仅将一部分验证上传至服务器处理,既能够充分利用车载设备的计算能力,又减轻了服务器的计算压力,提高服务器的处理速度,降低处理成本,并节约了图像上传所需的大量数据流量,而且,本申请实施例在进行人脸验证之前,对获取的司机的多个人脸图像进行了筛选,筛选出符合要求的人脸图像,进而,基于筛选出的人脸图像进行后续人脸验证处理,提高了后续人脸验证结果的准确性,适合实际应用。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的人脸验证系统架构示意图;
图2为本申请实施例提供的一种人脸验证方法的流程示意图;
图3为本申请实施例提供的另一种人脸验证方法的流程示意图;
图4为本申请实施例提供的再一种人脸验证方法的流程示意图;
图5为本申请实施例提供的又一种人脸验证方法的流程示意图;
图6为本申请实施例提供的又一种人脸验证方法的流程示意图;
图7为本申请实施例提供的一种人脸验证装置的结构示意图;
图8为本申请实施例提供的另一种人脸验证装置的结构示意图;
图9为本申请实施例提供的一种人脸验证系统的结构示意图;
图10A为本申请实施例提供的车载设备的一种可能的基本硬件架构图;
图10B为本申请实施例提供的服务器的另一种可能的基本硬件架构图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”及“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
本申请实施例所涉及的人脸验证是指基于车载设备和服务器相结合的方式进行网约车司机人脸验证,将大量的验证分散在各个车载设备进行,仅将一部分验证上传至服务器处理,充分利用车载设备的计算能力,减轻服务器的计算压力,并且进行人脸验证的人脸图像是通过对司机的多个人脸图像进行筛选后获得的,提高后续人脸验证结果的准确性。
本申请实施例提供的人脸验证方法可应用在通过网约车出行的应用场景中,除此之外,本申请实施例提供的人脸验证方法还可应用在其它车辆的司机人脸验证,例如公交车司机的人脸验证和共享车辆的司机人脸验证等,本申请实施例对此不做特别限制。
可选地,图1为人脸验证系统架构示意图。在图1中,以网约车司机人脸验证为例,上述架构包括服务器11和多个车载设备,这里,该多个车载设备以第一车载设备12、第二车载设备13和第三车载设备14为例。
可以理解的是,本申请实施例示意的结构并不构成对人脸验证架构的具体限定。在本申请另一些可行的实施方式中,上述架构可以包括比图示更多或更少的部件,或者组合某些部件,或者拆分某些部件,或者不同的部件布置,具体可根据实际应用场景确定,在此不做限制。图1所示的部件可以以硬件,软件,或软件与硬件的组合实现。
在具体实现过程中,本申请实施例中第一车载设备12、第二车载设备13和第三车载设备14可以分别搭载在不同网约车上,例如第一车载设备12搭载在网约车1上,第二车载设备13搭载在网约车2上,第三车载设备14搭载在网约车3上。如果网约车1上的司机接受一订单,此时需要对该司机进行人脸验证。上述第一车载设备12可以在司机进入网约车1,开始驾驶之前,获取网约车1上的司机的人脸图像,示例性的,上述第一车载设备12可以通过网约车1上设置的向内摄像头获取车上司机的人脸图像,进而,提取该司机的人脸图像的人脸特征,利用预存的司机的人脸特征,进行人脸认证,即判断两人是不是同一人。其中,预存的司机的人脸特征可以是网约车1的司机注册时获取并存储,或者,在网约车1行驶过程中获取,并通过网约车1的司机确认后存储。如果第一车载设备12基于上述提取的司机的人脸图像的人脸特征和预存的司机的人脸特征,可以判定两人是同一人,则进行允许司机驾驶网约车1的指示,否则,第一车载设备12可以把上述获取的网约车1上的司机的人脸图像上传至服务器11进行更准确的验证,这样,大量的验证分散在各个车载设备进行,即能够充分利用车载设备的计算能力,又减轻了服务器的计算压力,提高服务器的处理速度,降低处理成本,并节约了图像上传所需的大量数据流量。
在上述应用场景中,服务器11在验证后,如果验证两人是同一人,可以向第一车载设备12发送允许司机驾驶网约车1的指示。如果验证两人不是同一人,可以向第一车载设备12发送拒绝司机驾驶网约车1的指示,同时可以向通过网约车1出行的乘客发送风险提示,及时发现安全风险,快速进行必要的干预。
同理,第二车载设备13和第三车载设备14与服务器11的交互流程,可以参照上述,此处不再赘述。
另外,本申请实施例描述的系统架构以及业务场景是为了更加清楚的说明本申请实施例的技术方案,并不构成对于本申请实施例提供的技术方案的限定,本领域普通技术人员可知,随着系统架构的演变和新业务场景的出现,本申请实施例提供的技术方案对于类似的技术问题,同样适用。
下面以几个实施例为例对本申请的技术方案进行描述,对于相同或相似的概念或过程可能在某些实施例不再赘述。
图2为本申请实施例提供的一种人脸验证方法的流程示意图,本申请实施例提供了一种人脸验证方法,该方法可以由车载设备来执行,例如图1中的第一车载设备12、第二车载设备13和第三车载设备14来执行,该装置可以通过软件和/或硬件实现。如图2所示,本申请实施例提供的人脸验证方法包括如下步骤:
S201:在获取待验证司机的多个人脸图像后,从该多个人脸图像中筛选出目标人脸图像。
这里,待验证司机可以为要驾驶网约车的司机。为了确认接受订单的司机与注册时的司机是同一人,或者确认通过同一账号接受这一订单的司机与上一单的司机是否为同一人等,避免乘客在使用网约车出行的过程中的安全隐患,需要对要驾驶网约车的司机进行人脸验证。
示例性的,车载设备可以利用车辆内的图像获取装置,例如车辆内的向内摄像头,获取待验证司机的多个人脸图像。
由于上述车载设备在获取待验证司机的多个人脸图像过程中,无法对司机进行提醒或约束,因此,获取的待验证司机的多个人脸图像可以存在很多问题,例如采集的人脸存在侧脸,光照过亮或过暗,有墨镜、口罩等遮挡等。本申请实施例在获取待验证司机的多个人脸图像后,进一步对该多个人脸图像进行筛选,筛选出符合要求的人脸图像作为目标人脸图像,以便后续进行更精准的人脸验证。
S202:将上述目标人脸图像输入第一预设神经网络,其中,第一预设神经网络通过第一参考人脸图像和人脸特征训练得到。
这里,第一预设神经网络输入人脸图像,输出人脸特征。具体第一预设神经网络的结构可以根据实际情况确定,例如,第一预设神经网络的结构可以采用轻量网络的结构,该轻量网络可以为MobileNet或ShuffleNet等。
其中,第一预设神经网络采用轻量网络的网络结构,参数量少,运算速度快,从而满足手机、电脑或者其他硬件设备的实时要求。
S203:获取第一预设神经网络输出的人脸特征,并确定获取的人脸特征与预存的司机的人脸特征之间的相似度。
其中,预存的司机的人脸特征可以是网约车的司机注册时获取并存储,或者,在网约车行驶过程中获取,并通过网约车的司机确认后存储。具体的,车载设备可以利用车辆内相同的图像获取装置,获取上述司机不同姿态的人脸图像,并利用第一预设神经网络对获取的人脸图像进行特征提取,进而存储上述司机的多个人脸特征。
示例性的,上述获取的人脸特征数与预存的司机的人脸特征数相同,上述确定获取的人脸特征与预存的司机的人脸特征之间的相似度可以包括:
将获取的人脸特征与预存的司机的人脸特征进行比较,获得比较相同的特征数,根据该比较相同的特征数与总的人脸特征数的比值,确定获取的人脸特征与预存的司机的人脸特征之间的相似度,其中,上述总的人脸特征数可以是上述获取的人脸特征数,或者预存的司机的人脸特征数。
S204:若上述相似度小于第一预设阈值,且大于第二预设阈值,其中,第一预设阈值大于第二预设阈值,则将上述目标人脸图像上传至服务器,上述目标人脸图像用于指示服务器根据上述目标人脸图像,对上述待验证司机进行人脸验证。
在本申请实施例中,第一预设阈值可以设置为较大的值,例如0.7或0.8等,同理,第二预设阈值可以设置为较小的值,例如0.1或0.2等,从而保证车载设备端人脸验证结果的准确度。
本申请实施例,基于车载设备和服务器相结合的方式进行网约车司机人脸验证,其中,首先在车载设备进行司机人脸验证,将大量的验证分散在各个车载设备进行,仅将一部分验证上传至服务器处理,既能够充分利用车载设备的计算能力,又减轻了服务器的计算压力,提高服务器的处理速度,降低处理成本,并节约了图像上传所需的大量数据流量,而且,本申请实施例在进行人脸验证之前,对获取的司机的多个人脸图像进行了筛选,筛选出符合要求的人脸图像,进而,基于筛选出的人脸图像进行后续人脸验证处理,提高了后续人脸验证结果的准确性,适合实际应用。
另外,本申请实施例在从上述多个人脸图像中筛选出目标人脸图像时,考虑对上述多个人脸图像的人脸姿态、图像光照和人脸遮挡进行判断。图3为本申请实施例提出的另一种人脸验证方法的流程示意图。如图3所示,该方法包括:
S301:在获取待验证司机的多个人脸图像后,对该多个人脸图像的人脸姿态、图像光照和人脸遮挡进行判断。
S302:根据判断结果,从上述多个人脸图像中筛选出目标人脸图像。
示例性的,上述对多个人脸图像的人脸姿态、图像光照和人脸遮挡进行判断,包括:
将上述多个人脸图像输入第二预设神经网络,其中,第二预设神经网络通过第二参考人脸图像和图像判断结果训练得到,该图像判断结果包括人脸姿态判断结果、图像光照判断结果和人脸遮挡判断结果;
根据第二预设神经网络输出的图像判断结果,确定上述多个人脸图像的人脸姿态、图像光照和人脸遮挡的判断结果。
这里,车载设备获取的待验证司机的多个人脸图像可以存在很多问题,例如采集的人脸存在侧脸、光照过亮、过暗,有墨镜、口罩等遮挡等。本申请实施例在获取待验证司机的多个人脸图像后,对该多个人脸图像进行筛选,即根据第二预设神经网络输出的图像判断结果,确定上述多个人脸图像的人脸姿态、图像光照和人脸遮挡的判断结果,从而筛选出人脸是正脸、光照正常、无遮挡的人脸图像作为目标人脸图像,以便后续进行更精准的人脸验证。
S303:将上述目标人脸图像输入第一预设神经网络,其中,第一预设神经网络通过第一参考人脸图像和人脸特征训练得到。
S304:获取第一预设神经网络输出的人脸特征,并确定获取的人脸特征与预存的司机的人脸特征之间的相似度。
S305:若上述相似度小于第一预设阈值,且大于第二预设阈值,其中,第一预设阈值大于第二预设阈值,则将上述目标人脸图像上传至服务器,上述目标人脸图像用于指示服务器根据上述目标人脸图像,对上述待验证司机进行人脸验证。
其中,步骤S303-S305与上述步骤S202-S204的实现方式相同,此处不再赘述。
本申请实施例,终端设备在获取待验证司机的多个人脸图像后,对该多个人脸图像的人脸姿态、图像光照和人脸遮挡进行判断,从而,基于判断结果,从上述多个人脸图像中筛选出目标人脸图像,例如人脸是正脸、光照正常、无遮挡的人脸图像,进而,基于目标人脸图像进行后续人脸验证处理,提高了后续人脸验证结果的准确性,而且本申请实施例基于车载设备和服务器相结合的方式进行网约车司机人脸验证,其中,首先在车载设备进行司机人脸验证,将大量的验证分散在各个车载设备进行,仅将一部分验证上传至服务器处理,既能够充分利用车载设备的计算能力,又减轻了服务器的计算压力。
另外,本申请实施例在确定获取的人脸特征与预存的司机的人脸特征之间的相似度之后,还考虑该相似度大于或等于第一预设阈值,以及该相似度小于或等于第二预设阈值的情况。图4为本申请实施例提出的再一种人脸验证方法的流程示意图。如图4所示,该方法包括:
S401:在获取待验证司机的多个人脸图像后,从该多个人脸图像中筛选出目标人脸图像。
S402:将上述目标人脸图像输入第一预设神经网络,其中,第一预设神经网络通过第一参考人脸图像和人脸特征训练得到。
S403:获取第一预设神经网络输出的人脸特征,并确定获取的人脸特征与预存的司机的人脸特征之间的相似度。
S404:若上述相似度小于第一预设阈值,且大于第二预设阈值,其中,第一预设阈值大于第二预设阈值,则将上述目标人脸图像上传至服务器,上述目标人脸图像用于指示服务器根据上述目标人脸图像,对上述待验证司机进行人脸验证。
其中,步骤S401-S404与上述步骤S201-S204的实现方式相同,此处不再赘述。
S405:若上述相似度大于或等于第一预设阈值,则确定上述待验证司机与上述预存的司机为同一人。
S406:若上述相似度小于或等于第二预设阈值,则确定上述待验证司机与上述预存的司机不为同一人。
这里,第一预设阈值可以设置为较大的值,例如大于或等于0.7,具体的0.7或0.8等,如果第一预设神经网络输出的人脸特征与预存的司机的人脸特征之间的相似度,大于或等于第一预设阈值,说明第一预设神经网络输出的人脸特征与预存的司机的人脸特征基本相同,车载设备可以准确判断出上述待验证司机与上述预存的司机为同一人。
第二预设阈值可以设置为较小的值,例如小于或等于0.2,具体的0.1或0.2等,如果第一预设神经网络输出的人脸特征与预存的司机的人脸特征之间的相似度,小于或等于第二预设阈值,说明第一预设神经网络输出的人脸特征与预存的司机的人脸特征差别很大,车载设备也可以准确判断出上述待验证司机与上述预存的司机不为同一人。
本申请实施例,车载设备将第一预设阈值设置为较大的值,将第二预设阈值设置为较小的值,从而,在第一预设神经网络输出的人脸特征与预存的司机的人脸特征之间的相似度,大于或等于第一预设阈值时,准确判断出上述待验证司机与上述预存的司机为同一人,而在第一预设神经网络输出的人脸特征与预存的司机的人脸特征之间的相似度,小于或等于第二预设阈值,准确判断出上述待验证司机与上述预存的司机不为同一人,保证车载设备端人脸验证结果的准确度。本申请实施例中车载设备只有在第一预设神经网络输出的人脸特征与预存的司机的人脸特征之间的相似度,小于第一预设阈值,且大于第二预设阈值时,才将上述目标人脸图像上传至服务器进行人脸验证,即仅将一部分验证上传至服务器处理,既能够充分利用车载设备的计算能力,又减轻了服务器的计算压力。另外,本申请实施例在进行人脸验证之前,对获取的司机的多个人脸图像进行了筛选,筛选出符合要求的人脸图像,进而,基于筛选出的人脸图像进行后续人脸验证处理,提高了后续人脸验证结果的准确性。
以上实施例从车载设备侧详细描述了根据本申请实施例的人脸验证方法,下面将结合以下实施例从服务器侧详细描述根据本申请实施例提供的人脸验证方法。应理解,服务器侧描述的某些概念、特性等与终端端侧的描述相应,为了简洁,适当省略重复的描述。
图5为本申请实施例提供的又一种人脸验证方法的流程示意图,本实施例的执行主体可以为图1中的服务器,如图5所示,该方法可以包括如下步骤:
S501:接收车载设备上传的待验证司机的目标人脸图像,该目标人脸图像的人脸特征与预存的司机的人脸特征之间的相似度小于第一预设阈值,且大于第二预设阈值,其中,第一预设阈值大于第二预设阈值。
这里,车载设备在获取待验证司机的多个人脸图像后,从该多个人脸图像中筛选出目标人脸图像,将该目标人脸图像输入第一预设神经网络,其中,第一预设神经网络通过第一参考人脸图像和人脸特征训练得到,进而,获取第一预设神经网络输出的人脸特征,并确定获取的人脸特征与预存的司机的人脸特征之间的相似度。如果该相似度小于第一预设阈值,且大于第二预设阈值,则将上述目标人脸图像上传至服务器。即在本申请实施例中,首先在车载设备进行司机人脸验证,将大量的验证分散在各个车载设备进行,仅将一部分验证上传至服务器处理,既能够充分利用车载设备的计算能力,又减轻了服务器的计算压力。
S502:将上述目标人脸图像输入第三预设神经网络,其中,第三预设神经网络通过第三参考人脸图像和人脸特征训练得到。
其中,第三预设神经网络输入人脸图像,输出人脸特征。具体第三预设神经网络的结构可以根据实际情况确定,例如,第三预设神经网络的结构可以采用复杂网络的结构,该复杂网络可以为ResNet或VGGNet等。
在本申请实施例中,第一预设神经网络的结构可以采用轻量网络的结构,参数量少,运算速度快,从而满足手机、电脑或者其他硬件设备的实时要求。第三预设神经网络采用复杂网络的网络结构,提取的人脸特征更丰富,从而,提高后续基于提取的人脸特征进行人脸认证的准确度。
S503:获取第三预设神经网络输出的人脸特征,并确定获取的人脸特征与预存的司机的人脸特征之间的相似度。
其中,服务器预存的司机的人脸特征与车载设备预存的司机的人脸特征相同,可以是网约车的司机注册时获取并存储,或者,在网约车行驶过程中获取,并通过网约车的司机确认后存储。
S504:若上述相似度小于第三预设阈值,且大于第四预设阈值,其中,第三预设阈值大于第四预设阈值,则将上述目标人脸图像发送至人工审核单元。
可选地,若上述相似度大于或等于第三预设阈值,则确定上述待验证司机与上述预存的司机为同一人。
若上述相似度小于或等于第四预设阈值,则确定上述待验证司机与上述预存的司机不为同一人。
这里,服务器将第三预设阈值设置为较大的值,将第四预设阈值设置为较小的值,从而,在第三预设神经网络输出的人脸特征与预存的司机的人脸特征之间的相似度,大于或等于第三预设阈值时,准确判断出上述待验证司机与上述预存的司机为同一人,而在第三预设神经网络输出的人脸特征与预存的司机的人脸特征之间的相似度,小于或等于第四预设阈值,准确判断出上述待验证司机与上述预存的司机不为同一人,保证服务器端人脸验证结果的准确度。
另外,服务器在第三预设神经网络输出的人脸特征与预存的司机的人脸特征之间的相似度,小于第三预设阈值,且大于第四预设阈值时,可以接入人工审核,由人工进行人脸认证,从而保证人脸认证结果的准确性。
其中,在接入人工审核之前,服务器还可以发送重新执行指令至车载设备,由车载设备重新执行上述人脸认证过程,并且如果服务器收到车载设备上传的待验证司机的目标人脸图像,重新在服务器执行人脸认证过程。这里,服务器还可以发送多次重新执行指令至车载设备,最后多次认证无法确认的再人工接入进行审核,以减轻人工审核的负担。这里,需要注意的是,为保证订单的事中完成判定,以及时效性越早越好,上述重复认证的次数不宜过多,例如两次或三次。
本申请实施例,基于车载设备和服务器相结合的方式进行网约车司机人脸验证,其中,首先在车载设备进行司机人脸验证,将大量的验证分散在各个车载设备进行,仅将一部分验证上传至服务器处理,既能够充分利用车载设备的计算能力,又减轻了服务器的计算压力,提高服务器的处理速度,降低处理成本,并节约了图像上传所需的大量数据流量,而且,本申请实施例在进行人脸验证之前,对获取的司机的多个人脸图像进行了筛选,筛选出符合要求的人脸图像,进而,基于筛选出的人脸图像进行后续人脸验证处理,提高了后续人脸验证结果的准确性,适合实际应用。另外,第一预设神经网络的结构可以采用轻量网络的结构,参数量少,运算速度快,从而满足手机、电脑或者其他硬件设备的实时要求。第三预设神经网络采用复杂网络的网络结构,提取的人脸特征更丰富,从而,提高后续基于提取的人脸特征进行人脸认证的准确度。
另外,本申请实施例还提供又一种人脸验证方法,从车载设备和服务器交互进行说明,如图6所示,该方法可以包括:
S601:车载设备在获取待验证司机的多个人脸图像后,从该多个人脸图像中筛选出目标人脸图像。
示例性的,车载设备对上述多个人脸图像的人脸姿态、图像光照和人脸遮挡进行判断,进而,根据判断结果,从上述多个人脸图像中筛选出目标人脸图像。
其中,车载设备可以将上述多个人脸图像输入第二预设神经网络,其中,第二预设神经网络通过第二参考人脸图像和图像判断结果训练得到,该图像判断结果包括人脸姿态判断结果、图像光照判断结果和人脸遮挡判断结果,从而,车载设备根据第二预设神经网络输出的图像判断结果,确定上述多个人脸图像的人脸姿态、图像光照和人脸遮挡的判断结果。
S602:车载设备将上述目标人脸图像输入第一预设神经网络,其中,第一预设神经网络通过第一参考人脸图像和人脸特征训练得到。
这里,第一预设神经网络的结构可以采用轻量网络的结构,例如MobileNet或ShuffleNet等网络结构,参数量少,运算速度快,从而满足手机、电脑或者其他硬件设备的实时要求。
S603:车载设备获取第一预设神经网络输出的人脸特征,并确定获取的人脸特征与预存的司机的人脸特征之间的相似度。
S604:若上述相似度小于第一预设阈值,且大于第二预设阈值,其中,第一预设阈值大于第二预设阈值,则车载设备将上述目标人脸图像上传至服务器。
可选地,如果上述相似度大于或等于第一预设阈值,则车载设备可以确定上述待验证司机与上述预存的司机为同一人。如果上述相似度小于或等于第二预设阈值,则车载设备可以确定上述待验证司机与上述预存的司机不为同一人。
S605:服务器将上述目标人脸图像输入第三预设神经网络,其中,第三预设神经网络通过第三参考人脸图像和人脸特征训练得到。
其中,第三预设神经网络采用复杂网络的网络结构,例如ResNet或VGGNet等网络结构,提取的人脸特征更丰富,从而,提高后续基于提取的人脸特征进行人脸认证的准确度。
S606:服务器获取第三预设神经网络输出的人脸特征,并确定获取的人脸特征与预存的司机的人脸特征之间的相似度。
S607:若上述相似度小于第三预设阈值,且大于第四预设阈值,其中,第三预设阈值大于第四预设阈值,则服务器将上述目标人脸图像发送至人工审核单元。
可选地,如果上述相似度大于或等于第三预设阈值,则服务器确定上述待验证司机与上述预存的司机为同一人。如果上述相似度小于或等于第四预设阈值,则服务器确定上述待验证司机与上述预存的司机不为同一人。
从上述描述可知,本申请实施例基于车载设备和服务器相结合的方式进行网约车司机人脸验证,其中,首先在车载设备进行司机人脸验证,将大量的验证分散在各个车载设备进行,仅将一部分验证上传至服务器处理,既能够充分利用车载设备的计算能力,又减轻了服务器的计算压力,提高服务器的处理速度,降低处理成本,并节约了图像上传所需的大量数据流量,而且,本申请实施例在进行人脸验证之前,对获取的司机的多个人脸图像进行了筛选,筛选出符合要求的人脸图像,进而,基于筛选出的人脸图像进行后续人脸验证处理,提高了后续人脸验证结果的准确性,适合实际应用。
对应于上文实施例的人脸验证方法,图7为本申请实施例提供的人脸验证装置的结构示意图。为了便于说明,仅示出了与本申请实施例相关的部分。图7为本申请实施例提供的一种人脸验证装置的结构示意图,该人脸验证装置70包括:筛选模块701、第一输入模块702、第一确定模块703以及上传模块704。这里的人脸验证装置可以是上述车载设备本身,或者是实现车载设备的功能的芯片或者集成电路。这里需要说明的是,筛选模块、第一输入模块、第一确定模块以及上传模块的划分只是一种逻辑功能的划分,物理上两者可以是集成的,也可以是独立的。
其中,筛选模块701,用于在获取待验证司机的多个人脸图像后,从所述多个人脸图像中筛选出目标人脸图像。
第一输入模块702,用于将所述目标人脸图像输入第一预设神经网络,其中,所述第一预设神经网络通过第一参考人脸图像和人脸特征训练得到。
第一确定模块703,用于获取所述第一预设神经网络输出的人脸特征,并确定获取的人脸特征与预存的司机的人脸特征之间的相似度。
上传模块704,用于若所述相似度小于第一预设阈值,且大于第二预设阈值,其中,所述第一预设阈值大于所述第二预设阈值,则将所述目标人脸图像上传至服务器,所述目标人脸图像用于指示所述服务器根据所述目标人脸图像,对所述待验证司机进行人脸验证。
在一种可能的设计中,所述筛选模块701,具体用于:
对所述多个人脸图像的人脸姿态、图像光照和人脸遮挡进行判断;
根据判断结果,从所述多个人脸图像中筛选出所述目标人脸图像。
在一种可能的实现方式中,所述筛选模块701,具体用于:
将所述多个人脸图像输入第二预设神经网络,其中,所述第二预设神经网络通过第二参考人脸图像和图像判断结果训练得到,所述图像判断结果包括人脸姿态判断结果、图像光照判断结果和人脸遮挡判断结果;
根据所述第二预设神经网络输出的图像判断结果,确定所述多个人脸图像的人脸姿态、图像光照和人脸遮挡的判断结果。
在一种可能的实现方式中,所述第一确定模块703在确定获取的人脸特征与预存的司机的人脸特征之间的相似度之后,还用于:
若所述相似度大于或等于所述第一预设阈值,则确定所述待验证司机与所述预存的司机为同一人。
在一种可能的实现方式中,所述第一确定模块703在确定获取的人脸特征与预存的司机的人脸特征之间的相似度之后,还用于:
若所述相似度小于或等于所述第二预设阈值,则确定所述待验证司机与所述预存的司机不为同一人。
在一种可能的实现方式中,所述第一预设神经网络的结构采用轻量网络的结构,所述轻量网络为MobileNet或ShuffleNet。
本申请实施例提供的装置,可用于执行上述方法实施例的技术方案,其实现原理和技术效果类似,本申请实施例此处不再赘述。
图8为本申请实施例提供的另一种人脸验证装置的结构示意图。该人脸验证装置80包括:接收模块801、第二输入模块802、第二确定模块803以及发送模块804。这里的人脸验证装置可以是上述服务器本身,或者是实现上述服务器的功能的芯片或者集成电路。这里需要说明的是,接收模块、第二输入模块、第二确定模块以及发送模块的划分只是一种逻辑功能的划分,物理上两者可以是集成的,也可以是独立的。
其中,接收模块801,用于接收车载设备上传的待验证司机的目标人脸图像,所述目标人脸图像的人脸特征与预存的司机的人脸特征之间的相似度小于第一预设阈值,且大于第二预设阈值,其中,所述第一预设阈值大于所述第二预设阈值。
第二输入模块802,用于将所述目标人脸图像输入第三预设神经网络,其中,所述第三预设神经网络通过第三参考人脸图像和人脸特征训练得到。
第二确定模块803,用于获取所述第三预设神经网络输出的人脸特征,并确定获取的人脸特征与预存的司机的人脸特征之间的相似度。
发送模块804,用于若所述相似度小于第三预设阈值,且大于第四预设阈值,其中,所述第三预设阈值大于所述第四预设阈值,则将所述目标人脸图像发送至人工审核单元。
在一种可能的设计中,所述第二确定模块在确定获取的人脸特征与预存的司机的人脸特征之间的相似度之后,还用于:
若所述相似度大于或等于所述第三预设阈值,则确定所述待验证司机与所述预存的司机为同一人。
在一种可能的实现方式中,所述第二确定模块在确定获取的人脸特征与预存的司机的人脸特征之间的相似度之后,还用于:
若所述相似度小于或等于所述第四预设阈值,则确定所述待验证司机与所述预存的司机不为同一人。
在一种可能的实现方式中,所述第三预设神经网络的结构采用复杂网络的结构,所述复杂网络为ResNet或VGGNet。
本申请实施例提供的装置,可用于执行上述方法实施例的技术方案,其实现原理和技术效果类似,本申请实施例此处不再赘述。
图9为本申请实施例提供的一种人脸验证系统的结构示意图,该人脸验证系统90包括:
车载设备901,用于在获取待验证司机的多个人脸图像后,从所述多个人脸图像中筛选出目标人脸图像;将所述目标人脸图像输入第一预设神经网络,其中,所述第一预设神经网络通过第一参考人脸图像和人脸特征训练得到;获取所述第一预设神经网络输出的人脸特征,并确定获取的人脸特征与预存的司机的人脸特征之间的相似度;若所述相似度小于第一预设阈值,且大于第二预设阈值,其中,所述第一预设阈值大于所述第二预设阈值,则将所述目标人脸图像上传至服务器902。
其中,车载设备901可以设置在网约车上。
在一种可能的实现方式中,所述车载设备901从所述多个人脸图像中筛选出目标人脸图像,包括:
对所述多个人脸图像的人脸姿态、图像光照和人脸遮挡进行判断;
根据判断结果,从所述多个人脸图像中筛选出所述目标人脸图像。
在一种可能的实现方式中,所述车载设备901对所述多个人脸图像的人脸姿态、图像光照和人脸遮挡进行判断,包括:
将所述多个人脸图像输入第二预设神经网络,其中,所述第二预设神经网络通过第二参考人脸图像和图像判断结果训练得到,所述图像判断结果包括人脸姿态判断结果、图像光照判断结果和人脸遮挡判断结果;
根据所述第二预设神经网络输出的图像判断结果,确定所述多个人脸图像的人脸姿态、图像光照和人脸遮挡的判断结果。
在一种可能的实现方式中,所述车载设备901在确定获取的人脸特征与预存的司机的人脸特征之间的相似度之后,还包括:
若所述相似度大于或等于所述第一预设阈值,则确定所述待验证司机与所述预存的司机为同一人。
在一种可能的实现方式中,所述车载设备901在确定获取的人脸特征与预存的司机的人脸特征之间的相似度之后,还包括:
若所述相似度小于或等于所述第二预设阈值,则确定所述待验证司机与所述预存的司机不为同一人。
在一种可能的实现方式中,所述第一预设神经网络的结构采用轻量网络的结构,所述轻量网络为MobileNet或ShuffleNet。
所述服务器902,用于根据所述目标人脸图像,对所述待验证司机进行人脸验证。
示例性的,服务器902接收车载设备上传的待验证司机的目标人脸图像;将所述目标人脸图像输入第三预设神经网络,其中,所述第三预设神经网络通过第三参考人脸图像和人脸特征训练得到;获取所述第三预设神经网络输出的人脸特征,并确定获取的人脸特征与预存的司机的人脸特征之间的相似度;若所述相似度小于第三预设阈值,且大于第四预设阈值,其中,所述第三预设阈值大于所述第四预设阈值,则将所述目标人脸图像发送至人工审核单元。
在一种可能的实现方式中,所述服务器902在确定获取的人脸特征与预存的司机的人脸特征之间的相似度之后,还包括:
若所述相似度大于或等于所述第三预设阈值,则确定所述待验证司机与所述预存的司机为同一人。
在一种可能的实现方式中,所述服务器902在确定获取的人脸特征与预存的司机的人脸特征之间的相似度之后,还包括:
若所述相似度小于或等于所述第四预设阈值,则确定所述待验证司机与所述预存的司机不为同一人。
在一种可能的实现方式中,所述第三预设神经网络的结构采用复杂网络的结构,所述复杂网络为ResNet或VGGNet。
本申请实施例基于车载设备和服务器相结合的方式进行网约车司机人脸验证,其中,首先在车载设备进行司机人脸验证,将大量的验证分散在各个车载设备进行,仅将一部分验证上传至服务器处理,既能够充分利用车载设备的计算能力,又减轻了服务器的计算压力,提高服务器的处理速度,降低处理成本,并节约了图像上传所需的大量数据流量,而且,本申请实施例在进行人脸验证之前,对获取的司机的多个人脸图像进行了筛选,筛选出符合要求的人脸图像,进而,基于筛选出的人脸图像进行后续人脸验证处理,提高了后续人脸验证结果的准确性,适合实际应用。
可选地,图10A和10B分别示意性地提供本申请所述人脸验证设备的一种可能的基本硬件架构。
参见图10A和10B,车载设备和服务器包括至少一个处理器1001以及通信接口1003。进一步可选的,还可以包括存储器1002和总线1004。
其中,车载设备和服务器中,处理器1001的数量可以是一个或多个,图10A和10B仅示意了其中一个处理器1001。可选地,处理器1001,可以是中央处理器(CentralProcessing Unit,CPU)、图形处理器(Graphics Processing Unit,GPU)或者数字信号处理(Digital Signal Process,DSP)。如果车载设备和服务器具有多个处理器1001,多个处理器1001的类型可以不同,或者可以相同。可选地,车载设备和服务器的多个处理器1001还可以集成为多核处理器。
存储器1002存储计算机指令和数据;存储器1002可以存储实现本申请提供的上述人脸验证方法所需的计算机指令和数据,例如,存储器1002存储用于实现上述人脸验证方法的步骤的指令。存储器1002可以是以下存储介质的任一种或任一种组合:非易失性存储器(例如只读存储器(ROM)、固态硬盘(SSD)、硬盘(HDD)、光盘),易失性存储器。
通信接口1003可以为所述至少一个处理器提供信息输入/输出。也可以包括以下器件的任一种或任一种组合:网络接口(例如以太网接口)、无线网卡等具有网络接入功能的器件。
可选的,通信接口1003还可以用于车载设备和服务器与其它计算设备或者终端进行数据通信。
进一步可选的,图10A和10B用一条粗线表示总线1004。总线1004可以将处理器1001与存储器1002和通信接口1003连接。这样,通过总线1004,处理器1001可以访问存储器1002,还可以利用通信接口1003与其它计算设备或者终端进行数据交互。
在本申请中,车载设备和服务器执行存储器1002中的计算机指令,使得车载设备和服务器实现本申请提供的上述人脸验证方法,或者使得车载设备和服务器部署上述的人脸验证装置。
从逻辑功能划分来看,示例性的,如图10A所示,存储器1002中可以包括筛选模块701、第一输入模块702、第一确定模块703以及上传模块704。这里的包括仅仅涉及存储器中所存储的指令被执行时可以分别实现筛选模块、第一输入模块、第一确定模块以及上传模块的功能,而不限定是物理上的结构。
示例性的,如图10B所示,存储器1002中还可以包括接收模块801、第二输入模块802、第二确定模块803以及发送模块804。这里的包括仅仅涉及存储器中所存储的指令被执行时可以分别实现接收模块、第二输入模块、第二确定模块以及发送模块的功能,而不限定是物理上的结构。
另外,上述的车载设备和服务器除了可以像上述图10A和图10B通过软件实现外,也可以作为硬件模块,或者作为电路单元,通过硬件实现。
本申请提供一种计算机可读存储介质,所述计算机程序产品包括计算机指令,所述计算机指令指示计算设备执行本申请提供的上述人脸验证方法。
本申请提供一种芯片,包括至少一个处理器和通信接口,所述通信接口为所述至少一个处理器提供信息输入和/或输出。进一步,所述芯片还可以包含至少一个存储器,所述存储器用于存储计算机指令。所述至少一个处理器用于调用并运行该计算机指令,以执行本申请提供的上述人脸验证方法。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,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,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
Claims (12)
1.一种人脸验证方法,其特征在于,包括:
在获取待验证司机的多个人脸图像后,从所述多个人脸图像中筛选出目标人脸图像;
将所述目标人脸图像输入第一预设神经网络,其中,所述第一预设神经网络通过第一参考人脸图像和人脸特征训练得到;
获取所述第一预设神经网络输出的人脸特征,并确定获取的人脸特征与预存的司机的人脸特征之间的相似度;
若所述相似度小于第一预设阈值,且大于第二预设阈值,其中,所述第一预设阈值大于所述第二预设阈值,则将所述目标人脸图像上传至服务器,所述目标人脸图像用于指示所述服务器根据所述目标人脸图像,对所述待验证司机进行人脸验证。
2.根据权利要求1所述的方法,其特征在于,所述从所述多个人脸图像中筛选出目标人脸图像,包括:
对所述多个人脸图像的人脸姿态、图像光照和人脸遮挡进行判断;
根据判断结果,从所述多个人脸图像中筛选出所述目标人脸图像。
3.根据权利要求2所述的方法,其特征在于,所述对所述多个人脸图像的人脸姿态、图像光照和人脸遮挡进行判断,包括:
将所述多个人脸图像输入第二预设神经网络,其中,所述第二预设神经网络通过第二参考人脸图像和图像判断结果训练得到,所述图像判断结果包括人脸姿态判断结果、图像光照判断结果和人脸遮挡判断结果;
根据所述第二预设神经网络输出的图像判断结果,确定所述多个人脸图像的人脸姿态、图像光照和人脸遮挡的判断结果。
4.根据权利要求1至3中任一项所述的方法,其特征在于,在所述确定获取的人脸特征与预存的司机的人脸特征之间的相似度之后,还包括:
若所述相似度大于或等于所述第一预设阈值,则确定所述待验证司机与所述预存的司机为同一人。
5.根据权利要求1至3中任一项所述的方法,其特征在于,在所述确定获取的人脸特征与预存的司机的人脸特征之间的相似度之后,还包括:
若所述相似度小于或等于所述第二预设阈值,则确定所述待验证司机与所述预存的司机不为同一人。
6.根据权利要求1至3中任一项所述的方法,其特征在于,所述第一预设神经网络的结构采用轻量网络的结构,所述轻量网络为MobileNet或ShuffleNet。
7.一种人脸验证装置,其特征在于,包括:
筛选模块,用于在获取待验证司机的多个人脸图像后,从所述多个人脸图像中筛选出目标人脸图像;
第一输入模块,用于将所述目标人脸图像输入第一预设神经网络,其中,所述第一预设神经网络通过第一参考人脸图像和人脸特征训练得到;
第一确定模块,用于获取所述第一预设神经网络输出的人脸特征,并确定获取的人脸特征与预存的司机的人脸特征之间的相似度;
上传模块,用于若所述相似度小于第一预设阈值,且大于第二预设阈值,其中,所述第一预设阈值大于所述第二预设阈值,则将所述目标人脸图像上传至服务器,所述目标人脸图像用于指示所述服务器根据所述目标人脸图像,对所述待验证司机进行人脸验证。
8.根据权利要求7所述的装置,其特征在于,所述筛选模块,具体用于:
对所述多个人脸图像的人脸姿态、图像光照和人脸遮挡进行判断;
根据判断结果,从所述多个人脸图像中筛选出所述目标人脸图像。
9.根据权利要求8所述的装置,其特征在于,所述筛选模块,具体用于:
将所述多个人脸图像输入第二预设神经网络,其中,所述第二预设神经网络通过第二参考人脸图像和图像判断结果训练得到,所述图像判断结果包括人脸姿态判断结果、图像光照判断结果和人脸遮挡判断结果;
根据所述第二预设神经网络输出的图像判断结果,确定所述多个人脸图像的人脸姿态、图像光照和人脸遮挡的判断结果。
10.一种人脸验证系统,其特征在于,包括:
车载设备,用于在获取待验证司机的多个人脸图像后,从所述多个人脸图像中筛选出目标人脸图像;将所述目标人脸图像输入第一预设神经网络,其中,所述第一预设神经网络通过第一参考人脸图像和人脸特征训练得到;获取所述第一预设神经网络输出的人脸特征,并确定获取的人脸特征与预存的司机的人脸特征之间的相似度;若所述相似度小于第一预设阈值,且大于第二预设阈值,其中,所述第一预设阈值大于所述第二预设阈值,则将所述目标人脸图像上传至服务器;
所述服务器,用于根据所述目标人脸图像,对所述待验证司机进行人脸验证。
11.一种车载设备,其特征在于,包括:
处理器;
存储器;以及
计算机程序;
其中,所述计算机程序被存储在所述存储器中,并且被配置为由所述处理器执行,所述计算机程序包括用于执行如权利要求1-6任一项所述的方法的指令。
12.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,所述计算机程序使得服务器执行权利要求1-6任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010906410.8A CN112052780A (zh) | 2020-09-01 | 2020-09-01 | 人脸验证方法、装置、系统及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010906410.8A CN112052780A (zh) | 2020-09-01 | 2020-09-01 | 人脸验证方法、装置、系统及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112052780A true CN112052780A (zh) | 2020-12-08 |
Family
ID=73607935
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010906410.8A Pending CN112052780A (zh) | 2020-09-01 | 2020-09-01 | 人脸验证方法、装置、系统及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112052780A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113516814A (zh) * | 2021-04-19 | 2021-10-19 | 新疆爱华盈通信息技术有限公司 | 基于人脸识别的智能供货方法和终端 |
CN114333119A (zh) * | 2021-12-31 | 2022-04-12 | 上海商汤临港智能科技有限公司 | 车辆解锁方法、管理方法、终端、系统、设备及存储介质 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108108711A (zh) * | 2017-12-29 | 2018-06-01 | 深圳云天励飞技术有限公司 | 人脸布控方法、电子设备及存储介质 |
CN108573268A (zh) * | 2017-03-10 | 2018-09-25 | 北京旷视科技有限公司 | 图像识别方法和装置、图像处理方法和装置及存储介质 |
CN108734067A (zh) * | 2017-04-20 | 2018-11-02 | 杭州海康威视数字技术股份有限公司 | 一种人证比对的认证方法、系统及相机 |
CN108921100A (zh) * | 2018-07-04 | 2018-11-30 | 武汉高德智感科技有限公司 | 一种基于可见光图像与红外图像融合的人脸识别方法及系统 |
WO2019127273A1 (zh) * | 2017-12-28 | 2019-07-04 | 深圳市锐明技术股份有限公司 | 一种多人脸检测方法、装置、服务器、系统及存储介质 |
CN109977771A (zh) * | 2019-02-22 | 2019-07-05 | 杭州飞步科技有限公司 | 司机身份的验证方法、装置、设备及计算机可读存储介质 |
CN110728234A (zh) * | 2019-10-12 | 2020-01-24 | 爱驰汽车有限公司 | 驾驶员人脸识别方法、系统、设备及介质 |
CN110795714A (zh) * | 2019-09-10 | 2020-02-14 | 中国平安财产保险股份有限公司 | 一种身份验证方法、装置、计算机设备及存储介质 |
CN110826519A (zh) * | 2019-11-14 | 2020-02-21 | 深圳市华付信息技术有限公司 | 人脸遮挡检测方法、装置、计算机设备及存储介质 |
CN111339990A (zh) * | 2020-03-13 | 2020-06-26 | 乐鑫信息科技(上海)股份有限公司 | 一种基于人脸特征动态更新的人脸识别系统和方法 |
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
- 2020-09-01 CN CN202010906410.8A patent/CN112052780A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108573268A (zh) * | 2017-03-10 | 2018-09-25 | 北京旷视科技有限公司 | 图像识别方法和装置、图像处理方法和装置及存储介质 |
CN108734067A (zh) * | 2017-04-20 | 2018-11-02 | 杭州海康威视数字技术股份有限公司 | 一种人证比对的认证方法、系统及相机 |
WO2019127273A1 (zh) * | 2017-12-28 | 2019-07-04 | 深圳市锐明技术股份有限公司 | 一种多人脸检测方法、装置、服务器、系统及存储介质 |
CN108108711A (zh) * | 2017-12-29 | 2018-06-01 | 深圳云天励飞技术有限公司 | 人脸布控方法、电子设备及存储介质 |
CN108921100A (zh) * | 2018-07-04 | 2018-11-30 | 武汉高德智感科技有限公司 | 一种基于可见光图像与红外图像融合的人脸识别方法及系统 |
CN109977771A (zh) * | 2019-02-22 | 2019-07-05 | 杭州飞步科技有限公司 | 司机身份的验证方法、装置、设备及计算机可读存储介质 |
CN110795714A (zh) * | 2019-09-10 | 2020-02-14 | 中国平安财产保险股份有限公司 | 一种身份验证方法、装置、计算机设备及存储介质 |
CN110728234A (zh) * | 2019-10-12 | 2020-01-24 | 爱驰汽车有限公司 | 驾驶员人脸识别方法、系统、设备及介质 |
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 |
CN110826519A (zh) * | 2019-11-14 | 2020-02-21 | 深圳市华付信息技术有限公司 | 人脸遮挡检测方法、装置、计算机设备及存储介质 |
CN111339990A (zh) * | 2020-03-13 | 2020-06-26 | 乐鑫信息科技(上海)股份有限公司 | 一种基于人脸特征动态更新的人脸识别系统和方法 |
Non-Patent Citations (1)
Title |
---|
刘程;谭晓阳;: "一种基于深度学习的移动端人脸验证系统", 计算机与现代化, no. 02 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113516814A (zh) * | 2021-04-19 | 2021-10-19 | 新疆爱华盈通信息技术有限公司 | 基于人脸识别的智能供货方法和终端 |
CN114333119A (zh) * | 2021-12-31 | 2022-04-12 | 上海商汤临港智能科技有限公司 | 车辆解锁方法、管理方法、终端、系统、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109902575B (zh) | 基于无人驾驶车辆的防拐卖方法、装置及相关设备 | |
CN108765244A (zh) | 车辆监控方法、装置和计算机可读存储介质 | |
CN107563360B (zh) | 信息获取方法和装置 | |
CN112052780A (zh) | 人脸验证方法、装置、系统及存储介质 | |
CN108364358A (zh) | 停车费用缴纳方法、缴费机及计算机可读存储介质 | |
DE102019113872A1 (de) | Integrierte identifikation und authentifizierung für carsharing und taxidienste | |
CN110210935B (zh) | 安全认证方法及装置、存储介质、电子装置 | |
CN110570597A (zh) | 一种身份识别方法、系统和存储介质 | |
CN107909378A (zh) | 车辆信息审核方法及装置、存储介质、电子设备 | |
CN112989188A (zh) | 推荐订单的确定方法、装置和服务器 | |
CN113395678B (zh) | 系统、车载装置以及信息处理方法 | |
CN114548755A (zh) | 一种旅游景区防拥堵方法、系统、装置、设备和介质 | |
CN111127126A (zh) | 一种信息反馈方法及装置、计算机可读存储介质 | |
CN112307948A (zh) | 特征融合方法、装置及存储介质 | |
CN108664581A (zh) | 租车用户的责任判定方法、装置、服务器和存储介质 | |
CN117290605A (zh) | 一种车载智能场景推荐方法、装置、设备和介质 | |
CN111859320A (zh) | 跨系统免登陆方法、装置、设备及可读存储介质 | |
KR101702001B1 (ko) | 차량 구매자의 구매 경험 공유 및 확산을 위한 실시간 차량 상태 모니터링 시스템 및 방법 | |
CN116600416A (zh) | 车载蓝牙的连接方法、装置、车辆及存储介质 | |
CN110853184A (zh) | 车载计算信息的分析处理方法、装置、设备与存储介质 | |
CN113330467A (zh) | 基于车辆的状态信息控制终端的方法、系统和介质 | |
CN116340140A (zh) | 检查方法、电子检查系统、计算机可读介质和应用平台 | |
CN113269064A (zh) | 一种乘车方法和装置 | |
CN113744202A (zh) | 一种网约车的车辆一致性检测方法和装置 | |
CN113887297A (zh) | 基于云端形成数据闭环的安全驾驶监控方法及装置 |
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 |