CN112069875B - 人脸图像的分类方法、装置、电子设备和存储介质 - Google Patents
人脸图像的分类方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN112069875B CN112069875B CN202010694390.2A CN202010694390A CN112069875B CN 112069875 B CN112069875 B CN 112069875B CN 202010694390 A CN202010694390 A CN 202010694390A CN 112069875 B CN112069875 B CN 112069875B
- Authority
- CN
- China
- Prior art keywords
- face
- face feature
- clustering
- existing
- processed
- 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 86
- 238000003860 storage Methods 0.000 title claims abstract description 23
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 122
- 238000000605 extraction Methods 0.000 claims abstract description 17
- 238000005070 sampling Methods 0.000 claims description 52
- 238000012545 processing Methods 0.000 claims description 20
- 230000015654 memory Effects 0.000 claims description 19
- 230000008569 process Effects 0.000 claims description 17
- 230000001815 facial effect Effects 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 11
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 230000006835 compression Effects 0.000 description 13
- 238000007906 compression Methods 0.000 description 13
- 230000000737 periodic effect Effects 0.000 description 9
- 238000001514 detection method Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 239000013598 vector Substances 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000013139 quantization Methods 0.000 description 5
- 230000002776 aggregation Effects 0.000 description 4
- 238000004220 aggregation Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000013499 data model Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000008901 benefit Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011031 large-scale manufacturing process Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 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
- G06V40/172—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
- G06V40/168—Feature extraction; Face representation
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/30—Scenes; Scene-specific elements in albums, collections or shared content, e.g. social network photos or video
-
- 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
- G06V40/169—Holistic features and representations, i.e. based on the facial image taken as a whole
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请公开了人脸图像的分类方法、装置、电子设备和存储介质,涉及人工智能领域。实现方案为:对获取得到的待处理的人脸图像进行特征提取,得到待处理人脸特征,并在人脸特征库未满足预设的触发条件时,结合待处理人脸特征、人脸特征库中已有人脸特征对应的类别、以及相邻人脸特征算法,确定待处理人脸特征对应的类别,以根据待处理人脸特征对应的类别确定人脸图像的类别。由此,在人脸特征库未满足预设的触发条件时,通过相邻人脸特征算法,来确定待处理人脸特征对应的类别,而无需通过聚类算法,来确定待处理人脸特征对应的类别,可以降低计算量,提升图像分类的效率,从而提升人脸图像分类的实时性。
Description
技术领域
本申请涉及人工智能技术领域,尤其涉及图像处理技术领域。具体地,本申请提供了一种人脸图像的分类方法、装置、电子设备和存储介质。
背景技术
人脸聚类是智能相册产品中的核心且基础的人工智能(简称AI)功能,通过人脸聚类算法可以将用户相册中同一人物的照片进行聚合,自动创建相册。其中,人脸聚类算法的主要流程为:对图像进行人脸检测,获取图像中的人脸区域,对人脸区域进行特征提取,获取人脸特征,之后结合多个人脸特征进行人脸聚类,得到多个人脸分组,以及每个分组的类别。
相关技术中,主要包含两种人脸聚类算法,一种是全量聚类算法,在存在新增人脸特征时,结合新增人脸特征以及已有人脸特征进行全量聚类。另一种是增量聚类算法,在存在新增人脸特征时,对已有人脸特征进行采样,结合采样得到的已有人脸特征以及新增人脸特征进行聚类。
然而上述两种聚类算法,每增加一个人脸特征时,均需要进行重新聚类,计算量较大,实时性较差。
发明内容
本申请提供了一种用于人脸图像的分类方法、装置、电子设备和存储介质。
根据本申请的一方面,提供了一种人脸图像的分类方法,包括:
获取待处理的人脸图像;
根据所述人脸图像提取所述人脸图像中的待处理人脸特征;
在人脸特征库未满足预设的触发条件时,结合所述待处理人脸特征、所述人脸特征库中已有人脸特征对应的类别、以及相邻人脸特征算法,确定所述待处理人脸特征对应的类别;
根据所述待处理人脸特征对应的类别确定所述人脸图像的类别。
根据本申请的另一方面,提供了一种人脸图像的分类装置,包括:
获取模块,用于获取待处理的人脸图像;
提取模块,用于根据所述人脸图像提取所述人脸图像中的待处理人脸特征;
处理模块,用于在人脸特征库未满足预设的触发条件时,结合所述待处理人脸特征、所述人脸特征库中已有人脸特征对应的类别、以及相邻人脸特征算法,确定所述待处理人脸特征对应的类别;
第一确定模块,用于根据所述待处理人脸特征对应的类别确定所述人脸图像的类别。
根据本申请的又一方面,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本申请上述实施例提出的人脸图像的分类方法。
根据本申请的再一方面,提供了一种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本申请上述实施例提出的人脸图像的分类方法。
根据本申请的还一方面,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如本申请第一方面实施例提出的人脸图像的分类方法。
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为本申请实施例一所提供的人脸图像的分类方法的流程示意图;
图2为本申请实施例二所提供的人脸图像的分类方法的流程示意图;
图3为本申请实施例三所提供的人脸图像的分类方法的流程示意图;
图4为本申请实施例四所提供的人脸图像的分类方法的流程示意图;
图5为本申请实施例五所提供的人脸图像的分类方法的流程示意图;
图6为本申请实施例的系统架构示意图;
图7为聚类效果示意图;
图8为本申请实施例中的特征向量在不同压缩度下分配聚簇的精确度与预测数量示意图;
图9为本申请实施例六所提供的人脸图像的分类装置的结构示意图;
图10是根据本申请实施例的人脸图像的分类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。
下面参考附图描述本申请实施例的人脸图像的分类方法、装置、电子设备和存储介质。
图1为本申请实施例一所提供的人脸图像的分类方法的流程示意图。
本申请实施例以该人脸图像的分类方法被配置于人脸图像的分类装置中来举例说明,该人脸图像的分类装置可以应用于任一电子设备中,以使该电子设备可以执行人脸图像的分类功能。
其中,电子设备可以为任一具有计算能力的设备,例如可以为个人电脑(PersonalComputer,简称PC)、移动终端、服务器等,移动终端例如可以为手机、平板电脑、个人数字助理、穿戴式设备、车载设备等具有各种操作系统、触摸屏和/或显示屏的硬件设备。
如图1所示,该人脸图像的分类方法可以包括以下步骤:
步骤101,获取待处理的人脸图像。
本申请实施例中,待处理的人脸图像可以为用户上传的人脸图像、用户下载的人脸图像、用户拍摄得到的人脸图像、用户基于图像处理类应用,对某一人脸图像进行处理得到的新图像等,本申请对此并不做限制。
步骤102,根据人脸图像提取人脸图像中的待处理人脸特征。
作为一种可能的实现方式,可以基于人脸特征提取算法,对人脸图像进行特征提取,得到待处理的人脸特征。
作为另一种可能的实现方式,为了提升识别结果的准确性,还可以基于深度学习技术,对人脸图像进行特征提取,得到待处理的人脸特征。例如,可以基于人脸特征提取模型,对人脸图像进行人脸特征提取,得到待处理的人脸特征。
应当理解的是,人脸图像中可能包括多个人脸,此时,为了提升识别结果以及分类结果的准确性,可以分别对人脸图像中的每个人脸进行特征提取,得到各人脸对应的待处理的人脸特征。
作为又一种可能的实现方式,为了提升图像的识别效率,可以先对待处理的人脸图像进行人脸识别,以得到人脸区域,而后对人脸区域进行特征提取,得到待处理的人脸特征。例如,可以基于人脸识别算法,对人脸图像进行人脸识别,以得到人脸区域,或者,还可以基于目标识别算法,对人脸图像进行人脸识别,以得到人脸区域。比如,可以基于单发多框检测(Single Shot MultiBox Detector,简称SSD)、你只看一眼(You Only Look Once,简称YOLO)、Faster-RCNN等目标检测算法,对人脸图像进行人脸识别,以得到人脸区域。
作为一种示例,为了提升识别结果的准确性,可以基于深度学习技术,对人脸图像进行人脸识别,以得到人脸区域。例如,可以利用大量已标注过人脸区域的样本图像,对人脸检测模型进行训练,使得训练后的人脸检测模型已学习得到人脸区域与图像之间的对应关系。从而,本申请中,在获取到待处理的人脸图像后,可以将该人脸图像作为输入,采用人脸检测模型,对该人脸图像进行人脸识别,输出得到人脸区域。
应当理解的是,人脸图像中可能包括多个人脸,此时,为了提升检测结果的准确性,可以分别对人脸图像中的每个人脸进行检测,获取各人脸对应的人脸区域。从而,本申请中,可以分别对各人脸区域进行特征提取,得到各人脸区域对应的待处理的人脸特征。
步骤103,在人脸特征库未满足预设的触发条件时,结合待处理人脸特征、人脸特征库中已有人脸特征对应的类别、以及相邻人脸特征算法,确定待处理人脸特征对应的类别。
本申请实施例中,触发条件为预先设置的,该触发条件,用于触发聚类算法的执行,以对人脸特征库中的已有人脸特征和待处理人脸特征进行聚类处理。人脸特征库为预先建立的,该人脸特征库中存储有多个已有人脸特征以及每个已有人脸特征对应的类别。
本申请实施例中,在提取到待处理人脸特征时,并非是根据人脸特征库中已有人脸特征,对该待处理的人脸特征进行聚类处理,确定该待处理人脸特征对应的类别,而是,需要判断人脸特征库是否满足预设的触发条件,当人脸特征库满足预设的触发条件时,才根据人脸特征库中已有人脸特征,对该待处理的人脸特征进行聚类处理,确定该待处理人脸特征对应的类别,而当人脸特征库未满足预设的触发条件时,不采用聚类算法,确定待处理人脸特征对应的类别,而是,结合待处理人脸特征、人脸特征库中已有人脸特征对应的类别、以及相邻人脸特征算法,确定待处理人脸特征对应的类别。
作为一种可能的实现方式,当人脸特征库中已有人脸特征的数量规模较小时,为了提升分类结果的准确性,该相邻人脸特征算法可以为近邻算法或者最近邻算法,可以计算待处理人脸特征与人脸特征库中各个已有人脸特征之间的相似度,并按照相似度对各个已有人脸特征进行排序,根据排序在前的预设个数的已有人脸特征对应的类别,确定待处理人脸特征对应的类别。
而当人脸特征库中已有人脸特征的数量规模较大时,为了提升分类效率,从而提升图像分类的实时性,该相邻人脸特征算法可以为近似最近邻算法,可以对人脸特征库进行采样,以获得采样得到的已有人脸特征,并计算待处理人脸特征与采样得到的已有人脸特征之间的相似度,并按照相似度对采样得到的已有人脸特征进行排序,根据排序在前的预设个数的已有人脸特征对应的类别,确定待处理人脸特征对应的类别。
也就是说,本申请中,在人脸特征库未满足预设的触发条件时,是根据相邻人脸特征算法,从人脸特征库中选择最相似的几个人脸特征,根据最相似的几个人脸特征的类别,来确定待处理人脸特征对应的类别。由此,无需通过聚类算法,来确定待处理人脸特征对应的类别,可以降低计算量,提升图像分类的效率,从而提升人脸图像分类的实时性。
步骤104,根据待处理人脸特征对应的类别确定人脸图像的类别。
本申请实施例中,在确定待处理人脸特征对应的类别后,可以将该待处理人脸特征对应的类别,作为人脸图像的类别。其中,上述类别用于标识人脸图像,例如类别可以为人物名称、昵称等。
需要说明的是,当人脸图像中包括多张人脸时,待处理图像特征也为多个,此时,可根据步骤103计算得到每个待处理人脸特征对应的类别,将各待处理特征对应的类别,作为人脸图像的类别,即人脸图像的类别为多个。举例而言,当人脸图像中包括两张人脸,分别为用户“张三”和“李四”对应的人脸时,则该人脸图像的类别可以包括“张三”和“李四”。
作为一种应用场景,对于智能相册产品或者具有人脸聚类需求的产品,当用户下载、拍摄、处理得到新的人脸图像时,可以通过终端设备对人脸图像进行分类处理。
作为另一种应用场景,当用户下载、拍摄、处理得到新的人脸图像时,用户可以上传该人脸图像至云相册,相应的,可以通过云服务器,对人脸图像进行分类处理。
本申请实施例的人脸图像的分类方法,通过对获取得到的待处理的人脸图像进行特征提取,得到待处理人脸特征,并在人脸特征库未满足预设的触发条件时,结合待处理人脸特征、人脸特征库中已有人脸特征对应的类别、以及相邻人脸特征算法,确定待处理人脸特征对应的类别,以根据待处理人脸特征对应的类别确定人脸图像的类别。由此,在人脸特征库未满足预设的触发条件时,通过相邻人脸特征算法,来确定待处理人脸特征对应的类别,而无需通过聚类算法,来确定待处理人脸特征对应的类别,可以降低计算量,提升图像分类的效率,从而提升人脸图像分类的实时性。
作为一种可能的实现方式,当人脸特征库满足预设的触发条件时,为了提升分类结果的准确性,可以基于聚类算法,对所有的人脸特征进行聚类,以确定待处理人脸特征对应的人脸图像。下面结合实施例二,对上述过程进行详细说明。
图2为本申请实施例二所提供的人脸图像的分类方法的流程示意图。
如图2所示,该人脸图像的分类方法可以包括以下步骤:
步骤201,获取待处理的人脸图像。
步骤202,根据人脸图像提取人脸图像中的待处理人脸特征。
步骤201至202的执行过程可以参见上述实施例中步骤101至102的执行过程,在此不做赘述。
步骤203,判断人脸特征库是否满足预设的触发条件,若是,则执行步骤204至206,若否,则执行步骤207至208。
步骤204,将待处理人脸特征更新到人脸特征库中。
步骤205,对人脸特征库中的已有人脸特征进行聚类,获取聚类结果。
本申请实施例中,当人脸特征库满足预设的触发条件时,可以将待处理人脸特征更新到人脸特征库中,并基于聚类算法,对人脸特征库中的已有人脸特征进行聚类,获取聚类结果。
步骤206,根据聚类结果,确定待处理人脸特征对应的人脸图像的类别。
本申请实施例中,聚类结果可以包括聚类得到的各个聚簇,以及各个聚簇对应的分类类别,从而本申请中,可以确定待处理人脸特征所属的聚簇,将确定的聚簇所对应的类别,作为待处理人脸特征对应的人脸图像的类别。
步骤207,结合待处理人脸特征、人脸特征库中已有人脸特征对应的类别、以及相邻人脸特征算法,确定待处理人脸特征对应的类别。
步骤208,根据待处理人脸特征对应的类别确定人脸图像的类别。
步骤207至208的执行过程可以参见上述实施例中步骤103至104的执行过程,在此不做赘述。
本申请实施例中,在人脸特征库满足预设的触发条件时,通过将待处理人脸特征更新到人脸特征库中,并对人脸特征库中的已有人脸特征进行聚类,获取聚类结果,以根据聚类结果,确定待处理人脸特征对应的人脸图像的类别,可以提升分类结果的准确性,而在人脸特征库未满足预设的触发条件时,通过相邻人脸特征算法,来确定待处理人脸特征对应的类别,可以降低计算量,提升图像分类的效率,从而提升人脸图像分类的实时性。由此,针对不同条件,采用不同的算法,确定待处理人脸特征对应的人脸图像的类别,可以提升该方法的适用性,同时,兼顾了分类结果的准确性和图像分类的实时性。
作为一种可能的实现方式,为了提升聚类结果的准确性,触发条件可以包括:到达全局聚类时间点,则对人脸特征库中的已有人脸特征进行聚类,获取聚类结果,可以包括:在到达全局聚类时间点时,对人脸特征库中所有的已有人脸特征进行聚类,获取聚类结果。其中,全局聚类时间点为预先设置的。
作为一种示例,为了降低对存储资源和计算资源开销,该全局聚类时间点可以为每天的分类处理低峰期或聚类处理低峰期,比如凌晨时段。
作为另一种示例,为了提升图像分类结果的准确性,该全局聚类时间点可以周期性设置,比如,可以设置每隔30分钟,到达该全局聚类时间点,例如,在00:00、00:30、01:00、01:30、02:00、…,可以确定满足预设的触发条件。
本申请实施例中,在到达全局聚类时间点时,可以基于全量聚类算法,对人脸特征库中所有的已有人脸特征进行聚类,获取聚类结果,由此,根据人脸特征库中所有的已有人脸特征进行聚类,来确定待处理人脸特征对应的类别,可以提升分类结果的准确性。
需要说明的是,本申请中,可以由单机执行全量聚类算法,或者,为了降低单个设备的负载压力,还可以由分布式集群中的设备,执行全量聚类算法,对人脸特征库中所有的已有人脸特征进行聚类,获取聚类结果,由此,可以提升该方法的适用性。
作为一种可能的实现方式,为了提升分类结果的准确性,本申请中,可以根据全量聚类算法,对人脸特征库中所有的已有人脸特征进行聚类,得到各个聚簇,根据各聚簇中的已有人脸特征,确定各聚簇对应的类别,从而将各聚簇,以及各聚簇对应的类别,作为聚类结果。下面结合实施例三,对上述过程进行详细说明。
图3为本申请实施例三所提供的人脸图像的分类方法的流程示意图。
如图3所示,该人脸图像的分类方法可以包括以下步骤:
步骤301,获取待处理的人脸图像。
步骤302,根据人脸图像提取人脸图像中的待处理人脸特征。
步骤303,判断人脸特征库是否满足预设的触发条件,若是,则执行步骤304至311,若否,则执行步骤312至313。
其中,预设的触发条件可以包括:到达全局聚类时间点。
步骤304,将待处理人脸特征更新到人脸特征库中。
步骤301至304的执行过程可以参见上述实施例的执行过程,在此不做赘述。
步骤305,获取人脸特征库中任意两个已有人脸特征之间的相似度。
本申请实施例中,可以基于相似度计算算法,计算得到人脸特征库中任意两个已有人脸特征之间的相似度。其中,相似度可以为欧式距离相似度、曼哈顿距离相似度、余弦cos相似度等等,本申请对此并不做限制。
步骤306,将人脸特征库中的每个已有人脸特征与对应的相似度最高的已有人脸特征进行聚类,得到多个聚类组合。
本申请实施例中,针对人脸特征库中的每个已有人脸特征,可以根据步骤305计算得到的相似度,确定与该已有人脸特征相似度最高的已有人脸特征,从而可以将该已有人脸特征与其对应的相似度最高的已有人脸特征进行聚类,得到多个聚类组合。
步骤307,根据人脸特征库中任意两个已有人脸特征之间的相似度,确定任意两个聚类组合之间的距离。
应当理解的是,当两个聚类组合之间的距离越小时,聚类组合中人脸特征之间的相似度越高。因此,上述距离可以与相似度成反向关系。
举例而言,聚类组合1中包括两个人脸特征,分别为人脸特征1-1和1-2,聚类组合2中包括两个人脸特征,分别为人脸特征2-1和2-2,则可以确定人脸特征1-1与人脸特征2-1之间的相似度、确定人脸特征1-1与人脸特征2-2之间的相似度、确定人脸特征1-2与人脸特征2-1之间的相似度、确定人脸特征1-2与人脸特征2-2之间的相似度,之后,可以根据计算得到的最小相似度,确定聚类组合1和2之间的距离,或者,可以根据相似度的均值,确定聚类组合1和2之间的距离。
步骤308,将每个聚类组合与对应的距离最近且最近距离小于等于预设距离阈值的聚类组合进行聚类,得到多个聚类后组合,重复执行聚类过程,直至多个聚类后组合中任意两个聚类后组合之间的距离大于预设距离阈值。
可以理解的是,不同聚类组合之间的距离越小,聚类组合中人脸特征之间的相似性越高,因此,在对人脸特征进行聚类时,可以根据各聚类组合之间的距离进行聚类,其中,聚类得到的各组合之间的距离需要大于预设距离阈值。其中,预设距离阈值为预先设置的。
因此,本申请实施例中,在确定任意两个聚类组合之间的距离后,针对每个聚类组合,可以确定与该聚类组合距离最近的,且最近距离小于或者等于预设距离阈值的聚类组合,并将确定的聚类组合与该聚类组合进行聚类,得到聚类后组合,并重复执行聚类过程,直至多个聚类后组合中任意两个聚类后组合之间的距离大于预设距离阈值。
步骤309,根据每个聚类后组合中的已有人脸特征,确定多个聚类后组合中每个聚类后组合对应的类别。
本申请实施例中,在聚类得到各聚类后组合时,针对每个聚类后组合,可以根据该聚类后组合中的已有人脸特征,确定该聚类后组合对应的类别。例如,针对每个聚类后组合,可以获取该聚类后组合中各已有人脸特征对应的类别,并统计每个类别包含的已有人脸特征数量,根据已有人脸特征数量取值最大的类别,确定待处理人脸特征对应的类别。
举例而言,该聚类后组合中的已有人脸特征,均为用户“张三”的人脸特征,则该聚类后组合对应的类别可以为“张三”,或者,该聚类后组合中大多数为用户“张三”对应的已有人脸特征,则该聚类后组合对应的类别可以为“张三”。
进一步地,为了提升分类结果的准确性,还可以判断最大已有人脸特征数量是否大于设定阈值,若是,则将已有人脸特征数量取值最大的类别,作为待处理人脸特征对应的类别,若否,则将该待处理人脸特征,作为单独的一类。
步骤310,将多个聚类后组合以及每个聚类后组合对应的类别,确定为聚类结果。
本申请实施例中,可以将多个聚类后组合,以及每个聚类后组合对应的类别,作为聚类结果。
步骤311,根据聚类结果,确定待处理人脸特征对应的人脸图像的类别。
本申请实施例中,可以确定待处理人脸特征所属的聚类后组合,将确定的聚类后组合所对应的类别,作为待处理人脸特征对应的人脸图像的类别。
在本申请实施例的一种可能的实现方式中,在确定待处理人脸特征对应的类别后,可以将待处理人脸特征以及对应的类别,更新到人脸特征库中,以便于后续进行人脸聚类处理,提升聚类结果的准确性。
步骤312,结合待处理人脸特征、人脸特征库中已有人脸特征对应的类别、以及相邻人脸特征算法,确定待处理人脸特征对应的类别。
步骤313,根据待处理人脸特征对应的类别确定人脸图像的类别。
步骤312至313的执行过程可以参见上述实施例中步骤103至104的执行过程,在此不做赘述。
作为一种可能的实现方式,为了提升图像分类的实时性,触发条件还可以包括局部聚类子条件,可以根据增量聚类算法,对人脸特征库中的已有人脸特征进行聚类,获取聚类结果。下面结合实施例四,对上述过程进行详细说明。
图4为本申请实施例四所提供的人脸图像的分类方法的流程示意图。
如图4所示,该人脸图像的分类方法可以包括以下步骤:
步骤401,获取待处理的人脸图像。
步骤402,根据人脸图像提取人脸图像中的待处理人脸特征。
步骤401至402的执行过程可以参见上述实施例中步骤101至102的执行过程,在此不做赘述。
步骤403,判断人脸特征库是否满足预设的触发条件,若是,则执行步骤404至406,若否,则执行步骤407至408。
其中,预设的触发条件可以包括到达全局聚类时间点,以及局部聚类子条件,其中,局部聚类子条件可以包括:人脸特征库中携带未聚类标记的第一已有人脸特征的获取时间点差值大于预设时间长度,和/或,人脸特征库中携带未聚类标记的第一已有人脸特征的数量大于等于第一数量阈值。
其中,上述获取时间点差值为最晚获取到携带未聚类标记的第一已有人脸特征的时间点,与最早获取到携带未聚类标记的第一已有人脸特征的时间点之间的差值。预设时间长度和第一数量阈值均为预先设置的,
也就是说,当最近一次将携带未聚类标记的人脸特征存储至人脸特征库的时间点,与人脸特征库中最早存入的携带未聚类标记的第一已有人脸特征的时间点之间的差值较大时,和/或,当人脸特征库中携带未聚类标记的第一已有人脸特征的数量较大时,此时,可以确定人脸特征库满足预设的触发条件,以触发后续聚类过程。
步骤404,对待处理人脸特征进行未聚类标记,将标记处理后的待处理人脸特征更新到人脸特征库中。
本申请实施例中,当人脸特征库满足预设的触发条件时,可以对待处理人脸特征进行未聚类标记,并将标记处理后的待处理人脸特征,更新到人脸特征库中。
步骤405,在人脸特征库满足局部聚类子条件,且未到达全局聚类时间点时,对人脸特征库中未携带标记的第二已有人脸特征进行采样。
本申请实施例中,在人脸特征库满足局部聚类子条件,且未到达全局聚类时间点时,可以基于增量聚类算法,对人脸特征库中的已有人脸特征进行聚类,获取聚类结果。具体地,首先可以基于增量聚类算法,对人脸特征库中未携带标记的第二已有人脸特征进行采样。
步骤406,对采样得到的第二已有人脸特征以及人脸特征库中携带标记的第一已有人脸特征进行聚类,并获取聚类结果。
本申请实施例中,在采样得到的第二已有人脸特征后,可以对采样得到的第二已有人脸特征以及人脸特征库中携带标记的第一已有人脸特征进行聚类,以获取聚类结果。
作为一种可能的实现方式,为了提升后续图像分类的效率,以及分类结果的准确性,在获取聚类结果之后,可以对人脸特征库中携带标记的第一已有人脸特征进行标记去除处理。
步骤407,根据聚类结果,确定待处理人脸特征对应的人脸图像的类别。
本申请实施例中,通过在聚类之前,对人脸特征库中的已有人脸特征进行采样,可以降低计算量,提升图像分类的实时性。并且,根据聚类算法,确定待处理人脸特征对应的人脸图像的类别,可以提升分类结果的准确性。
步骤408,结合待处理人脸特征、人脸特征库中已有人脸特征对应的类别、以及相邻人脸特征算法,确定待处理人脸特征对应的类别。
步骤409,根据待处理人脸特征对应的类别确定人脸图像的类别。
步骤407至409的执行过程可以参见上述实施例中步骤103至104的执行过程,在此不做赘述。
本申请实施例的人脸图像的分类方法,可以保证图像分类的实时性,以及分类结果的准确性,并且,还可以避免频繁进行增量聚类或者全量聚类的情况,可以降低计算成本以及计算量。
作为一种可能的实现方式,本申请中,可以根据人脸特征库中已有人脸特征的数量规模,选择合适的相邻人脸特征算法,以确定待处理人脸特征对应的类别。下面结合实施例五,对上述过程进行详细说明。
图5为本申请实施例五所提供的人脸图像的分类方法的流程示意图。
如图5所示,该人脸图像的分类方法可以包括以下步骤:
步骤501,获取待处理的人脸图像。
步骤502,根据人脸图像提取人脸图像中的待处理人脸特征。
步骤501至502的执行过程可以参见上述实施例中步骤101至102的执行过程,在此不做赘述。
步骤503,获取人脸特征库中已有人脸特征的总数量。
步骤504,判断上述总数量是否大于第二数量阈值,若否,执行步骤505至506,若是,执行步骤507至509。
其中,第二数量阈值为预先设置的,应当理解的是,第二数量阈值为较大的取值。
步骤505,获取待处理人脸特征与人脸特征库中各个已有人脸特征之间的相似度,并按照相似度对各个已有人脸特征进行排序。
本申请实施例中,在人脸特征库中已有人脸特征的总数量较小时,为了提升分类结果的准确性,可以结合人脸特征库中所有的已有人脸特征,确定待处理人脸特征对应的类别。具体地,首先,可以基于相似度计算算法,确定待处理人脸特征与人脸特征库中各个已有人脸特征之间的相似度,之后,可以按照相似度的取值,由大到小对各个已有人脸特征进行排序。
步骤506,根据排序在前的第三预设数量的已有人脸特征对应的类别,确定待处理人脸特征对应的类别。
其中,第三预设数量为预先设置的。
本申请实施例中,在按照相似度的取值,由大到小对各个已有人脸特征进行排序后,可以根据排序在前的第三预设数量的已有人脸特征对应的类别,确定待处理人脸特征对应的类别。
具体地,可以根据排序在前的第三预设数量的已有人脸特征对应的类别,确定每个类别包含的已有人脸特征数量,根据已有人脸特征数量取值最大的类别,确定待处理人脸特征对应的类别。
例如,假设第三预设数量为100,100个已有人脸特征共包含3个类别,分别为类别1、类别2和类别3,假设类别1下包含55个已有人脸特征,类别2下包含20个已有人脸特征,类别3下包含25个已有人脸特征,则可以将类别1作为待处理人脸特征对应的类别。
进一步地,为了提升分类结果的准确性,还可以判断最大已有人脸特征数量是否大于设定阈值,若是,则将已有人脸特征数量取值最大的类别,作为待处理人脸特征对应的类别,若否,则将该待处理人脸特征,作为单独的一类。或者,还可以确定最大相似度是否大于给定阈值,若否,则将该待处理人脸特征,作为单独的一类,若是,则还可以将最大相似度对应的已有人脸特征所对应的类别,作为待处理人脸特征对应的类别。
步骤507,对人脸特征库进行采样,获取采样得到的已有人脸特征;或者,对人脸特征库对应的相似度检索索引进行采样,将采样得到的检索索引中的已有人脸特征确定为采样得到的已有人脸特征。
本申请实施例中,在人脸特征库中已有人脸特征的总数量较大时,为了提升图像分类的实时性,可以结合人脸特征库中部分已有人脸特征,确定待处理人脸特征对应的类别。具体地,首先,可以对人脸特征库进行采样,获取采样得到的已有人脸特征,比如可以对人脸特征库进行随机采样,获取采样得到的已有人脸特征。
或者,还可以对人脸特征库对应的相似度检索索引进行采样,将采样得到的检索索引中的已有人脸特征确定为采样得到的已有人脸特征。比如,可以对人脸特征库建立索引树,比如K-D树,得到多个分支,其中,属于同一分支中的已有人脸特征的相似度较高,从而可以对多个分支进行采样,将采样得到的分支中的已有人脸特征,作为采样得到的已有人脸特征,或者,还可以根据待处理人脸特征查询索引树,获取与待处理人脸特征相似度较高的分支,从而可以将查询得到的分支中的已有人脸特征,作为采样得到的已有人脸特征。
步骤508,获取待处理人脸特征与采样得到的已有人脸特征之间的相似度,并按照相似度对采样得到的已有人脸特征进行排序。
本申请实施例中,可以基于相似度计算算法,确定待处理人脸特征与采样得到的已有人脸特征之间的相似度,之后,可以按照相似度的取值,由大到小对各采样得到的已有人脸特征进行排序。
步骤509,根据排序在前的第四预设数量的已有人脸特征对应的类别,确定人脸特征对应的类别。
其中,第四预设数量为预先设置的。
本申请实施例中,在按照相似度的取值,由大到小对各个采样得到的已有人脸特征进行排序后,可以将排序在前的第四预设数量的已有人脸特征对应的类别,确定待处理人脸特征对应的类别。
具体地,可以根据排序在前的第四预设数量的已有人脸特征对应的类别,确定每个类别包含的已有人脸特征数量,根据已有人脸特征数量取值最大的类别,确定待处理人脸特征对应的类别。
例如,假设第四预设数量为100,100个已有人脸特征共包含3个类别,分别为类别1、类别2和类别3,假设类别1下包含35个已有人脸特征,类别2下包含20个已有人脸特征,类别3下包含45个已有人脸特征,则可以将类别3作为待处理人脸特征对应的类别。
需要说明的是,上述仅以第三预设数量与第四预设数量相同进行示例,实际应用时,可以根据自身需求设置对应的第三预设数量和第四预设数量,其中,第三预设数量和第四预设数量可以相同,也可以不同,本申请对此并不作限制。
进一步地,为了提升分类结果的准确性,还可以判断最大已有人脸特征数量是否大于设定阈值,若是,则将已有人脸特征数量取值最大的类别,作为待处理人脸特征对应的类别,若否,则将该待处理人脸特征,作为单独的一类。或者,还可以确定最大相似度是否大于给定阈值,若否,则将该待处理人脸特征,作为单独的一类,若是,则还可以将最大相似度对应的已有人脸特征所对应的类别,作为待处理人脸特征对应的类别。
步骤510,根据待处理人脸特征对应的类别确定人脸图像的类别。
步骤510的执行过程可以参见上述实施例中步骤104的执行过程,在此不做赘述。
本申请实施例中,在人脸特征库中已有人脸特征的总数量较小时,为了提升分类结果的准确性,可以结合人脸特征库中所有的已有人脸特征对应的类别、待处理人脸特征、以及相邻人脸特征算法,确定待处理人脸特征对应的类别。而在人脸特征库中已有人脸特征的总数量较大时,为了提升图像分类的实时性,可以人脸特征库中部分已有人脸特征对应的类别、待处理人脸特征、以及相邻人脸特征算法,确定待处理人脸特征对应的类别。由此,根据不同方式,确定待处理人脸特征对应的类别,可以提升该方法的适用性。并且,可以同时兼顾图像分类的实时性和分类结果的准确性。
在本申请实施例的一种可能的实现方式,由于聚类得到的各人脸特征对应的类别较为准确,因此,本申请中,可以根据聚类结果,对人脸特征库中已有人脸特征对应的类别进行更新,由此,可以实现对人脸特征库中已有人脸特征对应的类别进行动态维护,提升后续分类结果的准确性。
需要说明的是,对人脸特征进行存储时,为了减少存储量,可以对已有人脸特征进行量化压缩或者维度压缩或者比特数压缩,存储压缩后的已有人脸特征。对应的,获取新增的待处理人脸特征后,可以对新增的待处理人脸特征进行相同压缩方式的压缩,确保新增的待处理人脸特征与已有人脸特征之间压缩方式的一致性,以提升分类结果或聚类结果的准确性。
综上,本申请中,在获取到新增的待处理人脸特征时,可以采用最近邻算法或近似最近邻算法,获取人脸特征库中已有人脸特征中,与待处理人脸特征近邻的多个已有人脸特征,根据近邻的多个已有人脸特征的类别,确定待处理人脸特征的类别,将确定结果作为第一结果。其中,若未获取到已有人脸特征中与待处理人脸特征近邻的多个已有人脸特征,则新增待处理人脸特征的类别。
之后,可以判断是否满足周期聚类算法的触发条件(时间阈值,未进行周期聚类处理的人脸特征数量),在满足触发条件时,根据触发条件确定是进行增量聚类还是全量聚类,在确定进行增量聚类时,对待处理人脸特征,以及采样得到的多个已有人脸特征进行聚类,生成第二结果;在确定进行全量聚类时,对待处理人脸特征,以及所有已有人脸特征进行聚类,生成第三结果。
从而,可以根据上述第一结果、第二结果和第三结果中的至少一个,以及聚合策略,确定待处理人脸特征的类别,以及对各个已有人脸特征的类别进行更新。
其中,聚合策略可以第三结果为准,第二结果和第一结果为辅。也就是说,针对某个待处理人脸特征,若存在第三结果,则根据第三结果确定该待处理人脸特征的类别;若不存在第三结果,则根据第二结果确定该待处理人脸特征的类别;若不存在第二结果,则根据第一结果确定该待处理人脸特征的类别。
其中,本申请中,对最近邻算法和近似最近邻算法并不限制,可以根据具体的使用场景,确定最合适的算法。比如,当人脸特征库中具有10亿个以上的已有人脸特征时,可以基于倒排索引的矢量量化算法(IVFPQ),来降低索引的存储空间和查询的效率,当人脸特征库中的已有人脸特征的个数在万级别时,可以使用Flat算法,降低建立索引的成本,这一类算法通常可以实现秒级别的查询结果返回,由此,可以适应于大规模聚类场景(比如十亿个聚类中心规模的量级),并满足工业级大规模生产环境的人脸聚类需求。
其中,增量聚类算法会将新增的待处理人脸特征分配到最合适的已有聚簇上,并为匹配度较低的人脸特征,创建新的聚簇以及对应的类别。全量聚类算法可以加载用户的全量数据,在单机上或者以分布式的方式,执行聚类算法,并修正之前聚类结果。
其中,可以根据已有人脸特征的数量规模来确定是选择最近邻算法还是选择近似最近邻算法,例如,若数量规模大,则采用近似最近邻算法,若数量规模小,则采用最近邻算法。其中,在近似最近邻算法中,可以根据数量规模选择具体的索引建立以及索引策略。
作为一种示例,本申请的系统架构可以如图6所示,实时聚类模块,可以从新增的特征数据流中,实时读取用户的新增数据,并使用近似最近邻(Approximate NearestNeighbor,简称ANN)索引预测新增的人脸特征所属的聚簇,以及该聚簇对应的类别。其中,ANN索引可以存储在对象存储系统中,并在使用时,利用缓存服务进行缓存复用,以降低对象存储系统读取压力。
周期性聚类模块,可以周期性地从新增的特征数据流中读取用户数据,运行指定的聚类算法,将结果发送到聚类结果聚合模块。其中,周期性聚类模块可以设定不同的触发周期,并部署多套周期性聚类服务,例如,按照30分钟的触发规则部署一套增量聚类服务,同时部署一套在每天的低峰期执行的全量聚类服务。并且,周期性聚类模块在聚类前需要从对象存储系统中加载聚类中心描述,在聚类结束后更新聚类中心描述和ANN索引。
聚类结果聚合模块,可以处理实时聚类模块和周期性聚类模块产出的结果,对两个模块产出的结果进行聚合,并对用户进行展示。其中,向用户展示的结果,以周期性聚类结果为准,实时聚类结果为辅,在没有周期性聚类结果时,向用户展示实时聚类结果。
现有技术中,针对用户间歇上传人脸图像的场景,可以利用以下两种模型,来实现对上传的人脸图像进行聚类,得到该人脸图像对应的类别。
第一种模型为FDM(Full Data Model,全局数据模型),每次聚类时,读取该用户的所有图像,将该用户的所有图像与新上传的人脸图像进行聚类。比如,可以基于DBSCAN(Density-Based Spatial Clustering of Applications with Noise,基于密度的聚类算法)、BIRCH(Balanced Iterative Reducing and Clustering Using Hierarchies,平衡迭代削减聚类算法)、CURE(Clustering Using Representatives,层次聚类算法)等算法,对图像进行聚类处理,得到多个人脸分组,以及每组的类别。
第二种模型为PDM(Part Data Model,局部数据模型),每次聚类后,把图像进行划分或采样,选择部分图像,和新图像进行聚类。其中,采样方法可以包括按时间采样或特定的采样算法,特定的采样算法可以包括增量DBSCAN、增量式CURE、COBWEB(基于统计学的聚类算法)等采样算法。
然而,针对第一种模型,当图像的个数较多时,每新增一个或多个图像特征,则均需全部重新聚类,聚类的成本开销是非常巨大的,且时延也很高。针对第二种模型,采用了采样的方法进行聚类,会对聚类结果的准确性造成影响。
作为一种示例,参见图7,其中,gdl+cure算法是一种基于Graph Degree Linkage的层次聚类算法,采用了CURE算法中的数据采样与增量合并方式,gdl-full是一种基于Graph Degree Linkage的层次聚类算法,在聚类时,利用之前所有的已有数据进行重新聚类,knn-full是一种基于特征相似度的KNN(k个最近邻)关系划分出类族的聚类算法,是gdl算法的简化版。
由图7可以看出,对图像进行采样后的增量聚类算法(gdl+cure)的聚类效果(pairwise f1score)随着采样次数的增加,显著低于利用全量图像进行重新聚类的全量聚类算法(gdl-full),并随着图像个数的增多,持续降低。
虽然,现有技术中,还可以采用特定的算法,比如增量DBSCAN算法,对图像进行针对性的划分,实现和全局数据模型下聚类的等价效果,但是,该特定的算法会增加聚类的开销,并且只能用于特定的算法,适用性不高。
而本申请中,采用多种人脸聚类算法,例如将ANN实时聚类算法和周期聚类算法进行综合使用,能够实现与具体的聚类算法解耦的同时,缩短时延,并显著降低实时聚类算法的成本,达到时效、效果、成本的整体最优。同时,该方法可以适用于任何已有和后续提出的新聚类算法,提升该方法的适用性。
需要说明的是,虽然可以将现有技术中的增量聚类算法(如前面提到的gdl+cure算法)的执行周期缩短,以提升图像分类的实时性,但是,该方法会提高系统的计算量。
作为一种示例,参见表1,本申请中,采用ANN+增量聚类的方法,相比于直接缩短增量聚类算法的执行周期来提升时效性的方法,将执行复杂度从O(N^2),缩短到了O(N)的线性复杂度。并且,减少了实时聚类模块频繁读取聚类中心或ANN索引时的读取带宽开销,从O(N*D),减少到O(N*M*log2(K)),在效果不变的情况下,带宽开销可以缩小16倍。其中,增量聚类算法以GDL+CURE的算法进行示例。
其中,D是特征向量的维度,M是ANN算法压缩后的向量维度,log2(K)表示每个维度压缩后的比特数,N是人脸特征数量,K是采用ANN算法中的Product Quantization,压缩后的每个维度的值个数,M是采用ANN算法中的Product Quantization,压缩后的维度数。
表1
/>
作为一种示例,图8展示了特征向量(128维,int32)在不同压缩度下分配聚簇的精确度(precision)与预测数量(predict percent),可以看到在使用PQ32压缩后(32维,int8),精度和预测数量与不压缩的Flat基本相同。PQ32相比原始向量,压缩了16倍。其中,图8中的Flat算法,不压缩,直接进行存储,PCAR、SQ、PQ均为现有的压缩算法,采用压缩算法后进行存储。
综上,相对于任何一个单独的聚类算法,本方案可以为用户提供最终与全量聚类算法相同的效果。并且,如表1所示,利用ANN索引的线性查询开销优势,可以做到秒级的分类时延。因此,可以实现从原来的30分钟降低到秒级,同时,有效将计算成本从平方复杂度,缩减到线性复杂度,存储的带宽开销降低16倍。
为了实现上述实施例,本申请还提出一种人脸图像的分类装置。
图9为本申请实施例六所提供的人脸图像的分类装置的结构示意图。
如图9所示,该人脸图像的分类装置900包括:获取模块901、提取模块902、处理模块903以及第一确定模块904。
其中,获取模块901,用于获取待处理的人脸图像。
提取模块902,用于根据人脸图像提取人脸图像中的待处理人脸特征。
处理模块903,用于在人脸特征库未满足预设的触发条件时,结合待处理人脸特征、人脸特征库中已有人脸特征对应的类别、以及相邻人脸特征算法,确定待处理人脸特征对应的类别。
第一确定模块904,用于根据待处理人脸特征对应的类别确定人脸图像的类别。
在本申请实施例的一种可能的实现方式中,该人脸图像的分类装置900,还可以包括:
更新模块,用于在人脸特征库满足预设的触发条件时,将待处理人脸特征更新到人脸特征库中。
聚类模块,用于对人脸特征库中的已有人脸特征进行聚类,获取聚类结果。
第二确定模块,用于根据聚类结果,确定待处理人脸特征对应的人脸图像的类别。
作为一种可能的实现方式,触发条件包括:到达全局聚类时间点,则聚类模块,具体用于:在到达全局聚类时间点时,对人脸特征库中所有的已有人脸特征进行聚类,获取聚类结果。
作为一种可能的实现方式,聚类模块,具体用于:获取人脸特征库中任意两个已有人脸特征之间的相似度;将人脸特征库中的每个已有人脸特征与对应的相似度最高的已有人脸特征进行聚类,得到多个聚类组合;根据人脸特征库中任意两个已有人脸特征之间的相似度,确定任意两个聚类组合之间的距离;将每个聚类组合与对应的距离最近且最近距离小于等于预设距离阈值的聚类组合进行聚类,得到多个聚类后组合,重复执行聚类过程,直至多个聚类后组合中任意两个聚类后组合之间的距离大于预设距离阈值;根据每个聚类后组合中的已有人脸特征,确定多个聚类后组合中每个聚类后组合对应的类别;将多个聚类后组合以及每个聚类后组合对应的类别,确定为聚类结果。
作为一种可能的实现方式,更新模块,具体用于:对待处理人脸特征进行未聚类标记,将标记处理后的待处理人脸特征更新到人脸特征库中。
触发条件还包括:局部聚类子条件,局部聚类子条件包括:人脸特征库中携带标记的第一已有人脸特征的获取时间点差值大于预设时间长度,和/或,人脸特征库中携带标记的第一已有人脸特征的数量大于等于第一数量阈值。
聚类模块,具体还用于:在人脸特征库满足局部聚类子条件,且未到达全局聚类时间点时,对人脸特征库中未携带标记的第二已有人脸特征进行采样;对采样得到的第二已有人脸特征以及人脸特征库中携带标记的第一已有人脸特征进行聚类,获取聚类结果。
在本申请实施例的一种可能的实现方式中,该人脸图像的分类装置900,还可以包括:
去除模块,用于对人脸特征库中携带标记的第一已有人脸特征进行标记去除处理。
作为一种可能的实现方式,处理模块903,具体用于:获取人脸特征库中已有人脸特征的总数量;在总数量小于等于第二数量阈值时,获取待处理人脸特征与人脸特征库中各个已有人脸特征之间的相似度,并按照相似度对各个已有人脸特征进行排序;根据排序在前的第三预设数量的已有人脸特征对应的类别,确定待处理人脸特征对应的类别。
作为另一种可能的实现方式,处理模块903,具体还用于:在总数量大于第二数量阈值时,对人脸特征库进行采样,获取采样得到的已有人脸特征;或者,对人脸特征库对应的相似度检索索引进行采样,将采样得到的检索索引中的已有人脸特征确定为采样得到的已有人脸特征;获取待处理人脸特征与采样得到的已有人脸特征之间的相似度,并按照相似度对采样得到的已有人脸特征进行排序;根据排序在前的第四预设数量的已有人脸特征对应的类别,确定人脸特征对应的类别。
作为一种可能的实现方式,更新模块,还用于:将待处理人脸特征以及对应的类别,更新到人脸特征库中。
作为另一种可能的实现方式,更新模块,还用于:根据聚类结果,对人脸特征库中已有人脸特征对应的类别进行更新。
作为一种可能的实现方式,待处理人脸特征,以及人脸特征库中的已有人脸特征,为经过量化压缩或者维度压缩后的人脸特征。
需要说明的是,前述图1至图8实施例对人脸图像的分类方法的解释说明也适用于该实施例的人脸图像的分类装置,此处不再赘述。
本申请实施例的人脸图像的分类装置,通过对获取得到的待处理的人脸图像进行特征提取,得到待处理人脸特征,并在人脸特征库未满足预设的触发条件时,结合待处理人脸特征、人脸特征库中已有人脸特征对应的类别、以及相邻人脸特征算法,确定待处理人脸特征对应的类别,以根据待处理人脸特征对应的类别确定人脸图像的类别。由此,在人脸特征库未满足预设的触发条件时,通过相邻人脸特征算法,来确定待处理人脸特征对应的类别,而无需通过聚类算法,来确定待处理人脸特征对应的类别,可以降低计算量,提升图像分类的效率,从而提升人脸图像分类的实时性。
根据本申请的实施例,本申请还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
如图10所示,是根据本申请实施例的人脸图像的分类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10所示,该电子设备包括:一个或多个处理器1001、存储器1002,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10中以一个处理器1001为例。
存储器1002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分类方法。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分类方法。
存储器1002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分类方法对应的程序指令/模块(例如,附图9所示的获取模块901、提取模块902、处理模块903以及第一确定模块904)。处理器1001通过运行存储在存储器1002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分类方法。
存储器1002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分类方法的电子设备的使用所创建的数据等。此外,存储器1002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1002可选包括相对于处理器1001远程设置的存储器,这些远程存储器可以通过网络连接至电子设备。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。
电子设备还可以包括:输入装置1003和输出装置1004。处理器1001、存储器1002、输入装置1003和输出装置1004可以通过总线或者其他方式连接,图10中以通过总线连接为例。
输入装置1003可接收输入的数字或字符信息,以及产生与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1004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,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。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务中,存在的管理难度大,业务扩展性弱的缺陷。
本申请实施例提出的计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现如本申请前述任一实施例提出的人脸图像的分类方法。
根据本申请实施例的技术方案,通过对获取得到的待处理的人脸图像进行特征提取,得到待处理人脸特征,并在人脸特征库未满足预设的触发条件时,结合所述待处理人脸特征、所述人脸特征库中已有人脸特征对应的类别、以及相邻人脸特征算法,确定所述待处理人脸特征对应的类别,以根据所述待处理人脸特征对应的类别确定所述人脸图像的类别。由此,在人脸特征库未满足预设的触发条件时,通过相邻人脸特征算法,来确定所述待处理人脸特征对应的类别,而无需通过聚类算法,来确定待处理人脸特征对应的类别,可以降低计算量,提升图像分类的效率,从而提升人脸图像分类的实时性。
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。
Claims (21)
1.一种人脸图像的分类方法,所述方法包括:
获取待处理的人脸图像;
根据所述人脸图像提取所述人脸图像中的待处理人脸特征;
在未到达全局聚类时间点时,结合所述待处理人脸特征、人脸特征库中已有人脸特征对应的类别、以及相邻人脸特征算法,确定所述待处理人脸特征对应的类别;其中,所述相邻人脸特征算法包括近邻算法或最近邻算法;
根据所述待处理人脸特征对应的类别确定所述人脸图像的类别;
在到达所述全局聚类时间点时,将所述待处理人脸特征更新到所述人脸特征库中;
对所述人脸特征库中的已有人脸特征进行聚类,获取聚类结果;
根据所述聚类结果,确定所述待处理人脸特征对应的人脸图像的类别;
所述结合所述待处理人脸特征、人脸特征库中已有人脸特征对应的类别、以及相邻人脸特征算法,确定所述待处理人脸特征对应的类别,包括:
获取所述人脸特征库中已有人脸特征的总数量;
在所述总数量小于等于第二数量阈值时,获取所述待处理人脸特征与所述人脸特征库中各个已有人脸特征之间的相似度,并按照相似度对所述各个已有人脸特征进行排序;
根据排序在前的第三预设数量的已有人脸特征对应的类别,确定所述待处理人脸特征对应的类别。
2.根据权利要求1所述的方法,其中,所述对所述人脸特征库中的已有人脸特征进行聚类,获取聚类结果,包括:
在到达所述全局聚类时间点时,对所述人脸特征库中所有的已有人脸特征进行聚类,获取所述聚类结果。
3.根据权利要求2所述的方法,其中,所述对所述人脸特征库中所有的已有人脸特征进行聚类,获取所述聚类结果,包括:
获取所述人脸特征库中任意两个已有人脸特征之间的相似度;
将所述人脸特征库中的每个已有人脸特征与对应的相似度最高的已有人脸特征进行聚类,得到多个聚类组合;
根据所述人脸特征库中任意两个已有人脸特征之间的相似度,确定任意两个聚类组合之间的距离;
将每个聚类组合与对应的距离最近且最近距离小于等于预设距离阈值的聚类组合进行聚类,得到多个聚类后组合,重复执行聚类过程,直至所述多个聚类后组合中任意两个聚类后组合之间的距离大于所述预设距离阈值;
根据每个聚类后组合中的已有人脸特征,确定所述多个聚类后组合中每个聚类后组合对应的类别;
将所述多个聚类后组合以及每个聚类后组合对应的类别,确定为所述聚类结果。
4.根据权利要求2所述的方法,其中,所述将所述待处理人脸特征更新到所述人脸特征库中,包括:
对所述待处理人脸特征进行未聚类标记,将标记处理后的待处理人脸特征更新到所述人脸特征库中;
所述对所述人脸特征库中的已有人脸特征进行聚类,获取聚类结果,包括:
在所述人脸特征库满足局部聚类子条件,且未到达所述全局聚类时间点时,对所述人脸特征库中未携带标记的第二已有人脸特征进行采样;其中,所述局部聚类子条件包括:所述人脸特征库中携带标记的第一已有人脸特征的获取时间点差值大于预设时间长度,和/或,所述人脸特征库中携带标记的第一已有人脸特征的数量大于等于第一数量阈值;
对采样得到的第二已有人脸特征以及所述人脸特征库中携带标记的第一已有人脸特征进行聚类,获取所述聚类结果。
5.根据权利要求4所述的方法,其中,在所述对采样得到的第二已有人脸特征以及所述人脸特征库中携带标记的第一已有人脸特征进行聚类,并获取所述聚类结果之后,所述方法还包括:
对所述人脸特征库中携带标记的第一已有人脸特征进行标记去除处理。
6.根据权利要求1所述的方法,其中,还包括:
在所述总数量大于第二数量阈值时,对所述人脸特征库进行采样,获取采样得到的已有人脸特征;或者,对所述人脸特征库对应的相似度检索索引进行采样,将采样得到的检索索引中的已有人脸特征确定为采样得到的已有人脸特征;
获取所述待处理人脸特征与采样得到的已有人脸特征之间的相似度,并按照相似度对所述采样得到的已有人脸特征进行排序;
根据排序在前的第四预设数量的已有人脸特征对应的类别,确定所述人脸特征对应的类别。
7.根据权利要求3所述的方法,其中,所述将所述多个组合以及每个组合对应的类别,确定为所述聚类结果之后,还包括:
将所述待处理人脸特征以及对应的类别,更新到所述人脸特征库中。
8.根据权利要求1所述的方法,其中,所述对所述人脸特征库中的已有人脸特征进行聚类,获取聚类结果之后,还包括:
根据所述聚类结果,对所述人脸特征库中已有人脸特征对应的类别进行更新。
9.根据权利要求1所述的方法,其中,所述待处理人脸特征,以及所述人脸特征库中的所述已有人脸特征,为经过量化压缩或者维度压缩后的人脸特征。
10.一种人脸图像的分类装置,所述装置包括:
获取模块,用于获取待处理的人脸图像;
提取模块,用于根据所述人脸图像提取所述人脸图像中的待处理人脸特征;
处理模块,用于在未到达全局聚类时间点时,结合所述待处理人脸特征、人脸特征库中已有人脸特征对应的类别、以及相邻人脸特征算法,确定所述待处理人脸特征对应的类别;其中,所述相邻人脸特征算法包括近邻算法或最近邻算法;
第一确定模块,用于根据所述待处理人脸特征对应的类别确定所述人脸图像的类别;
更新模块,用于在到达所述全局聚类时间点时,将所述待处理人脸特征更新到所述人脸特征库中;
聚类模块,用于对所述人脸特征库中的已有人脸特征进行聚类,获取聚类结果;
第二确定模块,用于根据所述聚类结果,确定所述待处理人脸特征对应的人脸图像的类别;
其中,所述处理模块,具体用于:获取所述人脸特征库中已有人脸特征的总数量;在所述总数量小于等于第二数量阈值时,获取所述待处理人脸特征与所述人脸特征库中各个已有人脸特征之间的相似度,并按照相似度对所述各个已有人脸特征进行排序;根据排序在前的第三预设数量的已有人脸特征对应的类别,确定所述待处理人脸特征对应的类别。
11.根据权利要求10所述的装置,其中,所述聚类模块,具体用于:
在到达所述全局聚类时间点时,对所述人脸特征库中所有的已有人脸特征进行聚类,获取所述聚类结果。
12.根据权利要求11所述的装置,其中,所述聚类模块,具体用于:
获取所述人脸特征库中任意两个已有人脸特征之间的相似度;
将所述人脸特征库中的每个已有人脸特征与对应的相似度最高的已有人脸特征进行聚类,得到多个聚类组合;
根据所述人脸特征库中任意两个已有人脸特征之间的相似度,确定任意两个聚类组合之间的距离;
将每个聚类组合与对应的距离最近且最近距离小于等于预设距离阈值的聚类组合进行聚类,得到多个聚类后组合,重复执行聚类过程,直至所述多个聚类后组合中任意两个聚类后组合之间的距离大于所述预设距离阈值;
根据每个聚类后组合中的已有人脸特征,确定所述多个聚类后组合中每个聚类后组合对应的类别;
将所述多个聚类后组合以及每个聚类后组合对应的类别,确定为所述聚类结果。
13.根据权利要求11所述的装置,其中,所述更新模块,具体用于:
对所述待处理人脸特征进行未聚类标记,将标记处理后的待处理人脸特征更新到所述人脸特征库中;
所述聚类模块,具体还用于:
在所述人脸特征库满足局部聚类子条件,且未到达所述全局聚类时间点时,对所述人脸特征库中未携带标记的第二已有人脸特征进行采样;其中,所述局部聚类子条件包括:所述人脸特征库中携带标记的第一已有人脸特征的获取时间点差值大于预设时间长度,和/或,所述人脸特征库中携带标记的第一已有人脸特征的数量大于等于第一数量阈值;
对采样得到的第二已有人脸特征以及所述人脸特征库中携带标记的第一已有人脸特征进行聚类,获取所述聚类结果。
14.根据权利要求13所述的装置,其中,所述装置还包括:
去除模块,用于对所述人脸特征库中携带标记的第一已有人脸特征进行标记去除处理。
15.根据权利要求10所述的装置,其中,所述处理模块,具体还用于:
在所述总数量大于第二数量阈值时,对所述人脸特征库进行采样,获取采样得到的已有人脸特征;或者,对所述人脸特征库对应的相似度检索索引进行采样,将采样得到的检索索引中的已有人脸特征确定为采样得到的已有人脸特征;
获取所述待处理人脸特征与采样得到的已有人脸特征之间的相似度,并按照相似度对所述采样得到的已有人脸特征进行排序;
根据排序在前的第四预设数量的已有人脸特征对应的类别,确定所述人脸特征对应的类别。
16.根据权利要求12所述的装置,其中,所述更新模块,还用于:
将所述待处理人脸特征以及对应的类别,更新到所述人脸特征库中。
17.根据权利要求10所述的装置,其中,所述更新模块,还用于:
根据所述聚类结果,对所述人脸特征库中已有人脸特征对应的类别进行更新。
18.根据权利要求10所述的装置,其中,所述待处理人脸特征,以及所述人脸特征库中的所述已有人脸特征,为经过量化压缩或者维度压缩后的人脸特征。
19. 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权利要求1-9中任一项所述的人脸图像的分类方法。
20.一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1-9中任一项所述的人脸图像的分类方法。
21.一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现如权利要求1-9中任一项所述的人脸图像的分类方法。
Priority Applications (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010694390.2A CN112069875B (zh) | 2020-07-17 | 2020-07-17 | 人脸图像的分类方法、装置、电子设备和存储介质 |
EP21184262.0A EP3872703B1 (en) | 2020-07-17 | 2021-07-07 | Method and device for classifying face image, electronic device and storage medium |
US17/370,569 US20220019764A1 (en) | 2020-07-17 | 2021-07-08 | Method and device for classifying face image, electronic device and storage medium |
KR1020210092245A KR102633433B1 (ko) | 2020-07-17 | 2021-07-14 | 얼굴이미지의 분류방법, 분류장치, 전자기기 및 저장매체 |
JP2021117979A JP2021168195A (ja) | 2020-07-17 | 2021-07-16 | 顔画像の分類方法、装置、電子機器及び記憶媒体 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010694390.2A CN112069875B (zh) | 2020-07-17 | 2020-07-17 | 人脸图像的分类方法、装置、电子设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112069875A CN112069875A (zh) | 2020-12-11 |
CN112069875B true CN112069875B (zh) | 2024-05-28 |
Family
ID=73657086
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010694390.2A Active CN112069875B (zh) | 2020-07-17 | 2020-07-17 | 人脸图像的分类方法、装置、电子设备和存储介质 |
Country Status (5)
Country | Link |
---|---|
US (1) | US20220019764A1 (zh) |
EP (1) | EP3872703B1 (zh) |
JP (1) | JP2021168195A (zh) |
KR (1) | KR102633433B1 (zh) |
CN (1) | CN112069875B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112686178B (zh) * | 2020-12-30 | 2024-04-16 | 中国电子科技集团公司信息科学研究院 | 一种多视角目标轨迹生成方法、装置和电子设备 |
CN113361366A (zh) * | 2021-05-27 | 2021-09-07 | 北京百度网讯科技有限公司 | 人脸标注方法、装置、电子设备和存储介质 |
CN114612967B (zh) * | 2022-03-03 | 2023-06-20 | 北京百度网讯科技有限公司 | 一种人脸聚类的方法、装置、设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016145940A1 (zh) * | 2015-03-19 | 2016-09-22 | 北京天诚盛业科技有限公司 | 人脸认证方法和装置 |
WO2018133666A1 (zh) * | 2017-01-17 | 2018-07-26 | 腾讯科技(深圳)有限公司 | 视频目标跟踪方法和装置 |
CN109543637A (zh) * | 2018-11-29 | 2019-03-29 | 中国科学院长春光学精密机械与物理研究所 | 一种人脸识别方法、装置、设备以及可读存储介质 |
CN110738175A (zh) * | 2019-10-17 | 2020-01-31 | 北京旷视科技有限公司 | 人脸图像处理方法、装置、计算机设备和存储介质 |
CN111325156A (zh) * | 2020-02-24 | 2020-06-23 | 北京沃东天骏信息技术有限公司 | 人脸识别方法、装置、设备和存储介质 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003346149A (ja) * | 2002-05-24 | 2003-12-05 | Omron Corp | 顔照合装置および生体情報照合装置 |
JP2012221070A (ja) * | 2011-04-05 | 2012-11-12 | Nippon Telegr & Teleph Corp <Ntt> | 特徴選択情報作成装置、画像識別装置、特徴選択情報作成方法、および特徴選択情報作成プログラム |
JP2013210945A (ja) * | 2012-03-30 | 2013-10-10 | Toshiba Corp | 波形分析装置および波形分析方法 |
CN105095873B (zh) * | 2015-07-31 | 2018-12-18 | 小米科技有限责任公司 | 照片共享方法、装置 |
CN105426515B (zh) * | 2015-12-01 | 2018-12-18 | 小米科技有限责任公司 | 视频归类方法及装置 |
JP2018045369A (ja) * | 2016-09-13 | 2018-03-22 | 株式会社東芝 | 認識装置、認識システム、認識方法およびプログラム |
WO2019051795A1 (zh) * | 2017-09-15 | 2019-03-21 | 广东欧珀移动通信有限公司 | 图像处理方法、装置、终端、服务器和计算机可读存储介质 |
CN110909817B (zh) * | 2019-11-29 | 2022-11-11 | 深圳市商汤科技有限公司 | 分布式聚类方法及系统、处理器、电子设备及存储介质 |
US11354936B1 (en) * | 2020-07-15 | 2022-06-07 | Amazon Technologies, Inc. | Incremental clustering for face recognition systems |
-
2020
- 2020-07-17 CN CN202010694390.2A patent/CN112069875B/zh active Active
-
2021
- 2021-07-07 EP EP21184262.0A patent/EP3872703B1/en active Active
- 2021-07-08 US US17/370,569 patent/US20220019764A1/en active Pending
- 2021-07-14 KR KR1020210092245A patent/KR102633433B1/ko active IP Right Grant
- 2021-07-16 JP JP2021117979A patent/JP2021168195A/ja active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016145940A1 (zh) * | 2015-03-19 | 2016-09-22 | 北京天诚盛业科技有限公司 | 人脸认证方法和装置 |
WO2018133666A1 (zh) * | 2017-01-17 | 2018-07-26 | 腾讯科技(深圳)有限公司 | 视频目标跟踪方法和装置 |
CN109543637A (zh) * | 2018-11-29 | 2019-03-29 | 中国科学院长春光学精密机械与物理研究所 | 一种人脸识别方法、装置、设备以及可读存储介质 |
CN110738175A (zh) * | 2019-10-17 | 2020-01-31 | 北京旷视科技有限公司 | 人脸图像处理方法、装置、计算机设备和存储介质 |
CN111325156A (zh) * | 2020-02-24 | 2020-06-23 | 北京沃东天骏信息技术有限公司 | 人脸识别方法、装置、设备和存储介质 |
Non-Patent Citations (3)
Title |
---|
Zhifeng Li ; Dihong Gong ; Yu Qiao ; Dacheng Tao.Common Feature Discriminant Analysis for Matching Infrared Face Images to Optical Face Images.IEEE Biometrics CompendiumIEEE RFIC Virtual JournalIEEE RFID Virtual Journal.2014,全文. * |
基于ASM和K近邻算法的人脸脸型分类;张倩;丁友东;蓝建梁;涂意;;计算机工程;20110605(第11期);全文 * |
基于深度特征聚类的海量人脸图像检索;李振东;钟勇;张博言;曹冬平;;哈尔滨工业大学学报;20181024(第11期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112069875A (zh) | 2020-12-11 |
KR102633433B1 (ko) | 2024-02-05 |
JP2021168195A (ja) | 2021-10-21 |
EP3872703B1 (en) | 2024-03-13 |
US20220019764A1 (en) | 2022-01-20 |
EP3872703A3 (en) | 2021-12-29 |
EP3872703A2 (en) | 2021-09-01 |
KR20210095818A (ko) | 2021-08-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112069875B (zh) | 人脸图像的分类方法、装置、电子设备和存储介质 | |
CN111967302B (zh) | 视频标签的生成方法、装置及电子设备 | |
CN112015775B (zh) | 标签数据处理方法、装置、设备和存储介质 | |
CN111079670B (zh) | 人脸识别方法、装置、终端和介质 | |
CN110019876B (zh) | 数据查询方法、电子设备及存储介质 | |
JP6378855B1 (ja) | 画像検索システム、画像検索方法およびプログラム | |
CN111950254B (zh) | 搜索样本的词特征提取方法、装置、设备以及存储介质 | |
CN112084366B (zh) | 用于检索图像的方法、装置、设备以及存储介质 | |
US9740734B2 (en) | Group-by processing for data containing singleton groups | |
KR101912748B1 (ko) | 확장성을 고려한 특징 기술자 생성 및 특징 기술자를 이용한 정합 장치 및 방법 | |
CN111701247B (zh) | 用于确定统一账号的方法和设备 | |
WO2023108995A1 (zh) | 向量相似度计算方法、装置、设备及存储介质 | |
WO2023272851A1 (zh) | 异常数据检测方法、装置、设备及存储介质 | |
Yang et al. | A scalable data chunk similarity based compression approach for efficient big sensing data processing on cloud | |
TW202217597A (zh) | 圖像的增量聚類方法、電子設備、電腦儲存介質 | |
CN112463784A (zh) | 数据去重方法、装置、设备及计算机可读存储介质 | |
CN113536020B (zh) | 数据查询的方法、存储介质和计算机程序产品 | |
CN111966846B (zh) | 图像查询方法、装置、电子设备和存储介质 | |
CN110019400B (zh) | 数据存储方法、电子设备及存储介质 | |
US20160042042A1 (en) | In-database connectivity components analysis of data | |
Van et al. | Content‐based image retrieval based on binary signatures cluster graph | |
CN111767419B (zh) | 图片搜索方法、装置、设备及计算机可读存储介质 | |
CN115934724A (zh) | 构建数据库索引的方法、检索方法、装置、设备及介质 | |
CN115146103A (zh) | 图像检索方法、装置、计算机设备、存储介质和程序产品 | |
CN112639761A (zh) | 一种为数据建立索引的方法以及装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |