CN112270290B - 人脸图像动态聚类方法、装置、电子设备和存储介质 - Google Patents
人脸图像动态聚类方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN112270290B CN112270290B CN202011250581.6A CN202011250581A CN112270290B CN 112270290 B CN112270290 B CN 112270290B CN 202011250581 A CN202011250581 A CN 202011250581A CN 112270290 B CN112270290 B CN 112270290B
- Authority
- CN
- China
- Prior art keywords
- image
- face
- archive
- quality
- library
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/161—Detection; Localisation; Normalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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
- 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)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Processing Or Creating Images (AREA)
- Image Analysis (AREA)
Abstract
本申请实施例公开了一种人脸图像动态聚类方法、装置、电子设备和存储介质,该方法包括:基于获取到的多张人脸图像的人脸特征数据,将每一张人脸图像与初始的档案库中的人脸特征数据进行匹配,初始的档案库的人脸特征数据为至少一组;若匹配不成功且匹配不成功的人脸图像不符合建档条件,则识别匹配不成功的人脸图像的图像质量;若为高质量图像,则将匹配不成功的高质量的人脸图像存储至高质量图像库,定期对高质量图像库中人脸图像进行聚类,以更新档案库;若为低质量图像,将匹配不成功的低质量的人脸图像存储至低质量图像库。在大量人脸图像数据聚类时,采用结合图像质量的聚类策略,减小聚类运算处理量和聚类周期,提高聚类准确率。
Description
技术领域
本申请实施例涉及图像识别技术,尤其涉及一种人脸图像动态聚类方法、装置、电子设备和存储介质。
背景技术
近年来,监控设备已经广泛应用于小区、商场、停车场、交通以及物流等场合,这些监控设备时刻都在产生诸如车辆图像、人脸区域图像等图像数据。为了有效利用这些图像数据,需要对这些图像数据进行聚类归档处理,而依靠人力来处理这些庞大的信息会造成很大的工作量。
为了有效对人脸图像进行归档处理,现有技术中通常是将多个采集到的人脸图像互相比对,比如,采集到的人脸图像有100张,则将每一张与其余的99张分别进行比对,以实现对100张图片的归档。
但是,这样数据处理量很大,增加了计算的复杂度,降低了归档效率。
发明内容
本申请提供了一种人脸图像动态聚类方法、装置、电子设备和存储介质,以解决现有技术人脸图像归档聚类时计算量大、聚类周期长和准确率低的问题。
本发明采用如下技术方案:
第一方面,本申请实施例提供了一种人脸图像动态聚类方法,该方法包括:
获取多张人脸图像,并识别各个所述人脸图像中的人脸特征数据;
基于所述人脸特征数据,将每一张人脸图像与初始的档案库中的人脸特征数据进行匹配,其中,所述初始的档案库的人脸特征数据为至少一组;
若匹配不成功且匹配不成功的人脸图像不符合建档条件,则识别匹配不成功的人脸图像的图像质量;
若为高质量图像,则将匹配不成功的高质量的人脸图像存储至高质量图像库,定期对所述高质量图像库中人脸图像进行聚类,以更新档案库;
若为低质量图像,将匹配不成功的低质量的人脸图像存储至低质量图像库;
其中,所述高质量图像的图像分辨率大于或等于设定分辨率阈值,所述低质量图像的图像分辨率小于所述设定分辨率阈值。
第二方面,本申请实施例提供了一种人脸图像动态聚类装置,该装置包括:
数据获取模块,用于获取多张人脸图像,并识别各个所述人脸图像中的人脸特征数据;
匹配模块,用于基于所述人脸特征数据,将每一张人脸图像与初始的档案库中的人脸特征数据进行匹配,其中,所述初始的档案库的人脸特征数据为至少一组;
质量识别模块,用于在匹配不成功且匹配不成功的人脸图像不符合建档条件时,识别匹配不成功的人脸图像的图像质量;
档案库更新模块,用于将匹配不成功的高质量的人脸图像存储至高质量图像库,定期对所述高质量图像库中人脸图像进行聚类,以更新档案库;
存储模块,用于将匹配不成功的低质量的人脸图像存储至低质量图像库;
其中,所述高质量图像的图像分辨率大于或等于设定分辨率阈值,所述低质量图像的图像分辨率小于所述设定分辨率阈值。
第三方面,本申请实施例提供了一种电子设备,包括存储器以及一个或多个处理器;
所述存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如第一方面所述的人脸图像动态聚类方法。
第四方面,本申请实施例提供了一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行如第一方面所述的人脸图像动态聚类方法。
本发明采用的技术方案有如下有益效果:基于获取的多张人脸图像的人脸特征数据,将每一张人脸图像与初始的档案库中的人脸特征数据进行匹配;对匹配不成功的人脸图像进行建档条件判断,若不符合建档条件,则识别匹配不成功的人脸图像的图像质量,根据图像质量进行不同的处理;将匹配不成功的高质量的人脸图像存储至高质量图像库并定期进行聚类来更新档案库;将匹配不成功的低质量的人脸图像存储至低质量图像库。这样,在大量人脸图像数据聚类时,采用结合图像质量的聚类策略,减小聚类运算处理量和聚类周期,提高聚类准确率。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本申请的其它特征、目的和优点将会变得更明显:
图1是本申请实施例提供的一种人脸图像动态聚类方法的流程图;
图2是本申请实施例提供的另一种人脸图像动态聚类方法的流程图;
图3是本申请实施例提供的一种人脸图像动态聚类装置的结构示意图;
图4是本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
为了使本申请的目的、技术方案和优点更加清楚,下面结合附图对本申请具体实施例作进一步的详细描述。可以理解的是,此处所描述的具体实施例仅仅用于解释本申请,而非对本申请的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本申请相关的部分而非全部内容。在更加详细地讨论示例性实施例之前应当提到的是,一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各项操作(或步骤)描述成顺序的处理,但是其中的许多操作可以被并行地、并发地或者同时实施。此外,各项操作的顺序可以被重新安排。当其操作完成时处理可以被终止,但是还可以具有未包括在附图中的附加步骤。处理可以对应于方法、函数、规程、子例程、子程序等等。
图1给出了本申请实施例提供的一种人脸图像动态聚类方法的流程图,本实施例提供的人脸图像动态聚类方法可以由人脸图像动态聚类装置来执行,该人脸图像动态聚类装置可通过硬件和/或软件的方式实现。参考图1,该方法具体可以包括:
S101、获取多张人脸图像,并识别各个人脸图像中的人脸特征数据。
其中,以用户住宅的小区为例,为了在小区场景中对各个住户进行人脸识别,首先对小区住户进行建档,也即,建成的档案库中存储有各个住户的人脸图像,以供识别使用。
具体的,在建档过程中,获取多张人脸图像数据,可以是一定时间周期内摄像头拍到的人脸图像,其中,一定时间周期可以是24小时,另外,还可以是实时获取人脸图像。然后,识别各个人脸图像中的人脸特征数据,其中,人脸特征数据可以包括经过人脸识别算法处理后得到的人脸图像的特征值,还包括其中的人物性别、年龄和图像标识码,示例性的,图像标识码具有唯一性,可以唯一确定一张人脸图像。在实际的应用过程中,拍摄到的人脸图像中可能包括两个用户,此时,在人脸特征数据提取阶段,只提取其中一个用户的人脸特征数据,比如,根据人脸图像占据当前图像尺寸的比例来进行判断,大于一定比例的人脸被确定为该人脸图像的用户。
S102、基于人脸特征数据,将每一张人脸图像与初始的档案库中的人脸特征数据进行匹配,其中,初始的档案库的人脸特征数据为至少一组。
其中,针对每一张人脸图像,将其与初始的档案库中的人脸特征数据进行匹配。具体的,在匹配过程中,可以先对待匹配的人脸图像进行初始识别,比如,确定其年龄或者性别,然后与初始的档案库中的对应的年龄段或者性别的人脸特征数据进行匹配,这样可以降低计算量,提高匹配率。示例性的,由于档案库是逐步更新并完善的,因此,初始的档案库中可以包括一组人脸特征数据,还可以是聚类过程中的某个阶段的多组人脸图像数据。在一个具体的例子中,该过程可以成为1:N匹配,也即,将在N张人脸图像中确定待匹配的人脸图像的类别。
S103、若匹配不成功且匹配不成功的人脸图像不符合建档条件,则识别匹配不成功的人脸图像的图像质量。
具体的,若匹配不成功,则表明待匹配的人脸图像不在档案库中,则继续判断其是否符合建档条件,建档条件例如可以是该人脸图像的用户的图像出现次数大于设定次数阈值。若不符合建档条件,表明该用户可能是偶尔出现,暂时无需建档,避免资源浪费。同时,识别匹配不成功的人脸图像的图像质量,以便根据图像质量对匹配不成功的人脸图像做进一步处理。
S104、若为高质量图像,则将匹配不成功的高质量的人脸图像存储至高质量图像库,定期对高质量图像库中人脸图像进行聚类,以更新档案库。
其中,高质量图像的图像分辨率大于或等于设定分辨率阈值,低质量图像的图像分辨率小于设定分辨率阈值。示例性的,匹配不成功但是图像质量较高,表明还可以对其进行聚类归档以在图像识别阶段应用,此时,将其存储至高质量图像库。随着时间的积累,高质量图像库中的人脸图像逐渐增多,然后可以定期判断每一用户的人脸图像是否满足建档条件,对满足建档条件的用户的人脸图像重新进行聚类,这样可以实现对档案库的完善与更新。提高了人脸图像利用率,也即,提高了建档率。
S105、若为低质量图像,将匹配不成功的低质量的人脸图像存储至低质量图像库。
具体的,匹配不成功但是图像质量较低,如果将其重新聚类并归入档案库可能会影响建档准确率,此时,将匹配不成功的低质量的人脸图像存储至低质量图像库,以便后续对低质量图像库的各个人脸图像进行重新识别。这样,将低质量图像进行单独存储且不建档,提高了建档准确率的同时,完善了对低质量图像的应用。
本发明采用的技术方案中有如下有益效果:基于获取的多张人脸图像的人脸特征数据,将每一张人脸图像与初始的档案库中的人脸特征数据进行匹配;对匹配不成功的人脸图像进行建档条件判断,若不符合建档条件,则识别匹配不成功的人脸图像的图像质量,根据图像质量进行不同的处理;将匹配不成功的高质量的人脸图像存储至高质量图像库并定期进行聚类来更新档案库;将匹配不成功的低质量的人脸图像存储至低质量图像库。这样,在大量人脸图像数据聚类时,采用结合图像质量的聚类策略,减小聚类运算处理量和聚类周期,提高聚类准确率。
在上述实施例的基础上,图2给出了本申请实施例提供的另一种人脸图像动态聚类方法的流程图。该人脸图像动态聚类方法是对上述人脸图像动态聚类方法的具体化。参考图2,该人脸图像动态聚类方法包括:
S201、获取多张人脸图像,并识别各个人脸图像中的人脸特征数据。
S202、基于人脸特征数据,将每一张人脸图像与初始的档案库中的人脸特征数据进行匹配,其中,初始的档案库的人脸特征数据为至少一组。
S2031、若匹配成功,则将匹配成功的人脸图像归入当前档案库中相匹配的用户档案中,以更新档案库。
具体的,在匹配成功时,将匹配成功的人脸图像直接归入当前档案库中相匹配的用户档案中。比如,档案库中当前有10个用户,每个用户对应一个用户档案,每个用户档案中有若干个人脸图像,但是在档案库中的存储形式可以是人脸特征数据的形式。若与用户A的某张人脸图像的人脸特征数据匹配的相似度大于第一相似度阈值,表明匹配成功,则将该匹配成功的人脸图像归入用户A的用户档案中,以更新档案库。
S2032、若匹配不成功且匹配不成功的人脸图像符合建档条件,则将匹配不成功的人脸图像在当前档案库中建立新的用户档案,以更新档案库。
具体的,若匹配不成功,则表明待匹配的人脸图像不在档案库中,则判断其是否符合建档条件,若符合建档条件,表明该用户出现的次数较多,可能为本小区住户,则在档案库中建立其新的用户档案,以更新档案库。
S2033、若匹配不成功且匹配不成功的人脸图像不符合建档条件,则识别匹配不成功的人脸图像的图像质量。
S204、若为高质量图像,则将匹配不成功的高质量的人脸图像存储至高质量图像库。
S205、定期判断高质量图像库是否符合建档条件,若是,则将高质量图像库中任意两张人脸图像进行匹配来进行聚类,新建各个用户档案。
具体的,随着时间的积累,高质量图像库中的人脸图像逐渐增多,可以定期判断每一用户的人脸图像是否满足建档条件,对满足建档条件的用户的人脸图像重新进行聚类。重新聚类的方式可以是将任意两张人脸图像进行匹配来进行聚类,该过程可以称为N:N聚类,N即为待聚类的人脸图像的张数,比如,相似度大于第二相似度阈值的人脸图像可以聚为一类,来新建用户档案。
S206、针对新建的每个用户档案,将任一人脸图像与当前档案库进行匹配。
在一个具体的例子中,比如高质量图像库中有30张图像,聚类结果为3类,也即,新建了3个用户档案A1、B1和C1。针对每个新建的用户档案,将任一一人脸图像与当前档案库进行匹配,比如,将用户档案A1中的任一人脸图像与当前档案库中的每一张人脸图像进行匹配。在实际的应用过程中,还可以优先识别该待匹配的人脸图像的性别或者年龄,然后有选择性的与当前档案库中性别或者年龄一致的用户档案进行匹配。
S207、若匹配成功,则将新建的用户档案中的全部人脸图像合并至档案库中相应的用户档案,以更新档案库。
比如,用户档案A1中的任一人脸图像与档案库中的用户档案A中的人脸图像匹配成功,则将用户档案A1中的全部人脸图像合并至用户档案A,这样实现了对档案库的更新。
另外,作为S205、S206和S207的对高质量图像库中的人脸图像进行处理的替代方案,还可以通过如下方式进行实现:定期对高质量图像库中人脸图像进行聚类,以更新档案库。详细的,将高质量图像库中的人脸图像与当前档案库进行匹配;若匹配成功,则将当前人脸图像的特征数据添加至相应的用户档案,以更新档案库。
其中,将高质量图像中的人脸图像与当前档案库中的各个用户档案的各个人脸图像进行1:N匹配,然后将匹配成功的当前人脸图像的特征数据添加至相应的用户档案,这样也可以对档案库进行更新。
S208、若为低质量图像,将匹配不成功的低质量的人脸图像存储至低质量图像库。
S209、定期将低质量图像库中的人脸图像与当前档案库进行匹配,以确定低质量图像库中的各个人脸图像的用户类别。
具体的,随着时间的积累,档案库实时进行更新和完善,定期将低质量图像库中的人脸图像与当前档案库进行匹配,还可以对其进行识别,比如,识别出是哪个用户。这样,虽然为了提高建档准确率采取对低质量图像不建档的策略,但是还可以对其进行识别,提高了对各个人脸图像的利用率。
在上述技术方案的基础上,还可以对档案库进行实时矫正,具体可以通过如下方式实现:实时获取当前档案库中的全部人脸图像的人脸特征数据;将任意两个人脸图像的人脸特征数据进行匹配;若存在同一用户的人脸图像归属于至少两个用户档案,则分别计算用户的人脸图像与归属的用户档案中的各个人脸图像之间的匹配率;将用户的人脸图像的人脸特征数据移动至匹配率最高的用户档案中,以矫正档案库。
另外,在实际的应用过程中,可能会存在识别错误的情况,比如一人多档或者一档多人。其中,一人多档是指,同一个用户的人脸图像分别在至少两个不同的用户档案中,一档多人是指,同一个用户档案中可能存在至少两个用户的人脸图像。
针对一档多人的情况,基于档案库的全部人脸图像的人脸特征数据,将任意两个人脸图像的人脸特征数据进行匹配;若存在同一用户的人脸图像归属于至少两个用户档案,比如,用户档案P中包括用户Q的1张人脸图像Q1,则分别计算用户的人脸图像与归属的用户档案中的各个人脸图像之间的匹配率,比如,计算人脸图像Q1与档案库P中的各个人脸图像的匹配率,以及,与档案库Q的各个人脸图像的匹配率,确定与档案库P中的某个人脸图像P5的匹配率最高,则将用户的人脸图像的人脸特征数据移动至匹配率最高的用户档案中,也即,将Q1移动至用户档案P中,实现了对档案库的校正,提高建档准确率。
针对一人多档的情况,比如用户C的人脸图像分别在两个用户档案中,将这两个用户档案中的人脸图像进行N:N聚类,若匹配成功,则将这两个用户档案合并,以解决一人多档的情况,提高建档准确率。
本申请实施例中,对于匹配成功的人脸图像进行归档以完善档案库;对于匹配不成功的人脸图像在满足建档条件时进行用户档案的新建;对于匹配失败的高质量图像定期进行建档条件的判断,以便进行重新聚类来更新档案库;对于匹配失败的低质量图像进行定期识别。针对不同情况的人脸图像采用不同的处理策略,降低了运算量,提高了建档准确率和建档率。
在上述实施例的基础上,图3为本申请实施例提供的一种人脸图像动态聚类装置的结构示意图。参考图3,本实施例提供的一种人脸图像动态聚类装置具体包括数据获取模块301、匹配模块302、质量识别模块303、档案库更新模块304和存储模块305。
其中,数据获取模块301,用于获取多张人脸图像,并识别各个人脸图像中的人脸特征数据;匹配模块302,用于基于人脸特征数据,将每一张人脸图像与初始的档案库中的人脸特征数据进行匹配,其中,初始的档案库的人脸特征数据为至少一组;质量识别模块303,用于在匹配不成功且匹配不成功的人脸图像不符合建档条件时,识别匹配不成功的人脸图像的图像质量;档案库更新模块304,用于将匹配不成功的高质量的人脸图像存储至高质量图像库,定期对高质量图像库中人脸图像进行聚类,以更新档案库;存储模块305,用于将匹配不成功的低质量的人脸图像存储至低质量图像库;其中,高质量图像的图像分辨率大于或等于设定分辨率阈值,低质量图像的图像分辨率小于设定分辨率阈值。
本发明采用的技术方案中有如下有益效果:基于获取的多张人脸图像的人脸特征数据,将每一张人脸图像与初始的档案库中的人脸特征数据进行匹配;对匹配不成功的人脸图像进行建档条件判断,若不符合建档条件,则识别匹配不成功的人脸图像的图像质量,根据图像质量进行不同的处理;将匹配不成功的高质量的人脸图像存储至高质量图像库并定期进行聚类来更新档案库;将匹配不成功的低质量的人脸图像存储至低质量图像库。这样,在大量人脸图像数据聚类时,采用结合图像质量的聚类策略,减小聚类运算处理量和聚类周期,提高聚类准确率。
可选的,还包括低质量图像识别模块,用于在将匹配不成功的低质量的人脸图像存储至低质量图像库之后,定期将低质量图像库中的人脸图像与当前档案库进行匹配,以确定低质量图像库中的各个人脸图像的用户类别。
还包括归档模块,用于在将每一张人脸图像与档案库中的人脸特征数据进行匹配之后,若匹配成功,则将匹配成功的人脸图像归入当前档案库中相匹配的用户档案中,以更新档案库;
还包括新建模块,用于在将每一张人脸图像与档案库中的人脸特征数据进行匹配之后,若匹配不成功且匹配不成功的人脸图像符合建档条件,则将匹配不成功的人脸图像在当前档案库中建立新的用户档案以更新档案库。
可选的,档案库更新模块304具体用于:
定期判断高质量图像库符合建档条件,若是,则将高质量图像库中任意两张人脸图像进行匹配来进行聚类,新建各个用户档案;
针对新建的每个用户档案,将任一人脸图像与当前档案库进行匹配;
若匹配成功,则将新建的用户档案中的全部人脸图像合并至档案库中相应的用户档案,以更新档案库。
可选的,档案库更新模块304具体用于:
将高质量图像库中的人脸图像与当前档案库进行匹配;
若匹配成功,则将当前人脸图像的特征数据添加至相应的用户档案,以更新档案库。
可选的,还包括矫正模块,用于:
实时获取当前档案库中的全部人脸图像的人脸特征数据;
将任意两个人脸图像的人脸特征数据进行匹配;
若存在同一用户的人脸图像归属于至少两个用户档案,则分别计算用户的人脸图像与归属的用户档案中的各个人脸图像之间的匹配率;
将用户的人脸图像的人脸特征数据移动至匹配率最高的用户档案中,以矫正档案库。
本申请实施例提供的人脸图像动态聚类装置可以用于执行上述实施例提供的人脸图像动态聚类方法,具备相应的功能和有益效果。
本申请实施例提供了一种电子设备,且该电子设备中可集成本申请实施例提供的人脸图像动态聚类装置。图4是本申请实施例提供的一种设备的结构示意图。参考图4,该电子设备包括:处理器40、存储器41。该电子设备中处理器40的数量可以是一个或者多个,图4中以一个处理器40为例。该电子设备中存储器41的数量可以是一个或者多个,图4中以一个存储器41为例。该电子设备的处理器40和存储器41可以通过总线或者其他方式连接,图4中以通过总线连接为例。
存储器41作为一种计算机可读存储介质,可用于存储软件程序、计算机可执行程序以及模块,如本申请任意实施例的人脸图像动态聚类方法对应的程序指令/模块(例如,人脸图像动态聚类装置中的数据获取模块301、匹配模块302、质量识别模块303、档案库更新模块304和存储模块305)。存储器41可主要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、至少一个功能所需的应用程序;存储数据区可存储根据设备的使用所创建的数据等。此外,存储器41可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中,存储器41可进一步包括相对于处理器40远程设置的存储器,这些远程存储器可以通过网络连接至设备。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。
处理器40通过运行存储在存储器41中的软件程序、指令以及模块,从而执行设备的各种功能应用以及数据处理,即实现上述的人脸图像动态聚类方法,该人脸图像动态聚类方法至少包括如下步骤:获取多张人脸图像,并识别各个人脸图像中的人脸特征数据;基于人脸特征数据,将每一张人脸图像与初始的档案库中的人脸特征数据进行匹配,其中,初始的档案库的人脸特征数据为至少一组;若匹配不成功且匹配不成功的人脸图像不符合建档条件,则识别匹配不成功的人脸图像的图像质量;若为高质量图像,则将匹配不成功的高质量的人脸图像存储至高质量图像库,定期对高质量图像库中人脸图像进行聚类,以更新档案库;若为低质量图像,将匹配不成功的低质量的人脸图像存储至低质量图像库;其中,高质量图像的图像分辨率大于或等于设定分辨率阈值,低质量图像的图像分辨率小于设定分辨率阈值。
上述提供的设备可用于执行上述实施例提供的人脸图像动态聚类方法,具备相应的功能和有益效果。
本申请实施例还提供一种包含计算机可执行指令的存储介质,计算机可执行指令在由计算机处理器执行时用于执行一种人脸图像动态聚类方法,该人脸图像动态聚类方法包括:获取多张人脸图像,并识别各个人脸图像中的人脸特征数据;基于人脸特征数据,将每一张人脸图像与初始的档案库中的人脸特征数据进行匹配,其中,初始的档案库的人脸特征数据为至少一组;若匹配不成功且匹配不成功的人脸图像不符合建档条件,则识别匹配不成功的人脸图像的图像质量;若为高质量图像,则将匹配不成功的高质量的人脸图像存储至高质量图像库,定期对高质量图像库中人脸图像进行聚类,以更新档案库;若为低质量图像,将匹配不成功的低质量的人脸图像存储至低质量图像库;其中,高质量图像的图像分辨率大于或等于设定分辨率阈值,低质量图像的图像分辨率小于设定分辨率阈值。
存储介质——任何的各种类型的存储器设备或存储设备。术语“存储介质”旨在包括:安装介质,例如CD-ROM、软盘或磁带装置;计算机系统存储器或随机存取存储器,诸如DRAM、DDR RAM、SRAM、EDO RAM,兰巴斯(Rambus)RAM等;非易失性存储器,诸如闪存、磁介质(例如硬盘或光存储);寄存器或其它相似类型的存储器元件等。存储介质可以还包括其它类型的存储器或其组合。另外,存储介质可以位于程序在其中被执行的第一计算机系统中,或者可以位于不同的第二计算机系统中,第二计算机系统通过网络(诸如因特网)连接到第一计算机系统。第二计算机系统可以提供程序指令给第一计算机用于执行。术语“存储介质”可以包括可以驻留在不同位置中(例如在通过网络连接的不同计算机系统中)的两个或更多存储介质。存储介质可以存储可由一个或多个处理器执行的程序指令(例如具体实现为计算机程序)。
当然,本申请实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上的人脸图像动态聚类方法,还可以执行本申请任意实施例所提供的人脸图像动态聚类方法中的相关操作。
上述实施例中提供的人脸图像动态聚类装置、存储介质及设备可执行本申请任意实施例所提供的人脸图像动态聚类方法,未在上述实施例中详尽描述的技术细节,可参见本申请任意实施例所提供的人脸图像动态聚类方法。
注意,上述仅为本申请的较佳实施例及所运用技术原理。本领域技术人员会理解,本申请不限于这里的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本申请的保护范围。因此,虽然通过以上实施例对本申请进行了较为详细的说明,但是本申请不仅仅限于以上实施例,在不脱离本申请构思的情况下,还可以包括更多其他等效实施例,而本申请的范围由所附的权利要求范围决定。
Claims (12)
1.一种人脸图像动态聚类方法,其特征在于,包括:
获取多张人脸图像,并识别各个所述人脸图像中的人脸特征数据;
基于所述人脸特征数据,将每一张人脸图像与初始的档案库中的人脸特征数据进行匹配,其中,所述初始的档案库的人脸特征数据为至少一组;
若匹配不成功且匹配不成功的人脸图像不符合建档条件,则识别匹配不成功的人脸图像的图像质量;
若为高质量图像,则将匹配不成功的高质量的人脸图像存储至高质量图像库,定期对所述高质量图像库中人脸图像进行聚类,以更新所述档案库,其中,包括定期判断高质量图像库是否符合建档条件,若是,则将所述高质量图像库中任意两张人脸图像进行匹配来进行聚类,新建各个用户档案,针对新建的每个用户档案,将任一人脸图像与当前档案库进行匹配,若匹配成功,则将新建的用户档案中的全部人脸图像合并至所述档案库中相应的用户档案,以更新所述档案库;
若为低质量图像,将匹配不成功的低质量的人脸图像存储至低质量图像库;
其中,所述高质量图像的图像分辨率大于或等于设定分辨率阈值,所述低质量图像的图像分辨率小于所述设定分辨率阈值。
2.根据权利要求1所述的方法,其特征在于,所述将匹配不成功的低质量的人脸图像存储至低质量图像库之后,还包括:
定期将所述低质量图像库中的人脸图像与当前档案库进行匹配,以确定所述低质量图像库中的各个人脸图像的用户类别。
3.根据权利要求1所述的方法,其特征在于,所述将每一张人脸图像与初始的档案库中的人脸特征数据进行匹配之后,还包括:
若匹配成功,则将匹配成功的人脸图像归入当前档案库中相匹配的用户档案中,以更新所述档案库;
若匹配不成功且匹配不成功的人脸图像符合建档条件,则将匹配不成功的人脸图像在当前档案库中建立新的用户档案,以更新所述档案库。
4.根据权利要求1所述的方法,其特征在于,所述定期对所述高质量图像库中人图像脸进行聚类,以更新所述档案库,包括:
将所述高质量图像库中的人脸图像与当前档案库进行匹配;
若匹配成功,则将当前人脸图像的特征数据添加至相应的用户档案,以更新所述档案库。
5.根据权利要求1所述的方法,其特征在于,还包括:
实时获取当前档案库中的全部人脸图像的人脸特征数据;
将任意两个人脸图像的人脸特征数据进行匹配;
若存在同一用户的人脸图像归属于至少两个用户档案,则分别计算所述用户的人脸图像与归属的用户档案中的各个人脸图像之间的匹配率;
将所述用户的人脸图像的人脸特征数据移动至匹配率最高的用户档案中,以矫正档案库。
6.一种人脸图像动态聚类装置,其特征在于,包括:
数据获取模块,用于获取多张人脸图像,并识别各个所述人脸图像中的人脸特征数据;
匹配模块,用于基于所述人脸特征数据,将每一张人脸图像与初始的档案库中的人脸特征数据进行匹配,其中,所述初始的档案库的人脸特征数据为至少一组;
质量识别模块,用于在匹配不成功且匹配不成功的人脸图像不符合建档条件时,识别匹配不成功的人脸图像的图像质量;
档案库更新模块,用于将匹配不成功的高质量的人脸图像存储至高质量图像库,定期对所述高质量图像库中人脸图像进行聚类,以更新档案库,其中,包括定期判断高质量图像库是否符合建档条件,若是,则将所述高质量图像库中任意两张人脸图像进行匹配来进行聚类,新建各个用户档案,针对新建的每个用户档案,将任一人脸图像与当前档案库进行匹配,若匹配成功,则将新建的用户档案中的全部人脸图像合并至所述档案库中相应的用户档案,以更新所述档案库;
存储模块,用于将匹配不成功的低质量的人脸图像存储至低质量图像库;
其中,所述高质量图像的图像分辨率大于或等于设定分辨率阈值,所述低质量图像的图像分辨率小于所述设定分辨率阈值。
7.根据权利要求6所述的装置,其特征在于,还包括低质量图像识别模块,用于在将匹配不成功的低质量的人脸图像存储至低质量图像库之后,定期将所述低质量图像库中的人脸图像与当前档案库进行匹配,以确定所述低质量图像库中的各个人脸图像的用户类别。
8.根据权利要求6所述的装置,其特征在于,还包括归档模块,用于在将每一张人脸图像与档案库中的人脸特征数据进行匹配之后,若匹配成功,则将匹配成功的人脸图像归入当前档案库中相匹配的用户档案中,以更新档案库。
9.根据权利要求6所述的装置,其特征在于,还包括新建模块,用于在将每一张人脸图像与档案库中的人脸特征数据进行匹配之后,若匹配不成功且匹配不成功的人脸图像符合建档条件,则将匹配不成功的人脸图像在当前档案库中建立新的用户档案以更新档案库。
10.根据权利要求6所述的装置,其特征在于,还包括矫正模块,用于:
实时获取当前档案库中的全部人脸图像的人脸特征数据;
将任意两个人脸图像的人脸特征数据进行匹配;
若存在同一用户的人脸图像归属于至少两个用户档案,则分别计算用户的人脸图像与归属的用户档案中的各个人脸图像之间的匹配率;
将用户的人脸图像的人脸特征数据移动至匹配率最高的用户档案中,以矫正档案库。
11.一种电子设备,其特征在于,包括:
存储器以及一个或多个处理器;
所述存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-5任一所述的人脸图像动态聚类方法。
12.一种包含计算机可执行指令的存储介质,其特征在于,所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-5任一所述的人脸图像动态聚类方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011250581.6A CN112270290B (zh) | 2020-11-10 | 2020-11-10 | 人脸图像动态聚类方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011250581.6A CN112270290B (zh) | 2020-11-10 | 2020-11-10 | 人脸图像动态聚类方法、装置、电子设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112270290A CN112270290A (zh) | 2021-01-26 |
CN112270290B true CN112270290B (zh) | 2022-08-02 |
Family
ID=74340561
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011250581.6A Active CN112270290B (zh) | 2020-11-10 | 2020-11-10 | 人脸图像动态聚类方法、装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112270290B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112446362B (zh) * | 2020-12-16 | 2022-07-22 | 上海芯翌智能科技有限公司 | 人脸图片档案处理方法及设备 |
CN113065447A (zh) * | 2021-03-29 | 2021-07-02 | 南京掌控网络科技有限公司 | 一种图像集中自动识别商品的方法和设备 |
CN114550266A (zh) * | 2022-02-28 | 2022-05-27 | 深圳市杉川机器人有限公司 | 人脸识别方法、装置、智能门锁及计算机可读存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109003266A (zh) * | 2018-07-13 | 2018-12-14 | 中国科学院长春光学精密机械与物理研究所 | 一种基于模糊聚类统计图像质量主观评价结果的方法 |
CN109710780A (zh) * | 2018-12-28 | 2019-05-03 | 上海依图网络科技有限公司 | 一种归档方法及装置 |
CN110750670A (zh) * | 2019-09-05 | 2020-02-04 | 北京旷视科技有限公司 | 陌生人监控方法、装置、系统和存储介质 |
CN111242040A (zh) * | 2020-01-15 | 2020-06-05 | 佳都新太科技股份有限公司 | 一种动态人脸聚类方法、装置、设备和存储介质 |
CN111738341A (zh) * | 2020-06-24 | 2020-10-02 | 佳都新太科技股份有限公司 | 一种分布式大规模人脸聚类方法及装置 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8031914B2 (en) * | 2006-10-11 | 2011-10-04 | Hewlett-Packard Development Company, L.P. | Face-based image clustering |
CN110110685A (zh) * | 2019-05-14 | 2019-08-09 | 重庆紫光华山智安科技有限公司 | 数据建档方法、装置及服务器 |
-
2020
- 2020-11-10 CN CN202011250581.6A patent/CN112270290B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109003266A (zh) * | 2018-07-13 | 2018-12-14 | 中国科学院长春光学精密机械与物理研究所 | 一种基于模糊聚类统计图像质量主观评价结果的方法 |
CN109710780A (zh) * | 2018-12-28 | 2019-05-03 | 上海依图网络科技有限公司 | 一种归档方法及装置 |
CN110750670A (zh) * | 2019-09-05 | 2020-02-04 | 北京旷视科技有限公司 | 陌生人监控方法、装置、系统和存储介质 |
CN111242040A (zh) * | 2020-01-15 | 2020-06-05 | 佳都新太科技股份有限公司 | 一种动态人脸聚类方法、装置、设备和存储介质 |
CN111738341A (zh) * | 2020-06-24 | 2020-10-02 | 佳都新太科技股份有限公司 | 一种分布式大规模人脸聚类方法及装置 |
Non-Patent Citations (2)
Title |
---|
Double Layer PCA based Hyper Spectral Face Recognition using KNN Classifier;Siddharth B. Dabhade 等;《2017 International Conference on Current Trends in Computer, Electrical, Electronics and Communication (CTCEEC)》;20180916;第289-293页 * |
人脸;肖轶涛 等;《数字技术与应用》;20190331;第208-209页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112270290A (zh) | 2021-01-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112270290B (zh) | 人脸图像动态聚类方法、装置、电子设备和存储介质 | |
CN108154198B (zh) | 知识库实体归一方法、系统、终端和计算机可读存储介质 | |
CN105550222A (zh) | 一种基于分布式存储的图像服务系统及方法 | |
CN111708794B (zh) | 基于大数据平台的数据比对方法、装置和计算机设备 | |
CN101515286B (zh) | 基于图像特征多级过滤的图像匹配方法 | |
CN114139015A (zh) | 基于关键事件识别的视频存储方法、装置、设备及介质 | |
CN111368867A (zh) | 档案归类方法及系统、计算机可读存储介质 | |
CN114078277A (zh) | 一人一档的人脸聚类方法、装置、计算机设备及存储介质 | |
US8971638B2 (en) | Method and apparatus for image search using feature point | |
CN115965657A (zh) | 目标跟踪方法、电子设备、存储介质及车辆 | |
CN114093422A (zh) | 一种基于多关系图卷积网络的miRNA和基因相互作用的预测方法及其系统 | |
CN113901037A (zh) | 数据管理方法、装置及存储介质 | |
CN103916677A (zh) | 一种广告视频识别方法和装置 | |
CN116342959A (zh) | 一种基于大数据的计算机智能图像分析系统及方法 | |
CN113920353B (zh) | 一种无监督的人脸图像二次聚类方法、装置、介质 | |
CN115578765A (zh) | 目标识别方法、装置、系统及计算机可读存储介质 | |
CN115391596A (zh) | 视频档案生成方法、装置及存储介质 | |
CN115294368A (zh) | 数据筛选方法、装置、电子设备及计算机存储介质 | |
CN112183567B (zh) | Birch算法的优化方法、装置、设备及存储介质 | |
CN113326430A (zh) | 一种基于直播社交大数据的信息推送方法及系统 | |
CN112770252A (zh) | 基于单点相似度的人车关联方法、装置、设备及存储介质 | |
CN111860222A (zh) | 基于稠密-分段式帧采样的视频行为识别方法、系统、计算机设备和存储介质 | |
CN114297441B (zh) | 视频对象检索方法、装置、计算机设备及可读存储介质 | |
CN112069359B (zh) | 一种动态过滤抓拍对象比对结果异常数据的方法 | |
CN116170638B (zh) | 用于在线动作检测任务的自注意力视频流压缩方法及系统 |
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 | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: Room 306, zone 2, building 1, Fanshan entrepreneurship center, Panyu energy saving technology park, No. 832 Yingbin Road, Donghuan street, Panyu District, Guangzhou City, Guangdong Province Applicant after: Jiadu Technology Group Co.,Ltd. Address before: Room 306, zone 2, building 1, Fanshan entrepreneurship center, Panyu energy saving technology park, No. 832 Yingbin Road, Donghuan street, Panyu District, Guangzhou City, Guangdong Province Applicant before: PCI-SUNTEKTECH Co.,Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |