CN112418189B - 戴口罩人脸识别方法、装置、设备以及存储介质 - Google Patents
戴口罩人脸识别方法、装置、设备以及存储介质 Download PDFInfo
- Publication number
- CN112418189B CN112418189B CN202011506973.4A CN202011506973A CN112418189B CN 112418189 B CN112418189 B CN 112418189B CN 202011506973 A CN202011506973 A CN 202011506973A CN 112418189 B CN112418189 B CN 112418189B
- Authority
- CN
- China
- Prior art keywords
- face
- picture
- sample
- mask
- samples
- 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
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/04—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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06V40/171—Local features and components; Facial parts ; Occluding parts, e.g. glasses; Geometrical relationships
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Collating Specific Patterns (AREA)
Abstract
本申请提供一种戴口罩人脸识别方法、装置、设备以及存储介质。该方法包括:服务器获取配置完成的人脸样本集合。服务器将人脸样本集合中的人脸样本输入到预设神经网络模型中。服务器可以计算对比损失函数或者triplet损失函数,并通过bp算法对神经网络进行训练,直至神经网络收敛。服务器获取待识别人脸图片。服务器将该待识别人脸图片输入人脸识别模型。人脸识别模型根据该待识别人脸图片,识别该待识别人脸图片中的用户信息。本申请的方法,提高了戴口罩人脸识别准确率和识别稳定性。
Description
技术领域
本申请涉及计算机技术,尤其涉及一种戴口罩人脸识别方法、装置、设备以及存储介质。
背景技术
人脸作为一种容易获取的生物特征,被广泛的应用于生物特征识别中。由于人脸识别只需要要看到脸部即可,因而可被广泛的应用在:证件的身份认证、重要场所的安全检测和监控、智能卡的身份认证、计算机登录等多种领域。
在疫情期间,为了阻隔病毒的传播,要求用户在出门时带上口罩,以避免病毒传播。人脸识别方法属于非接触型认证方式,可以很好的符合减少接触的条件。目前,虽然对于整张人脸的识别准确已经达到较高的水准,但是,口罩遮盖了用户面部的大部分特征,使人脸识别的准确率确无法得到保证。
因此,如何提高戴口罩人脸的识别准确率成为亟待解决的问题。
发明内容
本申请提供一种戴口罩人脸识别方法、装置、设备以及存储介质,用以解决如何提高戴口罩人脸的识别准确率成为亟待解决的问题。
第一方面,本申请提供一种戴口罩人脸识别方法,包括:
获取人脸样本集合,所述人脸样本集合中包括相同用户不同口罩的人脸样本,以及不同用户相同口罩的人脸样本;
利用所述人脸样本集合、损失函数和预设神经网络,训练人脸识别模型;
获取待识别人脸图片,所述待识别人脸图片中的人脸为戴口罩的人脸;
根据所述待识别人脸图片和所述人脸识别模型,识别所述待识别人脸图片中的用户信息。
可选的,当所述人脸样本为二元组时,所述获取人脸样本集合,包括:
获取原始样本集合,所述原始样本集合中包括多个用户的多张人脸图片,所述人脸图片中用户不戴口罩;
从所述原始样本集合中获取第一预设数量个样本对;
根据所述样本对中样本的样本信息,确定所述样本对中样本添加的口罩。
可选的,所述根据所述样本对中样本的样本信息,确定所述样本对中样本添加的口罩,包括:
根据所述样本对中样本的样本信息,判断所述样本对中样本是否属于同一用户;
当所述样本对中样本属于同一用户时,为所述样本对中两个样本随机添加不同的口罩;
当所述样本对中样本不属于同一用户时,为所述样本对中两个样本随机添加相同的口罩。
可选的,当所述人脸样本为三元组时,所述获取人脸样本集合,包括:
获取原始样本集合中各个样本的类间相似度和类内相似度,所述类间相似度为不同用户的人脸图片之间的相似程度,所述类内相似度为相同用户的人脸图片之间的相似程度,所述原始样本集合中包括多个用户的多张人脸图片,所述人脸图片中用户不戴口罩;
根据所述类间相似度和类内相似度,确定第二预设数量个三元组,所述三元组中包括一个正样本对和一个负样本对;
为所述三元组中的正样本对随机添加不同的口罩,为所述三元组中的负样本对添加相同口罩。
可选地,所述根据所述类间相似度和类内相似度,确定第二预设数量个三元组,所述三元组中包括一个正样本对和一个负样本对,包括:
随机选择一个用户的一张图片为标准图片;
根据所述标准图片,确定所述三元组中的正样本对,所述正样本对中另一张图片为与所述标准图片的类内相似度最低的图片;
根据所述标准图片,确定所述三元组中的负样本对,所述负样本对中另一张图片为与所述标准图片的类间相似度最高的图片。
可选地,所述方法,还包括:
根据所述用户信息,判断所述用户是否为预设用户;
输出所述判断结果。
第二方面,本申请提供一种戴口罩人脸识别装置,包括:
第一获取模块,用于获取人脸样本集合,所述人脸样本集合中包括相同用户不同口罩的人脸样本,以及不同用户相同口罩的人脸样本;
训练模块,用于利用所述人脸样本集合、损失函数和预设神经网络,训练人脸识别模型;
第二获取模块,用于获取待识别人脸图片,所述待识别人脸图片中的人脸为戴口罩的人脸;
识别模块,用于根据所述待识别人脸图片和所述人脸识别模型,识别所述待识别人脸图片。
可选的,当所述人脸样本为二元组时,所述第一获取模块,包括:
第一获取子模块,用于获取原始样本集合,所述原始样本集合中包括多个用户的多张人脸图片,所述人脸图片中用户不戴口罩;
第二获取子模块,用于从所述原始样本集合中获取第一预设数量个样本对;
第一确定子模块,用于根据所述样本对中样本的样本信息,确定所述样本对中样本添加的口罩。
可选的,所述第一确定子模块具体用于根据所述样本对中样本的样本信息,判断所述样本对中样本是否属于同一用户;当所述样本对中样本属于同一用户时,为所述样本对中两个样本随机添加不同的口罩;当所述样本对中样本不属于同一用户时,为所述样本对中两个样本随机添加相同的口罩。
可选的,当所述人脸样本为三元组时,所述第一获取模块,包括:
第三获取子模块,用于获取原始样本集合中各个样本的类间相似度和类内相似度,所述类间相似度为不同用户的人脸图片之间的相似程度,所述类内相似度为相同用户的人脸图片之间的相似程度,所述原始样本集合中包括多个用户的多张人脸图片,所述人脸图片中用户不戴口罩;
第二确定子模块,用于根据所述类间相似度和类内相似度,确定第二预设数量个三元组,所述三元组中包括一个正样本对和一个负样本对;
添加子模块,用于为所述三元组中的正样本对随机添加不同的口罩,为所述三元组中的负样本对添加相同口罩。
可选地,所述第二确定子模块具体用于随机选择一个用户的一张图片为标准图片;根据所述标准图片,确定所述三元组中的正样本对,所述正样本对中另一张图片为与所述标准图片的类内相似度最低的图片;根据所述标准图片,确定所述三元组中的负样本对,所述负样本对中另一张图片为与所述标准图片的类间相似度最高的图片。
可选地,所述装置,还包括输出模块,具体用于根据所述用户信息,判断所述用户是否为预设用户;输出所述判断结果。
第三方面,本申请提供一种戴口罩人脸识别系统,包括:识别终端和服务器;
识别终端,用于获取戴口罩的待识别人脸图片和输出识别结果;
服务器,用于识别所述待识别人脸图片,以及根据权利要求1-6中任意一项所述的戴口罩人脸识别方法训练人脸识别模型。
第四方面,本申请提供一种可读存储介质,可读存储介质中存储有执行指令,当服务器的至少一个处理器执行该执行指令时,服务器执行第一方面及第一方面任一种可能的设计中的戴口罩人脸识别方法。
第五方面,本申请提供一种计算机程序产品,计算机程序产品包括计算机程序,该计算机程序被处理器执行时实现第一方面及第一方面任一种可能的设计中的戴口罩人脸识别方法。
本申请提供的戴口罩人脸识别方法、装置、设备以及存储介质,通过获取配置完成的人脸样本集合;将人脸样本集合中的人脸样本输入到预设神经网络模型中;计算对比损失函数或者triplet损失函数,并通过bp算法对神经网络进行训练,直至神经网络收敛;将该待识别人脸图片输入人脸识别模型;人脸识别模型根据该待识别人脸图片,识别该待识别人脸图片中的用户信息的手段,实现提高戴口罩人脸识别准确率和识别稳定性的效果。
附图说明
为了更清楚地说明本申请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一简单地介绍,显而易见地,下面描述中的附图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为本申请一实施例提供的一种戴口罩人脸识别的场景示意图;
图2为本申请一实施例提供的一种戴口罩人脸识别方法的流程图;
图3为本申请一实施例提供的另一种戴口罩人脸识别方法的流程图;
图4为本申请一实施例提供的再一种戴口罩人脸识别方法的流程图;
图5为本申请一实施例提供的一种戴口罩人脸识别装置的结构示意图;
图6为本申请一实施例提供的另一种戴口罩人脸识别装置的结构示意图;
图7为本申请一实施例提供的再一种戴口罩人脸识别装置的结构示意图;
图8为本申请一实施例提供的一种戴口罩人脸识别系统的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合本申请中的附图,对本申请中的技术方案进行清楚、完整地描述,显然,所描述的实施例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。
目前,在生物识别领域常用的生物特征包括人脸、指纹、虹膜、声纹等。其中,人脸作为一种容易获取的生物特征,被广泛的应用于生物特征识别中。相较于指纹、虹膜、声纹等在验证时需要用户主动通过验证设备提供的生物特征,人脸特征的获取只需用户进入摄像头的采集范围即可。相较于其他特征而言,人脸特征的被动获取方式更加无感,可以为用户提供更好的用户体验。目前,人脸识别被广泛的应用于重要场所的安全检测和监控、智能卡的身份认证、计算机登录等多种领域。
在疫情期间,为了阻隔病毒的传播,通常要求用户在出门时带上口罩,以避免病毒传播。然而,常规的人脸识别方法通常需要用户的整张脸。如果用户在通过人脸识别时需要拿下口罩进行人脸识别,那么必然将会产生不安全因素。例如,当该人脸识别设备位于入口处的闸机时,如果需要用户摘下口罩进行人脸验证,那么,闸机处的病毒传播可能性将远高于其他区域。因此,使用戴口罩人脸识别代替常规人脸识别称为必要。
现有技术中,虽然对于整张人脸的识别准确已经达到较高的水准,但是,当口罩遮盖了用户面部的大部分特征时,人脸识别的准确率无法得到保证。因此,如何提高戴口罩人脸的识别准确率成为亟待解决的问题。
针对上述问题,本申请提出了一种戴口罩人脸识别方法。本申请中,人脸样本集合中包括多张相同用户不同口罩的人脸,以及多张不同用户相同口罩的人脸。该人脸样本可以为二元人脸样本或者三元人脸样本。服务器利用该人脸样本集合,训练得到可以用于识别戴口罩人脸的人脸识别模型。服务器利用该人脸识别模型,实现戴口罩用户的人脸识别。
下面以具体地实施例对本申请的技术方案进行详细说明。下面这几个具体的实施例可以相互结合,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1示出了本申请一实施例提供的一种戴口罩人脸识别的场景示意图。当用户戴着口罩站在识别终端前时,识别终端获取戴口罩人脸图片。识别终端将该人脸图片上传到服务器中进行识别。服务器将识别结果反馈到识别终端,识别终端在显示界面中显示识别结果。该识别结果可以为识别成功或者识别失败。或者,识别终端还可以从服务器中获取服务器训练完成的人脸识别模型。识别终端在获取戴口罩人脸图片后,使用人脸识别模型,识别该戴口罩人脸图片。识别终端将识别结果显示在显示界面中。
本申请中,以服务器为执行主体,执行如下实施例的戴口罩人脸识别方法。具体地,该执行主体可以为服务器的硬件装置,或者为服务器中实现下述实施例的软件应用,或者为安装有实现下述实施例的软件应用的计算机可读存储介质,或者为实现下述实施例的软件应用的计算机程序。
图2示出了本申请一实施例提供的一种戴口罩人脸识别方法的流程图。在图1所示实施例的基础上,如图2所示,以服务器为执行主体,本实施例的方法可以包括如下步骤:
S101、获取人脸样本集合,人脸样本集合中包括多张相同用户不同口罩的人脸样本,以及多张不同用户相同口罩的人脸样本。
本实施例中,服务器获取配置完成的人脸样本集合。该人脸样本集合中的人脸样本已经添加有口罩。该人脸样本集合中每一用户具有多张人脸样本,且该人脸样本具有不同口罩。该人脸样本中还包括多张不同用户的人脸,不同用户的人脸可以具有相同口罩,也可以具有不同口罩。
为了更加严谨的完成训练,服务器获取的人脸样本集合中,每一用户的人脸样本张数应大于预设值。同一用户的多张人脸样本中,每一种口罩至少添加到一张人脸上。
一种示例中,该人脸样本可以为二元人脸样本。此时,识别终端中获取的人脸图片为二元图片。
另一种示例中,该人脸样本可以为三元人脸样本。此时,识别终端获取的人脸图片为三元图片。
S102、利用人脸样本集合、损失函数和预设神经网络,训练人脸识别模型。
本实施例中,服务器在获取人脸样本集合后,可以将人脸样本集合中的人脸样本输入到预设神经网络模型中。服务器可以计算对比损失函数或者triplet损失函数,并通过bp算法对神经网络进行训练,直至神经网络收敛。当人脸样本为二元组时使用对比损失函数,当人脸样本为三元组时使用triplet损失函数。
S103、获取待识别人脸图片,待识别人脸图片中的人脸为戴口罩的人脸。
本实施例中,在完成人脸识别模型的训练后,服务器可以使用该人脸识别模型,建立人脸识别接口。识别终端通过该人脸识别接口调用服务器上的人脸识别服务。当识别终端请求人脸识别服务时,识别终端向服务器发送待识别人脸图片。
或者,在完成人脸识别模型的训练后,服务器还可以将该人脸识别模型发送到识别终端上。识别终端在获取该人脸识别模型后,更新识别终端中的人脸识别模型。在完成人脸识别模型的加载后,识别终端获取待识别人脸图片。
S104、根据待识别人脸图片和人脸识别模型,识别待识别人脸图片。
本实施例中,服务器在获取待识别人脸图片后,将该待识别人脸图片输入人脸识别模型。人脸识别模型根据该待识别人脸图片,识别该待识别人脸图片中的用户信息。
一种示例中,服务器在完成该待识别人脸图片中用户信息的识别后,服务器可以将该用户信息反馈到识别终端。识别终端将该用户信息展示到显示界面中。或者,服务器还可以将识别成功的识别结果反馈到识别终端。识别终端将该识别结果展示到显示界面中。
本申请提供的戴口罩人脸识别方法,服务器获取配置完成的人脸样本集合。服务器将人脸样本集合中的人脸样本输入到预设神经网络模型中。服务器可以计算对比损失函数或者triplet损失函数,并通过bp算法对神经网络进行训练,直至神经网络收敛。服务器获取待识别人脸图片。服务器将该待识别人脸图片输入人脸识别模型。人脸识别模型根据该待识别人脸图片,识别该待识别人脸图片中的用户信息。本申请中,通过配置人脸样本集合,并使用该人脸样本集合训练得到人脸识别模型,提高戴口罩人脸识别准确率和识别稳定性。
图3示出了本申请一实施例提供的另一种戴口罩人脸识别方法的流程图。在图上述实施例的基础上,当人脸样本集合中的人脸样本为二元图片时,如图3所示,以服务器为执行主体,本实施例的方法可以包括如下步骤:
S201、获取原始样本集合,原始样本集合中包括多个用户的多张人脸图片,人脸图片中用户不戴口罩。
本实施例中,服务器获取原始样本集合。该原始样本集合中的人脸图片为二元人脸样本。该原始样本集合中的人脸图片均不带口罩。该原始样本集合中包括多个用户的人脸图片。并且每一用户包括多张人脸图片。
为了便于后续处理,该同一用户的多张人脸图片应为角度、表情、细节、拍摄时间、环境光线等信息略有差异的人脸图片。
S202、从原始样本集合中获取第一预设数量个样本对。
本实施例中,服务器从该原始样本集合中随机获取两张人脸图片,并确定该两张人脸图片为一个样本对。服务器从原始样本集合中获取第一预设数量个样本对。其中,服务器每次获取一个样本对。其中,第一预设数量根据经验确定,或者第一预设数量根据原始样本集合中样本数量确定。
S203、根据样本对中样本的样本信息,确定样本对中样本添加的口罩。
本实施例中,服务器在获取第一预设数量个样本对后,对每一样本对中的两张人脸图片进行添加口罩的处理。以一个样本对为例,添加口罩的过程可以包括:
步骤1、根据样本对中样本的样本信息,判断样本对中样本是否属于同一用户。
本步骤中,服务器在获取一个样本对后,获取其中两个人脸图片的样本信息。该样本信息包括该人脸图片对应的用户。服务器根据该样本信息,判断该样本对中的人脸图片是否属于同一用户。
步骤2、当样本对中样本属于同一用户时,为样本对中两个样本随机添加不同的口罩。
本步骤中,当服务器根据步骤1确定该样本对中的两张人脸图片属于同一用户时,服务器随机选择两种口罩。服务器将该两种口罩分别添加到两张人脸图片中。
步骤3、当样本对中样本不属于同一用户时,为样本对中两个样本随机添加相同的口罩。
本步骤中,当服务器根据步骤1确定该样本对中的两张人脸图片属于不同用户时,服务器随机选择一种口罩。服务器将为两张人脸图片添加同一种口罩。
S204、利用人脸样本集合、损失函数和预设神经网络,训练人脸识别模型。
S205、获取待识别人脸图片,待识别人脸图片中的人脸为戴口罩的人脸。
S206、根据待识别人脸图片和人脸识别模型,识别待识别人脸图片。
其中,步骤S204至步骤S206与图2实施例中的步骤S102至步骤S104实现方式类似,本实施例此处不再赘述。
本申请提供的戴口罩人脸识别方法,服务器获取原始样本集合,其中的样本为二元人脸样本。从原始样本集合中获取第一预设数量个样本对。每一样本对中包括从原始样本集合中随机获取的两张人脸图片。服务器对每一样本对中的两张人脸图片进行添加口罩的处理。服务器获取配置完成的人脸样本集合。服务器将人脸样本集合中的人脸样本输入到预设神经网络模型中。服务器可以计算对比损失函数或者triplet损失函数,并通过bp算法对神经网络进行训练,直至神经网络收敛。服务器获取待识别人脸图片。服务器将该待识别人脸图片输入人脸识别模型。人脸识别模型根据该待识别人脸图片,识别该待识别人脸图片中的用户信息。本申请中,通过获取二元人脸样本对,并根据样本对中样本的样本信息,添加不同的口罩,使人脸样本集合中的样本更具针对性,使模型可以显著降低口罩对人脸识别的影响,从而提高人脸识别模型的识别准确率。
图4示出了本申请一实施例提供的再一种戴口罩人脸识别方法的流程图。在图上述实施例的基础上,当人脸样本集合中的人脸样本为三元图片时,如图4所示,以服务器为执行主体,本实施例的方法可以包括如下步骤:
S301、获取原始样本集合中各个样本的类间相似度和类内相似度,类间相似度为不同用户的人脸图片之间的相似程度,类内相似度为相同用户的人脸图片之间的相似程度,原始样本集合中包括多个用户的多张人脸图片,人脸图片中用户不戴口罩。
本实施例中,服务器获取原始样本集合。该原始样本集合中的人脸图片为三元人脸样本。该原始样本集合中的人脸图片均不带口罩。该原始样本集合中包括多个用户的人脸图片。并且每一用户包括多张人脸图片。为了便于后续处理,该同一用户的多张人脸图片应为角度、表情、细节、拍摄时间、环境光线等信息略有差异的人脸图片。
针对三元人脸样本,服务器还获取同一用户的多张人脸图片之间的类内相似度,以及不同用户的多张人脸图片之间的类间相似度。服务器确定同一用户的人脸图片属于同一类,不同用户的人脸图片属于不同类。因此,同一用户的多张人脸图片之间的相似程度为类内相似度,不同用户的多张人脸图片之间的相似程度为类间相似度。其中,类间相似度和类内相似度的计算方式可以包括以下示例:
一种示例中,类间相似度和类内相似度可以根据欧式距离确定,其具体计算方式可以包括如下步骤:
步骤1、使用预设卷积神经网络,提取原始样本集合中各个样本的特征。
本步骤中,服务器中预设有卷积神经网络。该卷积神经网络中的参数可以根据现有模型确定。服务器将原始样本集合中的人脸图片输入到该预设卷积神经网络中。服务器通过该预设卷积神经网络,对原始样本集合中的人脸图片进行卷积计算,得到该人脸图片的特征。
步骤2、根据样本的特征,计算原始样本集合中两两样本之间的欧式距离。
本步骤中,服务器通过步骤1计算得到所有的人脸图片的样本特征后,可以通过欧式距离的计算公式,计算得到样本之间的距离。
步骤3、根据两两样本之间的欧式距离,确定原始样本集合中各个样本的类间相似度和类内相似度。
本步骤中,针对同类用户,当两个样本之间的欧式距离大时,两个样本的相似度低。当两个样本之间的欧式距离小时,两个样本的相似度高。针对不同用户,当两个样本之间的欧式距离大时,两个样本的相似度低。当两个样本之间的欧式距离小时,两个样本的相似度高。
因此,类间相似度和类内相似度与欧式距离成反比。为了方便计算,可以确定欧氏距离的倒数为该类间相似度或者类内相似度的值。该类间相似度或者类内相似度的取值范围[0,1]。当该类间相似度或者类内相似度接近1时,表示该欧式距离接近0,即两个样本之间相似度高。当该类间相似度或者类内相似度接近0时,表示该两个样本之间距离远,即两个样本之间相似度低。
另一种示例中,类间相似度和类内相似度可以根据余弦距离确定,其具体计算方式可以包括如下步骤:
步骤1、使用预设卷积神经网络,提取原始样本集合中各个样本的特征。
本步骤中,与欧式距离的特征提取方式相同,服务器根据预设的卷积神经网络,提取原始样本集合中的人脸图片的特征。
步骤2、根据样本的特征,计算原始样本集合中两两样本之间的余弦距离。
本步骤中,服务器通过步骤1计算得到所有的人脸图片的样本特征后,可以通过余弦距离的计算公式,计算得到样本之间的夹角的余弦值。该夹角余弦值的取值范围是[-1,1]。当两个样本完全相同时,两个样本之间的夹角为0,此时,夹角余弦值为1。当两个样本完全不同时,两个样本之间的夹角趋于180度,此时,夹角的余弦值接近-1。该夹角的余弦值即为两两样本之间的余弦距离。
步骤3、根据两两样本之间的余弦距离,确定原始样本集合中各个样本的类间相似度和类内相似度。
本步骤中,针对同类用户,当两个样本之间的余弦距离接近1时,两个样本的相似度高。当两个样本之间的余弦距离接近-1时,两个样本的相似度低。而针对不同用户,当两个样本之间的余弦距离接近1时,两个样本的相似度高。当两个样本之间的余弦距离接近-1时,两个样本的相似度低。
因此,类间相似度和类内相似度与欧式距离成正比。为了方便计算,可以确定该余弦距离为该类间相似度或者类内相似度的值。或者,为了类间相似度和类内相似度的取值范围,可以将该余弦相似度归一化到[0,1],以便于服务器根据类间相似度和类内相似度进行统一的处理。
S302、根据类间相似度和类内相似度,确定第二预设数量个三元组,三元组中包括一个正样本对和一个负样本对。
本实施例中,第二预设数量与该原始样本集合中用户数量一致。例如,当该原始样本集合中包括10个用户时,该人脸样本集合中包括10个三元组。
服务器在确定该原始样本集合中的类内相似度和类间相似度后,以一个三元组的确定步骤为例,可以包括以下步骤:
步骤1、随机选择一个用户的一张图片为标准图片。
本步骤中,服务器从原始样本集合中随机选择一个用户的一张图片作为标准图片。当服务器第二次选择标准图片时,服务器从该用户以外的其他用户中选择一个用户的一张图片作为标准图片。
例如,该原始样本集合中包括用户A、B和C。服务器第一次选择标准图片时,可以从用户A、B和C中随机选择一个用户的一张图片作为标准图片。假设服务器选择了用户A的第1张图片。当服务器第二次选择标准图片时,服务器只能从B和C中随机选择一个用户的一张图片作为标准图片。假设服务器选择用户B的第一张图片。当服务器第三次选择标准图片时,服务器只选择C的一张图片作为标准图片。
步骤2、根据标准图片,确定三元组中的正样本对,正样本对中另一张图片为与标准图片的类内相似度最低的图片。
本步骤中,服务器根据S301计算得到类内相似度,选择与标准图片的类内相似度最低的图片与该标准图片生成正样本对。即该正样本对中包括标准图片,以及该用户的图片中与标准图片最不像的另一张图片。
或者,为了便于计算,服务器可以在遍历类内图片时,选择第一张类内相似度小于第一阈值的图片。该第一阈值可以根据经验确定,为一个较为接近0的数值。当图片与标准图片的相似度小于第一阈值时,服务器可以认为该图片与标准图片为不相似的图片。
服务器通过使用第一阈值获取正样本对中另一图片,可以提高该正样本对的获取效率。服务器仅需遍历该类内部分图片,直到找到类内相似度小于第一阈值的图片即可,而不需要遍历该类内除标准图片以外的所有图片。
步骤3、根据标准图片,确定三元组中的负样本对,负样本对中另一张图片为与标准图片的类间相似度最高的图片。
本步骤中,服务器根据S301计算得到类间相似度,选择与标准图片的类间相似度最高的图片与该标准图片生成负样本对。即该负样本对中包括标准图片,以及其他用户的图片中与标准图片最像的另一张图片。
或者,为了便于计算,服务器可以在遍历类间图片时,选择第一张类间相似度大于第二阈值的图片。该第二阈值可以根据经验确定,为一个较为接近1的数值。当图片与标准图片的相似度大于第二阈值时,服务器可以认为该图片与标准图片为相似的图片。
服务器通过使用第二阈值获取负样本对中另一图片,可以提高该负样本对的获取效率。服务器仅需遍历其他类中部分图片,直到找到类间相似度小于第二阈值的图片即可,而不需要遍历其他类中所有图片。
S303、为三元组中的正样本对随机添加不同的口罩,为三元组中的负样本对添加相同口罩。
本实施例中,三元组中的正样本对中的两个样本属于同一类,即同一用户。针对同一用户的两张人脸图片,服务器随机获取两种不同的口罩,并将该两种口罩分别添加到两张人脸图片中。
三元组中的负样本对中的两个样本属于不同类,即不同用户。针对不同用户的两张人脸图片,服务器为两张人脸图片添加同一口罩。由于在正样本对的口罩添加中已经确定标准图片所添加的口罩。因此,服务器根据标准图片添加的口罩种类,将同种口罩添加到负样本对的另一张人脸图片中。
S304、利用人脸样本集合、损失函数和预设神经网络,训练人脸识别模型。
S305、获取待识别人脸图片,待识别人脸图片中的人脸为戴口罩的人脸。
S306、根据待识别人脸图片和人脸识别模型,识别待识别人脸图片。
其中,步骤S304至步骤S306与图2实施例中的步骤S102至步骤S104实现方式类似,本实施例此处不再赘述。
本申请提供的戴口罩人脸识别方法,服务器获取原始样本集合,其中的样本为三元人脸样本。服务器还获取同一用户的多张人脸图片之间的类内相似度,以及不同用户的多张人脸图片之间的类间相似度。服务器从原始样本集合中随机选择一个用户的一张图片作为标准图片。服务器根据类内相似度,选择与标准图片的类内相似度最低的图片与该标准图片生成正样本对。服务器根据类间相似度,选择与标准图片的类间相似度最高的图片与该标准图片生成负样本对。服务器为三元组中的正样本对随机添加不同的口罩,为三元组中的负样本对添加相同口罩。服务器获取配置完成的人脸样本集合。服务器将人脸样本集合中的人脸样本输入到预设神经网络模型中。服务器可以计算对比损失函数或者triplet损失函数,并通过bp算法对神经网络进行训练,直至神经网络收敛。服务器获取待识别人脸图片。服务器将该待识别人脸图片输入人脸识别模型。人脸识别模型根据该待识别人脸图片,识别该待识别人脸图片中的用户信息。本申请中,通过获取三元人脸样本对,并根据样本对中样本的样本信息,添加不同的口罩,使人脸样本集合中的样本更具针对性,使模型可以显著降低口罩对人脸识别的影响,从而提高人脸识别模型的识别准确率。
图5示出了本申请一实施例提供的一种戴口罩人脸识别装置的结构示意图,如图5所示,本实施例的戴口罩人脸识别装置10用于实现上述任一方法实施例中对应于服务器的操作,本实施例的戴口罩人脸识别装置10包括:
第一获取模块11,用于获取人脸样本集合,人脸样本集合中包括多张相同用户不同口罩的人脸,以及多张不同用户相同口罩的人脸。
训练模块12,用于利用人脸样本集合、损失函数和预设神经网络,训练人脸识别模型。
第二获取模块13,用于获取待识别人脸图片,待识别人脸图片中的人脸为戴口罩的人脸。
识别模块14,用于根据待识别人脸图片和人脸识别模型,识别待识别人脸图片。
一种示例中,戴口罩人脸识别装置10还包括输出模块15,具体用于根据用户信息,判断用户是否为预设用户。输出判断结果。
本申请实施例提供的戴口罩人脸识别装置10,可执行上述方法实施例,其具体实现原理和技术效果,可参见上述方法实施例,本实施例此处不再赘述。
图6示出了本申请一实施例提供的另一种戴口罩人脸识别装置的结构示意图,在图5所示实施例的基础上,当人脸样本集合中的人脸样本为二元图片时,如图6所示,本实施例的戴口罩人脸识别装置10用于实现上述任一方法实施例中对应于服务器的操作,本实施例的第一获取模块11包括:
第一获取子模块111,用于获取原始样本集合,原始样本集合中包括多个用户的多张人脸图片,人脸图片中用户不戴口罩。
第二获取子模块112,用于从原始样本集合中获取第一预设数量个样本对。
第一确定子模块113,用于根据样本对中样本的样本信息,确定样本对中样本添加的口罩。
一种示例中,第一确定子模块113具体用于根据样本对中样本的样本信息,判断样本对中样本是否属于同一用户。当样本对中样本属于同一用户时,为样本对中两个样本随机添加不同的口罩。当样本对中样本不属于同一用户时,为样本对中两个样本随机添加相同的口罩。
本申请实施例提供的戴口罩人脸识别装置10,可执行上述方法实施例,其具体实现原理和技术效果,可参见上述方法实施例,本实施例此处不再赘述。
图7示出了本申请一实施例提供的再一种戴口罩人脸识别装置的结构示意图,在图5和图6所示实施例的基础上,当人脸样本集合中的人脸样本为三元图片时,如图7所示,本实施例的戴口罩人脸识别装置10用于实现上述任一方法实施例中对应于服务器的操作,本实施例的第一获取模块11包括:
第三获取子模块114,用于获取原始样本集合中各个样本的类间相似度和类内相似度,类间相似度为不同用户的人脸图片之间的相似程度,类内相似度为相同用户的人脸图片之间的相似程度,原始样本集合中包括多个用户的多张人脸图片,人脸图片中用户不戴口罩。
第二确定子模块115,用于根据类间相似度和类内相似度,确定第二预设数量个三元组,三元组中包括一个正样本对和一个负样本对。
添加子模块116,用于为三元组中的正样本对随机添加不同的口罩,为三元组中的负样本对添加相同口罩。
一种示例中,第二确定子模块115具体用于随机选择一个用户的一张图片为标准图片。根据标准图片,确定三元组中的正样本对,正样本对中另一张图片为与标准图片的类内相似度最低的图片。据标准图片,确定三元组中的负样本对,负样本对中另一张图片为与标准图片的类间相似度最高的图片。
本申请实施例提供的戴口罩人脸识别装置10,可执行上述方法实施例,其具体实现原理和技术效果,可参见上述方法实施例,本实施例此处不再赘述。
图8示出了本申请实施例提供的一种戴口罩人脸识别系统的结构示意图。如图8所示,该戴口罩人脸识别系统20可以包括:识别终端21和服务器22。
识别终端21,用于获取戴口罩的待识别人脸图片和输出识别结果。
服务器22,用于实现上述实施例中的戴口罩人脸识别方法。具体可以参见前述方法实施例中的相关描述。
其中,服务器中可以包括存储器、处理器和通信接口。
其中,存储器,用于存储计算机程序。存储器可能包含高速随机存取存储器(Random Access Memory,RAM),也可能还包括非易失性存储(Non-Volatile Memory,NVM),例如至少一个磁盘存储器,还可以为U盘、移动硬盘、只读存储器、磁盘或光盘等。
其中处理器,用于执行存储器存储的计算机程序。
可选地,存储器既可以是独立的,也可以跟处理器集成在一起。
当存储器是独立于处理器之外的器件时,服务器22还可以包括总线。该总线用于连接存储器和处理器。总线可以是工业标准体系结构(Industry Standard Architecture,ISA)总线、外部设备互连(Peripheral Component Interconnect,PCI)总线或扩展工业标准体系结构(Extended Industry Standard Architecture,EISA)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示,本申请附图中的总线并不限定仅有一根总线或一种类型的总线。
其中,通信接口可以通过总线与处理器连接。该通信接口用户获取识别终端21发送的待识别人脸图片,以及向识别终端21发送识别结果。
本实施例提供的戴口罩人脸识别系统20可用于执行上述的戴口罩人脸识别方法,其实现方式和技术效果类似,本实施例此处不再赘述。
本申请还提供一种计算机可读存储介质,计算机可读存储介质中存储有计算机程序,计算机程序被处理器执行时用于实现上述的各种实施方式提供的方法。
其中,计算机可读存储介质可以是计算机存储介质,也可以是通信介质。通信介质包括便于从一个地方向另一个地方传送计算机程序的任何介质。计算机存储介质可以是通用或专用计算机能够存取的任何可用介质。例如,计算机可读存储介质耦合至处理器,从而使处理器能够从该计算机可读存储介质读取信息,且可向该计算机可读存储介质写入信息。当然,计算机可读存储介质也可以是处理器的组成部分。处理器和计算机可读存储介质可以位于专用集成电路(Application Specific Integrated Circuits,ASIC)中。另外,该ASIC可以位于用户设备中。当然,处理器和计算机可读存储介质也可以作为分立组件存在于通信设备中。
上述计算机可读存储介质可以是由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(Static Random-Access Memory,SRAM),电可擦除可编程只读存储器(Electrically-Erasable Programmable Read-Only Memory,EEPROM),可擦除可编程只读存储器(Erasable Programmable Read Only Memory,EPROM),可编程只读存储器(Programmable read-only memory,PROM),只读存储器(Read-OnlyMemory,ROM),磁存储器,快闪存储器,磁盘或光盘。存储介质可以是通用或专用计算机能够存取的任何可用介质。
本申请还提供一种程序产品,该程序产品包括执行指令,该执行指令存储在计算机可读存储介质中。设备的至少一个处理器可以从计算机可读存储介质读取该执行指令,至少一个处理器执行该执行指令使得设备实施上述的各种实施方式提供的方法。
本申请实施例还提供一种芯片,包括存储器和处理器,存储器用于存储计算机程序,处理器用于从存储器中调用并运行计算机程序,使得安装有芯片的设备执行如上各种可能的实施方式中的方法。
应理解,上述处理器可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合发明所公开的方法的步骤可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。
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是示意性的,例如,模块的划分,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,例如多个模块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,装置或模块的间接耦合或通信连接,可以是电性,机械或其它的形式。
作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块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模块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模块可以集成在一个处理单元中,也可以是各个模块单独物理存在,也可以两个或两个以上模块集成在一个单元中。上述模块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。
上述以软件功能模块的形式实现的集成的模块,可以存储在一个计算机可读取存储介质中。上述软件功能模块存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)或处理器执行本申请各个实施例方法的部分步骤。
本领域普通技术人员可以理解:实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时,执行包括上述各方法实施例的步骤。而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上各实施例仅用以说明本申请的技术方案,而非对其限制。尽管参照前述各实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换。而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的范围。
Claims (7)
1.一种戴口罩人脸识别方法,其特征在于,所述方法包括:
获取人脸样本集合,所述人脸样本集合中包括相同用户不同口罩的人脸样本,以及不同用户相同口罩的人脸样本;
利用所述人脸样本集合、损失函数和预设神经网络,训练人脸识别模型;
获取待识别人脸图片,所述待识别人脸图片中的人脸为戴口罩的人脸;
根据所述待识别人脸图片和所述人脸识别模型,识别所述待识别人脸图片中的用户信息;
当所述人脸样本为三元组时,所述获取人脸样本集合,包括:
获取原始样本集合中各个样本的类间相似度和类内相似度,所述类间相似度为不同用户的人脸图片之间的相似程度,所述类内相似度为相同用户的人脸图片之间的相似程度,所述原始样本集合中包括多个用户的多张人脸图片,所述人脸图片中用户不戴口罩;
根据所述类间相似度和类内相似度,确定第二预设数量个三元组,所述三元组中包括一个正样本对和一个负样本对;
为所述三元组中的正样本对随机添加不同的口罩,为所述三元组中的负样本对添加相同口罩;
所述根据所述类间相似度和类内相似度,确定第二预设数量个三元组,所述三元组中包括一个正样本对和一个负样本对,包括:
随机选择一个用户的一张图片为标准图片;
根据所述标准图片,确定所述三元组中的正样本对,所述正样本对中另一张图片为与所述标准图片的类内相似度最低的图片;
根据所述标准图片,确定所述三元组中的负样本对,所述负样本对中另一张图片为与所述标准图片的类间相似度最高的图片。
2.根据权利要求1所述的方法,其特征在于,当所述人脸样本为二元组时,所述获取人脸样本集合,包括:
获取原始样本集合,所述原始样本集合中包括多个用户的多张人脸图片,所述人脸图片中用户不戴口罩;
从所述原始样本集合中获取第一预设数量个样本对;
根据所述样本对中样本的样本信息,确定所述样本对中样本添加的口罩。
3.根据权利要求2所述的方法,其特征在于,所述根据所述样本对中样本的样本信息,确定所述样本对中样本添加的口罩,包括:
根据所述样本对中样本的样本信息,判断所述样本对中样本是否属于同一用户;
当所述样本对中样本属于同一用户时,为所述样本对中两个样本随机添加不同的口罩;
当所述样本对中样本不属于同一用户时,为所述样本对中两个样本随机添加相同的口罩。
4.根据权利要求1所述的方法,其特征在于,所述方法,还包括:
根据所述用户信息,判断所述用户是否为预设用户;
输出判断结果。
5.一种戴口罩人脸识别装置,其特征在于,所述装置,包括:
第一获取模块,用于获取人脸样本集合,所述人脸样本集合中包括多张相同用户不同口罩的人脸,以及多张不同用户相同口罩的人脸;
训练模块,用于利用所述人脸样本集合、损失函数和预设神经网络,训练人脸识别模型;
第二获取模块,用于获取待识别人脸图片,所述待识别人脸图片中的人脸为戴口罩的人脸;
识别模块,用于根据所述待识别人脸图片和所述人脸识别模型,识别所述待识别人脸图片;
所述第一获取模块,包括:
第三获取子模块,用于获取原始样本集合中各个样本的类间相似度和类内相似度,所述类间相似度为不同用户的人脸图片之间的相似程度,所述类内相似度为相同用户的人脸图片之间的相似程度,所述原始样本集合中包括多个用户的多张人脸图片,所述人脸图片中用户不戴口罩;
第二确定子模块,用于根据所述类间相似度和类内相似度,确定第二预设数量个三元组,所述三元组中包括一个正样本对和一个负样本对;
添加子模块,用于为所述三元组中的正样本对随机添加不同的口罩,为所述三元组中的负样本对添加相同口罩;
所述第二确定子模块,具体用于随机选择一个用户的一张图片为标准图片;根据所述标准图片,确定所述三元组中的正样本对,所述正样本对中另一张图片为与所述标准图片的类内相似度最低的图片;根据所述标准图片,确定所述三元组中的负样本对,所述负样本对中另一张图片为与所述标准图片的类间相似度最高的图片。
6.一种戴口罩人脸识别系统,其特征在于,所述系统,包括:识别终端和服务器;
识别终端,用于获取戴口罩的待识别人脸图片和输出识别结果;
服务器,用于识别所述待识别人脸图片,以及根据权利要求1-4中任意一项所述的戴口罩人脸识别方法训练人脸识别模型。
7.一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中存储有计算机执行程序,所述计算机执行程序被处理器执行时用于实现如权利要求1-4中任意一项所述的戴口罩人脸识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011506973.4A CN112418189B (zh) | 2020-12-18 | 2020-12-18 | 戴口罩人脸识别方法、装置、设备以及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011506973.4A CN112418189B (zh) | 2020-12-18 | 2020-12-18 | 戴口罩人脸识别方法、装置、设备以及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112418189A CN112418189A (zh) | 2021-02-26 |
CN112418189B true CN112418189B (zh) | 2023-03-24 |
Family
ID=74782724
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011506973.4A Active CN112418189B (zh) | 2020-12-18 | 2020-12-18 | 戴口罩人脸识别方法、装置、设备以及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112418189B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114898454A (zh) * | 2022-05-31 | 2022-08-12 | 中国第一汽车股份有限公司 | 一种神经网络模型的训练方法、装置、电子设备及介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111460962B (zh) * | 2020-03-27 | 2023-05-05 | 武汉大学 | 一种口罩人脸识别方法及系统 |
CN111985360A (zh) * | 2020-08-05 | 2020-11-24 | 上海依图网络科技有限公司 | 一种人脸识别的方法、装置、设备和介质 |
-
2020
- 2020-12-18 CN CN202011506973.4A patent/CN112418189B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN112418189A (zh) | 2021-02-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI752418B (zh) | 伺服器、客戶端、用戶核身方法及系統 | |
CN109389723B (zh) | 利用人脸识别的访客管理方法、装置、计算机设备 | |
CN110166438B (zh) | 账户信息的登录方法、装置、计算机设备及计算机存储介质 | |
CN110866466B (zh) | 一种人脸识别方法、装置、存储介质和服务器 | |
CN113366487A (zh) | 基于表情组别的操作确定方法、装置及电子设备 | |
CN110852310B (zh) | 三维人脸识别方法、装置、终端设备及计算机可读介质 | |
US20060056664A1 (en) | Security system | |
CN110751025A (zh) | 基于人脸识别的业务办理方法、装置、设备及介质 | |
US10853631B2 (en) | Face verification method and apparatus, server and readable storage medium | |
CN108108711B (zh) | 人脸布控方法、电子设备及存储介质 | |
CN111783146B (zh) | 基于隐私保护的图像处理方法、装置和电子设备 | |
CN110781770B (zh) | 基于人脸识别的活体检测方法、装置及设备 | |
CN109948439B (zh) | 一种活体检测方法、系统及终端设备 | |
CN110991231B (zh) | 活体检测方法、装置、服务器和人脸识别设备 | |
CN113614731A (zh) | 使用软生物特征的认证验证 | |
CN109635625B (zh) | 智能身份核验方法、设备、存储介质及装置 | |
CN115223022B (zh) | 一种图像处理方法、装置、存储介质及设备 | |
CN112418189B (zh) | 戴口罩人脸识别方法、装置、设备以及存储介质 | |
CN113837006B (zh) | 一种人脸识别方法、装置、存储介质及电子设备 | |
CN110688878B (zh) | 活体识别检测方法、装置、介质及电子设备 | |
CN113033244A (zh) | 一种人脸识别方法、装置及设备 | |
CN112055961B (zh) | 拍摄方法、拍摄装置及终端设备 | |
CN116524206B (zh) | 目标图像的识别方法及装置 | |
CN112200109A (zh) | 面部属性识别方法、电子设备以及计算机可读存储介质 | |
CN115359575A (zh) | 身份识别方法、装置和计算机设备 |
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 |