CN112633200A - 基于人工智能的人脸图像比对方法、装置、设备及介质 - Google Patents
基于人工智能的人脸图像比对方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN112633200A CN112633200A CN202011590856.0A CN202011590856A CN112633200A CN 112633200 A CN112633200 A CN 112633200A CN 202011590856 A CN202011590856 A CN 202011590856A CN 112633200 A CN112633200 A CN 112633200A
- Authority
- CN
- China
- Prior art keywords
- image
- face
- target
- detected
- artificial intelligence
- 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
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
- 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
- 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)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- Evolutionary Computation (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Molecular Biology (AREA)
- Evolutionary Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Image Analysis (AREA)
Abstract
本申请实施例公开了一种基于人工智能的人脸图像比对方法、装置、设备及介质,涉及人脸识别技术领域。该方法包括:确认目标图像;对初始图像进行预处理,生成待检测图像;判断待检测图像是否属于标准人脸图像;提取出待检测图像对应的第一图像特征,和目标图像对应的第二图像特征;计算第一图像特征和第二图像特征的目标相似度;若目标相似度大于相似度阈值,则判断初始图像和目标图像中的人脸图像属于同一人脸。此外,本申请还涉及区块链技术,第一图像特征和第二图像特征可存储于区块链中。所述方法通过优化人脸比对流程,和对人脸图像状态进行检测,可以有效降低计算资源、传输资源和提高检测比对通过率,并对移动端系统具有更好的适应性。
Description
技术领域
本申请涉及人脸识别技术领域,特别是一种基于人工智能的人脸图像比对方法、装置、设备及介质。
背景技术
近年来,人工智能已经走进我们普通人的生活,应用越来越普遍,其中人脸比对检测的应用是人工智能中很重要的一块。常用的方法思路大致可归纳为两种:1、基于传统机器学习方法所组成的系统,该思路基于诸如人为设计的特征提取方式,将人脸图像中的特征提取出来,再基于人为设计的一些策略,规则进行比对。2、基于深度学习的端到端的系统,该思路主要基于卷积神经网络强大的特征提取能力以及自适应的分类能力,目前表现出的性能要高于前者,是最为常用的思路。
而目前基于深度学习的端到端的系统,该类方案中深度学习系统往往对资源的开销较大,而且不适合移动端间数据的快速传输。
发明内容
本申请实施例所要解决的技术问题是,提供一种基于人工智能的人脸图像比对方法、装置、设备及介质,提升人脸比对检测应用于移动端系统时的适应性,并保证人脸比对效率的同时,降低计算资源和传输资源的消耗。
为了解决上述技术问题,本申请实施例提供一种基于人工智能的人脸图像比对方法,采用了如下所述的技术方案:
一种基于人工智能的人脸图像比对方法,包括:
获取图像源,从所述图像源中截取出初始图像,并确认与所述初始图像对应的目标图像;
对所述初始图像进行预处理,生成待检测图像;
对所述待检测图像进行状态识别,判断所述待检测图像是否属于标准人脸图像;
若判断所述待检测图像属于所述标准人脸图像,则调用预设的第一人工智能模型,通过所述第一人工智能模型提取出所述待检测图像对应的第一图像特征,和所述目标图像对应的第二图像特征;
调用预设的第二人工智能模型,通过所述第二人工智能模型计算所述第一图像特征和所述第二图像特征的目标相似度;
获取预设的相似度阈值,比较所述目标相似度和所述相似度阈值的大小,若所述目标相似度大于所述相似度阈值,则判断所述初始图像和所述目标图像中的人脸图像属于同一人脸。
为了解决上述技术问题,本申请实施例还提供一种基于人工智能的人脸图像比对装置,采用了如下所述的技术方案:
一种基于人工智能的人脸图像比对装置,包括:
图像获取模块,用于获取图像源,从所述图像源中截取出初始图像,并确认与所述初始图像对应的目标图像;
图像预处理模块,用于对所述初始图像进行预处理,生成待检测图像;
图像状态识别模块,用于对所述待检测图像进行状态识别,判断所述待检测图像是否属于标准人脸图像;
特征提取模块,用于若判断所述待检测图像属于所述标准人脸图像,则调用预设的第一人工智能模型,通过所述第一人工智能模型提取出所述待检测图像对应的第一图像特征,和所述目标图像对应的第二图像特征;
相似度计算模块,用于调用预设的第二人工智能模型,通过所述第二人工智能模型计算所述第一图像特征和所述第二图像特征的目标相似度;
图像比对判断模块,用于获取预设的相似度阈值,比较所述目标相似度和所述相似度阈值的大小,若所述目标相似度大于所述相似度阈值,则判断所述初始图像和所述目标图像中的人脸图像属于同一人脸。
为了解决上述技术问题,本申请实施例还提供一种计算机设备,采用了如下所述的技术方案:
一种计算机设备,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器执行所述计算机程序时实现如上述任意一项技术方案所述的基于人工智能的人脸图像比对方法。
为了解决上述技术问题,本申请实施例还提供一种计算机可读存储介质,采用了如下所述的技术方案:
一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如上述任意一项技术方案所述的基于人工智能的人脸图像比对方法。
与现有技术相比,本申请实施例主要有以下有益效果:
本申请实施例公开了一种基于人工智能的人脸图像比对方法、装置、设备及介质,本申请实施例所述的基于人工智能的人脸图像比对方法,在获取图像源,从所述图像源中截取出初始图像,并确认与所述初始图像对应的目标图像之后;对所述初始图像进行预处理,生成待检测图像;再对所述待检测图像进行状态识别,判断所述待检测图像是否属于标准人脸图像;若判断所述待检测图像属于所述标准人脸图像,则调用预设的第一人工智能模型,通过所述第一人工智能模型提取出所述待检测图像对应的第一图像特征,和所述目标图像对应的第二图像特征;并调用预设的第二人工智能模型,通过所述第二人工智能模型计算所述第一图像特征和所述第二图像特征的目标相似度;然后获取预设的相似度阈值,比较所述目标相似度和所述相似度阈值的大小,若所述目标相似度大于所述相似度阈值,则判断所述初始图像和所述目标图像中的人脸图像属于同一人脸。所述方法通过拆分优化人脸比对流程,并对人脸图像状态进行检测,可以在有效降低计算资源和传输资源消耗的前提下,大幅提高检测比对的通过率,相较于以往直接采用深度学习构建的整套系统,对移动端系统具有更好的适应性。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例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为本申请实施例可以应用于其中的示例性系统架构图;
图2为本申请实施例中所述基于人工智能的人脸图像比对方法的一个实施例的流程图;
图3为本申请实施例中所述基于人工智能的人脸图像比对装置的一个实施例的结构示意图;
图4为本申请实施例中计算机设备的一个实施例的结构示意图。
具体实施方式
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中在本申请的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本申请。
需要说明的是,本申请的说明书和权利要求书及上述附图中的术语“包括”、“包含”和“具有”以及它们任何变形,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、产品或设备没有限定于已列出或单元,而是可选地还包括没有列出或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。在本申请的权利要求书、说明书以及说明书附图中的术语,诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体/操作/对象与另一个实体/操作/对象区分开来,而不一定要求或者暗示这些实体/操作/对象之间存在任何这种实际的关系或者顺序。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其他实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其他实施例相结合。
为了使本技术领域的人员更好地理解本申请的方案,下面将结合本申请实施例中的相关附图,对本申请实施例中的技术方案进行清楚、完整地描述。
如图1所示,系统架构100可以包括第一终端设备101、第二终端设备102、第三终端设备103、网络104和服务器105。网络104用以在第一终端设备101、第二终端设备102、第三终端设备103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用第一终端设备101、第二终端设备102和第三终端设备103通过网络104与服务器105交互,以接收或发送消息等。第一终端设备101、第二终端设备102和第三终端设备103上可以安装有各种通讯客户端应用,例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
第一终端设备101、第二终端设备102和第三终端设备103可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving Picture Experts Group Audio Layer III,动态影像专家压缩标准音频层面3)、MP4(Moving Picture Experts Group Audio Layer IV,动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器,例如对第一终端设备101、第一终端设备102和第三终端设备103上显示的页面提供支持的后台服务器。
需要说明的是,本申请实施例所提供的基于人工智能的人脸图像比对方法一般由服务器/终端设备执行,相应地,基于人工智能的人脸图像比对装置一般设置于服务器/终端设备中。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
继续参考图2,示出了本申请实施例中所述基于人工智能的人脸图像比对方法的一个实施例的流程图。所述基于人工智能的人脸图像比对方法,包括以下步骤:
步骤201:获取图像源,从所述图像源中截取出初始图像,并确认与所述初始图像对应的目标图像。
本申请中,进行人脸图像比对时,首先需要确定比对的双方人脸图像对象,即预计进行人脸图像比对的送审图像和参考图像。具体地,将送审图像和参考图像分别记为初始图像和目标图像。
其中,初始图像由服务器从图像源中截取获得,截取过程可以是实时获取图像源时截取,也可以是从历史获得的图像源中截取。服务器中预先存储有与待识别对象相关的标准图像,这些标准图像作为参考图像存储于图片信息库中,比对时,服务器便可以根据获取到的用户信息或人脸信息从图片信息库中匹配读取出当前用于比对的参考图像。
在本申请实施例中,图像源包括图片、图片集或动态图片,以及短视频等类型。
在本申请的一些实施例中,步骤201中所述从所述图像源中截取出初始图像包括:
从所述图像源中随机截取一帧第一图像;
调用预设的人脸检测神经网络;
将所述第一图像输入所述人脸检测神经网络,通过所述人脸检测神经网络检测所述第一图像中的人脸像素;
若所述第一图像中的人脸像素达到预设的像素数量阈值,确认所述第一图像为所述初始图像。
从图像源中截取初始图像时,需保证初始图像中包括完整的人脸图像,本申请该部分实施例中,通过检测从图像源中截取出的图像中的人脸像素,判断人脸图像是否完整。
具体地,从图像源中截取出一帧图像,记为第一图像,将其输入预设的人脸检测神经网络检测其中的人脸像素是否达到预设的像素数量阈值。若达到,则判断该帧图像中的人脸属于完整人脸,确认所述第一图像为初始图像,反之则判断该帧图像中的人脸不完整。
进一步的,在所述从所述图像源中随机截取一帧第一图像之后,所述基于人工智能的人脸图像比对方法还包括:
识别所述第一图像的图像分辨率;
根据所述图像分辨率对预设的像素数量阈值进行配置。
不同分辨率的图片,其中包含的像素数量不同,因此为了较准确地根据人脸图像的像素数量判断该人脸图像是否完整,还需要先识别出该人脸图像对应的图像分辨率,而后根据其图像分辨率确定用于判断是否为完整人脸图像的像素数量阈值。
在本申请实施例中,所述基于人工智能的人脸图像比对方法运行于其上的电子设备(例如图1所示的服务器/终端设备)可以通过有线连接方式或者无线连接方式接收发送至服务器的图像源。需要指出的是,上述无线连接方式可以包括但不限于3G/4G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。
步骤202:对所述初始图像进行预处理,生成待检测图像。
预处理是人脸识别过程中的一个重要环节,截取出的初始图像,由于其图像源采集环境的不同,如光照明暗程度以及设备性能的优劣等,往往存在有噪声、对比度不够等缺点。另外,距离远近,焦距大小等又使得人脸在整幅图像中间的大小和位置不确定。为了保证人脸图像中人脸大小,位置以及人脸图像质量的一致性,则需要对图像进行预处理。
在本申请的一些实施例中,所述预处理包括:人脸对齐、图像增强、图像归一化等。
人脸对齐是为了得到人脸位置端正的人脸图像,一般通过人脸关键点实现,根据这些关键点对人脸做对齐校准。关键点,通常是眼角的位置、鼻子的位置、脸的轮廓点等等。原先人脸可能比较歪,根据关键点,使用仿射变换将人脸统一“摆正”,可以尽量去消除姿势不同带来的误差,以此实现人脸对齐。
图像增强是为了改善人脸图像的质量,不仅在视觉上使图像更加清晰,而且使图像更利于计算机的处理与识别。如针对低质量的图像一般可采用暗光增强、超分辨率、去噪、去除运动模糊等方式进行图像增强。黑漆漆的图像,用了图像增强方法,就可以看到更多的细节,尤其是对人脸来说,增强后可以提升人脸的识别率。还有包括降噪、去除运动模糊、HDR(High-Dynamic Range,高动态光照渲染)等技术来恢复图像的细节,提升人脸识别的准确率。
图像归一化是指对图像进行了一系列标准的处理变换,使之变换为一固定标准形式的过程,其目标是在不同成像条件(光照强度,方向,距离,姿势等)下,也能取得尺寸一致、灰度取值范围相同的标准化人脸图像。
在本申请的一些实施例中,在步骤202之后,所述基于人工智能的人脸图像比对方法还包括:
确定目标服务端,并与所述目标服务端建立通信连接;
对所述待检测图像进行编码生成目标编码数据;
将所述目标编码数据传输至所述目标服务端;
通过所述目标服务端对所述目标编码数据进行解码生成目标解码数据,并调用预设的人脸判定卷积神经网络,将所述目标解码数据输入所述人脸判定卷积神经网络,以通过所述人脸判定卷积神经网络生成目标判断结果;
根据所述目标判断结果确认所述待检测图像中对应的人脸图像是否属于实时获取的正常人脸。
在一些实施方式中,所述基于人工智能的人脸图像比对方法主要用于移动端实时获取当前的真人人脸数据进行人脸比对检测,而在这些应用场景中,需要防止有人利用诸如伪造照片等方式对人脸识别系统进行欺骗攻击,因此,出于业务考虑,需要判断人像是否是出于正常状态。
由于该功能一般需要较强大的计算能力,因此移动端将该部分计算内容转移至其他服务器端进行处理。通过与目标服务端建立通信连接,将待检测图像编码后生成的目标编码数据输出至目标服务端,目标服务端依次通过tier编码、反量化、小波反变换、分量反变换、水平偏移、数据重组等处理将目标编码数据解析为目标解码数据,再通过目标服务端中预设的人脸判定卷积神经网络解析目标解码数据,判断与目标解码数据对应的待检测图像是否属于实时获取的正常人脸。
步骤203:对所述待检测图像进行状态识别,判断所述待检测图像是否属于标准人脸图像。
经预处理后生成的待检测图像,还需根据预设的状态标准进行质量判断。通过对待检测图像的清晰度、亮度、人脸完整度等状态进行识别,判断待检测图像是否属于适合进行图像比对的人脸图像。
在本申请的一些实施例中,所述步骤203包括:
读取预设的人脸图像标准参数,所述人脸图像标准参数包括:图像清晰度、图像亮度和人脸完整度;
识别所述待检测图像的图像状态,确定所述待检测图像的目标图像清晰度、目标图像亮度和目标人脸完整度;
分别判断所述目标图像清晰度、所述目标图像亮度和所述目标人脸完整度是否位于所述人脸图像标准参数的数值范围内;
若均处于所述数值范围内,则判断所述待检测图像属于所述标准人脸图像。
通过对待检测图像进行清晰度、明亮度打分,以及识别其中人脸的完整度,判断待检测图像中的人脸图像是否处于正常人像的范围。服务器中存储有用于比较判断的人脸图像标准参数,其中便包括关于图像清晰度、图像亮度和人脸完整度的数值范围。若待检测图像的上述参数均在人脸图像标准参数的数值范围之内,该待检测图像便判断为标准人脸图像。
步骤204:若判断所述待检测图像属于所述标准人脸图像,则调用预设的第一人工智能模型,通过所述第一人工智能模型提取出所述待检测图像对应的第一图像特征,和所述目标图像对应的第二图像特征。
服务器中预先构建有用于对输入图像进行降维处理和特征提取的第一人工智能模型,在判断了初始图像对应的待检测图像为标准人脸图像后,便通过第一人工智能模型分别提取出由一维特征码表示的,待检测图像对应的第一图像特征和目标图像对应的第二图像特征。以特征码代替图像本身进行图像比对,如此可有效降低设计难度、计算消耗和传输消耗。
步骤205:调用预设的第二人工智能模型,通过所述第二人工智能模型计算所述第一图像特征和所述第二图像特征的目标相似度。
以特征码代替图像本身进行图像比对时,便基于服务器中预设的第二人工智能模型进行相似度运算,通过第二人工智能模型计算第一图像特征和第二图像特征之间的相似度,判断初始图像和目标图像之间联系的紧密程度。
步骤206:获取预设的相似度阈值,比较所述目标相似度和所述相似度阈值的大小,若所述目标相似度大于所述相似度阈值,则判断所述初始图像和所述目标图像中的人脸图像属于同一人脸。
移动端服务器中根据当前场景下的人脸图像比对需求,预先设置有相似度阈值。在第二人工智能模型计算出的第一图像特征和第二图像特征之间的目标相似度,大于该相似度阈值时,服务器判定初始图像和目标图像表示的人脸属于同一用户的人脸,目标相似度阈值小于该相似度阈值时,服务器便判定初始图像和目标图像中的人脸图像不属于同一人脸。
本申请实施例所述的基于人工智能的人脸图像比对方法,通过拆分优化人脸比对流程,并对人脸图像状态进行检测,可以在有效降低计算资源和传输资源消耗的前提下,大幅提高检测比对的通过率,相较于以往直接采用深度学习构建的整套系统,对移动端系统具有更好的适应性。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,该计算机程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)等非易失性存储介质,或随机存储记忆体(Random Access Memory,RAM)等。
应该理解的是,虽然附图的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,其可以以其他的顺序执行。而且,附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,其执行顺序也不必然是依次进行,而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
进一步参考图3,图3示出了为本申请实施例中所述基于人工智能的人脸图像比对装置的一个实施例的结构示意图。作为对上述图2所示方法的实现,本申请提供了一种基于人工智能的人脸图像比对装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图3所示,本实施例所述的基于人工智能的人脸图像比对装置包括:
图像获取模块301;用于获取图像源,从所述图像源中截取出初始图像,并确认与所述初始图像对应的目标图像。
图像预处理模块302;用于对所述初始图像进行预处理,生成待检测图像。
图像状态识别模块303;用于对所述待检测图像进行状态识别,判断所述待检测图像是否属于标准人脸图像。
特征提取模块304;用于若判断所述待检测图像属于所述标准人脸图像,则调用预设的第一人工智能模型,通过所述第一人工智能模型提取出所述待检测图像对应的第一图像特征,和所述目标图像对应的第二图像特征。
相似度计算模块305;用于调用预设的第二人工智能模型,通过所述第二人工智能模型计算所述第一图像特征和所述第二图像特征的目标相似度。
图像比对判断模块306;用于获取预设的相似度阈值,比较所述目标相似度和所述相似度阈值的大小,若所述目标相似度大于所述相似度阈值,则判断所述初始图像和所述目标图像中的人脸图像属于同一人脸。
在本申请的一些实施例中,所述图像获取模块201还包括:完整人脸确认子模块。所述完整人脸确认子模块用于从所述图像源中随机截取一帧第一图像;调用预设的人脸检测神经网络;将所述第一图像输入所述人脸检测神经网络,通过所述人脸检测神经网络检测所述第一图像中的人脸像素;若所述第一图像中的人脸像素达到预设的像素数量阈值,确认所述第一图像为所述初始图像。
进一步的,所述完整人脸确认子模块从所述图像源中随机截取一帧第一图像后,还用于识别所述第一图像的图像分辨率;根据所述图像分辨率对预设的像素数量阈值进行配置。
在本申请的一些实施例中,所述基于人工智能的人脸图像比对装置还包括:获取状态识别模块。在所述图像预处理模块302生成待检测图像之后,所述获取状态识别模块用于确定目标服务端,并与所述目标服务端建立通信连接;对所述待检测图像进行编码生成目标编码数据;将所述目标编码数据传输至所述目标服务端;通过所述目标服务端对所述目标编码数据进行解码生成目标解码数据,并调用预设的人脸判定卷积神经网络,将所述目标解码数据输入所述人脸判定卷积神经网络,以通过所述人脸判定卷积神经网络生成目标判断结果;根据所述目标判断结果确认所述待检测图像中对应的人脸图像是否属于实时获取的正常人脸。
在本申请的一些实施例中,图像状态识别模块303用于读取预设的人脸图像标准参数,所述人脸图像标准参数包括:图像清晰度、图像亮度和人脸完整度;识别所述待检测图像的图像状态,确定所述待检测图像的目标图像清晰度、目标图像亮度和目标人脸完整度;分别判断所述目标图像清晰度、所述目标图像亮度和所述目标人脸完整度是否位于所述人脸图像标准参数的数值范围内;若均处于所述数值范围内,则判断所述待检测图像属于所述标准人脸图像。
本申请实施例所述的基于人工智能的人脸图像比对装置,通过拆分优化人脸比对流程,并对人脸图像状态进行检测,可以在有效降低计算资源和传输资源消耗的前提下,大幅提高检测比对的通过率,相较于以往直接采用深度学习构建的整套系统,对移动端系统具有更好的适应性。
为解决上述技术问题,本申请实施例还提供计算机设备。具体请参阅图4,图4为本实施例计算机设备基本结构框图。
所述计算机设备6包括通过系统总线相互通信连接存储器61、处理器62、网络接口63。需要指出的是,图中仅示出了具有组件61-63的计算机设备6,但是应理解的是,并不要求实施所有示出的组件,可以替代的实施更多或者更少的组件。其中,本技术领域技术人员可以理解,这里的计算机设备是一种能够按照事先设定或存储的指令,自动进行数值计算和/或信息处理的设备,其硬件包括但不限于微处理器、专用集成电路(ApplicationSpecific Integrated Circuit,ASIC)、可编程门阵列(Field-Programmable GateArray,FPGA)、数字处理器(Digital Signal Processor,DSP)、嵌入式设备等。
所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
所述存储器61至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中,所述存储器61可以是所述计算机设备6的内部存储单元,例如该计算机设备6的硬盘或内存。在另一些实施例中,所述存储器61也可以是所述计算机设备6的外部存储设备,例如该计算机设备6上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(FlashCard)等。当然,所述存储器61还可以既包括所述计算机设备6的内部存储单元也包括其外部存储设备。本实施例中,所述存储器61通常用于存储安装于所述计算机设备6的操作系统和各类应用软件,例如基于人工智能的人脸图像比对方法的程序代码等。此外,所述存储器61还可以用于暂时地存储已经输出或者将要输出的各类数据。
所述处理器62在一些实施例中可以是中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器62通常用于控制所述计算机设备6的总体操作。本实施例中,所述处理器62用于运行所述存储器61中存储的程序代码或者处理数据,例如运行所述基于人工智能的人脸图像比对方法的程序代码。
所述网络接口63可包括无线网络接口或有线网络接口,该网络接口63通常用于在所述计算机设备6与其他电子设备之间建立通信连接。
本申请实施例所述的计算机设备,通过处理器执行存储器中存储的计算机程序进行数据推送的功能测试时,无需通过前端操作创建任务,能够实现对大批量基于人工智能的人脸图像比对要求,并减少测试时间的消耗,提升功能测试的效率,在进行数据推送测试的过程中还能方便地进行压力测试,在通过日志判断数据的推送结果时还能方便分析测试时出现的问题,以及对测试过程中出现的问题进行定位。
本申请还提供了另一种实施方式,即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基于人工智能的人脸图像比对程序,所述基于人工智能的人脸图像比对程序可被至少一个处理器执行,以使所述至少一个处理器执行如上述的基于人工智能的人脸图像比对方法。
需要强调的是,为进一步保证上述图片数据的私密和安全性,上述图片数据还可以存储于一区块链的节点中。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本申请各个实施例所述的方法。
在本申请所提供的上述实施例中,应该理解到,所揭露的装置和方法,可以通过其他的方式实现。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。
所述模块或组件可以是或者也可以不是物理上分开的,作为模块或组件显示的部件可以是或者也可以不是物理模块,既可以位于一个地方,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或组件来实现本实施例方案的目的。
本申请不限于上述实施方式,以上所述是本申请的优选实施方式,该实施例仅用于说明本申请而不用于限制本申请的范围,应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,其依然可以对前述各具体实施方式所记载的技术方案进行若干改进和修饰,或者对其中部分技术特征进行等效替换。凡是利用本申请说明书及附图内容所做的等效结构,直接或间接运用在其他相关的技术领域,均同理应视为包括在本申请的保护范围之内。
显然,以上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,附图中给出了本申请的较佳实施例,但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现,相反地,提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明,对于本领域的技术人员来而言,其依然可以对前述各具体实施方式所记载的技术方案进行修改,或者对其中部分技术特征进行等效替换。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,以及凡是利用本申请说明书及附图内容所做的等效结构,直接或间接运用在其他相关的技术领域,均同理在本申请专利保护范围之内。
本申请所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
Claims (10)
1.一种基于人工智能的人脸图像比对方法,其特征在于,包括:
获取图像源,从所述图像源中截取出初始图像,并确认与所述初始图像对应的目标图像;
对所述初始图像进行预处理,生成待检测图像;
对所述待检测图像进行状态识别,判断所述待检测图像是否属于标准人脸图像;
若判断所述待检测图像属于所述标准人脸图像,则调用预设的第一人工智能模型,通过所述第一人工智能模型提取出所述待检测图像对应的第一图像特征,和所述目标图像对应的第二图像特征;
调用预设的第二人工智能模型,通过所述第二人工智能模型计算所述第一图像特征和所述第二图像特征的目标相似度;
获取预设的相似度阈值,比较所述目标相似度和所述相似度阈值的大小,若所述目标相似度大于所述相似度阈值,则判断所述初始图像和所述目标图像中的人脸图像属于同一人脸。
2.根据权利要求1所述的基于人工智能的人脸图像比对方法,其特征在于,从所述图像源中截取出初始图像包括:
从所述图像源中随机截取一帧第一图像;
调用预设的人脸检测神经网络;
将所述第一图像输入所述人脸检测神经网络,通过所述人脸检测神经网络检测所述第一图像中的人脸像素;
若所述第一图像中的人脸像素达到预设的像素数量阈值,确认所述第一图像为所述初始图像。
3.根据权利要求2所述的基于人工智能的人脸图像比对方法,其特征在于,在所述从所述图像源中随机截取一帧第一图像之后,所述方法还包括:
识别所述第一图像的图像分辨率;
根据所述图像分辨率对预设的像素数量阈值进行配置。
4.根据权利要求1所述的基于人工智能的人脸图像比对方法,其特征在于,在所述生成待检测图像之后,所述方法还包括:
确定目标服务端,并与所述目标服务端建立通信连接;
对所述待检测图像进行编码生成目标编码数据;
将所述目标编码数据传输至所述目标服务端;
通过所述目标服务端对所述目标编码数据进行解码生成目标解码数据,并调用预设的人脸判定卷积神经网络,将所述目标解码数据输入所述人脸判定卷积神经网络,以通过所述人脸判定卷积神经网络生成目标判断结果;
根据所述目标判断结果确认所述待检测图像中对应的人脸图像是否属于实时获取的正常人脸。
5.根据权利要求1所述的基于人工智能的人脸图像比对方法,其特征在于,所述对所述待检测图像进行状态识别,判断所述待检测图像是否属于标准人脸图像包括:
读取预设的人脸图像标准参数,所述人脸图像标准参数包括:图像清晰度、图像亮度和人脸完整度;
识别所述待检测图像的图像状态,确定所述待检测图像的目标图像清晰度、目标图像亮度和目标人脸完整度;
分别判断所述目标图像清晰度、所述目标图像亮度和所述目标人脸完整度是否位于所述人脸图像标准参数的数值范围内;
若均处于所述数值范围内,则判断所述待检测图像属于所述标准人脸图像。
6.根据权利要求1所述的基于人工智能的人脸图像比对方法,其特征在于,在所述通过所述第一人工智能模型提取出所述待检测图像对应的第一图像特征,和所述目标图像对应的第二图像特征之后,所述方法还包括:
将所述第一图像特征和所述第二图像特征存储至区块链中。
7.一种基于人工智能的人脸图像比对装置,其特征在于,包括:
图像获取模块,用于获取图像源,从所述图像源中截取出初始图像,并确认与所述初始图像对应的目标图像;
图像预处理模块,用于对所述初始图像进行预处理,生成待检测图像;
图像状态识别模块,用于对所述待检测图像进行状态识别,判断所述待检测图像是否属于标准人脸图像;
特征提取模块,用于若判断所述待检测图像属于所述标准人脸图像,则调用预设的第一人工智能模型,通过所述第一人工智能模型提取出所述待检测图像对应的第一图像特征,和所述目标图像对应的第二图像特征;
相似度计算模块,用于调用预设的第二人工智能模型,通过所述第二人工智能模型计算所述第一图像特征和所述第二图像特征的目标相似度;
图像比对判断模块,用于获取预设的相似度阈值,比较所述目标相似度和所述相似度阈值的大小,若所述目标相似度大于所述相似度阈值,则判断所述初始图像和所述目标图像中的人脸图像属于同一人脸。
8.根据权利要求7所述的基于人工智能的人脸图像比对装置,其特征在于,所述图像获取模块还包括:完整人脸确认子模块;所述完整人脸确认子模块用于:
从所述图像源中随机截取一帧第一图像;
调用预设的人脸检测神经网络;
将所述第一图像输入所述人脸检测神经网络,通过所述人脸检测神经网络检测所述第一图像中的人脸像素;
若所述第一图像中的人脸像素达到预设的像素数量阈值,确认所述第一图像为所述初始图像。
9.一种计算机设备,包括存储器和处理器,其特征在于,所述存储器中存储有计算机程序,所述处理器执行所述计算机程序时实现如权利要求1-6中任意一项所述的基于人工智能的人脸图像比对方法。
10.一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上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1-6中任意一项所述的基于人工智能的人脸图像比对方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011590856.0A CN112633200A (zh) | 2020-12-29 | 2020-12-29 | 基于人工智能的人脸图像比对方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011590856.0A CN112633200A (zh) | 2020-12-29 | 2020-12-29 | 基于人工智能的人脸图像比对方法、装置、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112633200A true CN112633200A (zh) | 2021-04-09 |
Family
ID=75285904
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011590856.0A Pending CN112633200A (zh) | 2020-12-29 | 2020-12-29 | 基于人工智能的人脸图像比对方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112633200A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113592003A (zh) * | 2021-08-04 | 2021-11-02 | 智道网联科技(北京)有限公司 | 一种图片传输方法、装置、设备及存储介质 |
CN115829911A (zh) * | 2022-07-22 | 2023-03-21 | 宁德时代新能源科技股份有限公司 | 检测系统的成像一致性的方法、装置和计算机存储介质 |
-
2020
- 2020-12-29 CN CN202011590856.0A patent/CN112633200A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113592003A (zh) * | 2021-08-04 | 2021-11-02 | 智道网联科技(北京)有限公司 | 一种图片传输方法、装置、设备及存储介质 |
CN113592003B (zh) * | 2021-08-04 | 2023-12-26 | 智道网联科技(北京)有限公司 | 一种图片传输方法、装置、设备及存储介质 |
CN115829911A (zh) * | 2022-07-22 | 2023-03-21 | 宁德时代新能源科技股份有限公司 | 检测系统的成像一致性的方法、装置和计算机存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10902245B2 (en) | Method and apparatus for facial recognition | |
US10635946B2 (en) | Eyeglass positioning method, apparatus and storage medium | |
Fourati et al. | Anti-spoofing in face recognition-based biometric authentication using image quality assessment | |
WO2022142009A1 (zh) | 一种模糊图像修正的方法、装置、计算机设备及存储介质 | |
JP2015215876A (ja) | ライブネス検査方法と装置、及び映像処理方法と装置 | |
CN109116129B (zh) | 终端检测方法、检测设备、系统及存储介质 | |
CN110795714A (zh) | 一种身份验证方法、装置、计算机设备及存储介质 | |
CN111899270B (zh) | 卡片边框检测方法、装置、设备及可读存储介质 | |
CN112650875A (zh) | 房产图片验证方法、装置、计算机设备及存储介质 | |
CN112330331A (zh) | 基于人脸识别的身份验证方法、装置、设备及存储介质 | |
CN112633200A (zh) | 基于人工智能的人脸图像比对方法、装置、设备及介质 | |
CN112085094B (zh) | 单证图像翻拍检测方法、装置、计算机设备和存储介质 | |
CN112686243A (zh) | 智能识别图片文字的方法、装置、计算机设备及存储介质 | |
CN114550051A (zh) | 一种车损检测方法、装置、计算机设备及存储介质 | |
CN113111880A (zh) | 证件图像校正方法、装置、电子设备及存储介质 | |
CN111428740A (zh) | 网络翻拍照片的检测方法、装置、计算机设备及存储介质 | |
CN112651399B (zh) | 检测倾斜图像中同行文字的方法及其相关设备 | |
US9311523B1 (en) | Method and apparatus for supporting object recognition | |
CN115798004A (zh) | 基于局部区域的人脸打卡方法、装置、电子设备及介质 | |
CN113011132B (zh) | 竖排文字识别方法、装置、计算机设备和存储介质 | |
CN114049646A (zh) | 一种银行卡识别方法、装置、计算机设备及存储介质 | |
CN112036501A (zh) | 基于卷积神经网络的图片的相似度检测方法及其相关设备 | |
CN112016348A (zh) | 一种人脸真伪识别方法和装置 | |
CN112669212B (zh) | 人脸图像超分辨率重建方法、装置、计算机设备及介质 | |
CN110059520B (zh) | 虹膜特征提取的方法、装置及虹膜识别系统 |
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 |