CN112686129B - 一种人脸识别系统及方法 - Google Patents
一种人脸识别系统及方法 Download PDFInfo
- Publication number
- CN112686129B CN112686129B CN202011580034.4A CN202011580034A CN112686129B CN 112686129 B CN112686129 B CN 112686129B CN 202011580034 A CN202011580034 A CN 202011580034A CN 112686129 B CN112686129 B CN 112686129B
- Authority
- CN
- China
- Prior art keywords
- face
- cloud server
- face image
- terminal
- face recognition
- 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 84
- 230000001815 facial effect Effects 0.000 claims abstract description 49
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 239000013598 vector Substances 0.000 description 48
- 238000004891 communication Methods 0.000 description 24
- 230000008569 process Effects 0.000 description 20
- 238000001514 detection method Methods 0.000 description 18
- 230000003993 interaction Effects 0.000 description 15
- 238000004590 computer program Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 13
- 238000004364 calculation method Methods 0.000 description 12
- 239000011159 matrix material Substances 0.000 description 12
- 238000012549 training Methods 0.000 description 9
- 230000009471 action Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 230000007423 decrease Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 230000009466 transformation Effects 0.000 description 4
- 238000013519 translation Methods 0.000 description 3
- 238000012512 characterization method Methods 0.000 description 2
- 230000004069 differentiation Effects 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000011664 signaling Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Images
Landscapes
- Collating Specific Patterns (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例提供了一种人脸识别系统及方法,涉及人工智能技术领域。系统包括云端服务器和终端;终端用于获取待识别人脸图像;检测所存储的第一人脸识别模型与云端服务器所存储的第二人脸识别模型是否相同;若不同,向云端服务器发送待识别人脸图像;云端服务器用于接收待识别人脸图像;基于第二人脸识别模型对待识别人脸图像进行识别,得到识别结果,向终端发送识别结果;其中,在云端服务器中存储的样本人脸图像库更新时,利用更新后的样本人脸图像库更新第二人脸识别模型;终端还用于接收识别结果。与现有技术相比,应用本发明实施例提供的方案,可以实现在逐渐添加新的参考人脸图像的情况下,终端可以始终获取到具有较高准确度的识别结果。
Description
技术领域
本发明涉及人工智能技术领域,特别是涉及一种人脸识别系统及方法。
背景技术
随着人工智能技术的不断发展,人脸识别技术被逐渐应用到各个领域中,例如,公司等场所的门禁系统、车载的驾乘人员识别系统等。
通常,人脸识别可以通过预设的人脸识别模型实现,而人脸识别模型是利用样本人脸图像库中的各个人脸图像对初始模型进行训练得到的,也就是说,样本人脸图像库中所包括的人脸图像的数量和图像内容可以影响所得到的人脸识别模型的识别准确度。其中,很多情况下,训练人脸识别模型所使用的样本人脸图像库中所包括的人脸图像和进行人脸识别时所使用的待识别人脸图像所对应的人员身份是相同的。
例如,针对某个公司的门禁系统而言,各个员工的身份证人脸图像可以构成样本人脸图像库,从而,可以利用该公司的各个员工的身份证人脸图像训练得到人脸识别模型,而该门禁系统对该公司的各个员工进行人脸识别时,可以将待识别人脸图像与该公司的各个员工的身份证人脸图像进行匹配。
相关技术中,用于进行人脸识别的系统可以包括云端服务器和终端。其中,云端服务器用于利用样本人脸图像库进行初始模型训练,并将训练得到的人脸识别模型发送给终端,从而,终端在接收到云端服务器发送的人脸识别模型后,可以利用该人脸识别模型对获取到的待识别人脸图像进行识别,得到识别结果。
然而,在上述相关技术中,由于人员流动等原因,待识别人脸图像所对应的人员身份会逐渐发生变化,例如,可以逐渐添加新的待识别人脸图像,从而,使得所得到的人脸识别模型的识别准确度逐渐降低,导致终端所得到的识别结果的准确度逐渐降低。
发明内容
本发明实施例的目的在于提供一种人脸识别系统及方法,以实现在逐渐添加新的参考人脸图像的情况下,终端可以始终获取到具有较高准确度的识别结果。具体技术方案如下:
第一方面,本发明实施例提供了一种人脸识别系统,所述系统包括云端服务器和终端;
所述终端,用于获取待识别人脸图像;检测所存储的第一人脸识别模型与所述云端服务器所存储的第二人脸识别模型是否相同;如果不同,向所述云端服务器发送所述待识别人脸图像;所述云端服务器,用于接收所述待识别人脸图像;基于所述第二人脸识别模型对所述待识别人脸图像进行识别,得到识别结果,并向所述终端发送所述识别结果;其中,在所述云端服务器中存储的样本人脸图像库更新时,利用更新后的所述样本人脸图像库更新所述第二人脸识别模型;所述终端,还用于接收所述识别结果。
可选的,一种具体实现方式中,所述样本人脸图像库的更新包括:在样本人脸图像库中增加新的样本人脸图像和/或替换所述样本人脸图像库中的样本人脸图像。
可选的,一种具体实现方式中,所述云端服务器,还用于判断所述待识别人脸图像是否为新的样本人脸图像,并在判断结果为是的情况下,基于利用所述待识别人脸图像更新后的所述样本人脸图像库,更新所存储的第二人脸识别模型,得到更新后的第二人脸识别模型;向所述终端发送更新后的第二人脸识别模型;所述终端,还用于接收所述云端服务器发送的第二人脸识别模型,并将所述终端所存储的第一人脸识别模型替换为接收到的第二人脸识别模型。
可选的,一种具体实现方式中,所述云端服务器在向所述终端发送更新后的第二人脸识别模型之前,所述终端,用于按照预设周期向所述云端服务器发送所述模型更新请求;所述云端服务器,用于在接收到所述终端按照所述预设周期发送的模型更新请求时,确定在上一次接收到所述模型更新请求之后,是否更新过所存储的第二人脸识别模型;如果是,向所述终端发送更新后的第二人脸识别模型。
可选的,一种具体实现方式中,所述终端检测所存储的第一人脸识别模型与所述云端服务器所存储的第二人脸识别模型是否相同,包括:检测所述终端是否正在接收所述云端服务器发送的第二人脸识别模型;如果是,确定所存储的第一人脸识别模型与云端服务器所存储的第二人脸识别模型不同。
可选的,一种具体实现方式中,所述云端服务器,还用于在得到更新后的第二人脸识别模型后,更新所存储的第二人脸识别模型的版本号,得到更新后的版本号,并在向所述终端发送更新后的第二人脸识别模型时,向所述终端发送更新后的版本号;所述终端,还用于接收所述云端服务器发送的版本号,并将所述终端所记录的所述第一人脸识别模型的版本号替换为所接收到的版本号。
可选的,一种具体实现方式中,所述云端服务器还用于:基于更新后的所述样本人脸图像库,更新所存储的人脸识别门限值,得到更新后的人脸识别门限值;所述云端服务器基于所述第二人脸识别模型对所述待识别人脸图像进行识别,包括:基于所述第二人脸识别模型和更新后的人脸识别门限值,对所述待识别人脸图像进行识别。
可选的,一种具体实现方式中,所述云端服务器,还用于向所述终端发送更新后的人脸识别门限值;所述终端,还用于接收所述云端服务器发送的人脸识别门限值,并将所述终端存储的人脸识别门限值替换为所接收到的人脸识别门限值。
可选的,一种具体实现方式中,所述云端服务器基于更新后的所述样本人脸图像库,更新所存储的人脸识别门限值,得到更新后的人脸识别门限值的步骤,包括:对更新后的所述样本人脸图像库中的全部样本人脸图像进行分组;其中,所得到的每个样本人脸图像组中所包括的各个人脸图像对应于同一人员身份;针对每个包括多个人脸图像的样本人脸图像组,计算该样本人脸图像组中,每两个人脸图像的第一差异值,将所得到的各个第一差异值中的最大值确定为该样本人脸图像组的第一候选值;并针对该样本人脸图像组中的每个人脸图像,计算该人脸图像与所述样本人脸图像库中不属于该样本人脸图像组的各个样本人脸图像的第二差异值,将所得到的各个第二差异值中的最小值确定为该样本人脸图像组的第二候选值;针对每个包括一个人脸图像的样本人脸图像组,将0确定为该组样本人脸图像的第一候选值,并计算该样本人脸图像组中的人脸图像与所述样本人脸图像库中除该人脸图像之外的各个样本人脸图像的第三差异值,将所得到的各个第三差异值中的最小值确定为该样本人脸图像组的第二候选值;将各个样本人脸图像组的第一候选值中的最大值确定为第一备用值;并将各个样本人脸图像组的第二候选值中的最小值确定为第二备用值;基于所述第一备用值和所述第二备用值,更新后的人脸识别门限值。
第二方面,本发明实施例提供了一种人脸识别方法,应用于人脸识别系统中的云端服务器,所述人脸识别系统包括所述云端服务器和终端,所述方法包括:接收所述终端发送的待识别人脸图像;其中,所述待识别人脸图像是所述终端在检测到所述终端所存储的第一人脸识别模型与所述云端服务器所存储的第二人脸识别模型不同时,向所述云端服务器发送;基于所述第二人脸识别模型对所述待识别人脸图像进行识别,得到识别结果;其中,在云端服务器中存储的样本人脸图像库更新时,利用更新后的所述样本人脸图像库更新所述第二人脸识别模型;向所述终端发送所述识别结果。
第三方面,本发明实施例提供了一种人脸识别方法,应用于人脸识别系统中的终端,所述人脸识别系统包括云端服务器和所述终端,所述方法包括:获取待识别人脸图像;检测所述终端所存储的第一人脸识别模型与所述云端服务器所存储的第二人脸识别模型是否相同;如果不同,向所述云端服务器发送所述待识别人脸图像,以使所述云端服务器基于所述第二人脸识别模型对所述待识别人脸图像进行识别,得到识别结果,并向所述终端发送所述识别结果;接收所述云端服务器发送的识别结果。
第四方面,本发明实施例还提供了一种云端服务器,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;存储器,用于存放计算机程序;处理器,用于执行存储器上所存放的程序时,实现上述第二方面提供的一种人脸识别方法。
第五方面,本发明实施例还提供了一种终端,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;存储器,用于存放计算机程序;处理器,用于执行存储器上所存放的程序时,实现上述第三方面提供的一种人脸识别方法。
第六方面,一种计算机可读存储介质,所述计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现上述第二方面提供的一种人脸识别方法,或者,上述第三方面提供的一种人脸识别方法。
第七方面,本发明实施例提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述第二方面提供的一种人脸识别方法,或者,上述第三方面提供的一种人脸识别方法。
本发明实施例有益效果:
应用本发明实施例提供的方案,用于进行人脸识别的人脸识别系统中包括云端服务器和终端,其中,终端在获取到待识别人脸图像时,可以首先检测自身所存储的第一人脸识别模型与云端服务器所存储的第二人脸识别模型是否相同。进而,当检测结果不同时,终端便可以将该待识别人脸图像发送给该云端服务器。这样,该云端服务器便可以基于自身所存储的第二人脸识别模型对该待识别人脸图像进行识别,得到识别结果,并将该识别结果发送给终端。
其中,云端服务器中存储有样本人脸图像库,并且,在该样本人脸图像库更新时,云端服务器便可以利用更新后的样本人脸图像库,对自身所存储的第二人脸识别模型进行更新。这样,在每次更新样本人脸图像库时,云端服务器均可以基于更新后的样本人脸图像库,更新所存储的第二人脸识别模型,以使得在样本人脸图像库的逐渐更新过程中,云端服务器始终存储有学习了最新的样本人脸图像库中的人脸图像的图像特征的第二人脸识别模型,从而,该第二人脸识别模型可以具有较高的识别准确度。进而,当终端所存储的第一人脸识别模型不是云端服务器所存储的第二人脸识别模型时,可以利用云端服务器所存储的第二人脸识别模型对待识别人脸图像进行识别,以得到具有较高准确度的识别结果。这样,便可以通过逐渐更新样本人脸图像库,并利用逐渐更新的样本人脸图像库逐渐更新人脸识别模型,使得终端可以始终获取到具有较高准确度的待识别人脸图像的识别结果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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为本发明实施例提供的一种人脸识别系统的结构示意图;
图2为本发明实施例提供的一种人脸识别系统的信令交互图;
图3(a)检测到人脸中的关键点的数量为5点的一种示意图;
图3(b)检测到人脸中的关键点的数量为68点的一种示意图;
图3(c)为图3(b)的关键点表征的一种示意图;
图4(a)为待识别人脸图像中的人脸区域为非垂直区域的一种示意图;
图4(b)为对图4(a)进行对齐后所得到的对齐后的待识别人脸图像中的人脸区域为垂直区域的一种示意图;
图5为第一特征向量和某个第二特征向量在二维坐标系中的一种示意图;
图6为本发明实施例提供的另一种人脸识别系统的结构示意图;
图7为本发明实施例提供的一种应用于人脸识别系统的云端服务器的人脸识别方法的流程示意图;
图8为本发明实施例提供的一种应用于人脸识别系统的终端的人脸识别方法的流程示意图;
图9为本发明实施例提供的一种云端服务器的结构示意图;
图10为本发明实施例提供的一种终端的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
相关技术中,用于进行人脸识别的系统可以包括云端服务器和终端。其中,云端服务器用于利用样本人脸图像库进行初始模型训练,并将训练得到的人脸识别模型发送给终端,从而,终端在接收到云端服务器发送的人脸识别模型后,可以利用该人脸识别模型对获取到的待识别人脸图像进行识别,得到识别结果。
然而,在上述相关技术中,由于人员流动等原因,待识别人脸图像所对应的人员身份会逐渐发生变化,例如,可以逐渐添加新的待识别人脸图像,从而,使得所得到的人脸识别模型的识别准确度逐渐降低,导致终端所得到的识别结果的准确度逐渐降低。
为了解决上述技术问题,本发明实施例提供了一种人脸识别系统,该人脸识别系统可以包括云端服务器和终端,且该云端服务器和该终端可以通过无线网络或者有线网络进行网络连接,以实现二者之间的交互。
其中,该人脸识别系统可以适用于任一需要进行人脸识别的应用场景,例如,门禁系统、车载的驾乘人员识别系统等。并且,该人脸识别系统中所包括的终端可以为手机、平板电脑、摄像头等能够进行人脸识别的任一类型的电子设备;该人脸识别系统中所包括的云端服务器可以是一个作为服务器的独立的电子设备,也可以是有多台电子设备构成的服务器集群。这都是合理的。
进而,该人脸识别系统中的终端,可以用于获取待识别人脸图像;检测所存储的第一人脸识别模型与所述云端服务器所存储的第二人脸识别模型是否相同;如果不同,向所述云端服务器发送所述待识别人脸图像;
相应的,该人脸识别系统中的云端服务器,可以用于接收所述待识别人脸图像;基于所述第二人脸识别模型对所述待识别人脸图像进行识别,得到识别结果,并向所述终端发送所述识别结果;其中,在所述云端服务器中存储的样本人脸图像库更新时,利用更新后的所述样本人脸图像库更新所述第二人脸识别模型;
进而,该人脸识别系统中的终端,还可以用于接收所述识别结果。
以上可见,应用本发明实施例提供的方案,用于进行人脸识别的人脸识别系统中包括云端服务器和终端,其中,终端在获取到待识别人脸图像时,可以首先检测自身所存储的第一人脸识别模型与云端服务器所存储的第二人脸识别模型是否相同。进而,当检测结果不同时,终端便可以将该待识别人脸图像发送给该云端服务器。这样,该云端服务器便可以基于自身所存储的第二人脸识别模型对该待识别人脸图像进行识别,得到识别结果,并将该识别结果发送给终端。
其中,云端服务器中存储有样本人脸图像库,并且,在该样本人脸图像库更新时,云端服务器便可以利用更新后的样本人脸图像库,对自身所存储的第二人脸识别模型进行更新。这样,在每次更新样本人脸图像库时,云端服务器均可以基于更新后的样本人脸图像库,更新所存储的第二人脸识别模型,以使得在样本人脸图像库的逐渐更新过程中,云端服务器始终存储有学习了最新的样本人脸图像库中的人脸图像的图像特征的第二人脸识别模型,从而,该第二人脸识别模型可以具有较高的识别准确度。进而,当终端所存储的第一人脸识别模型不是云端服务器所存储的第二人脸识别模型时,可以利用云端服务器所存储的第二人脸识别模型对待识别人脸图像进行识别,以得到具有较高准确度的识别结果。这样,便可以通过逐渐更新样本人脸图像库,并利用逐渐更新的样本人脸图像库逐渐更新人脸识别模型,使得终端可以始终获取到具有较高准确度的待识别人脸图像的识别结果。
下面,结合附图对本发明实施例提供的一种人脸识别系统进行具体说明。
图1为本发明实施例提供的一种人脸识别系统的结构示意图。如图1所示,该人脸识别系统可以包括云端服务器101和终端102;
其中,终端102,用于获取待识别人脸图像;检测所存储的第一人脸识别模型与云端服务器101所存储的第二人脸识别模型是否相同;如果不同,向云端服务器101发送待识别人脸图像;
云端服务器101,用于接收待识别人脸图像;基于第二人脸识别模型对待识别人脸图像进行识别,得到识别结果,并向终端102发送识别结果;其中,在云端服务器101中存储的样本人脸图像库更新时,利用更新后的样本人脸图像库更新第二人脸识别模块;
终端102,还用于接收识别结果。
在上述人脸识别系统中,终端102可以通过多种方式获取待识别人脸图像。例如,当终端102具有图像采集装置时,示例性的,终端102可以为具有摄像头的手机、具有人脸识别功能的摄像机等,则终端102可以通过自身的图像采集装置对用户进行人脸图像采集,得到待识别人脸图像;又例如,终端102也可以获取其他电子设备发送的待识别人脸图像。这都是合理的。
可选的,上述待识别人脸图像可以是:通过对所采集到的人员图像进行人脸检测,所得到的该人员图像中人脸位置所在的长方形图像区域。
其中,人脸检测可以通过DNN(Deep Neural Network,深层神经网络)模型实现,例如,基于MTCNN的人脸检测模型(Multi-task Cascaded Convolutional Networks,多任务卷积神经网络)、FisherFace人脸检测模型、基于SSD(Single Shot MultiBox Detector)的人脸检测模型、基于YOLOx的人脸识别模型(You Only Look Once)等。并且,当前较为常用的人脸识别深度神经网络模型为RetinaFace。
进而,在利用模型进行人脸检测时,模型的输入为所采集到的人员图像,检测后输出的即为该人员图像中人脸位置所在的长方形图像区域。其中,针对该人员图像中的每个人脸区域,输出一个长方形图像区域。
并且,在利用模型进行人脸检测时,还可以在所输出的该人员图像中人脸位置所在的长方形图像区域中,检测得到该人脸中的关键点。其中,该关键点的数量可以为5点,也可以为68点。
例如,如图3(a)所示,所检测到关键点的数量为5点,包括两只眼睛、鼻子和两个嘴角。如图3(b)所示,所检测到的关键点的数量为68点,从而,可以包含该人脸中的更准确的位置,其中,图3(c)为图3(b)的关键点表征。
在获取到待识别人脸图像后,终端102可以进一步检测自身所存储的第一人脸识别模型与云端服务器101所存储的第二人脸识别模型是否相同。
为了实现在对逐渐更新的待识别人脸图像进行识别时,终端102可以始终获取到具有较高准确度的识别结果,因此,在对待识别人脸图像进行识别时,希望可以使用学习了最新的样本人脸图像库中的各个样本人脸图像的图像特征的人脸识别模型进行识别。
由于云端服务器101中在所存储的样本人脸图像库更新时,可以利用更新后的样本人脸图像库对所存储的第二人脸识别模型进行更新,因此,云端服务器101中所存储的第二人脸识别模型是云端服务器101基于最近一次更新后的参考人脸图像库,对所存储的第二人脸识别模型进行更新后得到的,也就是说,该第二人脸识别模型学习了最新的样本人脸图像库中的人脸图像的图像特征。
其中,可选的,一种具体实现方式中,上述样本人脸图像库的更新可以包括:在样本人脸图像库中增加新的样本人脸图像和/或替换样本人脸图像库中的样本人脸图像。
例如,当企业增加新的员工时,可以将该新员工的人脸图像作为新的样本人脸图像增加到样本人脸图像库中;又例如,当企业的某个在职员工的外貌发生变化时,示例性的,改变发型等,可以利用该员工外貌发生变化后的新的人脸图像替换样本人脸图像库中原有的该员工的人脸图像。
这样,在对待识别人脸图像进行识别时,若利用该第二人脸识别模型进行识别,则终端102可以获取到具有较高准确度的识别结果。基于此,在获取到待识别人脸图像时,终端102便可以首先检测自身所存储的第一人脸识别模型与云端服务器101所存储的第二人脸识别模型是否相同。
其中,当终端102检测到自身所存储的第一人脸识别模型与云端服务器101所存储的第二人脸识别模型不同时,则说明终端自身所存储的第一人脸识别模型不是第二人脸识别模型,从而,该第一人脸识别模型没有学习到最新的样本人脸图像库中的人脸图像的图像特征,从而,该第一人脸识别模型的识别准确率低于云端服务器101所存储的第二人脸识别模型的识别准确率。
在上述终端102所存储的第一人脸识别模型与云端服务器101所存储的第二人脸识别模型不同的情况下,终端102便可以将该待识别人脸图像发送给云端服务器101。这样,云端服务器101可以接收该待识别人脸图像,基于自身所存储的第二人脸识别模型对该待识别人脸图像进行识别,得到识别结果。并且,云端服务器101可以向终端102发送所得到的识别结果,从而,终端102接收云端服务器101发送的识别结果。至此,终端102可以在没有执行具体的识别动作的情况下,得到待识别人脸图像的识别结果,且该识别结果可以具有较高的识别准确率。
相应的,当终端102检测到自身所存储的第一人脸识别模型与云端服务器101所存储的第二人脸识别模型相同时,则说明终端自身所存储的第一人脸识别模型是第二人脸识别模型,从而,该第一人脸识别模型学习了最新的样本人脸图像库中的人脸图像的图像特征。
在上述终端102所存储的第一人脸识别模型与云端服务器101所存储的第二人脸识别模型相同的情况下,终端102便可以在本地利用自身所存储的第一人脸识别模型对待识别人脸图像进行识别,得到识别结果,且该识别结果可以具有较高的识别准确率。
以上可见,应用本发明实施例提供的方案,用于进行人脸识别的人脸识别系统中包括云端服务器和终端,其中,终端在获取到待识别人脸图像时,可以首先检测自身所存储的第一人脸识别模型与云端服务器所存储的第二人脸识别模型是否相同。进而,当检测结果不同时,终端便可以将该待识别人脸图像发送给该云端服务器。这样,该云端服务器便可以基于自身所存储的第二人脸识别模型对该待识别人脸图像进行识别,得到识别结果,并将该识别结果发送给终端。
其中,云端服务器中存储有样本人脸图像库,并且,在该样本人脸图像库更新时,云端服务器便可以利用更新后的样本人脸图像库,对自身所存储的第二人脸识别模型进行更新。这样,在每次更新样本人脸图像库时,云端服务器均可以基于更新后的样本人脸图像库,更新所存储的第二人脸识别模型,以使得在样本人脸图像库的逐渐更新过程中,云端服务器始终存储有学习了最新的样本人脸图像库中的人脸图像的图像特征的第二人脸识别模型,从而,该第二人脸识别模型可以具有较高的识别准确度。进而,当终端所存储的第一人脸识别模型不是云端服务器所存储的第二人脸识别模型时,可以利用云端服务器所存储的第二人脸识别模型对待识别人脸图像进行识别,以得到具有较高准确度的识别结果。这样,便可以通过逐渐更新样本人脸图像库,并利用逐渐更新的样本人脸图像库逐渐更新人脸识别模型,使得终端可以始终获取到具有较高准确度的待识别人脸图像的识别结果。
也就是说,在本发明实施例提供的方案中,在云端服务器进行升级,以更新人脸识别模型时,终端并不会对云端服务器的升级造成影响。并且,在云端服务器升级后,如果终端所存储的第一人脸识别模型未来得及更新,从而,终端所存储的第一人脸识别模型与云端服务器所存储的第二人脸识别模型不同时,那么,在终端更新完成自身所存储的第一人脸识别模型,以使得终端所存储的第一人脸识别模型与云端服务器所存储的第二人脸识别模型相同之前的时间段内,终端可以将待识别人脸图像发送给云端服务器进行处理,从而,在终端所存储的第一人脸识别模型未更新时,以及更新过程中,云端服务器可以辅助终端完成对待识别人脸图像的识别,以使终端得到识别结果。
可选的,一种具体实现方式中,终端102还可以用于:执行预设的与所得到的识别结果相匹配的操作。
在本具体实现方式中,在得到待识别人脸图像的识别结果后,终端102便可以根据预先设置的操作规则,执行预设的与该识别结果相匹配的操作。
例如,在门禁系统中,终端102可以根据待识别人脸图像的识别结果,确定是否开门,示例性的,当识别结果为是时,终端102可以控制门打开;当识别结果为否时,终端可以发出提示音,并控制门保持关闭状态。
又例如,在车载的驾乘人员识别系统中,终端102可以根据待识别人脸图像的识别结果调整座椅靠背等,示例性的,当识别结果表示待识别人脸图像对应的人员为A时,终端102可以从预设的人员与座椅靠背倾斜角度的对应关系中,获取人员A对应的座椅靠背倾斜角度,并控制座椅靠背进行移动,以达到所获取到的座椅靠背倾斜角度。
其中,在本具体实现方式中,终端102在执行预设的与所得到的识别结果相匹配的操作时,所依据的识别结果可以是在本地基于该第一人脸识别模型对上述待识别人脸图像进行识别得到的识别结果,也可以是接收到的云端服务器101发送的识别结果,即该识别结果可以是云端服务器101基于所存储的第二人脸识别模型对上述待识别人脸图像进行识别得到的识别结果。这都是合理的。
其中,本发明实施例提供的一种人脸识别系统的正常运行是基于云端服务器101和终端102之间的交互正常实现的。
基于此,为了保证云端服务器101和终端102之间的交互能够正常进行,可选的,云端服务器101和终端102可以通过心跳机制周期性地进行网络状态检测,以检测二者之间的网络以及二者自身是否存在故障。
例如,云端服务器101可以按照预设周期,每隔预设周期对应的时长向终端102发送带有序号的数据报文,终端102在接收到该数据报文后,便可以在制定时长内向云端服务器101反馈携带有同样序号的应答信息。这样,当云端服务器101在指定时间内未接收到终端102反馈的应答信息时,便可以说明二者之间的网络和/或终端102出现故障。
又例如,终端102可以按照预设周期,每隔预设周期对应的时长向云端服务器101发送带有序号的数据报文,云端服务器101在接收到该数据报文后,便可以在制定时长内向终端102反馈携带有同样序号的应答信息。这样,当终端102在指定时间内未接收到云端服务器101反馈的应答信息时,便可以说明二者之间的网络和/或云端服务器101出现故障。
进而,可选的,一种具体实现方式中,终端102检测所存储的第一人脸识别模型与云端服务器101所存储的第二人脸识别模型是否相同,包括:
若检测到终端102与云端服务器101之间的交互正常,则检测终端所存储的第一人脸识别模型与云端服务器101所存储的第二人脸识别模型是否相同;
若检测到终端102与云端服务器101之间的交互故障,则基于终端所存储的第一人脸识别模型对待识别人脸图像进行识别,得到识别结果。
也就是说,终端102在获取到待识别人脸图像后,可以首先检测自身与云端服务器101之间的交互是否正常,例如,终端102与云端服务器101之间的网络是否出现故障、云端服务器101是否出现故障等。
其中,在检测到终端102与云端服务器101之间的交互正常时,终端102则可以进一步检测所存储的第一人脸识别模型与云端服务器101所存储的第二人脸识别模型是否相同。
相应的,在检测到终端102与云端服务器101之间的交互故障时,例如,终端101与云端服务器101之间的网络出现故障,和/或,云端服务器101出现故障,则终端102可以直接基于所存储的第一人脸识别模型对待识别人脸图像进行识别,得到识别结果。也就是说,在检测到终端102与云端服务器101之间的交互故障时,无论终端102所存储的第一人脸识别模型与云端服务器101所存储的第二人脸识别模型是否相同,终端102均可以直接基于所存储的第一人脸识别模型对待识别人脸图像进行识别,得到识别结果。
为了便于理解上述本发明实施例提供的一种人脸识别系统中云端服务器101和终端102的交互过程,如图2所示,为本发明实施例提供的一种人脸识别系统的信令交互图。其中,该人脸识别系统中云端服务器101和终端102的交互过程可以包括如下步骤:
S201:终端102获取待识别人脸图像;
S202:终端102检测所存储的第一人脸识别模型与云端服务器101所存储的第二人脸识别模型是否相同;如果否,终端执行步骤S203;如果是,终端执行步骤S204;
S203:当检测结果为不同时,终端102向云端服务器101发送待识别人脸图像。
S204:当检测结果为相同时,终端102基于所存储的第一人脸识别模型对待识别人脸图像进行识别,得到识别结果。
S205:云端服务器101接收待识别人脸图像;
S206:云端服务器101基于所存储的第二人脸识别模型对待识别人脸图像进行识别,得到识别结果;
S207:云端服务器101向终端102发送识别结果。
S208:终端102接收识别结果。
由于云端服务器101在存储的样本人脸图像库更新时,可以利用更新后的样本人脸图像库更新所存储的第二人脸识别模型,因此,云端服务器101中所存储的第二人脸识别模型即为学习了最新的样本人脸图像库中的人脸图像的图像特征的人脸识别模型,并且,可以认为云端服务器101中在每次利用更新后的样本人脸图像库更新所存储的第二人脸识别模型后,所得到的更新后的第二人脸识别模型为最新的第二人脸识别模型。
基于此,为了使得终端102中同样可以存储有上述最新的人脸识别模型,可选的,一种具体实现方式中:
云端服务器101,还可以用于:在每次得到更新后的第二人脸识别模型时,向终端102发送更新后的第二人脸识别模型。
相应的,在本具体实现方式中:
终端102,还可以用于:接收云端服务器发送的第二人脸识别模型,并将终端102所存储的第一人脸识别模型替换为接收到的第二人脸识别模型。
在本具体实现方式中,在最初构建该人脸识别系统时,云端服务器101可以基于最初的样本人脸图像库中的各个样本人脸图像训练得到最初的人脸识别模型,显然,该最初的人脸识别模型即为构建该人脸识别系统时,云端服务器101所存储的第二人脸识别模型。
进而,在人脸识别系统构建完成后的运行过程中,可以随时更新样本人脸图像库,其中,在每次更新样本人脸图像库后,云端服务器101便可以基于更新后的样本人脸图像库对所存储的第二人脸识别模型进行更新,得到更新后的第二人脸识别模型,该第二人脸识别模型即为学习了更新后的样本人脸图像库中的人脸图像的图像特征的人脸识别模型。
也就是说,在每次更新样本人脸图像库时,云端服务器101中存储有第二人脸识别模型,且该第二人脸识别模型是基于此次样本人脸图像库更新之前,云端服务器101所存储的样本人脸图像库中的人脸图像训练得到的。进而,在更新样本人脸图像库后,云端服务器101便可以基于更新后的样本人脸图像库进一步更新所存储的第二人脸识别模型,得到更新后的第二人脸识别模型,该更新后的第二人脸识别模型可以理解为:此次样本人脸图像库更新后的第二人脸识别模型,即最新的第二人脸识别模型。
例如,在构建人脸识别系统时,云端服务器101基于最初的样本人脸图像库,训练得到了第二人脸识别模型B0,则该第二人脸识别模型B0即为人脸识别系统构建完毕时的第二人脸识别模型;
一段时间后,在时刻C1,向样本人脸图像库中添加新的样本人脸图像A1,此时,云端服务器101便可以基于添加了样本人脸图像A1后所得到的人脸图像库对第二人脸识别模型B0进行更新,得到更新后的第二人脸识别模型B1;
再经过一段时间,在时刻C2,向将样本人脸图像库中原有的样本人脸图像A2替换为新的样本人脸图像A3,则云端服务器101便可以用样本人脸图像A3替换了样本人脸图像A2后所得到的样本人脸图像库对第二人脸识别模型B1进行更新,得到更新后的第二人脸识别模型B2;
依次类推,云端服务器101可以始终存储有学习了最近一次更新后的样本人脸图像库中的人脸图像的图像特征的第二人脸识别模型。
相应的,为了使得终端102可以直接基于自身所存储的第一人脸识别模型对待识别人脸图像进行识别,那么,终端102中所存储的第一人脸识别模型需要与云端服务器101中所存储的第二人脸识别模型相同。基于此,云端服务器101在每次得到更新后的第二人脸识别模型时,还可以向终端102发送该更新后的第二人脸识别模型。从而,终端102便可以接收到云端服务器101发送的第二人脸识别模型,并将所存储的第一人脸识别模型替换为所接收到的第二人脸识别模型。
这样,终端102在完成模型接收和模型替换后,便可以存储有与云端服务器101所存储的第二人脸识别模型相同的第一人脸识别模型,进而,在获取到待识别人脸图像时,便可以直接利用自身所存储的第一人脸识别模型进行识别,得到识别结果。
通常,终端102在基于自身所存储的第一人脸识别模型对待识别人脸图像进行识别时,该识别过程是基于该第一人脸识别模型和终端102中预设的参考人脸图像库实现的,具体的,通过第一人脸识别模型对比待识别人脸图像与上述参考人脸图像库中各个人脸图像的相似度,确定待识别人脸图像的识别结果。其中,为了保证终端102基于自身所存储的第一人脸识别模型对待识别人脸图像进行识别,所得到的识别结果的准确性,终端102中所预设的参考人脸图像库与云端服务器101中存储的样本人脸图像库可以是相同的。
基于此,在更新云端服务器101中存储的样本人脸图像库时,可以按照同样的更新方式,更新终端102中预设的参考人脸图像库。
其中,可选的,一种具体实现方式中,
云端服务器101,还可以用于在向终端102发送更新后的第二人脸识别模型时,同时发送样本人脸图像库的更新内容;
相应的,在本具体实现方式中,
终端102,还可以用于:接收云端服务器101发送的样本人脸图像库的更新内容,并利用所接收到的更新内容更新预设的参考人脸图像库。
例如,当在云端服务器101所存储的样本人脸图像库中添加新的样本人脸图像时,可以将该新的样本人脸图像发送给终端102,以使终端102可以在自身预设的参考人脸图像库中添加该新的样本人脸图像。又例如,当在云端服务器101所存储的样本人脸图像库中已有的某个样本人脸图像被新的样本人脸图像替换时,可以将该被替换的样本人脸图像的标记和新的样本人脸图像发送给终端102,以使终端102可以将该新的样本人脸图像作为新的参考人脸图像,在自身预设的参考人脸图像库中用该新的参考人脸图像替换具有该标记的已有的参考人脸图像。这都是合理的。
进一步的,在很多情况下,终端102所获取到的待识别人脸图像可以作为新的样本人脸图像添加到云端服务器101所存储的样本人脸图像库中。
基于此,可选的,一种具体实现方式中,
云端服务器101,还可以用于判断待识别人脸图像是否为新的样本人脸图像,并在判断结果为是的情况下,基于利用待识别人脸图像更新后的样本人脸图像库,更新所存储的第二人脸识别模型,得到更新后的第二人脸识别模型;向终端发送更新后的第二人脸识别模型;
相应的,在本具体实现方式中,终端102,还可以用于接收第二人脸识别模型,并将终端102所存储的第一人脸识别模型替换为第二人脸识别模型。
在本具体实现方式中,云端服务器101在接收到终端102发送的待识别人脸图像后,可以判断待识别人脸图像是否为新的样本人脸图像,进而,在判断结果为是的情况下,云端服务器101便可以将待识别人脸图像添加到样本人脸图像库中,得到利用待识别人脸图像更新后的样本人脸图像库。进而,云端服务器101便可以利用更新后的样本人脸图像库,更新所存储的第二人脸识别模型,得到更新后的第二人脸识别模型,并向终端发送更新后的第二人脸识别模型。
这样,终端102便可以接收到云端服务器101发送的第二人脸识别模型,并将所存储的第一人脸识别模型替换为所接收到的第二人脸识别模型。
其中,在判断待识别人脸图像为新的样本人脸图像的情况下,可选的,对于待识别人脸图像,云端服务器101可以在利用待识别人脸图像更新后的样本人脸图像库,进而,利用更新后的样本人脸图像库,更新所存储的第二人脸识别模型后,利用更新后的第二人脸识别模型对待识别人脸图像进行识别,得到识别结果。
此外,在判断待识别人脸图像为新的样本人脸图像的情况下,可选的,对于待识别人脸图像,云端服务器101可以在利用待识别人脸图像更新后的样本人脸图像库之前,首先利用所存储的第二人脸识别模型对待识别人脸图像进行识别,得到识别结果。进而,再利用待识别人脸图像更新后的样本人脸图像库,并利用更新后的样本人脸图像库,更新所存储的第二人脸识别模型,得到更新后的第二人脸识别模型。
可选的,一种具体实现方式中,云端服务器101可以在得到更新后的第二人脸识别模型后,即刻向终端102发送该更新后的第二人脸识别模型。
可选的,另一种具体实现方式中,云端服务器101可以基于终端102的请求向终端102发送更新后的第二人脸识别模型。其中,在本具体实现方式中,在云端服务器101向终端102发送更新后的第二人脸识别模型之前:
终端102,可以用于按照预设周期向云端服务器101发送模型更新请求。
相应的,在本具体实现方式中,
云端服务器101,可以用于在接收到终端102按照预设周期发送的模型更新请求时,确定在上一次接收到模型更新请求之后,是否更新过所存储的第二人脸识别模型;如果是,向终端102发送更新后的第二人脸识别模型。
云端服务器101在得到更新后的第二人脸识别模型后,并不一定即刻向终端102发送该更新后的第二人脸识别模型,而可以在接收到终端102按照预设周期发送的模型更新请求后,确定在上一次接收到模型更新请求之后,是否更新过所存储的第二人脸识别模型,并在确定结果为更新过时,将更新后的第二人脸识别模型发送给终端102;相应的,在未接收到终端102按照预设周期发送的模型更新请求时,或者,在接受到终端102按照预设周期发送的模型更新请求,且在上一次接收到模型更新请求之后,未更新过所存储的第二人脸识别模型时,云端服务器101不会向终端102发送更新后的第二人脸识别模型。
其中,在接受到终端102按照预设周期发送的模型更新请求,且在上一次接收到模型更新请求之后,未更新过所存储的第二人脸识别模型时,云端服务器101可以忽略该模型更新请求,也可以向终端102反馈用于表征未进行模型更新的信息。这都是合理的。
也就是说,在本具体实现方式中,云端服务器101在每次更新样本人脸图像库后,便可以基于更新后的样本人脸图像库,更新所存储的第二人脸识别模型,得到更新后的第二人脸识别模型。相应的,终端102可以按照预设周期,每隔该预设周期对应的时长,向云端服务器101发送一次模型更新请求。从而,云端服务器101在每次接收到模型更新请求后,便可以确定在上一次接收到该模型更新请求之后,是否更新过所存储的第二人脸识别模型,即确定在本次接收到模型更新请求之前的预设周期对应的时长内是否更新过所存储的第二人脸识别模型,如果是,则说明云端服务器101所存储的第二人脸识别模型,相对于终端102所存储的第一人脸识别模型进行了更新,因此,云端服务器101便可以向终端102发送自身所存储的第二人脸识别模型,以使终端102可以在接收到云端服务器101发送的第二人脸识别模型后,将自身所存储的第一人脸识别模型更新为所接收到的第二人脸识别模型。
由于模型的传输需要时间,因此,当在终端102接收云端服务器101发送的第二人脸识别模型的过程中,终端102获取到待识别人脸图像时,终端102所存储的第一人脸识别模型与云端服务器101所存储的第二人脸识别模型仍然不同。
可选的,一种具体实现方式中,终端102检测所存储的第一人脸识别模型与云端服务器101所存储的第二人脸识别模型是否相同的方式,可以包括如下步骤1:
步骤1:检测终端102是否正在接收云端服务器101发送的第二人脸识别模型;如果是,确定所存储的第一人脸识别模型与云端服务器101所存储的第二人脸识别模型不同。
在本具体实现方式中,在获取到待识别人脸图像后,终端102可以检测自身是否正在执行模型接收动作,以接收云端服务器101发送的第二人脸识别模型,如果是,则说明终端102还未完成第二人脸识别模型的接收与替换,从而,终端102便可以确定自身所存储的第一人脸识别模型与云端服务器101所存储的第二人脸识别模型不同。
相应的,如果否,则可以说明终端102已经完成第二人脸识别模型的接收与替换,从而,终端102便可以确定自身所存储的第一人脸识别模型与云端服务器101所存储的第二人脸识别模型相同。
不同的人脸识别模型可以具有不同的版本号,从而,便可以通过判断两个人脸识别模型所具有的版本号是否相同来判断该两个人脸识别模型是否相同。
可选的,一种具体实现方式中,
云端服务器101,还可以用于在得到更新后的第二人脸识别模型后,更新所存储的人脸识别模型的版本号,得到更新后的版本号,并在向终端102发送更新后的第二人脸识别模型时,向终端发送更新后的版本号;
相应的,在本具体实现方式中,
终端101,还可以用于接收云端服务器101发送的版本号,并将所记录的第一人脸识别模型的版本号替换为所接收到的版本号。
在本具体实现方式中,云端服务器101可以为不同的第二人脸识别模型添加不同的版本号,因此,在得到更新后的第二人脸识别模型后,云端服务器101可以随之更新所存储的更新前的第二人脸识别模型的版本号,得到更新后的版本号,则该更新后的版本号即为更新后的第二人脸识别模型的版本号。进而,云端服务器101在向终端102发送上述更新后的第二人脸识别模型时,便可以随之向终端102发送该更新后的版本号。
这样,终端102便可以接收上述云端服务器101发送的版本号,由于终端102在将接收到云端服务器102发送的更新后的第二人脸识别模型后,可以将所存储的第一人脸识别模型替换为所接收到的第二人脸识别模型,则终端102所记录的第一人脸识别模型的版本号与替换后所存储的第二人脸识别模型是不匹配的,因此,终端102在接收到云端服务器101发送的更新后的版本号后,可以随之将所记录的第一人脸识别模型的版本号替换为所接收到的版本号。从而,在完成模型替换和版本号替换后,终端102所存储的第一人脸识别模型即为云端服务器101发送的更新后的第二人脸识别模型,并且,所记录的版本号为云端服务器101发送的上述更新后的第二人脸识别模型的版本号。
可选的,一种具体实现方式中,终端102检测所存储的第一人脸识别模型与云端服务器101所存储的第二人脸识别模型是否相同的方式,可以包括如下步骤2:
步骤2:向云端服务器101发送版本号获取请求,以使云端服务器101在接收到版本号获取请求后,向终端102反馈所存储的版本号;当所接收到的版本号与所记录的版本号不同时,确定所存储的第一人脸识别模型与云端服务器101所存储的第二人脸识别模型不同;
在本具体实现方式中,云端服务器101和终端102分别记录有版本号,其中,云端服务器101记录有所存储的第二人脸识别模型的版本号,终端102记录有所存储的第一人脸识别模型的版本号。则当云端服务器101和终端102所记录的版本号相同时,则可以说明云端服务器所存储的第二人脸识别模型与终端102所存储的第一人脸识别模型相同。
基于此,在获取到待识别人脸图像后,终端102可以向云端服务器101发送版本号获取请求。云端服务器101在接收到该版本号获取请求,便可以向终端102反馈自身所存储的版本号。
这样,终端102便可以判断所接收到的云端服务器101反馈的版本号,与自身所存储的版本号是否相同,如果不同,则终端102可以确定所存储的第一人脸识别模型与云端服务器101所存储的第二人脸识别模型不同;如果相同,则终端102可以确定所存储的第一人脸识别模型与云端服务器101所存储的第二人脸识别模型相同。
可选的,另一种具体实现方式中,终端102检测所存储的第一人脸识别模型与云端服务器101所存储的第二人脸识别模型是否相同的方式,可以包括如下步骤3:
步骤3:向云端服务器101发送携带有所记录的版本号的判断请求,以使云端服务器101在接收到版本号判断请求后,判断所接收到的版本号与所存储的版本号是否相同,并向终端102反馈所得到的判断结果;当所接收到的判断结果为不同时,确定所存储的第一人脸识别模型与云端服务器101所存储的第二人脸识别模型不同。
在本具体实现方式中,云端服务器101和终端102分别记录有,其中,云端服务器101记录有所存储的第二人脸识别模型的版本号,终端102记录有所存储的第一人脸识别模型的版本号。则当云端服务器101和终端102所记录的版本号相同时,则可以说明云端服务器所存储的第二人脸识别模型与终端102所存储的第一人脸识别模型相同。
基于此,在获取到待识别人脸图像后,终端102可以向云端服务器101发送版本号判断请求,并且该版本号判断请求中携带有终端102所记录的版本号。云端服务器101在接收到该版本号判断请求,便可以获取终端102所记录的版本号,并判断102终端所记录的版本号与自身所存储的版本号是否相同,进而,将判断结果反馈给终端102。这样,终端102在接收到该判断结果后,便可以根据该判断结果,确定自身所存储的第一人脸识别模型与云端服务器101所存储的第二人脸识别模型是否相同。
其中,当判断结果为不同时,则终端102可以确定自身所存储的第一人脸识别模型与云端服务器101所存储的第二人脸识别模型不同;当判断结果为相同时,则终端102可以确定自身所存储的第一人脸识别模型与云端服务器101所存储的第二人脸识别模型相同。
通常,在进行人脸识别时,需要设置人脸识别门限值,从而,通过计算待识别人脸图像与预设的参考人脸图像库中的各个参考人脸图像的差异值,以及比较各个差异值与人脸识别门限值的大小关系来确定待识别人脸图像的识别结果。
其中,当人脸识别门限值设置过大时,可以导致待识别人脸图像的检出率较低,而识别结果的准确率较高;相应的,当人脸识别门限值设置过小时,可以导致待识别人脸图像的检出率较高,而识别结果的准确率较低。因此,在进行人脸识别时,需要根据应用场景的需求,综合考虑待识别人脸图像的检出率和识别结果的准确率,以确定较为合适的人脸识别门限值。
而更新样本人脸图像库,并基于更新后的样本人脸图像库更新了第二人脸识别模型后,为了能够获取到较高的识别效果,满足应用场景的人脸识别需求,可以随之更新人脸识别门限值。
可选的,一种具体实现方式中,云端服务器101,还可以用于基于更新后的样本人脸图像库,更新所存储的人脸识别门限值,得到更新后的人脸识别门限值;
相应的,云端服务器101基于第二人脸识别模型对待识别人脸图像进行识别,便可以包括:
基于第二人脸识别模型和更新后的人脸识别门限值,对待识别人脸图像进行识别。
在本具体实现方式中,在更新样本人脸图像库后,云端服务器101还可以基于更新后的样本人脸图像库,更新所存储的人脸识别门限值,从而,得到更新后的人脸识别门限值。这样,在终端102检测到自身所存储的第一人脸识别模型与云端服务器101所存储的第二人脸识别模型不同的情况下,云端服务器101在对终端102发送的待识别人脸图像进行识别时,便可以基于第二人脸识别模型和更新后的人脸识别门限值对待识别人脸图像进行识别,得到识别结果。
其中,可选的,一种具体方式中,云端服务器101基于更新后的样本人脸图像库,更新所存储的人脸识别门限值的方式,可以包括如下步骤4-8:
步骤4:对更新后的样本人脸图像库中的全部样本人脸图像进行分组;
其中,所得到的每个样本人脸图像组中所包括的各个人脸图像对应于同一人员。
步骤5:针对每个包括多个人脸图像的样本人脸图像组,计算该样本人脸图像组中,每两个人脸图像的第一差异值,将所得到的各个第一差异值中的最大值确定为该样本人脸图像组的第一候选值;并针对该样本人脸图像组中的每个人脸图像,计算该人脸图像与样本人脸图像库中不属于该样本人脸图像组的各个样本人脸图像的第二差异值,将所得到的各个第二差异值中的最小值确定为该样本人脸图像组的第二候选值;
步骤6:针对每个包括一个人脸图像的样本人脸图像组,将0确定为该样本人脸图像组的第一候选值,并计算该组样本人脸图像中的人脸图像与样本人脸图像库中除该人脸图像之外的各个样本人脸图像的第三差异值,将所得到的各个第三差异值中的最小值确定为该组样本人脸图像的第二候选值。
步骤7:将各个样本人脸图像组的第一候选值中的最大值确定为第一备用值;并将各个样本人脸图像组的第二候选值中的最小值确定为第二备用值;
步骤8:基于第一备用值和第二备用值,确定人脸识别门限值。
其中,可以通过多种方式基于第一备用值和第二备用值,确定人脸识别门限值。例如,可以从第一备用值和第二备用值的数值范围内,随机选取一个数值,作为人脸识别门限值;又例如,可以计算第一备用值和第二备用值的平均值,作为人脸识别门限值。这都是合理的。
当终端102所存储的第一人脸识别模型与云端服务器101所存储的第二人脸识别模型相同时,终端102可以在本地基于所存储的第一人脸识别模型对待识别人脸图像进行识别得到识别结果,而由于云端服务器101在基于更新后的样本人脸图像库对所存储的第二人脸识别模型进行更新时,可以随之更新人脸识别门限值,并且,终端102在进行人脸识别时也需要利用人脸识别门限值,因此,云端服务器101可以将更新后的人脸识别门限值发送给终端102。
可选的,一种具体实现方式中,
云端服务器101,还可以用于向终端102发送更新后的人脸识别门限值;
相应的,在本具体实现方式中,
终端102,还可以用于接收云端服务器101发送的人脸识别门限值,并将终端102所存储的人脸识别门限值替换为所接收到的人脸识别门限值。
在本具体实现方式中,云端服务器101可以基于更新后的样本人脸图像库,更新云端服务器101所存储的人脸识别门限值,得到更新后的人脸识别门限值。进而,云端服务器101在向终端102发送更新后的第二人脸识别模型时,便可以随之向终端102发送更新后的人脸识别门限值。
这样,终端102便可以接收上述云端服务器101发送的人脸识别门限值,终端102在接收到该人脸识别门限值,可以随之将终端102所存储的人脸识别门限值替换为所接收到的人脸识别门限值。从而,终端102在利用自身所存储的与云端服务器所存储的第二人脸识别模型相同的第一人脸识别模型进行人脸识别时,所利用的人脸识别门限值为上述更新后的人脸识别门限值。
在很多情况下,由于光线、人脸移动、人脸距离图像采集设备较远等原因,可能导致所采集到的人脸图像清晰度较差,进而,导致出现人脸识别失败或者错误的情况发生。基于此,在对待识别人脸图像进行识别之前,可以检测该待识别人脸图像的照片质量是否满足质量要求。
可选的,一种具体实现方式中,在终端102检测所存储的第一人脸识别模型与云端服务器101所存储的第二人脸识别模型是否相同之前,终端102可以用于:
检测待识别人脸图像的质量是否满足质量要求;如果满足,检测所存储的第一人脸识别模型与云端服务器101所存储的第二人脸识别模型是否相同之前;否则,丢弃待识别人脸图像,并输出用于表征无法进行人脸识别的提示信息。
可选的,另一种具体实现方式中,在云端服务器101基于第二人脸识别模型对待识别人脸图像进行识别,得到识别结果之前,云端服务器101可以用于:
检测待识别人脸图像的质量是否满足质量要求;如果满足,基于第二人脸识别模型对待识别人脸图像进行识别,得到识别结果;否则,丢弃待识别人脸图像,并向终端102反馈用于表征无法进行人脸识别的提示信息。
相应的,在本具体实现方式中,终端102,还可以用于:接收云端服务器101反馈的用于表征无法进行人脸识别的提示信息,并输出所接收到的提示信息。
其中,在上述两个具体实现方式中,终端102可以通过多种方式输出所接收到的提示信息,例如,语音输出、文字输出等,这都是合理的。
进一步的,在上述两个具体实现方式中,终端102和云端服务器101均可以通过相同的方式检测待识别人脸图像的质量是否满足质量要求。例如,可以通过图像边缘锐度计算、图像中两眼间像素点个数计算、人脸左右倾斜角度判断等多种方式检测待识别人脸图像的质量是否满足质量要求,这都是合理的。
下面,对图像边缘锐度计算进行简要说明。
图像边缘锐度计算的本质是把图像中频率高的部分提取出来。例如,可以使用高通滤波器对原图像进行滤波,或者,可以使用带有高通滤波等效的卷积核与原图像做卷积运算,得到的结果图像中灰度值就代表了图像的高频部分,即代表了图像的尖锐的边缘,其中,灰度值越大,说明图像的边缘越尖锐。又例如,可以通过求梯度或者微分的方式,得到图像的高频部分。其中,求梯度即为求导,其结果是图像内容变化的速度,微分的结果是自变量极限变化导致因变量的变化量。
示例性的,可以使用Tenengrad函数求梯度值的方式计算图像边缘锐度。其中,Tenengrad函数使用Sobel算子提取图像水平方向和垂直方向的梯度值,该梯度值即可表示图像边缘锐度。
在图像处理中,一般认为对焦好的图像具有更尖锐的边缘,故具有更大的梯度函数值,从而,经过Sobel算子处理后的图像的平均灰度值越大,则代表图像越清晰。
其中,所谓图像梯度是对二维离散数据进行求导,其计算公式为:
G(x,y)=dx(i,j)+dy(i,j);dx=[I(i+1,j)-I(i,j)];dy=[I(i,j+1)-I(i,j)];
其中,I为图像中某个像素点的像素值,(i,j)为图像中各个像素点的像素坐标。
上述公式中的自变量为1,而在一些实施例中,还可以使用自变量为2的方式,从而,可以将上述公式中的部分公式进行变形,得到如下公式:
dx=[I(i+1,j)-I(i-1,j)]/2;dy=[I(i,j+1)-I(i,j-1)]/2。
其中,该Sobel核可以理解为对图像进行卷积计算时,在图像的X轴方向上的卷积核;相应的,在图像的Y轴方向上的卷积核即为上述在图像的X轴方向上的卷积核的转置。
这样,对图像、上述在图像的X轴方向上的卷积核,以及上述在图像的Y轴方向上的卷积核进行卷积计算的结果,即为锐化后的图像。
示例性的,可以通过拉普拉斯变换计算来得到图像的像素方差,该像素方差可以即可表示图像边缘锐度。
图像的像素方差越大说明图像边缘越尖锐,则图像越清晰。此时,拉普拉斯变换相当于一个颜色的高通滤波器,从而,图像中颜色变化较快的地方可以保留,变化较慢可以被去除,从而,实现图像的边缘检测或者边缘锐化,当检测不出图像边缘时,则说明图像比较模糊。
其中,拉普拉斯算子是二阶微分算子,对应离散数据就是二阶差分,如果离散数据是1维数据,则对应的二阶差分公式为:
此外,在图像处理中,常用的拉普拉斯卷积核还包括:
基于此,可选的,可以通过对待识别图像进行拉普拉斯变换和两眼间像素点个数计算来检测待识别人脸图像的质量是否满足质量要求。
其中,预设图像边缘锐度阈值为Q1threshold,则当计算得到的待识别人脸图像的拉普拉斯变换Q1小于Q1threshold时,则认为待识别人脸图像模糊,反之,则认为待识别人脸图像清晰;并且,预设两眼间像素点个数阈值为Q2threshold,则当计算得到的待识别人脸图像的两眼间像素点个数Q2小于Q2threshold时,则认为待识别人脸图像模糊,反之,则认为待识别人脸图像清晰。
此外,在很多情况下,由于人员的位置状态的影响,所获取到的待识别人脸图像中的人脸区域可能为非垂直区域。而由于待识别人脸图像本身是垂直的,则非垂直的人脸区域将可以影响人脸识别的准确性,则为了提高人脸识别的准确性,当待识别人脸图像中的人脸区域为非垂直区域时,可以对待识别人脸图像进行对齐,得到对齐后的待识别人脸图像。其中,该对齐后的待识别人脸图像中的人脸区域为垂直区域。
例如,如图4(a)所示,该待识别人脸图像中的人脸区域为非垂直区域,则对图4(a)进行对齐,得到如图4(b)所示的对齐后的待识别人脸图像,其中,如图4(b)所示的对齐后的待识别人脸图像中的人脸区域为垂直区域。
可选的,一种具体实现方式中,在终端102向云端服务器101发送待识别人脸图像之前,终端102可以用于:对待识别人脸图像进行对齐。
相应的,在本具体实现方式中,终端102向云端服务器101发送待识别人脸图像即可以包括:终端102向云端服务器101发送对齐后的待识别人脸图像。
相应的,在本具体实现方式中,云端服务器101接收待识别人脸图像便可以包括:云端服务器101接收对齐后的待识别人脸图像;
并且,云端服务器101基于第二人脸识别模型对待识别人脸图像进行识别,得到识别结果便可以包括:云端服务器101基于第二人脸识别模型对对齐后的待识别人脸图像进行识别,得到识别结果。
可选的,另一种具体实现方式中,在云端服务器101基于第二人脸识别模型对待识别人脸图像进行识别,得到识别结果之前,云端服务器101可以用于:对待识别人脸图像进行对齐。
相应的,在本具体实现方式中,云端服务器101基于第二人脸识别模型对待识别人脸图像进行识别,得到识别结果,便可以包括:云端服务器101基于第二人脸识别模型对对齐后的待识别人脸图像进行识别,得到识别结果。
其中,在上述两个具体实现方式中,终端102和云端服务器101均可以通过相同的方式对待识别人脸图像进行对齐。
其中,可选的,对待识别人脸图像进行对齐的方式可以为:根据所检测到的待识别人脸图像的人脸区域中的关键点,计算变换矩阵,从而,通过变换矩阵将非垂直的待识别人脸图像转换为垂直的待识别人脸图像,即通过变换矩阵对待识别人脸图像进行对齐。具体的:
由于垂直的人脸中左右脸颊、眼睛和嘴巴左右嘴角应该是对称的,例如两个眼睛所对应的关键点应该是处于同一水平线上的,也就是说,在待识别人脸图像对应的二维坐标系中,两个眼睛所对应的关键点的y坐标相同,即在待识别人脸图像对应的二维坐标系中,两个眼睛所对应的关键点的纵轴坐标相同。
基于上述规则,由于在对待识别人脸图像的人脸区域中的关键点进行检测时,所得到的人脸区域检测框的大小固定,因此,所检测到的关键点的相对位置可以是固定预知的,从而,只需要对待识别人脸图像中的人脸区域进行缩放、平移和旋转即可得到垂直的人脸区域。
需要说明的是,缩放、平移和旋转都是针对待识别人脸图像中的像素进行的,由于每个待识别人脸图像可以理解为是一个带坐标的二维矩阵,因此,通过下面的坐标进行变换。
进而,基于上述缩放矩阵、平移矩阵和旋转矩阵,假设,最终所得到的垂直的人脸区域中的关键点的矩阵为[X,Y],检测到的非垂直的人脸区域中的关键点的矩阵为[x,y],并假设,b=sinθ,a=c*cosθ,则可以得到如下结果:
进一步的,上述结果可以变形为:
再进一步的,利用最小二乘法,求得上述a、b、tx和ty即可。
这样,在求得上述a、b、tx和ty后,便可以利用上述所得到的结果:
基于上述对检测待识别图像的图像质量是否满足质量要求,以及对待识别图像进行对齐的方式的说明,在对待识别人脸图像进行识别的过程中,可以不但检测待识别图像的图像质量是否满足质量要求,而且,对待识别图像进行对齐。其中,上述两个过程可以均在云端服务器101中执行,也可以均在终端102中执行,还可以分别在云端服务器101和终端102中执行,并且,不对上述两个过程的执行顺序进行限定。
可选的,第一种具体实现方式中,在终端102检测所存储的第一人脸识别模型与云端服务器101所存储的第二人脸识别模型是否相同之前,终端102可以用于:检测待识别人脸图像的质量是否满足质量要求;如果满足,对待识别图像进行对齐;否则,丢弃待识别人脸图像,并输出用于表征无法进行人脸识别的提示信息。
相应的,在本具体实现方式中,终端102向云端服务器101发送待识别人脸图像可以包括:终端102向云端服务器101发送对齐后的待识别人脸图像。
相应的,在本具体实现方式中,云端服务器101接收待识别人脸图像便可以包括:云端服务器101接收对齐后的待识别人脸图像;
并且,云端服务器101基于第二人脸识别模型对待识别人脸图像进行识别,得到识别结果便可以包括:云端服务器101基于第二人脸识别模型对对齐后的待识别人脸图像进行识别,得到识别结果。
可选的,第二种具体实现方式中,在终端102检测所存储的第一人脸识别模型与云端服务器101所存储的第二人脸识别模型是否相同之前,终端102可以用于:对待识别图像进行对齐,并检测对齐后的待识别人脸图像的质量是否满足质量要求;如果满足,检测所存储的第一人脸识别模型与云端服务器101所存储的第二人脸识别模型是否相同;否则,丢弃对齐后的待识别人脸图像,并输出用于表征无法进行人脸识别的提示信息。
相应的,在本具体实现方式中,终端102向云端服务器101发送待识别人脸图像可以包括:终端102向云端服务器101发送对齐后的待识别人脸图像。
相应的,在本具体实现方式中,云端服务器101接收待识别人脸图像便可以包括:云端服务器101接收对齐后的待识别人脸图像;
并且,云端服务器101基于第二人脸识别模型对待识别人脸图像进行识别,得到识别结果便可以包括:云端服务器101基于第二人脸识别模型对对齐后的待识别人脸图像进行识别,得到识别结果。
可选的,第三种具体实现方式中,在云端服务器101基于第二人脸识别模型对待识别人脸图像进行识别,得到识别结果之前,云端服务器101可以用于:检测待识别人脸图像的质量是否满足质量要求;如果满足,对待识别人脸图像进行对齐;否则,丢弃对齐后的待识别人脸图像,并向终端102反馈用于表征无法进行人脸识别的提示信息。
相应的,在本具体实现方式中,终端102,还可以用于接收云端服务器101反馈的用于表征无法进行人脸识别的提示信息,并输出所接收到的提示信息;
相应的,在本具体实现方式中,云端服务器101基于第二人脸识别模型对待识别人脸图像进行识别,得到识别结果便可以包括:云端服务器101基于第二人脸识别模型对对齐后的待识别人脸图像进行识别,得到识别结果。
可选的,第四种具体实现方式中,在云端服务器101基于第二人脸识别模型对待识别人脸图像进行识别,得到识别结果之前,云端服务器101可以用于:对待识别人脸图像进行对齐,并检测对齐后的待识别人脸图像的质量是否满足质量要求;如果满足,执行基于第二人脸识别模型对对齐后的待识别人脸图像进行识别,得到识别结果;否则,丢弃对齐后的待识别人脸图像,并向终端102反馈用于表征无法进行人脸识别的提示信息。
也就是说,在本具体实现方式中,当对齐后的待识别人脸图像的质量满足质量要求时,云端服务器101基于第二人脸识别模型对待识别人脸图像进行识别,得到识别结果便可以包括:云端服务器101基于第二人脸识别模型对对齐后的待识别人脸图像进行识别,得到识别结果。
相应的,在本具体实现方式中,终端102,还可以用于接收云端服务器101反馈的用于表征无法进行人脸识别的提示信息,并输出所接收到的提示信息。
可选的,第五种具体实现方式中,在终端102检测所存储的第一人脸识别模型与云端服务器101所存储的第二人脸识别模型是否相同之前,终端102可以用于:检测待识别人脸图像的质量是否满足质量要求;如果满足,检测所存储的第一人脸识别模型与云端服务器101所存储的第二人脸识别模型是否相同;否则,丢弃待识别人脸图像,并输出用于表征无法进行人脸识别的提示信息。
相应的,在本具体实现方式中,在云端服务器101基于第二人脸识别模型对待识别人脸图像进行识别,得到识别结果之前,云端服务器101,可以用于:对待识别人脸图像进行对齐;
并且,云端服务器101基于第二人脸识别模型对待识别人脸图像进行识别,得到识别结果,便可以包括:云端服务器101基于第二人脸识别模型对对齐后的待识别人脸图像进行识别,得到识别结果。
可选的,第六种具体实现方式中,在终端102检测所存储的第一人脸识别模型与云端服务器101所存储的第二人脸识别模型是否相同之前,终端102,可以用于:对待识别图像进行对齐。
相应的,在本具体实现方式中,终端102向云端服务器101发送待识别人脸图像可以包括:终端102向云端服务器101发送对齐后的待识别人脸图像。
相应的,在本具体实现方式中,云端服务器101接收待识别人脸图像便可以包括:云端服务器101接收对齐后的待识别人脸图像;
并且,在云端服务器101基于第二人脸识别模型对待识别人脸图像进行识别,得到识别结果之前,云端服务器101可以用于检测对齐后的待识别人脸图像的质量是否满足质量要求;如果满足,基于第二人脸识别模型对对齐后的待识别人脸图像进行识别,得到识别结果;否则,丢弃对齐后的待识别人脸图像,并向终端102反馈用于表征无法进行人脸识别的提示信息。
也就是说,在本具体实现方式中,当对齐后的待识别人脸图像的质量满足质量要求时,云端服务器101基于第二人脸识别模型对待识别人脸图像进行识别,得到识别结果便可以包括:云端服务器101基于第二人脸识别模型对对齐后的待识别人脸图像进行识别,得到识别结果。
相应的,在本具体实现方式中,终端102,还可以用于接收云端服务器101反馈的用于表征无法进行人脸识别的提示信息,并输出所接收到的提示信息。
进一步的,对终端102基于所存储的第一人脸识别模型对待识别人脸图像进行识别,得到识别结果,以及云端服务器101基于第二人脸识别模型对待识别人脸图像进行识别,得到识别结果的具体方式,进行举例说明。
其中,终端102基于所存储的第一人脸识别模型对待识别人脸图像进行识别,得到识别结果的方式,与云端服务器101基于第二人脸识别模型对待识别人脸图像进行识别的方式相似,基于此,以终端102基于所存储的第一人脸识别模型对待识别人脸图像进行识别的方式为例进行说明,上述云端服务器101基于第二人脸识别模型对待识别人脸图像进行识别的方式将不再赘述。
可选的,一种具体实现方式中,终端102基于所存储的第一人脸识别模型对待识别人脸图像进行识别,得到识别结果的方式,可以包括如下步骤9-11:
步骤9:提取待识别人脸图像的第一特征向量;
步骤10:计算所提取到的第一特征向量与预设的参考人脸图像库中的各个参考人脸图像的第二特征向量的相似度,并基于所计算得到的各个相似度,确定待识别人脸图像与预设的参考人脸图像库中的各个参考人脸图像的差异值;
步骤11:基于所计算得到的各个差异值与预设的人脸识别门限值的大小关系,确定各个参考人脸图像中的第一图像,并基于第一图像对应的人员信息,得到待识别人脸图像的识别结果;
其中,第一图像为:与待识别人脸图像的差异值小于预设的人脸识别门限值的参考人脸图像。
终端102中可以预先设置有各个参考人脸图像的第二特征向量。从而,终端102便可以利用所存储的第一人脸识别模型提取待识别人脸图像的第一特征向量,并计算该第一特征向量与预设的各个第二特征向量的相似度。
在计算得到上第一特征向量和各个第二特征向量的相似度后,便可以获得待识别人脸图像与各个参考人脸图像的相似度,从而,便可以基于所计算得到的各个相似度,确定待识别人脸图像与各个参考人脸图像的差异值。
其中,可选的,待识别人脸图像与各个参考人脸图像中的第j个参考图像的差异值可以用DIFFj表示。其中,1≤j≤m,m为预设的各个参考人脸图像的数量,即预设了m个参考人脸图像。
进一步的,可选的,待识别人脸图像与各个参考人脸图像的差异值可以为:1减去待识别人脸图像与该参考人脸图像的相似度,所得到的差值。
在计算得到待识别人脸图像与各个参考人脸图像的差异值后,便可以针对每个参考人脸图像,判断待识别人脸图像与该参考人脸图像的差异值是否小于预设的人脸识别门限值。
进而,当确定出待识别人脸图像与某个参考人脸图像的差异值小于预设的人脸识别门限值时,则可以将该参考人脸图像确定为第一图像,也就是说,第一图像为:与待识别人脸图像的差异值小于预设的人脸识别门限值的参考人脸图像。
这样,由于待识别人脸图像与第一图像的差异值小于预设的人脸识别门限值,则可以说明待识别人脸图像所对应的人员身份与第一图像所对应的人员身份相同,也就是说,待识别人脸图像所对应的人员与第一图像所对应的人员为同一人员。则此时,可以确定对待识别人脸图像的人脸识别成功,进而,便可以基于第一图像对应的人员信息,得到待识别人脸图像的识别结果。
其中,可选的,第一图像对应的人员信息中可以至少包括以下各类信息中的一种:人员姓名、人员性别、人员喜好、人员籍贯、人员习惯等。当然,也可以包括其他类型的信息。
进而,可选的,可以将预设的第一图像对应的人员信息全部作为待识别人脸图像的识别结果。
可选的,也可以将预设的第一图像对应的人员信息中的部分信息作为待识别人脸图像的识别结果。
例如,车载的驾乘人脸识别系统中,可以从该第一图像对应的人员信息中选取人员喜好和人员乘车习惯,作为待识别人脸图像的识别结果。
其中,在本具体实现方式中,为了实现特征向量的相似度计算,上述待识别人脸图像的第一特征向量和各个参考人脸图像的第二特征向量为维度相同且数值类型相同的向量。
进而,可以通过多种方式计算上述第一特征向量和每个第二特征向量的相似度。例如,可以通过计算上述第一特征向量和每个第二特征向量的均方差、欧氏距离等,得到上述第一特征向量和每个第二特征向量的相似度。
示例性的,针对两个特征向量a和b,其均方差的计算公式为:
其中,σ为特征向量a和b的均方差,n为特征向量a和b的维度,ai为特征向量a中的第i个元素值,bi为特征向量b中的第i个元素值,1≤i≤n。
示例性的,针对两个特征向量a和b,其欧式距离的计算公式为:
其中,d为特征向量a和b的欧式距离,n为特征向量a和b的维度,ai为特征向量a中的第i个元素值,bi为特征向量b中的第i个元素值,1≤i≤n。
可选的,可以通过计算上述第一特征向量和每个第二特征向量的夹角余弦值,得到上述第一特征向量和每个第二特征向量的相似度。也就是说,可以将所计算得到的上述第一特征向量和每个第二特征向量的夹角余弦值,作为上述第一特征向量和每个第二特征向量的相似度。
例如,如图5所示,第一特征向量和某个第二特征向量为图5中的向量A和B,则向量A和B的夹角余弦值为:
其中,cos(θ)为向量A和B的夹角余弦值,Ax为向量A在二维图像坐标系中的横坐标,Ay为向量A在二维图像坐标系中的纵坐标,Bx为向量B在二维图像坐标系中的横坐标,By为向量B在二维图像坐标系中的纵坐标。
进一步的,向量A和B的夹角余弦值还可以为:
其中,n为特征向量A和B的维度,Ai为为特征向量A中的第i个元素值,Bi为特征向量b中的第i个元素值,1≤i≤n。
此外,可选的,一种具体实现方式中,如图6所示,为本发明实施例提供的另一种人脸识别系统的结构示意图。如图6所示,本发明实施例提供的人脸识别系统中可以包括多个终端103。
其中,在本具体实现方式中,每个终端103与云端服务器101的交互过程,与上述对图1所示人脸识别系统中,终端102与云端服务器101的交互过程相同,在此不再赘述。
也就是说,在本发明实施例提供的人脸识别系统中,可以存在一个终端,也可以存在多个终端。
相应于上述本发明实施例提供的一种人脸识别系统,本发明实施例还提供了一种人脸识别方法。
其中,该方法应用于人脸识别系统中的云端服务器,该人脸识别系统中还包括终端。如图7所示,该方法可以包括如下步骤:
S701:接收终端发送的待识别人脸图像;
其中,所述待识别人脸图像是所述终端在检测到所述终端所存储的第一人脸识别模型与所述云端服务器所存储的第二人脸识别模型不同时,向所述云端服务器发送的;
S702:基于所存储的第二人脸识别模型对待识别人脸图像进行识别,得到识别结果;
其中,在云端服务器中存储的样本人脸图像库更新时,利用更新后的所述样本人脸图像库更新所述第二人脸识别模型;
S703:向终端发送识别结果。
以上可见,应用本发明实施例提供的方案,用于进行人脸识别的人脸识别系统中包括云端服务器和终端,其中,终端在获取到待识别人脸图像时,可以首先检测自身所存储的第一人脸识别模型与云端服务器所存储的第二人脸识别模型是否相同。进而,当检测结果不同时,终端便可以将该待识别人脸图像发送给该云端服务器。这样,该云端服务器便可以基于自身所存储的第二人脸识别模型对该待识别人脸图像进行识别,得到识别结果,并将该识别结果发送给终端。
其中,云端服务器中存储有样本人脸图像库,并且,在该样本人脸图像库更新时,云端服务器便可以利用更新后的样本人脸图像库,对自身所存储的第二人脸识别模型进行更新。这样,在每次更新样本人脸图像库时,云端服务器均可以基于更新后的样本人脸图像库,更新所存储的第二人脸识别模型,以使得在样本人脸图像库的逐渐更新过程中,云端服务器始终存储有学习了最新的样本人脸图像库中的人脸图像的图像特征的第二人脸识别模型,从而,该第二人脸识别模型可以具有较高的识别准确度。进而,当终端所存储的第一人脸识别模型不是云端服务器所存储的第二人脸识别模型时,可以利用云端服务器所存储的第二人脸识别模型对待识别人脸图像进行识别,以得到具有较高准确度的识别结果。这样,便可以通过逐渐更新样本人脸图像库,并利用逐渐更新的样本人脸图像库逐渐更新人脸识别模型,使得终端可以始终获取到具有较高准确度的待识别人脸图像的识别结果。
可选的,一种具体实现方式中,所述样本人脸图像库的更新包括:在样本人脸图像库中增加新的样本人脸图像和/或替换所述样本人脸图像库中的样本人脸图像。
可选的,一种具体实现方式中,该方法还包括:判断所述待识别人脸图像是否为新的样本人脸图像,并在判断结果为是的情况下,基于利用所述待识别人脸图像更新后的所述样本人脸图像库,更新所存储的第二人脸识别模型,得到更新后的第二人脸识别模型;向所述终端发送更新后的第二人脸识别模型,以使终端接收所述云端服务器发送的第二人脸识别模型,并将所述终端所存储的第一人脸识别模型替换为接收到的第二人脸识别模型。
可选的,一种具体实现方式中,在向终端发送第二人脸识别模型的步骤之前,该方法还包括:在接收到所述终端按照所述预设周期发送的模型更新请求时,确定在上一次接收到所述模型更新请求之后,是否更新过所存储的第二人脸识别模型;如果是,向所述终端发送更新后的第二人脸识别模型。
可选的,一种具体实现方式中,该方法还包括:在得到更新后的第二人脸识别模型后,更新所存储的第二人脸识别模型的版本号,得到更新后的版本号,并在向所述终端发送更新后的第二人脸识别模型时,向所述终端发送更新后的版本号,以使终端接收所述云端服务器发送的版本号,并将所述终端所记录的所述第一人脸识别模型的版本号替换为所接收到的版本号。
可选的,一种具体实现方式中,该方法还包括:基于更新后的所述样本人脸图像库,更新所存储的人脸识别门限值,得到更新后的人脸识别门限值;则基于第二人脸识别模型对待识别人脸图像进行识别的步骤,包括:基于所述第二人脸识别模型和更新后的人脸识别门限值,对所述待识别人脸图像进行识别。
可选的,一种具体实现方式中,该方法还包括:向终端发送更新后的人脸识别门限值,以使终端接收所述云端服务器发送的人脸识别门限值,并将所述终端存储的人脸识别门限值替换为所接收到的人脸识别门限值。
可选的,一种具体实现方式中,基于更新后的所述样本人脸图像库,更新所存储的人脸识别门限值,得到更新后的人脸识别门限值的步骤,包括:对更新后的所述样本人脸图像库中的全部样本人脸图像进行分组;其中,所得到的每个样本人脸图像组中所包括的各个人脸图像对应于同一人员身份;针对每个包括多个人脸图像的样本人脸图像组,计算该样本人脸图像组中,每两个人脸图像的第一差异值,将所得到的各个第一差异值中的最大值确定为该样本人脸图像组的第一候选值;并针对该样本人脸图像组中的每个人脸图像,计算该人脸图像与所述样本人脸图像库中不属于该样本人脸图像组的各个样本人脸图像的第二差异值,将所得到的各个第二差异值中的最小值确定为该样本人脸图像组的第二候选值;针对每个包括一个人脸图像的样本人脸图像组,将0确定为该组样本人脸图像的第一候选值,并计算该样本人脸图像组中的人脸图像与所述样本人脸图像库中除该人脸图像之外的各个样本人脸图像的第三差异值,将所得到的各个第三差异值中的最小值确定为该样本人脸图像组的第二候选值;将各个样本人脸图像组的第一候选值中的最大值确定为第一备用值;并将各个样本人脸图像组的第二候选值中的最小值确定为第二备用值;基于所述第一备用值和所述第二备用值,更新后的人脸识别门限值。
相应于上述本发明实施例提供的一种人脸识别系统,本发明实施例还提供了另一种人脸识别方法。
其中,该方法应用于人脸识别系统中的终端,该人脸识别系统中还包括云端服务器。如图8所示,该方法可以包括如下步骤:
S801:获取待识别人脸图像;
S802:检测所存储的第一人脸识别模型与云端服务器所存储的第二人脸识别模型是否相同;如果不同,执行步骤S803;
S803:向云端服务器发送待识别人脸图像,以使云端服务器基于第二人脸识别模型对待识别人脸图像进行识别,得到识别结果,并向终端发送识别结果;
其中,在所述云端服务器中存储的样本人脸图像库更新时,利用更新后的所述样本人脸图像库更新所述第二人脸识别模型;
S804:接收云端服务器发送的识别结果。
以上可见,应用本发明实施例提供的方案,用于进行人脸识别的人脸识别系统中包括云端服务器和终端,其中,终端在获取到待识别人脸图像时,可以首先检测自身所存储的第一人脸识别模型与云端服务器所存储的第二人脸识别模型是否相同。进而,当检测结果不同时,终端便可以将该待识别人脸图像发送给该云端服务器。这样,该云端服务器便可以基于自身所存储的第二人脸识别模型对该待识别人脸图像进行识别,得到识别结果,并将该识别结果发送给终端。
其中,云端服务器中存储有样本人脸图像库,并且,在该样本人脸图像库更新时,云端服务器便可以利用更新后的样本人脸图像库,对自身所存储的第二人脸识别模型进行更新。这样,在每次更新样本人脸图像库时,云端服务器均可以基于更新后的样本人脸图像库,更新所存储的第二人脸识别模型,以使得在样本人脸图像库的逐渐更新过程中,云端服务器始终存储有学习了最新的样本人脸图像库中的人脸图像的图像特征的第二人脸识别模型,从而,该第二人脸识别模型可以具有较高的识别准确度。进而,当终端所存储的第一人脸识别模型不是云端服务器所存储的第二人脸识别模型时,可以利用云端服务器所存储的第二人脸识别模型对待识别人脸图像进行识别,以得到具有较高准确度的识别结果。这样,便可以通过逐渐更新样本人脸图像库,并利用逐渐更新的样本人脸图像库逐渐更新人脸识别模型,使得终端可以始终获取到具有较高准确度的待识别人脸图像的识别结果。
可选的,一种具体实现方式中,所述样本人脸图像库的更新包括:在样本人脸图像库中增加新的样本人脸图像和/或替换所述样本人脸图像库中的样本人脸图像。
可选的,一种具体实现方式中,该方法还包括:接收所述云端服务器发送的第二人脸识别模型,并将所述终端所存储的第一人脸识别模型替换为接收到的第二人脸识别模型;其中,第二人脸识别模型是云端服务器在判断出所述待识别人脸图像为新的样本人脸图像的情况下,基于利用所述待识别人脸图像更新后的所述样本人脸图像库,更新所存储的第二人脸识别模型得到的。
可选的,一种具体实现方式中,该方法还包括:按照预设周期向所述云端服务器发送所述模型更新请求,以使云端服务器在接收到所述终端按照所述预设周期发送的模型更新请求时,确定在上一次接收到所述模型更新请求之后,是否更新过所存储的第二人脸识别模型;如果是,向所述终端发送更新后的第二人脸识别模型。
可选的,一种具体实现方式中,检测所存储的第一人脸识别模型与云端服务器所存储的第二人脸识别模型是否相同的步骤,包括:检测所述终端是否正在接收云端服务器发送的第二人脸识别模型;如果是,确定所存储的第一人脸识别模型与云端服务器所存储的第二人脸识别模型不同。
可选的,一种具体实现方式中,该方法还包括:接收所述云端服务器发送的版本号,并将所述终端所记录的所述第一人脸识别模型的版本号替换为所接收到的版本号;其中,云端服务器发送的版本号是云端服务器在得到更新后的第二人脸识别模型后,对所存储的第二人脸识别模型的版本号进行更新得到的。
可选的,一种具体实现方式中,该方法还包括:接收所述云端服务器发送的人脸识别门限值,并将所述终端存储的人脸识别门限值替换为所接收到的人脸识别门限值;其中,云端服务器发送的人脸识别门限值是云端服务器基于更新后的样本人脸图像库,对所存储的人脸识别门限值进行更新得到的。
相应于上述应用于人脸识别系统中的云端服务器的人脸识别方法,本发明实施例还提供了一种云端服务器,如图9所示,包括处理器901、通信接口902、存储器903和通信总线904,其中,处理器901,通信接口902,存储器903通过通信总线904完成相互间的通信,
存储器903,用于存放计算机程序;
处理器901,用于执行存储器903上所存放的程序时,实现上述任一应用于人脸识别系统中的云端服务器的人脸识别方法的步骤。
相应于上述应用于人脸识别系统中的终端的人脸识别方法,本发明实施例还提供了一种终端,如图10所示,包括处理器1001、通信接口1002、存储器1003和通信总线1004,其中,处理器1001,通信接口1002,存储器1003通过通信总线1004完成相互间的通信,
存储器1003,用于存放计算机程序;
处理器1001,用于执行存储器1003上所存放的程序时,实现上述任一应用于人脸识别系统中的终端的人脸识别方法的步骤。
上述云端服务器和终端提到的通信总线可以是外设部件互连标准(PeripheralComponent Interconnect,PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture,EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示,图中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述云端服务器和终端与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory,RAM),也可以包括非易失性存储器(Non-Volatile Memory,NVM),例如至少一个磁盘存储器。可选的,存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(Network Processor,NP)等;还可以是数字信号处理器(Digital SignalProcessing,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
在本发明提供的又一实施例中,还提供了一种计算机可读存储介质,该计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现上述任一应用于人脸识别系统中的云端服务器的人脸识别方法的步骤,或者,所述计算机程序被处理器执行时实现上述任一应用于人脸识别系统中的终端的人脸识别方法的步骤。
在本发明提供的又一实施例中,还提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述任一应用于人脸识别系统中的云端服务器的人脸识别方法的步骤,或者,当其在计算机上运行时,使得计算机执行上述任一应用于人脸识别系统中的终端的人脸识别方法的步骤。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于方法实施例、云端服务器实施例、终端实施例、计算机可读存储介质实施例、计算机程序产品实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等,均包含在本发明的保护范围内。
Claims (9)
1.一种人脸识别系统,其特征在于,所述系统包括云端服务器和终端;
所述终端,用于获取待识别人脸图像;检测所存储的第一人脸识别模型与所述云端服务器所存储的第二人脸识别模型是否相同;如果不同,向所述云端服务器发送所述待识别人脸图像;
所述云端服务器,用于接收所述待识别人脸图像;基于所述第二人脸识别模型对所述待识别人脸图像进行识别,得到识别结果,并向所述终端发送所述识别结果;其中,在所述云端服务器中存储的样本人脸图像库更新时,利用更新后的所述样本人脸图像库更新所述第二人脸识别模型;
所述终端,还用于接收所述识别结果;
其中,所述终端检测所存储的第一人脸识别模型与所述云端服务器所存储的第二人脸识别模型是否相同,包括:
检测所述终端是否正在接收所述云端服务器发送的第二人脸识别模型;
如果是,确定所存储的第一人脸识别模型与云端服务器所存储的第二人脸识别模型不同。
2.根据权利要求1所述的系统,其特征在于,所述样本人脸图像库的更新包括:在样本人脸图像库中增加新的样本人脸图像和/或替换所述样本人脸图像库中的样本人脸图像。
3.根据权利要求1所述的系统,其特征在于,
所述云端服务器,还用于判断所述待识别人脸图像是否为新的样本人脸图像,并在判断结果为是的情况下,基于利用所述待识别人脸图像更新后的所述样本人脸图像库,更新所存储的第二人脸识别模型,得到更新后的第二人脸识别模型;向所述终端发送更新后的第二人脸识别模型;
所述终端,还用于接收所述云端服务器发送的第二人脸识别模型,并将所述终端所存储的第一人脸识别模型替换为接收到的第二人脸识别模型。
4.根据权利要求3所述的系统,其特征在于,所述云端服务器在向所述终端发送更新后的第二人脸识别模型之前,
所述终端,用于按照预设周期向所述云端服务器发送所述模型更新请求;
所述云端服务器,用于在接收到所述终端按照所述预设周期发送的模型更新请求时,确定在上一次接收到所述模型更新请求之后,是否更新过所存储的第二人脸识别模型;如果是,向所述终端发送更新后的第二人脸识别模型。
5.根据权利要求3或4所述的系统,其特征在于,
所述云端服务器,还用于在得到更新后的第二人脸识别模型后,更新所存储的第二人脸识别模型的版本号,得到更新后的版本号,并在向所述终端发送更新后的第二人脸识别模型时,向所述终端发送更新后的版本号;
所述终端,还用于接收所述云端服务器发送的版本号,并将所述终端所记录的所述第一人脸识别模型的版本号替换为所接收到的版本号。
6.根据权利要求3或4所述的系统,其特征在于,所述云端服务器还用于:
基于更新后的所述样本人脸图像库,更新所存储的人脸识别门限值,得到更新后的人脸识别门限值;
所述云端服务器基于所述第二人脸识别模型对所述待识别人脸图像进行识别,包括:
基于所述第二人脸识别模型和更新后的人脸识别门限值,对所述待识别人脸图像进行识别。
7.根据权利要求6所述的系统,其特征在于,
所述云端服务器,还用于向所述终端发送更新后的人脸识别门限值;
所述终端,还用于接收所述云端服务器发送的人脸识别门限值,并将所述终端存储的人脸识别门限值替换为所接收到的人脸识别门限值。
8.根据权利要求6所述的系统,其特征在于,所述云端服务器基于更新后的所述样本人脸图像库,更新所存储的人脸识别门限值,得到更新后的人脸识别门限值的步骤,包括:
对更新后的所述样本人脸图像库中的全部样本人脸图像进行分组;其中,所得到的每个样本人脸图像组中所包括的各个人脸图像对应于同一人员身份;
针对每个包括多个人脸图像的样本人脸图像组,计算该样本人脸图像组中,每两个人脸图像的第一差异值,将所得到的各个第一差异值中的最大值确定为该样本人脸图像组的第一候选值;并针对该样本人脸图像组中的每个人脸图像,计算该人脸图像与所述样本人脸图像库中不属于该样本人脸图像组的各个样本人脸图像的第二差异值,将所得到的各个第二差异值中的最小值确定为该样本人脸图像组的第二候选值;
针对每个包括一个人脸图像的样本人脸图像组,将0确定为该样本人脸图像组 的第一候选值,并计算该样本人脸图像组中的人脸图像与所述样本人脸图像库中除该人脸图像之外的各个样本人脸图像的第三差异值,将所得到的各个第三差异值中的最小值确定为该样本人脸图像组的第二候选值;
将各个样本人脸图像组的第一候选值中的最大值确定为第一备用值;并将各个样本人脸图像组的第二候选值中的最小值确定为第二备用值;
基于所述第一备用值和所述第二备用值,更新后的人脸识别门限值。
9.一种人脸识别方法,其特征在于,应用于人脸识别系统中的云端服务器,所述人脸识别系统包括所述云端服务器和终端,所述方法包括:
接收所述终端发送的待识别人脸图像;其中,所述待识别人脸图像是所述终端在检测到所述终端所存储的第一人脸识别模型与所述云端服务器所存储的第二人脸识别模型不同时,向所述云端服务器发送;
基于所述第二人脸识别模型对所述待识别人脸图像进行识别,得到识别结果;其中,在云端服务器中存储的样本人脸图像库更新时,利用更新后的所述样本人脸图像库更新所述第二人脸识别模型;
向所述终端发送所述识别结果;
其中,所述终端检测所存储的第一人脸识别模型与所述云端服务器所存储的第二人脸识别模型是否相同,包括:
检测所述终端是否正在接收所述云端服务器发送的第二人脸识别模型;
如果是,确定所存储的第一人脸识别模型与云端服务器所存储的第二人脸识别模型不同。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011580034.4A CN112686129B (zh) | 2020-12-28 | 2020-12-28 | 一种人脸识别系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011580034.4A CN112686129B (zh) | 2020-12-28 | 2020-12-28 | 一种人脸识别系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112686129A CN112686129A (zh) | 2021-04-20 |
CN112686129B true CN112686129B (zh) | 2022-05-13 |
Family
ID=75452738
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011580034.4A Active CN112686129B (zh) | 2020-12-28 | 2020-12-28 | 一种人脸识别系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112686129B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114882556B (zh) * | 2022-04-26 | 2024-03-15 | 西北大学 | 一种基于改进的YoloX的戏曲角色妆容脸部检测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106934364A (zh) * | 2017-03-09 | 2017-07-07 | 腾讯科技(上海)有限公司 | 人脸图片的识别方法及装置 |
CN110414376A (zh) * | 2019-07-08 | 2019-11-05 | 浙江大华技术股份有限公司 | 更新人脸识别模型的方法、人脸识别相机及服务器 |
CN110991322A (zh) * | 2019-11-29 | 2020-04-10 | 上海能塔智能科技有限公司 | 情绪识别模型的更新处理方法、装置、电子设备与介质 |
CN111401277A (zh) * | 2020-03-20 | 2020-07-10 | 深圳前海微众银行股份有限公司 | 人脸识别模型更新方法、装置、设备和介质 |
CN111444490A (zh) * | 2020-03-24 | 2020-07-24 | 中国南方电网有限责任公司 | 身份识别方法、装置、计算机设备和存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10115185B2 (en) * | 2014-12-05 | 2018-10-30 | At&T Intellectual Property I, L.P. | Dynamic image recognition model updates |
-
2020
- 2020-12-28 CN CN202011580034.4A patent/CN112686129B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106934364A (zh) * | 2017-03-09 | 2017-07-07 | 腾讯科技(上海)有限公司 | 人脸图片的识别方法及装置 |
CN110414376A (zh) * | 2019-07-08 | 2019-11-05 | 浙江大华技术股份有限公司 | 更新人脸识别模型的方法、人脸识别相机及服务器 |
CN110991322A (zh) * | 2019-11-29 | 2020-04-10 | 上海能塔智能科技有限公司 | 情绪识别模型的更新处理方法、装置、电子设备与介质 |
CN111401277A (zh) * | 2020-03-20 | 2020-07-10 | 深圳前海微众银行股份有限公司 | 人脸识别模型更新方法、装置、设备和介质 |
CN111444490A (zh) * | 2020-03-24 | 2020-07-24 | 中国南方电网有限责任公司 | 身份识别方法、装置、计算机设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112686129A (zh) | 2021-04-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2019128646A1 (zh) | 人脸检测方法、卷积神经网络参数的训练方法、装置及介质 | |
CN110020592B (zh) | 物体检测模型训练方法、装置、计算机设备及存储介质 | |
CN112016401B (zh) | 基于跨模态行人重识别方法及装置 | |
WO2019232862A1 (zh) | 嘴巴模型训练方法、嘴巴识别方法、装置、设备及介质 | |
US10445602B2 (en) | Apparatus and method for recognizing traffic signs | |
WO2019051941A1 (zh) | 车型识别方法、装置、设备及计算机可读存储介质 | |
CN112561080B (zh) | 样本筛选方法、样本筛选装置及终端设备 | |
CN113011144B (zh) | 表单信息的获取方法、装置和服务器 | |
CN112084856A (zh) | 一种人脸姿态检测方法、装置、终端设备及存储介质 | |
CN110807491A (zh) | 车牌图像清晰度模型训练方法、清晰度检测方法及装置 | |
CN110909784B (zh) | 一种图像识别模型的训练方法、装置及电子设备 | |
CN111079785A (zh) | 一种图像识别方法、装置及终端设备 | |
US10423817B2 (en) | Latent fingerprint ridge flow map improvement | |
CN112287918B (zh) | 一种人脸识别方法、装置及电子设备 | |
CN111931859B (zh) | 一种多标签图像识别方法和装置 | |
WO2020038138A1 (zh) | 样本标注方法及装置、损伤类别的识别方法及装置 | |
Molina-Moreno et al. | Efficient scale-adaptive license plate detection system | |
WO2020155790A1 (zh) | 理赔信息提取方法和装置、电子设备 | |
US20220012502A1 (en) | Activity detection device, activity detection system, and activity detection method | |
US20210383214A1 (en) | Method for learning of deep learning model and computing device for executing the method | |
Hendryli et al. | Automatic license plate recognition for parking system using convolutional neural networks | |
US11423262B2 (en) | Automatically filtering out objects based on user preferences | |
CN112686129B (zh) | 一种人脸识别系统及方法 | |
CN110175500B (zh) | 指静脉比对方法、装置、计算机设备及存储介质 | |
CN113902944A (zh) | 模型的训练及场景识别方法、装置、设备及介质 |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20220401 Address after: 430051 No. b1336, chuanggu startup area, taizihu cultural Digital Creative Industry Park, No. 18, Shenlong Avenue, Wuhan Economic and Technological Development Zone, Hubei Province Applicant after: Yikatong (Hubei) Technology Co.,Ltd. Address before: No.c101, chuanggu start up zone, taizihu cultural Digital Industrial Park, No.18 Shenlong Avenue, Wuhan Economic and Technological Development Zone, Hubei Province Applicant before: HUBEI ECARX TECHNOLOGY Co.,Ltd. |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |