发明内容:
本发明的目的在于提供一种人脸识别方法,能够提高人脸识别系统的精确率和召回率。
一种人脸识别方法,其包括如下步骤:
采集目标人脸图像;
将目标人脸图像对预存的多个第一参考图像分别做相似度运算,分别取得第一相似度;
当第一相似度满足第一预设条件时,输出所述第一参考图像对应的人员身份信息,刷新所述第一参考图像对应的第二参考图像;
当第一相似度满足第二预设条件时,输出所述第一参考图像对应的人员身份信息。
优选的是,上述人脸识别方法中,还包括如下步骤:
当第一相似度满足第三预设条件时,将目标人脸图像与所述第二参考图像做相似度运算,取得第二相似度;
当第二相似度达到判定阈值时,输出该第二参考图像对应的人员身份信息。
优选的是,上述人脸识别方法中,所述相似度运算包括如下步骤:
萃取目标人脸图像的人脸特征;
基于人脸特征计算目标人脸图像和第一参考图像或第二参考图像的相似度。
优选的是,上述人脸识别方法中,所述基于人脸特征计算目标人脸图像和第一参考图像或第二参考图像的相似度包括:
计算目标人脸图像和第一参考图像或第二参考图像上对应的人脸特征之间的余弦相似度;
所述余弦相似度的计算公式为:
其中,S表示余弦相似度,X表示目标人脸图像的人脸特征,Y表示第一参考图像或第二参考图像上的人脸特征,i表示人脸特征中的元素索引,n表示人脸特征中的元素总数。
优选的是,上述人脸识别方法中:
所述第一预设条件为第一相似度达到预存的上限阈值;
所述第二预设条件为第一相似度达到预存的判定阈值,且低于上限阈值;
所述第三预设条件为第一相似度达到预存的下限阈值,且低于判定阈值。
优选的是,上述人脸识别方法中,所述刷新所述第一参考图像对应的第二参考图像包括如下步骤:
若所述第一参考图像未具备对应的第二参考图像,将目标人脸图像保存为所述第一参考图像对应的第二参考图像;
若所述第一参考图像已具备对应的第二参考图像,分别计算所述第一参考图像和所述目标人脸图像的相似度以及所述第一参考图像和所述第二参考图像的相似度,以相似度较高者作为第一参考图像对应的第二参考图像。
为实现上述人脸识别方法,本申请还公开了一种人脸识别系统,其包括:
采集模块,第一运算模块和第一执行模块;
所述采集模块用于采集目标人脸图像;
所述第一运算模块用于将目标人脸图像对预存的第一参考图像分别做相似度运算、取得第一相似度;
所述第一执行模块用于读取第一运算模块,当第一相似度达到第一预设条件时,输出所述第一参考图像对应的人员身份信息并刷新所述第一参考图像对应的第二参考图像;当第一相似度达到第二预设条件时,输出所述第一参考图像对应的人员身份信息。
优选的是,上述人脸识别系统中,还包括第二运算模块和第二执行模块,所述第二运算模块用于读取第一运算模块,当第一相似度达到第三预设条件时,将目标人脸图像与所述第一参考图像对应的第二参考图像做相似度运算并取得第二相似度;
所述第二执行模块用于读取第二运算模块,当第二相似度达到判定阈值时输出所述第二参考图像对应的人员身份信息。
本申请还公开了一种电子设备,其包括:处理器和存储器,所述存储器用于存储程序;所述处理器和存储器连接、用于调用存储于所述存储器中的程序,执行上述人脸识别方法。
本申请还进一步公开了一种计算机可读存储介质,该计算机可读存储介质中存储有计算机程序,所述计算机程序被计算机运行时执行上述人脸识别方法。
与现有技术相比,本申请的技术方案具有以下优点:在系统的不断使用过程中,通过不断积累。将最接近于参考人脸图像的目标人脸图像存储为第二参考图像,利用第二参考图像做二次比对提高人脸识别的正确识别率。同时通过不断积累正确识别和失败识别的案例,将第二参考图像进行不断的迭代优化,持续提升检测精确度。
具体实施方式
为了更清楚地说明本申请的技术方案,下面将结合各个实施例作进一步描述。
如图1所示为实施例1:
一种人脸识别方法,其包括如下步骤:
采集目标人脸图像;
将目标人脸图像对预存的第一参考图像分别做相似度运算取得第一相似度;
具体地,所述相似度运算包括以下步骤:
萃取目标人脸图像的人脸特征;
基于人脸特征计算目标人脸图像和第一参考图像的相似度,即:
计算目标人脸图像和第一参考图像或第二参考图像上对应的人脸特征之间的余弦相似度;所述余弦相似度的计算公式为:
其中,S表示余弦相似度,X表示目标人脸图像的人脸特征,Y表示第一参考图像或第二参考图像上的人脸特征,i表示人脸特征中的元素索引,n表示人脸特征中的元素总数。
当第一相似度满足第一预设条件时,输出该第一参考图像对应的人员身份信息,并刷新第一参考图像对应的第二参考图像;
所述第一相似度满足第一预设条件是指第一相似度达到预存的上限阈值。
所述刷新第一参考图像对应的第二参考图像包括如下步骤:
若该第一参考图像未具备对应的第二参考图像,将目标人脸图像保存为该第一参考图像对应的第二参考图像;若该第一参考图像已具备对应的第二参考图像,将目标人脸图像与第二参考图像对该第一参考图像的相似度做比对,以相似度较高者作为该第一参考图像对应的第二参考图像。
当第一相似度达到第二预设条件时,输出该第一参考图像对应的人员身份信息。
所述第一相似度满足所述第二预设条件为第一相似度达到预存的判定阈值,且低于上限阈值;
当第一相似度满足第三预设条件时,将目标人脸图像与该第一参考图像对应的第二参考图像做相似度运算并取得第二相似度;其中,通过相似度运算取得第二相似度的步骤与取得第一相似度的步骤相类似,在此不再赘述。当第二相似度达到判定阈值时、输出该第二参考图像对应的人员身份信息。
实施例2:
基于上述人脸识别方法对人物某甲进行多次人脸识别。本例中:设上限阈值为110,判定阈值为100,下限阈值为90。
(1)某甲首轮经过摄像区域时,其未佩戴口罩。
摄像头采集某甲的人脸图像;
萃取本次所得人脸图像的人脸特征:具体的,将该人脸图像通过卷积神经网路之后,将卷积神经网路的最后一层所产生的特征视为此人脸图像的特征。此卷积神经网路是根据以下流程训练而得到:向卷积神经网路输入训练图像和其对应的标签,并输入图像至卷积神经网路并输出相对应的人脸特征之后,再透过分类器对相对应的人脸特征进行分类并得到预测结果,在预测结果和标签之间的损失数值达到稳定不变的数值时,此卷经神经网路便训练完成。
基于人脸特征计算目标人脸图像和第一参考图像的相似度,即:
计算目标人脸图像和第一参考图像上对应的人脸特征之间的余弦相似度;所述余弦相似度的计算公式为:
其中,S表示余弦相似度,X表示目标人脸图像的人脸特征,Y表示第一参考图像或第二参考图像上的人脸特征,i表示人脸特征中的元素索引,n表示人脸特征中的元素总数。
求得某甲首轮所采集的人脸图像与其对应的第一参考图像的第一相似度为120。该第一相似度高于上限阈值,满足第一预设条件。
输出预存的某甲身份信息、将本次采集的目标人脸图像识别为某甲本人;
同时,查询是否存有对应某甲的第二参考图像,发现对应某甲的第二参考图像为空,将本轮采集的人脸图像存为某甲的第二参考图像,并记录本次第一相似度,流程结束。
(2)某甲第二轮经过摄像区域,本次某甲依然未佩戴口罩、但佩戴了眼镜。
采集人脸图像、萃取人脸特征及相似度运算的计算过程与上一轮相同,在此不再赘述。
求得某甲第二轮所采集的人脸图像与某甲的第一参考图像的第一相似度为115。该第一相似度高于上限阈值,满足第一预设条件。
输出预存的某甲身份信息,将本次采集的目标人脸图像识别为某甲本人;
同时,查询是否存有对应某甲的第二参考图像,发现已存有对应某甲的第二参考图像。
将本轮所采集的人脸图像与第二参考图像(即第一轮所采集的某甲人脸图像)对某甲的第一参考图像的相似度做比对。本轮所采集的人脸图像对某甲第一参考图像的相似度,即第一相似度为115,低于某甲当前的第二参考图像对某甲第一参考图像的相似度,故第二参考图像刷新后保持不变,流程结束。
(3)某甲第三轮经过摄像区域,本次某甲依然未佩戴口罩、但佩戴了墨镜。
采集人脸图像、萃取人脸特征及相似度运算的计算过程与上一轮相同,在此不再赘述。
求得某甲第二轮所采集的人脸图像与某甲的第一参考图像的第一相似度为105。该第一相似度高于判定阈值且低于上限阈值、满足第二预设条件。
输出预存的某甲身份信息、将本次采集的目标人脸图像识别为某甲本人,流程结束。
(4)某甲第四轮经过摄像区域,本次某甲佩戴了口罩。
采集人脸图像、萃取人脸特征及相似度运算的运算过程与上一轮相同,在此不再赘述。
求得某甲第二轮所采集的人脸图像与其对应的第一参考图像的第一相似度为95。该相似度高于下限阈值且低于判定阈值、满足第三预设条件。
将本轮所采集的人脸图像与某甲对应的第二参考图像做相似度运算、该相似度运算与求得第一相似度的过程相同、在此不再赘述,取得第二相似度为101;该第二相似度达到判定阈值时、输出该第二参考图像对应的人员身份信息。
如图2所示为实施例3:
一种人脸识别系统,其包括:采集模块1,第一运算模块2,第一执行模块3,第二运算模块4和第二执行模块5。
其中,所述采集模块1用于采集目标人脸图像;
所述第一运算模块2用于将目标人脸图像对预存的第一参考图像分别做相似度运算,取得第一相似度;所述第一执行模块3用于读取第一运算模块2,当第一相似度达到第一预设条件时,输出该第一参考图像对应的人员身份信息、并刷新该第一参考图像对应的第二参考图像;当第一相似度达到第二预设条件时,输出该第一参考图像对应的人员身份信息。
所述第二运算模块4用于读取第一运算模块2,当第一相似度达到第三预设条件时,将目标人脸图像与该第一参考图像对应的第二参考图像做相似度运算、取得第二相似度;所述第二执行模块5用于读取第二运算模块4、当第二相似度达到判定阈值时、输出该第二参考图像对应的人员身份信息。
如图3所示为实施例4:
一种电子设备,可以是但不限于个人电脑、平板电脑等设备。
该电子设备100包括:处理器110和存储器120。
应当注意,图3所示的电子设备100的组件和结构只是示例性的,而非限制性的,根据需要,电子设备100也可以具有其他组件和结构。
处理器110、存储器120以及其他可能出现于电子设备100的组件相互之间直接或间接地电性连接,以实现数据的传输或交互。例如,处理器110、存储器120相互之间可通过一条或多条通讯总线或信号线实现电性连接。
存储器120用于存储如前文所述人脸识别方法所对应的程序或者前文出现的人脸识别系统。可选的,当存储器120内存储有人脸识别系统时,该系统包括至少一个可以以软件或固件形式存储于存储器120中的软件功能模块。可选的,该软件功能模块也可以固化在电子设备100的操作系统中。
处理器110用于调用存储于所述存储器中的程序、执行前文所述人脸识别方法。例如执行:将目标人脸图像对预存的第一参考图像分别做相似度运算、取得第一相似度;当第一相似度满足第一预设条件时,输出该第一参考图像对应的人员身份信息、并刷新该第一参考图像对应的第二参考图像;当第一相似度满足第二预设条件时,输出该第一参考图像对应的人员身份信息。
本申请任一实施例所揭示的方法都可应用于处理器110中、或者由处理器110实现。
需要说明的是,本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。
在本申请所提供的上述实施例中,应该理解到,所揭露的系统和方法,也可以通过其它的方式实现。以上所描述的系统实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本申请的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
所述功能若以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读存储介质中。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或者该技术方案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中,包括若干指令用以使得一台计算机设备执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器、随机存取存储器、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本申请的具体实施例,但本申请的保护范围并不局限于此,任何熟悉本领域技术的技术人员在本申请公开的技术范围内,可轻易想到的变化或替换,都应涵盖在本申请的保护范围之内。本申请的保护范围以权利要求书的保护范围为准。