CN112766013A - 一种人脸识别中进行多级筛选的识别方法 - Google Patents

一种人脸识别中进行多级筛选的识别方法 Download PDF

Info

Publication number
CN112766013A
CN112766013A CN201910998236.1A CN201910998236A CN112766013A CN 112766013 A CN112766013 A CN 112766013A CN 201910998236 A CN201910998236 A CN 201910998236A CN 112766013 A CN112766013 A CN 112766013A
Authority
CN
China
Prior art keywords
face
recognition
feature
confidence values
euclidean distance
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
Application number
CN201910998236.1A
Other languages
English (en)
Inventor
王钊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Ingenic Time Semiconductor Co ltd
Original Assignee
Shenzhen Ingenic Time Semiconductor Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen Ingenic Time Semiconductor Co ltd filed Critical Shenzhen Ingenic Time Semiconductor Co ltd
Priority to CN201910998236.1A priority Critical patent/CN112766013A/zh
Publication of CN112766013A publication Critical patent/CN112766013A/zh
Pending legal-status Critical Current

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
    • G06V40/168—Feature extraction; Face representation
    • G06V40/171—Local features and components; Facial parts ; Occluding parts, e.g. glasses; Geometrical relationships
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • 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
    • G06V40/172—Classification, e.g. identification

Landscapes

  • Engineering & Computer Science (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Human Computer Interaction (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Collating Specific Patterns (AREA)

Abstract

本发明提供了一种人脸识别中进行多级筛选的识别方法，包括以下步骤：S1，在人脸集合中选取多个特定特征的数据，分别设置为目标人脸数据库的子集；S2，进行二次人脸识别时，分别选择步骤S1中不同子集里的特征值参与欧式距离公式的运算；S3，根据步骤S2的运算结果，分别选择其中较小的置信值；S4，找出步骤S3中选择出的置信值所归属的不同子集对应的目标人脸数据库，进行比较，将对应同一目标人脸数据库较多的置信值作为识别结果。

Description

一种人脸识别中进行多级筛选的识别方法
技术领域
本发明涉及人脸图像识别技术领域，特别涉及一种人脸识别中进行多级筛选的识别方法。
背景技术
随着科技的不断发展，特别是计算机视觉技术的发展，人脸识别技术广泛应用于信息安全、电子认证等各个领域，图像特征提取方法具有良好的识别性能。人脸识别是指基于已知的人脸样本库，利用图像处理和/或模式识别技术从静态或者动态场景中，识别一个或多个人脸的技术。但是目前的人脸识别上技术具有提取处理较差、识别不够准确的问题，特别是人脸识别中相近似的不同人脸识别方法仍存在识别效率较低的问题。
发明内容
为了解决上述现有技术中存在的问题，本发明的目的在于：对面部局部特征进行多次筛选进而比较，提高识别准确性。
本发明提供一种人脸识别中进行多级筛选的识别方法，包括以下步骤：
S1，在人脸集合中选取多个特定特征的数据，分别设置为目标人脸数据库的子集；
S2，进行二次人脸识别时，分别选择步骤S1中不同子集里的特征值参与欧式距离公式的运算；
S3，根据步骤S2的运算结果，分别选择其中较小的置信值；
S4，找出步骤S3中选择出的置信值所归属的不同子集对应的目标人脸数据库，进行比较，将对应同一目标人脸数据库较多的置信值作为识别结果。
所述的欧式距离公式为：
两个n维向量a(x11,x12,…,x1n)与b(x21,x22,…,x2n)间的欧氏距离：
Figure BDA0002240431050000021
当所述的欧式距离公式的结果数值越小，说明比较的这两张图的局部越接近；这里特征值代表了面部特征。
所述的特定特征是人脸的某一局部特征。
所述的特定特征的数据是长相近似的两人的人脸局部特征中差异大的特征值。
所述的多个特定特征包括眼睛、眉毛、嘴巴、鼻子、耳朵、脸型、发型。
步骤S4中所述的识别结果是根据步骤S3中的运算结果中较小的置信值对应的同一人脸数据库较多的而决定识别出来的是哪个人。
本申请的优势在于：当我们经过一次识别，无法准确的区别近似的两个人时，需要进行二次识别，针对人脸部分的特征进行再比较，特别是，针对不同局部特征进行多次筛选，进而保证能够准确的区分具体是谁，更进一步提高识别的准确性。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，并不构成对本发明的限定。
图1是本发明的方法的流程框图示意图。
具体实施方式
目前人脸识别技术领域的术语包括：
1、人脸检测：将一张图片输入到一个检测器中，将人脸的眼睛、鼻子、嘴和人脸外接矩形的坐标信息提取出来，如果没有人脸，不会输出任何信息。
2、人脸识别库：是用来训练人脸识别模型的一种样本库。在不会产生混淆的情况下，可以简称为样本库。
3、人脸识别模型：通过使用人脸识别库来训练，可以得到人脸识别模型。使用人脸识别模型，可以对人脸提取人脸的特征值。
4、人脸的特征值：是一张人脸图片，通过人脸识别模型处理后生成的一维数据，这个数据称为该人脸的特征值。同一人的不同人脸图片，特征值间的空间距离很小。
本申请是个基于一种面部特征点估计(face landmark estimation)的方法的改进方法。这个方法由瓦希德·卡奇米(Vahid Kazemi)和约瑟菲娜·沙利文(JosephineSullivan)在2014年发明的方法。
面部特征点估计方法是基于面部的68个关键点(或特征点landmark)进行计算，得出128个测量值，这128个测量值可以代表面部特征，我们也把它称为特征值。我们为不同的脸图生成对应的特征值，然后我们比较两张脸的办法是计算它们特征值的欧式距离(置信值)。
Figure BDA0002240431050000031
当这个距离越小，说明这两张图越可能为同一个人。
这里特征值其实代表了面部特征，本发明旨在对面部局部特征进行再次的比较，提高识别准确性。
例如，一对双胞胎，他们只有右眼有细微的差别，其他特征都完全一样，因此我们采用原来的算法得出的这两人脸部比较的置信值已经很高，应用逻辑会把他们当做一个人。因此我们需要进行二次识别，只针对右眼这部分特征进行再比较，以便区分具体是谁。为了提高识别的准确性，则需要进一步进行多级筛选，选择不同的局部特征进行多次识别，进而通过选择同属于同一人脸数据库对应的置信值多的人作为最终识别出的结果。
本申请提供一种人脸识别中进行多级筛选的识别方法，包括以下步骤：
S1，在人脸集合中选取多个特定特征的数据，分别设置为目标人脸数据库的子集；
S2，进行二次人脸识别时，分别选择步骤S1中不同子集里的特征值参与欧式距离公式的运算；
S3，根据步骤S2的运算结果，分别选择其中较小的置信值；
S4，找出步骤S3中选择出的置信值所归属的不同子集对应的目标人脸数据库，进行比较，将对应同一目标人脸数据库较多的置信值作为识别结果。
所述的欧式距离公式为：
两个n维向量a(x11,x12,…,x1n)与b(x21,x22,…,x2n)间的欧氏距离：
Figure BDA0002240431050000041
当所述的欧式距离公式的结果数值越小，说明比较的这两张图的局部越接近；这里特征值代表了面部特征。
所述的特定特征是人脸的某一局部特征。
所述的特定特征的数据是长相近似的两人的人脸局部特征中差异大的特征值。
所述的多个特定特征包括眼睛、眉毛、嘴巴、鼻子、耳朵、脸型、发型。
步骤S4中所述的识别结果是根据步骤S3中的运算结果中较小的置信值对应的同一人脸数据库较多的而决定识别出来的是哪个人。
本发明的原理是放大人脸的多个局部特征的效果，并在目标人脸集合的子集中做局部特征比较，通过多个不同局部特征结果的比较统计，从而更精确的区分是哪个人。这是一种多级筛选的办法，例如100个人中眼睛大的有10人，嘴巴大的有20人，既眼睛大又嘴巴大的有3人，如此筛选理论上只要次数足够多总能精确的筛选出正确的人。
本方法实现还涉及神经网络训练过程，具体过程如下。
1，假设我们的人脸数据库装了100个人的面部特征；
2，在一次识别过程中，我们用A图识别出这个100个人有两个人R1和R2都是非常匹配的，因此机器无法区分他们，这时通过人工参与，告诉机器正确答案，R1才是A图上的人；
3，机器这时会提交一个学习任务，在今后会不断的训练识别R1和R2；4，这个学习任务是这样进行的，他会定期拍3张照片，两张R1的不同的照片P1，P2，一张R2的照片P3；
5，经过多次重复的训练，找出P1与P2中差异比较小，而P1跟P3差异比较大的那些特征值，得到集合S1；
6，在之后的识别中，首先还是按原来的算法在100个人中识别出R1和R2，但现在仍然不知道到底是R1还是R2；
7，这时候启动二次识别算法，只用S1里面的特征值参与欧式距离的运算，根据运算结果中较小的置信值决定识别出来的是R1还是R2；
8，同理如果第一次识别找出来的人多于2个，我们仍然可以用以上办法5二次识别，如果二次识别结果仍然大于等于2人的话，我们还可以进行多级识别。
本发明的创造性在于对原来算法的改进，做二次以上的比较，并且比较是基于原来算法的结果，并且比较是局部特征的比较而并非重复原来
的算法，并且局部比较的特征选取采用了自动学习的训练机制，具有较10高的科学性。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明实施例可以有各种更改和变化。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，均应包含在本发明的保护范围之内。

Claims (7)

1.一种人脸识别中进行多级筛选的识别方法，其特征在于，包括以下步骤：
S1，在人脸集合中选取多个特定特征的数据，分别设置为目标人脸数据库的子集；
S2，进行二次人脸识别时，分别选择步骤S1中不同子集里的特征值参与欧式距离公式的运算；
S3，根据步骤S2的运算结果，分别选择其中较小的置信值；
S4，找出步骤S3中选择出的置信值所归属的不同子集对应的目标人脸数据库，进行比较，将对应同一目标人脸数据库较多的置信值作为识别结果。
2.根据权利要求1所述的一种人脸识别中进行多级筛选的识别方法，其特征在于，所述的欧式距离公式为：
两个n维向量a(x11,x12,…,x1n)与b(x21,x22,…,x2n)间的欧氏距离：
Figure FDA0002240431040000011
3.根据权利要求2所述的一种人脸识别中进行多级筛选的识别方法，其特征在于，当所述的欧式距离公式的结果数值越小，说明比较的这两张图的局部越接近；这里特征值代表了面部特征。
4.根据权利要求1所述的一种人脸识别中进行多级筛选的识别方法，其特征在于，所述的特定特征是人脸的某一局部特征。
5.根据权利要求1所述的一种人脸识别中进行多级筛选的识别方法，其特征在于，所述的特定特征的数据是长相近似的两人的人脸局部特征中差异大的特征值。
6.根据权利要求1所述的一种人脸识别中进行多级筛选的识别方法，其特征在于，所述的多个特定特征包括眼睛、眉毛、嘴巴、鼻子、耳朵、脸型、发型。
7.根据权利要求1所述的一种人脸识别中进行多级筛选的识别方法，其特征在于，步骤S4中所述的识别结果是根据步骤S3中的运算结果中较小的置信值对应的同一人脸数据库较多的而决定识别出来的是哪个人。
CN201910998236.1A 2019-10-21 2019-10-21 一种人脸识别中进行多级筛选的识别方法 Pending CN112766013A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910998236.1A CN112766013A (zh) 2019-10-21 2019-10-21 一种人脸识别中进行多级筛选的识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910998236.1A CN112766013A (zh) 2019-10-21 2019-10-21 一种人脸识别中进行多级筛选的识别方法

Publications (1)

Publication Number Publication Date
CN112766013A true CN112766013A (zh) 2021-05-07

Family

ID=75691995

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910998236.1A Pending CN112766013A (zh) 2019-10-21 2019-10-21 一种人脸识别中进行多级筛选的识别方法

Country Status (1)

Country Link
CN (1) CN112766013A (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1341401A (zh) * 2001-10-19 2002-03-27 清华大学 基于部件主分量分析的多模式人脸识别方法
CN101281598A (zh) * 2008-05-23 2008-10-08 清华大学 基于多部件多特征融合的人脸识别方法
CN103136504A (zh) * 2011-11-28 2013-06-05 汉王科技股份有限公司 人脸识别方法及装置
CN103390154A (zh) * 2013-07-31 2013-11-13 中国人民解放军国防科学技术大学 基于进化多特征提取的人脸识别方法
CN103902961A (zh) * 2012-12-28 2014-07-02 汉王科技股份有限公司 一种人脸识别方法及装置
CN103903004A (zh) * 2012-12-28 2014-07-02 汉王科技股份有限公司 一种人脸识别多特征权值融合方法与装置
CN104036259A (zh) * 2014-06-27 2014-09-10 北京奇虎科技有限公司 人脸相似度识别方法和系统
US20170039418A1 (en) * 2013-12-31 2017-02-09 Beijing Techshino Technology Co., Ltd. Face authentication method and device

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1341401A (zh) * 2001-10-19 2002-03-27 清华大学 基于部件主分量分析的多模式人脸识别方法
CN101281598A (zh) * 2008-05-23 2008-10-08 清华大学 基于多部件多特征融合的人脸识别方法
CN103136504A (zh) * 2011-11-28 2013-06-05 汉王科技股份有限公司 人脸识别方法及装置
CN103902961A (zh) * 2012-12-28 2014-07-02 汉王科技股份有限公司 一种人脸识别方法及装置
CN103903004A (zh) * 2012-12-28 2014-07-02 汉王科技股份有限公司 一种人脸识别多特征权值融合方法与装置
CN103390154A (zh) * 2013-07-31 2013-11-13 中国人民解放军国防科学技术大学 基于进化多特征提取的人脸识别方法
US20170039418A1 (en) * 2013-12-31 2017-02-09 Beijing Techshino Technology Co., Ltd. Face authentication method and device
CN104036259A (zh) * 2014-06-27 2014-09-10 北京奇虎科技有限公司 人脸相似度识别方法和系统

Similar Documents

Publication Publication Date Title
CN106372581B (zh) 构建及训练人脸识别特征提取网络的方法
CN108647583B (zh) 一种基于多目标学习的人脸识别算法训练方法
WO2020228515A1 (zh) 伪造人脸的识别方法、装置和计算机可读存储介质
CN108108760A (zh) 一种快速人脸识别方法
CN111709313B (zh) 基于局部和通道组合特征的行人重识别方法
CN106372624B (zh) 人脸识别方法及系统
Haque et al. Two-handed bangla sign language recognition using principal component analysis (PCA) and KNN algorithm
CN106650617A (zh) 一种基于概率潜在语义分析的行人异常识别方法
CN110276252B (zh) 一种基于生成式对抗网络的抗表情干扰的人脸识别方法
Divya et al. Facial expression recognition by calculating euclidian distance for eigen faces using PCA
Krishnan et al. Conditional distance based matching for one-shot gesture recognition
Haji et al. Real time face recognition system (RTFRS)
KR20210033940A (ko) 인간 안면 인식을 위하여 신경 네트워크를 트레이닝시키는 방법
Lejbølle et al. Person re-identification using spatial and layer-wise attention
Salamh et al. A new deep learning model for face recognition and registration in distance learning
Yang et al. Multiple features fusion for facial expression recognition based on ELM
CN111666976A (zh) 基于属性信息的特征融合方法、装置和存储介质
Zhu et al. A novel simple visual tracking algorithm based on hashing and deep learning
Rakshit et al. Face Detection using Support Vector Mechine with PCA
Gaston et al. Matching larger image areas for unconstrained face identification
CN110287973B (zh) 一种基于低秩鲁棒线性鉴别分析的图像特征提取方法
Prihasto et al. A survey of deep face recognition in the wild
TW202125323A (zh) 利用人工智慧模組學習臉部辨識的處理方法
Dong et al. Kinship classification based on discriminative facial patches
Bulugu et al. Higher-order local autocorrelation feature extraction methodology for hand gestures recognition

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