CN112766014A - 一种人脸识别中进行自动学习的识别方法 - Google Patents
一种人脸识别中进行自动学习的识别方法 Download PDFInfo
- Publication number
- CN112766014A CN112766014A CN201910998238.0A CN201910998238A CN112766014A CN 112766014 A CN112766014 A CN 112766014A CN 201910998238 A CN201910998238 A CN 201910998238A CN 112766014 A CN112766014 A CN 112766014A
- Authority
- CN
- China
- Prior art keywords
- recognition
- face
- picture
- automatic learning
- feature
- 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
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 12
- 238000004364 calculation method Methods 0.000 claims abstract description 8
- 238000012549 training Methods 0.000 claims abstract description 8
- 230000008569 process Effects 0.000 claims abstract description 5
- 210000001508 eye Anatomy 0.000 claims description 7
- 230000001815 facial effect Effects 0.000 claims description 6
- 210000000887 face Anatomy 0.000 claims description 5
- 210000005069 ears Anatomy 0.000 claims description 2
- 210000004709 eyebrow Anatomy 0.000 claims description 2
- 210000000214 mouth Anatomy 0.000 claims description 2
- 210000001331 nose Anatomy 0.000 claims description 2
- 210000004209 hair Anatomy 0.000 claims 1
- 230000007774 longterm Effects 0.000 claims 1
- 239000013598 vector Substances 0.000 claims 1
- 238000011161 development Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
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
- G06V40/172—Classification, e.g. identification
-
- 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)
- Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- General Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Collating Specific Patterns (AREA)
Abstract
本发明提供了一种人脸识别中进行自动学习的识别方法,包括以下步骤:S1,在一次识别过程中,用A图识别出一个人脸数据库中有无法区别的两个人分别为R1和R2,这时通过人工参与,给出正确答案,R1才是A图中的那个人;S2,机器提交学习任务,并且会定期获得3张图片,其中2张R1的不同的图片P1、P2,1张R2的图片P3;S3,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;S4,在之后的识别中,首先还是按常规算法在100个人中识别出R1和R2,仍然不知道到底是R1还是R2;S5,这时候启动二次识别算法,只用集合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。
Description
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自动学习的识别方法。
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。特别是,在人脸识别中人工识别的参与过多,造成效率低下的问题,如何减少人为的过多参与成为人脸识别技术中的一个问题。
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:在人脸识别中机器进行自动学习,通过不断的自动学习的训练,提高人脸识别的准确性,以及减少人工的过多参与,提高效率。
本发明提供一种人脸识别中进行自动学习的识别方法,包括以下步骤:
S1,在一次识别过程中,用A图识别出一个人脸数据库中有无法区别的两个人分别为R1和R2,这时通过人工参与,给出正确答案,R1才是A图中的那个人;
S2,机器提交学习任务,并且会定期获得3张图片,其中2张R1的不同的图片P1、P2,1张R2的图片P3;
S3,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;
S4,在之后的识别中,首先还是按常规算法在100个人中识别出R1和R2,仍然不知道到底是R1还是R2;
S5,这时候启动二次识别算法,只用集合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。
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:
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。
所述的特定特征包括眼睛、眉毛、嘴巴、鼻子、耳朵、脸型、发型。
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,机器需要进行自动学习,以便进一步进行二次识别,完成最终的识别,可以提高识别效率,减少人工的参与,提高识别准确性。
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)。
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。
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的识别方法,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 (6)
1.一种人脸识别中进行自动学习的识别方法,其特征在于,包括以下步骤:
S1,在一次识别过程中,用A图识别出一个人脸数据库中有无法区别的两个人分别为R1和R2,这时通过人工参与,给出正确答案,R1才是A图中的那个人;
S2,机器提交学习任务,并且会定期获得3张图片,其中2张R1的不同的图片P1、P2,1张R2的图片P3;
S3,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;
S4,在之后的识别中,首先还是按常规算法在100个人中识别出R1和R2,仍然不知道到底是R1还是R2;
S5,启动二次识别算法,只用集合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。
3.根据权利要求1所述的一种人脸识别中进行自动学习的识别方法,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自动学习的识别方法,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自动学习的识别方法,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自动学习的识别方法,其特征在于,所述的特定特征包括眼睛、眉毛、嘴巴、鼻子、耳朵、脸型、发型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910998238.0A CN112766014A (zh) | 2019-10-21 | 2019-10-21 | 一种人脸识别中进行自动学习的识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910998238.0A CN112766014A (zh) | 2019-10-21 | 2019-10-21 | 一种人脸识别中进行自动学习的识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112766014A true CN112766014A (zh) | 2021-05-07 |
Family
ID=75691994
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910998238.0A Pending CN112766014A (zh) | 2019-10-21 | 2019-10-21 | 一种人脸识别中进行自动学习的识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112766014A (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20020074330A (ko) * | 2001-03-20 | 2002-09-30 | 삼성전자 주식회사 | 계층적 주요 성분 분석에 기반한 얼굴 인식 방법 및 장치 |
US20090185723A1 (en) * | 2008-01-21 | 2009-07-23 | Andrew Frederick Kurtz | Enabling persistent recognition of individuals in images |
CN104573644A (zh) * | 2014-12-29 | 2015-04-29 | 天津瑞为拓新科技发展有限公司 | 多模式人脸识别方法 |
-
2019
- 2019-10-21 CN CN201910998238.0A patent/CN112766014A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20020074330A (ko) * | 2001-03-20 | 2002-09-30 | 삼성전자 주식회사 | 계층적 주요 성분 분석에 기반한 얼굴 인식 방법 및 장치 |
US20090185723A1 (en) * | 2008-01-21 | 2009-07-23 | Andrew Frederick Kurtz | Enabling persistent recognition of individuals in images |
CN104573644A (zh) * | 2014-12-29 | 2015-04-29 | 天津瑞为拓新科技发展有限公司 | 多模式人脸识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Eidinger et al. | Age and gender estimation of unfiltered faces | |
US20210027048A1 (en) | Human face image classification method and apparatus, and server | |
CN112418095A (zh) | 一种结合注意力机制的面部表情识别方法及系统 | |
Wang et al. | Head pose estimation with combined 2D SIFT and 3D HOG features | |
CN108108760A (zh) | 一种快速人脸识别方法 | |
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 | |
Paul et al. | Extraction of facial feature points using cumulative histogram | |
Eckhardt et al. | Towards practical facial feature detection | |
Kacete et al. | Real-time eye pupil localization using Hough regression forest | |
Salamh et al. | A new deep learning model for face recognition and registration in distance learning | |
CN111666976A (zh) | 基于属性信息的特征融合方法、装置和存储介质 | |
Yang et al. | Multiple features fusion for facial expression recognition based on ELM | |
Zhu et al. | A novel simple visual tracking algorithm based on hashing and deep learning | |
Gaston et al. | Matching larger image areas for unconstrained face identification | |
CN109165551B (zh) | 一种自适应加权融合显著性结构张量和lbp特征的表情识别方法 | |
WO2020232697A1 (zh) | 一种在线人脸聚类的方法及系统 | |
Prihasto et al. | A survey of deep face recognition in the wild | |
Abusham | Face verification using local graph stucture (LGS) | |
Bulugu et al. | Higher-order local autocorrelation feature extraction methodology for hand gestures recognition | |
Geetha et al. | 3D face recognition using Hadoop | |
Mohamed et al. | A new method for face recognition using variance estimation and feature extraction | |
CN112766014A (zh) | 一种人脸识别中进行自动学习的识别方法 | |
Shukla et al. | Deep Learning Model to Identify Hide Images using CNN Algorithm | |
CN112766015A (zh) | 一种提高人脸识别准确性的二次识别方法 |
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 |