CN112766239A - 一种人脸识别方法、系统、电子设备及存储介质 - Google Patents
一种人脸识别方法、系统、电子设备及存储介质 Download PDFInfo
- Publication number
- CN112766239A CN112766239A CN202110283317.0A CN202110283317A CN112766239A CN 112766239 A CN112766239 A CN 112766239A CN 202110283317 A CN202110283317 A CN 202110283317A CN 112766239 A CN112766239 A CN 112766239A
- Authority
- CN
- China
- Prior art keywords
- face
- face image
- degree parameter
- human
- image
- 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
- G06V40/165—Detection; Localisation; Normalisation using facial parts and geometric relationships
-
- 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
- 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
Abstract
本公开提供了一种人脸识别方法,包括:实时跟踪人脸,得到多张人脸图像;针对多张人脸图像中的每一张人脸图像,获取该人脸图像中的人脸旋转程度参数、人眼睁开程度参数及人脸遮挡程度参数;根据人脸旋转程度参数、人眼睁开程度参数及人脸遮挡程度参数,从多张人脸图像中选取姿态最佳的人脸图像;对姿态最佳的人脸图像进行人脸识别。本公开还提供了一种人脸识别系统、电子设备及计算机可读存储介质。
Description
技术领域
本公开涉及人脸识别领域,具体涉及一种人脸识别方法、系统、电子设备及存储介质。
背景技术
随着我国人脸识别系统的快速发展,很多人脸识别系统也开始进入了商业化,但很多都是在理想的情况下才能取得较好的识别效果。在实际的应用环境中,存在很多诸如姿态、表情、光照、遮挡等的变化,而且由于人脸的姿态与监控摄像头的偏转角度变化多端,若采用单个监控摄像头进行图像采集会导致实际的人脸识别效果很难达到预期的结果。亟需一种能够应对人脸姿态的变化的人脸识别系统,使得人脸的姿态与监控摄像头的偏转角度具有随意性的情况下,能够获得较好的识别效果,提高识别的准确率和鲁棒性。
发明内容
本公开实施例提供的一种人脸识别方法、系统、电子设备及存储介质,降低人脸识别系统在实际应用中人脸姿态变化对识别效果的影响,有效提高人脸识别的正确率。
本公开的第一个方面提供了一种人脸识别方法,包括:实时跟踪人脸,得到多张人脸图像;针对多张人脸图像中的每一张人脸图像,获取该人脸图像中的人脸旋转程度参数、人眼睁开程度参数及人脸遮挡程度参数;根据人脸旋转程度参数、人眼睁开程度参数及人脸遮挡程度参数,从多张人脸图像中选取姿态最佳的人脸图像;对姿态最佳的人脸图像进行人脸识别。
进一步地,根据人脸旋转程度参数、人眼睁开程度参数及人脸遮挡程度参数,从该多张人脸图像中选取姿态最佳的人脸图像包括:根据每一张人脸图像的人脸旋转程度参数、人眼睁开程度参数、人脸遮挡程度参数及预置的权重来计算该张人脸图像的综合评价得分;比较每一张人脸图像的综合评价得分大小,得到综合评价得分最高的人脸图像,其中,该综合评价得分最高的人脸图像为姿态最佳的人脸图像。
进一步地,获取该人脸图像中的人脸旋转程度参数包括:将该人脸图像中各人脸器官映射至三维空间模型,得到人脸的俯仰角α、偏转角β和翻滚角γ,并根据俯仰角α、偏转角β及翻滚角γ得到人脸旋转程度参数;其中,该人脸图像的人脸旋转程度参数S满足以下关系:
进一步地,获取该人脸图像中的人眼睁开程度参数包括:计算每张人脸图像中左眼及右眼的上下眼睑距离的平均值L,该人脸图像的人眼睁开程度参数Z满足以下关系:
其中,Lmin为该多张人脸图像中的上下眼睑距离最小值,Lmax为该多张人脸图像中的上下眼睑距离最大值。
进一步地,获取该人脸图像中的人脸遮挡程度参数包括:计算该张人脸图像中非肤色像素个数占该人脸图像中总像素的比例N,则该人脸图像的人脸遮挡程度参数D满足以下关系:
其中,Nmin为该多张人脸图像中非肤色像素个数占比的最大值,Nmax为该多张人脸图像中非肤色像素个数占比的最小值。
进一步地,根据每一张人脸图像的人脸旋转程度参数、人眼睁开程度参数、人脸遮挡程度参数及预置的权重来计算该张人脸图像的综合评价得分包括:根据以下等式来计算预置的权重:
其中,WS为人脸旋转程度参数S对应的权值,WZ为人眼睁开程度参数Z对应的权值,WD为人脸遮挡程度参数D对应的权值,Smean为该多张人脸图像的人脸旋转程度参数S的均值,Zmean为该多张人脸图像的人眼睁开程度参数Z的均值;Dmean为该多张人脸图像的人脸遮挡程度参数D的均值。
进一步地,每张人脸图像的综合评价得分G满足以下关系:
G=WS(1-S)+WZZ+WD(1-D)。
进一步地,实时跟踪人脸,得到多张人脸图像之前,包括:从人脸图像中检测是否存在人脸,若存在,则定位该人脸。
进一步地,对该姿态最佳的人脸图像进行人脸识别包括:将该姿态最佳的人脸图像映射至已训练的人脸识别模型中的主成分分析子空间,计算该姿态最佳的人脸图像与预先存储的数据库中各人脸图像的相似度,并根据计算结果输出该姿态最佳的人脸图像中人脸对应的身份识别结果。
进一步地,根据计算结果输出该姿态最佳的人脸图像中人脸对应的身份识别结果包括:若该姿态最佳的人脸图像与预先存储的数据库中一人脸图像的相似度大于等于72%,则匹配成功,输出该人脸图像对应的身份信息;否则,若该姿态最佳的人脸图像与总数据库中全部人脸图像的相似度均小于72%,则匹配失败。
本公开的第二个方面提供了一种人脸识别系统,包括:人脸跟踪模块,用于实时跟踪人脸,得到多张人脸图像;人脸参数计算模块,用于根据多张人脸图像中的每一张人脸图像,获取该人脸图像中的人脸旋转程度参数、人眼睁开程度参数及人脸遮挡程度参数;人脸图像选取模块,用于根据人脸旋转程度参数、人眼睁开程度参数及人脸遮挡程度参数,从多张人脸图像中选取姿态最佳的人脸图像;人脸识别模块,用于对姿态最佳的人脸图像进行人脸识别。
本公开的第三个方面提供了一种电子设备,包括:存储器,处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时,实现本公开的第一个方面提供的人脸识别方法。
本公开的第四个方面提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时,实现本公开的第一个方面提供的人脸识别方法。
本公开提供的一种人脸识别方法、系统、电子设备及存储介质,该方法采用多个监控摄像头能够多角度地对人脸图像进行采集,解决由于单个监控摄像头导致人脸识别效率低、效果差的问题;并通过人脸跟踪,加入人脸姿态优选过程,能够从多帧图像中选出相对最佳的人脸图像,以更好、更快、更准地输出人脸识别结果。
附图说明
为了更完整地理解本公开及其优势,现在将参考结合附图的以下描述,其中:
图1A及1B示意性示出了根据本公开实施例的人脸识别方法的应用场景图;
图2示意性示出了根据本公开实施例的人脸识别方法的流程图;
图3示意性示出了根据本公开实施例的人脸识别方法的工作流程图;
图4示意性示出了根据本公开实施例的姿态优选的流程图;
图5示意性示出了根据本公开实施例的三维人脸角度示意图;
图6示意性示出了根据本公开实施例的人脸识别训练模型的工作流程图;
图7示意性示出了根据本公开实施例的人脸识别系统的方框图;
图8示意性示出了根据本公开另一实施例的人脸识别系统的方框图;
图9示意性示出了根据本公开实施例的适于实现上文描述的方法的电子设备的方框图。
具体实施方式
以下,将参照附图来描述本公开的实施例。但是应该理解,这些描述只是示例性的,而并非要限制本公开的范围。在下面的详细描述中,为便于解释,阐述了许多具体的细节以提供对本公开实施例的全面理解。然而,明显地,一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外,在以下说明中,省略了对公知结构和技术的描述,以避免不必要地混淆本公开的概念。
在此使用的术语仅仅是为了描述具体实施例,而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在,但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义,除非另外定义。应注意,这里使用的术语应解释为具有与本说明书的上下文相一致的含义,而不应以理想化或过于刻板的方式来解释。
在使用类似于“A、B和C等中至少一个”这样的表述的情况下,一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如,“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。在使用类似于“A、B或C等中至少一个”这样的表述的情况下,一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如,“具有A、B或C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。
附图中示出了一些方框图和/或流程图。应理解,方框图和/或流程图中的一些方框或其组合可以由计算机程序指令来实现。这些计算机程序指令可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器,从而这些指令在由该处理器执行时可以创建用于实现这些方框图和/或流程图中所说明的功能/操作的装置。本公开的技术可以硬件和/或软件(包括固件、微代码等)的形式来实现。另外,本公开的技术可以采取存储有指令的计算机可读存储介质上的计算机程序产品的形式,该计算机程序产品可供指令执行系统使用或者结合指令执行系统使用。
图1A及1B示意性示出了根据本公开实施例的人脸识别方法的应用场景。需要注意的是,图1A及1B所示仅为可以应用本公开实施例的场景的示例,以帮助本领域技术人员理解本公开的技术内容,但并不意味着本公开实施例不可以用于其他设备、系统、环境或场景。实际生活应用过程中,其可应用于各银行线下网点或路面监控或家用监控等。
如图1A所示,该应用场景中包括:多个监控摄像头11、监控服务器12及人脸识别服务器13。该多个监控摄像头11分别与监控服务器12相连,该监控服务器12与人脸识别服务器13通过通信连接,包括但不限于有线连接、无线连接、信令连接、通过互联网连接等等。
多个监控摄像头11用于同时对不同位置不同方位的人脸进行图像采集,并将采集到的人脸图像存储在监控服务器12上,监控服务器12用于对采集到的人脸图像进行人脸是否存在判断,并对判断存在的人脸进行定位及跟踪,则多个监控摄像头11实时跟踪检测到的人脸,并确定后续帧中人脸的运动状况,得到多张人脸图像。监控服务器12对采集到的多张人脸数据进行姿态优选,从多张人脸图像中选取姿态最佳的人脸图像,并将该姿态最佳的人脸图像传输给人脸识别服务器13,此时人脸识别服务器13根据其预先存储的数据库中各人脸图像,对该姿态最佳的人脸图像进行身份识别,输出身份识别结果。
如图1B所示,在另一种应用场景中,为加快数据处理的效率,该应用场景中包括:多个监控摄像头11、多个监控服务器12及人脸识别服务器13。其中,多个监控摄像头11与多个监控服务器12数量相同,其一一对应连接,即一个监控摄像头11连接一台监控服务器12,每个监控摄像头11拍摄的人脸图像存储在与其对应连接的监控服务器12上,该监控服务器12并对存储在其上的人脸数据进行处理,得出存储在其人脸数据上姿态最佳的人脸图像,即多个监控服务器12输出多张姿态最佳的人脸图像,然后将这多张姿态最佳的人脸图像分别传输给人脸识别服务器13,人脸识别服务器13分析对比该多张姿态最佳的人脸图像,最终从该多张姿态最佳的人脸图像中选出一张最姿态最佳的人脸图像,并对其进行人脸识别,输出人脸识别身份信息。
根据本公开的实施例的人脸识别方法可以由监控服务器与人脸识别服务器执行,相应地,根据本公开实施例用于人脸识别的系统可以设置于监控服务器与人脸识别服务器中。
应该理解,图1A及1B中的监控摄像头和监控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监控摄像头和监控服务器,旨在更加全方位的拍摄人脸图像,避免人脸的姿态与监控摄像头的偏转角度不具有固定性,及传统的单监控摄像头的人脸识别方法很难获得较好的识别效果的问题。
图2示意性示出了根据本公开实施例的人脸识别方法的流程图,该方法可以由监控服务器和人脸识别服务器来执行。
如图2所示,该人脸识别方法包括:步骤S201~S204。
在操作S201,实时跟踪人脸,得到多张人脸图像。
多张人脸图像可以是多个监控摄像头采集的多张人脸图像,该多张人脸图像包括多个监控摄像头进行实时跟踪后采集的连续N帧人脸图像,该多个连续N帧人脸图像可以实时存储在一台监控服务器上,也可以分别存储在不同的监控服务器。
其中,实时跟踪人脸,可以用矩形检测框在初始帧人脸图像中框定检测到的人脸对象。例如采用Camshift算法实现实时跟踪人脸,主要包括步骤如:创建一个表示人脸的颜色直方图;对每一帧图像中的每一个像素计算存在人脸的概率;移动人脸矩形框的位置;计算人脸角度与大小以调整人脸矩形框。如图3所示,在人脸跟踪的过程中,若当前帧的跟踪窗口的面积S(t)与后一帧跟踪窗口面积S(t+1)满足:S(t)>2S(t+1)或S(t)<0.5S(t+1)时,则该跟踪窗口发散,导致目标人脸丢失,符合更新目标条件,此时启动人脸检测重新选择跟踪窗口以校正人脸跟踪过程中的跟踪窗口。
在操作S202,针对多张人脸图像中的每一张人脸图像,获取该人脸图像中的人脸旋转程度参数、人眼睁开程度参数及人脸遮挡程度参数。
在操作S203,根据人脸旋转程度参数、人眼睁开程度参数及人脸遮挡程度参数,从多张人脸图像中选取姿态最佳的人脸图像。
根据本公开的实施例,如图4所示,根据人脸旋转程度参数、人眼睁开程度参数及人脸遮挡程度参数,从多张人脸图像中选取姿态最佳的人脸图像包括:
S401,根据每一张人脸图像的人脸旋转程度参数、人眼睁开程度参数、人脸遮挡程度参数及预置的权重来计算该张人脸图像的综合评价得分。
S402,比较每一张人脸图像的综合评价得分大小,得到综合评价得分最高的人脸图像,其中,该综合评价得分最高的人脸图像为姿态最佳的人脸图像。
具体地,获取该人脸图像中的人脸旋转程度参数包括:如图5所示,将该人脸图像中各人脸器官映射至三维空间模型,得到人脸的俯仰角α、偏转角β和翻滚角γ,并根据俯仰角α、偏转角β及翻滚角γ得到人脸旋转程度参数S。其中,该人脸图像中各人脸器官包括:左眼角、右眼角、鼻尖、下巴、左嘴角、右嘴角等,俯仰角α为人脸相对x轴旋转的角度,偏转角β为人脸相对y轴旋转的角度,翻滚角γ为人脸相对z轴旋转的角度。人脸旋转程度参数S的计算满足下列等式:
则,人脸旋转程度参数S的评价得分Sscore为:Sscore=1-S。
获取该人脸图像中的人眼睁开程度参数包括:取人脸图像中左、右眼的上下眼睑距离的平均值作为人脸图像的眼睑距离L(L≥0),设多张人脸图像中眼睑距离最大值为Lmax,最小值为Lmin,将人眼的睁开程度参数Z标准化至[0,1],则人眼睁开程度参数Z和评价得分Zscore的计算公式为:
人脸遮挡程度参数D通过计算人脸图像中非肤色像素个数占总图像个数的比例而得。设每张人脸图像中非肤色像素个数占总图像个数的比例为N,多张人脸图像中非肤色像素个数占总图像个数的比例最大值为Nmax,最小值为Nmin,人脸遮挡程度参数D标准化至[0,1],则人脸遮挡程度参数D的计算公式为:
则,人脸遮挡程度参数评价得分Dscore为:Dscore=1-D。
计算出每张人脸图像的人脸旋转程度参数S、人眼睁开程度参数Z及人脸遮挡程度参数D的评价得分后,将进行加权计算综合评分。设多张人脸图像中人脸旋转程度参数S、人眼睁开程度参数Z及人脸遮挡程度参数D的平均评价得分别为Smean、Zmean和Dmean,均值越大说明该指标在该多张人脸图像中整体质量越好,则给该指标权重越大。人脸旋转程度参数S、人眼睁开程度参数Z及人脸遮挡程度参数D的权重WS、WZ和WD为:
则每张人脸图像的综合评价得分G满足下列等式关系:
G=WS(1-S)+WZZ+WD(1-D)
即:G=WSSscore+WZZscore+WDDscore。从多张人脸图像中选出综合评价得分G最大值的人脸图像,则该张人脸图像为姿态最佳的人脸图像。
在操作S204,对姿态最佳的人脸图像进行人脸识别。
监控服务器选出姿态最佳的人脸图像后传输给人脸识别服务器,人脸识别服务器对该姿态最佳的人脸图像进行在线人脸识别,包括:将该姿态最佳的人脸图像映射至已训练的人脸识别模型中的主成分分析子空间,计算该姿态最佳的人脸图像与预先存储的数据库中各人脸图像的相似度,并根据计算结果输出该姿态最佳的人脸图像中人脸对应的身份识别结果。
具体地,计算该姿态最佳的人脸图像与预先存储的数据库中各人脸图像的相似度,若该姿态最佳的人脸图像与预先存储的数据库中一人脸图像的相似度大于等于72%,则匹配成功,输出该人脸图像对应的身份信息;否则,若该姿态最佳的人脸图像与总数据库中全部人脸图像的相似度均小于72%,则匹配失败。
本公开实施例中,如图6所示,已训练的人脸识别模型通过离线训练具体包括:采集用于训练的人脸图像,对训练样本进行主成分分析,即依次将每张人脸图像表示为列向量并转置,构成一个人脸样本矩阵,计算矩阵的协方差矩阵并得到其特征值和特征向量,选择最大的特征向量数组,根据该特征向量数组和协方差矩阵可以得出主成分降维矩阵,则并提取特征空间可将图像映射到主成分分析子空间以实现数据信息的降维,提高训练速度,最终训练得到人脸识别模型,并移植到人脸识别服务器。
其中,人脸识别服务器加载离线训练得到的人脸识别模型后,将姿态优选人脸图像映射到主成分分析子空间,计算与该姿态最佳的人脸图像与预先存储的数据库中各人脸图像的相似度。
根据本公开的实施例,在实时跟踪人脸,得到多张人脸图像之前,该方法还包括:从人脸图像中检测是否存在人脸,若存在,则定位该人脸。其中,通过检测若判断出存在人脸,计算存在的人脸的个数、大小和所在位置,并再对该人脸采用Camshift算法进行定位及跟踪。
具体地,该人脸图像可以为初始人脸图像,即采集的最开始时刻对应的那帧人脸图像,以其为依据进行人脸检测、定位及进行实时人脸跟踪。
本公开提供的人脸识别方法,该方法通过采用多个监控摄像头能够多角度地对人脸图像进行采集,解决由于单个监控摄像头导致人脸识别效率低、效果差的问题;并通过人脸跟踪,加入人脸姿态优选过程,能够从多帧图像中选出相对最佳的人脸图像,以更好、更快、更准地输出人脸识别结果。该方法使得视频监控具有更好的智能性,实用性强,能够应用于安防、视频监控、人工智能等领域。
本公开的实施例中,人脸识别服务器中总数据库的人脸图像定期更新,以使人脸识别过程中人脸对比图像更加全面,保证人脸识别结果的准确性。
图7示意性示出了根据本公开实施例的人脸识别系统的方框图。
如图7所示,该人脸识别系统系统700包括:人脸跟踪模块710、人脸参数计算模块720、人脸图像选取模块730及人脸识别模块740。该系统700可以用于实现参考图2所描述的人脸识别方法。
人脸跟踪模块710,用于实时跟踪人脸,得到多张人脸图像。根据本公开的实施例,该人脸跟踪模块710例如可以用于执行上文参考图2所描述的S201步骤,在此不再赘述。
人脸参数计算模块720,例如执行上文参考图2所描述的S202步骤,用于根据多张人脸图像中的每一张人脸图像,获取该人脸图像中的人脸旋转程度参数、人眼睁开程度参数及人脸遮挡程度参数。根据本公开的实施例,该人脸参数计算模块720例如可以用于执行上文参考图2所描述的S202步骤,在此不再赘述。
人脸图像选取模块730,例如执行上文参考图2所描述的S203步骤,用于根据人脸旋转程度参数、人眼睁开程度参数及人脸遮挡程度参数,从多张人脸图像中选取姿态最佳的人脸图像。根据本公开的实施例,该人脸图像选取模块730例如可以用于执行上文参考图2所描述的S203步骤,在此不再赘述。
人脸识别模块740,例如执行上文参考图2所描述的S204步骤,用于对姿态最佳的人脸图像进行人脸识别。根据本公开的实施例,该人脸识别模块740例如可以用于执行上文参考图2所描述的S204步骤,在此不再赘述。
如图8所示,该人脸识别系统还包括:人脸检测定位模块750,用于从人脸图像中检测是否存在人脸,若存在,则定位该人脸。
根据本公开的实施例的模块、子模块、单元、子单元中的任意多个、或其中任意多个的至少部分功能可以在一个模块中实现。根据本公开实施例的模块、子模块、单元、子单元中的任意一个或多个可以被拆分成多个模块来实现。根据本公开实施例的模块、子模块、单元、子单元中的任意一个或多个可以至少被部分地实现为硬件电路,例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC),或可以通过对电路进行集成或封装的任何其他的合理方式的硬件或固件来实现,或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者,根据本公开实施例的模块、子模块、单元、子单元中的一个或多个可以至少被部分地实现为计算机程序模块,当该计算机程序模块被运行时,可以执行相应的功能。
例如,人脸跟踪模块710、人脸参数计算模块720、人脸图像选取模块730、人脸识别模块740、人脸检测定位模块750中的任意多个可以合并在一个模块中实现,或者其中的任意一个模块可以被拆分成多个模块。或者,这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合,并在一个模块中实现。根据本公开的实施例,人脸跟踪模块710、人脸参数计算模块720、人脸图像选取模块730、人脸识别模块740、人脸检测定位模块750中的至少一个可以至少被部分地实现为硬件电路,例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC),或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现,或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者,人脸跟踪模块710、人脸参数计算模块720、人脸图像选取模块730、人脸识别模块740、人脸检测定位模块750中的至少一个可以至少被部分地实现为计算机程序模块,当该计算机程序模块被运行时,可以执行相应的功能。
图9示意性示出了根据本公开实施例的适于实现上文描述的方法的电子设备的方框图。图9示出的电子设备仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图9所示,本实施例中所描述的电子设备900,包括:存储器910、处理器920及存储在存储器910上并可在处理器上运行的计算机程序,处理器执行该程序时实现前述图2中所示实施例中描述的人脸识别方法。
根据本公开的实施例,该电子设备还包括:至少一个输入设备930;至少一个输出设备940。上述存储器910、处理器920输入设备930和输出设备940通过总线950连接。
其中,输入设备930具体可为触控面板、物理按键或者鼠标等等。输出设备940具体可为显示屏。存储器910可以是高速随机存取记忆体(RAM,Random Access Memory)存储器,也可为非不稳定的存储器(non-volatile memory),例如磁盘存储器。存储器910用于存储一组可执行程序代码,处理器920与存储器910耦合。
本发明实施例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可以是上述实施例中描述的设备/装置/系统中所包含的;也可以是单独存在,而未装配入该设备/装置/系统中。上述计算机可读存储介质承载有一个或者多个程序,当上述一个或者多个程序被执行时,实现根据本公开实施例的人脸识别方法。
根据本公开的实施例,计算机可读存储介质可以是非易失性的计算机可读存储介质,例如可以包括但不限于:便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
需要说明的是,在本发明各个实施例中的各功能模块可以集成在一个处理模块中,也可以是各个模块单独物理存在,也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果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取存储介质中。基于这样的理解,本发明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全部或部分可以以软件产品的形式体现出来。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、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,上述模块、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,两个接连地表示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,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操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。
本领域技术人员可以理解,本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合,即使这样的组合或结合没有明确记载于本公开中。特别地,在不脱离本公开精神和教导的情况下,本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本公开的范围。
尽管已经参照本公开的特定示例性实施例示出并描述了本公开,但是本领域技术人员应该理解,在不背离所附权利要求及其等同物限定的本公开的精神和范围的情况下,可以对本公开进行形式和细节上的多种改变。因此,本公开的范围不应该限于上述实施例,而是应该不仅由所附权利要求来进行确定,还由所附权利要求的等同物来进行限定。
Claims (13)
1.一种人脸识别方法,其特征在于,包括:
实时跟踪人脸,得到多张人脸图像;
针对所述多张人脸图像中的每一张人脸图像,获取该人脸图像中的人脸旋转程度参数、人眼睁开程度参数及人脸遮挡程度参数;
根据所述人脸旋转程度参数、人眼睁开程度参数及人脸遮挡程度参数,从所述多张人脸图像中选取姿态最佳的人脸图像;
对所述姿态最佳的人脸图像进行人脸识别。
2.根据权利要求1所述的人脸识别方法,其特征在于,所述根据所述人脸旋转程度参数、人眼睁开程度参数及人脸遮挡程度参数,从所述多张人脸图像中选取姿态最佳的人脸图像包括:
根据所述每一张人脸图像的人脸旋转程度参数、人眼睁开程度参数、人脸遮挡程度参数及预置的权重来计算该张人脸图像的综合评价得分;
比较所述每一张人脸图像的综合评价得分大小,得到综合评价得分最高的人脸图像,其中,该综合评价得分最高的人脸图像为所述姿态最佳的人脸图像。
7.根据权利要求6所述的人脸识别方法,其特征在于,所述每张人脸图像的综合评价得分G满足以下关系:
G=WS(1-S)+WZZ+WD(1-D)。
8.根据权利要求1所述的人脸识别方法,其特征在于,所述实时跟踪人脸,得到多张人脸图像之前,包括:
从人脸图像中检测是否存在人脸,若存在,则定位该人脸。
9.根据权利要求1所述的人脸识别方法,其特征在于,所述对所述姿态最佳的人脸图像进行人脸识别包括:
将所述姿态最佳的人脸图像映射至已训练的人脸识别模型中的主成分分析子空间,计算该姿态最佳的人脸图像与预先存储的数据库中各人脸图像的相似度,并根据计算结果输出该姿态最佳的人脸图像中人脸对应的身份识别结果。
10.根据权利要求9所述的人脸识别方法,其特征在于,所述根据计算结果输出该姿态最佳的人脸图像中人脸对应的身份识别结果包括:
若该姿态最佳的人脸图像与预先存储的数据库中一人脸图像的相似度大于等于72%,则匹配成功,输出该人脸图像对应的身份信息;否则,若该姿态最佳的人脸图像与总数据库中全部人脸图像的相似度均小于72%,则匹配失败。
11.一种人脸识别系统,其特征在于,包括:
人脸跟踪模块,用于实时跟踪人脸,得到多张人脸图像;
人脸参数计算模块,用于根据所述多张人脸图像中的每一张人脸图像,获取该人脸图像中的人脸旋转程度参数、人眼睁开程度参数及人脸遮挡程度参数;
人脸图像选取模块,用于根据所述人脸旋转程度参数、人眼睁开程度参数及人脸遮挡程度参数,从所述多张人脸图像中选取姿态最佳的人脸图像;
人脸识别模块,用于对所述姿态最佳的人脸图像进行人脸识别。
12.一种电子设备,包括:存储器,处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时,实现如权利要求1至10中任一项所述的人脸识别方法。
13.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时,实现如权利要求1至10中任一项所述的人脸识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110283317.0A CN112766239A (zh) | 2021-03-15 | 2021-03-15 | 一种人脸识别方法、系统、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110283317.0A CN112766239A (zh) | 2021-03-15 | 2021-03-15 | 一种人脸识别方法、系统、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112766239A true CN112766239A (zh) | 2021-05-07 |
Family
ID=75691069
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110283317.0A Pending CN112766239A (zh) | 2021-03-15 | 2021-03-15 | 一种人脸识别方法、系统、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112766239A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114093004A (zh) * | 2021-11-25 | 2022-02-25 | 成都智元汇信息技术股份有限公司 | 一种基于多摄像头的人脸融合比对方法及装置 |
-
2021
- 2021-03-15 CN CN202110283317.0A patent/CN112766239A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114093004A (zh) * | 2021-11-25 | 2022-02-25 | 成都智元汇信息技术股份有限公司 | 一种基于多摄像头的人脸融合比对方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ramesh et al. | Dart: distribution aware retinal transform for event-based cameras | |
JP6032921B2 (ja) | 物体検出装置及びその方法、プログラム | |
US9721387B2 (en) | Systems and methods for implementing augmented reality | |
CN110490158B (zh) | 一种基于多级模型的鲁棒人脸对齐方法 | |
US10990170B2 (en) | Eye tracking method, electronic device, and non-transitory computer readable storage medium | |
Chen et al. | Using FTOC to track shuttlecock for the badminton robot | |
WO2017206147A1 (en) | Recognition of activity in a video image sequence using depth information | |
CN109902576B (zh) | 一种头肩图像分类器的训练方法及应用 | |
Manikandan et al. | Hand gesture detection and conversion to speech and text | |
Núnez et al. | Real-time human body tracking based on data fusion from multiple RGB-D sensors | |
CN113608663A (zh) | 一种基于深度学习和k-曲率法的指尖跟踪方法 | |
CN115482523A (zh) | 轻量级多尺度注意力机制的小物体目标检测方法及系统 | |
Pandey et al. | Efficient 6-dof tracking of handheld objects from an egocentric viewpoint | |
CN112766239A (zh) | 一种人脸识别方法、系统、电子设备及存储介质 | |
CN112861808B (zh) | 动态手势识别方法、装置、计算机设备及可读存储介质 | |
CN110598647B (zh) | 一种基于图像识别的头部姿态识别方法 | |
CN117372928A (zh) | 一种视频目标检测方法、装置及相关设备 | |
Kishore et al. | Spatial Joint features for 3D human skeletal action recognition system using spatial graph kernels | |
CN112749664A (zh) | 一种手势识别方法、装置、设备、系统及存储介质 | |
CN112069943A (zh) | 基于自顶向下框架的在线多人姿态估计与跟踪方法 | |
Zhou | Computational Analysis of Table Tennis Games from Real-Time Videos Using Deep Learning | |
Pandey et al. | Egocentric 6-DoF tracking of small handheld objects | |
Abdellaoui et al. | Template matching approach for automatic human body tracking in video | |
CN117523428B (zh) | 基于飞行器平台的地面目标检测方法和装置 | |
Wang et al. | Adaptive visual tracking based on discriminative feature selection for mobile robot |
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 |