CN113221086A - 离线人脸认证方法、装置、电子设备及存储介质 - Google Patents
离线人脸认证方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN113221086A CN113221086A CN202110556906.1A CN202110556906A CN113221086A CN 113221086 A CN113221086 A CN 113221086A CN 202110556906 A CN202110556906 A CN 202110556906A CN 113221086 A CN113221086 A CN 113221086A
- Authority
- CN
- China
- Prior art keywords
- face
- local
- authentication
- features
- target
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000000605 extraction Methods 0.000 claims abstract description 28
- 238000005259 measurement Methods 0.000 claims description 42
- 239000003102 growth factor Substances 0.000 claims description 22
- 239000011159 matrix material Substances 0.000 claims description 22
- 238000013527 convolutional neural network Methods 0.000 claims description 16
- 238000012549 training Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000000052 comparative effect Effects 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 8
- 238000013473 artificial intelligence Methods 0.000 description 6
- 238000001514 detection method Methods 0.000 description 5
- 210000000887 face Anatomy 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000001815 facial effect Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 208000029152 Small face Diseases 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 210000000554 iris Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/30—Authentication, i.e. establishing the identity or authorisation of security principals
- G06F21/31—User authentication
- G06F21/32—User authentication using biometric data, e.g. fingerprints, iris scans or voiceprints
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/51—Indexing; Data structures therefor; Storage structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/10—Protecting distributed programs or content, e.g. vending or licensing of copyrighted material ; Digital rights management [DRM]
- G06F21/107—License processing; Key processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/30—Authentication, i.e. establishing the identity or authorisation of security principals
- G06F21/45—Structures or tools for the administration of authentication
-
- 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
-
- 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
-
- 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
本发明实施例提供一种离线人脸认证方法，方法包括：获取待认证人员的目标人脸图像，并通过人脸特征提取引擎，提取的目标人脸图像的人脸特征；将人脸特征在本地人脸特征库进行第一比对认证，并判断人脸特征是否通过第一比对认证；若人脸特征没有通过第一比对认证，则将目标人脸图像在本地人脸库进行第二比对认证，并判断目标人脸图像是否通过第二比对认证；若目标人脸图像通过所述第二比对认证，则确定待认证人员为认证人员，并将人脸特征添加到本地人脸特征库。本发明能够不依赖于服务器和网络，在长期运行于离线状态时，对本地人脸库中的历史注册人脸进行预测更新，进一步提高人脸认证结果的准确性。
Description
技术领域
本发明涉及人工智能领域，尤其涉及一种离线人脸认证方法、装置、电子设备及存储介质。
背景技术
随着人工智能发展，图像识别技术不断提高，越来越多的人工智能产品落地，比如基于人工智能的门禁、支付等。具体的，在基于人脸识别的认证体系中，比如门禁认证、身份认证等，因为人脸与人体的其它生物特征(指纹、虹膜等)一样与生俱来，它的唯一性和不易被复制的良好特性为身份鉴别提供了较高的安全性和便利性，可以在用户无感知的状态下就可对用户进行身份认证。现有的人脸认证系统主要工作模式:识别系统运行于大中型服务器，客户机仅执行连接服务器，在线图像传输，显示识别结果功能即可，主要包含两个阶段：第一阶段是采集人脸图像上传到服务器，在服务器数据库存储人脸特征；第二阶段是当需要认证时，将待认证图像上传到服务器，服务器在与数据库中的人脸特征进行对比，返回验证结果到客户机。现有的人脸识别系统依赖于服务器和网络，一旦断网，将无法实现人脸认证功能。
发明内容
本发明实施例提供一种离线人脸认证方法，能够不依赖于服务器和网络，在断网的情况下，也能提供准确的人脸认证结果，并可以在长期运行于离线状态时，对本地人脸库中的历史注册人脸进行预测更新，进一步提高人脸认证结果的准确性。
第一方面，本发明实施例提供一种离线人脸认证方法，所述方法包括：
获取待认证人员的目标人脸图像，并通过人脸特征提取引擎，提取的目标人脸图像的人脸特征；
将所述人脸特征在本地人脸特征库进行第一比对认证，并判断所述人脸特征是否通过所述第一比对认证，其中，所述本地人脸特征库存储有第一预设时间内的本地人脸特征；
若所述人脸特征没有通过所述第一比对认证，则将所述目标人脸图像在本地人脸库进行第二比对认证，并判断所述目标人脸图像是否通过第二比对认证，其中，所述本地人脸库存储有第二预设时间内的本地预测人脸，所述本地预测人脸根据历史注册人脸进行成长预测得到，所述第二预设时间早于所述第一预设时间；
若所述目标人脸图像通过所述第二比对认证，则确定所述待认证人员为认证人员，并将所述人脸特征添加到所述本地人脸特征库。
优选的，所述第一比对认证包括：
计算所述人脸特征与所述本地人脸特征库中各个本地人脸特征之间的度量距离；
判断所述度量距离是否大于预先设置的度量距离阈值；
若所述度量距离大于或等于预先设置的度量距离阈值，则确定所述人脸特征通过所述第一比对认证，并根据所述本地人脸特征确定所述待认证人员为认证人员；以及
计算所述目标人脸图像的图像质量，若所述目标人脸图像的图像质量大于或等于预设的图像质量阈值，则将所述人脸特征添加到所述本地人脸特征库，并在所述本地人脸特征库中删除与所述人脸特征对应的本地人脸特征；
若所述度量距离小于预先调协的度量距离阈值，则确定所述人脸特征没有通过所述第一比对认证。
优选的，所述判断所述目标人脸图像是否通过第二比对认证，包括：
计算所述目标人脸图像的关键点拓扑图，所述关键点拓扑图中的每个节点均对应一个纹理特征向量，所述关键点拓扑图中的每两个节点之间的边均对应一个几何特征向量，所述纹理特征向量包含人脸在节点上的纹理信息，所述几何特征向量包含人脸在边上的几何信息；
计算所述目标人脸图像的关键点拓扑图与所述本地预测人脸的关键点拓扑图之间的第一相似度，并判断所述第一相似度是否大于或等于预设的第一相似度阈值；
若所述相似度大于或等于预设的第一相似度阈值，则确定所述目标人脸图像通过所述第二比对认证；
若所述第一相似度小于预设的第一相似度阈值，则确定所述目标人脸图像没有通过所述第二比对认证，并提示所述待认证人员更新注册。
优选的，所述根据历史注册人脸进行成长预测，包括：
将所述历史注册人脸与预设的成长因子矩阵进行加权，得到本地预测人脸。
优选的，所述成长因子矩阵的计算步骤包括：
获取训练样本，所述训练样本中包括样本人员的历史人脸和当前人脸，所述历史人脸与所述当前人脸间隔第二预设时间；
以所述历史人脸为样本，所述当前人脸为标签，成长因子矩阵为输出对预设的卷积神经网络进行训练，得到训练好的卷积神经网络；
将历史注册人脸输入所述训练好的卷积神经网络，输出所述历史注册人脸对应的成长因子矩阵。
优选的，所述本地人脸库还存储有历史注册人脸，在所述计算所述目标人脸图像的关键点拓扑图之前，所述方法还包括：
计算所述目标人脸图像与所述历史注册人脸之间的第二相似度，并判断所述第二相似度是否大于或等于预设的第二相似度阈值；
若所述相似度大于或等于预设的第二相似度阈值，则确定所述目标人脸图像通过所述第二比对认证。
第二方面，所述装置包括：
第一获取模块，用于获取待认证人员的目标人脸图像，并通过人脸特征提取引擎，提取的目标人脸图像的人脸特征；
第一比对模块，用于将所述人脸特征在本地人脸特征库进行第一比对认证，并判断所述人脸特征是否通过所述第一比对认证，其中，所述本地人脸特征库存储有第一预设时间内的本地人脸特征；
第二比对模块，用于若所述人脸特征没有通过所述第一比对认证，则将所述目标人脸图像在本地人脸库进行第二比对认证，并判断所述目标人脸图像是否通过第二比对认证，其中，所述本地人脸库存储有第二预设时间内的本地预测人脸，所述本地预测人脸根据历史注册人脸进行成长预测得到，所述第二预设时间早于所述第一预设时间；
确定模块，用于若所述目标人脸图像通过所述第二比对认证，则确定所述待认证人员为认证人员，并将所述人脸特征添加到所述本地人脸特征库。
优选的，所述第一比对模块包括：
第一计算单元，用于计算所述人脸特征与所述本地人脸特征库中各个本地人脸特征之间的度量距离；
第一判断单元，用于判断所述度量距离是否大于预先设置的度量距离阈值；
第一确定单元，用于若所述度量距离大于或等于预先设置的度量距离阈值，则确定所述人脸特征通过所述第一比对认证，并根据所述本地人脸特征确定所述待认证人员为认证人员；以及
第二计算单元，用于计算所述目标人脸图像的图像质量，若所述目标人脸图像的图像质量大于或等于预设的图像质量阈值，则将所述人脸特征添加到所述本地人脸特征库，并在所述本地人脸特征库中删除与所述人脸特征对应的本地人脸特征；
第二确定单元，用于若所述度量距离小于预先调协的度量距离阈值，则确定所述人脸特征没有通过所述第一比对认证。
第三方面，本发明实施例提供一种电子设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现本发明实施例提供的离线人脸认证方法中的步骤。
第四方面，本发明实施例提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现发明实施例提供的离线人脸认证方法中的步骤。
本发明实施例中，获取待认证人员的目标人脸图像，并通过人脸特征提取引擎，提取的目标人脸图像的人脸特征；将所述人脸特征在本地人脸特征库进行第一比对认证，并判断所述人脸特征是否通过所述第一比对认证，其中，所述本地人脸特征库存储有第一预设时间内的本地人脸特征；若所述人脸特征没有通过所述第一比对认证，则将所述目标人脸图像在本地人脸库进行第二比对认证，并判断所述目标人脸图像是否通过第二比对认证，其中，所述本地人脸库存储有第二预设时间内的本地预测人脸，所述本地预测人脸根据历史注册人脸进行成长预测得到，所述第二预设时间早于所述第一预设时间；若所述目标人脸图像通过所述第二比对认证，则确定所述待认证人员为认证人员，并将所述人脸特征添加到所述本地人脸特征库。本发明通过在本地进行第一比对认证，采用人脸特征进行比对，可以提高高频认证人员的认证速度，通过第二比对认证，采用人脸图像进行比对，可以提高低频认证人员的认证准确性，能够不依赖于服务器和网络，在断网的情况下，也能提供准确的人脸认证结果，并可以在长期运行于离线状态时，对本地人脸库中的历史注册人脸进行预测更新，进一步提高人脸认证结果的准确性。
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是本发明实施例提供的一种离线人脸认证方法的流程图；
图2是本发明实施例提供的一种离线人脸认证装置的结构示意图；
图3是本发明实施例提供的一种第一比对模块的结构示意图；
图4是本发明实施例提供的一种第二比对模块的结构示意图；
图5是本发明实施例提供的另一种离线人脸认证装置的结构示意图；
图6是本发明实施例提供的另一种第二比对模块的结构示意图；
图7是本发明实施例提供的一种电子设备的结构示意图。
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作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。
请参见图1，图1是本发明实施例提供的一种离线人脸认证方法的流程图，如图1所示，包括以下步骤：
101、获取待认证人员的目标人脸图像，并通过人脸特征提取引擎，提取的目标人脸图像的人脸特征。
在本发明实施例中，目标人脸图像可以是通过摄像头进行采集得到的人脸图像，以门禁机为例，目标人脸图像可以是设置在门禁机上的摄像头所采集到的人脸图像，以手机或其他移动电子设备为例，目标人脸图像可以是手机或其他移动电子设备上的摄像头所采集到的人脸图像。
在一种可能的实施例中，上述人脸图像可以是从大图像中提取出的人脸小图像，比如，门禁机上的摄像头采集到的大图像中包括目标人脸、其他人脸以及背景，此时，可以通过人脸检测引擎检测出目标人脸，再通过人脸提取引擎，从大图像中提取出目标人脸。其中，需要说明的是，上述人脸检测引擎是集成了人脸检测算法的硬件设备，上述人脸提取引擎是集成了人脸检测算法的硬件设备，上述人脸特征提取引擎是集成了人脸特征提取算法的硬件设备，上述人脸特征提取引擎、人脸检测引擎与人脸提取引擎可以通过人工智能芯片进行集成得到，是可以集成在同一人工智能芯片中的。
在一种可能的发明实施例中，上这人脸特征可以是预设维数的特征，比如，可以是64维、128维、256维、512维的特征，在本发明实施例中，可以根据注册人数来对人脸特征维数进行选取，首先，将统计注册人员的人数，然后，将注册人员划分为高频认证人员、中频认证人员和低频认证人员，上述高频认证人员可以是每月平均每天认证次数达到2以上的人员，中频认证人员可以是每月平均认证次数达到1以上的人员，上述低频认证人员可以是平均每月平均认证次数低于1的人员，最后，根据高频认证人员和中频认证人员的人数设置对应的人脸特征维数。假设高频认证人员不超过1000人，则可以将高频认证人员对应的人脸特征设置为64维，高频认证人员在1001－3000人，则可以将高频认证人员对应的人脸特征设置为128维，高频认证人员在3001－10000人，则可以将高频认证人员对应的人脸特征设置为256维，高频认证人员在10001人以上，则可以将高频认证人员对应的人脸特征设置为512维，同样，也对中频人员对应的人脸特征维数进行设置，中频人员对应的人脸特征维数小于这样高频认证人员对应的人脸特征维数一个等级，比如，将高频认证人员对应的人脸特征设置为64维时，则中频认证人员在不超过1000人，对应的人脸特征设置为128维，若中频认证人员在1001－3000人之间，则对应的人脸特征设置为256维，可以减少对高频认证人员和中频认证人员的比对计算量，提高了高频认证人员和中频认证人员的认证速度。
102、将人脸特征在本地人脸特征库进行第一比对认证，并判断人脸特征是否通过第一比对认证。
在本发明实施例中，上述本地人脸特征库存储有第一预设时间内的本地人脸特征。上述本地人脸特征库中本地人脸特征的维数与所述目标人脸图像的人脸特征的维数是相同的，具体来说，本地人脸特征的提取是通过上述人脸特征提取引擎提取得到，即是本地人脸特征的提取与目标人脸图像的人脸特征提取，是通过同一人脸特征提取引擎进行提取得到，也可以认为是本地人脸特征的提取与目标人脸图像的人脸特征提取是通过同一人脸特征提取算法进行提取得到。
上述第一比对认证步骤具体包括：计算人脸特征与本地人脸特征库中各个本地人脸特征之间的度量距离。判断度量距离是否大于预先设置的度量距离阈值。若上述度量距离大于或等于预先设置的度量距离阈值，则确定上述人脸特征通过上述第一比对认证，并根据上述本地人脸特征确定上述待认证人员为认证人员。计算目标人脸图像的图像质量，若目标人脸图像的图像质量大于或等于预设的图像质量阈值，则将人脸特征添加到本地人脸特征库，并在本地人脸特征库中删除与人脸特征对应的本地人脸特征。若度量距离小于预先调协的度量距离阈值，则确定人脸特征没有通过所述第一比对认证。在一种可能的实施例中，上述本地人脸特征库中本地人脸特征分为高频认证人员对应的本地人脸特征和中频认证人员对应的本地人脸特征，其中，高频认证人员对应的本地人脸特征和中频认证人员对应的本地人脸特征对应不同的维数。
上述度量距离可以是欧氏距离、曼哈顿距离、切比雪夫距离、闵可夫斯基距离、余弦距离等。
在一种可能的实施例中，上述本地人脸特征库中的包括高频认证人员对应的本地人脸特征和中频认证人员对应的本地人脸特征。对应的，在第一比对认证中，可以先提取目标人脸图像的第一人脸特征，所述第一人脸特征的维数与高频认证人员对应的本地人脸特征的维数相同，计算第一人脸特征与高频认证人员对应的本地人脸特征之间的第一度量距离，若第一度量距离大于或等于预设的第一度量距离阈值，则确定人脸特征通过第一比对认证。若第一度量距离小于预设的第一度量距离阈值，则再提取目标人脸图像的第二人脸特征，所述第二人脸特征的维数与中频认证人员对应的本地人脸特征的维数相同，计算第二人脸特征与中频认证人员对应的本地人脸特征之间的第二度量距离，若第二度量距离大于或等于预设的第二度量距离阈值，则确定人脸特征通过第一比对认证，若第二度量距离小于预设的第二度量距离阈值，则确定人脸特征没有通过第一比对认证，进而说明待认证人员不是高频认证人员和中频认证人员。
103、若人脸特征没有通过第一比对认证，则将目标人脸图像在本地人脸库进行第二比对认证，并判断目标人脸图像是否通过第二比对认证。
在本发明实施例中，上述本地人脸库存储有第二预设时间内的本地预测人脸，上述本地预测人脸根据历史注册人脸进行成长预测得到，上述第二预设时间早于上述第一预设时间。需要说明的是，在上述第二比对认证中，不需要对目标人脸图像进行特征提取，而是可以直接通过人脸图像比对进行认证，以提高比对的准确度。
进一步的，上述对历史注册人脸进行成长预测具体是将上述历史注册人脸与预设的成长因子矩阵进行加权，得到本地预测人脸。需要说明的是，上述历史注册人脸为尺寸大小、分辨率固定的人脸图像，成长因子矩阵与上述历史注册人脸的尺寸大小、分辨率相同，同时，目标人脸图像的尺寸大小、分辨率也与历史注册人脸的尺寸大小、分辨率相同。因此，可以对目标人脸图像进行预处理，以得到与历史注册人脸尺寸大小、分辨率相同的目标人脸图像。
上述的第一预设时间可以是一个月内或者半年内，上述第二预设时间可以是一个月前或半年以前。
需要说明的是，当一个用户长期没有进行认证时，由于离线状态下，该用户的人脸是得不到更新的，而该用户的人脸在期间会发生变化，比如变胖、变瘦等，会影响人脸认证的准确度。以社区门禁为例，小张半年没有回到该社区，该社区的门禁机中存储的本地人脸，是小张半年前的人脸图像，而小张当前的脸已经发生变化，变得胖了，因此，再用当前变胖的脸和半年前的人脸图像进行比对，比对的准确率会下降很多。从卷积原理上来说，小张半年前的人脸图像为A，当前的人脸图像为B，则有：B＝A×C。其中，C从人脸图像A变化为人脸图像B过程中的变化量，这个变化量则是成长因子矩阵。
更进一步的，由于人脸的变化可以看成是一个卷积计算，所以上述成长因子矩阵的计算步骤包括：获取训练样本，上述训练样本中包括样本人员的历史人脸和当前人脸，上述历史人脸与上述当前人脸间隔第二预设时间；以上述历史人脸为样本，上述当前人脸为标签，成长因子矩阵为输出对预设的卷积神经网络进行训练，得到训练好的卷积神经网络；将历史注册人脸输入上述训练好的卷积神经网络，输出上述历史注册人脸对应的成长因子矩阵。在本发明实施例中，上述卷积神经网络包括输入层、中间卷积层、输出层，其中，上述中间卷积层包括卷积层和池化层，用于通过卷积计算提取历史人脸与当前人脸之间的隐藏关联信息，即是成长因子矩阵。
在一种可能的实施例中，上述第二比对认证的步骤包括：计算上述目标人脸图像的关键点拓扑图，上述关键点拓扑图中的每个节点均对应一个纹理特征向量，上述关键点拓扑图中的每两个节点之间的边均对应一个几何特征向量，上述纹理特征向量包含人脸在节点上的纹理信息，上述几何特征向量包含人脸在边上的几何信息；计算上述目标人脸图像的关键点拓扑图与上述本地预测人脸的关键点拓扑图之间的第一相似度，并判断上述第一相似度是否大于或等于预设的第一相似度阈值；若上述相似度大于或等于预设的第一相似度阈值，则确定上述目标人脸图像通过上述第二比对认证；若上述第一相似度小于预设的第一相似度阈值，则确定上述目标人脸图像没有通过上述第二比对认证，并提示上述待认证人员更新注册。上述关键点为人脸关键点，比如鼻尖关键点、眼角关键点、嘴角关键点等，上述纹理特征向量指的是色彩值分布向量，也可以是灰度值分布向量，上述几何特征向量可以理解为有长度和方向的边，可以表达两个节点对应的关键点的距离和方向。
进一步的，为了保证目标人脸图像认证的准确性，需要从该目标人脸图像中找到各个关键点，提取出一个关键点拓扑图，这可用弹性图匹配得到，弹性图匹配的目的是在目标人脸图像中找到基准关键点，并且基于该基准关键点提取出一关键点拓扑图，这幅关键点拓扑图和现有的本地预测人脸的束图之间的相似度最大，所述本地预测人脸的束图为所有本地预测人脸的关键点拓扑图集合，每个本地预测人脸的拓扑图均对应一个标签以进行标定。经过弹性图匹配后，关键点拓扑图就被提取出来了，此关键点拓扑图就表征了目标人脸图像，用此关键点拓扑图作为特征进行认证。进行认证时，计算关键点拓扑图和本地预测人脸的束图的所有人脸之间的相似度，相似度最大的人脸的身份即为目标人脸图像的身份。
在一种可能的实施例中，上述本地人脸库还存储有历史注册人脸，在计算目标人脸图像的关键点拓扑图之前，本发明实施例提供的离线人脸认证方法还包括：计算上述目标人脸图像与上述历史注册人脸之间的第二相似度，并判断上述第二相似度是否大于或等于预设的第二相似度阈值；若上述相似度大于或等于预设的第二相似度阈值，则确定上述目标人脸图像通过上述第二比对认证。若上述相似度小于预设的第二相似度阈值，则进入计算目标人脸图像的关键点拓扑图的步骤。
104、若目标人脸图像通过第二比对认证，则确定待认证人员为认证人员，并将人脸特征添加到本地人脸特征库。
在本发明实施例中，若目标人脸图像通过第二比对认证，则说明待认证人员的认证通过，具备进入后续程序的授权资格。
在一种可能的实施例中，上述人脸特征为第二人脸特征，上述人脸特征可以添加到本地人脸特征库中的中频认证人员对应的本地人脸特征中。
在本发明实施例中，获取待认证人员的目标人脸图像，并通过人脸特征提取引擎，提取的目标人脸图像的人脸特征；将所述人脸特征在本地人脸特征库进行第一比对认证，并判断所述人脸特征是否通过所述第一比对认证，其中，所述本地人脸特征库存储有第一预设时间内的本地人脸特征；若所述人脸特征没有通过所述第一比对认证，则将所述目标人脸图像在本地人脸库进行第二比对认证，并判断所述目标人脸图像是否通过第二比对认证，其中，所述本地人脸库存储有第二预设时间内的本地预测人脸，所述本地预测人脸根据历史注册人脸进行成长预测得到，所述第二预设时间早于所述第一预设时间；若所述目标人脸图像通过所述第二比对认证，则确定所述待认证人员为认证人员，并将所述人脸特征添加到所述本地人脸特征库。本发明通过在本地进行第一比对认证，采用人脸特征进行比对，可以提高高频认证人员的认证速度，通过第二比对认证，采用人脸图像进行比对，可以提高低频认证人员的认证准确性，能够不依赖于服务器和网络，在断网的情况下，也能提供准确的人脸认证结果，并可以在长期运行于离线状态时，对本地人脸库中的历史注册人脸进行预测更新，进一步提高人脸认证结果的准确性。
需要说明的是，本发明实施例提供的离线人脸认证方法可以应用于可以进行离线人脸认证的手机、监控器、门禁机、计算机、服务器等设备。
第二方面，请参数图2，图2是本发明实施例提供的一种离线人脸认证装置，所述装置包括：
第一获取模块201，用于获取待认证人员的目标人脸图像，并通过人脸特征提取引擎，提取的目标人脸图像的人脸特征；
第一比对模块202，用于将所述人脸特征在本地人脸特征库进行第一比对认证，并判断所述人脸特征是否通过所述第一比对认证，其中，所述本地人脸特征库存储有第一预设时间内的本地人脸特征；
第二比对模块203，用于若所述人脸特征没有通过所述第一比对认证，则将所述目标人脸图像在本地人脸库进行第二比对认证，并判断所述目标人脸图像是否通过第二比对认证，其中，所述本地人脸库存储有第二预设时间内的本地预测人脸，所述本地预测人脸根据历史注册人脸进行成长预测得到，所述第二预设时间早于所述第一预设时间；
确定模块204，用于若所述目标人脸图像通过所述第二比对认证，则确定所述待认证人员为认证人员，并将所述人脸特征添加到所述本地人脸特征库。
优选的，如图3所示，所述第一比对模块202包括：
第一计算单元2021，用于计算所述人脸特征与所述本地人脸特征库中各个本地人脸特征之间的度量距离；
第一判断单元2022，用于判断所述度量距离是否大于预先设置的度量距离阈值；
第一确定单元2023，用于若所述度量距离大于或等于预先设置的度量距离阈值，则确定所述人脸特征通过所述第一比对认证，并根据所述本地人脸特征确定所述待认证人员为认证人员；以及
第二计算单元2024，用于计算所述目标人脸图像的图像质量，若所述目标人脸图像的图像质量大于或等于预设的图像质量阈值，则将所述人脸特征添加到所述本地人脸特征库，并在所述本地人脸特征库中删除与所述人脸特征对应的本地人脸特征；
第二确定单元2025，用于若所述度量距离小于预先调协的度量距离阈值，则确定所述人脸特征没有通过所述第一比对认证。
可选的，如图4所示，所述第二比对模块203，包括：
第三计算单元2031，用于计算所述目标人脸图像的关键点拓扑图，所述关键点拓扑图中的每个节点均对应一个纹理特征向量，所述关键点拓扑图中的每两个节点之间的边均对应一个几何特征向量，所述纹理特征向量包含人脸在节点上的纹理信息，所述几何特征向量包含人脸在边上的几何信息；
第四计算单元2032，用于计算所述目标人脸图像的关键点拓扑图与所述本地预测人脸的关键点拓扑图之间的第一相似度，并判断所述第一相似度是否大于或等于预设的第一相似度阈值；
第三确定单元2033，用于若所述相似度大于或等于预设的第一相似度阈值，则确定所述目标人脸图像通过所述第二比对认证；
第四确定单元2034，用于若所述第一相似度小于预设的第一相似度阈值，则确定所述目标人脸图像没有通过所述第二比对认证，并提示所述待认证人员更新注册。
可选的，所述第二比对模块203还用于将所述历史注册人脸与预设的成长因子矩阵进行加权，得到本地预测人脸。
可选的，如图5所示，所述装置还包括：
样本获取模块205，用于获取训练样本，所述训练样本中包括样本人员的历史人脸和当前人脸，所述历史人脸与所述当前人脸间隔第二预设时间；
训练模块206，用于以所述历史人脸为样本，所述当前人脸为标签，成长因子矩阵为输出对预设的卷积神经网络进行训练，得到训练好的卷积神经网络；
计算模块207，用于将历史注册人脸输入所述训练好的卷积神经网络，输出所述历史注册人脸对应的成长因子矩阵。
可选的，如图6所示，所述第二比对模块203还包括：
第五计算单元2035，用于计算所述目标人脸图像与所述历史注册人脸之间的第二相似度，并判断所述第二相似度是否大于或等于预设的第二相似度阈值；
第五确定单元2036，用于若所述相似度大于或等于预设的第二相似度阈值，则确定所述目标人脸图像通过所述第二比对认证。
需要说明的是，本发明实施例提供的离线人脸认证装置可以应用于可以进行离线人脸认证的手机、监控器、门禁机、计算机、服务器等设备。
本发明实施例提供的离线人脸认证装置能够实现上述方法实施例中离线人脸认证方法实现的各个过程，且可以达到相同的有益效果。为避免重复，这里不再赘述。
参见图7，图7是本发明实施例提供的一种电子设备的结构示意图，如图7所示，包括：存储器702、处理器701及存储在所述存储器702上并可在所述处理器701上运行的计算机程序，其中：
处理器701用于调用存储器702存储的计算机程序，执行如下步骤：
获取待认证人员的目标人脸图像，并通过人脸特征提取引擎，提取的目标人脸图像的人脸特征；
将所述人脸特征在本地人脸特征库进行第一比对认证，并判断所述人脸特征是否通过所述第一比对认证，其中，所述本地人脸特征库存储有第一预设时间内的本地人脸特征；
若所述人脸特征没有通过所述第一比对认证，则将所述目标人脸图像在本地人脸库进行第二比对认证，并判断所述目标人脸图像是否通过第二比对认证，其中，所述本地人脸库存储有第二预设时间内的本地预测人脸，所述本地预测人脸根据历史注册人脸进行成长预测得到，所述第二预设时间早于所述第一预设时间；
若所述目标人脸图像通过所述第二比对认证，则确定所述待认证人员为认证人员，并将所述人脸特征添加到所述本地人脸特征库。
可选的，所述处理器701执行的第一比对认证包括：
计算所述人脸特征与所述本地人脸特征库中各个本地人脸特征之间的度量距离；
判断所述度量距离是否大于预先设置的度量距离阈值；
若所述度量距离大于或等于预先设置的度量距离阈值，则确定所述人脸特征通过所述第一比对认证，并根据所述本地人脸特征确定所述待认证人员为认证人员；以及
计算所述目标人脸图像的图像质量，若所述目标人脸图像的图像质量大于或等于预设的图像质量阈值，则将所述人脸特征添加到所述本地人脸特征库，并在所述本地人脸特征库中删除与所述人脸特征对应的本地人脸特征；
若所述度量距离小于预先调协的度量距离阈值，则确定所述人脸特征没有通过所述第一比对认证。
可选的，所述处理器701执行的判断所述目标人脸图像是否通过第二比对认证，包括：
计算所述目标人脸图像的关键点拓扑图，所述关键点拓扑图中的每个节点均对应一个纹理特征向量，所述关键点拓扑图中的每两个节点之间的边均对应一个几何特征向量，所述纹理特征向量包含人脸在节点上的纹理信息，所述几何特征向量包含人脸在边上的几何信息；
计算所述目标人脸图像的关键点拓扑图与所述本地预测人脸的关键点拓扑图之间的第一相似度，并判断所述第一相似度是否大于或等于预设的第一相似度阈值；
若所述相似度大于或等于预设的第一相似度阈值，则确定所述目标人脸图像通过所述第二比对认证；
若所述第一相似度小于预设的第一相似度阈值，则确定所述目标人脸图像没有通过所述第二比对认证，并提示所述待认证人员更新注册。
可选的，所述处理器701执行的根据历史注册人脸进行成长预测，包括：
将所述历史注册人脸与预设的成长因子矩阵进行加权，得到本地预测人脸。
可选的，所述处理器701执行的成长因子矩阵的计算步骤包括：
获取训练样本，所述训练样本中包括样本人员的历史人脸和当前人脸，所述历史人脸与所述当前人脸间隔第二预设时间；
以所述历史人脸为样本，所述当前人脸为标签，成长因子矩阵为输出对预设的卷积神经网络进行训练，得到训练好的卷积神经网络；
将历史注册人脸输入所述训练好的卷积神经网络，输出所述历史注册人脸对应的成长因子矩阵。
可选的，所述本地人脸库还存储有历史注册人脸，在所述计算所述目标人脸图像的关键点拓扑图之前，所述处理器701还执行包括：
计算所述目标人脸图像与所述历史注册人脸之间的第二相似度，并判断所述第二相似度是否大于或等于预设的第二相似度阈值；
若所述相似度大于或等于预设的第二相似度阈值，则确定所述目标人脸图像通过所述第二比对认证。
需要说明的是，上述电子设备可以是可以应用于可以进行离线人脸认证的手机、监控器、门禁机、计算机、服务器等设备。
本发明实施例提供的电子设备能够实现上述方法实施例中离线人脸认证方法实现的各个过程，且可以达到相同的有益效果，为避免重复，这里不再赘述。
本发明实施例还提供一种计算机可读存储介质，计算机可读存储介质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发明实施例提供的离线人脸认证方法的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存取存储器(Random AccessMemory，简称RAM)等。
以上所揭露的仅为本发明较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。
Claims (10)
1.一种离线人脸认证方法，其特征在于，包括以下步骤：
获取待认证人员的目标人脸图像，并通过人脸特征提取引擎，提取的目标人脸图像的人脸特征；
将所述人脸特征在本地人脸特征库进行第一比对认证，并判断所述人脸特征是否通过所述第一比对认证，其中，所述本地人脸特征库存储有第一预设时间内的本地人脸特征；
若所述人脸特征没有通过所述第一比对认证，则将所述目标人脸图像在本地人脸库进行第二比对认证，并判断所述目标人脸图像是否通过第二比对认证，其中，所述本地人脸库存储有第二预设时间内的本地预测人脸，所述本地预测人脸根据历史注册人脸进行成长预测得到，所述第二预设时间早于所述第一预设时间；
若所述目标人脸图像通过所述第二比对认证，则确定所述待认证人员为认证人员，并将所述人脸特征添加到所述本地人脸特征库。
2.如权利要求1所述的方法，其特征在于，所述第一比对认证包括：
计算所述人脸特征与所述本地人脸特征库中各个本地人脸特征之间的度量距离；
判断所述度量距离是否大于预先设置的度量距离阈值；
若所述度量距离大于或等于预先设置的度量距离阈值，则确定所述人脸特征通过所述第一比对认证，并根据所述本地人脸特征确定所述待认证人员为认证人员；以及
计算所述目标人脸图像的图像质量，若所述目标人脸图像的图像质量大于或等于预设的图像质量阈值，则将所述人脸特征添加到所述本地人脸特征库，并在所述本地人脸特征库中删除与所述人脸特征对应的本地人脸特征；
若所述度量距离小于预先调协的度量距离阈值，则确定所述人脸特征没有通过所述第一比对认证。
3.如权利要求2所述的方法，其特征在于，所述判断所述目标人脸图像是否通过第二比对认证，包括：
计算所述目标人脸图像的关键点拓扑图，所述关键点拓扑图中的每个节点均对应一个纹理特征向量，所述关键点拓扑图中的每两个节点之间的边均对应一个几何特征向量，所述纹理特征向量包含人脸在节点上的纹理信息，所述几何特征向量包含人脸在边上的几何信息；
计算所述目标人脸图像的关键点拓扑图与所述本地预测人脸的关键点拓扑图之间的第一相似度，并判断所述第一相似度是否大于或等于预设的第一相似度阈值；
若所述相似度大于或等于预设的第一相似度阈值，则确定所述目标人脸图像通过所述第二比对认证；
若所述第一相似度小于预设的第一相似度阈值，则确定所述目标人脸图像没有通过所述第二比对认证，并提示所述待认证人员更新注册。
4.如权利要求3所述的方法，其特征在于，所述根据历史注册人脸进行成长预测，包括：
将所述历史注册人脸与预设的成长因子矩阵进行加权，得到本地预测人脸。
5.如权利要求4所述的方法，其特征在于，所述成长因子矩阵的计算步骤包括：
获取训练样本，所述训练样本中包括样本人员的历史人脸和当前人脸，所述历史人脸与所述当前人脸间隔第二预设时间；
以所述历史人脸为样本，所述当前人脸为标签，成长因子矩阵为输出对预设的卷积神经网络进行训练，得到训练好的卷积神经网络；
将历史注册人脸输入所述训练好的卷积神经网络，输出所述历史注册人脸对应的成长因子矩阵。
6.如权利要求5所述的方法，其特征在于，所述本地人脸库还存储有历史注册人脸，在所述计算所述目标人脸图像的关键点拓扑图之前，所述方法还包括：
计算所述目标人脸图像与所述历史注册人脸之间的第二相似度，并判断所述第二相似度是否大于或等于预设的第二相似度阈值；
若所述相似度大于或等于预设的第二相似度阈值，则确定所述目标人脸图像通过所述第二比对认证。
7.一种离线人脸认证装置，其特征在于，所述装置包括：
第一获取模块，用于获取待认证人员的目标人脸图像，并通过人脸特征提取引擎，提取的目标人脸图像的人脸特征；
第一比对模块，用于将所述人脸特征在本地人脸特征库进行第一比对认证，并判断所述人脸特征是否通过所述第一比对认证，其中，所述本地人脸特征库存储有第一预设时间内的本地人脸特征；
第二比对模块，用于若所述人脸特征没有通过所述第一比对认证，则将所述目标人脸图像在本地人脸库进行第二比对认证，并判断所述目标人脸图像是否通过第二比对认证，其中，所述本地人脸库存储有第二预设时间内的本地预测人脸，所述本地预测人脸根据历史注册人脸进行成长预测得到，所述第二预设时间早于所述第一预设时间；
确定模块，用于若所述目标人脸图像通过所述第二比对认证，则确定所述待认证人员为认证人员，并将所述人脸特征添加到所述本地人脸特征库。
8.如权利要求7所述的装置，其特征在于，所述第一比对模块包括：
第一计算单元，用于计算所述人脸特征与所述本地人脸特征库中各个本地人脸特征之间的度量距离；
第一判断单元，用于判断所述度量距离是否大于预先设置的度量距离阈值；
第一确定单元，用于若所述度量距离大于或等于预先设置的度量距离阈值，则确定所述人脸特征通过所述第一比对认证，并根据所述本地人脸特征确定所述待认证人员为认证人员；以及
第二计算单元，用于计算所述目标人脸图像的图像质量，若所述目标人脸图像的图像质量大于或等于预设的图像质量阈值，则将所述人脸特征添加到所述本地人脸特征库，并在所述本地人脸特征库中删除与所述人脸特征对应的本地人脸特征；
第二确定单元，用于若所述度量距离小于预先调协的度量距离阈值，则确定所述人脸特征没有通过所述第一比对认证。
9.一种电子设备，其特征在于，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至6中任一项所述的离线人脸认证方法中的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至6中任一项所述的离线人脸认证方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110556906.1A CN113221086B (zh) | 2021-05-21 | 2021-05-21 | 离线人脸认证方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110556906.1A CN113221086B (zh) | 2021-05-21 | 2021-05-21 | 离线人脸认证方法、装置、电子设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113221086A true CN113221086A (zh) | 2021-08-06 |
| CN113221086B CN113221086B (zh) | 2023-04-07 |
Family
ID=77093713
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110556906.1A Active CN113221086B (zh) | 2021-05-21 | 2021-05-21 | 离线人脸认证方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113221086B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113780216A (zh) * | 2021-09-16 | 2021-12-10 | 中国平安人寿保险股份有限公司 | 无感考勤方法、装置、计算机设备及存储介质 |
| CN115631465A (zh) * | 2022-12-22 | 2023-01-20 | 中关村科学城城市大脑股份有限公司 | 重点人群风险感知方法、装置、电子设备和可读介质 |
| CN115798023A (zh) * | 2023-02-13 | 2023-03-14 | 成都睿瞳科技有限责任公司 | 一种人脸识别认证方法、装置、存储介质及处理器 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106952371A (zh) * | 2017-03-21 | 2017-07-14 | 北京深度未来科技有限公司 | 一种人脸漫游认证方法及系统 |
| WO2018041237A1 (zh) * | 2016-08-31 | 2018-03-08 | 腾讯科技（深圳）有限公司 | 人脸验证的方法、装置以及存储介质 |
| US20190065906A1 (en) * | 2017-08-25 | 2019-02-28 | Baidu Online Network Technology (Beijing) Co., Ltd . | Method and apparatus for building human face recognition model, device and computer storage medium |
| CN110008821A (zh) * | 2019-02-02 | 2019-07-12 | 阿里巴巴集团控股有限公司 | 一种预测人像底图更新的方法和设备 |
| WO2020134858A1 (zh) * | 2018-12-29 | 2020-07-02 | 北京市商汤科技开发有限公司 | 人脸属性识别方法及装置、电子设备和存储介质 |
| CN111597894A (zh) * | 2020-04-15 | 2020-08-28 | 杭州东信北邮信息技术有限公司 | 一种基于人脸检测技术的人脸库更新方法 |
| CN112801043A (zh) * | 2021-03-11 | 2021-05-14 | 河北工业大学 | 基于深度学习的实时视频人脸关键点检测方法 |
-
2021
- 2021-05-21 CN CN202110556906.1A patent/CN113221086B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018041237A1 (zh) * | 2016-08-31 | 2018-03-08 | 腾讯科技（深圳）有限公司 | 人脸验证的方法、装置以及存储介质 |
| CN106952371A (zh) * | 2017-03-21 | 2017-07-14 | 北京深度未来科技有限公司 | 一种人脸漫游认证方法及系统 |
| US20190065906A1 (en) * | 2017-08-25 | 2019-02-28 | Baidu Online Network Technology (Beijing) Co., Ltd . | Method and apparatus for building human face recognition model, device and computer storage medium |
| WO2020134858A1 (zh) * | 2018-12-29 | 2020-07-02 | 北京市商汤科技开发有限公司 | 人脸属性识别方法及装置、电子设备和存储介质 |
| CN110008821A (zh) * | 2019-02-02 | 2019-07-12 | 阿里巴巴集团控股有限公司 | 一种预测人像底图更新的方法和设备 |
| CN111597894A (zh) * | 2020-04-15 | 2020-08-28 | 杭州东信北邮信息技术有限公司 | 一种基于人脸检测技术的人脸库更新方法 |
| CN112801043A (zh) * | 2021-03-11 | 2021-05-14 | 河北工业大学 | 基于深度学习的实时视频人脸关键点检测方法 |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113780216A (zh) * | 2021-09-16 | 2021-12-10 | 中国平安人寿保险股份有限公司 | 无感考勤方法、装置、计算机设备及存储介质 |
| CN113780216B (zh) * | 2021-09-16 | 2024-03-05 | 中国平安人寿保险股份有限公司 | 无感考勤方法、装置、计算机设备及存储介质 |
| CN115631465A (zh) * | 2022-12-22 | 2023-01-20 | 中关村科学城城市大脑股份有限公司 | 重点人群风险感知方法、装置、电子设备和可读介质 |
| CN115798023A (zh) * | 2023-02-13 | 2023-03-14 | 成都睿瞳科技有限责任公司 | 一种人脸识别认证方法、装置、存储介质及处理器 |
| CN115798023B (zh) * | 2023-02-13 | 2023-04-18 | 成都睿瞳科技有限责任公司 | 一种人脸识别认证方法、装置、存储介质及处理器 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113221086B (zh) | 2023-04-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113221086B (zh) | 离线人脸认证方法、装置、电子设备及存储介质 | |
| You et al. | On hierarchical palmprint coding with multiple features for personal identification in large databases | |
| CN107437074B (zh) | 一种身份认证方法和装置 | |
| CN109886222B (zh) | 人脸识别方法、神经网络训练方法、装置及电子设备 | |
| CN109190470B (zh) | 行人重识别方法及装置 | |
| CN108269254A (zh) | 图像质量评估方法和装置 | |
| Soltanpour et al. | Multimodal 2D–3D face recognition using local descriptors: pyramidal shape map and structural context | |
| CN113449704B (zh) | 人脸识别模型训练方法、装置、电子设备及存储介质 | |
| CN108875907A (zh) | 一种基于深度学习的指纹识别方法和装置 | |
| Karna et al. | Normalized cross-correlation based fingerprint matching | |
| CN111488798B (zh) | 指纹识别方法、装置、电子设备及存储介质 | |
| KR101471814B1 (ko) | 홍채 인식에 의한 식별 | |
| Jeyanthi et al. | An efficient automatic overlapped fingerprint identification and recognition using ANFIS classifier | |
| Kassem et al. | An enhanced ATM security system using multimodal biometric strategy | |
| Abayomi-Alli et al. | Facial image quality assessment using an ensemble of pre-trained deep learning models (EFQnet) | |
| CN114360058A (zh) | 一种基于行走视角预测的跨视角步态识别方法 | |
| CN112418078B (zh) | 分数调制方法、人脸识别方法、装置及介质 | |
| CN110956098B (zh) | 图像处理方法及相关设备 | |
| Turky et al. | The use of SOM for fingerprint classification | |
| Oo et al. | A robust fingerprint recognition technique applying minutiae extractors and neural network | |
| Li et al. | Palmprint matching using line features | |
| Hariprasath et al. | Bimodal biometric pattern recognition system based on fusion of iris and palmprint using multi-resolution approach | |
| Kuban et al. | A NOVEL MODIFICATION OF SURF ALGORITHM FOR FINGERPRINT MATCHING. | |
| CN116758374A (zh) | 图像识别模型的训练方法、图像识别方法及装置 | |
| CN110096954B (zh) | 一种基于神经网络的指纹识别方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |