CN113283313B - 信息处理方法、装置及设备 - Google Patents

信息处理方法、装置及设备 Download PDF

Info

Publication number
CN113283313B
CN113283313B CN202110504383.6A CN202110504383A CN113283313B CN 113283313 B CN113283313 B CN 113283313B CN 202110504383 A CN202110504383 A CN 202110504383A CN 113283313 B CN113283313 B CN 113283313B
Authority
CN
China
Prior art keywords
face
feature information
face feature
pieces
information
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.)
Active
Application number
CN202110504383.6A
Other languages
English (en)
Other versions
CN113283313A (zh
Inventor
闾凡兵
牟三钢
曾海文
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.)
Changsha Hisense Intelligent System Research Institute Co ltd
Original Assignee
Changsha Hisense Intelligent System Research Institute 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 Changsha Hisense Intelligent System Research Institute Co ltd filed Critical Changsha Hisense Intelligent System Research Institute Co ltd
Priority to CN202110504383.6A priority Critical patent/CN113283313B/zh
Publication of CN113283313A publication Critical patent/CN113283313A/zh
Application granted granted Critical
Publication of CN113283313B publication Critical patent/CN113283313B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Molecular Biology (AREA)
  • Human Computer Interaction (AREA)
  • Multimedia (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Biology (AREA)
  • Geometry (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Collating Specific Patterns (AREA)
  • Image Analysis (AREA)

Abstract

本申请公开了一种信息处理方法、装置及设备，属于人脸识别技术领域。信息处理方法包括：将样本人脸图像分别输入到至少两个人脸特征提取模型，得到至少两个第一人脸特征信息；将至少两个第一人脸特征信息分别输入到至少两个人脸特征转换模型，得到至少两个第二人脸特征信息；在至少两个第二人脸特征信息与目标人脸参考特征信息满足预设条件的情况下，将至少两个人脸第二特征信息作为标准人脸特征信息。通过本申请提供的信息处理方法、装置及设备，标准人脸特征信息能够通用各个人脸识别系统。

Description

信息处理方法、装置及设备
技术领域
本申请属于人脸识别技术领域，具体涉及一种信息处理方法、装置及设备。
背景技术
人脸识别是基于人的面部特征信息进行身份识别的一种生物识别技术。人脸识别广泛被应用于安全防护、系统验证、门禁验证等场景中。
然而，某些项目包括多家厂商的人脸识别系统，多套人脸识别系统并存。对于同一人脸图像，不同人脸识别系统提取出的人脸特征信息并不相同，不同人脸识别系统提取出的人脸特征信息在各个人脸识别系统中并不通用。
发明内容
本申请实施例的目的是提供一种信息处理方法、装置及设备，能够解决跨人脸识别系统使用人脸特征信息出现的不通用的问题。
第一方面，本申请实施例提供了一种信息处理方法，包括：
将样本人脸图像分别输入到至少两个人脸特征提取模型，得到至少两个第一人脸特征信息，其中，至少两个人脸特征提取模型与至少两个人脸识别系统一一对应；
将至少两个第一人脸特征信息分别输入到至少两个人脸特征转换模型，得到至少两个第二人脸特征信息，其中，至少两个人脸特征转换模型与至少两个人脸特征提取模型一一对应；
在至少两个第二人脸特征信息与目标人脸参考特征信息满足预设条件的情况下，将至少两个人脸第二特征信息作为标准人脸特征信息；
其中，目标人脸参考特征信息为根据至少两个第一人脸特征信息和人脸参考特征信息生成模型得到的且与至少两个第一人脸特征信息的相似度大于预设相似度阈值的人脸特征信息；
至少两个第二人脸特征信息与目标人脸参考特征信息满足预设条件，包括：
预设参数的参数值大于预设参数阈值，预设参数为用于衡量至少两个第二人脸特征信息与目标人脸参考特征信息的一致性的参数。
第二方面，本申请实施例提供了一种信息处理装置，包括：
第一特征提取模块，用于将样本人脸图像分别输入到至少两个人脸特征提取模型，得到至少两个第一人脸特征信息，其中，至少两个人脸特征提取模型与至少两个人脸识别系统一一对应；
第一特征转换模块，用于将至少两个第一人脸特征信息分别输入到至少两个人脸特征转换模型，得到至少两个第二人脸特征信息，其中，至少两个人脸特征转换模型与至少两个人脸特征提取模型一一对应；
第一确定模块，用于在至少两个第二人脸特征信息与目标人脸参考特征信息满足预设条件的情况下，将至少两个人脸第二特征信息作为标准人脸特征信息；
其中，目标人脸参考特征信息为根据至少两个第一人脸特征信息和人脸参考特征信息生成模型得到的且与至少两个第一人脸特征信息的相似度大于预设相似度阈值的人脸特征信息；
至少两个第二人脸特征信息与目标人脸参考特征信息满足预设条件，包括：
预设参数的参数值大于预设参数阈值，预设参数为用于衡量至少两个第二人脸特征信息与目标人脸参考特征信息的一致性的参数。
第三方面，本申请实施例提供了一种电子设备，该电子设备包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的程序或指令，所述程序或指令被所述处理器执行时实现如第一方面所述的方法的步骤。
第四方面，本申请实施例提供了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程序或指令，所述程序或指令被处理器执行时实现如第一方面所述的方法的步骤。
在本申请实施例中，通过将样本人脸图像分别输入到与至少两个人脸识别系统一一对应的至少两个人脸特征提取模型，得到至少两个第一人脸特征信息，将至少两个第一人脸特征信息分别输入到与至少两个人脸特征提取模型一一对应的至少两个人脸特征转换模型，得到至少两个第二人脸特征信息，在至少两个第二人脸特征信息与目标人脸参考特征信息满足预设条件的情况下，将至少两个人脸第二特征信息作为标准人脸特征信息。由于目标人脸参考特征信息是根据至少两个第一人脸特征信息和人脸参考特征信息生成模型得到的且与至少两个第一人脸特征信息的相似度大于预设相似度阈值的人脸特征信息，也就是说，目标人脸参考特征信息与至少两个第一人脸特征信息比较相似，又由于在用于衡量至少两个第二人脸特征信息与目标人脸参考特征信息的一致性的参数的参数值大于预设参数阈值的情况下，将至少两个第二人脸特征信息作为标准人脸特征信息，也就是说，标准人脸特征信息与目标人脸参考特征信息比较一致，因此，标准人脸特征信息可以在各个人脸识别系统中通用，能够解决跨人脸识别系统使用人脸特征信息出现的不通用的问题。
附图说明
图1是本申请实施例提供的信息处理方法的流程示意图；
图2是本申请实施例提供的得到标准人脸特征信息的过程示意图；
图3是本申请实施例提供的信息处理装置的结构示意图；
图4是实现本申请实施例的电子设备的硬件结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员获得的所有其他实施例，都属于本申请保护的范围。
本申请的说明书和权利要求书中的术语“第一”、“第二”等是用于区别类似的对象，而不用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施，且“第一”、“第二”等所区分的对象通常为一类，并不限定对象的个数，例如第一对象可以是一个，也可以是多个。此外，说明书以及权利要求中“和/或”表示所连接对象的至少其中之一，字符“/”，一般表示前后关联对象是一种“或”的关系。
下面结合附图，通过具体的实施例及其应用场景对本申请实施例提供的信息处理方法、装置及设备进行详细地说明。
图1是本申请实施例提供的信息处理方法的流程示意图。信息处理方法可以包括：
S101：将样本人脸图像分别输入到至少两个人脸特征提取模型，得到至少两个第一人脸特征信息；
S102；将至少两个第一人脸特征信息分别输入到至少两个人脸特征转换模型，得到至少两个第二人脸特征信息；
S103：在至少两个第二人脸特征信息与目标人脸参考特征信息满足预设条件的情况下，将至少两个人脸第二特征信息作为标准人脸特征信息。
其中，至少两个人脸特征提取模型与至少两个人脸识别系统一一对应；至少两个人脸特征转换模型与至少两个人脸特征提取模型一一对应；目标人脸参考特征信息为根据至少两个第一人脸特征信息和人脸参考特征信息生成模型得到的且与至少两个第一人脸特征信息的相似度大于预设相似度阈值的人脸特征信息；至少两个第二人脸特征信息与目标人脸参考特征信息满足预设条件包括：预设参数的参数值大于预设参数阈值，预设参数为用于衡量至少两个第二人脸特征信息与目标人脸参考特征信息的一致性的参数。
上述各步骤的具体实现方式将在下文中进行详细描述。
在本申请实施例中，通过将样本人脸图像分别输入到与至少两个人脸识别系统一一对应的至少两个人脸特征提取模型，得到至少两个第一人脸特征信息，将至少两个第一人脸特征信息分别输入到与至少两个人脸特征提取模型一一对应的至少两个人脸特征转换模型，得到至少两个第二人脸特征信息，在至少两个第二人脸特征信息与目标人脸参考特征信息满足预设条件的情况下，将至少两个人脸第二特征信息作为标准人脸特征信息。由于目标人脸参考特征信息是根据至少两个第一人脸特征信息和人脸参考特征信息生成模型得到的且与至少两个第一人脸特征信息的相似度大于预设相似度阈值的人脸特征信息，也就是说，目标人脸参考特征信息与至少两个第一人脸特征信息比较相似，又由于在用于衡量至少两个第二人脸特征信息与目标人脸参考特征信息的一致性的参数的参数值大于预设参数阈值的情况下，将至少两个第二人脸特征信息作为标准人脸特征信息，也就是说，标准人脸特征信息与目标人脸参考特征信息比较一致，因此，标准人脸特征信息可以在各个人脸识别系统中通用，能够解决跨人脸识别系统使用人脸特征信息出现的不通用的问题。
在本申请实施例的一些可能实现中，S101中的样本人脸图像也可以被称之为基准人脸图像。
示例性地，假设存在3个人脸识别系统，3个人脸识别系统分别为人脸识别系统1、人脸识别系统2和人脸识别系统3。其中，人脸识别系统1包括人脸特征提取模型1，人脸识别系统2包括人脸特征提取模型2，人脸识别系统3包括人脸特征提取模型3，也就是说，人脸特征提取模型1与人脸识别系统1对应，人脸特征提取模型2与人脸识别系统2对应，人脸特征提取模型3与人脸识别系统3对应。
在S101中，将样本人脸图像P输入到人脸特征提取模型1，得到i维人脸特征信息，用向量表示为[X1、X2、……、Xi]；将样本人脸图像P输入到人脸特征提取模型2，得到j维人脸特征信息，用向量表示为[Y1、Y2、……、Yj]；将样本人脸图像P输入到人脸特征提取模型3，得到k维人脸特征信息，用向量表示为[Z1、Z2、……、Zk]。
在S102中，将i维人脸特征信息[X1、X2、……、Xi]输入到与人脸特征提取模型1对应的人脸特征转换模型1，得到a维人脸特征信息，用向量表示为[X1′、X2′、……、Xa′]；将j维人脸特征信息[Y1、Y2、……、Yj]输入到与人脸特征提取模型2对应的人脸特征转换模型2，得到b维人脸特征信息，用向量表示为[Y1′、Y2′、……、Yb′]；将k维人脸特征信息[Z1、Z2、……、Zk]输入到与人脸特征提取模型3对应的人脸特征转换模型3，得到c维人脸特征信息，用向量表示为[Z1′、Z2′、……、Zc′]。其中，a与i可以相等也可以不相等，b与j可以相等也可以不相等，c与k可以相等也可以不相等。
在S103中，在a维人脸特征信息[X1′、X2′、……、Xa′]、b维人脸特征信息[Y1′、Y2′、……、Yb′]和c维人脸特征信息[Z1′、Z2′、……、Zc′]与目标人脸特征信息满足预设条件的情况下，将a维人脸特征信息[X1′、X2′、……、Xa′]、b维人脸特征信息[Y1′、Y2′、……、Yb′]和c维人脸特征信息[Z1′、Z2′、……、Zc′]作为标准人脸特征信息。
在本申请实施例的一些可能实现中，可以计算目标人脸特征信息与a维人脸特征信息[X1′、X2′、……、Xa′]、b维人脸特征信息[Y1′、Y2′、……、Yb′]和c维人脸特征信息[Z1′、Z2′、……、Zc′]的预设参数的参数值，其中，该预设参数用于衡量目标人脸特征信息与a维人脸特征信息[X1′、X2′、……、Xa′]、b维人脸特征信息[Y1′、Y2′、……、Yb′]和c维人脸特征信息[Z1′、Z2′、……、Zc′]的一致性。
本申请实施例并不对计算目标人脸特征信息与a维人脸特征信息[X1′、X2′、……、Xa′]、b维人脸特征信息[Y1′、Y2′、……、Yb′]和c维人脸特征信息[Z1′、Z2′、……、Zc′]的预设参数的参数值所采用的方式进行限定，任何可用的方式均可以应用于本申请实施例中。比如，Kappa系数检验、组内相关系数(intraclass correlation coefficient，ICC)检验、Kendall W协调系数检验。
在本申请实施例的一些可能实现中，当至少两个第二人脸特征信息与目标人脸参考特征信息不满足预设条件时，本申请实施例提供的信息处理方法还包括：调整至少两个人脸特征转换模型，返回将至少两个第一人脸特征信息分别输入到至少两个人脸特征转换模型的步骤，直至至少两个第二人脸特征信息与目标人脸参考特征信息满足预设条件。
本申请实施例并不对调整至少两个人脸特征转换模型所采用的方式进行限定，任何可用的调整方式均可以应用于本申请实施例中。比如，调整至少一个人脸特征转换模型的转换维数。
在本申请实施例的一些可能实现中，在S101之后，S103之前，本申请实施例提供的信息处理方法还包括：将至少两个第一人脸特征信息输入到人脸参考特征信息生成模型，得到第一人脸参考特征信息；计算第一人脸参考特征信息与至少两个第一人脸特征信息的第一相似度；在第一相似度大于预设相似度阈值的情况下，将第一人脸参考特征信息作为目标人脸参考特征信息。
在本申请实施例的一些可能实现中，将至少两个第一人脸特征信息输入到人脸参考特征信息生成模型，得到第一人脸参考特征信息，包括：利用人脸参考特征信息生成模型对至少两个第一人脸特征信息执行以下所列项中的至少一项处理，得到第一人脸参考特征信息：
人脸特征信息加权平均、人脸特征信息指定、人脸特征信息降维、人脸特征信息拼接。
示例性地，利用人脸参考特征信息生成模型对i维人脸特征信息[X1、X2、……、Xi]、j维人脸特征信息[Y1、Y2、……、Yj]和k维人脸特征信息[Z1、Z2、……、Zk]进行人脸特征信息加权平均、人脸特征信息指定、人脸特征信息降维和/或人脸特征信息拼接等处理，得到第一人脸参考特征信息。假设得到第一人脸参考特征信息为N维的人脸参考特征信息，用向量表示为[M1、M2、……、Mn]。
然后分别计算N维人脸参考特征信息[M1、M2、……、Mn]与i维人脸特征信息[X1、X2、……、Xi]、j维人脸特征信息[Y1、Y2、……、Yj]和k维人脸特征信息[Z1、Z2、……、Zk]的相似度，然后，计算得到的3个相似度的平均值，将该平均值作为N维人脸参考特征信息[M1、M2、……、Mn]与包括i维人脸特征信息[X1、X2、……、Xi]、j维人脸特征信息[Y1、Y2、……、Yj]和k维人脸特征信息[Z1、Z2、……、Zk]的整体的相似度(即上述第一相似度)。当该整体的相似度大于预设相似度阈值时，将N维人脸参考特征信息[M1、M2、……、Mn]作为目标人脸参考特征信息。
当该整体的相似度不大于预设相速度阈值时，调整人脸参考特征信息生成模型，返回将至少两个第一人脸特征信息输入到人脸参考特征信息生成模型的步骤，直至第一相似度大于预设相似度阈值。
本申请实施例并不对调整人脸参考特征信息生成模型进行限定，任何可用的方式均可以应用于本申请实施例中。比如，调整加权权重、调整降维维数、调整拼接长度等等。
图2是本申请实施例提供的得到标准人脸特征信息的过程示意图。
在图2中，首先获取基准人脸数据集(即人脸图像样本)和某一项目中的多个厂商人脸识别系统。将基准人脸数据集分别输入到多个厂商人脸识别系统的人脸特征提取模型，得到包括对应于每个厂商的人脸特征信息的原始人脸特征向量数据集，其中，图2中的原始人脸特征向量i为将基准人脸数据集输入到N个厂商人脸识别系统中的第i个厂商人脸识别系统的人脸特征提取模型i得到的人脸特征信息，i为不大于N的正整数。将对应于每个厂商的人脸特征信息输入到人脸参考特征信息生成模型，利用人脸参考特征信息生成模型对对应于每个厂商的人脸特征信息进行特征向量降维、特征向量加权平均、特征向量拼接和/或特征向量指定等处理，得到第一人脸参考特征信息(即图2中的准参考特征向量)，计算准参考特征向量与原始人脸特征向量数据集的相似度(即图2中相似性判断)，当准参考特征向量与原始人脸特征向量数据集的相似度达到指定阈值的相似性要求时，将该准参考特征向量作为目标人脸参考特征信息(即图2中的目标人脸参考特征向量)；当该准参考特征向量与原始人脸特征向量数据集的相似度未达到指定阈值的相似性要求时，对人脸参考特征信息生成模型进行调整，重新生成准参考特征向量，直至准参考特征向量与原始人脸特征向量数据集的相似度达到指定阈值的相似性要求。
将对应于每个厂商的人脸特征信息分别输入到与该厂商对应的人脸特征转换模型，得到对应于每个厂商经过特征转换后的人脸特征信息(即图2中的人脸特征转换向量)，其中，图2中的人脸特征转换向量i为将原始人脸特征向量i进行特征转换后的特征向量。将N个人脸特征转换向量与目标人脸参考特征向量进行一致性比对，当N个人脸特征转换向量与目标人脸参考特征向量通过一致性比对时，将N个人脸特征转换向量作为标准人脸特征向量，当N个人脸特征转换向量与目标人脸参考特征向量未通过一致性比对时，对人脸特征转换模型进行调整，直至N个人脸特征转换向量与目标人脸参考特征向量通过一致性比对。
在本申请实施例的一些可能实现中，在S103之后，本申请实施例提供的信息处理方法还可以包括：将样本人脸图像作为神经网络的输入，将标准人脸特征信息作为神经网络的输出，训练神经网络，得到目标人脸特征提取模型。
本申请实施例并不对训练神经网络，得到目标人脸特征提取模型的训练过程进行限定，任何可用的训练过程均可以应用于本申请实施例中。例如，将样本人脸图像输入到到待训练的神经网络，得到预测结果；根据该预测结果和标准人脸特征信息，确定该神经网络的损失函数；基于该损失函数调整该神经网络的模型参数；将样本人脸图像输入到到调整模型参数后的神经网络，对该神经网络进行迭代训练，直至满足预设训练条件(例如，迭代次数达到预设次数)，将此时的神经网络作为目标人脸特征提取模型。
在本申请实施例的一些可能实现中，在得到目标人脸特征提取模型之后，本申请实施例提供的信息处理方法还可以包括：将目标人脸图像输入到目标人脸特征提取模型，得到与目标人脸图像对应的目标人脸特征信息；根据目标人脸特征信息，进行人脸识别。
示例性地，将目标人脸图像Q输入到目标人脸特征提取模型，得到与目标人脸图像Q对应的人脸特征信息，然后，从人脸库中依次提取人脸图像，将提取的人脸图像输入到目标人脸特征提取模型，得到与提取的人脸图像对应的人脸特征信息，计算目标人脸图像Q对应的人脸特征信息与提取的人脸图像对应的人脸特征信息的相似度，当该相似度大于设定的相似度阈值时，将所提取的人脸图像对应的用户信息作为人脸识别结果。
在本申请实施例中，在进行人脸识别时，用户可以选择目标人脸特征提取模型，进而基于该目标人脸特征提取模型进行人脸识别。
在本申请实施例的一些可能实现中，在至少两个第二人脸特征信息与目标人脸参考特征信息满足预设条件的情况下，本申请实施例提供的信息处理方法还可以包括：将目标人脸图像输入到至少两个人脸特征提取模型中的第一人脸特征提取模型，得到与目标人脸图像对应的第三人脸特征信息；将第三人脸特征信息输入到第一人脸特征转换模型，得到与目标人脸图像对应的目标人脸特征信息，其中，第一人脸特征转换模型为至少两个人脸特征转换模型中与第一人脸特征提取模型对应的人脸特征转换模型；根据目标人脸特征信息，进行人脸识别。
示例性地，将目标人脸图像Q输入到至少两个人脸特征提取模型中的人脸特征提取模型X，得到与目标人脸图像Q对应的人脸特征信息，然后，将与目标人脸图像Q对应的人脸特征信息输入到与人脸特征提取模型X对应的人脸特征转换模型X′，得到经过特征转换的目标人脸图像Q对应的人脸特征信息；从人脸库中依次提取人脸图像，将提取的人脸图像输入到人脸特征提取模型X，得到与提取的人脸图像对应的人脸特征信息，然后，将与提取的人脸图像对应的人脸特征信息输入到与人脸特征转换模型X′，得到经过特征转换的提取的人脸图像对应的人脸特征信息；计算经过特征转换的目标人脸图像Q对应的人脸特征信息与经过特征转换的提取的人脸图像对应的人脸特征信息的相似度，当该相似度大于设定的相似度阈值时，将所提取的人脸图像对应的用户信息作为人脸识别结果。
在本申请实施例中，在进行人脸识别时，用户可以选择某一厂商的人脸识别系统，利用该人脸识别系统包括的人脸特征提取模型进行人脸特征提取，将提取到的人脸特征利用与该人脸特征提取模型对应的人脸特征转换模型进行特征转换，然后，基于特征转换后的人脸特征进行人脸识别。
需要说明的是，本申请实施例提供的信息处理方法，执行主体可以为信息处理装置，或者该信息处理装置中的用于执行信息处理方法的控制模块。本申请实施例中以信息处理装置执行信息处理方法为例，说明本申请实施例提供的信息处理装置。
图3是本申请实施例提供的信息处理装置的结构示意图。信息处理装置300可以包括：
第一特征提取模块301，用于将样本人脸图像分别输入到至少两个人脸特征提取模型，得到至少两个第一人脸特征信息，其中，至少两个人脸特征提取模型与至少两个人脸识别系统一一对应；
第一特征转换模块302，用于将至少两个第一人脸特征信息分别输入到至少两个人脸特征转换模型，得到至少两个第二人脸特征信息，其中，至少两个人脸特征转换模型与至少两个人脸特征提取模型一一对应；
第一确定模块303，用于在至少两个第二人脸特征信息与目标人脸参考特征信息满足预设条件的情况下，将至少两个人脸第二特征信息作为标准人脸特征信息，其中，目标人脸参考特征信息为根据至少两个第一人脸特征信息和人脸参考特征信息生成模型得到的且与至少两个第一人脸特征信息的相似度大于预设相似度阈值的人脸特征信息；
至少两个第二人脸特征信息与目标人脸参考特征信息满足预设条件，包括：
预设参数的参数值大于预设参数阈值，预设参数为用于衡量至少两个第二人脸特征信息与目标人脸参考特征信息的一致性的参数。
在本申请实施例中，通过将样本人脸图像分别输入到与至少两个人脸识别系统一一对应的至少两个人脸特征提取模型，得到至少两个第一人脸特征信息，将至少两个第一人脸特征信息分别输入到与至少两个人脸特征提取模型一一对应的至少两个人脸特征转换模型，得到至少两个第二人脸特征信息，在至少两个第二人脸特征信息与目标人脸参考特征信息满足预设条件的情况下，将至少两个人脸第二特征信息作为标准人脸特征信息。由于目标人脸参考特征信息是根据至少两个第一人脸特征信息和人脸参考特征信息生成模型得到的且与至少两个第一人脸特征信息的相似度大于预设相似度阈值的人脸特征信息，也就是说，目标人脸参考特征信息与至少两个第一人脸特征信息比较相似，又由于在用于衡量至少两个第二人脸特征信息与目标人脸参考特征信息的一致性的参数的参数值大于预设参数阈值的情况下，将至少两个第二人脸特征信息作为标准人脸特征信息，也就是说，标准人脸特征信息与目标人脸参考特征信息比较一致，因此，标准人脸特征信息可以在各个人脸识别系统中通用，能够解决跨人脸识别系统使用人脸特征信息出现的不通用的问题。
在本申请实施例的一些可能实现中，本申请实施例提供的信息处理装置300还包括：
训练模块，用于将样本人脸图像作为神经网络的输入，将标准人脸特征信息作为神经网络的输出，训练神经网络，得到目标人脸特征提取模型。
在本申请实施例的一些可能实现中，本申请实施例提供的信息处理装置300还包括：
第二特征提取模块，用于将目标人脸图像输入到目标人脸特征提取模型，得到与目标人脸图像对应的目标人脸特征信息；
第一识别模块，用于根据目标人脸特征信息，进行人脸识别。
在本申请实施例的一些可能实现中，本申请实施例提供的信息处理装置300还包括：
第三特征提取模块，用于在至少两个第二人脸特征信息与目标人脸参考特征信息满足预设条件的情况下，将目标人脸图像输入到至少两个人脸特征提取模型中的第一人脸特征提取模型，得到与目标人脸图像对应的第三人脸特征信息；
第二特征转换模块，用于将第三人脸特征信息输入到第一人脸特征转换模型，得到与目标人脸图像对应的目标人脸特征信息，其中，第一人脸特征转换模型为至少两个人脸特征转换模型中与第一人脸特征提取模型对应的人脸特征转换模型；
第二识别模块，用于根据目标人脸特征信息，进行人脸识别。
在本申请实施例的一些可能实现中，本申请实施例提供的信息处理装置300还包括：
特征生成模块，用于将至少两个第一人脸特征信息输入到人脸参考特征信息生成模型，得到第一人脸参考特征信息；
计算模块，用于计算第一人脸参考特征信息与至少两个第一人脸特征信息的第一相似度；
第一确定模块，用于在第一相似度大于预设相似度阈值的情况下，将第一人脸参考特征信息作为目标人脸参考特征信息。
在本申请实施例的一些可能实现中，特征生成模块具体用于：
利用人脸参考特征信息生成模型对至少两个第一人脸特征信息执行以下所列项中的至少一项处理，得到第一人脸参考特征信息：
人脸特征信息加权平均、人脸特征信息指定、人脸特征信息降维、人脸特征信息拼接。
在本申请实施例的一些可能实现中，本申请实施例提供的信息处理装置300还包括：
第一调整模块，用于在第一相似度不大于预设相似度阈值的情况下，调整人脸参考特征信息生成模型，触发特征生成模块，直至第一相似度大于预设相似度阈值。
在本申请实施例的一些可能实现中，本申请实施例提供的信息处理装置300还包括：
第二调整模块，用于在至少两个第二人脸特征信息与目标人脸参考特征信息不满足预设条件的情况下，调整至少两个人脸特征转换模型，触发第一特征转换模块，直至至少两个第二人脸特征信息与目标人脸参考特征信息满足预设条件。
本申请实施例中的信息处理装置可以是装置，也可以是终端中的部件、集成电路、或芯片。该装置可以是移动电子设备，也可以为非移动电子设备。示例性的，移动电子设备可以为手机、平板电脑、笔记本电脑、掌上电脑、车载电子设备、可穿戴设备、超级移动个人计算机(ultra-mobile personal computer，UMPC)、上网本或者个人数字助理(personaldigital assistant，PDA)等，非移动电子设备可以为服务器、网络附属存储器(NetworkAttached Storage，NAS)、个人计算机(personal computer，PC)、电视机(television，TV)、柜员机或者自助机等，本申请实施例不作具体限定。
本申请实施例中的信息处理装置可以为具有操作系统的装置。该操作系统可以为安卓(Android)操作系统，可以为iOS操作系统，还可以为其他可能的操作系统，本申请实施例不作具体限定。
本申请实施例提供的信息处理装置能够实现图1至图2的信息处理方法实施例中的各个过程，为避免重复，这里不再赘述。
图4是实现本申请实施例的电子设备的硬件结构示意图。
该电子设备400包括但不限于：射频单元401、网络模块402、音频输出单元403、输入单元404、传感器405、显示单元406、用户输入单元407、接口单元408、存储器409、以及处理器410等部件。
本领域技术人员可以理解，电子设备400还可以包括给各个部件供电的电源(比如电池)，电源可以通过电源管理系统与处理器410逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。图4中示出的电子设备结构并不构成对电子设备的限定，电子设备可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置，在此不再赘述。
其中，处理器410，用于将样本人脸图像分别输入到至少两个人脸特征提取模型，得到至少两个第一人脸特征信息，其中，至少两个人脸特征提取模型与至少两个人脸识别系统一一对应；将至少两个第一人脸特征信息分别输入到至少两个人脸特征转换模型，得到至少两个第二人脸特征信息，其中，至少两个人脸特征转换模型与至少两个人脸特征提取模型一一对应；在至少两个第二人脸特征信息与目标人脸参考特征信息满足预设条件的情况下，将至少两个人脸第二特征信息作为标准人脸特征信息，其中，目标人脸参考特征信息为根据至少两个第一人脸特征信息和人脸参考特征信息生成模型得到的且与至少两个第一人脸特征信息的相似度大于预设相似度阈值的人脸特征信息；
至少两个第二人脸特征信息与目标人脸参考特征信息满足预设条件，包括：
预设参数的参数值大于预设参数阈值，预设参数为用于衡量至少两个第二人脸特征信息与目标人脸参考特征信息的一致性的参数。
在本申请实施例中，通过将样本人脸图像分别输入到与至少两个人脸识别系统一一对应的至少两个人脸特征提取模型，得到至少两个第一人脸特征信息，将至少两个第一人脸特征信息分别输入到与至少两个人脸特征提取模型一一对应的至少两个人脸特征转换模型，得到至少两个第二人脸特征信息，在至少两个第二人脸特征信息与目标人脸参考特征信息满足预设条件的情况下，将至少两个人脸第二特征信息作为标准人脸特征信息。由于目标人脸参考特征信息是根据至少两个第一人脸特征信息和人脸参考特征信息生成模型得到的且与至少两个第一人脸特征信息的相似度大于预设相似度阈值的人脸特征信息，也就是说，目标人脸参考特征信息与至少两个第一人脸特征信息比较相似，又由于在用于衡量至少两个第二人脸特征信息与目标人脸参考特征信息的一致性的参数的参数值大于预设参数阈值的情况下，将至少两个第二人脸特征信息作为标准人脸特征信息，也就是说，标准人脸特征信息与目标人脸参考特征信息比较一致，因此，标准人脸特征信息可以在各个人脸识别系统中通用，能够解决跨人脸识别系统使用人脸特征信息出现的不通用的问题。
在本申请实施例的一些可能实现中，处理器410还用于：
将样本人脸图像作为神经网络的输入，将标准人脸特征信息作为神经网络的输出，训练神经网络，得到目标人脸特征提取模型。
在本申请实施例的一些可能实现中，处理器410还用于：
将目标人脸图像输入到目标人脸特征提取模型，得到与目标人脸图像对应的目标人脸特征信息；
根据目标人脸特征信息，进行人脸识别。
在本申请实施例的一些可能实现中，处理器410还用于：
在至少两个第二人脸特征信息与目标人脸参考特征信息满足预设条件的情况下，将目标人脸图像输入到至少两个人脸特征提取模型中的第一人脸特征提取模型，得到与目标人脸图像对应的第三人脸特征信息；
将第三人脸特征信息输入到第一人脸特征转换模型，得到与目标人脸图像对应的目标人脸特征信息，其中，第一人脸特征转换模型为至少两个人脸特征转换模型中与第一人脸特征提取模型对应的人脸特征转换模型；
根据目标人脸特征信息，进行人脸识别。
在本申请实施例的一些可能实现中，处理器410还用于：
将至少两个第一人脸特征信息输入到人脸参考特征信息生成模型，得到第一人脸参考特征信息；
计算第一人脸参考特征信息与至少两个第一人脸特征信息的第一相似度；
在第一相似度大于预设相似度阈值的情况下，将第一人脸参考特征信息作为目标人脸参考特征信息。
在本申请实施例的一些可能实现中，处理器410具体用于：
利用人脸参考特征信息生成模型对至少两个第一人脸特征信息执行以下所列项中的至少一项处理，得到第一人脸参考特征信息：
人脸特征信息加权平均、人脸特征信息指定、人脸特征信息降维、人脸特征信息拼接。
在本申请实施例的一些可能实现中，处理器410还用于：
在第一相似度不大于预设相似度阈值的情况下，调整人脸参考特征信息生成模型，直至第一相似度大于预设相似度阈值。
在本申请实施例的一些可能实现中，处理器410还用于：
在至少两个第二人脸特征信息与目标人脸参考特征信息不满足预设条件的情况下，调整至少两个人脸特征转换模型，直至至少两个第二人脸特征信息与目标人脸参考特征信息满足预设条件。
应理解的是，本申请实施例中，输入单元404可以包括图形处理器(GraphicsProcessing Unit，GPU)4041和麦克风4042，图形处理器4041对在视频捕获模式或图像捕获模式中由图像捕获装置(如摄像头)获得的静态图片或视频的图像数据进行处理。显示单元406可包括显示面板4061，可以采用液晶显示器、有机发光二极管等形式来配置显示面板4061。用户输入单元407包括触控面板4071以及其他输入设备4072。触控面板4071，也称为触摸屏。触控面板4071可包括触摸检测装置和触摸控制器两个部分。其他输入设备4072可以包括但不限于物理键盘、功能键(比如音量控制按键、开关按键等)、轨迹球、鼠标、操作杆，在此不再赘述。存储器409可用于存储软件程序以及各种数据，包括但不限于应用程序和操作系统。处理器410可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器410中。
需要注意的是，本申请实施例中的电子设备包括上述所述的移动电子设备和非移动电子设备。
在本申请实施例的一些可能实现中，处理器410可以包括中央处理器(CPU)，或者特定集成电路(Application Specific Integrated Circuit，ASIC)，或者可以被配置成实施本申请实施例的一个或多个集成电路。
在本申请实施例的一些可能实现中，存储器409可以包括只读存储器(Read-OnlyMemory，ROM)，随机存取存储器(Random Access Memory，RAM)，磁盘存储介质设备，光存储介质设备，闪存设备，电气、光学或其他物理/有形的存储器存储设备。因此，通常，存储器包括一个或多个编码有包括计算机可执行指令的软件的有形(非暂态)计算机可读存储介质(例如，存储器设备)，并且当该软件被执行(例如，由一个或多个处理器)时，其可操作来执行参考根据本申请实施例的信息处理方法所描述的操作。
本申请实施例还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程序或指令，该程序或指令被处理器执行时实现上述信息处理方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
其中，所述处理器为上述实施例中所述的电子设备中的处理器。所述计算机可读存储介质的示例包括非暂态计算机可读存储介质，如ROM、RAM、磁碟或者光盘等。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。此外，需要指出的是，本申请实施方式中的方法和装置的范围不限按示出或讨论的顺序来执行功能，还可包括根据所涉及的功能按基本同时的方式或按相反的顺序来执行功能，例如，可以按不同于所描述的次序来执行所描述的方法，并且还可以添加、省去、或组合各种步骤。另外，参照某些示例所描述的特征可在其他示例中被组合。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对相关技术做出贡献的部分可以以计算机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(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端(可以是手机，计算机，服务器，或者网络设备等)执行本申请各个实施例所述的方法。
上面结合附图对本申请的实施例进行了描述，但是本申请并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本申请的启示下，在不脱离本申请宗旨和权利要求所保护的范围情况下，还可做出很多形式，均属于本申请的保护之内。

Claims (9)

1.一种信息处理方法，其特征在于，所述方法包括：
将样本人脸图像分别输入到至少两个人脸特征提取模型，得到至少两个第一人脸特征信息，其中，所述至少两个人脸特征提取模型与至少两个人脸识别系统一一对应；
将所述至少两个第一人脸特征信息分别输入到至少两个人脸特征转换模型，得到至少两个第二人脸特征信息，其中，所述至少两个人脸特征转换模型与所述至少两个人脸特征提取模型一一对应；
在所述至少两个第二人脸特征信息与目标人脸参考特征信息满足预设条件的情况下，将所述至少两个人脸第二特征信息作为标准人脸特征信息；
其中，所述目标人脸参考特征信息为根据所述至少两个第一人脸特征信息和人脸参考特征信息生成模型得到的且与所述至少两个第一人脸特征信息的相似度大于预设相似度阈值的人脸特征信息；
所述至少两个第二人脸特征信息与目标人脸参考特征信息满足预设条件，包括：
预设参数的参数值大于预设参数阈值，所述预设参数为用于衡量所述至少两个第二人脸特征信息与所述目标人脸参考特征信息的一致性的参数；
所述将样本人脸图像分别输入到至少两个人脸特征提取模型，得到至少两个第一人脸特征信息之后，在所述至少两个第二人脸特征信息与目标人脸参考特征信息满足预设条件的情况下，将所述至少两个人脸第二特征信息作为标准人脸特征信息之前，所述方法还包括：
将所述至少两个第一人脸特征信息输入到所述人脸参考特征信息生成模型，得到第一人脸参考特征信息；
计算所述第一人脸参考特征信息与所述至少两个第一人脸特征信息的第一相似度；
在所述第一相似度大于所述预设相似度阈值的情况下，将所述第一人脸参考特征信息作为所述目标人脸参考特征信息。
2.根据权利要求1所述的方法，其特征在于，所述将所述至少两个人脸第二特征信息作为标准人脸特征信息之后，所述方法还包括：
将所述样本人脸图像作为神经网络的输入，将所述标准人脸特征信息作为所述神经网络的输出，训练所述神经网络，得到目标人脸特征提取模型。
3.根据权利要求2所述的方法，其特征在于，所述得到目标人脸特征提取模型之后，所述方法还包括：
将目标人脸图像输入到所述目标人脸特征提取模型，得到与所述目标人脸图像对应的目标人脸特征信息；
根据所述目标人脸特征信息，进行人脸识别。
4.根据权利要求1所述的方法，其特征在于，在所述至少两个第二人脸特征信息与所述目标人脸参考特征信息满足所述预设条件的情况下，所述方法还包括：
将目标人脸图像输入到所述至少两个人脸特征提取模型中的第一人脸特征提取模型，得到与所述目标人脸图像对应的第三人脸特征信息；
将所述第三人脸特征信息输入到第一人脸特征转换模型，得到与所述目标人脸图像对应的目标人脸特征信息，其中，所述第一人脸特征转换模型为所述至少两个人脸特征转换模型中与所述第一人脸特征提取模型对应的人脸特征转换模型；
根据所述目标人脸特征信息，进行人脸识别。
5.根据权利要求1所述的方法，其特征在于，所述将所述至少两个第一人脸特征信息输入到所述人脸参考特征信息生成模型，得到第一人脸参考特征信息，包括：
利用所述人脸参考特征信息生成模型对所述至少两个第一人脸特征信息执行以下所列项中的至少一项处理，得到所述第一人脸参考特征信息：
人脸特征信息加权平均、人脸特征信息指定、人脸特征信息降维、人脸特征信息拼接。
6.根据权利要求1所述的方法，其特征在于，在所述第一相似度不大于所述预设相似度阈值的情况下，所述方法还包括：
调整所述人脸参考特征信息生成模型，返回所述将所述至少两个第一人脸特征信息输入到所述人脸参考特征信息生成模型的步骤，直至所述第一相似度大于所述预设相似度阈值。
7.根据权利要求1所述的方法，其特征在于，在所述至少两个第二人脸特征信息与所述目标人脸参考特征信息不满足所述预设条件的情况下，所述方法还包括：
调整所述至少两个人脸特征转换模型，返回所述将所述至少两个第一人脸特征信息分别输入到至少两个人脸特征转换模型的步骤，直至所述至少两个第二人脸特征信息与所述目标人脸参考特征信息满足所述预设条件；
所述调整所述至少两个人脸特征转换模型的调整方式为调整所述至少两个人脸特征转换模型中至少一个人脸特征转换模型的转换维数。
8.一种信息处理装置，其特征在于，所述装置包括：
第一特征提取模块，用于将样本人脸图像分别输入到至少两个人脸特征提取模型，得到至少两个第一人脸特征信息，其中，所述至少两个人脸特征提取模型与至少两个人脸识别系统一一对应；
第一特征转换模块，用于将所述至少两个第一人脸特征信息分别输入到至少两个人脸特征转换模型，得到至少两个第二人脸特征信息，其中，所述至少两个人脸特征转换模型与所述至少两个人脸特征提取模型一一对应；
第一确定模块，用于在所述至少两个第二人脸特征信息与目标人脸参考特征信息满足预设条件的情况下，将所述至少两个人脸第二特征信息作为标准人脸特征信息；
其中，所述目标人脸参考特征信息为根据所述至少两个第一人脸特征信息和人脸参考特征信息生成模型得到的且与所述至少两个第一人脸特征信息的相似度大于预设相似度阈值的人脸特征信息；
所述至少两个第二人脸特征信息与目标人脸参考特征信息满足预设条件，包括：
预设参数的参数值大于预设参数阈值，所述预设参数为用于衡量所述至少两个第二人脸特征信息与所述目标人脸参考特征信息的一致性的参数；
所述装置还包括：
特征生成模块，用于将所述至少两个第一人脸特征信息输入到所述人脸参考特征信息生成模型，得到第一人脸参考特征信息；
计算模块，用于计算所述第一人脸参考特征信息与所述至少两个第一人脸特征信息的第一相似度；
所述第一确定模块，还用于在所述第一相似度大于所述预设相似度阈值的情况下，将所述第一人脸参考特征信息作为所述目标人脸参考特征信息。
9.一种电子设备，其特征在于，所述电子设备包括：处理器、存储器及存储在所述存储器上并可在所述处理器上运行的程序或指令，所述程序或指令被所述处理器执行时实现如权利要求1至7任一项所述的信息处理方法的步骤。
CN202110504383.6A 2021-05-10 2021-05-10 信息处理方法、装置及设备 Active CN113283313B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110504383.6A CN113283313B (zh) 2021-05-10 2021-05-10 信息处理方法、装置及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110504383.6A CN113283313B (zh) 2021-05-10 2021-05-10 信息处理方法、装置及设备

Publications (2)

Publication Number Publication Date
CN113283313A CN113283313A (zh) 2021-08-20
CN113283313B true CN113283313B (zh) 2022-10-11

Family

ID=77278565

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110504383.6A Active CN113283313B (zh) 2021-05-10 2021-05-10 信息处理方法、装置及设备

Country Status (1)

Country Link
CN (1) CN113283313B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106971728A (zh) * 2016-01-14 2017-07-21 芋头科技（杭州）有限公司 一种快速识别声纹方法和系统
WO2019200749A1 (zh) * 2018-04-17 2019-10-24 平安科技（深圳）有限公司 识别人脸的方法、装置、计算机设备和存储介质
CN112395449A (zh) * 2019-08-15 2021-02-23 华为技术有限公司 一种人脸检索方法及装置
CN112507995A (zh) * 2021-02-05 2021-03-16 成都东方天呈智能科技有限公司 一种跨模型人脸特征向量的转换系统及方法
CN113313086A (zh) * 2021-07-28 2021-08-27 长沙海信智能系统研究院有限公司 特征向量转换模型处理方法、装置、服务器及存储介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107808115A (zh) * 2017-09-27 2018-03-16 联想(北京)有限公司 一种活体检测方法、装置及存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106971728A (zh) * 2016-01-14 2017-07-21 芋头科技（杭州）有限公司 一种快速识别声纹方法和系统
WO2019200749A1 (zh) * 2018-04-17 2019-10-24 平安科技（深圳）有限公司 识别人脸的方法、装置、计算机设备和存储介质
CN112395449A (zh) * 2019-08-15 2021-02-23 华为技术有限公司 一种人脸检索方法及装置
CN112507995A (zh) * 2021-02-05 2021-03-16 成都东方天呈智能科技有限公司 一种跨模型人脸特征向量的转换系统及方法
CN113313086A (zh) * 2021-07-28 2021-08-27 长沙海信智能系统研究院有限公司 特征向量转换模型处理方法、装置、服务器及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于深度神经网络的动态人脸识别方法及应用;陈国平 等;《微型电脑应用》;20150930;全文 *

Also Published As

Publication number Publication date
CN113283313A (zh) 2021-08-20

Similar Documents

Publication Publication Date Title
US10713532B2 (en) Image recognition method and apparatus
Raheja et al. Robust gesture recognition using Kinect: A comparison between DTW and HMM
Kılıboz et al. A hand gesture recognition technique for human–computer interaction
KR102564854B1 (ko) 정규화된 표현력에 기초한 표정 인식 방법, 표정 인식 장치 및 표정 인식을 위한 학습 방법
US20190392587A1 (en) System for predicting articulated object feature location
KR102501838B1 (ko) 심전도 신호를 이용한 인증 장치 및 방법
US10970523B2 (en) Terminal and server for providing video call service
CN108958487A (zh) 使用标记区域对视频流的手势预处理
EP3355220A1 (en) Facial authentication method and electronic device
WO2020233427A1 (zh) 目标的特征的确定方法和装置
EP3382596B1 (en) Human face model matrix training method and apparatus, and storage medium
US20200134294A1 (en) Method and Device for Face Recognition, Storage Medium, and Electronic Device
CN110738070A (zh) 基于视频的行为识别方法、行为识别装置及终端设备
CN107368181B (zh) 一种手势识别方法及装置
CN111553838A (zh) 模型参数的更新方法、装置、设备及存储介质
CN109635706B (zh) 基于神经网络的手势识别方法、设备、存储介质及装置
CN111382791B (zh) 深度学习任务处理方法、图像识别任务处理方法和装置
CN111080747B (zh) 一种人脸图像处理方法及电子设备
CN104360800A (zh) 一种解锁模式调整方法
CN113283313B (zh) 信息处理方法、装置及设备
CN116665282A (zh) 人脸识别模型训练方法、人脸识别方法及装置
US20140285426A1 (en) Signal processing device and signal processing method
WO2023070933A1 (zh) 手势识别方法、装置、设备及介质
KR20190132885A (ko) 영상으로부터 손을 검출하는 장치, 방법 및 컴퓨터 프로그램
CN112487885A (zh) 支付方法、装置、电子设备及可读存储介质

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