CN113449708A - 人脸识别方法、装置、设备终端和可读存储介质 - Google Patents
人脸识别方法、装置、设备终端和可读存储介质 Download PDFInfo
- Publication number
- CN113449708A CN113449708A CN202111008811.2A CN202111008811A CN113449708A CN 113449708 A CN113449708 A CN 113449708A CN 202111008811 A CN202111008811 A CN 202111008811A CN 113449708 A CN113449708 A CN 113449708A
- Authority
- CN
- China
- Prior art keywords
- similarity
- image
- ghost
- preset
- face
- 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
Images
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本申请涉及人脸识别方法、装置、设备终端和可读存储介质,该人脸识别方法包括:对获得的人脸拍摄图像按照预设划分方式划分为多个图像区域;采用不同的预设人脸识别模型对每个图像区域各自进行人脸识别,以得到每个图像区域各自对应的相似度;根据各个图像区域的鬼影识别信息,将各个图像区域的相似度按照各自对应的预设加权系数分别进行加权处理,以得到所述人脸拍摄图像对应的总和相似度;当总和相似度大于预设人脸图像设置的相似度阈值时,识别人脸拍摄图像与预设人脸图像为同一人脸。上述人脸识别方法,结合各个图像区域的鬼影识别信息,针对每个图像区域的相似度,赋予不同的预设加权系数,进而从整体上提高人脸识别的准确度。
Description
技术领域
本申请涉及图像识别技术领域,具体涉及一种人脸识别方法、装置、设备终端和可读存储介质。
背景技术
人脸识别技术,是基于人的脸部特征,对输入的人脸图像或者视频流.首先判断其是否存在人脸,如果存在人脸,则进一步的给出每个脸的位置、大小和各个主要面部器官的位置信息。并依据这些信息,进一步提取每个人脸中所蕴涵的身份特征,并将其与已知的人脸进行对比,从而识别每个人脸的身份,人脸识别产品应用广泛,例如人脸门禁识别机。
然而,当人脸门禁识别机部署在户外时,例如早晨或者傍晚时分,摄像头会被阳光直射,此时会导致鬼影炫光的负面效果,人脸门禁识别机中拍摄的人脸脸部出现鬼影,由于人脸脸部的主要特征受到了遮挡,导致人脸识别失败而无法开门。
发明内容
鉴于此,本申请提供一种人脸识别方法、装置、设备终端和可读存储介质,以解决现有人脸识别过程中由于脸部出现鬼影而无法对人脸进行正确识别的技术问题。
一种人脸识别方法,人脸识别方法包括:
对获得的人脸拍摄图像按照预设划分方式划分为多个图像区域;
采用不同的预设人脸识别模型对每个图像区域各自进行人脸识别,以得到每个图像区域各自对应的相似度;
根据各个图像区域的鬼影识别信息,将各个图像区域的相似度按照各自对应的预设加权系数分别进行加权处理,以得到人脸拍摄图像对应的总和相似度;
当总和相似度大于预设人脸图像设置的相似度阈值时,识别人脸拍摄图像与预设人脸图像为同一人脸。
在一个实施例中,根据各个图像区域的鬼影识别信息,将各个图像区域的相似度按照各自对应的预设加权系数分别进行加权处理,以得到人脸拍摄图像对应的总和相似度的步骤包括:
根据各个图像区域的鬼影识别信息获取存在鬼影的图像区域;
当获取到存在鬼影的图像区域时,则降低存在鬼影的图像区域的相似度所对应的预设加权系数,升高无鬼影的图像区域的相似度所对应的预设加权系数,以得到调整后的预设加权系数;
根据调整后的预设加权系数对各个图像区域的相似度分别进行加权处理,以得到人脸拍摄图像对应的总和相似度。
在一个实施例中,当获取到一个存在鬼影的图像区域时,降低存在鬼影的图像区域的相似度所对应的预设加权系数,升高无鬼影的图像区域的相似度所对应的预设加权系数的过程采用以下公式:
其中,Wx表示一存在鬼影的图像区域的相似度所对应的降低前的预设加权系数,表示一存在鬼影的图像区域的相似度所对应的降低后的预设加权系数,a为对应的比例系数且a,x和n均为正整数,且x不等于n,Wn表示编号为n的无鬼影的图像区域的相似度所对应的升高前的预设加权系数,表示编号为n的无鬼影的图像区域的相似度所对应的升高后的预设加权系数。
在一个实施例中,当获取到多个存在鬼影的图像区域时,降低存在鬼影的图像区域的相似度所对应的预设加权系数,升高无鬼影的图像区域的相似度所对应的预设加权系数的过程包括:
根据各个存在鬼影的图像区域的区域中心与鬼影所在区域中心之间的距离大小,降低存在鬼影的图像区域的相似度所对应的预设加权系数;
根据存在鬼影的图像区域的相似度所对应的降低后的预设加权系数,升高无鬼影的图像区域的相似度所对应的预设加权系数。
在一个实施例中,根据各个存在鬼影的图像区域的区域中心与鬼影所在区域中心之间的距离大小,降低存在鬼影的图像区域的相似度所对应的预设加权系数中采用的公式为:
其中,表示第k个存在鬼影的图像区域的相似度所对应的降低前的预设加权系数,表示第k个存在鬼影的图像区域的相似度所对应的降低后的预设加权系数,a为对应的比例系数且a,R为鬼影的预设影响距离,Lk为第k个存在鬼影的图像区域的区域中心与鬼影所在区域中心之间的距离大小;
根据存在鬼影的图像区域的相似度所对应的降低后的预设加权系数,升高无鬼影的图像区域的相似度所对应的预设加权系数中采用的公式为:
其中,Wn表示编号为n的无鬼影的图像区域的相似度所对应的升高前的预设加权系数,表示编号为n的无鬼影的图像区域的相似度所对应的升高后的预设加权系数,k、n、K和N均为正整数,N为人脸拍摄图像中图像区域的总数,K为存在鬼影的图像区域的总数。
在一个实施例中,采用不同的预设人脸识别模型对每个图像区域各自进行人脸识别,以得到每个图像区域各自对应的相似度的步骤之前还包括:
对每个图像区域分别进行相似度训练,以得到各自对应的预设人脸识别模型。
在一个实施例中,根据各个图像区域的鬼影识别信息,将各个图像区域的相似度按照各自对应的预设加权系数分别进行加权处理的步骤之前还包括:
将各个图像区域的相似度各自对应的加权系数进行训练,以得到各个图像区域的相似度各自对应的预设加权系数。
此外,还提供一种人脸识别装置,人脸识别装置包括:
区域划分单元,用于对获得的人脸拍摄图像按照预设划分方式划分为多个图像区域;
相似度确定单元,用于采用不同的预设人脸识别模型对每个图像区域各自进行人脸识别,以得到每个图像区域各自对应的相似度;
总和相似度确定单元,用于根据各个图像区域的鬼影识别信息,将各个图像区域的相似度按照各自对应的预设加权系数分别进行加权处理,以得到人脸拍摄图像对应的总和相似度;
人脸识别单元,用于当总和相似度大于预设人脸图像设置的相似度阈值时,识别人脸拍摄图像与预设人脸图像为同一人脸。
此外,还提供一种设备终端,设备终端包括处理器和存储器,存储器用于存储计算机程序,处理器运行计算机程序以使设备终端执行上述人脸识别方法。
此外,还一种可读存储介质,可读存储介质存储有计算机程序,计算机程序在被处理器执行上述人脸识别方法。
上述人脸识别方法,通过对获得的人脸拍摄图像按照预设划分方式划分为多个图像区域,采用不同的预设人脸识别模型对每个图像区域各自进行人脸识别,以得到每个图像区域各自对应的相似度,根据各个图像区域的鬼影识别信息,将各个图像区域的相似度按照各自对应的预设加权系数分别进行加权处理,以得到人脸拍摄图像对应的总和相似度,当总和相似度大于预设人脸图像设置的相似度阈值时,识别人脸拍摄图像与预设人脸图像为同一人脸,其中,通过将人脸拍摄图像按照预设划分方式划分为多个图像区域,然后每个图像区域均采用不同的人脸识别模型进行识别,以得到每个图像区域各自对应的相似度,因此,针对每个图像区域的相似度,根据各个图像区域的鬼影识别信息,赋予每个图像区域的相似度不同的预设加权系数,例如,针对某一存在鬼影的图像区域和无鬼影图像区域,则可设置不同的预设加权系数,即可区分出鬼影图像区域由于人脸特征偏少而对人脸识别结果的总体影响,进而从整体上提高人脸识别的准确度。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例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申请的一些实施例,对于本领域技术人员来讲,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是本申请一实施例提供的人脸识别方法的流程示意图;
图2是本申请一实施例中得到人脸拍摄图像对应的总和相似度的方法流程示意图;
图3是本申请一实施例中得到调整后的预设加权系数的方法流程示意图;
图4是本申请另一实施例中得到调整后的预设加权系数的方法流程示意图;
图5是本申请另一实施例提供的人脸识别方法的流程示意图;
图6是本申请又一实施例提供的人脸识别方法的流程示意图。
具体实施方式
下面结合附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本申请一部分实施例,而非全部实施例。基于本申请中的实施例,本领域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,都属于本申请保护的范围。在不冲突的情况下,下述各个实施例及其技术特征可以相互组合。
如图1所示,提供一种人脸识别方法,所述人脸识别方法包括:
步骤S110,对获得的人脸拍摄图像按照预设划分方式划分为多个图像区域。
其中,对于获得的人脸拍摄图像划分时通常需要根据实际的图像尺寸和像素而定。
在一个实施例中,将112*112像素的输入的人脸拍摄图像按九宫格的方式进行划分为9个图像区域。
步骤S120,采用不同的预设人脸识别模型对每个图像区域各自进行人脸识别,以得到每个图像区域各自对应的相似度。
其中,对于每个图像区域,均采用不同的预设人脸识别模型进行识别,进而得到每个图像区域各自对应的相似度。
步骤S130,根据各个图像区域的鬼影识别信息,将各个图像区域的相似度按照各自对应的预设加权系数分别进行加权处理,以得到人脸拍摄图像对应的总和相似度。
其中,由于存在鬼影的图像区域,往往缺乏重要的人脸特征信息,因此,可信度不高;无鬼影的图像区域恰好相反,因此,在实际处理中,由于每个图像区域对于人脸识别的效果的贡献度不同,因而需要为每个图像区域分配一个预设加权系数,以区分无鬼影的图像区域和存在鬼影的图像区域对于人脸识别结果的影响,例如,针对某一图像区域由于存在鬼影而缺少人脸特征时,下调该图像区域相似度的预设加权系数,即可降低某单一图像区域由于人脸特征偏少而对人脸识别结果的总体影响。
步骤S140,当总和相似度大于预设人脸图像设置的相似度阈值时,识别人脸拍摄图像与预设人脸图像为同一人脸。
其中,这里需要计算人脸拍摄图像对应的总和相似度,然后再将该人脸拍摄图像对应的总和相似度与预设人脸图像设置的相似度阈值进行比较,当总和相似度大于对应的相似度阈值时,则识别人脸拍摄图像与预设人脸图像为同一人脸。
上述人脸识别方法通过将人脸拍摄图像按照预设划分方式划分为多个图像区域,然后每个图像区域均采用不同的人脸识别模型进行识别,以得到每个图像区域各自对应的相似度,针对每个图像区域的相似度,结合各个图像区域的鬼影识别信息,赋予每个图像区域的相似度不同的预设加权系数,其中,由于存在鬼影的图像区域,往往缺乏重要的人脸特征信息,因此,可信度不高;无鬼影的图像区域恰好相反,因而每个图像区域对于人脸识别的效果的贡献度不同,因此,这里为每个图像区域分配一个预设加权系数,以区分无鬼影的图像区域和存在鬼影的图像区域对于人脸识别结果的影响,即可区分出鬼影图像区域由于人脸特征偏少而对人脸识别结果的总体影响,进而从整体上提高人脸识别的准确度。
在一个实施例中,如图2所示,步骤S130包括:
步骤S132,根据各个图像区域的鬼影识别信息获取存在鬼影的图像区域。
其中,针对一张人脸拍摄图像,有可能存在鬼影或者炫光,因而受此影响的图像区域可能存在一个或者多个图像区域。
在一个实施例中,对于将112*112像素的输入的人脸拍摄图像按九宫格的方式进行划分为9个图像区域,受鬼影或者炫光所影响的区域在实际中通常最多为4个图像区域。
步骤S134,当获取到存在鬼影的图像区域时,则降低存在鬼影的图像区域的相似度所对应的预设加权系数,升高无鬼影的图像区域的相似度所对应的预设加权系数,以得到调整后的预设加权系数。
其中,当某个图像区域存在鬼影时,该图像区域对应的人脸特征由于被遮挡,因而该图像区域对应的人脸识别结果的可靠性通常较低,通常需要降低该存在鬼影的图像区域的相似度所对应的预设加权系数以减少该图像区域对于最终人脸识别结果的贡献度,同样地,对于无鬼影的图像区域,对应的人脸识别结果的可靠性通常较高,因而需要升高无鬼影的图像区域的相似度所对应的预设加权系数,以增加无鬼影的图像区域对于最终人脸识别结果的贡献度。
步骤S136,根据调整后的预设加权系数对各个图像区域的相似度分别进行加权处理,以得到人脸拍摄图像对应的总和相似度。
得到调整后的预设加权系数之后,针对各个图像区域的相似度,则可直接计算人脸拍摄图像对应的总和相似度。
本实施例中,通过识别各个图像区域中是否存在鬼影,当存在鬼影时,由于图像区域对应的人脸识别结果的可靠性通常较低,降低该存在鬼影的图像区域的相似度所对应的预设加权系数以减少该图像区域对于最终人脸识别结果的贡献度,同样地,无鬼影的图像区域对应的人脸识别结果的可靠性通常较高,升高无鬼影的图像区域的相似度所对应的预设加权系数,以增加无鬼影的图像区域对于最终人脸识别结果的贡献度,降低了鬼影对于最终人脸识别结果的实际影响,从整体上提高了人脸识别的准确率。
在一个实施例中,当获取到一个存在鬼影的图像区域时,步骤S134中采用以下公式以得到调整后的预设加权系数:
其中,Wx表示一存在鬼影的图像区域的相似度所对应的降低前的预设加权系数,表示一存在鬼影的图像区域的相似度所对应的降低后的预设加权系数,a为对应的比例系数且a,x和n均为正整数,且x不等于n,x表示存在鬼影的图像区域所对应的编号,n表示无鬼影的图像区域所对应的编号,Wn表示编号为n的无鬼影的图像区域的相似度所对应的升高前的预设加权系数,表示编号为n的无鬼影的图像区域的相似度所对应的升高后的预设加权系数。
此时,结合公式(1),步骤S136中的总和相似度的计算公式为:
其中,,表示对应的总和相似度,表示一存在鬼影的图像区域的相似度,表示编号为n的无鬼影的图像区域的相似度,表示一存在鬼影的图像区域的相似度所对应的降低后的预设加权系数,表示编号为n的无鬼影的图像区域的相似度所对应的升高后的预设加权系数,表示对各个无鬼影的图像区域的相似度进行加权求和。
在一个实施例中,如图3所示,当获取到多个存在鬼影的图像区域时,步骤S134包括以下步骤数:
S134a,根据各个存在鬼影的图像区域的区域中心与鬼影所在区域中心之间的距离大小,降低存在鬼影的图像区域的相似度所对应的预设加权系数。
其中,若存在鬼影的图像区域的区域中心与鬼影所在区域中心之间的距离较小,则该存在鬼影的图像区域受鬼影的影响较大,此时,则该存在鬼影的图像区域的相似度所对应的预设加权系数的降低程度适当加大,以减小对整个人脸识别结果的贡献度;同样地,若存在鬼影的图像区域的区域中心与鬼影所在区域中心之间的距离较大,则该存在鬼影的图像区域受鬼影的影响较小,此时,则该存在鬼影的图像区域的相似度所对应的预设加权系数的降低程度适当减少。
S134b,根据存在鬼影的图像区域的相似度所对应的降低后的预设加权系数,升高无鬼影的图像区域的相似度所对应的预设加权系数。
其中,在上述各个存在鬼影的图像区域的权值降低之后,可适当升高其它无鬼影的图像区域的相似度所对应的预设加权系数,以保证整个预设加权系数的总和为1。
在一个实施例中,步骤S134a中采用以下计算公式降低存在鬼影的图像区域的相似度所对应的预设加权系数:
其中,表示第k个存在鬼影的图像区域的相似度所对应的降低前的预设加权系数,表示第k个存在鬼影的图像区域的相似度所对应的降低后的预设加权系数,a为对应的比例系数且a,R为鬼影的预设影响距离,Lk为第k个存在鬼影的图像区域的区域中心与鬼影所在区域中心之间的距离大小;
步骤S134a中采用以下公式升高无鬼影的图像区域的相似度所对应的预设加权系数:
其中,Wn表示编号为n的无鬼影的图像区域的相似度所对应的升高前的预设加权系数,表示编号为n的无鬼影的图像区域的相似度所对应的升高后的预设加权系数,k、n、K和N均为正整数,N为上述人脸拍摄图像中图像区域的总数,K为存在鬼影的图像区域的总数。
此时,步骤S136中的总和相似度的计算公式为:
其中,1~K表示存在鬼影的图像区域的数目编号,(K+1)~N表示无鬼影的图像区域的数目编号,a为对应的比例系数且a,R为鬼影的预设影响距离,Lk为第k个存在鬼影的图像区域的区域中心与鬼影所在区域中心之间的距离大小,表示对应的总和相似度,Sk表示第k个存在鬼影的图像区域的相似度,Sn表示编号为n的无鬼影的图像区域的相似度,表示第k个存在鬼影的图像区域的相似度所对应的降低后的预设加权系数,表示编号为n的无鬼影的图像区域的相似度所对应的升高后的预设加权系数。
在一个实施例中,如图4所示,步骤S120之前还包括:
步骤S150,对每个图像区域分别进行相似度训练,以得到各自对应的预设人脸识别模型。
其中,每个图像区域对应不同的预设人脸识别模型,这是因为,各个图像区域中对应的人脸特征往往差异较大,可通过对每个图像区域分别进行相似度训练,以生成各自对应的预设人脸识别模型。
在一个实施例中,对于将112*112像素的输入的人脸拍摄图像按九宫格的方式进行划分为9个图像区域,分别针对每个图像区域进行相似度训练,生成各自对应的预设人脸识别模型M0、M1、M2、M3、M4、M5、M6、M7和M8。
在一个实施例中,如图5所示,步骤S130之前还包括:
步骤S160,将各个图像区域的相似度各自对应的加权系数进行训练,以得到各个图像区域的相似度各自对应的预设加权系数。
在各个图像区域的相似度的输出端,增加一个加权层,然后结合这个加权层,通过计算对应的相似度,可对将各个图像区域的相似度各自对应的加权系数进行训练,以得到各个图像区域的相似度各自对应的预设加权系数。
此外,如图6所示,还提供一种人脸识别装置100,人脸识别装100包括:
区域划分单元101,用于对获得的人脸拍摄图像按照预设划分方式划分为多个图像区域;
相似度确定单元102,用于采用不同的预设人脸识别模型对每个图像区域各自进行人脸识别,以得到每个图像区域各自对应的相似度;
总和相似度确定单元103,用于根据各个图像区域的鬼影识别信息,将各个图像区域的相似度按照各自对应的预设加权系数分别进行加权处理,以得到人脸拍摄图像对应的总和相似度;
人脸识别单元104,用于当总和相似度大于预设人脸图像设置的相似度阈值时,识别人脸拍摄图像与预设人脸图像为同一人脸。
此外,还提供一种设备终端,设备终端包括处理器和存储器,存储器用于存储计算机程序,处理器运行计算机程序以使设备终端执行上述人脸识别方法。
此外,还一种可读存储介质,可读存储介质存储有计算机程序,计算机程序在被处理器执行上述人脸识别方法。
上述人脸识别装置100中各个单元的划分仅用于举例说明,在其他实施例中,可将人脸识别装置100按照需要划分为不同的单元,以完成上述人脸识别装置100的全部或部分功能。关于人脸识别装置的具体限定可以参见上文中对于人脸识别方法的限定,在此不再赘述。
即,以上所述仅为本申请的实施例,并非因此限制本申请的专利范围,凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换,例如各实施例之间技术特征的相互结合,或直接或间接运用在其他相关的技术领域,均同理包括在本申请的专利保护范围内。
另外,对于特性相同或相似的结构元件,本申请可采用相同或者不相同的标号进行标识。此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个特征。在本申请的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
在本申请中,“例如”一词是用来表示“用作例子、例证或说明”。本申请中被描述为“例如”的任何一个实施例不一定被解释为比其它实施例更加优选或更加具优势。为了使本领域任何技术人员能够实现和使用本申请,本申请给出了以上描述。在以上描述中,为了解释的目的而列出了各个细节。
应当明白的是,本领域普通技术人员可以认识到,在不使用这些特定细节的情况下也可以实现本申请。在其它实施例中,不会对公知的结构和过程进行详细阐述,以避免不必要的细节使本申请的描述变得晦涩。因此,本申请并非旨在限于所示的实施例,而是与符合本申请所公开的原理和特征的最广范围相一致。
Claims (10)
1.一种人脸识别方法,其特征在于,所述人脸识别方法包括:
对获得的人脸拍摄图像按照预设划分方式划分为多个图像区域;
采用不同的预设人脸识别模型对每个图像区域各自进行人脸识别,以得到每个图像区域各自对应的相似度;
根据各个图像区域的鬼影识别信息,将各个图像区域的相似度按照各自对应的预设加权系数分别进行加权处理,以得到所述人脸拍摄图像对应的总和相似度;
当所述总和相似度大于预设人脸图像设置的相似度阈值时,识别所述人脸拍摄图像与所述预设人脸图像为同一人脸。
2.根据权利要求1所述的人脸识别方法,其特征在于,所述根据各个图像区域的鬼影识别信息,将各个图像区域的相似度按照各自对应的预设加权系数分别进行加权处理,以得到所述人脸拍摄图像对应的总和相似度的步骤包括:
根据各个图像区域的鬼影识别信息获取存在鬼影的图像区域;
当获取到存在鬼影的图像区域时,则降低存在鬼影的图像区域的相似度所对应的预设加权系数,升高无鬼影的图像区域的相似度所对应的预设加权系数,以得到调整后的预设加权系数;
根据所述调整后的预设加权系数对各个图像区域的相似度分别进行加权处理,以得到所述人脸拍摄图像对应的总和相似度。
4.根据权利要求2所述的人脸识别方法,其特征在于,当获取到多个存在鬼影的图像区域时,所述降低存在鬼影的图像区域的相似度所对应的预设加权系数,升高无鬼影的图像区域的相似度所对应的预设加权系数的过程包括:
根据各个存在鬼影的图像区域的区域中心与鬼影所在区域中心之间的距离大小,降低存在鬼影的图像区域的相似度所对应的预设加权系数;
根据所述存在鬼影的图像区域的相似度所对应的降低后的预设加权系数,升高无鬼影的图像区域的相似度所对应的预设加权系数。
5.根据权利要求4所述的人脸识别方法,其特征在于,所述根据各个存在鬼影的图像区域的区域中心与鬼影所在区域中心之间的距离大小,降低存在鬼影的图像区域的相似度所对应的预设加权系数中采用的公式为:
其中,Wk表示第k个存在鬼影的图像区域的相似度所对应的降低前的预设加权系数,表示第k个存在鬼影的图像区域的相似度所对应的降低后的预设加权系数,a为对应的比例系数且a,R为鬼影的预设影响距离,Lk为第k个存在鬼影的图像区域的区域中心与鬼影所在区域中心之间的距离大小;
所述根据所述存在鬼影的图像区域的相似度所对应的降低后的预设加权系数,升高无鬼影的图像区域的相似度所对应的预设加权系数中采用的公式为:
6.根据权利要求1所述的人脸识别方法,其特征在于,所述采用不同的预设人脸识别模型对每个图像区域各自进行人脸识别,以得到每个图像区域各自对应的相似度的步骤之前还包括:
对每个图像区域分别进行相似度训练,以得到各自对应的预设人脸识别模型。
7.根据权利要求1所述的人脸识别方法,其特征在于,所述根据各个图像区域的鬼影识别信息,将各个图像区域的相似度按照各自对应的预设加权系数分别进行加权处理的步骤之前还包括:
将各个图像区域的相似度各自对应的加权系数进行训练,以得到各个图像区域的相似度各自对应的预设加权系数。
8.一种人脸识别装置,其特征在于,所述人脸识别装置包括:
区域划分单元,用于对获得的人脸拍摄图像按照预设划分方式划分为多个图像区域;
相似度确定单元,用于采用不同的预设人脸识别模型对每个图像区域各自进行人脸识别,以得到每个图像区域各自对应的相似度;
总和相似度确定单元,用于根据各个图像区域的鬼影识别信息,将各个图像区域的相似度按照各自对应的预设加权系数分别进行加权处理,以得到所述人脸拍摄图像对应的总和相似度;
人脸识别单元,用于当所述总和相似度大于预设人脸图像设置的相似度阈值时,识别所述人脸拍摄图像与所述预设人脸图像为同一人脸。
9.一种设备终端,其特征在于,所述设备终端包括处理器和存储器,所述存储器用于存储计算机程序,所述处理器运行所述计算机程序以使所述设备终端执行权利要求1至7中任一项所述的人脸识别方法。
10.一种可读存储介质,其特征在于,所述可读存储介质存储有计算机程序,所述计算机程序在被处理器执行时实施权利要求1至7中任一项所述的人脸识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111008811.2A CN113449708B (zh) | 2021-08-31 | 2021-08-31 | 人脸识别方法、装置、设备终端和可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111008811.2A CN113449708B (zh) | 2021-08-31 | 2021-08-31 | 人脸识别方法、装置、设备终端和可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113449708A true CN113449708A (zh) | 2021-09-28 |
CN113449708B CN113449708B (zh) | 2022-01-07 |
Family
ID=77819081
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111008811.2A Active CN113449708B (zh) | 2021-08-31 | 2021-08-31 | 人脸识别方法、装置、设备终端和可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113449708B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080144891A1 (en) * | 2006-12-18 | 2008-06-19 | Samsung Electronics Co., Ltd. | Method and apparatus for calculating similarity of face image, method and apparatus for retrieving face image, and method of synthesizing face image |
CN102855496A (zh) * | 2012-08-24 | 2013-01-02 | 苏州大学 | 遮挡人脸认证方法及系统 |
CN103150561A (zh) * | 2013-03-19 | 2013-06-12 | 华为技术有限公司 | 人脸识别方法和设备 |
CN108090433A (zh) * | 2017-12-12 | 2018-05-29 | 厦门集微科技有限公司 | 人脸识别方法及装置、存储介质、处理器 |
US20180336931A1 (en) * | 2017-05-22 | 2018-11-22 | Adobe Systems Incorporated | Automatic and intelligent video sorting |
CN109829448A (zh) * | 2019-03-07 | 2019-05-31 | 苏州市科远软件技术开发有限公司 | 人脸识别方法、装置及存储介质 |
WO2021011040A1 (en) * | 2019-07-15 | 2021-01-21 | Google Llc | Video background subtraction using depth |
CN112528909A (zh) * | 2020-12-18 | 2021-03-19 | 平安银行股份有限公司 | 活体检测方法、装置、电子设备及计算机可读存储介质 |
CN113033244A (zh) * | 2019-12-09 | 2021-06-25 | 漳州立达信光电子科技有限公司 | 一种人脸识别方法、装置及设备 |
-
2021
- 2021-08-31 CN CN202111008811.2A patent/CN113449708B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080144891A1 (en) * | 2006-12-18 | 2008-06-19 | Samsung Electronics Co., Ltd. | Method and apparatus for calculating similarity of face image, method and apparatus for retrieving face image, and method of synthesizing face image |
CN102855496A (zh) * | 2012-08-24 | 2013-01-02 | 苏州大学 | 遮挡人脸认证方法及系统 |
CN103150561A (zh) * | 2013-03-19 | 2013-06-12 | 华为技术有限公司 | 人脸识别方法和设备 |
US20180336931A1 (en) * | 2017-05-22 | 2018-11-22 | Adobe Systems Incorporated | Automatic and intelligent video sorting |
CN108090433A (zh) * | 2017-12-12 | 2018-05-29 | 厦门集微科技有限公司 | 人脸识别方法及装置、存储介质、处理器 |
CN109829448A (zh) * | 2019-03-07 | 2019-05-31 | 苏州市科远软件技术开发有限公司 | 人脸识别方法、装置及存储介质 |
WO2021011040A1 (en) * | 2019-07-15 | 2021-01-21 | Google Llc | Video background subtraction using depth |
CN113033244A (zh) * | 2019-12-09 | 2021-06-25 | 漳州立达信光电子科技有限公司 | 一种人脸识别方法、装置及设备 |
CN112528909A (zh) * | 2020-12-18 | 2021-03-19 | 平安银行股份有限公司 | 活体检测方法、装置、电子设备及计算机可读存储介质 |
Non-Patent Citations (1)
Title |
---|
李长勇 等: "基于多信息的疲劳状态识别方法", 《激光与光电子学进展》 * |
Also Published As
Publication number | Publication date |
---|---|
CN113449708B (zh) | 2022-01-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111723860B (zh) | 一种目标检测方法及装置 | |
WO2020134478A1 (zh) | 一种人脸识别方法、特征提取模型的训练方法及其装置 | |
CN111598805A (zh) | 一种基于vae-gan的对抗样本防御方法及系统 | |
US20230030267A1 (en) | Method and apparatus for selecting face image, device, and storage medium | |
CN109460774B (zh) | 一种基于改进的卷积神经网络的鸟类识别方法 | |
CN110826525A (zh) | 一种人脸识别的方法及系统 | |
US20230081982A1 (en) | Image processing method and apparatus, computer device, storage medium, and computer program product | |
CN111914748B (zh) | 人脸识别方法、装置、电子设备及计算机可读存储介质 | |
CN112926410A (zh) | 目标跟踪方法、装置、存储介质及智能视频系统 | |
CN113449704B (zh) | 人脸识别模型训练方法、装置、电子设备及存储介质 | |
US9129152B2 (en) | Exemplar-based feature weighting | |
US20190311216A1 (en) | Image processing device, image processing method, and image processing program | |
CN112446379A (zh) | 一种动态大场景自适应智能处理方法 | |
CN111814612A (zh) | 目标的脸部检测方法及其相关装置 | |
CN113902944A (zh) | 模型的训练及场景识别方法、装置、设备及介质 | |
CN113496215B (zh) | 一种活体人脸检测的方法、装置及电子设备 | |
CN113378620B (zh) | 监控视频噪声环境下跨摄像头行人重识别方法 | |
CN112488062B (zh) | 一种图像识别方法、装置、设备及介质 | |
CN113449708B (zh) | 人脸识别方法、装置、设备终端和可读存储介质 | |
CN113128427A (zh) | 人脸识别方法、装置、计算机可读存储介质及终端设备 | |
CN109598201B (zh) | 动作检测方法、装置、电子设备及可读存储介质 | |
JP6911995B2 (ja) | 特徴抽出方法、照合システム、およびプログラム | |
CN109871779A (zh) | 掌纹识别的方法及电子设备 | |
CN112446428B (zh) | 一种图像数据处理方法及装置 | |
CN114267031A (zh) | 车牌检测方法、车牌检测装置、设备终端和可读存储介质 |
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 | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20230703 Address after: 13C-18, Caihong Building, Caihong Xindu, No. 3002, Caitian South Road, Gangsha Community, Futian Street, Futian District, Shenzhen, Guangdong 518033 Patentee after: Core Computing Integrated (Shenzhen) Technology Co.,Ltd. Address before: 518000 1001, building G3, TCL International e city, Shuguang community, Xili street, Nanshan District, Shenzhen City, Guangdong Province Patentee before: Shenzhen Aishen Yingtong Information Technology Co.,Ltd. |