CN113469015A - 人脸识别方法、装置、电子设备及计算机存储介质 - Google Patents
人脸识别方法、装置、电子设备及计算机存储介质 Download PDFInfo
- Publication number
- CN113469015A CN113469015A CN202110724210.5A CN202110724210A CN113469015A CN 113469015 A CN113469015 A CN 113469015A CN 202110724210 A CN202110724210 A CN 202110724210A CN 113469015 A CN113469015 A CN 113469015A
- Authority
- CN
- China
- Prior art keywords
- threshold
- similarity
- equal
- face
- error
- 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 54
- 238000003860 storage Methods 0.000 title claims abstract description 21
- 230000001815 facial effect Effects 0.000 claims abstract description 22
- 238000004364 calculation method Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 12
- 238000012790 confirmation Methods 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Images
Classifications
-
- 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
Abstract
Description
技术领域
本发明涉及计算机技术领域,尤指一种人脸识别方法、装置、电子设备及计算机存储介质。
背景技术
目前,人脸识别技术被广泛应用于安防、金融、信息安全等身份识别场景中。人脸识别技术的主要技术思路是提取待识别人脸图像的特征数据,将所述特征数据与已得到的不同人脸特征模板进行比较得到对应的相似度,根据相似度与相似度阈值之间的数值大小关系对人脸的身份信息进行判断。当相似度超过相似度阈值,则将匹配得到的结果输出。
在现有技术中,相似度阈值通常被设置为一个固定数值。但对于一些与他人相貌相似的人员,采用相同的人脸识别算法和参数进行人脸识别时,容易导致误识别。
发明内容
本发明实施例提供一种人脸识别方法、装置、电子设备及计算机存储介质,用以解决现有技术中存在对于一些与他人相貌相似的人员,采用相同的人脸识别算法和参数进行人脸识别时,容易导致误识别的问题。
本发明实施例提供了一种人脸识别方法,包括:
获取待识别对象的人脸图像特征,确定所述人脸图像特征与不同人脸图像特征模板匹配得到N个相似度;
当M个相似度大于等于第一阈值S1,且M大于等于预设数量阈值M0时,根据所述第一阈值S1及M个相似度的极差R计算错误识别率,其中所述错误识别率与成正相关关系,与所述M个相似度的极差R、所述第一阈值S1分别成负相关关系;
确定所述错误识别率不大于预设错误识别率时,将所述第一阈值S1增大相应的幅度得到不超过阈值上限S2max的第二阈值S2;
当最大的相似度大于等于所述第二阈值S2时,确认所述待识别对象为所述最大的相似度的人脸图像特征模板对应的对象;
其中,1<M0,M≤N,M0、N为预设的正整数。
其中,同一类别中不同相貌特征对应不同的参数取值,所述错误识别率与所述待识别对象的至少一类别相貌特征的参数取值总和成正相关关系。
可选地,所述人脸识别方法还包括如下至少一个步骤:
当M个所述相似度大于等于所述第一阈值S1,且M大于0并小于预设数量阈值M0时,确认所述待识别对象为最大的相似度的人脸图像特征模板对应的对象;
当所述N个相似度分别小于所述第一阈值S1时,确认身份匹配失败;
当所述错误识别率大于等于预设错误识别率时,确认身份匹配失败;
当所述最大的相似度小于等于所述第二阈值S2时,确认身份匹配失败。
可选地,所述至少一个类别相貌特征包括如下至少一种:
人脸属性一、人脸属性二、人脸属性三、人脸属性四。
可选地,所述待识别对象的至少一个类别相貌特征通过如下任一种方式确定:
通过获取待识别对象的人脸图像特征时的地理位置确定;
通过人脸图像特征模板对应的对象中,相同相貌特征最多的对象对应的类别确定;
通过输入的类别指示信息确定。
其中,FAR为所述错误识别率,Xi为所述相貌特征的参数取值,ki、k‘ 1、k‘ 2均为系数,i为正整数。
可选地,将所述第一阈值增大相应的幅度得到不超过S2max的第二阈值,包括:
确定最大的相似度Smax大于等于阈值上限S2max时,将S2max作为所述第二阈值S2;
确定最大的相似度Smax小于所述阈值上限S2max时,计算如下公式得到第二阈值:
其中,将所述第一阈值S1至所述第二阈值取值上限S2max之间平均划分为多个不相交的数值区间,Mi为位于第i个所述数值区间中的相似度的数量,i为正整数。
基于同一发明构思,本发明实施例还提供了一种人脸识别装置,包括:
识别模块,用于获取待识别对象的人脸图像特征,确定所述人脸图像特征与不同人脸图像特征模板匹配得到N个相似度;
错误识别率计算模块,用于当M个相似度大于等于第一阈值S1,且M大于等于预设数量阈值M0时,根据所述第一阈值S1及M个相似度的极差R 计算错误识别率,其中所述错误识别率与成正相关关系,与所述M个相似度的极差R、所述第一阈值S1分别成负相关关系;
动态阈值计算模块,用于确定所述错误识别率不大于预设错误识别率时,将所述第一阈值S1增大相应的幅度得到不超过阈值上限S2max的第二阈值S2;
重识别成功模块,用于当最大的相似度大于等于所述第二阈值S2时,确认所述待识别对象为所述最大的相似度的人脸图像特征模板对应的对象;
其中,1<M0,M≤N,M0、N为预设的正整数。
基于同一发明构思,本发明实施例还提供了一种电子设备,包括:处理器和用于存储所述处理器可执行指令的存储器;
其中,所述处理器被配置为执行所述指令,以实现所述的人脸识别方法。
基于同一发明构思,本发明实施例还提供了一种计算机存储介质,所述计算机存储介质存储有计算机程序,所述计算机程序被用于实现所述的人脸识别方法。
本发明有益效果如下:
本发明实施例提供的人脸识别方法、装置、电子设备及计算机存储介质,通过根据与人脸特征模板匹配的相似度的数值分布情况和判定识别结果的第一阈值动态计算错误识别率,在错误识别率符合要求的情况下重新确定第二阈值来判定识别结果,能够减少误识别问题,同时提高通过率。
附图说明
图1为本发明实施例提供的人脸识别方法的流程图;
图2为本发明实施例提供的人脸识别装置的结构示意图;
图3为本发明实施例提供的电子设备的结构示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更为明显易懂,下面将结合附图和实施例对本发明做进一步说明。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的实施方式;相反,提供这些实施方式使得本发明更全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的结构,因而将省略对它们的重复描述。本发明中所描述的表达位置与方向的词,均是以附图为例进行的说明,但根据需要也可以做出改变,所做改变均包含在本发明保护范围内。本发明的附图仅用于示意相对位置关系不代表真实比例。
需要说明的是,在以下描述中阐述了具体细节以便于充分理解本发明。但是本发明能够以多种不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似推广。因此本发明不受下面公开的具体实施方式的限制。说明书后续描述为实施本申请的较佳实施方式,然所述描述乃以说明本申请的一般原则为目的,并非用以限定本申请的范围。本申请的保护范围当视所附权利要求所界定者为准。
下面结合附图,对本发明实施例提供的人脸识别方法、装置、电子设备及计算机存储介质进行具体说明。
本发明实施例提供了一种人脸识别方法,如图1所示,包括:
S110、获取待识别对象的人脸图像特征,确定所述人脸图像特征与不同人脸图像特征模板匹配得到N个相似度;
S120、确定所述N个相似度中大于等于第一阈值的相似度的数量M;S130、判断M是否大于等于预设数量阈值M0;
若所述步骤S130的结果为M≥M0,执行步骤S140;
S150、判断所述错误识别率是否大于预设错误识别率;
若所述步骤S150的结果为否,执行步骤S160;
S160、将所述第一阈值S1增大相应的幅度得到不超过阈值上限S2max的第二阈值S2;
S170、判断最大的相似度是否大于等于所述第二阈值S2;
若所述步骤S170的结果为是,执行步骤S181;
S181、确认所述待识别对象为所述最大的相似度的人脸图像特征模板对应的对象;
其中,1<M0,M≤N,M0、N为预设的正整数。
在具体实施过程中,所述步骤S110、获取待识别对象的人脸图像特征,确定所述人脸图像特征与不同人脸图像特征模板匹配得到N个相似度,可以直接与N个不同人脸图像特征模板匹配得到N个相似度,也可以与多于N个不同人脸图像特征模板匹配得到多个相似度,按照相似度数值由高至低的顺序选取其中N个相似度。所述步骤S130中所述预设数量阈值M0可以根据实际需要进行确定。例如N=100时,为保证识别的正确率,可以将所述预设数量阈值M0设置得较小,例如M0=3。那么当所述N=100个相似度中存在M=10个相似度大于等于所述第一阈值S1时,由于M>M0,将执行所述步骤S140。
在人脸识别的过程中,由于某些原因(例如人脸识别时的光线不好,待识别对象的相貌与多个人脸图像特征模板对应的对象相貌相似等),可能出现所述N个相似度中不止一个相似度的数值较高,此时需要进一步地判断是否出现匹配过程中出现误识别问题。由于待识别对象与其他对象相貌极为相似的可能性较低,那么所述错误识别率与成正相关关系,当大于等于所述第一阈值S1的相似度越多,出现识别错误的可能性越大。同时,如果大于等于所述第一阈值 S1的相似度之间的数值分布越集中,出现识别错误的可能性越大,那么通过所述错误识别率与M个相似度的极差R(最大值与最小值的差值)也可以反映出现错误识别的可能性。此外,当所述第一阈值S1越高时,大于等于所述第一阈值S1的相似度数量应当越少,那么所述错误识别率应当与所述第一阈值S1成负相关关系。在根据计算的错误识别率确定不是识别错误的情况时,通过重新计算一个新的第二阈值来进行判断待识别对象是否是其中一个人脸图像特征模板对应的对象。
其中,同一类别中不同相貌特征对应不同的参数取值,所述错误识别率与所述待识别对象的至少一类别相貌特征的参数取值总和成正相关关系。
由于人脸识别算法提取的特征与相貌相关,而对不同的对象提取相同的特征进行人脸识别,区分度会有所不同,从而导致一些对象的相似度由于选取的特征区分度较低而使得计算得到的相似度偏高。这样,通过考虑待识别对象的相貌特征来调整错误识别率,能够更好地避免识别错误问题。
可选地,所述的人脸识别方法还包括:
若所述步骤S120的结果为0<M<M0,执行所述步骤S181;
若所述步骤S120的结果为M=0时,执行步骤S182;
若所述步骤S150的结果为是,执行所述步骤S182;
若所述步骤S170的结果为否,执行所述步骤S182;
S182、确认身份匹配失败。
这样,当0<M<M0时,可以认为误识别的概率很低,相似度最大对应的人脸图像模板对应的对象就是所述待识别对象的可能性较高。而当M=0,或者无相似度大于等于所述第二阈值S2时,待识别对象不是所述人脸图像特征模板对应的合法对象的可能性较大,应当认为身份匹配失败。
可选地,所述至少一个类别相貌特征包括如下至少一种:
人脸属性一、人脸属性二、人脸属性三、人脸属性四。
由于人的相貌受遗传因素影响,那么亲缘关系越近的人的相貌就越相似。 这样在计算错误识别率时,通过所述的相貌特征来调整错误识别率,能够避免 由于人脸识别时提取的特征对部分人群的区分度不高而导致错误识别率偏高 的问题。同时,通过相貌特征来动态调整错误识别率的计算方法,可以在本地 进行计算,不需要将数据上传至云端,能够保护用户的隐私。
可选地,所述待识别对象的至少一个类别相貌特征通过如下任一种方式确定:
(1)通过获取待识别对象的人脸图像特征时的地理位置确定。
在具体实施过程中,可以通过在进行人脸识别时进行定位操作,获取地理位置信息。
(2)通过人脸图像特征模板对应的对象中,相同相貌特征最多的对象对应的类别确定。
在具体实施过程中,可以通过对所有的人脸图像特征模板进行分析,得到 每个对象的相貌特征类别,再进行统计并确定相貌特征类别。
(3)通过输入的类别指示信息确定。
例如,可以在进行人脸识别时,由待识别对象手动输入自己的相貌特征类 别。在此不作限定。
其中,FAR为所述错误识别率,Xi为所述相貌特征的参数取值,ki、k‘ 1、k‘ 2均为系数,i为正整数。
R=Smax-Smin
其中,Smax为所述M个相似度中最大的相似度,Smin为所述M个相似度中最小的相似度。
例如,本发明实施例应用于一个考勤设备,通过输入的类别指示信息预先 设置相貌特征类别对应的参数取值为人脸属性一X1=0.5,人脸属性二 X2=0.5。上述公式中的系数分别为k1=0.1,k2=0.2,k‘ 1=0.2,k‘ 2=0.5。 上述公式中N=10,所述第一阈值S1=85%。在进行人脸识别时,其中一个待 识别对象的与不同人脸图像特征模板匹配得到N个相似度中大于第一阈值S1的相似度数量M=8,分别为85%,85%,87%,90%,90%,91%,93%,94%。 那么,所述极差R=Smax-Smin=94%-85%=9%,所述错误识别率
作为一种可选的实施方式,将所述第一阈值增大相应的幅度得到不超过 S2max的第二阈值,包括:
确定最大的相似度Smax大于等于阈值上限S2max时,将S2max作为所述第二阈值S2;
确定最大的相似度Smax小于阈值上限S2max时,计算如下公式得到第二阈值:
其中,将所述第一阈值S1至所述第二阈值取值上限S2max之间平均划分为多个不相交的数值区间,Mi为位于第i个所述数值区间中的相似度的数量,i为正整数。
这样,当所述M个相似度的数值分布越为集中,则所述第二阈值S2越大,从而能够过滤掉大部分,与待识别对象较为相似但为所述待识别对象的可能性不高的人脸图像特征模板。
一种具体的实施方式,所述第一阈值S1=85%,阈值上限S2max=95%,将所述第一阈值S1至所述第二阈值取值上限S2max之间平均划分为2个不相交的数值区间[85%,90%),[90%,95%),所述M个相似度中有M1个相似度在 [85%,90%),有M2个相似度在[90%,95%)。若最大相似度Smax≤S2max,那么
作为另一种可选的实施方式,将所述第一阈值增大相应的幅度得到不超过 S2max的第二阈值,包括:
将所述第一阈值增大预设幅度得到不超过S2max的第二阈值。
例如,预设幅度为10%。
基于同一发明构思,本发明实施例还提供了一种人脸识别装置,如图2所示,包括:
识别模块M10,用于获取待识别对象的人脸图像特征,确定所述人脸图像特征与不同人脸图像特征模板匹配得到N个相似度;
错误识别率计算模块M20,用于当M个相似度大于等于第一阈值S1,且 M大于等于预设数量阈值M0时,根据所述第一阈值S1及M个相似度的极差R计算错误识别率,其中所述错误识别率与成正相关关系,与所述M个相似度的极差R、所述第一阈值S1分别成负相关关系;
动态阈值计算模块M30,用于确定所述错误识别率不大于预设错误识别率时,将所述第一阈值S1增大相应的幅度得到不超过阈值上限S2max的第二阈值S2;
重识别成功模块M40,用于当最大的相似度大于等于所述第二阈值S2时,确认所述待识别对象为所述最大的相似度的人脸图像特征模板对应的对象;
其中,1<M0,M≤N,M0、N为预设的正整数。
其中,同一类别中不同相貌特征对应不同的参数取值,所述错误识别率与所述待识别对象的至少一类别相貌特征的参数取值总和成正相关关系。
可选地,所述人脸识别装置还包括如下任一个模块:
识别成功模块M50,用于当M个所述相似度大于等于所述第一阈值S1,且M大于0并小于预设数量阈值M0时,确认所述待识别对象为最大的相似度的人脸图像特征模板对应的对象;
识别失败模块M60,用于当所述N个相似度分别小于所述第一阈值S1时,确认身份匹配失败;
错误识别模块M70,用于当所述错误识别率大于等于预设错误识别率时,确认身份匹配失败;
重识别失败模块M80,用于当所述最大的相似度小于等于所述第二阈值S2时,确认身份匹配失败。
可选地,所述至少一个类别相貌特征包括如下至少一种:
人脸属性一、人脸属性二、人脸属性三、人脸属性四。
可选地,所述待识别对象的至少一个类别相貌特征通过如下任一种方式确定:
通过获取待识别对象的人脸图像特征时的地理位置确定;
通过人脸图像特征模板对应的对象中,相同相貌特征最多的对象对应的类别确定;
通过输入的类别指示信息确定。
其中,FAR为所述错误识别率,Xi为所述相貌特征的参数取值,ki、k‘ 1、k‘ 2均为系数,i为正整数。
可选地,将所述第一阈值增大相应的幅度得到不超过S2max的第二阈值,包括:
确定最大的相似度Smax大于等于阈值上限S2max时,将S2max作为所述第二阈值S2;
确定最大的相似度Smax小于所述阈值上限S2max时,计算如下公式得到第二阈值:
其中,将所述第一阈值S1至所述第二阈值取值上限S2max之间平均划分为多个不相交的数值区间,Mi为位于第i个所述数值区间中的相似度的数量,i为正整数。
在具体实施过程中,所述人脸识别装置对各模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。另外,由于所述人脸识别装置解决问题的原理与所述人脸识别方法相似,因此所述人脸识别装置的实施可以参见所述人脸识别方法的实施,重复之处不再赘述。
基于同一发明构思,本发明实施例还提供了一种电子设备,如图3所示,包括:处理器110和用于存储所述处理器110可执行指令的存储器120;其中,所述处理器110被配置为执行所述指令,以实现如下步骤:
获取待识别对象的人脸图像特征,确定所述人脸图像特征与不同人脸图像特征模板匹配得到N个相似度;
当M个相似度大于等于第一阈值S1,且M大于等于预设数量阈值M0时,根据所述第一阈值S1及M个相似度的极差R计算错误识别率,其中所述错误识别率与成正相关关系,与所述M个相似度的极差R、所述第一阈值S1分别成负相关关系;
确定所述错误识别率不大于预设错误识别率时,将所述第一阈值S1增大相应的幅度得到不超过阈值上限S2max的第二阈值S2;
当最大的相似度大于等于所述第二阈值S2时,确认所述待识别对象为所述最大的相似度的人脸图像特征模板对应的对象;
其中,1<M0,M≤N,M0、N为预设的正整数。
其中,同一类别中不同相貌特征对应不同的参数取值,所述错误识别率与所述待识别对象的至少一类别相貌特征的参数取值总和成正相关关系。
可选地,所述处理器110被配置为执行所述指令,以实现如下至少一个步骤:
当M个所述相似度大于等于所述第一阈值S1,且M大于0并小于预设数量阈值M0时,确认所述待识别对象为最大的相似度的人脸图像特征模板对应的对象;
当所述N个相似度分别小于所述第一阈值S1时,确认身份匹配失败;
当所述错误识别率大于等于预设错误识别率时,确认身份匹配失败;
当所述最大的相似度小于等于所述第二阈值S2时,确认身份匹配失败。
可选地,所述至少一个类别相貌特征包括如下至少一种:
人脸属性一、人脸属性二、人脸属性三、人脸属性四。
可选地,所述待识别对象的至少一个类别相貌特征通过如下任一种方式确定:
通过获取待识别对象的人脸图像特征时的地理位置确定;
通过人脸图像特征模板对应的对象中,相同相貌特征最多的对象对应的类别确定;
通过输入的类别指示信息确定。
其中,FAR为所述错误识别率,Xi为所述相貌特征的参数取值,ki、k‘ 1、k‘ 2均为系数,i为正整数。
可选地,将所述第一阈值增大相应的幅度得到不超过S2max的第二阈值,包括:
确定最大的相似度Smax大于等于阈值上限S2max时,将S2max作为所述第二阈值S2;
确定最大的相似度Smax小于所述阈值上限S2max时,计算如下公式得到第二阈值:
其中,将所述第一阈值S1至所述第二阈值取值上限S2max之间平均划分为多个不相交的数值区间,Mi为位于第i个所述数值区间中的相似度的数量,i为正整数。
在具体实施过程中,所述设备可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上处理器110和存储器120,一个或一个以上存储应用程序131或数据132的存储介质130。其中,存储器120和存储介质130可以是短暂存储或持久存储。存储在存储介质130的应用程序131可以包括一个或一个以上所述单元(图3中未示出),每个模块可以包括对人脸识别装置中的一系列指令操作。更进一步地,处理器110可以设置为与存储介质130通信,在所述设备上执行存储介质130中的一系列指令操作。所述设备还可以包括一个或一个以上电源(图3中未示出);一个或一个以上网络接口140,所述网络接口140包括有线网络接口141或无线网络接口142;一个或一个以上输入输出接口143;和/或,一个或一个以上操作系统133,例如Windows、Mac OS、 Linux、IOS、Android、Unix、FreeBSD等。
基于同一发明构思,本发明实施例还提供了一种计算机存储介质,所述计算机存储介质存储有计算机程序,所述计算机程序被用于实现所述人脸识别方法。
本发明实施例提供的脸识别方法、装置、电子设备及计算机存储介质,通过根据与人脸特征模板匹配的相似度的数值分布情况和判定识别结果的第一阈值动态计算错误识别率,在错误识别率符合要求的情况下重新确定第二阈值来判定识别结果,能够减少误识别问题,同时提高通过率。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、 CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
Claims (10)
1.一种人脸识别方法,其特征在于,包括:
获取待识别对象的人脸图像特征,确定所述人脸图像特征与不同人脸图像特征模板匹配得到N个相似度;
当M个相似度大于等于第一阈值S1,且M大于等于预设数量阈值M0时,根据所述第一阈值S1及M个相似度的极差R计算错误识别率,其中所述错误识别率与成正相关关系,与所述M个相似度的极差R、所述第一阈值S1分别成负相关关系;
确定所述错误识别率不大于预设错误识别率时,将所述第一阈值S1增大相应的幅度得到不超过阈值上限S2max的第二阈值S2;
当最大的相似度大于等于所述第二阈值S2时,确认所述待识别对象为所述最大的相似度的人脸图像特征模板对应的对象;
其中,1<M0,M≤N,M0、N为预设的正整数。
3.如权利要求1所述的人脸识别方法,其特征在于,还包括如下至少一个步骤:
当少于M个所述相似度大于等于所述第一阈值S1,且M大于0并小于预设数量阈值M0时,确认所述待识别对象为最大的相似度的人脸图像特征模板对应的对象;
当所述N个相似度分别小于所述第一阈值S1时,确认身份匹配失败;
当所述错误识别率大于等于预设错误识别率时,确认身份匹配失败;
当所述最大的相似度小于等于所述第二阈值S2时,确认身份匹配失败。
4.如权利要求2所述的人脸识别方法,其特征在于,所述至少一个类别相貌特征包括如下至少一种:
人脸属性一、人脸属性二、人脸属性三、人脸属性四。
5.如权利要求4所述的人脸识别方法,其特征在于,所述待识别对象的至少一个类别相貌特征通过如下任一种方式确定:
通过获取待识别对象的人脸图像特征时的地理位置确定;
通过人脸图像特征模板对应的对象中,相同相貌特征最多的对象对应的类别确定;
通过输入的类别指示信息确定。
8.一种人脸识别装置,其特征在于,包括:
识别模块,用于获取待识别对象的人脸图像特征,确定所述人脸图像特征与不同人脸图像特征模板匹配得到N个相似度;
错误识别率计算模块,用于当M个相似度大于等于第一阈值S1,且M大于等于预设数量阈值M0时,根据所述第一阈值S1及M个相似度的极差R计算错误识别率,其中所述错误识别率与成正相关关系,与所述M个相似度的极差R、所述第一阈值S1分别成负相关关系;
动态阈值计算模块,用于确定所述错误识别率不大于预设错误识别率时,将所述第一阈值S1增大相应的幅度得到不超过阈值上限S2max的第二阈值S2;
重识别成功模块,用于当最大的相似度大于等于所述第二阈值S2时,确认所述待识别对象为所述最大的相似度的人脸图像特征模板对应的对象;
其中,1<M0,M≤N,M0、N为预设的正整数。
9.一种电子设备,其特征在于,包括:处理器和用于存储所述处理器可执行指令的存储器;
其中,所述处理器被配置为执行所述指令,以实现如权利要求1-7任一项所述的人脸识别方法。
10.一种计算机存储介质,其特征在于,所述计算机存储介质存储有计算机程序,所述计算机程序被用于实现如权利要求1-7任一项所述的人脸识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110724210.5A CN113469015A (zh) | 2021-06-29 | 2021-06-29 | 人脸识别方法、装置、电子设备及计算机存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110724210.5A CN113469015A (zh) | 2021-06-29 | 2021-06-29 | 人脸识别方法、装置、电子设备及计算机存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113469015A true CN113469015A (zh) | 2021-10-01 |
Family
ID=77873587
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110724210.5A Pending CN113469015A (zh) | 2021-06-29 | 2021-06-29 | 人脸识别方法、装置、电子设备及计算机存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113469015A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115880761A (zh) * | 2023-02-09 | 2023-03-31 | 数据空间研究院 | 基于策略优化的人脸识别方法、系统、存储介质及应用 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101281600A (zh) * | 2008-06-03 | 2008-10-08 | 北京大学 | 一种掌纹特征获取方法及相应的基于掌纹的身份识别方法 |
KR101421952B1 (ko) * | 2013-05-03 | 2014-07-23 | 주식회사 슈프리마 | 얼굴 인식 장치 및 방법 |
CN108596112A (zh) * | 2018-04-27 | 2018-09-28 | 北京万里红科技股份有限公司 | 一种大规模虹膜特征识别匹配阈值的动态选取方法 |
CN108875493A (zh) * | 2017-10-12 | 2018-11-23 | 北京旷视科技有限公司 | 人脸识别中相似度阈值的确定方法以及确定装置 |
CN110135326A (zh) * | 2019-05-10 | 2019-08-16 | 中汇信息技术(上海)有限公司 | 一种身份认证方法、电子设备及计算机可读存储介质 |
CN110472499A (zh) * | 2019-07-09 | 2019-11-19 | 平安科技(深圳)有限公司 | 一种行人重识别的方法及装置 |
US20190377934A1 (en) * | 2018-06-08 | 2019-12-12 | Pegatron Corporation | Face recognition system and method for enhancing face recognition |
CN112668629A (zh) * | 2020-12-24 | 2021-04-16 | 深圳壹账通智能科技有限公司 | 基于图片识别的智能仓储方法、系统、设备及存储介质 |
CN112836661A (zh) * | 2021-02-07 | 2021-05-25 | Oppo广东移动通信有限公司 | 人脸识别方法、装置、电子设备及存储介质 |
CN112906568A (zh) * | 2020-07-16 | 2021-06-04 | 云从科技集团股份有限公司 | 动态阈值管理方法、系统、电子设备及介质 |
-
2021
- 2021-06-29 CN CN202110724210.5A patent/CN113469015A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101281600A (zh) * | 2008-06-03 | 2008-10-08 | 北京大学 | 一种掌纹特征获取方法及相应的基于掌纹的身份识别方法 |
KR101421952B1 (ko) * | 2013-05-03 | 2014-07-23 | 주식회사 슈프리마 | 얼굴 인식 장치 및 방법 |
CN108875493A (zh) * | 2017-10-12 | 2018-11-23 | 北京旷视科技有限公司 | 人脸识别中相似度阈值的确定方法以及确定装置 |
CN108596112A (zh) * | 2018-04-27 | 2018-09-28 | 北京万里红科技股份有限公司 | 一种大规模虹膜特征识别匹配阈值的动态选取方法 |
US20190377934A1 (en) * | 2018-06-08 | 2019-12-12 | Pegatron Corporation | Face recognition system and method for enhancing face recognition |
CN110135326A (zh) * | 2019-05-10 | 2019-08-16 | 中汇信息技术(上海)有限公司 | 一种身份认证方法、电子设备及计算机可读存储介质 |
CN110472499A (zh) * | 2019-07-09 | 2019-11-19 | 平安科技(深圳)有限公司 | 一种行人重识别的方法及装置 |
CN112906568A (zh) * | 2020-07-16 | 2021-06-04 | 云从科技集团股份有限公司 | 动态阈值管理方法、系统、电子设备及介质 |
CN112668629A (zh) * | 2020-12-24 | 2021-04-16 | 深圳壹账通智能科技有限公司 | 基于图片识别的智能仓储方法、系统、设备及存储介质 |
CN112836661A (zh) * | 2021-02-07 | 2021-05-25 | Oppo广东移动通信有限公司 | 人脸识别方法、装置、电子设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
梁路宏 等: "基于模板匹配与支持矢量机的人脸检测", 计算机学报, vol. 25, no. 01, 31 January 2002 (2002-01-31), pages 22 - 29 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115880761A (zh) * | 2023-02-09 | 2023-03-31 | 数据空间研究院 | 基于策略优化的人脸识别方法、系统、存储介质及应用 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR100651753B1 (ko) | 객체의 대칭 특성과 모멘트 특성을 이용한 눈 검출 방법 및그 장치 | |
EP2879078B1 (en) | Method and apparatus for generating strong classifier for face detection | |
US20080260239A1 (en) | Object image detection method | |
WO2020258981A1 (zh) | 基于眼底图像的身份信息处理方法及设备 | |
EP2068271A2 (en) | Detection of an object in an image | |
JP4745207B2 (ja) | 顔特徴点検出装置及びその方法 | |
JP6858525B2 (ja) | 貨幣分類装置及び貨幣分類方法 | |
US11062120B2 (en) | High speed reference point independent database filtering for fingerprint identification | |
CN108206813B (zh) | 基于k均值聚类算法的安全审计方法、装置及服务器 | |
CN110827432B (zh) | 一种基于人脸识别的课堂考勤方法及系统 | |
WO2019095587A1 (zh) | 人脸识别方法、应用服务器及计算机可读存储介质 | |
CN113469015A (zh) | 人脸识别方法、装置、电子设备及计算机存储介质 | |
CN112464200A (zh) | 一种认证风险检测方法及其系统 | |
Cho et al. | Core-based fingerprint image classification | |
CN110276252B (zh) | 一种基于生成式对抗网络的抗表情干扰的人脸识别方法 | |
JP2010092119A (ja) | パラメタ制御装置、パラメタ制御プログラム及び多段照合装置 | |
EP1713032B1 (en) | Pattern identifying system, pattern identifying method, and pattern identifying program | |
WO2015037973A1 (en) | A face identification method | |
US6587577B1 (en) | On-line signature verification | |
Singh et al. | Speaker identification using optimal lip biometrics | |
CN116343300A (zh) | 人脸特征标注方法、装置、终端以及介质 | |
CN113128427A (zh) | 人脸识别方法、装置、计算机可读存储介质及终端设备 | |
CN114359601A (zh) | 目标相似度计算方法、装置、电子设备及计算机存储介质 | |
JP2005084979A (ja) | 顔認証システムおよび方法並びにプログラム | |
TWI775038B (zh) | 字元識別方法、裝置及電腦可讀取存儲介質 |
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 |