CN113656422A - 人脸底库的更新方法及装置 - Google Patents
人脸底库的更新方法及装置 Download PDFInfo
- Publication number
- CN113656422A CN113656422A CN202110944349.0A CN202110944349A CN113656422A CN 113656422 A CN113656422 A CN 113656422A CN 202110944349 A CN202110944349 A CN 202110944349A CN 113656422 A CN113656422 A CN 113656422A
- Authority
- CN
- China
- Prior art keywords
- face
- recognized
- features
- face feature
- similarity
- 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.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 54
- 230000001815 facial effect Effects 0.000 claims description 52
- 239000011159 matrix material Substances 0.000 claims description 36
- 238000004590 computer program Methods 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 11
- 230000004044 response Effects 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 2
- 239000000126 substance Substances 0.000 claims description 2
- 238000013473 artificial intelligence Methods 0.000 abstract description 4
- 238000013135 deep learning Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 16
- 238000005516 engineering process Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 230000000694 effects Effects 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000003321 amplification Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000008733 trauma Effects 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/23—Updating
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Image Analysis (AREA)
Abstract
本公开提供了一种人脸底库的更新方法及装置,涉及人工智能技术领域,具体为计算机视觉和深度学习技术领域,可应用于人脸识别等场景,包括:对获取到的待识别人脸图像进行特征提取,得到待识别人脸特征,并从原始人脸底库中,获取与待识别人脸图像归属于同一用户的目标人脸特征集合,针对待识别人脸特征和目标人脸特征集合中的每一人脸特征,确定每一人脸特征与其他人脸特征的总相似程度,响应于基于待识别人脸特征确定的总相似程度小于任意其他总相似程度,根据待识别人脸特征对目标人脸特征集合进行更新处理,得到更新后的人脸底库,更新后的人脸底库可以从更准确或者更多的维度,对用户的人脸特征进行表征,提高了更新的准确性和有效性。
Description
技术领域
本公开涉及人工智能技术领域,具体为计算机视觉和深度学习技术领域,可应用于人脸识别等场景,尤其涉及一种人脸底库的更新方法及装置。
背景技术
人脸识别技术被广泛地应用于支付、安防、门禁、考勤等多种场景中,而人脸底库是支持人脸识别技术实现的重要因素。
在现有技术中,通常采用的人脸底库的更新方法可靠性偏低。
发明内容
本公开提供了一种用于提高更新人脸底库的可靠性的人脸底库的更新方法及装置。
根据本公开的第一方面,提供了一种人脸底库的更新方法,包括:
对获取到的待识别人脸图像进行特征提取,得到待识别人脸特征,并从原始人脸底库中,获取与所述待识别人脸图像归属于同一用户的目标人脸特征集合;
针对所述待识别人脸特征和所述目标人脸特征集合中的每一人脸特征,确定所述每一人脸特征与其他人脸特征的总相似程度,所述其他人脸特征为所述待识别人脸特征和所述目标人脸特征集合中除所述每一人脸特征之外的人脸特征;
响应于基于所述待识别人脸特征确定的总相似程度小于任意其他总相似程度,根据所述待识别人脸特征对所述目标人脸特征集合进行更新处理,得到更新后的人脸底库,其中,所述更新后的人脸底库用于人脸识别。
根据本公开的第二方面,提供了一种人脸底库的更新装置,包括:
提取单元,用于对获取到的待识别人脸图像进行特征提取,得到待识别人脸特征;
获取单元,用于从原始人脸底库中,获取与所述待识别人脸图像归属于同一用户的目标人脸特征集合;
第一确定单元,用于针对所述待识别人脸特征和所述目标人脸特征集合中的每一人脸特征,确定所述每一人脸特征与其他人脸特征的总相似程度,所述其他人脸特征为所述待识别人脸特征和所述目标人脸特征集合中除所述每一人脸特征之外的人脸特征;
更新单元,用于响应于基于所述待识别人脸特征确定的总相似程度小于任意其他总相似程度,根据所述待识别人脸特征对所述目标人脸特征集合进行更新处理,得到更新后的人脸底库,其中,所述更新后的人脸底库用于人脸识别。
根据本公开的第三方面,提供了一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行第一方面所述的方法。
根据本公开的第四方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行第一方面所述的方法。
根据本公开的第五方面,提供了一种计算机程序产品,所述计算机程序产品包括:计算机程序,所述计算机程序存储在可读存储介质中,电子设备的至少一个处理器可以从所述可读存储介质读取所述计算机程序,所述至少一个处理器执行所述计算机程序使得电子设备执行第一方面所述的方法。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1是根据本公开实施例的人脸底库的更新方法的应用场景的示意图;
图2是根据本公开第一实施例的示意图;
图3是根据本公开实施例的原始人脸底库的示意图;
图4是根据本公开第二实施例的示意图;
图5是根据本公开实施例的相似度矩阵的示意图;
图6是根据本公开第三实施例的示意图;
图7是根据本公开第四实施例的示意图;
图8是根据本公开第五实施例的示意图;
图9是用来实现本公开实施例的人脸底库的更新方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
人脸识别技术是指,利用分析比较的计算机技术识别人脸,包括人脸追踪侦测,自动调整影像放大,夜间红外侦测,自动调整曝光强度等技术。
人脸识别技术被广泛地应用于支付、安防、门禁、考勤等多种场景中。为使读者对人脸识别技术的场景有相对较为深刻地理解,现结合图1,对人脸识别技术应用于门禁场景进行示范性地描述。
示例性地,如图1所示,门禁可以为小区门禁,如幸福小区的入口处的门上可以设置图像采集装置,当用户准备进入小区时,可以将脸贴近图像采集装置,以便图像采集装置对用户的当前人脸图像进行采集。
图像采集装置将采集到的当前人脸图像传输给服务器。
服务器中设置有人脸底库,人脸底库中包括预先存储的各用户的预存人脸图像,服务器将当前人脸图像与预存人脸图像进行匹配,得到匹配结果,若匹配结果表征预存人脸图像中有与当前人脸图像匹配的人脸图像,则控制门自动打开,用户可以进入小区;反之,若匹配结果表征预存人脸图像中没有与当前人脸图像匹配的人脸图像,则控制门维持关闭状态。
基于上述场景描述可知,人脸底库是支持人脸识别实现的重要因素,人脸底库的准确性和可靠性在很大程度上决定了人脸识别的可靠性。
随着用户的年龄增长、体重变化、外伤、装扮等,或者,随着图像采集装置采集的角度、外部光线变化等情况下,用户的面部特征会发生变化,即由图像采集装置采集到的用户的人脸图像会变化,因此,为了使得人脸识别具有较高的准确性和可靠性,通常需要对人脸底库进行更新。
在相关技术中,通常采用如下三种方法对人脸底库进行更新:
第一种方法:获取每一用户预设时间内的被识别通过的次数,并根据每一用户预设时间内的被识别通过的次数对人脸底库进行更新,如基于每一用户预设时间内的被识别通过的次数对人脸底库中的各用户的人脸特征重新进行排序。
然而,采用第一种方法,虽然可以通过重新排序提高识别速度,却没有从实质上对人脸底库进行更新,导致更新的可靠性偏低的技术问题。
第二种方法:获取预设时间段用户的多张人脸图像,将多张人脸图像合并生成一张人脸图像,将该一张人脸图像与人脸底库中的各人脸图像进行比较,以将该一张人脸图像替换至人脸底库中,
然而,采用第二种方法,基于多张人脸图像合并生成的一张人脸图像,较难保证图像的真实性,可能与实际人脸偏差较大,从而导致人脸底库的可靠性偏低的技术问题。
第三种方法:在第二种方式的基础上,在合并的过程中,为各人脸特征分配权重,以基于权重对人脸底库进行更新。
然而,采用第三种方法,在不同场景和角度等情况下,部分人脸特征很难表征用户人脸的实际特征,因此,可能导致人脸底库的可靠性偏低的技术问题。
为了避免上述技术问题中的至少一种,本公开的发明人经过创造性地劳动,得到了本公开的发明构思:确定每一人脸特征(包括待识别人脸图像的人脸特征、以及人脸底库中的人脸特征)与其他人脸特征之间的总相似度程度,并在待识别人脸图像的人脸特征的总相似程度比其他任意总相似度程度小时,根据待识别人脸图像的人脸特征对目标人脸特征集合更新,以对人脸底库更新。
基于上述发明构思,本公开提供一种人脸底库的更新方法及装置,应用于人工智能技术领域,具体为计算机视觉和深度学习技术领域,可应用于人脸识别等场景。
图2是根据本公开第一实施例的示意图,如图2所示,本公开实施例的人脸底库的更新方法包括:
S201:对获取到的待识别人脸图像进行特征提取,得到待识别人脸特征,并从原始人脸底库中,获取与待识别人脸图像归属于同一用户的目标人脸特征集合。
示例性地,本实施例的执行主体可以为人脸底库的更新装置(下文简称为更新装置),更新装置可以为服务器(如云服务器,或者,本地服务器),也可以为计算机,也可以为终端设备,也可以为处理器,也可以为芯片等,本实施例不做限定。
其中,待识别人脸特征可以包括:待识别人脸的轮廓特征、五官特征、以及关键点特征等。
在原始人脸底库中,针对每一用户,存储有包括用户至少一个人脸特征的人脸特征集合。如图3所示,用户1的人脸特征集合中包括人脸特征1直至人脸特征N,以此类推,用户M的人脸特征集合中包括人脸特征1直至人脸特征m。
相应地,更新装置在确定出待识别人脸特征之后,可以基于待识别人脸特征,从M个人脸特征集合中,确定与待识别人脸特征归属于同一用户的目标人脸特征集合。
S202:针对待识别人脸特征和目标人脸特征集合中的每一人脸特征,确定每一人脸特征与其他人脸特征的总相似程度。
其中,其他人脸特征为待识别人脸特征和目标人脸特征集合中除每一人脸特征之外的人脸特征。
示例性地,结合上述实施例,若目标人脸特征集合为如图3中所示的人脸特征集合M,则人脸特征的总数量为m+1个(即待识别人脸特征和人脸特征集合M中的m个人脸特征)。
针对m+1个人脸特征中的每一个人脸特征,如针对待识别人脸特征,确定待识别人脸特征与人脸特征集合M中的m个人脸特征的总相似程度,以此类推,此处不再一一列举,从而得到m+1个总相似度。
S203:响应于基于待识别人脸特征确定的总相似程度小于任意其他总相似程度,根据待识别人脸特征对目标人脸特征集合进行更新处理,得到更新后的人脸底库。
其中,更新后的人脸底库用于人脸识别。
结合上述实施例,该步骤可以理解为:更新装置确定在m+1个总相似度中,基于待识别人脸特征确定的总相似程度是否为最大的总相似程度,如果不是,则根据待识别人脸特征对目标人脸特征集合进行更新处理。
其中,某人脸特征的总相似程度越大,则表征相对于其他人脸特征而言,该人脸特征相对无法体现人脸特征的个性化,相对缺乏特色和特点,因此,该人脸特征最有可能被替代。
若基于待识别人脸特征确定的总相似程度不是最大的总相似程度,则说明待识别人脸特征不是最可能被替代的,因此,当基于待识别人脸特征对目标人脸特征集合进行更新处理时,可以使得目标人脸特征集合相对更为准确和可靠的表征待识别人脸图像的用户的人脸特征,从而提高更新的有效性和可靠性的技术效果。相应地,在人脸底库具有较高有效性和可靠性的情况下,当基于人脸底库进行人脸识别时,可以提高人脸识别的准确性和可靠性的技术效果。
基于上述分析可知,本公开实施例提供了一种人脸底库的更新方法,包括:对获取到的待识别人脸图像进行特征提取,得到待识别人脸特征,并从原始人脸底库中,获取与待识别人脸图像归属于同一用户的目标人脸特征集合,针对待识别人脸特征和目标人脸特征集合中的每一人脸特征,确定每一人脸特征与其他人脸特征的总相似程度,其他人脸特征为待识别人脸特征和目标人脸特征集合中除每一人脸特征之外的人脸特征,响应于基于待识别人脸特征确定的总相似程度小于任意其他总相似程度,根据待识别人脸特征对目标人脸特征集合进行更新处理,得到更新后的人脸底库,其中,更新后的人脸底库用于人脸识别,在本实施例中,引入了:在确定与待识别人脸图像归属于同一用户的目标人脸特征集合之后,确定各总相似程度,以在基于待识别人脸特征确定的总相似程度不是最大总相似程度的情况下,根据待识别人脸特征对目标人脸特征集合更新的技术特征,使得更新后的人脸底库可以从更准确或者更多的维度,对用户的人脸特征进行表征,避免了相关技术中人脸底库的更新的可靠性偏低的弊端,提高了更新的准确性和有效性的技术效果。
图4是根据本公开第二实施例的示意图,如图4所示,本公开实施例的人脸底库的更新方法包括:
S401:对获取到的待识别人脸图像进行特征提取,得到待识别人脸特征。
示例性地,关于S401的实现原理,可以参见上述实施例,此处不再赘述。
其中,待识别人脸图像具有用户标识。
S402:从原始人脸底库中,将具有用户标识的人脸特征集合确定为与待识别人脸图像归属于同一用户的疑似人脸特征集合。
基于上述分析,在人脸底库中,针对每一用户,可以构建与该用户对应的人脸特征集合,且可以为每一人脸特征集合设置用户标识,以对不同用户的人脸特征集合进行区分。
结合图3和上述实施例,原始人脸底库中包括M个人脸特征集合,即包括M个用户各自对应的人脸特征集合,每一个人脸特征集合可以设置用户标识,更新装置可以从M个人脸特征集合中,确定被标识有待识别人脸图像对应的用户标识的人脸特征集合,确定为与待识别人脸图像归属于同一用户的疑似人脸特征集合。
S403:对待识别人脸特征与疑似人脸特征集合进行相似度匹配,得到匹配程度。
S404:响应于匹配程度大于预设的匹配度阈值,将疑似人脸特征集合确定为目标人脸特征集合。
其中,匹配度阈值可以由更新装置基于需求、历史记录、以及试验等方式进行设置,本实施例不做限定。
相对而言,针对精度相对较高的应用场景,匹配度阈值可以设置为相对较大的数值,而针对精度相对较低的应用场景,匹配度阈值可以设置为相对较小的数值。
在本实施例中,先确定疑似人脸特征集合,并在基于疑似人脸特征集合确定匹配程度大于匹配度阈值的情况下,将疑似人脸特征集合确定为目标人脸特征集合,以提高确定出的目标人脸特征集合的准确性和可靠性的技术效果。
在一些实施例中,S403可以包括如下步骤:
第一步骤:对疑似人脸特征集合中各人脸特征进行加权平均处理,得到加权人脸特征,并计算待识别人脸特征与加权人脸特征之间的第一相似度。
例如,若疑似人脸特征集合中包括k个人脸特征,则更新装置对k个人脸特征进行加权平均处理,得到k个人脸特征的加权人脸特征,以计算得到第一相似度。
第二步骤:若第一相似度大于预设第一阈值,则确定匹配程度大于匹配度阈值。
同理,第一阈值可以由更新装置基于需求、历史记录、以及试验等方式进行设置,本实施例不做限定。
结合上述示例,若第一相似度大于第一阈值,则说明计算待识别人脸特征与加权人脸特征之间的相似度相对比较高,则可以确定待识别人脸特征与疑似人脸特征集合之间的匹配程度相对较高,因此,确定匹配程度大于匹配度阈值,从而提高确定出的目标人脸特征集合的准确性和可靠性的技术效果。
在另一些实施例中,S403可以包括如下步骤:
第一步骤:计算待识别人脸特征与疑似人脸特征集合中每一人脸特征之间的第二相似度,并确定各第二相似度中大于预设第二阈值的第二总数量。
同理,第二阈值可以由更新装置基于需求、历史记录、以及试验等方式进行设置,本实施例不做限定。
例如,若疑似人脸特征集合中包括k个人脸特征,则分别计算待识别人脸特征与k个人脸特征中每一人脸特征的第二相似度,得到k个第二相似度,并确定k个第二相似度中,大于第二阈值的第二相似度的总数量。
第二步骤:若第二总数量大于预设的第三阈值,则确定匹配程度大于匹配度阈值。
同理,第三阈值可以由更新装置基于需求、历史记录、以及试验等方式进行设置,本实施例不做限定。
结合上述示例,若第二总数量大于第三阈值,则说明待识别人脸特征与疑似人脸特征集合之间的匹配程度相对较高,因此,确定匹配程度大于匹配度阈值,从而提高确定出的目标人脸特征集合的准确性和可靠性的技术效果。
在另一些实施例中,S403可以包括如下步骤:
第一步骤:计算待识别人脸特征与疑似人脸特征集合中每一人脸特征之间的第二相似度,并确定各第二相似度的平均相似度。
例如,若疑似人脸特征集合中包括k个人脸特征,则分别计算待识别人脸特征与k个人脸特征中每一人脸特征的第二相似度,得到k个第二相似度,并确定k个第二相似度的平均相似度。
第二步骤:若各第二相似度的平均相似度大于预设的相似度阈值,则确定匹配程度大于匹配度阈值。
同理,相似度阈值可以由更新装置基于需求、历史记录、以及试验等方式进行设置,本实施例不做限定。
结合上述示例,若各第二相似度的平均相似度大于相似度阈值,则说明待识别人脸特征与疑似人脸特征集合之间的匹配程度相对较高,因此,确定匹配程度大于匹配度阈值,从而提高确定出的目标人脸特征集合的准确性和可靠性的技术效果。
值得说明地是,在本实施例中,可以从第一相似度、第二总数量、以及各第二相似度的平均相似度多个方面确定目标人脸特征集合,可以实现确定目标人脸特征集合的灵活性和多样性的技术效果。
S405:针对待识别人脸特征和目标人脸特征集合中的每一人脸特征,确定任意两个人脸特征之间的相似度,并根据各相似度构建相似度矩阵。
其中,相似度矩阵表征任意两个相似度之间的相似关系。
例如,结合上述示例,若目标人脸特征集合中包括k个人脸特征,则加上待识别人脸特征,共有k+1个人脸特征。
相应地,在k+1个人脸特征中,确定任意两个人脸特征之间的相似度,从而构建得到相似度矩阵。
S406:根据相似度矩阵确定每一人脸特征与其他人脸特征的总相似程度。
例如,根据相似度矩阵,确定待识别人脸特征与目标人脸集合中k个人脸特征的总相似程度,依次类推,得到k+1个总相似程度。
在本实施例中,通过构建相似度矩阵,并基于相似度矩阵确定各总相似程度,可以提高确定各总相似度的准确性和效率的技术效果。
在一些实施例中,S406可以包括如下步骤:
第一步骤:确定每一人脸特征对应于相似度矩阵中的行。
例如,若k等于2,且待识别人脸特征为F0,目标人脸特征集合中的两个人脸特征分别为F1、F2,则基于3个人脸特征构建的相似度矩阵可以参见图5,其中,F0F1表征人脸特征F0与人脸特征F1之间的相似度,依次类推,此处不再一一列举。
如图5所示,相似度矩阵为3*3的矩阵,人脸特征F0对应于相似度矩阵中的行为第一行,人脸特征F1对应于相似度矩阵中的行为第二行,人脸特征F2对应于相似度矩阵中的行为第三行。
第二步骤:逐行确定相似度矩阵中的每一行的范数,并将每一行的范数确定为与每一行对应的人脸特征的总相似程度。
结合图5和上述示例,确定相似度矩阵中第一行的范数,并将第一行的范数确定为与人脸特征F0对应的总相似程度,以此类推,此处不再一一列举。
在一些实施例中,范数具体可以为L2范数,也可以为L1范数。
在一些实施例中,可以对如图5中相似度矩阵中相似度相等的向量进行去除处理,或者置零处理,如针对相似度矩阵中F0F0、F1F1、F2F2进行去除处理,或者置零处理,以提高确定总相似程度的效率。
值得说明地是,在本实施例中,通过确定各人脸特征对应于相似度矩阵的行,逐行确定每一行的范数,以将每一行的范数确定为相应的总相似程度,可以实现快速高效的确定各人脸特征各自对应的总相似程度,且可以提高确定各总相似程度的准确性和可靠性的技术效果。
S407:响应于基于待识别人脸特征确定的总相似程度小于任意其他总相似程度,根据待识别人脸特征对目标人脸特征集合进行更新处理,得到更新后的人脸底库。
其中,更新后的人脸底库用于人脸识别。
示例性地,关于S407的实现原理,可以参见上述实施例,此处不再赘述。
在一些实施例中,根据待识别人脸特征对目标人脸特征集合进行更新处理,得到更新后的人脸底库,包括如下步骤:
第一步骤:确定各总相相似程度中最大的总相似程度。
第二步骤:在目标人脸特征集合中,将最大的总相似程度对应的人脸特征替换为待识别人脸特征,得到更新后的人脸底库。
例如,结合图5和上述示例,若人脸特征F2对应的总相似程度为最大的总相似程度,则将人脸特征F2替换为人脸特征F0。
在本实施例中,通过替换掉原始人脸底库中最大的总相似程度对应的人脸特征,而最大的总相似程度对应的人脸特征为最可替代的人脸特征,因此,可以提高对原始人脸底库更新的可靠性和有效性的技术效果。
值得说明地是,在一些实施例中,待识别人脸特征的总相似程度可能为各总相似程度中,最大的总相似程度,则说明相对于其他人脸特征而言,待识别人脸特征相对无法体现人脸特征的个性化,相对缺乏特色和特点,较难基于待识别人脸特征确定准确的识别结果,或者,待识别人脸特征可以被其他人脸特征替代,则暂不基于待识别人脸特征对原始人脸底库进行更新。
图6是根据本公开第三实施例的示意图,如图6所示,本公开实施例的人脸底库的更新方法包括:
S601:对获取到的待识别人脸图像进行特征提取,得到待识别人脸特征,并从原始人脸底库中,获取与待识别人脸图像归属于同一用户的目标人脸特征集合。
示例性地,关于S601的实现原理,可以参见第一实施例的实现原理,也可以参见第二实施例的实现原理,此处不再赘述。
S602:确定目标人脸特征集合中的人脸特征的第一总数量。
S603:判断第一总数量是否达到预设的数量阈值,若是,则执行S604,若否,则执行S606。
S604:针对待识别人脸特征和目标人脸特征集合中的每一人脸特征,确定每一人脸特征与其他人脸特征的总相似程度。
其中,其他人脸特征为待识别人脸特征和目标人脸特征集合中除每一人脸特征之外的人脸特征。
S605:响应于基于待识别人脸特征确定的总相似程度小于任意其他总相似程度,根据待识别人脸特征对目标人脸特征集合进行更新处理,得到更新后的人脸底库。
其中,更新后的人脸底库用于人脸识别。
示例性地,关于S604和S605的实现原理,可以参见第一实施例的实现原理,也可以参见第二实施例的实现原理,此处不再赘述。
S606:将待识别人脸特征添加至目标人脸特征集合,得到更新后的人脸底库。
值得说明地是,在本实施例中,通过先确定第一总数量与数量阈值之间的大小关系,以便在原始人脸底库的人脸特征已经达到存储空间(即第一总数量大于或等于数量阈值)时,则通过对原始人脸底库中的人脸特征进行替换,实现对原始人脸底库的更新,而在原始人脸底库的人脸特征未达到存储空间(即第一总数量小于数量阈值)时,则通过在原始人脸底库中增加待识别人脸特征,实现对原始人脸底库的更新,以提高对原始人脸底库更新的灵活性,且提高对原始人脸底库更新的可靠性和准确性的技术效果。
图7是根据本公开第四实施例的示意图,如图7所示,本公开实施例的人脸底库的更新装置700包括:
提取单元701,用于对获取到的待识别人脸图像进行特征提取,得到待识别人脸特征。
获取单元702,用于从原始人脸底库中,获取与待识别人脸图像归属于同一用户的目标人脸特征集合。
第一确定单元703,用于针对待识别人脸特征和所述目标人脸特征集合中的每一人脸特征,确定每一人脸特征与其他人脸特征的总相似程度,其他人脸特征为待识别人脸特征和目标人脸特征集合中除每一人脸特征之外的人脸特征。
更新单元704,用于响应于基于待识别人脸特征确定的总相似程度小于任意其他总相似程度,根据待识别人脸特征对目标人脸特征集合进行更新处理,得到更新后的人脸底库,其中,更新后的人脸底库用于人脸识别。
图8是根据本公开第五实施例的示意图,如图8所示,本公开实施例的人脸底库的更新装置800包括:
提取单元801,用于对获取到的待识别人脸图像进行特征提取,得到待识别人脸特征。
获取单元802,用于从原始人脸底库中,获取与待识别人脸图像归属于同一用户的目标人脸特征集合。
结合图8可知,在一些实施例中,获取单元802,包括:
第三确定子单元8021,用于从原始人脸底库中,将具有用户标识的人脸特征集合确定为与待识别人脸图像归属于同一用户的疑似人脸特征集合。
匹配子单元8022,用于对待识别人脸特征与疑似人脸特征集合进行相似度匹配,得到匹配程度。
第四确定子单元8023,用于响应于匹配程度大于预设的匹配度阈值,将疑似人脸特征集合确定为目标人脸特征集合。
在一些实施例中,匹配子单元8022,包括:
加权平均模块,用于对疑似人脸特征集合中各人脸特征进行加权平均处理,得到加权人脸特征。
第一计算模块,用于计算待识别人脸特征与加权人脸特征之间的第一相似度。
第四确定模块,用于若第一相似度大于预设第一阈值,则确定匹配程度大于所述匹配度阈值。
在另一些实施例中,匹配子单元8022,包括:
第二计算模块,用于计算待识别人脸特征与疑似人脸特征集合中每一人脸特征之间的第二相似度。
第五确定模块,用于确定各第二相似度中大于预设第二阈值的第二总数量。
第六确定模块,用于若第二总数量大于预设的第三阈值,则确定匹配程度大于匹配度阈值。
第一确定单元803,用于针对待识别人脸特征和所述目标人脸特征集合中的每一人脸特征,确定每一人脸特征与其他人脸特征的总相似程度,其他人脸特征为待识别人脸特征和目标人脸特征集合中除每一人脸特征之外的人脸特征。
结合图8可知,在一些实施例中,第一确定单元803,包括:
第一确定子单元8031,用于确定任意两个人脸特征之间的相似度。
构建子单元8032,用于根据各相似度构建相似度矩阵,其中,相似度矩阵表征任意两个相似度之间的相似关系。
第二确定子单元8033,用于根据相似度矩阵确定每一人脸特征与其他人脸特征的总相似程度。
在一些实施例中,第二确定子单元8033,包括:
第一确定模块,用于确定每一人脸特征对应于相似度矩阵中的行。
第二确定模块,用于逐行确定相似度矩阵中的每一行的范数。
第三确定模块,用于将每一行的范数确定为与每一行对应的人脸特征的总相似程度。
更新单元804,用于响应于基于待识别人脸特征确定的总相似程度小于任意其他总相似程度,根据待识别人脸特征对目标人脸特征集合进行更新处理,得到更新后的人脸底库,其中,更新后的人脸底库用于人脸识别。
结合图8可知,在一些实施例中,更新单元804,包括:
第五确定子单元8041,用于确定各总相相似程度中最大的总相似程度。
替换子单元8042,用于在目标人脸特征集合中,将最大的总相似程度对应的人脸特征替换为所述待识别人脸特征,得到更新后的人脸底库。
结合图8可知,在一些实施例中,人脸底库的更新装置800还包括:
第二确定单元805,用于确定目标人脸特征集合中的人脸特征的第一总数量。
第一确定单元803,用于若第一总数量达到预设的数量阈值,则执行针对待识别人脸特征和目标人脸特征集合中的每一人脸特征,确定每一人脸特征与其他人脸特征的总相似程度的步骤。
添加单元806,用于若第一总数量小于数量阈值,则将待识别人脸特征添加至目标人脸特征集合,得到更新后的人脸底库。
本公开的技术方案中,所涉及的用户个人信息(如用户的人脸图像等)的获取,存储和应用等,均符合相关法律法规的规定,且不违背公序良俗。
根据本公开的实施例,本公开还提供了一种电子设备和一种可读存储介质。
根据本公开的实施例,本公开还提供了一种计算机程序产品,计算机程序产品包括:计算机程序,计算机程序存储在可读存储介质中,电子设备的至少一个处理器可以从可读存储介质读取计算机程序,至少一个处理器执行计算机程序使得电子设备执行上述任一实施例提供的方案。
图9示出了可以用来实施本公开的实施例的示例电子设备900的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图9所示,电子设备900包括计算单元901,其可以根据存储在只读存储器(ROM)902中的计算机程序或者从存储单元908加载到随机访问存储器(RAM)903中的计算机程序,来执行各种适当的动作和处理。在RAM 903中,还可存储设备900操作所需的各种程序和数据。计算单元901、ROM 902以及RAM 903通过总线904彼此相连。输入/输出(I/O)接口905也连接至总线904。
设备900中的多个部件连接至I/O接口905,包括:输入单元906,例如键盘、鼠标等;输出单元907,例如各种类型的显示器、扬声器等;存储单元908,例如磁盘、光盘等;以及通信单元909,例如网卡、调制解调器、无线通信收发机等。通信单元909允许设备900通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元901可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元901的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元901执行上文所描述的各个方法和处理,例如人脸底库的更新方法。例如,在一些实施例中,人脸底库的更新方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元908。在一些实施例中,计算机程序的部分或者全部可以经由ROM 902和/或通信单元909而被载入和/或安装到设备900上。当计算机程序加载到RAM 903并由计算单元901执行时,可以执行上文描述的人脸底库的更新方法的一个或多个步骤。备选地,在其他实施例中,计算单元901可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行人脸底库的更新方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码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或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务("Virtual Private Server",或简称"VPS")中,存在的管理难度大,业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器,或者是结合了区块链的服务器。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开提供的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (19)
1.一种人脸底库的更新方法,包括:
对获取到的待识别人脸图像进行特征提取,得到待识别人脸特征,并从原始人脸底库中,获取与所述待识别人脸图像归属于同一用户的目标人脸特征集合;
针对所述待识别人脸特征和所述目标人脸特征集合中的每一人脸特征,确定所述每一人脸特征与其他人脸特征的总相似程度,所述其他人脸特征为所述待识别人脸特征和所述目标人脸特征集合中除所述每一人脸特征之外的人脸特征;
响应于基于所述待识别人脸特征确定的总相似程度小于任意其他总相似程度,根据所述待识别人脸特征对所述目标人脸特征集合进行更新处理,得到更新后的人脸底库,其中,所述更新后的人脸底库用于人脸识别。
2.根据权利要求1所述的方法,其中,针对所述待识别人脸特征和所述目标人脸特征集合中的每一人脸特征,确定所述每一人脸特征与其他人脸特征的总相似程度,包括:
确定任意两个人脸特征之间的相似度,并根据各相似度构建相似度矩阵,其中,所述相似度矩阵表征任意两个所述相似度之间的相似关系;
根据所述相似度矩阵确定所述每一人脸特征与其他人脸特征的总相似程度。
3.根据权利要求2所述的方法,其中,根据所述相似度矩阵确定所述每一人脸特征与其他人脸特征的总相似程度,包括:
确定所述每一人脸特征对应于所述相似度矩阵中的行;
逐行确定所述相似度矩阵中的每一行的范数,并将所述每一行的范数确定为与所述每一行对应的人脸特征的总相似程度。
4.根据权利要求1至3中任一项所述的方法,所述方法还包括:
确定所述目标人脸特征集合中的人脸特征的第一总数量;
若所述第一总数量达到预设的数量阈值,则执行针对所述待识别人脸特征和所述目标人脸特征集合中的每一人脸特征,确定所述每一人脸特征与其他人脸特征的总相似程度的步骤;
若所述第一总数量小于所述数量阈值,则将所述待识别人脸特征添加至所述目标人脸特征集合,得到更新后的人脸底库。
5.根据权利要求1至4中任一项所述的方法,其中,所述待识别人脸图像具有用户标识;从原始人脸底库中获取与所述待识别人脸图像归属于同一用户的目标人脸特征集合,包括:
从所述原始人脸底库中,将具有所述用户标识的人脸特征集合确定为与所述待识别人脸图像归属于同一用户的疑似人脸特征集合;
对所述待识别人脸特征与所述疑似人脸特征集合进行相似度匹配,得到匹配程度;
响应于所述匹配程度大于预设的匹配度阈值,将所述疑似人脸特征集合确定为所述目标人脸特征集合。
6.根据权利要求5所述的方法,其中,对所述待识别人脸特征与所述疑似人脸特征集合进行相似度匹配,得到匹配程度,包括:
对所述疑似人脸特征集合中各人脸特征进行加权平均处理,得到加权人脸特征,并计算所述待识别人脸特征与所述加权人脸特征之间的第一相似度;
若所述第一相似度大于预设第一阈值,则确定所述匹配程度大于所述匹配度阈值。
7.根据权利要求5所述的方法,其中,对所述待识别人脸特征与所述疑似人脸特征集合进行相似度匹配,得到匹配程度,包括:
计算所述待识别人脸特征与所述疑似人脸特征集合中每一人脸特征之间的第二相似度,并确定各所述第二相似度中大于预设第二阈值的第二总数量;
若所述第二总数量大于预设的第三阈值,则确定所述匹配程度大于所述匹配度阈值。
8.根据权利要求1至7中任一项所述的方法,其中,根据所述待识别人脸特征对所述目标人脸特征集合进行更新处理,得到更新后的人脸底库,包括:
确定各总相相似程度中最大的总相似程度,并在所述目标人脸特征集合中,将最大的总相似程度对应的人脸特征替换为所述待识别人脸特征,得到更新后的人脸底库。
9.一种人脸底库的更新装置,包括:
提取单元,用于对获取到的待识别人脸图像进行特征提取,得到待识别人脸特征;
获取单元,用于从原始人脸底库中,获取与所述待识别人脸图像归属于同一用户的目标人脸特征集合;
第一确定单元,用于针对所述待识别人脸特征和所述目标人脸特征集合中的每一人脸特征,确定所述每一人脸特征与其他人脸特征的总相似程度,所述其他人脸特征为所述待识别人脸特征和所述目标人脸特征集合中除所述每一人脸特征之外的人脸特征;
更新单元,用于响应于基于所述待识别人脸特征确定的总相似程度小于任意其他总相似程度,根据所述待识别人脸特征对所述目标人脸特征集合进行更新处理,得到更新后的人脸底库,其中,所述更新后的人脸底库用于人脸识别。
10.根据权利要求9所述的装置,其中,所述第一确定单元,包括:
第一确定子单元,用于确定任意两个人脸特征之间的相似度;
构建子单元,用于根据各相似度构建相似度矩阵,其中,所述相似度矩阵表征任意两个所述相似度之间的相似关系;
第二确定子单元,用于根据所述相似度矩阵确定所述每一人脸特征与其他人脸特征的总相似程度。
11.根据权利要求10所述的装置,其中,所述第二确定子单元,包括:
第一确定模块,用于确定所述每一人脸特征对应于所述相似度矩阵中的行;
第二确定模块,用于逐行确定所述相似度矩阵中的每一行的范数;
第三确定模块,用于将所述每一行的范数确定为与所述每一行对应的人脸特征的总相似程度。
12.根据权利要求9至11中任一项所述的装置,所述装置还包括:
第二确定单元,用于确定所述目标人脸特征集合中的人脸特征的第一总数量;
所述第一确定单元,用于若所述第一总数量达到预设的数量阈值,则执行针对所述待识别人脸特征和所述目标人脸特征集合中的每一人脸特征,确定所述每一人脸特征与其他人脸特征的总相似程度的步骤;
添加单元,用于若所述第一总数量小于所述数量阈值,则将所述待识别人脸特征添加至所述目标人脸特征集合,得到更新后的人脸底库。
13.根据权利要求9至12中任一项所述的装置,其中,所述获取单元,包括:
第三确定子单元,用于从所述原始人脸底库中,将具有所述用户标识的人脸特征集合确定为与所述待识别人脸图像归属于同一用户的疑似人脸特征集合;
匹配子单元,用于对所述待识别人脸特征与所述疑似人脸特征集合进行相似度匹配,得到匹配程度;
第四确定子单元,用于响应于所述匹配程度大于预设的匹配度阈值,将所述疑似人脸特征集合确定为所述目标人脸特征集合。
14.根据权利要求13所述的装置,其中,所述匹配子单元,包括:
加权平均模块,用于对所述疑似人脸特征集合中各人脸特征进行加权平均处理,得到加权人脸特征;
第一计算模块,用于计算所述待识别人脸特征与所述加权人脸特征之间的第一相似度;
第四确定模块,用于若所述第一相似度大于预设第一阈值,则确定所述匹配程度大于所述匹配度阈值。
15.根据权利要求13所述的装置,其中,所述匹配子单元,包括:
第二计算模块,用于计算所述待识别人脸特征与所述疑似人脸特征集合中每一人脸特征之间的第二相似度;
第五确定模块,用于确定各所述第二相似度中大于预设第二阈值的第二总数量;
第六确定模块,用于若所述第二总数量大于预设的第三阈值,则确定所述匹配程度大于所述匹配度阈值。
16.根据权利要求9至15中任一项所述的装置,其中,所述更新单元,包括:
第五确定子单元,用于确定各总相相似程度中最大的总相似程度;
替换子单元,用于在所述目标人脸特征集合中,将最大的总相似程度对应的人脸特征替换为所述待识别人脸特征,得到更新后的人脸底库。
17.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1至8中任一项所述的方法。
18.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行权利要求1至8中任一项所述的方法。
19.一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据权利要求1至8中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110944349.0A CN113656422A (zh) | 2021-08-17 | 2021-08-17 | 人脸底库的更新方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110944349.0A CN113656422A (zh) | 2021-08-17 | 2021-08-17 | 人脸底库的更新方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113656422A true CN113656422A (zh) | 2021-11-16 |
Family
ID=78480472
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110944349.0A Withdrawn CN113656422A (zh) | 2021-08-17 | 2021-08-17 | 人脸底库的更新方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113656422A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114429663A (zh) * | 2022-01-28 | 2022-05-03 | 北京百度网讯科技有限公司 | 人脸底库的更新方法、人脸识别方法、装置及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105138972A (zh) * | 2015-08-11 | 2015-12-09 | 北京天诚盛业科技有限公司 | 人脸认证方法和装置 |
CN106326868A (zh) * | 2016-08-26 | 2017-01-11 | 江苏华通晟云科技有限公司 | 基于余弦相似度度量学习的人脸识别方法 |
CN106778489A (zh) * | 2016-11-14 | 2017-05-31 | 深圳奥比中光科技有限公司 | 人脸3d特征身份信息库的建立方法及设备 |
CN110110593A (zh) * | 2019-03-27 | 2019-08-09 | 广州杰赛科技股份有限公司 | 基于自学习的人脸考勤方法、装置、设备及存储介质 |
WO2019228317A1 (zh) * | 2018-05-28 | 2019-12-05 | 华为技术有限公司 | 人脸识别方法、装置及计算机可读介质 |
CN111310743A (zh) * | 2020-05-11 | 2020-06-19 | 腾讯科技(深圳)有限公司 | 人脸识别方法、装置、电子设备及可读存储介质 |
CN113033373A (zh) * | 2021-03-19 | 2021-06-25 | 北京百度网讯科技有限公司 | 用于训练人脸识别模型及识别人脸的方法及相关装置 |
CN113158801A (zh) * | 2021-03-19 | 2021-07-23 | 北京百度网讯科技有限公司 | 用于训练人脸识别模型以及识别人脸的方法以及相关装置 |
-
2021
- 2021-08-17 CN CN202110944349.0A patent/CN113656422A/zh not_active Withdrawn
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105138972A (zh) * | 2015-08-11 | 2015-12-09 | 北京天诚盛业科技有限公司 | 人脸认证方法和装置 |
CN106326868A (zh) * | 2016-08-26 | 2017-01-11 | 江苏华通晟云科技有限公司 | 基于余弦相似度度量学习的人脸识别方法 |
CN106778489A (zh) * | 2016-11-14 | 2017-05-31 | 深圳奥比中光科技有限公司 | 人脸3d特征身份信息库的建立方法及设备 |
WO2019228317A1 (zh) * | 2018-05-28 | 2019-12-05 | 华为技术有限公司 | 人脸识别方法、装置及计算机可读介质 |
CN110110593A (zh) * | 2019-03-27 | 2019-08-09 | 广州杰赛科技股份有限公司 | 基于自学习的人脸考勤方法、装置、设备及存储介质 |
CN111310743A (zh) * | 2020-05-11 | 2020-06-19 | 腾讯科技(深圳)有限公司 | 人脸识别方法、装置、电子设备及可读存储介质 |
CN113033373A (zh) * | 2021-03-19 | 2021-06-25 | 北京百度网讯科技有限公司 | 用于训练人脸识别模型及识别人脸的方法及相关装置 |
CN113158801A (zh) * | 2021-03-19 | 2021-07-23 | 北京百度网讯科技有限公司 | 用于训练人脸识别模型以及识别人脸的方法以及相关装置 |
Non-Patent Citations (2)
Title |
---|
韩睿;: "基于深度学习的人脸识别系统", 电子技术与软件工程, no. 10 * |
龚锐;丁胜;章超华;苏浩;: "基于深度学习的轻量级和多姿态人脸识别方法", 计算机应用, no. 03 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114429663A (zh) * | 2022-01-28 | 2022-05-03 | 北京百度网讯科技有限公司 | 人脸底库的更新方法、人脸识别方法、装置及系统 |
CN114429663B (zh) * | 2022-01-28 | 2023-10-20 | 北京百度网讯科技有限公司 | 人脸底库的更新方法、人脸识别方法、装置及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113705425B (zh) | 活体检测模型的训练方法和活体检测的方法、装置、设备 | |
CN113657269A (zh) | 人脸识别模型的训练方法、装置及计算机程序产品 | |
CN113591864B (zh) | 文本识别模型框架的训练方法、装置及系统 | |
CN112857268A (zh) | 对象面积测量方法、装置、电子设备和存储介质 | |
CN113065614A (zh) | 分类模型的训练方法和对目标对象进行分类的方法 | |
CN113780098A (zh) | 文字识别方法、装置、电子设备以及存储介质 | |
US20230096921A1 (en) | Image recognition method and apparatus, electronic device and readable storage medium | |
CN114494776A (zh) | 一种模型训练方法、装置、设备以及存储介质 | |
CN112507833A (zh) | 人脸识别及模型训练的方法、装置、设备和存储介质 | |
CN113627361B (zh) | 人脸识别模型的训练方法、装置及计算机程序产品 | |
CN113869253A (zh) | 活体检测方法、训练方法、装置、电子设备及介质 | |
CN113033373B (zh) | 用于训练人脸识别模型及识别人脸的方法及相关装置 | |
CN114511756A (zh) | 基于遗传算法的攻击方法、装置及计算机程序产品 | |
CN112632251B (zh) | 回复内容的生成方法、装置、设备和存储介质 | |
CN113656422A (zh) | 人脸底库的更新方法及装置 | |
CN113657248A (zh) | 人脸识别模型的训练方法、装置及计算机程序产品 | |
CN110889392B (zh) | 人脸图像处理的方法及装置 | |
CN113850203B (zh) | 粘连检测模型训练、粘连检测方法及相关装置 | |
CN115601042A (zh) | 信息识别方法、装置、电子设备及存储介质 | |
CN114359811A (zh) | 数据鉴伪方法、装置、电子设备以及存储介质 | |
CN114120410A (zh) | 用于生成标签信息的方法、装置、设备、介质和产品 | |
CN114359993A (zh) | 模型训练方法、人脸识别方法、装置、设备、介质及产品 | |
CN114429663B (zh) | 人脸底库的更新方法、人脸识别方法、装置及系统 | |
CN113221920B (zh) | 图像识别方法、装置、设备、存储介质以及计算机程序产品 | |
CN115034893A (zh) | 深度学习模型的训练方法、风险评估方法和装置 |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20211116 |
|
WW01 | Invention patent application withdrawn after publication |