CN114140861A - 人脸检测去重的方法与装置 - Google Patents

人脸检测去重的方法与装置 Download PDF

Info

Publication number
CN114140861A
CN114140861A CN202111515538.2A CN202111515538A CN114140861A CN 114140861 A CN114140861 A CN 114140861A CN 202111515538 A CN202111515538 A CN 202111515538A CN 114140861 A CN114140861 A CN 114140861A
Authority
CN
China
Prior art keywords
image
detected
features
threshold value
matched
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
Application number
CN202111515538.2A
Other languages
English (en)
Inventor
朱金华
温华
朱伟
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.)
CLP Cloud Digital Intelligence Technology Co Ltd
Original Assignee
CLP Cloud Digital Intelligence Technology 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 CLP Cloud Digital Intelligence Technology Co Ltd filed Critical CLP Cloud Digital Intelligence Technology Co Ltd
Priority to CN202111515538.2A priority Critical patent/CN114140861A/zh
Publication of CN114140861A publication Critical patent/CN114140861A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06N3/045—Combinations of networks
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明提供一种人脸检测去重的方法与装置，该人脸检测去重的方法包括：获取待检测图像；提取所述待检测图像的特征，并根据第一预设阈值对所述待检测图像进行过滤；所述第一预设阈值包括置信度阈值、侧脸阈值以及特征模阈值；比对所述待检测图像的特征与预存名单库中的特征以及缓存库中的特征，在所述缓存库中存在与所述待检测图像匹配的特征且所述匹配的特征的特征模阈值与所述待检测图像的特征模阈值的比值大于第二预设阈值时，则丢弃所述待检测图像。本发明不仅能及时上报，还能保证上报人像为质量最佳。

Description

人脸检测去重的方法与装置
技术领域
本发明涉及图像处理技术领域，尤其涉及一种人脸检测去重的方法与装置。
背景技术
目前人脸检测去重的现有技术中，对视频中连续经过的同一个人脸的多帧抓拍，譬如由远及近并消失的过程，会存在多张采集人脸图像，对这些人脸图像全部进行后续的处理将会影响存储及后续的关联挖掘部分的计算实时性。
在实时基于人脸识别的布控抓拍系统中，讲究时效性，来不及对一个目标跟踪然后挑选评估指标最佳的人像进行上报处理。根据场景需要，要同时对多路视频进行分析，发现目标与底库相似就需要及时上报，这样势必存在很多重复记录，甚至会出现后上报者质量并不如之前上报的。另一方面，对于多路视频（300以上）的处理场景，基于性能考虑需要对每一单路做抽帧处理，这样做目标跟踪的效果及算力要求的性价比不高。
发明内容
有鉴于此，本发明提供一种人脸检测去重的方法与装置，不仅能及时上报，还能保证上报人像为质量最佳。
第一方面，人脸检测去重的方法，包括：获取待检测图像；
提取所述待检测图像的特征，并根据第一预设阈值对所述待检测图像进行过滤；所述第一预设阈值包括置信度阈值、侧脸阈值以及特征模阈值；
比对所述待检测图像的特征与预存名单库中的特征以及缓存库中的特征，在所述缓存库中存在与所述待检测图像匹配的特征且所述匹配的特征的特征模阈值与所述待检测图像的特征模阈值的比值大于第二预设阈值时，则丢弃所述待检测图像。
进一步地，所述比对所述待检测图像的特征与预存名单库中的特征以及缓存库中的特征的步骤之后包括：
在所述缓存库与预存名单库中均存在与所述待检测图像匹配的特征、且所述匹配的特征
的特征模阈值与所述待检测图像的特征模阈值的比值小于或等于所述第二预设阈值时，将所述缓存库中与所述待检测图像匹配的特征更新为所述待检测图像的特征，并发送用于表征更新记录的第一通知信息。
进一步地，所述比对所述待检测图像的特征与预存名单库中的特征以及缓存库中的特征的步骤之后包括：
在所述缓存库中存在与所述待检测图像匹配的特征、在所述预存名单库中不存在与所述
待检测图像匹配的特征、且所述匹配的特征的特征模阈值与所述待检测图像的特征模阈值的比值小于或等于所述第二预设阈值时，将所述待检测图像匹配的特征作为新特征加入所述缓存库中，并发送用于表征新增记录的第二通知信息。
进一步地，所述缓存库中的特征具有唯一标识的特征标识号。
进一步地，所述第二预设阈值为0.9。
第二方面，本发明提供一种人脸检测去重的装置，包括：
图像获取模块，用于获取待检测图像；
图像过滤模块，用于提取所述待检测图像的特征，并根据第一预设阈值对所述待检测图像进行过滤；所述第一预设阈值包括置信度阈值、侧脸阈值以及特征模阈值；
图像去重模块，用于比对所述待检测图像的特征与预存名单库中的特征以及缓存库中的特征，在所述缓存库中存在与所述待检测图像匹配的特征且所述匹配的特征的特征模阈值与所述待检测图像的特征模阈值的比值大于第二预设阈值时，则丢弃所述待检测图像。
进一步地，所述图像去重模块还用于：在所述缓存库与预存名单库中均存在与所述待检测图像匹配的特征、且所述匹配的特征的特征模阈值与所述待检测图像的特征模阈值的比值小于或等于所述第二预设阈值时，将所述缓存库中与所述待检测图像匹配的特征更新为所述待检测图像的特征，并发送用于表征更新记录的第一通知信息。
进一步地，所述图像去重模块还用于：在所述缓存库中存在与所述待检测图像匹配的特征、在所述预存名单库中不存在与所述待检测图像匹配的特征、且所述匹配的特征的特征模阈值与所述待检测图像的特征模阈值的比值小于或等于所述第二预设阈值时，将所述待检测图像匹配的特征作为新特征加入所述缓存库中，并发送用于表征新增记录的第二通知信息。
第三方面，本发明还提供一种计算机可读存储介质，所述存储介质上存储有计算机程序，所述程序被处理器执行时实现所述方法的步骤。
第四方面，本发明还提供一种计算机设备，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程序时实现所述方法的步骤。
本发明人脸检测去重的方法与装置，通过利用人脸检测置信度，侧脸指标，特征模指标进行低质量人脸初步过滤， 进一步利用缓存特征库记录的特征模、与名单库中记录的相似度信息进行更新或新上报，解决了上报的及时性及相似记录的去重能力。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例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它的附图。
图1为根据本发明示例性第一实施例的人脸检测去重的方法的流程图。
图2为根据本发明示例性第二实施例的人脸检测去重的方法中图像过滤的流程图。
图3为根据本发明示例性第二实施例的人脸检测去重的方法中图像去重的流程图。
图4为根据本发明示例性第三实施例的人脸检测去重的方法的流程图。
图5为根据本发明示例性第四三实施例的人脸检测去重的装置的结构框图。
具体实施方式
下面结合附图对本发明实施例进行详细描述。
需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合；并且，基于本公开中的实施例，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，都属于本公开保护的范围。
需要说明的是，下文描述在所附权利要求书的范围内的实施例的各种方面。应显而易见，本文中所描述的方面可体现于广泛多种形式中，且本文中所描述的任何特定结构及/或功能仅为说明性的。基于本公开，所属领域的技术人员应了解，本文中所描述的一个方面可与任何其它方面独立地实施，且可以各种方式组合这些方面中的两者或两者以上。举例来说，可使用本文中所阐述的任何数目个方面来实施设备及/或实践方法。另外，可使用除了本文中所阐述的方面中的一或多者之外的其它结构及/或功能性实施此设备及/或实践此方法。
图1为根据本发明示例性第一实施例的人脸检测去重的方法的流程图，如图1所示，本发明包括：
步骤101：获取待检测图像。
步骤102：提取所述待检测图像的特征，并根据第一预设阈值对所述待检测图像进行过滤；所述第一预设阈值包括置信度阈值、侧脸阈值以及特征模阈值。
步骤103：比对所述待检测图像的特征与预存名单库中的特征以及缓存库中的特征，在所述缓存库中存在与所述待检测图像匹配的特征且所述匹配的特征的特征模阈值与所述待检测图像的特征模阈值的比值大于第二预设阈值时，则丢弃所述待检测图像。
本实施例基于多路监控布控实时上报的场景，单路视频中从人模糊出现，清晰呈现，到消失的过程，为解决多路视频动态分析时，人脸检测识别并上报的重复性消除问题，尽管可以利用目标跟踪在目标消失时选取质量最佳的上报方式，但实时性不能保证。本实施例通过利用人脸检测置信度，侧脸指标，特征模指标进行低质量人脸初步过滤， 进一步利用缓存特征库记录的特征模、与名单库中记录的相似度信息进行更新或新上报，解决了上报的及时性及相似记录的去重能力，同时在存储侧根据记录对业务的重要性进行更新或存储新记录的方式以便恢复当时告警时的信息又能保留高质量的人像信息。
如图2-图4所示，人脸检测去重的方法中步骤102以及步骤103有多种优选方式，具体地：
对于步骤102中的图像过滤处理，如图2所示可以包括根据置信度、侧脸质量以及特征模进行过滤。
对于置信度，即使脸很小很模糊，但只要是明确的人脸其得分依然会很高，其只能作为一个参考排除检测算法的误检人脸；在人脸检测时通过对其做滤波及边缘检测进行清晰度的判断，主要依赖图像的像素级特征，不能充分利用高层人脸语义。人脸检测目标置信度为人脸检测模型在检测人脸时给出的一个数值，代表给出的boundingbox矩形框内存在人脸的确定能力，一定存在时为1，不存在时为0，中间的可能性位于0到1之间。人脸检测框架基于CenterFace的人脸检测算法改进，将人脸当作一个点，对图像的特征图判断对应图像的位置是否是目标的中心点。同时可以回归出目标长宽的坐标，及五个关键点landmarks，并同时给出是否为人脸的一个置信度。本发明不限定人脸检测阶段的算法，主要利用人脸检测阶段输出的置信度。具体根据镜头焦距及光圈大小，设置合适的置信度阈值，对于大光圈稍远的人像模糊的情形，选择较高的阈值只取置信度较高的检测结果。
具体地，侧脸质量评估根据人脸检测得到的锚点位置计算其俯仰及侧脸角度，根据俯仰及左右侧脸的角度对其侧脸进行评估。简单来说，正脸为1.0，左右及俯仰在30度时分值为0.9，左右60度俯仰40度时为0.4，中间平滑过渡。人脸检测中返回五点landmarks坐标，根据这部分坐标做对齐以便人脸特征提取使用，可以利用检测到目标的这五点信息的值来识别其侧脸角度。具体的，设定一个参考矩阵refpts为标准5点的坐标[[x1,y1], [x2,y2], [x3,y3], [x4,y4], [x5,y5]]
对检测到的人脸回归出来的5点坐标为[[a1,b1],[a2,b2],[a3,b3],[a4,b4],[a5,b5]], 我们取(左眼，右眼，左嘴角)与对应位置参考点的坐标对和(左眼，左嘴角，右嘴角)与对应位置参考点的坐标对分别生成仿射变换矩阵。
Src1=[[a1,b1],[a2,b2],[a4,b4]] dst1=[[x1,y1], [x2,y2], [x4,y4]]
Src1=[[a1,b1],[a2,b2],[a5,b5]] dst1=[[x1,y1], [x2,y2], [x5,y5]]
分别计算转移矩阵
T1= getAffineTransform(src1,dst1) T2= getAffineTransform(src2,dst2)
其中T1=[[u11,u12,u13],[u21,u22,u23] T2=[[v11,v12,v13],[v21,v22,v23]]
其中u=u11/u22及v=v11/v22的值可以体现出x周与y轴的缩放比，根据其比值可以衡量其相似程度。其中的getAffineTransform为计算src到dst的仿射变换矩阵，实现可以参考opencv。用u和v的平均值w确定当前对象的侧脸程度。
通过对特定侧脸角度进行检测并计算其w值，用于根据w值反向推断其侧脸角度，一种实现的结果为w=1.1对应约30度，w=1.4对应约45度，w=1.5对应约60度。这种数值依赖于具体人脸的脸型如胖瘦等的差异，只能提供一种估算方式。
对于特征模的计算包括独立模型及公用识别模型两种形式，采用独立模型时通过训练是否人脸的轻量二分类卷积神经网络模型，用于快速对人脸进行评价，适用于边缘设备。采用人脸识别的特征提取模型时，可以对每个对齐人脸提取一次特征，并根据其模值保留超过阈值的即可，此特征可进一步供后续人脸识别比对使用。人脸识别模型提取的人脸特征，其通过CNN卷积神经网络对已对齐人脸进行卷积及激活池化等操作，对每张人脸产生一个高维特征向量，简称特征feature。对于清晰及人脸特征明显的人脸，有更多的激活函数能激活反应，最终产生的特征向量各维度有更大的绝对值。体现到整个人脸特征，其L2范数即特征模norm有更大的取值。利用L2范数的大小可以作为其质量的一个评估标准。设定阈值特征模阈值norm_thr，对于低于此阈值的认为其特征对于识别没有意义。
基于以上人脸检测置信度，侧脸角度，及featurenorm三项的值及对应阈值控制，可以过滤掉对人脸识别效果不佳的模糊人脸。
具体操作时可以采用缓存一定时间内达标特征并生成唯一faceid，并对后续人脸图像特征与之进行比较，对特征相似的记录则进一步进行质量分的比较，如果新人脸质量更佳或与布控库中相似度更高，则需要继续上报。这也是为了解决布控库中本身就可能质量不高的问题。对于质量差且相似度不匹配的则做重复采集处理。缓存特征根据时间控制其失效时长。
具体如图3所示，步骤103具体可以包括：
首先，将人脸特征与名单库比较得到相似度，具体地：
对于去重，设置特征缓存策略，即针对未出现的特征，将特征向量，特征norm，当前时间加入缓存。
定义两个特征的相似度sim为两个特征的余弦相似度的单调增函数映射值。例如设置余弦相似度0.46对应相似度的0.95。
设置阈值sim_lowthr与sim_highthr，sim_lowthr<sim_highthr。其中低于sim_lowthr的认为不是一个人，高于sim_highthr的认为一定为同一个人。
未出现过的特征指与所有已缓存特征的余弦相似度均低于特定阈值sim_lowthr的新特征。
缓存特征的信息包括：
Faceid-人脸id
Cameraid-设备id
Feature-人脸特征
Featurenorm-人脸特征norm值
Timestamp-存储时间
Personid-最相似的名单库人脸id
Similarity：与最相似的名单库人脸id的相似度
定义特征余弦相似度阈值
若新检测到的人脸facenew的特征fnew与已缓存特征f1,f2等的相似度超过阈值sim_lowthr，则：
1. 若存在一个缓存特征f与其相似度超过sim_highthr，则以此特征记录为准
2.若不存在缓存特征与新特征fnew相似度超过sim_highthr,则看新特征与名单库的比对结果，缓存库中与之具有相同比对结果的认为是同一个人。
3. 若新特征fnew与缓存特征的相似度均低于sim_lowthr,则认为是新目标，应该加入缓存。
其次将人脸特征与缓存库比较，基于比较结果进行更新、新增或者丢弃，具体包括：
1. 对于新特征fnew与缓存库中比对上的特征f，若norm(f)/norm(fnew)<=0.9且fnew与f均与名单库中的同一个人相似且相似度有提升或fnew能匹配上但缓存的f未能匹配上，则新特征继续上报并更新原记录。缓存中增加记录此新特征的信息。其中norm_thr为选定的人脸特征模阈值，用于评估人像质量。本条是说图像质量有提升且与名单库匹配度也有提升时需要继续上报并更新原记录。
2. 对于新特征fnew与缓存库中比对上的特征f，若norm(f)/norm(fnew)<=0.9且fnew未与名单库中比对上，但缓存的特征f是比对上的，则新特征继续上报新记录。缓存中增加记录此新特征的信息。本条是说图像质量有提升但没匹配上则上报新记录。
3. 对于新特征fnew与缓存库中比对上的特征f，若norm(f)/norm(fnew)>0.9，则丢弃不记录。对于上报记录的存储，则根据faceid进行更新，即后来记录如果其faceid已存在，则更新已有faceid的记录，用于减少总记录的数量。
本发明在上报时如果在缓存中已存在有效相似特征，且后续仍需上报时要采用同样的faceid，在存储时需要对已存在的faceid进行更新。具体的，如果norm提升超过10%，相似特征有比对上的名单人且相似度sim提升则更新，如果norm提升超过10%，缓存的相似特征和当前均未比对上则也更新。Norm下降但新特征比对超过阈值，缓存的相似特征未比对上，则上报新记录。
本实施例是解决多路视频中心处理时的人脸质量评估问题，用于过滤低质量人脸，作为后续去重留存的依据；二是要同时保证低质量人脸满足布控标准要求上报及时性的同时做到过滤掉没有特别意义的新人像；三是要在上报时能区分更新已上报记录还是新增记录的规则，做到用更好的质量及比对效果的留存取代旧的，提升不大的不上报，质量下降但相似度有提升的则上报新纪录。
本发明主要用于后端集中式处理的场景，利用人脸检测的置信度及图像大小根据阈值控制进行初步过滤低质量目标，然后经侧脸及质量评估对低质量目标做进一步筛选滤除，这部分目标对后面的识别及人工复核并不具备明显意义，由此第一步完成了质量达标人脸的定量筛选。具体的，在人脸关键点对齐后利用特征提取模型进行人脸识别特征提取，对高质量正脸图像，其提取的高层语义及底层特征能充分体现，其特征模feature norm比低质量脸及侧脸要高，据此进行低质量脸的滤除及比较。
图5为根据本发明示例性第四实施例的人脸检测去重的装置的结构框图。图1-图4所示实施例可以适用于本实施例，具体如图5所示，所述人脸检测去重的装置包括：
图像获取模块501，用于获取待检测图像；
图像过滤模块502，用于提取所述待检测图像的特征，并根据第一预设阈值对所述待检测图像进行过滤；所述第一预设阈值包括置信度阈值、侧脸阈值以及特征模阈值；
图像去重模块503，用于比对所述待检测图像的特征与预存名单库中的特征以及缓存库中的特征，在所述缓存库中存在与所述待检测图像匹配的特征且所述匹配的特征的特征模阈值与所述待检测图像的特征模阈值的比值大于第二预设阈值时，则丢弃所述待检测图像。
优选地，所述图像去重模块503还用于：在所述缓存库与预存名单库中均存在与所述待检测图像匹配的特征、且所述匹配的特征的特征模阈值与所述待检测图像的特征模阈值的比值小于或等于所述第二预设阈值时，将所述缓存库中与所述待检测图像匹配的特征更新为所述待检测图像的特征，并发送用于表征更新记录的第一通知信息。
优选地，所述图像去重模块503还用于：在所述缓存库中存在与所述待检测图像匹配的特征、在所述预存名单库中不存在与所述待检测图像匹配的特征、且所述匹配的特征的特征模阈值与所述待检测图像的特征模阈值的比值小于或等于所述第二预设阈值时，将所述待检测图像匹配的特征作为新特征加入所述缓存库中，并发送用于表征新增记录的第二通知信息。
本实施例综合利用人脸检测置信度、侧脸指标、图像大小、特征模featurenorm等进行低质量人脸的过滤；缓存特征时记录缓存时间，该缓存特征是否比中名单库目标及目标id相似度；若新特征与缓存的相似度达标，则需计算是否新特征更清晰，比中目标是否相同，相似度是否提升等，然后根据特定规则决定是丢弃，更新还是新增。此部分要考虑的是尽管更清晰了，但比对相同人但相似度下降了，甚至不达标了，或人脸质量有提升但不大等。对于比对相同，相似度提升，质量有提示的新抓拍记录，则进行指定缓存id的记录更新，对库中存储的历史记录更新，由此实现及时上报并保证上报的图像质量高精度。
本发明还提供一种计算机可读存储介质，所述存储介质上存储有计算机程序，所述程序被处理器执行时实现所述方法的步骤。
本发明还提供一种计算机设备，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程序时实现所述方法的步骤。
该介质以及计算机设备具有上述人脸检测去重的方法相应的技术效果。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种人脸检测去重的方法，其特征在于，包括：
获取待检测图像；
提取所述待检测图像的特征，并根据第一预设阈值对所述待检测图像进行过滤；所述第一预设阈值包括置信度阈值、侧脸阈值以及特征模阈值；
比对所述待检测图像的特征与预存名单库中的特征以及缓存库中的特征，在所述缓存库中存在与所述待检测图像匹配的特征且所述匹配的特征的特征模阈值与所述待检测图像的特征模阈值的比值大于第二预设阈值时，则丢弃所述待检测图像。
2.根据权利要求1所述的人脸检测去重的方法，其特征在于，所述比对所述待检测图像的特征与预存名单库中的特征以及缓存库中的特征的步骤之后包括：
在所述缓存库与预存名单库中均存在与所述待检测图像匹配的特征、且所述匹配的特征
的特征模阈值与所述待检测图像的特征模阈值的比值小于或等于所述第二预设阈值时，将所述缓存库中与所述待检测图像匹配的特征更新为所述待检测图像的特征，并发送用于表征更新记录的第一通知信息。
3.根据权利要求2所述的人脸检测去重的方法，其特征在于，所述比对所述待检测图像的特征与预存名单库中的特征以及缓存库中的特征的步骤之后包括：
在所述缓存库中存在与所述待检测图像匹配的特征、在所述预存名单库中不存在与所述
待检测图像匹配的特征、且所述匹配的特征的特征模阈值与所述待检测图像的特征模阈值的比值小于或等于所述第二预设阈值时，将所述待检测图像匹配的特征作为新特征加入所述缓存库中，并发送用于表征新增记录的第二通知信息。
4.根据权利要求2所述的人脸检测去重的方法，其特征在于，所述缓存库中的特征具有唯一标识的特征标识号。
5.根据权利要求4所述的人脸检测去重的方法，其特征在于，所述第二预设阈值为0.9。
6.一种人脸检测去重的装置，其特征在于，所述人脸检测去重的装置包括：
图像获取模块，用于获取待检测图像；
图像过滤模块，用于提取所述待检测图像的特征，并根据第一预设阈值对所述待检测图像进行过滤；所述第一预设阈值包括置信度阈值、侧脸阈值以及特征模阈值；
图像去重模块，用于比对所述待检测图像的特征与预存名单库中的特征以及缓存库中的特征，在所述缓存库中存在与所述待检测图像匹配的特征且所述匹配的特征的特征模阈值与所述待检测图像的特征模阈值的比值大于第二预设阈值时，则丢弃所述待检测图像。
7.根据权利要求6所述的人脸检测去重的装置，其特征在于，所述图像去重模块还用于：在所述缓存库与预存名单库中均存在与所述待检测图像匹配的特征、且所述匹配的特征的特征模阈值与所述待检测图像的特征模阈值的比值小于或等于所述第二预设阈值时，将所述缓存库中与所述待检测图像匹配的特征更新为所述待检测图像的特征，并发送用于表征更新记录的第一通知信息。
8.根据权利要求7所述的人脸检测去重的装置，其特征在于，所述图像去重模块还用于：在所述缓存库中存在与所述待检测图像匹配的特征、在所述预存名单库中不存在与所述待检测图像匹配的特征、且所述匹配的特征的特征模阈值与所述待检测图像的特征模阈值的比值小于或等于所述第二预设阈值时，将所述待检测图像匹配的特征作为新特征加入所述缓存库中，并发送用于表征新增记录的第二通知信息。
9.一种计算机可读存储介质，所述存储介质上存储有计算机程序，所述程序被处理器执行时实现权利要求1-5中任一项所述方法的步骤。
10.一种计算机设备，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程序时实现权利要求1-5中任一项所述方法的步骤。
CN202111515538.2A 2021-12-13 2021-12-13 人脸检测去重的方法与装置 Pending CN114140861A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111515538.2A CN114140861A (zh) 2021-12-13 2021-12-13 人脸检测去重的方法与装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111515538.2A CN114140861A (zh) 2021-12-13 2021-12-13 人脸检测去重的方法与装置

Publications (1)

Publication Number Publication Date
CN114140861A true CN114140861A (zh) 2022-03-04

Family

ID=80385790

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111515538.2A Pending CN114140861A (zh) 2021-12-13 2021-12-13 人脸检测去重的方法与装置

Country Status (1)

Country Link
CN (1) CN114140861A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116386123A (zh) * 2023-06-07 2023-07-04 深圳市慧为智能科技股份有限公司 人脸质量分析方法、装置、计算机设备及存储介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116386123A (zh) * 2023-06-07 2023-07-04 深圳市慧为智能科技股份有限公司 人脸质量分析方法、装置、计算机设备及存储介质

Similar Documents

Publication Publication Date Title
US10963993B2 (en) Image noise intensity estimation method, image noise intensity estimation device, and image recognition device
KR102641115B1 (ko) 객체 검출을 위한 영상 처리 방법 및 장치
JP4766495B2 (ja) 対象物追跡装置および対象物追跡方法
Sen-Ching et al. Robust techniques for background subtraction in urban traffic video
CN108491784B (zh) 面向大型直播场景的单人特写实时识别与自动截图方法
JP4616702B2 (ja) 画像処理
WO2019114036A1 (zh) 人脸检测方法及装置、计算机装置和计算机可读存储介质
JP6007682B2 (ja) 画像処理装置、画像処理方法及びプログラム
CN110728697A (zh) 基于卷积神经网络的红外弱小目标检测跟踪方法
CN111553259B (zh) 一种图像去重方法及系统
CN110689555B (zh) 基于前景检测的kcf跟踪目标丢失检测方法及系统
SanMiguel et al. Adaptive online performance evaluation of video trackers
JP4745207B2 (ja) 顔特徴点検出装置及びその方法
WO2013012091A1 (ja) 情報処理装置、物体追跡方法およびプログラム記憶媒体
CN107657209B (zh) 一种基于手指静脉图像质量的模板图像注册机制
CN111985427A (zh) 活体检测方法、设备及可读存储介质
KR20120113912A (ko) 상관관계를 이용한 가려진 얼굴 영상 검출 및 복원 방법
CN109492647A (zh) 一种电网机器人障碍物识别方法
CN114783037B (zh) 目标重识别方法、目标重识别装置和计算机可读存储介质
CN114140861A (zh) 人脸检测去重的方法与装置
Song et al. Target detection via HSV color model and edge gradient information in infrared and visible image sequences under complicated background
WO2014205787A1 (zh) 一种基于混合图像模板的车辆检测方法
CN112991159B (zh) 人脸光照质量评估方法、系统、服务器与计算机可读介质
CN108932465B (zh) 降低人脸检测误检率的方法、装置及电子设备
Taha et al. Moving shadow removal for multi-objects tracking in outdoor environments

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