CN114419688A - 一种实时人脸识别方法、装置及电子设备 - Google Patents
一种实时人脸识别方法、装置及电子设备 Download PDFInfo
- Publication number
- CN114419688A CN114419688A CN202111358124.3A CN202111358124A CN114419688A CN 114419688 A CN114419688 A CN 114419688A CN 202111358124 A CN202111358124 A CN 202111358124A CN 114419688 A CN114419688 A CN 114419688A
- Authority
- CN
- China
- Prior art keywords
- face
- data
- target
- identity information
- target data
- 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 55
- 238000001514 detection method Methods 0.000 claims abstract description 29
- 238000004590 computer program Methods 0.000 claims abstract description 5
- 239000013598 vector Substances 0.000 claims description 61
- 238000006073 displacement reaction Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 12
- 230000004044 response Effects 0.000 claims description 12
- 238000004458 analytical method Methods 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 abstract description 3
- 238000004891 communication Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 8
- 230000008859 change Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000001815 facial effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Abstract
本申请实施例提供一种实时人脸识别方法、装置及电子设备,能够在保证识别结果准确的前提下,大大减少数据计算量,提高识别速度。所述方法包括:对视频流数据进行目标跟踪检测,确定所述视频流数据中相邻帧图像的人脸目标数据是否存在差异;响应于相邻帧图像的所述人脸目标数据存在差异,对所述人脸目标数据对应的身份信息进行更新。所述装置包括跟踪检测模块与身份信息更新模块。所述电子设备包括存储器、处理器及存储在存储器上并可在处理器上运行以实现所述人脸识别方法的计算机程序。
Description
技术领域
本申请一个或多个实施例涉及智能识别技术领域,尤其涉及一种实时人脸识别方法、装置及电子设备。
背景技术
近年来,生物特征作为身份验证和识别依据受到越来越多关注与重视。其中,人脸识别作为非接触式的生物识别技术,具有使用便捷、应用友好的特点,目前已经被广泛研究及应用。现有人脸识别技术需要耗用大量计算资源,由于受到硬件处理能力限制往往识别速度较低,难以满足要求,为提高识别速度又往往会增加应用成本,实用性差。
发明内容
有鉴于此,本申请一个或多个实施例的目的在于提出一种实时人脸识别方法、装置及电子设备,以解决识别速度慢、应用成本高的问题。
在第一方面,基于上述目的本申请一个或多个实施例提供了一种实时人脸识别方法,包括:
对视频流数据进行目标跟踪检测,确定所述视频流数据中相邻帧图像的人脸目标数据是否存在差异;
响应于相邻帧图像的所述人脸目标数据存在差异,对所述人脸目标数据对应的身份信息进行更新。
所述方法在对视频流数据进行目标跟踪检测前还包括:
从所述视频流数据中获取当前帧图像,从所述当前帧图像提取所述人脸目标数据;
对所述人脸目标数据进行特征分析,确定所述人脸目标数据对应的所述所述身份信息。
其中,所述从所述当前帧图像提取人脸目标数据,包括:
利用人脸检测模型对所述当前帧图像进行人脸目标识别,从所述当前帧图像中选取多个人脸目标;
确定所述每个人脸目标相应的ROI区域图像;
所述人脸目标数据包括所述ROI区域图像。
可选的,所述对所述人脸目标数据进行特征分析,确定所述人脸目标数据对应的所述身份信息,包括:
利用人脸关键点检测模型对所述ROI区域图像进行特征点检测,确定相应所述人脸目标的特征点数据;
利用深度残差网络对所述特征点数据进行处理,确定所述人脸目标的目标特征向量;
在预设人脸特征向量库中筛选确定与所述目标特征向量相匹配的人脸特征向量,根据相匹配的人脸特征向量确定与所述人脸目标对应的所述人脸身份数据;
根据多个所述人脸目标相应所述人脸身份数据确定所述身份信息。
可选的,所述预设人脸特征向量库的构建方法,包括:
采集多项人脸图像数据并确定相应的人脸身份数据;
利用深度神经网络分别对多项所述人脸图像数据进行处理,从所述人脸图像数据中提取相应的人脸特征向量;
根据所述人脸特征向量与所述人脸身份数据构建所述人脸特征向量库。
可选的,所述对视频流数据进行目标跟踪检测,确定所述视频流数据中相邻帧图像的人脸目标数据是否存在差异,包括:
对相邻帧图像中的所述人脸目标进行跟踪统计,确定相邻帧图像中的人脸目标数量是否一致;
对相邻帧图像中的所述人脸目标进行跟踪定位,确定相邻帧图像中相对应所述ROI区域图像的中心点的位移距离;
根据所述位移距离确定相应所述人脸目标是否存在差异。
可选的,所述响应于相邻帧图像的所述人脸目标数据存在差异,对所述人脸目标数据对应的身份信息进行更新,包括:
响应于相邻帧图像中当前帧图像的人脸目标数量小于前一帧图像的人脸目标数量,确定消失人脸目标相应的人脸身份数据,将所述人脸身份数据从所述身份信息中删除;
响应于相邻帧图像中当前帧图像的人脸目标数量大于前一帧图像的人脸目标数量,确定新增人脸目标相应的人脸身份数据,将所述人脸身份数据添加入所述人脸身份信息。
可选的,所述响应于相邻帧图像的所述人脸目标数据存在差异,对所述人脸目标数据对应的身份信息进行更新,包括:
响应于所述位移距离大于预设位移阈值,确定当前帧图像中所述人脸目标相应的人脸身份数据,根据所述人脸身份数据对所述身份信息进行更重新。
在第二方面,基于上述目的本申请一个或多个实施例提供了一种实时人脸识别装置,包括:
跟踪检测模块,用于对视频流数据进行目标跟踪检测,确定所述视频流数据中相邻帧图像的人脸目标数据是否存在差异;
身份信息更新模块,用于在相邻帧图像的所述人脸目标数据存在差异时对所述人脸目标数据对应的身份信息进行更新。
在第三方面,基于上述目的本申请一个或多个实施例还提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在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如第一方面所述的实时人脸识别方法。
从上面所述可以看出,本申请一个或多个实施例提供的一种实时人脸识别方法、装置及电子设备,具有如下有益技术效果:
对所述视频流数据中各帧图像中的人脸目标进行跟踪检测,相邻帧图像中的人脸目标数据出现差异时才根据当前帧图像对所述人脸身份信息进行更新,仅在视频流的图像内容发生变化时更新相应的人脸身份信息,无需时刻对视频图像中的人脸目标进行分析识别,能够在保证识别结果准确的前提下,大大减少数据计算量,提高识别速度,从而可以解决现有技术中以解决识别速度慢、应用成本高的问题。
附图说明
为了更清楚地说明本申请一个或多个实施例或现有技术中的技术方案,下面将对实施例或现有技术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一个或多个实施例,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他的附图。
图1为本申请一个或多个实施例所提供的一种实时人脸识别方法示意图;
图2为本申请一个或多个实施例所提供的一种实时人脸识别方法中确定人脸目标数据对应身份信息的方法示意图;
图3为本申请一个或多个实施例所提供的一种实时人脸识别方法中预设人脸特征向量库的构建方法示意图;
图4为本申请一个或多个实施例所提供的一种实时人脸识别装置结构示意图;
图5为本申请一个或多个实施例所提供的一种实时人脸识别电子设备结构示意图;
图6为根据本申请所述实时人脸识别方法对示例性视频流数据进行处理的工作效率示意图。
具体实施方式
为使本公开的目的、技术方案和优点更加清楚明白,以下结合具体实施例,并参照附图,对本公开进一步详细说明。
需要说明的是,除非另外定义,本申请一个或多个实施例使用的技术术语或者科学术语应当为本公开所属领域内具有一般技能的人士所理解的通常意义。本申请一个或多个实施例中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性,而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同,而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接,而是可以包括电性的连接,不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系,当被描述对象的绝对位置改变后,则该相对位置关系也可能相应地改变。
以下,通过具体的实施例进一步详细说明本公开的技术方案。
在一方面,本申请实施例提供了一种实时人脸识别方法。
如图1所示,本申请一个或多个可选实施例所提供的一种实时人脸识别方法,包括:
S1:对视频流数据进行目标跟踪检测,确定所述视频流数据中相邻帧图像的人脸目标数据是否存在差异。
从所述视频流数据中实时获取当前帧图像,采用目标跟踪算法对所述当前帧图像与前一帧图像所组成的相邻帧图像进行目标跟踪检测,确定相邻帧图像的所述人脸目标数据是否存在差异。所述人脸目标数据可以包括视频帧图像中的人脸数量、人脸细节表情、人脸位置变化等相关信息。S2:响应于相邻帧图像的所述人脸目标数据存在差异,对所述人脸目标数据对应的身份信息进行更新。
当所述人脸目标数据出现差异变化时,相应帧图像中的人脸身份信息很有可能也发生变化。因此所述实时人脸识别方法在所述人脸目标数据出现变化根据当前帧图像对所述人脸身份信息进行更新。若相邻帧图像的所述人脸目标数据未发生差异变化,则当前帧图像相应的人脸身份信息与前一帧图像相同。
所述实时人脸识别方法利用目标跟踪算法对所述视频流数据中各帧图像中的人脸目标进行跟踪检测,当相邻帧图像中的人脸目标数据出现差异时才根据所述相邻帧图像中的当前帧图像对所述人脸身份信息进行更新。若相邻帧图像中的人脸目标数据未出现差异,所述人脸身份信息保持不便。这样的方式仅在视频流的图像内容发生变化时更新相应的人脸身份信息,无需时刻对视频图像中的人脸目标进行分析识别,能够在保证识别结果准确的前提下,大大减少数据计算量,提高识别速度,从而可以解决现有技术中以解决识别速度慢、应用成本高的问题。
本申请一个或多个可选实施例所提供的一种实时人脸识别方法中,在对视频流数据进行目标跟踪检测前还包括:
从所述视频流数据中获取当前帧图像,从所述当前帧图像提取所述人脸目标数据。
对所述人脸目标数据进行特征分析,确定所述人脸目标数据对应的所述身份信息。
可以通过对所述人脸目标数据进行特征分析提取出相应的特征信息与预设人脸特征向量库进行对比从而确定视频流数据中当前帧图像的多个人脸目标各自对应的人脸身份数据,共同构成所述身份信息。在本申请一个或多个可选实施例所提供的一种实时人脸识别方法中,所述从所述当前帧图像提取人脸目标数据,包括:
利用人脸检测模型对所述当前帧图像进行人脸目标识别,从所述初始帧图像中选取多个人脸目标。
确定每个人脸目标相应的ROI区域图像。
其中,所述人脸检测模型为训练固化后的深度神经网络,能够实现人脸目标的识别并提取人脸目标相应的ROI区域图像。例如,可以选用dlib框架下正脸检测器进行人脸目标识别,还可以用选用YOLO、SSD等模型。
所述人脸目标数据包括所述ROI区域图像。
如图2所示,在本申请一个或多个可选实施例所提供的一种实时人脸识别方法中,所述对所述人脸目标数据进行特征分析,确定所述人脸目标数据对应的所述身份信息,包括:
S201:利用人脸关键点检测模型对所述ROI区域图像进行特征点检测,确定相应所述人脸目标的特征点数据。
在一些可选实施例中,可以选用dlib框架下的人脸关键点检测器实现特征点检测,确定所述特征点数据。
S202:利用深度残差网络对所述特征点数据进行处理,确定所述人脸目标的目标特征向量。
S203:在预设人脸特征向量库中筛选确定与所述目标特征向量相匹配的人脸特征向量,根据相匹配的人脸特征向量确定与所述人脸目标对应的所述人脸身份数据。在一些可选实施例中,可以利用欧式距离来计算和衡量所述目标特征向量与所述人脸特征向量之间的相似度,从而筛选确定与所述目标特征向量相匹配的人脸特征向量。
所述在所述人脸特征向量库中筛选确定与所述目标特征向量相匹配的人脸特征向量,包括:
分别计算所述人脸特征向量库中多个所述人脸特征向量与所述目标特征向量之间的欧氏距离。
所述欧式距离:
其中,dj表示所述目标特征向量a与所述人脸特征向量库中所述人脸特征向量mj之间的欧式距离。ai标识所述目标特征向量a的第i个维度的数据,mji则表示所述人脸特征向量mj的第i个维度的数据,其中,i=0,1,2···,n。
选取所述欧式距离小于预设距离阈值的所述人脸特征向量作为与所述目标特征向量相匹配的人脸特征向量。
当存在多个所述人脸特征向量与所述目标特征向量之间的欧氏距离均小于预设距离阈值,则选取最小欧氏距离相应的所述人脸特征向量作为与所述目标特征向量相匹配的人脸特征向量。S204:根据多个所述人脸目标相应所述人脸身份数据确定所述人脸身份信息。
如图3所示,在本申请一个或多个可选实施例所提供的一种实时人脸识别方法中,所述预设人脸特征向量库的构建方法,包括:
S301:采集多项人脸图像数据并确定相应的人脸身份数据。
采集多人的人脸图像数据作为创建人脸特征向量库的模板依据。其中,人脸图像数据为包含人脸正面的RGB彩色图像。
S302:利用深度神经网络对所述人脸图像数据进行处理,从所述人脸图像数据中提取相应的人脸特征向量。
可以利用人脸识别模型对所述人脸图像数据进行处理。所述人脸识别模型为训练固化后的深度神经网络,实现将图像到多维特征向量的映射,从所述人脸图像数据提取相应的多维度人脸特征向量。人脸识别模型包括但不限于ResNet、FaceNet等深度神经网络模型。
S303:根据所述人脸特征向量与相应所述人脸身份数据构建所述人脸特征向量库。
将所述人脸特征向量以及人脸身份数据作为一条数据记录。所述人脸特征向量库包括分别与多人对应的多条数据记录,每条数据记录包括所述人脸特征向量(多维向量)以及相应的人脸身份数据。例如,人脸特征向量可库以表示为{m1,m2,m3,…mp},p表示所采集人脸图像数据的个数,也是数据记录的个数。对于第i条数据记录mi=(mi,1,mi,2,mi,3,…,mi,q,δi),δi表示人脸身份数据。
在本申请一个或多个可选实施例所提供的一种实时人脸识别方法中,所述对视频流数据进行目标跟踪检测,确定视频流数据中相邻帧图像的人脸目标数据是否存在差异,包括:
对相邻帧图像中的所述人脸目标进行跟踪统计,确定相邻帧图像中的人脸目标数量是否一致;
对相邻帧图像中的所述人脸目标进行跟踪定位,确定相邻帧图像中相对应所述ROI区域图像的中心点的位移距离;
根据所位移距离确定相应所述人脸目标是否存在差异。
相邻帧图像的所述人脸目标数据的差异包括人脸目标数量上的差异与人脸目标位置上的差异。当所述相邻帧图像中的人脸目标数量不一致时,相应帧图像中人数出现增减情况,需要对人脸身份信息进行更新。当所述相邻帧图像中相应所述人脸目标对应所述ROI区域图像的中心点出现较大位移,说明相应帧图像对应物理空间区域中多人分布情况出现较大变化,也需要对人脸身份信息进行更新。
在本申请一个或多个可选实施例所提供的一种实时人脸识别方法中,所述响应于相邻帧图像的所述人脸目标数据存在差异,对所述人脸目标数据对应的身份信息进行更新,包括:
响应于相邻帧图像中当前帧图像的人脸目标数量小于前一帧图像的人脸目标数量,确定消失人脸目标相应的人脸身份数据,将所述人脸身份数据从所述身份信息中删除。
响应于相邻帧图像中当前帧图像的人脸目标数量大于前一帧图像的人脸目标数量,确定新增人脸目标相应的人脸身份数据,将所述人脸身份数据添加入所述身份信息。
当出现新增人脸目标时,可以在所述当前帧图像中提取与所述新增人脸目标相应的新增人脸目标数据,并利用所述预设人脸特征向量库对所述新增人脸目标数据进行特征分析,从而确定与新增人脸目标相应的人脸身份数据。
在本申请一个或多个可选实施例所提供的一种实时人脸识别方法中,所述响应于相邻帧图像的所述人脸目标数据存在差异,对所述人脸目标数据对应的身份信息进行更新,包括:
响应于所述位移距离大于预设位移阈值,确定当前帧图像中所述人脸目标相应的人脸身份数据,根据所述人脸身份数据对所述身份信息进行更重新。
可以理解,该方法可以通过任何具有计算、处理能力的装置、设备、平台、设备集群来执行。
需要说明的是,本申请一个或多个实施例的方法可以由单个设备执行,例如一台计算机或服务器等。本实施例的方法也可以应用于分布式场景下,由多台设备相互配合来完成。在这种分布式场景的情况下,这多台设备中的一台设备可以只执行本申请一个或多个实施例的方法中的某一个或多个步骤,这多台设备相互之间会进行交互以完成所述的方法。
需要说明的是,上述对本申请特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
在另一方面,基于同样的发明目的本申请实施例提供了一种实时人脸识别装置。
如图4所示,本申请一个或多个可选实施例所提供的一种实时人脸识别装置,包括:
跟踪检测模块401,用于对视频流数据进行目标跟踪检测,确定所述视频流数据中相邻帧图像的人脸目标数据是否存在差异;
身份信息更新模块402,用于在相邻帧图像的所述人脸目标数据存在差异时对所述人脸目标数据对应的身份信息进行更新。为了描述的方便,描述以上装置时以功能分为各种模块分别描述。当然,在实施本申请一个或多个实施例时可以把各模块的功能在同一个或多个软件和/或硬件中实现。
上述实施例的装置用于实现前述实施例中相应的方法,并且具有相应的方法实施例的有益效果,在此不再赘述。
在另一方面,基于同样的发明目的,本申请实施例提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在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实时人脸识别方法。
图5示出了本实施例所提供的一种更为具体的电子设备硬件结构示意图,该设备可以包括:处理器1010、存储器1020、输入/输出接口1030、通信接口1040和总线1050。其中处理器1010、存储器1020、输入/输出接口1030和通信接口1040通过总线1050实现彼此之间在设备内部的通信连接。
处理器1010可以采用通用的CPU(Central Processing Unit,中央处理器)、微处理器、应用专用集成电路(Application Specific Integrated Circuit,ASIC)、或者一个或多个集成电路等方式实现,用于执行相关程序,以实现本申请实施例所提供的所述实时人脸识别方法的技术方案。
存储器1020可以采用ROM(Read Only Memory,只读存储器)、RAM(Random AccessMemory,随机存取存储器)、静态存储设备,动态存储设备等形式实现。存储器1020可以存储操作系统和其他应用程序,在通过软件或者固件来实现本申请实施例所提供的技术方案时,相关的程序代码保存在存储器1020中,并由处理器1010来调用执行。
输入/输出接口1030用于连接输入/输出模块,以实现信息输入及输出。输入输出/模块可以作为组件配置在设备中(图中未示出),也可以外接于设备以提供相应功能。其中输入设备可以包括键盘、鼠标、触摸屏、麦克风、各类传感器等,输出设备可以包括显示器、扬声器、振动器、指示灯等。
通信接口1040用于连接通信模块(图中未示出),以实现本设备与其他设备的通信交互。其中通信模块可以通过有线方式(例如USB、网线等)实现通信,也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信。
总线1050包括一通路,在设备的各个组件(例如处理器1010、存储器1020、输入/输出接口1030和通信接口1040)之间传输信息。
需要说明的是,尽管上述设备仅示出了处理器1010、存储器1020、输入/输出接口1030、通信接口1040以及总线1050,但是在具体实施过程中,该设备还可以包括实现正常运行所必需的其他组件。此外,本领域的技术人员可以理解的是,上述设备中也可以仅包含实现本申请实施例所述实时人脸识别方法技术方案所必需的组件,而不必包含图中所示的全部组件。
上述实施例的电子设备用于实现前述实施例中相应的所述实时人脸识别方法,并且具有相应的方法实施例的有益效果,在此不再赘述。
如图6所示,为根据本申请所述实时人脸识别方法对示例性视频流数据进行处理的工作效率示意图。在i5-7500CPU条件下测试视频识别帧率,可以看到平均识别时间维持在18帧左右,能够实现对视频数据中人脸身份信息的实时快速识别。
Claims (10)
1.一种实时人脸识别方法,其特征在于,包括:对视频流数据进行目标跟踪检测,确定所述视频流数据中相邻帧图像的人脸目标数据是否存在差异;
响应于相邻帧图像的所述人脸目标数据存在差异,对所述人脸目标数据对应的身份信息进行更新。
2.根据权利要求1所述的方法,其特征在于,在对视频流数据进行目标跟踪检测前还包括:
从所述视频流数据中获取当前帧图像,从所述当前帧图像提取所述人脸目标数据;
对所述人脸目标数据进行特征分析,确定所述人脸目标数据对应的所述身份信息。
3.根据权利要求2所述的方法,其特征在于,所述从所述当前帧图像提取人脸目标数据,包括:
利用人脸检测模型对所述当前帧图像进行人脸目标识别,从所述当前帧图像中选取多个人脸目标;
确定所述每个人脸目标相应的ROI区域图像;
所述人脸目标数据包括所述ROI区域图像。
4.根据权利要求3所述的方法,其特征在于,所述对所述人脸目标数据进行特征分析,确定所述人脸目标数据对应的所述身份信息,包括:
利用人脸关键点检测模型对所述ROI区域图像进行特征点检测,确定相应所述人脸目标的特征点数据;
利用深度残差网络对所述特征点数据进行处理,确定所述人脸目标的目标特征向量;
在预设人脸特征向量库中筛选确定与所述目标特征向量相匹配的人脸特征向量,根据相匹配的人脸特征向量确定与所述人脸目标对应的所述人脸身份数据;
根据多个所述人脸目标相应所述人脸身份数据确定所述身份信息。
5.根据权利要求4所述的方法,其特征在于,所述预设人脸特征向量库的构建方法,包括:
采集多项人脸图像数据并确定相应的人脸身份数据;
利用深度神经网络分别对多项所述人脸图像数据进行处理,从所述人脸图像数据中提取相应的人脸特征向量;
根据所述人脸特征向量与所述人脸身份数据构建所述人脸特征向量库。
6.根据权利要求3所述的方法,其特征在于,所述对视频流数据进行目标跟踪检测,确定所述视频流数据中相邻帧图像的人脸目标数据是否存在差异,包括:
对相邻帧图像中的所述人脸目标进行跟踪统计,确定相邻帧图像中的人脸目标数量是否一致;
对相邻帧图像中的所述人脸目标进行跟踪定位,确定相邻帧图像中相对应所述ROI区域图像的中心点的位移距离;
根据所述位移距离确定相应所述人脸目标是否存在差异。
7.根据权利要求6所述的方法,其特征在于,所述响应于相邻帧图像的所述人脸目标数据存在差异,对所述人脸目标数据对应的身份信息进行更新,包括:
响应于相邻帧图像中当前帧图像的人脸目标数量小于前一帧图像的人脸目标数量,确定消失人脸目标相应的人脸身份数据,将所述人脸身份数据从所述身份信息中删除;
响应于相邻帧图像中当前帧图像的人脸目标数量大于前一帧图像的人脸目标数量,确定新增人脸目标相应的人脸身份数据,将所述人脸身份数据添加入所述身份信息。
8.根据权利要求6所述的方法,其特征在于,所述响应于相邻帧图像的所述人脸目标数据存在差异,对所述人脸目标数据对应的身份信息进行更新,包括:
响应于所述位移距离大于预设位移阈值,确定当前帧图像中所述人脸目标相应的人脸身份数据,根据所述人脸身份数据对所述身份信息进行更重新。
9.一种实时人脸识别装置,其特征在于,包括:
跟踪检测模块,用于对视频流数据进行目标跟踪检测,确定所述视频流数据中相邻帧图像的人脸目标数据是否存在差异;
身份信息更新模块,用于在相邻帧图像的所述人脸目标数据存在差异时对所述人脸目标数据对应的身份信息进行更新。
10.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至8任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111358124.3A CN114419688A (zh) | 2022-02-28 | 2022-02-28 | 一种实时人脸识别方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111358124.3A CN114419688A (zh) | 2022-02-28 | 2022-02-28 | 一种实时人脸识别方法、装置及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114419688A true CN114419688A (zh) | 2022-04-29 |
Family
ID=81265038
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111358124.3A Pending CN114419688A (zh) | 2022-02-28 | 2022-02-28 | 一种实时人脸识别方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114419688A (zh) |
-
2022
- 2022-02-28 CN CN202111358124.3A patent/CN114419688A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10534957B2 (en) | Eyeball movement analysis method and device, and storage medium | |
US11928800B2 (en) | Image coordinate system transformation method and apparatus, device, and storage medium | |
US8792722B2 (en) | Hand gesture detection | |
CN112528831B (zh) | 多目标姿态估计方法、多目标姿态估计装置及终端设备 | |
Patruno et al. | People re-identification using skeleton standard posture and color descriptors from RGB-D data | |
WO2019033570A1 (zh) | 嘴唇动作分析方法、装置及存储介质 | |
US10650234B2 (en) | Eyeball movement capturing method and device, and storage medium | |
CN109886223B (zh) | 人脸识别方法、底库录入方法、装置及电子设备 | |
WO2019033568A1 (zh) | 嘴唇动作捕捉方法、装置及存储介质 | |
Yi et al. | Motion keypoint trajectory and covariance descriptor for human action recognition | |
CN112001932A (zh) | 人脸识别方法、装置、计算机设备和存储介质 | |
Bedagkar-Gala et al. | Gait-assisted person re-identification in wide area surveillance | |
CN114758362A (zh) | 基于语义感知注意力和视觉屏蔽的换衣行人重识别方法 | |
CN111126515B (zh) | 基于人工智能的模型训练方法和相关装置 | |
CN114937285B (zh) | 动态手势识别方法、装置、设备及存储介质 | |
CN112529939A (zh) | 一种目标轨迹匹配方法、装置、机器可读介质及设备 | |
CN111199169A (zh) | 图像处理方法和装置 | |
CN112907569A (zh) | 头部图像区域的分割方法、装置、电子设备和存储介质 | |
Lahiani et al. | Hand pose estimation system based on Viola-Jones algorithm for android devices | |
CN115690803A (zh) | 数字图像的识别方法、装置、电子设备及可读存储介质 | |
CN112991555B (zh) | 数据展示方法、装置、设备以及存储介质 | |
CN110956131B (zh) | 单目标追踪方法、装置及系统 | |
CN114419688A (zh) | 一种实时人脸识别方法、装置及电子设备 | |
Jiao et al. | Deep combining of local phase quantization and histogram of oriented gradients for indoor positioning based on smartphone camera | |
CN111797656B (zh) | 人脸关键点检测方法、装置、存储介质及电子设备 |
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 |