CN114529962A - 图像特征处理方法、装置、电子设备及存储介质 - Google Patents
图像特征处理方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN114529962A CN114529962A CN202011320480.1A CN202011320480A CN114529962A CN 114529962 A CN114529962 A CN 114529962A CN 202011320480 A CN202011320480 A CN 202011320480A CN 114529962 A CN114529962 A CN 114529962A
- Authority
- CN
- China
- Prior art keywords
- face
- face features
- historical
- features
- image
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 38
- 238000000034 method Methods 0.000 claims description 29
- 238000012545 processing Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 7
- 210000000697 sensory organ Anatomy 0.000 claims description 6
- 210000001508 eye Anatomy 0.000 claims description 4
- 210000004709 eyebrow Anatomy 0.000 claims description 4
- 210000005069 ears Anatomy 0.000 claims description 2
- 210000000214 mouth Anatomy 0.000 claims description 2
- 210000001331 nose Anatomy 0.000 claims description 2
- 230000008859 change Effects 0.000 abstract description 23
- 238000005516 engineering process Methods 0.000 description 10
- 230000001815 facial effect Effects 0.000 description 10
- 238000004422 calculation algorithm Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 6
- 238000001514 detection method Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 201000010251 cutis laxa Diseases 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012634 optical imaging Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000002087 whitening 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
本申请提供一种图像特征处理方法、装置、电子设备及存储介质。通过上述图像特征处理方法,电子设备通过目标用户当前的人脸特征对历史人脸特征进行更新,使得获得的目标人脸特征携带有历史人脸图像以及当前人脸图像中的人脸特征。由于历史人脸特征随着用户年龄的变化而变化,并且,针对每个目标用户,该电子设备只需要维护一份历史人脸特征用于进行识别,因此,能够减少跨年龄人脸识别场景下的存储空间的同时,提高识别精度。
Description
技术领域
本申请涉及图像处理技术领域,具体而言,涉及一种图像特征处理方法、装置、电子设备及存储介质。
背景技术
人脸识别技术随着计算机技术和光学成像技术的发展而得到广泛的应用。使得人脸识别技术成功的关键在于是否拥有优秀的核心算法,使得识别结果具有实用化的识别率和识别速度。人脸识别技术集成了人工智能、机器学习、模型理论、视频图像处理等多种专业技术,同时需结合中间值处理的理论与实现,是生物特征识别的最新应用,其核心技术的实现,展现了弱人工智能向强人工智能的转化。
然而,目前的人脸识别技术在进行跨年龄识别时,存在一次识别精度不高的问题。
发明内容
第一方面,本申请实施例提供一种图像特征处理方法,应用于电子设备,所述电子设备预设有目标用户的历史人脸特征,所述历史人脸特征为所述目标用户的历史人脸图像中的人脸特征,所述方法包括:
获取所述目标用户当前时间周期的当前人脸特征,其中,所述当前人脸特征为所述目标用户当前人脸图像中的人脸特征;
根据所述当前人脸特征对所述历史人脸特征进行更新,获得目标人脸特征,其中,所述目标人脸特征至少包括所述历史人脸图像以及所述当前人脸图像中的人脸特征;
将所述目标人脸特征作为下一时间周期的历史人脸特征。
第二方面,本申请实施例提供一种人脸识别装置,应用于电子设备,所述电子设备预设有目标用户的历史人脸特征,所述历史人脸特征为所述目标用户的历史人脸图像中的人脸特征,所述人脸识别装置包括:
输入模块,用于获取所述目标用户当前时间周期的当前人脸特征,其中,所述当前人脸特征为所述目标用户当前人脸图像中的人脸特征;
处理模块,用于根据所述当前人脸特征对所述历史人脸特征进行更新,获得目标人脸特征,其中,所述目标人脸特征至少包括所述历史人脸图像以及所述当前人脸图像中的人脸特征;将所述目标人脸特征作为下一时间周期的历史人脸特征。
第三方面,本申请实施例提供一种电子设备,所述电子设备包括处理器以及存储器,所述存储器存储有计算机可执行指令,所述计算机可执行指令被所述处理器执行时,实现所述的图像特征处理方法。
第四方面,本申请实施例提供一种存储介质,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时,实现所述的图像特征处理方法。
相对于现有技术而言,本申请具有以下有益效果:
本申请实施例提供的一种图像特征处理方法、装置、电子设备及存储介质中,电子设备通过目标用户当前的人脸特征对历史人脸特征进行更新,使得获得的目标人脸特征携带有历史人脸图像以及当前人脸图像中的人脸特征。由于历史人脸特征随着用户年龄的变化而变化,并且,针对每个目标用户,该电子设备只需要维护一份历史人脸特征用于进行识别,因此,能够减少跨年龄人脸识别场景下的存储空间的同时,提高识别精度。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术用户来讲,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相关的附图。
图1为本申请实施例提供的电子设备的结构示意图;
图2为本申请实施例提供的图像特征处理方法的步骤流程示意图之一;
图3为本申请实施例提供的图像特征处理方法的步骤流程示意图之二;
图4为本申请实施例提供的图像特征处理方法的步骤流程示意图之三;
图5为本申请实施例提供的图像特征处理方法的步骤流程示意图之四;
图6为本申请实施例提供的图像特征处理方法的步骤流程示意图之五;
图7为本申请实施例提供的人脸识别装置的结构示意图之一;
图8为本申请实施例提供的人脸识别装置的结构示意图之二。
图标:110-人脸识别装置;120-存储器;130-处理器;1101-输入模块;1102-处理模块。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
在本申请的描述中,需要说明的是,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
相关技术中,随着目标用户年龄的增长,目标用户会因为皮肤松弛导致脸部区域产生一定的变化,进而与预存的参考人脸图像产生较大的差别。因此,基于预存的参考人脸图像进行识别时,可能会出现识别错误。
目前的解决方案,主要是通过预存目标用户的至少两张人脸图像,一张为首次录入的第一参考人脸图像,另外一张为目标用户上一次人脸识别时所采集的第二参考人脸图像。目标用户在再次进行人脸识别时,将最新采集的人脸图像分别与第一参考人脸图像以及第二参考人脸图像分别进行比较。第一参考人脸图像与第二参考人脸图像中,只要有一张识别成功,则认为该目标用户拥有进入的权限,并将最新的人脸图像作为新的第二人脸图像进行存储。
然而,上述解决人脸跨年龄识别时,多保存一张人脸图像特征需要增加存储空间。并且,目标用户在实际使用过程中,并不会做到如采集第一参考人脸图像时候,保持静止不动。因此,在采集最新的人脸图像时,会因为目标用户的突然运动,导致采集的人脸图像出现模糊现象。若将产生模糊现象的人脸图像作为下次人脸识别时的第二参考人脸图像,无疑会对后续的人脸识别产生一定的影响。
鉴于此,本申请实施例提供一种图像特征处理方法,通过目标用户当前的人脸特征对目标用户预存的历史人脸特征进行更新,使得预存的历史人脸特征始终随用户年龄的变化而变化。达到减少跨年龄识别时的人脸特征数量,提高单次识别精度。
其中,该图像特征处理方法应用于电子设备。该电子设备可以是,但不限于图像采集装置以及与图像采集装置通信连接的服务器、个人电脑(Personal Computer,PC)等。
其中,作为一种可能的实现方式,请参照图1所示的该电子设备的结构示意图。该电子设备包括人脸识别装置110、存储器120以及处理器130。
其中,该存储器120、处理器130其他各元件相互之间直接或间接地电性连接,以实现数据的传输或交互。例如,这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。该人脸识别装置110包括至少一个可以软件或固件(Firmware)的形式存储于存储器120中或固化在电子设备的操作系统(Operating System,OS)中的软件功能模块。处理器130用于执行存储器120中存储的可执行模块,例如人脸识别装置110所包括的软件功能模块及计算机程序等。该人脸识别装置110中的计算机可执行指令被处理器执行时,实现该图像特征处理方法。
其中,该存储器120可以是,但不限于,随机存取存储器(Random Access Memory,RAM),只读存储器(Read Only Memory,ROM),可编程只读存储器(Programmable Read-OnlyMemory,PROM),可擦除只读存储器(Erasable Programmable Read-Only Memory,EPROM),电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory,EEPROM)等。其中,存储器120用于存储程序,该处理器130在接收到执行指令后,执行该程序。
该处理器130可以是一种集成电路芯片,具有信号的处理能力。上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
该电子设备预存有目标用户的历史人脸特征,其中,该历史人脸特征为获取自目标用户的历史人脸图像。请参照图2,为该电子设备基于该历史人脸特征,所执行的人脸识别发方法的步骤流程示意图,下面就该人脸识别发方法的各步骤进行详细说。
步骤S100,获取目标用户当前时间周期的当前人脸特征,其中,当前人脸特征为目标用户当前人脸图像中的人脸特征。
步骤S130,根据当前人脸特征对历史人脸特征进行更新,获得目标人脸特征,其中,目标人脸特征包括历史人脸图像以及当前人脸图像中的人脸特征。
为了适应目标用户因年龄变化所带来的面部变化,需要历史人脸特征跟随目标用户的年龄变化。作为一种可能的实施方式,电子设备将当前人脸特征与历史人脸特征进行融合,使得反应目标用户面部信息的两份特征融合成一份目标人脸特征。因此,该目标人脸特征兼顾面部区域的历史信息,同时,吸纳目标用户最新的面部变化信息。
步骤S140,将目标人脸特征作为下一时间周期的历史人脸特征。
其中,将目标人脸特征作为下一时间周期的历史人脸特征,该电子设备再次对目标人员进行人脸识别时,则使用更新后的历史人脸特征对目标人员进行识别。
由于更新后的历史人脸特征包括有历史人脸图像以及当前人脸图像中的人脸特征,因此,随着使用次数的增加,电子设备中所存储的历史人脸特征跟随目标人员年龄的变化而变化。电子设备基于更新后的历史人脸特征,再次对目标人员进行面部识别时,能够适应目标用户因年龄变化所带来的面部变化。
本申请上述实施例中的当前人脸特征,可以获取自多种场景。下面以门禁系统每天所采集的员工的人脸图像为例,对图像特征处理方法的上述步骤进行示例性说明。显然对于本申请下述示例中的实现方式,本领域技术人员可以应用在其他应用场景,其基于本申请实施例公开的技术方案并不需要做出创造性地贡献。
门禁系统在使用之初,作为上述电子设备之一的图像采集装置,事先采集每个员工的人脸图像作为历史人脸图像,并提取历史人脸图像中的人脸特征作为历史人脸特征,用于后续的人脸识别。
应理解的是,该历史人脸特征可以是基于传统人脸识别算法获得,还可以是通过该机器学习模获得。该图像采集装置将提取的历史人脸特征以向量的形式存储在本地存储介质中。
其中,以基于传统的人脸识别算法为例,该历史人脸特征可以是脸部轮廓特征、纹理特征以及脸部器官相对位置特征中的一种或者多种。
图像采集装置先采集该目标员工的待识别人脸图像,并提待识别人脸图像中的当前人脸特征。进一步地,该图像采集装置将当前人脸特征与预先存储的历史人脸特征进行相似度比较,若匹配成功,则通过待识别人脸图像中的当前人脸特征对历史人脸特征进行更新,获得目标人脸特征。其中,该目标人脸特征携带有该目标员工当前人脸图像中的面部特征以及历史人脸图像中的面部特征。下次人脸识别时,该图像采集装置将目标人脸特征作为历史人脸再次用于进行人脸识别。
因此,通过上述图像特征处理方法,电子设备通过目标用户当前的人脸特征对历史人脸特征进行更新,使得获得的目标人脸特征携带有历史人脸图像以及当前人脸图像中的人脸特征。由于历史人脸特征随着用户年龄的变化而变化,并且,针对每个目标用户,该电子设备只需要维护一份历史人脸特征用于进行识别,因此,能够减少跨年龄人脸识别场景下的存储空间的同时,提高识别精度。
另外,考虑到目标在短时间内,面部特征的变化并不明显。例如,目标用户一天前与一天后,面部特征并不会发生明显的变化。鉴于此,请参照图3,在一种可能的实现方式中,步骤S130之前,该图像特征处理方法还包括:
步骤S110A,获取距离历史人脸特征上次更新时的时间间隔。
步骤S120A,判断时间间隔是否大于时长阈值。
若该时间间隔大于该时长阈值,该电子设备则执行步骤S130,实现对历史人脸特征进行更新。若该时间间隔不大于该时长阈值,则不对历史人脸特征进行更新。
例如,该时长阈值可以设置成1个月。当然,还可以根据实际需求进行适应性调整,本申请实施例不做任何限定。
由于间隔一定的时间间隔才对历史人脸特征进行更新,能够在一定程度上减少存储空间,达到缓解电子设备计算压力的目的。
请参照图4,在另外一种可能的实现方式中,步骤S130之前,该图像特征处理方法还包括:
步骤S110B,获取当前人脸特征与历史人脸特征之间的相似度。
步骤S120B,判断相似度是否小于第一相似阈值。
若当前人脸特征与历史人脸特征之间的相似度小于第一相似阈值,该电子设备则执行步骤S130,实现对历史人脸特征进行更新。若当前人脸特征与历史人脸特征之间的相似度不小于第一相似阈值,则保持历史人脸特征不变。
应理解的是,当前人脸特征与历史人脸特征之间的相似度小于第一相似阈值时,表征当前人脸特征与历史人脸特征之间已经存在较大的差异。即目标人员的面部特征发生的一定程度的变化,因此,需要对目标人员的历史人脸特征进行更新,以适应目标人员面部特征的变化。同时,由于需要间隔一定的时间才对历史人脸特征进行更新,能够在一定程度上减少存储空间,达到缓解电子设备计算压力的目的。
下面以90%的第一相似阈值为例,对图像特征处理方法的上述步骤进行示例性说明。当然,本领域技术人员可以根据实际需求对第一相似阈值的具体数值进行适应性调整,其基于下述实施例不需要做出创造性的贡献。
当电子设备所获取的当前人脸特征与历史人脸特征之间的相似度不小于90%,表征目标人员当前的人脸特征与历史人脸特征极为相近,因此,不需要对历史人脸特征进行更新。
当电子设备所获取的当前人脸特征与历史人脸特征之间的相似度小于90%时,表征目标人员当前的人脸特征与历史人脸特征存在较大的差异,因此,需要对历史人脸特征进行更新。
可选地,基于当前人脸特征,可以通过多种方式对历史人脸特征进行更新,使得目标人脸特征携带有目标用户当前人脸图像中以及历史人脸图像中的人脸特征。作为一种可能的实现方式,请参照图5,该电子设备所执行的步骤S130包括:
步骤S130-1,根据历史人脸特征的第一权重以及当前人脸特征的第二权重,计算历史人脸特征与当前人脸特征之间的加权人脸特征。
其中,第一权重大于第二权重,第一权重表征历史人脸特征在加权人脸特征中的占比,第二权重表征当前人脸特征在加权人脸特征中的占比。
步骤S130-2,将加权人脸特征作为目标人脸特征。
针对上述步骤中的第一权重以及第二权重,下面以指数移动平均值(EMA,Exponential Moving Average)为例,提供有一种可能的示例进行说明。应理解的是,下述示例仅仅为了便于对上述方法步骤进行示例性说明,并不代表本申请实施例仅限与该示例,本领域技术人员可以根据具体需求对第一权重以及第二权重进行适应性调整,其基于本申请实施例公开的技术方案并不需要做出创造性地贡献。
可选地,上述第一权重为0.98,第二权重为0.02,则可以通过如下表达式计算该目标人脸特征:
目标人脸特征=0.98*历史人脸特征+0.02*当前人脸特征;
因此,通过上述计算公式,该目标人脸特征中包括有0.98倍的历史人脸特征以及0.02倍的当前人脸特征。由于,在下次对目标用户进行人脸识别时,该电子设备将目标人脸特征作为下一时间周期的历史人脸特征,再次计算目标人脸特征。因此,上述公式跟随着用户年龄的变化不断迭代,历史人脸特征做占据的权重越来越小,新的人脸特征所占据的权重越来越大。计算结果表明,上述公式经过50次迭代后,第1次迭代时的历史人脸特征所占据的比重降低至1/e,即:
0.9850≈1/e;
基于上述步骤,由于第一权重大于第二权重,随着目标用户人脸识别次数的增加,距离当前时间越早的人脸特征,所占据的比重越小。这也符合跨年龄人脸识别场景下,需要预存的历史人脸特征携带目标用户当前年龄段更多的人脸特征这一需求,进而提到对目标用户当前年龄段的识别精度。
当然,在通过当前人脸特征对历史人脸特征进行调整之前,需要先判断该目标用户是否为预存多个用户之一。鉴于此,请参照图6,在步骤S100之前,该图像特征处理方法还包括:
步骤S60,获取待识别图像。
步骤S90,判断历史人脸特征与待识别图像中的人脸特征之间的相似度是否大于第二相似度阈值。
若历史人脸特征与待识别图像中的人脸特征之间的相似度大于第二相似度阈值,则执行步骤S100。即该电子设备先对采集的人脸图像进行识别,在识别成功之后,再基于目标用户的当前人脸特征对历史人脸特征进行调整。
该电子设备通过该图像特征处理方法的上述步骤,在确定出目标用户后,才对历史人脸特征进行更新,能够避免非目标用户的人脸特征对历史人脸特征造成干扰。
关于上述第二相似度,在一种可能的示例中,第二相似度可以是50%。当然,第二相似度的具体数值,可以根据使用场景进行适应性调整,本申请实施例不做具体的限定。
当然,作为一种可能的人脸识别方式,步骤S90之前:
步骤S70,判断待识别图像中是否存在待识别人脸。
其中,该电子设备可以通过多种方法检测是图像中是否存在人脸,作为一种可能的实现方式,该电子设备可以通过预先训练好的机器学习模型对待识别图像进行检测,根据检测结果判断待识别图像中是否存在待识别人脸。
步骤S80,若是,则获取待识别人脸的人脸特征。
即该电子设备先检测待识别图像中是否存在人脸,如果存在人脸再对人脸做进一步的特征比对。
由于人与人之间的面部区别,主要体现在五官之上。例如,人与人之间,有些人眼睛比较大,有些人眼睛比较小;有些人眉毛比较浓密,有些人眉毛比较稀疏,有些人是厚嘴唇,有些人是薄嘴唇。当然,人与人之间,五官之间的相对位置同样存在一定的差异。因此,作为一种可能的实现方式,步骤S80,包括:
S80-1,获取所述待识别人脸图像中的五官特征,所述五官特征包括:眉、眼、耳、鼻和口。
当然,本领域技术人员可以根据需要,适应性的增加或者减少面部特征,其基于本申请实施例所提供的技术方案,并不需要做出创造性的贡献。
基于相同的发明构思,本申请实施例还提供一种人脸识别装置110,应用于电子设备。电子设备预设有目标用户的历史人脸特征。请参照图7,从功能上划分,该人脸识别装置110包括:
输入模块1101,获取目标用户当前时间周期的当前人脸特征,其中,当前人脸特征为目标用户当前人脸图像中的人脸特征。
在本申请实施例中,该输入模块1101所对应的机器可执行指令被处理器执行时,实现图2中的步骤S100。关于该输入模块1101的详细描述,可以参考步骤S100的详细描述。
处理模块1102,用于根据当前人脸特征对历史人脸特征进行更新,获得目标人脸特征,其中,目标人脸特征包括历史人脸图像以及当前人脸图像中的人脸特征;将目标人脸特征作为下一时间周期的历史人脸特征。
在本申请实施例中,该处理模块1102所对应的机器可执行指令被处理器执行时,实现图2中的步骤S110。关于该处理模块1102详细描述,可以参考步骤S110的详细描述。
下面结合图8,提供一种可能的示例,对上述人脸识别装置中的各功能模块进行示例性说明。如图8所示,该输入模块具体包括图像采集模块以及人脸录入模块。该处理模块具体包括图像预处理模块、人脸检测模块、人脸对齐模块、人脸预处理模块、人脸特征提取模块、人脸特征比对模块以及人脸特征更新模块。
其中,图像采集模块用于通过图像采集装置获取待处理的图像。
该人脸录入模块,用于在有新的人员需要进行验证时,采集该新的人员的脸部特征,将其作为历史人脸特征。
图像预处理模块用于对待识别图像进行必要的优化处理,得到优化后的待识别图像。例如,对待处理图像进行去噪、白平衡调整以及畸变校正。
人脸检测模块用于通过人脸检测算法对优化后的待识别图像进行处理,检测优化后的待识别图像中,是否存在人脸,以及该人脸的尺寸是否大于预设尺寸。其中,该人脸检测算法可以是,但不限于BING算法框架、YOLO算法框架、MTCNN算法框架以及RetinaFace算法框架。
为了降低人脸识别的难度,需要对识别出的人脸进行矫正。人脸对齐模块用于基于识别出的人脸关键点,进行人脸对齐,获得对齐后的人脸图像。其中,常见的人脸对齐方式有两点对齐以及五点对齐。
基于对齐后的人脸图像,人脸预处理模块用于对齐后的人脸图像进行标准化,使图像中的数据分布标准化,以降低特征提取的难度,获得标准化后的人脸图像。其中,常用的标准化方法包括白化或者0-1缩放。
考虑到标准化后的人脸图像的数据维度较高,且不可线性分离,因此,基于标准化后的人脸图像,人脸特征提取模块用于对标准化后的人脸图像进行特征提取,获得降维后的当前人脸特征。
基于当前人脸特征,进入到人脸特征比过程。人脸特征比对模块用将人脸录入过程中的历史人脸特征,与当前人脸特征进行比较。其中,比较的方法可以是,但不限于余弦比对、欧式距离、L1距离。
若比较结果显示历史人脸特征与当前人脸特征为同一人,则该电子设备通过人脸特征更新模块对历史人脸特征等进行更新。
本申请实施例的目的之三在于提供一种电子设备,电子设备包括处理器130以及存储器120,存储器120存储有计算机可执行指令,计算机可执行指令被处理器130执行时,实现图像特征处理方法。
本申请实施例的目的之四在于提供一种存储介质,存储介质存储有计算机程序,计算机程序被处理器130执行时,实现图像特征处理方法。
综上所述,本申请实施例提供一种图像特征处理方法、装置、电子设备及存储介质。通过上述图像特征处理方法,电子设备中的历史人脸特征随着用户年龄的变化而变化,使得新的历史人脸特征携带有用户当前面部的一些特征,因此,能够适应用户因年龄变化所带来的面部变化。并且,针对每个用户,该图像采集装置只需要一份历史人脸特征用于进行识别,因此,能够减少人脸识别时的存储空间,进而提高识别速度。
在本申请所提供的实施例中,应该理解到,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述,仅为本申请的各种实施方式,但本申请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申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.一种图像特征处理方法,其特征在于,应用于电子设备,所述电子设备预设有目标用户的历史人脸特征,所述历史人脸特征为所述目标用户的历史人脸图像中的人脸特征,所述方法包括:
获取所述目标用户当前时间周期的当前人脸特征,其中,所述当前人脸特征为所述目标用户当前人脸图像中的人脸特征;
根据所述当前人脸特征对所述历史人脸特征进行更新,获得目标人脸特征,其中,所述目标人脸特征至少包括所述历史人脸图像以及所述当前人脸图像中的人脸特征;
将所述目标人脸特征作为下一时间周期的历史人脸特征。
2.根据权利要求1所述的图像特征处理方法,其特征在于,所述根据所述当前人脸特征对所述历史人脸特征进行更新,获得目标人脸特征,包括:
根据所述历史人脸特征的第一权重以及所述当前人脸特征的第二权重,计算所述历史人脸特征与所述当前人脸特征之间的加权人脸特征,其中,所述第一权重大于所述第二权重,所述第一权重表征所述历史人脸特征在所述加权人脸特征中的占比,所述第二权重表征所述当前人脸特征在所述加权人脸特征中的占比;
将所述加权人脸特征作为所述目标人脸特征。
3.根据权利要求1所述的图像特征处理方法,其特征在于,在所述根据所述当前人脸特征对所述历史人脸特征进行更新之前,所述方法还包括:
获取距离所述历史人脸特征上次更新时的时间间隔;
判断所述时间间隔是否大于时长阈值;
若是,则根据所述当前人脸特征对所述历史人脸特征进行更新。
4.根据权利要求1所述的图像特征处理方法,其特征在于,在所述根据所述当前人脸特征对所述历史人脸特征进行更新之前,所述方法还包括:
获取所述当前人脸特征与所述历史人脸特征之间的相似度;
判断所述相似度是否小于第一相似阈值;
若是,则根据所述当前人脸特征对所述历史人脸特征进行更新。
5.根据权利要求1所述的图像特征处理方法,其特征在于,在所述获取所述目标用户当前周期的当前人脸特征之前,所述方法还包括:
获取待识别图像;
判断所述历史人脸特征与所述待识别图像中的人脸特征之间的相似度是否大于第二相似度阈值;
若是,则将所述待识别图像中的人脸特征作为所述当前人脸特征。
6.根据权利要求5所述的图像特征处理方法,其特征在于,在所述判断所述历史人脸特征与所述待识别图像中的人脸特征之间的相似度是否大于第二相似度阈值之前,所述方法包括:
判断所述待识别图像中是否存在待识别人脸图像;
若是,则获取所述待识别人脸图像中的人脸特征。
7.根据权利要求6所述的图像特征处理方法,其特征在于,所述获取所述待识别人脸图像中的人脸特征,包括:
获取所述待识别人脸图像中的五官特征,所述五官特征包括:眉、眼、耳、鼻和口。
8.一种人脸识别装置,其特征在于,应用于电子设备,所述电子设备预设有目标用户的历史人脸特征,所述历史人脸特征为所述目标用户的历史人脸图像中的人脸特征,所述人脸识别装置包括:
输入模块,用于获取所述目标用户当前时间周期的当前人脸特征,其中,所述当前人脸特征为所述目标用户当前人脸图像中的人脸特征;
处理模块,用于根据所述当前人脸特征对所述历史人脸特征进行更新,获得目标人脸特征,其中,所述目标人脸特征至少包括所述历史人脸图像以及所述当前人脸图像中的人脸特征;将所述目标人脸特征作为下一时间周期的历史人脸特征。
9.一种电子设备,其特征在于,所述电子设备包括处理器以及存储器,所述存储器存储有计算机可执行指令,所述计算机可执行指令被所述处理器执行时,实现如权利要求1-7任意一项所述的图像特征处理方法。
10.一种存储介质,其特征在于,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时,实现如权利要求1-7任意一项所述的图像特征处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011320480.1A CN114529962A (zh) | 2020-11-23 | 2020-11-23 | 图像特征处理方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011320480.1A CN114529962A (zh) | 2020-11-23 | 2020-11-23 | 图像特征处理方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114529962A true CN114529962A (zh) | 2022-05-24 |
Family
ID=81619292
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011320480.1A Pending CN114529962A (zh) | 2020-11-23 | 2020-11-23 | 图像特征处理方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114529962A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115798023A (zh) * | 2023-02-13 | 2023-03-14 | 成都睿瞳科技有限责任公司 | 一种人脸识别认证方法、装置、存储介质及处理器 |
CN117011922A (zh) * | 2023-09-26 | 2023-11-07 | 荣耀终端有限公司 | 人脸识别方法、设备和存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107944381A (zh) * | 2017-11-20 | 2018-04-20 | 深圳云天励飞技术有限公司 | 人脸跟踪方法、装置、终端及存储介质 |
CN108776782A (zh) * | 2018-05-31 | 2018-11-09 | 北京益泰电子集团有限责任公司 | 一种身份鉴定方法及身份鉴定系统 |
CN109492560A (zh) * | 2018-10-26 | 2019-03-19 | 深圳力维智联技术有限公司 | 基于时间尺度的人脸图像特征融合方法、装置和存储介质 |
US20200184053A1 (en) * | 2018-12-05 | 2020-06-11 | Bank Of America Corporation | Generative adversarial network training and feature extraction for biometric authentication |
-
2020
- 2020-11-23 CN CN202011320480.1A patent/CN114529962A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107944381A (zh) * | 2017-11-20 | 2018-04-20 | 深圳云天励飞技术有限公司 | 人脸跟踪方法、装置、终端及存储介质 |
CN108776782A (zh) * | 2018-05-31 | 2018-11-09 | 北京益泰电子集团有限责任公司 | 一种身份鉴定方法及身份鉴定系统 |
CN109492560A (zh) * | 2018-10-26 | 2019-03-19 | 深圳力维智联技术有限公司 | 基于时间尺度的人脸图像特征融合方法、装置和存储介质 |
US20200184053A1 (en) * | 2018-12-05 | 2020-06-11 | Bank Of America Corporation | Generative adversarial network training and feature extraction for biometric authentication |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115798023A (zh) * | 2023-02-13 | 2023-03-14 | 成都睿瞳科技有限责任公司 | 一种人脸识别认证方法、装置、存储介质及处理器 |
CN115798023B (zh) * | 2023-02-13 | 2023-04-18 | 成都睿瞳科技有限责任公司 | 一种人脸识别认证方法、装置、存储介质及处理器 |
CN117011922A (zh) * | 2023-09-26 | 2023-11-07 | 荣耀终端有限公司 | 人脸识别方法、设备和存储介质 |
CN117011922B (zh) * | 2023-09-26 | 2024-03-08 | 荣耀终端有限公司 | 人脸识别方法、设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110826519A (zh) | 人脸遮挡检测方法、装置、计算机设备及存储介质 | |
JP4156430B2 (ja) | データベース自動更新方法を用いた顔検証方法及びそのシステム | |
KR20180109634A (ko) | 얼굴 인증 방법 및 장치 | |
CN111428581A (zh) | 人脸遮挡检测方法及系统 | |
CN112528764B (zh) | 人脸表情识别方法、系统、装置及可读存储介质 | |
CN110569731A (zh) | 一种人脸识别方法、装置及电子设备 | |
WO2020244071A1 (zh) | 基于神经网络的手势识别方法、装置、存储介质及设备 | |
CN113449704B (zh) | 人脸识别模型训练方法、装置、电子设备及存储介质 | |
CN111695462A (zh) | 一种人脸识别方法、装置、存储介质和服务器 | |
CN114529962A (zh) | 图像特征处理方法、装置、电子设备及存储介质 | |
CN111914769B (zh) | 用户合法性判定方法、装置、计算机可读存储介质及设备 | |
CN112634246B (zh) | 一种口腔图像识别方法及相关设备 | |
CN112836625A (zh) | 人脸活体检测方法、装置、电子设备 | |
CN111241928A (zh) | 人脸识别底库优化方法、系统、设备、可读存储介质 | |
CN111597910A (zh) | 一种人脸识别方法、装置、终端设备及介质 | |
CN111667419A (zh) | 一种基于Vibe算法的移动目标鬼影消除方法及系统 | |
CN111783677A (zh) | 人脸识别方法、装置、服务器和计算机可读介质 | |
CN109190495B (zh) | 性别识别方法、装置及电子设备 | |
CN113837006B (zh) | 一种人脸识别方法、装置、存储介质及电子设备 | |
CN111091056A (zh) | 图像中的墨镜识别方法及装置、电子设备、存储介质 | |
Amjed et al. | Noncircular iris segmentation based on weighted adaptive hough transform using smartphone database | |
CN113052043B (zh) | 一种降低误检率的手部检测方法及装置 | |
CN112967216B (zh) | 人脸图像关键点的检测方法、装置、设备以及存储介质 | |
CN109409325B (zh) | 一种识别方法和电子设备 | |
CN113628144A (zh) | 人像修复方法、装置、电子设备及存储介质 |
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 |