CN114863543B - 一种特征更新的人脸识别方法及系统 - Google Patents
一种特征更新的人脸识别方法及系统 Download PDFInfo
- Publication number
- CN114863543B CN114863543B CN202210810346.2A CN202210810346A CN114863543B CN 114863543 B CN114863543 B CN 114863543B CN 202210810346 A CN202210810346 A CN 202210810346A CN 114863543 B CN114863543 B CN 114863543B
- Authority
- CN
- China
- Prior art keywords
- feature
- face recognition
- identification
- characteristic
- entrance guard
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C9/00—Individual registration on entry or exit
- G07C9/30—Individual registration on entry or exit not involving the use of a pass
- G07C9/32—Individual registration on entry or exit not involving the use of a pass in combination with an identity check
- G07C9/37—Individual registration on entry or exit not involving the use of a pass in combination with an identity check using biometric data, e.g. fingerprints, iris scans or voice recognition
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C9/00—Individual registration on entry or exit
- G07C9/30—Individual registration on entry or exit not involving the use of a pass
- G07C9/38—Individual registration on entry or exit not involving the use of a pass with central registration
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Human Computer Interaction (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Library & Information Science (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Collating Specific Patterns (AREA)
Abstract
本发明提供了一种特征更新的人脸识别方法及系统，涉及人脸识别领域，方法包括：搭建门禁系统的人脸识别数据库；对业户出入门禁通过率统计，获得业户出入门禁通过率集合；进行预设通过率筛选，获得业户出入门禁正样本集合、业户出入门禁负样本集合；进行门禁通过特征解析，获得识别角度正向特征、识别光照正向特征以及识别频率技术特征，构建三端更新校正网络，对业户出入门禁负样本集合对应的目标业户进行面部识别的特征更新。解决了人脸识别的特征更新精准度低，导致用户的人脸识别通过率无法保障的技术问题，达到了结合人脸识别正、负样本，针对性的对人脸识别的特征进行更新，使得人脸识别通过率最大限度满足用户需求的技术效果。
Description
技术领域
本发明涉及人脸识别领域，具体涉及一种特征更新的人脸识别方法及系统。
背景技术
人脸识别技术的不断推广与发展，人脸识别系统广泛应用于社区出入门禁、周界可疑人员徘徊检测、景区人流量统计等场景中，但是，现阶段，由于化妆、整容等面部特征调整技术的广泛性，综合脸型特征、眉毛特征、眼部特征、鼻部特征、嘴部特征，获取人脸识别特征结果，无法保证得到的人脸识别特征结果的精准度。
与之相应的，人脸特征更新方案无法结合人脸识别特征结果对应的样本数据进行匹配更新，使得人脸特征更新方案精准度有效，最终导致识别通过率无法保障，亟需人脸识别特征更新方案，对人脸识别特征进行精准更新。
现有技术中存在人脸识别的特征更新精准度低，导致用户的人脸识别通过率无法保障的技术问题。
发明内容
本申请通过提供了一种特征更新的人脸识别方法及系统，解决了人脸识别的特征更新精准度低，导致用户的人脸识别通过率无法保障的技术问题，达到了结合人脸识别正、负样本，针对性的对人脸识别的特征进行更新，使得人脸识别通过率最大限度满足用户需求的技术效果。
鉴于上述问题，本申请提供了一种特征更新的人脸识别方法及系统。
第一方面，本申请提供了一种特征更新的人脸识别方法，其中，所述方法应用于人脸识别系统，所述方法包括：搭建目标社区的门禁系统的人脸识别数据库，其中，所述人脸识别数据库包括所述目标社区的既有业户面部数据；基于所述人脸识别数据库，对预设时间段内的所述目标社区的业户出入门禁通过率进行统计，用于获得业户出入门禁通过率集合；通过对所述业户出入门禁通过率集合进行预设通过率筛选，可获得业户出入门禁正样本集合、业户出入门禁负样本集合；通过对所述业户出入门禁正样本集合进行门禁通过特征解析，用以获得识别角度正向特征、识别光照正向特征以及识别频率技术特征；利用所述识别角度正向特征、识别光照正向特征以及识别频率技术特征，构建所述业户出入门禁负样本集合的三端更新校正网络；根据所述三端更新校正网络，对所述业户出入门禁负样本集合对应的目标业户进行面部识别的特征更新。
第二方面，本申请提供了一种特征更新的人脸识别系统，其中，所述系统包括：数据库搭建单元，所述数据库搭建单元用于搭建目标社区的门禁系统的人脸识别数据库，其中，所述人脸识别数据库包括所述目标社区的既有业户面部数据；门禁通过统计单元，所述门禁通过统计单元用于基于所述人脸识别数据库，对预设时间段内的所述目标社区的业户出入门禁通过率进行统计，用于获得业户出入门禁通过率集合；样本集合获取单元，所述样本集合获取单元用于通过对所述业户出入门禁通过率集合进行预设通过率筛选，可获得业户出入门禁正样本集合、业户出入门禁负样本集合；特征解析单元，所述特征解析单元用于通过对所述业户出入门禁正样本集合进行门禁通过特征解析，用以获得识别角度正向特征、识别光照正向特征以及识别频率技术特征；校正网络构建单元，所述校正网络构建单元用于利用所述识别角度正向特征、识别光照正向特征以及识别频率技术特征，构建所述业户出入门禁负样本集合的三端更新校正网络；特征更新单元，所述特征更新单元用于根据所述三端更新校正网络，对所述业户出入门禁负样本集合对应的目标业户进行面部识别的特征更新。
本申请中提供的一个或多个技术方案，至少具有如下技术效果或优点：
由于采用了搭建目标社区的门禁系统的人脸识别数据库；对目标社区的业户出入门禁通过率进行统计，获得业户出入门禁通过率集合；进行预设通过率筛选，获得业户出入门禁正样本集合、业户出入门禁负样本集合；通过对业户出入门禁正样本集合进行门禁通过特征解析，获得识别角度正向特征、识别光照正向特征以及识别频率技术特征，构建业户出入门禁负样本集合的三端更新校正网络，对业户出入门禁负样本集合对应的目标业户进行面部识别的特征更新。本申请实施例达到了结合人脸识别正、负样本，针对性的对人脸识别的特征进行更新，使得人脸识别通过率最大限度满足用户需求的技术效果。
附图说明
图1为本申请一种特征更新的人脸识别方法的流程示意图；
图2为本申请一种特征更新的人脸识别方法的确定识别角度正向特征、识别光照正向特征以及识别频率技术特征的流程示意图；
图3为本申请一种特征更新的人脸识别方法的对差异化特征集合进行动态的开放学习的流程示意图；
图4为本申请一种特征更新的人脸识别系统的结构示意图。
附图标记说明：数据库搭建单元11，门禁通过统计单元12，样本集合获取单元13，特征解析单元14，校正网络构建单元15，特征更新单元16。
具体实施方式
本申请通过提供了一种特征更新的人脸识别方法及系统，解决了人脸识别的特征更新精准度低，导致用户的人脸识别通过率无法保障的技术问题，达到了结合人脸识别正、负样本，针对性的对人脸识别的特征进行更新，使得人脸识别通过率最大限度满足用户需求的技术效果。
实施例一
如图1所示，本申请提供了一种特征更新的人脸识别方法，其中，所述方法应用于人脸识别系统，所述方法包括：
S100：搭建目标社区的门禁系统的人脸识别数据库，其中，所述人脸识别数据库包括所述目标社区的既有业户面部数据；
进一步的，搭建目标社区的门禁系统的人脸识别数据库，所述步骤S100还包括：
S110：对所述目标社区的既有业户进行多角度的面部图像采集，用以获得各既有业户多角度面部图像集合；
S120：利用3D人脸识别技术，对所述各既有业户多角度面部图像集合进行头骨结构识别，用于确定各既有业户头骨结构集合；
S130：对所述各既有业户头骨结构集合进行多参数解析，用于确定各既有业户头骨参数集合；
S140：将所述各既有业户头骨参数集合作为基准数据，构建所述人脸识别数据库。
具体而言，搭建目标社区的门禁系统的人脸识别数据库，所述目标社区为任意社区组织，不对所述目标社区的位置或规模进行具体限制，所述人脸识别系统安装于所述目标社区的出入门禁，所述既有业户为所述目标社区的常住业人群与现住人群，不考虑既有业户不通过门禁系统进出所述目标社区的状况，不对所述既有业户的性别、年龄或其他相关特征进行限制进行限制性说明，对所述目标社区的既有业户进行多角度的面部图像采集，获得各既有业户多角度面部图像集合，所述既有业户面部数据即既有业户多角度面部图像集合对应的面部数据，所述人脸识别数据库包括所述目标社区的既有业户面部数据，通过既有业户的脸部识别特征数据集成所述人脸识别数据库，为后续数据分析提供数据支持。
进一步具体说明，所述3D人脸识别技术可以基于所述各既有业户多角度面部图像集合，配合立体成像技术，识别并还原业户面部各点位的三维坐标信息，特别的，人类头骨不同于人类面容特征，人类头骨特征是独一无二的生物特征，利用3D人脸识别技术，对所述各既有业户多角度面部图像集合进行头骨结构识别，所述头骨结构包括但不限于脑颅结构和面颅结构，脑颅结构与顶骨结构、颞骨结构等相关骨结构对应，面颅结构与额骨结构、蝶骨结构等相关骨结构对应，用于确定各既有业户头骨结构集合，所述既有业户头骨结构集合包括头骨的结构特征，所述结构特征包括体积结构特征、形状结构特征等其他结构特征；配合3D人脸识别技术对所述各既有业户头骨结构集合进行多参数解析，用于确定各既有业户头骨参数集合，所述既有业户头骨参数集合包括但不限于体积结构参数、形状结构参数；将所述各既有业户头骨参数集合作为基准数据，搭建目标社区的门禁系统的人脸识别数据库，为后续数据分析处理提供充分数据支持。
进一步的，本申请实施例包括：
S150：基于皮肤识别技术，对所述各既有业户多角度面部图像集合进行皮肤纹理分析，用于确定各既有业户皮肤纹理特征；
S160：对所述各既有业户皮肤纹理特征进行特定参数标记，用于获得各既有业户皮肤特征参数；
S170：基于所述基准数据，将所述各既有业户皮肤特征参数作为补充参数，用以构建所述人脸识别数据库。
具体而言，所述皮肤识别技术结合人脸检测算法、不良图像过滤技术，基于皮肤识别技术，对所述各既有业户多角度面部图像集合进行皮肤纹理分析，用于确定各既有业户皮肤纹理特征，所述皮肤纹理特征包括但不限于皮纹特征、毛孔分布特征，对所述各既有业户皮肤纹理特征进行特定参数标记，所述特定参数标记可以在特殊情况进行标记，如痣、斑，用于获得各既有业户皮肤特征参数，所述皮肤特征参数包括但不限于肤色特征参数、色块面积特征参数；基于所述基准数据，将所述各既有业户皮肤特征参数作为补充参数，用以构建所述人脸识别数据库，结合各既有业户皮肤特征参数，进一步完善人脸识别数据库，有效保证人脸识别数据库的完整性。
S200：基于所述人脸识别数据库，对预设时间段内的所述目标社区的业户出入门禁通过率进行统计，用于获得业户出入门禁通过率集合；
进一步的，所述对预设时间段内的所述目标社区的业户出入门禁通过率进行统计，所述步骤S200还包括：
S210：基于门禁处摄像头装置，统计所述各既有业户在所述预设时间段通行次数，可得到各既有业户实际出行次数集合；
S220：基于所述人脸识别数据库，统计所述各既有业户在所述预设时间段的面部识别次数，可得到各既有业户面部识别通过次数集合；
S230：对所述各既有业户实际出行次数集合和所述各既有业户面部识别通过次数集合进行数据计算，可获得所述业户出入门禁通过率集合。
具体而言，所述预设时间段可以设定为所述目标社区的业户出入门的峰值时间，所述出入门禁通过率为预设时间段内的出入门禁面部识别通过率，即出入门禁验证通过次数与出入门禁验证次数之比，基于所述人脸识别数据库，对预设时间段内的所述目标社区的业户出入门禁通过率进行统计，用于获得业户出入门禁通过率集合，为后续数据分析提供数据支持。
进一步具体说明，基于门禁处摄像头装置，统计所述各既有业户在所述预设时间段通行次数，可得到各既有业户实际出行次数集合，所述实际出行次数集合与既有业户的出入门禁通过次数对应，特别的，在一次验证通过后，可以通过一位或多位既有业户，需要结合门禁处摄像头装置对应的统计结果，分别确定通过的所有既有业户的出入情况，对照确定各既有业户实际出行次数集合，基于所述人脸识别数据库，分别统计所述各既有业户在所述预设时间段的面部识别次数，可得到各既有业户面部识别通过次数集合，所述面部识别通过次数集合按照各既有业户的面部识别通过次数从多至少进行排列，一般的，在考虑不通过面部识别但通过门禁出入状况，既有业户的实际出行次数大于面部识别通过次数。特别的，若限定每次验证通过后，有且仅允许验证对应的既有业户通过门禁，会出现各既有业户实际出行次数集合与各既有业户面部识别通过次数集合对应一致状况。对所述各既有业户实际出行次数集合和所述各既有业户面部识别通过次数集合进行数据通过计算，分别获取各既有业户的业户出入门禁通过率集合，既有业户面部识别通过次数与既有业户实际出行次数之比，即所述既有业户的业户出入门禁通过率，获取所述业户出入门禁通过率集合，为后续进行数据分析提供可靠数据支持。
进一步的，本申请实施例还包括：
S240：对所述各既有业户面部识别通过次数集合中的单次识别通过时间进行解析，可得到各既有业户单次识别通过时间集合；
S250：对所述各既有业户单次识别通过时间集合进行去极值化处理，且对去极值化处理结果进行均值处理，用以得到各既有业户平均识别通过时间集合；
S260：利用所述各既有业户平均识别通过时间集合，对所述业户出入门禁通过率集合进行监督计算。
具体而言，所述单次识别通过时间集合中的识别通过时间单位均为秒，所述单次识别通过时间包括验证失败所消耗的时间，单次识别通过时间可以是多\一次验证失败与一次验证成功所消耗的时间，还可以是一次验证成功所消耗的时间，所述平均识别通过时间集合中的平均识别通过时间单位均为秒，限制精确至百分位，所述限制性说明是为便于数据分析处理，限制标准不唯一，对所述各既有业户面部识别通过次数集合中的单次识别通过时间进行解析，可得到各既有业户单次识别通过时间集合，所述各既有业户单次识别通过时间集合依照时间从短到长依次排列，在预设时间段内，某既有业户可能存在多个所述单次识别通过时间的记录，将多个所述单次识别通过时间的记录进行数据整理，获取既有业户单次识别通过时间集合，所述目标社区的既有业户整体的既有业户单次识别通过时间集合，即所述各既有业户单次识别通过时间集合；对所述各既有业户单次识别通过时间集合进行去极值化处理，所述去极值化处理简单来说就是去掉最大值与最小值，去掉最大值与最小值的个数依照具体数据分布进行确定，示例性的，甲业户单次识别通过时间集合为[2、3、7、3、1、8]，可以去掉两个最大值与两个最小值，即去极值化处理结果为[3、3]，乙业户单次识别通过时间集合为[2、3、7、3、1、2]，可以去掉一个最大值与一个最小值，即去极值化处理结果为[2、3、3、2]，分别对所述各既有业户单次识别通过时间集合进行去极值化处理，后对去极值化处理结果进行均值处理，所述均值处理简单来说就是获取去极值化处理结果的平均值，所述平均值即既有业户平均识别通过时间，分别获取各既有业户平均识别通过时间，得到各既有业户平均识别通过时间集合；利用所述各既有业户平均识别通过时间集合，对所述业户出入门禁通过率集合进行监督计算，进一步保障了业户出入门禁通过率集合的可靠性，为提高业户出入门禁通过率集合的稳定性提供数据支持。
S300：通过对所述业户出入门禁通过率集合进行预设通过率筛选，可获得业户出入门禁正样本集合、业户出入门禁负样本集合；
S400：通过对所述业户出入门禁正样本集合进行门禁通过特征解析，用以获得识别角度正向特征、识别光照正向特征以及识别频率技术特征；
具体而言，所述预设通过率为一预设参数指标，可以设定为80%，所述业户出入门禁正样本集合为门禁验证通过所对应的样本集合，所述业户出入门禁负样本集合为门禁验证未通过所对应的样本集合，所述角度正向特征可以是识别过程业户面部与所述人脸识别系统的扫描识别单元的相对角度特征，扫描识别单元可以是红外线识别仪器，所述识别光照正向特征包括但不限于光照方向特征、光照强度特征，所述识别频率技术特征包括识别速度特征等相关技术特征，基于预设通过率，对所述业户出入门禁通过率集合进行筛选，获得业户出入门禁正样本集合、业户出入门禁负样本集合；结合特征参数挖掘算法，对所述业户出入门禁正样本集合进行门禁通过特征挖掘提取，结合相关算法对特征挖掘提取结果进行特征解析，获得识别角度正向特征、识别光照正向特征以及识别频率技术特征，为后续通过正向特征参数，构建更新校正模型提供数据支持。
进一步的，通过对所述业户出入门禁正样本集合进行门禁通过特征解析，所述步骤S400还包括：
S410：利用所述人脸识别数据库嵌入的信息抓取脚本，对所述各既有业户的面部图像采集过程、采集图像验证过程进行参数抓取，可得到各节点抓取参数；
S420：通过对所述各节点抓取参数进行特征的聚类分析，用以得到所述识别角度正向特征、识别光照正向特征以及识别频率技术特征。
具体而言，所述各节点抓取参数可以是所述扫描识别单元的扫描俯仰角度参数等相关指标参数，所述信息抓取脚本为特征参数挖掘脚本程序，利用所述人脸识别数据库嵌入的信息抓取脚本，对所述各既有业户的面部图像采集过程、采集图像验证过程进行参数抓取，得到各节点抓取参数，所述聚类分析表示通过计算相似度来进行数据的簇的划分，所述聚类分析对应的算法可以包括k-means算法、K-medoids算法等其他相关聚类算法，通过对所述各节点抓取参数进行特征的聚类分析，得到所述识别角度正向特征、识别光照正向特征以及识别频率技术特征，有效保证识别角度正向特征、识别光照正向特征以及识别频率技术特征的完整性。
进一步的，如图2所示，本申请实施例还包括：
S430：通过对所述各节点抓取参数进行一一对应的参数特征标记，可获得各节点参数特征集合；
S440：通过对所述各节点参数特征集合进行特征扩大化的递归解析，可获得期望递归特征分布，其中，所述期望递归特征分布的两两之间不存在特征重叠；
S450：对所述期望递归特征分布进行容量极值筛选，用以确定所述识别角度正向特征、识别光照正向特征以及识别频率技术特征。
具体而言，所述节点包括但不限于面部图像采集过程的节点、采集图像验证过程的节点，所述节点参数特征与所述各节点抓取参数对应，通过对所述各节点抓取参数进行一一对应的参数特征标记，可获得各节点参数特征集合，对所述节点的所述节点参数特征进行特征数据整合，构建所述各节点参数特征集合，所述特征扩大化的递归解析即标识特征扩大化的递归解析，对所述各节点参数特征集合进行特征扩大化的递归解析，即对所述各节点参数特征集合进行递归解析分类过程中，逐步扩大类别标识特征，使得递归解析分类对应的类别标识特征与类别划分结果的对应度越来越高，以满足所述期望递归特征分布的两两之间不存在特征重叠，通过对所述各节点参数特征集合进行特征扩大化的递归解析，可获得期望递归特征分布，所述期望递归特征分布包括多个特征类别，特征大类中的数据最多的特征类别包含的数据即所述容量极值，对所述期望递归特征分布进行容量极值筛选，将特征大类中的数据最多的三个特征类别分别确定所述识别角度正向特征、识别光照正向特征以及识别频率技术特征，结合特征扩大化的递归解析，可以保证所述期望递归特征分布的两两之间不存在特征重叠，进而保证所述识别角度正向特征、识别光照正向特征以及识别频率技术特征的完整性。
S500：利用所述识别角度正向特征、识别光照正向特征以及识别频率技术特征，构建所述业户出入门禁负样本集合的三端更新校正网络；
进一步的，构建所述业户出入门禁负样本集合的三端更新校正网络，步骤S500还包括：
S510：将所述识别角度正向特征作为第一端校正特征、将所述识别光照正向特征作为第二端校正特征、将所述识别频率技术特征作为第三端校正特征；
S520：基于所述第一端校正特征、所述第二端校正特征以及所述第三端校正特征，构建所述三端更新校正网络，其中，所述三端更新校正网络具有访问开放性。
具体而言，所述三端更新校正网络为星型\总线型网络结构，以所述识别角度正向特征、识别光照正向特征以及识别频率技术特征为所述三端更新校正网络的特征节点，构建所述业户出入门禁负样本集合的三端更新校正网络，为后续数据分析提供网络模型基础。
具体而言，将所述识别角度正向特征作为第一端校正特征、将所述识别光照正向特征作为第二端校正特征、将所述识别频率技术特征作为第三端校正特征；基于所述第一端校正特征、所述第二端校正特征以及所述第三端校正特征，构建所述三端更新校正网络，其中，特征数据之间的开放性互动需要有所述三端更新校正网络结构的开放性来提供支持，故所述三端更新校正网络具有访问开放性，所述访问开放性表示可以结合相关访问请求对所述三端更新校正网络的数据进行访问，为后续的特征更新提供网络模型基础。
S600：根据所述三端更新校正网络，对所述业户出入门禁负样本集合对应的目标业户进行面部识别的特征更新。
进一步的，如图3所示，对所述业户出入门禁负样本集合对应的目标业户进行面部识别的特征更新，所述步骤S600包括：
S610：对所述业户出入门禁负样本集合进行负样本反馈数据采集，用以确定负样本反馈数据集合；
S620：通过对所述负样本反馈数据集合进行特征判定，用以确定负样本反馈特征集合；
S630：判断所述负样本反馈特征集合是否与所述三端更新校正网络中的校正特征相匹配；
S640：若所述负样本反馈特征集合与所述三端更新校正网络中的校正特征不相匹配，获得所述负样本反馈特征集合中区别于所述校正特征的差异化特征集合；
S650：利用所述三端更新校正网络的所述访问开放性，对所述差异化特征集合进行动态的开放学习。
具体而言，将所述业户出入门禁负样本集合中导入所述三端更新校正网络中，对目标业户进行面部识别过程所对应的面部识别特征进行对应性更新，对所述目标用户的面部识别特征进行针对性的更新优化，降低因光照、识别频率、识别角度导致的验证失败的概率，在不进行过度运算的同时，提高门禁系统的面部识别的可靠度。
具体而言，所述业户出入门禁负样本集合为门禁验证未通过所对应的样本集合，负样本反馈数据为门禁系统验证未通过节点处的反馈数据，逐次采集所述业户出入门禁负样本集合中的负样本的反馈数据，确定负样本反馈数据集合，所述负样本反馈数据集合包括但不限于光照数据、识别频率数据、识别角度数据；通过对所述负样本反馈数据集合进行特征判定，用以确定负样本反馈特征集合，所述负样本反馈特征集合包括但不限于光照特征、识别频率特征、识别角度特征；将所述负样本反馈特征集合输入三端更新校正网络，判断所述负样本反馈特征集合是否与所述三端更新校正网络中的校正特征相匹配，若所述负样本反馈特征集合与所述三端更新校正网络中的校正特征不相匹配，获得所述负样本反馈特征集合中区别于所述校正特征的差异化特征集合，所述差异化特征集合即需要进行校正的特征与校正方向，利用所述三端更新校正网络的所述访问开放性，将所述差异化特征集合输入三端更新校正网络进行动态的开放学习，所述开放学习需要确定校正更新节点，对该节点进行动态更新，基于负样本反馈数据集合，进行动态的开放学习，匹配校正三端更新校正网络的特征，为精细化匹配校正三端更新校正网络提供技术支持。
综上所述，本申请所提供的一种特征更新的人脸识别方法及系统具有如下技术效果：
由于采用了搭建目标社区的门禁系统的人脸识别数据库；对目标社区的业户出入门禁通过率进行统计，获得业户出入门禁通过率集合；进行预设通过率筛选，获得业户出入门禁正样本集合、业户出入门禁负样本集合；通过对业户出入门禁正样本集合进行门禁通过特征解析，获得识别角度正向特征、识别光照正向特征以及识别频率技术特征，构建业户出入门禁负样本集合的三端更新校正网络，对业户出入门禁负样本集合对应的目标业户进行面部识别的特征更新。本申请通过提供了一种特征更新的人脸识别方法及系统，达到了结合人脸识别正、负样本，针对性的对人脸识别的特征进行更新，使得人脸识别通过率最大限度满足用户需求的技术效果。
由于采用了通过对各节点抓取参数进行一一对应的参数特征标记，可获得各节点参数特征集合，进行特征扩大化的递归解析，可获得期望递归特征分布，进行容量极值筛选，确定识别角度正向特征、识别光照正向特征以及识别频率技术特征，结合特征扩大化的递归解析，可以保证期望递归特征分布的两两之间不存在特征重叠，进而保证识别角度正向特征、识别光照正向特征以及识别频率技术特征的完整性。
由于采用了对业户出入门禁负样本集合进行负样本反馈数据采集，用以确定负样本反馈数据集合，进行特征判定，确定负样本反馈特征集合，若负样本反馈特征集合与三端更新校正网络中的校正特征不相匹配，获得负样本反馈特征集合中区别于校正特征的差异化特征集合，利用三端更新校正网络的访问开放性，对差异化特征集合进行动态的开放学习。匹配校正三端更新校正网络的特征，为精细化匹配校正三端更新校正网络提供技术支持。
实施例二
基于与前述实施例中一种特征更新的人脸识别方法相同的发明构思，如图4所示，本申请提供了一种特征更新的人脸识别系统，其中，所述系统包括：
数据库搭建单元11，所述数据库搭建单元11用于搭建目标社区的门禁系统的人脸识别数据库，其中，所述人脸识别数据库包括所述目标社区的既有业户面部数据；
门禁通过统计单元12，所述门禁通过统计单元12用于基于所述人脸识别数据库，对预设时间段内的所述目标社区的业户出入门禁通过率进行统计，用于获得业户出入门禁通过率集合；
样本集合获取单元13，所述样本集合获取单元13用于通过对所述业户出入门禁通过率集合进行预设通过率筛选，可获得业户出入门禁正样本集合、业户出入门禁负样本集合；
特征解析单元14，所述特征解析单元14用于通过对所述业户出入门禁正样本集合进行门禁通过特征解析，用以获得识别角度正向特征、识别光照正向特征以及识别频率技术特征；
校正网络构建单元15，所述校正网络构建单元15用于利用所述识别角度正向特征、识别光照正向特征以及识别频率技术特征，构建所述业户出入门禁负样本集合的三端更新校正网络；
特征更新单元16，所述特征更新单元16用于根据所述三端更新校正网络，对所述业户出入门禁负样本集合对应的目标业户进行面部识别的特征更新。
进一步的，所述系统包括：
图像采集单元，所述图像采集单元用于对所述目标社区的既有业户进行多角度的面部图像采集，用以获得各既有业户多角度面部图像集合；
头骨结构识别单元，所述头骨结构识别单元用于利用3D人脸识别技术，对所述各既有业户多角度面部图像集合进行头骨结构识别，用于确定各既有业户头骨结构集合；
多参数解析单元，所述多参数解析单元用于对所述各既有业户头骨结构集合进行多参数解析，用于确定各既有业户头骨参数集合；
数据库搭建单元，所述数据库搭建单元用于将所述各既有业户头骨参数集合作为基准数据，构建所述人脸识别数据库。
进一步的，所述系统包括：
纹理分析单元，所述纹理分析单元用于基于皮肤识别技术，对所述各既有业户多角度面部图像集合进行皮肤纹理分析，用于确定各既有业户皮肤纹理特征；
皮肤特征参数获取单元，所述皮肤特征参数获取单元用于对所述各既有业户皮肤纹理特征进行特定参数标记，用于获得各既有业户皮肤特征参数；
补充参数确定单元，所述补充参数确定单元用于基于所述基准数据，将所述各既有业户皮肤特征参数作为补充参数，用以构建所述人脸识别数据库。
进一步的，所述系统包括：
通行次数统计单元，所述通行次数统计单元用于基于门禁处摄像头装置，统计所述各既有业户在所述预设时间段通行次数，可得到各既有业户实际出行次数集合；
面部识别次数统计单元，所述面部识别次数统计单元用于基于所述人脸识别数据库，统计所述各既有业户在所述预设时间段的面部识别次数，可得到各既有业户面部识别通过次数集合；
数据计算单元，所述数据计算单元用于对所述各既有业户实际出行次数集合和所述各既有业户面部识别通过次数集合进行数据计算，可获得所述业户出入门禁通过率集合。
进一步的，所述系统包括：
单次识别解析单元，所述单次识别解析单元用于对所述各既有业户面部识别通过次数集合中的单次识别通过时间进行解析，可得到各既有业户单次识别通过时间集合；
去极值化处理单元，所述去极值化处理单元用于对所述各既有业户单次识别通过时间集合进行去极值化处理，且对去极值化处理结果进行均值处理，用以得到各既有业户平均识别通过时间集合；
监督计算单元，所述监督计算单元用于利用所述各既有业户平均识别通过时间集合，对所述业户出入门禁通过率集合进行监督计算。
进一步的，所述系统包括：
节点参数抓取单元，所述节点参数抓取单元用于利用所述人脸识别数据库嵌入的信息抓取脚本，对所述各既有业户的面部图像采集过程、采集图像验证过程进行参数抓取，可得到各节点抓取参数；
特征聚类分析单元，所述特征聚类分析单元用于通过对所述各节点抓取参数进行特征的聚类分析，用以得到所述识别角度正向特征、识别光照正向特征以及识别频率技术特征。
进一步的，所述系统包括：
参数特征标记单元，所述参数特征标记单元用于通过对所述各节点抓取参数进行一一对应的参数特征标记，可获得各节点参数特征集合；
递归解析单元，所述递归解析单元用于通过对所述各节点参数特征集合进行特征扩大化的递归解析，可获得期望递归特征分布，其中，所述期望递归特征分布的两两之间不存在特征重叠；
极值筛选单元，所述极值筛选单元用于对所述期望递归特征分布进行容量极值筛选，用以确定所述识别角度正向特征、识别光照正向特征以及识别频率技术特征。
进一步的，所述系统包括：
校正特征确定单元，所述校正特征确定单元用于将所述识别角度正向特征作为第一端校正特征、将所述识别光照正向特征作为第二端校正特征、将所述识别频率技术特征作为第三端校正特征；
校正网络构建单元，所述校正网络构建单元用于基于所述第一端校正特征、所述第二端校正特征以及所述第三端校正特征，构建所述三端更新校正网络，其中，所述三端更新校正网络具有访问开放性。
进一步的，所述系统包括：
反馈数据集合确定单元，所述反馈数据集合确定单元用于对所述业户出入门禁负样本集合进行负样本反馈数据采集，用以确定负样本反馈数据集合；
特征判定单元，所述特征判定单元用于通过对所述负样本反馈数据集合进行特征判定，用以确定负样本反馈特征集合；
特征匹配判断单元，所述特征匹配判断单元用于判断所述负样本反馈特征集合是否与所述三端更新校正网络中的校正特征相匹配；
差异化特征集合获取单元，所述差异化特征集合获取单元用于若所述负样本反馈特征集合与所述三端更新校正网络中的校正特征不相匹配，获得所述负样本反馈特征集合中区别于所述校正特征的差异化特征集合；
开放学习单元，所述开放学习单元用于利用所述三端更新校正网络的所述访问开放性，对所述差异化特征集合进行动态的开放学习。
本说明书和附图仅仅是本申请的示例性说明，在不脱离本申请的精神和范围的情况下，可对其进行各种修改和组合。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，则本申请意图包括这些改动和变型在内。
Claims (10)
1.一种特征更新的人脸识别方法，其特征在于，所述方法应用于人脸识别系统，所述方法包括：
搭建目标社区的门禁系统的人脸识别数据库，其中，所述人脸识别数据库包括所述目标社区的既有业户面部数据；
基于所述人脸识别数据库，对预设时间段内的所述目标社区的业户出入门禁通过率进行统计，用于获得业户出入门禁通过率集合；
通过对所述业户出入门禁通过率集合进行预设通过率筛选，可获得业户出入门禁正样本集合、业户出入门禁负样本集合；
通过对所述业户出入门禁正样本集合进行门禁通过特征解析，用以获得识别角度正向特征、识别光照正向特征以及识别频率技术特征；
利用所述识别角度正向特征、识别光照正向特征以及识别频率技术特征，构建所述业户出入门禁负样本集合的三端更新校正网络；
根据所述三端更新校正网络，对所述业户出入门禁负样本集合对应的目标业户进行面部识别的特征更新。
2.如权利要求1所述的方法，其特征在于，所述搭建目标社区的门禁系统的人脸识别数据库，包括：
对所述目标社区的既有业户进行多角度的面部图像采集，用以获得各既有业户多角度面部图像集合；
利用3D人脸识别技术，对所述各既有业户多角度面部图像集合进行头骨结构识别，用于确定各既有业户头骨结构集合；
对所述各既有业户头骨结构集合进行多参数解析，用于确定各既有业户头骨参数集合；
将所述各既有业户头骨参数集合作为基准数据，构建所述人脸识别数据库。
3.如权利要求2所述的方法，其特征在于，所述方法包括：
基于皮肤识别技术，对所述各既有业户多角度面部图像集合进行皮肤纹理分析，用于确定各既有业户皮肤纹理特征；
对所述各既有业户皮肤纹理特征进行特定参数标记，用于获得各既有业户皮肤特征参数；
基于所述基准数据，将所述各既有业户皮肤特征参数作为补充参数，用以构建所述人脸识别数据库。
4.如权利要求3所述的方法，其特征在于，所述对预设时间段内的所述目标社区的业户出入门禁通过率进行统计，包括：
基于门禁处摄像头装置，统计所述各既有业户在所述预设时间段通行次数，可得到各既有业户实际出行次数集合；
基于所述人脸识别数据库，统计所述各既有业户在所述预设时间段的面部识别次数，可得到各既有业户面部识别通过次数集合；
对所述各既有业户实际出行次数集合和所述各既有业户面部识别通过次数集合进行数据计算，可获得所述业户出入门禁通过率集合。
5.如权利要求4所述的方法，其特征在于，所述方法包括：
对所述各既有业户面部识别通过次数集合中的单次识别通过时间进行解析，可得到各既有业户单次识别通过时间集合；
对所述各既有业户单次识别通过时间集合进行去极值化处理，且对去极值化处理结果进行均值处理，用以得到各既有业户平均识别通过时间集合；
利用所述各既有业户平均识别通过时间集合，对所述业户出入门禁通过率集合进行监督计算。
6.如权利要求5所述的方法，其特征在于，通过对所述业户出入门禁正样本集合进行门禁通过特征解析，包括：
利用所述人脸识别数据库嵌入的信息抓取脚本，对所述各既有业户的面部图像采集过程、采集图像验证过程进行参数抓取，可得到各节点抓取参数；
通过对所述各节点抓取参数进行特征的聚类分析，用以得到所述识别角度正向特征、识别光照正向特征以及识别频率技术特征。
7.如权利要求6所述的方法，其特征在于，所述方法包括：
通过对所述各节点抓取参数进行一一对应的参数特征标记，可获得各节点参数特征集合；
通过对所述各节点参数特征集合进行特征扩大化的递归解析，可获得期望递归特征分布，其中，所述期望递归特征分布的两两之间不存在特征重叠；
对所述期望递归特征分布进行容量极值筛选，用以确定所述识别角度正向特征、识别光照正向特征以及识别频率技术特征。
8.如权利要求7所述的方法，其特征在于，构建所述业户出入门禁负样本集合的三端更新校正网络，包括：
将所述识别角度正向特征作为第一端校正特征、将所述识别光照正向特征作为第二端校正特征、将所述识别频率技术特征作为第三端校正特征；
基于所述第一端校正特征、所述第二端校正特征以及所述第三端校正特征，构建所述三端更新校正网络，其中，所述三端更新校正网络具有访问开放性。
9.如权利要求8所述的方法，其特征在于，对所述业户出入门禁负样本集合对应的目标业户进行面部识别的特征更新，包括：
对所述业户出入门禁负样本集合进行负样本反馈数据采集，用以确定负样本反馈数据集合；
通过对所述负样本反馈数据集合进行特征判定，用以确定负样本反馈特征集合；
判断所述负样本反馈特征集合是否与所述三端更新校正网络中的校正特征相匹配；
若所述负样本反馈特征集合与所述三端更新校正网络中的校正特征不相匹配，获得所述负样本反馈特征集合中区别于所述校正特征的差异化特征集合；
利用所述三端更新校正网络的所述访问开放性，对所述差异化特征集合进行动态的开放学习。
10.一种特征更新的人脸识别系统，其特征在于，所述系统包括：
数据库搭建单元，所述数据库搭建单元用于搭建目标社区的门禁系统的人脸识别数据库，其中，所述人脸识别数据库包括所述目标社区的既有业户面部数据；
门禁通过统计单元，所述门禁通过统计单元用于基于所述人脸识别数据库，对预设时间段内的所述目标社区的业户出入门禁通过率进行统计，用于获得业户出入门禁通过率集合；
样本集合获取单元，所述样本集合获取单元用于通过对所述业户出入门禁通过率集合进行预设通过率筛选，可获得业户出入门禁正样本集合、业户出入门禁负样本集合；
特征解析单元，所述特征解析单元用于通过对所述业户出入门禁正样本集合进行门禁通过特征解析，用以获得识别角度正向特征、识别光照正向特征以及识别频率技术特征；
校正网络构建单元，所述校正网络构建单元用于利用所述识别角度正向特征、识别光照正向特征以及识别频率技术特征，构建所述业户出入门禁负样本集合的三端更新校正网络；
特征更新单元，所述特征更新单元用于根据所述三端更新校正网络，对所述业户出入门禁负样本集合对应的目标业户进行面部识别的特征更新。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210810346.2A CN114863543B (zh) | 2022-07-11 | 2022-07-11 | 一种特征更新的人脸识别方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210810346.2A CN114863543B (zh) | 2022-07-11 | 2022-07-11 | 一种特征更新的人脸识别方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114863543A CN114863543A (zh) | 2022-08-05 |
| CN114863543B true CN114863543B (zh) | 2022-09-06 |
Family
ID=82625987
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210810346.2A Active CN114863543B (zh) | 2022-07-11 | 2022-07-11 | 一种特征更新的人脸识别方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114863543B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106971143A (zh) * | 2017-02-24 | 2017-07-21 | 重庆三峡学院 | 一种利用对数变换和平滑滤波的人脸光照不变特征提取方法 |
| EP3361467A1 (en) * | 2017-02-14 | 2018-08-15 | Find Solution Artificial Intelligence Limited | Interactive and adaptive training and learning management system using face tracking and emotion detection with associated methods |
| CN110147777A (zh) * | 2019-05-24 | 2019-08-20 | 合肥工业大学 | 一种基于深度迁移学习的绝缘子类别检测方法 |
| CN113822325A (zh) * | 2021-07-22 | 2021-12-21 | 腾讯科技（深圳）有限公司 | 图像特征的监督学习方法、装置、设备及存储介质 |
| CN114119946A (zh) * | 2021-11-26 | 2022-03-01 | 浙江黄氏建设工程有限公司 | 一种应用于未来社区门禁的摄像头肖像采集系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7809171B2 (en) * | 2005-01-10 | 2010-10-05 | Battelle Memorial Institute | Facial feature evaluation based on eye location |
-
2022
- 2022-07-11 CN CN202210810346.2A patent/CN114863543B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3361467A1 (en) * | 2017-02-14 | 2018-08-15 | Find Solution Artificial Intelligence Limited | Interactive and adaptive training and learning management system using face tracking and emotion detection with associated methods |
| CN106971143A (zh) * | 2017-02-24 | 2017-07-21 | 重庆三峡学院 | 一种利用对数变换和平滑滤波的人脸光照不变特征提取方法 |
| CN110147777A (zh) * | 2019-05-24 | 2019-08-20 | 合肥工业大学 | 一种基于深度迁移学习的绝缘子类别检测方法 |
| CN113822325A (zh) * | 2021-07-22 | 2021-12-21 | 腾讯科技（深圳）有限公司 | 图像特征的监督学习方法、装置、设备及存储介质 |
| CN114119946A (zh) * | 2021-11-26 | 2022-03-01 | 浙江黄氏建设工程有限公司 | 一种应用于未来社区门禁的摄像头肖像采集系统 |
Non-Patent Citations (5)
| Title |
|---|
| Face Recognition from Multi Angled Images;Rohan Naik 等;《International Journal of Engineering Research & Technology (IJERT)》;20150221;第4卷(第2期);506-509 * |
| Influence of low resolution of images on reliability of face detection and recognition;Tomasz Marciniak 等;《Multimed Tools Appl》;20130703;1-21 * |
| 一种融合加权ELM和AdaBoost的交通标志识别算法;徐岩 等;《小型微型计算机系统》;20170930;第38卷(第9期);2028-2032 * |
| 卡口场景下人脸检测模型的自适应重训练算法;雷明仪 等;《厦门大学学报（自然科学版）》;20170531;第56卷(第3期);429-436 * |
| 基于有效光照估计的复杂光照人脸识别;程勇;《计算机工程与应用》;20170531;第53卷(第10期);21-26 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114863543A (zh) | 2022-08-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| TWI416068B (zh) | 跨感測器間之物體追蹤方法與系統 | |
| CN109190540B (zh) | 活检区域预测方法、图像识别方法、装置和存储介质 | |
| CN108446681B (zh) | 行人分析方法、装置、终端及存储介质 | |
| CN109344886B (zh) | 基于卷积神经网络的遮挡号牌判别方法 | |
| CN111723773B (zh) | 遗留物检测方法、装置、电子设备及可读存储介质 | |
| CN114627406A (zh) | 一种人群快速聚集行为的识别方法、系统、设备及介质 | |
| CN109359689B (zh) | 一种数据识别方法及装置 | |
| CN114863543B (zh) | 一种特征更新的人脸识别方法及系统 | |
| CN114663773B (zh) | 多节点协同的车辆识别方法及装置、系统、存储介质 | |
| CN112258707A (zh) | 一种基于人脸识别的智能门禁管理系统 | |
| CN112380977A (zh) | 吸烟行为检测方法和装置 | |
| CN109543610B (zh) | 车辆检测跟踪方法、装置、设备及存储介质 | |
| CN113822367B (zh) | 一种基于人脸的区域行为分析方法、系统及介质 | |
| CN114140762A (zh) | 一种车辆行驶方向自动识别的方法 | |
| CN117575165B (zh) | 一种数字化配电网的智能巡检管理方法及系统 | |
| CN111695404A (zh) | 行人跌倒检测方法、装置、电子设备及存储介质 | |
| CN114596621B (zh) | 一种基于机器视觉的舌象数据处理方法及系统 | |
| CN114663862B (zh) | 车辆识别方法及装置、系统、存储介质 | |
| CN110647915A (zh) | 一种用于高维数据一致性分析的动态模式判断方法 | |
| CN115858846B (zh) | 一种基于深度学习的滑雪者图像检索方法和系统 | |
| CN110555338A (zh) | 对象识别方法和装置、神经网络生成方法和装置 | |
| CN115214430B (zh) | 车辆座椅调节方法及车辆 | |
| CN109635626B (zh) | 一种单样本的低分辨率单类人脸识别方法 | |
| CN110164138B (zh) | 基于卡口对流向概率的套牌车辆的识别方法及系统、介质 | |
| CN114119066A (zh) | 一种基于数据处理的商场购物指引方法及系统 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |