CN114882576A - 人脸识别方法、电子设备、计算机可读介质和程序产品 - Google Patents
人脸识别方法、电子设备、计算机可读介质和程序产品 Download PDFInfo
- Publication number
- CN114882576A CN114882576A CN202210791463.9A CN202210791463A CN114882576A CN 114882576 A CN114882576 A CN 114882576A CN 202210791463 A CN202210791463 A CN 202210791463A CN 114882576 A CN114882576 A CN 114882576A
- Authority
- CN
- China
- Prior art keywords
- face
- feature point
- image
- point information
- confidence
- 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.)
- Granted
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
- G06V40/161—Detection; Localisation; Normalisation
- G06V40/166—Detection; Localisation; Normalisation using acquisition arrangements
-
- 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
- G06V40/168—Feature extraction; Face representation
-
- 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
- G06V40/172—Classification, e.g. identification
Abstract
本公开的实施例公开了人脸识别方法、电子设备、计算机可读介质和程序产品。该方法的一具体实施方式包括:响应于检测到人体红外感应信息,采集人脸图像;对人脸图像进行特征点检测处理,得到人脸特征点信息集合;确定人脸特征点信息集合包括的各个特征点置信度是否满足预设置信度阈值条件;响应于确定人脸特征点信息集合满足预设置信度阈值条件,根据人脸特征点信息集合包括的各个人脸特征点坐标,跟踪采集预设数量的人脸跟踪图像,得到人脸跟踪图像集合;根据人脸跟踪图像集合,确定目标人脸跟踪图像;根据目标人脸跟踪图像,进行人脸识别检测,得到人脸识别结果。该实施方式提高了人脸识别结果的准确性,减少了人脸识别时长,节省了计算资源。
Description
技术领域
本公开的实施例涉及人脸识别领域,具体涉及人脸识别方法、电子设备、计算机可读介质和程序产品。
背景技术
人脸识别,是通过用户图像识别用户身份的技术。目前,进行人脸识别时,通常采用的方式为:直接通过拍摄的一张人脸图像进行人脸识别,显示人脸识别结果,人脸图像较模糊时,需再次拍摄人脸图像以再次直接进行人脸识别。
然而,发明人发现,当采用上述方式进行人脸识别时,经常会存在如下技术问题:
第一,拍摄的人脸图像模糊时,提取的特征点的准确性较差,导致人脸识别结果的准确性较差,由于直接进行人脸识别需提取和匹配的特征点较多,人脸图像较模糊需再次拍摄以直接进行人脸识别时,在先进行的人脸识别操作导致耗时较长、计算资源浪费。
第二,匹配不到预存的人脸图像时,仅显示表征识别失败的人脸识别结果,不能基于表征识别失败的人脸识别结果进行生客防控预警。
该背景技术部分中所公开的以上信息仅用于增强对本发明构思的背景的理解,并因此,其可包含并不形成本国的本领域普通技术人员已知的现有技术的信息。
发明内容
本公开的内容部分用于以简要的形式介绍构思,这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征,也不旨在用于限制所要求的保护的技术方案的范围。
本公开的一些实施例提出了人脸识别方法、电子设备、计算机可读介质和程序产品,来解决以上背景技术部分提到的技术问题中的一项或多项。
第一方面,本公开的一些实施例提供了一种人脸识别方法,该方法包括:响应于通过红外传感器检测到人体红外感应信息,通过摄像装置采集人脸图像;对上述人脸图像进行特征点检测处理,得到人脸特征点信息集合,其中,上述人脸特征点信息集合中的人脸特征点信息包括人脸特征点坐标和特征点置信度;确定上述人脸特征点信息集合包括的各个特征点置信度是否满足预设置信度阈值条件;响应于确定上述人脸特征点信息集合包括的各个特征点置信度满足上述预设置信度阈值条件,根据上述人脸特征点信息集合包括的各个人脸特征点坐标,通过上述摄像装置跟踪采集预设数量的人脸跟踪图像,得到人脸跟踪图像集合;根据上述人脸跟踪图像集合,确定目标人脸跟踪图像;根据上述目标人脸跟踪图像,进行人脸识别检测,得到人脸识别结果,其中,上述人脸识别结果包括用户信息。
第二方面,本公开的一些实施例提供了一种电子设备,包括:一个或多个处理器;红外传感器,被配置成检测人体红外感应信息;摄像装置,被配置成采集人脸图像;存储装置,其上存储有一个或多个程序,当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现上述第一方面任一实现方式所描述的方法。
第三方面,本公开的一些实施例提供了一种计算机可读介质,其上存储有计算机程序,其中,程序被处理器执行时实现上述第一方面任一实现方式所描述的方法。
第四方面,本公开的一些实施例提供了一种计算机程序产品,包括计算机程序,计算机程序在被处理器执行时实现上述第一方面任一实现方式所描述的方法。
本公开的上述各个实施例具有如下有益效果:通过本公开的一些实施例的人脸识别方法,提高了人脸识别结果的准确性,减少了人脸识别时长,节省了计算资源。具体来说,造成人脸识别结果的准确性较差、耗时较长以及计算资源浪费的原因在于:拍摄的人脸图像模糊时,提取的特征点的准确性较差,导致人脸识别结果的准确性较差,由于直接进行人脸识别需提取和匹配的特征点较多,人脸图像较模糊需再次拍摄以直接进行人脸识别时,在先进行的人脸识别操作导致耗时较长、计算资源浪费。基于此,本公开的一些实施例的人脸识别方法,首先,响应于通过红外传感器检测到人体红外感应信息,通过摄像装置采集人脸图像。由此,可以在有人接近时,采集人脸图像。然后,对上述人脸图像进行特征点检测处理,得到人脸特征点信息集合。其中,上述人脸特征点信息集合中的人脸特征点信息包括人脸特征点坐标和特征点置信度。由此,可以预先从人脸图像中提取部分人脸特征点,且每个人脸特征点对应有特征点置信度。其次,确定上述人脸特征点信息集合包括的各个特征点置信度是否满足预设置信度阈值条件。之后,响应于确定上述人脸特征点信息集合包括的各个特征点置信度满足上述预设置信度阈值条件,根据上述人脸特征点信息集合包括的各个人脸特征点坐标,通过上述摄像装置跟踪采集预设数量的人脸跟踪图像,得到人脸跟踪图像集合。由此,可以在预先提取的人脸特征点的置信度满足置信度相关条件时,通过预先提取的人脸特征点进行人脸跟踪,从而可以采集到多张人脸跟踪图像。然后,根据上述人脸跟踪图像集合,确定目标人脸跟踪图像。由此,可以从多张人脸跟踪图像中选择一张质量较好人脸跟踪图像作为最终进行人脸识别的图像。最后,根据上述目标人脸跟踪图像,进行人脸识别检测,得到人脸识别结果。其中,上述人脸识别结果包括用户信息。由此,可以通过最终选择的目标人脸跟踪图像,进行人脸识别检测。也因为未直接将拍摄得到的一张人脸图像用于人脸识别检测,而是在提取的人脸特征点的置信度满足置信度相关条件后进行人脸跟踪拍摄,从而可以从多张人脸跟踪图像中选择质量较好的人脸跟踪图像用于人脸识别检测,进而提升了人脸识别结果的准确性。又因为预先对人脸特征点的置信度进行了判断,未直接提取所有用于人脸识别检测的人脸特征点,减少了人脸识别时长,节省了计算资源。由此,提高了人脸识别结果的准确性,减少了人脸识别时长,节省了计算资源。
附图说明
结合附图并参考以下具体实施方式,本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中,相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的,元件和元素不一定按照比例绘制。
图1是根据本公开的人脸识别方法的一些实施例的流程图;
图2是适于用来实现本公开的一些实施例的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例。相反,提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。
需要注意,本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意,本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的,而并不是用于对这些消息或信息的范围进行限制。
本公开中所涉及的用户个人信息(例如用户的人脸图像、用户信息)的收集、存储、使用等操作,在执行相应操作之前,相关组织或个人尽到包括开展个人信息安全影响评估、向个人信息主体履行告知义务、事先征得个人信息主体的授权同意等义务。
下面将参考附图并结合实施例来详细说明本公开。
图1示出了根据本公开的人脸识别方法的一些实施例的流程100。该人脸识别方法,包括以下步骤:
步骤101,响应于通过红外传感器检测到人体红外感应信息,通过摄像装置采集人脸图像。
在一些实施例中,人脸识别方法的执行主体(例如计算设备)可以响应于通过红外传感器检测到人体红外感应信息,通过摄像装置采集人脸图像。其中,上述红外传感器可以为红外线传感器。上述人体红外感应信息可以为表征有人接近的信息。例如,上述人体红外感应信息可以为在人体温度范围内的温度。上述摄像装置可以为与上述执行主体通信连接的、用于拍摄人脸的装置。上述摄像装置可以设置在上述执行主体内。例如,上述摄像装置可以为内置在上述执行主体正面的摄像头。
在一些实施例的一些可选的实现方式中,首先,上述执行主体可以响应于检测到摄像装置采集到的人脸图像,确定上述人脸图像中是否存在人脸区域。实践中,上述执行主体可以通过目标检测算法确定上述人脸图像中是否存在人脸区域。然后,响应于确定上述人脸图像中不存在人脸区域,通过上述摄像装置采集重拍人脸图像作为人脸图像,以对人脸图像进行更新。由此,可以在人脸图像中不存在人脸区域时,重新拍摄人脸图像。
需要说明的是,上述计算设备可以是硬件,也可以是软件。当计算设备为硬件时,可以实现成多个服务器或终端设备组成的分布式集群,也可以实现成单个服务器或单个终端设备。当计算设备体现为软件时,可以安装在上述所列举的硬件设备中。其可以实现成例如用来提供分布式服务的多个软件或软件模块,也可以实现成单个软件或软件模块。在此不做具体限定。应该理解,根据实现需要,可以具有任意数目的计算设备。
步骤102,对人脸图像进行特征点检测处理,得到人脸特征点信息集合。
在一些实施例中,上述执行主体可以对上述人脸图像进行特征点检测处理,得到人脸特征点信息集合。其中,上述人脸特征点信息集合中的人脸特征点信息可以包括人脸特征点坐标和特征点置信度。上述人脸特征点坐标可以为人脸特征点的图像坐标。上述特征点置信度可以为上述人脸特征点坐标对应的人脸特征点的置信度。实践中,上述执行主体可以采用人脸关键点检测算法从上述人脸图像中提取第一目标数量的人脸关键点坐标。每个人脸关键点坐标可以作为人脸特征点坐标。每个人脸关键点坐标对应有置信度,可以作为特征点置信度。提取的每个人脸特征点坐标和对应的特征点置信度可以组成人脸特征点信息。上述第一目标数量可以为预先设定的、且小于用于进行人脸识别检测的人脸特征点的数量。
在一些实施例的一些可选的实现方式中,上述执行主体可以通过以下步骤对上述人脸图像进行特征点检测处理,得到人脸特征点信息集合:
第一步,对上述人脸图像进行第一特征点检测处理,得到第一人脸特征点信息集合。其中,上述第一人脸特征点信息集合中的第一人脸特征点信息可以包括第一人脸特征点坐标和第一特征点置信度。上述第一特征点检测处理可以为从上述人脸图像中提取第一数量的人脸关键点坐标的处理。每个人脸关键点坐标可以作为第一人脸特征点坐标。且每个人脸关键点坐标对应有置信度,可以作为第一特征点置信度。每个第一人脸特征点坐标和对应的第一特征点置信度可以组成第一人脸特征点信息。上述第一数量可以为预先设定的数量。例如,第一数量可以为8,可以表征第一特征点检测处理为landmark8检测。
第二步,确定上述第一人脸特征点信息集合包括的各个第一特征点置信度是否满足第一置信度阈值条件。其中,上述第一置信度阈值条件可以为“上述各个第一特征点置信度中的任一第一特征点置信度大于第一预设置信度”。上述第一预设置信度可以为预先设定的对应上述第一数量的置信度。例如,上述第一预设置信度可以为50%。
第三步,响应于确定上述第一人脸特征点信息集合包括的各个第一特征点置信度满足上述第一置信度阈值条件,对上述人脸图像进行第二特征点检测处理,得到第二人脸特征点信息集合。其中,上述第二人脸特征点信息集合中的第二人脸特征点信息可以包括第二人脸特征点坐标和第二特征点置信度。上述第二人脸特征点信息集合包括的第二人脸特征点信息的数量大于上述第一人脸特征点信息集合包括的第一人脸特征点信息的数量。上述第二特征点检测处理可以为从上述人脸图像中提取第二数量的人脸关键点坐标的处理。提取的每个人脸关键点坐标可以作为第二人脸特征点坐标。且每个人脸关键点坐标对应有置信度,可以作为第二特征点置信度。每个第二人脸特征点坐标和对应的第二特征点置信度可以组成第二人脸特征点信息。上述第二数量可以为预先设定的数量。例如,第二数量可以为64,可以表征第二特征点检测处理为landmark64检测。
第四步,将上述第二人脸特征点信息集合确定为人脸特征点信息集合,以将上述第二人脸特征点信息集合中的第二人脸特征点信息包括的第二人脸特征点坐标、第二特征点置信度分别作为人脸特征点坐标、特征点置信度。由此,可以在检测的人脸特征点较少的第一特征点检测处理后得到的各个第一特征点置信度满足第一置信度阈值条件时,采用检测的人脸特征点较多的第二特征点检测处理得到的第二人脸特征点信息集合作为人脸特征点信息集合,从而可以在减少计算资源浪费的条件下,提升后续进行人脸跟踪的效果。
步骤103,确定人脸特征点信息集合包括的各个特征点置信度是否满足预设置信度阈值条件。
在一些实施例中,上述执行主体可以确定上述人脸特征点信息集合包括的各个特征点置信度是否满足预设置信度阈值条件。其中,上述预设置信度阈值条件可以为“上述各个特征点置信度中的任一特征点置信度大于预设置信度”。上述预设置信度可以为预先设定的置信度。这里,对于预设置信度的具体设定,不作限定。例如,预设置信度可以为60%。
在一些实施例的一些可选的实现方式中,上述预设置信度阈值条件可以为“上述各个特征点置信度中的任一特征点置信度大于第二预设置信度”。上述第二预设置信度可以为预先设定的对应上述第二数量的置信度。上述第二预设置信度可以大于上述第一预设置信度。例如,上述第二预设置信度可以为60%。
步骤104,响应于确定人脸特征点信息集合包括的各个特征点置信度满足预设置信度阈值条件,根据人脸特征点信息集合包括的各个人脸特征点坐标,通过摄像装置跟踪采集预设数量的人脸跟踪图像,得到人脸跟踪图像集合。
在一些实施例中,上述执行主体可以响应于确定上述人脸特征点信息集合包括的各个特征点置信度满足上述预设置信度阈值条件,根据上述人脸特征点信息集合包括的各个人脸特征点坐标,通过上述摄像装置跟踪采集预设数量的人脸跟踪图像,得到人脸跟踪图像集合。其中,上述预设数量可以为预先设定的跟踪拍摄的图像的数量。这里,对于预设数量的具体设定,不作限定。实践中,上述执行主体可以通过人脸跟踪算法进行人脸跟踪检测,以及通过上述摄像装置跟踪采集预设数量的人脸跟踪图像。
可选地,上述执行主体可以响应于确定上述人脸特征点信息集合包括的各个特征点置信度不满足上述预设置信度阈值条件,通过上述摄像装置采集重拍人脸图像作为人脸图像,以对更新后的人脸图像进行特征点检测处理。由此,可以在各个特征点置信度不满足置信度相关条件时,重新拍摄人脸图像,以再次用于执行步骤102-104。
步骤105,根据人脸跟踪图像集合,确定目标人脸跟踪图像。
在一些实施例中,上述执行主体可以通过各种方式根据上述人脸跟踪图像集合,确定目标人脸跟踪图像。
在一些实施例的一些可选的实现方式中,首先,对于上述人脸跟踪图像集合中的每个人脸跟踪图像,上述执行主体可以执行以下步骤:
第一步,确定上述人脸跟踪图像的人脸遮挡面积。实践中,首先,上述执行主体可以识别上述人脸跟踪图像的人脸遮挡区域。然后,可以将上述人脸遮挡区域的面积确定为人脸遮挡面积。作为示例,上述执行主体可以利用神经网络模型进行人脸遮挡区域识别。上述神经网络模型可以为CNN。
第二步,确定上述人脸跟踪图像的图像模糊度。实践中,上述执行主体可以采用灰度方差算法或拉普拉斯梯度和方法确定上述人脸跟踪图像的图像模糊度。
第三步,确定上述人脸跟踪图像的图像曝光度。
第四步,确定上述人脸跟踪图像的人脸三维方向偏移度。人脸三维方向偏移度可以为图像中的人脸在三轴方向的偏移角度,可以包括横轴偏移角度、纵轴偏移角度和竖轴偏移角度。
第五步,确定上述人脸跟踪图像的人脸完整度。实践中,上述执行主体可以将检测到的人脸五官类型的数量与五官类型总数的比值确定为人脸完整度。例如,五官类型总数可以为5,对应眉、眼、耳、鼻、口。检测到的人脸五官类型为眉、眼、耳、鼻时,人脸完整度为80%。
第六步,确定上述人脸跟踪图像的人脸像素点数量。上述人脸像素点数量可以为人脸区域的像素点的总量。
然后,可以分别对所确定的各个人脸遮挡面积、各个人脸三维方向偏移度和各个人脸像素点数量进行归一化处理,得到各个归一化人脸遮挡面积、各个归一化人脸三维方向偏移度和各个归一化人脸像素点数量。实践中,上述执行主体可以采用min-max方式,对各个人脸遮挡面积进行归一化处理。可以采用min-max方式,分别对各个人脸三维方向偏移度包括的各个横轴偏移角度、各个纵轴偏移角度和各个竖轴偏移角度进行归一化处理,得到各个归一化横轴偏移角度、各个归一化纵轴偏移角度和各个归一化竖轴偏移角度。对于各个人脸像素点数量中大于等于预设像素点数量的每个人脸像素点数量,可以直接将人脸像素点数量归一化为数值1。对于各个人脸像素点数量中小于预设像素点数量的每个人脸像素点数量,可以采用min-max方式进行归一化处理。
之后,可以对于上述人脸跟踪图像集合中的每个人脸跟踪图像,根据上述人脸跟踪图像对应的归一化人脸遮挡面积、图像模糊度、图像曝光度、归一化人脸三维方向偏移度、人脸完整度和归一化人脸像素点数量,生成对应上述人脸跟踪图像的人脸图像质量分值。实践中,上述执行主体可以通过以下步骤生成对应上述人脸跟踪图像的人脸图像质量分值:
第一步,将上述归一化人脸遮挡面积输入至第一线性函数,得到人脸遮挡面积分量值。其中,上述第一线性函数可以为以归一化人脸遮挡面积为自变量、以人脸遮挡面积分量值为因变量的单调减函数。例如,第一线性函数可以为y=1-x。x为自变量。y为因变量。
第二步,将上述图像模糊度输入至第二线性函数,得到图像模糊度分量值。其中,上述第二线性函数可以为以图像模糊度为自变量、以图像模糊度分量值为因变量的单调减函数。上述第二线性函数可以和上述第一线性函数相同,也可以和上述第一线性函数相异。
第三步,将上述图像曝光度确定为图像曝光度分量值。
第四步,将上述归一化人脸三维方向偏移度包括的归一化横轴偏移角度、归一化纵轴偏移角度和归一化竖轴偏移角度的均值输入至第四线性函数,得到人脸三维方向偏移度分量值。其中,上述第三线性函数可以为以归一化横轴偏移角度、归一化纵轴偏移角度和归一化竖轴偏移角度的均值为自变量、以人脸三维方向偏移度分量值为因变量的单调减函数。上述第三线性函数可以和上述第一线性函数相同,也可以和上述第一线性函数相异。
第五步,将上述人脸完整度确定为人脸完整度分量值。
第六步,归一化人脸像素点数量确定为人脸像素点数量分量值。
第七步,将上述人脸遮挡面积分量值与第一权重系数的乘积、上述图像模糊度分量值与第二权重系数的乘积、上述图像曝光度分量值与第三权重系数的乘积、上述人脸三维方向偏移度分量值与第四权重系数的乘积、上述人脸完整度分量值与第五权重系数的乘积、上述人脸像素点数量分量值与第六权重系数的乘积的和确定为分量值总和。其中,上述第一权重系数可以为预设的对应人脸遮挡面积维度的权重系数。例如,上述第一权重系数可以为0.2。上述第二权重系数可以为预设的对应图像模糊度维度的权重系数。例如,上述第二权重系数可以为0.3。上述第三权重系数可以为预设的对应图像曝光度维度的权重系数。例如,上述第三权重系数可以为0.1。上述第四权重系数可以为预设的对应人脸三维方向偏移度维度的权重系数。例如,上述第四权重系数可以为0.05。上述第五权重系数可以为预设的对应人脸完整度维度的权重系数。例如,上述第五权重系数可以为0.2。上述第六权重系数可以为预设的对应人脸像素点数量维度的权重系数。例如,上述第六权重系数可以为0.15。
第八步,将上述分量值总和与人脸图像质量调整值的乘积确定为人脸图像质量分值。其中,上述人脸图像质量调整值可以为对人脸图像质量分值的范围进行调整的数值。例如,人脸图像质量调整值可以为100。人脸图像质量分值越大,图像质量越高。
然后,可以从所生成的各个人脸图像质量分值中选择满足预设分值条件的人脸图像质量分值作为目标人脸图像质量分值。上述预设分值条件可以为“人脸图像质量分值为各个人脸图像质量分值中最大的人脸图像质量分值”。
最后,可以将上述人脸跟踪图像集合中对应上述目标人脸图像质量分值的人脸跟踪图像确定为目标人脸跟踪图像。由此,可以同时从人脸遮挡面积维度、图像模糊度维度、图像曝光度维度、人脸三维方向偏移度维度、人脸完整度维度和人脸像素点数量维度对人脸跟踪图像进行图像质量评价,从而可以根据图像质量评价结果选择图像质量最高的人脸跟踪图像作为用于进行人脸识别的目标人脸跟踪图像。
步骤106,根据目标人脸跟踪图像,进行人脸识别检测,得到人脸识别结果。
在一些实施例中,上述执行主体可以根据上述目标人脸跟踪图像,进行人脸识别检测,得到人脸识别结果。其中,上述人脸识别结果可以包括用户信息。上述用户信息可以为目标人脸跟踪图像对应的用户的相关信息。上述用户信息可以包括但不限于:用户标识、用户姓名。实践中,首先,上述执行主体可以从上述目标人脸跟踪图像中提取第二目标数量个人脸关键点坐标。上述第二目标数量大于上述第一目标数量。然后,可以利用上述第二目标数量个人脸关键点坐标,从人脸关键点坐标组集合中选择与上述第二目标数量个人脸关键点坐标匹配的人脸关键点坐标组。上述人脸关键点坐标组集合中的人脸关键点坐标组可以为对一用户预先上传的人脸图像进行人脸关键点检测后得到的各个人脸关键点坐标。一人脸关键点坐标组可以包括上述第二目标数量个人脸关键点坐标。上述人脸关键点坐标组集合中的每个人脸关键点坐标组对应有用户信息。最后,可以将所选择的人脸关键点坐标组对应的用户信息作为人脸识别结果。
在一些实施例的一些可选的实现方式中,上述执行主体可以通过以下步骤根据上述目标人脸跟踪图像,进行人脸识别检测,得到人脸识别结果:
第一步,对上述目标人脸跟踪图像进行第三特征点检测处理,得到第三人脸特征点信息集合。其中,上述第三人脸特征点信息集合中的第三人脸特征点信息可以包括第三人脸特征点坐标和第三特征点置信度。上述第三人脸特征点信息集合包括的第三人脸特征点信息的数量大于上述第二人脸特征点信息集合包括的第二人脸特征点信息的数量。上述第三特征点检测处理可以为从上述目标人脸跟踪图像中提取第三数量的人脸关键点坐标的处理。提取的每个人脸关键点坐标可以作为第三人脸特征点坐标。且每个人脸关键点坐标对应有置信度,可以作为第三特征点置信度。每个第三人脸特征点坐标和对应的第三特征点置信度可以组成第三人脸特征点信息。上述第三数量可以为预先设定的数量。例如,第三数量可以为256,可以表征第三特征点检测处理为landmark256检测。
第二步,确定上述第三人脸特征点信息集合包括的各个第三特征点置信度是否满足第三置信度阈值条件。其中,上述第三置信度阈值条件可以为“各个第三特征点置信度中的任一第三特征点置信度大于第三预设置信度”。上述第三预设置信度可以为预先设定的对应上述第三数量的置信度。上述第三预设置信度可以大于上述第二预设置信度。例如,上述第三预设置信度可以为90%。
第三步,响应于确定上述第三人脸特征点信息集合包括的各个第三特征点置信度满足上述第三置信度阈值条件,将上述第三人脸特征点信息集合包括的各个第三人脸特征点坐标确定为第三人脸特征点坐标组。
第四步,根据上述第三人脸特征点坐标组,生成人脸识别结果。由此,可以在检测的人脸特征点较多的第二特征点检测处理后得到的各个第二特征点置信度满足置信度相关条件,以及采用检测的人脸特征点最多的第三特征点检测处理后得到的各个第三特征点置信度满足置信度相关条件时,根据第三特征点检测处理后得到的第三人脸特征点坐标组生成人脸识别结果。从而可以在减少计算资源浪费的条件下,提升人脸特征点检测的细化程度。进而可以进一步提升人脸识别检测的准确性。
在一些实施例的一些可选的实现方式中,上述执行主体可以通过以下步骤根据上述第三人脸特征点坐标组,生成人脸识别结果:
第一步,根据上述第三人脸特征点坐标组,确定预存人脸图像集合的预存人脸特征点坐标组集中是否存在满足预设距离条件的预存人脸特征点坐标组。其中,上述预存人脸图像集合中的预存人脸图像对应上述预存人脸特征点坐标组集中的预存人脸特征点坐标组。上述预存人脸图像集合中的每个预存人脸图像对应有预存用户信息。上述预存用户信息包括用户标识和用户姓名。其中,上述预设距离条件可以为“上述第三人脸特征点坐标组与预存人脸特征点坐标组的距离小于预设距离”。上述距离可以为欧氏距离或余弦距离。上述预设距离可以为预先设定的距离。这里,对于预设距离的具体设定,不作限定。上述预存人脸图像集合可以为预先存储的各个用户的人脸图像。上述预存人脸特征点坐标组集可以为对各个预存人脸图像进行人脸特征点提取后得到的各个人脸特征点坐标组。
第二步,响应于确定上述预存人脸特征点坐标组集中存在满足上述预设距离条件的预存人脸特征点坐标组,将满足上述预设距离条件的预存人脸特征点坐标组确定为目标预存人脸特征点坐标组。
第三步,将上述目标预存人脸特征点坐标组对应的用户标识确定为目标用户标识。上述目标预存人脸特征点坐标组对应的用户标识可以为:上述目标预存人脸特征点坐标组对应的预存人脸图像对应的预存用户信息包括的用户标识。
第四步,从预存用户信息集合中选择包括的用户标识与上述目标用户标识相同的预存用户信息作为用户信息。
第五步,根据上述用户信息,生成人脸识别结果。实践中,上述执行主体可以将上述用户信息确定为人脸识别结果。实践中,上述执行主体还可以将表征识别成功的标识和上述用户信息组合为人脸识别结果。作为示例,上述表征识别成功的标识可以为“S”。
可选地,上述执行主体还可以响应于确定上述预存人脸特征点坐标组集中不存在满足上述预设距离条件的预存人脸特征点坐标组,将上述目标人脸跟踪图像作为标记人脸图像添加至标记人脸图像集合。上述标记人脸图像可以为标记异常后的人脸图像。上述标记人脸图像集合可以为在先标记的各个人脸图像。
然后,可以对上述标记人脸图像集合中的各个标记人脸图像进行聚类处理,得到标记人脸图像组集。其中,上述标记人脸图像组集中的每个标记人脸图像组表征一个人脸。实践中,上述执行主体可以采用人脸图像聚类算法对上述各个标记人脸图像进行聚类处理,得到标记人脸图像组集。
之后,响应于确定上述标记人脸图像组集中存在包括的标记人脸图像的数量大于等于预设阈值的标记人脸图像组,执行以下步骤:
第一步,根据上述标记人脸图像组中各个标记人脸图像的图像采集时间,对上述各个标记人脸图像进行排序,得到标记人脸图像序列。实践中,上述执行主体可以根据上述各个标记人脸图像的图像采集时间,对上述各个标记人脸图像进行倒序排序,得到标记人脸图像序列。
第二步,根据上述标记人脸图像序列和上述各个标记人脸图像的图像采集时间,生成访客报警信息。实践中,首先,上述执行主体可以将上述标记人脸图像序列包括的标记人脸图像的数量确定为异常访问次数。然后,可以将上述标记人脸图像序列中的每个标记人脸图像和对应上述标记人脸图像的图像采集时间组合为异常访问详情信息,得到异常访问详情信息序列。最后,可以将上述异常访问次数和上述异常访问详情信息序列组合为访客报警信息。
第三步,将上述访客报警信息发送至相关联的监控终端,使得上述监控终端对上述访客报警信息进行显示。其中,上述监控终端可以为对访客进行监控的终端。例如,监控终端可以为监控室的终端。
上述技术方案作为本公开的实施例的一个发明点,解决了背景技术提及的技术问题二“匹配不到预存的人脸图像时,仅显示表征识别失败的人脸识别结果,不能基于表征识别失败的人脸识别结果进行生客防控预警。”。导致不能基于表征识别失败的人脸识别结果进行生客防控预警的因素往往如下:匹配不到预存的人脸图像时,仅显示表征识别失败的人脸识别结果。如果解决了上述因素,就能达到可以进行生客防控预警的效果。为了达到这一效果,本公开在预存人脸特征点坐标组集中不存在满足预设距离条件的预存人脸特征点坐标组时,将用于进行人脸识别的目标人脸跟踪图像作为标记人脸图像,可以表征将目标人脸跟踪图像标记为异常的人脸图像。之后对上述标记人脸图像集合中的各个标记人脸图像进行聚类处理,使得对应同一人脸的标记人脸图像划分至一组。其次,可以根据每个标记人脸图像组包括的标记人脸图像的数量确认是否需要针对该标记人脸图像组进行报警。由此,实现了生客防控预警。
可选地,上述预存用户信息还可以包括所属楼层。上述所属楼层可以表征用户需行至的楼层。上述红外传感器和上述摄像装置均设置在相关联的电梯设备中。可以理解的是,上述执行主体可以为电梯设备内的终端设备。
可选地,上述执行主体还可以控制相关联的电梯设备执行对应上述所属楼层的运输操作。其中,对应上述所属楼层的运输操作可以为运输至上述所属楼层的操作。实践中,上述电梯设备的控制终端可以响应于在预设时长内未检测到用户的切换楼层操作,执行对应上述所属楼层的运输操作。上述切换楼层操作可以为表征取消行至上述所属楼层,切换至其他楼层的操作。由此,可以自动将用户运输至其所属楼层。
本公开的上述各个实施例具有如下有益效果:通过本公开的一些实施例的人脸识别方法,提高了人脸识别结果的准确性,减少了人脸识别时长,节省了计算资源。具体来说,造成人脸识别结果的准确性较差、耗时较长以及计算资源浪费的原因在于:拍摄的人脸图像模糊时,提取的特征点的准确性较差,导致人脸识别结果的准确性较差,由于直接进行人脸识别需提取和匹配的特征点较多,人脸图像较模糊需再次拍摄以直接进行人脸识别时,在先进行的人脸识别操作导致耗时较长、计算资源浪费。基于此,本公开的一些实施例的人脸识别方法,首先,响应于通过红外传感器检测到人体红外感应信息,通过摄像装置采集人脸图像。由此,可以在有人接近时,采集人脸图像。然后,对上述人脸图像进行特征点检测处理,得到人脸特征点信息集合。其中,上述人脸特征点信息集合中的人脸特征点信息包括人脸特征点坐标和特征点置信度。由此,可以预先从人脸图像中提取部分人脸特征点,且每个人脸特征点对应有特征点置信度。其次,确定上述人脸特征点信息集合包括的各个特征点置信度是否满足预设置信度阈值条件。之后,响应于确定上述人脸特征点信息集合包括的各个特征点置信度满足上述预设置信度阈值条件,根据上述人脸特征点信息集合包括的各个人脸特征点坐标,通过上述摄像装置跟踪采集预设数量的人脸跟踪图像,得到人脸跟踪图像集合。由此,可以在预先提取的人脸特征点的置信度满足置信度相关条件时,通过预先提取的人脸特征点进行人脸跟踪,从而可以采集到多张人脸跟踪图像。然后,根据上述人脸跟踪图像集合,确定目标人脸跟踪图像。由此,可以从多张人脸跟踪图像中选择一张质量较好人脸跟踪图像作为最终进行人脸识别的图像。最后,根据上述目标人脸跟踪图像,进行人脸识别检测,得到人脸识别结果。其中,上述人脸识别结果包括用户信息。由此,可以通过最终选择的目标人脸跟踪图像,进行人脸识别检测。也因为未直接将拍摄得到的一张人脸图像用于人脸识别检测,而是在提取的人脸特征点的置信度满足置信度相关条件后进行人脸跟踪拍摄,从而可以从多张人脸跟踪图像中选择质量较好的人脸跟踪图像用于人脸识别检测,进而提升了人脸识别结果的准确性。又因为预先对人脸特征点的置信度进行了判断,未直接提取所有用于人脸识别检测的人脸特征点,减少了人脸识别时长,节省了计算资源。提高了人脸识别结果的准确性,减少了人脸识别时长,节省了计算资源。
下面参考图2,其示出了适于用来实现本公开的一些实施例的电子设备(例如计算设备)200的结构示意图。本公开的一些实施例中的电子设备可以包括但不限于诸如门禁终端、电梯终端、移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图2示出的电子设备仅仅是一个示例,不应对本公开的实施例的功能和使用范围带来任何限制。
如图2所示,电子设备200可以包括处理装置(例如中央处理器、图形处理器等)201,其可以根据存储在只读存储器(ROM)202中的程序或者从存储装置208加载到随机访问存储器(RAM)203中的程序而执行各种适当的动作和处理。在RAM 203中,还存储有电子设备200操作所需的各种程序和数据。处理装置201、ROM 202以及RAM 203通过总线204彼此相连。输入/输出(I/O)接口205也连接至总线204。
通常,以下装置可以连接至I/O接口205:包括红外传感器、摄像装置和例如触摸屏、触摸板、键盘、鼠标、麦克风、加速度计、陀螺仪等的输入装置206;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置207;包括例如磁带、硬盘等的存储装置208;以及通信装置209。通信装置209可以允许电子设备200与其他设备进行无线或有线通信以交换数据。虽然图2示出了具有各种装置的电子设备200,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图2中示出的每个方框可以代表一个装置,也可以根据需要代表多个装置。
特别地,根据本公开的一些实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的一些实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的一些实施例中,该计算机程序可以通过通信装置209从网络上被下载和安装,或者从存储装置208被安装,或者从ROM 202被安装。在该计算机程序被处理装置201执行时,执行本公开的一些实施例的方法中限定的上述功能。
需要说明的是,本公开的一些实施例中记载的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的一些实施例中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的一些实施例中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
在一些实施方式中,客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol,超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信,并且可以与任意形式或介质的数字数据通信(例如,通信网络)互连。通信网络的示例包括局域网(“LAN”),广域网(“WAN”),网际网(例如,互联网)以及端对端网络(例如,ad hoc端对端网络),以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:响应于通过红外传感器检测到人体红外感应信息,通过摄像装置采集人脸图像;对上述人脸图像进行特征点检测处理,得到人脸特征点信息集合,其中,上述人脸特征点信息集合中的人脸特征点信息包括人脸特征点坐标和特征点置信度;确定上述人脸特征点信息集合包括的各个特征点置信度是否满足预设置信度阈值条件;响应于确定上述人脸特征点信息集合包括的各个特征点置信度满足上述预设置信度阈值条件,根据上述人脸特征点信息集合包括的各个人脸特征点坐标,通过上述摄像装置跟踪采集预设数量的人脸跟踪图像,得到人脸跟踪图像集合;根据上述人脸跟踪图像集合,确定目标人脸跟踪图像;根据上述目标人脸跟踪图像,进行人脸识别检测,得到人脸识别结果,其中,上述人脸识别结果包括用户信息。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的一些实施例的操作的计算机程序代码,上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、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,该模块、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,两个接连地表示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操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。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
本公开的一些实施例还提供一种计算机程序产品,包括计算机程序,计算机程序在被处理器执行时实现上述的任一种人脸识别方法。
以上描述仅为本公开的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开的实施例中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (9)
1.一种人脸识别方法,包括:
响应于通过红外传感器检测到人体红外感应信息,通过摄像装置采集人脸图像;
对所述人脸图像进行特征点检测处理,得到人脸特征点信息集合,其中,所述人脸特征点信息集合中的人脸特征点信息包括人脸特征点坐标和特征点置信度;
确定所述人脸特征点信息集合包括的各个特征点置信度是否满足预设置信度阈值条件;
响应于确定所述人脸特征点信息集合包括的各个特征点置信度满足所述预设置信度阈值条件,根据所述人脸特征点信息集合包括的各个人脸特征点坐标,通过所述摄像装置跟踪采集预设数量的人脸跟踪图像,得到人脸跟踪图像集合;
根据所述人脸跟踪图像集合,确定目标人脸跟踪图像;
根据所述目标人脸跟踪图像,进行人脸识别检测,得到人脸识别结果,其中,所述人脸识别结果包括用户信息。
2.根据权利要求1所述的方法,其中,所述通过摄像装置采集人脸图像,包括:
响应于检测到摄像装置采集到的人脸图像,确定所述人脸图像中是否存在人脸区域;
响应于确定所述人脸图像中不存在人脸区域,通过所述摄像装置采集重拍人脸图像作为人脸图像,以对人脸图像进行更新。
3.根据权利要求1所述的方法,其中,所述方法还包括:
响应于确定所述人脸特征点信息集合包括的各个特征点置信度不满足所述预设置信度阈值条件,通过所述摄像装置采集重拍人脸图像作为人脸图像,以对更新后的人脸图像进行特征点检测处理。
4.根据权利要求1所述的方法,其中,所述对所述人脸图像进行特征点检测处理,得到人脸特征点信息集合,包括:
对所述人脸图像进行第一特征点检测处理,得到第一人脸特征点信息集合,其中,所述第一人脸特征点信息集合中的第一人脸特征点信息包括第一人脸特征点坐标和第一特征点置信度;
确定所述第一人脸特征点信息集合包括的各个第一特征点置信度是否满足第一置信度阈值条件;
响应于确定所述第一人脸特征点信息集合包括的各个第一特征点置信度满足所述第一置信度阈值条件,对所述人脸图像进行第二特征点检测处理,得到第二人脸特征点信息集合,其中,所述第二人脸特征点信息集合中的第二人脸特征点信息包括第二人脸特征点坐标和第二特征点置信度,所述第二人脸特征点信息集合包括的第二人脸特征点信息的数量大于所述第一人脸特征点信息集合包括的第一人脸特征点信息的数量;
将所述第二人脸特征点信息集合确定为人脸特征点信息集合,以将所述第二人脸特征点信息集合中的第二人脸特征点信息包括的第二人脸特征点坐标、第二特征点置信度分别作为人脸特征点坐标、特征点置信度。
5.根据权利要求4所述的方法,其中,所述根据所述人脸跟踪图像集合,确定目标人脸跟踪图像,包括:
对于所述人脸跟踪图像集合中的每个人脸跟踪图像,执行以下步骤:
确定所述人脸跟踪图像的人脸遮挡面积;
确定所述人脸跟踪图像的图像模糊度;
确定所述人脸跟踪图像的图像曝光度;
确定所述人脸跟踪图像的人脸三维方向偏移度;
确定所述人脸跟踪图像的人脸完整度;
确定所述人脸跟踪图像的人脸像素点数量;
分别对所确定的各个人脸遮挡面积、各个人脸三维方向偏移度和各个人脸像素点数量进行归一化处理,得到各个归一化人脸遮挡面积、各个归一化人脸三维方向偏移度和各个归一化人脸像素点数量;
对于所述人脸跟踪图像集合中的每个人脸跟踪图像,根据所述人脸跟踪图像对应的归一化人脸遮挡面积、图像模糊度、图像曝光度、归一化人脸三维方向偏移度、人脸完整度和归一化人脸像素点数量,生成对应所述人脸跟踪图像的人脸图像质量分值;
从所生成的各个人脸图像质量分值中选择满足预设分值条件的人脸图像质量分值作为目标人脸图像质量分值;
将所述人脸跟踪图像集合中对应所述目标人脸图像质量分值的人脸跟踪图像确定为目标人脸跟踪图像。
6.根据权利要求5所述的方法,其中,所述根据所述目标人脸跟踪图像,进行人脸识别检测,得到人脸识别结果,包括:
对所述目标人脸跟踪图像进行第三特征点检测处理,得到第三人脸特征点信息集合,其中,所述第三人脸特征点信息集合中的第三人脸特征点信息包括第三人脸特征点坐标和第三特征点置信度,所述第三人脸特征点信息集合包括的第三人脸特征点信息的数量大于所述第二人脸特征点信息集合包括的第二人脸特征点信息的数量;
确定所述第三人脸特征点信息集合包括的各个第三特征点置信度是否满足第三置信度阈值条件;
响应于确定所述第三人脸特征点信息集合包括的各个第三特征点置信度满足所述第三置信度阈值条件,将所述第三人脸特征点信息集合包括的各个第三人脸特征点坐标确定为第三人脸特征点坐标组;
根据所述第三人脸特征点坐标组,生成人脸识别结果。
7.一种电子设备,包括:
一个或多个处理器;
红外传感器,被配置成检测人体红外感应信息;
摄像装置,被配置成采集人脸图像;
存储装置,其上存储有一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-6中任一所述的方法。
8.一种计算机可读介质,其上存储有计算机程序,其中,所述程序被处理器执行时实现如权利要求1-6中任一所述的方法。
9.一种计算机程序产品,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1-6中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210791463.9A CN114882576B (zh) | 2022-07-07 | 2022-07-07 | 人脸识别方法、电子设备、计算机可读介质和程序产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210791463.9A CN114882576B (zh) | 2022-07-07 | 2022-07-07 | 人脸识别方法、电子设备、计算机可读介质和程序产品 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114882576A true CN114882576A (zh) | 2022-08-09 |
CN114882576B CN114882576B (zh) | 2022-09-20 |
Family
ID=82683120
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210791463.9A Active CN114882576B (zh) | 2022-07-07 | 2022-07-07 | 人脸识别方法、电子设备、计算机可读介质和程序产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114882576B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115131740A (zh) * | 2022-08-30 | 2022-09-30 | 海易科技(北京)有限公司 | 告警信息关联方法、装置、电子设备和计算机可读介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103093199A (zh) * | 2013-01-15 | 2013-05-08 | 中国科学院自动化研究所 | 基于在线识别的特定人脸跟踪方法 |
US20160042223A1 (en) * | 2014-08-08 | 2016-02-11 | Samsung Electronics Co., Ltd. | Method and apparatus for facial recognition |
CN105701486A (zh) * | 2014-11-26 | 2016-06-22 | 上海骏聿数码科技有限公司 | 一种在摄像机内实现人脸信息分析及提取的方法 |
CN109299690A (zh) * | 2018-09-21 | 2019-02-01 | 浙江中正智能科技有限公司 | 一种可提高视频实时人脸识别精度的方法 |
CN113536947A (zh) * | 2021-06-21 | 2021-10-22 | 中山市希道科技有限公司 | 一种人脸属性分析方法及装置 |
CN114155590A (zh) * | 2021-12-02 | 2022-03-08 | 杭州国芯科技股份有限公司 | 一种人脸识别方法 |
-
2022
- 2022-07-07 CN CN202210791463.9A patent/CN114882576B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103093199A (zh) * | 2013-01-15 | 2013-05-08 | 中国科学院自动化研究所 | 基于在线识别的特定人脸跟踪方法 |
US20160042223A1 (en) * | 2014-08-08 | 2016-02-11 | Samsung Electronics Co., Ltd. | Method and apparatus for facial recognition |
CN105701486A (zh) * | 2014-11-26 | 2016-06-22 | 上海骏聿数码科技有限公司 | 一种在摄像机内实现人脸信息分析及提取的方法 |
CN109299690A (zh) * | 2018-09-21 | 2019-02-01 | 浙江中正智能科技有限公司 | 一种可提高视频实时人脸识别精度的方法 |
CN113536947A (zh) * | 2021-06-21 | 2021-10-22 | 中山市希道科技有限公司 | 一种人脸属性分析方法及装置 |
CN114155590A (zh) * | 2021-12-02 | 2022-03-08 | 杭州国芯科技股份有限公司 | 一种人脸识别方法 |
Non-Patent Citations (1)
Title |
---|
KANGGEON KIM等: "Local-Global Landmark Confidences for Face Recognition", 《2017 IEEE 12TH INTERNATIONAL CONFERENCE ON AUTOMATIC FACE & GESTURE RECOGNITION》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115131740A (zh) * | 2022-08-30 | 2022-09-30 | 海易科技(北京)有限公司 | 告警信息关联方法、装置、电子设备和计算机可读介质 |
CN115131740B (zh) * | 2022-08-30 | 2022-12-02 | 海易科技(北京)有限公司 | 告警信息关联方法、装置、电子设备和计算机可读介质 |
Also Published As
Publication number | Publication date |
---|---|
CN114882576B (zh) | 2022-09-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107798669B (zh) | 图像去雾方法、装置及计算机可读存储介质 | |
CN110688951B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
US11321575B2 (en) | Method, apparatus and system for liveness detection, electronic device, and storage medium | |
JP2020522764A (ja) | 生体検知方法および装置、システム、電子機器、記憶媒体 | |
CN111444744A (zh) | 活体检测方法、装置以及存储介质 | |
CN112036331A (zh) | 活体检测模型的训练方法、装置、设备及存储介质 | |
CN106471440A (zh) | 基于高效森林感测的眼睛跟踪 | |
CN108470131B (zh) | 用于生成提示信息的方法和装置 | |
CN114882576B (zh) | 人脸识别方法、电子设备、计算机可读介质和程序产品 | |
CN111783677B (zh) | 人脸识别方法、装置、服务器和计算机可读介质 | |
CN107729886B (zh) | 人脸图像的处理方法及装置 | |
CN113642639A (zh) | 活体检测方法、装置、设备和存储介质 | |
CN111310595B (zh) | 用于生成信息的方法和装置 | |
CN110232417B (zh) | 图像识别方法、装置、计算机设备及计算机可读存储介质 | |
CN115147705B (zh) | 人脸翻拍检测方法、装置、电子设备及存储介质 | |
CN111898529B (zh) | 脸部检测方法、装置、电子设备和计算机可读介质 | |
CN114863124A (zh) | 模型训练方法、息肉检测方法、相应装置、介质及设备 | |
CN112070022A (zh) | 人脸图像识别方法、装置、电子设备和计算机可读介质 | |
CN113362260A (zh) | 图像优化方法及装置、存储介质及电子设备 | |
CN114332993A (zh) | 人脸识别方法、装置、电子设备及计算机可读存储介质 | |
CN113409204A (zh) | 待处理图像的优化方法及装置、存储介质及电子设备 | |
CN114742561A (zh) | 人脸识别方法、装置、设备及存储介质 | |
CN112115740A (zh) | 用于处理图像的方法和装置 | |
CN115083020B (zh) | 信息生成方法、装置、电子设备和计算机可读介质 | |
CN113077396B (zh) | 直线段检测方法及装置、计算机可读介质和电子设备 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |