CN115840834B - 一种人脸数据库快速搜索方法及系统 - Google Patents
一种人脸数据库快速搜索方法及系统 Download PDFInfo
- Publication number
- CN115840834B CN115840834B CN202310137061.1A CN202310137061A CN115840834B CN 115840834 B CN115840834 B CN 115840834B CN 202310137061 A CN202310137061 A CN 202310137061A CN 115840834 B CN115840834 B CN 115840834B
- Authority
- CN
- China
- Prior art keywords
- feature
- feature vector
- data
- face
- verification
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Collating Specific Patterns (AREA)
Abstract
本发明公开了一种人脸数据库快速搜索方法及系统。本发明根据三种不同的用户特征选取方式,从待识别特征向量数据中选取K个特征向量并进行组合得到待识别特征向量组,并从人脸数据库中的每个人脸图像数据中选取出K个特征向量并进行组合得到多个验证特征向量组,通过选取特征向量组进行特征对比,能够大幅提高传统的特征对比效率,从而实现人脸数据库的快速搜索,机型提高人脸识别效率。
Description
技术领域
本发明涉及人脸识别领域,更具体的,涉及一种人脸数据库快速搜索方法及系统。
背景技术
大到智慧城市建设,小到手机端应用登录,人脸识别已经渗透到社会生活的方方面面。人脸识别技术包括人脸特征提取和分类器设计等,是生物特征识别领域中的重点研究项目。人脸识别系统的研究始于20世纪60年代,80年代以后随着计算机技术和光学成像技术的发展得到提高,于90年代后期进入初级应用阶段。与其他身份验证技术相比,人脸识别具有无需用户专门配合、接触等独特优势,使远距离身份验证成为可能。
但在海量的数据面前,人脸识别的发展依然存在一定问题。在进行大数据人脸数据的识别过程中,人脸特征数据的筛选与检索往往需要较高的时间与硬件资源成本,而人脸特征检索的时间消耗、硬件资源消耗决定着识别过程的快慢与人脸识别实现的现实意义,因此,如何能够在海量的人脸数据中进行快速检索仍然是当前的主要难题。
发明内容
为了解决上述至少一个技术问题,本发明提出了一种人脸数据库快速搜索方法及系统。
本发明第一方面提供了一种人脸数据库快速搜索方法,包括:
获取待入库人脸图像数据,根据待入库人脸图像数据导入人脸特征模型进行特征提取,得到特征位置数据与特征向量数据;
将所述特征位置数据与特征向量数据存入人脸数据库;
获取待识别的人脸图像数据,将所述待识别的人脸图像数据导入人脸特征模型进行数据特征提取得到待识别特征向量数据;
根据用户特征选取方式确定特征位置数量K,从待识别特征向量数据中选取K个特征向量并进行组合得到待识别特征向量组,从人脸数据库中的每个人脸图像数据中选取出K个特征向量并进行组合得到多个验证特征向量组;
将待识别特征向量组与每个验证特征向量组进行特征向量相似对比分析,得到多个验证相似度,根据验证相似度大小选取前n个验证特征向量组所对应的人脸ID;
将n个人脸ID所对应的特征向量数据与待识别特征向量数据进行特征向量一一对比,得到相似度最高的第一人脸ID与第一相似度,若第一相似度大于预设阈值,则代表识别成功。
本方案中,所述获取待入库人脸图像数据,根据待入库人脸图像数据导入人脸特征模型进行特征提取,得到特征位置数据与特征向量数据,具体为:
构建人脸数据库;
根据预设位置点,将待入库人脸图像数据导入人脸特征模型进行特征提取,得到特征向量数据;
将预设位置点与特征向量数据进行关联,得到对应的特征位置数据;
将所述特征位置数据与特征向量数据存入人脸数据库。
本方案中,所述根据用户特征选取方式确定特征位置数量K,具体为:
获取用户特征选取方式;
所述用户特征选取方式包括顺序选取、间隔选取、随机选取;
若选取方式为顺序选取,则用户指定K取值;
分析出特征向量数据中区分度最大的连续区域;
在所述连续区域内选取出K个连续的特征向量并进行组合。
本方案中,所述用户特征选取方式,还包括:
若选取方式为间隔选取,则获取用户指定的K值;
根据特征向量数据确定特征向量的总数量值;
根据所述总数量值与K值进行间隔计算,得到间隔量T,同时,T与K的乘积等于所述总数量值;
从特征向量数据的第一个特征向量开始,每隔T个特征位置点选取一个特征向量,并将选取得到的特征向量进行组合。
本方案中,所述用户特征选取方式,还包括:
若选取方式为随机选取,则获取特征向量数据确定特征向量的总数量值;
随机生成一个数K,且K小于总数量值;
根据特征向量数据中特征位置数量随机生成K个特征位置点;
根据所述K个特征位置点获取对应的随机特征向量;
将所述随机特征向量进行组合。
本方案中,所述将待识别特征向量组与每个验证特征向量组进行特征向量相似对比分析,得到多个验证相似度,根据验证相似度大小选取前n个验证特征向量组所对应的人脸ID,具体为:
获取一个验证特征向量组;
根据向量组顺序,将待识别特征向量组与验证特征向量组中的特征向量进行一一比较,并计算出每个特征向量的相似度;
将每个特征向量的相似度进行数据均值计算,得到一个验证特征向量组的验证相似度;
循环计算所有验证特征向量组得到多个验证相似度。
本方案中,所述将n个人脸ID所对应的特征向量数据与待识别特征向量数据进行特征向量一一对比,得到相似度最高的第一人脸ID与第一相似度,若第一相似度大于预设阈值,则代表识别成功,具体为:
根据n个人脸ID获取对应n个特征向量数据;
获取其中一个特征向量数据作为筛选特征向量数据;
将筛选特征向量数据与待识别特征向量数据进行特征向量一一对比并计算得到总体相似度;
循环计算其余特征向量数据并得到n个总体相似度;
筛选出数值最大的总体相似度并标记为第一相似度;
若第一相似度大于预设阈值则将对应的人脸ID作为成功识别结果。
本发明第二方面还提供了一种人脸数据库快速搜索系统,该系统包括:存储器、处理器,所述存储器中包括人脸数据库快速搜索程序,所述人脸数据库快速搜索程序被所述处理器执行时实现如下步骤:
获取待入库人脸图像数据,根据待入库人脸图像数据导入人脸特征模型进行特征提取,得到特征位置数据与特征向量数据;
将所述特征位置数据与特征向量数据存入人脸数据库;
获取待识别的人脸图像数据,将所述待识别的人脸图像数据导入人脸特征模型进行数据特征提取得到待识别特征向量数据;
根据用户特征选取方式确定特征位置数量K,从待识别特征向量数据中选取K个特征向量并进行组合得到待识别特征向量组,从人脸数据库中的每个人脸图像数据中选取出K个特征向量并进行组合得到多个验证特征向量组;
将待识别特征向量组与每个验证特征向量组进行特征向量相似对比分析,得到多个验证相似度,根据验证相似度大小选取前n个验证特征向量组所对应的人脸ID;
将n个人脸ID所对应的特征向量数据与待识别特征向量数据进行特征向量一一对比,得到相似度最高的第一人脸ID与第一相似度,若第一相似度大于预设阈值,则代表识别成功。
本方案中,所述获取待入库人脸图像数据,根据待入库人脸图像数据导入人脸特征模型进行特征提取,得到特征位置数据与特征向量数据,具体为:
构建人脸数据库;
根据预设位置点,将待入库人脸图像数据导入人脸特征模型进行特征提取,得到特征向量数据;
将预设位置点与特征向量数据进行关联,得到对应的特征位置数据;
将所述特征位置数据与特征向量数据存入人脸数据库。
本方案中,所述将待识别特征向量组与每个验证特征向量组进行特征向量相似对比分析,得到多个验证相似度,根据验证相似度大小选取前n个验证特征向量组所对应的人脸ID,具体为:
获取一个验证特征向量组;
根据向量组顺序,将待识别特征向量组与验证特征向量组中的特征向量进行一一比较,并计算出每个特征向量的相似度;
将每个特征向量的相似度进行数据均值计算,得到一个验证特征向量组的验证相似度;
循环计算所有验证特征向量组得到多个验证相似度。
本发明公开了一种人脸数据库快速搜索方法及系统。本发明根据三种不同的用户特征选取方式,从待识别特征向量数据中选取K个特征向量并进行组合得到待识别特征向量组,并从人脸数据库中的每个人脸图像数据中选取出K个特征向量并进行组合得到多个验证特征向量组,通过选取特征向量组进行特征对比,能够大幅提高传统的特征对比效率,从而实现人脸数据库的快速搜索,机型提高人脸识别效率。
附图说明
图1示出了本发明一种人脸数据库快速搜索方法的流程图;
图2示出了本发明人脸数据库构建流程图;
图3示出了本发明获取验证相似度流程图;
图4示出了本发明一种人脸数据库快速搜索系统的框图;
图5示出了本发明人脸识别流程图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用其他不同于在此描述的其他方式来实施,因此,本发明的保护范围并不受下面公开的具体实施例的限制。
图1示出了本发明一种人脸数据库快速搜索方法的流程图。
如图1所示,本发明第一方面提供了一种人脸数据库快速搜索方法,包括:
S102,获取待入库人脸图像数据,根据待入库人脸图像数据导入人脸特征模型进行特征提取,得到特征位置数据与特征向量数据;
S104,将所述特征位置数据与特征向量数据存入人脸数据库;
S106,获取待识别的人脸图像数据,将所述待识别的人脸图像数据导入人脸特征模型进行数据特征提取得到待识别特征向量数据;
S108,根据用户特征选取方式确定特征位置数量K,从待识别特征向量数据中选取K个特征向量并进行组合得到待识别特征向量组,从人脸数据库中的每个人脸图像数据中选取出K个特征向量并进行组合得到多个验证特征向量组;
S110,将待识别特征向量组与每个验证特征向量组进行特征向量相似对比分析,得到多个验证相似度,根据验证相似度大小选取前n个验证特征向量组所对应的人脸ID;
S112,将n个人脸ID所对应的特征向量数据与待识别特征向量数据进行特征向量一一对比,得到相似度最高的第一人脸ID与第一相似度,若第一相似度大于预设阈值,则代表识别成功。
图2示出了本发明人脸数据库构建流程图。
根据本发明实施例,所述获取待入库人脸图像数据,根据待入库人脸图像数据导入人脸特征模型进行特征提取,得到特征位置数据与特征向量数据,具体为:
S202,构建人脸数据库;
S204,根据预设位置点,将待入库人脸图像数据导入人脸特征模型进行特征提取,得到特征向量数据;
S206,将预设位置点与特征向量数据进行关联,得到对应的特征位置数据;
S208,将所述特征位置数据与特征向量数据存入人脸数据库。
需要说明的是,一般在构建人脸数据库前,需要确定图像特征的预设位置点,每一个预设位置点对应一个特征向量,预设位置点为认为设定,位置点越大,需要存储的特征向量数据越大,一般值为300以上。
根据本发明实施例,所述根据用户特征选取方式确定特征位置数量K,具体为:
获取用户特征选取方式;
所述用户特征选取方式包括顺序选取、间隔选取、随机选取;
若选取方式为顺序选取,则用户指定K取值;
分析出特征向量数据中区分度最大的连续区域;
在所述连续区域内选取出K个连续的特征向量并进行组合。
需要说明的是,所述K特征向量数据具体为某一个人脸图像数据中的特征向量数据,特征向量数据包括多个特征向量,在进行特征向量组合时,则根据选取的特征向量按选取顺序进行数据组合。
根据本发明实施例,所述用户特征选取方式,还包括:
若选取方式为间隔选取,则获取用户指定的K值;
根据特征向量数据确定特征向量的总数量值;
根据所述总数量值与K值进行间隔计算,得到间隔量T,同时,T与K的乘积等于所述总数量值;
从特征向量数据的第一个特征向量开始,每隔T个特征位置点选取一个特征向量,并将选取得到的特征向量进行组合。
根据本发明实施例,所述所述用户特征选取方式,还包括:
若选取方式为随机选取,则获取特征向量数据确定特征向量的总数量值;
随机生成一个数K,且K小于总数量值;
根据特征向量数据中特征位置数量随机生成K个特征位置点;
根据所述K个特征位置点获取对应的随机特征向量;
将所述随机特征向量进行组合。
需要说明的是,所述随机生成K个特征位置点中,每个特征位置点均需要符合特征向量数据中的特征位置。
图3示出了本发明获取验证相似度流程图。
根据本发明实施例,所述将待识别特征向量组与每个验证特征向量组进行特征向量相似对比分析,得到多个验证相似度,根据验证相似度大小选取前n个验证特征向量组所对应的人脸ID,具体为:
S302,获取一个验证特征向量组;
S304,根据向量组顺序,将待识别特征向量组与验证特征向量组中的特征向量进行一一比较,并计算出每个特征向量的相似度;
S306,将每个特征向量的相似度进行数据均值计算,得到一个验证特征向量组的验证相似度;
S308,循环计算所有验证特征向量组得到多个验证相似度。
需要说明的是,一个人脸图像数据对应一个验证特征向量组,每个验证特征向量组对应一个验证相似度。根据验证相似度,能够反映特征向量组与待识别人脸图像数据的特征相似程度,从而得到准确的人脸识别结果。所述n为人为设定的值。
根据本发明实施例,所述将n个人脸ID所对应的特征向量数据与待识别特征向量数据进行特征向量一一对比,得到相似度最高的第一人脸ID与第一相似度,若第一相似度大于预设阈值,则代表识别成功,具体为:
根据n个人脸ID获取对应n个特征向量数据;
获取其中一个特征向量数据作为筛选特征向量数据;
将筛选特征向量数据与待识别特征向量数据进行特征向量一一对比并计算得到总体相似度;
循环计算其余特征向量数据并得到n个总体相似度;
筛选出数值最大的总体相似度并标记为第一相似度;
若第一相似度大于预设阈值则将对应的人脸ID作为成功识别结果。
根据本发明实施例,还包括:
获取待识别特征向量数据;
根据待识别特征向量数据获取对应的特征位置数据;
根据所述特征位置数据对每个特征向量进行数据检查,若在一个特征位置中存在对应特征向量丢失或异常情况,则将当前特征位置进行标记,得到异常特征位置信息;
在待识别特征向量数据选取K个特征向量并进行组合的过程中,若选取的特征向量所在位置符合异常特征位置信息,则自动切换下一种用户特征选取方式进行特征向量选取,直至选取出K个特征向量进行组合。
需要说明的是,在获取待识别特征向量数据中,由于硬件因素或系统出现存储错误等原因,特征向量数据有可能会出现数据丢失或异常的情况,此时,若通过一种用户特征选取方式进行特征向量选取,会出现选取到的特征向量为错误数据,因此,本发明通过预先对异常特征向量位置进行存储,在进行特征向量选取时,通过结合三种用户特征选取方式进行循环数据获取,从而避开异常数据,得到数据可靠的特征向量。
在本发明一个较优实施例中,所得到的人脸检索计算量大幅减少,具体实施例如下:
在一个待识别的特征向量数据中有512个特征,人脸数据库中一个验证的特征向量数据个数为10000,选取位置1~64的特征组成新的特征向量组,(K=64),对比选出最相似的100个人脸特征(n=100);
改进前的计算量:512×10000=5120000
改进后的计算量:64×10000+512×100=691200
计算量减少百分比:(5120000-691200)/5120000×100%=86.5%
根据本发明实施例,还包括:
在一次人脸特征验证过程中获取用户特征选取方式与对应的全部验证特征向量组;
将用户特征选取方式与验证特征向量组进行映射关联,得到验证关联表;
将验证关联表存储于xxx数据中;
在进行下一次人脸特征验证中,获取对应用户特征选取方式并标记为当前选取方式,根据用户特征选取方式在验证关联表中进行筛选;
若验证关联表存在与当前选取方式一致的关联记录,则将所述记录导出并得到对应的关联验证特征向量组;
根据所述关联验证特征向量组进行识别验证。
需要说明的是,在本发明中,需要从人脸数据库中的每个人脸图像数据中选取出K个特征向量并进行组合得到多个验证特征向量组,而如果在大量的人脸识别任务中,在每次识别进行验证特征向量组的选取需要消耗大量硬件资源,本发明通过历史选取过的验证特征向量组进行数据关联,关联对应的用户特征选取方式,得到相应的验证关联表,在进行下一次人脸识别时,若在关联表中存在一致的用户特征选取方式,则直接从关联表中进行得到验证特征向量组,从而大幅提高人脸特征对比验证效率,进而提高识别效率。
图4示出了本发明一种人脸数据库快速搜索系统的框图。
本发明第二方面还提供了一种人脸数据库快速搜索系统4,该系统包括:存储器41、处理器42,所述存储器中包括人脸数据库快速搜索程序,所述人脸数据库快速搜索程序被所述处理器执行时实现如下步骤:
获取待入库人脸图像数据,根据待入库人脸图像数据导入人脸特征模型进行特征提取,得到特征位置数据与特征向量数据;
将所述特征位置数据与特征向量数据存入人脸数据库;
获取待识别的人脸图像数据,将所述待识别的人脸图像数据导入人脸特征模型进行数据特征提取得到待识别特征向量数据;
根据用户特征选取方式确定特征位置数量K,从待识别特征向量数据中选取K个特征向量并进行组合得到待识别特征向量组,从人脸数据库中的每个人脸图像数据中选取出K个特征向量并进行组合得到多个验证特征向量组;
将待识别特征向量组与每个验证特征向量组进行特征向量相似对比分析,得到多个验证相似度,根据验证相似度大小选取前n个验证特征向量组所对应的人脸ID;
将n个人脸ID所对应的特征向量数据与待识别特征向量数据进行特征向量一一对比,得到相似度最高的第一人脸ID与第一相似度,若第一相似度大于预设阈值,则代表识别成功。
根据本发明实施例,所述获取待入库人脸图像数据,根据待入库人脸图像数据导入人脸特征模型进行特征提取,得到特征位置数据与特征向量数据,具体为:
构建人脸数据库;
根据预设位置点,将待入库人脸图像数据导入人脸特征模型进行特征提取,得到特征向量数据;
将预设位置点与特征向量数据进行关联,得到对应的特征位置数据;
将所述特征位置数据与特征向量数据存入人脸数据库。
需要说明的是,一般在构建人脸数据库前,需要确定图像特征的预设位置点,每一个预设位置点对应一个特征向量,预设位置点为认为设定,位置点越大,需要存储的特征向量数据越大,一般值为300以上。
根据本发明实施例,所述根据用户特征选取方式确定特征位置数量K,具体为:
获取用户特征选取方式;
所述用户特征选取方式包括顺序选取、间隔选取、随机选取;
若选取方式为顺序选取,则用户指定K取值;
分析出特征向量数据中区分度最大的连续区域;
在所述连续区域内选取出K个连续的特征向量并进行组合。
需要说明的是,所述K特征向量数据具体为某一个人脸图像数据中的特征向量数据,特征向量数据包括多个特征向量,在进行特征向量组合时,则根据选取的特征向量按选取顺序进行数据组合。
根据本发明实施例,所述用户特征选取方式,还包括:
若选取方式为间隔选取,则获取用户指定的K值;
根据特征向量数据确定特征向量的总数量值;
根据所述总数量值与K值进行间隔计算,得到间隔量T,同时,T与K的乘积等于所述总数量值;
从特征向量数据的第一个特征向量开始,每隔T个特征位置点选取一个特征向量,并将选取得到的特征向量进行组合。
根据本发明实施例,所述所述用户特征选取方式,还包括:
若选取方式为随机选取,则获取特征向量数据确定特征向量的总数量值;
随机生成一个数K,且K小于总数量值;
根据特征向量数据中特征位置数量随机生成K个特征位置点;
根据所述K个特征位置点获取对应的随机特征向量;
将所述随机特征向量进行组合。
需要说明的是,所述随机生成K个特征位置点中,每个特征位置点均需要符合特征向量数据中的特征位置。
根据本发明实施例,所述将待识别特征向量组与每个验证特征向量组进行特征向量相似对比分析,得到多个验证相似度,根据验证相似度大小选取前n个验证特征向量组所对应的人脸ID,具体为:
获取一个验证特征向量组;
根据向量组顺序,将待识别特征向量组与验证特征向量组中的特征向量进行一一比较,并计算出每个特征向量的相似度;
将每个特征向量的相似度进行数据均值计算,得到一个验证特征向量组的验证相似度;
循环计算所有验证特征向量组得到多个验证相似度。
需要说明的是,一个人脸图像数据对应一个验证特征向量组,每个验证特征向量组对应一个验证相似度。根据验证相似度,能够反映特征向量组与待识别人脸图像数据的特征相似程度,从而得到准确的人脸识别结果。所述n为人为设定的值。
根据本发明实施例,所述将n个人脸ID所对应的特征向量数据与待识别特征向量数据进行特征向量一一对比,得到相似度最高的第一人脸ID与第一相似度,若第一相似度大于预设阈值,则代表识别成功,具体为:
根据n个人脸ID获取对应n个特征向量数据;
获取其中一个特征向量数据作为筛选特征向量数据;
将筛选特征向量数据与待识别特征向量数据进行特征向量一一对比并计算得到总体相似度;
循环计算其余特征向量数据并得到n个总体相似度;
筛选出数值最大的总体相似度并标记为第一相似度;
若第一相似度大于预设阈值则将对应的人脸ID作为成功识别结果。
根据本发明实施例,还包括:
获取待识别特征向量数据;
根据待识别特征向量数据获取对应的特征位置数据;
根据所述特征位置数据对每个特征向量进行数据检查,若在一个特征位置中存在对应特征向量丢失或异常情况,则将当前特征位置进行标记,得到异常特征位置信息;
在待识别特征向量数据选取K个特征向量并进行组合的过程中,若选取的特征向量所在位置符合异常特征位置信息,则自动切换下一种用户特征选取方式进行特征向量选取,直至选取出K个特征向量进行组合。
需要说明的是,在获取待识别特征向量数据中,由于硬件因素或系统出现存储错误等原因,特征向量数据有可能会出现数据丢失或异常的情况,此时,若通过一种用户特征选取方式进行特征向量选取,会出现选取到的特征向量为错误数据,因此,本发明通过预先对异常特征向量位置进行存储,在进行特征向量选取时,通过结合三种用户特征选取方式进行循环数据获取,从而避开异常数据,得到数据可靠的特征向量。
在本发明一个较优实施例中,所得到的人脸检索计算量大幅减少,具体实施例如下:
在一个待识别的特征向量数据中有512个特征,人脸数据库中一个验证的特征向量数据个数为10000,选取位置1~64的特征组成新的特征向量组,(K=64),对比选出最相似的100个人脸特征(n=100);
改进前的计算量:512×10000=5120000
改进后的计算量:64×10000+512×100=691200
计算量减少百分比:(5120000-691200)/5120000×100%=86.5%
根据本发明实施例,还包括:
在一次人脸特征验证过程中获取用户特征选取方式与对应的全部验证特征向量组;
将用户特征选取方式与验证特征向量组进行映射关联,得到验证关联表;
将验证关联表存储于xxx数据中;
在进行下一次人脸特征验证中,获取对应用户特征选取方式并标记为当前选取方式,根据用户特征选取方式在验证关联表中进行筛选;
若验证关联表存在与当前选取方式一致的关联记录,则将所述记录导出并得到对应的关联验证特征向量组;
根据所述关联验证特征向量组进行识别验证。
需要说明的是,在本发明中,需要从人脸数据库中的每个人脸图像数据中选取出K个特征向量并进行组合得到多个验证特征向量组,而如果在大量的人脸识别任务中,在每次识别进行验证特征向量组的选取需要消耗大量硬件资源,本发明通过历史选取过的验证特征向量组进行数据关联,关联对应的用户特征选取方式,得到相应的验证关联表,在进行下一次人脸识别时,若在关联表中存在一致的用户特征选取方式,则直接从关联表中进行得到验证特征向量组,从而大幅提高人脸特征对比验证效率,进而提高识别效率。
图5示出了本发明人脸识别流程图;
如图5所示,图中人脸特征库即为特征向量组。
本发明公开了一种人脸数据库快速搜索方法及系统。本发明根据三种不同的用户特征选取方式,从待识别特征向量数据中选取K个特征向量并进行组合得到待识别特征向量组,并从人脸数据库中的每个人脸图像数据中选取出K个特征向量并进行组合得到多个验证特征向量组,通过选取特征向量组进行特征对比,能够大幅提高传统的特征对比效率,从而实现人脸数据库的快速搜索,机型提高人脸识别效率。
在本申请所提供的几个实施例中,应该理解到,所揭露的设备和方法,可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,如:多个单元或组件可以结合,或可以集成到另一个系统,或一些特征可以忽略,或不执行。另外,所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口,设备或单元的间接耦合或通信连接,可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的,作为单元显示的部件可以是、或也可以不是物理单元;既可以位于一个地方,也可以分布到多个网络单元上;可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外,在本发明各实施例中的各功能单元可以全部集成在一个处理单元中,也可以是各单元分别单独作为一个单元,也可以两个或两个以上单元集成在一个单元中;上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:移动存储设备、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。
或者,本发明上述集成的单元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,也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,本发明实施例的技术方案本质上或者说对现有技术做出贡献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)执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括:移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
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所述权利要求的保护范围为准。
Claims (7)
1.一种人脸数据库快速搜索方法,其特征在于,包括:
获取待入库人脸图像数据,根据待入库人脸图像数据导入人脸特征模型进行特征提取,得到特征位置数据与特征向量数据;
将所述特征位置数据与特征向量数据存入人脸数据库;
获取待识别的人脸图像数据,将所述待识别的人脸图像数据导入人脸特征模型进行数据特征提取得到待识别特征向量数据;
根据用户特征选取方式确定特征位置数量K,从待识别特征向量数据中选取K个特征向量并进行组合得到待识别特征向量组,从人脸数据库中的每个人脸图像数据中选取出K个特征向量并进行组合得到多个验证特征向量组;
将待识别特征向量组与每个验证特征向量组进行特征向量相似对比分析,得到多个验证相似度,根据验证相似度大小选取前n个验证特征向量组所对应的人脸ID;
将n个人脸ID所对应的特征向量数据与待识别特征向量数据进行特征向量一一对比,得到相似度最高的第一人脸ID与第一相似度,若第一相似度大于预设阈值,则代表识别成功;
其中,所述根据用户特征选取方式确定特征位置数量K,具体为:
获取用户特征选取方式;
所述用户特征选取方式包括顺序选取、间隔选取、随机选取;
若选取方式为顺序选取,则用户指定K取值;
分析出特征向量数据中区分度最大的连续区域;
在所述连续区域内选取出K个连续的特征向量并进行组合;
其中,所述用户特征选取方式,还包括:
若选取方式为间隔选取,则获取用户指定的K值;
根据特征向量数据确定特征向量的总数量值;
根据所述总数量值与K值进行间隔计算,得到间隔量T,同时,T与K的乘积等于所述总数量值;
从特征向量数据的第一个特征向量开始,每隔T个特征位置点选取一个特征向量,并将选取得到的特征向量进行组合;
其中,所述用户特征选取方式,还包括:
若选取方式为随机选取,则获取特征向量数据确定特征向量的总数量值;
随机生成一个数K,且K小于总数量值;
根据特征向量数据中特征位置数量随机生成K个特征位置点;
根据所述K个特征位置点获取对应的随机特征向量;
将所述随机特征向量进行组合。
2.根据权利要求1所述的一种人脸数据库快速搜索方法,其特征在于,所述获取待入库人脸图像数据,根据待入库人脸图像数据导入人脸特征模型进行特征提取,得到特征位置数据与特征向量数据,具体为:
构建人脸数据库;
根据预设位置点,将待入库人脸图像数据导入人脸特征模型进行特征提取,得到特征向量数据;
将预设位置点与特征向量数据进行关联,得到对应的特征位置数据;
将所述特征位置数据与特征向量数据存入人脸数据库。
3.根据权利要求1所述的一种人脸数据库快速搜索方法,其特征在于,所述将待识别特征向量组与每个验证特征向量组进行特征向量相似对比分析,得到多个验证相似度,根据验证相似度大小选取前n个验证特征向量组所对应的人脸ID,具体为:
获取一个验证特征向量组;
根据向量组顺序,将待识别特征向量组与验证特征向量组中的特征向量进行一一比较,并计算出每个特征向量的相似度;
将每个特征向量的相似度进行数据均值计算,得到一个验证特征向量组的验证相似度;
循环计算所有验证特征向量组得到多个验证相似度。
4.根据权利要求1所述的一种人脸数据库快速搜索方法,其特征在于,所述将n个人脸ID所对应的特征向量数据与待识别特征向量数据进行特征向量一一对比,得到相似度最高的第一人脸ID与第一相似度,若第一相似度大于预设阈值,则代表识别成功,具体为:
根据n个人脸ID获取对应n个特征向量数据;
获取其中一个特征向量数据作为筛选特征向量数据;
将筛选特征向量数据与待识别特征向量数据进行特征向量一一对比并计算得到总体相似度;
循环计算其余特征向量数据并得到n个总体相似度;
筛选出数值最大的总体相似度并标记为第一相似度;
若第一相似度大于预设阈值则将对应的人脸ID作为成功识别结果。
5.一种人脸数据库快速搜索系统,其特征在于,该系统包括:存储器、处理器,所述存储器中包括人脸数据库快速搜索程序,所述人脸数据库快速搜索程序被所述处理器执行时实现如下步骤:
获取待入库人脸图像数据,根据待入库人脸图像数据导入人脸特征模型进行特征提取,得到特征位置数据与特征向量数据;
将所述特征位置数据与特征向量数据存入人脸数据库;
获取待识别的人脸图像数据,将所述待识别的人脸图像数据导入人脸特征模型进行数据特征提取得到待识别特征向量数据;
根据用户特征选取方式确定特征位置数量K,从待识别特征向量数据中选取K个特征向量并进行组合得到待识别特征向量组,从人脸数据库中的每个人脸图像数据中选取出K个特征向量并进行组合得到多个验证特征向量组;
将待识别特征向量组与每个验证特征向量组进行特征向量相似对比分析,得到多个验证相似度,根据验证相似度大小选取前n个验证特征向量组所对应的人脸ID;
将n个人脸ID所对应的特征向量数据与待识别特征向量数据进行特征向量一一对比,得到相似度最高的第一人脸ID与第一相似度,若第一相似度大于预设阈值,则代表识别成功;
其中,所述根据用户特征选取方式确定特征位置数量K,具体为:
获取用户特征选取方式;
所述用户特征选取方式包括顺序选取、间隔选取、随机选取;
若选取方式为顺序选取,则用户指定K取值;
分析出特征向量数据中区分度最大的连续区域;
在所述连续区域内选取出K个连续的特征向量并进行组合;
其中,所述用户特征选取方式,还包括:
若选取方式为间隔选取,则获取用户指定的K值;
根据特征向量数据确定特征向量的总数量值;
根据所述总数量值与K值进行间隔计算,得到间隔量T,同时,T与K的乘积等于所述总数量值;
从特征向量数据的第一个特征向量开始,每隔T个特征位置点选取一个特征向量,并将选取得到的特征向量进行组合;
其中,所述用户特征选取方式,还包括:
若选取方式为随机选取,则获取特征向量数据确定特征向量的总数量值;
随机生成一个数K,且K小于总数量值;
根据特征向量数据中特征位置数量随机生成K个特征位置点;
根据所述K个特征位置点获取对应的随机特征向量;
将所述随机特征向量进行组合。
6.根据权利要求5所述的一种人脸数据库快速搜索系统,其特征在于,所述获取待入库人脸图像数据,根据待入库人脸图像数据导入人脸特征模型进行特征提取,得到特征位置数据与特征向量数据,具体为:
构建人脸数据库;
根据预设位置点,将待入库人脸图像数据导入人脸特征模型进行特征提取,得到特征向量数据;
将预设位置点与特征向量数据进行关联,得到对应的特征位置数据;
将所述特征位置数据与特征向量数据存入人脸数据库。
7.根据权利要求5所述的一种人脸数据库快速搜索系统,其特征在于,所述将待识别特征向量组与每个验证特征向量组进行特征向量相似对比分析,得到多个验证相似度,根据验证相似度大小选取前n个验证特征向量组所对应的人脸ID,具体为:
获取一个验证特征向量组;
根据向量组顺序,将待识别特征向量组与验证特征向量组中的特征向量进行一一比较,并计算出每个特征向量的相似度;
将每个特征向量的相似度进行数据均值计算,得到一个验证特征向量组的验证相似度;
循环计算所有验证特征向量组得到多个验证相似度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310137061.1A CN115840834B (zh) | 2023-02-20 | 2023-02-20 | 一种人脸数据库快速搜索方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310137061.1A CN115840834B (zh) | 2023-02-20 | 2023-02-20 | 一种人脸数据库快速搜索方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115840834A CN115840834A (zh) | 2023-03-24 |
CN115840834B true CN115840834B (zh) | 2023-05-23 |
Family
ID=85579883
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310137061.1A Active CN115840834B (zh) | 2023-02-20 | 2023-02-20 | 一种人脸数据库快速搜索方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115840834B (zh) |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101587543B (zh) * | 2009-06-19 | 2012-12-05 | 电子科技大学 | 一种人脸识别方法 |
CN104598872B (zh) * | 2014-12-23 | 2018-07-06 | 深圳市君利信达科技有限公司 | 一种面部比对的方法、设备及一种面部识别的方法、系统 |
CN105825192B (zh) * | 2016-03-24 | 2019-06-25 | 深圳大学 | 一种人脸表情识别方法及系统 |
CN106339680B (zh) * | 2016-08-25 | 2019-07-23 | 北京小米移动软件有限公司 | 人脸关键点定位方法及装置 |
CN108932457B (zh) * | 2017-05-24 | 2021-09-28 | 腾讯科技(深圳)有限公司 | 图像识别方法、装置及设备 |
US20190065833A1 (en) * | 2017-08-30 | 2019-02-28 | Qualcomm Incorporated | Detecting false positives in face recognition |
CN109376596B (zh) * | 2018-09-14 | 2020-11-13 | 广州杰赛科技股份有限公司 | 人脸匹配方法、装置、设备及存储介质 |
CN109858467B (zh) * | 2019-03-01 | 2021-05-07 | 北京视甄智能科技有限公司 | 一种基于关键点区域特征融合的人脸识别方法及装置 |
CN110232369B (zh) * | 2019-06-20 | 2021-10-01 | 深圳数联天下智能科技有限公司 | 一种人脸识别方法和电子设备 |
CN113011277B (zh) * | 2021-02-25 | 2023-11-21 | 日立楼宇技术(广州)有限公司 | 基于人脸识别的数据处理方法、装置、设备及介质 |
-
2023
- 2023-02-20 CN CN202310137061.1A patent/CN115840834B/zh active Active
Non-Patent Citations (1)
Title |
---|
基于级联网络人脸五特征点检测及其应用;郭克友等;计算机仿真;第240-244页 * |
Also Published As
Publication number | Publication date |
---|---|
CN115840834A (zh) | 2023-03-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112199375B (zh) | 跨模态的数据处理方法、装置、存储介质以及电子装置 | |
CN106446816B (zh) | 人脸识别方法及装置 | |
CN110348362B (zh) | 标签生成、视频处理方法、装置、电子设备及存储介质 | |
CN111260220B (zh) | 群控设备识别方法、装置、电子设备和存储介质 | |
CN109002784B (zh) | 街景识别方法和系统 | |
CN112052733A (zh) | 数据库构建方法、人脸识别方法、装置及电子设备 | |
CN115862088A (zh) | 一种身份识别方法及装置 | |
CN111008620A (zh) | 目标用户识别方法、装置及存储介质、电子设备 | |
CN113505272B (zh) | 基于行为习惯的控制方法和装置、电子设备和存储介质 | |
CN112364014A (zh) | 数据查询方法、装置、服务器及存储介质 | |
CN116975010B (zh) | 一种电子材料库共享方法及系统 | |
CN115830649A (zh) | 一种网络资产指纹特征的识别方法、装置及电子设备 | |
CN111625342B (zh) | 一种数据溯源方法、装置及服务器 | |
CN110851675A (zh) | 一种数据提取方法、装置及介质 | |
CN111368867A (zh) | 档案归类方法及系统、计算机可读存储介质 | |
CN110866249A (zh) | 一种动态检测恶意代码的方法、装置及电子设备 | |
CN116702059B (zh) | 一种基于物联网的智能生产车间管理系统 | |
CN110634018A (zh) | 一种流失用户的特征刻画方法、识别方法及相关装置 | |
CN115840834B (zh) | 一种人脸数据库快速搜索方法及系统 | |
CN112069331B (zh) | 一种数据处理、检索方法、装置、设备及存储介质 | |
CN112632508B (zh) | 一种基于云计算的身份识别方法及装置 | |
CN117112846B (zh) | 一种多信息源证照信息管理方法、系统及介质 | |
CN116225338B (zh) | 基于时序信息与存储信息的数据处理方法及装置 | |
CN113626489B (zh) | 传感器数据的搜索方法、系统及计算机介质 | |
CN115118496B (zh) | 身份认证信息的存储方法、装置以及身份认证设备 |
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 |