CN115984948B - 应用于温度感测的人脸识别方法及电子设备 - Google Patents
应用于温度感测的人脸识别方法及电子设备 Download PDFInfo
- Publication number
- CN115984948B CN115984948B CN202310266246.2A CN202310266246A CN115984948B CN 115984948 B CN115984948 B CN 115984948B CN 202310266246 A CN202310266246 A CN 202310266246A CN 115984948 B CN115984948 B CN 115984948B
- Authority
- CN
- China
- Prior art keywords
- face
- face image
- network
- information
- region
- 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
- Image Analysis (AREA)
Abstract
本申请实施例提供的应用于温度感测的人脸识别方法及电子设备,基于多组人脸图像信息组的多维特征的融合表征向量调试调试人脸识别网络,并基于事先调试完成的人脸识别网络处理拟识别人脸图像组的融合表征向量,使得获取拟识别人脸图像组是否匹配的结果更加精确,克服了现有技术中无法精准识别待识别人脸图像信息和已有人脸图像信息组匹配程度,从而导致无法确定待识别人脸图像信息对应的身份信息的技术问题。
Description
技术领域
本申请涉及人脸识别领域,具体而言,涉及一种应用于温度感测的人脸识别方法及电子设备。
背景技术
随着人们对传染性疾病防控地经验累积,公共场所的相应设施也随之完善,为了促进疾病防控和流调的效率、准确性,对公共设施的技术性指标提出了更高的要求。例如,对于测温点的测温设备而言,常规方式中通过扫码确认身份信息,再辅以采集温度信息,上述两者的信息是割裂的,并不能做到有机统一,方便后续的分析工作。因此,可以通过身份识别结合温度采集的方式将二者统一。其中,人脸识别是身份认证的重要环节,通过采集人脸图像进行身份识别,结合温度采集完成大数据集的归集,有利于大数据流调和疾病防控。那么,如何确保人脸识别的高准确性是需要重点关注的技术问题。需要说明,以上内容介绍仅便于帮助理解本申请的技术,并不作为承认其为现有技术的依据。
发明内容
本发明的目的在于提供一种应用于温度感测的人脸识别方法及电子设备。
第一方面,本申请实施例提供一种应用于温度感测的人脸识别方法,应用于电子设备,方法包括:
获取人脸拍摄设备上传的第一人脸图像和温度信息,并从事先部署的人脸图像身份映射库中的多个人脸图像信息中随机选取一个人脸图像信息,得到第二人脸图像,由第一人脸图像和第二人脸图像组成拟识别人脸图像组,其中,人脸图像身份映射库中包括多个人脸图像信息以及与多个人脸图像信息对应的人脸图像身份信息;
获取拟识别人脸图像组的多模态表征向量,其中,多模态表征向量用于从不同的模态描述第一人脸图像和第二人脸图像的图像特征向量;
对拟识别人脸图像组的多模态表征向量进行融合,得到拟识别人脸图像组的融合表征向量;
将拟识别人脸图像组的融合表征向量加载到事先调试完成的人脸识别网络进行处理,得到指示第一人脸图像和第二人脸图像是否匹配的识别信息,其中,事先调试完成的人脸识别网络由多个人脸图像信息示例组的融合表征向量调试获得;
当识别信息指示第一人脸图像和第二人脸图像匹配时,获取第二人脸图像对应的人脸图像身份信息,并将人脸图像身份信息作为第一人脸图像的人脸识别结果;
将人脸识别结果和温度信息对应存储。
作为一种实施方式,对拟识别人脸图像组的多模态表征向量进行融合,得到拟识别人脸图像组的融合表征向量包括:
基于特征交互网络对拟识别人脸图像组的多模态表征向量进行交互整理,得到多个交互整理的结果;
基于多层感知机对拟识别人脸图像组的多模态表征向量进行处理,获得多个深度操作后的操作结果;
对多个交互整理的结果和多个深度操作后的操作结果进行融合,得到拟识别人脸图像组的融合表征向量。
作为一种实施方式,在将拟识别人脸图像组的融合表征向量加载到事先调试完成的人脸识别网络进行处理,得到指示第一人脸图像和第二人脸图像是否匹配的识别信息之前,方法还包括:
获取多个人脸图像信息组和用以描述每个人脸图像信息组中的两个人脸图像信息是否匹配的匹配情况注释信息,得到多个人脸图像示例样本,并通过多个人脸图像示例样本组建人脸图像示例样本集;
获取人脸图像示例样本集中的各个人脸图像示例样本包含的人脸图像信息组的多模态表征向量,得到多组多模态表征向量,以及分别对各组多模态表征向量进行融合,得到多组融合表征向量;
基于多组融合表征向量调试人脸识别网络的网络参数,获得事先调试完成的人脸识别网络。
作为一种实施方式,在基于多组融合表征向量调试人脸识别网络的网络参数,获得事先调试完成的人脸识别网络之前,方法还包括:
调取嵌入映射网络对人脸图像示例样本集中的各个人脸图像示例样本包含的人脸图像信息组进行嵌入映射,得到多组自嵌入表征向量,其中,嵌入映射网络由与人脸图像示例样本集中的人脸图像获取途径不同的人脸图像调试获得的,每组自嵌入表征向量中包含人脸图像信息组中的两个人脸图像信息对应的自嵌入表征向量;
基于多组融合表征向量调试人脸识别网络的网络参数,获得事先调试完成的人脸识别网络包括:
基于多组融合表征向量以及多组自嵌入表征向量调试人脸识别网络,得到事先调试完成的人脸识别网络;
在将拟识别人脸图像组的融合表征向量加载到事先调试完成的人脸识别网络进行处理,得到指示第一人脸图像和第二人脸图像是否匹配的识别信息之前,方法还包括:
调取嵌入映射网络对拟识别人脸图像组进行嵌入映射,得到第一自嵌入表征向量和第二自嵌入表征向量,其中,第一自嵌入表征向量为第一人脸图像的自嵌入表征向量,第二自嵌入表征向量为第二人脸图像的自嵌入表征向量;
将拟识别人脸图像组的融合表征向量加载到事先调试完成的人脸识别网络进行处理,得到指示第一人脸图像和第二人脸图像是否匹配的识别信息包括:将拟识别人脸图像组的融合表征向量、第一自嵌入表征向量和第二自嵌入表征向量加载到人脸识别网络,处理得到第一人脸图像和第二人脸图像是否匹配的识别信息;
方法还包括:
获取与人脸图像示例样本集中的人脸图像获取途径不同的人脸图像,得到人脸图像示例样本集的差异人脸图像;
通过自动编码神经网络对差异人脸图像进行调试,得到嵌入映射网络,其中,嵌入映射网络包括嵌入映射模块和特征解析模块,在调试的过程中基于得到的嵌入映射模块对目标差异人脸图像进行嵌入映射,得到目标自嵌入表征向量,并基于得到的特征解析模块对目标自嵌入表征向量进行解析,在解析得到的信息与目标差异人脸图像一致时,停止调试。
作为一种实施方式,拟识别人脸图像组的多模态表征向量包括关联表征向量,获取拟识别人脸图像组的关联表征向量包括:
获取人脸图像示例样本集中包含的多个人脸图像信息,以及多个人脸图像信息之间的共性度量结果,其中,人脸图像示例样本集中包含多个人脸图像信息组以及每个人脸图像信息组中的两个人脸图像信息是否匹配的识别信息;
将多个人脸图像信息中的每个人脸图像信息确定为网结,得到多个网结,基于多个人脸图像信息之间的共性度量结果确定多个网结之间的连接线,并通过多个网结和多个网结之间的连接线编织得到人脸图像关系网;
基于人脸图像关系网确定拟识别人脸图像组的关联表征向量。
作为一种实施方式,当识别信息指示第一人脸图像和第二人脸图像匹配模糊时,确定第一人脸图像和第二人脸图像之间的一个及以上的差异区域,对于每一差异区域,将差异区域加载至人脸识别网络的差异评估网络;
通过差异评估网络判断差异区域对应于第一人脸图像的第一图像区域与差异区域对应于第二人脸图像的第二图像区域是否包含于相同目标对象,得到分析结果;
通过每一差异区域对应的影响权重,结合分析结果,得到第一人脸图像和第二人脸图像的匹配情况;
其中,差异评估网络通过如下步骤调试得到:
确定人脸图像样本中的第一人脸区域和第一人脸区域的实际归属信息,第一人脸区域的实际归属信息表示第一人脸区域包含于人脸图像样本;
确定一个及以上的第二人脸区域和一个及以上的第二人脸区域各自的实际归属信息,其中,一个及以上的第二人脸区域中的每一第二人脸区域的目标对象人脸都和第一人脸区域的目标对象人脸不同,并且一个及以上的第二人脸区域各自的实际归属信息表示对应的第二人脸区域不包含于人脸图像样本;
调取差异评估网络通过第一人脸区域和人脸图像样本,确定与第一人脸区域对应的整合图像特征;
对于一个及以上的第二人脸区域中的每一第二人脸区域,调取差异评估网络通过第二人脸区域和人脸图像样本,确定与第二人脸区域对应的整合图像特征;
通过与第一人脸区域对应的整合图像特征和一个及以上的第二人脸区域各自对应的整合图像特征,得到第一人脸区域的推理归属信息和一个及以上的第二人脸区域各自的推理归属信息,推理归属信息表示对应的人脸区域是否包含于人脸图像样本的预估推理结果;
以及通过第一人脸区域的推理归属信息和实际归属信息、一个及以上的第二人脸区域各自的推理归属信息和实际归属信息优化差异评估网络的网络参变量,获得调试好的差异评估网络。
作为一种实施方式,其中,调取差异评估网络通过第一人脸区域和人脸图像样本,确定与第一人脸区域对应的整合图像特征包括:
通过第一人脸区域的人脸区域特征和人脸图像样本的人脸图像特征,确定与第一人脸区域对应的整合图像特征,对于一个及以上的第二人脸区域中的每一第二人脸区域,调取差异评估网络通过第二人脸区域和人脸图像样本,确定与第二人脸区域对应的整合图像特征包括:
对于一个及以上的第二人脸区域中的每一第二人脸区域,通过该第二人脸区域的人脸区域特征和人脸图像样本的人脸图像特征,确定与第二人脸区域对应的整合图像特征;
其中,差异评估网络包括人脸图像特征挖掘模块,方法还包括:
将人脸图像样本加载到人脸图像特征挖掘模块,获得人脸图像样本的人脸图像特征,其中,人脸图像特征挖掘模块用于通过人脸图像样本,输出人脸图像样本的人脸图像特征;
将第一人脸区域进行编码,获得第一人脸区域的人脸区域特征;
并将一个及以上的第二人脸区域中的每一第二人脸区域进行编码,获得一个及以上的第二人脸区域各自的人脸区域特征;
其中,通过第一人脸区域的人脸区域特征和人脸图像样本的人脸图像特征,确定与第一人脸区域对应的整合图像特征包括:
将第一人脸区域的人脸区域特征和人脸图像样本的人脸图像特征进行融合,获得与第一人脸区域对应的整合图像特征,其中,对于一个及以上的第二人脸区域中的每一第二人脸区域,通过第二人脸区域的人脸区域特征和人脸图像样本的人脸图像特征,确定与第二人脸区域对应的整合图像特征包括:
对于一个及以上的第二人脸区域中的每一第二人脸区域,将第二人脸区域的人脸区域特征和人脸图像样本的人脸图像特征进行融合,获得与第二人脸区域对应的整合图像特征;
通过第一人脸区域的推理归属信息和实际归属信息、一个及以上的第二人脸区域各自的推理归属信息和实际归属信息,得到调试好的差异评估网络包括:通过第一人脸区域的推理归属信息和实际归属信息、一个及以上的第二人脸区域各自的推理归属信息和实际归属信息,确定第一误差结果;以及通过第一误差结果,优化差异评估网络的网络参变量,获得调试好的差异评估网络。
作为一种实施方式,方法还包括:
确定人脸图像样本的正确目标对象人脸;
以及通过人脸图像样本的人脸图像样本表征向量,确定人脸图像样本的第一推理目标对象人脸,其中,通过第一人脸区域的推理归属信息和实际归属信息、一个及以上的第二人脸区域各自的推理归属信息和实际归属信息优化差异评估网络的网络参变量,获得调试好的差异评估网络包括:
通过第一人脸区域的推理归属信息和实际归属信息、一个及以上的第二人脸区域各自的推理归属信息和实际归属信息、以及人脸图像样本的第一推理目标对象人脸和正确目标对象人脸,优化差异评估网络的网络参变量,获得调试好的差异评估网络;
其中,正确目标对象人脸为第一人脸区域的目标对象人脸;
其中,通过第一人脸区域的推理归属信息和实际归属信息、一个及以上的第二人脸区域各自的推理归属信息和实际归属信息、以及人脸图像样本的第一推理目标对象人脸和正确目标对象人脸,优化差异评估网络的网络参变量,获得调试好的差异评估网络包括:
通过第一人脸区域的推理归属信息和实际归属信息、一个及以上的第二人脸区域各自的推理归属信息和实际归属信息,确定第一误差结果;
通过人脸图像样本的第一推理目标对象人脸和正确目标对象人脸优化差异评估网络的网络参变量,确定第二误差结果;
通过第一误差结果和第二误差结果,确定融合误差结果;
以及通过融合误差结果,优化差异评估网络的网络参变量,获得调试好的差异评估网络;
方法还包括:
确定人脸图像样本的正确目标对象人脸;
以及通过与第一人脸区域对应的整合图像特征,确定人脸图像样本的第二推理目标对象人脸,其中,通过第一人脸区域的推理归属信息和实际归属信息、一个及以上的第二人脸区域各自的推理归属信息和实际归属信息优化差异评估网络的网络参变量,获得调试好的差异评估网络包括:
通过第一人脸区域的推理归属信息和实际归属信息、一个及以上的第二人脸区域各自的推理归属信息和实际归属信息、以及人脸图像样本的第二推理目标对象人脸和正确目标对象人脸优化差异评估网络的网络参变量,获得调试好的差异评估网络。
作为一种实施方式,当差异区域对应于第一人脸图像的第一图像区域与差异区域对应于第二人脸图像的第二图像区域属于相同目标对象时,分析结果为1,当差异区域对应于第一人脸图像的第一图像区域与差异区域对应于第二人脸图像的第二图像区域不属于相同目标对象时,分析结果为0;通过每一差异区域对应的影响权重,结合分析结果,得到第一人脸图像和第二人脸图像的匹配情况,包括:
依据每一差异区域对应的影响权重对对应的各个分析结果进行加权求和,得到融合结果;
当融合结果大于匹配阈值时,确定第一人脸图像和第二人脸图像匹配。
另一方面,本申请还提供一种电子设备,包括存储器和处理器,存储器存储有计算机程序,当处理器运行计算机程序时,实现以上的方法。
本申请至少包含如下有益效果:
本申请实施例提供的应用于温度感测的人脸识别方法及电子设备,基于获取人脸拍摄设备上传的第一人脸图像,并从人脸图像身份映射库中的多个人脸图像信息中随机选取一个人脸图像信息,得到第二人脸图像,由第一人脸图像和第二人脸图像组成拟识别人脸图像组,其中,人脸图像身份映射库中包括多个人脸图像信息以及与多个人脸图像信息对应的人脸图像身份信息;获取拟识别人脸图像组的多模态表征向量,其中,多模态表征向量用于在不同的模态描述第一人脸图像和第二人脸图像的图像特征向量;对拟识别人脸图像组的多模态表征向量进行融合,得到拟识别人脸图像组的融合表征向量;将拟识别人脸图像组的融合表征向量加载到事先调试完成的人脸识别网络进行处理,得到指示第一人脸图像和第二人脸图像是否匹配的识别信息,其中,事先调试完成的人脸识别网络由多个人脸图像信息示例组的融合表征向量调试获得,当识别信息指示第一人脸图像和第二人脸图像匹配时,获取第二人脸图像对应的人脸图像身份信息,并将人脸图像身份信息作为第一人脸图像的人脸识别结果。本申请基于多组人脸图像信息组的多维特征的融合表征向量调试人脸识别网络,并基于事先调试完成的人脸识别网络处理拟识别人脸图像组的融合表征向量,基于此,使得获取拟识别人脸图像组是否匹配的结果更加精确,克服了现有技术中无法精准识别拟识别人脸图像信息和已有人脸图像信息组匹配程度,从而导致无法确定拟识别人脸图像信息对应的身份信息的技术问题。
进一步地,在匹配过程中出现不确定情况(即模糊匹配)时,基于差异评估网络对差异区域进行再次确认,使得人脸识别的结果更加准确。其中,差异评估网络在调试过程中,通过确定人脸图像样本中的第一人脸区域和人脸图像样本之外的和第一人脸区域的目标对象人脸不同的一个及以上的第二人脸区域,同时预估人脸区域的哪一人脸区域为人脸图像样本的人脸区域,如此,便于可以基于和第一人脸区域的目标对象人脸不同的一个及以上的第二人脸区域协助网络识别不同的目标对象人脸,基于此使得调试完成的差异评估网络在进行差异分析时的结果更加精确。进一步而言,在调试时,只在第一人脸区域和多个第二人脸区域中进行区域的选取,可以大大缓解计算消耗,提升网络的调试效率。
在后面的描述中,将部分地陈述其他的特征。在检查后面内容和附图时,本领域的技术人员将部分地发现这些特征,或者可以通过生产或运用了解到这些特征。通过实践或使用后面所述详细示例中列出的方法、工具和组合的各个方面,当前申请中的特征可以被实现和获得。
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相关的附图。
附图中的方法、系统和/或程序将根据示例性实施例进一步描述。这些示例性实施例将参照图纸进行详细描述。这些示例性实施例是非限制的示例性实施例,其中参考数字在附图的各个视图中代表相似的机构。
图1是根据本申请的一些实施例所示的应用于温度感测的人脸识别系统400组成示意图。
图2是根据本申请的一些实施例所示的一种电子设备中硬件和软件组成的示意图。
图3是根据本申请的一些实施例所示的一种应用于温度感测的人脸识别方法的流程图。
图4是本申请实施例提供的人脸识别装置的架构示意图。
实施方式
为了更好的理解上述技术方案,下面通过附图以及具体实施例对本申请技术方案做详细的说明,应当理解本申请实施例以及实施例中的具体特征是对本申请技术方案的详细的说明,而不是对本申请技术方案的限定,在不冲突的情况下,本申请实施例以及实施例中的技术特征可以相互组合。
在下面的详细描述中,通过实例阐述了许多具体细节,以便提供对相关指导的全面了解。然而,对于本领域的技术人员来说,显然可以在没有这些细节的情况下实施本申请。在其他情况下,公知的方法、程序、系统、组成和/或电路已经在一个相对较高水平上被描述,没有细节,以避免不必要的模糊本申请的方面。
这些和其他特性、当前申请披露的功能、执行的方法、结构中相关元素的功能和部件的组合和生产经济性,在参照附图进行以下描述的考虑中可能会变得更加明显,所有这些形成本申请的一部分。然而,需要理解清楚的是,附图仅仅是为了说明和描述的目的,并不旨在限制本申请的范围。应当了解的是,这些图纸不是按比例绘制的。然而,应当明确理解的是,附图仅用于说明和描述的目的,并不意图限制本申请的范围。应当知晓的是,这些附图并不依照比例。
本申请中使用流程图说明根据本申请的实施例的系统所执行的执行过程。应当明确理解的是,流程图的执行过程可以不按顺序执行。相反,这些执行过程可以以相反的顺序或同时执行。另外,可以将至少一个其他执行过程添加到流程图。一个或多个执行过程可以从流程图中删除。
图1是根据本申请的一些实施例所示的应用于温度感测的人脸识别系统400的组成示意图,该应用于温度感测的人脸识别系统400包括相互之间通过网络200通信连接的电子设备100和人脸拍摄设备300。
在一些实施例中,请参照图2,是电子设备100的架构示意图,该电子设备100包括人脸识别装置110、存储器120、处理器130和通信单元140。存储器120、处理器130以及通信单元140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。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100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。其中,电子设备100可以为服务器。
其中,所述存储器120可以是,但不限于,随机存取存储器(Random AccessMemory,RAM),只读存储器(Read Only Memory,ROM),可编程只读存储器(ProgrammableRead-Only Memory,PROM),可擦除只读存储器(Erasable Programmable Read-OnlyMemory,EPROM),电可擦除只读存储器(Electric Erasable Programmable Read-OnlyMemory,EEPROM)等。其中,存储器120用于存储程序,处理器130在接收到执行指令后,执行所述程序。通信单元140用于通过网络建立电子设备100与人脸拍摄设备300之间的通信连接,并用于通过网络收发数据。
处理器可能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,CPU)、网络处理器(NetworkProcessor,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发明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。
可以理解,图2所示的结构仅为示意,电子设备100还可包括比图2中所示更多或者更少的组件,或者具有与图2所示不同的配置。图2中所示的各组件可以采用硬件、软件或其组合实现。
图3是根据本申请的一些实施例所示的一种应用于温度感测的人脸识别方法的流程图,该方法应用于图1中的电子设备100,具体可以包括以下步骤100~600。在以下步骤的基础上,将对一些可选实施例进行说明,这些实施例应当理解为示例,不应理解为实现本方案所必不可少的技术特征。
100:获取人脸拍摄设备上传的第一人脸图像和温度信息,并从事先部署的人脸图像身份映射库中的多个人脸图像信息中随机选取一个人脸图像信息,得到第二人脸图像,由第一人脸图像和第二人脸图像组成拟识别人脸图像组。
其中,人脸图像身份映射库中包括多个人脸图像信息以及与多个人脸图像信息对应的人脸图像身份信息。可以理解,人脸拍摄设备可以设置温度传感器、红外辐射传感器等可以感测温度的装置,以进行对目标对象进行温度感测。在具体实施过程中,人脸拍摄设备先获取目标对象的整体图像和温度信息,建立匹配关系,再基于人脸检测算法(如mean-shift、Adaboost、EOM)检测目标对象的整体图像中的人脸图像,作为第一人脸图像,和对应的温度信息一起发送至电子设备。人脸图像身份映射库中的多个人脸图像信息是已知的目标对象的人脸图像信息。
200:获取拟识别人脸图像组的多模态表征向量,其中,多模态表征向量用于从不同的模态描述第一人脸图像和第二人脸图像的图像特征向量。
本申请实施例中,多模态表征向量中涉及的模态信息例如可以包括关联表征向量(如图结构特征向量)、语义表征信息、退化信息(例如人脸信息丢失的信息,如噪声、缺失)等中的全部或任意两个。如此将人脸图像信息组自身的特征信息纳入考量,不再针对单特征进行语义分析,如此挖掘到的图像特征向量可以体现图像的顶层语义,基于此,本申请实施例获取拟识别人脸图像组的多模态表征向量,从不同的模态描述第一人脸图像和第二人脸图像的图像特征向量,然后提取多模态表征向量的融合表征向量。关联表征向量可以通过人脸图像示例样本集中的人脸图像信息和人脸图像信息之间的关系建立,作为一种实施方式,拟识别人脸图像组的多模态表征向量包括关联表征向量,获取拟识别人脸图像组的关联表征向量包括:获取人脸图像示例样本集中包含的多个人脸图像信息和多个人脸图像信息之间的共性度量结果,其中,人脸图像示例样本集中包含多个人脸图像信息组以及每个人脸图像信息组中的两个人脸图像信息是否匹配的识别信息;将多个人脸图像信息中的每个人脸图像信息确定为网结,得到多个网结,基于多个人脸图像信息之间的共性度量结果(即相似性度量结果)确定多个网结之间的连接线,并通过多个网结和多个网结之间的连接线编织得到人脸图像关系网,基于人脸图像关系网确定拟识别人脸图像组的关联表征向量。
例如,将人脸图像示例样本集中的多个人脸图像信息确定为点,将人脸图像信息组间的关系作为连接线,得到人脸图像关系网后,提取出的关联表征向量例如包括连接线的数量、图像块所在区域的块数量、网结间最短线数量、网结之间的关联系数等。本申请实施例,将人脸图像示例样本集中的多个人脸图像信息作为网结,人脸图像信息组的关系确定为连接线,编织得到人脸图像关系网,如此将人脸图像示例样本集变换成图数据,通过人脸图像关系网确定拟识别人脸图像组的关联表征向量,完成拟识别人脸图像组的关联表征向量的提取。语义表征信息可以基于卷积神经网络进行特征提取得到,退化信息可以基于对其中的退化特征进行识别得到。
300:对拟识别人脸图像组的多模态表征向量进行融合,得到拟识别人脸图像组的融合表征向量。
将多个模态对应的特征信息进行交互整理,得到表征多模态表征向量非线性关联的融合表征向量,以体现拟识别人脸图像组的深度语义。具体而言,对拟识别人脸图像组的多模态表征向量进行融合,得到拟识别人脸图像组的融合表征向量包括:基于特征交互网络(如深度交叉网络,DCN)对拟识别人脸图像组的多模态表征向量进行交互整理(如交叉合并),获得多个交互整理的结果,基于多层感知机对拟识别人脸图像组的多模态表征向量进行处理,获得多个深度操作后的操作结果,对多个交互整理的结果和多个深度操作后的操作结果进行融合,得到拟识别人脸图像组的融合表征向量。本申请实施例,在基于深度特征交互网络进行复杂表征向量交互整理的同时,提升了多模态表征向量的整合速度,且基于多层感知机对拟识别人脸图像组的多模态表征向量进行处理,对多个深度操作后的操作结果和多个交互整理的结果进行融合得到融合表征向量,融合表征向量从多个模态表征拟识别人脸图像组的语义,如此,帮助在确定拟识别人脸图像组中的人脸图像信息之间的共性度量结果时,提供数据依据。
400:将拟识别人脸图像组的融合表征向量加载到事先调试完成的人脸识别网络进行处理,得到指示第一人脸图像和第二人脸图像是否匹配的识别信息。
其中,事先调试完成的人脸识别网络由多个人脸图像信息示例组的融合表征向量调试获得。例如,多个人脸图像信息示例组中的每个人脸图像信息示例组包括一个人脸图像信息组以及表征人脸图像信息组中的两个人脸图像信息是否匹配的匹配情况注释信息(可以通过标签进行标注),人脸图像信息示例组的融合表征向量为人脸图像信息示例组的多模态表征向量的融合表征向量,基于和拟识别人脸图像组同源的多个人脸图像信息示例组的融合表征向量调试人脸识别网络的网络参数,获得的网络用于预估拟识别人脸图像组中的人脸图像信息的共性系数。作为一种实施方式,在将拟识别人脸图像组的融合表征向量加载到事先调试完成的人脸识别网络进行处理,得到指示第一人脸图像和第二人脸图像是否匹配的识别信息之前,本申请实施例提供的方法还可以包括:获取多个人脸图像信息组和用以描述每个人脸图像信息组中的两个人脸图像信息是否匹配的匹配情况注释信息,得到多个人脸图像示例样本,并通过多个人脸图像示例样本组建人脸图像示例样本集;获取人脸图像示例样本集中的各个人脸图像示例样本包含的人脸图像信息组的多模态表征向量,得到多组多模态表征向量,以及分别对各组多模态表征向量进行融合,得到多组融合表征向量;基于多组融合表征向量调试人脸识别网络的网络参数,获得事先调试完成的人脸识别网络。
例如,设置多个人脸图像示例样本组成的人脸图像示例样本集A1、A2、...、Ap,每个人脸图像示例样本包含一个人脸图像信息组和表示人脸图像信息组中的两个人脸图像信息是否匹配的匹配情况注释信息,例如,匹配情况注释信息“Y”表示人脸图像信息组中的两个人脸图像信息匹配,匹配情况注释信息“N”表示人脸图像信息组中的两个人脸图像信息不匹配。获得人脸图像示例样本集后,通过和确定拟识别人脸图像组的融合表征向量相同的过程来确定每个人脸图像示例样本中的人脸图像信息组的融合表征向量,例如分别获取每个人脸图像信息组的多模态表征向量,然后基于深度特征交互网络对每个人脸图像信息组的多模态表征向量进行融合,得到人脸图像信息组的融合表征向量,接着基于多个人脸图像信息组的融合表征向量调试人脸识别网络。融合表征向量可以表征特征信息的非线性关系,基于此,调试获得的人脸识别网络的普适性强,可以提高网络的识别性能。
500:当识别信息指示第一人脸图像和第二人脸图像匹配时,获取第二人脸图像对应的人脸图像身份信息,并将人脸图像身份信息作为第一人脸图像的人脸识别结果。
本申请实施例中,网络产出的结果为拟识别人脸图像组之间的匹配情况注释信息,当匹配情况注释信息为N时,代表第一人脸图像与第二人脸图像不是同一人脸图像信息,当匹配情况注释信息为Y时,代表第一人脸图像与第二人脸图像是同一人脸图像信息,第二人脸图像对应的人脸图像身份信息为第一人脸图像的人脸图像身份信息。
上述步骤100~500,基于获取人脸拍摄设备上传的第一人脸图像,并从人脸图像身份映射库中的多个人脸图像信息中随机选取一个人脸图像信息,得到第二人脸图像,由第一人脸图像和第二人脸图像组成拟识别人脸图像组,其中,人脸图像身份映射库中包括多个人脸图像信息以及与多个人脸图像信息对应的人脸图像身份信息;获取拟识别人脸图像组的多模态表征向量,其中,多模态表征向量用于在不同的模态描述第一人脸图像和第二人脸图像的图像特征向量;对拟识别人脸图像组的多模态表征向量进行融合,得到拟识别人脸图像组的融合表征向量;将拟识别人脸图像组的融合表征向量加载到事先调试完成的人脸识别网络进行处理,得到指示第一人脸图像和第二人脸图像是否匹配的识别信息,其中,事先调试完成的人脸识别网络由多个人脸图像信息示例组的融合表征向量调试获得,当识别信息指示第一人脸图像和第二人脸图像匹配时,获取第二人脸图像对应的人脸图像身份信息,并将人脸图像身份信息作为第一人脸图像的人脸识别结果。本申请基于多组人脸图像信息组的多维特征的融合表征向量调试人脸识别网络,并基于事先调试完成的人脸识别网络处理拟识别人脸图像组的融合表征向量,基于此,使得获取拟识别人脸图像组是否匹配的结果更加精确,克服了现有技术中无法精准识别拟识别人脸图像信息和已有人脸图像信息组匹配程度,从而导致无法确定拟识别人脸图像信息对应的身份信息的技术问题。
为了加强网络的性能,作为一种实施方式,在基于多组融合表征向量调试人脸识别网络的网络参数,获得事先调试完成的人脸识别网络之前,本申请实施例提供的方法还可以包括:调取嵌入映射网络对人脸图像示例样本集中的各个人脸图像示例样本包含的人脸图像信息组进行嵌入映射,得到多组自嵌入表征向量,如此完成人脸图像信息组的编码。其中,嵌入映射网络由与人脸图像示例样本集中的人脸图像获取途径不同的人脸图像调试获得,每组自嵌入表征向量中包含人脸图像信息组中的两个人脸图像信息对应的自嵌入表征向量。基于多组融合表征向量调试人脸识别网络的网络参数,获得事先调试完成的人脸识别网络包括:基于多组融合表征向量以及多组自嵌入表征向量调试人脸识别网络的网络参数,获得事先调试完成的人脸识别网络。
由于推理人脸图像信息组的匹配情况为二分类,为了增加区分能力,本申请实施例基于与拟识别人脸图像组所包含的人脸图像不同条件(即获取途径)的差异人脸图像对网络进行调试。其中,差异人脸图像可以为与拟识别人脸图像组拍摄条件、表情等不同的人脸图像。不同拍摄条件,例如人脸面部变化(遮挡物)、或者表情变化大的人脸图像的特征信息具有较大区别,可以对差异人脸图像进行调试获得嵌入映射网络,并基于嵌入映射网络对多个人脸图像示例样本中的人脸图像信息组进行嵌入映射,以减少不同条件下人脸图像间的差别。作为一种实施方式,在本申请实施例中,在将拟识别人脸图像组的融合表征向量加载到事先调试完成的人脸识别网络进行处理,得到指示第一人脸图像和第二人脸图像是否匹配的识别信息之前,还可以包括:调取嵌入映射网络对拟识别人脸图像组进行嵌入映射完成编码,得到第一自嵌入表征向量和第二自嵌入表征向量。其中,第一自嵌入表征向量为第一人脸图像的自嵌入表征向量,第二自嵌入表征向量为第二人脸图像的自嵌入表征向量,第一自嵌入表征向量和第二自嵌入表征向量都为编码向量。将拟识别人脸图像组的融合表征向量加载到事先调试完成的人脸识别网络进行处理,得到指示第一人脸图像和第二人脸图像是否匹配的识别信息包括:将拟识别人脸图像组的融合表征向量、第一自嵌入表征向量和第二自嵌入表征向量加载到人脸识别网络,处理得到第一人脸图像和第二人脸图像是否匹配的识别信息。具体而言,基于自动编码神经网络(AE,Auto Encoder)对差异人脸图像调试,得到调试好的嵌入映射网络后,调取嵌入映射网络对待调试人脸图像,也即拟识别人脸图像信息进行嵌入映射完成编码,得到第一人脸图像对应的自嵌入表征向量V1、第二人脸图像对对应的自嵌入表征向量V2,同时,获取人脸图像信息组A对应的融合表征向量Va,人脸图像信息B对应的融合表征向量Vb,然后基于事先调试完成的人脸识别网络对以上表征向量学习获得匹配评估结果,例如基于如下公式进行:
G=DNN(m·(V1,V2,Va,Vb)+n)
m、n为事先调试完成的人脸识别网络的网络参变量,G的结果为Y或N。
本申请实施例提供的方法从多模态提取人脸图像信息组的特征信息,基于特征交互网络融合多模态表征向量,获得各特征信息间的联系,并通过自动编码神经网络学习差异人脸图像,使得网络的识别性能得到提高。
进一步地,该方法还可以包括:获取与人脸图像示例样本集中的人脸图像获取途径不同的人脸图像,得到人脸图像示例样本集的差异人脸图像;通过自动编码神经网络对差异人脸图像进行调试,得到嵌入映射网络。其中,嵌入映射网络包括嵌入映射模块和特征解析模块,在调试的过程中基于得到的嵌入映射模块对目标差异人脸图像进行嵌入映射,得到目标自嵌入表征向量,并基于得到的特征解析模块对目标自嵌入表征向量进行解析,在解析得到的信息与目标差异人脸图像一致时,停止调试。
其中,嵌入映射网络包括嵌入映射模块(Encoder)和特征解析模块(Decoder),为确保调试获得的嵌入映射网络的效果,持续基于调试过程中获取的嵌入映射模块对目标差异人脸图像进行嵌入映射,同时基于调试得到的特征解析模块对目标差异人脸图像对应的自嵌入表征向量进行解析,在解析得到的信息与目标差异人脸图像一致时,则获得效果优异的嵌入映射网络,此时停止调试。
本申请实施例基于自动编码神经网络对差异人脸图像进行调试获得,嵌入映射网络,并基于嵌入映射网络对调试样本中的人脸图像示例样本中的人脸图像信息组进行嵌入映射,得到多组自嵌入表征向量,结合多组融合表征向量和多组自嵌入表征向量调试人脸识别网络的网络参数,获得的人脸识别网络可以强化预测人脸图像信息组匹配性的能力。
600:将人脸识别结果和温度信息对应存储。
例如,建立人脸识别结果和温度信息的映射关系进行存储,如此,方便后续进行大数据分析,例如病情跟踪,可选地,还可以将人脸拍摄设备对应的位置信息进行对应存储。
作为一种可独立实现的方案,本申请实施例提供的方法还可以包括如下步骤:
700:当识别信息指示第一人脸图像和第二人脸图像匹配模糊时,确定第一人脸图像和第二人脸图像之间的一个及以上的差异区域,对于每一差异区域,将差异区域加载至人脸识别网络的差异评估网络。
例如,判断第一人脸图像和第二人脸图像是否匹配,可以通过输出匹配系数进行判断,例如匹配系数大于第一阈值(例如90%),则判断第一人脸图像和第二人脸图像匹配,当匹配系数小于第二阈值(例如80%),则判断第一人脸图像和第二人脸图像不匹配,当匹配系数介于第一阈值和第二阈值之间,则判断第一人脸图像和第二人脸图像匹配模糊。此时,需要进一步对二者进行评估。差异区域即人脸识别网络评估的二者具有不同的人脸图像区域,因为在一些情况下,同一人脸的同一部位在不同情况可能产生较大差异,例如眼皮红肿、皮肤溃烂等。针对差异区域进行进一步分析,以判断该差异区域是否属于同一目标对象,来辅助判断第一人脸图像和第二人脸图像是否匹配。
800:通过差异评估网络判断差异区域对应于第一人脸图像的第一图像区域与差异区域对应于第二人脸图像的第二图像区域是否包含于相同目标对象,得到分析结果。
900:通过每一差异区域对应的影响权重,结合分析结果,得到第一人脸图像和第二人脸图像的匹配情况。
具体而言,在步骤800中,当差异区域对应于第一人脸图像的第一图像区域与差异区域对应于第二人脸图像的第二图像区域属于相同目标对象时,分析结果为1,当差异区域对应于第一人脸图像的第一图像区域与差异区域对应于第二人脸图像的第二图像区域不属于相同目标对象时,分析结果为0。那么,通过每一差异区域对应的影响权重,结合分析结果,得到第一人脸图像和第二人脸图像的匹配情况,具体可以包括:依据每一差异区域对应的影响权重对对应的各个分析结果进行加权求和,得到融合结果;当融合结果大于匹配阈值时,确定第一人脸图像和第二人脸图像匹配。对于人脸特征影响较大的区域被赋予更高的权重,以完成更精准地评估。
通过上述步骤700~900,在识别信息指示第一人脸图像和第二人脸图像匹配模糊时,通过差异评估网络进一步识别二者的统一概率,可以提高人脸识别的精确度。其中,差异评估网络通过如下步骤调试得到:
10:确定人脸图像样本中的第一人脸区域和第一人脸区域的实际归属信息,第一人脸区域的实际归属信息表示第一人脸区域包含于人脸图像样本。
20:确定一个及以上的第二人脸区域和一个及以上的第二人脸区域各自的实际归属信息,其中,一个及以上的第二人脸区域中的每一第二人脸区域的目标对象人脸都和第一人脸区域的目标对象人脸不同,并且一个及以上的第二人脸区域各自的实际归属信息表示对应的第二人脸区域不包含于人脸图像样本。
30:调取差异评估网络通过第一人脸区域和人脸图像样本,确定与第一人脸区域对应的整合图像特征。
40:对于一个及以上的第二人脸区域中的每一第二人脸区域,调取差异评估网络通过该第二人脸区域和人脸图像样本,确定与该第二人脸区域对应的整合图像特征。
50:通过与第一人脸区域对应的整合图像特征和一个及以上的第二人脸区域各自对应的整合图像特征,得到第一人脸区域的推理归属信息和一个及以上的第二人脸区域各自的推理归属信息,推理归属信息表示对应的人脸区域是否包含于人脸图像样本的预估推理结果。
60:通过第一人脸区域的推理归属信息和实际归属信息、一个及以上的第二人脸区域各自的推理归属信息和实际归属信息优化差异评估网络的网络参变量,获得调试好的差异评估网络。
基于此,通过确定人脸图像样本中的第一人脸区域和人脸图像样本之外的和第一人脸区域的目标对象人脸不同的一个及以上的第二人脸区域,同时预估人脸区域的哪一人脸区域为人脸图像样本的人脸区域,如此,便于可以基于和第一人脸区域的目标对象人脸不同的一个及以上的第二人脸区域协助网络识别不同的目标对象人脸,基于此使得调试完成的差异评估网络在进行差异分析时的结果更加精确。进一步而言,在调试时,只在第一人脸区域和多个第二人脸区域中进行区域的选取,可以大大缓解计算消耗,提升网络的调试效率。
作为一种实施方式,第一人脸区域和第二人脸区域为预设的人脸区域集合中的人脸区域,例如五官、整体形状、尺寸等,具体不做限定。差异评估网络可以包括人脸图像特征挖掘模块,用于挖掘人脸图像特征。人脸图像特征挖掘模块例如为卷积神经网络。
举例而言,人脸图像样本中包括人脸区域1(第一人脸区域),那么可以在人脸区域集合中确定人脸区域2和人脸区域3(一个及以上的第二人脸区域)。人脸区域1的实际归属信息表示人脸区域1包含于人脸图像样本,人脸区域2和3各自的实际归属信息表示其不包含于人脸图像样本。
作为一种实施方式,在步骤30中,调取差异评估网络通过第一人脸区域和人脸图像样本,确定与第一人脸区域对应的整合图像特征,例如为将第一人脸区域和人脸图像样本进行融合后加载到人脸图像特征挖掘模块,获得与融合样本对应的人脸图像特征,将其确定为整合图像特征,或者基于人脸图像特征挖掘模块提取人脸图像样本的人脸图像特征,之后将人脸图像特征和第一人脸区域的人脸区域特征聚合,获得整合图像特征。步骤40中,调取差异评估网络通过第二人脸区域和人脸图像样本确定与第二人脸区域对应的整合图像特征的过程和以上确定与第一人脸区域对应的整合图像特征的过程相似。
作为一种实施方式,差异评估网络可以包括人脸图像特征挖掘模块。那么调试的过程具体包括:将人脸图像样本加载到人脸图像特征挖掘模块,获得人脸图像样本的人脸图像特征,其中,人脸图像特征挖掘模块用于通过人脸图像样本,输出人脸图像样本的人脸图像特征;将第一人脸区域进行编码,获得第一人脸区域的人脸区域特征;将一个及以上的第二人脸区域中的每一第二人脸区域进行编码,获得一个及以上的第二人脸区域各自的人脸区域特征。那么,通过人脸图像特征挖掘模块提取人脸图像样本的人脸图像特征,令人脸图像特征挖掘模块可以关注人脸自身。可选地,可基于拼接、相加、加权求和等方式对人脸图像特征和人脸区域特征进行处理,获得整合图像特征。
作为一种实施方式,调取差异评估网络通过第一人脸区域和人脸图像样本,确定与第一人脸区域对应的整合图像特征,具体可以包括:通过第一人脸区域的人脸区域特征和人脸图像样本的人脸图像特征,确定与第一人脸区域对应的整合图像特征。对于一个及以上的第二人脸区域中的每一第二人脸区域,调取差异评估网络通过该第二人脸区域和人脸图像样本,确定与该第二人脸区域对应的整合图像特征,具体可以包括:对于一个及以上的第二人脸区域中的每一第二人脸区域,通过第二人脸区域的人脸区域特征和人脸图像样本的人脸图像特征,确定与第二人脸区域对应的整合图像特征。
通过以上过程,采取根据人脸图像样本的特征和人脸区域的人脸区域特征得到整合图像特征,使得差异评估网络在学习人脸表征的过程可以扩大不同目标对象人脸的人脸表征的差异,后续调试过程的精度更高。且同时将人脸图像样本的特征和人脸区域的特征进行分割,以对人脸图像样本的特征独自进行训练,提高精度。
作为一种实施方式,通过第一人脸区域的人脸区域特征和人脸图像样本的人脸图像特征,确定与第一人脸区域对应的整合图像特征,具体可以包括:将第一人脸区域的人脸区域特征和人脸图像样本的人脸图像特征进行融合,获得与第一人脸区域对应的整合图像特征。对于一个及以上的第二人脸区域中的每一第二人脸区域,通过第二人脸区域的人脸区域特征和人脸图像样本的人脸图像特征,确定与该第二人脸区域对应的整合图像特征,具体可以包括:对于一个及以上的第二人脸区域中的每一第二人脸区域,将第二人脸区域的人脸区域特征和人脸图像样本的人脸图像特征进行融合,获得与第二人脸区域对应的整合图像特征。以上过程中,将人脸图像特征和人脸区域特征进行融合,以最大限度保存分别对应的图像语义。
通过与第一人脸区域对应的整合图像特征和一个及以上的第二人脸区域各自对应的整合图像特征,得到第一人脸区域的推理归属信息和一个及以上的第二人脸区域各自的推理归属信息的方式可以采取多种方式实现。例如,基于全连接层(FC)或人工神经网络(ANN),通过相应的整合图像特征对第一人脸区域的归属信息和一个及以上的第二人脸区域的归属信息进行推理,获得上述人脸区域分别对应的推理归属信息。推理归属信息例如可以是相应的人脸区域包含于人脸图像样本的可信系数(可通过概率表示)。进一步地,获取每一人脸区域包含于人脸图像样本的可信系数后,采取标准化操作,将最后获得的可信系数确定为推理归属信息。
作为一种实施方式,通过第一人脸区域的推理归属信息和实际归属信息、一个及以上的第二人脸区域各自的推理归属信息和实际归属信息,得到调试好的差异评估网络,具体可以包括:通过第一人脸区域的推理归属信息和实际归属信息、一个及以上的第二人脸区域各自的推理归属信息和实际归属信息,确定第一误差结果;以及通过第一误差结果,优化差异评估网络的网络参变量,获得调试好的差异评估网络。基于此,通过人脸区域的推理结果和实际结果只得到一个误差结果,通过该误差结果进行网络调试,使得差异评估网络可以更好获得不同目标对象人脸间的差异知识。其中,第一误差结果例如为交叉熵误差。
作为一种实施方式,差异评估网络的调试过程还可以包括:确定人脸图像样本的正确目标对象人脸;以及通过人脸图像样本的人脸图像样本表征向量,确定人脸图像样本的第一推理目标对象人脸。通过第一人脸区域的推理归属信息和实际归属信息、一个及以上的第二人脸区域各自的推理归属信息和实际归属信息优化差异评估网络的网络参变量,获得调试好的差异评估网络,具体可以包括:通过第一人脸区域的推理归属信息和实际归属信息、一个及以上的第二人脸区域各自的推理归属信息和实际归属信息、以及人脸图像样本的第一推理目标对象人脸和正确目标对象人脸,优化差异评估网络的网络参变量,获得调试好的差异评估网络。
基于此,使得基于多个调试任务对差异评估网络进行调试,后续的调试任务更加精准,且基于多任务协同人脸图像特征挖掘模块学习人脸图像样本表征,极大提高基于人脸图像特征挖掘模块输出的人脸图像样本表征向量进行目标对象人脸预估的精度。
作为一种实施方式,正确目标对象人脸可以为第一人脸区域的目标对象人脸。通过人脸图像样本的人脸图像样本表征向量,确定人脸图像样本的第一推理目标对象人脸的方式可以有多种,比如基于FC、ANN处理人脸图像样本表征向量,获得第一推理目标对象人脸。第一推理目标对象人脸可以为具体的目标对象人脸,或者是人脸图像样本包含于不同的目标对象人脸的可信系数。
作为一种实施方式,通过第一人脸区域的推理归属信息和实际归属信息、一个及以上的第二人脸区域各自的推理归属信息和实际归属信息优化差异评估网络的网络参变量,获得调试好的差异评估网络,具体可以包括:通过第一人脸区域的推理归属信息和实际归属信息、一个及以上的第二人脸区域各自的推理归属信息和实际归属信息,确定第一误差结果;通过人脸图像样本的第一推理目标对象人脸和正确目标对象人脸优化差异评估网络的网络参变量,确定第二误差结果;通过第一误差结果和第二误差结果,确定融合误差结果;以及通过融合误差结果,优化差异评估网络的网络参变量,获得调试好的差异评估网络。
那么,基于确定和推理人脸区域是否包含于人脸图像样本的任务,相应的第一误差结果和推理人脸图像样本的目标对象人脸的主任务的第二误差结果,并通过第一误差结果和第二误差结果确定融合误差结果,以通过融合误差结果优化差异评估网络的网络参变量,完成两任务的同时进行。
作为一种实施方式,本申请实施例提供的差异评估网络的调试过程还可以包括:通过与第一人脸区域对应的整合图像特征,确定人脸图像样本的第二推理目标对象人脸。通过第一人脸区域的推理归属信息和实际归属信息、一个及以上的第二人脸区域各自的推理归属信息和实际归属信息优化差异评估网络的网络参变量,获得调试好的差异评估网络,具体可以包括:通过第一人脸区域的推理归属信息和实际归属信息、一个及以上的第二人脸区域各自的推理归属信息和实际归属信息、以及人脸图像样本的第二推理目标对象人脸和正确目标对象人脸优化差异评估网络的网络参变量,获得调试好的差异评估网络。
那么,通过第一人脸区域和人脸图像样本的整合图像特征推理人脸图像样本的目标对象人脸,使得在对人脸区域集合中的人脸区域的依赖性较弱的前提下对已有信息进行学习。
作为一种实施方式,通过与第一人脸区域对应的整合图像特征,确定人脸图像样本的第二推理目标对象人脸的过程和通过人脸图像样本的人脸图像样本表征向量,确定人脸图像样本的第一推理目标对象人脸的过程一致。
作为一种实施方式,通过第一人脸区域的推理归属信息和实际归属信息、一个及以上的第二人脸区域各自的推理归属信息和实际归属信息、以及人脸图像样本的第二推理目标对象人脸和正确目标对象人脸优化差异评估网络的网络参变量,获得调试好的差异评估网络,具体可以包括:通过第一人脸区域的推理归属信息和实际归属信息、一个及以上的第二人脸区域各自的推理归属信息和实际归属信息,确定第一误差结果;通过人脸图像样本的第二推理目标对象人脸和正确目标对象人脸优化差异评估网络的网络参变量,确定第三误差结果;通过第一误差结果和第三误差结果,确定融合误差结果;以及通过融合误差结果,优化差异评估网络的网络参变量,获得调试好的差异评估网络。那么,基于确定与推理人脸区域是否包含于人脸图像样本的任务相应的第一误差结果和通过人脸图像样本和第一人脸区域推理人脸图像样本的目标对象人脸的任务的第三误差结果,并通过第一误差结果和第三误差结果确定融合误差结果,再通过融合误差结果优化差异评估网络的网络参变量,令两个任务同时进行。
在一些实施例中,可以通过第一误差结果、第二误差结果和第三误差结果确定融合误差结果,使得上述三个任务一并进行。
请参照图4,是本发明实施例提供的人脸识别装置110的功能模块架构示意图,该人脸识别装置110可用于执行应用于温度感测的人脸识别方法,其中,人脸识别装置110包括:
数据获取模块111,用于获取人脸识别设备上传的第一人脸图像和温度信息,并从事先部署的人脸图像身份映射库中的多个人脸图像信息中随机选取一个人脸图像信息,得到第二人脸图像,由第一人脸图像和第二人脸图像组成拟识别人脸图像组,其中,人脸图像身份映射库中包括多个人脸图像信息以及与多个人脸图像信息对应的人脸图像身份信息;
特征提取模块112,用于获取拟识别人脸图像组的多模态表征向量,其中,多模态表征向量用于从不同的模态描述第一人脸图像和第二人脸图像的图像特征向量;
特征融合模块113,用于对拟识别人脸图像组的多模态表征向量进行融合,得到拟识别人脸图像组的融合表征向量;
图像匹配模块114,用于将拟识别人脸图像组的融合表征向量加载到事先调试完成的人脸识别网络进行处理,得到指示第一人脸图像和第二人脸图像是否匹配的识别信息,其中,事先调试完成的人脸识别网络由多个人脸图像信息示例组的融合表征向量调试获得;
信息确定模块115,用于当识别信息指示第一人脸图像和第二人脸图像匹配时,获取第二人脸图像对应的人脸图像身份信息,并将人脸图像身份信息作为第一人脸图像的人脸识别结果;
数据存储模块116,用于将人脸识别结果和温度信息对应存储。
由于在上述实施例中,已经对本发明实施例提供的应用于温度感测的人脸识别方法进行了详细的介绍,而该人脸识别装置110的原理与该方法相同,此处不再对人脸识别装置110的各模块的执行原理进行赘述。
在本申请所提供的几个实施例中,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发明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,在本发明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,本发明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,物联数据服务器,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。
需要理解的是,针对上述内容没有进行名词解释的技术术语,本领域技术人员可以根据上述所公开的内容进行前后推导毫无疑义地确定其所指代的含义。本申请实施例公开的上述内容对于本领域技术人员而言是清楚完整的。应当理解,本领域技术人员基于上述公开的内容对未作解释的技术术语进行推导和分析的过程是基于本申请所记载的内容进行的,因此上述内容并不是对整体方案的创造性的评判。
上文已对基本概念做了描述,显然,对于本领域技术人员来说,上述详细披露仅作为示例,而并不构成对本申请的限定。虽然此处并没有明确说明,本领域技术人员可以对本申请进行各种修改、改进和修正。该类修改、改进和修正在本申请中被建议,所以该类修改、改进、修正仍属于本申请示范实施例的精神和范围。
同样应当理解的是,为了简化本申请揭示的表述,从而帮助对至少一个发明实施例的理解,前文对本申请实施例的描述中,有时会将多种特征归并至一个实施例、附图或对其的描述中。但是,这种披露方法幷不意味着本申请对象所需要的特征比权利要求中提及的特征多。实际上,实施例的特征要少于上述披露的单个实施例的全部特征。
Claims (10)
1.一种应用于温度感测的人脸识别方法,其特征在于,应用于电子设备,所述方法包括:
获取人脸拍摄设备上传的第一人脸图像和温度信息,并从事先部署的人脸图像身份映射库中的多个人脸图像信息中随机选取一个人脸图像信息,得到第二人脸图像,由所述第一人脸图像和所述第二人脸图像组成拟识别人脸图像组,其中,所述人脸图像身份映射库中包括所述多个人脸图像信息以及与所述多个人脸图像信息对应的人脸图像身份信息;
获取所述拟识别人脸图像组的多模态表征向量,其中,所述多模态表征向量用于从不同的模态描述所述第一人脸图像和所述第二人脸图像的图像特征向量;
对所述拟识别人脸图像组的多模态表征向量进行融合,得到所述拟识别人脸图像组的融合表征向量;
将所述拟识别人脸图像组的融合表征向量加载到事先调试完成的人脸识别网络进行处理,得到指示所述第一人脸图像和所述第二人脸图像是否匹配的识别信息,其中,所述事先调试完成的人脸识别网络由多个人脸图像信息示例组的融合表征向量调试获得;
当所述识别信息指示所述第一人脸图像和所述第二人脸图像匹配时,获取所述第二人脸图像对应的人脸图像身份信息,并将所述人脸图像身份信息作为所述第一人脸图像的人脸识别结果;
将所述人脸识别结果和所述温度信息对应存储;
其中,当所述识别信息指示所述第一人脸图像和所述第二人脸图像匹配模糊时,确定所述第一人脸图像和所述第二人脸图像之间的一个及以上的差异区域,对于每一所述差异区域,将所述差异区域加载至所述人脸识别网络的差异评估网络;
通过所述差异评估网络判断所述差异区域对应于所述第一人脸图像的第一图像区域与所述差异区域对应于所述第二人脸图像的第二图像区域是否包含于相同目标对象,得到分析结果;
通过每一所述差异区域对应的影响权重,结合所述分析结果,得到所述第一人脸图像和所述第二人脸图像的匹配情况;
其中,所述差异评估网络通过如下步骤调试得到:
确定人脸图像样本中的第一人脸区域和所述第一人脸区域的实际归属信息,所述第一人脸区域的实际归属信息表示所述第一人脸区域包含于所述人脸图像样本;
确定一个及以上的第二人脸区域和所述一个及以上的第二人脸区域各自的实际归属信息,其中,所述一个及以上的第二人脸区域中的每一第二人脸区域的目标对象人脸都和所述第一人脸区域的目标对象人脸不同,并且所述一个及以上的第二人脸区域各自的实际归属信息表示对应的第二人脸区域不包含于所述人脸图像样本;
调取所述差异评估网络通过所述第一人脸区域和所述人脸图像样本,确定与所述第一人脸区域对应的整合图像特征;
对于所述一个及以上的第二人脸区域中的每一第二人脸区域,调取所述差异评估网络通过所述第二人脸区域和所述人脸图像样本,确定与所述第二人脸区域对应的整合图像特征;
通过与所述第一人脸区域对应的整合图像特征和所述一个及以上的第二人脸区域各自对应的整合图像特征,得到所述第一人脸区域的推理归属信息和所述一个及以上的第二人脸区域各自的推理归属信息,所述推理归属信息表示对应的人脸区域是否包含于所述人脸图像样本的预估推理结果;
以及通过所述第一人脸区域的推理归属信息和实际归属信息、所述一个及以上的第二人脸区域各自的推理归属信息和实际归属信息优化所述差异评估网络的网络参变量,获得调试好的差异评估网络。
2.如权利要求1所述的应用于温度感测的人脸识别方法,其特征在于,所述对所述拟识别人脸图像组的多模态表征向量进行融合,得到所述拟识别人脸图像组的融合表征向量包括:
基于特征交互网络对所述拟识别人脸图像组的多模态表征向量进行交互整理,得到多个交互整理的结果;
基于多层感知机对所述拟识别人脸图像组的多模态表征向量进行处理,获得多个深度操作后的操作结果;
对所述多个交互整理的结果和所述多个深度操作后的操作结果进行融合,得到所述拟识别人脸图像组的融合表征向量。
3.如权利要求1所述的应用于温度感测的人脸识别方法,其特征在于,在所述将所述拟识别人脸图像组的融合表征向量加载到事先调试完成的人脸识别网络进行处理,得到指示所述第一人脸图像和所述第二人脸图像是否匹配的识别信息之前,所述方法还包括:
获取多个人脸图像信息组和用以描述每个所述人脸图像信息组中的两个人脸图像信息是否匹配的匹配情况注释信息,得到多个人脸图像示例样本,并通过所述多个人脸图像示例样本组建人脸图像示例样本集;
获取所述人脸图像示例样本集中的各个人脸图像示例样本包含的人脸图像信息组的多模态表征向量,得到多组多模态表征向量,以及分别对各组多模态表征向量进行融合,得到多组融合表征向量;
基于所述多组融合表征向量调试人脸识别网络的网络参数,获得所述事先调试完成的人脸识别网络。
4.如权利要求3所述的应用于温度感测的人脸识别方法,其特征在于,在所述基于所述多组融合表征向量调试人脸识别网络的网络参数,获得所述事先调试完成的人脸识别网络之前,所述方法还包括:
调取嵌入映射网络对所述人脸图像示例样本集中的各个人脸图像示例样本包含的人脸图像信息组进行嵌入映射,得到多组自嵌入表征向量,其中,所述嵌入映射网络由与所述人脸图像示例样本集中的人脸图像获取途径不同的人脸图像调试获得的,每组自嵌入表征向量中包含人脸图像信息组中的两个人脸图像信息对应的自嵌入表征向量;
基于所述多组融合表征向量调试人脸识别网络的网络参数,获得所述事先调试完成的人脸识别网络包括:
基于所述多组融合表征向量以及所述多组自嵌入表征向量调试所述人脸识别网络,得到所述事先调试完成的人脸识别网络;
在所述将所述拟识别人脸图像组的融合表征向量加载到事先调试完成的人脸识别网络进行处理,得到指示所述第一人脸图像和所述第二人脸图像是否匹配的识别信息之前,所述方法还包括:
调取嵌入映射网络对所述拟识别人脸图像组进行嵌入映射,得到第一自嵌入表征向量和第二自嵌入表征向量,其中,所述第一自嵌入表征向量为所述第一人脸图像的自嵌入表征向量,所述第二自嵌入表征向量为所述第二人脸图像的自嵌入表征向量;
将所述拟识别人脸图像组的融合表征向量加载到事先调试完成的人脸识别网络进行处理,得到指示所述第一人脸图像和所述第二人脸图像是否匹配的识别信息包括:将所述拟识别人脸图像组的融合表征向量、所述第一自嵌入表征向量和所述第二自嵌入表征向量加载到所述人脸识别网络,处理得到所述第一人脸图像和所述第二人脸图像是否匹配的识别信息;
所述方法还包括:
获取与所述人脸图像示例样本集中的人脸图像获取途径不同的人脸图像,得到所述人脸图像示例样本集的差异人脸图像;
通过自动编码神经网络对所述差异人脸图像进行调试,得到所述嵌入映射网络,其中,所述嵌入映射网络包括嵌入映射模块和特征解析模块,在调试的过程中基于得到的所述嵌入映射模块对目标差异人脸图像进行嵌入映射,得到目标自嵌入表征向量,并基于得到的所述特征解析模块对所述目标自嵌入表征向量进行解析,在解析得到的信息与所述目标差异人脸图像一致时,停止调试。
5.如权利要求1所述的应用于温度感测的人脸识别方法,其特征在于,所述拟识别人脸图像组的多模态表征向量包括关联表征向量,获取所述拟识别人脸图像组的关联表征向量包括:
获取人脸图像示例样本集中包含的多个人脸图像信息,以及所述多个人脸图像信息之间的共性度量结果,其中,所述人脸图像示例样本集中包含多个人脸图像信息组以及每个人脸图像信息组中的两个人脸图像信息是否匹配的识别信息;
将所述多个人脸图像信息中的每个人脸图像信息确定为网结,得到多个网结,基于所述多个人脸图像信息之间的共性度量结果确定所述多个网结之间的连接线,并通过所述多个网结和所述多个网结之间的连接线编织得到人脸图像关系网;
基于所述人脸图像关系网确定所述拟识别人脸图像组的关联表征向量。
6.如权利要求1所述的应用于温度感测的人脸识别方法,其特征在于,其中,调取所述差异评估网络通过所述第一人脸区域和所述人脸图像样本,确定与所述第一人脸区域对应的整合图像特征,包括:
通过所述第一人脸区域的人脸区域特征和所述人脸图像样本的人脸图像特征,确定与所述第一人脸区域对应的整合图像特征;对于所述一个及以上的第二人脸区域中的每一第二人脸区域,调取所述差异评估网络通过所述第二人脸区域和所述人脸图像样本,确定与所述第二人脸区域对应的整合图像特征包括:对于所述一个及以上的第二人脸区域中的每一第二人脸区域,通过该第二人脸区域的人脸区域特征和所述人脸图像样本的人脸图像特征,确定与所述第二人脸区域对应的整合图像特征;
其中,所述差异评估网络包括人脸图像特征挖掘模块,所述方法还包括:
将所述人脸图像样本加载到所述人脸图像特征挖掘模块,获得所述人脸图像样本的人脸图像特征;其中,所述人脸图像特征挖掘模块用于通过所述人脸图像样本,输出所述人脸图像样本的人脸图像特征;
将所述第一人脸区域进行编码,获得所述第一人脸区域的人脸区域特征;
并将所述一个及以上的第二人脸区域中的每一第二人脸区域进行编码,获得所述一个及以上的第二人脸区域各自的人脸区域特征;
其中,通过所述第一人脸区域的人脸区域特征和所述人脸图像样本的人脸图像特征,确定与所述第一人脸区域对应的整合图像特征包括:
将所述第一人脸区域的人脸区域特征和所述人脸图像样本的人脸图像特征进行融合,获得与所述第一人脸区域对应的整合图像特征,其中,对于所述一个及以上的第二人脸区域中的每一第二人脸区域,通过所述第二人脸区域的人脸区域特征和所述人脸图像样本的人脸图像特征,确定与所述第二人脸区域对应的整合图像特征包括:
对于所述一个及以上的第二人脸区域中的每一第二人脸区域,将所述第二人脸区域的人脸区域特征和所述人脸图像样本的人脸图像特征进行融合,获得与所述第二人脸区域对应的整合图像特征;
通过所述第一人脸区域的推理归属信息和实际归属信息、所述一个及以上的第二人脸区域各自的推理归属信息和实际归属信息,得到调试好的差异评估网络包括:通过所述第一人脸区域的推理归属信息和实际归属信息、所述一个及以上的第二人脸区域各自的推理归属信息和实际归属信息,确定第一误差结果;以及通过所述第一误差结果,优化所述差异评估网络的网络参变量,获得调试好的差异评估网络。
7.如权利要求6所述的应用于温度感测的人脸识别方法,其特征在于,所述方法还包括:
确定所述人脸图像样本的正确目标对象人脸;
以及通过所述人脸图像样本的人脸图像样本表征向量,确定所述人脸图像样本的第一推理目标对象人脸,其中,通过所述第一人脸区域的推理归属信息和实际归属信息、所述一个及以上的第二人脸区域各自的推理归属信息和实际归属信息优化所述差异评估网络的网络参变量,获得调试好的差异评估网络包括:
通过所述第一人脸区域的推理归属信息和实际归属信息、所述一个及以上的第二人脸区域各自的推理归属信息和实际归属信息、以及所述人脸图像样本的第一推理目标对象人脸和正确目标对象人脸,优化所述差异评估网络的网络参变量,获得调试好的差异评估网络;
其中,所述正确目标对象人脸为所述第一人脸区域的目标对象人脸;
其中,通过所述第一人脸区域的推理归属信息和实际归属信息、所述一个及以上的第二人脸区域各自的推理归属信息和实际归属信息、以及所述人脸图像样本的第一推理目标对象人脸和正确目标对象人脸,优化所述差异评估网络的网络参变量,获得调试好的差异评估网络包括:
通过所述第一人脸区域的推理归属信息和实际归属信息、所述一个及以上的第二人脸区域各自的推理归属信息和实际归属信息,确定第一误差结果;
通过所述人脸图像样本的第一推理目标对象人脸和正确目标对象人脸优化所述差异评估网络的网络参变量,确定第二误差结果;
通过所述第一误差结果和所述第二误差结果,确定融合误差结果;
以及通过所述融合误差结果,优化所述差异评估网络的网络参变量,获得调试好的差异评估网络。
8.如权利要求1所述的应用于温度感测的人脸识别方法,其特征在于,所述方法还包括:
确定所述人脸图像样本的正确目标对象人脸;
以及通过与所述第一人脸区域对应的整合图像特征,确定所述人脸图像样本的第二推理目标对象人脸,其中,通过所述第一人脸区域的推理归属信息和实际归属信息、所述一个及以上的第二人脸区域各自的推理归属信息和实际归属信息优化所述差异评估网络的网络参变量,获得调试好的差异评估网络包括:
通过所述第一人脸区域的推理归属信息和实际归属信息、所述一个及以上的第二人脸区域各自的推理归属信息和实际归属信息、以及所述人脸图像样本的第二推理目标对象人脸和正确目标对象人脸优化所述差异评估网络的网络参变量,获得调试好的差异评估网络。
9.如权利要求1所述的应用于温度感测的人脸识别方法,其特征在于,当所述差异区域对应于所述第一人脸图像的第一图像区域与所述差异区域对应于所述第二人脸图像的第二图像区域属于相同目标对象时,所述分析结果为1,当所述差异区域对应于所述第一人脸图像的第一图像区域与所述差异区域对应于所述第二人脸图像的第二图像区域不属于相同目标对象时,所述分析结果为0;所述通过每一所述差异区域对应的影响权重,结合所述分析结果,得到所述第一人脸图像和所述第二人脸图像的匹配情况,包括:
依据每一所述差异区域对应的影响权重对对应的各个所述分析结果进行加权求和,得到融合结果;
当所述融合结果大于匹配阈值时,确定所述第一人脸图像和所述第二人脸图像匹配。
10.一种电子设备,其特征在于,包括存储器和处理器,所述存储器存储有计算机程序,当所述处理器运行所述计算机程序时,实现如权利要求1~9任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310266246.2A CN115984948B (zh) | 2023-03-20 | 2023-03-20 | 应用于温度感测的人脸识别方法及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310266246.2A CN115984948B (zh) | 2023-03-20 | 2023-03-20 | 应用于温度感测的人脸识别方法及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115984948A CN115984948A (zh) | 2023-04-18 |
CN115984948B true CN115984948B (zh) | 2023-05-26 |
Family
ID=85968577
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310266246.2A Active CN115984948B (zh) | 2023-03-20 | 2023-03-20 | 应用于温度感测的人脸识别方法及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115984948B (zh) |
Family Cites Families (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5842194A (en) * | 1995-07-28 | 1998-11-24 | Mitsubishi Denki Kabushiki Kaisha | Method of recognizing images of faces or general images using fuzzy combination of multiple resolutions |
CN101763507B (zh) * | 2010-01-20 | 2013-03-06 | 北京智慧眼科技发展有限公司 | 人脸识别方法及人脸识别系统 |
CN102831408A (zh) * | 2012-08-29 | 2012-12-19 | 华南理工大学 | 人脸识别方法 |
CN103902983A (zh) * | 2014-04-14 | 2014-07-02 | 夷希数码科技(上海)有限公司 | 一种穿戴式人脸识别方法及装置 |
CN104268578B (zh) * | 2014-10-15 | 2017-06-09 | 深圳市晓舟科技有限公司 | 一种小图像比对和模糊识别相结合的目标识别方法 |
CN104463177A (zh) * | 2014-12-23 | 2015-03-25 | 北京奇虎科技有限公司 | 相似人脸图片获取方法和装置 |
CN105608409B (zh) * | 2015-07-16 | 2019-01-11 | 宇龙计算机通信科技(深圳)有限公司 | 指纹识别的方法及装置 |
CN106056059B (zh) * | 2016-05-20 | 2019-02-12 | 合肥工业大学 | 多方向slgs特征描述及性能云加权融合的人脸识别方法 |
CN108062538A (zh) * | 2017-12-29 | 2018-05-22 | 成都智宝大数据科技有限公司 | 人脸识别方法及装置 |
CN110956730A (zh) * | 2018-09-26 | 2020-04-03 | 江门浦泰轨道交通设备有限公司 | 一种基于人脸识别的安全监控方法 |
US11443514B2 (en) * | 2019-03-22 | 2022-09-13 | Qualcomm Technologies, Inc. | Recognizing minutes-long activities in videos |
CN209820650U (zh) * | 2019-04-28 | 2019-12-20 | 智慧眼科技股份有限公司 | 具有人脸核实身份功能的人体体温检测装置 |
CN109977956B (zh) * | 2019-04-29 | 2022-11-18 | 腾讯科技(深圳)有限公司 | 一种图像处理方法、装置、电子设备以及存储介质 |
CN110363233B (zh) * | 2019-06-28 | 2021-05-28 | 西安交通大学 | 一种基于块检测器及特征融合的卷积神经网络的细粒度图像识别方法及系统 |
CN112084946B (zh) * | 2020-05-09 | 2022-08-05 | 支付宝(杭州)信息技术有限公司 | 一种人脸识别方法、装置及电子设备 |
CN113723356B (zh) * | 2021-09-15 | 2023-09-19 | 北京航空航天大学 | 异质特征关系互补的车辆重识别方法和装置 |
CN114677517B (zh) * | 2022-05-30 | 2022-08-26 | 山东巍然智能科技有限公司 | 一种无人机用语义分割网络模型及图像分割识别方法 |
-
2023
- 2023-03-20 CN CN202310266246.2A patent/CN115984948B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN115984948A (zh) | 2023-04-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106846355B (zh) | 基于提升直觉模糊树的目标跟踪方法及装置 | |
CN111079646A (zh) | 基于深度学习的弱监督视频时序动作定位的方法及系统 | |
CN111008643B (zh) | 基于半监督学习的图片分类方法、装置和计算机设备 | |
CN110580460A (zh) | 基于行人身份和属性特征联合识别验证的行人再识别方法 | |
US20200234086A1 (en) | Systems for modeling uncertainty in multi-modal retrieval and methods thereof | |
CN113868497A (zh) | 一种数据分类方法、装置和存储介质 | |
CN114170184A (zh) | 一种基于嵌入特征向量的产品图像异常检测方法及装置 | |
CN116030538B (zh) | 弱监督动作检测方法、系统、设备及存储介质 | |
CN113947702A (zh) | 一种基于情境感知的多模态情感识别方法和系统 | |
JP2023516480A (ja) | 対象部位追跡方法、装置、電子機器及び読み取り可能な記憶媒体 | |
CN115412324A (zh) | 基于多模态条件对抗领域适应的空天地网络入侵检测方法 | |
Schmid et al. | Explore, approach, and terminate: Evaluating subtasks in active visual object search based on deep reinforcement learning | |
US20230252271A1 (en) | Electronic device and method for processing data based on reversible generative networks, associated electronic detection system and associated computer program | |
KR20210051473A (ko) | 동영상 콘텐츠 식별 장치 및 방법 | |
CN115984948B (zh) | 应用于温度感测的人脸识别方法及电子设备 | |
CN113688804A (zh) | 基于多角度视频的动作识别方法及相关设备 | |
US20210294278A1 (en) | Method and device for determining a control signal | |
US20200034739A1 (en) | Method and device for estimating user's physical condition | |
CN111626098A (zh) | 模型的参数值更新方法、装置、设备及介质 | |
CN116362782A (zh) | 基于大数据分析的用户兴趣点识别方法及系统 | |
Sreenivas et al. | Modified deep belief network based human emotion recognition with multiscale features from video sequences | |
CN112329735B (zh) | 人脸识别模型的训练方法及在线教育系统 | |
CN113869364A (zh) | 图像处理方法、装置、电子设备及介质 | |
Li et al. | Smoking behavior recognition based on a two-level attention fine-grained model and EfficientDet network | |
CN116543538B (zh) | 一种物联网消防电气预警方法及预警系统 |
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 |