CN116311405A - 一种人脸识别方法、装置、存储介质及电子设备 - Google Patents
一种人脸识别方法、装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN116311405A CN116311405A CN202111563172.6A CN202111563172A CN116311405A CN 116311405 A CN116311405 A CN 116311405A CN 202111563172 A CN202111563172 A CN 202111563172A CN 116311405 A CN116311405 A CN 116311405A
- Authority
- CN
- China
- Prior art keywords
- comparison
- candidate
- threshold
- dynamic
- value
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Abstract
本申请实施例公开了一种人脸识别方法、装置、存储介质及电子设备。该方法包括:将待识别人员的面部特征与候选比对人员的面部特征进行相似度计算,得到候选比对相似度;所述候选比对人员从数据库中预存比对人员选取得到;确定与候选比对人员预关联的候选动态比对阈值条件;其中,所述动态比对阈值条件根据比对人员的人脸标识、比对相似度和场景信息进行确定;若所述候选比对相似度满足候选动态比对阈值条件,则所述待识别人员与候选比对人员的人脸识别成功。本技术方案,基于自适应动态比对阈值进行人脸识别,可以有效提升人脸识别的场景适应性,提升易用性。
Description
技术领域
本申请实施例涉及人脸识别技术领域,尤其涉及一种人脸识别方法、装置、存储介质及电子设备。
背景技术
随着人脸识别算法的成熟,人脸识别在安防监控、门禁、金融支付等领域越来越多的被使用。相比传统的刷卡比对、密码比对方式,人脸识别比对具有易用性高、能准确判断人员身份等益处。人脸识别的最后一个环节是人脸比对,其中,人脸比对阈值对最终人脸识别的准确性有着非常重要的影响。因此如何定义合适的人脸比对阈值成为一个值得探讨的问题。
目前采用事先定义好的固定阈值进行人脸比对,在需要的时候手动调整比对阈值。
但是,手动调整比对阈值,易用性差,且很难人为设置到最佳阈值。
发明内容
本申请实施例提供一种人脸识别方法、装置、存储介质及电子设备,基于自适应阈值进行人脸识别,可以有效提升人脸识别的场景适应性,提升易用性。
第一方面,本申请实施例提供了一种人脸识别方法,该方法包括:
将待识别人员的面部特征与候选比对人员的面部特征进行相似度计算,得到候选比对相似度;所述候选比对人员从数据库中预存比对人员选取得到;
确定与候选比对人员预关联的候选动态比对阈值条件;其中,所述动态比对阈值条件根据比对人员的人脸标识、比对相似度和场景信息进行确定;
若所述候选比对相似度满足候选动态比对阈值条件,则所述待识别人员与候选比对人员的人脸识别成功。
第二方面,本申请实施例提供了一种人脸识别装置,该装置包括:
候选比对相似度确定模块,用于将待识别人员的面部特征与候选比对人员的面部特征进行相似度计算,得到候选比对相似度;所述候选比对人员从数据库中预存比对人员选取得到;
候选动态比对阈值条件确定模块,用于确定与候选比对人员预关联的候选动态比对阈值条件;其中,所述动态比对阈值条件根据比对人员的人脸标识、比对相似度和场景信息进行确定;
人脸识别确定模块,用于若所述候选比对相似度满足候选动态比对阈值条件,则所述待识别人员与候选比对人员的人脸识别成功。
第三方面,本申请实施例提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本申请实施例所述的人脸识别方法。
第四方面,本申请实施例提供了一种电子设备,包括存储器,处理器及存储在存储器上并可在处理器运行的计算机程序,所述处理器执行所述计算机程序时实现如本申请实施例所述的人脸识别方法。
本申请实施例所提供的技术方案,将待识别人员的面部特征与候选比对人员的面部特征进行相似度计算,得到候选比对相似度,然后确定与候选比对人员预关联的候选动态比对阈值条件,并判断候选比对相似度是否满足候选动态比对阈值条件,若满足,则待识别人员与候选比对人员的人脸识别成功。本技术方案,基于自适应动态比对阈值进行人脸识别,可以有效提升人脸识别的场景适应性,提升易用性。
附图说明
图1是本申请实施例一提供的人脸识别方法的流程图;
图2是本申请实施例二提供的人脸识别过程的示意图;
图3是本申请实施例三提供的人脸识别装置的结构示意图;
图4是本申请实施例五提供的一种电子设备的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本申请,而非对本申请的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本申请相关的部分而非全部结构。
在更加详细地讨论示例性实施例之前应当提到的是,一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各步骤描述成顺序的处理,但是其中的许多步骤可以被并行地、并发地或者同时实施。此外,各步骤的顺序可以被重新安排。当其操作完成时所述处理可以被终止,但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。
实施例一
图1是本申请实施例一提供的人脸识别方法的流程图,本实施例可适用于基于自适应动态阈值进行人脸识别的情况,该方法可以由本申请实施例所提供的人脸识别装置执行,该装置可以由软件和/或硬件的方式来实现,并可集成于用于人脸识别的智能终端等设备中。
如图1所示,所述人脸识别方法包括:
S110、将待识别人员的面部特征与候选比对人员的面部特征进行相似度计算,得到候选比对相似度;所述候选比对人员从数据库中预存比对人员选取得到;
其中,面部特征用于表征人脸图像中的特征点,例如,眼睛、鼻尖、嘴角点、眉毛以及人脸各部件轮廓点。可以基于采集设备采集人脸图像。可选的,可以采用门禁设备、摄像头以及拍摄设备等采集人脸图像。
在本实施例中,相似度用于表征各人员的面部特征之间的相似程度。可以用0-1进行表示相似度,值越趋于1,表示两个人员的面部特征的相似度越高。
在本方案中,待识别人员可以是指当前时刻经过采集设备的人员。
其中,数据库可以是动态人脸阈值信息库,用于存储多个比对人员的识别记录。可以从数据库中选取一个或者多个比对人员作为候选比对人员。优选的,可以将数据库中所有的比对人员都作为候选比对人员。动态人脸阈值信息库还可以根据时间等因素执行一些老化处理,去掉一些不合适的识别记录,例如,时间比较久的记录,或者场景条件不再出现的记录。
在本方案中,可以采用常规技术手段计算待识别人员的面部特征和候选比对人员的面部特征之间的相似度,得到候选比对相似度。例如,可以采用深度学习算法计算待识别人员的面部特征与候选比对人员的面部特征的相似度。本实施例中不做具体限定。
S120、确定与候选比对人员预关联的候选动态比对阈值条件;其中,所述动态比对阈值条件根据比对人员的人脸标识、比对相似度和场景信息进行确定;
其中,动态比对阈值条件可以是指人脸识别过程中的比对阈值,例如,可以设置动态比对阈值条件为0.9。
在本实施例中,人脸标识用于表征数据库中比对人员的身份标识,每一个比对人员都对应一个人脸标识。其中,人脸标识可以是字母、数字或者字符串等形式进行表示。
其中,比对相似度用于表征比对人员的面部特征的相似程度。可以在对比对人员进行人脸识别的过程中,计算得到比对人员的比对相似度。
在本方案中,场景信息用于表征识别比对人员时,比对人员所处的场景。包括日期、时间、图像亮度、图像宽动态值和图像锐度。可以结合场景信息调整比对人员的动态对比阈值条件,使得人脸识别场景适应性更高。
在本方案中,可以基于候选比对人员的目标人脸标识,确定数据库中候选比对人员的目标识别记录,并根据目标识别记录中所有的目标比对相似度的平均值、最大值以及最小值确定候选动态比对阈值条件。在候选动态比对阈值条件确定过程中,还可以基于目标识别记录中的目标场景信息确定候选动态比对阈值条件。
S130、若所述候选比对相似度满足候选动态比对阈值条件,则所述待识别人员与候选比对人员的人脸识别成功。
在本方案中,将候选比对相似度与候选动态比对阈值条件进行比对,若候选比对相似度大于等于候选动态比对阈值条件,则候选比对相似度满足候选动态比对阈值条件,此时待识别人员与候选比对人员的人脸识别成功。若候选比对相似度小于候选动态比对阈值条件,则候选比对相似度不满足候选动态比对阈值条件,此时待识别人员与候选比对人员的人脸识别失败。
在本实施例中,若存在多个候选比对人员,则可以确定多个候选动态比对阈值条件,此时,依次将候选比对相似度与多个候选动态比对阈值条件进行比对,并将得到的多个比对结果放到有效比对结果集合中,直至所有的比对遍历结束。若有效比对结果集合为空,则本次比对失败,说明待识别人员与候选比对人员的人脸识别失败;若有效比对结果集合为非空,选取候选比对相似度最高的比对结果作为待识别人员的比对结果。其中,确定比对结果后,将待识别人员的候选比对相似度、所处的当前场景信息保存到匹配度最高的候选比对人员的目标识别记录中。
本申请实施例所提供的技术方案,将待识别人员的面部特征与候选比对人员的面部特征进行相似度计算,得到候选比对相似度,然后确定与候选比对人员预关联的候选动态比对阈值条件,并判断候选比对相似度是否满足候选动态比对阈值条件,若满足,则待识别人员与候选比对人员的人脸识别成功。通过执行本技术方案,可以基于自适应动态比对阈值进行人脸识别,有效提升了人脸识别的场景适应性,提升了易用性。
实施例二
图2是本申请实施例二提供的人脸识别过程的示意图,本实施例二在实施例一的基础上进行进一步地优化。具体优化为:确定与候选比对人员预关联的候选动态比对阈值条件,包括:根据候选比对人员的目标人脸标识,确定数据库中与所述目标人脸标识相关联的目标识别记录;若所述目标识别记录满足记录条数条件,则确定所述目标识别记录中的目标比对相似度的平均值、最大值和最小值;根据所述平均值、最大值和最小值,确定与候选比对人员预关联的候选动态比对阈值条件。其中,未在本实施例中详尽描述的内容详见实施例一。
如图2所示,该方法包括以下步骤:
S210、将待识别人员的面部特征与候选比对人员的面部特征进行相似度计算,得到候选比对相似度;所述候选比对人员从数据库中预存比对人员选取得到;
S220、根据候选比对人员的目标人脸标识,确定数据库中与所述目标人脸标识相关联的目标识别记录;
其中,目标识别记录包括目标人脸标识、目标比对相似度以及目标场景信息。
在本方案中,在每次人员识别成功后,都会生成新的成功记录,记录本次识别人员的人脸标识、比对相似度以及场景信息。在确定候选比对人员后,遍历数据库,从数据库中获取与候选比对人员的目标人脸标识相关联的目标识别记录。
S230、若所述目标识别记录满足记录条数条件,则确定所述目标识别记录中的目标比对相似度的平均值、最大值和最小值;
其中,记录条数条件用于表征识别记录的条数阈值,例如,可以设置记录条数条件为100。可以根据实验数据或经验数据设置记录条数条件。
在本方案中,当目标识别记录大于记录条数条件时,此时目标识别记录满足记录条数条件,则读取目标识别记录中的所有目标比对相似度。并计算目标比对相似度的平均值,以及确定目标比对相似度的最大值和最小值。
S240、根据所述平均值、最大值和最小值,确定与候选比对人员预关联的候选动态比对阈值条件;
在本方案中,若平均值与最大值、最小值之间的差值小于等于预设阈值,则说明候选比对人员的目标比对相似度波动范围较小,此时可以将目标比对相似度的平均值作为候选动态比对阈值条件;若平均值与最大值、最小值之间的差值大于预设阈值,则说明候选比对人员的目标比对相似度波动范围较大,此时需要根据候选比对人员的目标场景信息确定候选动态比对阈值条件。
在本技术方案中,可选的,根据所述平均值、最大值和最小值,确定与候选比对人员预关联的候选动态比对阈值条件,包括:
若所述平均值与最大值之间的差值满足阈值条件,以及所述平均值与最小值之间的差值满足阈值条件,则将所述平均值作为动态阈值;
若所述平均值与最大值之间的差值不满足阈值条件,和/或,所述平均值与最小值之间的差值不满足阈值条件,则根据所述目标识别记录中的目标场景信息,确定至少两个动态阈值;
根据所述动态阈值,确定与候选比对人员预关联的候选动态比对阈值条件。
其中,动态阈值用于表征人脸识别过程中的比对阈值。
其中,阈值条件用于表征候选比对人员的目标比对相似度的波动范围,可以根据人脸识别准确率要求进行设置。例如,可以设置阈值条件为0.1,即平均值与最大值之间差值小于等于0.1时,平均值与最大值之间的差值满足阈值条件,平均值与最小值之间的差值小于等于0.1时,平均值与最小值之间的差值满足阈值条件;平均值与最大值之间的差值大于0.1时,平均值与最大值之间的差值不满足阈值条件,平均值与最小值之间的差值大于0.1时,平均值与最小值之间的差值不满足阈值条件。
在本实施例中,若候选比对人员的目标比对相似度的平均值与最大值之间的差值满足阈值条件,以及平均值与最小值之间的差值满足阈值条件,则可以将目标比对相似度的平均值作为动态阈值。
在本方案中,若候选比对人员的目标比对相似度平均值与最大值之间的差值不满足阈值条件,和/或平均值与最小值之间的差值不满足阈值条件,则根据候选比对人员的目标识别记录中的目标场景信息,将目标识别记录中的目标比对相似度划分为多个场景,在同一个场景中的目标比对相似度数值较为接近。例如,目标比对相似度为0.9、0.85、0.6、0.65,则可以将0.9和0.85划分为同一个场景,将0.6和0.65划分为同一个场景。
在本实施例中,将目标比对相似度较为接近的划分为多个场景后,针对不同场景,计算目标比对相似度的平均值、最大值以及最小值,并基于平均值、最大值和最小值,确定至少两个动态阈值。
在本实施例中,还可以基于聚类算法将目标比对相似度较为接近的聚为一类,并计算同一类中目标比对相似度的均值,将目标比对相似度的均值作为动态阈值。
在本方案中,可以将动态阈值进行一定范围的调大或者调小,并将调整后的动态阈值,作为与候选比对人员预关联的候选动态比对阈值条件。
通过设置不同的动态阈值,可以基于自适应阈值进行人脸识别,提高人脸识别的准确率。
在本技术方案中,可选的,根据所述动态阈值,确定与候选比对人员预关联的候选动态比对阈值条件,包括:
确定待识别人员所处的当前场景信息;
将所述当前场景信息与候选比对人员的目标场景信息进行匹配,得到匹配值;
若所述匹配值符合场景匹配度条件,则根据所述动态阈值和预先确定的边界值,确定候选动态比对阈值条件;其中,所述边界值用于表征动态比对阈值的波动范围。
其中,待识别人员所处的当前场景信息同样可以基于采集设备进行采集。
在本实施例中,匹配值用于表征待识别人员的场景信息与候选比对人员的场景信息的匹配程度。同样可以就深度学习算法计算得到待识别人员的场景信息与候选比对人员的场景信息的匹配值。
其中,场景匹配条件用于表征场景信息的匹配阈值,可以根据人脸识别的准确率进行设置。例如,可以设置场景匹配条件为90%。
在本方案中,候选比对人员包括多个目标场景信息,则分别将当前场景信息与目标场景信息进行匹配,得到多个匹配值,若匹配值大于匹配阈值,即匹配值符合场景匹配度条件,则将匹配度最高的目标场景信息对应的动态阈值和边界值进行相减,得到候选动态比对阈值条件。
基于动态阈值实现了人脸的识别,且有效的提升了人脸识别的场景适应性,提升了易用性。
在本技术方案中,可选的,在将所述当前场景信息与候选比对人员的目标场景信息进行匹配,得到匹配值之后,所述方法还包括:
若所述匹配值不符合场景匹配度条件,则根据预先确定的静态比对阈值和边界值,确定候选动态比对阈值条件。
其中,静态比对阈值用于表征人脸识别过程中的比对阈值,是根据数据库中的正负测试样本人员的比对相似度进行计算得到的。正测试样本人员为数据库中的人员,负样本测试人员则是其他数据库中的人员。
在本方案中,若匹配值小于等于匹配阈值,说明匹配值不符合场景匹配度条件,此时当前场景信息与目标场景信息不匹配,则将静态比对阈值与边界值进行相减,得到候选动态比对阈值条件。
在场景信息不匹配的情况下,同样可以基于静态比对阈值进行人脸识别,提高了人脸识别的通过率。
在本技术方案中,可选的,根据预先确定的静态比对阈值和边界值,确定候选动态比对阈值条件,包括:
根据负测试样本人员的比对相似度以及预先确定的基准误识率,确定初始静态比对阈值;其中,所述基准误识率用于表征人脸识别的误差范围;
根据所述初始静态比对阈值和正测试样本人员的比对相似度,确定初始人脸识别率;
若所述初始人脸识别率符合识别条件,则将所述初始静态比对阈值作为静态比对阈值;
若所述初始人脸识别率不符合识别条件,则循环执行如下步骤:调小初始静态比对阈值,根据调小后的初始静态比对阈值和正测试样本人员的比对相似度,确定目标人脸识别率,直至目标人脸识别率符合识别条件,将调小后的初始静态比对阈值作为静态比对阈值;
将所述静态比对阈值和边界值进行相减,得到候选动态比对阈值条件。
在本方案中,使用负测试样本遍历数据库,计算每个负测试样本人员的比对相似度,由于负测试样本人员不属于数据库中的人员,则每个负测试样本人员的比对相似度都应该小于比对阈值。由于在人脸识别过程中允许存在一定的误差,则可以基于预先定义一个基准误识率,调整比对阈值,并将调整后的比对阈值作为初始静态比对阈值。例如,负测试样本人员的比对相似度为0.9、0.8、0.7、0.6,比对阈值应该设置大于0.9,由于允许存在一定的误差,则可以设置初始静态比对阈值为0.89。
其中,初始人员识别率用于表征正测试样本人员全部被识别的概率。
在本方案中,识别条件用于表征正测试样本人员被识别的概率的比对阈值,可以根据人脸识别准确率要求进行设置,例如,可以设置识别条件为98%,即计算得到的初始人员识别率大于等于98%,初始人脸识别率符合识别条件;初始人员识别率小于98%,初始人脸识别率不符合识别条件。
在本实施例中,由于正测试样本人员为数据库中的人员,则每个正测试样本人员都应该被识别,即每个正测试样本人员的比对相似度都应大于初始静态比对阈值。使用正测试样本遍历数据库,计算每个正测试样本人员的比对相似度,将正测试样本人员的比对相似度与初始静态比对阈值进行比对,得到初始人脸识别率。
在本方案中,若初始人脸识别率符合识别条件,此时可以将初始静态比对阈值作为静态比对阈值;若初始人员识别率不符合识别要求,则调小初始静态比对阈值,直至所有的正测试样本人员的比对相似度大于调整后初始静态比对阈值的比例符合识别条件,并将调整后的初始静态比对阈值作为静态比对阈值。
计算静态比对阈值,同时根据实时的识别记录维护动态人脸阈值信息库,根据静态比对阈值、动态人脸阈值信息库、当前场景信息实现了自适应阈值的人脸识别,有效提升人脸识别的场景适应性,提升项目部署的易用性。
在本技术方案中,可选的,在根据候选比对人员的目标人脸标识,确定数据库中与所述目标人脸标识相关联的目标识别记录之后,所述方法还包括:
若所述目标识别记录不满足记录条数条件,则根据预先确定的静态比对阈值和边界值,确定候选动态比对阈值条件。
在本方案中,当目标识别记录小于等于记录条数条件时,即目标识别记录不满足记录条数条件,说明待识别人员在动态人脸阈值信息库中对应的识别记录没有达到记录条件,或者待识别人员为刚加入人脸,此时将静态比对阈值与边界值进行相减,确定候选比对阈值条件。
可以基于自适应动态比对阈值进行人脸识别,有效提升了人脸识别的场景适应性,提升了易用性。
S250、若所述候选比对相似度满足候选动态比对阈值条件,则所述待识别人员与候选比对人员的人脸识别成功。
在本实施例中,若待识别人员为刚加入人脸,识别成功后,为待识别人员设置新的人脸标识,并将待识别人员的人脸标识、候选比对相似度和当前场景信息存储到数据库中,生成识别记录。
本申请实施例所提供的技术方案,将待识别人员的面部特征与候选比对人员的面部特征进行相似度计算,得到候选比对相似度,然后根据候选比对人员的目标人脸标识,确定数据库中与目标人脸标识相关联的目标识别记录,若目标识别记录满足记录条数条件,则确定目标识别记录中的目标比对相似度的平均值、最大值和最小值;根据平均值、最大值和最小值,确定与候选比对人员预关联的候选动态比对阈值条件,并判断候选比对相似度是否满足候选动态比对阈值条件,若满足,则待识别人员与候选比对人员的人脸识别成功。通过执行本技术方案,可以基于自适应动态比对阈值进行人脸识别,有效提升了人脸识别的场景适应性,提升了易用性。
实施例三
图3是本申请实施例三提供的人脸识别装置的结构示意图,如图3所示,人脸识别装置包括:
候选比对相似度确定模块310,用于将待识别人员的面部特征与候选比对人员的面部特征进行相似度计算,得到候选比对相似度;所述候选比对人员从数据库中预存比对人员选取得到;
候选动态比对阈值条件确定模块320,用于确定与候选比对人员预关联的候选动态比对阈值条件;其中,所述动态比对阈值条件根据比对人员的人脸标识、比对相似度和场景信息进行确定;
人脸识别确定模块330,用于若所述候选比对相似度满足候选动态比对阈值条件,则所述待识别人员与候选比对人员的人脸识别成功。
在本技术方案中,可选的,候选动态比对阈值条件确定模块320,包括:
目标识别记录确定子模块,用于根据候选比对人员的目标人脸标识,确定数据库中与所述目标人脸标识相关联的目标识别记录;
目标比对相似度计算子模块,用于若所述目标识别记录满足记录条数条件,则确定所述目标识别记录中的目标比对相似度的平均值、最大值和最小值;
候选动态比对阈值条件确定子模块,用于根据所述平均值、最大值和最小值,确定与候选比对人员预关联的候选动态比对阈值条件。
在本技术方案中,可选的,候选动态比对阈值条件确定子模块,包括:
阈值条件满足单元,用于若所述平均值与最大值之间的差值满足阈值条件,以及所述平均值与最小值之间的差值满足阈值条件,则将所述平均值作为动态阈值;
阈值条件不满足单元,用于若所述平均值与最大值之间的差值不满足阈值条件,和/或,所述平均值与最小值之间的差值不满足阈值条件,则根据所述目标识别记录中的目标场景信息,确定至少两个动态阈值;
候选动态比对阈值条件确定单元,用于根据所述动态阈值,确定与候选比对人员预关联的候选动态比对阈值条件。
在本技术方案中,可选的,候选动态比对阈值条件确定单元,包括:
当前场景信息确定子单元,用于确定待识别人员所处的当前场景信息;
匹配值得到子单元,用于将所述当前场景信息与候选比对人员的目标场景信息进行匹配,得到匹配值;
匹配值符合子单元,用于若所述匹配值符合场景匹配度条件,则根据所述动态阈值和预先确定的边界值,确定候选动态比对阈值条件;其中,所述边界值用于表征动态比对阈值的波动范围。
在本技术方案中,可选的,候选动态比对阈值条件确定单元,还包括:
匹配值不符合子单元,用于若所述匹配值不符合场景匹配度条件,则根据预先确定的静态比对阈值和边界值,确定候选动态比对阈值条件。
在本技术方案中,可选的,候选动态比对阈值条件确定模块320,还包括:
候选动态比对阈值条件确定子模块,用于若所述目标识别记录不满足记录条数条件,则根据预先确定的静态比对阈值和边界值,确定候选动态比对阈值条件。
在本技术方案中,可选的,匹配值不符合子单元,具体用于:
根据负测试样本人员的比对相似度以及预先确定的基准误识率,确定初始静态比对阈值;其中,所述基准误识率用于表征人脸识别的误差范围;
根据所述初始静态比对阈值和正测试样本人员的比对相似度,确定初始人脸识别率;
若所述初始人脸识别率符合识别条件,则将所述初始静态比对阈值作为静态比对阈值;
若所述初始人脸识别率不符合识别条件,则循环执行如下步骤:调小初始静态比对阈值,根据调小后的初始静态比对阈值和正测试样本人员的比对相似度,确定目标人脸识别率,直至目标人脸识别率符合识别条件,将调小后的初始静态比对阈值作为静态比对阈值;
将所述静态比对阈值和边界值进行相减,得到候选动态比对阈值条件。
上述产品可执行本申请实施例所提供的方法,具备执行方法相应的功能模块和有益效果。
实施例四
本申请实施例还提供一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行一种人脸识别方法,该方法包括:
将待识别人员的面部特征与候选比对人员的面部特征进行相似度计算,得到候选比对相似度;所述候选比对人员从数据库中预存比对人员选取得到;
确定与候选比对人员预关联的候选动态比对阈值条件;其中,所述动态比对阈值条件根据比对人员的人脸标识、比对相似度和场景信息进行确定;
若所述候选比对相似度满足候选动态比对阈值条件,则所述待识别人员与候选比对人员的人脸识别成功。
存储介质——任何的各种类型的存储器设备或存储设备。术语“存储介质”旨在包括:安装介质,例如CD-ROM、软盘或磁带装置;计算机系统存储器或随机存取存储器,诸如DRAM、DDR RAM、SRAM、EDO RAM,兰巴斯(Rambus)RAM等;非易失性存储器,诸如闪存、磁介质(例如硬盘或光存储);寄存器或其它相似类型的存储器元件等。存储介质可以还包括其它类型的存储器或其组合。另外,存储介质可以位于程序在其中被执行的计算机系统中,或者可以位于不同的第二计算机系统中,第二计算机系统通过网络(诸如因特网)连接到计算机系统。第二计算机系统可以提供程序指令给计算机用于执行。术语“存储介质”可以包括可以驻留在不同位置中(例如在通过网络连接的不同计算机系统中)的两个或更多存储介质。存储介质可以存储可由一个或多个处理器执行的程序指令(例如具体实现为计算机程序)。
当然,本申请实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上所述的人脸识别操作,还可以执行本申请任意实施例所提供的人脸识别方法中的相关操作。
实施例五
本申请实施例提供了一种电子设备,该电子设备中可集成本申请实施例提供的人脸识别装置。图4是本申请实施例五提供的一种电子设备的结构示意图。如图4所示,本实施例提供了一种电子设备400,其包括:一个或多个处理器420;存储装置410,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器420执行,使得所述一个或多个处理器420实现本申请实施例所提供的人脸识别方法,该方法包括:
将待识别人员的面部特征与候选比对人员的面部特征进行相似度计算,得到候选比对相似度;所述候选比对人员从数据库中预存比对人员选取得到;
确定与候选比对人员预关联的候选动态比对阈值条件;其中,所述动态比对阈值条件根据比对人员的人脸标识、比对相似度和场景信息进行确定;
若所述候选比对相似度满足候选动态比对阈值条件,则所述待识别人员与候选比对人员的人脸识别成功。
当然,本领域技术人员可以理解,处理器420还实现本申请任意实施例所提供的人脸识别方法的技术方案。
图4显示的电子设备400仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图4所示,该电子设备400包括处理器420、存储装置410、输入装置430和输出装置440;电子设备中处理器420的数量可以是一个或多个,图4中以一个处理器420为例;电子设备中的处理器420、存储装置410、输入装置430和输出装置440可以通过总线或其他方式连接,图4中以通过总线450连接为例。
存储装置410作为一种计算机可读存储介质,可用于存储软件程序、计算机可执行程序以及模块单元,如本申请实施例中的人脸识别方法对应的程序指令。
存储装置410可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序;存储数据区可存储根据终端的使用所创建的数据等。此外,存储装置410可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中,存储装置410可进一步包括相对于处理器420远程设置的存储器,这些远程存储器可以通过网络连接。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置430可用于接收输入的数字、字符信息或语音信息,以及产生与电子设备的用户设置以及功能控制有关的键信号输入。输出装置440可包括显示屏、扬声器等电子设备。
本申请实施例提供的电子设备,可以达到基于自适应动态比对阈值进行人脸识别,有效提升了人脸识别的场景适应性,提升了易用性的目的。
上述实施例中提供的人脸识别装置、存储介质及电子设备可执行本申请任意实施例所提供的人脸识别方法,具备执行该方法相应的功能模块和有益效果。未在上述实施例中详尽描述的技术细节,可参见本申请任意实施例所提供的人脸识别方法。
注意,上述仅为本申请的较佳实施例及所运用技术原理。本领域技术人员会理解,本申请不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本申请的保护范围。因此,虽然通过以上实施例对本申请进行了较为详细的说明,但是本申请不仅仅限于以上实施例,在不脱离本申请构思的情况下,还可以包括更多其他等效实施例,而本申请的范围由所附的权利要求范围决定。
Claims (10)
1.一种人脸识别方法,其特征在于,包括:
将待识别人员的面部特征与候选比对人员的面部特征进行相似度计算,得到候选比对相似度;所述候选比对人员从数据库中预存比对人员选取得到;
确定与候选比对人员预关联的候选动态比对阈值条件;其中,所述动态比对阈值条件根据比对人员的人脸标识、比对相似度和场景信息进行确定;
若所述候选比对相似度满足候选动态比对阈值条件,则所述待识别人员与候选比对人员的人脸识别成功。
2.根据权利要求1所述的方法,其特征在于,确定与候选比对人员预关联的候选动态比对阈值条件,包括:
根据候选比对人员的目标人脸标识,确定数据库中与所述目标人脸标识相关联的目标识别记录;
若所述目标识别记录满足记录条数条件,则确定所述目标识别记录中的目标比对相似度的平均值、最大值和最小值;
根据所述平均值、最大值和最小值,确定与候选比对人员预关联的候选动态比对阈值条件。
3.根据权利要求2所述的方法,其特征在于,根据所述平均值、最大值和最小值,确定与候选比对人员预关联的候选动态比对阈值条件,包括:
若所述平均值与最大值之间的差值满足阈值条件,以及所述平均值与最小值之间的差值满足阈值条件,则将所述平均值作为动态阈值;
若所述平均值与最大值之间的差值不满足阈值条件,和/或,所述平均值与最小值之间的差值不满足阈值条件,则根据所述目标识别记录中的目标场景信息,确定至少两个动态阈值;
根据所述动态阈值,确定与候选比对人员预关联的候选动态比对阈值条件。
4.根据权利要求3所述的方法,其特征在于,根据所述动态阈值,确定与候选比对人员预关联的候选动态比对阈值条件,包括:
确定待识别人员所处的当前场景信息;
将所述当前场景信息与候选比对人员的目标场景信息进行匹配,得到匹配值;
若所述匹配值符合场景匹配度条件,则根据所述动态阈值和预先确定的边界值,确定候选动态比对阈值条件;其中,所述边界值用于表征动态比对阈值的波动范围。
5.根据权利要求4所述的方法,其特征在于,在将所述当前场景信息与候选比对人员的目标场景信息进行匹配,得到匹配值之后,所述方法还包括:
若所述匹配值不符合场景匹配度条件,则根据预先确定的静态比对阈值和边界值,确定候选动态比对阈值条件。
6.根据权利要求2所述的方法,其特征在于,在根据候选比对人员的目标人脸标识,确定数据库中与所述目标人脸标识相关联的目标识别记录之后,所述方法还包括:
若所述目标识别记录不满足记录条数条件,则根据预先确定的静态比对阈值和边界值,确定候选动态比对阈值条件。
7.根据权利要求5或6所述的方法,其特征在于,根据预先确定的静态比对阈值和边界值,确定候选动态比对阈值条件,包括:
根据负测试样本人员的比对相似度以及预先确定的基准误识率,确定初始静态比对阈值;其中,所述基准误识率用于表征人脸识别的误差范围;
根据所述初始静态比对阈值和正测试样本人员的比对相似度,确定初始人脸识别率;
若所述初始人脸识别率符合识别条件,则将所述初始静态比对阈值作为静态比对阈值;
若所述初始人脸识别率不符合识别条件,则循环执行如下步骤:调小初始静态比对阈值,根据调小后的初始静态比对阈值和正测试样本人员的比对相似度,确定目标人脸识别率,直至目标人脸识别率符合识别条件,将调小后的初始静态比对阈值作为静态比对阈值;
将所述静态比对阈值和边界值进行相减,得到候选动态比对阈值条件。
8.一种人脸识别装置,其特征在于,包括:
候选比对相似度确定模块,用于将待识别人员的面部特征与候选比对人员的面部特征进行相似度计算,得到候选比对相似度;所述候选比对人员从数据库中预存比对人员选取得到;
候选动态比对阈值条件确定模块,用于确定与候选比对人员预关联的候选动态比对阈值条件;其中,所述动态比对阈值条件根据比对人员的人脸标识、比对相似度和场景信息进行确定;
人脸识别确定模块,用于若所述候选比对相似度满足候选动态比对阈值条件,则所述待识别人员与候选比对人员的人脸识别成功。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-7中任一项所述的人脸识别方法。
10.一种电子设备,包括存储器,处理器及存储在存储器上并可在处理器运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1-7中任一项所述的人脸识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111563172.6A CN116311405A (zh) | 2021-12-20 | 2021-12-20 | 一种人脸识别方法、装置、存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111563172.6A CN116311405A (zh) | 2021-12-20 | 2021-12-20 | 一种人脸识别方法、装置、存储介质及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116311405A true CN116311405A (zh) | 2023-06-23 |
Family
ID=86780235
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111563172.6A Pending CN116311405A (zh) | 2021-12-20 | 2021-12-20 | 一种人脸识别方法、装置、存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116311405A (zh) |
-
2021
- 2021-12-20 CN CN202111563172.6A patent/CN116311405A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9489567B2 (en) | Tracking and recognition of faces using selected region classification | |
US8620036B2 (en) | System and method for controlling image quality | |
US20240021015A1 (en) | System and method for selecting images for facial recognition processing | |
CN108734092B (zh) | 人物认证装置 | |
US8842889B1 (en) | System and method for automatic face recognition | |
CN111191568A (zh) | 翻拍图像识别方法、装置、设备及介质 | |
JP2013196295A (ja) | 生体情報処理装置 | |
CN110866466A (zh) | 一种人脸识别方法、装置、存储介质和服务器 | |
CN112199530B (zh) | 多维度脸库图片自动更新方法、系统、设备及介质 | |
CN110827432B (zh) | 一种基于人脸识别的课堂考勤方法及系统 | |
CN111241873A (zh) | 图像翻拍检测方法及其模型的训练方法、支付方法及装置 | |
CN110929555B (zh) | 脸部识别方法与使用此方法的电子装置 | |
CN111881740A (zh) | 人脸识别方法、装置、电子设备及介质 | |
CN111507232A (zh) | 多模态多策略融合的陌生人识别方法和系统 | |
CN113837006A (zh) | 一种人脸识别方法、装置、存储介质及电子设备 | |
CN108985240B (zh) | 评估对象检测算法的方法、装置、电子设备和存储介质 | |
US11216639B2 (en) | Template matching of a biometric object | |
CN116311405A (zh) | 一种人脸识别方法、装置、存储介质及电子设备 | |
CN112446428B (zh) | 一种图像数据处理方法及装置 | |
CN115761842A (zh) | 一种人脸底库自动更新方法、装置 | |
Neto et al. | PIC-Score: Probabilistic Interpretable Comparison Score for Optimal Matching Confidence in Single-and Multi-Biometric Face Recognition | |
CN113095110B (zh) | 人脸数据动态入库的方法、装置、介质及电子设备 | |
CN112669509A (zh) | 门禁管理方法、系统、电子设备及存储介质 | |
CN111797691A (zh) | 提高人脸识别准确率的方法及处理子系统 | |
JP2000137818A (ja) | パターン認識方式 |
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 |