CN116721452A - 一种人脸识别系统、方法、装置、电子设备及程序产品 - Google Patents
一种人脸识别系统、方法、装置、电子设备及程序产品 Download PDFInfo
- Publication number
- CN116721452A CN116721452A CN202310700731.6A CN202310700731A CN116721452A CN 116721452 A CN116721452 A CN 116721452A CN 202310700731 A CN202310700731 A CN 202310700731A CN 116721452 A CN116721452 A CN 116721452A
- Authority
- CN
- China
- Prior art keywords
- face
- face recognition
- person
- similarity
- recognition algorithm
- 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
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 103
- 238000004590 computer program Methods 0.000 claims abstract description 16
- 238000010586 diagram Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 230000001815 facial effect Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 235000014347 soups Nutrition 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 239000011521 glass Substances 0.000 description 2
- 238000013499 data model Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
-
- 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
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Collating Specific Patterns (AREA)
- Image Analysis (AREA)
Abstract
本公开属于人脸识别技术领域,具体涉及一种人脸识别系统、方法、装置、电子设备及计算机程序产品。所述方法包括:分别基于多种人脸识别算法中的每种人脸识别算法获取底库中每个人脸样本与待识别人脸的相似度,其中,所述底库包含对每个人员预设数目的多个人脸样本;计算与所述人脸识别算法对应的所述底库中每个所述人员的第一相似度总和;获取所述人脸识别算法的权重,基于所述人脸识别算法的权重和每个所述人员的第一相似度总和确定与所述待识别人脸对应的人员。本公开可以降低对不同应用场景采集的人脸数据进行人脸识别的误识率。
Description
技术领域
本公开属于人脸识别技术领域,具体涉及一种人脸识别系统、方法、装置、电子设备及计算机程序产品。
背景技术
人脸识别,是获取人的脸部特征信息并将所述特征信息与底库中预先录入的人脸数据进行特征比对,从而进行人员身份识别的一种生物识别技术。
人脸识别算法中基于甲的脸部特征信息识别出底库中甲的几率称为识别率;基于甲的脸部特征信息识别出底库中非甲的其他人的几率称为误识率。
人脸识别算法只能确定两张人脸相似的程度是多少,判断两张脸是否为同一个人,还需要从业务层面上判断。但不同的人脸识别算法是基于不同应用场景的不同业务模型进行训练的,底库中预先录入的人脸数据往往也是基于某种特定应用场景获取。因此每种人脸识别算法对从其他应用场景获取的人脸进行识别误识率较高。
发明内容
本公开实施例提出了一种人脸识别方案,以解决现有人脸识别方案对来自于不同应用场景的人脸数据进行人脸识别误识率较高的问题。
本公开实施例的第一方面提供了一种人脸识别系统,包括底库和识别模块,其中:
所述底库中包含对每个人员预设数目的多个人脸样本;
所述识别模块包含多种人脸识别算法;
所述人脸识别系统分别用每种所述人脸识别算法获取所述底库中每个人脸样本与待识别人脸的相似度,并基于所述相似度和每种所述人脸识别算法的权重确定所述底库中与所述待识别人脸对应的人员。
在一些实施例中,同一人员不同的所述人脸样本由所述人员在不同的预设场景获得,其中,一个所述人脸样本对应一个预设场景。
在一些实施例中,所述基于所述相似度和每种所述人脸识别算法的权重确定所述底库中与所述待识别人脸对应的人员包括:
基于所述相似度计算与所述人脸识别算法对应的所述底库中每个所述人员的第一相似度总和;
基于所述人脸识别算法的权重和每个所述人员的第一相似度总和计算每个所述人员的第二相似度总和;
第二相似度总和最高的所述人员即是与所述待识别人脸对应的人员。
本公开实施例的第二方面提供了一种人脸识别方法,应用于本公开第一方面所述的人脸识别系统,包括:
分别基于多种人脸识别算法中的每种人脸识别算法获取底库中每个人脸样本与待识别人脸的相似度,其中,所述底库包含对每个人员预设数目的多个人脸样本;
计算与所述人脸识别算法对应的所述底库中每个所述人员的第一相似度总和;
获取所述人脸识别算法的权重,基于所述人脸识别算法的权重和每个所述人员的第一相似度总和确定与所述待识别人脸对应的人员。
在一些实施例中,所述计算与所述人脸识别算法对应的所述底库中每个所述人员的第一相似度总和包括:
将用所述人脸识别算法获取的所述底库中所述人员的每个人脸样本的相似度相加得到与所述人脸识别算法对应的所述人员的第一相似度总和。
在一些实施例中,所述基于所述人脸识别算法的权重和每个所述人员的第一相似度总和确定与所述待识别人脸对应的人员包括:
将每种所述人脸识别算法的权重和与所述人脸识别算法对应的所述人员的第一相似度总和的乘积相加得到所述人员的第二相似度总和;
第二相似度总和最高的所述人员即是与所述待识别人脸对应的人员。
在一些实施例中,所述基于所述人脸识别算法的权重和每个所述人员的第一相似度总和确定与所述待识别人脸对应的人员包括:
确定与每种所述人脸识别算法对应的第一相似度总和前N位的所述人员,其中,N为自然数;
由各个所述人脸识别算法对应的第一相似度总和前N位的所述人员组成候选人员集合;
对候选人集合中的每一个所述人员,将每种所述人脸识别算法的权重和与所述人脸识别算法对应的所述人员的第一相似度总和的乘积相加得到所述人员的第二相似度总和,第二相似度总和最高的所述人员即是与所述待识别人脸对应的人员。
本公开实施例的第三方面提供了一种人脸识别装置,应用于权利要求1所述的人脸识别系统,包括:
获取模块,用于分别基于多种人脸识别算法中的每种人脸识别算法获取底库中每个人脸样本与待识别人脸的相似度,其中,所述底库包含对每个人员预设数目的多个人脸样本;
计算模块,用于计算与所述人脸识别算法对应的所述底库中每个所述人员的第一相似度总和;
确定模块,用于获取所述人脸识别算法的权重,基于所述人脸识别算法的权重和每个所述人员的第一相似度总和确定与所述待识别人脸对应的人员。
本公开实施例的第四方面提供了一种电子设备,包括存储器和处理器,
所述存储器,用于存储计算机程序;
所述处理器,用于当执行所述计算机程序时,实现本公开第二方面所述的方法。
本公开实施例的第五方面提供了一种计算机程序产品,包括计算机程序、指令,当所述计算机程序、指令被处理器执行时,实现本公开第二方面所述的方法。
综上所述,本公开各实施例提供的人脸识别系统、方法、装置、电子设备和计算机程序产品,通过在底库中对每个人员预先录入不同应用场景的人脸样本,可以获得多应用场景中的人脸特征数据;再通过多种人脸识别算法对所述多个应用场景的人脸样本进行识别,相比于单种人脸识别算法可以覆盖更多的应用场景,从而可以在对来自于不同应用场景的人脸数据进行人脸识别时降低误识率。
附图说明
通过参考附图会更加清楚的理解本公开的特征和优点,附图是示意性的而不应理解为对本公开进行任何限制,在附图中:
图1是本公开适用的一种计算机系统的示意图;
图2是根据本公开的一些实施例所示的一种人脸识别方法的流程图;
图3是根据本公开的一些实施例所示的一种人脸识别方法的详细流程图;
图4根据本公开的一些实施例所示的一种人脸识别装置的示意图;
图5是本公开的一些实施例所示的一种电子设备示意图。
具体实施方式
在下面的详细描述中,通过示例阐述了本公开的许多具体细节,以便提供对相关披露的透彻理解。然而,对于本领域的普通技术人员来讲,本公开显而易见的可以在没有这些细节的情况下实施。应当理解的是,本公开中使用“系统”、“装置”、“单元”和/或“模块”术语,是用于区分在顺序排列中不同级别的不同部件、元件、部分或组件的一种方法。然而,如果其他表达式可以实现相同的目的,这些术语可以被其他表达式替换。
应当理解的是,当设备、单元或模块被称为“在……上”、“连接到”或“耦合到”另一设备、单元或模块时,其可以直接在另一设备、单元或模块上,连接或耦合到或与其他设备、单元或模块通信,或者可以存在中间设备、单元或模块,除非上下文明确提示例外情形。例如,本公开所使用的术语“和/或”包括一个或多个相关所列条目的任何一个和所有组合。
本公开所用术语仅为了描述特定实施例,而非限制本公开范围。如本公开说明书和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的特征、整体、步骤、操作、元素和/或组件,而该类表述并不构成一个排它性的罗列,其他特征、整体、步骤、操作、元素和/或组件也可以包含在内。
参看下面的说明以及附图,本公开的这些或其他特征和特点、操作方法、结构的相关元素的功能、部分的结合以及制造的经济性可以被更好地理解,其中说明和附图形成了说明书的一部分。然而,可以清楚地理解,附图仅用作说明和描述的目的,并不意在限定本公开的保护范围。可以理解的是,附图并非按比例绘制。
本公开中使用了多种结构图用来说明根据本公开的实施例的各种变形。应当理解的是,前面或下面的结构并不是用来限定本公开。本公开的保护范围以权利要求为准。
图1是本公开适用的一种计算机系统的示意图。如图1所示的系统,人脸识别服务器分别与图像获取装置和底库网络连接,人脸识别服务器通过所述图像获取装置获取待识别人员的人脸图像,并将所述人脸图像与底库中预先录入的人脸图像进行特征比对,当相似度超过预设阈值时,即确定待识别人员是底库中所述人脸图像对应的人员。
其中:
所述图像获取装置可以是摄像机、照相机、监控设备或内置于其他设备的摄像头。特别的,所述图像获取设备可以是人脸识别设备的嵌入式摄像头。所述图像获取设备朝向预设人脸识别区域以获取位于人脸识别区域的待识别人员的人脸图像。
所述人脸识别服务器可以是单机、集群或分布式服务器中的任一种,也可以是具有计算能力的智能设备,如移动电话、个人数字助理(PDA),平板电脑。所述人脸识别服务器可以是独立设备,也可以是基于网络连接的网络服务器。特别的,所述人脸识别服务器可以是部署于所述人脸识别设备的人脸识别软件模块。
所述底库可以是单机、集群或分布式数据库中的任一种。特别的,所述所述底库可以是部署于所述人脸识别设备的数据库。
本公开的一些实施例公开了一种人脸识别系统。所述人脸识别系统的硬件架构如图1所示的计算机系统,包括底库、人脸识别服务器和图像获取装置。所述底库、所述人脸识别服务器和所述图像获取装置可以是网络连接的独立设备,也可以是人脸识别设备的功能模块。在所述人脸识别设备中,所述人脸识别服务器可以是部署其中的识别模块。
所述人脸识别系统中,所述底库中包含对每个人员预设数目的多个人脸样本。在一些实施例中,不同的人脸样本由所述人员在不同的预设场景获得,其中,一个人脸样本对应一个预设场景。
所述识别模块包含多种人脸识别算法。
所述人脸识别系统分别用每种所述人脸识别算法获取所述底库中每个人脸样本与待识别人脸的相似度。再基于所述相似度计算与所述人脸识别算法对应的所述底库中每个所述人员的第一相似度总和,基于所述人脸识别算法的权重和每个所述人员的第一相似度总和计算每个所述人员的第二相似度总和,第二相似度总和最高的所述人员即是与所述待识别人脸对应的人员。
图2是根据本公开的一些实施例所示的一种人脸识别方法的流程图。在一些实施例中,所述人脸识别方法由图1所示系统中的人脸识别服务器执行,所述人脸识别方法包括以下步骤:
S210,分别基于多种人脸识别算法中的每种人脸识别算法获取底库中每个人脸样本与待识别人脸的相似度,其中,所述底库包含对每个人员预设数目的多个人脸样本。
人脸识别是通过人脸识别算法提取待识别人员的人脸特征,并与预先录入底库中的人脸进行特征比对,如果相似度大于预设阈值,则认为待识别人员就是底库中所述人脸对应的人员。
本申请底库中对同一人预先录入在不同场景的人脸照片,如戴眼镜、不戴眼镜的、化妆的、不化妆的等。同一场景录入一张合格人脸照片。
本申请识别模块包含多个人脸识别算法,如商汤算法、虹软算法等。其中,每种人脸识别算法基于不同的数据集进行训练,覆盖了不同的业务场景。系统对每种算法设置有默认识别权重。
本步骤中,人脸识别系统分别利用每个人脸识别算法对待识别人员与底库中的每一个人脸数据进行特征比对,并计算相似度。
S220,计算与所述人脸识别算法对应的所述底库中每个所述人员的第一相似度总和。
具体的,在获取底库中每个人脸数据与待识别人脸的相似度以后,将属于同一人员的所有人脸数据的相似度相加,即得到所述人员的第一相似度总和。
S230,获取所述人脸识别算法的权重,基于所述人脸识别算法的权重和每个所述人员的第一相似度总和确定与所述待识别人脸对应的人员。
具体的,在每次人脸识别开始时,操作人员可以通过系统配置页面输入每个人脸识别算法的权重。如果没有输入,则使用系统默认权重。
在本公开的一些实施例中,将每种所述人脸识别算法的权重和与所述人脸识别算法对应的所述人员的第一相似度总和的乘积相加得到所述人员的第二相似度总和,第二相似度总和最高的所述人员即是与所述待识别人脸对应的人员。
因为底库中大多数人员的人脸数据与待识别人脸的相似度很低,明显不可能是待识别人员,因此为了降低计算量,可以直接排除这部分人。
因此,在本公开的另外一些实施例中,确定与每种所述人脸识别算法对应的第一相似度总和排前5位的人员,由各个所述人脸识别算法对应的第一相似度总和排前5位的人员组成候选人员集合,对候选人集合中的每一个所述人员,将每种所述人脸识别算法的权重和与所述人脸识别算法对应的所述人员的第一相似度总和的乘积相加得到所述人员的第二相似度总和,第二相似度总和最高的所述人员即是与所述待识别人脸对应的人员。
图3是根据本公开的一个实施例所示的一种人脸识别方法的详细流程图。
如图3所示的方法通过多底库方案和多算法方案相结合来进行优化,降低误识别:
(1)在业务上规定一个人需要录入固定数量的多张人脸,如3张人脸或5张人脸。每张人脸必须是本人,但可以稍微不同,比如戴眼镜的、不戴眼镜的、化妆的、不化妆的。业务上采用相似度总和的计算方式,比如在相似度最大的前5个中(top 5),相同人员ID的相似度相加总和最大的,则认定为是本人。
(2)业务上选取可信的多个算法,如选择商汤、虹软,那么规定商汤算法占7成权重,虹软算法占3成权重,在进行人脸识别时,分别使用两种算法提取特征值并且1:N比对,那么在计算某个人员ID对应的最终相似度时,则是商汤相似度x 0.7+虹软相似度x 0.3。
(3)两种方案结合后的计算方式为,假定人员ID为a,经过商汤算法得出人员a对应的相似度总和为A,经过虹软算法得出人员a对应的相似度总和为B,最终相似度总和为C=Ax 0.7+B x 0.3。如果C是出现的人员中相似度总和最大的,那么a即可确定为本人。
多底库方案,能囊括本人的多个特点,相比于单底库来说,更贴近本人;多算法方案,不同算法都有自己训练的业务模型,所以多算法可以覆盖更多的数据模型。两种方案相结合,识别的可信度更高,即误识率会更低。
图4是根据本公开的一些实施例所示的一种人脸识别装置示意图。如图4所示,所述人脸识别装置400包括获取模块410、计算模块420、确定模块430。所述设备交互功能可以由图1所示系统中的人脸识别服务器执行。其中:
获取模块410,用于分别基于多种人脸识别算法中的每种人脸识别算法获取底库中每个人脸样本与待识别人脸的相似度,其中,所述底库包含对每个人员预设数目的多个人脸样本;
计算模块420,用于计算与所述人脸识别算法对应的所述底库中每个所述人员的第一相似度总和;
确定模块430,用于获取所述人脸识别算法的权重,基于所述人脸识别算法的权重和每个所述人员的第一相似度总和确定与所述待识别人脸对应的人员。
本公开的一个实施例提供了一种电子设备。如图5所示,所述电子设备500包括存储器520和处理器510,所述存储器520,用于存储计算机程序;所述处理器510,用于当执行所述计算机程序时,实现图2中S210-S230所述的方法。
本公开的一个实施例提供了一种计算机程序产品,包括计算机程序、指令,当所述计算机程序、指令被处理器执行时,实现图2中S210-S230所述的方法。
综上所述,本公开各实施例提供的人脸识别系统、方法、装置、电子设备和计算机程序产品,通过在底库中对每个人员预先录入不同应用场景的人脸样本,可以获得多应用场景中的人脸特征数据;再通过多种人脸识别算法对所述多个应用场景的人脸样本进行识别,相比于单种人脸识别算法可以覆盖更多的应用场景,从而可以在对来自于不同应用场景的人脸数据进行人脸识别时降低误识率。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的设备和模块的具体工作过程,可以参考前述装置实施例中的对应描述,在此不再赘述。
尽管此处所述的主题是在结合操作系统和应用程序在计算机系统上的执行而执行的一般上下文中提供的,但本领域技术人员可以认识到,还可结合其他类型的程序模块来执行其他实现。一般而言,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、组件、数据结构和其他类型的结构。本领域技术人员可以理解,此处所述的本主题可以使用其他计算机系统配置来实践,包括手持式设备、多处理器系统、基于微处理器或可编程消费电子产品、小型计算机、大型计算机等,也可使用在其中任务由通过通信网络连接的远程处理设备执行的分布式计算环境中。在分布式计算环境中,程序模块可位于本地和远程存储器存储设备的两者中。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及方法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本公开的范围。
应当理解的是,本公开的上述具体实施方式仅仅用于示例性说明或解释本公开的原理,而不构成对本公开的限制。因此,在不偏离本公开的精神和范围的情况下所做的任何修改、等同替换、改进等,均应包含在本公开的保护范围之内。此外,本公开所附权利要求旨在涵盖落入所附权利要求范围和边界、或者这种范围和边界的等同形式内的全部变化和修改例。
Claims (10)
1.一种人脸识别系统,包括底库和识别模块,其中:
所述底库中包含对每个人员预设数目的多个人脸样本;
所述识别模块包含多种人脸识别算法;
所述人脸识别系统分别用每种所述人脸识别算法获取所述底库中每个人脸样本与待识别人脸的相似度,并基于所述相似度和每种所述人脸识别算法的权重确定所述底库中与所述待识别人脸对应的人员。
2.根据权利要求1所述的系统,其特征在于:
同一人员不同的所述人脸样本由所述人员在不同的预设场景获得,其中,一个所述人脸样本对应一个预设场景。
3.根据权利要求1所述的系统,其特征在于,所述基于所述相似度和每种所述人脸识别算法的权重确定所述底库中与所述待识别人脸对应的人员包括:
基于所述相似度计算与所述人脸识别算法对应的所述底库中每个所述人员的第一相似度总和;
基于所述人脸识别算法的权重和每个所述人员的第一相似度总和计算每个所述人员的第二相似度总和;
第二相似度总和最高的所述人员即是与所述待识别人脸对应的人员。
4.一种人脸识别方法,应用于权利要求1所述的人脸识别系统,其特征在于,包括:
分别基于多种人脸识别算法中的每种人脸识别算法获取底库中每个人脸样本与待识别人脸的相似度,其中,所述底库包含对每个人员预设数目的多个人脸样本;
计算与所述人脸识别算法对应的所述底库中每个所述人员的第一相似度总和;
获取所述人脸识别算法的权重,基于所述人脸识别算法的权重和每个所述人员的第一相似度总和确定与所述待识别人脸对应的人员。
5.根据权利要求4所述的方法,其特征在于,所述计算与所述人脸识别算法对应的所述底库中每个所述人员的第一相似度总和包括:
将用所述人脸识别算法获取的所述底库中所述人员的每个人脸样本的相似度相加得到与所述人脸识别算法对应的所述人员的第一相似度总和。
6.根据权利要求4所述的方法,其特征在于,所述基于所述人脸识别算法的权重和每个所述人员的第一相似度总和确定与所述待识别人脸对应的人员包括:
将每种所述人脸识别算法的权重和与所述人脸识别算法对应的所述人员的第一相似度总和的乘积相加得到所述人员的第二相似度总和;
第二相似度总和最高的所述人员即是与所述待识别人脸对应的人员。
7.根据权利要求4所述的方法,其特征在于,所述基于所述人脸识别算法的权重和每个所述人员的第一相似度总和确定与所述待识别人脸对应的人员包括:
确定与每种所述人脸识别算法对应的第一相似度总和前N位的所述人员,其中,N为自然数;
由各个所述人脸识别算法对应的第一相似度总和前N位的所述人员组成候选人员集合;
对候选人集合中的每一个所述人员,将每种所述人脸识别算法的权重和与所述人脸识别算法对应的所述人员的第一相似度总和的乘积相加得到所述人员的第二相似度总和,第二相似度总和最高的所述人员即是与所述待识别人脸对应的人员。
8.一种人脸识别装置,应用于权利要求1所述的人脸识别系统,其特征在于,包括:
获取模块,用于分别基于多种人脸识别算法中的每种人脸识别算法获取底库中每个人脸样本与待识别人脸的相似度,其中,所述底库包含对每个人员预设数目的多个人脸样本;
计算模块,用于计算与所述人脸识别算法对应的所述底库中每个所述人员的第一相似度总和;
确定模块,用于获取所述人脸识别算法的权重,基于所述人脸识别算法的权重和每个所述人员的第一相似度总和确定与所述待识别人脸对应的人员。
9.一种电子设备,包括存储器和处理器,
所述存储器,用于存储计算机程序;
所述处理器,用于当执行所述计算机程序时,实现权利要求4-7任一项所述的方法。
10.一种计算机程序产品,包括计算机程序、指令,当所述计算机程序、指令被处理器执行时,实现权利要求4-7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310700731.6A CN116721452A (zh) | 2023-06-13 | 2023-06-13 | 一种人脸识别系统、方法、装置、电子设备及程序产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310700731.6A CN116721452A (zh) | 2023-06-13 | 2023-06-13 | 一种人脸识别系统、方法、装置、电子设备及程序产品 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116721452A true CN116721452A (zh) | 2023-09-08 |
Family
ID=87869350
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310700731.6A Pending CN116721452A (zh) | 2023-06-13 | 2023-06-13 | 一种人脸识别系统、方法、装置、电子设备及程序产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116721452A (zh) |
-
2023
- 2023-06-13 CN CN202310700731.6A patent/CN116721452A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021203863A1 (zh) | 基于人工智能的物体检测方法、装置、设备及存储介质 | |
CN108229674B (zh) | 聚类用神经网络的训练方法和装置、聚类方法和装置 | |
US9053357B2 (en) | Identifying images using face recognition | |
CN109993150B (zh) | 用于识别年龄的方法和装置 | |
EP3913997B1 (en) | Generating wireless network access point models using clustering techniques | |
CN110348362B (zh) | 标签生成、视频处理方法、装置、电子设备及存储介质 | |
CN111125390B (zh) | 数据库更新方法和装置、电子设备、计算机存储介质 | |
CN110941978B (zh) | 一种未识别身份人员的人脸聚类方法、装置及存储介质 | |
US11023713B2 (en) | Suspiciousness degree estimation model generation device | |
CN115311730B (zh) | 一种人脸关键点的检测方法、系统和电子设备 | |
CN112199530B (zh) | 多维度脸库图片自动更新方法、系统、设备及介质 | |
CN112347223A (zh) | 文档检索方法、设备及计算机可读存储介质 | |
CN110909817B (zh) | 分布式聚类方法及系统、处理器、电子设备及存储介质 | |
CN113657249B (zh) | 训练方法、预测方法、装置、电子设备以及存储介质 | |
CN113157956B (zh) | 图片搜索方法、系统、移动终端及存储介质 | |
CN111476059A (zh) | 目标检测方法、装置、计算机设备及存储介质 | |
CN111488519A (zh) | 用户性别识别的方法、装置、电子设备及存储介质 | |
CN116721452A (zh) | 一种人脸识别系统、方法、装置、电子设备及程序产品 | |
CN111125391A (zh) | 数据库更新方法和装置、电子设备、计算机存储介质 | |
JP2018137639A (ja) | 動画像処理システム、並びに、符号化装置及びプログラム、並びに、復号装置及びプログラム | |
CN112333182B (zh) | 档案处理方法、装置、服务器及存储介质 | |
CN111582031B (zh) | 基于神经网络的多模型协同暴力检测方法及系统 | |
CN113128278A (zh) | 一种图像识别方法及装置 | |
CN108334804B (zh) | 图像处理装置和方法以及图像处理系统 | |
CN113298747A (zh) | 图片、视频检测方法和装置 |
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 |