CN116935462A - 图像处理方法、装置、电子设备和计算机可读介质 - Google Patents
图像处理方法、装置、电子设备和计算机可读介质 Download PDFInfo
- Publication number
- CN116935462A CN116935462A CN202310685891.8A CN202310685891A CN116935462A CN 116935462 A CN116935462 A CN 116935462A CN 202310685891 A CN202310685891 A CN 202310685891A CN 116935462 A CN116935462 A CN 116935462A
- Authority
- CN
- China
- Prior art keywords
- face
- face feature
- information
- matching
- strange
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 15
- 239000013598 vector Substances 0.000 claims abstract description 120
- 230000004044 response Effects 0.000 claims abstract description 49
- 238000000034 method Methods 0.000 claims abstract description 35
- 238000012545 processing Methods 0.000 claims abstract description 24
- 238000000605 extraction Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 10
- 238000013500 data storage Methods 0.000 claims description 5
- 230000003044 adaptive effect Effects 0.000 claims description 4
- 230000006837 decompression Effects 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 32
- 230000006870 function Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 239000002699 waste material Substances 0.000 description 3
- 230000008602 contraction Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000004308 accommodation Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000007429 general method Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000004080 punching Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000012800 visualization 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
- G06V40/172—Classification, e.g. identification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
-
- 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
-
- 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)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本公开的实施例公开了图像处理方法、装置、电子设备和计算机可读介质。该方法的一具体实施方式包括:对目标图像进行人脸定位;响应于确定人脸位置信息表征目标图像中存在人脸,对目标图像进行人脸识别;对于人脸识别信息,执行以下处理步骤:根据人脸识别信息包括的人脸特征向量,在陌生对象人脸特征数据库中进行人脸特征匹配;响应于未匹配成功,根据人脸识别信息包括的年龄信息,确定检索顺序信息;根据检索顺序信息和人脸识别信息包括的人脸特征向量,依次在目标人脸特征数据库进行人脸特征匹配;响应于未匹配成功,将人脸识别信息包括的人脸特征向量,添加至陌生对象人脸特征数据中。该实施方式可以全面地对陌生对象进行有效识别。
Description
技术领域
本公开的实施例涉及计算机技术领域,具体涉及图像处理方法、装置、电子设备和计算机可读介质。
背景技术
校园区域作为人流量密集区域,如何实现对校园区域内的陌生对象的识别,对于提高校园区域的安全性有着积极作用。目前,在校园区域进行陌生对象识别时,通常采用的方式是:在出入口处设置门禁装置以实现对陌生对象识别。
然而,发明人发现,当采用上述方式时,经常会存在如下技术问题:
第一,由于校园区域往往面积较大,同时除出入口外,往往存在其它的进入校园的方式,导致无法有效且全面地进行陌生对象识别;
第二,针对低分辨率的图像进行对象识别时,由于低分辨率图像所包含的图像信息较少,难以有效地进行人脸定位;
第三,在进行陌生对象比对时,随着比对量的增大,导致陌生对象的识别效率低下。
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图像处理方法、装置、电子设备和计算机可读介质,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图像处理方法,该方法包括:对目标图像进行人脸定位,以生成人脸位置信息,其中,上述目标图像是校园区域内设置的摄像头采集的视频中的图像;响应于确定上述人脸位置信息表征上述目标图像中存在人脸,对上述目标图像进行人脸识别,以生成人脸识别信息集合,其中,上述人脸识别信息集合中的人脸识别信息包括:人脸特征向量、年龄信息和对象位置信息;对于上述人脸识别信息集合中的每个人脸识别信息,执行以下处理步骤:根据上述人脸识别信息包括的人脸特征向量,在陌生对象人脸特征数据库中进行人脸特征匹配;响应于未匹配成功,根据上述人脸识别信息包括的年龄信息,确定检索顺序信息,其中,上述检索顺序信息表征在目标人脸特征数据库集合中的检索顺序,上述目标人脸特征数据库集合是用于存储不同身份类别的用户的人脸特征的数据库;根据上述检索顺序信息和上述人脸识别信息包括的人脸特征向量,依次在上述目标人脸特征数据库集合中的目标人脸特征数据库进行人脸特征匹配;响应于未匹配成功,将上述人脸识别信息包括的人脸特征向量,添加至陌生对象人脸特征数据中。
第二方面,本公开的一些实施例提供了一种图像处理装置,装置包括:人脸定位单元,被配置成对目标图像进行人脸定位,以生成人脸位置信息,其中,上述目标图像是校园区域内设置的摄像头采集的视频中的图像;人脸识别单元,被配置成响应于确定上述人脸位置信息表征上述目标图像中存在人脸,对上述目标图像进行人脸识别,以生成人脸识别信息集合,其中,上述人脸识别信息集合中的人脸识别信息包括:人脸特征向量、年龄信息和对象位置信息;执行单元,被配置成对于上述人脸识别信息集合中的每个人脸识别信息,执行以下处理步骤:根据上述人脸识别信息包括的人脸特征向量,在陌生对象人脸特征数据库中进行人脸特征匹配;响应于未匹配成功,根据上述人脸识别信息包括的年龄信息,确定检索顺序信息,其中,上述检索顺序信息表征在目标人脸特征数据库集合中的检索顺序,上述目标人脸特征数据库集合是用于存储不同身份类别的用户的人脸特征的数据库;根据上述检索顺序信息和上述人脸识别信息包括的人脸特征向量,依次在上述目标人脸特征数据库集合中的目标人脸特征数据库进行人脸特征匹配;响应于未匹配成功,将上述人脸识别信息包括的人脸特征向量,添加至陌生对象人脸特征数据中。
第三方面,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;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。
第四方面,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。
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图像处理方法,实现了对校园区域内的陌生对象的有效且全面地识别。具体来说,造成无法对校园区域内的陌生对象的有效且全面地识别的原因在于:由于校园区域往往面积较大,同时除出入口外,往往存在其它的进入校园的方式,导致无法有效且全面地进行陌生对象识别。基于此,本公开的一些实施例的图像处理方法,首先,对目标图像进行人脸定位,以生成人脸位置信息,其中,上述目标图像是校园区域内设置的摄像头采集的视频中的图像。接着,响应于确定上述人脸位置信息表征上述目标图像中存在人脸,对上述目标图像进行人脸识别,以生成人脸识别信息集合,其中,上述人脸识别信息集合中的人脸识别信息包括:人脸特征向量、年龄信息和对象位置信息。实践中,摄像头在进行视频采集的过程中,视频中的图像往往包含大量的未包含人脸的图像,采用直接进行人脸识别和定位的方法,数据处理量较大。因此,本公开先对目标图像进行人脸定位,当生成的人脸位置信息表征目标图像中存在人脸时,再进行人脸识别,以得到更加具体的人脸特征。其次,对于上述人脸识别信息集合中的每个人脸识别信息,执行以下处理步骤:第一步,根据上述人脸识别信息包括的人脸特征向量,在陌生对象人脸特征数据库中进行人脸特征匹配。实践中,陌生对象人脸特征数据库中陌生对象人脸特征数据往往体量较小,因此,先在陌生对象人脸特征数据库中进行人脸特征匹配,能够提高匹配速度。第二步,响应于未匹配成功,根据上述人脸识别信息包括的年龄信息,确定检索顺序信息,其中,上述检索顺序信息表征在目标人脸特征数据库集合中的检索顺序,上述目标人脸特征数据库集合是用于存储不同身份类别的用户的人脸特征的数据库。实践中,当未匹配成功时,可能表征非陌生对象或未录入陌生对象人脸特征数据库。因此,需要比对目标人脸特征数据库集合是否存在人脸特征向量对应的对象。考虑到校园区域中的对象(如学生和非学生)之间存在明显的年龄划分,因此可以根据年龄信息,确定在不同数据库之间的检索顺序,进一步提高检索速度。第三步,根据上述检索顺序信息和上述人脸识别信息包括的人脸特征向量,依次在上述目标人脸特征数据库集合中的目标人脸特征数据库进行人脸特征匹配。第四步,响应于未匹配成功,将上述人脸识别信息包括的人脸特征向量,添加至陌生对象人脸特征数据中。通过此种方式,结合校园区域内设置的摄像头,可以全面地对校园区域内的陌生对象进行有效识别。
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是根据本公开的图像处理方法的一些实施例的流程图;
图2是根据本公开的图像处理装置的一些实施例的结构示意图;
图3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。
下面将参考附图并结合实施例来详细说明本公开。
参考图1,示出了根据本公开的图像处理方法的一些实施例的流程100。该图像处理方法,包括以下步骤:
步骤101,对目标图像进行人脸定位,以生成人脸位置信息。
在一些实施例中,图像处理方法的执行主体(例如,计算设备)可以对目标图像进行人脸定位,以生成人脸位置信息。其中,上述目标图像是校园区域内设置的摄像头采集的视频中的图像。实践中,上述目标图像可以是摄像头实时采集的视频中的图像。人脸位置信息表征目标图像中存在的人脸、在上述目标图像中的位置。实践中,人脸位置信息可以通过人脸中心点坐标表征。
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,计算设备的数目根据实现需要,可以具有任意数目的计算设备。
在一些实施例的一些可选的实现方式中,上述执行主体对目标图像进行人脸定位,以生成人脸位置信息,可以包括以下步骤:
第一步,确定上述目标图像的图像分辨率。
实践中,上述执行主体可以通过以下代码确定目标图像的图像分辨率:
from PIL import Image
imgsize=Image.open("目标图像的存储位置").size
其中,“imgsize”表征图像分辨率。实践中,图像分辨率可以通过二元组构成。例如,图像分辨率可以是(200,400),其中,“200”表征目标图像的图像宽度。“400”表征目标图像的图像高度。
第二步,响应于确定上述图像分辨率大于等于预设图像分辨率,将上述目标图像输入目标识别模型包括的人脸定位模型,以生成上述人脸位置信息。
其中,上述预设图像分辨率是上述人脸定位模型能够进行有效人脸定位的最小图像分辨率。实践中,上述预设图像分辨率可以是(480,540)。上述人脸定位模型可以是用于进行确定目标图像中的包括的人脸位置的模型。其中,上述人脸定位模型可以包括:人脸特征提取层序列和全连接层,其中,上述人脸特征提取层序列中的人脸特征提取层串行连接。实践中,人脸特征提取层可以是卷积单元,即,人脸定位模型可以包括:卷积单元序列和全连接层。具体的,卷积单元序列中的卷积单元的数量可以是6。其中,第1个卷积单元包括:3个串行连接的卷积层。第2个卷积单元包括:3个串行连接的卷积层。第3个卷积单元包括:3个串行连接的卷积层。第4个卷积单元包括:2个串行连接的卷积层。第5个卷积单元包括:1个卷积层。第6个卷积层包括:1个卷积层。第1卷积单元输出的特征图与第2卷积单元输出的特征图叠加,得到第1特征图。第2卷积单元输出的特征图与第3卷积单元输出的特征图叠加,得到第2特征图。第3卷积单元输出的特征图与第4卷积单元输出的特征图叠加,得到第3特征图。第4卷积单元输出的特征图与第5卷积单元输出的特征图叠加,得到第4特征图。第5卷积单元输出的特征图与第6卷积单元输出的特征图叠加,得到第6特征图。第6卷积单元输出的特征图作为第7特征图。将第1特征图、第2特征图、第3特征图、第4特征图、第5特征图和第6特征图进行特征图叠加,得到叠加后特征图。将叠加后特征图输入全连接层,得到人脸位置信息。
第三步,响应于确定上述图像分辨率小于上述预设图像分辨率,对上述人脸定位模型进行模型自适应性伸缩,以生成伸缩后人脸定位模型。
实践中,步骤1,将目标图像输入串行连接的第1卷积单元和第2卷积单元。步骤2,将第1特征图输入全连接层,得到人脸位置信息。步骤3,当人脸位置信息包括的人脸位置对应的最大置信度小于预设置信度时,在上述第1卷积层和第2卷积层之间增加1个卷积单元。其中,将增加的卷积单元输出的特征图、第1卷积单元输出的特征图和第2卷积单元输出的特征图进行特征图叠加,作为第1特征图。步骤4,针对第3卷积单元和第4卷积单元,重复执行步骤1至步骤3。通过此种方式,实现了在基于人脸位置信息的准确度的驱动下的、针对上述人脸定位模型的模型自适应性伸缩。
第四步,通过上述伸缩后人脸定位模型和上述目标图像,生成上述人脸位置信息。
上述第一步至第四步作为本公开的一个发明点,解决了背景技术提及的技术问题二,即“针对低分辨率的图像进行对象识别时,由于低分辨率图像所包含的图像信息较少,难以有效地进行人脸定位”。实践中,由于低分辨率图像中的像素数量较少,因此,难以保留更多的图像特征。同时,因光照强度等因素影响,也会影响最终的图像质量,进而降低了对象识别的准确度。同时,现有的人脸识别模型往往是直接实现定位和识别两个功能,但摄像头采集的图像往往包含大量的、未包含人脸的行人(对象)的图形,使得直接进行定位和识别,会对计算资源产生不必要浪费。此外,常见的人脸识别模型往往模型结构固定,即不能够根据图像的分辨率进行自适应性调整,导致模型的鲁棒性较差。基于此,本公开设计了可模型自适应性伸缩的人脸定位模型,可以自动的根据图像的分辨率进行伸展,当图像分辨率较低时,可以通过模型伸展,提取得到更多的图像特征。当图像分辨率较高时,保持模型结构不变,以减少因模型层数增深所带来的计算复杂度增加的问题。通常此种方式,实现了针对低分辨率图像的有效人脸定位。
步骤102,响应于确定人脸位置信息表征目标图像中存在人脸,对目标图像进行人脸识别,以生成人脸识别信息集合。
在一些实施例中,响应于确定人脸位置信息表征目标图像中存在人脸,上述执行主体可以对目标图像进行人脸识别,以生成人脸识别信息集合。其中,上述人脸识别信息集合中的人脸识别信息包括:人脸特征向量、年龄信息和对象位置信息。人脸特征向量表征识别得到的对象的人脸对应的特征向量。年龄信息表征识别得到的对象的对应的年龄。对象位置信息表征识别得到的对象的三维坐标。具体的,对象位置信息表征的三维坐标,是从图像坐标系下的二维坐标映射到大地坐标系下的三维坐标。可选地,人脸位置信息可以包括:人脸位置集合。其中,人脸位置表征目标图像中人脸在目标图像中的位置坐标。具体的,人脸位置可以是图像坐标系下的二维坐标。
在一些实施例的一些可选的实现方式中,对上述目标图像进行人脸识别,以生成人脸识别信息集合,可以包括以下步骤:
对于上述人脸位置集合中的每个人脸位置,执行以下人脸识别步骤:
第一步,从缓存池中读取上述目标图像对应的全局图像特征图。
其中,上述全局图像特征图是上述人脸定位模型包括的人脸特征提取层序列提取得到的图像特征图。实践中,人脸特征提取层序列提取得到的图像特征图可以用于后续的人脸识别,因此,通过构建缓存池对人脸特征提取层序列提取得到的图像特征图进行缓存,使得在进行人脸识别时可以直接调取,避免了对目标图像重复进行特征提取所造成计算资源浪费和时间浪费。
第二步,以上述人脸位置为中心,对上述全局图像特征图进行随机裁取,得到局部图像特征图集合。
实践中,上述执行主体可以以上述人脸位置为中心,以预设步长逐渐增大裁剪框,得到上述多个局部图像特征图集合。
第三步,通过上述目标识别模型包括的人脸识别模型,对上述局部图像特征图集合进行特征提取,以生成上述人脸位置对应的人脸识别信息中包括的人脸特征向量和对象位置信息。
其中,上述人脸识别模型包括:人脸特征提取模型和全连接层。上述人脸特征提取模型用于生成人脸特征向量,上述全连接层用于生成对象位置信息。实践中,人脸特征提取模型可以是U-Net模型。
第四步,将上述人脸位置对应的人脸特征向量,输入上述目标识别模型包括的年龄识别模型,以生成上述人脸位置对应的人脸识别信息中包括的年龄信息。
实践中,年龄识别模型可以包括:2个卷积层和分类层。其中,分类层可以用于生成年龄分类结果。
步骤103,对于人脸识别信息集合中的每个人脸识别信息,执行以下处理步骤:
步骤1031,根据人脸识别信息包括的人脸特征向量,在陌生对象人脸特征数据库中进行人脸特征匹配。
在一些实施例中,上述执行主体可以根据人脸识别信息包括的人脸特征向量,在陌生对象人脸特征数据库中进行人脸特征匹配。
其中,陌生对象人脸特征数据库是用于存储陌生对象对应的人脸特征数据的数据库。实践中,上述执行主体会对陌生对象人脸特征数据库中低频次访问的陌生对象人脸特征数据从陌生对象人脸特征数据库中删除。实践中,首先,上述执行主体可以将陌生对象人脸特征数据库中存储的陌生对象人脸特征数据读入内存中。接着,上述执行主体可以相似度计算的方式,确定人脸识别信息包括的人脸特征向量与陌生对象人脸特征数据的相似度,并根据相似度结果,确定是否匹配成功。
可选地,陌生对象人脸特征数据库包括:高频陌生对象人脸特征数据库和低频陌生对象人脸特征数据库。其中,高频陌生对象人脸特征数据库可以是用于存储被高频次访问陌生对象人脸特征数据。低频陌生对象人脸特征数据库可以是用于存储被低频次访问陌生对象人脸特征数据。实践中,高频陌生对象人脸特征数据库和低频陌生对象人脸特征数据库中存储的陌生对象人脸特征数据可以定期根据访问频次,对陌生对象人脸特征数据进行地址交换。低频陌生对象人脸特征数据库中的陌生对象人脸特征数据分页存储。
在一些实施例的一些可选的实现方式中,上述根据上述人脸识别信息包括的人脸特征向量,在陌生对象人脸特征数据库中进行人脸特征匹配,可以包括以下步骤:
第一步,响应于确定上述陌生对象人脸特征数据库的被访问模式为高频查询模式,根据候选人脸特征向量集合和上述人脸识别信息包括的人脸特征向量,执行以下第一匹配步骤:
第一子步骤,对候选人脸特征向量集合进行拆分,得到第一候选人脸特征向量集合和第二候选人脸特征向量集合。
其中,候选人脸特征向量集合是在内存中预先加载的上述高频陌生对象人脸特征数据库中的陌生对象人脸特征数据。
第二子步骤,将第一候选人脸特征向量集合中的第一候选人脸特征向量加载至特征匹配环中。
其中,特征匹配环的环长度与第一候选人脸特征向量集合中的第一候选人脸特征向量的数量相同。特征匹配环用于控制匹配时序。
第三子步骤,将特征匹配环中的第一候选人脸特征向量与上述人脸识别信息包括的人脸特征向量进行特征匹配。
作为示例,特征匹配环可以包括:第一候选人脸特征向量A、第一候选人脸特征向量B和第一候选人脸特征向量C。具体的,首先,上述执行主体可以计算第一候选人脸特征向量A和人脸识别信息包括的人脸特征向量的向量相似度。其次,当计算量达到第一候选人脸特征向量A的向量长度一半时,上述执行主体可以开始计算第一候选人脸特征向量B和人脸识别信息包括的人脸特征向量的向量相似度。接着,当计算量达到第一候选人脸特征向量B的向量长度的一半时,上述执行主体可以开始计算第一候选人脸特征向量C和人脸识别信息包括的人脸特征向量的向量相似度。进一步,当第一候选人脸特征向量A和人脸识别信息包括的人脸特征向量的向量相似度结果表征匹配时,结束第一候选人脸特征向量B,以及结束第一候选人脸特征向量C的相似度计算。此外,当第一候选人脸特征向量A和人脸识别信息包括的人脸特征向量的向量相似度结果表征不匹配、且第一候选人脸特征向量B和人脸识别信息包括的人脸特征向量的向量相似度结果表征匹配时,结束第一候选人脸特征向量C的相似度计算。
第四子步骤,响应于匹配成功,结束上述第一匹配步骤。
第二步,响应于特征匹配环中不存在与上述人脸识别信息包括的人脸特征向量匹配的第一候选人脸特征向量,将第二候选人脸特征向量集合确定为候选人脸特征向量集合,以及再次执行上述第一匹配步骤。
第三步,响应于上述高频陌生对象人脸特征数据库中不存在与上述人脸识别信息包括的人脸特征向量匹配的陌生对象人脸特征数据,对于上述低频陌生对象人脸特征数据库中的每页数据存储页,执行以下第二匹配步骤:
第一子步骤,对上述数据存储页中存储的陌生对象人脸特征数据进行数据解压,以生成解压后陌生对象人脸特征数据,得到解压后陌生对象人脸特征数据集合。
实践中,上述执行主体可以根据压缩算法,对上述数据存储页中存储的陌生对象人脸特征数据进行反解压,得到解压后陌生对象人脸特征数据。
第二子步骤,将上述人脸识别信息包括的人脸特征向量与上述解压后陌生对象人脸特征数据集合中的解压后陌生对象人脸特征数据进行人脸特征匹配。
上述陌生对象人脸特征数据库,以及上述第一步至第三步作为本公开的另一个发明点,解决了背景技术提及的技术问题三,即“在进行陌生对象比对时,随着比对量的增大,导致陌生对象的识别效率低下”。基于此,首先,本公开根据访问频次,将陌生对象人脸特征数据库划分为高频陌生对象人脸特征数据库和低频陌生对象人脸特征数据库。以避免未划分情形下的全量数据访问所造成的资源开销。接着,在高频查询模式下,直接将高频陌生对象人脸特征数据库中的陌生对象人脸特征数据加载至内存中,减少内存和外存之间在进行数据调用过程中的时间开销。进一步,通过构建特征匹配环,以控制匹配时序,以此提高匹配效率。通过此种方式,大大提高了针对陌生对象的匹配效率。
步骤1032,响应于未匹配成功,根据人脸识别信息包括的年龄信息,确定检索顺序信息。
在一些实施例中,响应于未匹配成功,上述执行主体可以根据人脸识别信息包括的年龄信息,确定检索顺序信息。其中,上述检索顺序信息表征在目标人脸特征数据库集合中的检索顺序,上述目标人脸特征数据库集合是用于存储不同身份类别的用户的人脸特征的数据库。实践中,目标人脸特征数据库集合可以包括:教师人脸特征数据库和学生人脸特征数据库。实践中,当年龄信息对应的年龄小于年龄阈值时,检索顺序可以是[学生人脸特征数据库,教师人脸特征数据库],即先在学生人脸特征数据库中检索,再在教师人脸特征数据库中检索。具体的,年龄阈值可以是28岁。
步骤1033,根据检索顺序信息和人脸识别信息包括的人脸特征向量,依次在目标人脸特征数据库集合中的目标人脸特征数据库进行人脸特征匹配。
在一些实施例中,上述执行主体可以根据检索顺序信息和人脸识别信息包括的人脸特征向量,依次在目标人脸特征数据库集合中的目标人脸特征数据库进行人脸特征匹配。其中,上述执行主体可以采用步骤1031的匹配方式,即计算相似度的方式,依次在目标人脸特征数据库集合中的目标人脸特征数据库进行人脸特征匹配。在此不再赘述。
步骤1034,响应于未匹配成功,将人脸识别信息包括的人脸特征向量,添加至陌生对象人脸特征数据中。
在一些实施例中,响应于未匹配成功,上述执行主体可以将人脸识别信息包括的人脸特征向量,添加至陌生对象人脸特征数据中。
可选地,上述方法还包括:
第一步,响应于匹配成功、且上述人脸识别信息对应的历史对象位置信息序列中的历史对象位置信息的数量等于目标值,根据上述人脸识别信息包括的对象位置信息和上述历史对象位置信息序列,生成更新后陌生对象移动轨迹。
其中,目标值可以是1。实践中,上述执行主体可以根据上述人脸识别信息包括的对象位置信息和上述历史对象位置信息序列,通过最小二乘法进行轨迹拟合,以生成更新后陌生对象移动轨迹。
第二步,响应于匹配成功、且上述人脸识别信息对应的历史对象位置信息序列中的历史对象位置信息的数量大于上述目标值,对上述历史对象位置信息序列对应的陌生对象移动轨迹进行轨迹更新,以生成更新后陌生对象移动轨迹。
实践中,上述执行主体可以在历史对象位置信息序列对应的陌生对象移动轨迹的基础上,上述根据上述人脸识别信息包括的对象位置信息进行轨迹更新,以生成更新后陌生对象移动轨迹。
第三步,响应于到达驱离时间点,根据上述更新后陌生对象移动轨迹,通知安保人员对上述更新后陌生对象移动轨迹对应的陌生对象进行对象搜寻以及驱离。
第四步,响应于确定上述陌生对象进行围栏区域,根据上述更新后陌生对象移动轨迹,通知安保人员对上述陌生对象进行驱离。
其中,上述围栏区域是预先设置的电子围栏区域。实践中,围栏区域可以是学生住宿区域,也可以是教学和科研区域。
第五步,在数字校园孪生平台同步显示上述更新后陌生对象移动轨迹和驱离结果。
其中,上述数字校园孪生平台是上述校园区域的数字孪生体。具体的,数字孪生平台可以通过获取校园区域内各个传感器(例如,摄像头,打卡机)采集的数据,并进行实时展示,以达实时可视化的目的,方便对校园区域进行全局监控。驱离结果表征是否驱离成功。
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图像处理方法,实现了对校园区域内的陌生对象的有效且全面地识别。具体来说,造成无法对校园区域内的陌生对象的有效且全面地识别的原因在于:由于校园区域往往面积较大,同时除出入口外,往往存在其它的进入校园的方式,导致无法有效且全面地进行陌生对象识别。基于此,本公开的一些实施例的图像处理方法,首先,对目标图像进行人脸定位,以生成人脸位置信息,其中,上述目标图像是校园区域内设置的摄像头采集的视频中的图像。接着,响应于确定上述人脸位置信息表征上述目标图像中存在人脸,对上述目标图像进行人脸识别,以生成人脸识别信息集合,其中,上述人脸识别信息集合中的人脸识别信息包括:人脸特征向量、年龄信息和对象位置信息。实践中,摄像头在进行视频采集的过程中,视频中的图像往往包含大量的未包含人脸的图像,采用直接进行人脸识别和定位的方法,数据处理量较大。因此,本公开先对目标图像进行人脸定位,当生成的人脸位置信息表征目标图像中存在人脸时,再进行人脸识别,以得到更加具体的人脸特征。其次,对于上述人脸识别信息集合中的每个人脸识别信息,执行以下处理步骤:第一步,根据上述人脸识别信息包括的人脸特征向量,在陌生对象人脸特征数据库中进行人脸特征匹配。实践中,陌生对象人脸特征数据库中陌生对象人脸特征数据往往体量较小,因此,先在陌生对象人脸特征数据库中进行人脸特征匹配,能够提高匹配速度。第二步,响应于未匹配成功,根据上述人脸识别信息包括的年龄信息,确定检索顺序信息,其中,上述检索顺序信息表征在目标人脸特征数据库集合中的检索顺序,上述目标人脸特征数据库集合是用于存储不同身份类别的用户的人脸特征的数据库。实践中,当未匹配成功时,可能表征非陌生对象或未录入陌生对象人脸特征数据库。因此,需要比对目标人脸特征数据库集合是否存在人脸特征向量对应的对象。考虑到校园区域中的对象(如学生和非学生)之间存在明显的年龄划分,因此可以根据年龄信息,确定在不同数据库之间的检索顺序,进一步提高检索速度。第三步,根据上述检索顺序信息和上述人脸识别信息包括的人脸特征向量,依次在上述目标人脸特征数据库集合中的目标人脸特征数据库进行人脸特征匹配。第四步,响应于未匹配成功,将上述人脸识别信息包括的人脸特征向量,添加至陌生对象人脸特征数据中。通过此种方式,结合校园区域内设置的摄像头,可以全面地对校园区域内的陌生对象进行有效识别。
进一步参考图2,作为对上述各图所示方法的实现,本公开提供了一种图像处理装置的一些实施例,这些装置实施例与图1所示的那些方法实施例相对应,该图像处理装置具体可以应用于各种电子设备中。
如图2所示,一些实施例的图像处理装置200包括:人脸定位单元201、人脸识别单元202和执行单元203。其中,人脸定位单元201,被配置成对目标图像进行人脸定位,以生成人脸位置信息,其中,上述目标图像是校园区域内设置的摄像头采集的视频中的图像;人脸识别单元202,被配置成响应于确定上述人脸位置信息表征上述目标图像中存在人脸,对上述目标图像进行人脸识别,以生成人脸识别信息集合,其中,上述人脸识别信息集合中的人脸识别信息包括:人脸特征向量、年龄信息和对象位置信息;执行单元203,被配置成对于上述人脸识别信息集合中的每个人脸识别信息,执行以下处理步骤:根据上述人脸识别信息包括的人脸特征向量,在陌生对象人脸特征数据库中进行人脸特征匹配;响应于未匹配成功,根据上述人脸识别信息包括的年龄信息,确定检索顺序信息,其中,上述检索顺序信息表征在目标人脸特征数据库集合中的检索顺序,上述目标人脸特征数据库集合是用于存储不同身份类别的用户的人脸特征的数据库;根据上述检索顺序信息和上述人脸识别信息包括的人脸特征向量,依次在上述目标人脸特征数据库集合中的目标人脸特征数据库进行人脸特征匹配;响应于未匹配成功,将上述人脸识别信息包括的人脸特征向量,添加至陌生对象人脸特征数据中
可以理解的是,该图像处理装置200中记载的诸单元与参考图1描述的方法中的各个步骤相对应。由此,上文针对方法描述的操作、特征以及产生的有益效果同样适用于图像处理装置200及其中包含的单元,在此不再赘述。
下面参考图3,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)300的结构示意图。图3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3所示,电子设备300可以包括处理装置(例如中央处理器、图形处理器等)301,其可以根据存储在只读存储器302中的程序或者从存储装置308加载到随机访问存储器303中的程序而执行各种适当的动作和处理。在随机访问存储器303中,还存储有电子设备300操作所需的各种程序和数据。处理装置301、只读存储器302以及随机访问存储器303通过总线304彼此相连。输入/输出接口305也连接至总线304。
通常,以下装置可以连接至I/O接口305:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置306;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置307;包括例如磁带、硬盘等的存储装置308;以及通信装置309。通信装置309可以允许电子设备300与其他设备进行无线或有线通信以交换数据。虽然图3示出了具有各种装置的电子设备300,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3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309从网络上被下载和安装,或者从存储装置308被安装,或者从只读存储器302被安装。在该计算机程序被处理装置301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(Hyper Text 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:对目标图像进行人脸定位,以生成人脸位置信息,其中,上述目标图像是校园区域内设置的摄像头采集的视频中的图像;响应于确定上述人脸位置信息表征上述目标图像中存在人脸,对上述目标图像进行人脸识别,以生成人脸识别信息集合,其中,上述人脸识别信息集合中的人脸识别信息包括:人脸特征向量、年龄信息和对象位置信息;对于上述人脸识别信息集合中的每个人脸识别信息,执行以下处理步骤:根据上述人脸识别信息包括的人脸特征向量,在陌生对象人脸特征数据库中进行人脸特征匹配;响应于未匹配成功,根据上述人脸识别信息包括的年龄信息,确定检索顺序信息,其中,上述检索顺序信息表征在目标人脸特征数据库集合中的检索顺序,上述目标人脸特征数据库集合是用于存储不同身份类别的用户的人脸特征的数据库;根据上述检索顺序信息和上述人脸识别信息包括的人脸特征向量,依次在上述目标人脸特征数据库集合中的目标人脸特征数据库进行人脸特征匹配;响应于未匹配成功,将上述人脸识别信息包括的人脸特征向量,添加至陌生对象人脸特征数据中。
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。
描述于本公开的一些实施例中的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器包括人脸定位单元、人脸识别单元和执行单元。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定,例如,人脸定位单元还可以被描述为“对目标图像进行人脸定位,以生成人脸位置信息的单元”。
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。
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 (10)
1.一种图像处理方法,包括:
对目标图像进行人脸定位,以生成人脸位置信息,其中,所述目标图像是校园区域内设置的摄像头采集的视频中的图像;
响应于确定所述人脸位置信息表征所述目标图像中存在人脸,对所述目标图像进行人脸识别,以生成人脸识别信息集合,其中,所述人脸识别信息集合中的人脸识别信息包括:人脸特征向量、年龄信息和对象位置信息;
对于所述人脸识别信息集合中的每个人脸识别信息,执行以下处理步骤:
根据所述人脸识别信息包括的人脸特征向量,在陌生对象人脸特征数据库中进行人脸特征匹配;
响应于未匹配成功,根据所述人脸识别信息包括的年龄信息,确定检索顺序信息,其中,所述检索顺序信息表征在目标人脸特征数据库集合中的检索顺序,所述目标人脸特征数据库集合是用于存储不同身份类别的用户的人脸特征的数据库;
根据所述检索顺序信息和所述人脸识别信息包括的人脸特征向量,依次在所述目标人脸特征数据库集合中的目标人脸特征数据库进行人脸特征匹配;
响应于未匹配成功,将所述人脸识别信息包括的人脸特征向量,添加至陌生对象人脸特征数据中。
2.根据权利要求1所述的方法,其中,所述方法还包括:
响应于匹配成功、且所述人脸识别信息对应的历史对象位置信息序列中的历史对象位置信息的数量等于目标值,根据所述人脸识别信息包括的对象位置信息和所述历史对象位置信息序列,生成更新后陌生对象移动轨迹;
响应于匹配成功、且所述人脸识别信息对应的历史对象位置信息序列中的历史对象位置信息的数量大于所述目标值,对所述历史对象位置信息序列对应的陌生对象移动轨迹进行轨迹更新,以生成更新后陌生对象移动轨迹;
响应于到达驱离时间点,根据所述更新后陌生对象移动轨迹,通知安保人员对所述更新后陌生对象移动轨迹对应的陌生对象进行对象搜寻以及驱离;
响应于确定所述陌生对象进行围栏区域,根据所述更新后陌生对象移动轨迹,通知安保人员对所述陌生对象进行驱离,其中,所述围栏区域是预先设置的电子围栏区域。
3.根据权利要求2所述的方法,其中,所述方法还包括:
在数字校园孪生平台同步显示所述更新后陌生对象移动轨迹和驱离结果,其中,所述数字校园孪生平台是所述校园区域的数字孪生体。
4.根据权利要求3所述的方法,其中,所述对目标图像进行人脸定位,以生成人脸位置信息,包括:
确定所述目标图像的图像分辨率;
响应于确定所述图像分辨率大于等于预设图像分辨率,将所述目标图像输入目标识别模型包括的人脸定位模型,以生成所述人脸位置信息,其中,所述人脸定位模型包括:人脸特征提取层序列和全连接层,其中,所述人脸特征提取层序列中的人脸特征提取层串行连接;
响应于确定所述图像分辨率小于所述预设图像分辨率,对所述人脸定位模型进行模型自适应性伸缩,以生成伸缩后人脸定位模型;
通过所述伸缩后人脸定位模型和所述目标图像,生成所述人脸位置信息。
5.根据权利要求4所述的方法,其中,所述人脸位置信息包括:人脸位置集合;以及
所述对所述目标图像进行人脸识别,以生成人脸识别信息集合,包括:
对于所述人脸位置集合中的每个人脸位置,执行以下人脸识别步骤:
从缓存池中读取所述目标图像对应的全局图像特征图,其中,所述全局图像特征图是所述人脸定位模型包括的人脸特征提取层序列提取得到的图像特征图;
以所述人脸位置为中心,对所述全局图像特征图进行随机裁取,得到局部图像特征图集合;
通过所述目标识别模型包括的人脸识别模型,对所述局部图像特征图集合进行特征提取,以生成所述人脸位置对应的人脸识别信息中包括的人脸特征向量和对象位置信息,其中,所述人脸识别模型包括:人脸特征提取模型和全连接层,所述人脸特征提取模型用于生成人脸特征向量,所述全连接层用于生成对象位置信息;
将所述人脸位置对应的人脸特征向量,输入所述目标识别模型包括的年龄识别模型,以生成所述人脸位置对应的人脸识别信息中包括的年龄信息。
6.根据权利要求5所述的方法,其中,所述陌生对象人脸特征数据库包括:高频陌生对象人脸特征数据库和低频陌生对象人脸特征数据库;以及
所述根据所述人脸识别信息包括的人脸特征向量,在陌生对象人脸特征数据库中进行人脸特征匹配,包括:
响应于确定所述陌生对象人脸特征数据库的被访问模式为高频查询模式,根据候选人脸特征向量集合和所述人脸识别信息包括的人脸特征向量,其中,候选人脸特征向量集合是在内存中预先加载的所述高频陌生对象人脸特征数据库中的陌生对象人脸特征数据,执行以下第一匹配步骤:
对候选人脸特征向量集合进行拆分,得到第一候选人脸特征向量集合和第二候选人脸特征向量集合;
将第一候选人脸特征向量集合中的第一候选人脸特征向量加载至特征匹配环中,其中,特征匹配环的环长度与第一候选人脸特征向量集合中的第一候选人脸特征向量的数量相同;
将特征匹配环中的第一候选人脸特征向量与所述人脸识别信息包括的人脸特征向量进行特征匹配,其中,所述特征匹配环用于控制匹配时序;
响应于匹配成功,结束所述第一匹配步骤;
响应于特征匹配环中不存在与所述人脸识别信息包括的人脸特征向量匹配的第一候选人脸特征向量,将第二候选人脸特征向量集合确定为候选人脸特征向量集合,以及再次执行所述第一匹配步骤。
7.根据权利要求6所述的方法,其中,所述低频陌生对象人脸特征数据库中的陌生对象人脸特征数据分页存储;以及
所述根据所述人脸识别信息包括的人脸特征向量,在陌生对象人脸特征数据库中进行人脸特征匹配,还包括:
响应于所述高频陌生对象人脸特征数据库中不存在与所述人脸识别信息包括的人脸特征向量匹配的陌生对象人脸特征数据,对于所述低频陌生对象人脸特征数据库中的每页数据存储页,执行以下第二匹配步骤:
对所述数据存储页中存储的陌生对象人脸特征数据进行数据解压,以生成解压后陌生对象人脸特征数据,得到解压后陌生对象人脸特征数据集合;
将所述人脸识别信息包括的人脸特征向量与所述解压后陌生对象人脸特征数据集合中的解压后陌生对象人脸特征数据进行人脸特征匹配。
8.一种图像处理装置,包括:
人脸定位单元,被配置成对目标图像进行人脸定位,以生成人脸位置信息,其中,所述目标图像是校园区域内设置的摄像头采集的视频中的图像;
人脸识别单元,被配置成响应于确定所述人脸位置信息表征所述目标图像中存在人脸,对所述目标图像进行人脸识别,以生成人脸识别信息集合,其中,所述人脸识别信息集合中的人脸识别信息包括:人脸特征向量、年龄信息和对象位置信息;
执行单元,被配置成对于所述人脸识别信息集合中的每个人脸识别信息,执行以下处理步骤:根据所述人脸识别信息包括的人脸特征向量,在陌生对象人脸特征数据库中进行人脸特征匹配;响应于未匹配成功,根据所述人脸识别信息包括的年龄信息,确定检索顺序信息,其中,所述检索顺序信息表征在目标人脸特征数据库集合中的检索顺序,所述目标人脸特征数据库集合是用于存储不同身份类别的用户的人脸特征的数据库;根据所述检索顺序信息和所述人脸识别信息包括的人脸特征向量,依次在所述目标人脸特征数据库集合中的目标人脸特征数据库进行人脸特征匹配;响应于未匹配成功,将所述人脸识别信息包括的人脸特征向量,添加至陌生对象人脸特征数据中。
9.一种电子设备,包括:
一个或多个处理器;
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至7中任一所述的方法。
10.一种计算机可读介质,其上存储有计算机程序,其中,所述计算机程序被处理器执行时实现如权利要求1至7中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310685891.8A CN116935462B (zh) | 2023-06-09 | 2023-06-09 | 图像处理方法、装置、电子设备和计算机可读介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310685891.8A CN116935462B (zh) | 2023-06-09 | 2023-06-09 | 图像处理方法、装置、电子设备和计算机可读介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116935462A true CN116935462A (zh) | 2023-10-24 |
CN116935462B CN116935462B (zh) | 2024-05-17 |
Family
ID=88374611
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310685891.8A Active CN116935462B (zh) | 2023-06-09 | 2023-06-09 | 图像处理方法、装置、电子设备和计算机可读介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116935462B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN202502598U (zh) * | 2012-03-27 | 2012-10-24 | 浙江师范大学 | 基于人脸识别的幼儿园安全警报系统 |
CN110232134A (zh) * | 2019-06-13 | 2019-09-13 | 上海商汤智能科技有限公司 | 数据更新方法、服务器及计算机存储介质 |
CN110598548A (zh) * | 2019-08-07 | 2019-12-20 | 万翼科技有限公司 | 常住人员识别方法、装置、计算机设备和存储介质 |
CN110941993A (zh) * | 2019-10-30 | 2020-03-31 | 东北大学 | 基于人脸识别的动态人员分类与存储方法 |
CN111145414A (zh) * | 2019-12-27 | 2020-05-12 | 广东德融汇科技有限公司 | 用于k12教育阶段基于人脸识别的校园安全管理预警的方法 |
CN111178136A (zh) * | 2019-12-03 | 2020-05-19 | 广东马上信息科技有限公司 | 一种基于大数据的智慧校园身份识别方法及系统 |
CN112530116A (zh) * | 2020-11-26 | 2021-03-19 | 上海天健体育科技发展有限公司 | 一种基于人脸识别的校园越界自动预警方法 |
CN113947789A (zh) * | 2021-09-09 | 2022-01-18 | 北京品恩科技股份有限公司 | 一种赛事用场景人脸识别技术 |
CN115578231A (zh) * | 2022-10-27 | 2023-01-06 | 瀚云科技有限公司 | 一种多维度分析方法和系统 |
-
2023
- 2023-06-09 CN CN202310685891.8A patent/CN116935462B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN202502598U (zh) * | 2012-03-27 | 2012-10-24 | 浙江师范大学 | 基于人脸识别的幼儿园安全警报系统 |
CN110232134A (zh) * | 2019-06-13 | 2019-09-13 | 上海商汤智能科技有限公司 | 数据更新方法、服务器及计算机存储介质 |
CN110598548A (zh) * | 2019-08-07 | 2019-12-20 | 万翼科技有限公司 | 常住人员识别方法、装置、计算机设备和存储介质 |
CN110941993A (zh) * | 2019-10-30 | 2020-03-31 | 东北大学 | 基于人脸识别的动态人员分类与存储方法 |
CN111178136A (zh) * | 2019-12-03 | 2020-05-19 | 广东马上信息科技有限公司 | 一种基于大数据的智慧校园身份识别方法及系统 |
CN111145414A (zh) * | 2019-12-27 | 2020-05-12 | 广东德融汇科技有限公司 | 用于k12教育阶段基于人脸识别的校园安全管理预警的方法 |
CN112530116A (zh) * | 2020-11-26 | 2021-03-19 | 上海天健体育科技发展有限公司 | 一种基于人脸识别的校园越界自动预警方法 |
CN113947789A (zh) * | 2021-09-09 | 2022-01-18 | 北京品恩科技股份有限公司 | 一种赛事用场景人脸识别技术 |
CN115578231A (zh) * | 2022-10-27 | 2023-01-06 | 瀚云科技有限公司 | 一种多维度分析方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116935462B (zh) | 2024-05-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11367313B2 (en) | Method and apparatus for recognizing body movement | |
US20210081796A1 (en) | Neural architecture search for dense image prediction tasks | |
CN111898696B (zh) | 伪标签及标签预测模型的生成方法、装置、介质及设备 | |
CN111310770B (zh) | 目标检测方法和装置 | |
KR102606734B1 (ko) | 생체 검출 방법 및 장치 | |
CN110427915B (zh) | 用于输出信息的方法和装置 | |
CN116128055A (zh) | 图谱构建方法、装置、电子设备和计算机可读介质 | |
CN112954399A (zh) | 一种图像处理方法、装置以及计算机设备 | |
CN112330788A (zh) | 图像处理方法、装置、可读介质及电子设备 | |
CN113610034B (zh) | 识别视频中人物实体的方法、装置、存储介质及电子设备 | |
CN108170751A (zh) | 用于处理图像的方法和装置 | |
CN116935462B (zh) | 图像处理方法、装置、电子设备和计算机可读介质 | |
CN111310595B (zh) | 用于生成信息的方法和装置 | |
CN115272667B (zh) | 农田图像分割模型训练方法、装置、电子设备和介质 | |
CN110765304A (zh) | 图像处理方法、装置、电子设备及计算机可读介质 | |
CN116453154A (zh) | 行人检测方法、系统、电子设备以及可读介质 | |
CN113033552B (zh) | 文本识别方法、装置和电子设备 | |
CN112070888B (zh) | 图像生成方法、装置、设备和计算机可读介质 | |
CN114638973A (zh) | 目标图像检测方法及图像检测模型训练方法 | |
CN112487943A (zh) | 关键帧去重的方法、装置和电子设备 | |
CN115292540B (zh) | 多模态零件信息识别方法、装置、设备和计算机可读介质 | |
CN114638787B (zh) | 检测非机动车是否挂牌的方法及电子设备 | |
CN117743555B (zh) | 答复决策信息发送方法、装置、设备和计算机可读介质 | |
CN116959134A (zh) | 打卡方法、装置、电子设备和计算机可读介质 | |
CN117314944A (zh) | 一种图像处理方法及相关设备 |
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 |