CN118262390A - 人脸识别方法、装置、设备及介质 - Google Patents
人脸识别方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN118262390A CN118262390A CN202211682684.9A CN202211682684A CN118262390A CN 118262390 A CN118262390 A CN 118262390A CN 202211682684 A CN202211682684 A CN 202211682684A CN 118262390 A CN118262390 A CN 118262390A
- Authority
- CN
- China
- Prior art keywords
- face
- time
- varying
- feature
- recognition
- 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 65
- 230000001815 facial effect Effects 0.000 claims description 34
- 238000004590 computer program Methods 0.000 claims description 16
- 238000001514 detection method Methods 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 7
- 230000002238 attenuated effect Effects 0.000 claims description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 5
- 210000000746 body region Anatomy 0.000 claims description 4
- 238000004891 communication Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 10
- 230000003287 optical effect Effects 0.000 description 9
- 238000012545 processing Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000008859 change Effects 0.000 description 4
- 238000010276 construction Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000004927 fusion Effects 0.000 description 4
- 239000000284 extract Substances 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Abstract
本申请公开了一种人脸识别方法、装置、设备及介质,该方法包括:获取第一用户的待识别图像,提取待识别图像的第一人脸特征;基于人脸特征库中N个用户的注册人脸特征、时变人脸特征及其识别权重,生成N个用户中每个用户对应的人脸识别特征,其中,时变人脸特征的识别权重随时间衰减;计算第一人脸特征与每个用户的人脸识别特征的第一相似度;在第一相似度大于预设识别阈值的情况下,确定N个用户中包括第一用户,且第一人脸特征识别通过。根据本申请实施例,能够提升同一用户的人脸识别通过率,进而提升人脸识别的准确率。
Description
技术领域
本申请属于人脸识别技术领域,尤其涉及一种人脸识别方法、装置、设备及介质。
背景技术
人脸识别(Face Recognition,FR)是生物识别技术中的一种,通过摄像头等光学传感器,把光信号转换成电信号,使用模型提取出人脸特征后,再与用户提前注册好的人脸特征进行匹配识别,从而识别出当前图像中的人脸身份的一项技术。
相关技术中,由于人脸外形和采集场景的变化,其人脸特征会随着时间推移,出现漂移和改变的现象。尤其在成长期儿童和青少年群体中比较明显,一段时间以前拍摄的注册图像的人脸特征,与当前拍摄图像的人脸特征会存在较大差异,导致当前拍摄图像的人脸识别无法通过,即使是同一用户也存在人脸识别通过率较低的情况,人脸识别的准确度较低。
发明内容
本申请实施例的目的是提供一种人脸识别方法及其装置,能够提升同一用户的人脸识别通过率,进而提升人脸识别的准确率。
第一方面,本申请实施例提供一种人脸识别方法,该方法包括:获取第一用户的待识别图像,提取待识别图像的第一人脸特征;基于人脸特征库中N个用户的注册人脸特征、时变人脸特征及其识别权重,生成N个用户中每个用户对应的人脸识别特征,其中,时变人脸特征的识别权重随时刻衰减;计算第一人脸特征与每个用户的人脸识别特征的第一相似度;在第一相似度大于预设识别阈值的情况下,确定N个用户中包括第一用户,且第一人脸特征识别通过。
在第一方面的一些可实现方式中,在获取第一用户的待识别图像之前,方法还包括:基于固定人脸特征库和动态更新人脸特征库,构建人脸特征库;在获取到每个用户的注册人脸图像的情况下,提取注册人脸图像的注册人脸特征,并在固定人脸特征库中存储每个用户的注册人脸特征;构建每个用户对应的时变人脸特征队列,并在动态更新人脸特征库中存储时变人脸特征队列,其中,时变人脸特征队列用于存储对应用户的时变人脸特征,时变人脸特征队列中的时变人脸特征是动态更新的。
在第一方面的一些可实现方式中,方法还包括:在第一人脸特征识别通过的情况下,输出识别结果,并将第一人脸特征更新至人脸特征库中第一用户的时变人脸特征队列。
在第一方面的一些可实现方式中,将第一人脸特征更新至人脸特征库中第一用户的时变人脸特征队列,包括:在第一相似度大于预设更新阈值的情况下,将第一人脸特征更新至人脸特征库中第一用户的时变人脸特征队列,预设更新阈值大于预设识别阈值。
在第一方面的一些可实现方式中,每个时变人脸特征队列中包括至少一个时变人脸特征,每个用户对应K1个注册人脸特征,基于人脸特征库中N个用户的注册人脸特征、时变人脸特征及其识别权重,生成N个用户中每个用户对应的人脸识别特征,包括:基于识别权重对至少一个时变人脸特征进行加权平均,得到每个用户对应的第一加权人脸特征;对K1个注册人脸特征进行加权平均,得到每个用户对应的第二加权人脸特征;基于每个用户对应的第一加权人脸特征和第二加权人脸特征,生成人脸识别特征。
在第一方面的一些可实现方式中,时变人脸特征队列的容量为K2,将第一人脸特征更新至人脸特征库中第一用户的时变人脸特征队列,包括:在第一用户的时变人脸特征队列中包括K2个时变人脸特征的情况下,获取K2个时变人脸特征的添加时刻,添加时刻为添加至时变人脸特征队列的时刻;在时变人脸特征队列中删除添加时刻最早的时变人脸特征,并添加第一人脸特征。
在第一方面的一些可实现方式中,方法还包括:基于时刻衰减函数,更新时变人脸特征队列中时变人脸特征的识别权重,其中,识别权重与第一时长呈负相关,第一时长为当前时刻与时变人脸特征的添加时刻的间隔时长,添加时刻为添加至时变人脸特征队列的时刻。
在第一方面的一些可实现方式中,提取待识别图像的第一人脸特征,包括:基于卷积神经网络的人体检测算法对待识别图像进行人体检测,确定待识别图像中的人体区域,人体区域以矩形框表示;基于矩形框和待识别图像,提取第一人脸特征。
第二方面,本申请实施例提供一种人脸识别装置,该装置包括:提取模块,用于获取第一用户的待识别图像,提取待识别图像的第一人脸特征;生成模块,用于基于人脸特征库中N个用户的注册人脸特征、时变人脸特征及其识别权重,生成N个用户中每个用户对应的人脸识别特征,其中,时变人脸特征的识别权重随时刻衰减;计算模块,用于计算第一人脸特征与每个用户的人脸识别特征的第一相似度;识别模块,用于在第一相似度大于预设识别阈值的情况下,确定N个用户中包括第一用户,且第一人脸特征识别通过。
在第二方面的一些可实现方式中,装置还包括:构建模块,用于在获取第一用户的待识别图像之前,基于固定人脸特征库和动态更新人脸特征库,构建人脸特征库;提取模块,用于在获取到每个用户的注册人脸图像的情况下,提取注册人脸图像的注册人脸特征,并在固定人脸特征库中存储每个用户的注册人脸特征;构建模块,还用于构建每个用户对应的时变人脸特征队列,并在动态更新人脸特征库中存储时变人脸特征队列,其中,时变人脸特征队列用于存储对应用户的时变人脸特征,时变人脸特征队列中的时变人脸特征是动态更新的。
在第二方面的一些可实现方式中,装置还包括:更新模块,用于在第一人脸特征识别通过的情况下,输出识别结果,并将第一人脸特征更新至人脸特征库中第一用户的时变人脸特征队列。
在第二方面的一些可实现方式中,更新模块具体用于:在第一相似度大于预设更新阈值的情况下,将第一人脸特征更新至人脸特征库中第一用户的时变人脸特征队列,预设更新阈值大于预设识别阈值。
在第二方面的一些可实现方式中,每个时变人脸特征队列中包括至少一个时变人脸特征,每个用户对应K1个注册人脸特征,生成模块包括:计算单元,用于基于识别权重对至少一个时变人脸特征进行加权平均,得到每个用户对应的第一加权人脸特征;计算单元,还用于对K1个注册人脸特征进行加权平均,得到每个用户对应的第二加权人脸特征;生成单元,用于基于每个用户对应的第一加权人脸特征和第二加权人脸特征,生成人脸识别特征。
在第二方面的一些可实现方式中,时变人脸特征队列的容量为K2,更新模块包括:获取单元,用于在第一用户的时变人脸特征队列中包括K2个时变人脸特征的情况下,获取K2个时变人脸特征的添加时刻,添加时刻为添加至时变人脸特征队列的时刻;更新单元,用于在时变人脸特征队列中删除添加时刻最早的时变人脸特征,并添加第一人脸特征。
在第二方面的一些可实现方式中,装置还包括:更新模块,用于基于时刻衰减函数,更新时变人脸特征队列中时变人脸特征的识别权重,其中,识别权重与第一时长呈负相关,第一时长为当前时刻与时变人脸特征的添加时刻的间隔时长,添加时刻为添加至时变人脸特征队列的时刻。
在第二方面的一些可实现方式中,提取模块具体用于:基于卷积神经网络的人体检测算法对待识别图像进行人体检测,确定待识别图像中的人体区域,人体区域以矩形框表示;基于矩形框和待识别图像,提取第一人脸特征。
第三方面,本申请实施例提供一种电子设备,包括:处理器以及存储有计算机程序指令的存储器;处理器执行计算机程序指令时实现如第一方面的人脸识别方法的步骤。
第四方面,本申请实施例提供一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序指令,计算机程序指令被处理器执行时实现如第一方面的人脸识别方法的步骤。
第五方面,本申请实施例提供了一种计算机程序产品,所述计算机程序产品被存储在非易失的存储介质中,所述计算机程序产品被至少一个处理器执行以实现如第一方面的人脸识别方法的步骤。
第六方面,本申请实施例提供了一种芯片,该芯片包括处理器和通信接口,通信接口和处理器耦合,处理器用于运行程序或指令,实现如第一方面的人脸识别方法的步骤。
本申请提供一种人脸识别方法、装置、设备及介质,获取第一用户的待识别图像,提取待识别图像的第一人脸特征。由于人脸特征库中除了包括注册人脸特征以外,还包括动态更新的时变人脸特征,且时变人脸特征的识别权重随时间衰减,也即,时变人脸特征在时变人脸特征队列中的存储时间越长,其对应的识别权重越小,如此可以保证用户最近的时变人脸特征具有较高识别权重,较久远的时变人脸特征具有较低识别权重,使人脸特征库具有时效性。基于此,在根据人脸特征库中用户的注册人脸特征、时变人脸特征及其识别权重,生成人脸识别特征时,识别权重较高的时变人脸特征在人脸识别特征中的所占比重更大,因此最终生成的人脸识别特征能够更贴近用户的当前人脸特征,也即,该人脸识别特征与用户的当前人脸特征的匹配度更高,也即第一相似度更高。因此在根据人脸识别特征对第一人脸特征进行人脸识别时,能够降低长时的时变人脸特征对人脸识别带来的影响,使第一人脸特征识别通过的概率更高,提升同一用户的人脸识别通过率,进而提升人脸识别的准确率。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图作简单的介绍。
图1是本申请一实施例提供的人脸识别方法的流程示意图;
图2是本申请另一实施例提供的人脸识别方法的流程示意图;
图3是本申请实施例提供的一种人脸识别装置的结构示意图;
图4是本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
下面将详细描述本申请的各个方面的特征和示例性实施例,为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及具体实施例,对本申请进行进一步详细描述。应理解,此处所描述的具体实施例仅意在解释本申请,而不是限定本申请。对于本领域技术人员来说,本申请可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本申请的示例来提供对本申请更好的理解。
人脸识别(Face Recognition,FR)是生物识别技术中的一种,通过摄像头等光学传感器,把光信号转换成电信号,使用模型提取出人脸特征后,再与用户提前注册好的人脸特征进行匹配识别,从而识别出当前图像中的人脸身份的一项技术。相关技术中,由于人脸外形和采集场景(例如在采集人脸图像时的角度、遮挡因素等)的变化,其人脸特征会随着时间推移,出现漂移和改变的现象。尤其在成长期儿童和青少年群体中比较明显,一段时间以前拍摄的注册图像的人脸特征,与当前拍摄的待识别图像的人脸特征会存在较大差异,导致当前待识别图像的人脸识别无法通过,即使是同一用户也存在人脸识别通过率较低的情况,人脸识别的准确性较低。
为了改善相关技术中的问题,本申请实施例提供了一种人脸识别方法,获取第一用户的待识别图像,提取待识别图像的第一人脸特征。由于人脸特征库中除了包括注册人脸特征以外,还包括动态更新的时变人脸特征,且时变人脸特征的识别权重随时间衰减,也即,时变人脸特征在时变人脸特征队列中的存储时间越长,其对应的识别权重越小,如此可以保证用户最近的时变人脸特征具有较高识别权重,较久远的时变人脸特征具有较低识别权重,使人脸特征库具有时效性。基于此,在根据人脸特征库中用户的注册人脸特征、时变人脸特征及其识别权重,生成人脸识别特征时,识别权重较高的时变人脸特征在人脸识别特征中的所占比重更大,因此最终生成的人脸识别特征能够更贴近用户的当前人脸特征,也即,该人脸识别特征与用户的当前人脸特征的匹配度更高,也即第一相似度更高。因此在根据人脸识别特征对第一人脸特征进行人脸识别时,能够降低长时的时变人脸特征对人脸识别带来的影响,使第一人脸特征识别通过的概率更高,提升同一用户的人脸识别通过率,进而提升人脸识别的准确率。,进而改善相关技术中同一用户存在人脸识别通过率较低的情况,人脸识别的准确性较低的问题。
下面结合附图,通过具体的实施例及其应用场景对本申请实施例提供的人脸识别方法进行详细地说明。
图1是本申请一实施例提供的人脸识别方法的流程示意图,该人脸识别方法的执行主体可以为电子设备。
该电子设备可以为手机、平板电脑、智能穿戴设备、边缘侧设备、云端服务设备、服务器或者服务器集群等,本申请对此不做具体限定。
下面以人脸识别方法的执行主体为电子设备为例,说明本申请的人脸识别方法。需要说明的是,上述执行主体和应用场景并不构成对本申请的限定。
如图1所示,本申请实施例提供的人脸识别方法可以包括步骤110-步骤140。
步骤110,获取第一用户的待识别图像,提取待识别图像的第一人脸特征。
其中,第一用户为在人脸识别场景下的人脸识别对象,该人脸识别场景例如可以是账号登录场景、支付场景、屏幕解锁场景等,本申请对此不做具体限定。
步骤120,基于人脸特征库中N个用户的注册人脸特征、时变人脸特征及其识别权重,生成N个用户中每个用户对应的人脸识别特征,其中,时变人脸特征的识别权重随时间衰减。
时变人脸特征基于当前时刻之前识别通过的待识别图像得到,也即,在人脸识别场景下,若用户的待识别图像对应的人脸特征识别通过后,则可以将该人脸特征添加或存储至人脸特征库中。
时变人脸特征的识别权重随时间衰减,也即时变人脸特征在人脸特征库中的存储时长越长,其对应的识别权重越小;时变人脸特征在人脸特征库中的存储时长越短,其对应的识别权重越大。
示例性地,用户A对应的时变人脸特征包括时变人脸特征a1和时变人脸特征a2,由于a1存储在人脸特征库中的时刻早于a2,因此a2的识别权重大于a1的识别权重,例如a2的识别权重为0.6,a1的识别权重为0.3。
步骤130,计算第一人脸特征与每个用户的人脸识别特征的第一相似度。
步骤140,在第一相似度大于预设识别阈值的情况下,确定N个用户中包括第一用户,且第一人脸特征识别通过。
其中,预设识别阈值可以根据具体需求进行设置,例如设置为0.75、0.8或者其他数值,本申请对此不做具体限定。第一人脸特征识别通过,即可表明待识别图像人脸识别通过。
在一个示例中,预设识别阈值为0.75,第一人脸特征为X,电子设备可以分别计算X与N个用户的人脸识别特征的相似度大小,若第一人脸特征X与用户A的人脸识别特征的第一相似度为0.81,则可以确定第一人脸特征为用户A的人脸特征,第一人脸特征识别通过。
本申请实施例提供的人脸识别方法,获取第一用户的待识别图像,提取待识别图像的第一人脸特征。由于人脸特征库中除了包括注册人脸特征以外,还包括动态更新的时变人脸特征,且时变人脸特征的识别权重随时间衰减,也即,时变人脸特征在时变人脸特征队列中的存储时间越长,其对应的识别权重越小,如此可以保证用户最近的时变人脸特征具有较高识别权重,较久远的时变人脸特征具有较低识别权重,使人脸特征库具有时效性。基于此,在根据人脸特征库中用户的注册人脸特征、时变人脸特征及其识别权重,生成人脸识别特征时,识别权重较高的时变人脸特征在人脸识别特征中的所占比重更大,因此最终生成的人脸识别特征能够更贴近用户的当前人脸特征,也即,该人脸识别特征与用户的当前人脸特征的匹配度更高,也即第一相似度更高。因此在根据人脸识别特征对第一人脸特征进行人脸识别时,能够降低长时的时变人脸特征对人脸识别带来的影响,使第一人脸特征识别通过的概率更高,提升同一用户的人脸识别通过率,进而提升人脸识别的准确率。
下面结合具体地实施例,详细介绍上述步骤的具体实现方式。
涉及步骤110,获取第一用户的待识别图像,提取待识别图像的第一人脸特征。
电子设备通过接收第一用户的拍摄输入,获取第一用户的待识别图像,并将该待识别图像由光信号转换为电信号后,通过特征提取模型提取人脸特征,得到第一人脸特征。
其中,待识别图像可以为图片或者视频。
在本申请的一些实施例中,步骤110可以具体包括下述步骤:基于卷积神经网络的人体检测算法对所述待识别图像进行人体检测,确定所述待识别图像中的人体区域,所述人体区域以矩形框表示;基于矩形框和所述待识别图像,提取所述第一人脸特征。
在本申请的一些实施例中,可以预先构建人脸特征库,在步骤110之前,该方法还可以具体包括下述步骤:基于固定人脸特征库和动态更新人脸特征库,构建人脸特征库;在获取到每个用户的注册人脸图像的情况下,提取注册人脸图像的注册人脸特征,并在固定人脸特征库中存储每个用户的注册人脸特征;构建每个用户对应的时变人脸特征队列,并在动态更新人脸特征库中存储时变人脸特征队列,其中,时变人脸特征队列用于存储对应用户的时变人脸特征,时变人脸特征队列中的时变人脸特征是动态更新的。
具体地,每个用户对应的注册人脸特征的数量可以相同,也可以不同,用户可以根据实际需求,定期或不定期地上传注册图像,以使电子设备基于该注册图像得到注册人脸特征,并将该注册人脸特征存储至固定人脸特征库。
时变人脸特征在时变人脸特征队列中的存储时长,即为其在人脸特征库中的存储时长。
涉及步骤120,基于人脸特征库中N个用户的注册人脸特征、时变人脸特征及其识别权重,生成N个用户中每个用户对应的人脸识别特征。
在一个实施例中,电子设备可以对每个用户的注册人脸特征和时变人脸特征进行加权特征融合,得到人脸识别特征,加权特征融合时时变人脸特征对应的权重即为识别权重,注册人脸特征对应权重可以根据具体需求进行设置。
示例性地,用户A的时变人脸特征队列包括时变人脸特征a1和时变人脸特征a2,注册人脸特征包括b1,其中,a2的识别权重为0.6,a1的识别权重为0.3,b1的权重为0.5,则可以对0.5*b1、0.3*a1和0.6*a2进行特征融合,得到用户A的人脸识别特征。
在本申请的一些实施例中,为了生成每个用户的人脸识别特征,每个时变人脸特征队列中包括至少一个时变人脸特征,每个用户对应K1个注册人脸特征,图2是本申请另一实施例提供的人脸识别方法的流程示意图,步骤120可以包括图2所示的步骤210-步骤230。
步骤210,基于识别权重对至少一个时变人脸特征进行加权平均,得到每个用户对应的第一加权人脸特征;
步骤220,对K1个注册人脸特征进行加权平均,得到每个用户对应的第二加权人脸特征;
步骤230,基于每个用户对应的第一加权人脸特征和第二加权人脸特征,生成人脸识别特征。
在一个实施例中,注册人脸特征对应的权重也可随时间衰减,即用户最新上传的注册图像的注册人脸特征的权重最大,例如为1,最早上传的注册图像的注册人脸特征的权重最小。
示例性地,用户A的时变人脸特征队列包括时变人脸特征a1和时变人脸特征a2,注册人脸特征包括b1和b1,其中,a2的识别权重为0.6,a1的识别权重为0.3,b1的权重为0.5,b2的权重为1,计算0.3*a1和0.6*a2的平均值,得到第一加权人脸特征,计算0.5*b1和1*b2的平均值,得到第二加权人脸特征,对第一加权人脸特征和第二加权人脸特征进行特征融合,得到人脸识别特征。
在本申请实施例中,用户最近的时变人脸特征具有较高识别权重,较久远的时变人脸特征具有较低识别权重,因此基于识别权重对至少一个时变人脸特征进行加权平均处理后,第一加权人脸特征与用户最新时变人脸特征的匹配度更高。如此,基于该第一加权人脸特征对用户当前上传的第一人脸特征进行识别,能够提升第一人脸特征与第一加权人脸特征的匹配度,进而提升第一人脸特征的人脸特征识别通过率。
在一个实施例中,基于每个用户对应的第一加权人脸特征和第二加权人脸特征,确定人脸识别特征,可以包括:计算第一加权人脸特征和第二加权人脸特征的特征平均值,得到人脸识别特征。
涉及步骤130,计算第一人脸特征与每个用户的人脸识别特征的第一相似度。
具体地,电子设备可以基于相似度算法分别计算第一人脸特征与N个用户的人脸识别特征的第一相似度。
该相似度算法例如可以是余弦距离算法、概率线性判别分析(ProbabilisticLinear Discriminant Analysis,PLDA)算法等,本申请对此不做具体限定。
涉及步骤140,在第一相似度大于预设识别阈值的情况下,确定N个用户中包括第一用户,且第一人脸特征识别通过。
在本申请实施例中,用户最近的时变人脸特征具有较高识别权重,较久远的时变人脸特征具有较低识别权重,因此基于识别权重和至少一个时变人脸特征确定出的人脸识别特征,其与用户最新时变人脸特征的匹配度较高,也即该人脸识别特征具有较高时效性。如此,基于该人脸识别特征对用户当前上传的第一人脸特征进行识别,能够提升人脸特征识别的准确率和鲁棒性。
在本申请的一些实施例中,该方法还可以具体包括:基于时间衰减函数,更新时变人脸特征队列中时变人脸特征的识别权重。
其中,识别权重与第一时长呈负相关,第一时长为当前时刻与时变人脸特征的添加时刻的间隔时长,添加时刻为添加至时变人脸特征队列的时刻。
在一个实施例中,时长人脸特征的添加时刻为T1,当前时刻为T2,则第一时长Δt=T2-T1,时间衰减函数f(Δt)的形式不限,但是f(Δt)必须符合如下规则:随着T增加,f(Δt)单调递减;f(Δt)∈(0,α],其中α为加权权重上限,用来控制时变人脸特征与注册人脸特征的相对权重。
示例性地,
在本申请实施例中,通过时间衰减函数可以对时变人脸特征队列中的所有时变人脸特征的识别权重进行合理更新,为用户最新上传的时变人脸特征赋予较高识别权重,为用户最早上传的时变人脸特征赋予较低识别权重,利用识别权重随着时间衰减的策略保证时变人脸特征队列的实效性。在基于时变人脸特征对第一人脸特征进行识别时,基于用户最近一段时间的时变人脸特征具有较高识别权重,且第一人脸特征与最近一段时间的时变人脸特征具有较高相似性,因此能够减少长时的时变对人脸特征识别准确度带来的影响,提升第一人脸特征的人脸特征识别通过率。
需要说明的是,本申请不对时变人脸特征队列中时变人脸特征的识别权重的更新时机进行具体限定,可以是基于预设周期更新,也可以是在指定时刻更新,例如可以是在时变人脸特征队列每次添加新的时变人脸特征的时刻,更新该时变人脸特征队列中所有时变人脸特征的识别权重。
在本申请的一些实施例中,该方法还可以包括下述步骤:在识别通过的情况下,输出识别结果,并将第一人脸特征更新至人脸特征库中第一用户的时变人脸特征队列,N个用户包括第一用户。
其中,识别结果用于表征第一用户的待识别图像识别通过。
在第一人脸特征识别通过的情况下,说明人脸特征库中包括第一用户的第一人脸特征,也即N个用户中包括第一用户,因此可将第一人脸特征存储至第一用户的时变人脸特征队列,实现时变人脸特征队列的动态更新,当第一用户下一次进行人脸识别时,即可利用第一人脸特征生成第一用户的人脸识别特征,并基于该人脸识别特征对其进行识别,时效性高,提升第一用户的人脸识别通过率。
在本申请的一些实施例中,将第一人脸特征更新至人脸特征库中第一用户的时变人脸特征队列,可以具体包括:在第一相似度大于预设更新阈值的情况下,将第一人脸特征更新至人脸特征库中第一用户的时变人脸特征队列;在第一相似度小于或等于预设更新阈值的情况下,丢弃第一人脸特征。
预设更新阈值大于预设识别阈值,也即,在第一人脸特征识别通过的情况下,电子设备还需比较第一人脸特征与预设更新阈值的大小,在第一人脸特征与用户的人脸识别特征的第一相似度大于预设更新阈值的情况下,说明该第一人脸特征与人脸识别特征的相似度和匹配度较高,因此可将该第一人脸特征添加至人脸特征库中第一用户的时变人脸特征队列,便于后续利用该第一人脸特征对第一用户的待识别图像进行人脸识别。
在本申请实施例中,对于成长期的儿童群体来说,会出现人脸特征的时变效应,导致传统的人脸识别方案识别率会逐渐下降,因此只能通过引导用户上传最新的人脸图像进行重新注册,降低原注册人脸特征与当前人脸特征不匹配对识别通过率带来的影响。本申请引入动态更新机制,通过筛选策略将用户最近上传,且识别通过的第一人脸特征补充至人脸特征库中,减少长时的时变对人脸特征识别带来的影响,无需用户重复注册,为用户带来同一用户使用率越高,识别通过率和识别准确度越高的人脸识别体验。
在本申请的一些实施例中,时变人脸特征队列的容量为K2,将第一人脸特征更新至人脸特征库中第一用户的时变人脸特征队列,可以具体包括:在第一用户的时变人脸特征队列中包括K2个时变人脸特征的情况下,获取K2个时变人脸特征的添加时刻,添加时刻为添加至所述时变人脸特征队列的时刻;在时变人脸特征队列中删除添加时刻最早的时变人脸特征,并添加第一人脸特征。
在本申请实施例中,K2为时变人脸特征队列的固定容量,当时变人脸特征队列中存储的时变人脸特征数量已满时,可以按照先进先出的方式,将队列中存储时间最长的时变人脸特征删除,并在时变人脸特征队列中添加第一人脸特征,保证时变人脸特征库的动态更新和时效性。
可以理解的是,本申请实施例提供的人脸识别方法,执行主体可以为电子设备,或者人脸识别装置中用于执行人脸识别方法的控制模块。下面对人脸识别装置进行详细介绍。
图3是本申请实施例提供的一种人脸识别装置的结构示意图。如图3所示,该人脸识别装置300可以包括:提取模块310、生成模块320、计算模块330和识别模块340。
其中,提取模块310,用于获取第一用户的待识别图像,提取待识别图像的第一人脸特征;生成模块320,用于基于人脸特征库中N个用户的注册人脸特征、时变人脸特征及其识别权重,生成N个用户中每个用户对应的人脸识别特征,其中,时变人脸特征的识别权重随时刻衰减;计算模块330,用于计算第一人脸特征与每个用户的人脸识别特征的第一相似度;识别模块340,用于在第一相似度大于预设识别阈值的情况下,确定N个用户中包括第一用户,且第一人脸特征识别通过。
本申请提供的人脸识别装置,获取第一用户的待识别图像,提取待识别图像的第一人脸特征。由于人脸特征库中除了包括注册人脸特征以外,还包括动态更新的时变人脸特征,且时变人脸特征的识别权重随时间衰减,也即,时变人脸特征在时变人脸特征队列中的存储时间越长,其对应的识别权重越小,如此可以保证用户最近的时变人脸特征具有较高识别权重,较久远的时变人脸特征具有较低识别权重,使人脸特征库具有时效性。基于此,在根据人脸特征库中用户的注册人脸特征、时变人脸特征及其识别权重,生成人脸识别特征时,识别权重较高的时变人脸特征在人脸识别特征中的所占比重更大,因此最终生成的人脸识别特征能够更贴近用户的当前人脸特征,也即,该人脸识别特征与用户的当前人脸特征的匹配度更高,也即第一相似度更高。因此在根据人脸识别特征对第一人脸特征进行人脸识别时,能够降低长时的时变人脸特征对人脸识别带来的影响,使第一人脸特征识别通过的概率更高,提升同一用户的人脸识别通过率,进而提升人脸识别的准确率。
在本申请的一些实施例中,装置还包括:构建模块,用于在获取第一用户的待识别图像之前,基于固定人脸特征库和动态更新人脸特征库,构建人脸特征库;提取模块,用于在获取到每个用户的注册人脸图像的情况下,提取注册人脸图像的注册人脸特征,并在固定人脸特征库中存储每个用户的注册人脸特征;构建模块,还用于构建每个用户对应的时变人脸特征队列,并在动态更新人脸特征库中存储时变人脸特征队列,其中,时变人脸特征队列用于存储对应用户的时变人脸特征,时变人脸特征队列中的时变人脸特征是动态更新的。
在本申请的一些实施例中,装置还包括:更新模块,用于在第一人脸特征识别通过的情况下,输出识别结果,并将第一人脸特征更新至人脸特征库中第一用户的时变人脸特征队列。
在本申请的一些实施例中,更新模块具体用于:在第一相似度大于预设更新阈值的情况下,将第一人脸特征更新至人脸特征库中第一用户的时变人脸特征队列,预设更新阈值大于预设识别阈值。
在本申请的一些实施例中,每个时变人脸特征队列中包括至少一个时变人脸特征,每个用户对应K1个注册人脸特征,生成模块320包括:计算单元,用于基于识别权重对至少一个时变人脸特征进行加权平均,得到每个用户对应的第一加权人脸特征;计算单元,还用于对K1个注册人脸特征进行加权平均,得到每个用户对应的第二加权人脸特征;生成单元,用于基于每个用户对应的第一加权人脸特征和第二加权人脸特征,生成人脸识别特征。
在本申请的一些实施例中,时变人脸特征队列的容量为K2,更新模块包括:获取单元,用于在第一用户的时变人脸特征队列中包括K2个时变人脸特征的情况下,获取K2个时变人脸特征的添加时刻,添加时刻为添加至时变人脸特征队列的时刻;更新单元,用于在时变人脸特征队列中删除添加时刻最早的时变人脸特征,并添加第一人脸特征。
在本申请的一些实施例中,装置还包括:更新模块,用于基于时刻衰减函数,更新时变人脸特征队列中时变人脸特征的识别权重,其中,识别权重与第一时长呈负相关,第一时长为当前时刻与时变人脸特征的添加时刻的间隔时长,添加时刻为添加至时变人脸特征队列的时刻。
在本申请的一些实施例中,提取模块310具体用于:基于卷积神经网络的人体检测算法对待识别图像进行人体检测,确定待识别图像中的人体区域,人体区域以矩形框表示;基于矩形框和待识别图像,提取第一人脸特征。
本申请实施例提供的人脸识别装置,能够实现图1、图2的方法实施例中电子设备所实现的各个过程,并能实现相同的技术效果,为避免重复,在此不再赘述。
图4是本申请实施例提供的一种电子设备的硬件结构示意图。
如图4所示,本实施例中的电子设备400可以包括处理器401以及存储有计算机程序指令的存储器402。
具体地,上述处理器401可以包括中央处理器(CPU),或者特定集成电路(Application Specific Integrated Circuit,ASIC),或者可以被配置成实施本申请实施例的一个或多个集成电路。
存储器402可以包括用于数据或指令的大容量存储器。举例来说而非限制,存储器402可包括硬盘驱动器(Hard Disk Drive,HDD)、软盘驱动器、闪存、光盘、磁光盘、磁带或通用串行总线(Universal Serial Bus,USB)驱动器或者两个或更多个以上这些的组合。在合适的情况下,存储器402可包括可移除或不可移除(或固定)的介质。在合适的情况下,存储器402可在综合网关容灾设备的内部或外部。在特定实施例中,存储器402是非易失性固态存储器。存储器可包括只读存储器(Read-Only Memory,ROM),随机存取存储器(RandomAccess Memory,RAM),磁盘存储介质设备,光存储介质设备,闪存设备,电气、光学或其他物理/有形的存储器存储设备。因此,通常,存储器包括一个或多个数据有包括计算机可执行指令的软件的有形(非暂态)计算机可读存储介质(例如,存储器设备),并且当该软件被执行(例如,由一个或多个处理器)时,其可操作来执行参考根据本申请实施例的方法所描述的操作。
处理器401通过读取并执行存储器402中存储的计算机程序指令,以实现上述实施例中的任意一种人脸识别方法。
在一个示例中,电子设备400还可以包括通信接口403和总线410。其中,如图4所示,处理器401、存储器402、通信接口403通过总线410连接并完成相互间的通信。
通信接口403,主要用于实现本申请实施例中各模块、装置、单元和/或设备之间的通信。
总线410包括硬件、软件或两者,将在线数据流量计费设备的部件彼此耦接在一起。举例来说而非限制,总线可包括加速图形端口(AGP)或其他图形总线、增强工业标准架构(EISA)总线、前端总线(FSB)、超传输(HT)互连、工业标准架构(ISA)总线、无限带宽互连、低引脚数(LPC)总线、存储器总线、微信道架构(MCA)总线、外围组件互连(PCI)总线、PCI-Express(PCI-X)总线、串行高级技术附件(SATA)总线、视频电子标准协会局部(VLB)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下,总线410可包括一个或多个总线。尽管本申请实施例描述和示出了特定的总线,但本申请考虑任何合适的总线或互连。
本申请实施例提供的电子设备,能够实现图1、图2的方法实施例中电子设备所实现的各个过程,并能实现相同的技术效果,为避免重复,在此不再赘述。
结合上述实施例中的人脸识别方法,本申请实施例可提供一种计算机存储介质来实现。该计算机存储介质上存储有计算机程序指令;该计算机程序指令被处理器执行时实现上述实施例中的任意一种人脸识别方法的步骤。
结合上述实施例中的人脸识别方法,本申请实施例可提供一种计算机程序产品来实现。该(计算机)程序产品被存储在非易失的存储介质中,该程序产品被至少一个处理器执行时实现上述实施例中的任意一种人脸识别方法的步骤。
本申请实施例另提供了一种芯片,芯片包括处理器和通信接口,通信接口和处理器耦合,处理器用于运行程序或指令,实现上述人脸识别方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
应理解,本申请实施例提到的芯片还可以称为系统级芯片、系统芯片、芯片系统或片上系统芯片等。
需要明确的是,本申请并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见,这里省略了对已知方法的详细描述。在上述实施例中,描述和示出了若干具体的步骤作为示例。但是,本申请的方法过程并不限于所描述和示出的具体步骤,本领域的技术人员可以在领会本申请的精神后,做出各种改变、修改和添加,或者改变步骤之间的顺序。
以上所述的结构框图中所示的功能块可以实现为硬件、软件、固件或者它们的组合。当以硬件方式实现时,其可以例如是电子电路、专用集成电路(Application SpecificIntegrated Circuit,ASIC)、适当的固件、插件、功能卡等等。当以软件方式实现时,本申请的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中,或者通过载波中携带的数据信号在传输介质或者通信链路上传送。“机器可读介质”可以包括能够存储或传输信息的任何介质。机器可读介质的例子包括电子电路、半导体存储器设备、ROM、闪存、可擦除ROM(EROM)、软盘、CD-ROM、光盘、硬盘、光纤介质、射频(RF)链路,等等。代码段可以经由诸如因特网、内联网等的计算机网络被下载。
还需要说明的是,本申请中提及的示例性实施例,基于一系列的步骤或者装置描述一些方法或系统。但是,本申请不局限于上述步骤的顺序,也就是说,可以按照实施例中提及的顺序执行步骤,也可以不同于实施例中的顺序,或者若干步骤同时执行。
上面参考根据本公开的实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各方面。应当理解,流程图和/或框图中的每个方框以及流程图和/或框图中各方框的组合可以由计算机程序指令实现。这些计算机程序指令可被提供给通用计算机、专用计算机、或其它可编程数据处理装置的处理器,以产生一种机器,使得经由计算机或其它可编程数据处理装置的处理器执行的这些指令使能对流程图和/或框图的一个或多个方框中指定的功能/动作的实现。这种处理器可以是但不限于是通用处理器、专用处理器、特殊应用处理器或者现场可编程逻辑电路。还可理解,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,也可以由执行指定的功能或动作的专用硬件来实现,或可由专用硬件和计算机指令的组合来实现。
以上所述,仅为本申请的具体实施方式,所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的系统、模块和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。应理解,本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本申请的保护范围之内。
Claims (11)
1.一种人脸识别方法,其特征在于,所述方法包括:
获取第一用户的待识别图像,提取所述待识别图像的第一人脸特征;
基于人脸特征库中N个用户的注册人脸特征、时变人脸特征及其识别权重,生成所述N个用户中每个用户对应的人脸识别特征,其中,所述时变人脸特征的识别权重随时间衰减;
计算所述第一人脸特征与每个用户的人脸识别特征的第一相似度;
在所述第一相似度大于预设识别阈值的情况下,确定所述N个用户中包括所述第一用户,且所述第一人脸特征识别通过。
2.根据权利要求1所述的方法,其特征在于,在所述获取第一用户的待识别图像之前,所述方法还包括:
基于固定人脸特征库和动态更新人脸特征库,构建所述人脸特征库;
在获取到所述每个用户的注册人脸图像的情况下,提取所述注册人脸图像的注册人脸特征,并在所述固定人脸特征库中存储所述每个用户的注册人脸特征;
构建所述每个用户对应的时变人脸特征队列,并在所述动态更新人脸特征库中存储所述时变人脸特征队列,其中,所述时变人脸特征队列用于存储对应用户的时变人脸特征,所述时变人脸特征队列中的时变人脸特征是动态更新的。
3.根据权利要求2所述的方法,其特征在于,所述方法还包括:
在所述第一人脸特征识别通过的情况下,输出识别结果,并将所述第一人脸特征更新至所述人脸特征库中所述第一用户的时变人脸特征队列。
4.根据权利要求3所述的方法,其特征在于,将所述第一人脸特征更新至所述人脸特征库中所述第一用户的时变人脸特征队列,包括:
在所述第一相似度大于预设更新阈值的情况下,将所述第一人脸特征更新至所述人脸特征库中所述第一用户的时变人脸特征队列,所述预设更新阈值大于所述预设识别阈值。
5.根据权利要求2所述的方法,其特征在于,每个所述时变人脸特征队列中包括至少一个时变人脸特征,每个用户对应K1个注册人脸特征,所述基于人脸特征库中N个用户的注册人脸特征、时变人脸特征及其识别权重,生成所述N个用户中每个用户对应的人脸识别特征,包括:
基于所述识别权重对所述至少一个时变人脸特征进行加权平均,得到每个用户对应的第一加权人脸特征;
对所述K1个注册人脸特征进行加权平均,得到所述每个用户对应的第二加权人脸特征;
基于所述每个用户对应的第一加权人脸特征和第二加权人脸特征,生成所述人脸识别特征。
6.根据权利要求2所述的方法,其特征在于,所述时变人脸特征队列的容量为K2,将所述第一人脸特征更新至所述人脸特征库中所述第一用户的时变人脸特征队列,包括:
在所述第一用户的时变人脸特征队列中包括K2个时变人脸特征的情况下,获取所述K2个时变人脸特征的添加时刻,所述添加时刻为添加至所述时变人脸特征队列的时刻;
在所述时变人脸特征队列中删除添加时刻最早的时变人脸特征,并添加所述第一人脸特征。
7.根据权利要求2所述的方法,其特征在于,所述方法还包括:
基于时间衰减函数,更新所述时变人脸特征队列中时变人脸特征的识别权重,其中,所述识别权重与第一时长呈负相关,所述第一时长为当前时刻与时变人脸特征的添加时刻的间隔时长,所述添加时刻为添加至所述时变人脸特征队列的时刻。
8.根据权利要求1所述的方法,其特征在于,所述提取所述待识别图像的第一人脸特征,包括:
基于卷积神经网络的人体检测算法对所述待识别图像进行人体检测,确定所述待识别图像中的人体区域,所述人体区域以矩形框表示;
基于矩形框和所述待识别图像,提取所述第一人脸特征。
9.一种人脸识别装置,其特征在于,所述装置包括:
提取模块,用于获取第一用户的待识别图像,提取所述待识别图像的第一人脸特征;
生成模块,用于基于人脸特征库中N个用户的注册人脸特征、时变人脸特征及其识别权重,生成所述N个用户中每个用户对应的人脸识别特征,其中,所述时变人脸特征的识别权重随时间衰减;
计算模块,用于计算所述第一人脸特征与每个用户的人脸识别特征的第一相似度;
识别模块,用于在所述第一相似度大于预设识别阈值的情况下,确定所述N个用户中包括所述第一用户,且所述第一人脸特征识别通过。
10.一种电子设备,其特征在于,所述设备包括:处理器以及存储有计算机程序指令的存储器;
所述处理器执行所述计算机程序指令时实现如权利要求1-8任意一项所述的人脸识别方法的步骤。
11.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现如权利要求1-8任意一项所述的人脸识别方法的步骤。
Publications (1)
Publication Number | Publication Date |
---|---|
CN118262390A true CN118262390A (zh) | 2024-06-28 |
Family
ID=
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108108711B (zh) | 人脸布控方法、电子设备及存储介质 | |
CN113971751A (zh) | 训练特征提取模型、检测相似图像的方法和装置 | |
TWI789128B (zh) | 人臉識別方法、裝置、設備及存儲介質 | |
CN110647823A (zh) | 一种优化人脸底库的方法和装置 | |
CN114783061B (zh) | 一种吸烟行为检测方法、装置、设备和介质 | |
CN113627361B (zh) | 人脸识别模型的训练方法、装置及计算机程序产品 | |
CN111126159A (zh) | 用于实时跟踪行人的方法、装置、电子设备和介质 | |
CN113837006B (zh) | 一种人脸识别方法、装置、存储介质及电子设备 | |
CN112949785B (zh) | 对象检测方法、装置、设备及计算机存储介质 | |
CN112686205B (zh) | 一种参数更新方法及装置、多终端网络架构 | |
CN113657248A (zh) | 人脸识别模型的训练方法、装置及计算机程序产品 | |
CN112418089A (zh) | 一种手势识别方法、装置及终端 | |
CN111950507A (zh) | 数据处理和模型训练方法、装置、设备及介质 | |
CN111783677A (zh) | 人脸识别方法、装置、服务器和计算机可读介质 | |
CN118262390A (zh) | 人脸识别方法、装置、设备及介质 | |
CN110765304A (zh) | 图像处理方法、装置、电子设备及计算机可读介质 | |
CN115937938A (zh) | 人脸身份识别模型的训练方法、人脸身份识别方法及装置 | |
CN115641643A (zh) | 步态识别模型的训练方法、步态识别方法、装置及设备 | |
CN110956098B (zh) | 图像处理方法及相关设备 | |
CN114067394A (zh) | 人脸活体检测方法、装置、电子设备及存储介质 | |
CN114842541A (zh) | 模型的训练及人脸识别方法、装置、设备以及存储介质 | |
CN111144240B (zh) | 图像处理方法及相关设备 | |
CN115082873A (zh) | 基于通路融合的图像识别方法、装置及存储介质 | |
CN111160066B (zh) | 人脸识别方法、装置、设备和介质 | |
CN113283450A (zh) | 图像识别方法、装置、设备及计算机存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication |