TW201933174A - 臉部辨識系統及臉部辨識方法 - Google Patents
臉部辨識系統及臉部辨識方法 Download PDFInfo
- Publication number
- TW201933174A TW201933174A TW107121209A TW107121209A TW201933174A TW 201933174 A TW201933174 A TW 201933174A TW 107121209 A TW107121209 A TW 107121209A TW 107121209 A TW107121209 A TW 107121209A TW 201933174 A TW201933174 A TW 201933174A
- Authority
- TW
- Taiwan
- Prior art keywords
- dimensional
- face
- face recognition
- artificial intelligence
- image
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims description 18
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 73
- 238000012549 training Methods 0.000 claims abstract description 22
- 238000001514 detection method Methods 0.000 claims description 40
- 230000001815 facial effect Effects 0.000 claims description 37
- 230000003287 optical effect Effects 0.000 claims description 13
- 230000009977 dual effect Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 2
- 230000006870 function Effects 0.000 description 59
- 238000013528 artificial neural network Methods 0.000 description 10
- 210000002569 neuron Anatomy 0.000 description 10
- 238000010586 diagram Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 6
- 210000001787 dendrite Anatomy 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000000295 complement effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 229910044991 metal oxide Inorganic materials 0.000 description 2
- 150000004706 metal oxides Chemical class 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 210000003050 axon Anatomy 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 210000004556 brain Anatomy 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
- 238000013135 deep learning Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000003278 mimic effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/64—Three-dimensional objects
-
- 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
- G06V40/166—Detection; Localisation; Normalisation using acquisition arrangements
-
- 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
- G06V40/172—Classification, e.g. identification
-
- 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)
- Multimedia (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Collating Specific Patterns (AREA)
- Image Analysis (AREA)
Abstract
臉部辨識系統包含傳送端、接收端、資料庫、人工智慧晶片及主處理器。傳送端用以發射至少一個第一光訊號至物體。接收端用以接收由物體所反射的至少一個第二光訊號。資料庫用以儲存訓練資料。人工智慧晶片耦接於傳送端、接收端及資料庫，用以依據至少一個第二光訊號及訓練資料，由物體中辨識出臉部影像。主處理器耦接於人工智慧晶片，用以接收由人工智慧晶片產生的臉部辨識訊號。
Description
本發明揭露一種臉部辨識系統及臉部辨識方法，尤指一種具有人工智慧晶片，且能提供高資料保密性以及低功率消耗之臉部辨識系統及臉部辨識方法。
人造神經網路應用於機器學習的概念存在已久，但先前受限於處理器運算能力，相關研究始終無法順利推進。然而，近十年來，隨著處理器運算速度、記憶體存取速度以及機器學習演算法等各方面技術的長足進步，讓產生複雜判斷結果的人造神經網路正逐漸被實現中。因此，人造神經網路在自動駕駛、影像辨識、自然語言辨識、資料探勘等領域中重新受到高度重視。
大腦中最基本的運算單位為神經元，是透過多個樹突(Dendrite)收集多個輸入訊號，並透過軸突(Axon)傳遞輸出訊號(通常是傳遞至另一個神經元的樹突做為輸入訊號)。人造神經元模仿生物神經元的架構，典型運作的模式可以數學式表示如下：
符號xi
表示第i個輸入訊號，y
表示輸出訊號；每一個樹突各自加諸於其輸入訊號xi
的權重wi
，以模擬樹突所連接的前一個神經元對於此神經元的影響程度。符號b
表示此神經元本身貢獻的偏移量(Bias)。在進行機器學習的過程中，每一個神經元的權重wi
與偏移量b
可被不斷地修改與調整。符號f
代表轉移函數，在人造神經網路中常用Σ函數(Sigmoid Function)、雙曲正切(Hyperbolic Tangent)函數或整流後線性函數(Rectified Linear Function)來進行運算。
人造神經網路常使用多層式的結構，藉由適當調整每一層的參數，最終可以輸出最佳化或是低錯誤率的訊號。一般而言，多層式的結構除了最前端的輸入層與最後端的輸出層，其他串接在輸入層與輸出層之間的稱為隱藏層。若以神經元連接方式區分，每一個隱藏層與輸出層可以各自是卷積層(Convolutional Layer)或全連接層(Fully-Connected Layer)，並符合上述的數學式模型。因為每一個隱藏層以及輸出層會將第k-1層的輸出訊號以非線性組合後，產生第k層的輸出訊號。因此，當k很大時，由於人造神經網路的每一層以及每一個神經元會用遞迴模式以執行多層式結構的參數計算，故很難避免高計算複雜度的產生。也因如此，有限計算能力的可攜式設備(如智慧型手機)就必須先與外部的伺服器建立有線或無線的連結，再利用外部的伺服器輔助人造神經網路的操作以及資料存取。另一種作法為，可攜式設備可用較為強大的主處理器來執行人造神經網路的功能，前提是主處理器要有能力處理高運算複雜度的計算。
然而，使用外部的伺服器或是主處理器來執行人造神經網路的功能，可能會有資料外洩的風險。舉例而言，當外部的伺服器或是主處理器執行人工智慧臉部偵測功能或是臉部辨識功能時，由於外部的伺服器或是主處理器也能用無線的方式透過收發器連線到有風險性的網路，竊資者或是駭客可能會用非法的手段由網路中擷取或是側錄使用者的個人資料。因此，傳統之可攜式設備上所執行的人工智慧臉部偵測功能或是臉部辨識功能的隱私安全性不足，且當許多非必要的常駐程序或是軟體持續地開啟時，也會造成額外的功率消耗。
本發明一實施例提出一種臉部辨識系統，包含傳送端、接收端、資料庫、人工智慧晶片及主處理器。傳送端用以發射至少一個第一光訊號至物體。接收端用以接收由物體所反射的至少一個第二光訊號。資料庫用以儲存訓練資料。人工智慧晶片耦接於傳送端、接收端及資料庫，用以依據至少一個第二光訊號及訓練資料，由物體中辨識出臉部影像。主處理器耦接於人工智慧晶片，用以接收由人工智慧晶片產生的臉部辨識訊號。
本發明另一實施例提出一種臉部辨識方法，包含發射至少一個第一光訊號至物體，接收由物體所反射的至少一個第二光訊號，依據至少一個第二光訊號，人工智慧晶片執行臉部偵測功能，以由物體中偵測臉部影像，以及當人工智慧晶片無法由物體中偵側出臉部影像時，關閉二維臉部辨識功能及三維臉部辨識功能。
本發明另一實施例提出一種臉部辨識方法，包含發射至少一個第一光訊號至物體，接收由物體所反射的至少一個第二光訊號，依據至少一個第二光訊號，人工智慧晶片執行臉部偵測功能，以由物體中偵測臉部影像，當臉部影像由物體中偵測成功後，執行人工智慧晶片的二維臉部辨識功能及三維臉部辨識功能，及在二維臉部辨識功能及三維臉部辨識功能被執行後，人工智慧晶片產生臉部辨識訊號。
第1圖係為本發明之臉部辨識系統100之實施例的方塊圖。臉部辨識系統100可為基於人工智慧演算法的臉部辨識系統，其具有很高的辨識精確度。臉部辨識系統100可應用於具有光訊號感測能力的智慧型手機、個人電腦、甚至任何的可攜式裝置等等。臉部辨識系統100包含傳送端10、接收端11、資料庫12、人工智慧晶片13以及主處理器14。傳送端10用以發射至少一個第一光訊號至物體。傳送端10可包含光發射雙鏡頭，用以由兩個不同的入射角發射兩個第一光訊號至物體。並且，傳送端10可包含用以發射二維光訊號至物體的二維光發射裝置，以及用以發射三維結構光訊號至物體的三維結構光發射裝置。傳送端10也可以僅包含單一相機鏡頭。任何合理的硬體變更均屬於本發明所揭露的範疇。
接收端11用以接收由物體所反射的至少一個第二光訊號。舉例而言，在傳送端10發射許多三維結構光訊號後，物體的曲面部分將反射一部分的三維結構光訊號，以形成一些第二光訊號。因此，這些第二光訊號帶有三維光資訊。並且，物體的平面部分將反射另一部分的三維結構光訊號，以形成另一些第二光訊號。因此，另一些第二光訊號會帶有二維光資訊。接收端11可為任何具有光訊號感測能力的裝置。舉例而言，接收端11可包含感光耦合元件(Charge-coupled Device，CCD)或是互補式金屬氧化物半導體(Complementary Metal-Oxide-Semiconductor，CMOS)，以感測光訊號。換句話說，利用匹配好的傳送端10以及接收端11，至少一個第二光訊號可被接收端11接收。並且，接收端11所接收之至少一個第二光訊號包含物體的二維光資訊及三維光資訊。臉部辨識系統100也可以將二維光資訊轉換為對應物體的點陣圖矩陣之三維光資訊。資料庫12用以儲存訓練資料(Training Data)。訓練資料可包含許多不同使用者對應之不同臉部影像的資料。如前述提及，臉部辨識系統100可為基於人工智慧演算法的臉部辨識系統，具有由物體中偵測臉部影像的能力。因此，臉部辨識系統100可以檢查由物體中偵測出的臉部影像與儲存在資料庫12中的臉部影像是否對應相同使用者的可能性(Likelihood)。人工智慧晶片13耦接於傳送端10、接收端11及資料庫12，用以依據至少一個第二光訊號及訓練資料，由物體中辨識出臉部影像。人工智慧晶片13可為神經處理元件(Neural Processing Unit，NPU)、深度學習加速器(Deep Learning Accelerator，DLA)或是任何執行人造神經網路功能的處理元件。主處理器14耦接於人工智慧晶片13，用以接收由人工智慧晶片13產生的臉部辨識訊號。主處理器14可為中央處理器(Central Processing Unit，CPU)、圖形處理器(Graphics Processing Unit)或是任何具備可程式化圖像處理能力的裝置。在主處理器14接收臉部辨識訊號後，主處理器14可以產生文字訊號、圖形介面、或是影音訊息以告知使用者辨識的結果。舉例而言，人工智慧晶片13產生的臉部辨識訊號可包含第一決策訊號或第二決策訊號。當臉部影像由物體偵測成功且辨識成功時，人工智慧晶片13可產生第一決策訊號。當臉部影像無法由物體中偵測或辨識時，人工智慧晶片13可產生第二決策訊號。
第2圖係為臉部辨識系統100之應用的示意圖。如前述提及，臉部辨識系統100可應用於智慧型手機。在第2圖中，傳送端10、接收端11以及人工智慧晶片13可以設置在智慧型手機的上側條狀區域15附近。傳送端10可包含二維光發射裝置(例如相機的單鏡頭)E1以及三維結構光發射裝置E2。然而，本發明卻不以此為限制。舉例而言，元件E1以及E2可為相機的光發射雙鏡頭。接收端11可包含光感測器L1，例如具有感光耦合元件(CCD)或是互補式金屬氧化物半導體(CMOS)的光感測器。並且，人工智慧晶片13可執行臉部偵測功能，以及當臉部影像成功地被偵測後，執行二維臉部辨識功能或進一步地執行三維臉部辨識功能。人工智慧晶片13可使用第一驅動功率以執行臉部偵測功能。當臉部影像由物體偵測成功後，人工智慧晶片13可使用第二驅動功率以執行二維臉部辨識功能。當二維臉部辨識功能將臉部影像辨識成功後，人工智慧晶片13可使用第三功率以執行三維臉部辨識功能。並且，第一驅動功率小於第二驅動功率，且第二驅動功率小於第三驅動功率。在臉部辨識系統100中，因人工智慧晶片13可連續地由物體中找出有可能的臉部輪廓，故臉部偵測功能可為常駐程式(Resident Program)，恆為開啟狀態。然而，二維臉部辨識功能及三維臉部辨識功能可為兩個非常駐的程式，當臉部影像成功地被偵測後才會啟動。並且，當人工智慧晶片13無法由物體中偵側臉部影像時，無論先前的操作狀態如何，二維臉部辨識功能及三維臉部辨識功能會強制進入關閉狀態。藉由如此操作，由於臉部偵測功能、二維臉部辨識功能及三維臉部辨識功能利用可適性的方式操作。相較於傳統臉部辨識機制需要永遠開啟臉部偵測功能、二維臉部辨識功能及三維臉部辨識功能，臉部辨識系統100可以避免浪費額外的功率，故能延長操作時間。
第3圖係為臉部辨識系統100中，臉部偵測模組FD、二維臉部辨識模組FR2D以及三維臉部辨識模組FR3D的第一種配置圖。為了避免混淆，第3圖的臉部辨識系統100，於此使用的代號為臉部辨識系統100a。在臉部辨識系統100a中，人工智慧晶片13包含臉部偵測模組FD、二維臉部辨識模組FR2D以及三維臉部辨識模組FR3D。臉部偵測模組FD用以依據至少一個第二光訊號，由物體中偵測臉部影像。二維臉部辨識模組FR2D用以依據至少一個第二光訊號及訓練資料，辨識臉部影像，以判斷臉部影像是否對應二維使用者標示符(User Identifier，UID)。三維臉部辨識模組FR3D用以依據至少一個第二光訊號及訓練資料，辨識臉部影像，以判斷臉部影像是否對應三維使用者標示符。在本實施例中，二維/三維使用者標示符可以是任何使用者的資訊或是使用者指標，例如使用者名稱或是使用者編號等等。並且，臉部影像於三維使用者標示符的辨識精確度大於二維使用者標示符的辨識精確度。舉例而言，臉部影像於二維使用者標示符的辨識精確度約等於98%~99%。臉部影像於三維使用者標示符的辨識精確度約等於99.999999%。如前述提及，為了避免額外的功率消耗，在臉部偵測模組FD成功地由物體中偵測臉部影像後，二維臉部辨識模組FR2D會被致能。二維臉部辨識模組FR2D會辨識臉部影像，以判斷臉部影像是否對應二維使用者標示符。接著，若二維臉部辨識模組FR2D成功地將臉部影像對應至二維使用者標示符，三維臉部辨識模組FR3D會被致能。三維臉部辨識模組FR3D會辨識臉部影像以判斷臉部影像是否對應三維使用者標示符。然而，本發明不被上述的操作模式所限制。例如，在臉部偵測模組FD成功地由物體中偵測臉部影像後，可以直接開啟二維臉部辨識模組FR2D以及三維臉部辨識模組FR3D，利用二維臉部辨識以及三維臉部辨識的資訊，以提供較高的辨識精確度。反之，當臉部偵測模組FD由物體中偵測臉部影像失敗時，二維臉部辨識模組FR2D及三維臉部辨識模組FR3D會被關閉，以節省不必要的功率消耗。並且，在臉部辨識系統100a中，人工智慧晶片13設置於主機板MB上的第一區域R1，主處理器14設置於主機板MB上的第二區域R2，且第一區域R1與第二區域R2不重疊。換句話說，人工智慧晶片13並未以內嵌的方式設置於主處理器14中。並且，臉部辨識系統100a也可以利用設置於人工智慧晶片13與主處理器14之間的資料傳輸路徑上的編碼器以及解碼器，以避免資料外洩，並具有增加保密安全性的功能。
在臉部辨識系統100a中，由於人工智慧晶片13不是內嵌於主處理器14中的元件，因此具有較高的資料保密性，說明如下。由於智慧型手機中的主處理器14可驅動無線收發器對開放式網路進行資料存取，若人工智慧晶片13內嵌於主處理器14中，竊資者或是駭客可能會用非法的手段，透過網路入侵主處理器14以及內部的人工智慧晶片13，以擷取或是側錄使用者的個人資料。因此，為了避免資料外洩，在臉部辨識系統100a中，人工智慧晶片13可執行所有臉部辨識程序的操作步驟，例如臉部偵測功能、二維臉部辨識功能以及三維臉部辨識功能。取代傳統需要連線至伺服器以執行人工智慧的臉部辨識功能，臉部辨識系統100a中可以利用獨立的人工智慧晶片13執行臉部辨識程序的操作步驟，並產生臉部辨識訊號(可為加密後的臉部辨識結果)至主處理器14。因此，對於竊資者或是駭客而言，透過網路控制主處理器14，由資料路徑上擷取加密後的臉部辨識結果，而再對其解碼盜取個人資料，實為困難且窒礙難行的技術。因此，利用非內嵌於主處理器14的獨立式人工智慧晶片13，臉部辨識系統100a可以提供高資料保密安全性，以及低功率消耗的功能。
第4圖係為臉部辨識系統100中，臉部偵測模組FD、二維臉部辨識模組FR2D以及三維臉部辨識模組FR3D的第二種配置圖。為了避免混淆，第4圖的臉部辨識系統100，於此使用的代號為臉部辨識系統100b。在臉部辨識系統100b中，人工智慧晶片13可包含臉部偵測模組FD以及二維臉部辨識模組FR2D。並且，三維臉部辨識模組FR3D可設置於主處理器14中。類似地，臉部偵測模組FD用以依據至少一個第二光訊號，由物體中偵測臉部影像。二維臉部辨識模組FR2D用以依據至少一個第二光訊號及訓練資料，辨識臉部影像，以判斷臉部影像是否對應二維使用者標示符。三維臉部辨識模組FR3D用以依據至少一個第二光訊號及訓練資料，辨識臉部影像，以判斷臉部影像是否對應三維使用者標示符。並且，在臉部偵測模組FD成功地由物體中偵測臉部影像後，二維臉部辨識模組FR2D會被致能。二維臉部辨識模組FR2D會辨識臉部影像，以判斷臉部影像是否對應二維使用者標示符。接著，若二維臉部辨識模組FR2D成功地將臉部影像對應至二維使用者標示符，三維臉部辨識模組FR3D會被致能。三維臉部辨識模組FR3D會辨識臉部影像以判斷臉部影像是否對應三維使用者標示符。反之，當臉部偵測模組FD由物體中偵測臉部影像失敗時，二維臉部辨識模組FR2D及三維臉部辨識模組FR3D會被關閉，以節省不必要的功率消耗。
換句話說，在臉部辨識系統100b中，主處理器14可以用於輔助人工智慧晶片13執行臉部辨識方法的至少一個步驟。舉例而言，主處理器14可以用於輔助人工智慧晶片13執行三維臉部辨識功能，如此一來即可在主處理器14與人工智慧晶片13之間取得操作負荷的平衡性，進而提升執行效能。任何合理的技術或硬體變更都屬於本發明所揭露的範疇。並且，在臉部辨識系統100b中，人工智慧晶片13設置於主機板MB上的第一區域R1，主處理器14設置於主機板MB上的第二區域R2，且第一區域R1與第二區域R2不重疊。因此，由於人工智慧晶片13並未以內嵌的方式設置於主處理器14中，臉部辨識系統100b也可以避免資料外洩，並具有增加保密安全性的功能。
第5圖係為臉部辨識系統100中，執行臉部辨識方法的流程圖。臉部辨識方法的流程包含步驟S501至步驟S509。任何合理的步驟變更均屬於本發明所揭露的範疇。步驟S501至步驟S509描述於下：
步驟S501至步驟S509已於前文中詳述其內容，故於此將不再贅述。並且，步驟S501至步驟S509的順序或是內容也可以合理地變換。例如，在步驟S509之關閉二維臉部辨識功能及三維臉部辨識功能後，人工智慧晶片13可以產生一個偵測失敗的訊息至主處理器14，以告知使用者臉部偵測失敗的訊息。或者，在步驟S509之關閉二維臉部辨識功能及三維臉部辨識功能後，可以直接返回步驟S502，於下一個時間點重新發射至少一個第一光訊號至物體，以繼續進行下一個時間點的臉部偵測程序。甚至，使用者可以在步驟S501中，重新建立更為清晰或解析度更高的原始臉部影像至訓練資料內，以增加辨識成功率。任何合理的步驟變更均屬於本發明所揭露的範疇。並且，在臉部辨識系統100中，由於臉部影像於三維使用者標示符的辨識精確度(99.999999%)大於二維使用者標示符的辨識精確度(98%~99%)，本發明的較佳實施例為引入步驟S506以及S507以增加辨識精確度。然而，本發明卻不被步驟S501至步驟S509的流程所限制。舉例而言，當智慧型手機缺少光發射雙鏡頭或是三維結構光發射裝置的硬體時，智慧型手機僅能啟動二維臉部辨識功能，故只能以較低的精確度進行臉部影像辨識。換句話說，當智慧型手機的硬體只支援二維臉部辨識功能時，步驟S507將無法執行而被省略。因此，藉由適當調整第5圖之流程的步驟，臉部辨識系統100可以應用於具備人工智慧晶片之任何型號的智慧型手機中。
綜上所述，本發明描述了一種臉部辨識系統及臉部辨識方法。臉部辨識系統利用人工智慧晶片(或經由主處理器的輔助)，支援臉部偵測功能、二維臉部辨識功能以及三維臉部辨識功能。並且，人工智慧晶片與主處理器可設置於主機板上之兩不重疊的區域。人工智慧晶片與主處理器可以透過加密後的資料路徑進行通訊。因此，臉部辨識系統可以避免資料外洩的問題，故具有增加資料保密安全性的功能。並且，二維臉部辨識功能及三維臉部辨識功能為兩個非常駐的程式。在本發明的臉部辨識系統中，由於臉部偵測功能、二維臉部辨識功能及三維臉部辨識功能利用可適性的方式操作。相較於傳統臉部辨識機制需要永遠開啟臉部偵測功能、二維臉部辨識功能及三維臉部辨識功能，本發明的臉部辨識系統可以避免浪費額外的功率，故能延長操作時間。 以上所述僅為本發明之較佳實施例，凡依本發明申請專利範圍所做之均等變化與修飾，皆應屬本發明之涵蓋範圍。
100、100a及100b‧‧‧臉部辨識系統
10‧‧‧傳送端
11‧‧‧接收端
12‧‧‧資料庫
13‧‧‧人工智慧晶片
14‧‧‧主處理器
15‧‧‧上側條狀區域
E1‧‧‧二維光發射裝置
E2‧‧‧三維結構光發射裝置
L1‧‧‧光感測器
MB‧‧‧主機板
R1‧‧‧第一區域
R2‧‧‧第二區域
FD‧‧‧臉部偵測模組
FR2D‧‧‧二維臉部辨識模組
FR3D‧‧‧三維臉部辨識模組
S501至S509‧‧‧步驟
第1圖係為本發明之臉部辨識系統之實施例的方塊圖。 第2圖係為第1圖之臉部辨識系統之應用的示意圖。 第3圖係為第1圖之臉部辨識系統中，臉部偵測模組、二維臉部辨識模組以及三維臉部辨識模組的第一種配置圖。 第4圖係為第1圖之臉部辨識系統中，臉部偵測模組、二維臉部辨識模組以及三維臉部辨識模組的第二種配置圖。 第5圖係為第1圖之臉部辨識系統中，執行臉部辨識方法的流程圖。
Claims (20)
- 一種臉部辨識系統，包含： 一傳送端，用以發射至少一第一光訊號至一物體； 一接收端，用以接收由該物體所反射的至少一第二光訊號； 一資料庫，用以儲存訓練資料(Training Data)； 一人工智慧晶片，耦接於該傳送端、該接收端及該資料庫，用以依據該至少一第二光訊號及該訓練資料，由該物體中辨識出一臉部影像；及 一主處理器，耦接於該人工智慧晶片，用以接收由該人工智慧晶片產生的一臉部辨識訊號。
- 如請求項1所述之系統，其中該傳送端包含： 光發射雙鏡頭，用以由兩不同入射角發射兩第一光訊號至該物體。
- 如請求項1所述之系統，其中該傳送端包含： 一三維結構光發射裝置，用以發射一三維結構光訊號至該物體；及 一二維光發射裝置，用以發射一二維光訊號至該物體。
- 如請求項3所述之系統，其中該接收端所接收之該至少一第二光訊號包含該物體的二維光資訊及三維光資訊。
- 如請求項4所述之系統，其中該物體的該三維光資訊係為該物體的一點陣圖矩陣資訊。
- 如請求項3所述之系統，其中該人工智慧晶片包含： 一臉部偵測模組，用以依據該至少一第二光訊號，由該物體中偵測該臉部影像； 一二維臉部辨識模組，用以依據該至少一第二光訊號及該訓練資料，辨識該臉部影像，以判斷該臉部影像是否對應一二維使用者標示符(User Identifier，UID)；及 一三維臉部辨識模組，用以依據該至少一第二光訊號及該訓練資料，辨識該臉部影像，以判斷該臉部影像是否對應一三維使用者標示符。
- 如請求項6所述之系統，其中在該臉部偵測模組成功地由該物體中偵測該臉部影像後，致能該二維臉部辨識模組，以使該二維臉部模組辨識該臉部影像以判斷該臉部影像是否對應該二維使用者標示符，若該二維臉部辨識模組成功地將該臉部影像對應至該二維使用者標示符，致能該三維臉部辨識模組，以使該三維臉部辨識模組辨識該臉部影像以判斷該臉部影像是否對應該三維使用者標示符。
- 如請求項6所述之系統，其中當該臉部偵測模組由該物體中偵測該臉部影像失敗時，關閉該二維臉部辨識模組及該三維臉部辨識模組。
- 如請求項1所述之系統，其中該人工智慧晶片包含： 一臉部偵測模組，用以依據該至少一第二光訊號由該物體中偵測該臉部影像；及 一二維臉部辨識模組，用以依據該至少一第二光訊號及該訓練資料，辨識該臉部影像，以判斷該臉部影像是否對應一二維使用者標示符(User Identifier，UID)；及 其中該主處理器包含： 一三維臉部辨識模組，用以依據該至少一第二光訊號及該訓練資料，辨識該臉部影像，以判斷該臉部影像是否對應一三維使用者標示符。
- 如請求項9所述之系統，其中在該臉部偵測模組成功地由該物體中偵測該臉部影像後，致能該二維臉部辨識模組，以使該二維臉部模組辨識該臉部影像以判斷該臉部影像是否對應該二維使用者標示符，若該二維臉部辨識模組成功地將該臉部影像對應至該二維使用者標示符，致能該三維臉部辨識模組，以使該三維臉部辨識模組辨識該臉部影像以判斷該臉部影像是否對應該三維使用者標示符。
- 如請求項9所述之系統，其中當該臉部偵測模組由該物體中偵測該臉部影像失敗時，關閉該二維臉部辨識模組及該三維臉部辨識模組。
- 如請求項1所述之系統，其中由該人工智慧晶片產生的該臉部辨識訊號包含一第一決策訊號或一第二決策訊號，當該臉部影像由該物體偵測成功且辨識成功時，產生該第一決策訊號，及當由該物體中無法偵測或無法辨識該臉部影像時，產生該第二決策訊號。
- 如請求項1所述之系統，其中該人工智慧晶片執行一臉部偵測功能，以及當該臉部影像成功地被偵測後，執行一二維臉部辨識功能或進一步地執行一三維臉部辨識功能，該人工智慧晶片使用一第一驅動功率以執行該臉部偵測功能，當該臉部影像由該物體偵測成功時，該人工智慧晶片使用一第二驅動功率以執行該二維臉部辨識功能，當該二維臉部辨識功能將該臉部影像辨識成功後，該人工智慧晶片使用一第三功率以執行該三維臉部辨識功能。
- 如請求項13所述之系統，其中該第一驅動功率小於該第二驅動功率，且該第二驅動功率小於該第三驅動功率。
- 如請求項1所述之系統，其中該人工智慧晶片設置於一主機板上的一第一區域，該主處理器設置於該主機板上的一第二區域，且該第一區域與該第二區域不重疊。
- 一種臉部辨識方法，包含： 發射至少一第一光訊號至一物體； 接收由該物體所反射的至少一第二光訊號； 依據該至少一第二光訊號，一人工智慧晶片執行一臉部偵測功能，以由該物體中偵測一臉部影像；及 當該人工智慧晶片無法由該物體中偵側出該臉部影像時，關閉一二維臉部辨識功能及一三維臉部辨識功能。
- 一種臉部辨識方法，包含： 發射至少一第一光訊號至一物體； 接收由該物體所反射的至少一第二光訊號； 依據該至少一第二光訊號，一人工智慧晶片執行一臉部偵測功能，以由該物體中偵測一臉部影像； 當該臉部影像由該物體中偵測成功後，執行該人工智慧晶片的一二維臉部辨識功能及一三維臉部辨識功能；及 在該二維臉部辨識功能及該三維臉部辨識功能被執行後，該人工智慧晶片產生一臉部辨識訊號。
- 如請求項17所述之方法，其中該人工智慧晶片產生的該臉部辨識訊號包含一第一決策訊號或一第二決策訊號，當該臉部影像由該物體偵測成功且辨識成功時，產生該第一決策訊號，及當由該物體中無法偵測或無法辨識該臉部影像時，產生該第二決策訊號。
- 如請求項17所述之方法，其中該臉部偵測功能係為一常駐程式，且該二維臉部辨識功能及該三維臉部辨識功能係為兩非常駐程式。
- 如請求項17所述之方法，另包含： 將一二維使用者標示符(User Identifier，UID)及一三維使用者標示符對應的原始臉部影像加入至訓練資料(Training Data)內； 依據該至少一第二光訊號及該訓練資料，由該物體中所偵測的該臉部影像進行辨識，以判斷該臉部影像與該二維使用者標示符對應之該原始臉部影像是否一致；及 依據該至少一第二光訊號及該訓練資料，由該物體中所偵測的該臉部影像進行辨識，以判斷該臉部影像與該三維使用者標示符對應之該原始臉部影像是否一致； 其中該臉部影像於該三維使用者標示符的辨識精確度大於該二維使用者標示符的辨識精確度。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US15/876,217 | 2018-01-22 | ||
| US15/876,217 US10885314B2 (en) | 2018-01-22 | 2018-01-22 | Face identification system and face identification method with high security level and low power consumption |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| TW201933174A true TW201933174A (zh) | 2019-08-16 |
| TWI693556B TWI693556B (zh) | 2020-05-11 |
Family
ID=67300054
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| TW107121209A TWI693556B (zh) | 2018-01-22 | 2018-06-21 | 臉部辨識系統及臉部辨識方法 |
Country Status (3)
| Country | Link |
|---|---|
| US (1) | US10885314B2 (zh) |
| CN (1) | CN110069968B (zh) |
| TW (1) | TWI693556B (zh) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10922590B2 (en) * | 2018-02-09 | 2021-02-16 | Stmicroelectronics (Research & Development) Limited | Apparatus, method and computer program for performing object recognition |
| CN110503596A (zh) * | 2019-08-12 | 2019-11-26 | 北京中科寒武纪科技有限公司 | 视频处理方法、装置、电子设备以及计算机可读存储介质 |
| US11461651B2 (en) * | 2020-04-09 | 2022-10-04 | Micron Technology, Inc. | System on a chip with deep learning accelerator and random access memory |
| US11355175B2 (en) | 2020-04-09 | 2022-06-07 | Micron Technology, Inc. | Deep learning accelerator and random access memory with a camera interface |
| US11726784B2 (en) | 2020-04-09 | 2023-08-15 | Micron Technology, Inc. | Patient monitoring using edge servers having deep learning accelerator and random access memory |
| US11887647B2 (en) | 2020-04-09 | 2024-01-30 | Micron Technology, Inc. | Deep learning accelerator and random access memory with separate memory access connections |
| US11874897B2 (en) | 2020-04-09 | 2024-01-16 | Micron Technology, Inc. | Integrated circuit device with deep learning accelerator and random access memory |
Family Cites Families (23)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7415126B2 (en) * | 1992-05-05 | 2008-08-19 | Automotive Technologies International Inc. | Occupant sensing system |
| US7398259B2 (en) | 2002-03-12 | 2008-07-08 | Knowmtech, Llc | Training of a physical neural network |
| US20050276452A1 (en) * | 2002-11-12 | 2005-12-15 | Boland James M | 2-D to 3-D facial recognition system |
| JP5099488B2 (ja) * | 2007-08-31 | 2012-12-19 | カシオ計算機株式会社 | 撮像装置、顔認識方法およびそのプログラム |
| TWI382354B (zh) * | 2008-12-02 | 2013-01-11 | Nat Univ Tsing Hua | 臉部辨識方法 |
| IL196162A (en) * | 2008-12-24 | 2013-02-28 | Rafael Advanced Defense Sys | A system that uses 3D models to enable image comparison regardless of the source of the images |
| KR101700595B1 (ko) * | 2010-01-05 | 2017-01-31 | 삼성전자주식회사 | 얼굴 인식 장치 및 그 방법 |
| JP5267695B2 (ja) * | 2012-03-01 | 2013-08-21 | カシオ計算機株式会社 | 撮像装置、顔認識方法及びそのプログラム |
| KR20130100524A (ko) * | 2012-03-02 | 2013-09-11 | 삼성전자주식회사 | 3차원 이미지 센서의 구동 방법 |
| US8805017B2 (en) * | 2012-12-13 | 2014-08-12 | Intel Corporation | Gesture pre-processing of video stream to reduce platform power |
| CN104268539B (zh) * | 2014-10-17 | 2017-10-31 | 中国科学技术大学 | 一种高性能的人脸识别方法及系统 |
| CN104715254B (zh) | 2015-03-17 | 2017-10-10 | 东南大学 | 一种基于2d和3d sift特征融合的一般物体识别方法 |
| JP6785305B2 (ja) * | 2015-07-15 | 2020-11-18 | １５ セカンズ オブ フェイム，インコーポレイテッド | 顔認識及びコンテキストビデオストリームで個人を識別するためのビデオ解析技術のための装置及び方法 |
| US9842280B2 (en) * | 2015-11-04 | 2017-12-12 | Omnivision Technologies, Inc. | System and method for evaluating a classifier implemented within an image signal processor |
| CN205375507U (zh) | 2016-02-25 | 2016-07-06 | 四川大学 | 基于相位轮廓术的相位和反射率的人脸识别装置 |
| CN205621018U (zh) | 2016-02-26 | 2016-10-05 | 陈进民 | 手机细胞/卷积神经网络加速器 |
| CN105809113B (zh) | 2016-03-01 | 2019-05-21 | 湖南拓视觉信息技术有限公司 | 三维人脸识别方法及应用其的数据处理装置 |
| CN105825186A (zh) * | 2016-03-16 | 2016-08-03 | 四川川大智胜软件股份有限公司 | 一种基于三维人脸数据的身份证与持证人的同一性认证方法 |
| CN107480575B (zh) | 2016-06-07 | 2020-09-22 | 深圳市商汤科技有限公司 | 模型的训练方法、跨年龄人脸识别方法和对应的装置 |
| CN107239734A (zh) * | 2017-04-20 | 2017-10-10 | 合肥工业大学 | 一种用于监狱出入口管理系统的三维人脸识别方法 |
| CN107578014B (zh) | 2017-09-06 | 2020-11-03 | 上海寒武纪信息科技有限公司 | 信息处理装置及方法 |
| CN107392137B (zh) * | 2017-07-18 | 2020-09-08 | 艾普柯微电子（上海）有限公司 | 人脸识别方法及装置 |
| CN107609383B (zh) | 2017-10-26 | 2021-01-26 | 奥比中光科技集团股份有限公司 | 3d人脸身份认证方法与装置 |
-
2018
- 2018-01-22 US US15/876,217 patent/US10885314B2/en active Active
- 2018-06-21 TW TW107121209A patent/TWI693556B/zh not_active IP Right Cessation
- 2018-06-28 CN CN201810686704.7A patent/CN110069968B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| US20190228210A1 (en) | 2019-07-25 |
| CN110069968A (zh) | 2019-07-30 |
| CN110069968B (zh) | 2023-05-26 |
| US10885314B2 (en) | 2021-01-05 |
| TWI693556B (zh) | 2020-05-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| TWI693556B (zh) | 臉部辨識系統及臉部辨識方法 | |
| WO2021232832A1 (zh) | 数据处理方法、联邦学习的训练方法及相关装置、设备 | |
| US10650540B2 (en) | Determining sparse versus dense pattern illumination | |
| US10938840B2 (en) | Neural network architectures employing interrelatedness | |
| US11776095B2 (en) | Photo relighting using deep neural networks and confidence learning | |
| US20230021661A1 (en) | Forgery detection of face image | |
| WO2022033220A1 (zh) | 人脸活体检测方法、系统、装置、计算机设备和存储介质 | |
| US20190042833A1 (en) | Face detection, pose estimation, and distance from a camera estimation using a single network | |
| US20220327189A1 (en) | Personalized biometric anti-spoofing protection using machine learning and enrollment data | |
| US11250282B2 (en) | Face spoofing detection using a physical-cue-guided multi-source multi-channel framework | |
| US11854311B2 (en) | Comparison of biometric identifiers in memory | |
| KR102274581B1 (ko) | 개인화된 hrtf 생성 방법 | |
| WO2023179482A1 (zh) | 一种图像处理方法、神经网络的训练方法以及相关设备 | |
| US20240112318A1 (en) | Artificial intelligence architectures for determining image authenticity | |
| CN112052832A (zh) | 人脸检测的方法、装置和计算机存储介质 | |
| WO2018063699A1 (en) | Gesture experiences in multi-user environments | |
| AbdAlmageed | Anti-spoofing's state-of-the-art: deep learning meets super sensors | |
| CN113537993B (zh) | 一种基于脸部支付的数据检测方法及装置 | |
| KR102502631B1 (ko) | 사용자를 인증하기 위한 기법 | |
| Lu et al. | A face detection and recognition method built on the improved MobileFaceNet | |
| Rana et al. | Real Time Deep Learning based Face Recognition System Using Raspberry PI | |
| Han | Smart Security System Based on Edge Computing and Face Recognition | |
| KR20240094873A (ko) | 얼굴 식별 장치 및 그 방법 | |
| CN118314584A (zh) | 文本篡改识别方法、装置、设备以及存储介质 | |
| CN113850107A (zh) | 使用5d信息描述符的人工想象引擎 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| MM4A | Annulment or lapse of patent due to non-payment of fees |