TW201942800A - 多角度人臉辨識系統及其學習方法與辨識方法 - Google Patents

多角度人臉辨識系統及其學習方法與辨識方法 Download PDF

Info

Publication number
TW201942800A
TW201942800A TW107111063A TW107111063A TW201942800A TW 201942800 A TW201942800 A TW 201942800A TW 107111063 A TW107111063 A TW 107111063A TW 107111063 A TW107111063 A TW 107111063A TW 201942800 A TW201942800 A TW 201942800A
Authority
TW
Taiwan
Prior art keywords
face image
angle
face
recognition
camera module
Prior art date
Application number
TW107111063A
Other languages
English (en)
Inventor
王柏勝
文坤 胡
Original Assignee
沅聖科技股份有限公司
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 沅聖科技股份有限公司 filed Critical 沅聖科技股份有限公司
Priority to TW107111063A priority Critical patent/TW201942800A/zh
Priority to JP2018212856A priority patent/JP2019175421A/ja
Priority to US16/255,298 priority patent/US20190303652A1/en
Publication of TW201942800A publication Critical patent/TW201942800A/zh

Links

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
    • G06V40/161—Detection; Localisation; Normalisation
    • G06V40/166—Detection; Localisation; Normalisation using acquisition arrangements
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G06V10/809—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of classification results, e.g. where the classifiers operate on the same input data
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G06N5/043—Distributed expert systems; Blackboards

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Human Computer Interaction (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Data Mining & Analysis (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)
  • Collating Specific Patterns (AREA)

Abstract

本發明提供一種人臉辨識系統，包含一第一攝像模組、一第二攝像模組以及一辨識引擎。前述第一攝像模組用於從一第一角度拍攝一第一人臉影像。前述第二攝像模組用於從一第二角度拍攝一第二人臉影像。前述辨識引擎包含一第一辨識模組、一第二辨識模組以及一決策模組。前述第一辨識模組依據前述第一角度產生一第一加權分數。前述第二辨識模組依據前述第二角度產生一第二加權分數。前述決策模組依據前述第一人臉影像、前述第二人臉影像、前述第一加權分數以及前述第二加權分數產生一比對模型。

Description

多角度人臉辨識系統及其學習方法與辨識方法
本發明係關於一種人臉辨識系統及其學習方法與辨識方法，尤其是一種利用多個攝像模組從不同角度拍攝之人臉辨識系統及其學習方法與辨識方法。
現有的生物特徵辨識技術包含指紋辨識、語音辨識、虹膜辨識、人臉辨識等。最新發展的人臉辨識應用因為使用方式非常簡便，因此越來越廣泛地被應用，包含各種門禁系統、民用身分確認、警用身分確認、機房設備監控、出勤紀錄等等。人臉辨識系統仍有許多問題有待克服。例如人臉需要正面取圖，且必須光源充足。此外，人臉辨識系統也必須辨識出真人與照片的差別。現有的人臉辨識系統只靠單一的攝像模組，無法辨識不同角度的人臉，往往造成辨識的誤差。
因此，需要提供一種可以提高不同角度辨識度的人臉辨識系統。
有鑑於此，本發明之目的為提供一種多角度的人臉辨識系統，以增加人臉辨識的準確率。
為達上述目的， 本發明提供一種人臉辨識系統，包含一第一攝像模組、一第二攝像模組以及一辨識引擎。前述第一攝像模組用於從一第一角度拍攝一第一人臉影像。前述第二攝像模組用於從一第二角度拍攝一第二人臉影像。前述辨識引擎包含一第一辨識模組、一第二辨識模組以及一決策模組。前述第一辨識模組依據前述第一角度產生一第一加權分數。前述第二辨識模組依據前述第二角度產生一第二加權分數。前述決策模組依據前述第一人臉影像、前述第二人臉影像、前述第一加權分數以及前述第二加權分數產生一比對模型。
較佳地，前述人臉辨識系統進一步包含一第三攝像模組，用於從一第三角度拍攝一第三人臉影像。前述辨識引擎進一步包含一第三辨識模組，依據前述第三角度產生一第三加權分數。前述決策模組依據前述第一人臉影像、前述第二人臉影像、前述第三人臉影像、前述第一加權分數、前述第二加權分數以及前述第三加權分數產生前述比對模型。
為達上述目的，本發明再提供一種人臉辨識系統之學習方法，用於本發明之人臉辨識系統。前述學習方法包含以下步驟。前述辨識引擎取得一筆學習資料。前述學習資料包含從一第一角度所拍攝的一第一人臉影像以及從一第二角度所拍攝的一第二人臉影像。前述第一辨識模組依據前述第一角度產生一對應的第一加權分數。前述第二辨識模組依據前述第二角度產生一對應的第二加權分數。前述決策模組依據前述第一人臉影像、前述第二人臉影像、前述第一加權分數以及前述第二加權分數產生一比對模型。前述辨識引擎儲存前述比對模型。
為達上述目的，本發明再提供一種人臉辨識系統之辨識方法，用於本發明之人臉辨識系統。前述人臉辨方法包含以下步驟。前述第一攝像模組從左側拍攝一左側人臉影像；前述第二攝像模組從正面拍攝一正面人臉影像；前述第三攝像模組從右側拍攝一右側人臉影像。前述辨識引擎將前述左側人臉影像、前述正面人臉影像、前述右側人臉影像分別與前述比對模型進行比對，並分別產生對應的一左側比對分數、一正面比對分數以及一右側比對分數。前述決策模組依據前述左側比對分數、正面比對分數以及右側比對分數產生一辨識結果。
承上所述，本發明之人臉辨識系統利用多個攝像模組分別從不同的角度拍攝人臉影像，並且在辨識引擎中建立對應數量的辨識模組進行不同角度的識別，再整合不同角度的辨識模組進行綜合加權計算以建立人臉辨識的多角度比對模型。此外，在進行人臉辨識時，本發明之人臉辨識系統同樣採用多個攝像模組從不同角度拍攝人臉影像，並將不同角度所拍攝的人臉影像分別在其對應的辨識模組中與比對模型進行比較，取得不同角度的比對分數。最後，再整合不同角度的比對分數產生人臉辨識的結果。以此方式，可以增加人臉辨識的準確度。同時，本發明之人臉辨識系統也可做為一種3D感測技術。
以下將參照相關圖式，說明本發明較佳實施例之一種人臉辨識系統及其學習方法與辨識方法，其中相同的元件將以相同的參照符號加以說明。
請先參考圖1，為本發明第一實施例之人臉辨識系統之示意圖。如圖1所示，本發明之人臉辨識系統100包含一第一攝像模組111、一第二攝像模組112以及一辨識引擎120。前述第一攝像模組111用於從一第一角度拍攝一第一人臉影像。前述第二攝像模組112用於從一第二角度拍攝一第二人臉影像。在本實施例中，前述第一攝像模組111從一左側拍攝前述第一人臉影像；前述第二攝像模組112從一右側拍攝前述第二攝像模組。當本發明之人臉辨識系統100要拍攝一使用者之人臉影像時，使用者可站在前述第一攝像模組111與前述第二攝像模組112的中間，方便前述第一攝像模組111從左側拍攝使用者的左側人臉影像；以及前述第二攝像模組112從右側拍攝使用者的右側人臉影像。本發明之人臉辨識系統100可進一步包含一控制模組114連接並控制前述第一攝像模組111與前述第二攝像模組112。舉例來說，當前述第一攝像模組111感測到一人臉時，前述控制模組114可啟動前述第一攝像模組111與前述第二攝像模組112分別拍攝左側與右側的人臉影像。
前述辨識引擎120包含一第一辨識模組121、一第二辨識模組122以及一決策模組124。前述第一辨識模組121依據前述第一角度產生一第一加權分數。前述第二辨識模組122依據前述第二角度產生一第二加權分數。前述決策模組124依據前述第一人臉影像、前述第二人臉影像、前述第一加權分數以及前述第二加權分數產生一比對模型。前述決策模組124可利用機器學習分類法或深度學習(Deep Learning)的方式產生前述比對模型。前述辨識引擎120進一步包含一記憶體125，用於儲存前述比對模型。以此方式，前述辨識引擎120將不同角度所拍攝到的人臉影像設定一對應的加權分數。在建立比對模型時，不同角度所拍攝到的人臉影像會按照其所對應的加權分數整合至於比對模型的演算法中。舉例來說，在第一實施例中，前述第一攝像模組111從左側所拍攝到的第一人臉影像在比對模型中的第一加權分數為50%；前述第二攝像模組112從右側所拍攝到的第二人臉影像在比對模型中的第二加權分數為50%。
請參考圖2，圖2為本發明第二實施例之人臉辨識系統之示意圖。與本發明第一實施例之人臉辨識系統不同之處在於，本發明第二實施例之人臉辨識系統100進一步包含一第三攝像模組113，用於從一第三角度拍攝一第三人臉影像。前述辨識引擎120進一步包含一第三辨識模組123。前述第三辨識模組123依據前述第三角度產生一第三加權分數。前述決策模組124依據前述第一人臉影像、前述第二人臉影像、前述第三人臉影像、前述第一加權分數、前述第二加權分數以及前述第三加權分數產生前述比對模型。在第二實施例中，前述第一攝像模組111從一左側拍攝前述第一人臉影像；前述第二攝像模組112從一正面拍攝前述第二人臉影像；前述第三攝像模組113從一右側拍攝前述第三人臉影像。舉例來說，在第二實施例中，前述第一攝像模組111從左側所拍攝到的第一人臉影像在比對模型中的第一加權分數為30%；前述第二攝像模組112從正面所拍攝到的第二人臉影像在比對模型中的第二加權分數為40%；前述第三攝像模組113從右側所拍攝到的第三人臉影像在比對模型中的第三加權分數為30%。
請參考圖3，為圖1與圖2中所示的辨識引擎120之硬體方塊示意圖。如圖3所示，前述辨識引擎120可為一辨識伺服器或是一般電腦裝置。前述辨識引擎120包含一處理器126、前述記憶體125、一輸入輸出介面130以及一通訊模組128。前述處理器126連接並控制前述記憶體125、前述輸入輸出介面127以及前述通訊模組128。前述第一辨識模組121、前述第二辨識模組122、前述第三辨識模組123以及前述決策模組124包含於前述處理器126中。前述輸入輸出介面127提供使用者進行操作的介面。前述通訊模組128用於接收或傳送資訊，例如前述人臉影像。圖3所示僅為前述辨識引擎120之一具體實施例，前述辨識引擎120可配合不同的使用環境或平台，不受限於所運作之硬體裝置。
請參考圖4，為本發明第三實施例之人臉辨識系統之學習方法流程圖。本發明第三實施例之人臉辨識系統之學習方法S100用於一人臉辨識系統。前述人臉辨識系統包含複數攝像模組以及一辨識引擎。前述複數攝像模組用於分別從不同角度拍攝複數人臉影像。前述辨識引擎包含複數辨識模組、一決策模組以及一記憶體。前述複數辨識模組對應於前述複數攝像模組。前述學習方法S100包含步驟S101至S109。在步驟S101中，使用者先登入使用者身分至前述辨識引擎。在步驟S102中，前述辨識引擎取得一筆學習資料。前述學習資料包含前述複數攝像模組從不同角度所拍攝的前述使用者的複數人臉影像。在步驟S103中，將一攝像模組從一角度所拍攝的人臉影像輸入一辨識模組。在步驟S104中，前述辨識模組依據前述角度產生一對應的加權分數。在步驟S105中，前述辨識引擎判斷前述學習資料是否有其他攝像模組從其他角度所拍攝的人臉影像。當前述步驟S105判斷為是時，前述學習方法S100回到步驟S103，繼續將其他攝像模組從其他角度所拍攝的人臉影像輸入其他對應的辨識模組。當前述步驟S105判斷為否時，前述學習方法S100進入步驟S106。在步驟S106中，前述辨識引擎判斷是否有其他筆學習資料。當前述步驟S106判斷為是時，前述學習方法S100回到步驟S102，繼續取得其他的學習資料。當前述步驟S106判斷為否時，前述學習方法S100進入步驟S107。在步驟S107中，前述辨識引擎將前述人臉影像與其對應的加權分數輸入決策模組。在步驟S108中，前述決策模組依據前述人臉影像以及其對應的加權分數產生一比對模型。在步驟S109中，前述辨識模組將前述比對模型儲存於前述記憶體中。
請參考圖5，為本發明第四實施例之人臉辨識系統之學習方法流程圖。本發明第四實施例之人臉辨識系統之學習方法適用於一人臉辨識系統。前述人臉辨識系統可參考本發明第一實施例(圖1)中所示的人臉辨識系統100。如圖5與圖1所示，本發明第四實施例之人臉辨識系統之學習方法S200包含步驟S201至S210。在步驟S201中，使用者先登入使用者身分至前述辨識引擎120。在步驟S202中，前述辨識引擎120取得一筆學習資料。前述學習資料包含前述第一攝像模組111從一第一角度所拍攝的一第一人臉影像以及前述第二攝像模組112從一第二角度所拍攝的一第二人臉影像。在本實施例中，前述第一角度為左側；前述第二角度為右側。在步驟S203中，前述辨識引擎120將前述第一人臉影像輸入前述第一辨識模組121。在步驟S204中，前述第一辨識模組121依據前述第一角度產生一對應的第一加權分數。舉例來說，前述第一加權分數為50%。在步驟S205中，前述辨識引擎120將前述第二人臉影像輸入前述第二辨識模組122中。在步驟S206中，前述第二辨識模組122依據前述第二角度產生一對應的第二加權分數。舉例來說，前述第二加權分數為50%。在步驟S207中，前述辨識引擎120判斷是否有其他筆學習資料。當步驟S207判斷為是時，前述學習方法S200回到步驟S202，繼續取得其他筆學習資料。當步驟S207判斷為否時，前述學習方法S200進入步驟S208。在步驟S208中，前述辨識引擎120將前述第一人臉影像、前述第二人臉影像、前述第一加權分數以及前述第二加權分數輸入前述決策模組。在步驟S209中，前述決策模組124依據前述第一人臉影像、前述第二人臉影像、前述第一加權分數以及前述第二加權分數產生一比對模型。在步驟S210中，前述辨識引擎120將前述比對模型儲存於前述記憶體中。
請參考圖6，為本發明第五實施例之人臉辨識系統之學習方法流程圖。本發明第五實施例之人臉辨識系統之學習方法適用於一人臉辨識系統。前述人臉辨識系統可參考本發明第二實施例(圖2)中所示的人臉辨識系統100。如圖6與圖2所示，本發明第五實施例之人臉辨識系統之學習方法S300包含步驟S301至S312。在步驟S301中，使用者先登入使用者身分至前述辨識引擎120。在步驟S302中，前述辨識引擎120取得一筆學習資料。前述學習資料包含前述第一攝像模組111從一第一角度所拍攝的一第一人臉影像、前述第二攝像模組112從一第二角度所拍攝的一第二人臉影像以及前述第三攝像模組113從一第三角度所拍攝的第三人臉影像。在本實施例中，前述第一角度為左側；前述第二角度為正面；前述第三角度為右側。在步驟S303中，前述辨識引擎120將前述第一人臉影像輸入前述第一辨識模組121。在步驟S304中，前述第一辨識模組121依據前述第一角度產生一對應的第一加權分數。在步驟S305中，前述辨識引擎120將前述第二人臉影像輸入前述第二辨識模組122。在步驟S306中，前述第二辨識模組122依據前述第二角度產生一對應的第二加權分數。在步驟S307中，前述辨識引擎120將前述第三人臉影像輸入前述第三辨識模組123。在步驟S308中，前述第三辨識模組123依據前述第三角度產生一對應的第三加權分數。在步驟S309中，前述辨識引擎120判斷是否有其他筆學習資料。當步驟S309判斷為是時，前述學習方法S300回到步驟S302，繼續取得其他筆學習資料。當步驟S309判斷為否時，前述學習方法S300進入步驟S310。在步驟S310中，前述辨識引擎將前述第一人臉影像、前述第二人臉影像、前述第三人臉影像、前述第一加權分數、前述第二加權分數與前述第三加權分數輸入前述決策模組125。在步驟S311中，前述決策模組依據前述第一人臉影像、前述第二人臉影像、前述第三人臉影像、前述第一加權分數、前述第二加權分數與前述第三加權分數產生一比對模型。在步驟S312中，前述辨識引擎120將前述比對模型儲存於前述記憶體中。
請參考圖7，為本發明第六實施例之人臉辨識系統之辨識方法流程圖。本發明第六實施例之人臉辨識系統之辨識方法S400用於一人臉辨識系統。前述人臉辨識系統包含複數攝像模組以及一辨識引擎。前述複數攝像模組用於分別從不同角度拍攝複數人臉影像。前述辨識引擎包含複數辨識模組、一決策模組以及一記憶體。前述複數辨識模組對應於前述複數攝像模組。前述辨識引擎包含一比對模型儲存於前述記憶體中。前述辨識方法S400包含步驟S401至S406。在步驟S401中，前述複數攝像模組之其中一攝像模組感測到一人臉。在步驟S402中，前述人臉辨識系統啟動所有攝像模組分別拍攝不同角度的人臉影像。在步驟S403中，前述複數辨識模組之其中一辨識模組取得對應的攝像模組從一角度所拍攝的人臉影像。在步驟S404中，前述辨識模組將前述人臉影像與前述比對模型進行比較，並產生一比對分數。在步驟S405中，前述辨識引擎120判斷是否有其他攝像模組從其他角度所拍攝的人臉影像。當步驟S405判斷為是時，前述辨識方法S400回到步驟S403，繼續取得不同角度所拍攝的人臉影像。當步驟S405判斷為否時，進入步驟S406。在步驟S406中，前述決策模組125依據所有前述比對分數產生一辨識結果。
請參考圖8，為本發明第七實施例之人臉辨識系統之辨識方法流程圖。本發明第七實施例之人臉辨識系統之辨識方法適用於一人臉辨識系統。前述人臉辨識系統可參考本發明第二實施例(圖2)中所示的人臉辨識系統100。如圖8與圖2所示，本發明第七實施例之人臉辨識系統之辨識方法S500包含步驟S501至S505。在步驟S501中，前述第二攝像模組112感測到一人臉。在步驟S502中，前述控制模組啟動前述第一攝像模組111、前述第二攝像模組112以及前述第三攝像模組。前述第一攝像模組111從左側拍攝一左側人臉影像；前述第二攝像模組112從正面拍攝一正面人臉影像；前述第三攝像模組113從右側拍攝一右側人臉影像。在步驟S503中，前述辨識引擎120將前述左側人臉影像輸入前述第一辨識模組121；將前述正面人臉影像輸入前述第二辨識模組122；將前述右側人臉影像輸入前述第三辨識模組123。在步驟S504中，前述辨識引擎120將前述左側人臉影像、前述正面人臉影像以及前述右側人臉影像分並與前述比對模型進行比對，並分別產生對應的一左側比對分數、一正面比對分數以及一右側比對分數。具體而言，前述第一辨識模組121將前述左側人臉影像與前述比對模型進行比較，並產生前述左側比對分數。前述第二辨識模組122將前述正面人臉影像與前述比對模型進行比較，並產生前述正面比對分數。前述第三辨識模組123將前述右側人臉影像與前述比對模型進行比較，並產生前述右側比對分數。在步驟S505中，前述辨識引擎120之決策模組125依據前述左側比對分數、前述正面比對分數與前述右側比對分數產生一辨識結果。
如前所述，本發明之人臉辨識系統利用多個攝像模組分別從不同的角度拍攝人臉影像，並且在辨識引擎中建立對應數量的辨識模組進行不同角度的識別，再整合不同角度的辨識模組進行綜合加權計算以建立人臉辨識的多角度比對模型。此外，在進行人臉辨識時，本發明之人臉辨識系統同樣採用多個攝像模組從不同角度拍攝人臉影像，並將不同角度所拍攝的人臉影像分別在其對應的辨識模組中與比對模型進行比較，取得不同角度的比對分數。最後，再整合不同角度的比對分數產生人臉辨識的結果。以此方式，可以增加人臉辨識的準確度。同時，本發明之人臉辨識系統也可做為一種3D感測技術。
以上所述僅為舉例性，而非為限制性者。任何未脫離本發明之精神與範疇，而對其進行之等效修改或變更，均應包含於後附之申請專利範圍中。
100‧‧‧人臉辨識系統
111‧‧‧第一攝像模組
112‧‧‧第二攝像模組
113‧‧‧第三攝像模組
114‧‧‧控制模組
120‧‧‧辨識引擎
121‧‧‧第一辨識模組
122‧‧‧第二辨識模組
123‧‧‧第三辨識模組
124‧‧‧決策模組
125‧‧‧記憶體
126‧‧‧處理器
127‧‧‧輸入輸出介面
128‧‧‧通訊模組
S100、S200、S300‧‧‧學習方法
S400、S500‧‧‧辨識方法
S101~S109、S201~S210、S301~S312、S401~S406、S501~S505‧‧‧步驟
圖1為本發明第一實施例之人臉辨識系統之示意圖。 圖2為本發明第二實施例之人臉辨識系統之示意圖。 圖3為圖1與圖2所示之辨識引擎之硬體方塊示意圖。 圖4為本發明第三實施例之人臉辨識系統之學習方法流程圖。 圖5為本發明第四實施例之人臉辨識系統之學習方法流程圖。 圖6為本發明第五實施例之人臉辨識系統之學習方法流程圖。 圖7為本發明第六實施例之人臉辨識系統之辨識方法流程圖。 圖8為本發明第七實施例之人臉辨識系統之辨識方法流程圖。
無

Claims (10)

  1. 一種人臉辨識系統，包含： 一第一攝像模組，用於從一第一角度拍攝一第一人臉影像； 一第二攝像模組，用於從一第二角度拍攝一第二人臉影像；以及 一辨識引擎，包含： 一第一辨識模組，依據前述第一角度產生一第一加權分數； 一第二辨識模組，依據前述第二角度產生一第二加權分數；以及 一決策模組，依據前述第一人臉影像、前述第二人臉影像、前述第一加權分數以及前述第二加權分數產生一比對模型。
  2. 如申請專利範圍第1項所述的人臉辨識系統，其中，前述第一攝像模組從一左側拍攝前述第一人臉影像；前述第二攝像模組從一右側拍攝前述第一人臉影像。
  3. 如申請專利範圍第1項所述的人臉辨識系統，其進一步包含一第三攝像模組，用於從一第三角度拍攝一第三人臉影像；前述辨識引擎進一步包含一第三辨識模組，依據前述第三角度產生一第三加權分數；前述決策模組依據前述第一人臉影像、前述第二人臉影像、前述第三人臉影像、前述第一加權分數、前述第二加權分數以及前述第三加權分數產生前述比對模型。
  4. 如申請專利範圍第3項所述的人臉辨識系統，其中，前述第一攝像模組從一左側拍攝前述第一人臉影像；前述第二攝像模組從一正面拍攝前述第二人臉影像；前述第三攝像模組從一右側拍攝前述第三人臉影像。
  5. 一種人臉辨識系統之學習方法，用於一人臉辨識系統；前述學習方法包含： 取得一筆學習資料；前述學習資料包含從一第一角度所拍攝的一第一人臉影像以及從一第二角度所拍攝的一第二人臉影像； 依據前述第一角度產生一對應的第一加權分數； 依據前述第二角度產生一對應的第二加權分數； 依據前述第一人臉影像、前述第二人臉影像、前述第一加權分數以及前述第二加權分數產生一比對模型；以及 儲存前述比對模型。
  6. 如申請專利範圍第5項所述的學習方法，其中，前述第一角度為左側；前述第二角度為右側。
  7. 如申請專利範圍5項所述的學習方法，其中，前述學習資料進一步包含從一第三角度所拍攝的第三人臉影像；前述學習方法進一步包含： 依據前述第三角度產生一對應的第三加權分數；以及 依據前述第一人臉影像、前述第二人臉影像、第三人臉影像、前述第一加權分數、前述第二加權分數以及前述第三加權分數產生前述比對模型。
  8. 如申請專利範圍7項所述的學習方法，其中，前述第一角度為左側；前述第二角度為正面；前述第三角度為右側。
  9. 如申請專利範圍第5項所述的學習方法，進一步包含： 判斷是否有其他學習資料。
  10. 一種人臉辨識方法，用於一人臉辨識系統；前述人臉辨識系統包含一第一攝像模組、一第二攝像模組、一第三攝像模組以及一辨識引擎；前述辨識引擎包含一比對模型；前述人臉辨識方法包含： 前述第一攝像模組從左側拍攝一左側人臉影像；前述第二攝像模組從正面拍攝一正面人臉影像；前述第三攝像模組從右側拍攝一右側人臉影像； 將前述左側人臉影像、前述正面人臉影像以及前述右側人臉影像分別與前述比對模型進行比對，並分別產生對應的一左側比對分數、一正面比對分數以及一右側比對分數；以及 前述決策模組依據前述左側比對分數、正面比對分數以及右側比對分數產生一辨識結果。
TW107111063A 2018-03-29 2018-03-29 多角度人臉辨識系統及其學習方法與辨識方法 TW201942800A (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
TW107111063A TW201942800A (zh) 2018-03-29 2018-03-29 多角度人臉辨識系統及其學習方法與辨識方法
JP2018212856A JP2019175421A (ja) 2018-03-29 2018-11-13 マルチアングル顔認証システム及びその学習方法と認証方法
US16/255,298 US20190303652A1 (en) 2018-03-29 2019-01-23 Multi-view face recognition system and recognition and learning method therefor

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
TW107111063A TW201942800A (zh) 2018-03-29 2018-03-29 多角度人臉辨識系統及其學習方法與辨識方法

Publications (1)

Publication Number Publication Date
TW201942800A true TW201942800A (zh) 2019-11-01

Family

ID=68056338

Family Applications (1)

Application Number Title Priority Date Filing Date
TW107111063A TW201942800A (zh) 2018-03-29 2018-03-29 多角度人臉辨識系統及其學習方法與辨識方法

Country Status (3)

Country Link
US (1) US20190303652A1 (zh)
JP (1) JP2019175421A (zh)
TW (1) TW201942800A (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108960841A (zh) * 2018-07-16 2018-12-07 阿里巴巴集团控股有限公司 支付方法、装置及系统

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7835549B2 (en) * 2005-03-07 2010-11-16 Fujifilm Corporation Learning method of face classification apparatus, face classification method, apparatus and program
CN105956518A (zh) * 2016-04-21 2016-09-21 腾讯科技（深圳）有限公司 一种人脸识别方法、装置和系统

Also Published As

Publication number Publication date
US20190303652A1 (en) 2019-10-03
JP2019175421A (ja) 2019-10-10

Similar Documents

Publication Publication Date Title
CN110443110B (zh) 基于多路摄像的人脸识别方法、装置、终端及存储介质
US10275672B2 (en) Method and apparatus for authenticating liveness face, and computer program product thereof
WO2018028546A1 (zh) 一种关键点的定位方法及终端、计算机存储介质
CN108230383B (zh) 手部三维数据确定方法、装置及电子设备
WO2017000116A1 (zh) 活体检测方法、活体检测系统以及计算机程序产品
US9077678B1 (en) Facilitating photo sharing
US20170262472A1 (en) Systems and methods for recognition of faces e.g. from mobile-device-generated images of faces
WO2019071664A1 (zh) 结合深度信息的人脸识别方法、装置及存储介质
KR20050085583A (ko) 표정 불변 얼굴 인식
US10769415B1 (en) Detection of identity changes during facial recognition enrollment process
CN106022032A (zh) 个人识别装置、识别阈值设定方法、以及程序
WO2016172923A1 (zh) 视频检测方法、视频检测系统以及计算机程序产品
JP6969663B2 (ja) ユーザの撮影装置を識別する装置及び方法
WO2021047069A1 (zh) 人脸识别方法和电子终端设备
US20150278574A1 (en) Processing a Fingerprint for Fingerprint Matching
KR20160025768A (ko) 안면인식을 활용하는 출석관리 시스템
JPWO2009004916A1 (ja) なりすまし検知システム、なりすまし検知方法およびなりすまし検知用プログラム
JP5648452B2 (ja) 画像処理プログラムおよび画像処理装置
JP2006085289A (ja) 顔認証システムおよび顔認証方法
TW201942800A (zh) 多角度人臉辨識系統及其學習方法與辨識方法
US10621419B2 (en) Method and system for increasing biometric acceptance rates and reducing false accept rates and false rates
JP4887966B2 (ja) 照合装置
JP7400886B2 (ja) ビデオ会議システム、ビデオ会議方法、およびプログラム
Bartuzi et al. Mobibits: Multimodal mobile biometric database
TWI667054B (zh) 飛行器飛行控制方法、裝置、飛行器及系統