TW202125323A - 利用人工智慧模組學習臉部辨識的處理方法 - Google Patents

利用人工智慧模組學習臉部辨識的處理方法 Download PDF

Info

Publication number
TW202125323A
TW202125323A TW108147707A TW108147707A TW202125323A TW 202125323 A TW202125323 A TW 202125323A TW 108147707 A TW108147707 A TW 108147707A TW 108147707 A TW108147707 A TW 108147707A TW 202125323 A TW202125323 A TW 202125323A
Authority
TW
Taiwan
Prior art keywords
name
person
recognition
recognition result
distance
Prior art date
Application number
TW108147707A
Other languages
English (en)
Other versions
TWI783199B (zh
Inventor
陳建芳
易萬 吳
許桓瑞
李建明
Original Assignee
亞旭電腦股份有限公司
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 亞旭電腦股份有限公司 filed Critical 亞旭電腦股份有限公司
Priority to TW108147707A priority Critical patent/TWI783199B/zh
Priority to CN202010227893.9A priority patent/CN113033271A/zh
Priority to US17/100,587 priority patent/US11403875B2/en
Publication of TW202125323A publication Critical patent/TW202125323A/zh
Application granted granted Critical
Publication of TWI783199B publication Critical patent/TWI783199B/zh

Links

Images

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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/51—Indexing; Data structures therefor; Storage structures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/55—Clustering; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/5866—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using information manually generated, e.g. tags, keywords, comments, manually generated location and time information
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • 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

Landscapes

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

Abstract

一種臉部辨識的處理方法，包括：從一臉部影像取出一特徵點資訊；根據特徵點資訊輸出一臉部辨識的一識別結果，識別結果包括一識別人名以及特徵點距離資訊；判斷識別人名是否在一名單中；當識別人名在名單中，進行一移除確認步驟，用以根據特徵點距離資訊判斷識別結果是否需移除；當識別結果不需移除時，顯示識別人名；當識別結果需移除時，顯示一負面提示；以及動態即時回饋及更新該臉部辨識的識別方法。

Description

利用人工智慧模組學習臉部辨識的處理方法
本發明關於臉部辨識。
臉部辨識屬於一種生物特徵辨識技術，特別是分析比較臉部視覺特徵資訊進行身分鑑別的電腦技術。臉部辨識已應用於諸多領域，例如門禁管理、手機解鎖、身分認證等等。然而，對於多使用者多張臉的臉部辨識系統，還是會有辨識錯誤的情況，一般的臉部辨識系統是封閉式的，一般的使用者無法或不容易修正辨識的模型或更新資料，若對一張臉產生辨識錯誤，在下一次對同一張臉辨識仍會產生同樣的辨識錯誤。這種做法雖然確保安全性，但在即時需求的應用情況反而造成使用的不便利。
有鑑於上述課題，本發明之目的為提供一種利用人工智慧模組學習臉部辨識的處理方法及電子裝置，能讓使用者方便修正準則以提升下次辨識的正確率。
在一實施例中，一種臉部辨識的處理方法，包括：從一臉部影像取出一特徵點資訊；根據特徵點資訊輸出一臉部辨識的一識別結果，識別結果包括一識別人名以及特徵點距離資訊；判斷識別人名是否在一名單中；當識別人名在名單中，進行一移除確認步驟，用以根據特徵點距離資訊判斷識別結果是否需移除；當識別結果不需移除時，顯示識別人名；當識別結果需移除時，顯示一負面提示；以及動態即時回饋及更新臉部辨識的識別方法。
在一實施例中，移除確認的步驟包括：判斷識別結果是否為模稜二可；當識別結果為模稜二可時，提供多個候選人名以供使用者從中選擇一正確人名；當正確人名與識別人名不同時，根據正確人名與特徵點距離資訊更新一臉部資料庫。
在一實施例中，特徵點距離資訊包括一特徵點距離，判斷識別結果是否為模稜二可的步驟包括：當特徵點距離小於一低門檻值，識別結果為不需移除；當特徵點距離大於一高門檻值，識別結果為需移除，其中，高門檻值大於低門檻值；以及當特徵點距離介於低門檻值與高門檻值之間，識別結果為模稜二可。
在一實施例中，提供多個候選人名的步驟包括：計算臉部資料庫中每一筆臉部特徵資料以得到多筆臉部距離資料；將這些臉部距離資料排序；從這些臉部距離資料列出距離最接近的頭N筆作為候選距離資料；根據這些候選距離資料所對應的人名進行人名計票；以及顯示一人名計票結果，人名計票結果包括這些候選人名。
在一實施例中，更新臉部資料庫的步驟包括：在臉部資料庫中，移除正確人名的一筆最不近似的記錄；以及在臉部資料庫中，根據特徵點距離資訊新增正確人名的一筆記錄。
在一實施例中，移除確認步驟更包括：當正確人名與識別人名相同時，不更新臉部資料庫，並顯示識別人名。
在一實施例中，處理方法更包括：當識別人名不在名單中，進行一更新確認步驟，用以新增一筆人名資料在清單。
在一實施例中，一人工智慧模組的一神經網路用於從臉部影像取出特徵點資訊，該人工智慧模組的一分類器用於根據特徵點資訊輸出識別結果。
在一實施例中，一種臉部辨識的處理方法，包括：從一臉部影像取出一特徵點資訊；根據特徵點資訊輸出一臉部辨識的一識別結果，識別結果包括一識別人名以及特徵點距離資訊；判斷識別人名是否在一名單中；當識別人名不在名單中，進行一更新確認步驟，用以新增一筆人名資料在清單；當識別人名在名單中，進行一移除確認步驟，用以根據特徵點距離資訊判斷識別結果是否需移除；當識別結果不需移除時，顯示識別人名；當識別結果需移除時，顯示一負面提示；以及動態即時回饋及更新該臉部辨識的識別方法。其中移除確認步驟包括：判斷識別結果是否為模稜二可；當識別結果為模稜二可時，提供多個候選人名以供使用者從中選擇一正確人名；當正確人名與識別人名相同時，不更新臉部資料庫，並顯示識別人名；當正確人名與識別人名不同時，根據正確人名與特徵點距離資訊更新一臉部資料庫。其中，特徵點距離資訊包括一特徵點距離，判斷識別結果是否為模稜二可的步驟包括：當特徵點距離小於一低門檻值，識別結果為不需移除；當特徵點距離大於一高門檻值，識別結果為需移除，其中，高門檻值大於低門檻值；以及當特徵點距離介於低門檻值與高門檻值之間，識別結果為模稜二可。其中，提供多個候選人名的步驟包括：計算臉部資料庫中每一筆臉部特徵資料以得到多筆臉部距離資料；將這些臉部距離資料排序；從這些臉部距離資料列出距離最接近的頭N筆作為候選距離資料；根據這些候選距離資料所對應的人名進行人名計票；以及顯示一人名計票結果，人名計票結果包括這些候選人名。其中，更新臉部資料庫的步驟包括：在臉部資料庫中，移除正確人名的一筆最不近似的記錄；以及在臉部資料庫中，根據特徵點距離資訊新增正確人名的一筆記錄。
在一實施例中，一種電子裝置進行臉部辨識的處理方法。
承上所述，本揭露之臉部辨識的處理方法及電子裝置，能讓使用者方便修正準則以提升下次辨識的正確率，可應用在多使用者多張臉的臉部辨識系統，即時的新增臉部資料以及回饋至識別過程，提高下次臉部辨識的正確率。
以下將參照相關圖式，說明依本發明較佳實施例之臉部辨識的處理方法及電子裝置，其中相同的元件將以相同的參照符號加以說明。
如圖1所示，圖1為一實施例之臉部辨識的處理方法的流程區塊圖。各區塊代表一步驟，各步驟可有進一步的細節步驟。臉部辨識的處理方法包括區塊102至區塊110及區塊200至區塊214，這些步驟包括：取得一輸入影像（區塊102）；從輸入影像偵測臉部並取出臉部影像（區塊104）；從臉部影像取出一特徵點資訊（區塊106）；根據特徵點資訊輸出一臉部辨識的一識別結果，識別結果包括一識別人名以及特徵點距離資訊（區塊108）；判斷識別人名是否在一名單中（區塊202）；當識別人名在名單中，進行一移除確認步驟，用以根據特徵點距離資訊判斷識別結果是否需移除（區塊204）；當識別結果不需移除時，顯示識別人名（區塊206）；當識別結果需移除時，顯示一負面提示（區塊208）；當識別人名不在名單中，進行一更新確認步驟，用以新增一筆人名資料在清單（區塊212）。另外，在之前可詢問使用者是否要更新（區塊210），若不更新則進入區塊208，若要更新才進入區塊212。藉由區塊210、212、214以及甚至區塊204，可以動態即時回饋及更新臉部辨識的識別方法。
在區塊102中，影像來源可以是相機或通訊裝置等等，相機可即時對一使用者拍攝相片而產生輸入影像，通訊裝置可從遠端接收影像，遠端也可連接相機來拍攝相片而產生輸入影像。然後，在區塊104中，在影像中偵測臉部，並從輸入影像中取出臉部的部分，以供後續的臉部特徵辨識。
在區塊106中，從臉部影像取出特徵點資訊。舉例來說，如圖2所示，臉部特徵點資訊包括多個嵌入特徵點（embedding features），人臉定位點取出（facial landmark extraction）運用多個嵌入特徵點來標示人臉的五官。此區塊可以利用神經網路來實現，例如深度學習（deep learning）的神經網路。嵌入特徵點的數量例如是256個點，是由深度架構（deep architecture）及L2範數（L2 norm）計算得出。
在區塊108中，根據輸入影像的特徵點資訊以及一臉部資料庫中的一張臉的特徵點資訊計算歐幾里得距離（Euclidean distance），計算式如以下式(1)，然後基於算出的距離利用一分類器加以分類，分類的結果做為臉部辨識的識別結果，識別結果包括識別人名以及特徵點距離資訊。舉例來說，識別人名的數量是一位，特徵點距離資訊是這些嵌入特徵點在二張臉部影像之間的歐幾里得距離。
Figure 02_image001
式(1) k：嵌入特徵點的數量，例如256； Xi：是輸入影像的特徵點； Yi：臉部資料庫中的一張臉的特徵點
區塊104至區塊108可以在區塊110中，區塊110表示其可以實現在一個人工智慧模組（A.I. module），人工智慧模組可以是晶片、程式碼、或是晶片與程式碼組成的韌體。區塊202至區塊212可以在區塊200中，區塊200表示其可以實現在一個計算裝置，計算裝置可具備處理器以及記憶體，處理器配置以執行程式碼，記憶體配置以儲存程式碼與資料。舉例來說，區塊200可以是一行動計算裝置的應用程式（Application Program）。人工智慧模組的神經網路用於區塊106從臉部影像取出特徵點資訊，人工智慧模組的分類器用於區塊108根據特徵點資訊輸出識別結果，區塊110以及區塊200的結合是利用人工智慧模組學習臉部辨識的處理方法。
在區塊202中，判斷識別人名是否在名單中，名單中的人名代表這些人名在臉部資料庫中存有對應的臉部特徵資料，名單可存放在臉部資料庫中。
在區塊204中，當識別人名在名單中，進行一移除確認步驟，用以根據特徵點距離資訊判斷識別結果是否需移除，如果識別結果是錯的，則有機制可讓使用者修正回饋至識別過程，這可提高下次臉部辨識的正確率。
在區塊206中，當識別結果不需移除時，顯示識別人名，這代表識別結果是正確的情況。
在區塊208中，當識別結果需移除時，顯示負面提示，負面提示例如是錯誤訊息或是表達辨識結果未知。
在區塊210至區塊212中，當識別人名不在名單中，先詢問使用者是否要更新，若不更新則進入區塊208顯示負面提示，若要更新才進入區塊212進行更新確認步驟。更新確認步驟是新增一筆人名資料在清單中並增加對應的臉部特徵資訊到臉部資料庫中，並且更新區塊108所採用的分類器的模型（model）。在區塊214中，則進一步儲存區塊108所採用的分類器的模型，讓區塊110在下次臉部辨識時能夠認得本次新增的臉，並輸出正確的辨識結果。另外，在區塊212也可更新在圖3的區塊中使用到的低門檻值T1及高門檻值T2。
如圖3所示，圖3為圖1中移除確認區塊204的流程區塊圖。各區塊代表一步驟，各步驟可包括進一步的細節步驟。
移除確認區塊所進行的步驟包括：判斷識別結果是否為模稜二可（區塊310）；當識別結果為模稜二可時，提供多個候選人名以供使用者從中選擇一正確人名（區塊320）；當正確人名與識別人名相同時，不更新臉部資料庫，並顯示識別人名（區塊334）；當正確人名與識別人名不同時，根據正確人名與特徵點距離資訊更新一臉部資料庫（區塊340）。
在區塊310中，特徵點距離資訊包括一特徵點距離，區塊310包括區塊302至區塊306。
在區塊302中，取得特徵點距離，並初始化一低門檻值T1以及一高門檻值T2，其中，高門檻值T2大於低門檻值T1。
在區塊304中，判斷特徵點距離是否小於低門檻值T1（區塊304），當特徵點距離小於低門檻值T1，識別結果為不需移除，然後進入區塊308；當特徵點距離不小於低門檻值T1，則進入區塊306。區塊308是進入區塊206要顯示識別人名。
接著，在區塊306中，判斷特徵點距離是否大於高門檻值T2，其中，高門檻值T2大於低門檻值T1，進入區塊312代表當特徵點距離大於高門檻值T2，識別結果為需移除。區塊314是進入區塊208要顯示負面提示。當特徵點距離介於低門檻值T1與高門檻值T2之間，識別結果為模稜二可然後進入區塊320。
在區塊320中，提供多個候選人名的步驟包括：計算臉部資料庫中每一筆臉部特徵資料以得到多筆臉部距離資料（區塊322）；將這些臉部距離資料排序（區塊324）；從這些臉部距離資料列出距離最接近的頭N筆作為候選距離資料（區塊326），過濾出N筆資料；根據這些候選距離資料所對應的人名進行人名計票（區塊328）；以及顯示一人名計票結果，人名計票結果包括這些候選人名（區塊330）。
在區塊322中，當下輸入的臉部影像的特徵資料和臉部資料庫中各筆臉部特徵資料分別計算歐幾里得距離以各別得到一筆臉部距離資料，整體得到多筆臉部距離資料。
在區塊324中，排序是以最近到最遠的順序，即距離較小為較優先。
在區塊326至區塊330中， N例如是10，假定10筆資料中不論順序有5筆是人名C的資料，3筆是人名A的資料，2筆是人名B的資料，在區塊328中的人名計票會依票數高低產生順序，例如C、A、B的順序。在區塊330中會顯示C、A、B的順序以及人名，最高順位的人名代表辨識的最佳預測結果。
在區塊332中，使用者可根據顯示的人名計票結果來判斷順位最高的人名是否正確，若正確則可選擇不需更新並採用最佳預測結果，順位最高的人名作為識別人名，然後進入區塊334，否則進入區塊340。
在區塊334中，不更新臉部資料庫也不更新分類器，保持區塊108所採用的分類器的模型，門檻值T1、T2也不更新，然後可進入區塊206來顯示識別人名。
在區塊340中，更新臉部資料庫的步驟包括：使用者輸入正確人名（區塊342）；在臉部資料庫中，移除正確人名的一筆最不近似的記錄（區塊344）；以及在臉部資料庫中，根據特徵點距離資訊新增正確人名的一筆記錄（區塊346），新增的人名作為識別人名；進入區塊206來顯示識別人名（區塊348）。
在區塊342中，使用者可從候選人名選擇其中一名作為正確人名，候選人名屬於名單中的人名，使用者無法選擇或新增不屬於名單中的人名。
在區塊344中，在臉部資料庫中，正確人名有多筆特徵記錄，這些特徵記錄是針對同一個人不同的臉部影像分別產生，各筆特徵記錄有各自的特徵點距離，這些特徵記錄中特徵點距離為最遠的是被視為最不近似的，在此步驟是要被移除的記錄。少一筆資料會在下一個區塊步驟中補回。
在區塊346中，在臉部資料庫中，根據輸入影像的特徵點距離資訊新增正確人名的一筆記錄，並且更新儲存區塊108所採用的分類器的模型，讓區塊110在下次臉部辨識時能夠認得本次新增的臉，並輸出正確的辨識結果。另外，在區塊346也可更新低門檻值T1及高門檻值T2。
圖4與圖5為進行臉部辨識的處理方法的電子裝置的區塊圖。如圖4所示，一電子裝置400可以是一計算機裝置，其包括一處理單元402、一顯示單元404、一拍照單元406、一輸入單元408、一記憶單元410以及一辨識單元416。處理單元402耦接顯示單元404、拍照單元406、輸入單元408、記憶單元410以及辨識單元416。處理單元402配置以執行程式碼，程式碼及相關資料可儲存於記憶單元410。圖1的區塊200以及圖3中的區塊可以實現在程式碼以及執行程式碼的處理單元，舉例來說，記憶單元410儲存校對模組412以及臉部資料庫414，區塊200可以是記憶單元410所儲存的校對模組412，校對模組412包括程式碼與資料。拍照單元406可進行區塊102的功能，辨識單元416可進行區塊110的功能並且可以是一晶片。顯示單元404可包括一顯示器，其可進行各區塊或步驟的顯示功能。輸入單元408可包括一輸入元件例如觸碰面板、或鍵盤等等，其可進行各區塊或步驟的使用者輸入功能。
另外，圖4的辨識單元416可改為圖5的記憶單元410所儲存的辨識模組418，圖5的電子裝置400a中，區塊110可以是記憶單元410所儲存的辨識模組418，辨識模組418包括程式碼與資料。
承上所述，本揭露之臉部辨識的處理方法及電子裝置，能讓使用者方便修正準則以提升下次辨識的正確率，可應用在多使用者多張臉的臉部辨識系統，即時的新增臉部資料以及回饋至識別過程，提高下次臉部辨識的正確率。
以上公開的實施例僅用於說明本發明的各種用途。應當理解的是，鑑於上述教示，本揭露的功能元件和特徵的多種修改、變化和組合是可能的，且因此，在所附權利要求的範圍內，並且本揭露可以不同於特別揭露的方式來實施。
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。
102～110:臉部辨識的處理方法的流程區塊 200～214:臉部辨識的處理方法的流程區塊 302～314:臉部辨識的處理方法的流程區塊 320～334:臉部辨識的處理方法的流程區塊 340～348:臉部辨識的處理方法的流程區塊 400:電子裝置 400a:電子裝置 402:處理單元 404:顯示單元 406:拍照單元 408:輸入單元 410:記憶單元 412:校對模組 414:臉部資料庫 416:辨識單元 418:辨識模組
圖1為一實施例之臉部辨識的處理方法的流程區塊圖。 圖2為臉部特徵點的示意圖。 圖3為圖1中移除確認區塊的流程區塊圖。 圖4與圖5為進行臉部辨識的處理方法的電子裝置的區塊圖。
102~110:臉部辨識的處理方法的流程區塊
200~214:臉部辨識的處理方法的流程區塊

Claims (10)

  1. 一種臉部辨識的處理方法，包括： 從一臉部影像取出一特徵點資訊； 根據該特徵點資訊輸出一臉部辨識的一識別結果，該識別結果包括一識別人名以及特徵點距離資訊； 判斷該識別人名是否在一名單中； 當該識別人名在該名單中，進行一移除確認步驟，用以根據該特徵點距離資訊判斷該識別結果是否需移除； 當該識別結果不需移除時，顯示該識別人名； 當該識別結果需移除時，顯示一負面提示；以及 動態即時回饋及更新該臉部辨識的識別方法。
  2. 如申請專利範圍第1項所述的處理方法，其中，該移除確認步驟包括： 判斷該識別結果是否為模稜二可； 當該識別結果為模稜二可時，提供多個候選人名以供使用者從中選擇一正確人名； 當該正確人名與識別人名不同時，根據該正確人名與該特徵點距離資訊更新一臉部資料庫。
  3. 如申請專利範圍第2項所述的處理方法，其中，該特徵點距離資訊包括一特徵點距離，判斷該識別結果是否為模稜二可的步驟包括： 當該特徵點距離小於一低門檻值，該識別結果為不需移除； 當該特徵點距離大於一高門檻值，該識別結果為需移除，其中，該高門檻值大於該低門檻值；以及 當該特徵點距離介於該低門檻值與該高門檻值之間，該識別結果為模稜二可。
  4. 如申請專利範圍第2項所述的處理方法，其中，提供多個候選人名的步驟包括： 計算該臉部資料庫中每一筆臉部特徵資料以得到多筆臉部距離資料； 將該等臉部距離資料排序； 從該等臉部距離資料列出距離最接近的頭N筆作為候選距離資料； 根據該等候選距離資料所對應的人名進行人名計票；以及 顯示一人名計票結果，該人名計票結果包括該等候選人名。
  5. 如申請專利範圍第2項所述的處理方法，其中，更新該臉部資料庫的步驟包括： 在該臉部資料庫中，移除該正確人名的一筆最不近似的記錄；以及 在該臉部資料庫中，根據該特徵點距離資訊新增該正確人名的一筆記錄。
  6. 如申請專利範圍第2項所述的處理方法，其中，該移除確認步驟更包括： 當該正確人名與識別人名相同時，不更新臉部資料庫，並顯示該識別人名。
  7. 如申請專利範圍第1項所述的處理方法，更包括： 當該識別人名不在該名單中，進行一更新確認步驟，用以新增一筆人名資料在該清單。
  8. 如申請專利範圍第1項所述的處理方法，其中，一人工智慧模組的一神經網路用於從該臉部影像取出該特徵點資訊，該人工智慧模組的一分類器用於根據該特徵點資訊輸出該識別結果。
  9. 一種臉部辨識的處理方法，包括： 從一臉部影像取出一特徵點資訊； 根據該特徵點資訊輸出一臉部辨識的一識別結果，該識別結果包括一識別人名以及特徵點距離資訊； 判斷該識別人名是否在一名單中； 當該識別人名不在該名單中，進行一更新確認步驟，用以新增一筆人名資料在該清單； 當該識別人名在該名單中，進行一移除確認步驟，用以根據該特徵點距離資訊判斷該識別結果是否需移除； 當該識別結果不需移除時，顯示該識別人名； 當該識別結果需移除時，顯示一負面提示；以及 動態即時回饋及更新該臉部辨識的識別方法， 其中該移除確認步驟包括： 判斷該識別結果是否為模稜二可； 當該識別結果為模稜二可時，提供多個候選人名以供使用者從中選擇一正確人名； 當該正確人名與識別人名相同時，不更新臉部資料庫，並顯示該識別人名； 當該正確人名與識別人名不同時，根據該正確人名與該特徵點距離資訊更新一臉部資料庫， 其中，該特徵點距離資訊包括一特徵點距離，判斷該識別結果是否為模稜二可的步驟包括： 當該特徵點距離小於一低門檻值，該識別結果為不需移除； 當該特徵點距離大於一高門檻值，該識別結果為需移除，其中，該高門檻值大於該低門檻值；以及 當該特徵點距離介於該低門檻值與該高門檻值之間，該識別結果為模稜二可， 其中，提供多個候選人名的步驟包括： 計算該臉部資料庫中每一筆臉部特徵資料以得到多筆臉部距離資料； 將該等臉部距離資料排序； 從該等臉部距離資料列出距離最接近的頭N筆作為候選距離資料； 根據該等候選距離資料所對應的人名進行人名計票；以及 顯示一人名計票結果，該人名計票結果包括該等候選人名， 其中，更新該臉部資料庫的步驟包括： 在該臉部資料庫中，移除該正確人名的一筆最不近似的記錄；以及 在該臉部資料庫中，根據該特徵點距離資訊新增該正確人名的一筆記錄。
  10. 一種電子裝置，進行如申請專利範圍第1至9項任一項的處理方法。
TW108147707A 2019-12-25 2019-12-25 臉部辨識的處理方法及電子裝置 TWI783199B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
TW108147707A TWI783199B (zh) 2019-12-25 2019-12-25 臉部辨識的處理方法及電子裝置
CN202010227893.9A CN113033271A (zh) 2019-12-25 2020-03-27 利用人工智能模块学习脸部辨识的处理方法
US17/100,587 US11403875B2 (en) 2019-12-25 2020-11-20 Processing method of learning face recognition by artificial intelligence module

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
TW108147707A TWI783199B (zh) 2019-12-25 2019-12-25 臉部辨識的處理方法及電子裝置

Publications (2)

Publication Number Publication Date
TW202125323A true TW202125323A (zh) 2021-07-01
TWI783199B TWI783199B (zh) 2022-11-11

Family

ID=76458600

Family Applications (1)

Application Number Title Priority Date Filing Date
TW108147707A TWI783199B (zh) 2019-12-25 2019-12-25 臉部辨識的處理方法及電子裝置

Country Status (3)

Country Link
US (1) US11403875B2 (zh)
CN (1) CN113033271A (zh)
TW (1) TWI783199B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11366989B2 (en) 2019-08-20 2022-06-21 Microsoft Technology Licensing, Llc Negative sampling algorithm for enhanced image classification
US11450107B1 (en) * 2021-03-10 2022-09-20 Microsoft Technology Licensing, Llc Dynamic detection and recognition of media subjects
US20230274377A1 (en) * 2021-12-13 2023-08-31 Extramarks Education India Pvt Ltd. An end-to-end proctoring system and method for conducting a secure online examination

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7751597B2 (en) * 2006-11-14 2010-07-06 Lctank Llc Apparatus and method for identifying a name corresponding to a face or voice using a database
US20110153341A1 (en) * 2009-12-17 2011-06-23 General Electric Company Methods and systems for use of augmented reality to improve patient registration in medical practices
TW201401184A (zh) * 2012-06-18 2014-01-01 Altek Corp 智慧提示裝置及其方法
US20140344716A1 (en) * 2013-05-14 2014-11-20 Foster, LLC Cluster-Based Social Networking System and Method
CN110263642B (zh) * 2013-10-28 2022-04-19 谷歌有限责任公司 用于替换图像的部分的图像缓存
CN104091176B (zh) * 2014-07-18 2015-10-14 吴建忠 人像比对在视频中的应用技术
TWI512644B (zh) * 2014-08-21 2015-12-11 Coretronic Corp 智慧型眼鏡及使用智慧型眼鏡的人臉辨識與提示方法
CN106156688A (zh) * 2015-03-10 2016-11-23 上海骏聿数码科技有限公司 一种动态人脸识别方法及系统
CN106998444B (zh) * 2017-02-14 2020-02-18 广东中科人人智能科技有限公司 一种大数据人脸监控系统
US10210381B1 (en) * 2017-08-01 2019-02-19 Apple Inc. Multiple enrollments in facial recognition
CN108647581A (zh) * 2018-04-18 2018-10-12 深圳市商汤科技有限公司 信息处理方法、装置及存储介质
US11538264B2 (en) * 2019-07-05 2022-12-27 Servall Data Systems Inc. Apparatus, system and method for authenticating identification documents
AU2020329148A1 (en) * 2019-08-09 2022-03-17 Clearview Ai, Inc. Methods for providing information about a person based on facial recognition

Also Published As

Publication number Publication date
TWI783199B (zh) 2022-11-11
CN113033271A (zh) 2021-06-25
US11403875B2 (en) 2022-08-02
US20210200994A1 (en) 2021-07-01

Similar Documents

Publication Publication Date Title
CN103403739B (zh) 用于比较图像的方法和系统
WO2020228515A1 (zh) 伪造人脸的识别方法、装置和计算机可读存储介质
US11403875B2 (en) Processing method of learning face recognition by artificial intelligence module
WO2016205286A1 (en) Automatic entity resolution with rules detection and generation system
CN111368772B (zh) 身份识别方法、装置、设备及存储介质
CN112001932B (zh) 人脸识别方法、装置、计算机设备和存储介质
JP2012238121A (ja) 画像認識装置、画像認識装置の制御方法、およびプログラム
CN112070058A (zh) 人脸面部复合情感表情识别方法及系统
WO2021031704A1 (zh) 对象追踪方法、装置、计算机设备和存储介质
Haji et al. Real time face recognition system (RTFRS)
L Fernandes et al. A novel decision support for composite sketch matching using fusion of probabilistic neural network and dictionary matching
CN116110089A (zh) 一种基于深度自适应度量学习的面部表情识别方法
CN111666976A (zh) 基于属性信息的特征融合方法、装置和存储介质
TWI325568B (en) A method for face varification
Fernández et al. Implementation of a face recognition system as experimental practices in an artificial intelligence and pattern recognition course
Cenys et al. Genetic algorithm based palm recognition method for biometric authentication systems
Di Martino et al. Face matching with an a contrario false detection control
Charishma et al. Smart Attendance System with and Without Mask using Face Recognition
KR101884874B1 (ko) 부분 이미지 기반 객체 판별 방법 및 장치
Annadani et al. Selfie detection by synergy-constraint based convolutional neural network
JP2020177318A (ja) 照合装置、学習装置、方法、及びプログラム
CN111428679B (zh) 影像识别方法、装置和设备
Sukri et al. Face recognition with real time eye lid movement detection
Selianinau A probabilistic approach to classification of digital face images
Geerthik et al. Face Recognition based Automated Smart Attendance using Hybrid Machine Learning Algorithms and Computer Vision