TWI427541B - 人臉快速辨識系統及其方法 - Google Patents

人臉快速辨識系統及其方法 Download PDF

Info

Publication number
TWI427541B
TWI427541B TW098108830A TW98108830A TWI427541B TW I427541 B TWI427541 B TW I427541B TW 098108830 A TW098108830 A TW 098108830A TW 98108830 A TW98108830 A TW 98108830A TW I427541 B TWI427541 B TW I427541B
Authority
TW
Taiwan
Prior art keywords
feature
recognition
face
identification
module
Prior art date
Application number
TW098108830A
Other languages
English (en)
Other versions
TW201035876A (en
Inventor
Jian Ren Chen
Leii H Chang
Yi Fei Luo
Original Assignee
Ind Tech Res Inst
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 Ind Tech Res Inst filed Critical Ind Tech Res Inst
Priority to TW098108830A priority Critical patent/TWI427541B/zh
Priority to US12/563,329 priority patent/US8244002B2/en
Publication of TW201035876A publication Critical patent/TW201035876A/zh
Application granted granted Critical
Publication of TWI427541B publication Critical patent/TWI427541B/zh

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/94—Hardware or software architectures specially adapted for image or video understanding
    • G06V10/95—Hardware or software architectures specially adapted for image or video understanding structured as a network, e.g. client-server architectures
    • 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

Description

人臉快速辨識系統及其方法
本發明是有關於一種人臉快速辨識系統及其方法，特別是有關於一種透過複數個運算單元之特徵辨識模組及其所配置的類別進行平行處理之人臉快速辨識系統及其方法。
人臉辨識(Facial Recognition)是近幾年來新興起的一項研究熱潮，廣泛受到研究學者與產業界的高度重視，此一技術被期盼於治安上或門禁系統上的應用產生優異的表現。相較於傳統的門禁方式，利用人臉的特徵來做為控管不僅更為嚴謹、有效，且能解決員工忘記帶卡的困擾。同時，相對於其他生物辨識方式，人臉辨識這種非侵入、非接觸式的方式是較為先進且文明，易為大多數人所接受。在雙手無暇刷卡或按密碼時，特別能感受到人臉辨識技術的好處。
美國US2007091884A1號專利案第2圖提出一種運用平行處理的架構。其將資料分成兩個部份，並分別送往不同的運算單元進行運算，最後再將結果傳至需求端呈現。
美國US2007091883A1號專利案第1圖提出的架構與美國US2007091884A1號專利案類似。不同之處在於進行平行運算的各單元可互通資訊，由第一單元指派資料傳送至目的單元，並由該單元進行運算，運算完成後可再送至下一個單元進行後續的運算，直到最終結果完成。此一專利與前一篇專利都是對大量資料進行快速的分散式處理，同時平衡各單元的負載。
美國7,346,186號專利案第1圖提出的架構是在每一個影像擷取單元配置一個影像處理單元，對影像做分析之後，再分別將原始資料和分析後的結果集中儲存或傳送至中控單元，在影像處理單元的部份，並沒有分工的動作，僅將本身連接的影像擷取裝置進行分析與處理。
中華民國公告號505892專利案(其所對應之美國專利申請案-US 7,003,135專利案)第1圖提出一種快速追蹤多人臉之系統及方法。此方法係以人臉可能區域產生器為基礎，利用膚色、移動及輪廓資訊來找出人臉可能區域，再與人臉記錄器中所記錄的所有已被追蹤過之人臉一一以人臉狀態檢查器比對，以判斷該等人臉可能區域是否為上一視訊框已被追蹤過之舊人臉，或為可能之新人臉，最後由一人臉追蹤引擎依據該等新人臉及舊人臉，與該人臉可能區域產生器所提供之膚色區域等資訊而進行多人臉之追蹤。此一技術是在進行耗時的人臉辨識前先利用膚色、移動及輪廓等資訊進行過濾，將其分成已辨識與未辨識之人臉，而只對未辨識之人臉進行驗證。
中華民國公告號477959專利案(其所對應之專利申請案-US 6,697,504專利案)第1圖提出一種多層次臉部影像辨識方法，其係應用正交鏡像濾波器(Quadrature Mirror Filter)，以多解析度分解方法將影像分解成至少二種不同解析度的子影像，測試階段由最低解析度開始，若於低解析度無法辨識，再將可能人選交給更高一層解析度進行辨識。
中華民國公告號466452專利案第1圖係藉由預先安裝在預設位置之攝影機的影像訊號，取得臉孔的取樣資料進而確認該臉孔的位置，再追蹤需要識別之臉孔，藉由取樣及分析位於檢視區域中要識別之臉孔輪廓，判斷出該臉孔是已經存在或是為異常，最後儲存已判斷過之臉孔影像資料或將未判斷之異常影像資料直接傳送至另一套辨識系統。
本發明係有關於一種人臉快速辨識系統及其方法，係由網路上的多個特徵辨識模組同時進行人臉平行辨識，以提升辨識速度及降低硬體規格需求。此外，本發明更能進一步識別辨識結果以提高辨識精確度。
根據本發明，提出一種人臉快速辨識系統。人臉快速辨識系統用以根據複數個類別來進行辨識。辨識系統包括至少一影像擷取裝置、複數個「回應辨識運算單元」及至少一「廣播特徵運算單元」。影像擷取裝置用以擷取人臉影像。各「回應辨識運算單元」包括一第二特徵辨識模組。第二特徵辨識模組上配置有複數個類別之一部分，第二特徵辨識模組用以根據特徵資料及其所配置之類別之該部分來進行人臉快速辨識，以回應第二辨識結果。「廣播特徵運算單元」係經網路連接至該「回應辨識運算單元」。「廣播特徵運算單元」包括第一特徵抽取模組、第一特徵辨識模組及第一識別模組。第一特徵辨識模組上配置有複數個類別之另一部份，第一特徵辨識模組用以根據特徵資料及其所配置之類別之該另一部份來進行人臉快速辨識，以回應第一辨識結果。第一特徵抽取模組抽取人臉影像之特徵以產生特徵資料，並廣播特徵資料至第一特徵辨識模組及第二特徵辨識模組。第一識別模組用以識別第一辨識結果及第二辨識結果以完成身分辨識。
根據本發明，提出一種人臉快速辨識方法。人臉快速辨識方法用以根據複數個類別來進行辨識。人臉快速辨識方法包括：將網路連結的運算單元分為「廣播特徵運算單元」及「回應辨識運算單元」；「廣播特徵運算單元」擷取人臉影像；「廣播特徵運算單元」抽取人臉影像之特徵以產生特徵資料；「廣播特徵運算單元」廣播特徵資料至位於「廣播特徵運算單元」及「回應辨識運算單元」之複數個特徵辨識模組；特徵辨識模組根據特徵資料及其所配置之類別進行人臉快速辨識，以回應辨識結果，且當辨識人臉成功時，更回應相關於特定類別之前次辨識時空資料。「廣播特徵運算單元」依據辨識結果及特定類別之前次辨識時空資料以完成身分辨識。
為讓本發明之上述內容能更明顯易懂，下文特舉一較佳實施例，並配合所附圖式，作詳細說明如下：
下述實施例藉由分散於網路上彼此互連的多個運算單元平行地進行人臉快速辨識，以大幅提高辨識速度。由於運算負擔係由網路上彼此互連的多個運算單元所分擔；所以能進一步地降低硬體規格需求。
下述實施例中多個運算單元其中之一係為「廣播特徵運算單元」，而其他運算單元則為「回應辨識運算單元」。「廣播特徵運算單元」將特徵資料(Feature Data，FD)廣播至與其相連的「回應辨識運算單元」，再由「廣播特徵運算單元」及「回應辨識運算單元」中之特徵辨識模組依據特徵資料與其所配置的類別(Classes)同時進行運算產生辨識結果(Recognition Result，RR)。「回應辨識運算單元」並將辨識結果回傳至「廣播特徵運算單元」，俾使「廣播特徵運算單元」識別辨識結果以完成身份辨識。
人臉快速辨識系統
請參照第1圖，其係為依照本發明的一種人臉快速辨識系統之情境示意圖。舉例來說，第1圖顯示在網路上互連的運算單元A至E平行地進行人臉快速辨識。由於運算單元C將特徵資料FD廣播至與其相連的運算單元A、B、D及E，因此，運算單元C又稱為「廣播特徵運算單元」。而運算單元A至E皆具有特徵辨識模組，各個特徵辨識模組依據特徵資料與其所配置的類別同時進行運算以產生辨識結果。由於運算單元A、B、D及E會將辨識結果RRA、RRB、RRD及RRE回應並傳回運算單元C，因此，運算單元A、B、D及E又稱為「回應辨識運算單元」。
請參照第2圖，其係為依照本發明的一種人臉快速辨識系統之方塊圖。人臉快速辨識系統10包括影像擷取裝置110、特徵抽取模組120、特徵辨識模組130(1)至130(N)及識別模組140。其中，N係大於1之正整數。影像擷取裝置110用以擷取人臉影像，而特徵抽取模組120抽取人臉影像之特徵以產生特徵資料FD。特徵抽取模組120並廣播特徵資料FD至特徵辨識模組130(1)至130(N)，以供特徵辨識模組130(1)至130(N)根據特徵資料FD及所配置的類別進行人臉快速辨識以回應辨識結果RR(1)至RR(N)。識別模組140進一步識別辨識結果RR(1)至RR(N)以完成身分辨識。
進一步來說，特徵抽取模組120例如係將人臉影像先經過一個影像前處理的動作，進行色彩空間轉換以及影像品質的改變。特徵抽取模組120再以人臉偵測演算法將影像中可能的人臉找尋出來，其中人臉偵測演算法是統計判斷法(如Eigen-face)或是膚色偵測器等方法。特徵抽取模組120找出可能的人臉之後將人臉涵蓋的區域從整張人臉影像中取出，並進行正規化的動作，將人臉放大成標準的大小。特徵抽取模組120之特徵抽取動作是將人臉影像中有意義的資訊取出，如將整張人臉的區域進行主成份分析(Principal Components Analysis,PCA)取得特徵資料FD，或是以濾波器如主關聯特徵分析(Kernel Class-dependence Feature Analysis,KCFA)濾出特徵資料FD，而特徵資料FD係以一維向量的方式表達。
由於特徵資料FD係抽取人臉影像之特徵而成，因此特徵資料FD之資料量遠小於原人臉影像之資料量。如此一來，透過網路廣播特徵資料FD至位於不同網路節點之特徵辨識模組130(1)至130(N)時比廣播原人臉影像使用較少的頻寬。
特徵辨識模組130(1)至130(N)例如是利用統計方法或類神經網路等工具建構成的分類器。當特徵資料FD被輸入至特徵辨識模組130(1)至130(N)之輸入端時，若特徵資料FD歸屬於特徵辨識模組130(1)至130(N)所能辨識的類別，特徵辨識模組130(1)至130(N)便會將帶有類別的辨識結果傳出來以做為回應。在人臉辨識中，每一類別代表一特定人員的身份或編號，因此特徵辨識模組130(1)至130(N)可以由特徵資料FD平行地辨識出被辨識者所關連到的人員身份，以完成人臉辨識。
人臉快速辨識系統10可透過分散於網路上的特徵辨識模組130(1)至130(N)同時進行辨識，以大幅提昇辨識速度。此外，由於複數個類別係以大略平均數目的方法分配於特徵辨識模組130(1)至130(N)，因此，單一特徵辨識模組所需進行辨識的類別數將大幅地減少，而不需要較高的硬體規格來提供強大的運算功能。不僅如此，特徵辨識模組130(1)至130(N)彼此更可互相交換或重新分配所擁有的類別，以平衡各特徵辨識模組之計算負載。
第一實施例
請參照第3圖，其係為人臉快速辨識系統的第一實施例之方塊圖。為方便說明起見，前述第2圖繪示之人臉快速辨識系統10於第3圖係以人臉快速辨識系統10(1)表示，並以5個運算單元及1個影像擷取裝置為例說明，然本發明並不侷限於此，運算單元之個數可視實際需求而予以調整。人臉快速辨識系統10(1)包括影像擷取裝置110(1)及運算單元150(1)至150(5)。在此實施案例，運算單元150(1)包括特徵抽取模組120(1)、特徵辨識模組130(1)及識別模組140(1)，而運算單元150(2)至150(5)分別包括特徵辨識模組130(2)至130(5)。人臉快速辨識系統10(1)根據複數個類別來進行辨識。特徵辨識模組130(1)至130(5)分別分配到複數個類別之中的第一部份、第二部份、第三部份、第四部份及第五部份。
當影像擷取裝置110(1)擷取人臉影像後，特徵抽取模組120(1)抽取人臉影像之特徵以產生特徵資料FD。由於運算單元150(1)廣播特徵資料FD至運算單元150(2)至150(5)，因此，運算單元150(1)又稱為「廣播特徵運算單元」。特徵辨識模組130(1)至130(5)各自根據本身所配置的類別對特徵資料FD進行辨識，將辨識結果RR(1)至RR(5)回應到識別模組140(1)。也就是說，特徵辨識模組130(1)至130(5)根據特徵資料FD與本身所配置之類別進行辨識，將辨識結果RR(1)至RR(5)回應到識別模組140(1)。由於運算單元150(2)至150(5)分別回應並傳回辨識結果RR(2)至RR(5)到運算單元150(1)，因此，運算單元150(2)至150(5)又稱為「回應辨識運算單元」。識別模組140(1)進一步識別辨識結果RR(1)至RR(5)以完成身分辨識。於第一實施例中，第一特徵抽取模組係以特徵抽取模組120(1)表示；第一特徵辨識模組係以特徵辨識模組130(1)表示；第一識別模組係以識別模組140(1)表示；第二特徵辨識模組係以特徵辨識模組130(2)至130(5)表示；特徵資料係以特徵資料FD表示；第一辨識結果係以辨識結果RR(1)表示；第二辨識結果係以辨識結果RR(2)至RR(5)表示。
雖然上述第一實施例之「回應辨識運算單元」僅包括特徵辨識模組，但「回應辨識運算單元」除了特徵辨識模組外也可以進一步包括特徵抽取模組及識別模組。而具有特徵抽取模組之「回應辨識運算單元」更可耦接至影像擷取裝置，以抽取影像擷取裝置所擷取之人臉影像之特徵。
第二實施例
請參照第4圖，其係為人臉快速辨識系統之第二實施例之方塊圖。為方便說明起見，前述第2圖繪示之人臉快速辨識系統10於第4圖係以人臉快速辨識系統10(2)表示，並以5個運算單元及5個影像擷取裝置為例說明，然本發明並不侷限於此，運算單元之個數可視實際需求而予以調整。人臉快速辨識系統10(2)與前述人臉快速辨識系統10(1)不同之處在於：運算單元150(2)至150(5)分別耦接至影像擷取裝置110(2)至110(5)。且運算單元150(2)更包括特徵抽取模組120(2)及識別模組140(2)；運算單元150(3)更包括特徵抽取模組120(3)及識別模組140(3)；運算單元150(4)更包括特徵抽取模組120(4)及識別模組140(4)；運算單元150(5)更包括特徵抽取模組120(5)及識別模組140(5)。
抽取影像擷取裝置110(2)至110(5)之功能與抽取影像擷取裝置110(1)相同，而特徵抽取模組120(2)至120(5)之功能與特徵抽取模組120(1)相同，且識別模組140(2)至140(5)之功能與識別模組140(1)相同，在此不另行贅述。由於運算單元150(1)至150(5)皆可分別利用影像擷取裝置110(1)至110(5)擷取人臉影像且特徵抽取模組120(1)至120(5)可分別抽取人臉影像之特徵產生特徵資料並據以廣播，因此，運算單元150(1)至150(5)皆可成為「廣播特徵運算單元」。如此一來，廣播特徵資料之運算單元便可稱為「廣播特徵運算單元」，而其他接收特徵資料並回應辨識結果之運算單元便可稱為「回應辨識運算單元」。所以，第二實施例之運算單元150(1)至150(5)同時兼具「廣播特徵運算單元」及「回應辨識運算單元」兩種角色。而運算單元150(1)至150(5)做為「廣播特徵運算單元」或「回應辨識運算單元」的關鍵即在於運算單元150(1)至150(5)是處於廣播特徵資料的一方，抑或是回應特徵資料的一方。
為方便說明起見，第4圖係以運算單元150(1)做為「廣播特徵運算單元」，而運算單元150(2)至150(5)做為「回應辨識運算單元」為例說明。於第二實施例中，影像擷取裝置110(1)稱之為影像擷取裝置；影像擷取裝置110(2)至110(5)稱之為另一影像擷取裝置；特徵抽取模組120(1)稱之為第一特徵抽取模組；特徵辨識模組130(1)稱之為第一特徵辨識模組；識別模組140(1)稱之為第一識別模組；特徵抽取模組120(2)至120(5)稱之為第二特徵抽取模組；特徵辨識模組130(2)至130(5)稱之為第二特徵辨識模組；識別模組140(2)至140(5)稱之為第二識別模組；辨識結果RR(1)稱之為第一辨識結果；辨識結果RR(2)至RR(5)稱之為第二辨識結果。
當影像擷取裝置110(1)擷取人臉影像後，第一特徵抽取模組120(1)抽取人臉影像之特徵以產生特徵資料FD。身為「廣播特徵運算單元」之運算單元150(1)廣播特徵資料FD至做為「回應辨識運算單元」之運算單元150(2)至150(5)。第一特徵辨識模組130(1)及第二特徵辨識模組130(2)至130(5)各自根據本身所配置的類別對特徵資料FD進行辨識，將第一辨識結果RR(1)及第二辨識結果RR(2)至RR(5)回應到「廣播特徵運算單元」的第一識別模組140(1)。第一識別模組140(1)進一步識別第一辨識結果RR(1)及第二辨識結果RR(2)至RR(5)以完成身分辨識。
而運算單元150(2)至150(5)亦可做為「廣播特徵運算單元」。舉例來說，當另一影像擷取裝置110(2)擷取另一人臉影像時，第二特徵抽取模組120(2)抽取該另一影像擷取裝置110(2)所擷取之另一人臉影像之特徵以產生另一特徵資料，並廣播該另一特徵資料至與其相連之運算單元。此時，運算單元150(2)即為「廣播特徵運算單元」，而接收運算單元150(2)之廣播特徵資料並回應辨識結果之運算單元即為「回應辨識運算單元」。
舉例來說，該另一特徵資料廣播至第一特徵辨識模組130(1)，第一特徵辨識模組130(1)根據該另一特徵資料及其所配置之類別來進行人臉快速辨識，以回應一第三辨識結果。而第二特徵辨識模組130(2)根據該另一特徵資料及其所配置之類別來進行人臉快速辨識，以回應一第四辨識結果。第二識別模組140(2)識別第三辨識結果及第四辨識結果以完成身分辨識。雖然第4圖未繪示第二特徵抽取模組120(2)廣播此另一特徵資料至數個特徵辨識模組，但是，基於與上述相似的做法可知，第二特徵抽取模組120(2)能廣播該另一特徵資料至複數個與其經由網路相連的複數個特徵辨識模組。該複數個特徵辨識模組將回應複數個第四辨識結果至第二識別模組140(2)，使得第二識別模組140(2)識別第三辨識結果及複數個第四辨識結果以完成身分辨識。
第三實施例
請參照第5圖，其係為人臉快速辨識系統之第三實施例之方塊圖。人臉快速辨識系統10(3)與前述人臉快速辨識系統10(1)不同之處在於：運算單元150(4)及150(5)分別耦接至影像擷取裝置110(4)及110(5)。且運算單元150(4)更包括特徵抽取模組120(4)及識別模組140(4)；運算單元150(5)更包括特徵抽取模組120(5)及識別模組140(5)。
由於運算單元150(1)、150(4)及150(5)皆可分別利用影像擷取裝置110(1)、110(4)及110(5)擷取人臉影像且特徵抽取模組120(1)、120(4)及120(5)可分別抽取人臉影像之特徵產生特徵資料並據以廣播，因此，運算單元150(1)、150(4)，及150(5)皆可成為「廣播特徵運算單元」。如此一來，廣播特徵資料之運算單元便可稱為「廣播特徵運算單元」，而其他接收特徵資料並回應辨識結果之運算單元便可稱為「回應辨識運算單元」。所以，第三實施例之運算單元150(1)、150(4)，及150(5)同時兼具「廣播特徵運算單元」及「回應辨識運算單元」兩種角色，但運算單元150(2)及150(3)僅能成為「回應辨識運算單元」。而運算單元150(1)、150(4)，及150(5)做為「廣播特徵運算單元」或「回應辨識運算單元」的關鍵即在於運算單元150(1)、150(4)，及150(5)是處於廣播特徵資料的一方，抑或是回應特徵資料的一方。
為方便說明起見，第5圖繪示係以運算單元150(1)做為「廣播特徵運算單元」，而運算單元150(2)至150(5)做為「回應辨識運算單元」為例說明。當影像擷取裝置110(1)擷取人臉影像後，第一特徵抽取模組120(1)抽取人臉影像之特徵以產生特徵資料FD。身為「廣播特徵運算單元」之運算單元150(1)廣播特徵資料FD到做為「回應辨識運算單元」之運算單元150(2)至150(5)。第一特徵辨識模組130(1)，及第二特徵辨識模組130(2)至130(5)各自根據本身所配置的類別對特徵資料FD進行辨識，將第一辨識結果RR(1)，及第二辨識結果RR(2)至RR(5)回應到「廣播特徵運算單元」的第一識別模組140(1)。第一識別模組140(1)進一步識別第一辨識結果RR(1)及第二辨識結果RR(2)至RR(5)以完成身分辨識。
而運算單元150(4)及150(5)亦可做為「廣播特徵運算單元」。舉例來說，當另一影像擷取裝置110(5)擷取另一人臉影像時，第二特徵抽取模組120(5)抽取另一影像擷取裝置110(5)所擷取之另一人臉影像之特徵以產生另一特徵資料，並廣播該另一特徵資料至與其相連之運算單元。此時，運算單元150(5)即為「廣播特徵運算單元」，而接收運算單元150(5)之廣播特徵資料並回應辨識結果之運算單元即為「回應辨識運算單元」。
請參照第6圖，其係為類別配置於特徵辨識模組之示意圖。為方便說明起見，第6圖係以類別O1至O7分配於特徵辨識模組130(1)至130(4)為例說明，然本發明並不侷限於此，類別及特徵辨識模組之個數可視實際需求而予以調整，且類別配置於特徵辨識模組之情況亦視實際情況而有所不同。於第6圖中，系統使用大略平均數目的方法進行類別之配置。特徵辨識模組130(1)配置有類別O1及O2；特徵辨識模組130(2)配置有類別O3及O6；特徵辨識模組130(3)配置有類別O5及O7；特徵辨識模組130(4)配置有類別O4。特徵辨識模組130(1)判斷特徵資料FD是否歸屬於類別O1或類別O2。若是，則可成功的辨識，而回應辨識結果RR(1)給140(1)。若不是，則無法成功的辨識，而回應無辨識結果給140(1)。成功的辨識結果除了含有類別資訊外，尚可包含身份ID、身份屬性、攝像位置、攝像時間、廣播特徵資料的ID、辨識時間、「回應辨識運算單元」之IP等資訊。然本發明之此辨識結果的資訊並不侷限於以上所列，其資訊可視實際需求而予以調整。又辨識結果其中的攝像位置、攝像時間座標等相關資料在本發明係以辨識時空資料簡稱之。同樣地，特徵辨識模組130(2)至130(4)判斷特徵資料FD是否歸屬於其所配置的類別。若是，則可成功的辨識，而回應辨識結果。若不是，則無法成功的辨識，而回應無辨識結果。
舉例來說，當特徵辨識模組130(2)將特徵資料歸屬於類別O3時，類別O3係為對應於特徵資料之特定類別，而其他類別如類別O1、類別O2、類別O4、類別O5、類別O6及類別O7則不對應於特徵資料之特定類別或稱之為非為特定類別。且當特徵辨識模組130(2)將特徵資料歸屬於類別O3時，表示特徵辨識模組130(2)辨識人臉的動作成功。
相同地，當特徵辨識模組130(1)將特徵資料歸屬於類別O1時，類別O1係為對應於特徵資料之特定類別，而其他類別如類別O2至O7則不對應於特徵資料之特定類別，或稱之為非為特定類別。且當特徵辨識模組130(1)將特徵資料歸屬於類別O1時，表示特徵辨識模組130(1)辨識人臉的動作成功。第一特徵辨識模組在此係以特徵辨識模組130(1)表示，而第二特徵辨識模組在此係以特徵辨識模組130(2)表示。
類別交換及重分配
當系統初始運作前，人臉資料庫的每個人臉資料被視為不同的類別，所有類別先被以大略平均數目的方法分配於網路互連具有特徵辨識模組的運算單元上。待系統運作後，因考慮系統的效率與平衡計算負載，會進行類別的交換與重新分配。但若不考慮系統的效率與平衡計算負載，則不需進行類別的交換與重新分配。第7圖係為兩運算單元之類別交換示意圖，其類別係透過交換的方式來重新配置。為方便說明起見，第7圖係僅以影像擷取裝置110(1)、影像擷取裝置110(2)、運算單元150(1)及運算單元150(2)為例說明類別如何交換。影像擷取裝置110(1)係連接至運算單元150(1)，而影像擷取裝置110(2)係連接至運算單元150(2)。其中，影像擷取裝置110(1)之攝像位置以(x10 ,y10 )表示，而影像擷取裝置110(2)之攝像位置以(x20 ,y20 )表示。配置於運算單元150(1)特徵辨識模組的類別為O11 至O1M ，而配置於運算單元150(2)特徵辨識模組的類別為O21 至O2N 。其中，類別O11 、類別O1m 、類別O1M 、類別O21 、類別O2n 及類別O2N 具有其對應之前次辨識時空資料，此辨識時空資料以攝像位置與攝像時間為例，分別以(x11 ,y11 ,t11 )、(x1m ,y1m ,t1m )、(x1M ,y1M ,t1M )、(x21 ,y21 ,t21 )、(x2n ,y2n ,t2n )及(x2N ,y2N ,t2N )表示。其中，(x11 ,y11 )、(x1m ,y1m )、(x1M ,y1M )、(x21 ,y21 )、(x2n ,y2n )及(x2N ,y2N )分別表示相關於類別O11 、類別O1m 、類別O1M 、類別O21 、類別O2n 及類別O2N 之前次攝像位置，而t11 、t1m 、t1M 、t21 、t2n 及t2N 分別表示相關於類別O11 、類別O1m 、類別O1M 、類別O21 、類別O2n 及類別O2N 之前次攝像時間。
當本次人臉辨識運算後有一特徵資料FD被運算單元150(2)之特徵辨識模組回報辨識結果為o2n 類別，攝像位置為(x10 ,y10 )時，表示此次運算單元150(2)之特徵辨識模組成功的辨識出此特徵資料吻合其配置上的類別O2n ，然攝像的位置卻位於運算單元150(1)相連結的影像擷取裝置110(1)。類別O2n 係為對應於特徵資料FD之特定類別，而其他類別如類別O11 、類別O1m 、類別O1M 、類別O21 及類別O2N 係為不對應於特徵資料FD之非為特定類別。
當影像擷取裝置110(1)所擷取的人臉影像由運算單元150(2)辨識成功，表示被辨識者出現於靠近(x10 ,y10 )之攝像位置而非靠近(x20 ,y20 )之攝像位置。此時，系統可提供運算單元之配置類別交換之功能。其方法是由運算單元150(2)將類別O2n 轉至150(1)，而150(1)將其中的一個類別與150(2)交換，以提高下次辨識成功的辨識速度。挑選運算單元150(1)之待交換類別的方法係由150(1)所有類別之前次辨識時空資料(x11 ,y11 ,t11 )、(x1m ,y1m ,t1m )、(x1M ,y1M ,t1M )中找出前次攝像位置與本次攝像位置(x10 ,y10 )最遠之類別。例如使用下列公式：，其中之D代表距離，xij 與yij 為在第i運算單元的第j個類別前次辨識時空資料的攝像位置，而xk0 與yk0 為此次被辨識者之攝像位置。當計算結果發現，即類別O1m 所對應之前次攝像位置(x1m ,y1m )至本次攝像位置(x10 ,y10 )的距離大於其他類別之前次攝像位置至本次攝像位置(x10 ,y10 )的距離時，則將類別O2n 與類別O1m 交換。也就是說，需要進行類別交換之動作時，運算單元150(2)之特徵辨識模組將特定類別O2n 與運算單元150(1)之特徵辨識模組之非為特定類別中之一個類別O1m 進行交換。其中，類別O1m 係為運算單元150(1)之特徵辨識模組之類別O11 至O1M 中，前次攝像位置最遠的類別。第二特徵辨識模組在此係以運算單元150(2)之特徵辨識模組表示，而第一辨識模組在此係以運算單元150(1)之特徵辨識模組表示。
另外，本系統也採用下述之總距離最小法，提供任兩運算單元在有需要時，運用下列公式以進行重新分配：
其中，，
上述公式(1)表示需在公式(2)與公式(3)的限制條件下求得。依此方法，類別亦可平均的被重新分配於兩個運算單元上。
前述人臉快速辨識系統10(2)雖僅列舉2個運算單元為例說明，然熟悉此技藝者當知本發明亦能應用更多的運算單元來進行人臉辨識。搭配前述的類別交換方式，吾人可將網路上的各運算單元按照距離遠近分為數個族群。第一次先將特徵資料FD廣播至距離最近的族群。倘若辨識失敗，再將特徵資料FD廣播至距離次近的族群進行辨識，以此類推，直到有特徵辨識模組辨識人臉的動作成功或「廣播特徵運算單元」完成所有族群的廣播。如此一來，即能大幅減少網路頻寬的使用。
識別辨識結果
請再參照第2圖，前述人臉快速辨識系統10透過識別模組140更能進一步識別辨識結果RR(1)至RR(N)以提高辨識精確度。舉例來說，當特徵資料FD被歸屬於特徵辨識模組130(2)之一特定類別時，代表特徵辨識模組130(2)已成功的辨識此特徵資料。特徵辨識模組130(2)不僅回應此次的辨識結果RR(2)，更回應對應此特定類別之前次辨識時空資料至識別模組140。因此識別模組140得以根據前次辨識時空資料進一步判別辨識結果RR(2)的正確性。或者，當特徵資料FD被歸屬於特徵辨識模組130(1)之一特定類別時，代表特徵辨識模組130(1)已成功的辨識此特徵資料。特徵辨識模組130(1)不僅回應辨識結果RR(1)，更回應對應此特定類別之前次辨識時空資料至識別模組140。因此識別模組140得以根據前次辨識時空資料進一步判別辨識結果RR(1)的正確性。
在此，第一特徵辨識模組係以特徵辨識模組130(1)表示，第二特徵辨識模組係以特徵辨識模組130(2)表示。第一識別模組係以係以識別模組140表示。第一辨識結果係以辨識結果RR(1)表示；第二辨識結果係以辨識結果RR(2)至RR(N)表示。
進一步來說，前次辨識時空資料包括一前次攝像位置及一前次攝像時間，識別模組140根據前次與本次的攝像位置及攝像時間計算出一移動速度。若此移動速度不合理時，識別模組140即排除辨識結果RR(2)，並將此排除結果回饋給配置有此特定類別之特徵辨識模組130(2)，以更正其相關類別的辨識紀錄資料。
識別模組140除了根據前次辨識時空資料識別辨識結果外，也能與其他外部之資料如差勤記錄連結，進一步判斷被辨識者此時是否請假或出差，倘若被辨識者此時請假或出差，則識別模組140即排除辨識結果RR(2)。不論識別模組140係根據前次辨識時空資料或差勤記錄來識別辨識結果，都能進一步提高人臉快速辨識系統的辨識精確度。
人臉快速辨識方法
請同時參照第2圖及第8圖，第8圖係為依照本發明較佳實施例之一種人臉快速辨識方法之流程圖。人臉快速辨識方法係可應用於前述人臉快速辨識系統10，且人臉快速辨識方法包括如下步驟：首先如步驟710所示，在系統運作前，人臉資料庫的每個人臉資料被視為不同的類別，所有類別先以大略平均數目的方法配置於網路互連具有特徵辨識模組的運算單元上，而運算單元又分為「廣播特徵運算單元」及「回應辨識運算單元」兩類。影像擷取裝置110、特徵抽取模組120、特徵辨識模組130(1)及識別模組140係位於「廣播特徵運算單元」，而特徵辨識模組130(2)至130(N)分別位於各「回應辨識運算單元」。系統正式運作時，如步驟720所示，「廣播特徵運算單元」之影像擷取裝置110擷取人臉影像輸出至特徵抽取模組120。接著如步驟730所示，「廣播特徵運算單元」之特徵抽取模組120抽取人臉影像之特徵以產生特徵資料。跟著如步驟740所示，「廣播特徵運算單元」之特徵抽取模組120廣播特徵資料至特徵辨識模組130(1)至130(N)。而如步驟750所示，特徵辨識模組130(1)至130(N)根據特徵資料及所配置的類別進行辨識以回應辨識結果RR(1)至RR(N)。步驟750更包括：判斷特徵資料FD是否歸屬於一特定類別；當特徵辨識模組130(1)至130(N)其中之一將特徵資料歸屬於特定類別時，則表示特徵辨識模組辨識人臉的動作成功；若辨識成功，特徵辨識模組回應相關辨識結果及該特定類別之一前次辨識時空資料，若辨識不成功，則回應無辨識結果。由辨識結果的成功與否，及使用者是否欲進行類別交換或重分配來進行判斷，如步驟760所示，若需進行類別交換或重新分配，可執行步驟770或780，若不需要則可逕自執行步驟790。其中重新分配步驟780不一定非在步驟750之後執行，此步驟於有需要時，亦可於790步驟後執行。至於該類別交換或重新分配之程序可以參照前述之類別交換及重分配的實施方式來實施，在此不做贅述。且特徵抽取模組除了使用全面廣播到特徵辨識模組130(1)至130(N)的方法外，也可以採用分群廣播的方式。其係將網路上的運算單元按照距離遠近分成數群，先將特徵資料廣播至距離最近的族群，倘若辨識失敗，再將特徵資料FD廣播至距離次近的族群進行辨識，以此類推，直到有特徵辨識模組辨識人臉的動作成功，或完成所有群組的廣播。最後如步驟790所示，「廣播特徵運算單元」之識別模組140識別辨識結果RR(1)至RR(N)以完成身分辨識。步驟790更可根據步驟750中之辨識人臉成功之特徵辨識模組回應的前次辨識時空資料，來進一步判定辨識結果RR(1)至RR(N)的正確性。除此之外，識別模組也能與其他外部資料如差勤記錄連結，並根據該差勤記錄與此次之辨識結果RR(1)至RR(N)，進一步判斷辨識結果的正確性。然後整個步驟從720到790再重複執行。
至於複數個特徵辨識模組與特徵抽取模組及辨識模組如何進行細部運作，可使用第二實施例，與第三實施例來實施，在此不做贅述。
本發明上述實施例所揭露之人臉快速辨識系統及其方法係由網路上的多個特徵辨識模組同時進行人臉辨識，以大幅提升辨識速度及降低硬體規格需求。不僅如此，透過識別模組識別辨識結果更能進一步提高辨識精確度。
在較佳實施例之詳細說明中所提出之具體的實施例僅為了易於說明本發明之技術內容，而並非將本發明狹義地限制於該實施例，凡依本發明之精神及以下申請專利範圍之情況所作種種變化實施均屬本發明之範圍。
10、10(1)、10(2)、10(3)．．．人臉快速辨識系統
110、110(1)～110(5)．．．影像擷取裝置
120、120(1)～120(5)．．．特徵抽取裝置
130(1)～130(N)．．．特徵辨識模組
140、140(1)～140(5)．．．識別模組
150(1)～150(5)．．．運算單元
710～790．．．步驟
A、B、C、D、E．．．運算單元
FD．．．特徵資料
RRA、RRB、RRD、RRE、RR(2)～RR(5)．．．辨識結果
O1～O7、O11 ～O1M 、O21 ～O2N ．．．類別
第1圖係為本發明的一種人臉快速辨識系統之情境示意圖。
第2圖係為依照本發明的一種人臉快速辨識系統之方塊圖。
第3圖係為人臉快速辨識系統之第一實施例之方塊圖。
第4圖係為人臉快速辨識系統之第二實施例之方塊圖。
第5圖係為人臉快速辨識系統之第三實施例之方塊圖。
第6圖係為類別配置於特徵辨識模組之示意圖。
第7圖係為兩運算單元之類別交換示意圖。
第8圖係為依照本發明較佳實施例之一種人臉快速辨識方法之流程圖。
10(2)．．．人臉辨識系統
110(1)～110(5)．．．影像擷取裝置
120(1)～120(5)．．．特徵抽取模組
130(1)～130(5)．．．特徵辨識模組
140(1)～140(5)．．．識別模組
150(1)～150(5)．．．運算單元
FD．．．特徵資料
RR(2)～RR(5)．．．辨識結果

Claims (19)

  1. 一種人臉快速辨識系統，用以根據複數個類別來進行辨識，該人臉快速辨識系統包括：至少一影像擷取裝置，用以擷取人臉影像；複數個回應辨識運算單元，各個回應辨識運算單元包括：一第二特徵辨識模組，該第二特徵辨識模組上配置有該複數個類別之一部份，該第二特徵辨識模組係根據一特徵資料及該第二特徵辨識模組所配置之該複數個類別之該部分來進行人臉快速辨識，以回應一第二辨識結果；以及至少一廣播特徵運算單元，該廣播特徵運算單元係經由網路連接至該複數個回應辨識運算單元，而該廣播特徵運算單元又包括：一第一特徵辨識模組，該第一特徵辨識模組上配置有該複數個類別之另一部份，該第一特徵辨識模組係根據該特徵資料及該第一特徵辨識模組所配置之該複數個類別之該另一部份來進行人臉快速辨識，以回應一第一辨識結果；一第一特徵抽取模組，用以抽取該人臉影像之特徵以產生該特徵資料，並廣播該特徵資料至該第一特徵辨識模組及該複數個第二特徵辨識模組；及一第一識別模組，用以識別該第一辨識結果及該複數個第二辨識結果以完成身分辨識；其中該複數個回應辨識運算單元依照與該廣播特徵 運算單元之距離被分成複數個群組，該廣播特徵運算單元先將特徵資料廣播到距離最近的群組，倘若辨識失敗，再將該特徵資料廣播到距離次近的群組，直至有該複數個回應辨識運算單元其中之一的該第二特徵辨識模組辨識人臉的動作成功，或該第一特徵抽取模組完成所有該複數個群組的廣播。
  2. 如申請專利範圍第1項所述之人臉快速辨識系統，其中當該第二特徵辨識模組將該特徵資料歸屬於該複數個類別所含之一特定類別時，表示該第二特徵辨識模組辨識人臉的動作成功，又當該第一特徵辨識模組將該特徵資料歸屬於該複數個類別所含之一特定類別時，表示該第一特徵辨識模組辨識人臉的動作成功。
  3. 如申請專利範圍第2項所述之人臉快速辨識系統，其中當該第二特徵辨識模組辨識人臉的動作成功時，該第二特徵辨識模組除了回應該第二辨識結果之外，更回應該特定類別之一前次辨識時空資料，又當該第一特徵辨識模組辨識人臉的動作成功時，該第一特徵辨識模組除了回應該第一辨識結果之外，更回應該特定類別之該前次辨識時空資料。
  4. 如申請專利範圍第3項所述之人臉快速辨識系統，其中該前次辨識時空資料係為該特定類別之一前次辨識結果相關的時間、空間座標資料。
  5. 如申請專利範圍第3項所述之人臉快速辨識系統，其中該第一識別模組更根據該特定類別之一前次辨識時空資料與此次之該第一辨識結果及該複數個第二辨識 結果來進行識別。
  6. 如申請專利範圍第2項所述之人臉快速辨識系統，其中該第一識別模組更與一差勤資料相連結，該差勤資料包括該特定類別之一差勤記錄，該第一識別模組更根據相關於該特定類別之該差勤記錄識別該第一辨識結果及該複數個第二辨識結果。
  7. 如申請專利範圍第1項所述之人臉快速辨識系統，其中該複數個類別係以大略平均數目之方法分配於該第一特徵辨識模組及該複數個第二特徵辨識模組。
  8. 如申請專利範圍第2項所述之人臉快速辨識系統，其中當該第二特徵辨識模組辨識人臉的動作成功時，且需要進行類別交換之動作時，該第二特徵辨識模組將該特定類別與該第一特徵辨識模組之非為該特定類別之一個類別進行交換。
  9. 如申請專利範圍第8項所述之人臉快速辨識系統，其中該第一特徵辨識模組之非為該特定類別進行交換之該類別係為該第一特徵辨識模組中之所有非為該特定類別之該些類別中，前次攝像位置最遠的類別。
  10. 如申請專利範圍第1項所述之人臉快速辨識系統，當該複數個類別需要進行重新分配時，該人臉快速辨識系統採用總距離最小法提供該廣播特徵運算單元之該第一特徵辨識模組與該複數個回應辨識運算單元之該複數個第二特徵辨識模組其中任兩個進行類別重新分配。
  11. 申請專利範圍第1項所述之人臉快速辨識系統，更包括另一影像擷取裝置，用以擷取另一人臉影像，各該 複數個回應辨識運算單元更包括一第二特徵抽取模組，用以抽取該另一人臉影像之特徵以產生一另一特徵資料，並廣播該另一特徵資料，該第一特徵辨識模組根據該另一特徵資料及該第一特徵辨識模組所配置之該複數個類別之該另一部份來進行人臉快速辨識，以回應一第三辨識結果，各該複數個第二特徵辨識模組根據該另一特徵資料及各該複數個第二特徵辨識模組所配置之該些類別之該部份來進行人臉快速辨識，以回應一第四辨識結果。
  12. 申請專利範圍第1項所述之人臉快速辨識系統，其中各該複數個回應辨識運算單元包括：一第二識別模組，用以識別該第三辨識結果及該複數個第四辨識結果以完成身分辨識。
  13. 一種人臉快速辨識方法，用以根據複數個類別來進行辨識，該人臉快速辨識方法包括：將網路連結的複數個運算單元分為至少一廣播特徵運算單元及複數個回應辨識運算單元；該廣播特徵運算單元擷取人臉影像；該廣播特徵運算單元抽取該人臉影像之特徵以產生一特徵資料；該廣播特徵運算單元廣播該特徵資料至該廣播特徵運算單元及該複數個回應辨識運算單元之複數個特徵辨識模組；該複數個特徵辨識模組根據該特徵資料及該複數個特徵辨識模組所配置之複數個類別進行人臉快速辨識，以回應複數個辨識結果，且當辨識人臉成功時，更回應相關 於一特定類別之一前次辨識時空資料；以及該廣播特徵運算單元依據該複數個辨識結果及該特定類別之一前次辨識時空資料以完成身分辨識；其中廣播該特徵資料至該廣播特徵運算單元及該複數個回應辨識運算單元之複數個特徵辨識模組之步驟包括：依照該複數個回應辨識運算單元與該廣播特徵運算單元之距離將該複數個回應辨識運算單元分成複數個群組；該廣播特徵運算單元先將特徵資料廣播到距離最近的群組；以及倘若辨識失敗，再將該特徵資料廣播到距離次近的群組，直至有該複數個特徵辨識模組其中之一者辨識人臉的動作成功，或該廣播特徵運算單元完成所有該複數個群組的廣播。
  14. 如申請專利範圍第13項所述之人臉快速辨識方法，其中根據該特徵資料及該複數個特徵辨識模組所配置之該複數個類別進行人臉快速辨識之步驟包括：判斷該特徵資料是否歸屬於該複數個類別之該特定類別；以及當該複數個特徵辨識模組其中之一將該特徵資料歸屬於該特定類別時，表示人臉辨識之動作成功。
  15. 如申請專利範圍第13項所述之人臉快速辨識方法，其中依據該複數個辨識結果及該特定類別之一前次辨識時空資料以完成身分辨識之步驟更包括： 連結一差勤資料，該差勤資料包括該特定類別之一差勤記錄，根據該特定類別之該差勤記錄識別該複數個辨識結果。
  16. 如申請專利範圍第13項所述之人臉快速辨識方法，更包括：以大略平均數目的方法配置該複數個類別於該些特徵辨識模組。
  17. 如申請專利範圍第14項所述之人臉快速辨識方法，其中當辨識人臉之動作成功時，更包括：判斷是否需交換配置於該複數個特徵辨識模組之該些類別；以及若是，該回應辨識運算單元之特徵辨識模組將該特定類別與該廣播特徵運算單元之特徵辨識模組之非為該特定類別中之一個類別進行交換。
  18. 如申請專利範圍第17項所述之人臉快速辨識方法，其中非為該特定類別之該被交換的類別係為該廣播特徵運算單元之特徵辨識模組之所有非為該特定類別之類別中，前次攝像位置最遠的類別。
  19. 如申請專利範圍第13項所述之人臉快速辨識方法，更包括：判斷是否需重新分配配置於該複數個特徵辨識模組之該些類別；以及若是，採用總距離最小法提供該複數個特徵辨識模組其中任兩個進行類別重新分配。
TW098108830A 2009-03-18 2009-03-18 人臉快速辨識系統及其方法 TWI427541B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
TW098108830A TWI427541B (zh) 2009-03-18 2009-03-18 人臉快速辨識系統及其方法
US12/563,329 US8244002B2 (en) 2009-03-18 2009-09-21 System and method for performing rapid facial recognition

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
TW098108830A TWI427541B (zh) 2009-03-18 2009-03-18 人臉快速辨識系統及其方法

Publications (2)

Publication Number Publication Date
TW201035876A TW201035876A (en) 2010-10-01
TWI427541B true TWI427541B (zh) 2014-02-21

Family

ID=42737649

Family Applications (1)

Application Number Title Priority Date Filing Date
TW098108830A TWI427541B (zh) 2009-03-18 2009-03-18 人臉快速辨識系統及其方法

Country Status (2)

Country Link
US (1) US8244002B2 (zh)
TW (1) TWI427541B (zh)

Families Citing this family (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102184391A (zh) * 2011-05-19 2011-09-14 汉王科技股份有限公司 一种分布式人脸识别方法及系统和人脸识别终端
US8824750B2 (en) 2012-03-19 2014-09-02 Next Level Security Systems, Inc. Distributive facial matching and notification system
EP2816502A1 (en) * 2013-06-17 2014-12-24 Betser Information Technologies Limited Retouching of portait images based on supervised face feature detection
US9973722B2 (en) 2013-08-27 2018-05-15 Qualcomm Incorporated Systems, devices and methods for displaying pictures in a picture
CN103577806A (zh) * 2013-11-07 2014-02-12 宁波首正信息科技有限公司 一种基于oled显示的ups充电式人脸识别系统及其方法
US10510054B1 (en) 2013-12-30 2019-12-17 Wells Fargo Bank, N.A. Augmented reality enhancements for financial activities
CN103679907B (zh) * 2014-01-08 2016-06-29 佛山科学技术学院 一种应用于楼宇对讲的生物信息识别方法及其系统
US9792594B1 (en) 2014-01-10 2017-10-17 Wells Fargo Bank, N.A. Augmented reality security applications
US11276062B1 (en) 2014-01-10 2022-03-15 Wells Fargo Bank, N.A. Augmented reality security applications
US10078867B1 (en) 2014-01-10 2018-09-18 Wells Fargo Bank, N.A. Augmented reality virtual banker
JP6370052B2 (ja) * 2014-02-07 2018-08-08 キヤノン株式会社 情報処理システム及び情報処理システムの制御方法
CN105046303B (zh) * 2015-08-03 2018-11-02 深圳市科锐奇科技有限公司 一种基于分布式数据交互的生物识别方法
TWI587242B (zh) 2015-09-08 2017-06-11 宏達國際電子股份有限公司 人臉影像調整系統及人臉影像調整方法
CN105279496B (zh) * 2015-10-26 2019-10-18 浙江宇视科技有限公司 一种人脸识别的方法和装置
CN105872979B (zh) * 2016-05-31 2019-11-26 王方松 一种取得设定场所中人群信息的方法及装置
CN106600759A (zh) * 2016-10-27 2017-04-26 厦门中控生物识别信息技术有限公司 一种指纹验证方法、服务器及系统
CN106600730B (zh) * 2016-10-27 2019-08-16 陕西师范大学 一种基于移动终端的校园安全管理系统
US10297059B2 (en) 2016-12-21 2019-05-21 Motorola Solutions, Inc. Method and image processor for sending a combined image to human versus machine consumers
CN108629264B (zh) * 2017-03-18 2022-09-27 上海荆虹电子科技有限公司 用于图像处理的方法和装置
CN113051981B (zh) * 2019-12-28 2024-03-26 浙江宇视科技有限公司 人脸识别方法及装置
US11341351B2 (en) * 2020-01-03 2022-05-24 15 Seconds of Fame, Inc. Methods and apparatus for facial recognition on a user device
CN111611877B (zh) * 2020-04-30 2023-05-02 杭州电子科技大学 基于多时空信息融合的抗年龄干扰的人脸识别方法
CN113239888A (zh) * 2021-06-07 2021-08-10 中国联合网络通信集团有限公司 人脸表情的识别方法、装置、设备和存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040117638A1 (en) * 2002-11-21 2004-06-17 Monroe David A. Method for incorporating facial recognition technology in a multimedia surveillance system
US20070091883A1 (en) * 2005-10-21 2007-04-26 Wee Susie J Serial processing of data using information about the data and information about a streaming network
TW200718211A (en) * 2005-08-26 2007-05-01 Enuclia Semiconductor Inc Video image processing with remote diagnosis and programmable scripting
TW200809657A (en) * 2006-02-15 2008-02-16 Toshiba Kk Person identification device and person identification method

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5110986A (en) * 1988-04-26 1992-05-05 Rohm And Haas Company Synthesis of n-t-alkyl-1,2-diacylhydrazines
US4989813A (en) * 1989-11-29 1991-02-05 Samsung Electron Devices Co., Ltd. Supporting base for controlling height, swivel and inclination of display means
TW466452B (en) 1998-11-18 2001-12-01 Sintec Co Ltd Method and apparatus for photographing/recognizing a face
TW477959B (en) 2000-11-24 2002-03-01 Inst Information Industry Multi-level face image recognition method and system
US6697504B2 (en) * 2000-12-15 2004-02-24 Institute For Information Industry Method of multi-level facial image recognition and system using the same
US7346186B2 (en) * 2001-01-30 2008-03-18 Nice Systems Ltd Video and audio content analysis system
TW505892B (en) 2001-05-25 2002-10-11 Ind Tech Res Inst System and method for promptly tracking multiple faces
US20070091884A1 (en) * 2005-10-21 2007-04-26 Wee Susie J Parallel processing of data using information about the data and information about a streaming network

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040117638A1 (en) * 2002-11-21 2004-06-17 Monroe David A. Method for incorporating facial recognition technology in a multimedia surveillance system
TW200718211A (en) * 2005-08-26 2007-05-01 Enuclia Semiconductor Inc Video image processing with remote diagnosis and programmable scripting
US20070091883A1 (en) * 2005-10-21 2007-04-26 Wee Susie J Serial processing of data using information about the data and information about a streaming network
TW200809657A (en) * 2006-02-15 2008-02-16 Toshiba Kk Person identification device and person identification method

Also Published As

Publication number Publication date
US8244002B2 (en) 2012-08-14
US20100239130A1 (en) 2010-09-23
TW201035876A (en) 2010-10-01

Similar Documents

Publication Publication Date Title
TWI427541B (zh) 人臉快速辨識系統及其方法
Kose et al. Countermeasure for the protection of face recognition systems against mask attacks
JP4505733B2 (ja) テクストンを用いる対象物認識方法及び装置
EP1766555B1 (en) Single image based multi-biometric system and method
JP4642128B2 (ja) 画像処理方法、画像処理装置及びシステム
CN111144366A (zh) 一种基于联合人脸质量评估的陌生人脸聚类方法
CN111797653A (zh) 基于高维图像的图像标注方法和装置
CN102902959A (zh) 基于二代身份证存储证件照的人脸识别方法及系统
KR20190093799A (ko) Cctv를 통한 실시간 실종자 얼굴 인식 시스템 및 그 방법
US20200364479A1 (en) Face recognition system, method for establishing data of face recognition, and face recognizing method thereof
RU2370817C2 (ru) Система и способ отслеживания объекта
CN106991448A (zh) 一种人像比对处理方法
CN113065568A (zh) 目标检测、属性识别与跟踪方法及系统
KR20020022295A (ko) 3차원 정보를 이용한 얼굴 인식 장치 및 방법
CN109002776B (zh) 人脸识别方法、系统、计算机设备和计算机可读存储介质
US11663805B1 (en) Utilizing sensor data for automated user identification
CN108427923B (zh) 一种掌纹识别方法及装置
KR101350882B1 (ko) 영상 분석 서버
Einy et al. IoT cloud-based framework for face spoofing detection with deep multicolor feature learning model
Vijayalakshmi et al. Finger and palm print based multibiometric authentication system with GUI interface
CN113537050A (zh) 一种基于局部图像增强的动态人脸识别算法
JP2013218605A (ja) 画像認識装置、画像認識方法及びプログラム
CN106228163B (zh) 一种基于特征选择的局部差三进制序列图像特征描述方法
CN113221606B (zh) 一种基于ims视频会议登录的人脸识别方法
Kisku et al. Multithread face recognition in cloud