TWI632509B - 人臉辨識裝置及方法、提升影像辨識率的方法、及電腦可讀儲存介質 - Google Patents
人臉辨識裝置及方法、提升影像辨識率的方法、及電腦可讀儲存介質 Download PDFInfo
- Publication number
- TWI632509B TWI632509B TW106146480A TW106146480A TWI632509B TW I632509 B TWI632509 B TW I632509B TW 106146480 A TW106146480 A TW 106146480A TW 106146480 A TW106146480 A TW 106146480A TW I632509 B TWI632509 B TW I632509B
- Authority
- TW
- Taiwan
- Prior art keywords
- image
- face
- similarity
- distance
- user
- Prior art date
Links
Landscapes
- Image Analysis (AREA)
- Collating Specific Patterns (AREA)
Abstract
本發明係提供一種人臉辨識方法,包括:利用一影像擷取單元對一受測者拍照以產生一第一影像;對該第一影像執行一人臉偵測處理以取得該第一影像的一人臉區域;以及計算該人臉區域與一人臉資料庫中之各註冊使用者之複數張使用者人臉影像之間的相似度以確定該受測者之身份。對於每一個註冊使用者,計算該人臉區域與該每一個註冊使用者的複數張使用者人臉影像之間的相似度或距離,得到複數個相似度值或距離值,並計算該人臉區域與該每一個註冊使用者之間的相似度平均值或距離平均值,其中該相似度平均值及距離平均值係用以確定該受測者之身份。
Description
本發明係有關於人臉辨識,特別是有關於一種人臉辨識裝置、人臉辨識方法、提升影像辨識率的方法、及電腦可讀儲存介質。
隨著科技發展,人臉辨識已廣泛地應用於各領域,例如電腦視覺、安全認證、人物追蹤等等。然而,傳統的人臉辨識技術中係使用類神經網路進行訓練以進行人臉辨識。然而,在類神經網路的訓練完成後,若要提高人臉影像之辨識率,往往需要利用新輸入的人臉影像對類神經網路重新訓練,此操作往往需要耗費大量人力及運算資源。
因此,需要一種人臉辨識裝置、人臉辨識方法、提升影像辨識率的方法、及電腦可讀儲存介質以解決上述問題。
本發明係提供一種人臉辨識方法,包括:利用一影像擷取單元對一受測者拍照以產生一第一影像;對該第一影像執行一人臉偵測處理以取得該第一影像的一人臉區域;以及計算該人臉區域與一人臉資料庫中之各註冊使用者之複數張使用者人臉影像之間的相似度以確定該受測者之身份;對於每一個註冊使用者,計算該人臉區域與該每一個註冊使用者的複數張使用者人臉影像之間的相似度或距離,得到複數個相似度值或距離值,並將該複數個相似度值或距離值取平均,藉此得到該人臉區域與該每一個註冊使用者之間的相似度平均值或距離平均值;以及對於所有註冊使用者,將各自的相似度平均值或距離平均值與一閾值進行比較,若該等相似度平均值或距離平均值在該閾值之外,則判定該受測者不屬於該人臉資料庫中已有的註冊使用者,若該等相似度平均值或距離平均值中至少一者在該閾值內,則從所有在該閾值內的相似度平均值或距離平均值中選擇表示相似度最高者或者距離最小者,並判定該受測者為該相似度最高者或者距離最小者對應的註冊使用者。
本發明更提供一種人臉辨識裝置,包括:一影像擷取單元,用以對一受測者拍照以產生一第一影像;以及一處理器,電性連接至該影像擷取單元,用以對該第一影像執行一人臉偵測處理以取得該第一影像的一人臉區域,以及計算該人臉區域與一人臉資料庫中之各註冊使用者之複數張使用者人臉影像之間的相似度以確定該受測者之身份,其中,對於每一個註冊使用者,該處理器係計算該人臉區域與該每一個註冊使
用者的複數張使用者人臉影像之間的相似度或距離,得到複數個相似度值或距離值,並將該複數個相似度值或距離值取平均,藉此得到該人臉區域與該每一個註冊使用者之間的相似度平均值或距離平均值,其中,對於所有註冊使用者,該處理器係將各自的相似度平均值或距離平均值與一閾值進行比較,其中,若該等相似度平均值或距離平均值在該閾值之外,該處理器則判定該受測者不屬於該人臉資料庫中已有的註冊使用者,其中,若該等相似度平均值或距離平均值中至少一者在該閾值內,該處理器則從所有在該閾值內的相似度平均值或距離平均值中選擇表示相似度最高者或者距離最小者,並判定該受測者為該相似度最高者或者距離最小者對應的註冊使用者。
本發明更提供一種提升影像辨識率的方法,包括:將多個樣本的複數張影像通過一分類器進行分類,並將分類好的多個樣本的複數張影像存儲於一資料庫;利用一影像擷取單元對一待辨識者拍照以產生一第一影像;計算該第一影像與該資料庫中每一個樣本的複數張影像中的每一張影像之間的相似度或距離,得到複數個相似度值或距離值,並將該複數個相似度值或距離值取平均,藉此得到該第一影像與該每一個樣本之間的相似度平均值或距離平均值;對於該資料庫中所有樣本,將其各自的相似度平均值或距離平均值與一閾值進行比較,若該等相似度平均值或距離平均值在該閾值之外,則判定該待辨識者不屬於該資料庫中已有的樣本,若該等相似度平均值或距離平均值中至少一者在該閾值內,則從所有在該閾值內的相似度平均值或距離平均值中選擇表示相似度最高者或者
距離最小者,並判定該待辨識者為該相似度最高者或者距離最小者對應的樣本。
本發明更提供一種電腦程式產品,其係被一機器載入以執行一人臉辨識方法,上述電腦程式產品包括:一第一程式碼,用以利用一影像擷取單元對一受測者拍照以產生一第一影像;一第二程式碼,用以對該第一影像執行一人臉偵測處理以取得該第一影像的一人臉區域;一第三程式碼,計算該人臉區域與一人臉資料庫中之各註冊使用者之複數張使用者人臉影像之間的相似度以確定該受測者之身份;一第四程式碼,用以對於每一個註冊使用者,計算該人臉區域與該每一個註冊使用者的複數張使用者人臉影像之間的相似度或距離,得到複數個相似度值或距離值,並將該複數個相似度值或距離值取平均,藉此得到該人臉區域與該每一個註冊使用者之間的相似度平均值或距離平均值;以及一第五程式碼,用以對於所有註冊使用者,將各自的相似度平均值或距離平均值與一閾值進行比較,若該等相似度平均值或距離平均值在該閾值之外,則判定該受測者不屬於該人臉資料庫中已有的註冊使用者,若該等相似度平均值或距離平均值中至少一者在該閾值內,則從所有在該閾值內的相似度平均值或距離平均值中選擇表示相似度最高者或者距離最小者,並判定該受測者為該相似度最高者或者距離最小者對應的註冊使用者。
100‧‧‧人臉辨識裝置
110‧‧‧影像擷取單元
120‧‧‧處理器
130‧‧‧記憶體單元
140‧‧‧儲存單元
141‧‧‧人臉辨識程式
142‧‧‧人臉資料庫
143‧‧‧人臉註冊程式
200‧‧‧第一影像
210、220、230、240、250‧‧‧儲存空間
211-215、221-225、231-235‧‧‧使用者人臉影像
241-245、251-255‧‧‧使用者人臉影像
S310-S325‧‧‧步驟
S410-S450‧‧‧步驟
S510-S525‧‧‧步驟
S610-S640‧‧‧步驟
第1圖係顯示依據本發明一實施例中之人臉辨識裝置之方塊圖。
第2A~2D圖係顯示依據本發明一實施例中計算歐氏距離之示意圖。
第3圖係顯示依據本發明一實施例中之人臉註冊方法的流程圖。
第4圖係顯示依據本發明一實施例中之人臉辨識方法的流程圖。
第5圖係顯示依據本發明第4圖之實施例中之步驟S420的流程圖。
第6圖係顯示依據本發明一實施例中之提升影像辨識率的方法之流程圖。
為使本發明之上述目的、特徵和優點能更明顯易懂,下文特舉一較佳實施例,並配合所附圖式,作詳細說明如下。
第1圖係顯示依據本發明一實施例中之人臉辨識裝置之方塊圖。如第1圖所示,人臉辨識裝置100係包括影像擷取單元110、一處理器120、一記憶體單元130、以及一儲存單元140。在一實施例中,影像擷取單元110例如為一相機,用以對一場景拍照以擷取一第一影像,例如為一RGB影像。
處理器120係電性連接至影像擷取單元110。處理器120例如為一中央處理器(central processing unit,CPU)、一
數位信號處理器(digital signal processor,DSP)、或一影像信號處理器(image signal processor),但本發明並不限於此。記憶體單元130係為一揮發性記憶體,例如是一動態隨機存取記憶體(dynamic random access memory,DRAM)或一靜態隨機存取記憶體(static random access memory,SRAM)。
儲存單元140為一非揮發性記憶體,例如是硬碟、固態硬碟、快閃記憶體等等。儲存單元140係儲存一人臉辨識程式141及一人臉註冊程式143。人臉辨識程式141係用以執行本發明中之人臉辨識方法。人臉註冊程式143係用以執行本發明中之人臉註冊方法。處理器120係將儲存於儲存單元140中之的人臉辨識程式141載入至記憶體單元130並執行。儲存單元140更包括一人臉資料庫142,用以儲存已註冊之使用者的人臉資料,例如是各使用者在人臉辨識裝置100所註冊的一或多張人臉影像、或是已註冊之各人臉影像相應的影像特徵值(例如可用多維度的一特徵向量表示)等等,但本發明並不限於此。使用者可透過人臉註冊程式143以註冊複數張使用者人臉影像
在一實施例中,影像擷取單元110對受測者進行拍照,並將拍照得到的一第一影像傳送給處理器120。處理器120係接收來自影像擷取單元110之第一影像,並可依據一影像縮放比例對第一影像進行一影像縮小處理(image down-scaling process)以產生一第二影像。舉例來說,若第一影像之解析度例如為1280x720,則經過影像縮小處理後所得到之第二影像的解析度例如為320x180,即水平及垂直方向的解析度均縮小為四分之一,其中第一影像之影像縮放比例可視實際情況調整。
接著,處理器120可對第二影像執行一人臉偵測處理以判斷在第二影像中是否有一次人臉區域(sub face region)存在。舉例來說,處理器120可對第二影像計算其方向梯度直方圖(histogram of oriented gradients,HOG)以計算其影像特徵,並將影像特徵輸入一支持向量機(support vector machine,SVM)以偵測在第二影像中之次人臉區域。在另一實施例中,處理器120係使用OpenCV資料庫以對第二影像進行人臉偵測,OpenCV資料庫係採用由Viola & Jones所發表的AdaBoost Learning with Haar-like Features演算法以實現人臉偵測,藉以取得次人臉區域。需注意的是,上述實施例僅用於說明,本發明並不限於使用方向梯度直方圖或OpenCV資料庫以對第二影像進行人臉偵測。
需注意的是,在進行人臉偵測時,對具有較小解析度之第二影像所得到的人臉偵測結果會跟對具有較大解析度之第一影像所得到之人臉偵測結果類似。因此,對第二影像進行人臉偵測處理可大幅降低運算的複雜度,進而增進系統效能。
若處理器偵測到第二影像具有一次人臉區域(sub face region,例如可以一方框區域呈現),則處理器可標示次人臉區域,並可依據第一影像及第二影像之間的畫面比例,將第二影像中所偵測到的次人臉區域依據影像縮放比例放大以在第一影像中得到一人臉區域。舉例來說,若對第一影像直接進行人臉偵測,則所得到人臉區域會與經過上述縮小/放大流程之人臉偵測近似,但是對較小解析度的第二影像進行人臉偵測
則具有較低的運算複雜度。處理器120係計算在第一影像中之人臉區域的複數個影像特徵值,並依據所計算出之影像特徵值進行一人臉辨識處理。
在一實施例中,對於在人臉辨識裝置100中之各註冊使用者,人臉資料庫142係記錄相應於各註冊使用者(registered user)之一使用者人臉影像及/或使用者人臉影像之複數個使用者影像特徵值(例如複數個第二特徵向量)。舉例來說,上述影像特徵值例如可採用Haar小波轉換法及主成份分析法(Principal Component Analysis,PCA)對第一影像之人臉區域及各註冊使用者之使用者人臉影像計算而得,且可分別由一特徵向量(eigen vector)表示,但本發明並不限於此。
在此實施例中,處理器120在執行人臉辨識處理時可計算人臉區域之影像特徵值(例如為一第一特徵向量)與在人臉資料庫142中所記錄之相應於各註冊使用者之使用者影像特徵值(例如各第二特徵向量)之間的歐氏距離(Euclidean distance),並判斷所計算出的各歐氏距離是否小於一預定值。若無歐氏距離小於預定值,則處理器120係判斷受測者並不在註冊使用者之中。若僅有一歐氏距離小於預定值,則表示該歐氏距離相應之使用者人臉影像的候選註冊使用者即為受測者。若有一個以上的歐氏距離小於預定值,則表示具有複數個候選註冊使用者。此時,處理器120係選擇具有最短的歐氏距離之使用者人臉影像相應的候選註冊使用者為受測者。需注意的是,上述實施例僅用於說明,本發明並不限於使用歐氏距離來確定兩幅影像之間的相似度,另一些實施例中可以使用例如
馬氏距離(Mahalanobis Distance)、曼哈頓距離(Manhattan Distance)、切比雪夫距離(Chebyshev Distance)等等,或者又一些實施例中可以通過相似性度量的方式確定出兩幅影像之間的相似度值,例如餘弦相似度(Cosine Similarity)、皮爾森校正係數(Pearson Correlation Coefficient)、傑卡德係數(Jaccard Coefficient)等等。當然,若採相似度方式,則選擇相似度值最大者對應的註冊使用者為受測者。
第2A~2D圖係顯示依據本發明一實施例中計算歐氏距離之示意圖。在該實施例中,對於人臉辨識裝置100中之各註冊使用者,人臉資料庫142係記錄相應於各註冊使用者(registered user)之複數張使用者人臉影像及/或各使用者人臉影像之複數個使用者影像特徵值(例如複數個第二特徵向量)。舉例來說,為了提高人臉辨識之準確率,每一個使用者在人臉辨識裝置100中進行註冊程序時,需註冊大於或等於一預定數量(例如5張,但非限定)的使用者人臉影像。如第2A圖所示,註冊使用者1~5在人臉資料庫142中均分別註冊了5張使用者人臉影像。在人臉資料庫142中,註冊使用者1係具有使用者人臉影像211~215,記錄於儲存空間210;註冊使用者2係具有使用者人臉影像221~225,記錄於儲存空間220;註冊使用者3係具有使用者人臉影像231~235,記錄於儲存空間230;註冊使用者4係具有使用者人臉影像241~245,記錄於儲存空間240;註冊使用者5係具有使用者人臉影像251~255,記錄於儲存空間250。
在執行人臉辨識處理時,處理器120係計算第一影
像200之人臉區域之第一影像特徵值與各註冊使用者之各使用者人臉影像的第二影像特徵值之間的歐氏距離。為了便於說明,所計算出之歐氏距離係標示於各使用者人臉影像右側。舉例來說,第一影像200之人臉區域之第一影像特徵值與註冊使用者1之使用者人臉影像211~215之第二影像特徵值之間的歐氏距離分別為0.123、0.124、0.125、0.125、0.126、及0.127。第一影像特徵值與其他註冊使用者之各使用者人臉影像之間的距離係可參考第2B圖。
接著,處理器120係計算相應於各註冊使用者之歐氏距離平均值。例如相應於註冊使用者1~5之歐氏距離平均值分別為0.125、0.18、0.16、0.14、0.19,復參第2B圖。處理器120再將各歐氏距離平均值與一閾值(例如0.15,非限定)進行比較,且判斷歐氏距離平均值小於閾值之註冊使用者為候選註冊使用者。因為歐氏距離愈短,即表示相似度愈高。在此實施例中,註冊使用者1及4為候選註冊使用者。處理器120係判斷具有最小歐氏距離平均值的註冊使用者1為受測者。
另一實施例中,處理器120可將第一影像200取代在人臉資料庫142中之註冊使用者1的其中一張使用者人臉影像,藉此可更新人臉資料庫142。在一實施例中,處理器120係將第一影像200取代註冊使用者1之時間最早的使用者人臉影像,例如使用者人臉影像213,如第2C圖所示。在另一實施例中,處理器120係將第一影像200取代註冊使用者1之具有最大歐氏距離的使用者人臉影像,例如使用者人臉影像215,如第2D圖。
需注意的是,若要提高類神經網路之預測模型的辨識率,在傳統方法中若要新增或修改註冊使用者之使用者人臉影像,往往需重新訓練類神經網路,需要花費相當多的時間及運算處理。在前述實施例中,可重複使用相同的類神經網路之預測模型。在處理器120決定一特定註冊使用者為受測者後,處理器120可將第一影像取代相應於該特定註冊使用者之最早或歐氏距離最大的使用者人臉影像,使得下一次進行人臉辨識時可具有愈接近特定註冊使用者之人臉的使用者人臉影像,且可在不必重新訓練類神經網路的情況下降低誤判的情況並提高人臉辨識之準確率。
基於前述人臉辨識裝置,本發明還提供相應的人臉註冊方法、以及人臉辨識方法。第3圖係顯示依據本發明一實施例中之人臉註冊方法的流程圖。
在步驟S310,執行一人臉註冊程式143。舉例來說,人臉註冊程式143係儲存於儲存裝置140,且使用者可透過人臉註冊程式143以註冊複數張使用者人臉影像。
在步驟S315,利用影像擷取單元110對受測者拍照以取得一人臉影像。
在步驟S320,由該人臉影像偵測一人臉區域。人臉偵測之流程可參考前述實施例。
在步驟S325,偵測人臉區域是否大於一預定解析度。若是,則該人臉影像註冊完成,並儲存至人臉資料庫142中相應於該使用者之其中一張使用者人臉影像。若否,則回到步驟S315。舉例來說,當使用者欲註冊其人臉影像時,需靠近
影像擷取單元110,使得人臉影像中之人臉區域可大於預定解析度,人臉註冊程式方判斷該人臉影像為合格的使用者人臉影像,並儲存至人臉資料庫142。
第4圖係顯示依據本發明一實施例中之人臉辨識方法的流程圖。
在步驟S410,利用一影像擷取單元110對一受測者拍照以產生一第一影像。
在步驟S420,對該第一影像執行一人臉偵測處理以取得該第一影像的一人臉區域。其中,上述人臉偵測處理之流程例如可參考第5圖之實施例。
在步驟S430,計算該人臉區域與一人臉資料庫中之各註冊使用者之複數張使用者人臉影像之間的相似度以確定受測者身份。其中,各註冊使用者在人臉資料庫中均需註冊複數張使用者人臉影像。
在步驟S440,對於每一個註冊使用者,計算該人臉區域與該每一個註冊使用者的複數張使用者人臉影像之間的相似度或距離,得到複數個相似度值或距離值,並將該複數個相似度值或距離值取平均,藉此得到該人臉區域與該每一個註冊使用者之間的相似度平均值或距離平均值。上述相似度值或距離值的計算方式可參考第2A~2D圖之實施例,且距離值之計算例如可以使用歐氏距離、馬氏距離、曼哈頓距離、切比雪夫距離等等。若採距離值之計算方式,則選擇距離值最小對應的註冊使用者為受測者。相似度值之計算例如可以通過相似性度量的方式確定出兩幅影像之間的相似度值,例如餘弦相似
度、皮爾森校正係數、傑卡德係數等等。若採相似度方式,則選擇相似度值最大者對應的註冊使用者為受測者。
在步驟S450,對於所有註冊使用者,將各自的相似度平均值或距離平均值與一閾值進行比較,若該等相似度平均值或距離平均值在該閾值之外,則判定該受測者不屬於該人臉資料庫中已有的註冊使用者,若該等相似度平均值或距離平均值中至少一者在該閾值內,則從所有在該閾值內的相似度平均值或距離平均值中選擇表示相似度最高者或者距離最小者,並判定該受測者為該相似度最高者或者距離最小者對應的註冊使用者。
舉例來說,處理器120可依據一閾值以過濾相應於各註冊使用者之相似度值或距離值以取得一候選清單。舉例來說,以歐氏距離為例,當歐氏距離平均值小於或等於閾值,該歐氏距離平均值所相應之註冊使用者才會被放進候選清單。若候選清單中之候選註冊使用者的數量為0,表示受測者並非註冊使用者。若是候選清單中只有一個候選註冊使用者,即可直接決定候選註冊使用者為受測者。若在候選清單中有1個以上的候選註冊使用者,需從這些候選註冊使用者中決定一者。因為歐氏距離愈短,即表示相似度愈高。故可決定具有最短歐氏距離平均值之候選註冊使用者為受測者。
第5圖係顯示依據本發明第4圖之實施例中步驟S420的流程圖。
在步驟S510,依據一影像縮放比例對第一影像進行一影像縮小處理以產生一第二影像。舉例來說,若第一影像
之解析度例如為1280x720,則經過影像縮小處理後所得到之第二影像的解析度例如為320x180,其中第一影像縮小之比例可視實際情況調整。在此例子中,第一影像及第二影像之影像縮放比例為4,且水平方向及垂直方向使用相同的影像縮放比例。
在步驟S515,判斷該第二影像中是否有一次人臉區域。若有,則執行步驟S520;若否,則回到步驟S410。
在步驟S520,當該第二影像中有該次人臉區域,判斷該次人臉區域之一解析度是否大於一預定解析度。判斷該次人臉區域之解析度是否大於一預定解析度。若是,則執行步驟S525;若否,則回到步驟S410。舉例來說,若偵測到第二影像中有一次人臉區域,則需要該次人臉區域的解析度大於預定解析度時才能確保在次人臉區域保留了足夠的像素以便於後續計算影像特徵值,此時才會進行後續的流程。
在步驟S525,當該次人臉區域之該解析度大於該預定解析度,依據該影像縮放比例將該次人臉區域放大以在該第一影像取得一人臉區域。
第6圖係顯示依據本發明一實施例中之提升影像辨識率的方法之流程圖。依據第2A~2D圖之實施例,在本發明一實施例中,可再延伸出一種提升影像辨識率的方法。
在步驟S610,將多個樣本的複數張影像通過一分類器進行分類,並將分類好的多個樣本的複數張影像存儲於一資料庫。上述資料庫例如可不同於人臉資料庫142,且樣本例如可為各式各樣的物件,並不限定於人臉。上述分類器例如可由一機器學習演算法進行訓練而得,且上述機器學習演算法例
如為一卷積類神經網路(Convolutional Neural Network,CNN)、一深度類神經網路(Deep Neural Network,DNN)、或一支持向量機(Support Vector Machine,SVM),但本發明並不限於此。當分類器完成訓練後,即可利用已訓練好的分類器對樣本之影像進行分類。
在步驟S620,利用影像擷取單元110對一待辨識者拍照以產生一第一影像。
在步驟S630,計算該第一影像與該資料庫中每一個樣本的複數張影像中的每一張影像之間的相似度或距離,得到複數個相似度值或距離值,並將該複數個相似度值或距離值取平均,藉此得到該第一影像與該每一個樣本之間的相似度平均值或距離平均值。上述相似度值或距離值的計算方式可參考第2A~2D圖之實施例,且距離值之計算例如可以使用歐氏距離、馬氏距離、曼哈頓距離、切比雪夫距離等等。若採距離值之計算方式,則選擇距離值最小對應的樣本為待辨識者。相似度值之計算例如可以通過相似性度量的方式確定出兩幅影像之間的相似度值,例如餘弦相似度、皮爾森校正係數、傑卡德係數等等。若採相似度方式,則選擇相似度值最大者對應的樣本為待辨識者。
在步驟S640,對於該資料庫中所有樣本,將其各自的相似度平均值或距離平均值與一閾值進行比較,若該等相似度平均值或距離平均值在該閾值之外,則判定該待辨識者不屬於該資料庫中已有的樣本,若該等相似度平均值或距離平均值中至少一者在該閾值內,則從所有在該閾值內的相似度平均
值或距離平均值中選擇表示相似度最高者或者距離最小者,並判定該待辨識者為該相似度最高者或者距離最小者對應的樣本。
綜上所述,本發明係提供一種人臉辨識裝置、人臉辨識方法、提升影像辨識率的方法、及電腦程式產品,其可重複使用相同的類神經網路之預測模型,而不必對類神經網路重新訓練,並可計算多張使用者人臉影像之相似度平均值或距離平均值,並選擇相應於相似度最高或距離最小之註冊使用者,如此可提高人臉影像之辨識率。
本發明之方法,或特定型態或其部份,可以以程式碼的型態包含於實體媒體,如軟碟、光碟片、硬碟、或是任何其他機器可讀取(如電腦可讀取)儲存媒體,其中,當程式碼被機器,如電腦載入且執行時,此機器變成用以參與本發明之裝置或系統。本發明之方法、系統與裝置也可以以程式碼型態透過一些傳送媒體,如電線或電纜、光纖、或是任何傳輸型態進行傳送,其中,當程式碼被機器,如電腦接收、載入且執行時,此機器變成用以參與本發明之裝置或系統。當在一般用途處理器實作時,程式碼結合處理器提供一操作類似於應用特定邏輯電路之獨特裝置。
本發明雖以較佳實施例揭露如上,然其並非用以限定本發明的範圍,任何所屬技術領域中具有通常知識者,在不脫離本發明之精神和範圍內,當可做些許的更動與潤飾,因此本發明之保護範圍當視後附之申請專利範圍所界定者為準。
Claims (8)
- 一種人臉辨識方法,包括:利用一影像擷取單元對一受測者拍照以產生一第一影像;對該第一影像執行一人臉偵測處理以取得該第一影像的一人臉區域;以及計算該人臉區域與一人臉資料庫中之各註冊使用者之複數張使用者人臉影像之間的相似度以確定該受測者之身份,其中,對於每一個註冊使用者,計算該人臉區域與該每一個註冊使用者的複數張使用者人臉影像之間的相似度或距離,得到複數個相似度值或距離值,並將該複數個相似度值或距離值取平均,藉此得到該人臉區域與該每一個註冊使用者之間的相似度平均值或距離平均值;以及對於所有註冊使用者,將各自的相似度平均值或距離平均值與一閾值進行比較,若該等相似度平均值或距離平均值在該閾值之外,則判定該受測者不屬於該人臉資料庫中已有的註冊使用者,若該等相似度平均值或距離平均值中至少一者在該閾值內,則從所有在該閾值內的相似度平均值或距離平均值中選擇表示相似度最高者或者距離最小者,並判定該受測者為該相似度最高者或者距離最小者對應的註冊使用者; 其中在確定該受測者身份之後,該人臉辨識方法更包括:將該第一影像取代在該人臉資料庫中相應於該受測者之時間最早的該使用者人臉影像;或者,將該第一影像取代在該人臉資料庫中相應於該受測者且具有一最大距離的該使用者人臉影像。
- 如申請專利範圍第1項所述之人臉辨識方法,其中該對該第一影像執行該人臉偵測處理以取得該第一影像的該人臉區域之步驟包括:依據一影像縮放比例對第一影像進行一影像縮小處理以產生一第二影像;判斷該第二影像中是否有一次人臉區域;當該第二影像中有該次人臉區域,判斷該次人臉區域之一解析度是否大於一預定解析度;以及當該次人臉區域之該解析度大於該預定解析度,依據該影像縮放比例將該次人臉區域放大以在該第一影像取得一人臉區域。
- 如申請專利範圍第1項所述之人臉辨識方法,其中該計算該人臉區域與該每一個註冊使用者的複數張使用者人臉影像之間的相似度之步驟包括:計算該第一影像之該人臉區域之複數個第一影像特徵值;以及計算該複數個第一影像特徵值與該每一註冊使用者之複數張使用者人臉影像之每一者的複數個第二影像特徵值之間的一歐氏距離。
- 一種人臉辨識裝置,包括:一影像擷取單元,用以對一受測者拍照以產生一第一影像;以及一處理器,電性連接至該影像擷取單元,用以對該第一影像執行一人臉偵測處理以取得該第一影像的一人臉區域,以及計算該人臉區域與一人臉資料庫中之各註冊使用者之複數張使用者人臉影像之間的相似度以確定該受測者之身份,其中,對於每一個註冊使用者,該處理器係計算該人臉區域與該每一個註冊使用者的複數張使用者人臉影像之間的相似度或距離,得到複數個相似度值或距離值,並將該複數個相似度值或距離值取平均,藉此得到該人臉區域與該每一個註冊使用者之間的相似度平均值或距離平均值,其中,對於所有註冊使用者,該處理器係將各自的相似度平均值或距離平均值與一閾值進行比較,若該等相似度平均值或距離平均值在該閾值之外,該處理器則判定該受測者不屬於該人臉資料庫中已有的註冊使用者,若該等相似度平均值或距離平均值中至少一者在該閾值內,該處理器則從所有在該閾值內的相似度平均值或距離平均值中選擇表示相似度最高者或者距離最小者,並判定該受測者為該相似度最高者或者 距離最小者對應的註冊使用者,其中在確定該受測者身份之後,該處理器更將該第一影像取代在該人臉資料庫中相應於該受測者之時間最早的該使用者人臉影像;或者,將該第一影像取代在該人臉資料庫中相應於該受測者且具有一最大距離的該使用者人臉影像。
- 如申請專利範圍第4項所述之人臉辨識裝置,其中該處理器係依據一影像縮放比例對第一影像進行一影像縮小處理以產生一第二影像,並判斷該第二影像中是否有一次人臉區域,其中當該第二影像中有該次人臉區域,該處理器係判斷該次人臉區域之一解析度是否大於一預定解析度,其中當該次人臉區域之該解析度是否大於該預定解析度,該處理器係依據該影像縮放比例將該次人臉區域放大以在該第一影像取得一人臉區域,並對該第一影像之該人臉區域執行一人臉辨識處理以產生一辨識結果。
- 如申請專利範圍第4項所述之人臉辨識裝置,其中該處理器係計算該第一影像之該人臉區域之複數個第一影像特徵值,並計算該複數個第一影像特徵值與在一人臉資料庫中之各註冊使用者之複數張使用者人臉影像之每一者的複數個第二影像特徵值之間的一歐氏距離。
- 一種提升影像辨識率的方法,包括:將多個樣本的複數張影像通過一分類器進行分類,並將 分類好的多個樣本的複數張影像存儲於一資料庫;利用一影像擷取單元對一待辨識者拍照以產生一第一影像;計算該第一影像與該資料庫中每一個樣本的複數張影像中的每一張影像之間的相似度或距離,得到複數個相似度值或距離值,並將該複數個相似度值或距離值取平均,藉此得到該第一影像與該每一個樣本的各影像之間的相似度平均值或距離平均值;以及對於該資料庫中所有樣本,將其各自的相似度平均值或距離平均值與一閾值進行比較,若該等相似度平均值或距離平均值在該閾值之外,則判定該待辨識者不屬於該資料庫中已有的樣本,若該等相似度平均值或距離平均值中至少一者在該閾值內,則從所有在該閾值內的相似度平均值或距離平均值中選擇表示相似度最高者或者距離最小者,並判定該待辨識者為該相似度最高者或者距離最小者對應的樣本,其中在確定該待辨識者身份之後,該提升影像辨識率的方法更包括:將該第一影像取代在該資料庫中相應於該待辨識者之時間最早的該影像;或者,將該第一影像取代在該資料庫中相應於該待辨識者且具有一最大距離的該影像。
- 一種電腦可讀儲存介質,其包括儲存的電腦程式,當一 設備運行該電腦程式時執行如申請專利範圍第1-3任一項所述之人臉辨識方法或者如申請專利範圍第7項所述之提升影像辨識率的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW106146480A TWI632509B (zh) | 2017-12-29 | 2017-12-29 | 人臉辨識裝置及方法、提升影像辨識率的方法、及電腦可讀儲存介質 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW106146480A TWI632509B (zh) | 2017-12-29 | 2017-12-29 | 人臉辨識裝置及方法、提升影像辨識率的方法、及電腦可讀儲存介質 |
Publications (2)
Publication Number | Publication Date |
---|---|
TWI632509B true TWI632509B (zh) | 2018-08-11 |
TW201931193A TW201931193A (zh) | 2019-08-01 |
Family
ID=63959669
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW106146480A TWI632509B (zh) | 2017-12-29 | 2017-12-29 | 人臉辨識裝置及方法、提升影像辨識率的方法、及電腦可讀儲存介質 |
Country Status (1)
Country | Link |
---|---|
TW (1) | TWI632509B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI754887B (zh) * | 2019-04-01 | 2022-02-11 | 大陸商北京市商湯科技開發有限公司 | 活體檢測方法和裝置、電子設備及儲存介質 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050123202A1 (en) * | 2003-12-04 | 2005-06-09 | Samsung Electronics Co., Ltd. | Face recognition apparatus and method using PCA learning per subgroup |
TW201123025A (en) * | 2009-12-23 | 2011-07-01 | Altek Corp | Method of improving human face recognition rate. |
-
2017
- 2017-12-29 TW TW106146480A patent/TWI632509B/zh active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050123202A1 (en) * | 2003-12-04 | 2005-06-09 | Samsung Electronics Co., Ltd. | Face recognition apparatus and method using PCA learning per subgroup |
TW201123025A (en) * | 2009-12-23 | 2011-07-01 | Altek Corp | Method of improving human face recognition rate. |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI754887B (zh) * | 2019-04-01 | 2022-02-11 | 大陸商北京市商湯科技開發有限公司 | 活體檢測方法和裝置、電子設備及儲存介質 |
Also Published As
Publication number | Publication date |
---|---|
TW201931193A (zh) | 2019-08-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11138413B2 (en) | Fast, embedded, hybrid video face recognition system | |
US20220044040A1 (en) | Liveness test method and apparatus | |
Prince et al. | Tied factor analysis for face recognition across large pose differences | |
TWI470563B (zh) | 偵測影像中臉部屬性之方法、執行影像分析處理之處理系統及電腦可讀取儲存媒體 | |
Chen et al. | Relevance metric learning for person re-identification by exploiting listwise similarities | |
Chen et al. | Cumulative attribute space for age and crowd density estimation | |
WO2016150240A1 (zh) | 身份认证方法和装置 | |
WO2017024963A1 (zh) | 图像识别方法、度量学习方法、图像来源识别方法及装置 | |
US11055538B2 (en) | Object re-identification with temporal context | |
Parde et al. | Face and image representation in deep CNN features | |
Demirkus et al. | Hierarchical temporal graphical model for head pose estimation and subsequent attribute classification in real-world videos | |
Zhang et al. | Linear reconstruction measure steered nearest neighbor classification framework | |
Chang et al. | Intensity rank estimation of facial expressions based on a single image | |
Martinel et al. | Classification of local eigen-dissimilarities for person re-identification | |
WO2023123923A1 (zh) | 人体重识别方法、人体重识别装置、计算机设备及介质 | |
Tong et al. | Cross-view gait recognition based on a restrictive triplet network | |
Sajid et al. | The role of facial asymmetry in recognizing age-separated face images | |
Parde et al. | Deep convolutional neural network features and the original image | |
TWI731919B (zh) | 圖像識別方法與裝置及度量學習方法與裝置 | |
Sawant et al. | Age estimation using local direction and moment pattern (ldmp) features | |
Gao et al. | Research on Real‐Time Face Key Point Detection Algorithm Based on Attention Mechanism | |
Lin et al. | Region-based context enhanced network for robust multiple face alignment | |
Zhao et al. | Person re-identification by integrating metric learning and support vector machine | |
TWI632509B (zh) | 人臉辨識裝置及方法、提升影像辨識率的方法、及電腦可讀儲存介質 | |
Yang et al. | Privileged information-based conditional structured output regression forest for facial point detection |