CN105975908A - 人脸识别方法及装置 - Google Patents
人脸识别方法及装置 Download PDFInfo
- Publication number
- CN105975908A CN105975908A CN201610269678.9A CN201610269678A CN105975908A CN 105975908 A CN105975908 A CN 105975908A CN 201610269678 A CN201610269678 A CN 201610269678A CN 105975908 A CN105975908 A CN 105975908A
- Authority
- CN
- China
- Prior art keywords
- algorithm
- infrared
- image
- visible ray
- threshold value
- Prior art date
- Legal status (The legal status 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 status listed.)
- Pending
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
- G06V40/168—Feature extraction; Face representation
- G06V40/169—Holistic features and representations, i.e. based on the facial image taken as a whole
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Collating Specific Patterns (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种人脸识别方法及装置,其中,该方法包括:获取待测目标的近红外图像与可见光图像,并判断所述待测目标是否为真人;进而根据所述近红外图像与所述可见光图像确定近红外算法与可见光算法的权重以及待测目标的基本属性信息;分别确定数据库中的各样本图像的比对分数,并根据权重确定所述各样本图像的近红外与可见光融合算法分数,以确定所述待测目标的人脸识别结果。本发明通过图像背景确定可见光算法与近红外算法的权重,基于可见光和近红外算法融合实现进行身份认证,消除了现有人脸识别方法对环境的适应性较差,易导致识别效果不理想的缺陷,提高了人脸识别的准确度。
Description
技术领域
本发明涉及计算机视觉与图像处理领域,尤其涉及一种人脸识别方法及装置。
背景技术
作为人的一种内在属性,人脸具有很强的自身稳定性和个体差异性,并且相比于指纹识别等方式,人脸识别因具有非强制性、非接触性和并行性等优点,而成为了自动身份验证的最理想的依据。人脸识别技术是利用计算机获取人脸图像并进行分析预处理,然后以特定方法提取出能有效表示人脸图像的特征,最后通过机器学习的方法对人脸图像进行身份鉴定。
现在常用的人脸识别技术主要包括近红外人脸识别技术和可见光人脸识别技术。具体来说,由于近红外图像对光照强弱变化有较好的适应性,但仍然存在着许多缺陷,例如成像时会损失一些纹理特征,使得对表情、姿态、眼镜、头发的变化不能很好地适应。而可见光图像虽然对光照变化敏感,但在这几个方面却有较强的适应性。因此,将近红外图像与可见光图像进行融合,以提高识别准确度已成为人脸识别技术的发展趋势。
然而,目前基于近红外与可见光信息融合的人脸识别方法多在算法层面进行改进,虽一定程度上提高了人脸识别准确度,但却对环境的适应性较差。当周边环境变化差异大时,会导致识别效果不理想。
发明内容
针对现有基于近红外与可见光信息融合的人脸识别方法对环境的适应性较差,易导致识别效果不理想的缺陷,本发明提出如下技术方案:
一种人脸识别方法,包括:
获取待测目标的近红外图像与可见光图像,并根据所述近红外图像与所述可见光图像判断所述待测目标是否为真人;
在所述待测目标判断为真人的情况下,根据所述近红外图像的图像背景与所述可见光图像的图像背景确定近红外算法的权重与可见光算法的权重;
根据所述近红外图像与所述可见光图像确定所述待测目标的基本属性信息;
根据所述基本属性信息分别确定近红外算法的阈值与可见光算法的阈值,并根据近红外算法的权重、可见光算法的权重、近红外算法的阈值以及可见光算法的阈值确定近红外与可见光融合算法的最终阈值;
分别提取所述近红外图像的第一人脸特征与所述可见光图像的第二人脸特征,并将所述第一人脸特征和所述第二人脸特征分别与数据库中的各样本图像的人脸特征进行比对,以根据比对的结果分别确定所述各样本图像的近红外算法比对分数与可见光算法比对分数;
根据所述近红外算法的权重、所述近红外算法比对分数、所述可见光算法的权重和所述可见光算法比对分数确定所述各样本图像的近红外与可见光融合算法分数;
根据所述各样本图像的近红外与可见光融合算法分数以及所述最终阈值的对比结果确定所述待测目标的人脸识别结果。
可选地,所述根据所述近红外图像与所述可见光图像判断所述待测目标是否为真人,包括:
基于所述近红外图像与所述可见光图像分别通过近红外算法与可见光算法判断所述待测目标是否为真人,并在所述近红外算法与可见光算法均判断所述待测目标为真人的情况下,确定所述待测目标为真人。
可选地,所述根据所述近红外图像的图像背景与所述可见光图像的图像背景确定近红外算法的权重与可见光算法的权重,包括:
分别对所述近红外图像的图像背景与所述可见光图像的图像背景进行分析,得出当前环境参数,并根据所述当前环境参数确定近红外算法与可见光算法的权重。
可选地,所述当前环境参数至少包括以下一种或其组合:
光照强度、背光强度以及逆光强度。
可选地,所述基本属性信息至少包括以下一种或其组合:
种族、性别、年龄以及是否佩戴眼镜。
可选地,所述根据所述各样本图像的近红外与可见光融合算法分数以及所述最终阈值的对比结果确定所述待测目标的人脸识别结果,包括:
将所述各样本图像的近红外与可见光融合算法分数分别与所述最终阈值进行对比,并根据对比的结果将融合算法分数最高且大于阈值的一样本图像对应的身份作为人脸识别结果。
一种人脸识别装置,包括:
图像获取单元,用于获取待测目标的近红外图像与可见光图像,并根据所述近红外图像与所述可见光图像判断所述待测目标是否为真人;
权重确定单元,用于在所述待测目标判断为真人的情况下,根据所述近红外图像的图像背景与所述可见光图像的图像背景确定近红外算法的权重与可见光算法的权重;
属性确定单元,用于根据所述近红外图像与所述可见光图像确定所述待测目标的基本属性信息;
阈值确定单元,用于根据所述基本属性信息分别确定近红外算法的阈值与可见光算法的阈值,并根据近红外算法的权重、可见光算法的权重、近红外算法的阈值以及可见光算法的阈值确定近红外与可见光融合算法的最终阈值;
比对分数确定单元,用于分别提取所述近红外图像的第一人脸特征与所述可见光图像的第二人脸特征,并将所述第一人脸特征和所述第二人脸特征分别与数据库中的各样本图像的人脸特征进行比对,以根据比对的结果分别确定所述各样本图像的近红外算法比对分数与可见光算法比对分数;
融合分数确定单元,用于根据所述近红外算法的权重、所述近红外算法比对分数、所述可见光算法的权重和所述可见光算法比对分数确定所述各样本图像的近红外与可见光融合算法分数;
识别结果确定单元,用于根据所述各样本图像的近红外与可见光融合算法分数以及所述最终阈值的对比结果确定所述待测目标的人脸识别结果。
可选地,所述图像获取单元进一步用于:
基于所述近红外图像与所述可见光图像分别通过近红外算法与可见光算法判断所述待测目标是否为真人,并在所述近红外算法与可见光算法均判断所述待测目标为真人的情况下,确定所述待测目标为真人。
可选地,所述权重确定单元进一步用于:
分别对所述近红外图像的图像背景与所述可见光图像的图像背景进行分析,得出当前环境参数,并根据所述当前环境参数确定近红外算法与可见光算法的权重。
可选地,所述识别结果确定单元进一步用于:
将所述各样本图像的近红外与可见光融合算法分数分别与所述最终阈值进行对比,并根据对比的结果将融合算法分数最高且大于阈值的一样本图像对应的身份作为人脸识别结果。
本发明的人脸识别方法及装置,通过图像背景确定可见光算法与近红外算法的权重,基于可见光和近红外算法融合实现进行身份认证,消除了现有的基于近红外与可见光信息融合的人脸识别方法对环境的适应性较差,易导致识别效果不理想的缺陷,提高了人脸识别的准确度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一个实施例的人脸识别方法的流程示意图;
图2为本发明另一个实施例的人脸识别装置的结构示意图;
图3为本发明另一个实施例的人脸识别方法的流程示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
图1为本发明一个实施例的人脸识别方法的流程示意图;如图1所示,如图1所示,该方法包括:
S1:获取待测目标的近红外图像与可见光图像,并根据所述近红外图像与所述可见光图像判断所述待测目标是否为真人;
S2:在所述待测目标判断为真人的情况下,根据所述近红外图像的图像背景与所述可见光图像的图像背景确定近红外算法的权重与可见光算法的权重;
具体来讲,在判断所述待测目标为真人的情况下,可根据所述近红外图像的图像背景与所述可见光图像的图像背景进行分析,得出光照强度、背光、逆光等当前环境参数,根据环境参数是否合适,动态调整可见光算法与近红外算法的权重。例如,当判断环境参数为光照合适的情况下时,可使可见光算法权重高于近红外算法权重;当判断环境参数为光照不合适的情况下,例如环境光照过强、逆光或背景光照过弱的情况下,可使近红外算法权重高于可见光算法权重。
S3:根据所述近红外图像与所述可见光图像确定所述待测目标的基本属性信息;
具体来说,上述基本属性信息可以包括但不限于种族、性别、年龄以及是否佩戴眼镜中的至少一种。例如,通过融合属性算法基于眼镜、年龄、性别、种族等基本属性进行分析,得出人员的基本属性信息为“配戴眼镜、男性、种族不确定、年龄不确定”等。
S4:根据所述基本属性信息分别确定近红外算法的阈值与可见光算法的阈值,并根据近红外算法的权重、可见光算法的权重、近红外算法的阈值以及可见光算法的阈值确定近红外与可见光融合算法的最终阈值;
具体来说,该最终阈值可以为:可见光算法的阈值*可见光算法权重+近红外算法的阈值*近红外算法权重;
需要说明的是,通过融合属性算法能确定的基本属性越多,阈值调整时应将相应阈值调整的越高,其中可见光算法阈值调整范围在0-1之间,近红外算法阈值调整范围也在0-1之间。
S5:分别提取所述近红外图像的第一人脸特征与所述可见光图像的第二人脸特征,并将所述第一人脸特征和所述第二人脸特征分别与数据库中的各样本图像的人脸特征进行比对,以根据比对的结果分别确定所述各样本图像的近红外算法比对分数与可见光算法比对分数;
其中,人脸特征可包括各个器官的形状及相对位置等多个点的信息。
S6:根据所述近红外算法的权重、所述近红外算法比对分数、所述可见光算法的权重和所述可见光算法比对分数确定所述各样本图像的近红外与可见光融合算法分数;
具体来说,所述各样本图像的近红外与可见光融合算法分数可以为:可见光得分*可见光算法权重+近红外得分*近红外算法权重。
S7:根据所述各样本图像的近红外与可见光融合算法分数以及所述最终阈值的对比结果确定所述待测目标的人脸识别结果。
本实施例的人脸识别方法及装置,通过图像背景确定可见光算法与近红外算法的权重,基于可见光和近红外算法融合实现进行身份认证,消除了现有的基于近红外与可见光信息融合的人脸识别方法对环境的适应性较差,易导致识别效果不理想的缺陷,提高了人脸识别的准确度。
作为另一种可选的实施方式,上述步骤S1中根据所述近红外图像与所述可见光图像判断所述待测目标是否为真人,可进一步包括:
S11:基于所述近红外图像与所述可见光图像分别通过近红外算法与可见光算法判断所述待测目标是否为真人,并在所述近红外算法与可见光算法均判断所述待测目标为真人的情况下,确定所述待测目标为真人。
可以理解的是,若以照片或其他表现形式冒充只会产生可见光图像,而不会产生近红外图像。
作为另一种可选的实施方式,上述步骤S2中根据所述近红外图像的图像背景与所述可见光图像的图像背景确定近红外算法的权重与可见光算法的权重,可进一步包括:
S21:分别对所述近红外图像的图像背景与所述可见光图像的图像背景进行分析,得出当前环境参数,并根据所述当前环境参数确定近红外算法与可见光算法的权重。
具体地,上述环境参数可以优选地包括光照强度、背光强度以及逆光强度中的至少一种或其组合。
进一步地,作为上述各个实施例的优选,步骤S7中根据所述各样本图像的近红外与可见光融合算法分数以及所述最终阈值的对比结果确定所述待测目标的人脸识别结果,还可以进一步包括:
S71:将所述各样本图像的近红外与可见光融合算法分数分别与所述最终阈值进行对比,并根据对比的结果将融合算法分数最高且大于阈值的一样本图像对应的身份作为人脸识别结果。
本实施例的人脸识别方法基于近红外与可见光双算法融合进行身份认证,提升了算法的安全性,并且通过背景图像分析的方法检测环境,加强了算法的环境适应性,利用属性信息确定比对分数提高了算法的识别率,动态调整可见光算法与近红外算法的权重,提高了算法的识别性能。
图2为本发明另一个实施例的人脸识别装置的结构示意图;如图2所示,该装置包括图像获取单元10、权重确定单元20、属性确定单元30、阈值确定单元40、比对分数确定单元50、融合分数确定单元60以及识别结果确定单元70;
其中,图像获取单元10用于获取待测目标的近红外图像与可见光图像,并根据所述近红外图像与所述可见光图像判断所述待测目标是否为真人;
权重确定单元20用于在所述待测目标判断为真人的情况下,根据所述近红外图像的图像背景与所述可见光图像的图像背景确定近红外算法的权重与可见光算法的权重;
属性确定单元30用于根据所述近红外图像与所述可见光图像确定所述待测目标的基本属性信息;
具体来说,上述基本属性信息可以包括但不限于种族、性别、年龄以及是否佩戴眼镜中的至少一种。
阈值确定单元40用于根据所述基本属性信息分别确定近红外算法的阈值与可见光算法的阈值,并根据近红外算法的权重、可见光算法的权重、近红外算法的阈值以及可见光算法的阈值确定近红外与可见光融合算法的最终阈值;
具体来说,该最终阈值可以为:可见光算法的阈值*可见光算法权重+近红外算法的阈值*近红外算法权重;
需要说明的是,通过融合属性算法能确定的基本属性越多,阈值调整时应将相应阈值调整的越高,其中可见光算法阈值调整范围在0-1之间,近红外算法阈值调整范围也在0-1之间。
比对分数确定单元50用于分别提取所述近红外图像的第一人脸特征与所述可见光图像的第二人脸特征,并将所述第一人脸特征和所述第二人脸特征分别与数据库中的各样本图像的人脸特征进行比对,以根据比对的结果分别确定所述各样本图像的近红外算法比对分数与可见光算法比对分数;
其中,人脸特征可包括各个器官的形状及相对位置等多个点的信息;
融合分数确定单元60用于根据所述近红外算法的权重、所述近红外算法比对分数、所述可见光算法的权重和所述可见光算法比对分数确定所述各样本图像的近红外与可见光融合算法分数;
具体来说,所述各样本图像的近红外与可见光融合算法分数可以为:可见光得分*可见光算法权重+近红外得分*近红外算法权重。
识别结果确定单元70用于根据所述各样本图像的近红外与可见光融合算法分数以及所述最终阈值的对比结果确定所述待测目标的人脸识别结果。
本实施例所述的人脸识别装置可以用于执行上述方法实施例,其原理和技术效果类似,此处不再赘述。
作为另一种可选的实施方式,上述图像获取单元10可进一步用于基于所述近红外图像与所述可见光图像分别通过近红外算法与可见光算法判断所述待测目标是否为真人,并在所述近红外算法与可见光算法均判断所述待测目标为真人的情况下,确定所述待测目标为真人。
作为另一种可选的实施方式,上述权重确定单元20可进一步用于分别对所述近红外图像的图像背景与所述可见光图像的图像背景进行分析,得出当前环境参数,并根据所述当前环境参数确定近红外算法与可见光算法的权重。
作为另一种可选的实施方式,上述识别结果确定单元70可进一步用于将所述各样本图像的近红外与可见光融合算法分数分别与所述最终阈值进行对比,并根据对比的结果将融合算法分数最高且大于阈值的一样本图像对应的身份作为人脸识别结果。
需要说明的是,对于装置实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
下面以一具体的实施例来说明本发明,但不限定本发明的保护范围。
图3为本发明另一个实施例的人脸识别方法的流程示意图。如图3所示,该方法的具体步骤如下:
A1:预处理算法采集双目摄像头的近红外图像与可见光图像传递给检测算法;
其中,双目摄像头可位于嵌入式设备中,其用于分别采集待测目标的近红外图像和可见光图像。
需要说明的是,采用双目摄像头只是一种采集形式的示例,本发明对此不进行限定。
A2:通过可见光与近红外检测算法分别判断该待测目标是否真人;
具体来说,即当可见光算法与近红外检测算法均判断该待测目标为真人时,才检测为真人。并且可以理解的是,若以照片或其他表现形式冒充只会产生可见光图像,而不会产生近红外图像。
A3:在检测为真人的情况下,通过图像分析算法动态调整可见光和近红外算法的权重,以将权重发送给比对算法;
具体来讲,将近红外图像与可见光图像传递给图像分析算法,基于图像分析算法对图像背景进行分析,得出光照强度、背光、逆光等当前环境参数,根据环境参数是否合适,动态调整可见光算法与近红外算法的权重。
例如,通过近红外图像的图像背景和可见光图像的图像背景判断环境参数为光照合适的情况下时,可使可见光算法权重高于近红外算法权重,比如可见光算法权重占70%,近红外算法权重占30%(二者权重之和为1),或者只使用可见光算法(即近红外算法权重占0%;通过近红外图像的图像背景和可见光图像的图像背景判断环境参数为光照不合适的情况下,例如环境光照过强、逆光或背景光照过弱的情况下,可使近红外算法权重高于可见光算法权重,比如可见光算法权重为30%,近红外算法权重为70%,或者只使用近红外算法。
A4:将近红外图像与可见光图像传递给融合属性算法,通过融合属性算法得出基本属性,动态调整算法阈值;
具体地,通过融合属性算法基于眼镜、年龄、性别、种族等基本属性进行分析,得出人员的基本属性信息(例如,通过融合属性算法确认其基本属性信息包括:配戴眼镜、男性、种族不确定、年龄不确定等),进而将这些基本属性信息传递给比对算法;然后动态调整可见光算法以及近红外算法的阈值,并且将阈值发送给比对算法。
例如,当能够确定待测目标佩戴眼镜,且为男性这两个基本属性时,可调整可见光算法阈值为0.8,近红外算法阈值为0.6,则最终阈值为可见光算法权重*可见光算法阈值+近红外算法权重*近红外算法阈值,即最终阈值=70%*0.8+30%*0.6=0.74,将该最终阈值0.74发送给比对算法作为阈值,使得在识别过程中,可以优先与相同属性的人员进行比对,进而提高算法的识别率。
需要说明的是,通过融合属性算法能确定的基本属性越多,阈值调整时应调整的越高,其中可见光算法阈值调整范围在0-1之间,近红外算法阈值调整范围也在0-1之间。
A5:将近红外图像与可见光图像传递给提取特征算法,通过提取特征算法提取近红外图像中的人脸特征和可见光图像中的人脸特征;
具体地,通过提取特征算法对接收的近红外图像与可见光图像分别进行人脸特征提取,以提取人脸各部位的特征(如各个器官的形状及相对位置等多个点的信息,具体形式为特定字节的加密字符)并将提取出的特征传递给比对算法。
A6:通过比对算法分别将提取的近红外图像中的人脸特征和可见光图像中的人脸特征与数据库中各样本图像的人脸特征比对,并分别得到近红外得分与可见光得分(在比对时,相同的特征或相似的特征越多,得分应越高),再由近红外得分与可见光得分及其对应的权重值得到最终得分,最终得分最高者且高于阈值即为识别成功,得分低于阈值者即为识别失败;
具体来说,比对算法分别根据接收到图像分析算法得出的权重、融合属性算法得出的阈值以及基本属性信息,调整该权重和阈值,并将从提取特征算法接收到的人脸属性优先与人员库中相同属性的人员特征进行比对得出分数,然后与不同属性的人员特征进行比对得出分数。例如,与数据库中某一图像的对比最终得分等于可见光得分*可见光算法权重+近红外得分*近红外算法权重,将比对图像的所有得分按顺序排列,将最高分且大于阈值的图像作为识别结果,若最高分低于阈值即为识别失败。
需要说明的是,上述比对过程包括:比对算法对传递的特征进行计算,并将计算结果与数据库中的人脸数据进行对比,得到一个分数(得分范围在0-1之间),需要说明是的,在对比时,相同的特征或相似的特征越多,得分应越高。例如,与人脸数据库对比中最终得分最高的一个0.94,其计算过程具体为:可见光得分为1,近红外得分为0.8,加入权重计算后,最终得分=1*70%+0.8*30%=0.94,大于最终阈值(如前所述,该阈值为0.74),所以这个得分最高的对比成功,身份确认为数据库中的这个图像所对应的人。
以上实施例仅用于说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种人脸识别方法,其特征在于,包括:
获取待测目标的近红外图像与可见光图像,并根据所述近红外图像与所述可见光图像判断所述待测目标是否为真人;
在所述待测目标判断为真人的情况下,根据所述近红外图像的图像背景与所述可见光图像的图像背景确定近红外算法的权重与可见光算法的权重;
根据所述近红外图像与所述可见光图像确定所述待测目标的基本属性信息;
根据所述基本属性信息分别确定近红外算法的阈值与可见光算法的阈值,并根据近红外算法的权重、可见光算法的权重、近红外算法的阈值以及可见光算法的阈值确定近红外与可见光融合算法的最终阈值;
分别提取所述近红外图像的第一人脸特征与所述可见光图像的第二人脸特征,并将所述第一人脸特征和所述第二人脸特征分别与数据库中的各样本图像的人脸特征进行比对,以根据比对的结果分别确定所述各样本图像的近红外算法比对分数与可见光算法比对分数;
根据所述近红外算法的权重、所述近红外算法比对分数、所述可见光算法的权重和所述可见光算法比对分数确定所述各样本图像的近红外与可见光融合算法分数;
根据所述各样本图像的近红外与可见光融合算法分数以及所述最终阈值的对比结果确定所述待测目标的人脸识别结果。
2.根据权利要求1所述的方法,其特征在于,所述根据所述近红外图像与所述可见光图像判断所述待测目标是否为真人,包括:
基于所述近红外图像与所述可见光图像分别通过近红外算法与可见光算法判断所述待测目标是否为真人,并在所述近红外算法与可见光算法均判断所述待测目标为真人的情况下,确定所述待测目标为真人。
3.根据权利要求1所述的方法,其特征在于,所述根据所述近红外图像的图像背景与所述可见光图像的图像背景确定近红外算法的权重与可见光算法的权重,包括:
分别对所述近红外图像的图像背景与所述可见光图像的图像背景进行分析,得出当前环境参数,并根据所述当前环境参数确定近红外算法与可见光算法的权重。
4.根据权利要求3所述的方法,其特征在于,所述当前环境参数至少包括以下一种或其组合:
光照强度、背光强度以及逆光强度。
5.根据权利要求1所述的方法,其特征在于,所述基本属性信息至少包括以下一种或其组合:
种族、性别、年龄以及是否佩戴眼镜。
6.根据权利要求1所述的方法,其特征在于,所述根据所述各样本图像的近红外与可见光融合算法分数以及所述最终阈值的对比结果确定所述待测目标的人脸识别结果,包括:
将所述各样本图像的近红外与可见光融合算法分数分别与所述最终阈值进行对比,并根据对比的结果将融合算法分数最高且大于阈值的一样本图像对应的身份作为人脸识别结果。
7.一种人脸识别装置,其特征在于,包括:
图像获取单元,用于获取待测目标的近红外图像与可见光图像,并根据所述近红外图像与所述可见光图像判断所述待测目标是否为真人;
权重确定单元,用于在所述待测目标判断为真人的情况下,根据所述近红外图像的图像背景与所述可见光图像的图像背景确定近红外算法的权重与可见光算法的权重;
属性确定单元,用于根据所述近红外图像与所述可见光图像确定所述待测目标的基本属性信息;
阈值确定单元,用于根据所述基本属性信息分别确定近红外算法的阈值与可见光算法的阈值,并根据近红外算法的权重、可见光算法的权重、近红外算法的阈值以及可见光算法的阈值确定近红外与可见光融合算法的最终阈值;
比对分数确定单元,用于分别提取所述近红外图像的第一人脸特征与所述可见光图像的第二人脸特征,并将所述第一人脸特征和所述第二人脸特征分别与数据库中的各样本图像的人脸特征进行比对,以根据比对的结果分别确定所述各样本图像的近红外算法比对分数与可见光算法比对分数;
融合分数确定单元,用于根据所述近红外算法的权重、所述近红外算法比对分数、所述可见光算法的权重和所述可见光算法比对分数确定所述各样本图像的近红外与可见光融合算法分数;
识别结果确定单元,用于根据所述各样本图像的近红外与可见光融合算法分数以及所述最终阈值的对比结果确定所述待测目标的人脸识别结果。
8.根据权利要求7所述的装置,其特征在于,所述图像获取单元进一步用于:
基于所述近红外图像与所述可见光图像分别通过近红外算法与可见光算法判断所述待测目标是否为真人,并在所述近红外算法与可见光算法均判断所述待测目标为真人的情况下,确定所述待测目标为真人。
9.根据权利要求7所述的装置,其特征在于,所述权重确定单元进一步用于:
分别对所述近红外图像的图像背景与所述可见光图像的图像背景进行分析,得出当前环境参数,并根据所述当前环境参数确定近红外算法与可见光算法的权重。
10.根据权利要求7所述的装置,其特征在于,所述识别结果确定单元进一步用于:
将所述各样本图像的近红外与可见光融合算法分数分别与所述最终阈值进行对比,并根据对比的结果将融合算法分数最高且大于阈值的一样本图像对应的身份作为人脸识别结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610269678.9A CN105975908A (zh) | 2016-04-26 | 2016-04-26 | 人脸识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610269678.9A CN105975908A (zh) | 2016-04-26 | 2016-04-26 | 人脸识别方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105975908A true CN105975908A (zh) | 2016-09-28 |
Family
ID=56994861
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610269678.9A Pending CN105975908A (zh) | 2016-04-26 | 2016-04-26 | 人脸识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105975908A (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108460366A (zh) * | 2018-03-27 | 2018-08-28 | 百度在线网络技术(北京)有限公司 | 身份认证方法和装置 |
CN108537026A (zh) * | 2018-03-30 | 2018-09-14 | 百度在线网络技术(北京)有限公司 | 应用程序控制方法、装置和服务器 |
CN108985134A (zh) * | 2017-06-01 | 2018-12-11 | 重庆中科云丛科技有限公司 | 基于双目摄像机的人脸活体检测及刷脸交易方法及*** |
CN109117725A (zh) * | 2018-07-09 | 2019-01-01 | 深圳市科脉技术股份有限公司 | 人脸识别方法及装置 |
CN109241908A (zh) * | 2018-09-04 | 2019-01-18 | 深圳市宇墨科技有限公司 | 人脸识别方法及相关装置 |
CN109614910A (zh) * | 2018-12-04 | 2019-04-12 | 青岛小鸟看看科技有限公司 | 一种人脸识别方法和装置 |
CN109800699A (zh) * | 2019-01-15 | 2019-05-24 | 珠海格力电器股份有限公司 | 图像识别方法、***及装置 |
CN110188675A (zh) * | 2019-05-29 | 2019-08-30 | Oppo广东移动通信有限公司 | 静脉采集方法及相关产品 |
CN110929575A (zh) * | 2019-10-22 | 2020-03-27 | 苏州雷泰智能科技有限公司 | 放射治疗病人身份验证方法、装置及放射治疗设备 |
CN112950732A (zh) * | 2021-02-23 | 2021-06-11 | 北京三快在线科技有限公司 | 一种图像生成方法、装置、存储介质及电子设备 |
CN115797617A (zh) * | 2022-12-05 | 2023-03-14 | 杭州显微智能科技有限公司 | 一种甲状旁腺识别方法及智能腔镜摄像***装置 |
WO2023178906A1 (zh) * | 2022-03-22 | 2023-09-28 | 上海商汤智能科技有限公司 | 活体检测方法及装置、电子设备、存储介质、计算机程序、计算机程序产品 |
-
2016
- 2016-04-26 CN CN201610269678.9A patent/CN105975908A/zh active Pending
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108985134A (zh) * | 2017-06-01 | 2018-12-11 | 重庆中科云丛科技有限公司 | 基于双目摄像机的人脸活体检测及刷脸交易方法及*** |
CN108460366A (zh) * | 2018-03-27 | 2018-08-28 | 百度在线网络技术(北京)有限公司 | 身份认证方法和装置 |
CN108537026A (zh) * | 2018-03-30 | 2018-09-14 | 百度在线网络技术(北京)有限公司 | 应用程序控制方法、装置和服务器 |
CN109117725A (zh) * | 2018-07-09 | 2019-01-01 | 深圳市科脉技术股份有限公司 | 人脸识别方法及装置 |
CN109241908A (zh) * | 2018-09-04 | 2019-01-18 | 深圳市宇墨科技有限公司 | 人脸识别方法及相关装置 |
CN109614910A (zh) * | 2018-12-04 | 2019-04-12 | 青岛小鸟看看科技有限公司 | 一种人脸识别方法和装置 |
CN109800699A (zh) * | 2019-01-15 | 2019-05-24 | 珠海格力电器股份有限公司 | 图像识别方法、***及装置 |
CN110188675A (zh) * | 2019-05-29 | 2019-08-30 | Oppo广东移动通信有限公司 | 静脉采集方法及相关产品 |
CN110188675B (zh) * | 2019-05-29 | 2021-04-13 | Oppo广东移动通信有限公司 | 静脉采集方法及相关产品 |
CN110929575A (zh) * | 2019-10-22 | 2020-03-27 | 苏州雷泰智能科技有限公司 | 放射治疗病人身份验证方法、装置及放射治疗设备 |
WO2021077480A1 (zh) * | 2019-10-22 | 2021-04-29 | 苏州雷泰智能科技有限公司 | 放射治疗病人身份验证方法、装置及放射治疗设备 |
CN112950732A (zh) * | 2021-02-23 | 2021-06-11 | 北京三快在线科技有限公司 | 一种图像生成方法、装置、存储介质及电子设备 |
CN112950732B (zh) * | 2021-02-23 | 2022-04-01 | 北京三快在线科技有限公司 | 一种图像生成方法、装置、存储介质及电子设备 |
WO2023178906A1 (zh) * | 2022-03-22 | 2023-09-28 | 上海商汤智能科技有限公司 | 活体检测方法及装置、电子设备、存储介质、计算机程序、计算机程序产品 |
CN115797617A (zh) * | 2022-12-05 | 2023-03-14 | 杭州显微智能科技有限公司 | 一种甲状旁腺识别方法及智能腔镜摄像***装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105975908A (zh) | 人脸识别方法及装置 | |
KR101415287B1 (ko) | 라이브니스 검출을 위한 방법, 컴퓨터 판독가능한 저장 디바이스 및 컴퓨팅 디바이스 | |
KR101393717B1 (ko) | 얼굴 인식 기술 | |
CN103632136B (zh) | 人眼定位方法和装置 | |
CN105320939B (zh) | 虹膜活体检测的方法和装置 | |
CN104036278B (zh) | 人脸算法标准脸部图像的提取方法 | |
CN106980852B (zh) | 基于角点检测与匹配的药品识别***及其识别方法 | |
KR102554391B1 (ko) | 홍채 인식 기반 사용자 인증 장치 및 방법 | |
CN105956578A (zh) | 一种基于身份证件信息的人脸验证方法 | |
KR101373274B1 (ko) | 안경 제거를 통한 얼굴 인식 방법 및 상기 안경 제거를 통한 얼굴 인식 방법을 이용한 얼굴 인식 장치 | |
KR101172898B1 (ko) | 얼굴 인식 시스템에서의 위조 검출 방법 | |
CN106056064A (zh) | 一种人脸识别方法及人脸识别装置 | |
CN104112115A (zh) | 一种三维人脸检测与识别技术 | |
CN105913013A (zh) | 双目视觉人脸识别算法 | |
CN102867179A (zh) | 一种数字证件照片采集质量检测的方法 | |
JP5955031B2 (ja) | 顔画像認証装置 | |
WO2022137603A1 (ja) | 判定方法、判定装置、及び判定プログラム | |
CN110889355A (zh) | 一种人脸识别校验方法、***及存储介质 | |
CN108140114A (zh) | 虹膜识别 | |
CN109145716B (zh) | 基于脸部识别的登机口检验平台 | |
CN108108658A (zh) | 生物特征识别方法 | |
CN110245626A (zh) | 一种在虹膜图像中精确检测眼睫毛图像的方法 | |
KR20160036375A (ko) | 모바일 장치에서 블록 대비도와 대칭성을 이용한 고속 눈 검출 방법 | |
Reddy et al. | A robust scheme for iris segmentation in mobile environment | |
CN102831379B (zh) | 人脸图像识别方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |