CN106339695B - 人脸相似检测方法、装置及终端 - Google Patents
人脸相似检测方法、装置及终端 Download PDFInfo
- Publication number
- CN106339695B CN106339695B CN201610835787.2A CN201610835787A CN106339695B CN 106339695 B CN106339695 B CN 106339695B CN 201610835787 A CN201610835787 A CN 201610835787A CN 106339695 B CN106339695 B CN 106339695B
- Authority
- CN
- China
- Prior art keywords
- picture
- face
- resolution
- neural networks
- convolutional neural
- 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.)
- Active
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
- G06V40/167—Detection; Localisation; Normalisation using comparisons between temporally consecutive images
-
- 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)
- Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- General Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本公开是关于一种人脸相似检测方法、装置及终端,该方法包括:使用第一卷积神经网络对第一图片进行人脸检测,获取所述第一图片的第一人脸特征,其中,所述第一人脸特征为所述第一图片在第一分辨率下,在所述第一卷积神经网络中的第一预设层的输出特征;使用所述第一卷积神经网络对第二图片在所述第一分辨率下进行人脸检测,获取所述第二图片在所述第一分辨率下,在所述第一卷积神经网络中的第一预设层的第二人脸特征;判断所述第一人脸特征和所述第二人脸特征的相似度是否大于预设阈值,若是,则确定所述第一图片和所述第二图片为人脸相似图片。本公开实现了在人脸检测过程中同时进行人脸相似检测,极大地提升了人脸相似检测的效率。
Description
技术领域
本公开涉及图像处理领域,特别涉及一种人脸相似检测方法、装置及终端。
背景技术
在图像处理领域,有时需要对两幅图片进行人脸相似检测,例如,用户使用终端拍摄了多幅照片,终端可以通过人脸相似检测将同一人的照片识别出来进行照片聚类。
相关技术中,在对两幅图片进行人脸相似检测时,首先分别使用卷积神经网络(Convolutional Neural Network,简称CNN)对两幅图片进行人脸检测,得到两幅图片中的人脸特征,进而,再基于特定的算法对两幅图中的人脸特征进行相似检测。
发明内容
本公开实施例提供了一种人脸相似检测方法、装置及终端。所述技术方案如下:
根据本公开实施例的第一方面,提供一种人脸相似检测方法,该方法包括:
使用第一卷积神经网络对第一图片进行人脸检测,获取所述第一图片的第一人脸特征,其中,所述第一人脸特征为所述第一图片在第一分辨率下,在所述第一卷积神经网络中的第一预设层的输出特征;
使用所述第一卷积神经网络对第二图片在所述第一分辨率下进行人脸检测,获取所述第二图片在所述第一分辨率下,在所述第一卷积神经网络中的第一预设层的第二人脸特征;
判断所述第一人脸特征和所述第二人脸特征的相似度是否大于预设阈值,若是,则确定所述第一图片和所述第二图片为人脸相似图片。
本公开实施例提供的技术方案可以包括以下有益效果:
在对第一图片进行完整的人脸检测之后,仅对第二图片进行了一种分辨率下的人脸检测,即,在此过程中,第二图片的人脸检测并未完成,但是就可以根据第二图片在一种分辨率下的人脸检测结果来进行第一图片和第二图片的人脸相似检测,即,本实施例实现了在人脸检测过程中同时进行了人脸相似检测,即将人脸相似检测融合在了人脸检测过程中,使用同一算法同时完成了第一图片的人脸检测以及第一图片和第二图片的人脸相似检测。而相关技术中,人脸检测和人脸相似检测为两个相互独立的过程,人脸相似检测必须在图片的人脸检测完成后独立进行,因此,相比于相关技术,本实施例实现了人脸检测和人脸相似检测的融合,从而极大地提升了人脸相似检测的效率。
进一步地,所述第一卷积神经网络为全卷积神经网络FCN。
进一步地,所述使用所述第一卷积神经网络对第二图片在所述第一分辨率下进行人脸检测,获取所述第二图片在所述第一分辨率下,在所述第一卷积神经网络中的第一预设层的第二人脸特征之前,还包括:
判断所述第二图片的拍摄时间与所述第一图片的拍摄时间的差值是否小于预设阈值,若否,则确定所述第一图片和所述第二图片不为人脸相似图片。
本公开实施例提供的技术方案可以包括以下有益效果:
通过第一图片和第二图片的拍摄时间来作为人脸相似检测时的初选方式,如果不符合拍摄时间的条件,则可以直接确定第一图片和第二图片不为相似图片,而不需要再执行后续的人脸检测和人脸特征比对,因此,进一步提升了人脸相似检测的效率。
进一步地,所述使用所述FCN对第二图片在所述第一分辨率下进行人脸检测,获取所述第二图片在所述第一分辨率下,在所述FCN中的第一预设层的第二人脸特征之前,还包括:
判断所述第二图片的长度和宽度与所述第一图片的长度和宽度是否分别一致,若否,则确定所述第一图片和所述第二图片不为人脸相似图片。
本公开实施例提供的技术方案可以包括以下有益效果:
通过第一图片和第二图片的长度和宽度来作为人脸相似检测时的另一种初选方式,如果不符合长度和宽度相一致的条件,则可以直接确定第一图片和第二图片不为相似图片,而不需要再执行后续的人脸检测和人脸特征比对,因此,进一步提升了人脸相似检测的效率。
进一步地,还包括:
若所述第一图片和所述第二图片为人脸相似图片,则根据所述第二图片的第二人脸特征,确定所述第一图片的其他人脸相似图片。
本公开实施例提供的技术方案可以包括以下有益效果:
当确定第二图片和第一图片为人脸相似图片后,在进行与下一幅图片的人脸相似检测时,就不再需要第一图片的参与,而是仅需要将第二图片与下一幅图片进行比对,比对的结果可以同样适用于第一图片,从而实现了仅执行一次人脸相似检测就可以确定多幅图片的人脸相似,从而进一步提升了人脸相似检测的效率。
进一步地,还包括:
若所述第一图片和所述第二图片不为人脸相似图片,则:
使用所述第一卷积神经网络对第二图片在所述第一分辨率之外的其他分辨率下进行人脸检测,获取所述第二图片的人脸特征;
使用所述第一卷积神经网络对第三图片在所述第二分辨率下进行人脸检测,获取所述第三图片在所述第二分辨率下,在所述第一卷积神经网络中的第二预设层的第三人脸特征;
根据所述第二图片的人脸特征以及所述第三图片的第三人脸特征,确定所述第二图片和所述第三图片是否为人脸相似图片。
本公开实施例提供的技术方案可以包括以下有益效果:
当确定第二图片和第一图片不为人脸相似图片后,对第二图片进行完整的人脸检测,在此基础上,再判断第二图片与其下一幅图片是否为人脸相似图片,从而实现在第二图片的人脸检测的同时完成第二图片与其他图片的相似检测。
进一步地,所述第一分辨率为所述第一图片对应的图片缩放分辨率中的最低分辨率。
进一步地,所述第一卷积神经网络中的第一预设层为所述FCN网络中的最后一层卷积层。
根据本公开实施例的第二方面,提供一种人脸相似检测装置,该装置包括:
第一检测模块,被配置为使用第一卷积神经网络对第一图片进行人脸检测,获取所述第一图片的第一人脸特征,其中,所述第一人脸特征为所述第一图片在第一分辨率下,在所述第一卷积神经网络中的第一预设层的输出特征;
第二检测模块,被配置为使用所述第一卷积神经网络对第二图片在所述第一分辨率下进行人脸检测,获取所述第二图片在所述第一分辨率下,在所述第一卷积神经网络中的第一预设层的第二人脸特征;
第一确定模块,被配置为判断所述第一人脸特征和所述第二人脸特征的相似度是否大于预设阈值,若是,则确定所述第一图片和所述第二图片为人脸相似图片。
进一步地,所述第一卷积神经网络为全卷积神经网络FCN。
进一步地,还包括:
第一判断模块,被配置为判断所述第二图片的拍摄时间与所述第一图片的拍摄时间的差值是否小于预设阈值,若否,则确定所述第一图片和所述第二图片不为人脸相似图片。
进一步地,还包括:
第二判断模块,被配置为判断所述第二图片的长度和宽度与所述第一图片的长度和宽度是否分别一致,若否,则确定所述第一图片和所述第二图片不为人脸相似图片。
进一步地,还包括:
第二确定模块,被配置为在所述第一图片和所述第二图片为人脸相似图片时,根据所述第二图片的第二人脸特征,确定所述第一图片的其他人脸相似图片。
进一步地,还包括:
第三检测模块,被配置为在所述第一图片和所述第二图片不为人脸相似图片时,使用所述第一卷积神经网络对第二图片在所述第一分辨率之外的其他分辨率下进行人脸检测,获取所述第二图片的人脸特征;
第四检测模块,被配置为使用所述第一卷积神经网络对第三图片在所述第二分辨率下进行人脸检测,获取所述第三图片在所述第二分辨率下,在所述第一卷积神经网络中的第二预设层的第三人脸特征;
第三确定模块,被配置为根据所述第二图片的人脸特征以及所述第三图片的第三人脸特征,确定所述第二图片和所述第三图片是否为人脸相似图片。
进一步地,所述第一分辨率为所述第一图片对应的图片缩放分辨率中的最低分辨率。
进一步地,所述第一卷积神经网络中的第一预设层为所述FCN网络中的最后一层卷积层。
根据本公开实施例的第三方面,提供一种终端,该终端包括:
处理器;
用于存储所述处理器的可执行指令的存储器;
其中,所述处理器被配置为:
使用第一卷积神经网络对第一图片进行人脸检测,获取所述第一图片的第一人脸特征,其中,所述第一人脸特征为所述第一图片在第一分辨率下,在所述第一卷积神经网络中的第一预设层的输出特征;
使用所述第一卷积神经网络对第二图片在所述第一分辨率下进行人脸检测,获取所述第二图片在所述第一分辨率下,在所述第一卷积神经网络中的第一预设层的第二人脸特征;
判断所述第一人脸特征和所述第二人脸特征的相似度是否大于预设阈值,若是,则确定所述第一图片和所述第二图片为人脸相似图片。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。
图1是根据一示例性实施例示出的一种人脸相似检测方法的流程图;
图2是根据一示例性实施例示出的一种人脸相似检测方法的流程图;
图3是根据一示例性实施例示出的一种人脸相似检测方法的完整流程图;
图4是根据一示例性实施例示出的一种人脸相似检测装置的模块结构图;
图5是根据一示例性实施例示出的一种人脸相似检测装置的模块结构图;
图6是根据一示例性实施例示出的一种人脸相似检测装置的模块结构图;
图7是根据一示例性实施例示出的一种人脸相似检测装置的模块结构图;
图8是根据一示例性实施例示出的一种人脸相似检测装置的模块结构图;
图9是根据一示例性实施例示出的一种终端的实体的框图;
图10是根据一示例性实施例示出的一种终端1300的框图。
通过上述附图,已示出本公开明确的实施例,后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本公开构思的范围,而是通过参考特定实施例为本领域技术人员说明本公开的概念。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
下述为本公开装置实施例,可以用于执行本公开方法实施例。对于本公开装置实施例中未披露的细节,请参照本公开方法实施例。
图1是根据一示例性实施例示出的一种人脸相似检测方法的流程图,该方法的执行主体可以是任何具有图片识别、处理功能的设备,例如手机、平板电脑等。如图1所示,该方法包括:
在步骤S101中,使用第一卷积神经网络对第一图片进行人脸检测,获取第一图片的第一人脸特征,其中,第一人脸特征为第一图片在第一分辨率下,在第一卷积神经网络中的第一预设层的输出特征。
其中,上述人脸检测是指通过第一卷积神经网络识别出一幅图片中的人脸的位置和大小信息,一般情况下,需要将一幅图片缩放到多个不同的分辨率,并对多个不同的分辨率下的图片逐个使用第一卷积神经网络识别其中的人脸的位置和大小,再结合多个不同分辨率下所得到的人脸的位置和大小信息进行分析,从而得到一副图片中的人脸的准确位置和大小的信息。
本步骤中,对第一图片进行人脸检测时,是指对第一图片进行完整的人脸检测,即按照上述人脸检测方法,首先设定第一图片的图片缩放分辨率,例如可以将第一图片的图片缩放分辨率依次设置为0.3,0.5,0.7,1。进而,使用第一卷积神经网络对每种分辨率下的第一图片进行人脸检测,得到每种分辨率下的第一图片中的人脸的大小和位置信息。进而,通过对每种分辨率下的人脸大小和位置信息确定出第一图片中人脸的准确大小和位置信息。其中,使用第一卷积神经网络对每种分辨率下的第一图片进行人脸检测时,第一卷积神经网络的各层都会输出相应的特征值。本步骤中,当完成第一图片的人脸检测后,可以选择第一分辨率下的第一卷积神经网络中的某一特定层的输出特征作为下述进行人脸相似检测时的第一人脸特征,其中,第一分辨率以及第一卷积神经网络中的特定层可以根据需要灵活进行设置。
在步骤S102中,使用第一卷积神经网络对第二图片在第一分辨率下进行人脸检测,获取第二图片在第一分辨率下,在第一卷积神经网络中的第一预设层的第二人脸特征。
假设上述步骤S101中第一图片的第一人脸特征所对应的第一分辨率为分辨率A,第一人脸特征所对应的第一卷积神经网络中的层为层B,则,当选择出分辨率A和层B后,本步骤中,会使用第一卷积神经网络对第二图片在分辨率A下进行人脸检测,当完成分辨率A下的第二图片的人脸检测后,再获取第二图片在本次人脸检测中,第一卷积神经网络的层B的输出特征值,将这个输出特征值作为第二图片的第二人脸特征。
在步骤S103中,判断上述第一人脸特征和上述第二人脸特征的相似度是否大于预设阈值,若是,则确定第一图片和第二图片为人脸相似图片。
可以预先设置人脸特征相似度的阈值,当经过前述步骤获取到第一图片的第一人脸特征和第二图片的第二人脸特征后,对第一人脸特征和第二人脸特征进行比对,如果比对出的相似度大于预先设置的阈值,则可以确定第一图片和第二图片为人脸相似图片,否则,就可以确定第一图片和第二图片不是人脸相似图片。
在上述过程中,在对第一图片进行完整的人脸检测之后,仅对第二图片进行了一种分辨率下的人脸检测,即,在此过程中,第二图片的人脸检测并未完成,但是就可以根据第二图片在一种分辨率下的人脸检测结果来进行第一图片和第二图片的人脸相似检测,即,本实施例实现了在人脸检测过程中同时进行了人脸相似检测,即将人脸相似检测融合在了人脸检测过程中,使用同一算法同时完成了第一图片的人脸检测以及第一图片和第二图片的人脸相似检测。而相关技术中,人脸检测和人脸相似检测为两个相互独立的过程,人脸相似检测必须在图片的人脸检测完成后独立进行,因此,相比于相关技术,本实施例实现了人脸检测和人脸相似检测的融合,从而极大地提升了人脸相似检测的效率。
作为一种优选的实施方式,上述第一卷积神经网络可以为全卷积神经网络(FullyConvolutional Networks,简称FCN),其中,FCN网络将传统的卷积神经网络中的全连接层改成卷积层,以形成一种全卷积层结构,从而能够得到比传统的卷积神经网络更为准确的训练结果。
在上述实施例中,第一分辨率可以为第一图片对应的图片缩放分辨率中的最低分辨率。
对于第一图片来说,需要进行设定的所有图片缩放分辨率下的人脸检测,即第一图片进行的是完整的人脸检测,而对于第二图片来说,仅需要执行所设定的所有图片缩放分辨率中的最低分辨率下的人脸检测即可,选择最低分辨率来进行人脸检测,不仅能够保证得到后续人脸相似检测的结果,同时,相比于其他分辨率,最低分辨率下的人脸检测的执行速度会更快,因此,选择最低分辨率还能提升人脸相似检测的效率。
在上述实施例中,第一卷积神经网络中的第一预设层为FCN网络中的最后一层卷积层。
在FCN网络中包括了多个卷积层,在对特定的图片使用FCN网络进行人脸检测时,FCN网络的每一层都会输出特征值,越靠后的层所输出的特征值的信息会更加丰富和准确。因此,选择最后一层卷积层作为预设层,对于第一图片和第二图片,都选择该层的输出特征作为进行比对的特征,能够保证比对的结果也更加准确。
需要说明的是,出于实际的需要,在选择进行特征比对的层时,也可以选择FCN网络中的其他层,例如倒数第二层。
在上述实施例的基础上,本实施例涉及人脸特征比对之前的一种处理过程,即,在上述步骤S102之前,还包括:
判断第二图片的拍摄时间与第一图片的拍摄时间的差值是否小于预设阈值,若否,则确定第一图片和第二图片不为人脸相似图片。
用户在拍摄图片时,经常会在同一位置连续拍摄多幅图片,以保证拍摄到更佳的效果。即,会在短时间内形成人脸相似的多幅图片,这些图片的共同特点除了人脸相似之外,拍摄时间也非常接近。因此,本实施例中,就可以利用这些图片在时间上的相关性来进行人脸相似判断。具体来说,在对第二图片进行一种分辨率下的人脸检测之前,首先分别获取第一图片和第二图片的拍摄时间,如果判断出第一图片和第二图片的拍摄时间的差值超过了某个阈值,例如差值超过半分钟或1分钟,则可以直接确定这两幅图片不是人脸相似图片,不再需要进行后续的第二图片的人脸检测和人脸特征的比对。而如果判断出第一图片和第二图片的拍摄时间的差值小于等于所设定的阈值,则继续进行后续的第二图片的人脸检测和人脸特征的比对。
本实施例中,通过第一图片和第二图片的拍摄时间来作为人脸相似检测时的初选方式,如果不符合拍摄时间的条件,则可以直接确定第一图片和第二图片不为相似图片,而不需要再执行后续的人脸检测和人脸特征比对,因此,进一步提升了人脸相似检测的效率。
在上述实施例的基础上,本实施例涉及人脸特征比对之前的另一种处理过程,即,在上述步骤S102之前,还包括:
判断第二图片的长度和宽度与第一图片的长度和宽度是否分别一致,若否,则确定第一图片和第二图片不为人脸相似图片。
如果同一用户或相同的多个用户在较短时间内连续拍摄多幅图片,则这些图片的长度和宽度应该是一致的,因此,本实施例中,在对第二图片进行人脸检测之前,首先判断第一图片和第二图片的长度和宽度是否分别一致,即,第一图片的长度是否等于第二图片的长度,第一图片的宽度是否等于第二图片的宽度,只要这两个条件中有一个不满足,就可以确定第一图片和第二图片不为人脸相似图片;如果这两个条件都满足,则继续进行后续的第二图片的人脸检测和人脸特征的比对。
本实施例中,通过第一图片和第二图片的长度和宽度来作为人脸相似检测时的另一种初选方式,如果不符合长度和宽度相一致的条件,则可以直接确定第一图片和第二图片不为相似图片,而不需要再执行后续的人脸检测和人脸特征比对,因此,进一步提升了人脸相似检测的效率。
需要说明的是,在实际人脸相似检测过程中,本实施例的方法和前述判断图片拍摄时间的方法可以同时使用,也可以选择其中一种来使用,当这两种方法同时使用时,本发明对其先后顺序不做限制,可以根据需要灵活进行设置。
在上述实施例的基础上,本实施例涉及判断出第一图片和第二图片为人脸相似图片之后的处理过程,即,在上述步骤S103之后,还包括:
若第一图片和第二图片为人脸相似图片,则根据第二图片的第二人脸特征,确定第一图片的其他人脸相似图片。
即,当确定出第一图片和第二图片为人脸相似图片之后,就可以以第二图片为基准来识别第一图片的其他相似图片。具体来说,假设第二图片的第二人脸特征是在分辨率C下,在第一卷积神经网络的第D层所获得的输出特征,则当进行下一幅图片的人脸相似检测时,将下一幅图片缩小到分辨率C,并使用第一卷积神经网络对分辨率C下的下一幅图片进行人脸检测,获取其中第D层的输出特征,将此输出特征和第二图片的第二特征进行比对,如果比对结果大于上述步骤S103中的预设阈值,则可以确定下一幅图片为第一图片和第二图片的人脸相似图片。即,仅通过将第三图片与第二图片比对特征,就可以确定第三图片与第一图片和第二图片的人脸相似,依次类推,每次只需将下一幅图片和之前的最后一幅图片进行特征比对,就可以确定下一幅图片和之前所有人脸相似图片的人脸相似。
需要说明的是,在进行第二图片和下一幅图片的人脸相似检测之前,也可以通过前述的判断拍摄时间和/或判断长度和宽度的方法来进行初选,具体过程参见前述实施例,此处不再赘述。
本实施例中,当确定第二图片和第一图片为人脸相似图片后,在进行与下一幅图片的人脸相似检测时,就不再需要第一图片的参与,而是仅需要将第二图片与下一幅图片进行比对,比对的结果可以同样适用于第一图片,从而实现了仅执行一次人脸相似检测就可以确定多幅图片的人脸相似,从而进一步提升了人脸相似检测的效率。
在上述实施例的基础上,本实施例涉及判断出第一图片和第二图片不为人脸相似图片之后的处理过程,即,图2是根据一示例性实施例示出的一种人脸相似检测方法的流程图,如图2所示,在上述步骤S103之后,还包括:
若第一图片和第二图片不为人脸相似图片,则执行下述过程:
在步骤S201中,使用第一卷积神经网络对第二图片在第一分辨率之外的其他分辨率下进行人脸检测,获取第二图片的人脸特征。
当确定第一图片和第二图片不为人脸相似图片之后,对于第一图片,就需要重新选择下一幅图片来进行人脸相似检测,可以按照图片的拍摄时间顺序来选择与第一图片进行人脸相似检测的下一幅图片,第一图片和下一幅图片的人脸相似检测过程与第一图片和第二图片的人脸相似检测过程相同,可以参照前述实施例,本实施例中不再赘述。本实施例主要涉及第二图片与其下一幅图片,即第三图片的人脸相似检测过程。
本步骤中,在进行第二图片与其下一幅图片,即第三图片的人脸相似检测之前,需要首先完成第二图片的完整人脸检测,才能保证后续与第三图片的特征比对。由于在与第一图片进行人脸相似检测时已经对第二图片进行了第一分辨率下的人脸检测,因此,本步骤中,继续使用第一卷积神经网络对第二图片在第一分辨率之外的其他分辨率下进行人脸检测,从而获取到第二图片的人脸特征,即完成第二图片的完整人脸检测,其中,所获取到的人脸特征可以看作是对第二图片进行完整的人脸检测之后所获得的检测结果。
在步骤S202中,使用第一卷积神经网络对第三图片在第二分辨率下进行人脸检测,获取第三图片在第一分辨率下,在第一卷积神经网络中的第二预设层的第三人脸特征。
当获取到第二图片的人脸特征之后,选择一个分辨率,即第二分辨率,以及第一卷积神经网络中的一层,即第二预设层,将第二图片在第二分辨率下在第二预设层中的输出特征作为要进行比对的特征。
进而,使用第一卷积神经网络对第三图片在第二分辨率下进行人脸检测,并获取第二预设层的第三人脸特征。
需要说明的是,上述第二分辨率可以等于前述的第一分辨率,也可以与前述的第一分辨率不同,上述第二预设层可以等于前述的第一预设层,也可以与前述的第一预设层不同。即,第二图片的人脸相似检测是完全独立于第一图片的人脸相似检测的,但是,作为一种可选的方式,可以预先设置一个分辨率和预设层,然后将设置的分辨率和预设层应用到所有的图片人脸相似检测中,或者,每幅图片进行人脸相似检测时,也可以设定应用于自己的分辨率和预设层。
在步骤S203中,根据第二图片的人脸特征以及第三图片的第三人脸特征,确定第二图片和第三图片是否为人脸相似图片。
如前所述,第二图片的人脸特征可以看作是对第二图片进行完整的人脸检测之后所获得的检测结果,即对各分辨率下的人脸特征进行分析之后得到的人脸特征,而在与第三图片进行人脸特征比对时,将该人脸特征中对应的第二分辨率下在第二预设层的输出特征作为比对特征,与第三图片的第三人脸特征进行比对,如果比对结果大于前述步骤S103中的预设阈值,则可以确定第三图片为第二图片的人脸相似图片。
本实施例中,当确定第二图片和第一图片不为人脸相似图片后,对第二图片进行完整的人脸检测,在此基础上,再判断第二图片与其下一幅图片是否为人脸相似图片,从而实现在第二图片的人脸检测的同时完成第二图片与其他图片的相似检测。
图3是根据一示例性实施例示出的一种人脸相似检测方法的完整流程图,如图3所示,该方法的完整执行过程为:
在步骤S301中,使用第一卷积神经网络对第一图片进行人脸检测,获取第一图片的第一人脸特征,其中,第一人脸特征为第一图片在第一分辨率下,在第一卷积神经网络中的第一预设层的输出特征。
在步骤S302中,判断第二图片的拍摄时间与第一图片的拍摄时间的差值是否小于预设阈值,若否,则确定第一图片和第二图片不为人脸相似图片。若是,则执行步骤S303。
在步骤S303中,判断第二图片的长度和宽度与第一图片的长度和宽度是否分别一致,若否,则确定第一图片和第二图片不为人脸相似图片。若是,则执行步骤S304。
在步骤S304中,使用第一卷积神经网络对第二图片在第一分辨率下进行人脸检测,获取第二图片在第一分辨率下,在第一卷积神经网络中的第一预设层的第二人脸特征。
在步骤S305中,判断上述第一人脸特征和上述第二人脸特征的相似度是否大于预设阈值,若是,则确定第一图片和第二图片为人脸相似图片。
下述为本公开装置实施例,可以用于执行本公开方法实施例。对于本公开装置实施例中未披露的细节,请参照本公开方法实施例。
图4是根据一示例性实施例示出的一种人脸相似检测装置的模块结构图,如图4所示,该装置包括:
第一检测模块401,被配置为使用第一卷积神经网络对第一图片进行人脸检测,获取第一图片的第一人脸特征,其中,第一人脸特征为第一图片在第一分辨率下,在第一卷积神经网络中的第一预设层的输出特征。
第二检测模块402,被配置为使用第一卷积神经网络对第二图片在第一分辨率下进行人脸检测,获取第二图片在第一分辨率下,在第一卷积神经网络中的第一预设层的第二人脸特征。
第一确定模块403,被配置为判断第一人脸特征和第二人脸特征的相似度是否大于预设阈值,若是,则确定第一图片和第二图片为人脸相似图片。
另一实施例中,上述述第一卷积神经网络为FCN网络。
图5是根据一示例性实施例示出的一种人脸相似检测装置的模块结构图,如图5所示,该装置还包括:
第一判断模块404,被配置为判断第二图片的拍摄时间与第一图片的拍摄时间的差值是否小于预设阈值,若否,则确定第一图片和第二图片不为人脸相似图片。
图6是根据一示例性实施例示出的一种人脸相似检测装置的模块结构图,如图6所示,该装置还包括:
第二判断模块405,被配置为判断第二图片的长度和宽度与第一图片的长度和宽度是否分别一致,若否,则确定第一图片和第二图片不为人脸相似图片。
图7是根据一示例性实施例示出的一种人脸相似检测装置的模块结构图,如图7所示,该装置还包括:
第二确定模块406,被配置为在第一图片和第二图片为人脸相似图片时,根据第二图片的第二人脸特征,确定第一图片的其他人脸相似图片。
图8是根据一示例性实施例示出的一种人脸相似检测装置的模块结构图,如图8所示,该装置还包括:
第三检测模块407,被配置为在第一图片和第二图片不为人脸相似图片时,使用第一卷积神经网络对第二图片在第一分辨率之外的其他分辨率下进行人脸检测,获取第二图片的人脸特征。
第四检测模块408,被配置为使用第一卷积神经网络对第三图片在第二分辨率下进行人脸检测,获取第三图片在所述第二分辨率下,在所述第一卷积神经网络中的第二预设层的第三人脸特征;
第三确定模块409,被配置为根据所述第二图片的人脸特征以及所述第三图片的第三人脸特征,确定所述第二图片和所述第三图片是否为人脸相似图片。
另一实施例中,上述第一分辨率为所述第一图片对应的图片缩放分辨率中的最低分辨率。
另一实施例中,上述第一卷积神经网络中的第一预设层为所述FCN网络中的最后一层卷积层。
综上所述,本公开所提供的人脸相似检测装置,在对第一图片进行完整的人脸检测之后,仅对第二图片进行了一种分辨率下的人脸检测,即,在此过程中,第二图片的人脸检测并未完成,但是就可以根据第二图片在一种分辨率下的人脸检测结果来进行第一图片和第二图片的人脸相似检测,即,本实施例实现了在人脸检测过程中同时进行了人脸相似检测,即将人脸相似检测融合在了人脸检测过程中,使用同一算法同时完成了第一图片的人脸检测以及第一图片和第二图片的人脸相似检测。而相关技术中,人脸检测和人脸相似检测为两个相互独立的过程,人脸相似检测必须在图片的人脸检测完成后独立进行,因此,相比于相关技术,本实施例实现了人脸检测和人脸相似检测的融合,从而极大地提升了人脸相似检测的效率。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
图9是根据一示例性实施例示出的一种终端的实体的框图,如图9所示,该终端包括:
存储器91和处理器92。
存储器91用于存储处理器92的可执行指令。
处理器92被配置为:
使用第一卷积神经网络对第一图片进行人脸检测,获取所述第一图片的第一人脸特征,其中,所述第一人脸特征为所述第一图片在第一分辨率下,在所述第一卷积神经网络中的第一预设层的输出特征;
使用所述第一卷积神经网络对第二图片在所述第一分辨率下进行人脸检测,获取所述第二图片在所述第一分辨率下,在所述第一卷积神经网络中的第一预设层的第二人脸特征;
判断所述第一人脸特征和所述第二人脸特征的相似度是否大于预设阈值,若是,则确定所述第一图片和所述第二图片为人脸相似图片。
在上述终端的实施例中,应理解,处理器92可以是中央处理子模块(英文:CentralProcessing Unit,简称:CPU),还可以是其他通用处理器、数字信号处理器(英文:DigitalSignal Processor,简称:DSP)、专用集成电路(英文:Application Specific IntegratedCircuit,简称:ASIC)等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等,而前述的存储器可以是只读存储器(英文:read-only memory,缩写:ROM)、随机存取存储器(英文:random access memory,简称:RAM)、快闪存储器、硬盘或者固态硬盘。SIM卡也称为用户身份识别卡、智能卡,数字移动电话机必须装上此卡方能使用。即在电脑芯片上存储了数字移动电话客户的信息,加密的密钥以及用户的电话簿等内容。结合本公开实施例所公开的方法的步骤可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。
图10是根据一示例性实施例示出的一种终端1300的框图。其中,终端1300可以是移动电话,计算机,平板设备,个人数字助理等。
参照图10,终端1300可以包括以下一个或多个组件:处理组件1302,存储器1304,电源组件1306,多媒体组件1308,音频组件1310,输入/输出(I/O)的接口1312,传感器组件1314,以及通信组件1316。
处理组件1302通常控制终端1300的整体操作,诸如与显示,电话呼叫,数据通信,相机操作和记录操作相关联的操作。处理组件1302可以包括一个或多个处理器1320来执行指令,以完成上述的方法的全部或部分步骤。此外,处理组件1302可以包括一个或多个模块,便于处理组件1302和其他组件之间的交互。例如,处理组件1302可以包括多媒体模块,以方便多媒体组件1308和处理组件1302之间的交互。
存储器1304被配置为存储各种类型的数据以支持在终端1300的操作。这些数据的示例包括用于在终端1300上操作的任何应用程序或方法的指令,联系人数据,电话簿数据,消息,图片,视频等。存储器1304可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
电源组件1306为终端1300的各种组件提供电力。电源组件1306可以包括电源管理***,一个或多个电源,及其他与为终端1300生成、管理和分配电力相关联的组件。
多媒体组件1308包括在所述终端1300和用户之间的提供一个输出接口的触控显示屏。在一些实施例中,触控显示屏可以包括液晶显示器(LCD)和触摸面板(TP)。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界,而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中,多媒体组件1308包括一个前置摄像头和/或后置摄像头。当终端1300处于操作模式,如拍摄模式或视频模式时,前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜***或具有焦距和光学变焦能力。
音频组件1310被配置为输出和/或输入音频信号。例如,音频组件1310包括一个麦克风(MIC),当终端1300处于操作模式,如呼叫模式、记录模式和语音识别模式时,麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器1304或经由通信组件1316发送。在一些实施例中,音频组件1310还包括一个扬声器,用于输出音频信号。
I/O接口1312为处理组件1302和***接口模块之间提供接口,上述***接口模块可以是键盘,点击轮,按钮等。这些按钮可包括但不限于:主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件1314包括一个或多个传感器,用于为终端1300提供各个方面的状态评估。例如,传感器组件1314可以检测到终端1300的打开/关闭状态,组件的相对定位,例如所述组件为终端1300的显示器和小键盘,传感器组件1314还可以检测终端1300或终端1300一个组件的位置改变,用户与终端1300接触的存在或不存在,终端1300方位或加速/减速和终端1300的温度变化。传感器组件1314可以包括接近传感器,被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件1314还可以包括光传感器,如CMOS或CCD图像传感器,用于在成像应用中使用。在一些实施例中,该传感器组件1314还可以包括加速度传感器,陀螺仪传感器,磁传感器,压力传感器或温度传感器。
通信组件1316被配置为便于终端1300和其他设备之间有线或无线方式的通信。终端1300可以接入基于通信标准的无线网络,如WiFi,2G或3G,或它们的组合。在一个示例性实施例中,通信组件1316经由广播信道接收来自外部广播管理***的广播信号或广播相关信息。在一个示例性实施例中,所述通信组件1316还包括近场通信(NFC)模块,以促进短程通信。例如,在NFC模块可基于射频识别(RFID)技术,红外数据协会(IrDA)技术,超宽带(UWB)技术,蓝牙(BT)技术和其他技术来实现。
在示例性实施例中,终端1300可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述人脸相似检测方法。
在示例性实施例中,还提供了一种包括指令的非临时性计算机可读存储介质,例如包括指令的存储器1304,上述指令可由终端1300的处理器1320执行以完成上述方法。例如,所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
一种非临时性计算机可读存储介质,当所述存储介质中的指令由终端1300的处理器执行时,使得终端1300能够执行一种人脸相似检测方法。所述方法包括:
使用第一卷积神经网络对第一图片进行人脸检测,获取所述第一图片的第一人脸特征,其中,所述第一人脸特征为所述第一图片在第一分辨率下,在所述第一卷积神经网络中的第一预设层的输出特征;
使用所述第一卷积神经网络对第二图片在所述第一分辨率下进行人脸检测,获取所述第二图片在所述第一分辨率下,在所述第一卷积神经网络中的第一预设层的第二人脸特征;
判断所述第一人脸特征和所述第二人脸特征的相似度是否大于预设阈值,若是,则确定所述第一图片和所述第二图片为人脸相似图片。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由下面的权利要求书指出。
应当理解的是,本公开并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求书来限制。
Claims (15)
1.一种人脸相似检测方法,其特征在于,包括:
使用第一卷积神经网络对第一图片进行人脸检测,获取所述第一图片的第一人脸特征,其中,所述第一人脸特征为所述第一图片在第一分辨率下,在所述第一卷积神经网络中的第一预设层的输出特征;
使用所述第一卷积神经网络对第二图片在所述第一分辨率下进行人脸检测,获取所述第二图片在所述第一分辨率下,在所述第一卷积神经网络中的第一预设层的第二人脸特征;
判断所述第一人脸特征和所述第二人脸特征的相似度是否大于预设阈值,若是,则确定所述第一图片和所述第二图片为人脸相似图片;
若所述第一图片和所述第二图片不为人脸相似图片,则:
使用所述第一卷积神经网络对第二图片在所述第一分辨率之外的其他分辨率下进行人脸检测,获取所述第二图片的人脸特征;
使用所述第一卷积神经网络对第三图片在第二分辨率下进行人脸检测,获取所述第三图片在所述第二分辨率下,在所述第一卷积神经网络中的第二预设层的第三人脸特征;
根据所述第二图片的人脸特征以及所述第三图片的第三人脸特征,确定所述第二图片和所述第三图片是否为人脸相似图片。
2.根据权利要求1所述的方法,其特征在于,所述第一卷积神经网络为全卷积神经网络FCN。
3.根据权利要求1所述的方法,其特征在于,所述使用所述第一卷积神经网络对第二图片在所述第一分辨率下进行人脸检测,获取所述第二图片在所述第一分辨率下,在所述第一卷积神经网络中的第一预设层的第二人脸特征之前,还包括:
判断所述第二图片的拍摄时间与所述第一图片的拍摄时间的差值是否小于预设阈值,若否,则确定所述第一图片和所述第二图片不为人脸相似图片。
4.根据权利要求1所述的方法,其特征在于,所述使用所述第一卷积神经网络对第二图片在所述第一分辨率下进行人脸检测,获取所述第二图片在所述第一分辨率下,在所述第一卷积神经网络中的第一预设层的第二人脸特征之前,还包括:
判断所述第二图片的长度和宽度与所述第一图片的长度和宽度是否分别一致,若否,则确定所述第一图片和所述第二图片不为人脸相似图片。
5.根据权利要求1-4任一项所述的方法,其特征在于,还包括:
若所述第一图片和所述第二图片为人脸相似图片,则根据所述第二图片的第二人脸特征,确定所述第一图片的其他人脸相似图片。
6.根据权利要求1所述的方法,其特征在于,所述第一分辨率为所述第一图片对应的图片缩放分辨率中的最低分辨率。
7.根据权利要求2所述的方法,其特征在于,所述第一卷积神经网络中的第一预设层为所述FCN网络中的最后一层卷积层。
8.一种人脸相似检测装置,其特征在于,包括:
第一检测模块,被配置为使用第一卷积神经网络对第一图片进行人脸检测,获取所述第一图片的第一人脸特征,其中,所述第一人脸特征为所述第一图片在第一分辨率下,在所述第一卷积神经网络中的第一预设层的输出特征;
第二检测模块,被配置为使用所述第一卷积神经网络对第二图片在所述第一分辨率下进行人脸检测,获取所述第二图片在所述第一分辨率下,在所述第一卷积神经网络中的第一预设层的第二人脸特征;
第一确定模块,被配置为判断所述第一人脸特征和所述第二人脸特征的相似度是否大于预设阈值,若是,则确定所述第一图片和所述第二图片为人脸相似图片;
第三检测模块,被配置为在所述第一图片和所述第二图片不为人脸相似图片时,使用所述第一卷积神经网络对第二图片在所述第一分辨率之外的其他分辨率下进行人脸检测,获取所述第二图片的人脸特征;
第四检测模块,被配置为使用所述第一卷积神经网络对第三图片在第二分辨率下进行人脸检测,获取所述第三图片在所述第二分辨率下,在所述第一卷积神经网络中的第二预设层的第三人脸特征;
第三确定模块,被配置为根据所述第二图片的人脸特征以及所述第三图片的第三人脸特征,确定所述第二图片和所述第三图片是否为人脸相似图片。
9.根据权利要求8所述的装置,其特征在于,所述第一卷积神经网络为全卷积神经网络FCN。
10.根据权利要求8所述的装置,其特征在于,还包括:
第一判断模块,被配置为判断所述第二图片的拍摄时间与所述第一图片的拍摄时间的差值是否小于预设阈值,若否,则确定所述第一图片和所述第二图片不为人脸相似图片。
11.根据权利要求8所述的装置,其特征在于,还包括:
第二判断模块,被配置为判断所述第二图片的长度和宽度与所述第一图片的长度和宽度是否分别一致,若否,则确定所述第一图片和所述第二图片不为人脸相似图片。
12.根据权利要求8-11任一项所述的装置,其特征在于,还包括:
第二确定模块,被配置为在所述第一图片和所述第二图片为人脸相似图片时,根据所述第二图片的第二人脸特征,确定所述第一图片的其他人脸相似图片。
13.根据权利要求8所述的装置,其特征在于,所述第一分辨率为所述第一图片对应的图片缩放分辨率中的最低分辨率。
14.根据权利要求9所述的装置,其特征在于,所述第一卷积神经网络中的第一预设层为所述FCN网络中的最后一层卷积层。
15.一种终端,其特征在于,所述终端包括:
处理器;
用于存储所述处理器的可执行指令的存储器;
其中,所述处理器被配置为:
使用第一卷积神经网络对第一图片进行人脸检测,获取所述第一图片的第一人脸特征,其中,所述第一人脸特征为所述第一图片在第一分辨率下,在所述第一卷积神经网络中的第一预设层的输出特征;
使用所述第一卷积神经网络对第二图片在所述第一分辨率下进行人脸检测,获取所述第二图片在所述第一分辨率下,在所述第一卷积神经网络中的第一预设层的第二人脸特征;
判断所述第一人脸特征和所述第二人脸特征的相似度是否大于预设阈值,若是,则确定所述第一图片和所述第二图片为人脸相似图片;
若所述第一图片和所述第二图片不为人脸相似图片,则:
使用所述第一卷积神经网络对第二图片在所述第一分辨率之外的其他分辨率下进行人脸检测,获取所述第二图片的人脸特征;
使用所述第一卷积神经网络对第三图片在第二分辨率下进行人脸检测,获取所述第三图片在所述第二分辨率下,在所述第一卷积神经网络中的第二预设层的第三人脸特征;
根据所述第二图片的人脸特征以及所述第三图片的第三人脸特征,确定所述第二图片和所述第三图片是否为人脸相似图片。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610835787.2A CN106339695B (zh) | 2016-09-20 | 2016-09-20 | 人脸相似检测方法、装置及终端 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610835787.2A CN106339695B (zh) | 2016-09-20 | 2016-09-20 | 人脸相似检测方法、装置及终端 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106339695A CN106339695A (zh) | 2017-01-18 |
CN106339695B true CN106339695B (zh) | 2019-11-15 |
Family
ID=57839051
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610835787.2A Active CN106339695B (zh) | 2016-09-20 | 2016-09-20 | 人脸相似检测方法、装置及终端 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106339695B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107067030A (zh) * | 2017-03-29 | 2017-08-18 | 北京小米移动软件有限公司 | 相似图片检测的方法和装置 |
CN107291945B (zh) * | 2017-07-12 | 2020-03-31 | 上海媒智科技有限公司 | 基于视觉注意力模型的高精度服装图像检索方法及*** |
CN107516105B (zh) | 2017-07-20 | 2020-06-16 | 阿里巴巴集团控股有限公司 | 图像处理方法及装置 |
CN107577987A (zh) * | 2017-08-01 | 2018-01-12 | 广州广电卓识智能科技有限公司 | 身份认证的方法、***和装置 |
CN108345847B (zh) * | 2018-01-30 | 2021-03-30 | 一石数字技术成都有限公司 | 一种人脸图像标签数据生成***及其方法 |
CN110110189A (zh) * | 2018-02-01 | 2019-08-09 | 北京京东尚科信息技术有限公司 | 用于生成信息的方法和装置 |
CN109034119A (zh) * | 2018-08-27 | 2018-12-18 | 苏州广目信息技术有限公司 | 一种基于优化的全卷积神经网络的人脸检测方法 |
CN111444899B (zh) * | 2020-05-14 | 2023-10-31 | 聚好看科技股份有限公司 | 远程考试控制方法、服务器及终端 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102222232A (zh) * | 2011-06-24 | 2011-10-19 | 常州锐驰电子科技有限公司 | 人脸多阶层快速过滤匹配装置及方法 |
CN104899579A (zh) * | 2015-06-29 | 2015-09-09 | 小米科技有限责任公司 | 人脸识别方法和装置 |
CN105069426A (zh) * | 2015-07-31 | 2015-11-18 | 小米科技有限责任公司 | 相似图片判断方法以及装置 |
CN105608425A (zh) * | 2015-12-17 | 2016-05-25 | 小米科技有限责任公司 | 对照片进行分类存储的方法及装置 |
CN105631404A (zh) * | 2015-12-17 | 2016-06-01 | 小米科技有限责任公司 | 对照片进行聚类的方法及装置 |
-
2016
- 2016-09-20 CN CN201610835787.2A patent/CN106339695B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102222232A (zh) * | 2011-06-24 | 2011-10-19 | 常州锐驰电子科技有限公司 | 人脸多阶层快速过滤匹配装置及方法 |
CN104899579A (zh) * | 2015-06-29 | 2015-09-09 | 小米科技有限责任公司 | 人脸识别方法和装置 |
CN105069426A (zh) * | 2015-07-31 | 2015-11-18 | 小米科技有限责任公司 | 相似图片判断方法以及装置 |
CN105608425A (zh) * | 2015-12-17 | 2016-05-25 | 小米科技有限责任公司 | 对照片进行分类存储的方法及装置 |
CN105631404A (zh) * | 2015-12-17 | 2016-06-01 | 小米科技有限责任公司 | 对照片进行聚类的方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN106339695A (zh) | 2017-01-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106339695B (zh) | 人脸相似检测方法、装置及终端 | |
CN106454336B (zh) | 检测终端摄像头被遮挡的方法及装置和终端 | |
CN105631403B (zh) | 人脸识别方法及装置 | |
CN106355573B (zh) | 图片中目标物的定位方法及装置 | |
WO2021031609A1 (zh) | 活体检测方法及装置、电子设备和存储介质 | |
US10115019B2 (en) | Video categorization method and apparatus, and storage medium | |
CN105491289B (zh) | 防止拍照遮挡的方法及装置 | |
CN104636106B (zh) | 图片显示方法和装置、终端设备 | |
JP6391708B2 (ja) | 虹彩画像を取得する方法および装置、ならびに虹彩識別機器 | |
RU2635238C1 (ru) | Способ, устройство и терминал для воспроизведения музыки на основе фотоальбома с фотографиями лиц | |
CN105426878B (zh) | 人脸聚类方法及装置 | |
CN104991910B (zh) | 相册创建方法及装置 | |
WO2022110837A1 (zh) | 图像处理方法及装置 | |
CN105208284B (zh) | 拍摄提醒方法及装置 | |
CN105094539B (zh) | 参考信息显示方法和装置 | |
CN109600303A (zh) | 内容分享方法、装置及存储介质 | |
CN109376771A (zh) | 应用程序分类方法及装置 | |
CN109542285A (zh) | 图像处理方法及装置 | |
CN113032627A (zh) | 视频分类方法、装置、存储介质及终端设备 | |
CN108848303A (zh) | 拍摄提示方法及装置 | |
WO2021189927A1 (zh) | 图像处理方法、装置、电子设备及存储介质 | |
CN109376674A (zh) | 人脸检测方法、装置及存储介质 | |
CN109165722A (zh) | 模型扩展方法及装置、电子设备和存储介质 | |
CN106228077B (zh) | 处理图像及显示图像的方法、装置及终端 | |
CN105469411B (zh) | 用于检测图像清晰度的方法、装置及终端 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |