CN107292228A - 一种加快人脸识别搜索速度的方法 - Google Patents
一种加快人脸识别搜索速度的方法 Download PDFInfo
- Publication number
- CN107292228A CN107292228A CN201710313903.9A CN201710313903A CN107292228A CN 107292228 A CN107292228 A CN 107292228A CN 201710313903 A CN201710313903 A CN 201710313903A CN 107292228 A CN107292228 A CN 107292228A
- Authority
- CN
- China
- Prior art keywords
- face
- concordance list
- period
- database
- probability
- 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
- G06V40/161—Detection; Localisation; Normalisation
- G06V40/164—Detection; Localisation; Normalisation using holistic features
-
- 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
- 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
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)
Abstract
本发明公开了一种加快人脸识别搜索速度的方法,包括存储有多张人脸数据的人脸数据库和用于确定人脸数据库中的人脸数据检索顺序的人脸索引表,所述人脸索引表上的人脸数据检索顺序按照人脸数据的识别次数进行排列,识别次数越多的人脸数据在人脸索引表上的检索顺序越靠前,还包括以下步骤,采集人脸图像,将当前人脸图像数据按人脸索引表上的检索顺序依次与人脸数据库中的人脸数据进行对比,直至找到匹配的人脸数据,然后根据人脸数据被识别的次数调整人脸索引表上的检索顺序。本发明使得当前人脸与索引表中的人脸对比在前几次对比即可对比成功的概率大大提升,大大减少了无用对比的发生,有效减轻了***的负担,提高了***的反应速度。
Description
技术领域
本发明涉及一种人脸识别搜索方法,特别是一种加快人脸识别搜 索速度的方法。
背景技术
人脸识别,特指利用分析比较人脸视觉特征信息进行身份鉴别的 计算机技术。人脸识别是用摄像机或摄像头采集含有人脸的图像或视 频流,并自动在图像中检测和跟踪人脸,进而对检测到的人脸进行脸 部的一系列相关技术,通常也叫做人像识别、面部识别。但是目前的 人脸识别通常是将图像上的人脸与数据库中的人脸逐个对比,由于数 据库中的人脸是随机分布的,进行人脸对比的时候,常常需要进行很 多次对比才能找到对比的那个人脸,进行了很多无用的对比,加重了 ***的负担,降低了***的反应速度。
发明内容
为解决上述问题,本发明的目的在于提供一种可以减少无用对比 的加快人脸识别搜索速度的方法。
本发明解决其问题所采用的技术方案是:一种加快人脸识别搜索 速度的方法,包括存储有多张人脸数据的人脸数据库和用于确定人脸 数据库中的人脸数据检索顺序的人脸索引表,所述人脸索引表上的人 脸数据检索顺序按照人脸数据的识别次数进行排列,识别次数越多的 人脸数据在人脸索引表上的检索顺序越靠前,还包括以下步骤,采集 人脸图像,将当前人脸图像数据按人脸索引表上的检索顺序依次与人 脸数据库中的人脸数据进行对比,直至找到匹配的人脸数据,然后根 据人脸数据被识别的次数调整人脸索引表上的检索顺序。
具体而言,采集图像的时候通过摄像头进行图像采集,图像格式 是RGB或者YUV。
具体而言,集人脸图像以后对人脸图像中的人脸进行特征提取, 对图像中的人脸进行特征提取的时候先检测图像中是否有人脸,在检 测是否有人脸的时候,首先进行肤色模型人脸检测,肤色模型人脸检 测是指通过统计学习得出人脸肤色在Y-Cr-Cb颜色空间中分布概率 的肤色模型,然后通过肤色模型判断图像上的点是否属于人脸区域, 肤色模型人脸检测以后再进行Viola-Jones人脸检测。
具体而言,对图像中的人脸进行特征提取,采用LBP特征向量提 取方法或深度学习特征向量提取方法。
具体而言,LBP特征向量提取方法包括以下步骤首先将检测窗口 划分为16*16的小区域,将每个小区域中的一个像素点作为中心像素 点与其相邻的八个像素点进行灰度比较,如果该像素点的灰度值大于 中心像素点的灰度值,则该像素点的位置被标为一,如果该像素点的 灰度值小于中心像素点的灰度值,则该像素点的位置被标为零,3*3 领域内的八个点比较产生八位二进制数,即得到该窗口中心像素点的LBP值,然后计算每个小区域的直方图,即每个十进制LBP值出现的 频率,然后对该直方图进行归一化处理,最后将得到的每个小区域的 统计直方图连接成为一个特征向量,也就是整附图的LBP纹理特征向 量。
具体而言,深度学习特征向量提取方法是指在人脸图像上生成十 个区域,分别为五个全局区域和五个特征点为中心的区域,对每个区 域生成三种尺度,最终形成30个patch,使用30个patch分别输入 到卷积神经网络中生成30个160维特征,人脸最终取160*30=4800 纬特征。
具体而言,将一天划分为多个时间段,每个时间段均对应一个人 脸索引表,提取人脸特征以后根据当前人脸识别时间所在的时间段加 载相应时间段的人脸索引表。
具体而言,将当前的人脸与加载的人脸索引表中的人脸进行对比 的时候,按人脸索引表上的顺序进行人脸比对检索,比对方法为计算 待测人脸特征值与人脸数据库中人脸特征值的欧式距离,欧式距离计 算公式为εK=||Ω-ΩK||2,其中Ω代表要比对的人脸,ΩK代表人脸数据 库中的某个人脸,两者都是通过特征值的权重来表示的,上述公式是 对两者求欧式距离,当距离小于阈值时说明要判别的脸和人脸数据库 内的第k个脸是同一个人的。当前的人脸与加载的人脸索引表中的人 脸对比成功的时候,存储识别成功的人脸索引值和存储识别成功的时 间点。
当前的人脸与加载的人脸索引表中的人脸对比成功的时候对人 脸索引表的检索顺序进行调整,调整人脸索引表检索顺序的具体方法 为从记录中加载最近六十天的识别成功记录,以小时为单位将每天分 为二十四个时间段,将识别成功记录中的人脸划归到二十四个时间段 中,选取人脸数据库中一个人脸,其人脸索引值为A,根据识别成功 记录,统计A在时间段a中出现的次数n,则人脸A在时间段a中出 现的概率为M(A,a)=n/60,重复人脸A在时间段a中出现的概率的 计算步骤可以得到人脸A在24个时间段的概率M(A,0),M(A,1),M(A, 2)...M(A,23)。
再根据人脸A在24个时间段的概率计算方法对数据库中所有的 人脸进行概率计算,可以得到人脸数据库中所有人脸在各时间段内出 现的概率:
M(1,0),M(1,1),M(1,2)...M(1,23)
M(2,0),M(2,1),M(2,2)...M(2,23)
M(3,0),M(3,1),M(3,2)...M(3,23)
......
M(N,0),M(N,1),M(N,2)...M(N,23)
最后根据计算得出的概率M对每个时间段内的人脸进行排列生 成新的人脸索引表,人脸在该时间段的概率M越高,则该人脸在该时 间段的人脸索引表的排列越靠前,即该人脸在该时间段的人脸索引表 的索引值越靠前,人脸在该时间段的概率M越低,则该人脸在该时间 段的人脸索引表的排列越靠后,即该人脸在该时间段的人脸索引表的 索引值越靠后。
本发明的有益效果是:本发明是一种加快人脸识别搜索速度的方 法,本发明将人脸索引表上的人脸数据检索顺序按照人脸数据的识别 次数进行排列,识别次数越多的人脸数据在人脸索引表上的检索顺序 越靠前,采集人脸图像,将当前人脸图像数据按人脸索引表上的检索 顺序依次与人脸数据库中的人脸数据进行对比,直至找到匹配的人脸 数据,然后根据人脸数据被识别的次数调整人脸索引表上的检索顺 序,使得当前人脸与索引表中的人脸对比在前几次对比即可对比成功 的概率大大提升,大大减少了无用对比的发生,有效减轻了***的负 担,提高了***的反应速度,数据库中的人脸数据越庞大,本发明的 优势越明显,符合人脸识别的发展趋势。本发明每次识别成功都会进 行记录并且更新人脸索引表,保证了人脸索引表的实时优化,不必安 排专业人员按时进行人脸索引表进行优化,不但降低了维护和运营的 成本,而且便于日常使用。
附图说明
下面结合附图和实例对本发明作进一步说明。
图1是本发明的处理流程图。
具体实施方式
一种加快人脸识别搜索速度的方法,包括存储有多张人脸数据的 人脸数据库和用于确定人脸数据库中的人脸数据检索顺序的人脸索 引表,所述人脸索引表上的人脸数据检索顺序按照人脸数据的识别次 数进行排列,识别次数越多的人脸数据在人脸索引表上的检索顺序越 靠前,还包括以下步骤,采集人脸图像,将当前人脸图像数据按人脸 索引表上的检索顺序依次与人脸数据库中的人脸数据进行对比,直至 找到匹配的人脸数据,然后根据人脸数据被识别的次数调整人脸索引 表上的检索顺序。采集图像的时候通过摄像头进行图像采集,图像格 式是RGB或者YUV。集人脸图像以后对人脸图像中的人脸进行特征提 取,对图像中的人脸进行特征提取的时候先检测图像中是否有人脸, 在检测是否有人脸的时候,首先进行肤色模型人脸检测,肤色模型人 脸检测是指通过统计学习得出人脸肤色在Y-Cr-Cb颜色空间中分布 概率的肤色模型,然后通过肤色模型判断图像上的点是否属于人脸区 域,肤色模型人脸检测以后再进行Viola-Jones人脸检测。本发明将 人脸索引表上的人脸数据检索顺序按照人脸数据的识别次数进行排 列,识别次数越多的人脸数据在人脸索引表上的检索顺序越靠前,采 集人脸图像,将当前人脸图像数据按人脸索引表上的检索顺序依次与 人脸数据库中的人脸数据进行对比,直至找到匹配的人脸数据,然后 根据人脸数据被识别的次数调整人脸索引表上的检索顺序,使得当前 人脸与索引表中的人脸对比在前几次对比即可对比成功的概率大大 提升,大大减少了无用对比的发生,有效减轻了***的负担,提高了 ***的反应速度,数据库中的人脸数据越庞大,本发明的优势越明显, 符合人脸识别的发展趋势。本发明每次识别成功都会进行记录并且更 新人脸索引表,保证了人脸索引表的实时优化,不必安排专业人员按 时进行人脸索引表进行优化,不但降低了维护和运营的成本,而且便 于日常使用。
优选的,本发明对图像中的人脸进行特征提取,采用LBP特征向 量提取方法或深度学习特征向量提取方法。LBP特征向量提取方法包 括以下步骤首先将检测窗口划分为16*16的小区域,将每个小区域中 的一个像素点作为中心像素点与其相邻的八个像素点进行灰度比较, 如果该像素点的灰度值大于中心像素点的灰度值,则该像素点的位置 被标为一,如果该像素点的灰度值小于中心像素点的灰度值,则该像 素点的位置被标为零,3*3领域内的八个点比较产生八位二进制数, 即得到该窗口中心像素点的LBP值,然后计算每个小区域的直方图, 即每个十进制LBP值出现的频率,然后对该直方图进行归一化处理,最后将得到的每个小区域的统计直方图连接成为一个特征向量,也就 是整附图的LBP纹理特征向量。深度学习特征向量提取方法是指在人 脸图像上生成十个区域,分别为五个全局区域和五个特征点为中心的 区域,对每个区域生成三种尺度,最终形成30个patch,使用30个 patch分别输入到卷积神经网络中生成30个160维特征,人脸最终 取160*30=4800纬特征。
优选的,本发明将一天划分为多个时间段,每个时间段均对应一 个人脸索引表,提取人脸特征以后根据当前人脸识别时间所在的时间 段加载相应时间段的人脸索引表。将当前的人脸与加载的人脸索引表 中的人脸进行对比的时候,按人脸索引表上的顺序进行人脸比对检 索,比对方法为计算待测人脸特征值与人脸数据库中人脸特征值的欧 式距离,欧式距离计算公式为εK=||Ω-ΩK||2,其中Ω代表要比对的人 脸,ΩK代表人脸数据库中的某个人脸,两者都是通过特征值的权重 来表示的,上述公式是对两者求欧式距离,当距离小于阈值时说明要 判别的脸和人脸数据库内的第k个脸是同一个人的。当前的人脸与加 载的人脸索引表中的人脸对比成功的时候,存储识别成功的人脸索引 值和存储识别成功的时间点。当前的人脸与加载的人脸索引表中的人 脸对比成功的时候对人脸索引表的检索顺序进行调整,调整人脸索引 表检索顺序的具体方法为从记录中加载最近六十天的识别成功记录, 以小时为单位将每天分为二十四个时间段,将识别成功记录中的人脸 划归到二十四个时间段中,选取人脸数据库中一个人脸,其人脸索引 值为A,根据识别成功记录,统计A在时间段a中出现的次数n,则 人脸A在时间段a中出现的概率为M(A,a)=n/60,重复人脸A在时 间段a中出现的概率的计算步骤可以得到人脸A在24个时间段的概 率M(A,0),M(A,1),M(A,2)...M(A,23)。
再根据人脸A在24个时间段的概率计算方法对数据库中所有的 人脸进行概率计算,可以得到人脸数据库中所有人脸在各时间段内出 现的概率:
M(1,0),M(1,1),M(1,2)...M(1,23)
M(2,0),M(2,1),M(2,2)...M(2,23)
M(3,0),M(3,1),M(3,2)...M(3,23)
......
M(N,0),M(N,1),M(N,2)...M(N,23)
最后根据计算得出的概率M对每个时间段内的人脸进行排列生 成新的人脸索引表,人脸在该时间段的概率M越高,则该人脸在该时 间段的人脸索引表的排列越靠前,即该人脸在该时间段的人脸索引表 的索引值越靠前,人脸在该时间段的概率M越低,则该人脸在该时间 段的人脸索引表的排列越靠后,即该人脸在该时间段的人脸索引表的 索引值越靠后。
图1是本发明的处理流程图,如图1所示,一种加快人脸识别搜 索速度的方法,包括以下步骤:
S1,通过摄像头采集人脸图像;
S2,检测人脸图像中是否有人脸,是则转步骤S3,否则转步骤S 1;
S3,对人脸图像中的人脸进行人脸特征提取;
S4,根据提取到的人脸特征加载人脸索引表;
S5,将当前人脸特征数据根据人脸索引表上的检索顺序在数据库 中进行人脸检索;
S6,是否在人脸数据库中检索到相同的人脸,是则转步骤S7,否 则转步骤S1;
S7,保存识别成功的人脸检索记录并且更新人脸索引表,转步骤S1。
更新人脸索引表是指加载最近的人脸识别成功记录,将识别成功 的人脸根据识别成功时间划分时间段,每个时间段内识别成功的人脸 按照出现的概率进行排列形成新的人脸索引表,人脸出现的概率越 高,在人脸索引表中的排列顺序越靠前,人脸出现的概率越低,在人 脸索引表中的排列顺序越靠后。本发明在人脸对比的时候虽然也是按 照人脸索引表进行逐个对比,但是可以将人脸数据库中出现概率较大 的人脸进行优先对比,大大减少了无用对比的发生,有效减轻了*** 的负担,提高了***的反应速度,数据库中的人脸数据越庞大,本发 明的优势越明显,符合人脸识别的发展趋势。本发明每次识别成功都 会进行记录并且更新人脸索引表,保证了人脸索引表的实时优化,不 必安排专业人员按时进行人脸索引表进行优化,不但降低了维护和运 营的成本,而且便于日常使用。
优选的,本发明的步骤S1在采集图像的时候通过摄像头进行图 像采集,图像格式是RGB或者YUV。本发明的步骤S2在检测是否有 人脸的时候,首先进行肤色模型人脸检测,肤色模型人脸检测是指通 过统计学习得出人脸肤色在Y-Cr-Cb颜色空间中分布概率的肤色模 型,然后通过肤色模型判断图像上的点是否属于人脸区域,肤色模型 人脸检测以后再进行Viola-Jones人脸检测。本发明的步骤S3在人 脸特征提取的时候,采用LBP特征向量提取方法或深度学习特征向量 提取方法。
优选的,LBP特征向量提取方法包括以下步骤首先将检测窗口划 分为16*16的小区域,将每个小区域中的一个像素点作为中心像素点 与其相邻的八个像素点进行灰度比较,如果该像素点的灰度值大于中 心像素点的灰度值,则该像素点的位置被标为一,如果该像素点的灰 度值小于中心像素点的灰度值,则该像素点的位置被标为零,3*3领 域内的八个点比较产生八位二进制数,即得到该窗口中心像素点的L BP值,然后计算每个小区域的直方图,即每个十进制LBP值出现的 频率,然后对该直方图进行归一化处理,最后将得到的每个小区域的 统计直方图连接成为一个特征向量,也就是整附图的LBP纹理特征向 量。深度学习特征向量提取方法是指在人脸图像上生成十个区域,分 别为五个全局区域和五个特征点为中心的区域,对每个区域生成三种 尺度,最终形成30个patch,使用30个patch分别输入到卷积神经 网络中生成30个160维特征,人脸最终取160*30=4800纬特征。
优选的,本发明的步骤S4在加载人脸索引表的时候根据当前时 间段选择人脸索引表。本发明的步骤S5在人脸检索的时候按人脸索 引表顺序进行人脸比对检索,比对方法为计算待测人脸特征值与人脸 数据库中人脸特征值的欧式距离,欧式距离计算公式为εK=||Ω-ΩK||2, 其中Ω代表要比对的人脸,ΩK代表人脸数据库中的某个人脸,两者 都是通过特征值的权重来表示的,上述公式是对两者求欧式距离,当 距离小于阈值时说明要判别的脸和人脸数据库内的第k个脸是同一 个人的。
优选的,本发明的保存记录是指存储识别成功的人脸索引值和存 储识别成功的时间点。本发明的更新人脸索引表的具体方法为从记录 中加载最近六十天的识别成功记录,以小时为单位将每天分为二十四 个时间段,将识别成功记录中的人脸划归到二十四个时间段中,选取 人脸数据库中一个人脸,其人脸索引值为A,根据识别成功记录,统 计A在时间段a中出现的次数n,则人脸A在时间段a中出现的概率 为M(A,a)=n/60,重复人脸A在时间段a中出现的概率的计算步骤 可以得到人脸A在24个时间段的概率M(A,0),M(A,1),M(A,2)...M(A, 23)。再根据人脸A在24个时间段的概率计算方法对数据库中所有的 人脸进行概率计算,可以得到人脸数据库中所有人脸在各时间段内出 现的概率:
M(1,0),M(1,1),M(1,2)...M(1,23)
M(2,0),M(2,1),M(2,2)...M(2,23)
M(3,0),M(3,1),M(3,2)...M(3,23)
......
M(N,0),M(N,1),M(N,2)...M(N,23)
最后根据计算得出的概率M对每个时间段内的人脸进行排列生 成新的人脸索引表,人脸在该时间段的概率M越高,则该人脸在该时 间段的人脸索引表的排列越靠前,即该人脸在该时间段的人脸索引表 的索引值越靠前,人脸在该时间段的概率M越低,则该人脸在该时间 段的人脸索引表的排列越靠后,即该人脸在该时间段的人脸索引表的 索引值越靠后。
以上所述,只是本发明的较佳实施例而已,本发明并不局限于上 述实施方式,只要其以相同的手段达到本发明的技术效果,都应属于 本发明的保护范围。
Claims (10)
1.一种加快人脸识别搜索速度的方法,其特征在于:包括存储有多张人脸数据的人脸数据库和用于确定人脸数据库中的人脸数据检索顺序的人脸索引表,所述人脸索引表上的人脸数据检索顺序按照人脸数据的识别次数进行排列,识别次数越多的人脸数据在人脸索引表上的检索顺序越靠前,还包括以下步骤,采集人脸图像,将当前人脸图像数据按人脸索引表上的检索顺序依次与人脸数据库中的人脸数据进行对比,直至找到匹配的人脸数据,然后根据人脸数据被识别的次数调整人脸索引表上的检索顺序。
2.根据权利要求1所述的一种加快人脸识别搜索速度的方法,其特征在于:采集图像的时候通过摄像头进行图像采集,图像格式是RGB或者YUV。
3.根据权利要求1所述的一种加快人脸识别搜索速度的方法,其特征在于:采集人脸图像以后对人脸图像中的人脸进行特征提取,对图像中的人脸进行特征提取的时候先检测图像中是否有人脸,在检测是否有人脸的时候,首先进行肤色模型人脸检测,肤色模型人脸检测是指通过统计学习得出人脸肤色在Y-Cr-Cb颜色空间中分布概率的肤色模型,然后通过肤色模型判断图像上的点是否属于人脸区域,肤色模型人脸检测以后再进行Viola-Jones人脸检测。
4.根据权利要求3所述的一种加快人脸识别搜索速度的方法,其特征在于:对图像中的人脸进行特征提取,采用LBP特征向量提取方法或深度学习特征向量提取方法。
5.根据权利要求4所述的一种加快人脸识别搜索速度的方法,其特征在于:LBP特征向量提取方法包括以下步骤首先将检测窗口划分为16*16的小区域,将每个小区域中的一个像素点作为中心像素点与其相邻的八个像素点进行灰度比较,如果该像素点的灰度值大于中心像素点的灰度值,则该像素点的位置被标为一,如果该像素点的灰度值小于中心像素点的灰度值,则该像素点的位置被标为零,这样产生3*3领域内的八个点比较产生八位二进制数,即得到该窗口中心像素点的LBP值,然后计算每个小区域的直方图,即每个十进制LBP值出现的频率,然后对该直方图进行归一化处理,最后将得到的每个小区域的统计直方图连接成为一个特征向量,也就是整附图的LBP纹理特征向量。
6.根据权利要求4所述的一种加快人脸识别搜索速度的方法,其特征在于:深度学习特征向量提取方法是指在人脸图像上生成十个区域,分别为五个全局区域和五个特征点为中心的区域,对每个区域生成三种尺度,最终形成30个patch,使用30个patch分别输入到卷积神经网络中生成30个160维特征,人脸最终取160*30=4800纬特征。
7.根据权利要求4所述的一种加快人脸识别搜索速度的方法,其特征在于:将一天划分为多个时间段,每个时间段均对应一个人脸索引表,提取人脸特征以后根据当前人脸识别时间所在的时间段加载相应时间段的人脸索引表。
8.根据权利要求7所述的一种加快人脸识别搜索速度的方法,其特征在于:将当前的人脸与加载的人脸索引表中的人脸进行对比的时候,按人脸索引表上的顺序进行人脸比对检索,比对方法为计算待测人脸特征值与人脸数据库中人脸特征值的欧式距离,欧式距离计算公式为εK=||Ω-ΩK||2,其中Ω代表要比对的人脸,ΩK代表人脸数据库中的某个人脸,两者都是通过特征值的权重来表示的,上述公式是对两者求欧式距离,当距离小于阈值时说明要判别的脸和人脸数据库内的第k个脸是同一个人的。
9.根据权利要求8所述的一种加快人脸识别搜索速度的方法,其特征在于:当前的人脸与加载的人脸索引表中的人脸对比成功的时候,存储识别成功的人脸索引值和存储识别成功的时间点。
10.根据权利要求9所述的一种加快人脸识别搜索速度的方法,其特征在于:当前的人脸与加载的人脸索引表中的人脸对比成功的时候对人脸索引表的检索顺序进行调整,调整人脸索引表检索顺序的具体方法为从记录中加载最近六十天的识别成功记录,以小时为单位将每天分为二十四个时间段,将识别成功记录中的人脸划归到二十四个时间段中,选取人脸数据库中一个人脸,其人脸索引值为A,根据识别成功记录,统计A在时间段a中出现的次数n,则人脸A在时间段a中出现的概率为M(A,a)=n/60,重复人脸A在时间段a中出现的概率的计算步骤可以得到人脸A在24个时间段的概率,根据人脸A在24 个时间段的概率计算方法对数据库中所有的人脸进行概率计算,可以得到人脸数据库中所有人脸在各时间段内出现的概率,根据计算得出的概率M对每个时间段内的人脸进行排列生成新的人脸索引表,人脸在该时间段的概率M越高,则该人脸在该时间段的人脸索引表的排列越靠前,即该人脸在该时间段的人脸索引表的索引值越靠前,人脸在该时间段的概率M越低,则该人脸在该时间段的人脸索引表的排列越靠后,即该人脸在该时间段的人脸索引表的索引值越靠后。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710313903.9A CN107292228A (zh) | 2017-05-05 | 2017-05-05 | 一种加快人脸识别搜索速度的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710313903.9A CN107292228A (zh) | 2017-05-05 | 2017-05-05 | 一种加快人脸识别搜索速度的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107292228A true CN107292228A (zh) | 2017-10-24 |
Family
ID=60094553
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710313903.9A Pending CN107292228A (zh) | 2017-05-05 | 2017-05-05 | 一种加快人脸识别搜索速度的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107292228A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110363180A (zh) * | 2019-07-24 | 2019-10-22 | 厦门云上未来人工智能研究院有限公司 | 一种统计陌生人人脸重复出现的方法和装置以及设备 |
CN110580754A (zh) * | 2018-06-11 | 2019-12-17 | 杭州海康威视***技术有限公司 | 一种人脸认证的方法、装置及*** |
CN111898559A (zh) * | 2020-08-03 | 2020-11-06 | 南京奥拓电子科技有限公司 | 一种提升人脸识别速度的方法、装置及电子设备 |
CN112215250A (zh) * | 2019-07-12 | 2021-01-12 | 杭州海康威视数字技术股份有限公司 | 一种提高数据特征比对效率的方法、装置 |
CN112487222A (zh) * | 2020-11-30 | 2021-03-12 | 江苏正赫通信息科技有限公司 | 相似人脸快速搜索及有效存储的方法 |
CN112488078A (zh) * | 2020-12-23 | 2021-03-12 | 浙江大华技术股份有限公司 | 一种人脸比对方法、装置及可读存储介质 |
CN112712569A (zh) * | 2020-12-25 | 2021-04-27 | 百果园技术(新加坡)有限公司 | 一种肤色检测方法、装置、移动终端和存储介质 |
CN113344132A (zh) * | 2021-06-30 | 2021-09-03 | 成都商汤科技有限公司 | 身份识别方法、***、装置、计算机设备及存储介质 |
CN113343004A (zh) * | 2021-06-10 | 2021-09-03 | 浙江大华技术股份有限公司 | 对象的识别方法和装置、存储介质及电子装置 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2008107713A1 (en) * | 2007-03-07 | 2008-09-12 | Aurora Computer Services Limited | Controlled high resolution sub-image capture with time domain multiplexed high speed full field of view reference video stream for image based biometric applications |
CN102265612A (zh) * | 2008-12-15 | 2011-11-30 | 坦德伯格电信公司 | 用于加速人脸检测的方法 |
CN102831408A (zh) * | 2012-08-29 | 2012-12-19 | 华南理工大学 | 人脸识别方法 |
CN103353940A (zh) * | 2013-05-15 | 2013-10-16 | 吴玉平 | 一种基于出现概率动态调整比对顺序的识别方法及*** |
CN103455790A (zh) * | 2013-06-24 | 2013-12-18 | 厦门美图网科技有限公司 | 一种基于肤色模型的皮肤识别方法 |
CN105469033A (zh) * | 2015-11-13 | 2016-04-06 | 广东欧珀移动通信有限公司 | 指纹识别方法、装置及终端设备 |
CN105488475A (zh) * | 2015-11-30 | 2016-04-13 | 西安闻泰电子科技有限公司 | 手机中人脸检测方法 |
CN105824559A (zh) * | 2016-02-29 | 2016-08-03 | 维沃移动通信有限公司 | 一种误触识别及处理方法和电子设备 |
-
2017
- 2017-05-05 CN CN201710313903.9A patent/CN107292228A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2008107713A1 (en) * | 2007-03-07 | 2008-09-12 | Aurora Computer Services Limited | Controlled high resolution sub-image capture with time domain multiplexed high speed full field of view reference video stream for image based biometric applications |
CN102265612A (zh) * | 2008-12-15 | 2011-11-30 | 坦德伯格电信公司 | 用于加速人脸检测的方法 |
CN102831408A (zh) * | 2012-08-29 | 2012-12-19 | 华南理工大学 | 人脸识别方法 |
CN103353940A (zh) * | 2013-05-15 | 2013-10-16 | 吴玉平 | 一种基于出现概率动态调整比对顺序的识别方法及*** |
CN103455790A (zh) * | 2013-06-24 | 2013-12-18 | 厦门美图网科技有限公司 | 一种基于肤色模型的皮肤识别方法 |
CN105469033A (zh) * | 2015-11-13 | 2016-04-06 | 广东欧珀移动通信有限公司 | 指纹识别方法、装置及终端设备 |
CN105488475A (zh) * | 2015-11-30 | 2016-04-13 | 西安闻泰电子科技有限公司 | 手机中人脸检测方法 |
CN105824559A (zh) * | 2016-02-29 | 2016-08-03 | 维沃移动通信有限公司 | 一种误触识别及处理方法和电子设备 |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110580754A (zh) * | 2018-06-11 | 2019-12-17 | 杭州海康威视***技术有限公司 | 一种人脸认证的方法、装置及*** |
CN112215250A (zh) * | 2019-07-12 | 2021-01-12 | 杭州海康威视数字技术股份有限公司 | 一种提高数据特征比对效率的方法、装置 |
CN112215250B (zh) * | 2019-07-12 | 2024-03-08 | 杭州海康威视数字技术股份有限公司 | 一种提高数据特征比对效率的方法、装置 |
CN110363180A (zh) * | 2019-07-24 | 2019-10-22 | 厦门云上未来人工智能研究院有限公司 | 一种统计陌生人人脸重复出现的方法和装置以及设备 |
CN111898559A (zh) * | 2020-08-03 | 2020-11-06 | 南京奥拓电子科技有限公司 | 一种提升人脸识别速度的方法、装置及电子设备 |
CN111898559B (zh) * | 2020-08-03 | 2024-04-26 | 南京奥拓电子科技有限公司 | 一种提升人脸识别速度的方法、装置及电子设备 |
CN112487222B (zh) * | 2020-11-30 | 2021-11-30 | 江苏正赫通信息科技有限公司 | 相似人脸快速搜索及有效存储的方法 |
CN112487222A (zh) * | 2020-11-30 | 2021-03-12 | 江苏正赫通信息科技有限公司 | 相似人脸快速搜索及有效存储的方法 |
CN112488078A (zh) * | 2020-12-23 | 2021-03-12 | 浙江大华技术股份有限公司 | 一种人脸比对方法、装置及可读存储介质 |
CN112712569A (zh) * | 2020-12-25 | 2021-04-27 | 百果园技术(新加坡)有限公司 | 一种肤色检测方法、装置、移动终端和存储介质 |
CN112712569B (zh) * | 2020-12-25 | 2023-12-12 | 百果园技术(新加坡)有限公司 | 一种肤色检测方法、装置、移动终端和存储介质 |
CN113343004A (zh) * | 2021-06-10 | 2021-09-03 | 浙江大华技术股份有限公司 | 对象的识别方法和装置、存储介质及电子装置 |
CN113344132A (zh) * | 2021-06-30 | 2021-09-03 | 成都商汤科技有限公司 | 身份识别方法、***、装置、计算机设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107292228A (zh) | 一种加快人脸识别搜索速度的方法 | |
CN109583342B (zh) | 基于迁移学习的人脸活体检测方法 | |
WO2020151489A1 (zh) | 基于面部识别的活体检测的方法、电子设备和存储介质 | |
CN109522853B (zh) | 面向监控视频的人脸检测与搜索方法 | |
CN107273796A (zh) | 一种基于人脸特征的快速人脸识别搜索方法 | |
CN109558810B (zh) | 基于部位分割与融合目标人物识别方法 | |
CN110728225B (zh) | 一种用于考勤的高速人脸搜索方法 | |
CN105740758A (zh) | 基于深度学习的互联网视频人脸识别方法 | |
CN108960047B (zh) | 基于深度二次树的视频监控中人脸去重方法 | |
CN103996046A (zh) | 基于多视觉特征融合的人员识别方法 | |
CN107633226A (zh) | 一种人体动作跟踪识别方法及*** | |
CN104881671B (zh) | 一种基于2D‑Gabor的高分遥感影像局部特征提取方法 | |
CN111209818A (zh) | 视频个体识别方法、***、设备及可读存储介质 | |
CN106778786A (zh) | 基于对数频域分层梯度方向直方图的苹果病害识别方法 | |
CN111863232B (zh) | 基于区块链和医学影像的远程疾病智能诊断*** | |
Chandy | RGBD analysis for finding the different stages of maturity of fruits in farming | |
CN107230267A (zh) | 基于人脸识别算法的幼儿园智能签到方法 | |
CN110008793A (zh) | 人脸识别方法、装置及设备 | |
CN110070024B (zh) | 一种皮肤压力性损伤热成像图像识别的方法、***及手机 | |
CN106529441B (zh) | 基于模糊边界分片的深度动作图人体行为识别方法 | |
CN112150692A (zh) | 一种基于人工智能的门禁控制方法及*** | |
CN111832405A (zh) | 一种基于hog和深度残差网络的人脸识别方法 | |
CN109190456A (zh) | 基于聚合通道特征和灰度共生矩阵的多特征融合俯视行人检测方法 | |
CN109508755A (zh) | 一种基于图像认知的心理测评方法 | |
CN113112498A (zh) | 一种基于细粒度对抗生成网络的葡萄叶片病斑识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171024 |