CN107516090B - 一体化人脸识别方法和*** - Google Patents
一体化人脸识别方法和*** Download PDFInfo
- Publication number
- CN107516090B CN107516090B CN201710811916.9A CN201710811916A CN107516090B CN 107516090 B CN107516090 B CN 107516090B CN 201710811916 A CN201710811916 A CN 201710811916A CN 107516090 B CN107516090 B CN 107516090B
- Authority
- CN
- China
- Prior art keywords
- user
- face recognition
- model
- belongs
- training
- 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
Images
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
- G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
- G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
- G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24143—Distances to neighbourhood prototypes, e.g. restricted Coulomb energy networks [RCEN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L63/00—Network architectures or network communication protocols for network security
- H04L63/08—Network architectures or network communication protocols for network security for authentication of entities
- H04L63/0815—Network architectures or network communication protocols for network security for authentication of entities providing single-sign-on or federations
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L63/00—Network architectures or network communication protocols for network security
- H04L63/08—Network architectures or network communication protocols for network security for authentication of entities
- H04L63/0861—Network architectures or network communication protocols for network security for authentication of entities using biometrical features, e.g. fingerprint, retina-scan
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/50—Network services
- H04L67/60—Scheduling or organising the servicing of application requests, e.g. requests for application data transmissions using the analysis and optimisation of the required network resources
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Human Computer Interaction (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Databases & Information Systems (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Medical Informatics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Biodiversity & Conservation Biology (AREA)
- Library & Information Science (AREA)
- Computer Hardware Design (AREA)
- Computer Security & Cryptography (AREA)
- Image Analysis (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一体化人脸识别方法和***。该方法的一具体实施方式包括:接收用户的终端发送的一体化人脸识别服务获取请求,一体化人脸识别服务获取请求包括:用户选取的属于所述用户的与人脸识别相关的模型的标识,用户从候选操作中选取的操作的标识;分布式地对用户选取的属于用户的与人脸识别相关的模型执行用户从候选操作中选取的操作,得到操作结果,以及存储操作结果。实现了用户无需购买硬件和搭建软件环境的情况下,利用服务器提供的满足各种与人脸识别相关的需求的硬件资源和搭建的软件环境完成模型的训练、人脸识别应用的开发等操作,节省了开发成本和提升了使用人脸识别服务的便利性。
Description
技术领域
本申请涉及计算机领域,具体涉及计算机视觉领域,尤其涉及一体化人脸识别方法和***。
背景技术
人脸识别技术是被广泛应用的人工智能技术。在开发人脸识别应用时,可以使用人脸识别服务来简化开发过程。目前,人脸识别服务通常采用的架构为:提供与人脸识别相关的模型和一些操作的API(Application Programming Interface,应用程序编程接口)和SDK(Software Development Kit,软件开发包),由用户自行采购执行模型的训练计算硬件资源和需要自行搭建模型训练所需的环境。
一方面,由于用户无法得到API和SDK的源代码,导致无法根据模型的训练效果对模型进行优化。另一方面,时间成本和人力成本高、开发过程繁琐。
发明内容
本申请提供了一体化人脸识别方法和***,用于解决上述背景技术部分存在的技术问题。
第一方面,本申请提供了一体化人脸识别方法,该方法包括:接收用户的终端发送的一体化人脸识别服务获取请求,一体化人脸识别服务获取请求包括:用户选取的属于用户的与人脸识别相关的模型的标识,用户从候选操作中选取的操作的标识,候选操作包括:训练操作、预测操作,用户选取的属于用户的与人脸识别相关的模型的类型属于以下类型之一:人脸特征点提取类型、人脸检测类型、人脸对齐类型、人脸识别类型;分布式地对用户选取的属于用户的与人脸识别相关的模型执行用户从候选操作中选取的操作,得到操作结果,以及存储操作结果。
第二方面,本申请提供了一体化人脸识别***,该***包括:接收单元,配置用于接收用户的终端发送的一体化人脸识别服务获取请求,一体化人脸识别服务获取请求包括:用户选取的属于用户的与人脸识别相关的模型的标识,用户从候选操作中选取的操作的标识,候选操作包括:训练操作、预测操作,用户选取的属于用户的与人脸识别相关的模型的类型属于以下类型之一:人脸特征点提取类型、人脸检测类型、人脸对齐类型、人脸识别类型;处理单元,配置用于分布式地对用户选取的属于用户的与人脸识别相关的模型执行用户从候选操作中选取的操作,得到操作结果,以及存储操作结果。
本申请提供的一体化人脸识别方法和***,通过接收用户的终端发送的一体化人脸识别服务获取请求,一体化人脸识别服务获取请求包括:用户选取的属于用户的与人脸识别相关的模型的标识,用户从候选操作中选取的操作的标识,候选操作包括:训练操作、预测操作,用户选取的属于用户的与人脸识别相关的模型的类型属于以下类型之一:人脸特征点提取类型、人脸检测类型、人脸对齐类型、人脸识别类型;分布式地对用户选取的属于用户的与人脸识别相关的模型执行用户从候选操作中选取的操作,得到操作结果,以及存储操作结果。实现了用户无需购买硬件和搭建软件环境的情况下,利用服务器提供的满足各种与人脸识别相关的需求的硬件资源和搭建的软件环境完成模型的训练、人脸识别应用的开发等操作,节省了开发成本和提升了使用人脸识别服务的便利性。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本申请的其它特征、目的和优点将会变得更明显:
图1示出了可以应用于本申请的一体化人脸识别方法或***的示例性***架构;
图2示出了根据本申请的一体化人脸识别方法的一个实施例的流程图;
图3示出了适用于本申请的一体化人脸识别方法的一个示例性架构图;
图4示出了根据本申请的一体化人脸识别***的一个实施例的结构示意图;
图5是适于用来实现本申请实施例的服务器的计算机***的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了可以应用于本申请的一体化人脸识别方法或***的示例性***架构。
如图1所示,***架构可以包括终端101、102、103,网络104和服务器105。网络104用以在终端101、102、103和服务器105之间提供传输链路的介质。网络104可以包括各种连接类型,例如有线、无线传输链路或者光纤电缆等等。
终端101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端101、102、103可以是具有显示屏并且支持网络通信的各种电子设备,包括但不限于智能手机、平板电脑、电子书阅读器、膝上型便携计算机和台式计算机等等。
服务器105可以向用户提供满足各种与人脸识别相关的需求的一体化人脸识别服务。一体化人脸识别服务包括向用户提供人脸识别模型的训练、人脸识别应用的开发所需的硬件资源和软件环境。
终端101、102、103可以安装使用服务器105提供的一体化人脸识别服务的客户端。终端设备101、102、103可以向服务器105发送一体化人脸识别服务请求。
请参考图2,其示出了根据本申请的一体化人脸识别方法的一个实施例的流程。本申请实施例所提供的一体化人脸识别方法可以由服务器(例如图1中的服务器105执行)。该方法包括以下步骤:
步骤201,接收用户的终端发送的一体化人脸识别服务获取请求。
在本实施例中,可以由提供一体化人脸识别服务的服务器接收用户的终端发送的人脸识别服务服务获取请求。当用户需要使用人脸识别服务服务时,可以由用户的终端向服务器发送人脸识别服务服务获取请求。
人脸识别服务服务获取请求可以包括但不限于包括:用户的标识、用户选取的属于用户的与人脸识别相关的模型的标识,用户从候选操作中选取的操作的标识,候选操作包括:训练操作、预测操作,用户选取的属于用户的与人脸识别相关的模型的类型属于以下类型之一:人脸特征点提取类型、人脸检测类型、人脸对齐类型、人脸识别类型。
在本实施例中,用户选取的属于用户的与人脸识别相关的模型可以为用户使用一体化人脸识别服务训练过的对应于该用户的与人脸识别相关的模型,也可以为用户第一次使用一体化人脸识别服务对其进行训练的模型。用户可以从该用户使用一体化人脸识别服务训练过的属于该用户的与人脸识别相关的多个模型中,选取出与人脸识别相关的模型,再次进行训练或预测。
在本实施例中,在用户需要使用人脸识别服务服务时,可以首先进行登陆操作。例如,用户的终端可以向服务器发送页面获取请求,服务器向用户的终端返回人脸识别服务服务的登陆页面。用户可以首先在人脸识别服务服务的登陆页面上输入用户的账号和密码进行登陆,在登陆成功后,服务器可以向用户发送一体化人脸识别服务的页面。一体化人脸识别服务服务的页面包括
用户使用一体化人脸识别服务训练过的属于该用户的与人脸识别相关的模型、人脸特征点提取类型、人脸检测类型、人脸对齐类型、人脸识别类型对应的创建按钮、训练数据集对应的按钮。用户可以点击人脸特征点提取类型、人脸检测类型、人脸对齐类型、人脸识别类型对应的创建按钮,创建属于该用户的人脸特征点提取类型、人脸检测类型、人脸对齐类型、人脸识别类型的与人脸识别相关的模型,将创建的属于该用户的人脸特征点提取类型、人脸检测类型、人脸对齐类型、人脸识别类型的与人脸识别相关的模型作为用户选取的属于该用户的与人脸识别相关的模型。
在本实施例中,可以在HDFS(Hadoop分布式文件***)上存储多个训练数据集,例如,存储CelebFaces、Faces in the Wild、FaceScrub、WebFace、MS Data-Face等涵盖了不同年龄阶、不同地域的训练数据集。同时,可以存储LWF(人脸比对数据集)和FDDB(人脸检测数据集)供模型的评测使用。
在本实施例中,可以由用户的终端向服务器发送远程登陆请求,在通过服务器的校验之后,实现用户的远程登陆,用户可以在终端输入指令调用服务器的程序。
步骤202,分布式地对用户选取的属于用户的与人脸识别相关的模型执行用户从候选操作中选取的操作,得到操作结果,以及存储操作结果。
在本实施例中,在通过步骤201接收用户的终端发送的一体化人脸识别服务获取请求之后,可以分布式地对用户选取的属于用户的与人脸识别相关的模型执行用户从候选操作中选取的训练操作、预测操作等操作,得到训练结果、预测结果等操作结果,以及存储操作结果。
在本实施例的一些可选的实现方式中,当用户使用一体化人脸识别服务对选取的模型进行训练操作时,则用户从候选操作中选取的操作为训练操作,服务器接收到的一体化人脸识别服务获取请求还包括:用户选取的训练数据集的标识。服务器在接收到一体化人脸识别服务获取请求之后,可以从分布式文件***读取用户选取的训练数据集的标识对应的训练数据集和用户选取的属于该用户的与人脸识别相关的模型对应的当前的训练程序。然后,可以分布式地利用用户选取的用户选取的属于该用户的与人脸识别相关的模型的当前的训练程序基于用户选取的训练数据集对用户选取的属于该用户的与人脸识别相关的模型执行训练操作,得到训练后的用户选取的属于该用户的与人脸识别相关的模型和模型参数;将训练后的用户选取的属于该用户的与人脸识别相关的模型和模型参数存储在分布式文件***中。
在本实施例的一些可选的实现方式中,当用户使用一体化人脸识别服务对选取的模型进行预测操作时,则用户从候选操作中选取的操作为预测操作。服务器在接收到在接收到一体化人脸识别服务获取请求之后,可以从分布式文件***读取用户选取的属于该用户的与人脸识别相关的模型的当前的预测程序。然后,分布式地利用该当前的预测程序对待预测数据集执行预测操作,得到预测结果,将预测结果存储在分布式文件***中。
服务器可以预先分别存储利用多种不同的开发框架开发出的各个类型的与人脸识别相关的模型的训练程序和预测程序。开发框架可以包括但不限于:Caffe、Tensorflow、OpenCV、Tesseract-OCR。可以预先分别利用Caffe、Tensorflow、OpenCV、Tesseract-OCR等开发框架分别开发出用于人脸检测类型、人脸特征点提取类型、人脸对齐类型、人脸识别类型等类型的与人脸识别相关的模型的训练程序和预测程序。
在本实施例的一些可选的实现方式中,分别将每一个与人脸识别的相关操作的代码封装为API。从而,用户可以基于每一个与人脸识别的相关的操作对应的API开发人脸识别应用。与人脸识别的相关的操作可以包括但不限于:用户图像注册操作、人脸生活照验证、生活照和证件照比对、人脸识别操作、调用训练后的与人脸识别相关的模型的操作。
可以由用户的终端向服务器发送远程登陆请求,在通过服务器的校验之后,实现用户的远程登陆,在进行远程登陆之后,用户可以在终端输入指令调用服务器的集成开发环境,该集成开发环境会在终端呈现给用户。由于用户进行了远程登陆,服务器可以获取用户在集成开发环境中输入的代码。用户可以在集成开发环境中输入基于与人脸识别的相关的操作对应的API编写的人脸识别应用的代码,从而,服务器可以获取用户编写的属于该用户的人脸识别应用的代码,直接在服务器上开发出人脸识别应用。在开发出人脸识别应用之后,可以在服务器上运行,测试人脸识别应用的运行效果。在通过测试之后,可以利用人脸识别应用进行人脸识别。
在本实施例的一些可选的实现方式中,可以获取用户编写的属于该用户的与人脸识别相关的模型的训练程序和预测程序的代码;将训练程序和预测程序作为属于该用户的与人脸识别相关的模型的当前的训练程序和预测程序。
用户可以查看该用户使用一体化人脸识别服务对与人脸识别相关的模型进行训练得到的属于该用户的训练后的与人脸识别相关的模型的代码。可以点击人脸识别服务页面上的查看该模型的代码的按钮,用户的终端向服务器发送请求,该请求中包含用户的标识。服务器可以将训练后的与人脸识别相关的模型的代码发送至终端。
可以由用户的终端向服务器发送远程登陆请求,在通过服务器的校验之后,实现用户的远程登陆,在进行远程登陆之后,用户可以在终端输入指令调用服务器的集成开发环境,该集成开发环境会在终端呈现给用户。由于用户进行了远程登陆,服务器可以获取用户在集成开发环境中输入的代码。用户可以在集成开发环境中输入属于该用户的与人脸识别相关的模型的训练程序和预测程序的代码。属于该用户的与人脸识别相关的模型的训练程序和预测程序为该用户使用一体化人脸识别服务对与人脸识别相关的模型进行训练得到训练后的与人脸识别相关的模型的训练程序和预测程序。服务器可以获取用户编写的属于该用户的与人脸识别相关的模型的训练程序和预测程序的代码,将该训练程序和预测程序作为属于该用户的与人脸识别相关的模型的当前的训练程序和预测程序。从而,在服务器直接完成对属于该用户的与人脸识别相关的模型的优化。
在本实施例的一些可选的实现方式中,当用户需要下载属于该用户的与人脸识别相关的模型时,可以接收用户的终端发送的模型下载请求,模型下载请求包括:属于该用户的与人脸识别相关的模型的标识,可以将该属于该用户的与人脸识别相关的模型发送至终端。
请参考图3,其示出了适用于本申请的一体化人脸识别方法的一个示例性架构图。
在图3中,示出了硬件资源与管理***、数据存储***、模型训练框架、任务调度***、Web Service接口、用户终端模块。
硬件资源与管理***:包括CPU、内存、硬盘、GPU。实现了CPU、GPU的可视化监控***。GPU监控***可以查看集群各监控要求的平均使用情况,并可以通过选择时间段来查看历史平均使用情况。运维工程师可以通过集群展示页面集群了解各要素详细情况。集群展示页面可以包括但不限于节点数量(Hosts up),CPU核心数(CPUs Total),和GPU数量(GPUsTotal)、last hour GPU使用曲线、last hour Network使用曲线、last hour机器上各卡GPU使用曲线、last hour GPU显存使用曲线、last hour内存使用曲线。
数据存储***:实现基于HDFS的训练数据、预测数据和模型参数的分布式存储功能。能够直接访问分布式文件***,上传、下载样本数据集和训练的结果集、训练模型。
模型训练框架:可以采用深度学习计算框架Tensorflow框架,为了提高计算速度和性能,默认使用GPU版本,也预安装CPU版本,供特殊的人脸识别的场景使用。人脸识别包括人脸检测、人脸特征点提取、人脸对齐、人脸识别等操作。针对每一个操作,均提供相应的算法。针对人脸检测,可以提供深度卷积网络框架Faster-RCNN框架、YoLo框架、MTCNN(Multi-task convolutional neural networks)框架。针对人脸特征点提取,可以提供用于人脸识别的FaceNet、DeepID等基于CNN的深度学习网络。可以基于TensorFlow开发了上述人脸识别过程中所需的模型训练程序和预测程序。
任务调度***:基于TensorFlow on YARN(Yet Another Resource Negotiator,另一种资源协调者)架构实现。由于集群中的任务以Application的方式运行在YARN中的,可以扩展YARN中的Application类型,实现TensorFlow Application Master,从而,可以实现将基于TensorFlow开发出的用于对模型进行训练或预测的TensorFlow程序可以分布式的执行。可以扩展YARN的资源调度类型,支持对GPU资源进行统计,调度和隔离。在docker容器中运行TensorFlow程序,实现执行环境的个性化与隔离。TensorFlow程序所需参数,通过YARN的AM透传给用户指定的执行命令。支持在TensorFlow程序中读写HDFS。TensorFlow程序的训练数据和训练结果都可以指定为HDFS路径。支持在TensorBoard中查看TensorFlow程序的运行状态。TensorFlow程序执行时,将TensorFlow程序的执行结果上传到HDFS中,TensorBoard实时检测HDFS的路径,动态展示每一个TensorFlow程序的当前运行状态。
Web Service接口:提供与人脸识别的场景相关接口,接口可以包括但不限于:注册、更新、删除、认证、生活照和证件照比对、人脸识别、用户信息查询、用户组的增删改查接口。
用户终端模块:提供在不同的操作***例如Android、ios等操作***的利用不同开发语言实现的SDK,利用SDK编写代码调用WebService接口,开发满足不同的人脸识别的场景的人脸识别应用。
请参考图4,作为对上述各图所示方法的实现,本申请提供了一种一体化人脸识别***的一个实施例,该***实施例与图2所示的方法实施例相对应,该***具体可以应用于各种电子设备中。
如图4所示,本实施例的一体化人脸识别***包括:接收单元401,处理单元402。其中,接收单元401配置用于接收用户的终端发送的一体化人脸识别服务获取请求,一体化人脸识别服务获取请求包括:用户选取的属于用户的与人脸识别相关的模型的标识,用户从候选操作中选取的操作的标识,候选操作包括:训练操作、预测操作,用户选取的属于用户的与人脸识别相关的模型的类型属于以下类型之一:人脸特征点提取类型、人脸检测类型、人脸对齐类型、人脸识别类型;处理单元402配置用于分布式地对用户选取的属于用户的与人脸识别相关的模型执行用户从候选操作中选取的操作,得到操作结果,以及存储操作结果。
在本实施例的一些可选的实现方式中,处理单元402包括:训练子单元,配置用于当用户从候选操作中选取的操作为训练操作以及一体化人脸识别服务获取请求还包括用户选取的训练数据集的标识时,从分布式文件***读取用户选取的训练数据集的标识对应的训练数据集和用户选取的属于用户的与人脸识别相关的模型对应的当前的训练程序;分布式地利用当前的训练程序基于训练数据集对用户选取的属于用户的与人脸识别相关的模型执行训练操作,得到训练后的用户选取的属于用户的与人脸识别相关的模型和模型参数;将训练后的用户选取的属于用户的与人脸识别相关的模型和模型参数存储在分布式文件***中。
在本实施例的一些可选的实现方式中,处理单元402包括:预测子单元,配置用于当用户从候选操作中选取的操作为预测操作时,从分布式文件***读取用户选取的属于用户的与人脸识别相关的模型的当前的预测程序;分布式地利用用户选取的属于用户的与人脸识别相关的模型的当前的预测程序对待预测数据集执行预测操作,得到预测结果;将预测结果存储在分布式文件***中
在本实施例的一些可选的实现方式中,一体化人脸识别***还包括:封装单元,配置用于分别将每一个与人脸识别的相关操作的代码封装为应用程序编程接口。
在本实施例的一些可选的实现方式中,一体化人脸识别***还包括:开发单元,配置用于获取用户基于应用程序编程接口编写的人脸识别应用的代码;建立人脸识别应用与用户的用户标识的对应关系。
在本实施例的一些可选的实现方式中,一体化人脸识别***还包括:优化单元,配置用于获取用户编写的属于用户的与人脸识别相关的模型的训练程序和预测程序的代码;将训练程序和预测程序作为属于用户的与人脸识别相关的模型的当前的训练程序和预测程序。
在本实施例的一些可选的实现方式中,一体化人脸识别***还包括:下载单元,配置用于接收用户的终端发送的模型下载请求,模型下载请求包括:用户选取的属于用户的与人脸识别相关的模型的标识;将用户选取的属于用户的与人脸识别相关的模型发送至终端。
图5示出了适于用来实现本申请实施例的服务器的计算机***的结构示意图。图5示出的服务器仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图5所示,计算机***包括中央处理单元(CPU)501,其可以根据存储在只读存储器(ROM)502中的程序或者从存储部分508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM503中,还存储有计算机***操作所需的各种程序和数据。CPU 501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
以下部件连接至I/O接口505:输入部分506;输出部分507;包括硬盘等的存储部分508;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分509。通信部分509经由诸如因特网的网络执行通信处理。驱动器510也根据需要连接至I/O接口505。可拆卸介质511,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器510上,以便于从其上读出的计算机程序根据需要被安装入存储部分508。
特别地,本申请的实施例中描述的过程可以被实现为计算机程序。例如,本申请的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包括用于执行流程图所示的方法的指令。该计算机程序可以通过通信部分509从网络上被下载和安装,和/或从可拆卸介质511被安装。在该计算机程序被中央处理单元(CPU)501执行时,执行本申请的方法中限定的上述功能。
本申请还提供了一种服务器,该服务器可以配置有一个或多个处理器;存储器,用于存储一个或多个程序,一个或多个程序中可以包含用以执行上述实施例中的步骤201-202中描述的操作的指令。当一个或多个程序被一个或多个处理器执行时,使得一个或多个处理器执行上述实施例中的步骤201-202中描述的操作。
本申请还提供了一种计算机可读介质,该计算机可读介质可以是服务器中所包括的;也可以是单独存在,未装配入服务器中。上述计算机可读介质承载有一个或者多个程序,当一个或者多个程序被服务器执行时,使得服务器:接收用户的终端发送的一体化人脸识别服务获取请求,一体化人脸识别服务获取请求包括:用户选取的属于所述用户的与人脸识别相关的模型的标识,用户从候选操作中选取的操作的标识,候选操作包括:训练操作、预测操作,用户选取的属于所述用户的与人脸识别相关的模型的类型属于以下类型之一:人脸特征点提取类型、人脸检测类型、人脸对齐类型、人脸识别类型;分布式地对用户选取的属于所述用户的与人脸识别相关的模型执行用户从候选操作中选取的操作,得到操作结果,以及存储操作结果。
需要说明的是,本申请所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的***、***或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行***、***或者器件使用或者与其结合使用。而在本申请中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行***、***或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本申请各种实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器包括接收单元,处理单元。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定,例如,接收单元还可以被描述为“用于接收用户的终端发送的一体化人脸识别服务获取请求的单元”。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本申请中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离所述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (10)
1.一种一体化人脸识别方法,其特征在于,所述方法包括:
接收用户的终端发送的一体化人脸识别服务获取请求,所述一体化人脸识别服务获取请求包括:用户选取的属于所述用户的与人脸识别相关的模型的标识,用户从候选操作中选取的操作的标识,候选操作包括:训练操作、预测操作,用户选取的属于所述用户的与人脸识别相关的模型的类型属于以下类型之一:人脸特征点提取类型、人脸检测类型、人脸对齐类型、人脸识别类型;
分布式地对用户选取的属于所述用户的与人脸识别相关的模型执行用户从候选操作中选取的操作,得到操作结果,以及存储所述操作结果;
分别将每一个与人脸识别的相关操作的代码封装为应用程序编程接口;
获取用户基于所述应用程序编程接口编写的人脸识别应用的代码;
建立所述人脸识别应用与用户的用户标识的对应关系。
2.根据权利要求1所述的方法,其特征在于,用户从候选操作中选取的操作为训练操作,所述一体化人脸识别服务获取请求还包括:用户选取的训练数据集的标识;以及
分布式地对用户选取的属于所述用户的与人脸识别相关的模型执行用户从候选操作中选取的操作包括:
从分布式文件***读取所述用户选取的训练数据集的标识对应的训练数据集和所述用户选取的属于所述用户的与人脸识别相关的模型对应的当前的训练程序;
分布式地利用所述当前的训练程序基于所述训练数据集对用户选取的属于所述用户的与人脸识别相关的模型执行训练操作,得到训练后的用户选取的属于所述用户的与人脸识别相关的模型和模型参数;
将训练后的用户选取的属于所述用户的与人脸识别相关的模型和模型参数存储在分布式文件***中。
3.根据权利要求1所述的方法,其特征在于,用户从候选操作中选取的操作为预测操作;以及
分布式地对用户选取的属于所述用户的与人脸识别相关的模型执行用户从候选操作中选取的操作包括:
从分布式文件***读取用户选取的属于所述用户的与人脸识别相关的模型的当前的预测程序;
分布式地利用所述当前的预测程序对待预测数据集执行预测操作,得到预测结果;
将所述预测结果存储在分布式文件***中。
4.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取用户编写的属于所述用户的与人脸识别相关的模型的训练程序和预测程序的代码;
将所述训练程序和预测程序作为所述属于所述用户的与人脸识别相关的模型的当前的训练程序和预测程序。
5.根据权利要求4所述的方法,其特征在于,所述方法还包括:
接收用户的终端发送的模型下载请求,所述模型下载请求包括:用户选取的属于所述用户的与人脸识别相关的模型的标识;
将所述模型发送至终端。
6.一种一体化人脸识别***,其特征在于,所述***包括:
接收单元,配置用于接收用户的终端发送的一体化人脸识别服务获取请求,所述一体化人脸识别服务获取请求包括:用户选取的属于所述用户的与人脸识别相关的模型的标识,用户从候选操作中选取的操作的标识,候选操作包括:训练操作、预测操作,用户选取的属于所述用户的与人脸识别相关的模型的类型属于以下类型之一:人脸特征点提取类型、人脸检测类型、人脸对齐类型、人脸识别类型;
处理单元,配置用于分布式地对用户选取的属于所述用户的与人脸识别相关的模型执行用户从候选操作中选取的操作,得到操作结果,以及存储所述操作结果;
封装单元,配置用于分别将每一个与人脸识别的相关操作的代码封装为应用程序编程接口;
开发单元,配置用于获取用户基于应用程序编程接口编写的人脸识别应用的代码;建立人脸识别应用与用户的用户标识的对应关系。
7.根据权利要求6所述的***,其特征在于,处理单元包括:
训练子单元,配置用于当用户从候选操作中选取的操作为训练操作以及所述一体化人脸识别服务获取请求还包括用户选取的训练数据集的标识时,从分布式文件***读取所述用户选取的训练数据集的标识对应的训练数据集和所述用户选取的属于所述用户的与人脸识别相关的模型对应的当前的训练程序;分布式地利用所述当前的训练程序基于所述训练数据集对用户选取的属于所述用户的与人脸识别相关的模型执行训练操作,得到训练后的用户选取的属于所述用户的与人脸识别相关的模型和模型参数;将训练后的用户选取的属于所述用户的与人脸识别相关的模型和模型参数存储在分布式文件***中。
8.根据权利要求6所述的***,其特征在于,处理单元包括:
预测子单元,配置用于当用户从候选操作中选取的操作为预测操作时,从分布式文件***读取用户选取的属于所述用户的与人脸识别相关的模型的当前的预测程序;分布式地利用所述当前的预测程序对待预测数据集执行预测操作,得到预测结果;将所述预测结果存储在分布式文件***中。
9.一种服务器,其特征在于,包括:
一个或多个处理器;
存储器,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现如权利要求1-5中任一所述的方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-5中任一所述的方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710811916.9A CN107516090B (zh) | 2017-09-11 | 2017-09-11 | 一体化人脸识别方法和*** |
US16/102,924 US11194999B2 (en) | 2017-09-11 | 2018-08-14 | Integrated facial recognition method and system |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710811916.9A CN107516090B (zh) | 2017-09-11 | 2017-09-11 | 一体化人脸识别方法和*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107516090A CN107516090A (zh) | 2017-12-26 |
CN107516090B true CN107516090B (zh) | 2021-09-17 |
Family
ID=60725085
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710811916.9A Active CN107516090B (zh) | 2017-09-11 | 2017-09-11 | 一体化人脸识别方法和*** |
Country Status (2)
Country | Link |
---|---|
US (1) | US11194999B2 (zh) |
CN (1) | CN107516090B (zh) |
Families Citing this family (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107103271A (zh) * | 2016-02-23 | 2017-08-29 | 芋头科技(杭州)有限公司 | 一种人脸检测方法 |
WO2018033137A1 (zh) * | 2016-08-19 | 2018-02-22 | 北京市商汤科技开发有限公司 | 在视频图像中展示业务对象的方法、装置和电子设备 |
US20180190377A1 (en) * | 2016-12-30 | 2018-07-05 | Dirk Schneemann, LLC | Modeling and learning character traits and medical condition based on 3d facial features |
CN107958444A (zh) * | 2017-12-28 | 2018-04-24 | 江西高创保安服务技术有限公司 | 一种基于深度学习的人脸超分辨率重建方法 |
CN108717719A (zh) * | 2018-05-23 | 2018-10-30 | 腾讯科技(深圳)有限公司 | 卡通人脸图像的生成方法、装置及计算机存储介质 |
CN109360646B (zh) * | 2018-08-31 | 2019-08-06 | 透彻影像(北京)科技有限公司 | 基于人工智能的病理辅助诊断*** |
CN109388479A (zh) * | 2018-11-01 | 2019-02-26 | 郑州云海信息技术有限公司 | mxnet***中深度学习数据的输出方法和装置 |
CN109727371A (zh) * | 2019-01-25 | 2019-05-07 | 深圳普思英察科技有限公司 | 用于无人售货机的识别***及方法 |
CN110378296A (zh) * | 2019-07-23 | 2019-10-25 | 上海大学 | 基于神经网络的低网络带宽需求的监控方法及*** |
CN110458113A (zh) * | 2019-08-14 | 2019-11-15 | 旭辉卓越健康信息科技有限公司 | 一种人脸非配合场景下的小人脸识别方法 |
CN110659087A (zh) * | 2019-09-11 | 2020-01-07 | 旭辉卓越健康信息科技有限公司 | 一种应用于智慧医疗的人脸识别算法工程化*** |
CN112668597B (zh) * | 2019-10-15 | 2023-07-28 | 杭州海康威视数字技术股份有限公司 | 一种特征比对方法、装置及设备 |
CN110826537A (zh) * | 2019-12-05 | 2020-02-21 | 广州市久邦数码科技有限公司 | 一种基于yolo的人脸检测方法 |
CN111090456A (zh) * | 2019-12-06 | 2020-05-01 | 浪潮(北京)电子信息产业有限公司 | 一种深度学习开发环境的构建方法、装置、设备及介质 |
CN111680799B (zh) | 2020-04-08 | 2024-02-20 | 北京字节跳动网络技术有限公司 | 用于处理模型参数的方法和装置 |
CN111552828A (zh) * | 2020-04-26 | 2020-08-18 | 上海天诚比集科技有限公司 | 一种1比n人脸比对方法 |
CN111770317B (zh) * | 2020-07-22 | 2023-02-03 | 平安国际智慧城市科技股份有限公司 | 用于智慧社区的视频监控方法、装置、设备及介质 |
CN112612575A (zh) * | 2020-12-22 | 2021-04-06 | 深圳龙岗智能视听研究院 | 一种基于Docker容器的人脸识别终端平台虚拟化的方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103116754A (zh) * | 2013-01-24 | 2013-05-22 | 浙江大学 | 基于识别模型的批量图像分割方法及*** |
CN105426850A (zh) * | 2015-11-23 | 2016-03-23 | 深圳市商汤科技有限公司 | 一种基于人脸识别的关联信息推送设备及方法 |
CN107016341A (zh) * | 2017-03-03 | 2017-08-04 | 西安交通大学 | 一种嵌入式实时人脸识别方法 |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5161204A (en) * | 1990-06-04 | 1992-11-03 | Neuristics, Inc. | Apparatus for generating a feature matrix based on normalized out-class and in-class variation matrices |
JP4681870B2 (ja) * | 2004-12-17 | 2011-05-11 | キヤノン株式会社 | 画像処理装置、画像処理方法、コンピュータプログラム |
US8429103B1 (en) * | 2012-06-22 | 2013-04-23 | Google Inc. | Native machine learning service for user adaptation on a mobile platform |
US20140092015A1 (en) * | 2012-09-29 | 2014-04-03 | Zhaohui Xing | Method and apparatus for manipulating a graphical user interface using camera |
US10296546B2 (en) * | 2014-11-24 | 2019-05-21 | Adobe Inc. | Automatic aggregation of online user profiles |
US10114957B2 (en) * | 2015-04-17 | 2018-10-30 | Dropbox, Inc. | Collection folder for collecting file submissions and using facial recognition |
US10013599B2 (en) * | 2015-07-13 | 2018-07-03 | The Johns Hopkins University | Face detection, augmentation, spatial cueing and clutter reduction for the visually impaired |
US9740920B1 (en) * | 2015-09-10 | 2017-08-22 | Symantec Corporation | Systems and methods for securely authenticating users via facial recognition |
US20170286755A1 (en) * | 2016-03-30 | 2017-10-05 | Microsoft Technology Licensing, Llc | Facebot |
US10075791B2 (en) * | 2016-10-20 | 2018-09-11 | Sony Corporation | Networked speaker system with LED-based wireless communication and room mapping |
US10909372B2 (en) * | 2018-05-28 | 2021-02-02 | Microsoft Technology Licensing, Llc | Assistive device for the visually-impaired |
-
2017
- 2017-09-11 CN CN201710811916.9A patent/CN107516090B/zh active Active
-
2018
- 2018-08-14 US US16/102,924 patent/US11194999B2/en active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103116754A (zh) * | 2013-01-24 | 2013-05-22 | 浙江大学 | 基于识别模型的批量图像分割方法及*** |
CN105426850A (zh) * | 2015-11-23 | 2016-03-23 | 深圳市商汤科技有限公司 | 一种基于人脸识别的关联信息推送设备及方法 |
CN107016341A (zh) * | 2017-03-03 | 2017-08-04 | 西安交通大学 | 一种嵌入式实时人脸识别方法 |
Also Published As
Publication number | Publication date |
---|---|
US20190080154A1 (en) | 2019-03-14 |
CN107516090A (zh) | 2017-12-26 |
US11194999B2 (en) | 2021-12-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107516090B (zh) | 一体化人脸识别方法和*** | |
CN108427939B (zh) | 模型生成方法和装置 | |
CN107277153B (zh) | 用于提供语音服务的方法、装置和服务器 | |
CN108733005B (zh) | 一种控制智能设备联动的方法及装置 | |
US20160050128A1 (en) | System and Method for Facilitating Communication with Network-Enabled Devices | |
CN111694617B (zh) | 网络离线模型的处理方法、人工智能处理装置及相关产品 | |
CN115511501A (zh) | 一种数据处理方法、计算机设备以及可读存储介质 | |
CN108833510B (zh) | 消息处理方法和装置 | |
CN108737243A (zh) | 会话消息质检方法及装置 | |
CN109710333A (zh) | 寄宿应用的处理方法、设备及计算机可读存储介质 | |
US20210273850A1 (en) | Utilizing unstructured data in self-organized networks | |
CN110046571B (zh) | 用于识别年龄的方法和装置 | |
CN111340220A (zh) | 用于训练预测模型的方法和装置 | |
CN113407327A (zh) | 一种建模任务和数据分析的方法、装置、电子设备及*** | |
CN113988225B (zh) | 建立表征提取模型、表征提取、类型识别的方法和装置 | |
CN110008926B (zh) | 用于识别年龄的方法和装置 | |
CN116456496B (zh) | 资源调度的方法、存储介质及电子设备 | |
CN111506393B (zh) | 一种基于arm的虚拟化装置及其使用方法 | |
CN109218338B (zh) | 信息处理***、方法和装置 | |
CN111580883B (zh) | 应用程序启动方法、装置、计算机***和介质 | |
CN103685491B (zh) | 一种应用服务提供方法、***及相关设备 | |
CN109819026B (zh) | 用于传输信息的方法及装置 | |
CN115022328B (zh) | 服务器集群以及服务器集群的测试方法、装置和电子设备 | |
KR20180042726A (ko) | 클라우드 서비스 기반의 빅데이터 분석 방법 및 장치 | |
CN107633219A (zh) | 一体化光学字符识别方法和*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |