CN107704809A - 基于干扰特征向量数据集的1比n人脸特征向量比对方法 - Google Patents
基于干扰特征向量数据集的1比n人脸特征向量比对方法 Download PDFInfo
- Publication number
- CN107704809A CN107704809A CN201710815977.2A CN201710815977A CN107704809A CN 107704809 A CN107704809 A CN 107704809A CN 201710815977 A CN201710815977 A CN 201710815977A CN 107704809 A CN107704809 A CN 107704809A
- Authority
- CN
- China
- Prior art keywords
- characteristic vector
- personnel
- array
- vector data
- data collection
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Collating Specific Patterns (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了基于干扰特征向量数据集的1比N人脸特征向量比对方法,属于人脸识别技术领域,包括构建干扰特征向量数据集和识别人员特征向量数据集;计算待测人脸图像的特征向量K;初始化相似度值数组R[t],用来存储特征向量K与识别人员特征向量数据集、干扰特征向量数据集中相似度最高的t个相似度值;初始化识别人员ID数组J[t],数组J为R数组中相似度值所对应的人员ID值;将特征向量K逐一与识别人员特征向量数据集和干扰特征向量数据集中的特征向量进行相似度计算,并更新R和J数组;基于J数组的最终结果,识别出待测人脸图像所对应的识别人员ID。本发明提高了人脸特征向量比对的准确率。
Description
技术领域
本发明涉及人脸识别技术领域,特别涉及基于干扰特征向量数据集的1比N人脸特征向量比对方法。
背景技术
人脸识别,是基于人脸照片进行面部特征提取,然后识别身份信息的一种机器视觉识别技术,主要包括人脸图像采集、图像预处理、特征提取、特征比对、身份识别等一系列过程。近年来,随着深度神经网络的快速发展以及在人脸识别领域中的应用,使得人脸识别的效果得到很大的提升。并且,人脸识别技术已经广泛应用与金融、教育、公安、医疗等众多领域。
人脸识别包括1:1人脸识别方式和1:N人脸识别方式。其中,1比N人脸识别***,是指将输入人脸图像与***的人脸数据库进行匹配,以确定输入人脸图像具体身份的一种人脸识别***。1比N人脸识别***通常用于车站、景区、医院、银行等人流密集地点的人脸识别布控***。此场景具有非配合性的特点,即识别过程中的非强制性与高效性,识别对象无需在特定的位置采集图像即能完成人脸识别的工作。
1比N人脸特征向量比对方法,是基于人脸识别***提取出的人脸特征向量进行比对,判断输入人脸身份的比对方法。现有的1比N特征向量比对方法,通常是在计算特征向量相似度之后,使用动态阈值进行判断。但是,这种方法在非配合性场景下,受角度、光照、侧脸等各种因素的影响较大,从而影响了整个人脸识别***的稳定性
发明内容
本发明的目的在于提供基于干扰特征向量数据集的1比N人脸特征向量比对方法,以提高1比N人脸特征向量比对的准确性。
为实现以上目的,本发明采用的技术方案为:提供基于干扰特征向量数据集的1比N人脸特征向量比对方法,包括:
S1、利用深度神经网络方法计算干扰数据集以及识别人员数据集中每张人脸图像的特征向量,分别构建干扰特征向量数据集和识别人员特征向量数据集;
S2、利用深度神经网络方法计算待测人脸图像的特征向量K;
S3、初始化相似度值数组R[t],用来存储特征向量K与识别人员特征向量数据集、干扰特征向量数据集中相似度最高的t个相似度值;
S4、初始化识别人员ID数组J[t],数组J为R数组中相似度值所对应的人员ID值;
S5、将特征向量K逐一与识别人员特征向量数据集和干扰特征向量数据集中的特征向量进行相似度计算,并更新R和J数组;
S6、基于J数组的最终结果,识别出待测人脸图像所对应的识别人员ID。
其中,所述的步骤S5中的相似度为特征向量K与识别人员特征向量数据集中的特征向量的余弦距离,或者特征向量K与干扰特征向量数据集中的特征向量的余弦距离。
其中,所述的步骤S5,具体包括:
初始化浮点数组R[t],每个数组成员均初始化为0;
依次取出识别人员特征向量数据集和干扰特征向量数据集中的特征向量,并计算其与特征向量K的相似度值M;
根据M和R[t]的关系,更新浮点数组R[t]及其对应的人员ID数组J[t];
判断所述识别人员特征向量数据集和干扰特征向量数据集中是否还存在未计算过相似度的特征向量;
若是,则取出下一个特征向量并计算其与特征向量K的相似度;
若否,浮点数组R[t]中保存着前t个最大的相似度值,数组J[t]保存着数组R[t]对应的t个人员ID值。
其中,所述的步骤S6,具体包括:
a、当数组J满足条件:(J[0]=J[1])∧(J[0]≠-1),确定待测人脸图像的人员ID为J[0];
b、当数组J满足条件:((J[0]=J[2])∨(J[1]=J[2]))∧(J[2]≠-1),确定待测
人脸图像的人员ID为J[2];
c、当数组J满足条件:(J[0]=J[1]=-1)∧(J[2]≠-1),确定待测人脸图像的人员ID为J[2];
d、当数组J满足条件:(J[0]=J[2]=-1)∧(J[1]≠-1),确定待测人脸图像的人员ID为J[1];
e、当数组J满足条件:(J[1]=J[2]=-1)∧(J[0]≠-1),确定待测人脸图像的人员ID为J[0];
f、当J数组不满足步骤a~步骤e中的任一条件时,确定待测人脸图像不在所述识别人员数据集之中。
与现有技术相比,本发明存在以下技术效果:本发明在1比N人脸识别中使用干扰数据集进行特征向量比对,使用干扰数据集的特征向量相似度,与识别人员数据集中的特征向量相似度进行综合考虑,可以将各种受光照、角度等因素的影响而相似度较低的情况识别出来,进而提高***的识别准确率。
附图说明
下面结合附图,对本发明的具体实施方式进行详细描述:
图1是本发明中基于干扰特征向量数据集的1比N人脸特征向量比对方法的流程示意图。
具体实施方式
为了更进一步说明本发明的特征,请参阅以下有关本发明的详细说明与附图。所附图仅供参考与说明之用,并非用来对本发明的保护范围加以限制。
如图1所示,本实施例公开了基于干扰特征向量数据集的1比N人脸特征向量比对方法,包括如下步骤S1至S6:
S1、利用深度神经网络方法计算干扰数据集以及识别人员数据集中每张人脸图像的特征向量,分别构建干扰特征向量数据集和识别人员特征向量数据集;
需要说明的是,本实施例中收集1万张陌生人脸照片,作为的干扰数据集。***中预先存储识别人员数据集,针对每张人脸照片,使用深度神经网络提取对应的人脸特征向量。人脸特征向量由128个浮点数组成,可以标示人脸图像的特征。两张人脸图像之间,可以计算其对应的两个人脸特征向量的相似度值,相似度值的大小标示着这两张人脸相似程度。通过对干扰人脸照片数据集逐一计算人脸特征向量,即可得到包含1万个特征向量的干扰特征向量数据集[J1,J2,…,Ji,…,JI],其中1≤i≤I,I取值为10000,每个干扰特征向量由128个浮点数构成,Jiu(1≤u≤128)标示该特征向量的第u个分量。
S2、利用深度神经网络方法计算待测人脸图像的特征向量K;
需要说明的是,本实施例对输入的人脸照片,经过降噪等必要的处理之后,使用基于训练好的深度人脸特征神经网络,计算出该照片中人脸所对应的特征向量,作为待测特征向量并记为K,由128个浮点数构成,Kj(1≤j≤128)标示该特征向量的第j个分量。
输入的待测人脸特征向量K与识别人员特征向量数据集和干扰特征向量数据集中的特征向量依次进行相似度计算后,依据计算结果更新相似度数组R和人员ID数组J,可以判断出输入人脸对应的人员ID。
S3、初始化相似度值数组R[t],用来存储特征向量K与识别人员特征向量数据集、干扰特征向量数据集中相似度最高的t个相似度值;
在实际应用中,本实施例使用数组R[3]来存储相似度最高的3个相似度值。数组J[3]用来存储人员ID,当R数组更新时同步更新J数组,使得R数组为J数组保存的人员ID所对应的相似度值。
S4、初始化识别人员ID数组J[t],数组J为R数组中相似度值所对应的人员ID值;
相应地,初始化数组R[3],每个数组成员均初始化为0。初始化数组J[3],每个数组成员初始化为-1。
S5、将特征向量K逐一与识别人员特征向量数据集和干扰特征向量数据集中的特征向量进行相似度计算,并更新R和J数组;
需要说明的是,人脸识别***的识别人员特征向量数据集,存储着已经录入的人员ID所对应的人脸特征向量。将输入的特征向量K在识别人脸特征向量数据集中进行逐一比对,计算相似度值,并同步更新数组R和数组J。具体的算法流程如下:
(1)从***人脸特征向量数据库中取出一个特征向量H及其对应的人员ID。
(2)计算特征向量H与输入特征向量K的余弦距离M。计算公式为其中Hp为特征向量H的第p个分量,Kj为特征向量K的第j个分量。M即为特征向量H与特征向量K的相似度值。
(3)当R[0]<M时,执行下列操作更新R数组:然后跳转到分步骤(7)继续执行。
(4)当R[1]<M<R[0]时,执行下列操作更新R数组:然后跳转到分步骤(7)继续执行。
(5)当R[2]<M<R[1]时,执行R[2]=M,J[2]=ID操作,更新R数组,然后跳转到分步骤(7)继续执行。
(6)当M<R[2]时,不做任何操作,直接跳转到分步骤(7)继续执行。
(7)判断***人脸特征向量数据集中还存在没有与特征向量K计算过相似度的特征向量,若是则取出下一个特征向量H及其对应的人员ID并跳转到分步骤(2)继续执行。否则,跳转到分步骤(8)继续执行。
(8)如果干扰人脸特征数据集中还存在没有与特征向量K计算过相似度的特征向量,则取出下一个特征向量H,并且将其对应的人员ID置为-1,然后跳转到分步骤(2)继续执行。否则,流程结束。
S6、基于J数组的最终结果,识别出待测人脸图像所对应的识别人员ID。
具体地,步骤S6包括如下步骤:
a、当数组J满足条件:(J[0]=J[1])∧(J[0]≠-1),说明与输入人脸最相似的前2个特征向量都属于同一个人,确定待测人脸图像的人员ID为J[0];
b、当数组J满足条件:((J[0]=J[2])∨(J[1]=J[2]))∧(J[2]≠-1),说明与输入人脸最相似的3个特征向量中有2个都属于同一个人,确定待测人脸图像的人员ID为J[2];
c、当数组J满足条件:(J[0]=J[1]=-1)∧(J[2]≠-1),说明与输入人脸最相似的3个特征向量中,J[0]和J[1]属于干扰数据集,J[2]属于***的人脸数据集,确定待测人脸图像的人员ID为J[2];
d、当数组J满足条件:(J[0]=J[2]=-1)∧(J[1]≠-1),说明与输入人脸最相似的3个特征向量中,J[0]和J[2]属于干扰数据集,J[1]属于***的人脸数据集,确定待测人脸图像的人员ID为J[1];
e、当数组J满足条件:(J[1]=J[2]=-1)∧(J[0]≠-1),说明与输入人脸最相似的3个特征向量中,J[1]和J[2]属于干扰数据集,J[0]属于***的人脸数据集,确定待测人脸图像的人员ID为J[0];
f、当J数组不满足步骤a~步骤e中的任一条件时,确定待测人脸图像不在所述识别人员数据集之中。
需要说明的是,本发明在1比N人脸识别中使用干扰数据集进行特征向量比对。使用干扰数据集的特征向量相似度,与***人脸库的特征向量相似度进行综合考虑,可以将各种受光照、角度等因素的影响而相似度较低的情况识别出来,进而提高***的识别准确率。而且,在1比N人脸识别时,当***输出的人员ID不是输入的人脸时,会产生误识的情况。本发明通过使用干扰数据集,可以高效地排除这种,与输入人脸不是同一个人但是相似度很高的情况。这样可以有效地降低1比N人脸识别***的误识率。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (4)
1.基于干扰特征向量数据集的1比N人脸特征向量比对方法,其特征在于,包括:
S1、利用深度神经网络方法计算干扰数据集以及识别人员数据集中每张人脸图像的干扰特征向量,分别构建干扰特征向量数据集和识别人员特征向量数据集;
S2、利用深度神经网络方法计算待测人脸图像的特征向量K;
S3、初始化相似度值数组R[t],用来存储特征向量K与识别人员特征向量数据集、干扰特征向量数据集中相似度最高的t个相似度值;
S4、初始化识别人员ID数组J[t],数组J为R数组中相似度值所对应的人员ID值;
S5、将特征向量K逐一与识别人员特征向量数据集和干扰特征向量数据集中的特征向量进行相似度计算,并更新R和J数组;
S6、基于J数组的最终结果,识别出待测人脸图像所对应的识别人员ID。
2.如权利要求1所述的方法,其特征在于,所述的步骤S5中的相似度为特征向量K与识别人员特征向量数据集中的特征向量的余弦距离,或者特征向量K与干扰人脸特征向量数据集中的特征向量的余弦距离。
3.如权利要求1所述的方法,其特征在于,所述的步骤S5,具体包括:
初始化浮点数组R[t],每个数组成员均初始化为0;
依次取出识别人员特征向量数据集和干扰特征向量数据集中的特征向量,并计算其与特征向量K的相似度值M;
根据M和R[t]的关系,更新浮点数组R[t]及其对应的人员ID数组J[t];
判断所述识别人员特征向量数据集和干扰特征向量数据集中是否还存在未计算过相似度的特征向量;
若是,则取出下一个特征向量并计算其与特征向量K的相似度;
若否,浮点数组R[t]中保存着前t个最大的相似度值,数组J[t]保存着数组R[t]对应的t个人员ID值。
4.如权利要求1所述的方法,其特征在于,所述的步骤S6,具体包括:
a、当数组J满足条件:(J[0]=J[1])∧(J[0]≠-1),确定待测人脸图像的人员ID为J[0];
b、当数组J满足条件:((J[0]=J[2])∨(J[1]=J[2]))∧(J[2]≠-1),确定待测人脸图像的人员ID为J[2];
c、当数组J满足条件:(J[0]=J[1]=-1)∧(J[2]≠-1),确定待测人脸图像的人员ID为J[2];
d、当数组J满足条件:(J[0]=J[2]=-1)∧(J[1]≠-1),确定待测人脸图像的人员ID为J[1];
e、当数组J满足条件:(J[1]=J[2]=-1)∧(J[0]≠-1),确定待测人脸图像的人员ID为J[0];
f、当J数组不满足步骤a~步骤e中的任一条件时,确定待测人脸图像不在所述识别人员数据集之中。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710815977.2A CN107704809A (zh) | 2017-09-11 | 2017-09-11 | 基于干扰特征向量数据集的1比n人脸特征向量比对方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710815977.2A CN107704809A (zh) | 2017-09-11 | 2017-09-11 | 基于干扰特征向量数据集的1比n人脸特征向量比对方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107704809A true CN107704809A (zh) | 2018-02-16 |
Family
ID=61172558
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710815977.2A Pending CN107704809A (zh) | 2017-09-11 | 2017-09-11 | 基于干扰特征向量数据集的1比n人脸特征向量比对方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107704809A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020015076A1 (zh) * | 2018-07-18 | 2020-01-23 | 平安科技(深圳)有限公司 | 人脸图像比对方法、装置、计算机设备及存储介质 |
WO2020015075A1 (zh) * | 2018-07-18 | 2020-01-23 | 平安科技(深圳)有限公司 | 人脸图像比对方法、装置、计算机设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004126813A (ja) * | 2002-09-30 | 2004-04-22 | Toshiba Corp | 個人認証装置、個人認証方法、入退出管理装置及び入退出管理方法 |
CN106203333A (zh) * | 2016-07-08 | 2016-12-07 | 乐视控股(北京)有限公司 | 人脸识别方法及*** |
CN106355138A (zh) * | 2016-08-18 | 2017-01-25 | 电子科技大学 | 基于深度学习和关键点特征提取的人脸识别方法 |
CN106600640A (zh) * | 2016-12-12 | 2017-04-26 | 杭州视氪科技有限公司 | 一种基于rgb‑d相机的人脸识别辅助眼镜 |
-
2017
- 2017-09-11 CN CN201710815977.2A patent/CN107704809A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004126813A (ja) * | 2002-09-30 | 2004-04-22 | Toshiba Corp | 個人認証装置、個人認証方法、入退出管理装置及び入退出管理方法 |
CN106203333A (zh) * | 2016-07-08 | 2016-12-07 | 乐视控股(北京)有限公司 | 人脸识别方法及*** |
CN106355138A (zh) * | 2016-08-18 | 2017-01-25 | 电子科技大学 | 基于深度学习和关键点特征提取的人脸识别方法 |
CN106600640A (zh) * | 2016-12-12 | 2017-04-26 | 杭州视氪科技有限公司 | 一种基于rgb‑d相机的人脸识别辅助眼镜 |
Non-Patent Citations (2)
Title |
---|
DAYONG WANG等: ""Face Search at Scale: 80 Million Gallery"", 《ARXIV:1507.07242V2》 * |
卫娟等: ""基于局部特征在线学习的视频人脸识别"", 《计算机应用与软件》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020015076A1 (zh) * | 2018-07-18 | 2020-01-23 | 平安科技(深圳)有限公司 | 人脸图像比对方法、装置、计算机设备及存储介质 |
WO2020015075A1 (zh) * | 2018-07-18 | 2020-01-23 | 平安科技(深圳)有限公司 | 人脸图像比对方法、装置、计算机设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yuan et al. | Fingerprint liveness detection using an improved CNN with image scale equalization | |
CN107194341B (zh) | Maxout多卷积神经网络融合人脸识别方法和*** | |
CN107644204A (zh) | 一种用于安防***的人体识别与跟踪方法 | |
CN105095829B (zh) | 一种人脸识别方法及*** | |
Yao et al. | Robust CNN-based gait verification and identification using skeleton gait energy image | |
CN109165566A (zh) | 一种基于新型损失函数的人脸识别卷积神经网络训练方法 | |
CN103279768B (zh) | 一种基于增量学习人脸分块视觉表征的视频人脸识别方法 | |
US11594074B2 (en) | Continuously evolving and interactive Disguised Face Identification (DFI) with facial key points using ScatterNet Hybrid Deep Learning (SHDL) network | |
CN105528584B (zh) | 一种正脸图像的检测方法和装置 | |
CN109522853A (zh) | 面向监控视频的人脸检测与搜索方法 | |
CN102004899A (zh) | 一种人脸认证***及方法 | |
CN105138974B (zh) | 一种基于Gabor编码的手指多模态特征融合方法 | |
CN103049736A (zh) | 一种基于最大稳定极值区域的人脸识别方法 | |
CN102629320A (zh) | 基于特征层定序测量统计描述的人脸识别方法 | |
CN108875907A (zh) | 一种基于深度学习的指纹识别方法和装置 | |
US8953852B2 (en) | Method for face recognition | |
CN110796101A (zh) | 一种嵌入式平台的人脸识别方法及*** | |
CN103902992A (zh) | 人脸识别方法 | |
CN109034091A (zh) | 区块链图像处理方法 | |
CN110705454A (zh) | 一种具有活体检测功能的人脸识别方法 | |
Naveen et al. | Face recognition and authentication using LBP and BSIF mask detection and elimination | |
CN107704809A (zh) | 基于干扰特征向量数据集的1比n人脸特征向量比对方法 | |
Yang et al. | Combining YOLOV3-tiny model with dropblock for tiny-face detection | |
Prashanth et al. | Off-line signature verification based on angular features | |
Hasan et al. | Long-term people reidentification using anthropometric signature |
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 | ||
CB02 | Change of applicant information |
Address after: 230000 Yafu Park, Juchao Economic Development Zone, Chaohu City, Hefei City, Anhui Province Applicant after: ANHUI HUISHI JINTONG TECHNOLOGY Co.,Ltd. Address before: 102, room 602, C District, Hefei National University, Mount Huangshan Road, 230000 Hefei Road, Anhui, China Applicant before: ANHUI HUISHI JINTONG TECHNOLOGY Co.,Ltd. |
|
CB02 | Change of applicant information |