CN110162462A - 基于场景的人脸识别***的测试方法、***和计算机设备 - Google Patents
基于场景的人脸识别***的测试方法、***和计算机设备 Download PDFInfo
- Publication number
- CN110162462A CN110162462A CN201910305396.3A CN201910305396A CN110162462A CN 110162462 A CN110162462 A CN 110162462A CN 201910305396 A CN201910305396 A CN 201910305396A CN 110162462 A CN110162462 A CN 110162462A
- Authority
- CN
- China
- Prior art keywords
- picture
- scene
- feature
- face
- test
- 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
- 238000010998 test method Methods 0.000 title claims abstract description 21
- 238000012360 testing method Methods 0.000 claims abstract description 87
- 238000000034 method Methods 0.000 claims description 21
- 238000012545 processing Methods 0.000 claims description 14
- 239000000284 extract Substances 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 210000001061 forehead Anatomy 0.000 claims description 6
- 230000015572 biosynthetic process Effects 0.000 claims description 4
- 210000000887 face Anatomy 0.000 claims description 4
- 238000003786 synthesis reaction Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 239000011159 matrix material Substances 0.000 description 6
- 238000004891 communication Methods 0.000 description 4
- 210000004209 hair Anatomy 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000001815 facial effect Effects 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- HUTDUHSNJYTCAR-UHFFFAOYSA-N ancymidol Chemical compound C1=CC(OC)=CC=C1C(O)(C=1C=NC=NC=1)C1CC1 HUTDUHSNJYTCAR-UHFFFAOYSA-N 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000001727 in vivo Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/36—Preventing errors by testing or debugging software
- G06F11/3668—Software testing
- G06F11/3672—Test management
- G06F11/3688—Test management for test execution, e.g. scheduling of test suites
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/36—Preventing errors by testing or debugging software
- G06F11/3668—Software testing
- G06F11/3672—Test management
- G06F11/3692—Test management for test results analysis
-
- 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
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
-
- 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)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Quality & Reliability (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例提供了一种基于场景的人脸识别***的测试方法，所述方法包括：获取测试视频，从所述测试视频中获取N个包括脸部特征的图片；根据所述N个包括脸部特征的图片得到多个分类场景对应的多个图片集合，每个图片集合包括对应分类场景下的多个图片；接收用户针对所述多个分类场景中的目标场景的选择指令；从所述多个图片集合中选择与所述目标场景对应的目标图片集合；将目标图片集合合成视频流；及将所述视频流输入到人脸识别***中，以通过所述视频流对人脸识别***进行***测试操作。本发明实施例通过图片集合生成测试视频，可以提高回归测试的效率；通过测试场景的组合，可以提高用户场景测试的覆盖率。
Description
技术领域
本发明实施例涉及测试领域，尤其涉及一种基于场景的人脸识别***的测试方法、***、计算机设备及计算机可读存储介质。
背景技术
人脸识别技术以其唯一性、并发性、非强制性、非接触性等优良特性，广泛应用于安防、金融、教育、电子商务、互联网等各个领域。
目前人脸识别***在正常场景下，在合适的光源下，采集人脸的正面，包含正常完整的人脸轮廓，毫无遮挡的五官，清晰的被拍照设备拍到，这样才能够准确的捕捉到特征，并判断出来。但是对于测试员来讲，还要考虑各种场景的表现，即任何可能造成拍不到，拍不清晰，判断不出是人脸，或者不完整的表现。现有的测试方法，需要人员现场进行活体检测，但是这要的测试方式无法快速发现问题和验证问题。且各种异常场景的组合测试也无法高效的完成测试。回归测试的难度大，效率低。
发明内容
有鉴于此，有必要提供一种基于场景的人脸识别***的测试方法、***、计算机设备及计算机可读存储介质，以解决当前测试方式无法快速发现问题和验证问题、各种异常场景的组合测试也无法高效的完成、且回归测试的难度大和效率低的问题。
为实现上述目的，本发明实施例提供了基于场景的人脸识别***的测试方法，所述方法步骤包括：
获取测试视频，所述获取测试视频包括预采集的测试视频数据库中的原始视频数据，或通过图像采集装置获取的预设场景下的指定测试视频数据；
从所述测试视频中获取N个包括脸部特征的图片；
根据所述N个包括脸部特征的图片得到多个分类场景对应的多个图片集合，每个图片集合包括对应分类场景下的多个图片；
接收用户针对所述多个分类场景中的目标场景的选择指令；
从所述多个图片集合中选择与所述目标场景对应的目标图片集合；
将目标图片集合合成视频流；及
将所述视频流输入到人脸识别***中，以通过所述视频流对人脸识别***进行***测试操作。
示例性的，获取测试视频的步骤包括：
根据待测试人脸识别***的多个应用场景，从所述测试视频数据库中的原始视频数据中获取与该多个应用场景对应的视频作为所述测试视频。
示例性的，从所述测试视频中获取N个包括脸部特征的图片的步骤包括：
将所述测试视频分帧处理得到多个图片；
对所述多个图片进行人脸识别，以判断每个图片中的是否包括脸部特征，所述脸部特征包括：额头区域特征、眼部区域特征、鼻子区域特征、嘴部区域特征和/或耳部区域；
将不包括脸部特征的图片定义为无效图片；及
从所述多个图片中剔除所述无效图片，得到所述N个包括脸部特征的图片。
示例性的，根据所述N个包括脸部特征的图片得到多个分类场景对应的多个图片集合的步骤，包括：
对所述N个包括脸部特征的图片进行取样，得到多个样本图片集合；
从所述多个样本图片集合中选择其中一个样本图片集合；
提取该被选择的样本图片集合中的各个图片的图像场景特征，以及根据所述被选择的样本图片集合中的各个图片的图像场景特征，通过增量学习法提取未被选择的多个样本图片集合中的每个样本图片集合中各个图片的图像场景特征，以得到N个包括脸部特征的图片的图片场景特征；及
根据所述N个包括脸部特征的图片的图像场景特征，基于聚类算法将所述N个包括脸部特征的图片划分为所述多个分类场景对应的多个图片集合，每个图片位于一个或多个图片集中。
示例性的，所述多个图片集合所对应的多个场景包括：角度倾斜场景、光线较暗场景、眼部有遮挡场景、脸部轮廓有遮挡场景和/或多人脸场景。
为实现上述目的，本发明实施例还提供了一种人脸识别***的测试***，包括：
获取模块，用于获取测试视频；
分解模块，用于将所述测试视频分帧处理得到N个包括脸部特征的图片；
分类模块，用于将所述N个包括脸部特征的图片分类，得到多个分类场景对应的多个图片集合；
接收模块，用于接收用户针对所述多个分类场景中的目标场景的选择指令；
选择模块，用于从所述多个图片集合中选择与所述目标场景对应的目标图片集合；
合成模块，用于将目标图片集合合成视频流；及
输入模块，用于将所述视频流输入到人脸识别***中，进行人脸识别***的测试。
示例性的，所述获取模块，还用于：
将所述测试视频分帧处理得到多个图片；
对所述多个图片进行人脸识别，以判断每个图片中的是否包括脸部特征，所述脸部特征包括：额头区域特征、眼部区域特征、鼻子区域特征、嘴部区域特征和/或耳部区域；
将不包括所述脸部特征的图片定义为无效图片；及
从所述多个图片中剔除所述无效图片，得到所述N个包括脸部特征的图片。
示例性的，所述分类模块，还用于：
对所述N个包括脸部特征的图片进行取样，得到多个样本图片集合；
从所述多个样本图片集合中选择其中一个样本图片集合；
提取该被选择的样本图片集合中的各个图片的图像场景特征，以及根据所述被选择的样本图片集合中的各个图片的图像场景特征，通过增量学习法提取未被选择的多个样本图片集合中的每个样本图片集合中各个图片的图像场景特征，以得到N个包括脸部特征的图片的图片场景特征；及
根据所述N个包括脸部特征的图片的图像场景特征，基于聚类算法将所述N个包括脸部特征的图片划分为所述多个分类场景对应的多个图片集合，每个图片位于一个或多个图片集合中。
为实现上述目的，本发明实施例还提供了一种计算机设备，所述计算机设备，所述计算机设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述计算机程序被处理器执行时实现如上述的基于场景的人脸识别***的测试方法的步骤。
为实现上述目的，本发明实施例还提供了一种计算机可读存储介质，其特征在于，所述计算机可读存储介质内存储有计算机程序，所述计算机程序可被至少一个处理器所执行，以使所述至少一个处理器执行时实现如上述的基于场景的人脸识别***的测试方法的步骤。
本发明实施例提供的基于场景的人脸识别***的测试方法、***、计算机设备及计算机可读存储介质，为人脸识别***的测试场景提供了有效的分类方法；通过图片集合生成测试视频，可以提高回归测试的效率；通过测试场景的组合，可以提高用户场景测试的覆盖率。
附图说明
图1为本发明实施例基于场景的人脸识别***的测试方法的流程示意图。
图2为图1中步骤S102的具体流程示意图。
图3为图1中步骤S104的具体流程示意图。
图4为本发明基于场景的人脸识别***的测试***实施例二的程序模块示意图。
图5为本发明计算机设备实施例三的硬件结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。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。
需要说明的是，在本发明中涉及“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外，各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。
以下实施例中，将以计算机设备为执行主体进行示例性描述。
实施例一
参阅图1，示出了本发明实施例之基于场景的人脸识别***的测试方法的步骤流程图。可以理解，本方法实施例中的流程图不用于对执行步骤的顺序进行限定。下面以计算机设备为执行主体进行示例性描述。具体如下。
步骤S100，获取测试视频，所述获取测试视频包括预采集的测试视频数据库中的原始视频数据，或通过图像采集装置获取的预设场景下的指定测试视频数据。
示例性的，所述预采集的测试视频数据库中的原始视频数据，通过网络连接云端存储，进行下载其中的大量视频。这些视频，有些是个人自拍；有些是他人拍摄，如用户的亲人、朋友、同事等；也有些是多人视频；还有些是没有人物的，如风景、名胜古迹等。这些视频在拍摄角度、拍摄环境(如周围光线强度、背景等)、拍摄场景等各有不同，这些具有相同或不同拍摄场景特征的拍摄视频，可以为测试人脸识别***提供丰富的测试视频数据源。
示例性的，所述预设场景下的指定测试视频数据，例如，通过行车记录仪或道路监控采集车内人脸场景视频；通过小区或商场监控采集行人人脸场景视频等。
步骤S102，从所述测试视频中获取N个包括脸部特征的图片。
具体的，如图2所示，所述步骤S102可以进一步包括：
步骤S102a，将所述测试视频分帧处理得到多个图片，对所述多个图片进行人脸识别，以判断每个图片中的是否包括脸部特征。所述脸部特征可以包括：额头区域特征、眼部区域特征、鼻子区域特征、嘴部区域特征和/或耳部区域；
步骤S102b，将不包括所述脸部特征的图片定义为无效图片；
步骤S102c，从所述多个图片中剔除所述无效图片，得到所述N个包括脸部特征的图片。
步骤S104，根据所述N个包括脸部特征的图片得到多个分类场景对应的多个图片集合，每个图片集合包括对应分类场景下的多个图片。
具体的，如图3所示，所述步骤S104可以进一步包括：
步骤S104a，对所述N个包括脸部特征的图片进行取样，得到多个样本图片集合；
步骤S104b，从所述多个样本图片集合中选择其中一个样本图片集合；
步骤S104c，提取该被选择的样本图片集合中的各个图片的图像场景特征，以及根据所述被选择的样本图片集合中的各个图片的图像场景特征，通过增量学习法提取未被选择的多个样本图片集合中的每个样本图片集合中各个图片的图像场景特征，以得到N个包括脸部特征的图片的图片场景特征。
示例性的，构造一个函数T(X)，通过输入任意一张人脸图像Ii，输出一个维数低于Ii的向量fi，即fi＝T(Ii)。
具体地，所述步骤S104c可以进一步包括：
步骤1，假设该被选择的样本图片集合中一共有n个图像x1，x2，…，xn；
步骤2，从n个图像中先提取一部分图片，记为x1，x2，...，xm，m<n，计算出这m个图片的均值和协方差矩阵
步骤3，从N个包括脸部特征的图片中再提取一部分图片，记为xm+1，xm+2，…，xm+p，同理，这p个图片的均值为xp，协方差矩阵为Σp，并计算出这m+p个图片x1，x2，…，xm，xm+1，xm+2，…，xm+p的协方差矩阵为：
步骤4，不断从N个包括脸部特征的图片中提取部分图片，直到N个包括脸部特征的图片中的所有图片都提取完为止，最终计算出的协方差矩阵就是PCA方法中计算的协方差矩阵
需要特别说明的是，在特征提取中，T(X)可以根据用户需要进行选择，以PCA为例，对协方差矩阵进行特征分解，得到：Σ＝PΛPT，对于每个图片xi，其特征就是即通过增量学习法逐步提取图像场景特征时，对于第i(1≤i≤n)个图像Ii，给出一个向量fi，而fi的维数小于Ii的维数。
步骤S104d，根据所述N个包括脸部特征的图片的图像场景特征，基于聚类算法将所述N个包括脸部特征的图片划分为所述多个分类场景对应的多个图片集合，每个图片位于一个或多个图片集合中。
具体的，通过聚类分析法将N个已获取的图像场景特征分成M个图片集合，即M个聚类，每个图像场景特征对应一个聚类，可以用类别标签标识图像场景特征所对应的聚类，例如第i(1≤i≤n)个图像场景特征对应一个类别标签Li，Li的取值范围从1到M。
需要说明的是，本发明实施例通过聚类分析法对特征进行处理，根据N个包括脸部特征的图片的图像场景特征，将N个包括脸部特征的图片划分M个图片集合，从而将相似的图像场景特征的图片聚集到一起，一个图片集合对应一个聚类。聚类结束后，第i(1≤i≤n)个图像场景的特征获得了一个类别标签Li，Li的取值范围为1到M，M个聚类中心分别为每个聚类中的数据都紧密的聚集在其聚类中心的周围。在进行查找时，只需要将待识别图像场景特征先和M个聚类中心进行比较，找到距离最近的那个聚类中心，于是待识别图像场景特征就可能属于该聚类，然后在该聚类中进行进一步的匹配，就可以获得最终的匹配结果，从而降低了在数据库中搜索的时间。
需要说明的是，所述N个包括脸部特征的图片中的每个图片对应的图像信息(例如该图像所展现的人的档案信息等)、图像场景特征及类别标签记录可以被记录于数据库中。
步骤S106，接收用户针对所述多个分类场景中的目标场景的选择指令。
所述目标场景可以是已有场景分类中的其中一种场景或几种场景的组合。
示例性的，所述目标场景，可以根据待测试人脸识别***所处的实际场景来选择，或是通过输入接口接收用户预设的场景指令来选择。
示例性的，待测***的识别率在光线较暗的场景识别率，比较低下，可以选择光线较暗的场景对应的目标图片集合，或者选择光线较暗和姿势的组合场景来筛选出图片集合。所述场景包括但不限于以下几种：1.人脸没有正对摄像头，2.拍照环境过暗或者过黑，3.有佩戴黑框眼镜或墨镜拍照，4.头发有明显遮住眼睛或脸部轮廓，5.摄像头内包含多张人脸等场景的测试。其中组合场景可以是：拍照环境过暗且人脸没有正对摄像头；摄像头内包含多张人脸且头发有明显遮住眼睛或脸部轮廓；人脸没有正对摄像头，角度有倾斜等。
步骤S108，从所述多个图片集合中选择与所述目标场景对应的目标图片集合。
示例性的，将所述目标场景的特征，与多个图片集合对应的多个聚类的聚类中心进行比较，确定目标场景的特征所属的聚类的类别，根据目标场景的场景特征类别选择出对应的图片集合。
具体的操作包括：
第一步，提取任意一副待匹配图片It的特征ft。
例如，对于任意一副待匹配的图片It，代入函数T(x)中得到其特征ft＝T(It)。
第二步，根据第一步计算的特征ft以及数据库中的M个聚类中心，使用最近邻法则确定待匹配图片的类别标签Lt。
例如，采用下面的公式，计算ft和每个聚类中心的差值di：
其中，i＝1，2，…，M。
得到M个差值d1，d2，…，dM后，确定d1，d2，…，dM中的最小值，找出该最小值对应的聚类，假设该最小值的下标为k，则待匹配图像It就属于第k个聚类，假设该第k个聚类的类别标签为Lt。
即，将待匹配图片的图像场景特征与第k个聚类中的各个图像场景特征进行匹配，找到对应的聚类中心，以确定目标场景的特征所属的聚类的类别。
步骤S110，将目标图片集合合成视频流。
示例性的，根据预定义的测试脚本将目标图片集合中的所有图片合成为视频流。所述测试脚本包括但不限于：上传图片时间顺序、图片像素大小的顺序等顺序进行排列。
步骤S112，将所述视频流输入到人脸识别***中，以通过所述视频流对人脸识别***进行***测试操作。
示例性的，具体测试流程可以如下：
将所述视频流中的多帧图片组成探测集或查询集，用于输入给人脸识别***；通过已知身份的人的图像组成的库藏集或目标集，将所述视频流中的每帧图片与库藏集或目标集的每张预存图片进行对比，以输出对比结果，根据对比结果判断所述人脸识别***的识别率。
示例性的，将选中的目标图片集合合成的视频流数据输入到人脸识别***中，以此来代替摄像头获取到的视频数据，这样就可以绕过活体检测，测试员不用模拟各种复杂的特殊场景，例如，若是人脸识别***处于较阴暗的环境或是光线强的环境中，测试员就不用分别模拟出阴暗的测试环境或是光线强的测试环境出来，可以直接进行人脸识别***的测试。
实施例二
图4为本发明基于场景的人脸识别***的测试***实施例二的程序模块示意图。测试***20可以包括或被分割成一个或多个程序模块，一个或者多个程序模块被存储于存储介质中，并由一个或多个处理器所执行，以完成本发明，并可实现上述基于场景的人脸识别***的测试方法。本发明实施例所称的程序模块是指能够完成特定功能的一系列计算机程序指令段，比程序本身更适合于描述文本分类***20在存储介质中的执行过程。以下描述将具体介绍本实施例各程序模块的功能：
获取模块200，用于获取测试视频。
分解模块202，用于将所述测试视频分帧处理得到N个包括脸部特征的图片。示例性的，所述分解模块还用于：将所述测试视频分帧处理得到多个图片；对所述多个图片进行人脸识别，以判断每个图片中的是否包括脸部特征，所述脸部特征包括：额头区域特征、眼部区域特征、鼻子区域特征、嘴部区域特征和/或耳部区域；将不包括所述脸部特征的图片定义为无效图片；及从所述多个图片中剔除所述无效图片，得到所述N个包括脸部特征的图片。
分类模块204，用于将所述N个包括脸部特征的图片分类，得到多个分类场景对应的多个图片集合。示例性的，所述分类模块204还用于：对所述N个包括脸部特征的图片进行取样，得到多个样本图片集合；从所述多个样本图片集合中选择其中一个样本图片集合；提取该被选择的样本图片集合中的各个图片的图像场景特征，以及根据所述被选择的样本图片集合中的各个图片的图像场景特征，通过增量学习法提取未被选择的多个样本图片集合中的每个样本图片集合中各个图片的图像场景特征，以得到N个包括脸部特征的图片的图片场景特征；及根据所述N个包括脸部特征的图片的图像场景特征，基于聚类算法将所述N个包括脸部特征的图片划分为所述多个分类场景对应的多个图片集合，每个图片位于一个或多个图片集合中。
接收模块206，用于接收用户针对所述多个分类场景中的目标场景的选择指令。
选择模块208，用于从所述多个图片集合中选择与所述目标场景对应的目标图片集合。
合成模块210，用于将目标图片集合合成视频流。
输入模块212，用于将所述视频流输入到人脸识别***中，进行人脸识别***的测试。
实施例三
参阅图5，是本发明实施例三之计算机设备的硬件架构示意图。本实施例中，所述计算机设备2是一种能够按照事先设定或者存储的指令，自动进行数值计算和/或信息处理的设备。该计算机设备2可以是机架式服务器、刀片式服务器、塔式服务器或机柜式服务器(包括独立的服务器，或者多个服务器所组成的服务器集群)等。如图所示，所述计算机设备2至少包括，但不限于，可通过***总线相互通信连接存储器21、处理器22、网络接口23、以及测试***20。
本实施例中，存储器21至少包括一种类型的计算机可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中，存储器21可以是计算机设备2的内部存储单元，例如该计算机设备2的硬盘或内存。在另一些实施例中，存储器21也可以是计算机设备2的外部存储设备，例如该计算机设备2上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。当然，存储器21还可以既包括计算机设备2的内部存储单元也包括其外部存储设备。本实施例中，存储器21通常用于存储安装于计算机设备2的操作***和各类应用软件，例如实施例二的基于场景的人脸识别***的测试***20的程序代码等。此外，存储器21还可以用于暂时地存储已经输出或者将要输出的各类数据。
处理器22在一些实施例中可以是中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器22通常用于控制计算机设备2的总体操作。本实施例中，处理器22用于运行存储器21中存储的程序代码或者处理数据，例如运行基于场景的人脸识别***的测试***20，以实现实施例一的基于场景的人脸识别***的测试方法。
所述网络接口23可包括无线网络接口或有线网络接口，该网络接口23通常用于在所述计算机设备2与其他电子装置之间建立通信连接。例如，所述网络接口23用于通过网络将所述计算机设备2与外部终端相连，在所述计算机设备2与外部终端之间的建立数据传输通道和通信连接等。所述网络可以是企业内部网(Intranet)、互联网(Internet)、全球移动通讯***(Global System of Mobile communication，GSM)、宽带码分多址(WidebandCode Division Multiple Access，WCDMA)、4G网络、5G网络、蓝牙(Bluetooth)、Wi-Fi等无线或有线网络。
需要指出的是，图5仅示出了具有部件20-23的计算机设备2，但是应理解的是，并不要求实施所有示出的部件，可以替代的实施更多或者更少的部件。
在本实施例中，存储于存储器21中的基于场景的人脸识别***的测试***20还可以被分割为一个或者多个程序模块，所述一个或者多个程序模块被存储于存储器21中，并由一个或多个处理器(本实施例为处理器22)所执行，以完成本发明。
例如，图4示出了本发明实施例二之所述实现基于场景的人脸识别***的测试***的程序模块示意图，该实施例中，所述场景的人脸识别***的测试***20可以被划分为获取模块200、分解模块202、分类模块204、接收模块206、选择模块208、合成模块210和输入模块212。其中，本发明所称的程序模块是指能够完成特定功能的一系列计算机程序指令段，比程序更适合于描述所述基于场景的人脸识别***的测试20在所述计算机设备2中的执行过程。所述程序模块200-212的具体功能在实施例二中已有详细描述，在此不再赘述。
实施例四
本实施例还提供一种计算机可读存储介质，如闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘、服务器、App应用商城等等，其上存储有计算机程序，程序被处理器执行时实现相应功能。本实施例的计算机可读存储介质用于存储金融产品数据处理***20，被处理器执行时实现实施例一的基于场景的人脸识别***的测试方法。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种基于场景的人脸识别***的测试方法，其特征在于，所述方法包括：
获取测试视频，所述获取测试视频包括预采集的测试视频数据库中的原始视频数据，或通过图像采集装置获取的预设场景下的指定测试视频数据；
从所述测试视频中获取N个包括脸部特征的图片；
根据所述N个包括脸部特征的图片得到多个分类场景对应的多个图片集合，每个图片集合包括对应分类场景下的多个图片；
接收用户针对所述多个分类场景中的目标场景的选择指令；
从所述多个图片集合中选择与所述目标场景对应的目标图片集合；
将目标图片集合合成视频流；及
将所述视频流输入到人脸识别***中，以通过所述视频流对人脸识别***进行***测试操作。
2.如权利要求1所述的基于场景的人脸识别***的测试方法，其特征在于，获取测试视频的步骤包括：
根据待测试人脸识别***的多个应用场景，从所述测试视频数据库中的原始视频数据中获取与该多个应用场景对应的视频作为所述测试视频。
3.如权利要求1所述的基于场景的人脸识别***的测试方法，其特征在于，从所述测试视频中获取N个包括脸部特征的图片的步骤，包括：
将所述测试视频分帧处理得到多个图片；
对所述多个图片进行人脸识别，以判断每个图片中的是否包括脸部特征，所述脸部特征包括：额头区域特征、眼部区域特征、鼻子区域特征、嘴部区域特征和/或耳部区域；
将不包括所述脸部特征的图片定义为无效图片；及
从所述多个图片中剔除所述无效图片，得到所述N个包括脸部特征的图片。
4.如权利要求1所述的基于场景的人脸识别***的测试方法，其特征在于，根据所述N个包括脸部特征的图片得到多个分类场景对应的多个图片集合的步骤，包括：
对所述N个包括脸部特征的图片进行取样，得到多个样本图片集合；
从所述多个样本图片集合中选择其中一个样本图片集合；
提取该被选择的样本图片集合中的各个图片的图像场景特征，以及根据所述被选择的样本图片集合中的各个图片的图像场景特征，通过增量学习法提取未被选择的多个样本图片集合中的每个样本图片集合中各个图片的图像场景特征，以得到N个包括脸部特征的图片的图片场景特征；及
根据所述N个包括脸部特征的图片的图像场景特征，基于聚类算法将所述N个包括脸部特征的图片划分为所述多个分类场景对应的多个图片集合，每个图片位于一个或多个图片集合中。
5.如权利要求1所述的基于场景的人脸识别***的测试方法，其特征在于，所述多个图片集合所对应的多个场景包括：角度倾斜场景、光线较暗场景、眼部有遮挡场景、脸部轮廓有遮挡场景和/或多人脸场景。
6.一种人脸识别***的测试***，其特征在于，包括：
获取模块，用于获取测试视频；
分解模块，用于将所述测试视频分帧处理得到N个包括脸部特征的图片；
分类模块，用于将所述N个包括脸部特征的图片分类，得到多个分类场景对应的多个图片集合；
接收模块，用于接收用户针对所述多个分类场景中的目标场景的选择指令；
选择模块，用于从所述多个图片集合中选择与所述目标场景对应的目标图片集合；
合成模块，用于将目标图片集合合成视频流；及
输入模块，用于将所述视频流输入到人脸识别***中，进行人脸识别***的测试。
7.如权利要求6所述的人脸识别***的测试***，其特征在于，所述获取模块，还用于：
将所述测试视频分帧处理得到多个图片；
对所述多个图片进行人脸识别，以判断每个图片中的是否包括脸部特征，所述脸部特征包括：额头区域特征、眼部区域特征、鼻子区域特征、嘴部区域特征和/或耳部区域；
将不包括所述脸部特征的图片定义为无效图片；及
从所述多个图片中剔除所述无效图片，得到所述N个包括脸部特征的图片。
8.如权利要求6所述的人脸识别***的测试***，其特征在于，所述分类模块，还用于：
对所述N个包括脸部特征的图片进行取样，得到多个样本图片集合；
从所述多个样本图片集合中选择其中一个样本图片集合；
提取该被选择的样本图片集合中的各个图片的图像场景特征，以及根据所述被选择的样本图片集合中的各个图片的图像场景特征，通过增量学习法提取未被选择的多个样本图片集合中的每个样本图片集合中各个图片的图像场景特征，以得到N个包括脸部特征的图片的图片场景特征；及
根据所述N个包括脸部特征的图片的图像场景特征，基于聚类算法将所述N个包括脸部特征的图片划分为所述多个分类场景对应的多个图片集合，每个图片位于一个或多个图片集合中。
9.一种计算机设备，所述计算机设备，所述计算机设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至5中任一项所述的基于场景的人脸识别***的测试方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质内存储有计算机程序，所述计算机程序可被至少一个处理器所执行，以使所述至少一个处理器执行如权利要求1至5中任一项所述的基于场景的人脸识别***的测试方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910305396.3A CN110162462A (zh) | 2019-04-16 | 2019-04-16 | 基于场景的人脸识别***的测试方法、***和计算机设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910305396.3A CN110162462A (zh) | 2019-04-16 | 2019-04-16 | 基于场景的人脸识别***的测试方法、***和计算机设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110162462A true CN110162462A (zh) | 2019-08-23 |
Family
ID=67639622
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910305396.3A Pending CN110162462A (zh) | 2019-04-16 | 2019-04-16 | 基于场景的人脸识别***的测试方法、***和计算机设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110162462A (zh) |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110618943A (zh) * | 2019-09-20 | 2019-12-27 | 重庆紫光华山智安科技有限公司 | 安防服务测试方法、装置、电子设备及可读存储介质 |
| CN110705651A (zh) * | 2019-10-17 | 2020-01-17 | 上海眼控科技股份有限公司 | 用于对视频识别准确率测试的方法、装置、设备及介质 |
| CN110781809A (zh) * | 2019-10-23 | 2020-02-11 | 杭州宇泛智能科技有限公司 | 基于注册特征更新的识别方法、装置及电子设备 |
| CN111241945A (zh) * | 2019-12-31 | 2020-06-05 | 杭州艾芯智能科技有限公司 | 人脸识别性能的测试方法、装置、计算机设备及存储介质 |
| CN111339811A (zh) * | 2019-08-27 | 2020-06-26 | 杭州海康威视***技术有限公司 | 图像处理方法、装置、设备及存储介质 |
| CN112084902A (zh) * | 2020-08-26 | 2020-12-15 | 武汉普利商用机器有限公司 | 人脸图像获取方法、装置、电子设备及存储介质 |
| CN113495833A (zh) * | 2020-04-03 | 2021-10-12 | 杭州海康威视***技术有限公司 | 基于视频事件的软件测试方法、装置、***及可读存储介质 |
| WO2021212725A1 (zh) * | 2020-04-21 | 2021-10-28 | 烽火通信科技股份有限公司 | 一种人像识别算法性能评测方法和装置 |
| CN115601799A (zh) * | 2022-09-09 | 2023-01-13 | 广州市盛通建设工程质量检测有限公司（Cn） | 一种基于人脸识别的评测方法、***、设备及存储介质 |
| CN115633321A (zh) * | 2022-12-05 | 2023-01-20 | 北京数字众智科技有限公司 | 一种无线通信网络监控方法及*** |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103136533A (zh) * | 2011-11-28 | 2013-06-05 | 汉王科技股份有限公司 | 基于动态阈值的人脸识别方法及装置 |
| CN103605993A (zh) * | 2013-12-04 | 2014-02-26 | 康江科技(北京)有限责任公司 | 一种基于面向场景判别性分析的图像到视频人脸识别方法 |
-
2019
- 2019-04-16 CN CN201910305396.3A patent/CN110162462A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103136533A (zh) * | 2011-11-28 | 2013-06-05 | 汉王科技股份有限公司 | 基于动态阈值的人脸识别方法及装置 |
| CN103605993A (zh) * | 2013-12-04 | 2014-02-26 | 康江科技(北京)有限责任公司 | 一种基于面向场景判别性分析的图像到视频人脸识别方法 |
Cited By (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111339811A (zh) * | 2019-08-27 | 2020-06-26 | 杭州海康威视***技术有限公司 | 图像处理方法、装置、设备及存储介质 |
| CN111339811B (zh) * | 2019-08-27 | 2024-02-20 | 杭州海康威视***技术有限公司 | 图像处理方法、装置、设备及存储介质 |
| CN110618943B (zh) * | 2019-09-20 | 2022-08-19 | 重庆紫光华山智安科技有限公司 | 安防服务测试方法、装置、电子设备及可读存储介质 |
| CN110618943A (zh) * | 2019-09-20 | 2019-12-27 | 重庆紫光华山智安科技有限公司 | 安防服务测试方法、装置、电子设备及可读存储介质 |
| CN110705651A (zh) * | 2019-10-17 | 2020-01-17 | 上海眼控科技股份有限公司 | 用于对视频识别准确率测试的方法、装置、设备及介质 |
| CN110781809A (zh) * | 2019-10-23 | 2020-02-11 | 杭州宇泛智能科技有限公司 | 基于注册特征更新的识别方法、装置及电子设备 |
| CN111241945A (zh) * | 2019-12-31 | 2020-06-05 | 杭州艾芯智能科技有限公司 | 人脸识别性能的测试方法、装置、计算机设备及存储介质 |
| CN113495833A (zh) * | 2020-04-03 | 2021-10-12 | 杭州海康威视***技术有限公司 | 基于视频事件的软件测试方法、装置、***及可读存储介质 |
| CN113495833B (zh) * | 2020-04-03 | 2024-02-23 | 杭州海康威视***技术有限公司 | 基于视频事件的软件测试方法、装置、***及存储介质 |
| WO2021212725A1 (zh) * | 2020-04-21 | 2021-10-28 | 烽火通信科技股份有限公司 | 一种人像识别算法性能评测方法和装置 |
| CN112084902A (zh) * | 2020-08-26 | 2020-12-15 | 武汉普利商用机器有限公司 | 人脸图像获取方法、装置、电子设备及存储介质 |
| CN112084902B (zh) * | 2020-08-26 | 2024-05-14 | 武汉普利商用机器有限公司 | 人脸图像获取方法、装置、电子设备及存储介质 |
| CN115601799A (zh) * | 2022-09-09 | 2023-01-13 | 广州市盛通建设工程质量检测有限公司（Cn） | 一种基于人脸识别的评测方法、***、设备及存储介质 |
| CN115633321A (zh) * | 2022-12-05 | 2023-01-20 | 北京数字众智科技有限公司 | 一种无线通信网络监控方法及*** |
| CN115633321B (zh) * | 2022-12-05 | 2023-05-05 | 北京数字众智科技有限公司 | 一种无线通信网络监控方法及*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110162462A (zh) | 基于场景的人脸识别***的测试方法、***和计算机设备 | |
| Huh et al. | Fighting fake news: Image splice detection via learned self-consistency | |
| CN109697416B (zh) | 一种视频数据处理方法和相关装置 | |
| Matern et al. | Exploiting visual artifacts to expose deepfakes and face manipulations | |
| CN112215180B (zh) | 一种活体检测方法及装置 | |
| CN111914812B (zh) | 图像处理模型训练方法、装置、设备及存储介质 | |
| CN110569808A (zh) | 活体检测方法、装置及计算机设备 | |
| CN111444744A (zh) | 活体检测方法、装置以及存储介质 | |
| CN111046956A (zh) | 遮挡图像检测方法、装置、电子设备及存储介质 | |
| Almeida et al. | Detecting face presentation attacks in mobile devices with a patch-based CNN and a sensor-aware loss function | |
| CN111598132B (zh) | 一种人像识别算法性能评测方法和装置 | |
| CN111680675B (zh) | 人脸活体检测方法、***、装置、计算机设备和存储介质 | |
| CN111738349B (zh) | 目标检测算法的检测效果评估方法、装置、存储介质及设备 | |
| CN113269091A (zh) | 一种面向智慧园区的人员轨迹分析方法、设备及介质 | |
| CN112633255A (zh) | 目标检测方法、装置及设备 | |
| CN115049675A (zh) | 生成区域确定及光斑生成方法、设备、介质及程序产品 | |
| CN111597944B (zh) | 活体检测方法、装置、计算机设备及存储介质 | |
| CN113450297A (zh) | 红外图像和可见光图像的融合模型构建方法及*** | |
| Kaur et al. | Deep learning: survey of environmental and camera impacts on internet of things images | |
| CN113723310B (zh) | 基于神经网络的图像识别方法及相关装置 | |
| CN116246200A (zh) | 一种基于视觉识别的屏显信息偷拍检测方法及*** | |
| CN114998962A (zh) | 一种活体检测以及模型训练方法及装置 | |
| CN114842411A (zh) | 一种基于互补时空信息建模的群体行为识别方法 | |
| CN114202807A (zh) | 活体检测方法、装置、电子设备及存储介质 | |
| CN113255766A (zh) | 一种图像分类方法、装置、设备和存储介质 |
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 |