CN110363047B - 人脸识别的方法、装置、电子设备和存储介质 - Google Patents
人脸识别的方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN110363047B CN110363047B CN201810252113.9A CN201810252113A CN110363047B CN 110363047 B CN110363047 B CN 110363047B CN 201810252113 A CN201810252113 A CN 201810252113A CN 110363047 B CN110363047 B CN 110363047B
- Authority
- CN
- China
- Prior art keywords
- sample
- feature map
- feature
- face
- region
- 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.)
- Expired - Fee Related
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
- G06V40/168—Feature extraction; Face representation
- G06V40/171—Local features and components; Facial parts ; Occluding parts, e.g. glasses; Geometrical relationships
-
- 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)
- Collating Specific Patterns (AREA)
Abstract
本发明实施例提供一种人脸识别的方法、装置、电子设备和存储介质。所述方法包括在整张人脸图像识别失败后,针对预先获取的人脸图像对应的特征图,根据人脸特征点的位置对特征图进行分割,得到n个区域,获取预先建立的样本库,样本库包括多张样本图像以及对应的人物身份;计算每一个区域对的相似度;若特征图中存在m个相似度高于第一门限的区域,且存在n‑m个相似度低于第二门限的区域,则识别人脸图像的人物身份是样本图像的人物身份,所述第二门限表示在无遮挡的情况下最低相似度。所述方法通过将特征图分割为n个区域,并针对每一区域分别比较,从而在人脸局部被遮挡时,准确识别出人物身份。
Description
技术领域
本发明实施例涉及通信技术领域,特别是一种人脸识别的方法、装置、电子设备和存储介质。
背景技术
人脸识别技术已广泛的应用于公安、商业、银行、海关和机场等多个重要行业,以及智能门禁、考勤、门锁、手机等生活的方方面面。随着人脸识别技术的发展,已可以准确识别完整无遮挡的人脸。
现有技术中人脸识别的方式为:
针对截获的人脸图像,提取人脸全部的特征信息,采用人脸识别模型将特征信息与样本库的已知图像的特征信息进行比对,若相似度达到一定阈值,则可成功识别人物的身份。
然而,在实际场景中摄像头捕获到的图像会存在人脸不完整的情况,如佩戴口罩或墨镜,故意遮挡人脸或涂抹颜料,被其他人或障碍物遮挡部分人脸时将无法采集到完整人脸图像。上述遮挡物所引入的干扰使得无法提取全部的特征信息,在特征信息缺失的情况下,无法与样本库进行比对,导致人脸识别失败。
发明内容
针对现有技术的缺陷,本发明实施例提供一种人脸识别的方法、装置、电子设备和存储介质。
一方面,本发明实施例提供一种人脸识别的方法,所述方法包括:
在整张人脸图像识别失败后,针对预先获取的人脸图像对应的特征图,根据人脸特征点的位置对特征图进行分割,得到n个区域,n为大于等于2的正整数;
获取预先建立的样本库,所述样本库包括多张样本图像以及对应的人物身份,每一样本图像对应的样本特征图包括n个样本区域,所述样本区域是根据所述人脸特征点的位置进行分割得到的,所述样本区域的数量与所述区域的数量相同;
针对一个特征图和一个样本特征图,计算每一个区域对的相似度,所述区域对包括一个区域和一个样本区域,所述区域对中的区域和样本区域对应同一个特征点;
若特征图中存在m个相似度高于第一门限的区域,且存在n-m个相似度低于第二门限的区域,则识别人脸图像的人物身份是样本图像的人物身份,所述第二门限表示在无遮挡的情况下最低相似度,m为正整数。
另一方面,本发明实施例提供一种人脸识别的装置,所述装置包括:
分割模块,用于在整张人脸图像识别失败后,针对预先获取的人脸图像对应的特征图,根据人脸特征点的位置对特征图进行分割,得到n个区域,n为大于等于2的正整数;
获取模块,用于获取预先建立的样本库,所述样本库包括多张样本图像以及对应的人物身份,每一样本图像对应的样本特征图包括n个样本区域,所述样本区域是根据所述人脸特征点的位置进行分割得到的,所述样本区域的数量与所述区域的数量相同;
计算模块,用于针对一个特征图和一个样本特征图,计算每一个区域对的相似度,所述区域对包括一个区域和一个样本区域,所述区域对中的区域和样本区域对应同一个特征点;
识别模块,用于若特征图中存在m个相似度高于第一门限的区域,且存在n-m个相似度低于第二门限的区域,则识别人脸图像的人物身份是样本图像的人物身份,所述第二门限表示在无遮挡的情况下最低相似度,m为正整数。
另一方面,本发明实施例还提供一种电子设备,包括存储器、处理器、总线以及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现以上方法的步骤。
另一方面,本发明实施例还提供一种存储介质,其上存储有计算机程序,所述程序被处理器执行时实现如上方法的步骤。
由上述技术方案可知,本发明实施例提供的人脸识别的方法、装置、电子设备和存储介质,所述方法通过将特征图分割为n个区域,并针对每一区域分别与样本库的样本区域进行相似度比较,若m个区域相似,同时n-m个区域极其不相似,表示n-m个区域被遮挡,将样本库中的人物身份作为待识别的人物身份,从而在人脸局部被遮挡时,准确识别出人物身份。
附图说明
图1为本发明实施例提供的一种人脸识别的方法的流程示意图;
图2为本发明又一实施例提供的一种人脸识别的方法的原理示意图;
图3为本发明又一实施例提供的人脸图像特征提取的示意图;
图4为本发明又一实施例提供的一种人脸识别的装置的结构示意图;
图5为本发明又一实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚地描述,显然,所描述的实施例是本发明实施例一部分实施例,而不是全部的实施例。
图1示出了本发明实施例提供的一种人脸识别的方法的流程示意图。
如图1所示,本发明实施例提供的方法具体包括以下步骤:
步骤11、在整张人脸图像识别失败后,针对预先获取的人脸图像对应的特征图,根据人脸特征点的位置对特征图进行分割,得到n个区域,n为大于等于2的正整数;
可选地,本发明实施例提供的方法在人脸识别的装置上实现,人脸识别的装置为计算机。
可选地,本发明实施例中人脸识别的过程分为两个阶段,第一阶段是采用现有技术的方式对人脸图像的整张人脸进行识别,如果无法识别,则进入第二阶段,对人脸进行分区域识别。
在第一阶段针对获取的目标图像,采用人脸检测算法检测目标图像中是否存在人脸。
若存在人脸,将目标图像记为人脸图像,对整张人脸图像进行特征提取,获得对应的特征图,所述特征图大小与人脸图像的大小呈等比例关系,所述特征图包括多个人脸特征点的信息。
可选地,所述特征点的信息包括特征点的位置、大小、轮廓和颜色,所述特征点是指具代表性的部分,例如额头、眼睛、鼻子、嘴巴和下巴。
可选地,可采用现有技术的方式实现特征提取。
可选地,计算机根据所述特征图的特征点的信息与样本库中的样本特征图的特征点的信息进行比对,得到所述特征图对应的相似度。
若相似度超过预先设定的阈值,即可确定所述特征图对应的人物身份为样本特征图对应的身份。
若相似度未超过预先设定的阈值,无法确定所述特征图对应的人物身份为样本特征图对应的身份,此时可能有两种情况:人脸被遮挡,或人脸未被收入至样本库。
可选地,针对无法确定的人脸图像的特征图,进入第二阶段的识别。
可选地,根据预先提取出的特征点的位置,进行区域分割,得到n个区域。
举例来说,n为5,将特征图分割为额头、眼睛、鼻子、嘴巴和下巴这五个区域。
步骤12、获取预先建立的样本库,所述样本库包括多张样本图像以及对应的人物身份,每一样本图像对应的样本特征图包括n个样本区域,所述样本区域是根据所述人脸特征点的位置进行分割得到的,所述样本区域的数量与所述区域的数量相同;
可选地,计算机针对样本库中的每一个样本图像,对样本特征图进行区域分割,得到多个样本区域。
可选地,针对一个样本特征图和一个特征图,无论脸部是否被遮挡,分割的依据是相同的,都是根据人脸的特征点进行分割,分割得到的区域的数量n也是相同的。
举例来说,n为5,无论是样本图像还是人脸图像,都设置额头、眼睛、鼻子、嘴巴和下巴这5个特征点,将对应的特征图分别分割为同样的5个区域。
步骤13、针对一个特征图和一个样本特征图,计算每一个区域对的相似度,所述区域对包括一个区域和一个样本区域,所述区域对中的区域和样本区域对应同一个特征点;
可选地,针对每一区域对,计算区域对中的特征图和样本特征图的相似度,相似度就是比较两个事物的相似程度。
可选地,相似度可采用现有技术进行计算,例如卡尔皮尔逊相似度计算的方式。
步骤14、若特征图中存在m个相似度高于第一门限的区域,且存在n-m个相似度低于第二门限的区域,则识别人脸图像的人物身份是样本图像的人物身份,所述第二门限表示在无遮挡的情况下最低相似度,m为正整数。
可选地,针对每一区域对,将相似度高于第一门限的区域对,记为相似区域对。
可选地,所述第一门限可根据实际情况进行设置,例如可为80%。若区域对的相似程度高于80%,认为相似区域对相似。
可选地,针对每一区域对,将相似度低于第二门限的区域对,记为不相似区域对。
可选地,所述第二门限可根据实际情况进行设置,例如可为1%。
可选地,由于人脸被遮挡物所遮挡,被遮挡的区域与人类的脸部的器官部位差别非常大。
可以理解的是,人脸虽然各异,但毕竟是同一种生物,在无遮挡的情况下,任何两张人脸的同一部位还是有一定的相似度,例如1%,也就是说,任何两张人脸的同一部位的相似度都不太可能低至1%。
若出现区域对的相似度低于1%,可以认为摄像头捕获到的区域不存在该区域对应的人脸的器官部位,而是存在遮挡物。
也就是说,区域对的相似度低于第二门限,推测可能是被遮挡物遮挡,未能捕获到该区域的器官部位导致的。
可选地,一个人像图像和一个样本图像,m个区域对的相似度高于第一门限,表示m个区域相似,人脸图像和样本图像是同一人的几率很高,n-m个区域对的相似度低于第二门限,表示除了相似的区域,其他区域存在遮挡的几率很高,因此可认为是同一个人,n-m个区域对应的特征点是由于被遮挡物遮挡,导致极其不相似。
其中,m个相似区域和n-m个不相似区域的数量之和等于一个特征图的区域的总数n,人脸图像的特征点中部分特征点与样本图像相似,其余部分特征点与样本图像极不相似。
若n个区域中存在一个区域的相似度低于第一门限且高于第二门限,表示区域的特征点在无遮挡的情况下,不与已知的样本图像相似,则无法识别出人脸图像的人物身份。
若n个区域中存在一个区域的相似度低于第二门限,该部分可能存在遮挡,但同时存在另一个区域的相似度低于第一门限且高于第二门限,表示这一部分不相似,也无法准确的识别人脸图像的人物身份。
本发明实施例提供的人脸识别的方法,通过将特征图分割为n个区域,并针对每一区域分别与样本库的样本区域进行相似度比较,若m个区域相似,同时n-m个区域极其不相似,表示n-m个区域被遮挡,将样本库中的人物身份作为待识别的人物身份,从而在人脸局部被遮挡时,准确识别出人物身份。
在上述实施例的基础上,本发明又一实施例提供的人脸识别的方法,所述特征图标记有分割框,所述分割框是根据人脸特征点的位置确定的,相应地,所述根据人脸特征点的位置对特征图进行分割,得到n个区域的步骤具体为:
根据所述分割框对特征图进行分割,得到n个区域。
分割的方式有多种,本发明实施例以其中一种方式为例进行说明。
可选地,预先根据特征点的位置,确定多个可将特征图分割的分割框,并记录各个分割框的坐标范围。
举例来说,额头这一特征点对应的分割框是额头处的近似矩形区域。
本发明实施例中,每一分割框的形状、面积可不相同,与特征点相关,例如额头这一特征点对应的分割框可为矩形,面积较大,但眼睛这一特征点对应的分割框可为矩形,面积较小。
可选地,分割框的坐标范围可表示一个特征点的位置和大小,以左上角位置坐标、长和宽来标定一个分割框。
可选地,根据分割框对特征图进行分割,得到n个区域,每一分割框的大小就是分割得到的区域的大小。
本发明实施例其他步骤与前述实施例步骤相似,本发明实施例不再赘述。
本发明实施例提供的人脸识别的方法,预先绘制分割框,可快速准确的对特征图进行分割。
在上述实施例的基础上,本发明又一实施例提供的人脸识别的方法,根据所述分割框对特征图进行分割,得到n个区域的步骤具体为:
针对人脸图像,根据人脸的特征点的位置,标记多个分割人脸图像的分割框;
针对标记有分割框的人脸图像,进行特征提取,获得对应的特征图,所述特征图和人脸图像之间具有预设的缩放比例;
根据所述缩放比例,将人脸图像标记的分割框映射至特征图上,得到标记有分割框的特征图。
确定分割框的方式有多种,本发明实施例以其中一种方式为例进行说明。
可选地,特征图是根据人脸图像进行特征提取得到的,特征图已将人脸图像进行高度抽象,可能无法准确的确定特征点的位置。因此,可在人脸图像上设置分割框,然后再进行特征提取。
可选地,针对人脸图像,根据人脸特征点的位置的坐标,确定多个可将人脸图像分割的分割框,并记录各个分割框的坐标范围。
可选地,分割框可将人脸图像分割为n个区域,n个区域组合形成完整的人脸图像,但此时并不执行分割的动作。
可选地,在确定分割框之后,针对标记有分割框的人脸图像,对整张人脸图像进行特征提取,获得对应的特征图。
可选地,由于特征图和原来的人脸图像之间存在一定的缩放比例关系,因此可以将原图上的分割框映射到特征图上,得到标记有分割框的特征图。
可选地,已知输出的特征图大小,设未知的特征图的分割框的位置坐标(x′i,y′i,h′i,w′i)。
(x′i,y′i,h′i,w′i)=k(xi,yi,hi,wi),其中k为缩放比例系数,(xi,yi,hi,wi)为人脸图像的分割框的位置坐标。
通过上述变换可将人脸图像上选择的n个分割框映射到在特征图。
可选地,针对标记有分割框的特征图,根据分割框进行区域分割,得到n个区域。
本发明实施例其他步骤与前述实施例步骤相似,本发明实施例不再赘述。
本发明实施例提供的人脸识别的方法,在人脸图像中绘制分割框,可准确的绘制分割框,使得特征图的分割更准确。
在上述实施例的基础上,本发明又一实施例提供的人脸识别的方法,针对标记有分割框的人脸图像,进行特征提取,获得对应的特征图的步骤具体为:
采用谷歌的开源人脸识别项目Facenet的初期残差网络的版本一进行特征提取。
特征提取的方式有多种,本发明实施例以其中一种方式为例进行说明。
可选地,Facenet是当前主流的开源人脸识别项目,包括多个卷积训练和评估模型,在本发明实施例中采用已训练好的Inception-restnet-v1(初期残差网络的版本一),精确的提取各个特征点的信息,从而得到特征图。
本发明实施例其他步骤与前述实施例步骤相似,本发明实施例不再赘述。
本发明实施例提供的人脸识别的方法,采用谷歌的开源人脸识别项目Facenet的初期残差网络的版本一,可准确的进行特征提取。
在上述实施例的基础上,本发明又一实施例提供的人脸识别的方法,针对一个特征图和一个样本特征图,计算每一个区域对的相似度的步骤具体为:
针对每一个区域,进行向量化处理,得到对应的第一特征向量;
针对每一特征图的一个区域对,计算第一特征向量和第二特征向量之间的距离,所述第二特征向量是根据区域对中样本区域进行向量化处理得到的;
若特征图中存在m个相似度高于第一门限的区域,且存在n-m个相似度低于第二门限的区域,则识别人脸图像的人物身份是样本图像的人物身份的步骤具体为:
若m个距离均小于第三门限,且n-m个距离均大于第四门限,则识别人脸图像的人物身份是样本图像的人物身份,所述第四门限表示在无遮挡的情况下,第一特征向量和第二特征向量之间的最大距离。
计算相似度的方式有多种,本发明实施例以其中一种方式为例进行说明。
可选地,针对一个区域,向量化处理得到一个第一特征向量,每一第一特征向量包括d个维度,每一维度携带一方面的信息。
例如,每一第一特征向量包括4个维度,分别携带这一区域的位置、大小、轮廓和颜色信息。
可选地,采用现有技术的方式进行向量化处理,如pandas(一种数据可视化工具)。向量化处理将抽象的图像进行量化,以便后续进行数据计算
可选地,一张人脸图像的特征可表示为n各区域的特征的加和,即n各第一特征向量之和。
可选地,预先对区域对的样本区域进行向量化处理,得到对应的第二特征向量,一个样本图像对应n个第二特征向量,每一个第二特征向量描述了一个样本区域的d个维度的特征。
可选地,针对一个样本图像和一个人脸图像,无论脸部是否被遮挡,区域的数量是固定的,即第一特征向量的数量和第二特征向量的数量是相同的。
可选地,计算区域对的第一特征向量和第二特征向量之间的距离,通过距离表示区域对是否相似。
可选地,两个向量的距离可采用现有技术的方式计算,例如标准化欧氏距离。
可选地,距离越大,表示区域对的特征点越不相似,距离越小,表示区域对的特征点越相似。
可选地,预先设置有距离-相似度的对应关系,若区域对的第一特征向量和第二特征向量的距离小于第三门限δ,查询得到距离小于第三门限表示区域对的相似度高于第一门限,即区域对是相似区域,计数加1,统计相似区域的个数m。
可选地,第三门限δ可根据实际情况取值,例如可取值0.5。
可选地,在无遮挡的情况下,人脸的区域对的第一特征向量和第二特征向量之间的距离不应超过所述第四门限,
本发明实施例其他步骤与前述实施例步骤相似,本发明实施例不再赘述。
本发明实施例提供的人脸识别的方法,采集计算向量的距离,可准确的计算相似度。
在上述实施例的基础上,本发明又一实施例提供的人脸识别的方法,若m个距离均小于第三门限,且n-m个距离均大于第四门限,则识别人脸图像的人物身份是样本图像的人物身份的步骤具体为:
将小于第三门限的距离记为第一距离,将大于第四门限的距离记为第二距离;
根据m个第一距离,得到第一距离的总和;
根据第一距离的总和以及个数m,得到第一平均距离;
根据n-m个第二距离,得到第二距离的总和;
根据第二距离的总和以及个数n-m,得到第二平均距离;
若所述第一平均距离小于第五门限,且所述第二平均距离大于第六门限,则识别人脸图像的人物身份是样本图像的人物身份,所述第六门限表示在无遮挡的情况下,第一特征向量和第二特征向量之间的最大距离的平均值。
确定人脸图像的人物身份的方式有多种,本发明实施例以其中一种方式为例进行说明。
可选地,若距离小于第三门限的区域,表示区域对较为相似,将各个距离相加,得到第一距离的总和。
可选地,对第一距离的总和进行平均,得到第一平均距离,表示相似的区域对的相似度。
可选地,若距离大于第四门限的区域,表示区域对极其不相似,将各个距离相加,得到第二距离的总和。
可选地,对第二距离的总和进行平均,得到第二平均距离,表示极其不相似的区域对的相似度。
可选地,使用第一平均距离与第五门限进行比较,若所述第一平均距离小于第五门限,表示相似的区域对的相似度高,若所述第二平均距离大于第六门限,表示不相似的区域对的相似度非常低,则识别人脸图像的人物身份是样本图像的人物身份。
可选地,第五门限的取值可与第三门限相同或不同,第六门限的取值可与第四门限相同或不同,可根据实际情况进行设置。
本发明实施例其他步骤与前述实施例步骤相似,本发明实施例不再赘述。
本发明实施例提供的人脸识别的方法,采用计算距离的平均值的方式,可准确的表示相似度。
在上述实施例的基础上,本发明又一实施例提供的人脸识别的方法,
所述根据m个第一距离,得到第一距离的总和的步骤具体为:
根据m个第一距离以及区域对应的权重,得到第一距离的总和;
所述根据n-m个第二距离,得到第二距离的总和的步骤具体为:
根据n-m个第二距离及区域对应的权重,得到第二距离的总和。
确定距离的总和的方式有多种,本发明实施例以其中一种方式为例进行说明。
可选地,人脸的各个特征点的重要程度是不同的,根据特征点的重要程度,对特征图中每一区域进行分级。
例如,眼睛和嘴巴是重要的人脸特征,这些特征点的区域的级别标为一级,额头特征点的区域的级别标为二级等。
可选地,为了增加识别判断的准确度,给不同级别的区域分配不同的权重系数来表示其重要程度。
可选地,将每一第一距离乘以区域对应的权重后相加,得到第一距离的总和。将每一第二距离乘以区域对应的权重后相加,得到第二距离的总和。
本发明实施例其他步骤与前述实施例步骤相似,本发明实施例不再赘述。
本发明实施例提供的人脸识别的方法,采用加权的方式可准确的计算区域对的相似度。
为了更充分理解本发明的技术内容,在上述实施例的基础上,详细说明本发明实施例提供的人脸识别的方法。
本发明实施例提出一种人脸局部区域被遮挡的识别方法,对于无法识别的人脸图像,进行人脸分区域识别。参考人脸特征点对人脸进行区域分割,并记录分割框位置坐标。用特征提取网络对整张人脸图像进行特征提取获得特征图,将分割框的位置坐标映射到特征图对特征图进行特征分割,获得分割后的子特征图(即区域);由子特征图获取人脸子特征向量。该方法可以对人脸进行分区域特征提取。更好的识别局部区域被遮挡时的人脸。
本发明实施例提出一种人脸局部区域遮挡时的识别方法。首先进行人脸检测与人脸对齐,并给出人脸对齐的特征位置坐标,参考已定位的特征点对人脸进行区域分割,并给出分割框位置坐标;用特征提取网络对整张人脸图像进行特征提取获得特征图;将原人脸区域分割框的位置坐标映射到特征图上对特征图进行分割,获得人脸子特征图,对子特征图进一步特征提取获得人脸子特征向量。
人脸识别过程分为两个阶段,第一阶段对整张人脸识别,如果整张人脸无法识别,将人脸图像送入第二阶段进行分区域识别。
图2为本发明又一实施例提供的一种人脸识别的方法的原理示意图。
如图2所示,本发明实施例主要包括以下几个部分:
1.人脸检测与特征点定位
采用人脸检测算法检测是否存在人脸,若存在人脸则将人脸检测出人脸位置,并给出人脸特征点位置坐标。
2.人脸区域分割框选择
首先把每张人脸图像Reshape到固定尺寸大小,参考人脸特征点位置对人脸进行区域分割,选择不同大小的区域框对人脸进行区域提取,共提取出n个区域。根据人脸不同位置含特征信息量的多少的对该n区域进行分级,如眼睛和嘴巴是重要的人脸特征,这些位置的特征的分割框级别标为一级,额头位置含人脸特征信息相对较少,该位置的特征框标为三级。
用左上角位置坐标,长和宽来标定一个分割框的位置和大小。一个提取框表示为(xi,yi,hi,wi),其中(xi,yi)为框左上角坐标,h,w分别为框的长和宽。
3.人脸区域特征提取
图3为本发明又一实施例提供的人脸图像特征提取的示意图。
如图3所示,人脸区域特征提取与整张人脸特征提取采用同一个网络架构,两个过程共享参数,只在特征图后采用分开处理,分别得到整张人脸的特征向量和每个区域的特征向量。这样可以大大减小网络的参数量和计算量。且可提高识别速度。
整张人脸图像送入特征提取网络,对整张人脸进行特征提取,得到特征图。然后在特征图上进行区域分割,再把Reshape后人脸图像的区域框映射的到特征图上。本发明实施例中特征提取网络采用Facenet训练好的特征提取网络Inception-restnet-v1(也可重新训练或采用其它特征提取模型)。该模型可以直接对人脸进行特征提取,得到特征图。
4.特征图区域分割
特征图和原人脸图像之间存在一定的缩放比例关系,因此可以将原图上的区域框映射到特征图。
(x′i,y′i,h′i,w′i)=k(xi,yi,hi,wi)
通过上述变换将人脸图像上选择的n个特征框映射到在特征图上,对特征图进行人脸特征区域分割得到子特征图(即区域)。
4.特征向量获取
从特征图开始对人脸图像进行分开处理,对整张特征图进一步特征提取得到整张人脸特征向量emb,d为特征向量维数,x为一个维度的特征。
emb=(x1,x2,…xd)
对特征图上的n个区域进行特征处理,获得每个人脸区域对应的特征向量。
feai=(x1,x2,…xr)
区域特征组合,一张人脸特征可表示为:
Fea=fea1+fea2+…fean
Fea整张人脸的特征表示,feai为第i个区域的特征向量。n为划分的区域数量。
5.识别判断
通过特征向量的距离计算判断是否为同一人。判断分两个阶段,首先进行整张人脸特征向量的距离计算,如果距离小于设定阈值则识别为同一个人,识别结束;如果无法识别则进入第二阶段判断,对相同人脸位置区域的比较。
两张人脸图像image1和image2,其完整人脸的特征向量分别为emb1和emb2,区域组合向量为Fea1和Fea2。
第一阶段判断:整张人脸比较
计算两个特征向量的距离:
α为设定阈值,如果两个特征向量距离小于α,识别为同一个人;如果两个特征向量距离大于α,则判断为无法识别。进行第二阶段判断。
第二阶段判断:人脸区域的比较
如果两张图像为同一个人,相同区域内相似度会很高,而被遮挡部分由于是其它物体相似度会很低。计算两张人脸相同区域特征向量之间的距离。存在m个区域相同区域特征向量的距离都小于δ(δ<0.5),(即相同区域的相似度都大于某一值),而剩下的(n-m)个区域相同区域特征向量的距离都大于的(即相同区域的相似度都小于某一值),基本没有中间距离值。说明没有遮挡部分相似度很高,遮挡部分由于被遮挡导致相似度很低,该情况也识别为同一个人。
为了增加识别判断的准确度,给不同级别的区域分配不同的权重系数来表示其重要程度。
式中,p+q+…r=m,m为特征向量距离小于δ的区域个数,且m<n,k为区域级别数,λ1,λ2…λk为不同级别区域的权重系数,fea1i为第一张人脸图像的第i个区域,fea2i为第二张人脸图像的第i个区域。
其中,n-m为人脸negtive区域个数,fea1i为第一张人脸图像的第i个区域,fea2i为第二张人脸图像的第i个区域。
识别判别公式:
pos_dis<β
neg_dis>γ
当Positive区域特征向量距离小于设定阈值β,且negtive区域特征向量距离大于某设定阈值γ时,两张图像识别为同一个人。
本发明实施例提出一种人脸局部区域被遮挡的识别方法。对于由于遮挡无法识别的人脸图像,对人脸进行分区域特征提取,并按区域进行比较识别。其优点是:
当整张人脸无法识别时,按人脸的多个区域进行比较识别,可提高识别的准确性。
图4为本发明又一实施例提供的一种人脸识别的装置的结构示意图。
参照图4,在上述实施例的基础上,本发明实施例提供的人脸识别的装置,所述装置包括分割模块41、获取模块42、计算模块43和识别模块44,其中:
分割模块41用于在整张人脸图像识别失败后,针对预先获取的人脸图像对应的特征图,根据人脸特征点的位置对特征图进行分割,得到n个区域,n为大于等于2的正整数;获取模块42用于获取预先建立的样本库,所述样本库包括多张样本图像以及对应的人物身份,每一样本图像对应的样本特征图包括n个样本区域,所述样本区域是根据所述人脸特征点的位置进行分割得到的,所述样本区域的数量与所述区域的数量相同;计算模块43用于针对一个特征图和一个样本特征图,计算每一个区域对的相似度,所述区域对包括一个区域和一个样本区域,所述区域对中的区域和样本区域对应同一个特征点;识别模块44用于若特征图中存在m个相似度高于第一门限的区域,且存在n-m个相似度低于第二门限的区域,则识别人脸图像的人物身份是样本图像的人物身份,所述第二门限表示在无遮挡的情况下最低相似度,m为正整数。
可选地,针对无法确定的人脸图像的特征图,分割模块41根据预先提取出的特征点的位置,进行区域分割,得到n个区域。
举例来说,n为5,将特征图分割为额头、眼睛、鼻子、嘴巴和下巴这五个区域。
获取模块42针对样本库中的每一个样本图像,对样本特征图进行区域分割,得到多个样本区域。
可选地,针对一个样本特征图和一个特征图,无论脸部是否被遮挡,分割的依据是相同的,都是根据人脸的特征点进行分割,分割得到的区域的数量n也是相同的。
举例来说,n为5,无论是样本图像还是人脸图像,都设置额头、眼睛、鼻子、嘴巴和下巴这5个特征点,将对应的特征图分别分割为同样的5个区域。
计算模块43针对每一区域对,计算区域对中的特征图和样本特征图的相似度,相似度就是比较两个事物的相似程度。
可选地,相似度可采用现有技术的方式进行计算。
识别模块44针对每一区域对,将相似度高于第一门限的区域对,记为相似区域对。
可选地,所述第一门限可根据实际情况进行设置,例如可为80%。若区域对的相似程度高于80%,认为相似区域对相似。
可选地,针对每一区域对,将相似度低于第二门限的区域对,记为不相似区域对。
可选地,所述第二门限可根据实际情况进行设置,例如可为1%。
可选地,由于人脸被遮挡物所遮挡,被遮挡的区域与人类的脸部的器官部位差别非常大。
可以理解的是,人脸虽然各异,但毕竟是同一种生物,在无遮挡的情况下,任何两张人脸的同一部位还是有一定的相似度,例如1%,也就是说,任何两张人脸的同一部位的相似度都不太可能低至1%。
若出现区域对的相似度低于1%,可以认为摄像头捕获到的区域不存在该区域对应的人脸的器官部位,而是存在遮挡物。
也就是说,区域对的相似度低于第二门限,推测可能是被遮挡物遮挡,未能捕获到该区域的器官部位导致的。
可选地,一个人像图像和一个样本图像,m个区域对的相似度高于第一门限,表示m个区域相似,人脸图像和样本图像是同一人的几率很高,n-m个区域对的相似度低于第二门限,表示除了相似的区域,其他区域存在遮挡的几率很高,因此可认为是同一个人,n-m个区域对应的特征点是由于被遮挡物遮挡,导致极其不相似。
其中,m个相似区域和n-m个不相似区域的数量之和等于一个特征图的区域的总数n,人脸图像的特征点中部分特征点与样本图像相似,其余部分特征点与样本图像极不相似。
若n个区域中存在一个区域的相似度低于第一门限且高于第二门限,表示区域的特征点在无遮挡的情况下,不与已知的样本图像相似,则无法识别出人脸图像的人物身份。
若n个区域中存在一个区域的相似度低于第二门限,该部分可能存在遮挡,但同时存在另一个区域的相似度低于第一门限且高于第二门限,表示这一部分不相似,也无法准确的识别人脸图像的人物身份。
本发明实施例提供的人脸识别的装置,可用于执行上述方法实施例的方法,本实施不再赘述。
本发明实施例提供的人脸识别的装置,通过分割模块将特征图分割为n个区域,识别模块针对每一区域分别与样本库的样本区域进行相似度比较,若m个区域相似,同时n-m个区域极其不相似,表示n-m个区域被遮挡,将样本库中的人物身份作为待识别的人物身份,从而在人脸局部被遮挡时,准确识别出人物身份。
图5示出了本发明又一实施例提供的一种电子设备的结构示意图。
参阅图5,本发明实施例提供的电子设备,所述电子设备包括存储器(memory)51、处理器(processor)52、总线53以及存储在存储器51上并可在处理器上运行的计算机程序。其中,所述存储器51、处理器52通过所述总线53完成相互间的通信。
所述处理器52用于调用所述存储器51中的程序指令,以执行所述程序时实现如图1的方法。
在另一种实施方式中,所述处理器执行所述程序时实现如下方法:
所述特征图标记有分割框,所述分割框是根据人脸特征点的位置确定的,相应地,所述根据人脸特征点的位置对特征图进行分割,得到n个区域的步骤具体为:
根据所述分割框对特征图进行分割,得到n个区域。
在另一种实施方式中,所述处理器执行所述程序时实现如下方法:
根据所述分割框对特征图进行分割,得到n个区域的步骤具体为:
针对人脸图像,根据人脸的特征点的位置,标记多个分割人脸图像的分割框;
针对标记有分割框的人脸图像,进行特征提取,获得对应的特征图,所述特征图和人脸图像之间具有预设的缩放比例;
根据所述缩放比例,将人脸图像标记的分割框映射至特征图上,得到标记有分割框的特征图。
在另一种实施方式中,所述处理器执行所述程序时实现如下方法:
针对标记有分割框的人脸图像,进行特征提取,获得对应的特征图的步骤具体为:
采用谷歌的开源人脸识别项目Facenet的初期残差网络的版本一进行特征提取。
在另一种实施方式中,所述处理器执行所述程序时实现如下方法:
针对一个特征图和一个样本特征图,计算每一个区域对的相似度的步骤具体为:
针对每一个区域,进行向量化处理,得到对应的第一特征向量;
针对每一特征图的一个区域对,计算第一特征向量和第二特征向量之间的距离,所述第二特征向量是根据区域对中样本区域进行向量化处理得到的;
若特征图中存在m个相似度高于第一门限的区域,且存在n-m个相似度低于第二门限的区域,则识别人脸图像的人物身份是样本图像的人物身份的步骤具体为:
若m个距离均小于第三门限,且n-m个距离均大于第四门限,则识别人脸图像的人物身份是样本图像的人物身份,所述第四门限表示在无遮挡的情况下,第一特征向量和第二特征向量之间的最大距离。
在另一种实施方式中,所述处理器执行所述程序时实现如下方法:
若m个距离均小于第三门限,且n-m个距离均大于第四门限,则识别人脸图像的人物身份是样本图像的人物身份的步骤具体为:
将小于第三门限的距离记为第一距离,将大于第四门限的距离记为第二距离;
根据m个第一距离,得到第一距离的总和;
根据第一距离的总和以及个数m,得到第一平均距离;
根据n-m个第二距离,得到第二距离的总和;
根据第二距离的总和以及个数n-m,得到第二平均距离;
若所述第一平均距离小于第五门限,且所述第二平均距离大于第六门限,则识别人脸图像的人物身份是样本图像的人物身份,所述第六门限表示在无遮挡的情况下,第一特征向量和第二特征向量之间的最大距离的平均值。
在另一种实施方式中,所述处理器执行所述程序时实现如下方法:
所述根据m个第一距离,得到第一距离的总和的步骤具体为:
根据m个第一距离以及区域对应的权重,得到第一距离的总和;
所述根据n-m个第二距离,得到第二距离的总和的步骤具体为:
根据n-m个第二距离及区域对应的权重,得到第二距离的总和。
本发明实施例提供的电子设备,可用于执行上述方法实施例的方法对应的程序,本实施不再赘述。
本发明实施例提供的电子设备,通过所述处理器执行所述程序时实现通过将特征图分割为n个区域,并针对每一区域分别与样本库的样本区域进行相似度比较,若m个区域相似,同时n-m个区域极其不相似,表示n-m个区域被遮挡,将样本库中的人物身份作为待识别的人物身份,从而在人脸局部被遮挡时,准确识别出人物身份。
本发明又一实施例提供的一种存储介质,所述存储介质上存储有计算机程序,所述程序被处理器执行时实现如图1的步骤。
在另一种实施方式中,所述程序被处理器执行时实现如下方法:
所述特征图标记有分割框,所述分割框是根据人脸特征点的位置确定的,相应地,所述根据人脸特征点的位置对特征图进行分割,得到n个区域的步骤具体为:
根据所述分割框对特征图进行分割,得到n个区域。
在另一种实施方式中,所述程序被处理器执行时实现如下方法:
根据所述分割框对特征图进行分割,得到n个区域的步骤具体为:
针对人脸图像,根据人脸的特征点的位置,标记多个分割人脸图像的分割框;
针对标记有分割框的人脸图像,进行特征提取,获得对应的特征图,所述特征图和人脸图像之间具有预设的缩放比例;
根据所述缩放比例,将人脸图像标记的分割框映射至特征图上,得到标记有分割框的特征图。
在另一种实施方式中,所述程序被处理器执行时实现如下方法:
针对标记有分割框的人脸图像,进行特征提取,获得对应的特征图的步骤具体为:
采用谷歌的开源人脸识别项目Facenet的初期残差网络的版本一进行特征提取。
在另一种实施方式中,所述程序被处理器执行时实现如下方法:
针对一个特征图和一个样本特征图,计算每一个区域对的相似度的步骤具体为:
针对每一个区域,进行向量化处理,得到对应的第一特征向量;
针对每一特征图的一个区域对,计算第一特征向量和第二特征向量之间的距离,所述第二特征向量是根据区域对中样本区域进行向量化处理得到的;
若特征图中存在m个相似度高于第一门限的区域,且存在n-m个相似度低于第二门限的区域,则识别人脸图像的人物身份是样本图像的人物身份的步骤具体为:
若m个距离均小于第三门限,且n-m个距离均大于第四门限,则识别人脸图像的人物身份是样本图像的人物身份,所述第四门限表示在无遮挡的情况下,第一特征向量和第二特征向量之间的最大距离。
在另一种实施方式中,所述程序被处理器执行时实现如下方法:
若m个距离均小于第三门限,且n-m个距离均大于第四门限,则识别人脸图像的人物身份是样本图像的人物身份的步骤具体为:
将小于第三门限的距离记为第一距离,将大于第四门限的距离记为第二距离;
根据m个第一距离,得到第一距离的总和;
根据第一距离的总和以及个数m,得到第一平均距离;
根据n-m个第二距离,得到第二距离的总和;
根据第二距离的总和以及个数n-m,得到第二平均距离;
若所述第一平均距离小于第五门限,且所述第二平均距离大于第六门限,则识别人脸图像的人物身份是样本图像的人物身份,所述第六门限表示在无遮挡的情况下,第一特征向量和第二特征向量之间的最大距离的平均值。
在另一种实施方式中,所述程序被处理器执行时实现如下方法:
所述根据m个第一距离,得到第一距离的总和的步骤具体为:
根据m个第一距离以及区域对应的权重,得到第一距离的总和;
所述根据n-m个第二距离,得到第二距离的总和的步骤具体为:
根据n-m个第二距离及区域对应的权重,得到第二距离的总和。
本发明实施例提供的存储介质,所述程序被处理器执行时实现上述方法实施例的方法,本实施不再赘述。
本发明实施例提供的存储介质,通过将特征图分割为n个区域,并针对每一区域分别与样本库的样本区域进行相似度比较,若m个区域相似,同时n-m个区域极其不相似,表示n-m个区域被遮挡,将样本库中的人物身份作为待识别的人物身份,从而在人脸局部被遮挡时,准确识别出人物身份。
本发明又一实施例公开一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各方法实施例所提供的方法,例如包括:
在整张人脸图像识别失败后,针对预先获取的人脸图像对应的特征图,根据人脸特征点的位置对特征图进行分割,得到n个区域,n为大于等于2的正整数;
获取预先建立的样本库,所述样本库包括多张样本图像以及对应的人物身份,每一样本图像对应的样本特征图包括n个样本区域,所述样本区域是根据所述人脸特征点的位置进行分割得到的,所述样本区域的数量与所述区域的数量相同;
针对一个特征图和一个样本特征图,计算每一个区域对的相似度,所述区域对包括一个区域和一个样本区域,所述区域对中的区域和样本区域对应同一个特征点;
若特征图中存在m个相似度高于第一门限的区域,且存在n-m个相似度低于第二门限的区域,则识别人脸图像的人物身份是样本图像的人物身份,所述第二门限表示在无遮挡的情况下最低相似度,m为正整数。
本领域的技术人员能够理解,尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征,但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。
本领域技术人员可以理解,实施例中的各步骤可以以硬件实现,或者以在一个或者多个处理器上运行的软件模块实现,或者以它们的组合实现。本领域的技术人员应当理解,可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如,计算机程序和计算机程序产品)。
虽然结合附图描述了本发明的实施方式,但是本领域技术人员可以在不脱离本发明的精神和范围的情况下做出各种修改和变型,这样的修改和变型均落入由所附权利要求所限定的范围之内。
Claims (10)
1.一种人脸识别的方法,其特征在于,所述方法包括:
在整张人脸图像识别失败后,针对预先获取的人脸图像对应的特征图,根据人脸特征点的位置对特征图进行分割,得到n个区域,n为大于等于2的正整数;
获取预先建立的样本库,所述样本库包括多张样本图像以及对应的人物身份,每一样本图像对应的样本特征图包括n个样本区域,所述样本区域是根据所述人脸特征点的位置进行分割得到的,所述样本区域的数量与所述区域的数量相同;
针对一个特征图和一个样本特征图,计算每一个区域对的相似度,所述区域对包括一个区域和一个样本区域,所述区域对中的区域和样本区域对应同一个特征点;
若特征图和所述样本特征图之间存在m个相似度高于第一门限的区域,且存在n-m个相似度低于第二门限的区域,则识别人脸图像的人物身份是样本图像的人物身份,所述第二门限表示在无遮挡的情况下最低相似度,m为正整数。
2.根据权利要求1所述的方法,其特征在于:所述特征图标记有分割框,所述分割框是根据人脸特征点的位置确定的,相应地,所述根据人脸特征点的位置对特征图进行分割,得到n个区域的步骤具体为:
根据所述分割框对特征图进行分割,得到n个区域。
3.根据权利要求2所述的方法,其特征在于:根据所述分割框对特征图进行分割,得到n个区域的步骤具体为:
针对人脸图像,根据人脸的特征点的位置,标记多个分割人脸图像的分割框;
针对标记有分割框的人脸图像,进行特征提取,获得对应的特征图,所述特征图和人脸图像之间具有预设的缩放比例;
根据所述缩放比例,将人脸图像标记的分割框映射至特征图上,得到标记有分割框的特征图。
4.根据权利要求3所述的方法,其特征在于:针对标记有分割框的人脸图像,进行特征提取,获得对应的特征图的步骤具体为:
采用谷歌的开源人脸识别项目Facenet的初期残差网络的版本一进行特征提取。
5.根据权利要求1所述的方法,其特征在于:
针对一个特征图和一个样本特征图,计算每一个区域对的相似度的步骤具体为:
针对每一个区域,进行向量化处理,得到对应的第一特征向量;
针对每一特征图的一个区域对,计算第一特征向量和第二特征向量之间的距离,所述第二特征向量是根据区域对中样本区域进行向量化处理得到的;
若特征图中存在m个相似度高于第一门限的区域,且存在n-m个相似度低于第二门限的区域,则识别人脸图像的人物身份是样本图像的人物身份的步骤具体为:
若m个距离均小于第三门限,且n-m个距离均大于第四门限,则识别人脸图像的人物身份是样本图像的人物身份,所述第四门限表示在无遮挡的情况下,第一特征向量和第二特征向量之间的最大距离。
6.根据权利要求5所述的方法,其特征在于:若m个距离均小于第三门限,且n-m个距离均大于第四门限,则识别人脸图像的人物身份是样本图像的人物身份的步骤具体为:
将小于第三门限的距离记为第一距离,将大于第四门限的距离记为第二距离;
根据m个第一距离,得到第一距离的总和;
根据第一距离的总和以及个数m,得到第一平均距离;
根据n-m个第二距离,得到第二距离的总和;
根据第二距离的总和以及个数n-m,得到第二平均距离;
若所述第一平均距离小于第五门限,且所述第二平均距离大于第六门限,则识别人脸图像的人物身份是样本图像的人物身份,所述第六门限表示在无遮挡的情况下,第一特征向量和第二特征向量之间的最大距离的平均值。
7.根据权利要求6所述的方法,其特征在于:所述根据m个第一距离,得到第一距离的总和的步骤具体为:
根据m个第一距离以及区域对应的权重,得到第一距离的总和;
所述根据n-m个第二距离,得到第二距离的总和的步骤具体为:
根据n-m个第二距离及区域对应的权重,得到第二距离的总和。
8.一种人脸识别的装置,其特征在于,所述装置包括:
分割模块,用于在整张人脸图像识别失败后,针对预先获取的人脸图像对应的特征图,根据人脸特征点的位置对特征图进行分割,得到n个区域,n为大于等于2的正整数;
获取模块,用于获取预先建立的样本库,所述样本库包括多张样本图像以及对应的人物身份,每一样本图像对应的样本特征图包括n个样本区域,所述样本区域是根据所述人脸特征点的位置进行分割得到的,所述样本区域的数量与所述区域的数量相同;
计算模块,用于针对一个特征图和一个样本特征图,计算每一个区域对的相似度,所述区域对包括一个区域和一个样本区域,所述区域对中的区域和样本区域对应同一个特征点;
识别模块,用于若特征图和所述样本特征图之间存在m个相似度高于第一门限的区域,且存在n-m个相似度低于第二门限的区域,则识别人脸图像的人物身份是样本图像的人物身份,所述第二门限表示在无遮挡的情况下最低相似度,m为正整数。
9.一种电子设备,其特征在于,包括存储器、处理器、总线以及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如权利要求1-7任意一项的步骤。
10.一种存储介质,其上存储有计算机程序,其特征在于:所述程序被处理器执行时实现如权利要求1-7任意一项的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810252113.9A CN110363047B (zh) | 2018-03-26 | 2018-03-26 | 人脸识别的方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810252113.9A CN110363047B (zh) | 2018-03-26 | 2018-03-26 | 人脸识别的方法、装置、电子设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110363047A CN110363047A (zh) | 2019-10-22 |
CN110363047B true CN110363047B (zh) | 2021-10-26 |
Family
ID=68212137
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810252113.9A Expired - Fee Related CN110363047B (zh) | 2018-03-26 | 2018-03-26 | 人脸识别的方法、装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110363047B (zh) |
Families Citing this family (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110942014B (zh) * | 2019-11-22 | 2023-04-07 | 浙江大华技术股份有限公司 | 人脸识别快速检索方法、装置、服务器及存储装置 |
CN111046770B (zh) * | 2019-12-05 | 2023-08-01 | 上海信联信息发展股份有限公司 | 一种照片档案人物自动标注方法 |
CN113128304B (zh) * | 2019-12-31 | 2024-01-05 | 深圳云天励飞技术有限公司 | 图像处理的方法及电子设备 |
CN111428594A (zh) * | 2020-03-13 | 2020-07-17 | 北京三快在线科技有限公司 | 身份验证方法、装置、电子设备和存储介质 |
CN111611846A (zh) * | 2020-03-31 | 2020-09-01 | 北京迈格威科技有限公司 | 行人再识别方法、装置、电子设备及存储介质 |
CN111724522B (zh) * | 2020-05-25 | 2022-04-08 | 浙江大华技术股份有限公司 | 一种门禁控制***、方法、装置、控制设备及存储介质 |
CN111881740B (zh) * | 2020-06-19 | 2024-03-22 | 杭州魔点科技有限公司 | 人脸识别方法、装置、电子设备及介质 |
CN111985298B (zh) * | 2020-06-28 | 2023-07-25 | 百度在线网络技术(北京)有限公司 | 人脸识别样本收集方法和装置 |
CN111914748B (zh) * | 2020-07-31 | 2023-10-27 | 平安科技(深圳)有限公司 | 人脸识别方法、装置、电子设备及计算机可读存储介质 |
CN112116525B (zh) * | 2020-09-24 | 2023-08-04 | 百度在线网络技术(北京)有限公司 | 换脸识别方法、装置、设备和计算机可读存储介质 |
CN112381075B (zh) * | 2021-01-18 | 2021-05-07 | 北京蒙帕信创科技有限公司 | 一种机房特定场景下进行人脸识别的方法及*** |
CN114005235A (zh) * | 2021-11-01 | 2022-02-01 | 重庆紫光华山智安科技有限公司 | 一种安防监控方法、***、介质及电子终端 |
CN114241559A (zh) * | 2021-12-16 | 2022-03-25 | 中国农业银行股份有限公司 | 人脸识别方法、装置、设备及存储介质 |
CN115410249A (zh) * | 2022-07-29 | 2022-11-29 | 成都云天励飞技术有限公司 | 人脸识别模型训练方法、识别方法、装置、设备及介质 |
CN115630236B (zh) * | 2022-10-19 | 2023-08-18 | 感知天下(北京)信息科技有限公司 | 无源遥感影像的全球快速检索定位方法、存储介质及设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106067013A (zh) * | 2016-06-30 | 2016-11-02 | 美的集团股份有限公司 | 嵌入式***人脸识别方法及装置 |
CN107016370A (zh) * | 2017-04-10 | 2017-08-04 | 电子科技大学 | 一种基于数据增强的部分遮挡人脸识别方法 |
CN107194364A (zh) * | 2017-06-02 | 2017-09-22 | 重庆邮电大学 | 一种基于分治策略的Huffman‑LBP多姿态人脸识别方法 |
CN107679450A (zh) * | 2017-08-25 | 2018-02-09 | 珠海多智科技有限公司 | 基于深度学习的遮挡条件下人脸识别方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011037579A1 (en) * | 2009-09-25 | 2011-03-31 | Hewlett-Packard Development Company, L.P. | Face recognition apparatus and methods |
US10043058B2 (en) * | 2016-03-09 | 2018-08-07 | International Business Machines Corporation | Face detection, representation, and recognition |
-
2018
- 2018-03-26 CN CN201810252113.9A patent/CN110363047B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106067013A (zh) * | 2016-06-30 | 2016-11-02 | 美的集团股份有限公司 | 嵌入式***人脸识别方法及装置 |
CN107016370A (zh) * | 2017-04-10 | 2017-08-04 | 电子科技大学 | 一种基于数据增强的部分遮挡人脸识别方法 |
CN107194364A (zh) * | 2017-06-02 | 2017-09-22 | 重庆邮电大学 | 一种基于分治策略的Huffman‑LBP多姿态人脸识别方法 |
CN107679450A (zh) * | 2017-08-25 | 2018-02-09 | 珠海多智科技有限公司 | 基于深度学习的遮挡条件下人脸识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110363047A (zh) | 2019-10-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110363047B (zh) | 人脸识别的方法、装置、电子设备和存储介质 | |
US10198623B2 (en) | Three-dimensional facial recognition method and system | |
US10216979B2 (en) | Image processing apparatus, image processing method, and storage medium to detect parts of an object | |
US8452096B2 (en) | Identifying descriptor for person or object in an image | |
KR100647322B1 (ko) | 객체의 모양모델 생성장치 및 방법과 이를 이용한 객체의특징점 자동탐색장치 및 방법 | |
CN105023008B (zh) | 基于视觉显著性及多特征的行人再识别方法 | |
CN110298297B (zh) | 火焰识别方法和装置 | |
CN110909618B (zh) | 一种宠物身份的识别方法及装置 | |
US11049259B2 (en) | Image tracking method | |
KR20170006355A (ko) | 모션벡터 및 특징벡터 기반 위조 얼굴 검출 방법 및 장치 | |
JP2003030667A (ja) | イメージ内で目を自動的に位置決めする方法 | |
CN111160291B (zh) | 基于深度信息与cnn的人眼检测方法 | |
CN110619300A (zh) | 一种多人脸同时识别的纠正方法 | |
CN112101208A (zh) | 高龄老人特征串联融合手势识别方法及装置 | |
CN109117746A (zh) | 手部检测方法及机器可读存储介质 | |
CN111274964B (zh) | 一种基于无人机视觉显著性分析水面污染物的检测方法 | |
CN111274851A (zh) | 一种活体检测方法及装置 | |
Singh et al. | Template matching for detection & recognition of frontal view of human face through Matlab | |
Zhang et al. | A novel efficient method for abnormal face detection in ATM | |
KR20160080483A (ko) | 랜덤 포레스트를 이용한 성별인식 방법 | |
US20210216829A1 (en) | Object likelihood estimation device, method, and program | |
CN114399731B (zh) | 一种单粗点监督下的目标定位方法 | |
CN107067411B (zh) | 一种结合密集特征的Mean-shift跟踪方法 | |
Li et al. | Robust depth camera based eye localization for human-machine interactions | |
Danti et al. | An adaptive skin color model for a human face detection |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20211026 |
|
CF01 | Termination of patent right due to non-payment of annual fee |