CN110781809A - 基于注册特征更新的识别方法、装置及电子设备 - Google Patents
基于注册特征更新的识别方法、装置及电子设备 Download PDFInfo
- Publication number
- CN110781809A CN110781809A CN201911014008.2A CN201911014008A CN110781809A CN 110781809 A CN110781809 A CN 110781809A CN 201911014008 A CN201911014008 A CN 201911014008A CN 110781809 A CN110781809 A CN 110781809A
- Authority
- CN
- China
- Prior art keywords
- scene
- features
- identification
- recognition
- registration
- 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
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
- 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)
- 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
本公开实施例中提供了一种基于注册特征更新的识别方法、装置及电子设备,属于人脸识别技术领域,该方法包括:构建人脸识别场景体系并获取识别对象在各场景下的注册人脸特征,其中所述人脸识别场景体系是一个或者多个人脸识别场景的集合;获取当前场景下所述识别对象的人脸特征;比较所获得的人脸特征与所述注册人脸特征以获得所述人脸特征与所述注册人脸特征之间的相似度度量;以及基于当前场景和所述相似度度量确定是否更新所述注册人脸特征。根据本公开的处理方案,能够针对不同场景相互独立的干扰因素,使每个用户在不同的场景中分别注册特征,在保障识别准确率的情况下,保证其在不同场景中的通过率。
Description
技术领域
本公开涉及识别技术领域,尤其涉及一种基于注册特征更新的识别方法、装置及电子设备。
背景技术
随着人脸识别技术的日益成熟,基于人脸识别的设备也更多地出现在人们的生活领域。例如在基于人脸识别的门禁机中,门禁机通过摄像头采集用户的人脸图像,并通过预置的人脸识别算法进行人脸图像的智能化识别,以根据人脸识别结果执行放行动作,十分便于用户出入。
但是在实际使用场景下,人脸识别设备会受到不同因素的影响,包括光线变化、场景变化、人脸特征变化等。这些外部因素会影响人脸识别通行速度及准确率。在实际使用的时候,这些干扰因素普遍会降低人脸识别准确率,造成被测人员识别困难的问题。
通常来说,真实人脸与注册照片之间的差异越大,识别通过率就越低。目前为提高识别通过率,通常只能通过调整摄像头参数,通过获取更加清晰地图像来降低识别干扰。但此方法仍只是将现场照与注册照分别提取特征并进行比对,但在有光线干扰、注册照不规范、摄像头成像角度偏差或其他场景干扰时,常常无法识别通过。
发明内容
有鉴于此,本公开实施例提供一种基于注册特征更新的识别方法、装置及电子设备,以至少部分解决现有技术中存在的问题。
第一方面,本公开实施例提供了一种基于注册特征更新的识别方法,包括:
构建识别场景体系并获取识别对象在各场景下的注册特征,其中所述识别场景体系是一个或者多个识别场景的集合;
获取当前场景下所述识别对象的特征;
比较所述当前场景下的特征与所述注册特征以获得所述当前场景下的特征与所述注册特征之间的相似度度量;以及
基于所述当前场景和所述相似度度量更新所述注册特征。
根据本公开实施例的一种具体实现方式,所述构建识别场景体系并获取识别对象在各场景下的注册特征,包括:
构建包括父类场景以及对应的子类场景的识别场景体系;
将每个识别设备所处环境设置为子类场景;以及
将所述识别对象在所述子类场景首次识别时所提取的特征作为所述子类场景下的注册特征。
根据本公开实施例的一种具体实现方式,所述构建识别场景体系并获取识别对象在各场景下的注册特征,包括:
手动或自动地将所述子类场景归类到父类场景,并根据所述子类场景的注册特征获得所述父类场景的注册特征。
根据本公开实施例的一种具体实现方式,所述根据所述子类场景的注册特征获得所述父类场景的注册特征,包括:
获得各子类场景的历史识别数据;
根据各子类场景的历史识别数据获得各子类场景的历史识别评估;以及
根据各子类场景的历史识别评估确定所述父类场景的注册特征,
其中所述历史识别数据包括通过率。
根据本公开实施例的一种具体实现方式,所述获取当前场景下所述识别对象的特征,包括:
获取所述当前场景下所述识别对象的图像,其中所述识别对象的图像包括所述识别对象的人脸图像;
对所述识别对象的图像进行人脸检测以获得人脸框,其中所述人脸框指示所述识别对象的图像中人脸所在位置;以及
在所述人脸框内执行人脸配准以获得关键点坐标,并将所述关键点坐标作为所述识别对象的特征。
根据本公开实施例的一种具体实现方式,所述比较所述当前场景下的特征与所述注册特征以获得所述当前场景下的特征与所述注册特征之间的相似度度量,包括:
在所述当前场景包含于所述识别场景体系的情况下,
如果所述识别场景体系中的当前场景包含注册特征,则将所述当前场景下的特征与当前场景的注册特征进行比较以获得当前场景下的特征与当前场景的注册特征之间的相似度度量;
如果所述识别场景体系中的当前场景不包含注册特征,则将当前场景下的特征作为所述当前场景的注册特征;
在所述当前场景不包含于所述识别场景体系的情况下,
将所述当前场景下的特征与所述识别场景体系中的一个或者多个识别场景的注册特征进行比较,并将相似度度量中的最大值作为当前场景下的特征与所述注册特征之间的相似度度量。
根据本公开实施例的一种具体实现方式,在所述当前场景不包含于所述识别场景体系的情况下,将所述当前场景下的特征与所述识别场景体系中的一个或者多个识别场景的注册特征进行比较所获得的相似度度量低于第一阈值时,确定所述当前场景为新场景,并更新所述人脸识别场景体系。
根据本公开实施例的一种具体实现方式,所述基于所述当前场景和所述相似度度量更新所述注册特征,包括:
在所述当前场景包含于所述识别场景体系并且所述识别场景体系中的当前场景包含注册特征的情况下,如果所述相似度度量大于第二阈值且小于第三阈值,则利用所述当前场景下的特征更新所述识别场景体系中的当前场景的注册特征,
在所述当前场景不包含于所述识别场景体系的情况下,将所述当前场景下的特征与所述识别场景体系中的一个或者多个识别场景的注册特征进行比较,并将相似度度量中的最大值作为当前场景下的特征与所述注册特征之间的相似度度量,如果所述相似度度量大于第二阈值且小于第三阈值,则利用所述当前场景下的特征更新所述识别场景体系中的与当前场景下的特征具有最大相似度度量的场景的注册特征,
其中,所述第二阈值指示在当前场景下通过识别的最小相似度度量,并且所述第三阈值指示当前场景下的相似度度量上限阈值,且所述第三阈值大于所述第二阈值。
第二方面,本公开实施例提供了一种基于注册特征更新的识别装置,包括:
识别场景体系构建模块,用于构建识别场景体系并获取识别对象在各场景下的注册特征,其中所述识别场景体系是一个或者多个识别场景的集合;
特征获取模块,用于获取当前场景下所述识别对象的特征;
比较模块,用于比较所述当前场景下的特征与所述注册特征以获得所述当前场景下的特征与所述注册特征之间的相似度度量;以及
更新模块,基于所述当前场景和所述相似度度量更新所述注册特征。
第三方面,本公开实施例还提供了一种电子设备,该电子设备包括:
至少一个处理器;以及,
与该至少一个处理器通信连接的存储器;其中,
该存储器存储有可被该至少一个处理器执行的指令,该指令被该至少一个处理器执行,以使该至少一个处理器能够执行前述第一方面或第一方面的任一实现方式中的基于注册特征更新的识别方法。
第四方面,本公开实施例还提供了一种非暂态计算机可读存储介质,该非暂态计算机可读存储介质存储计算机指令,该计算机指令用于使该计算机执行前述第一方面或第一方面的任一实现方式中的基于注册特征更新的识别方法。
第五方面,本公开实施例还提供了一种计算机程序产品,该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程序,该计算机程序包括程序指令,当该程序指令被计算机执行时,使该计算机执行前述第一方面或第一方面的任一实现方式中的基于注册特征更新的识别方法。
本公开实施例中的基于注册特征更新的识别方案,包括构建人脸识别场景体系并获取识别对象在各场景下的注册人脸特征,其中所述人脸识别场景体系是一个或者多个人脸识别场景的集合;获取当前场景下所述识别对象的人脸特征;比较所获得的人脸特征与所述注册人脸特征以获得所述人脸特征与所述注册人脸特征之间的相似度度量;以及基于当前场景和所述相似度度量确定是否更新所述注册人脸特征。根据本公开的处理方案,能够针对不同场景相互独立的干扰因素,使每个用户在不同的场景中分别注册特征,在保障识别准确率的情况下,保证其在不同场景中的通过率。
附图说明
为了更清楚地说明本公开实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本公开的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它的附图。
图1为本公开实施例提供的一种基于注册特征更新的识别方法的流程示意图;
图2为本公开实施例提供的一种人脸识别场景体系的结构示意图;
图3为本公开实施例提供的一种构建识别场景体系并获取各场景下的注册特征的流程示意图;
图4为本公开实施例提供的一种根据子类场景的注册特征获得父类场景的注册特征的流程示意图;
图5为本公开实施例提供的一种获取当前场景下的识别对象的人脸特征的流程示意图;
图6为本公开实施例提供的一种基于注册特征更新的识别装置的结构示意图;以及
图7为本公开实施例提供的电子设备示意图。
具体实施方式
下面结合附图对本公开实施例进行详细描述。
以下通过特定的具体实例说明本公开的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本公开的其他优点与功效。显然,所描述的实施例仅仅是本公开一部分实施例,而不是全部的实施例。本公开还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本公开的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。基于本公开中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本公开保护的范围。
需要说明的是,下文描述在所附权利要求书的范围内的实施例的各种方面。应显而易见,本文中所描述的方面可体现于广泛多种形式中,且本文中所描述的任何特定结构及/或功能仅为说明性的。基于本公开,所属领域的技术人员应了解,本文中所描述的一个方面可与任何其它方面独立地实施,且可以各种方式组合这些方面中的两者或两者以上。举例来说,可使用本文中所阐述的任何数目个方面来实施设备及/或实践方法。另外,可使用除了本文中所阐述的方面中的一或多者之外的其它结构及/或功能性实施此设备及/或实践此方法。
还需要说明的是,以下实施例中所提供的图示仅以示意方式说明本公开的基本构想,图式中仅显示与本公开中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制,其实际实施时各组件的型态、数量及比例可为一种随意的改变,且其组件布局型态也可能更为复杂。
另外,在以下描述中,提供具体细节是为了便于透彻理解实例。然而,所属领域的技术人员将理解,可在没有这些特定细节的情况下实践所述方面。
本公开实施例提供一种基于注册特征更新的识别方法。本实施例提供的基于注册特征更新的识别方法可以由一计算装置来执行,该计算装置可以实现为软件,或者实现为软件和硬件的组合,该计算装置可以集成设置在服务器、终端设备等中。
应当注意,在以下的描述中,以人脸识别作为识别的示例进行描述,但是根据本公开实施例的基于注册特征更新的识别方法还可以应用于其他类型的识别,例如虹膜识别、姿态识别、步态识别等等。
参见图1,本公开实施例提供的一种基于注册特征更新的识别方法,包括:
S100:构建识别场景体系并获取识别对象在各场景下的注册特征,其中所述识别场景体系是一个或者多个识别场景的集合。
在实际使用场景下,人脸识别设备会受到诸如光线变化、场景变化、人脸特征变化之类的因素的影响,因此,在本公开实施例中,构建人脸识别场景体系,术语“人脸识别场景体系”是指进行人脸识别的场景的集合。
构建人脸识别场景体系例如可以考虑天气因素。具体地,可以包括晴天、雨天、阴天和大雾等场景。此外,构建人脸识别场景体系例如还可以考虑人脸识别设备所处的环境,例如室内环境、室外环境。室内环境例如又可以分为地铁口、客厅、校门口等场景。
也就是说,在本公开实施例中,可以综合考虑多个因素来构建人脸识别场景体系,并且每个人脸识别场景还可以包含若干子类场景。
图2示出了根据本公开实施例的人脸识别场景体系200的示例,其包括一个或者多个父类场景201-1~201-n,并且每个父类场景可以包含一个或者多个子类场景202-1~202-m。
在本公开实施例中,获取每个场景(包括父类场景和子类场景)下的注册人脸特征。
术语“注册人脸特征”是指作为人脸识别的对比基准的特征,并且可以通过与注册人脸特征对比所得到的识别分数来确定是否为同一个人。
获取每个场景下的注册人脸特征例如可以将首次捕获到识别对象的人脸图像时提取的人脸特征作为注册人脸特征。并且可以通过基于几何特征的识别方法、基于代数特征的识别方法和基于连接机制的识别方法来获得人脸特征。其中,基于几何特征的识别方法将人脸用一组几何特征矢量表示,基于代数特征的识别方法将人脸用代数特征矢量进行表示,并且基于连接机制的识别方法将人脸用灰度图进行表示。此时,可以将几何特征矢量、代数特征矢量和灰度图作为人脸特征。
应当注意,在本公开实施例中,并非所构建的识别场景体系中的每个场景都包含识别对象的注册人脸特征。也就是说,在本公开实施例中,存在一些场景的注册人脸特征为空的情况。
应当注意,以上以构建人脸识别场景体系并获取各场景下的注册人脸特征为例进行了描述,但是本公开实施例不限于此。例如,识别场景体系可以是姿态识别场景体系,并且注册特征可以是各场景下的注册姿态特征。
S200:获取当前场景下所述识别对象的特征。
在本公开实施例中,对于任一场景,可以通过人脸识别设备捕获在该场景下的人脸图像,并通过对人脸图像的处理来获得人脸特征。
获得人脸特征的方法例如可以是如上所述的基于几何特征的识别方法、基于代数特征的识别方法和基于连接机制的识别方法。应当理解,获取某一场景下的人脸特征的方法不限于此,而且可以包括现有的或者未来待开发的其他方法。
S300:比较所述当前场景下的特征与所述注册特征以获得所述当前场景下的特征与所述注册特征之间的相似度度量。
在本公开实施例中,在当前场景已知的情况下,即,在当前场景包含在所构建的人脸识别场景体系中时,存在至少两种情况。
一种情况是所构建的人脸识别场景体系中的当前场景包含注册特征,则将所述当前场景下的特征与构建的场景体系中的当前场景的注册特征进行比较以获得当前场景下的特征与当前场景的注册特征之间的相似度度量。
另一种情况是虽然所构建的人脸识别场景体系包含当前场景,但是缺少与该场景对应的注册人脸特征,则直接将当前场景下的特征作为所构建的场景体系中的当前场景的注册特征。
可替代地,在所构建的人脸识别场景体系包含当前场景,但是缺少与该场景对应的注册人脸特征的情况下,可以将当前场景的人脸特征与所构建的人脸识别场景体系中当前场景的父类场景的注册人脸特征进行比较以获得相似度度量。
另一方面,在当前场景未知的情况下,即,在当前场景不包含于所构建的识别场景体系的情况下,可以将当前场景的人脸特征与人脸识别场景体系中的每个场景的注册人脸特征进行比较以获得相似度度量,并将相似度度量中的最大值作为当前场景下的特征与注册特征之间的相似度度量。
此外,可以首先与人脸识别场景体系中的子类场景的注册人脸特征进行比较,然后再与父类场景的注册人脸特征进行比较。
相似度度量例如可以是识别分数、当前场景下的人脸特征与注册人脸特征之间的距离等等。应当理解,相似度度量不限于此,而是可以包含其他能够度量当前场景下的人脸特征与注册人脸特征之间的相似度的参数。
S400:基于所述当前场景和所述相似度度量更新所述注册特征。
具体地,例如,在相似度度量为识别分数S的情况下,如果当前场景下的人脸特征的识别分数大于识别通过阈值th1(例如70%),则可以确定识别成功。然而,如果前场景下的人脸特征的识别分数小于识别分数上限阈值th2(例如,80%),则可知道虽然在这种场景下能够识别通过,但是所获得的人脸特征与注册人脸特征之间仍然存在差异,特别是在识别分数较低(例如,72%)的情况下,外部因素的轻微变化即可能导致识别失败。
应当理解,虽然以识别分数S为例进行了描述,但是还可以以人脸特征与注册人脸特征之间的距离等作为相似度度量的示例。
在这种情况下,如果当前场景包含于所构建的识别场景体系并且所述识别场景体系中的当前场景包含注册特征,并且所获得的相似度度量大于第二阈值th1且小于第三阈值th2,则可以利用当前场景下的特征更新所述识别场景体系中的当前场景的注册特征。
此外,在所构建的人脸识别场景体系包含当前场景,但是缺少与该场景对应的注册人脸特征,则直接将当前场景下的特征作为所构建的场景体系中的当前场景的注册特征。
在所述当前场景不包含于所述识别场景体系的情况下,可以将当前场景的人脸特征与人脸识别场景体系中的每个场景的注册人脸特征进行比较,并且获得识别分数S最高(相似度度量最大)的场景,此时,判断是否满足th2>S>th1。如果满足th2>S>th1,则用所获得的人脸特征替换所获得的识别分数S最高的场景的注册人脸特征。
在本公开实施例中,第二阈值th1和第三阈值th2可以依据场景进行设置。例如,对于识别准确率要求高的地方,可以将第二阈值th1和第三阈值th2设置为较大的值,并且在识别准确率要求较低的地方,可以将第二阈值th1和第三阈值th2设置为较小的值。
根据本公开实施例的基于注册特征更新的识别方法,能够针对不同场景相互独立的干扰因素,使每个用户在不同的场景中分别注册特征,在保障识别准确率的情况下,保证其在不同场景中的通过率。
根据本公开实施例的一种具体实现方式,所构建的人脸识别场景体系中的每种场景均具有注册人脸特征。可替代地,所构建的人脸识别场景体系中仅一部分场景具有注册人脸特征,在这种情况下,对于没有注册人脸特征的场景,可以将父类场景的注册人脸特征作为当前场景的注册人脸特征。
参见图3,根据本公开实施例的一种具体实现方式,所述构建识别场景体系并获取识别对象在各场景下的注册特征,包括:
S301:构建包括父类场景以及对应的子类场景的识别场景体系。
例如,可以构建如图2所示的识别场景体系,其包括父类场景以及与父类场景对应的子类场景。
S302:将每个识别设备所处环境设置为子类场景。
S303:将所述识别对象在所述子类场景首次识别时所提取的特征作为所述子类场景下的注册特征。
具体地,在本公开实施例中,可以对每个人脸识别设备进行标识,并且将每个人脸识别设备所述的环境设置为单独的人脸识别场景。也就是说,为每个人脸识别设备所处的环境设置单独的注册人脸特征,如此能够充分减少外界因素的干扰。
在为每个人脸识别设备设置单独的注册人脸特征的情况下,可以将识别对象被该人脸识别设备初次捕获时得到的人脸特征作为注册人脸特征。并且可以根据稍后描述的更新方法对注册人脸特征进行更新。
根据本公开实施例的一种具体实现方式,对于图2中所示的任何子类场景,可以手动地将其归类为某一父类场景。例如,地铁口闸机的人脸识别场景可以认为归类到室内场景。具体地,可以根据人脸识别设备所处场景在该设备的标识符中标识其场景,如此可以将该人脸识别设备归类到所构建的人脸识别场景体系。
可替代地,可以自动地将子类场景归类为某一父类场景。例如,为了避免在安装好人脸识别设备后人为分类的不准确性和复杂性,可以使用该场景下的人脸识别设备捕获已知对象的人脸特征,并将所捕获的人脸特征与各子类场景的注册人脸特征进行比较,获得例如相似度最高的子类场景,如此,可以将当前场景归类为与得分最高的子类场景相同的父类场景。
可替代地,可以将当前场景下的捕获的已知对象的人脸特征与各父类场景下的注册人脸特征进行比较,并将当前场景归类为得分最高的父类场景。
对于子类场景的注册人脸特征和相应父类场景的注册人脸特征,可以直接将子类场景的注册人脸特征作为相应父类场景的注册人脸特征。
参见图4,根据本公开实施例的一种具体实现方式,在父类场景包含多个子类场景的情况下,可以根据各子类场景的注册特征获得所述父类场景的注册特征,具体地,该方法包括:
S401:获得各子类场景的历史识别数据。
历史识别数据例如包括准确率、通过率等等参数。
S402:根据各子类场景的历史识别数据获得各子类场景的历史识别评估。
在本公开实施例中,综合考虑各子类场景的历史识别情况,以对其进行评估。例如,可以评估各子类场景的准确率、通过率数据,并通过加权平均的方法获得各子类场景的历史识别评估。
S403:根据各子类场景的历史识别评估确定所述父类场景的注册特征。
在本公开实施例中,例如可以将通过率最高的子类场景所对应的注册人脸特征作为对应的父类场景的注册人脸特征。
参见图5,根据本公开实施例的一种具体实现方式,所述获取当前场景下所述识别对象的人脸特征包括:
S501:获取所述当前场景下所述识别对象的图像。
可以利用安装在当前场景的人脸识别设备(例如,摄像机)捕获识别对象的图像。
S502:对所述图像进行人脸检测,以获得人脸框,其中所述人脸框指示所述图像中人脸所在位置。
可以通过人脸检测算法来进行人脸检测,人脸检测算法的输入是一张图像,输出是人脸框的坐标序列,具体结果是0个人脸框或1个人脸框或多个人脸框。输出的人脸框可以为正方形、矩形等。人脸检测算法的示例例如包括模板匹配技术、用级联AdaBoost分类器进行人脸检测、Cascade CNN等等。
S503:在所述人脸框内执行人脸配准以获得关键点坐标,并将所述关键点坐标作为所述人脸特征。
人脸配准是定位出人脸上五官关键点坐标的技术。可以通过人脸配准算法来获得关键点坐标。人脸配准算法的输入是“一张人脸图片”+“人脸坐标框”,输出是五官关键点的坐标序列。五官关键点的数量是预先设定好的固定数值,例如128点、68点等等。
人脸配准技术一般基于人脸框,按某种事先设定规则将人脸区域抠取出来,然后进行关键点位置的计算。人脸配准算法例如可以包括ASM(Active Shape Model)算法、Procrustes方法以及利用局部二值特征进行人脸配准的算法等等。
在通过人脸配准算法获得了关键点坐标之后,可以将这些关键点坐标作为当前场景下的人脸特征。
根据本公开实施例的一种具体实现方式,在所述当前场景不包含于所述识别场景体系的情况下,可以将所述当前场景下的特征与所述识别场景体系中的一个或者多个识别场景(或者每个识别场景)的注册特征进行比较所获得的相似度度量低于第一阈值时,确定所述当前场景为新场景,并更新所述人脸识别场景体系。
例如,通过比较所获得的相似度度量均低于50%时,可以人为该场景为新出现的场景(例如,高寒环境),在这种情况下,可以在所构建的识别场景体系单独列出该场景,以对识别场景体系进行更新。如此,能够使得所构建的识别场景体系适应更宽的范围。
图6所示基于注册特征更新的识别装置600可以对应的执行上述方法实施例中的内容。具体地,该装置包括:
识别场景体系构建模块601,用于构建识别场景体系并获取识别对象在各场景下的注册特征,其中所述识别场景体系是一个或者多个识别场景的集合;
特征获取模块602,用于获取当前场景下所述识别对象的特征;
比较模块603,用于比较所述当前场景下的特征与所述注册特征以获得所述当前场景下的特征与所述注册特征之间的相似度度量;以及
更新模块604,基于所述当前场景和所述相似度度量更新所述注册特征。
本实施例未详细描述的部分,参照上述方法实施例中记载的内容,在此不再赘述。
参见图7,本公开实施例还提供了一种电子设备700,该电子设备包括:
至少一个处理器;以及,
与该至少一个处理器通信连接的存储器;其中,
该存储器存储有可被该至少一个处理器执行的指令,该指令被该至少一个处理器执行,以使该至少一个处理器能够执行前述方法实施例中的基于注册特征更新的识别方法。
本公开实施例还提供了一种非暂态计算机可读存储介质,该非暂态计算机可读存储介质存储计算机指令,该计算机指令用于使该计算机执行前述方法实施例中的基于注册特征更新的识别方法。
本公开实施例还提供了一种计算机程序产品,该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程序,该计算机程序包括程序指令,当该程序指令被计算机执行时,使该计算机执行前述方法实施例中的的基于注册特征更新的识别方法。
下面参考图7,其示出了适于用来实现本公开实施例的电子设备700的结构示意图。本公开实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图6示出的电子设备仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图7所示,电子设备700可以包括处理装置(例如中央处理器、图形处理器等)701,其可以根据存储在只读存储器(ROM)702中的程序或者从存储装置708加载到随机访问存储器(RAM)703中的程序而执行各种适当的动作和处理。在RAM 703中,还存储有电子设备700操作所需的各种程序和数据。处理装置701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
通常,以下装置可以连接至I/O接口705:包括例如触摸屏、触摸板、键盘、鼠标、图像传感器、麦克风、加速度计、陀螺仪等的输入装置706;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置707;包括例如磁带、硬盘等的存储装置708;以及通信装置709。通信装置709可以允许电子设备700与其他设备进行无线或有线通信以交换数据。虽然图中示出了具有各种装置的电子设备700,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开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,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信装置709从网络上被下载和安装,或者从存储装置708被安装,或者从ROM 702被安装。在该计算机程序被处理装置701执行时,执行本公开实施例的方法中限定的上述功能。
需要说明的是,本公开上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是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件,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。在本公开中,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***、装置或者器件使用或者与其结合使用。而在本公开中,计算机可读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,该计算机可读信号介质可以发送、传播或者传输用于由指令执行***、装置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:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:获取至少两个网际协议地址;向节点评价设备发送包括所述至少两个网际协议地址的节点评价请求,其中,所述节点评价设备从所述至少两个网际协议地址中,选取网际协议地址并返回;接收所述节点评价设备返回的网际协议地址;其中,所获取的网际协议地址指示内容分发网络中的边缘节点。
或者,上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:接收包括至少两个网际协议地址的节点评价请求;从所述至少两个网际协议地址中,选取网际协议地址;返回选取出的网际协议地址;其中,接收到的网际协议地址指示内容分发网络中的边缘节点。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码,上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的***、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。
描述于本公开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。其中,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,第一获取单元还可以被描述为“获取至少两个网际协议地址的单元”。
应当理解,本公开的各部分可以用硬件、软件、固件或它们的组合来实现。
以上所述,仅为本公开的具体实施方式,但本公开的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本公开揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本公开的保护范围之内。因此,本公开的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种基于注册特征更新的识别方法,其特征在于,包括:
构建识别场景体系并获取识别对象在各场景下的注册特征,其中所述识别场景体系是一个或者多个识别场景的集合;
获取当前场景下所述识别对象的特征;
比较所述当前场景下的特征与所述注册特征以获得所述当前场景下的特征与所述注册特征之间的相似度度量;以及
基于所述当前场景和所述相似度度量更新所述注册特征。
2.根据权利要求1所述的基于注册特征更新的识别方法,其特征在于,所述构建识别场景体系并获取识别对象在各场景下的注册特征,包括:
构建包括父类场景以及对应的子类场景的识别场景体系;
将每个识别设备所处环境设置为子类场景;以及
将所述识别对象在所述子类场景首次识别时所提取的特征作为所述子类场景下的注册特征。
3.根据权利要求2所述的基于注册特征更新的识别方法,其特征在于,所述构建识别场景体系并获取识别对象在各场景下的注册特征,包括:
手动或自动地将所述子类场景归类到父类场景,并根据所述子类场景的注册特征获得所述父类场景的注册特征。
4.根据权利要求3所述的基于注册特征更新的识别方法,其特征在于,所述根据所述子类场景的注册特征获得所述父类场景的注册特征,包括:
获得各子类场景的历史识别数据;
根据各子类场景的历史识别数据获得各子类场景的历史识别评估;以及
根据各子类场景的历史识别评估确定所述父类场景的注册特征,
其中所述历史识别数据包括通过率。
5.根据权利要求1所述的基于注册特征更新的识别方法,其特征在于,所述获取当前场景下所述识别对象的特征,包括:
获取所述当前场景下所述识别对象的图像,其中所述识别对象的图像包括所述识别对象的人脸图像;
对所述识别对象的图像进行人脸检测以获得人脸框,其中所述人脸框指示所述识别对象的图像中人脸所在位置;以及
在所述人脸框内执行人脸配准以获得关键点坐标,并将所述关键点坐标作为所述识别对象的特征。
6.根据权利要求1所述的基于注册特征更新的识别方法,其特征在于,所述比较所述当前场景下的特征与所述注册特征以获得所述当前场景下的特征与所述注册特征之间的相似度度量,包括:
在所述当前场景包含于所述识别场景体系的情况下,
如果所述识别场景体系中的当前场景包含注册特征,则将所述当前场景下的特征与当前场景的注册特征进行比较以获得当前场景下的特征与当前场景的注册特征之间的相似度度量;
如果所述识别场景体系中的当前场景不包含注册特征,则将当前场景下的特征作为所述当前场景的注册特征;
在所述当前场景不包含于所述识别场景体系的情况下,
将所述当前场景下的特征与所述识别场景体系中的一个或者多个识别场景的注册特征进行比较,并将相似度度量中的最大值作为当前场景下的特征与所述注册特征之间的相似度度量。
7.根据权利要求6所述的基于注册特征更新的识别方法,其特征在于,在所述当前场景不包含于所述识别场景体系的情况下,将所述当前场景下的特征与所述识别场景体系中的一个或者多个识别场景的注册特征进行比较所获得的相似度度量低于第一阈值时,确定所述当前场景为新场景,并更新所述人脸识别场景体系。
8.根据权利要求1所述的基于注册特征更新的识别方法,其特征在于,所述基于所述当前场景和所述相似度度量更新所述注册特征,包括:
在所述当前场景包含于所述识别场景体系并且所述识别场景体系中的当前场景包含注册特征的情况下,如果所述相似度度量大于第二阈值且小于第三阈值,则利用所述当前场景下的特征更新所述识别场景体系中的当前场景的注册特征,
在所述当前场景不包含于所述识别场景体系的情况下,将所述当前场景下的特征与所述识别场景体系中的一个或者多个识别场景的注册特征进行比较,并将相似度度量中的最大值作为当前场景下的特征与所述注册特征之间的相似度度量,如果所述相似度度量大于第二阈值且小于第三阈值,则利用所述当前场景下的特征更新所述识别场景体系中的与当前场景下的特征具有最大相似度度量的场景的注册特征,
其中,所述第二阈值指示在当前场景下通过识别的最小相似度度量,并且所述第三阈值指示当前场景下的相似度度量上限阈值,且所述第三阈值大于所述第二阈值。
9.一种基于注册特征更新的识别装置,其特征在于,包括:
识别场景体系构建模块,用于构建识别场景体系并获取识别对象在各场景下的注册特征,其中所述识别场景体系是一个或者多个识别场景的集合;
特征获取模块,用于获取当前场景下所述识别对象的特征;
比较模块,用于比较所述当前场景下的特征与所述注册特征以获得所述当前场景下的特征与所述注册特征之间的相似度度量;以及
更新模块,基于所述当前场景和所述相似度度量更新所述注册特征。
10.一种非暂态计算机可读存储介质,该非暂态计算机可读存储介质存储计算机指令,该计算机指令用于使该计算机执行前述利要求1-9中任一项所述的基于注册特征更新的识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911014008.2A CN110781809A (zh) | 2019-10-23 | 2019-10-23 | 基于注册特征更新的识别方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911014008.2A CN110781809A (zh) | 2019-10-23 | 2019-10-23 | 基于注册特征更新的识别方法、装置及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110781809A true CN110781809A (zh) | 2020-02-11 |
Family
ID=69386792
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911014008.2A Pending CN110781809A (zh) | 2019-10-23 | 2019-10-23 | 基于注册特征更新的识别方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110781809A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111695502A (zh) * | 2020-06-11 | 2020-09-22 | 腾讯科技(深圳)有限公司 | 用于人脸识别的特征更新方法、装置和计算机设备 |
CN112750448A (zh) * | 2020-08-07 | 2021-05-04 | 腾讯科技(深圳)有限公司 | 声音场景的识别方法、装置、设备及存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102682309A (zh) * | 2011-03-14 | 2012-09-19 | 汉王科技股份有限公司 | 一种基于模板学习的人脸注册方法及装置 |
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 |
US20140010465A1 (en) * | 2012-07-09 | 2014-01-09 | Canon Kabushiki Kaisha | Apparatus and method for managing an object extracted from image data |
CN104050449A (zh) * | 2014-06-13 | 2014-09-17 | 无锡天脉聚源传媒科技有限公司 | 一种人脸识别方法及装置 |
CN106446816A (zh) * | 2016-09-14 | 2017-02-22 | 北京旷视科技有限公司 | 人脸识别方法及装置 |
CN108446387A (zh) * | 2018-03-22 | 2018-08-24 | 百度在线网络技术(北京)有限公司 | 用于更新人脸注册库的方法和装置 |
CN109558864A (zh) * | 2019-01-16 | 2019-04-02 | 苏州科达科技股份有限公司 | 人脸关键点检测方法、装置及存储介质 |
CN110162462A (zh) * | 2019-04-16 | 2019-08-23 | 深圳壹账通智能科技有限公司 | 基于场景的人脸识别***的测试方法、***和计算机设备 |
-
2019
- 2019-10-23 CN CN201911014008.2A patent/CN110781809A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102682309A (zh) * | 2011-03-14 | 2012-09-19 | 汉王科技股份有限公司 | 一种基于模板学习的人脸注册方法及装置 |
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 |
US20140010465A1 (en) * | 2012-07-09 | 2014-01-09 | Canon Kabushiki Kaisha | Apparatus and method for managing an object extracted from image data |
CN104050449A (zh) * | 2014-06-13 | 2014-09-17 | 无锡天脉聚源传媒科技有限公司 | 一种人脸识别方法及装置 |
CN106446816A (zh) * | 2016-09-14 | 2017-02-22 | 北京旷视科技有限公司 | 人脸识别方法及装置 |
CN108446387A (zh) * | 2018-03-22 | 2018-08-24 | 百度在线网络技术(北京)有限公司 | 用于更新人脸注册库的方法和装置 |
CN109558864A (zh) * | 2019-01-16 | 2019-04-02 | 苏州科达科技股份有限公司 | 人脸关键点检测方法、装置及存储介质 |
CN110162462A (zh) * | 2019-04-16 | 2019-08-23 | 深圳壹账通智能科技有限公司 | 基于场景的人脸识别***的测试方法、***和计算机设备 |
Non-Patent Citations (1)
Title |
---|
周扬: "基于视频的人脸检测与识别算法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111695502A (zh) * | 2020-06-11 | 2020-09-22 | 腾讯科技(深圳)有限公司 | 用于人脸识别的特征更新方法、装置和计算机设备 |
CN112750448A (zh) * | 2020-08-07 | 2021-05-04 | 腾讯科技(深圳)有限公司 | 声音场景的识别方法、装置、设备及存储介质 |
CN112750448B (zh) * | 2020-08-07 | 2024-01-16 | 腾讯科技(深圳)有限公司 | 声音场景的识别方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8792722B2 (en) | Hand gesture detection | |
CN110276346B (zh) | 目标区域识别模型训练方法、装置和计算机可读存储介质 | |
US20120027263A1 (en) | Hand gesture detection | |
CN110619314A (zh) | 安全帽检测方法、装置及电子设备 | |
CN111696176A (zh) | 图像处理方法、装置、电子设备及计算机可读介质 | |
CN111832447A (zh) | 建筑图纸构件识别方法、电子设备及相关产品 | |
EP3985610A1 (en) | Audio collection device positioning method and apparatus, and speaker recognition method and system | |
CN111222509B (zh) | 目标检测方法、装置及电子设备 | |
CN112232311B (zh) | 人脸跟踪方法、装置及电子设备 | |
CN108229494B (zh) | 网络训练方法、处理方法、装置、存储介质和电子设备 | |
CN111738316B (zh) | 零样本学习的图像分类方法、装置及电子设备 | |
CN114882437A (zh) | 一种识别模型的训练方法、装置、电子设备和存储介质 | |
CN110910445A (zh) | 一种物件尺寸检测方法、装置、检测设备及存储介质 | |
CN110781809A (zh) | 基于注册特征更新的识别方法、装置及电子设备 | |
CN110069997B (zh) | 场景分类方法、装置及电子设备 | |
CN113140012B (zh) | 图像处理方法、装置、介质及电子设备 | |
CN111626990B (zh) | 目标检测框处理方法、装置及电子设备 | |
CN111832354A (zh) | 目标对象年龄识别方法、装置及电子设备 | |
CN113269730B (zh) | 图像处理方法、装置、计算机设备及存储介质 | |
CN111968030B (zh) | 信息生成方法、装置、电子设备和计算机可读介质 | |
CN112036519B (zh) | 基于多位sigmoid的分类处理方法、装置及电子设备 | |
CN114648713A (zh) | 视频分类方法、装置、电子设备及计算机可读存储介质 | |
CN111862105A (zh) | 图像的区域处理方法、装置和电子设备 | |
CN110969189B (zh) | 人脸检测方法、装置及电子设备 | |
CN110390291B (zh) | 数据处理方法、装置及电子设备 |
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 |
Application publication date: 20200211 |
|
RJ01 | Rejection of invention patent application after publication |