CN111177436A - 一种人脸特征检索方法、装置及设备 - Google Patents
一种人脸特征检索方法、装置及设备 Download PDFInfo
- Publication number
- CN111177436A CN111177436A CN201811331149.2A CN201811331149A CN111177436A CN 111177436 A CN111177436 A CN 111177436A CN 201811331149 A CN201811331149 A CN 201811331149A CN 111177436 A CN111177436 A CN 111177436A
- Authority
- CN
- China
- Prior art keywords
- face
- similarity
- model
- regression
- feature data
- 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.)
- Granted
Links
Images
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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供一种人脸特征检索方法、装置及设备,其中方法包括:获取待检索人脸图像;获取待检索人脸图像的N组人脸特征数据,N组人脸特征数据为分别从N种人脸模型的待检索人脸图像中提取;将N组人脸特征数据分别在人脸特征库中进行检索,得到N组检索结果;根据预先获取的相似度转换关系,将N-1种人脸模型的N-1组检索结果的相似度分别转换成与目标人脸模型对应的相似度;输出转换后的所述目标人脸模型对应的检索结果。本发明实施例可以提升人脸检索***的性能,以及还可以提升其算法准确度和数据兼容性。
Description
技术领域
本发明涉及图像识别技术领域,尤其涉及一种人脸特征检索方法、装置及设备。
背景技术
人脸识别,是基于人的脸部特征信息进行身份识别的一种生物识别技术。在安防、监控等领域具有效率高、可靠性强等优势,从而得到广泛的应用。
人脸检索通常包括人脸图像采集及检测、人脸图像预处理、人脸图像特征提取以及匹配与识别。其中,人脸图像匹配与识别的过程是将提取的人脸图像的特征信息与数据库中存储的人脸特征数据进行搜索匹配,以得出两者之间的相似度,并通过设定一个相似度阈值来判定是否为同一人脸。如:当相似度超过这一阈值时,则可以判定该提取的人脸图像与数据库中存储的人脸图像属于同一人脸。
在相关技术中,人脸检索***通常采用单模型的配置进行人脸识别,即仅配置一个人脸分析服务器,且该服务器中仅存储一种人脸模型,例如:一台NVR(Network VideoRecorder,网络硬盘录像机一体机)、一套智能分析***。
然而,单模型的配置不支持人脸模型的迭代升级,且不能够扩容,从而导致人脸检索***的性能比较差。
发明内容
本发明实施例提供一种人脸特征检索方法、装置及设备,以解决相关技术中的人脸检索***存在的性能比较差的问题。
为解决以上技术问题,本发明采用如下技术方案:
第一方面,本发明实施例提供了一种人脸特征检索方法,包括:
获取待检索人脸图像;
获取所述待检索人脸图像的N组人脸特征数据,其中,所述N组人脸特征数据为分别从N种人脸模型的所述待检索人脸图像中提取;
将所述N组人脸特征数据分别在人脸特征库中进行检索,得到N组检索结果;
根据预先获取的相似度转换关系,将N-1种人脸模型的N-1组检索结果的相似度分别转换成与目标人脸模型对应的相似度;
输出转换后的所述N目标人脸模型对应的检索结果。
第二方面,本发明实施例提供了一种人脸特征检索装置,包括:
第一获取模块,用于获取待检索人脸图像;
第二获取模块,用于获取所述待检索人脸图像的N组人脸特征数据,其中,所述N组人脸特征数据为分别从N种人脸模型的所述待检索人脸图像中提取;
检索模块,用于将所述N组人脸特征数据分别在人脸特征库中进行检索,得到N组检索结果;
转换模块,用于根据预先获取的相似度转换关系,将N-1种人脸模型的N-1组检索结果的相似度分别转换成与目标人脸模型对应的相似度;
输出模块,用于输出转换后的所述目标人脸模型对应的检索结果。
第三方面,本发明实施例还提供一种人脸特征检索设备,包括处理器、存储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,所述计算机程序被所述处理器执行时实现如上所述的人脸特征检索方法的步骤。
第四方面,本发明实施例还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如上所述的人脸特征检索方法的步骤。
在本发明实施例中,获取待检索人脸图像;获取所述待检索人脸图像的N组人脸特征数据,其中,所述N组人脸特征数据为分别从N种人脸模型的所述待检索人脸图像中提取;将所述N组人脸特征数据分别在人脸特征库中进行检索,得到N组检索结果;根据预先获取的相似度转换关系,将N-1种人脸模型的N-1组检索结果的相似度分别转换成与目标人脸模型对应的相似度;输出转换后的所述目标人脸模型对应的检索结果。这样,可以获取多种人脸模型对应的多组检索结果,且将多组检索结果中的相似度转换为同一人脸模型对应的相似度,并输出转换后的相似度的检索结果,以使得这些检索结果具备可比性,进而提升人脸检索***的性能;另外,N种人脸模型分别兼容不同的人脸模型,从而提升人脸检索***的数据兼容性,采用多种人脸模型还可以提升算法的准确度。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例或现有技术描述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发明的一些实施例,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他的附图。
图1是一种异构集群***的结构图;
图2是本发明实施例提供的一种人脸特征检索方法的流程图;
图3是本发明实施例提供的一种人脸特征检索装置的结构图;
图4是本发明实施例提供的另一种人脸特征检索装置的结构图;
图5是本发明实施例提供的一种人脸特征检索设备的结构图。
具体实施方式
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、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
需要说明的是,本发明实施例提供的人脸特征检索方法可以应用于如图1所示的异构监控***。该***中包括N个智能终端,其中,智能终端也可以称作后端智能,每一个智能终端中分别可以配置一种人脸模型。
具体的,如图1所示,该***包括:异构智能集群101、与异构智能集群101分别连接的人脸卡口102、监控相机103、业务调度104、图片存储库105、大数据库106。
本实施方式中,异构智能集群101中包括4个智能终端1011,人脸卡口102和监控相机103分别用于向4个智能终端1011提供人脸图片、监控图片、监控视频等图像信息,智能终端1011能够根据图像信息自动获取人脸大图并从人脸大图中截取人脸小图,将截取的人脸小图和人脸大图存储于图片存储库105中。并采用智能终端1011中配置的人脸模型分别提取人脸小图的人脸特征数据,并将其以半结构化数据的形式存储于大数据库105中。
在监控人员通过业务调度104输入待检索人脸图像后,通过4个智能终端1011分别提取该待检索人脸图像的人脸特征数据,并将待检索人脸图像的人脸特征数据与存储于数据库105中且标识信息相同的人脸特征数据进行相似度计算,以得出检索结果。
其中,该检索结果可以包括待检索人脸图像与人脸卡口102和监控相机103提供的图像信息中各个人脸小图之间的相似度。
另外,还可以通过业务调度104或者其他接口将检索结果输出,并显示于显示设备上。
需要说明的是,由于监控人脸图像的人脸特征数据可以采用不同的人脸模型进行提取,且不同的人脸模型之间,其精确度、维度、采用的算法等都可能不相同。若直接将不同人脸模型获取的人脸特征数据进行检索,将得出错误的相似度。
例如:一种人脸模型的维度为128,另一种人脸模型的维度为256,在计算相似度的过程中,128维度的人脸模型将根据一张人脸图像提取出128维向量的特征值,256维度的人脸模型将根据另一张人脸图像提取出256维向量的特征值,很明显不能将128维的人脸特征数据与256维的人脸特征数据直接进行比较而得出相似度。本发明将不同的人脸模型得出的人脸特征数据进行区分,并仅对采用同一种人脸模型得出的人脸特征数据进行相似度计算,以得出检索结果。
当然,图1所示的异构监控***仅用于说明本发明实施例提供的人脸特征检索方法的一个应用场景,对人脸特征检索方法的其他应用场景和具体步骤并不产生限定。
请参阅图2,是本发明实施例提供的一种人脸特征检索方法的流程图。如图2所示,该方法包括以下步骤:
步骤201、获取待检索人脸图像。
其中,获取的待检索人脸图像可以是用户输入的人脸图像,或者接收其他设备发送的人脸图像,例如:用户或者外接设备通过如图1所示业务调度104输入的人脸图像。
当然,所述获取的待检索人脸图像并不限定为用户输入的人脸图像,其还可以是检索***通过拍摄、分析等方式得出的人脸图像,例如:人脸检索***通过拍摄、分析等方式确定某人的行为具有危险性,需要对其进行监控,则自动获取危险人物的人脸图像。
另外,上述待检索人脸图像可以包括人脸部分的图像,还可以包括除人脸部分以外的其他内容,例如:背景或者身体等。
作为一种可选的实施方式,在步骤201之前,所述方法还包括以下步骤:
通过图像采集单元获取监控人脸图像;
获取所述监控人脸图像的N组人脸特征数据,其中,所述监控人脸图像的N组人脸特征数据为分别从N种人脸模型的所述监控人脸图像中提取;
将所述监控人脸图像的N组人脸特征数据存储于所述人脸特征库中。
在具体应用场景中,可以通过网络摄像头、小区内安装的监控摄像头等图像采集单元,采集监控场景中的人脸图像,并将采集到的人脸图像与待检索人脸图像进行匹配,以得到两者之间的相似度,在相似度大于一定阈值的情况下,将两者判断为同一人,从而达到对待检索人员的监控或者跟踪等安防措施。
当然,通过图像采集单元直接获取的图像可以是人脸大图,通过在人脸大图中截取人脸部分作为人脸小图以得到所述监控人脸图像。
其中,人脸小图可以是从人脸大图中截取的仅有人脸部分的图片,而人脸大图还可以包括除了人脸部分以外的其他内容。
另外,还可以将获取的人脸大图和人脸小图存储于图片库中。
在应用过程中,所述监控人脸图像往往数量众多。可以使N种人脸模型分别提取一张监控人脸图像的人脸特征数据,并依次重复,直至提取完全部监控人脸图像的人脸特征数据。可以提升监控人脸图像的人脸特征数据的提取速度,达到提升所述人脸特征检索方法的整体效率。
本实施方式中,采用N种人脸模型分别提取多张监控人脸图像的人脸特征数据,避免采用一种人脸模型依次提取多张监控人脸图像的人脸特征数据而消耗大量的时间,从而提升了人脸特征检索方法的效率。
作为一种可选的实施方式,所述人脸特征检索方法还包括:
优选地,采用所述N种人脸模型中精确度最高的一种人脸模型,去提取最重要的监控的场景中监控人脸图像的人脸特征数据。
其中,最重要的监控场景可以是小区入口、学校周边、政府部门周边等重要场所或者人流较大的场所,可依据具体地实际情况来进行设定。
另外,精确度最高的人脸模型,一般为版本最新的人脸模型。
本实施方式中,可以为监控精确度需求较高的图像采集单元配置精确度高的人脸模型,从而提升人脸特征数据的提取过程中的针对性。
作为一种可选的实施方式,所述人脸模型的标识信息可以包括版本号。
例如,如下表1所示,该版本号包括11位数字,其中前4位用于区分人脸模型,中间4为用于表示人脸模型的维度,后3未用于表示人脸模型的版本等级:
表1
人脸模型(4位) | 维度(4位) | 版本(3位) | 版本号(11位) |
231 | 128 | V1.0 | 02320128010 |
231 | 128 | V1.1 | 02320128011 |
245 | 512 | V1.0 | 02450513010 |
247 | 2024 | V1.1 | 02472024011 |
280 | 128 | V1.1 | 0280128011 |
在检索的过程中,可以先获取各组人脸特征数据的版本号,将版本号一致的两组或者多组人脸特征数据进行比对分析,且根据该版本号能够简便的分析出提取具有该版本号的人脸特征数据的人脸模型的版本信息、维度信息。
本实施方式中,以版本号作为标识信息,从而可以简便地读取人脸模型、人脸模型的维度以及人脸模型的版本等级等信息。
步骤202、获取所述待检索人脸图像的N组人脸特征数据,其中,所述N组人脸特征数据为分别从N种人脸模型的所述待检索人脸图像中提取。
其中,N可以是大于1的整数。
需要说明的是,为便于将待检索人脸图像在图像库中的人脸图像中进行检索,需要先将人脸图像转化为人脸特征数据,然后才能够通过人脸特征数据之间的大小、差异等比较,确定出待检索人脸图像与图像库中的人脸图像之间的相似度。
其中,所述人脸特征数据可以包括多个人脸特征值。
另外,所述N种人脸模型可以表示为,N种人脸模型中的每种人脸模型为算法互不相同的人脸模型,例如:算法的种类不同、算法的新旧版本不同、算法的精确度或者维度不同等。
例如:采用第一人脸模型和第二人脸模型分别提取待检索人脸图像的人脸特征数据,其中,第一人脸模型得出待检索人脸图像的第一人脸特征数据,第二人脸模型得出待检索人脸图像的第二人脸特征数据,所述第一人脸模型与第二人脸模型不同,因此得出的第一人脸特征数据与第二人脸特征数据也不同。
具体的,可以在异构***中具有的N个智能终端中分别安装所述N种人脸模型,也可以在一个***中所述安装N种人脸模型。
需要说明的是,人脸模型的种类可以是神经网络模型、深度机器学习等。根据时代的进步,人脸模型的版本也需要进行更新,因此就有了更新前和更新后的人脸模型的版本不相同的情况。
而且,可以在人脸特征数据的精确度需求低的情况下,配置精确度或者维度较低的人脸模型;在人脸特征数据的精确度需求高的情况下,配置精确度或者维度较高人脸模型。
这样,可以在满足人脸特征数据的精确度需求的情况下,尽量采用低精确度或者低维度的人脸模型,以避免因精确度或者维度过剩而造成的人脸模型的计算过程过于复杂,使计算效率降低。
当然,步骤201中获取的待检索人脸图像可以是人脸大图,通过截取等步骤可以从该人脸大图中截取人脸小图,步骤201还可以包括将获取人脸大图和人脸小图存储于图片库中,步骤202可以是指通过N种人脸模型分别获取人脸小图的N组人脸特征数据。
本步骤中,采用至少两个人脸模型分别提取所述待检索人脸图像的人脸特征数据,在部分人脸模型进行升级过程中,便于基于原有的人脸模型继续提取人脸特征数据,从而避免采用单个人脸模型的***,在升级过程中需要对大量数据进行重新分析,而造成在升级的过程中不能提取人脸特征数据。
步骤203、将所述N组人脸特征数据分别在人脸特征库中进行检索,得到N组检索结果。
其中,所述检索可以是指对人脸模型相同的人脸特征数据进行检索。
需要说明的是,人脸检索***中可以存储大量的人脸图像,及各个人脸图像的人脸特征数据,每组检索结果可以包括人脸特征库中多组人脸特征数据与人脸特征数据之间的相似度,以及还可以包括对应的人脸图像,当然,还可以包括每组检索结果对应的人脸模型的标识信息。
另外,人脸特征库中的人脸图像的人脸特征数据同样可以采用上述N种人脸模型分别提取。
需要说明的是,由于监控人脸图像的人脸特征数据可以采用不同的人脸模型进行提取,并且根据不同人脸模型提取的人脸特征数据,其相似度算法等也可能不同。从而将标识信息相同的人脸特征数据采用与该人脸模型匹配的相似度算法计算相似度。
例如:一种人脸模型的维度为128,另一种人脸模型的维度为256,在计算相似度的过程中,很明显128维的人脸特征数据与256维的人脸特征数据所采用的相似度算法不同。
本步骤中,由于采用同一人脸模型提取的人脸特征数据和人脸特征库中的人脸特征数据进行检索,避免采用不同人脸模型提取出的不具有可比性的人脸特征数据之间进行比较,从而避免了人脸特征数据的混合,且提升了人脸特征检索的准确性和可靠性。
作为一种可选的实施方式,为了达到将人脸模型相同的人脸特征数据进行检索,所述N组人脸特征数据中每组人脸特征数据包括有其使用的人脸模型的标识信息,所述人脸特征库中的每组人脸特征数据包括有其使用的人脸模型的标识信息,步骤203具体为:
根据每组人脸特征数据使用的人脸模型的标识信息,将所述N组人脸特征数据分别在人脸特征库中进行检索,得到N组检索结果。
例如:人脸模型包括第一人脸模型和第二人脸模型,待检索人脸图像为1张,且人脸特征库中有10张监控人脸图像,则采用两种人脸模型分别提取10张监控人脸图像的人脸特征数据,以得到10组与监控人脸图像一一对应的人脸特征数据,其中4组人脸特征数据由第一人脸模型提取,包括第一标识信息;另外6组人脸特征数据由第二人脸模型提取,包括第二标识信息。另外还采用两种人脸模型待检索人脸图像的人脸特征数据,以得到两组人脸特征数据,其中一组包括第一标识信息,另一组包括第二标识信息。
在检索的过程中,将包括第一标识信息的4组监控人脸图像的人脸特征数据与待检索人脸图像的包括第一标识信息的人脸特征数据进行相似度计算,将包括第二标识信息的6组监控人脸图像的人脸特征数据与待检索人脸图像的包括第二标识信息的人脸特征数据进行相似度计算,以得出待检索人脸图像与各监控人脸图像之间的相似度。
另外,所述标识信息可以是数字、代码、字符等任意一种形式,用于区分不同人脸模型得出的人脸特征数据,避免将两个由不同人脸模型提取的不具有可比性的人脸特征数据进行比较,造成得出的相似度不正确或者不能执行比较的过程。采用标识信息区分不同人脸模型提取的人脸特征数据的方法,可以提升所述人脸特征检测结果的准确性。
本实施方式中,在人脸特征数据中增加其使用的人脸模型的标识信息,这样,仅将标识信息相同的人脸特征数据进行相似度计算,避免采用不同人脸模型得出的人脸特征数据之间不具有可比性或者相似度计算方法不相同而得出错误的检索结果,从而提升检索结果的针对性和可靠性。
当然,本发明实施例中,并不限定人脸特征数据包括人脸模型的标识信息,例如:可以将不同模型得出的人脸特征数据分别存储于不同的存储目录下,且还可以按照预设顺序依次获取N组人脸特征数据,从而可以该顺序确定每组人脸特征数据使用的人脸模型,这样在检索的过程中,可以实现将人脸模型相同的人脸特征数据进行检索。
步骤204、根据预先获取的相似度转换关系,将N-1种人脸模型的N-1组检索结果的相似度分别转换成与目标人脸模型对应的相似度。
其中,所述相似度转换关系可以是将与N-1种人脸模型对应的相似度转换成与所述目标人脸模型对应的相似度的转换关系,所述目标人脸模型为所述N种人脸模型中除所述N-1种人脸模型之外的另一种人脸模型。
其中,步骤203中得出的N组检索结果分别为与N种人脸模型对应的检索结果,且N种人脸模型采用的算法、精度等具有差异,使得N组检索结果中相似度的大小不具有可比性。
例如:采用两个算法不相同的人脸模型分别提取2张人脸图像的人脸特征数据,并分别将同一人脸模型提取的2组人脸特征数据进行比较,以得出与两种人脸模型分别对应的2个相似度。此时,由于两种人脸模型的算法不相同,从而得出的2个相似度的值并不相等,但是这2个相似度都是表示相同的2张人脸图像之间的相似度。由此可知,采用不同人脸模型得出的相似度不具有可比性。通过步骤204将N组检索结果中的相似度转换为同一标准之后,可以使N组检索结果中的相似度具有可比性。
其中,目标人脸模型可以是N种人脸模型中版本最新或者精确度最高的一种人脸模型。
另外,所述预先获取的相似度转换关系可以包括N-1组检索结果的相似度与目标人脸模型对应的相似度之间的数值换算关系。分别代入N-1组检索结果的相似度后,该数值换算关系能够输出与目标人脸模型对应的相似度,从而使目标人脸模型的检索结果的相似度与转换后得到的N-1个相似度之间具有可比性。
例如:分别采用第一人脸模型、第二人脸模型这两个不同的人脸模型计算第一人脸图像分别与第二人脸图像和第三人脸图像之间的相似度。
假设第一人脸模型、第二人脸模型分别计算出的第一人脸图像与第二人脸图像之间的相似度分别等于:90%、89%;第一人脸图像与第三人脸图像之间的相似度分别等于:65%、67%。而且,计算出的第一人脸图像与第二人脸图像之间的相似度等于89%的第二人脸模型的精确度更高,从而选择该人脸模型为目标人脸模型。
另外,根据90%与89%、65%与67%之间的转换关系得出第一人脸模型与第二人脸模型的相似度之间的转换关系。
这样,在第一人脸模型计算出另外两张人脸图像之间的相似度之后,可以直接按照第一人脸模型与第二人脸模型的相似度之间的转换关系将第一人脸模型计算出的相似度转换为与第二人脸模型对应的相似度;按照第一人脸模型与第三人脸模型的相似度之间的转换关系将第三人脸模型计算出的相似度转换为与第一人脸模型对应的相似度。
从而使不同人脸模型得到的相似度之间具有可比性。
当然,为确保转换关系的准确性,可以采用两组具有多个相似度值的相似度进行回归计算以得到更加准确的转换关系。
作为一种可选的实施方式,上述转换关系包括N-1个回归模型,其中,所述N-1个回归模型分别表示所述N-1种人脸模型对应的相似度与所述目标人脸模型对应的相似度的转换关系。
其中,回归模型的数量为人脸模型的数量和减去1,即表示回归模型与N-1种人脸模型一一对应,从而在相似度转换的过程中,可以将N-1种人脸模型得到的相似度分别代入对应的一个回归模型中,便可以得到与目标人脸模型对应的相似度。
并依此重复,直至将N-1种人脸模型得到的相似度都转换为目标人脸模型对应的相似度,从而达到使N种人脸模型得到的相似度之间具有可比性。
本实施方式中,利用N-1个回归模型分别将N-1种人脸模型的相似度转换为目标人脸模型对应的相似度,从而达到使N种人脸模型得到的相似度之间具有可比性的效果。
当然,转换关系还可以是代码、参数等其他形式,例如:根据不同的人脸模型之间的算法、维度等差异而得到的纠正代码,该纠正代码可以根据不同的人脸模型之间的算法、维度等差异将其得到的相似度纠正为具有同样的算法和维度的人脸模型对应的相似度。
作为一种可选的实施方式,所述N-1个回归模型包括第一回归模型,所述第一回归模型的自变量为第一人脸模型对应的相似度,所述第一回归模型的因变量为所述自变量通过所述第一回归模型输出的所述目标人脸模型对应的相似度,所述第一人脸模型为所述N-1种人脸模型中的一种人脸模型;
所述根据预先获取的相似度转换关系,将N-1种人脸模型的N-1组检索结果的相似度转换成与目标人脸模型对应的相似度的步骤,包括:
将N-1组检索结果中的第一人脸模型对应的相似度代入所述第一回归模型的自变量,计算所述第一回归模型的因变量,以得到通过所述第一人脸模型对应的相似度转换后的所述目标人脸模型对应的相似度。
其中,第一人脸模型对应的相似度表示,采用第一人脸模型分别提取两张人脸图像的两组人脸特征数据,并采用相似度计算方法计算得出的该两组人脸特征数据之间的相似度。
当然,所述N-1个回归模型还包括第二回归模型,第三回归模型直至第N-1回归模型。
且所述第二回归模型,所述第三回归模型直至所述第N-1回归模型,分别用于将N-1种人脸模型对应的相似度转换为与目标人脸模型对应的相似度。
本实施方式中,仅需要将第一人脸模型的相似度作为第一回归模型的自变量输入后,便能够得到第一回归模型的因变量的值,其中,该因变量的值便是目标人脸模型对应的相似度。从而简化了计算目标人脸模型对应的相似度的步骤。
作为一种可选的实施方式,所述第一回归模型通过如下方式确定:
通过所述目标人脸模型分别提第一人脸图像集合和第二人脸图像集合的第二人脸特征数据,其中,所述第一人脸图像集合包括n张人脸图像,所述第二人脸图像集合包括m张人脸图像,所述n和所述m均为大于1的整数;
获取n对回归样本图像,其中,每对回归样本图像包括分别属于第一人脸图像集合和所述第二人脸图像集合中的一张人脸图像,且所述n对回归样本图像的第一人脸图像特征数据的第一相似度呈线性分布;
通过所述第一人脸模型分别提取所述n对回归样本图像的第二人脸特征数据,并计算每对回归样本图像的第二人脸特征数据的第二相似度;
根据所述n对回归样本图像的第一相似度和第二相似度,确定所述第一回归模型,其中,所述第一回归模型的自变量为所述第二相似度,因变量为所述第一相似度。
当然,所述第二回归模型,所述第三回归模型直至所述第N-1回归模型,同样可以采用上述方式确定。
其中,可以采用公式yi=β0+β1xi+μi表示回归模型,其中,xi为自变量,yi为因变量,i表示第i回归模型,i取1至N-1之间的任意值,β0和β1为估计量,μi为随机误差。通过回归算法可以确定该公式中的参数β0、β1、μi的具体数值。
需要说明的是,β0、μi分别可以取包括0在内的任意值,因此,回归模型的公式不仅仅局限于yi=β0+β1xi+μi,例如:在β0等于0时,该回归模型的公式为yi=β1xi+μi。
例如:假设第一人脸图像集合包括10张人脸图像,第二人脸图像集合包括100张人脸图像,采用新模型分别计算10张人脸图像与100张人脸图像之间的相似度,得出10×100个第一相似度,将这1000个第一相似度线性排列后,在相似度较高的区域,比如在61%至90%的区间内,找n个相似度值(比如30个,相似度值分别为:61%,62%,63%,…,90%),并得出与该30个相似度值分别对应的30对回归样本图像。然后将30对回归样本图像分别采用老模型进行提取人脸特征数据,并根据提取的人脸特征数据得出30个第二相似度。
将30个第一相似度作为自变量xi,并将对应的30个第二相似度作为因变量yi,分别代入公式yi=β0+β1xi+μi之后,可以求出公式中的参数β0、β1、μi的具体数值。从而得出回归模型。
其中,可以采用最小二乘法或者最大似然法进行求解公式。
求解过程可以是,假定:
可以得到:
其中,随机误差μi假设为0,即可得到对应的一元线程方程。
当然,也可以建立多元回归方程来建立回归模型。
此后,可以通过该回归方程,将两种以上人脸模型得到的相似度,换算成最新模型对应的相似度,并可以统一按照转换后的相似度的值进行排序整理反馈,达到融合检索的目的。
如下表2所示的样本表,其中选取了同对回归样本图像在不同模型下的相似度,其中,假设按照如上的求解方式,得到回归模型对应的回归线性方程为:yi=0.00484+1.0936xi+μi:
表2
序号 | 老模型 | 新模型 | 回归方程计算 | 偏差μ<sub>i</sub> |
1 | 0.2210 | 0.2730 | 0.246512 | 0.026475 |
2 | 0.2673 | 0.3043 | 0.297182 | 0.007137 |
3 | 0.3137 | 0.3847 | 0.347852 | 0.036800 |
4 | 0.3560 | 0.4180 | 0.394153 | 0.023837 |
5 | 0.4042 | 0.4752 | 0.446897 | 0.028323 |
6 | 0.4525 | 0.5045 | 0.499642 | 0.004808 |
7 | 0.5020 | 0.5860 | 0.553830 | 0.032170 |
8 | 0.5231 | 0.6041 | 0.576905 | 0.027195 |
9 | 0.5587 | 0.5797 | 0.615837 | (0.036137) |
10 | 0.5643 | 0.6313 | 0.621962 | 0.009338 |
11 | 0.5794 | 0.6584 | 0.638475 | 0.019925 |
12 | 0.6084 | 0.6724 | 0.670190 | 0.002210 |
13 | 0.6343 | 0.6653 | 0.698514 | (0.033214) |
另外,还可以对转换后的相似度设置同一个阈值,将大于该阈值的相似度对应的人脸图像判断为同一人。
需要说明的是,回归样本图像的数量越多,则得出的回归模型得准确性越高,另外,在求出回归方程后,相应的估计偏差μi的值,可以通过对表2所示的样本表查表得到。
本步骤中,将N-1种人脸模型的N-1组检索结果的相似度转换成与目标人脸模型对应的相似度,使采用不同人脸模型得出的相似度之间具有可比性。便于监控人员仅需根据转换后的相似度之间的数值关系,便能够准确判断出人脸图像是否为同一人。
步骤205、输出转换后的所述目标人脸模型对应的检索结果。
其中,步骤205可以理解为:输出所述N组检索结果中经过转换后的N-1组检索结果,以及所述N组检索结果中未经过转换的另一个检索结果。
其中,可以根据所述N组检索结果中经过转换后的N-1组检索结果和未经过转换的另一个检索结果,按照相似度由大到小的顺序输出转换后的N-1组检索结果,以及所述目标人脸模型对应的检索结果。
这样,可以便于监控人员更加清晰的获取相似度高的检测结果。
另外,输出的检索结果还可以是大于一定数值的相似度对应的检索结果,例如:若相似度小于50%,则可以排除两者为同一人的可能性,可以仅输出相似度大于或者等于50%的检索结果。
本步骤中,将转换后的N-1组检索结果,以及所述目标人脸模型对应的检索结果输出,便于监控人员识别。
在本发明实施例中,获取待检索人脸图像;获取所述待检索人脸图像的N组人脸特征数据,其中,所述N组人脸特征数据为分别从N种人脸模型的所述待检索人脸图像中提取;将所述N组人脸特征数据分别在人脸特征库中进行检索,得到N组检索结果;根据预先获取的相似度转换关系,将N-1种人脸模型的N-1组检索结果的相似度分别转换成与目标人脸模型对应的相似度;输出转换后的所述目标人脸模型对应的检索结果。这样,可以获取多种人脸模型对应的多组检索结果,且将多组检索结果中的相似度转换为同一人脸模型对应的相似度,并输出转换后的相似度的检索结果,以使得这些检索结果具备可比性,进而提升人脸检索***的性能。
另外,本发明实施例中,由于包括多种人脸模型,且可以将多组检索结果中的相似度转换为同一人脸模型对应的相似度,从而还可以解决新模型升级后,由于旧数据不存在于新模型中而导致的旧数据中旧模型的相似度与新模型中相似度不兼容的问题,进而提升人脸检索***的数据兼容性,且采用多种人脸模型还可以提升算法的准确度。
请参阅图3,是本发明实施例提供的一种人脸特征检索装置的结构图。该人脸特征检索装置300包括:
第一获取模块301,用于获取待检索人脸图像;
第二获取模块302,用于获取所述待检索人脸图像的N组人脸特征数据,其中,所述N组人脸特征数据为分别从N种人脸模型的所述待检索人脸图像中提取;
检索模块303,用于将所述N组人脸特征数据分别在人脸特征库中进行检索,得到N组检索结果;
转换模块304,用于根据预先获取的相似度转换关系,将N-1种人脸模型的N-1组检索结果的相似度分别转换成与目标人脸模型对应的相似度;
输出模块305,输出转换后的所述目标人脸模型对应的检索结果。
其中,N可以是大于1的整数。
另外,所述检索可以是指人脸模型相同的人脸特征数据进行检索。
另外,所述相似度转换关系可以是将与N-1种人脸模型对应的相似度转换成与所述目标人脸模型对应的相似度的转换关系,所述目标人脸模型为所述N种人脸模型中除所述N-1种人脸模型之外的另一种人脸模型。
输出模块305输出的内容也可以称之为:所述N组检索结果中经过转换后的N-1组检索结果,以及所述N组检索结果中未经过转换的另一个检索结果。
可选地,所述N组人脸特征数据中每组人脸特征数据包括有其使用的人脸模型的标识信息,所述人脸特征库中的每组人脸特征数据包括有其使用的人脸模型的标识信息,所述检索模块304具体用于:
根据每组人脸特征数据使用的人脸模型的标识信息,将所述N组人脸特征数据分别在人脸特征库中进行检索,得到N组检索结果。
可选地,所述预先获取的相似度转换关系包括:
N-1个回归模型,其中,所述N-1个回归模型分别表示所述N-1种人脸模型对应的相似度与所述目标人脸模型对应的相似度的转换关系。
可选地,所述N-1个回归模型包括第一回归模型,所述第一回归模型的自变量为第一人脸模型对应的相似度,所述第一回归模型的因变量为所述自变量通过所述第一回归模型输出的所述目标人脸模型对应的相似度,所述第一人脸模型为所述N-1种人脸模型中的一种人脸模型;
所述转换模块304具体用于:
将N-1组检索结果中的第一人脸模型对应的相似度代入所述第一回归模型的自变量,计算所述第一回归模型的因变量,以得到通过所述第一人脸模型对应的相似度转换后的所述目标人脸模型对应的相似度。
可选地,所述第一回归模型通过如下方式确定:
通过所述目标人脸模型分别提第一人脸图像集合和第二人脸图像集合的第二人脸特征数据,其中,所述第一人脸图像集合包括n张人脸图像,所述第二人脸图像集合包括m张人脸图像,所述n和所述m均为大于1的整数;
获取n对回归样本图像,其中,每对回归样本图像包括分别属于第一人脸图像集合和所述第二人脸图像集合中的一张人脸图像,且所述n对回归样本图像的第一人脸图像特征数据的第一相似度呈线性分布;
通过所述第一人脸模型分别提取所述n对回归样本图像的第二人脸特征数据,并计算每对回归样本图像的第二人脸特征数据的第二相似度;
根据所述n对回归样本图像的第一相似度和第二相似度,确定所述第一回归模型,其中,所述第一回归模型的自变量为所述第二相似度,因变量为所述第一相似度。
可选地,如图4所示,所述装置300还包括:
第三获取模块306,用于通过图像采集单元获取监控人脸图像;
第四获取模块307,用于获取所述监控人脸图像的N组人脸特征数据,其中,所述监控人脸图像的N组人脸特征数据为分别通过N种人脸模型从所述监控人脸图像中提取。
存储模块308,用于将所述N组第四人脸特征数据存储于所述人脸特征库中。
可选地,所述人脸模型的标识信息包括版本号。
需要说明的是,本发明实施例提供的人脸特征检索装置能够实现如图1或图2所示方法实施例中的各个步骤,且取得相同的有益效果,为避免重复在此不再赘述。
请参阅图5,是本发明实施例提供的一种人脸特征检索设备的就构图。如图5所示,该人脸特征检索设备包括:收发机501、处理器502、存储器503及存储在存储器503上并可在处理器502上运行的计算机程序5031,计算机程序5031被处理器502执行时实现如下过程:
其中,收发机501,用于:获取待检索人脸图像;
处理器502,用于获取所述待检索人脸图像的N组人脸特征数据,其中,所述N组人脸特征数据为分别从N种人脸模型的所述待检索人脸图像中提取。
处理器502,还用于将所述N组人脸特征数据分别在人脸特征库中进行检索,得到N组检索结果。
处理器502,还用于根据预先获取的相似度转换关系,将N-1种人脸模型的N-1组检索结果的相似度分别转换成与目标人脸模型对应的相似度。
收发机501,输出转换后的所述目标人脸模型对应的检索结果。
可选地,所述N组人脸特征数据中每组人脸特征数据包括有其使用的人脸模型的标识信息,所述人脸特征库中的每组人脸特征数据包括有其使用的人脸模型的标识信息,所述处理器502执行的:将所述N组人脸特征数据分别在人脸特征库中进行检索,得到N组检索结果的步骤,具体包括:
根据每组人脸特征数据使用的人脸模型的标识信息,将所述N组人脸特征数据分别在人脸特征库中进行检索,得到N组检索结果。
可选地,所述预先获取的相似度转换关系包括:
N-1个回归模型,其中,所述N-1个回归模型分别表示所述N-1种人脸模型对应的相似度与所述目标人脸模型对应的相似度的转换关系。
可选地,所述N-1个回归模型包括第一回归模型,所述第一回归模型的自变量为第一人脸模型对应的相似度,所述第一回归模型的因变量为所述自变量通过所述第一回归模型输出的所述目标人脸模型对应的相似度,所述第一人脸模型为所述N-1种人脸模型中的一种人脸模型;
处理器502执行的:根据预先获取的相似度转换关系,将N-1种人脸模型的N-1组检索结果的相似度转换成与目标人脸模型对应的相似度的步骤,具体包括:
将N-1组检索结果中的第一人脸模型对应的相似度代入所述第一回归模型的自变量,计算所述第一回归模型的因变量,以得到通过所述第一人脸模型对应的相似度转换后的所述目标人脸模型对应的相似度。
可选地,所述第一回归模型通过如下方式确定:
通过所述目标人脸模型分别提第一人脸图像集合和第二人脸图像集合的第一人脸特征数据,其中,所述第一人脸图像集合包括n张人脸图像,所述第二人脸图像集合包括m张人脸图像,所述n和所述m均为大于1的整数;
获取n对回归样本图像,其中,每对回归样本图像包括分别属于第一人脸图像集合和所述第二人脸图像集合中的一张人脸图像,且所述n对回归样本图像的第一人脸图像特征数据的第一相似度呈线性分布;
通过所述第一人脸模型分别提取所述n对回归样本图像的第二人脸特征数据,并计算每对回归样本图像的第二人脸特征数据的第二相似度;
根据所述n对回归样本图像的第一相似度和第二相似度,确定所述第一回归模型,其中,所述第一回归模型的自变量为所述第二相似度,因变量为所述第一相似度。
可选地,收发机501在获取待检索人脸图像之前,还用于:
通过图像采集单元获取监控人脸图像;
处理器502,还用于获取所述监控人脸图像的N组人脸特征数据,其中,所述监控人脸图像的N组人脸特征数据为分别从N种人脸模型的所述监控人脸图像中提取;
处理器502,还用于将所述监控人脸图像的N组人脸特征数据存储于所述人脸特征库中。
可选地,所述人脸模型的标识信息包括版本号。
本发明实施例能够实现图1或图2对应的方法实施例中的任意步骤,且能够达到相同的有益效果,为避免重复,此处不再赘述。
本领域普通技术人员可以理解实现上述实施例方法的全部或者部分步骤是可以通过程序指令相关的硬件来完成,所述的程序可以存储于一计算机可读取介质中。本发明实施例还提供一种计算机存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如图1或图2所示的人脸特征检索方法的步骤,且能够达到相同的有益效果,为避免重复,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露方法和装置,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个模块或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或模块的间接耦合或通信连接,可以是电性,机械或其它的形式。
上述以软件功能模块的形式实现的集成的模块,可以存储在一个计算机可读取存储介质中。上述软件功能模块存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述人脸特征检索方法的部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-OnlyMemory,简称ROM)、随机存取存储器(Random Access Memory,简称RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上,仅为本发明的具体实施方式,但本发明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发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (12)
1.一种人脸特征检索方法,其特征在于,包括:
获取待检索人脸图像;
获取所述待检索人脸图像的N组人脸特征数据,其中,所述N组人脸特征数据为分别从N种人脸模型的所述待检索人脸图像中提取;
将所述N组人脸特征数据分别在人脸特征库中进行检索,得到N组检索结果;
根据预先获取的相似度转换关系,将N-1种人脸模型的N-1组检索结果的相似度分别转换成与目标人脸模型对应的相似度;
输出转换后的所述目标人脸模型对应的检索结果。
2.根据权利要求1所述的方法,其特征在于,所述预先获取的相似度转换关系包括:
N-1个回归模型,其中,所述N-1个回归模型分别表示所述N-1种人脸模型对应的相似度与所述目标人脸模型对应的相似度的转换关系。
3.如权利要求2所述的方法,其特征在于,所述N-1个回归模型包括第一回归模型,所述第一回归模型的自变量为第一人脸模型对应的相似度,所述第一回归模型的因变量为所述自变量通过所述第一回归模型输出的所述目标人脸模型对应的相似度,所述第一人脸模型为所述N-1种人脸模型中的一种人脸模型;
所述根据预先获取的相似度转换关系,将N-1种人脸模型的N-1组检索结果的相似度转换成与目标人脸模型对应的相似度的步骤,包括:
将N-1组检索结果中的第一人脸模型对应的相似度代入所述第一回归模型的自变量,计算所述第一回归模型的因变量,以得到通过所述第一人脸模型对应的相似度转换后的所述目标人脸模型对应的相似度。
4.如权利要求3所述的方法,其特征在于,所述第一回归模型通过如下方式确定:
通过所述目标人脸模型分别提第一人脸图像集合和第二人脸图像集合的第一人脸特征数据,其中,所述第一人脸图像集合包括n张人脸图像,所述第二人脸图像集合包括m张人脸图像,所述n和所述m均为大于1的整数;
获取n对回归样本图像,其中,每对回归样本图像包括分别属于第一人脸图像集合和所述第二人脸图像集合中的一张人脸图像,且所述n对回归样本图像的第一人脸图像特征数据的第一相似度呈线性分布;
通过所述第一人脸模型分别提取所述n对回归样本图像的第二人脸特征数据,并计算每对回归样本图像的第二人脸特征数据的第二相似度;
根据所述n对回归样本图像的第一相似度和第二相似度,确定所述第一回归模型,其中,所述第一回归模型的自变量为所述第二相似度,因变量为所述第一相似度。
5.根据权利要求1至4中任一项所述的方法,其特征在于,所述获取待检索人脸图像之前,所述方法还包括:
通过图像采集单元获取监控人脸图像;
获取所述监控人脸图像的N组人脸特征数据,其中,所述监控人脸图像的N组人脸特征数据为分别从N种人脸模型的所述监控人脸图像中提取;
将所述监控人脸图像的N组人脸特征数据存储于所述人脸特征库中。
6.一种人脸特征检索装置,其特征在于,包括:
第一获取模块,用于获取待检索人脸图像;
第二获取模块,用于获取所述待检索人脸图像的N组人脸特征数据,其中,所述N组人脸特征数据为分别从N种人脸模型的所述待检索人脸图像中提取;
检索模块,用于将所述N组人脸特征数据分别在人脸特征库中进行检索,得到N组检索结果;
转换模块,用于根据预先获取的相似度转换关系,将N-1种人脸模型的N-1组检索结果的相似度分别转换成与目标人脸模型对应的相似度;
输出模块,用于输出转换后的所述目标人脸模型对应的检索结果。
7.根据权利要求6所述的装置,其特征在于,所述预先获取的相似度转换关系包括:
N-1个回归模型,其中,所述N-1个回归模型分别表示所述N-1种人脸模型对应的相似度与所述目标人脸模型对应的相似度的转换关系。
8.如权利要求7所述的装置,其特征在于,所述N-1个回归模型包括第一回归模型,所述第一回归模型的自变量为第一人脸模型对应的相似度,所述第一回归模型的因变量为所述自变量通过所述第一回归模型输出的所述目标人脸模型对应的相似度,所述第一人脸模型为所述N-1种人脸模型中的一种人脸模型;
所述转换模块用于将N-1组检索结果中的第一人脸模型对应的相似度代入所述第一回归模型的自变量,计算所述第一回归模型的因变量,以得到通过所述第一人脸模型对应的相似度转换后的所述目标人脸模型对应的相似度。
9.如权利要求8所述的装置,其特征在于,所述第一回归模型通过如下方式确定:
通过所述目标人脸模型分别提第一人脸图像集合和第二人脸图像集合的第一人脸特征数据,其中,所述第一人脸图像集合包括n张人脸图像,所述第二人脸图像集合包括m张人脸图像,所述n和所述m均为大于1的整数;
获取n对回归样本图像,其中,每对回归样本图像包括分别属于第一人脸图像集合和所述第二人脸图像集合中的一张人脸图像,且所述n对回归样本图像的第一人脸图像特征数据的第一相似度呈线性分布;
通过所述第一人脸模型分别提取所述n对回归样本图像的第二人脸特征数据,并计算每对回归样本图像的第二人脸特征数据的第二相似度;
根据所述n对回归样本图像的第一相似度和第二相似度,确定所述第一回归模型,其中,所述第一回归模型的自变量为所述第二相似度,因变量为所述第一相似度。
10.根据权利要求7至9中任一项所述的装置,其特征在于,所述装置还包括:
第三获取模块,用于通过图像采集单元获取监控人脸图像;
第四获取模块,用于获取所述监控人脸图像的N组人脸特征数据,其中,所述监控人脸图像的N组人脸特征数据为分别从N种人脸模型的所述监控人脸图像中提取;
存储模块,用于将所述监控人脸图像的N组人脸特征数据存储于所述人脸特征库中。
11.一种人脸特征检索设备,其特征在于,包括处理器、存储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,所述计算机程序被所述处理器执行时实现如权利要求1至5中任一项所述的人脸特征检索方法的步骤。
12.一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上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至5中任一项所述的人脸特征检索方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811331149.2A CN111177436B (zh) | 2018-11-09 | 2018-11-09 | 一种人脸特征检索方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811331149.2A CN111177436B (zh) | 2018-11-09 | 2018-11-09 | 一种人脸特征检索方法、装置及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111177436A true CN111177436A (zh) | 2020-05-19 |
CN111177436B CN111177436B (zh) | 2023-08-22 |
Family
ID=70655241
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811331149.2A Active CN111177436B (zh) | 2018-11-09 | 2018-11-09 | 一种人脸特征检索方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111177436B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111782855A (zh) * | 2020-07-15 | 2020-10-16 | 上海依图网络科技有限公司 | 一种人脸图像处理方法、装置、设备及介质 |
CN112329797A (zh) * | 2020-11-13 | 2021-02-05 | 杭州海康威视数字技术股份有限公司 | 目标对象的检索方法、装置、服务器和存储介质 |
CN112529008A (zh) * | 2020-11-03 | 2021-03-19 | 浙江大华技术股份有限公司 | 图像识别和图像特征处理方法、电子设备及存储介质 |
CN112699846A (zh) * | 2021-01-12 | 2021-04-23 | 武汉大学 | 一种具有身份一致性校验的特定人物与特定行为联合检索方法及装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105956518A (zh) * | 2016-04-21 | 2016-09-21 | 腾讯科技(深圳)有限公司 | 一种人脸识别方法、装置和*** |
CN106250858A (zh) * | 2016-08-05 | 2016-12-21 | 重庆中科云丛科技有限公司 | 一种融合多种人脸识别算法的识别方法及*** |
-
2018
- 2018-11-09 CN CN201811331149.2A patent/CN111177436B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105956518A (zh) * | 2016-04-21 | 2016-09-21 | 腾讯科技(深圳)有限公司 | 一种人脸识别方法、装置和*** |
WO2017181769A1 (zh) * | 2016-04-21 | 2017-10-26 | 腾讯科技(深圳)有限公司 | 一种人脸识别方法、装置和***、设备、存储介质 |
CN106250858A (zh) * | 2016-08-05 | 2016-12-21 | 重庆中科云丛科技有限公司 | 一种融合多种人脸识别算法的识别方法及*** |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111782855A (zh) * | 2020-07-15 | 2020-10-16 | 上海依图网络科技有限公司 | 一种人脸图像处理方法、装置、设备及介质 |
CN112529008A (zh) * | 2020-11-03 | 2021-03-19 | 浙江大华技术股份有限公司 | 图像识别和图像特征处理方法、电子设备及存储介质 |
CN112329797A (zh) * | 2020-11-13 | 2021-02-05 | 杭州海康威视数字技术股份有限公司 | 目标对象的检索方法、装置、服务器和存储介质 |
CN112699846A (zh) * | 2021-01-12 | 2021-04-23 | 武汉大学 | 一种具有身份一致性校验的特定人物与特定行为联合检索方法及装置 |
CN112699846B (zh) * | 2021-01-12 | 2022-06-07 | 武汉大学 | 一种具有身份一致性校验的特定人物与特定行为联合检索方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN111177436B (zh) | 2023-08-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112199375B (zh) | 跨模态的数据处理方法、装置、存储介质以及电子装置 | |
CN110889433B (zh) | 人脸聚类方法、装置、计算机设备及存储介质 | |
CN110175549B (zh) | 人脸图像处理方法、装置、设备及存储介质 | |
CN111177436B (zh) | 一种人脸特征检索方法、装置及设备 | |
CN109284729B (zh) | 基于视频获取人脸识别模型训练数据的方法、装置和介质 | |
CN110019876B (zh) | 数据查询方法、电子设备及存储介质 | |
CN105184238A (zh) | 一种人脸识别方法及*** | |
EP3311311A1 (en) | Automatic entity resolution with rules detection and generation system | |
CN110941978B (zh) | 一种未识别身份人员的人脸聚类方法、装置及存储介质 | |
CN110765882B (zh) | 一种视频标签确定方法、装置、服务器及存储介质 | |
CN111368867B (zh) | 档案归类方法及***、计算机可读存储介质 | |
CN112036362A (zh) | 图像处理方法、装置、计算机设备和可读存储介质 | |
CN114139015A (zh) | 基于关键事件识别的视频存储方法、装置、设备及介质 | |
CN110083731B (zh) | 图像检索方法、装置、计算机设备及存储介质 | |
CN115019360A (zh) | 匹配方法、装置、非易失性存储介质及计算机设备 | |
CN113987243A (zh) | 一种图像聚档方法、图像聚档装置和计算机可读存储介质 | |
CN112434049A (zh) | 表格数据存储方法、装置、存储介质及电子装置 | |
CN111626313B (zh) | 一种特征提取模型训练方法、图像处理方法及装置 | |
CN109376581B (zh) | 对象关系识别方法和装置、存储介质及电子装置 | |
CN115391596A (zh) | 视频档案生成方法、装置及存储介质 | |
CN110874387A (zh) | 移动设备识别符共现关系稀疏图的构建方法及装置 | |
CN114048344A (zh) | 一种相似人脸搜索方法、装置、设备和可读存储介质 | |
CN114387589A (zh) | 语音监督数据获取方法、装置、电子设备及存储介质 | |
CN113065025A (zh) | 视频查重方法、装置、设备及存储介质 | |
EP2857989A1 (en) | Image search system and image search method |
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 |