CN111310725A - 一种对象识别方法、***、机器可读介质及设备 - Google Patents
一种对象识别方法、***、机器可读介质及设备 Download PDFInfo
- Publication number
- CN111310725A CN111310725A CN202010174616.6A CN202010174616A CN111310725A CN 111310725 A CN111310725 A CN 111310725A CN 202010174616 A CN202010174616 A CN 202010174616A CN 111310725 A CN111310725 A CN 111310725A
- Authority
- CN
- China
- Prior art keywords
- biological
- library
- attribute
- biometric
- attributes
- 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
- G06V40/172—Classification, e.g. identification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Oral & Maxillofacial Surgery (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种对象识别方法,包括:获取待识别对象的生物特征图像;获取所述生物特征图像中的生物信息;所述生物信息包括生物特征和生物属性;基于所述生物属性,从包含多个生物特征子库的生物特征库中确定对应的目标生物特征子库;根据所述生物特征及目标生物特征子库,对所述待识别对象进行识别,得到识别结果。本发明通过结合生物属性对人脸特征库进行拆分,变大库为小库,从而提升特征库比对性能,具有比对耗时小,识别准确率高的特点。
Description
技术领域
本发明涉及生物识别领域,具体涉及一种对象识别方法、***、机器可读介质及设备。
背景技术
在一些人脸识别场景下,我们通过抓拍相机,取到人脸数据后,要借助深度学习模型计算出人脸特征,与人脸特征库进行比对,从而确定目标身份信息。不同场景,人脸特征库大小不同,有上千上万、百万、千万甚至更大。那么,这里就有一个问题:比对性能。
从常理上来讲,人脸特征库越大,能够识别的人脸身份信息更多,每次比对的速度会更慢。人脸特征库比较小的时候,直接比对即可;而底库比较大的时候,直接比对不太现实,比对会成为性能瓶颈。
发明内容
鉴于以上所述现有技术的缺点,本发明的目的在于提供一种对象识别方法、***、机器可读介质及设备,用于解决现有技术存在的问题。
为实现上述目的及其他相关目的,本发明提供一种对象识别方法,其特征在于,包括:
获取待识别对象的生物特征图像;
获取所述生物特征图像中的生物信息;所述生物信息包括生物特征和生物属性;
基于所述生物属性,从包含多个生物特征子库的生物特征库中确定对应的目标生物特征子库;
根据所述生物特征及目标生物特征子库,对所述待识别对象进行识别,得到识别结果。
可选地,所述获取待识别对象的生物特征图像之前,还包括:创建所述生物特征库;所述创建生物特征库的方法为:
基于生物属性的特征、生物属性的特征之间的关系类型,创建所述生物特征库。
可选地,所述生物属性包括以下至少之一:人脸属性、人体属性、行为属性。
可选地,生物属性包括以下至少之一:性别属性、人种属性、年龄属性。
可选地,所述性别属性的特征包括:男、女;所述人种属性的特征包括:黄种人、白种人、黑种人;所述年龄属性的特征包括年龄范围。
可选地,所述关系类型包括从属关系、平行关系。
为实现上述目的及其他相关目的,本发明提供一种对象识别***,包括:
生物特征图像获取模块,用于获取待识别对象的生物特征图像;
生物信息识别模块,用于获取所述生物特征图像中的生物信息;所述生物信息包括生物特征和生物属性;
生物特征子库获取模块,用于基于所述生物属性,从包含多个生物特征子库的生物特征库中确定对应的目标生物特征子库;
识别模块,用于根据所述生物特征及目标生物特征子库,对所述待识别对象进行识别,得到识别结果。
可选地,所述获取待识别对象的生物特征图像之前,还包括:创建所述生物特征库;所述创建生物特征库的方法为:
基于生物属性的特征、生物属性的特征之间的关系类型,创建所述生物特征库。
可选地,所述生物属性包括以下至少之一:人脸属性、人体属性、行为属性。
可选地,生物属性包括以下至少之一:性别属性、人种属性、年龄属性。
可选地,所述性别属性的特征包括:男、女;所述人种属性的特征包括:黄种人、白种人、黑种人;所述年龄属性的特征包括年龄范围。
可选地,所述关系类型包括从属关系、平行关系。
为实现上述目的及其他相关目的,本发明提供一种设备,包括:
一个或多个处理器;和
其上存储有指令的一个或多个机器可读介质,当所述一个或多个处理器执行时,使得所述设备执行前述的一个或多个所述的方法。
为实现上述目的及其他相关目的,本发明提供一个或多个机器可读介质,其上存储有指令,当由一个或多个处理器执行时,使得设备执行前述的一个或多个所述的方法。
如上所述,本发明提供的一种对象识别方法、***、机器可读介质及设备,具有以下有益效果:
本发明通过获取待识别对象的生物特征图像;获取所述生物特征图像中的生物信息;所述生物信息包括一个或多个生物特征和一个或多个生物属性;在生物特征库中获取与所述一个或多个生物属性关联的生物特征子库;所述生物特征库包括一个或多个生物特征子库;根据所述生物特征与所述一个或多个生物特征子库对所述待识别对象的生物特征图像进行识别,得到识别结果。本发明通过结合生物属性对人脸特征库进行拆分,变大库为小库,从而提升特征库比对性能,具有比对耗时小,识别准确率高的特点。
附图说明
图1为本发明一实施例提供的一种对象识别方法的流程图;
图2为本发明一实施例提供的一种对象识别***的硬件结构示意图;
图3为本发明一实施例提供的终端设备的硬件结构示意图;
图4为本发明另一实施例提供的终端设备的硬件结构示意图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,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发明的其他优点与功效。本发明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,在没有背离本发明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。
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发明的基本构想,遂图式中仅显示与本发明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。
如图1所示,本发明提供一种对象识别方法,包括:
S11获取待识别对象的生物特征图像;
S12获取所述生物特征图像中的生物信息;所述生物信息包括生物特征和生物属性;
S13基于所述生物属性,从包含多个生物特征子库的生物特征库中确定对应的目标生物特征子库;
S14根据所述生物特征及目标生物特征子库,对所述待识别对象进行识别,得到识别结果。
本发明通过结合生物属性对人脸特征库进行拆分,变大库为小库,从而提升特征库比对性能,具有比对耗时小,识别准确率高的特点。
本实施例中可以通过摄像装置采集待识别对象的生物特征图像,也可以通过网络接收采集好的生物特征图像,其中,生物特征图像可以是视频形式的,也可以是图像形式,此处不做限制。
在本实施例中,所述生物信息包括一个或多个生物特征和一个或多个生物属性。所述生物特征包括以下至少之一:人脸特征、人体特征、行为特征;所述人脸特征包括以下至少之一:眉毛、眼睛、鼻子、嘴巴等等;所述生物属性包括以下至少之一:人脸属性、人体属性、行为属性;所述人脸属性包括以下至少之一:性别属性、人种属性、年龄属性等等;其中,所述性别属性的特征包括:男、女;所述人种属性的特征包括:黄种人、白种人、黑种人;所述年龄属性的特征包括年龄范围。
具体地,生物特征和生物属性可以通过深度神经网络模型获取。生物属性可以基于对待识别对象的生物特征得到,例如通过获取人脸特征,从而确定该人脸的性别属性、年龄属性、人种属性等等。
在本实施例中,所述获取待识别对象的生物特征图像之前,还包括:创建所述生物特征库;所述创建生物特征库的方法为:基于生物属性的特征、生物属性的特征之间的关系类型,创建所述生物特征库。其中,所述关系类型包括从属关系、平行关系。
举例来说,假如生物属性为人脸属性,人脸属性又包括性别属性、人种属性、年龄属性,那么按照男、女、黄种人、白种人、黑种人、年龄范围创建人脸特征库。例如,先按性别属性将人脸特征库划分为两个子库,例如包括男性特征子库和女性特征子库;再按人种属性分别将男性特征子库和女性特征子库划分为三个子库,例如包括黄种人特征子库、白种人特征子库和黑种人特征子库三个库,最后按照年龄范围分别将黄种人特征子库、白种人特征子库和黑种人特征子库划分为多个年龄段的特征子库,例如包括0-20、20-50、50-90范围划分的三个特征子库。需要说明的是,其中男性特征子库与女性特征子库之间的关系即为本实施例所述的平行关系,而男性特征子库与黄种人特征子库、白种人特征子库和黑种人特征子库与男性特征库和女性持征库间的关系则为所述的从属关系。
具体实施时,获取待识别对象的人脸特征图像;根据人脸特征图像获取待识别对象的人脸属性,可以包括年龄属性、性别属性、人种属性。例如识别出待识别的对象的年龄(30)、性别(女)、肤色(黄色人种),则确定对应的目标生物特征子库,为女性特征子库中的黄种人特征子库中的20-50特征子库;最后根据人脸特征与目标人脸特征子库对该待识别对象进行人脸识别,最终得到识别结果。
当然,在另一实施例中,也可以获取人脸属性中的一个,年龄属性、性别属性或人种属性,则根据这一个人脸属性确定相应的目标生物特征子库。例如,若人脸属性为性别属性,则目标人脸特征子库包括女性特征子库和男性特征子库;若人脸属性为人种属性,则目标人脸特征子库为黄种人特征子库、白种人特征子库或黑种人特征子库;若人脸属性为年龄属性,则目标人脸特征子库为按0-20、20-50、50-90范围划分的三个特征子库中的一个。
在另一实施例中,人脸属性可以包括性别属性、人种属性、年龄属性中的任意两种。比如,性别属性和人种属性或性别属性和年龄属性或人种属性和年龄属性。
在一实施例中,将所述待识别对象的生物特征图像输入至预先训练好的基于神经网络的性别分类模型对所述待识别对象进行性别识别,得到与所述待识别对象对应的概率值,根据所述概率值得到与所述待识别对象对应的性别属性,根据所述性别属性确定与所述性别属性关联的生物特征子库。所述预先训练好的基于神经网络的性别分类模型是以不同性别的人脸图像集合作为模型训练样本训练得到的。
性别识别的方法包括:获取目标人脸图像;根据预先建立的基于神经网络的性别分类模型确定所述待识别对象性别的概率值;根据所述概率值识别所述待识别对象的性别,所述待识别对象的性别即为概率值所对应的性别。
通过性别分类模型输出对应的概率值的分数范围包括第一预设概率范围和第二预设概率范围,例如概率值的分数范围为0-1,越接近0,表示为女性概率越大,男性则相反,第一预设概率范围为0-0.5,第二预设概率范围为0.5-1。若得到的概率值处于0-0.5中,认为该待识别对象为女性,则相应的人脸特征数据组成女性特征子库;若得到的概率值处于0.5-1中,认为该待识别对象为男性,则相应的人脸特征数据组成男性特征子库。
在一实施例中,当所述第一预设概率范围和第二预设概率范围存在交集。例如,第一预设概率范围为0-0.6,第二预设概率范围为0.5-1,那么第一预设概率范围与第二预设概率范围的交集为0.5-0.6。若通过性别分类模型输出的概率值为0.55的话,此时,目标人脸特征子库就应该为在两个人脸特征子库中查找。
在一实施例中,将所述待识别对象的生物特征图像输入至预先训练好的基于神经网络的年龄模型对所述待识别对象进行年龄识别,得到与所述待识别对象对应的年龄属性,根据所述年龄属性确定与所述年龄属性关联的生物特征子库。所述预先训练好的基于神经网络的年龄模型是以不同年龄/年龄段的人脸图像集合作为模型训练样本训练得到的。
年龄识别的方法包括:获取待识别对象的人脸图像;提取所述人脸图像的纹理特征;根据所述纹理特征对所述人脸图像进行分类,获取分类结果,每一个分类结果分别对应一个年龄段;根据分类结果,确定所述人脸图像对应的年龄段。例如可以将年龄段划分为0-30、30-60和60-90,假设待识别对象的年龄为40岁,则就采用30-60年龄段所对应的人脸特征子库对待识别对象进行识别。
若所述年龄属性包括多个年龄段,多个年龄段之间存在交集,则当待识别对象的年龄/或所属的年龄段处于所述交集内时,就采用相应的两个特征子库进行人脸识别。例如,年龄属性包括年龄段A、年龄段B、年龄段C,年龄段A与年龄段B之间存在交集。例如可以将年龄段划分为0-30、20-60和50-90,那么就存在20-30这个交集,如果待识别对象的年龄是25岁,那么其应该属于0-30、20-60这两个范围。因此就采用这两个年龄范围对应的人脸特征子库进行人脸识别。
在一实施例中,将所述待识别对象的生物特征图像输入至预先训练好的基于神经网络的人种模型对所述待识别对象进行人种识别,得到与所述待识别对象对应的人种属性,根据的述人种属性确定与所述人种属性关联的生物特征子库。所述预先训练好的基于神经网络的人种模型是以不同人种的人脸图像集合作为模型训练样本训练得到的。
如图2所示,本发明提供一种对象识别***,包括:
生物特征图像获取模块21,用于获取待识别对象的生物特征图像;
生物信息识别模块22,用于获取所述生物特征图像中的生物信息;所述生物信息包括一个或多个生物特征和一个或多个生物属性;
生物特征子库获取模块23,用于基于所述生物属性,从包含多个生物特征子库的生物特征库中确定对应的目标生物特征子库;
识别模块24,用于根据所述生物特征及目标生物特征子库,对所述待识别对象进行识别,得到识别结果。
本发明通过结合生物属性对人脸特征库进行拆分,变大库为小库,从而提升特征库比对性能,具有比对耗时小,识别准确率高的特点。
本实施例中可以通过摄像装置采集待识别对象的生物特征图像,也可以通过网络接收采集好的生物特征图像,其中,生物特征图像可以是视频形式的,也可以是图像形式,此处不做限制。
在本实施例中,所述生物信息包括一个或多个生物特征和一个或多个生物属性。所述生物特征包括以下至少之一:人脸特征、人体特征、行为特征;所述人脸特征包括以下至少之一:眉毛、眼睛、鼻子、嘴巴等等;所述生物属性包括以下至少之一:人脸属性、人体属性、行为属性;所述人脸属性包括以下至少之一:性别属性、人种属性、年龄属性等等;其中,所述性别属性的特征包括:男、女;所述人种属性的特征包括:黄种人、白种人、黑种人;所述年龄属性的特征包括年龄范围。
具体地,生物特征和生物属性可以通过深度神经网络模型获取。生物属性可以基于对待识别对象的生物特征得到,例如通过获取人脸特征,从而确定该人脸的性别属性、年龄属性、人种属性等等。
在本实施例中,所述获取待识别对象的生物特征图像之前,还包括:创建所述生物特征库;所述创建生物特征库的方法为:基于生物属性的特征、生物属性的特征之间的关系类型,创建所述生物特征库。其中,所述关系类型包括从属关系、平行关系。
举例来说,假如生物属性为人脸属性,人脸属性又包括性别属性、人种属性、年龄属性,那么按照男、女、黄种人、白种人、黑种人、年龄范围创建人脸特征库。例如,先按性别属性将人脸特征库划分为两个子库,例如包括男性特征子库和女性特征子库;再按人种属性分别将男性特征子库和女性特征子库划分为三个子库,例如包括黄种人特征子库、白种人特征子库和黑种人特征子库三个库,最后按照年龄范围分别将黄种人特征子库、白种人特征子库和黑种人特征子库划分为多个年龄段的特征子库,例如包括0-20、20-50、50-90范围划分的三个特征子库。需要说明的是,其中男性特征子库与女性特征子库之间的关系即为本实施例所述的平行关系,而男性特征子库与黄种人特征子库、白种人特征子库和黑种人特征子库与男性特征库和女性持征库间的关系则为所述的从属关系。
具体实施时,获取待识别对象的人脸特征图像;根据人脸特征图像获取待识别对象的人脸属性,可以包括年龄属性、性别属性、人种属性。例如识别出待识别的对象的年龄(30)、性别(女)、肤色(黄色人种),则确定对应的目标生物特征子库,为女性特征子库中的黄种人特征子库中的20-50特征子库;最后根据人脸特征与目标人脸特征子库对该待识别对象进行人脸识别,最终得到识别结果。
当然,在另一实施例中,也可以获取人脸属性中的一个,年龄属性、性别属性或人种属性,则根据这一个人脸属性确定相应的目标生物特征子库。例如,若人脸属性为性别属性,则目标人脸特征子库包括女性特征子库和男性特征子库;若人脸属性为人种属性,则目标人脸特征子库为黄种人特征子库、白种人特征子库或黑种人特征子库;若人脸属性为年龄属性,则目标人脸特征子库为按0-20、20-50、50-90范围划分的三个特征子库中的一个。
在另一实施例中,人脸属性可以包括性别属性、人种属性、年龄属性中的任意两种。比如,性别属性和人种属性或性别属性和年龄属性或人种属性和年龄属性。
在一实施例中,将所述待识别对象的生物特征图像输入至预先训练好的基于神经网络的性别分类模型对所述待识别对象进行性别识别,得到与所述待识别对象对应的概率值,根据所述概率值得到与所述待识别对象对应的性别属性,根据所述性别属性确定与所述性别属性关联的生物特征子库。所述预先训练好的基于神经网络的性别分类模型是以不同性别的人脸图像集合作为模型训练样本训练得到的。
性别识别的方法包括:获取目标人脸图像;根据预先建立的基于神经网络的性别分类模型确定所述待识别对象性别的概率值;根据所述概率值识别所述待识别对象的性别,所述待识别对象的性别即为概率值所对应的性别。
通过性别分类模型输出对应的概率值的分数范围包括第一预设概率范围和第二预设概率范围,例如概率值的分数范围为0-1,越接近0,表示为女性概率越大,男性则相反,第一预设概率范围为0-0.5,第二预设概率范围为0.5-1。若得到的概率值处于0-0.5中,认为该待识别对象为女性,则相应的人脸特征数据组成女性特征子库;若得到的概率值处于0.5-1中,认为该待识别对象为男性,则相应的人脸特征数据组成男性特征子库。
在一实施例中,当所述第一预设概率范围和第二预设概率范围存在交集。例如,第一预设概率范围为0-0.6,第二预设概率范围为0.5-1,那么第一预设概率范围与第二预设概率范围的交集为0.5-0.6。若通过性别分类模型输出的概率值为0.55的话,此时,目标人脸特征子库就应该为在两个人脸特征子库中查找。
在一实施例中,将所述待识别对象的生物特征图像输入至预先训练好的基于神经网络的年龄模型对所述待识别对象进行年龄识别,得到与所述待识别对象对应的年龄属性,根据所述年龄属性确定与所述年龄属性关联的生物特征子库。所述预先训练好的基于神经网络的年龄模型是以不同年龄/年龄段的人脸图像集合作为模型训练样本训练得到的。
年龄识别的方法包括:获取待识别对象的人脸图像;提取所述人脸图像的纹理特征;根据所述纹理特征对所述人脸图像进行分类,获取分类结果,每一个分类结果分别对应一个年龄段;根据分类结果,确定所述人脸图像对应的年龄段。例如可以将年龄段划分为0-30、30-60和60-90,假设待识别对象的年龄为40岁,则就采用30-60年龄段所对应的人脸特征子库对待识别对象进行识别。
若所述年龄属性包括多个年龄段,多个年龄段之间存在交集,则当待识别对象的年龄/或所属的年龄段处于所述交集内时,就采用相应的两个特征子库进行人脸识别。例如,年龄属性包括年龄段A、年龄段B、年龄段C,年龄段A与年龄段B之间存在交集。例如可以将年龄段划分为0-30、20-60和50-90,那么就存在20-30这个交集,如果待识别对象的年龄是25岁,那么其应该属于0-30、20-60这两个范围。因此就采用这两个年龄范围对应的人脸特征子库进行人脸识别。
在一实施例中,将所述待识别对象的生物特征图像输入至预先训练好的基于神经网络的人种模型对所述待识别对象进行人种识别,得到与所述待识别对象对应的人种属性,根据的述人种属性确定与所述人种属性关联的生物特征子库。所述预先训练好的基于神经网络的人种模型是以不同人种的人脸图像集合作为模型训练样本训练得到的。
本申请实施例还提供了一种设备,该设备可以包括:一个或多个处理器;和其上存储有指令的一个或多个机器可读介质,当由所述一个或多个处理器执行时,使得所述设备执行图1所述的方法。在实际应用中,该设备可以作为终端设备,也可以作为服务器,终端设备的例子可以包括:智能手机、平板电脑、电子书阅读器、MP3(动态影像专家压缩标准语音层面3,Moving Picture Experts GroupAudio Layer III)播放器、MP4(动态影像专家压缩标准语音层面4,Moving Picture Experts Group Audio Layer IV)播放器、膝上型便携计算机、车载电脑、台式计算机、机顶盒、智能电视机、可穿戴设备等等,本申请实施例对于具体的设备不加以限制。
本申请实施例还提供了一种非易失性可读存储介质,该存储介质中存储有一个或多个模块(programs),该一个或多个模块被应用在设备时,可以使得该设备执行本申请实施例的图1中方法所包含步骤的指令(instructions)。
图3为本申请一实施例提供的终端设备的硬件结构示意图。如图所示,该终端设备可以包括:输入设备1100、第一处理器1101、输出设备1102、第一存储器1103和至少一个通信总线1104。通信总线1104用于实现元件之间的通信连接。第一存储器1103可能包含高速RAM存储器,也可能还包括非易失性存储NVM,例如至少一个磁盘存储器,第一存储器1103中可以存储各种程序,用于完成各种处理功能以及实现本实施例的方法步骤。
可选的,上述第一处理器1101例如可以为中央处理器(Central ProcessingUnit,简称CPU)、应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现,该第一处理器1101通过有线或无线连接耦合到上述输入设备1100和输出设备1102。
可选的,上述输入设备1100可以包括多种输入设备,例如可以包括面向用户的用户接口、面向设备的设备接口、软件的可编程接口、摄像头、传感器中至少一种。可选的,该面向设备的设备接口可以是用于设备与设备之间进行数据传输的有线接口、还可以是用于设备与设备之间进行数据传输的硬件***接口(例如USB接口、串口等);可选的,该面向用户的用户接口例如可以是面向用户的控制按键、用于接收语音输入的语音输入设备以及用户接收用户触摸输入的触摸感知设备(例如具有触摸感应功能的触摸屏、触控板等);可选的,上述软件的可编程接口例如可以是供用户编辑或者修改程序的入口,例如芯片的输入引脚接口或者输入接口等;输出设备1102可以包括显示器、音响等输出设备。
在本实施例中,该终端设备的处理器包括用于执行各设备中各模块的功能,具体功能和技术效果参照上述实施例即可,此处不再赘述。
图4为本申请的一个实施例提供的终端设备的硬件结构示意图。图4是对图3在实现过程中的一个具体的实施例。如图所示,本实施例的终端设备可以包括第二处理器1201以及第二存储器1202。
第二处理器1201执行第二存储器1202所存放的计算机程序代码,实现上述实施例中图1所述方法。
第二存储器1202被配置为存储各种类型的数据以支持在终端设备的操作。这些数据的示例包括用于在终端设备上操作的任何应用程序或方法的指令,例如消息,图片,视频等。第二存储器1202可能包含随机存取存储器(random access memory,简称RAM),也可能还包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。
可选地,第二处理器1201设置在处理组件1200中。该终端设备还可以包括:通信组件1203,电源组件1204,多媒体组件1205,语音组件1206,输入/输出接口1207和/或传感器组件1208。终端设备具体所包含的组件等依据实际需求设定,本实施例对此不作限定。
处理组件1200通常控制终端设备的整体操作。处理组件1200可以包括一个或多个第二处理器1201来执行指令,以完成上述数据处理方法中的全部或部分步骤。此外,处理组件1200可以包括一个或多个模块,便于处理组件1200和其他组件之间的交互。例如,处理组件1200可以包括多媒体模块,以方便多媒体组件1205和处理组件1200之间的交互。
电源组件1204为终端设备的各种组件提供电力。电源组件1204可以包括电源管理***,一个或多个电源,及其他与为终端设备生成、管理和分配电力相关联的组件。
多媒体组件1205包括在终端设备和用户之间的提供一个输出接口的显示屏。在一些实施例中,显示屏可以包括液晶显示器(LCD)和触摸面板(TP)。如果显示屏包括触摸面板,显示屏可以被实现为触摸屏,以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界,而且还检测与所述触摸或滑动操作相关的持续时间和压力。
语音组件1206被配置为输出和/或输入语音信号。例如,语音组件1206包括一个麦克风(MIC),当终端设备处于操作模式,如语音识别模式时,麦克风被配置为接收外部语音信号。所接收的语音信号可以被进一步存储在第二存储器1202或经由通信组件1203发送。在一些实施例中,语音组件1206还包括一个扬声器,用于输出语音信号。
输入/输出接口1207为处理组件1200和***接口模块之间提供接口,上述***接口模块可以是点击轮,按钮等。这些按钮可包括但不限于:音量按钮、启动按钮和锁定按钮。
传感器组件1208包括一个或多个传感器,用于为终端设备提供各个方面的状态评估。例如,传感器组件1208可以检测到终端设备的打开/关闭状态,组件的相对定位,用户与终端设备接触的存在或不存在。传感器组件1208可以包括接近传感器,被配置用来在没有任何的物理接触时检测附近物体的存在,包括检测用户与终端设备间的距离。在一些实施例中,该传感器组件1208还可以包括摄像头等。
通信组件1203被配置为便于终端设备和其他设备之间有线或无线方式的通信。终端设备可以接入基于通信标准的无线网络,如WiFi,2G或3G,或它们的组合。在一个实施例中,该终端设备中可以包括SIM卡插槽,该SIM卡插槽用于***SIM卡,使得终端设备可以登录GPRS网络,通过互联网与服务器建立通信。
由上可知,在图4实施例中所涉及的通信组件1203、语音组件1206以及输入/输出接口1207、传感器组件1208均可以作为图3实施例中的输入设备的实现方式。
上述实施例仅例示性说明本发明的原理及其功效,而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下,对上述实施例进行修饰或改变。因此,举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变,仍应由本发明的权利要求所涵盖。
Claims (14)
1.一种对象识别方法,其特征在于,包括:
获取待识别对象的生物特征图像;
获取所述生物特征图像中的生物信息;所述生物信息包括生物特征和生物属性;
基于所述生物属性,从包含多个生物特征子库的生物特征库中确定对应的目标生物特征子库;
根据所述生物特征及目标生物特征子库,对所述待识别对象进行识别,得到识别结果。
2.根据权利要求1所述的对象识别方法,其特征在于,所述获取待识别对象的生物特征图像之前,还包括:创建所述生物特征库;所述创建生物特征库的方法为:
基于生物属性的特征、生物属性的特征之间的关系类型,创建所述生物特征库。
3.根据权利要求2所述的对象识别方法,其特征在于,所述生物属性包括以下至少之一:人脸属性、人体属性、行为属性。
4.根据权利要求3所述的对象识别方法,其特征在于,所述人脸属性包括以下至少之一:性别属性、人种属性、年龄属性。
5.根据权利要求4所述的对象识别方法,其特征在于,所述性别属性的特征包括:男、女;所述人种属性的特征包括:黄种人、白种人、黑种人;所述年龄属性的特征包括年龄范围。
6.根据权利要求2所述的对象识别方法,其特征在于,所述关系类型包括从属关系、平行关系。
7.一种对象识别***,其特征在于,包括:
生物特征图像获取模块,用于获取待识别对象的生物特征图像;
生物信息识别模块,用于获取所述生物特征图像中的生物信息;所述生物信息包括生物特征和生物属性;
生物特征子库获取模块,用于基于所述生物属性,从包含多个生物特征子库的生物特征库中确定对应的目标生物特征子库;
识别模块,用于根据所述生物特征及目标生物特征子库,对所述待识别对象进行识别,得到识别结果。
8.根据权利要求7所述的对象识别***,其特征在于,所述获取待识别对象的生物特征图像之前,还包括:创建所述生物特征库;所述创建生物特征库的方法为:
基于生物属性的特征、生物属性的特征之间的关系类型,创建所述生物特征库。
9.根据权利要求8所述的对象识别***,其特征在于,所述生物属性包括以下至少之一:人脸属性、人体属性、行为属性。
10.根据权利要求9所述的对象识别***,其特征在于,所述人脸属性包括以下至少之一:性别属性、人种属性、年龄属性。
11.根据权利要求10所述的对象识别***,其特征在于,所述性别属性的特征包括:男、女;所述人种属性的特征包括:黄种人、白种人、黑种人;所述年龄属性的特征包括年龄范围。
12.根据权利要求8所述的对象识别***,其特征在于,所述关系类型包括从属关系、平行关系。
13.一种设备,其特征在于,包括:
一个或多个处理器;和
其上存储有指令的一个或多个机器可读介质,当所述一个或多个处理器执行时,使得所述设备执行如权利要求1-6所述的一个或多个所述的方法。
14.一个或多个机器可读介质,其特征在于,其上存储有指令,当由一个或多个处理器执行时,使得设备执行如权利要求1-6所述的一个或多个所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010174616.6A CN111310725A (zh) | 2020-03-13 | 2020-03-13 | 一种对象识别方法、***、机器可读介质及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010174616.6A CN111310725A (zh) | 2020-03-13 | 2020-03-13 | 一种对象识别方法、***、机器可读介质及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111310725A true CN111310725A (zh) | 2020-06-19 |
Family
ID=71147600
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010174616.6A Pending CN111310725A (zh) | 2020-03-13 | 2020-03-13 | 一种对象识别方法、***、机器可读介质及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111310725A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112036894A (zh) * | 2020-09-01 | 2020-12-04 | 中国银行股份有限公司 | 利用虹膜特征及动作特征进行身份确认的方法及*** |
CN112417197A (zh) * | 2020-12-02 | 2021-02-26 | 云从科技集团股份有限公司 | 一种排序方法、装置、机器可读介质及设备 |
CN112911139A (zh) * | 2021-01-15 | 2021-06-04 | 广州富港生活智能科技有限公司 | 物品拍摄方法、装置、电子设备及存储介质 |
CN113345553A (zh) * | 2021-08-06 | 2021-09-03 | 明品云(北京)数据科技有限公司 | 一种基于分布式特征的交互方法、***、设备和介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104835040A (zh) * | 2015-05-26 | 2015-08-12 | 浙江维尔科技股份有限公司 | 一种支付方法及*** |
CN109815775A (zh) * | 2017-11-22 | 2019-05-28 | 深圳市祈飞科技有限公司 | 一种基于人脸属性的人脸识别方法及*** |
CN110232331A (zh) * | 2019-05-23 | 2019-09-13 | 深圳大学 | 一种在线人脸聚类的方法及*** |
CN110390353A (zh) * | 2019-06-28 | 2019-10-29 | 苏州浪潮智能科技有限公司 | 一种基于图像处理的生物识别方法和*** |
-
2020
- 2020-03-13 CN CN202010174616.6A patent/CN111310725A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104835040A (zh) * | 2015-05-26 | 2015-08-12 | 浙江维尔科技股份有限公司 | 一种支付方法及*** |
CN109815775A (zh) * | 2017-11-22 | 2019-05-28 | 深圳市祈飞科技有限公司 | 一种基于人脸属性的人脸识别方法及*** |
CN110232331A (zh) * | 2019-05-23 | 2019-09-13 | 深圳大学 | 一种在线人脸聚类的方法及*** |
CN110390353A (zh) * | 2019-06-28 | 2019-10-29 | 苏州浪潮智能科技有限公司 | 一种基于图像处理的生物识别方法和*** |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112036894A (zh) * | 2020-09-01 | 2020-12-04 | 中国银行股份有限公司 | 利用虹膜特征及动作特征进行身份确认的方法及*** |
CN112036894B (zh) * | 2020-09-01 | 2023-08-18 | 中国银行股份有限公司 | 利用虹膜特征及动作特征进行身份确认的方法及*** |
CN112417197A (zh) * | 2020-12-02 | 2021-02-26 | 云从科技集团股份有限公司 | 一种排序方法、装置、机器可读介质及设备 |
CN112417197B (zh) * | 2020-12-02 | 2022-02-25 | 云从科技集团股份有限公司 | 一种排序方法、装置、机器可读介质及设备 |
CN112911139A (zh) * | 2021-01-15 | 2021-06-04 | 广州富港生活智能科技有限公司 | 物品拍摄方法、装置、电子设备及存储介质 |
CN113345553A (zh) * | 2021-08-06 | 2021-09-03 | 明品云(北京)数据科技有限公司 | 一种基于分布式特征的交互方法、***、设备和介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111310725A (zh) | 一种对象识别方法、***、机器可读介质及设备 | |
CN112200062B (zh) | 一种基于神经网络的目标检测方法、装置、机器可读介质及设备 | |
CN111598012B (zh) | 一种图片聚类管理方法、***、设备及介质 | |
CN111898495B (zh) | 一种动态阈值管理方法、***、设备及介质 | |
CN112200318B (zh) | 一种目标检测方法、装置、机器可读介质及设备 | |
CN112580472A (zh) | 一种快速轻量的人脸识别方法、装置、机器可读介质及设备 | |
CN111626229A (zh) | 一种对象管理方法、装置、机器可读介质及设备 | |
CN111178455B (zh) | 图像聚类方法、***、设备及介质 | |
CN110363187B (zh) | 一种人脸识别方法、装置、机器可读介质及设备 | |
CN113077262A (zh) | 一种餐饮结算方法、装置、***、机器可读介质及设备 | |
CN112989210A (zh) | 基于健康画像的保险推荐方法、***、设备和介质 | |
CN111275683B (zh) | 图像质量评分处理方法、***、设备及介质 | |
CN112417197B (zh) | 一种排序方法、装置、机器可读介质及设备 | |
CN111260697A (zh) | 目标对象的识别方法、***、设备及介质 | |
CN111639705B (zh) | 一种批量图片标注方法、***、机器可读介质及设备 | |
CN111091152A (zh) | 图像聚类方法、***、设备及机器可读介质 | |
CN111710011B (zh) | 一种漫画生成方法、***、电子设备及介质 | |
CN111818364B (zh) | 视频融合方法、***、设备及介质 | |
CN111626369B (zh) | 一种人脸识别算法效果评估方法、装置、机器可读介质及设备 | |
CN114299615A (zh) | 基于关键点的多特征融合的动作识别方法、装置、介质及设备 | |
CN112347982A (zh) | 基于视频的无监督难例数据挖掘方法、装置、介质及设备 | |
CN111079662A (zh) | 一种人物识别方法、装置、机器可读介质及设备 | |
CN111753852A (zh) | 茶叶识别方法、推荐方法、茶叶识别装置、设备及介质 | |
CN112069184A (zh) | 一种向量检索方法、***、设备及介质 | |
CN111079472A (zh) | 图像对比方法和装置 |
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: 20200619 |
|
RJ01 | Rejection of invention patent application after publication |