CN111325156B - 人脸识别方法、装置、设备和存储介质 - Google Patents
人脸识别方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN111325156B CN111325156B CN202010112341.3A CN202010112341A CN111325156B CN 111325156 B CN111325156 B CN 111325156B CN 202010112341 A CN202010112341 A CN 202010112341A CN 111325156 B CN111325156 B CN 111325156B
- Authority
- CN
- China
- Prior art keywords
- face
- image
- category
- sub
- determining
- 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.)
- Active
Links
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/55—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
-
- 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)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Databases & Information Systems (AREA)
- Library & Information Science (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Image Analysis (AREA)
- Collating Specific Patterns (AREA)
Abstract
本发明实施例公开了一种人脸识别方法、装置、设备和存储介质。该方法包括:获取待识别人脸图像的人脸特征信息,并基于所述人脸特征信息,利用预设人脸分类模型,确定所述待识别人脸图像所属的目标人脸类别;依据所述目标人脸类别,从人脸分类数据库中确定待比对人脸图像;通过将所述待识别人脸图像与所述待比对人脸图像进行比对,获得人脸识别结果。通过上述技术方案,提高了人脸识别效率。
Description
技术领域
本发明实施例涉及计算机技术,尤其涉及一种人脸识别方法、装置、设备和存储介质。
背景技术
随着技术的发展,线下支付方式已出现人脸识别支付,即支付时由收款设备扫描支付者的人脸图像,通过对人脸图像进行人脸识别以确定本地数据库中与该支付者对应的人脸信息和个人支付账户,从而完成线下支付。在人脸识别支付过程中,人脸识别的效率和精度很大程度上决定着人脸识别支付的效率和准确性。
现有的人脸识别技术,当数据库中的人脸图像数量超过某一临界值后,由于人脸特征对比数量的激增,会降低人脸识别效率。所以,在人脸识别支付***中,本地数据库中存储的人脸图像的数量通常是小于或等于临界值,以保证支付效率。但是,实际的支付场景中,因人员流动性大,使得实际人脸图像数量远超本地数据库中的人脸图像数量。
目前为了解决支付场景中人脸图像数量多和支付效率问题,通常采用如下方式:增加本地数据库中的人脸图像数量,通过手机号码来锁定人脸信息和个人支付账户,避免人脸图像的逐个比对,提高支付效率;或者,保持本地数据库中的人脸图像数量不变,动态变更数据库中的人脸图像(即动态构建区域人脸数据库),以使本地数据库中的人脸图像能适应支付场景需求。
在实现本发明过程中,发明人发现现有技术中至少存在如下问题:(1)通过手机号码进行人脸识别支付的方式虽然增加了本地数据库中的人脸图像数量,提高了人脸识别支付的场景适用性,但是手机号码的引入降低了人脸识别支付的便捷性;(2)动态构建区域人脸数据库的方式本质上并未增加本地人脸数据库中的人脸图像数量,且其动态构建数据库的过程中也有一定的时间损耗和额外的性能损耗,也在一定程度上降低了人脸识别的支付效率。
发明内容
本发明实施例提供一种人脸识别方法、装置、设备和存储介质,以提高人脸识别效率,从而提高人脸识别支付的场景适用性和便捷性。
第一方面,本发明实施例提供了人脸识别方法,包括:
获取待识别人脸图像的人脸特征信息,并基于所述人脸特征信息,利用预设人脸分类模型,确定所述待识别人脸图像所属的目标人脸类别;
依据所述目标人脸类别,从人脸分类数据库中确定待比对人脸图像;
通过将所述待识别人脸图像与所述待比对人脸图像进行比对,获得人脸识别结果。
第二方面,本发明实施例还提供了一种人脸识别装置,该装置包括:
目标人脸类别确定模块,用于获取待识别人脸图像的人脸特征信息,并基于所述人脸特征信息,利用预设人脸分类模型,确定所述待识别人脸图像所属的目标人脸类别;
待比对人脸图像确定模块,用于依据所述目标人脸类别,从人脸分类数据库中确定待比对人脸图像;
人脸识别结果获得模块,用于通过将所述待识别人脸图像与所述待比对人脸图像进行比对,获得人脸识别结果。
第三方面,本发明实施例还提供了一种电子设备,该电子设备包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现本发明任意实施例所提供的人脸识别方法。
第四方面,本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现本发明任意实施例所提供的人脸识别方法。
本发明实施例通过获取待识别人脸图像的人脸特征信息,并基于人脸特征信息,利用预设人脸分类模型,确定待识别人脸图像所属的目标人脸类别;依据目标人脸类别,从人脸分类数据库中确定待比对人脸图像;通过将待识别人脸图像与待比对人脸图像进行比对,获得人脸识别结果。实现了将本地人脸数据库分为多个不同的人脸类别,且在某个人脸类别内部进行人脸识别,避免了本地人脸数据库中的人脸图像总数量超过人脸识别效率开始下降时的人脸图像数量而导致的人脸识别效率降低的问题,从而可以增加本地人脸数据库中的人脸图像总数量,提高人脸识别效率,进而在人脸识别支付便捷性的基础上提高人脸识别支付对实际支付场景的适用性。
附图说明
图1是本发明实施例一中的一种人脸识别方法的流程图;
图2是本发明实施例二中的一种人脸识别方法的流程图;
图3是本发明实施例二中的局部二值模式算法的原理示意图;
图4是本发明实施例二中的图像检索的检索索引表示意图;
图5是本发明实施例三中的一种人脸识别装置的结构示意图;
图6是本发明实施例四中的一种电子设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
本实施例提供的人脸识别方法可适用于需要人脸识别技术的情况,例如人脸识别支付。该方法可以由人脸识别装置来执行,该装置可以由软件和/或硬件的方式实现,该装置可以集成在具有图像处理功能的电子设备中,例如笔记本电脑、台式电脑、服务器或收款终端设备等。参见图1,本实施例的方法具体包括如下步骤:
S110、获取待识别人脸图像的人脸特征信息,并基于人脸特征信息,利用预设人脸分类模型,确定待识别人脸图像所属的目标人脸类别。
其中,待识别人脸图像是指需要利用人脸识别技术进行识别的图像,其可以是对人脸进行实时扫描而获得,也可以是从本地或云端的存储空间中读取。当人脸识别的应用场景为人脸识别支付时,待识别人脸图像为实时扫描而获得。人脸特征信息是指描述人脸图像中的人脸特征的信息,例如可以是人脸特征矩阵或人脸特征向量等数字化信息。人脸特征信息的表现形式与预设人脸分类模型的模型输入形式一致。预设人脸分类模型是指预先训练的、用于对人脸图像进行分类的模型。示例性地,预设人脸分类模型为预先对至少一个监督分类机器学习模型进行训练而获得。可以收集由人脸类别及其对应的人脸特征信息构成的训练样本,并利用这些训练样本对1个或多个监督分类的机器学习模型进行模型训练,从而获得预设人脸分类模型。这里的监督分类机器学习模型例如可以是决策树、贝叶斯、人工神经网络或k-近邻的分类模型等。这样设置的好处在于,能够提高人脸图像的分类精度。人脸类别是指对用户的人脸进行类型划分而确定的类别,例如可以是男性方脸、男性圆脸、男性瓜子脸、女性方脸、女性圆脸和女性瓜子脸等,其可以根据业务进行定义。
具体地,获取了待识别人脸图像之后,利用诸如主成分分析(principalcomponents analysis,PCA)的特征提取算法对待识别待识别人脸图像进行特征提取,特征提取所得结果便是该待识别人脸图像的人脸特征信息。之后,将该人脸特征信息输入预设人脸分类模型,经过模型运算,获得模型输出结果,该模型输出结果便是待识别人脸图像对应的人脸类别(即目标人脸类别)。
S120、依据目标人脸类别,从人脸分类数据库中确定待比对人脸图像。
其中,人脸分类数据库是指按照人脸类别来分类存储不同的人脸图像的数据库。待比对人脸图像是用于与待识别人脸图像进行匹配的人脸图像,其可以是一个或多个人脸图像。
具体地,相关技术中为了确保人脸识别效率,会限制人脸数据库中的人脸图像总数量不超过人脸识别效率开始下降时(即人脸识别速率的下降拐点处)对应的人脸图像数量(即预设数据库人脸图像数量),即人脸数据库中的人脸图像数量有限,会导致一些人脸识别无结果或结果错误,而对于人脸识别支付应用,其无法容纳实际人脸识别支付场景中出现的一些人脸图像,进而导致人脸识别支付失败。本发明实施例中为了提高人脸识别效率和精度,扩充人脸数据库中的人脸图像容量,将人脸数据库转换至人脸分类数据库,每个人脸类别下的人脸图像容量至多可为预设数据库人脸图像数量,后续人脸识别则是在单个人脸类别下进行。具体实施时,根据待识别人脸图像对应的目标人脸类别,从人脸分类数据库中匹配相应人脸类别,并利用该匹配的人脸类别中包含的各人脸图像来确定待比对人脸图像。
示例性地,人脸分类数据库通过如下方式预先构建:将人脸数据库中的各人脸图像输入预设人脸分类模型,确定每个人脸图像所属的人脸类别;依据属于每个人脸类别的人脸图像的数量和预设数据库人脸图像数量,从属于每个人脸类别的各人脸图像中确定相应人脸类别中包含的人脸图像,构建人脸分类数据库,其中,预设数据库人脸图像数量为人脸识别速率的下降拐点处的人脸图像数量。构建人脸分类数据库的过程是:先将人脸数据库中的每个人脸图像输入预设人脸分类模型,由模型输出结果来确定相应人脸图像的人脸类别。此时,每个人脸类别下均对应有一定数量的人脸图像。之后,比较每个人脸类别中包含的人脸图像的数量和预设数据库人脸图像数量,并根据比较结果来确定人脸分类数据库中每个人脸类别中包含的人脸图像。例如,若人脸数据库中属于某一人脸类别的人脸图像的数量小于或等于预设数据库人脸图像数量,则将属于该人脸类别的全部人脸图像确定为人脸分类数据库中该人脸类别中包含的人脸图像;若人脸数据库中属于某一人脸类别的人脸图像的数量大于预设数据库人脸图像数量,则从属于该人脸类别的全部人脸图像中筛选出预设数据库人脸图像数量的人脸图像,确定为人脸分类数据库中该人脸类别中包含的人脸图像。按照该过程,便可由人脸数据库构建出人脸分类数据库。这样设置的好处在于,既能一定程度上扩充人脸数据库中的人脸图像容量,又能提高人脸识别效率。
示例性地,依据目标人脸类别,从人脸分类数据库中确定待比对人脸图像包括:
A、将目标人脸类别与人脸分类数据库中的各人脸类别进行匹配,确定匹配人脸类别,并依据匹配人脸类别从人脸分类数据库中确定子类别人脸图像。
其中,子类别人脸图像是指某一人脸类别中的人脸图像。
具体地,将目标人脸类别与人脸分类数据库中的每个人脸类别进行匹配,获得匹配一致的人脸类别作为匹配人脸类别。之后,将人脸分类数据库中该匹配人脸类别中包含的人脸图像作为子类别人脸图像。
B、依据待识别人脸图像对子类别人脸图像进行图像检索,并依据图像检索结果从子类别人脸图像中确定待比对人脸图像。
具体地,匹配人脸类别中包含的子类别人脸图像数量是相对较多的,本实施例中为了进一步减少人脸识别过程中的人脸比对次数,采用了图像检索技术对步骤A中确定的所有的子类别人脸图像进行图像筛选。具体实施时,可以采用基于文本的图像检索技术或基于内容的图像检索技术,以待识别人脸图像为检索基准,对匹配人脸类别中包含的所有子类别人脸图像进行检索,获得图像检索结果,如满足图像检索算法中的检索条件的多个子类别人脸图像。之后,根据图像检索结果中的各子类别人脸图像对匹配人脸类别中包含的所有子类别人脸图像进行筛选,便可确定出待比对人脸图像。
这样设置的好处在于,通过图像检索技术对目标人脸类别中包含的子类别人脸图像进行筛选,进一步减少了待比对人脸图像的数量,从而进一步提高人脸识别效率,进而进一步提高人脸识别支付的支付效率。
S130、通过将待识别人脸图像与待比对人脸图像进行比对,获得人脸识别结果。
具体地,采用人脸识别算法,如基于几何特征的人脸识别算法、基于特征脸(PCA)的人脸识别算法、基于神经网络的人脸识别算法、基于弹性图匹配的人脸识别算法或基于支持向量机(SVM)的人脸识别算法等,利用待比对人脸图像对待识别人脸图像进行人脸识别,获得人脸识别结果。
本实施例的技术方案,通过获取待识别人脸图像的人脸特征信息,并基于人脸特征信息,利用预设人脸分类模型,确定待识别人脸图像所属的目标人脸类别;依据目标人脸类别,从人脸分类数据库中确定待比对人脸图像;通过将待识别人脸图像与待比对人脸图像进行比对,获得人脸识别结果。实现了将本地人脸数据库分为多个不同的人脸类别,且在某个人脸类别内部进行人脸识别,避免了本地人脸数据库中的人脸图像总数量超过人脸识别效率开始下降时的人脸图像数量而导致的人脸识别效率降低的问题,从而可以增加本地人脸数据库中的人脸图像总数量,提高人脸识别效率,进而在人脸识别支付便捷性的基础上提高人脸识别支付对实际支付场景的适用性。
实施例二
本实施例在上述实施例一的基础上,对“依据待识别人脸图像对子类别人脸图像进行图像检索”进行了进一步优化。在此基础上,还可以进一步对对“依据图像检索结果从子类别人脸图像中确定待比对人脸图像”进行优化。其中与上述各实施例相同或相应的术语的解释在此不再赘述。参见图2,本实施例提供的人脸识别方法包括:
S210、获取待识别人脸图像的人脸特征信息,并基于人脸特征信息,利用预设人脸分类模型,确定待识别人脸图像所属的目标人脸类别。
S220、将目标人脸类别与人脸分类数据库中的各人脸类别进行匹配,确定匹配人脸类别,并依据匹配人脸类别从人脸分类数据库中确定子类别人脸图像。
S230、对待识别人脸图像进行特征提取,并基于特征提取结果获得待识别人脸图像的降维特征矩阵。
具体地,对待识别人脸图像进行二值特征提取,例如利用局部二值模式(LocalBinary Pattern,LBP)算法对待识别人脸图像进行特征提取,获得特征提取结果,如LBP特征矩阵。LBP算法原理如图3所示,以人脸图像中某一像素点为圆心,取半径r(见图3(a));以圆心像素值2为阈值,圆周内大于阈值2的像素点的像素值设置为1,反之设置为0,得到如图3(b)所示结果;之后,以圆周上某一像素点为起点,通过逆时针将圆周上的像素点串联起来,可以得到10101011。按照该过程对待识别人脸图像中的每个区域进行处理,可以得到整个待识别人脸图像的LBP特征矩阵。
获取到待识别图像的特征提取结果后,为了进一步提高后续图像检索效率,本实施例中需要对特征提取结果进行降维处理。例如,可以将LBP特征矩阵由欧几里德空间映射至汉明空间,便可实现矩阵降维,空间转换所得结果便为降维特征矩阵。
S240、确定降维特征矩阵中的每一维降维特征向量与至少一个预设检索特征向量之间的向量相似度。
其中,预设检索特征向量是指预先设定的向量,其用于将图像对应的特征向量转换为其对应的文本类标识信息(即预设检索标签)。由于子类别人脸图像和待识别人脸图像中的特征向量均使用相同的预设检索特征向量,故预设检索特征向量中的元素数量和元素取值可经验设定。向量相似度是指两个向量之间的相似度,其可以由两个向量之间的曼哈顿距离或汉明距离等来表征。
具体地,本实施例中图像检索的思路为:将待识别人脸图像的降维特征矩阵中的每一维度的特征向量(即降维特征向量)用预设检索特征向量对应的预设检索标签来表征,后续用每一维度对应的预设检索标签来进行检索。具体实施时,先计算降维特征矩阵中每一维降维特征向量与每个预设检索特征向量之间的向量相似度。简单示例,降维特征矩阵中的某一降维特征向量包含8个元素,某一预设检索特征向量包含4个元素,那么该降维特征向量与该预设检索特征向量之间可计算获得2个向量相似度。按照该计算方式,可计算所有的向量相似度。
S250、依据各向量相似度、预设相似度阈值和每个预设检索特征向量对应的预设检索标签,确定每一维降维特征向量的检索标签序列。
其中,预设相似度阈值是指预先设定的一个相似度,其用于判断两个向量是否为相似向量。本步骤中以曼哈顿距离为例,曼哈顿距离越小表示两个向量越相似,故预设相似度阈值可以是一个数值较小的曼哈顿距离值。检索标签序列是指由多个预设检索标签组成的标签结果。
具体地,对于某一降维特征向量与某一预设检索特征向量,比较其对应的每个向量相似度与预设相似度阈值。如果某一向量相似度小于或等于预设相似度阈值,说明该向量相似度对应的该降维特征向量中的子特征向量与该预设检索特征向量为相似向量,则可以该子特征向量可以用该预设检索特征向量对应的预设检索标签来表征。子特征向量由降维特征向量中的部分元素构成,这些部分元素是连续的,且元素数量与预设检索特征向量的元素数量一致。如果该向量相似度大于预设相似度阈值,则该子特征向量不可以用该预设检索特征向量对应的预设检索标签来表征。按照上述过程,可以确定上述降维特征向量对应的检索标签序列,进而确定出所有降维特征向量对应的检索标签序列。这样,降维特征矩阵便对应于多个检索标签序列,一个检索标签序列代表一个矩阵维度。
S260、依据待识别人脸图像的各维检索标签序列以及每个子类别人脸图像的各维检索标签序列,确定图像检索结果。
具体地,在本步骤之前,按照S230~S250的流程,将S220中确定的每个子类别人脸图像表征为多个检索标签序列。这样,便可以根据降维特征矩阵对应的多个检索标签序列和每个子类别人脸图像对应的多个检索标签序列,在各子类别人脸图像中对待识别人脸图像进行图像检索,获得图像检索结果。
示例性地,依据待识别人脸图像的各维检索标签序列以及每个子类别人脸图像的各维检索标签序列,确定图像检索结果包括:按照在相同的向量维度中具有相同的预设检索标签的查询规则,以待识别人脸图像的各维检索标签序列为查询基准,依据每个子类别人脸图像的各维检索标签序列对各子类别人脸图像进行图像查询,将查询到的各子类别人脸图像确定为图像检索结果。
具体地,以人脸图像对应的特征向量的向量维度为检索单位,以预设检索标签为检索索引,利用每个子类别人脸图像对应的多个检索标签序列建立图像检索索引表。参见图4,每个子类别人脸图像对应的特征向量均有αp维,针对每一维度,分别统计检索标签序列中包含预设检索标签00、01、10和11的子类别人脸图像,并以预设检索标签和子类别人脸图像的图像标识建立索引关系,便可获得图4所示的检索索引表。之后,从该检索索引表中查询待识别人脸图像的降维特征矩阵中每个维度中每个预设检索标签对应的子类别人脸图像的图像标识。例如,降维特征矩阵中第一维的检索标签序列中包含预设检索标签00,那么将图4中第一维索引表中预设检索标签00对应的所有图像标识对应的子类别人脸图像确定为待识别人脸图像的部分图像检索结果。以此类推,可以得到每一维度对应的部分图像检索结果,这些部分图像检索结果便构成待识别人脸图像的图像检索结果。这样设置的好处在于,进一步提高图像检索效率。
S270、确定待识别人脸图像与图像检索结果中的每个子类别人脸图像之间的图像相似度。
具体地,为了进一步减少待比对图像的数量,本实施例中进一步对图像检索结果中的子类别人脸图像进行筛选,筛选依据是子类别人脸图像与待识别人脸图像之间的图像相似度。故需要计算待识别人脸图像与图像检索结果中的每个子类别人脸图像之间的图像相似度。
示例性地,确定待识别人脸图像与图像检索结果中的每个子类别人脸图像之间的图像相似度包括:依据图像检索结果中的每个子类别人脸图像的查询次数,确定待识别人脸图像与相应子类别人脸图像之间的图像相似度,其中,查询次数为图像检索过程中子类别人脸图像被查询到的次数。具体地,根据S260的说明,每一维度的每一预设检索标签的部分图像检索结果均对应有一批子类别人脸图像,多个部分图像检索结果中的子类别人脸图像有重复,那么一个子类别人脸图像在整个图像检索结果中的重复次数便是该子类别人脸图像的查询次数。由于各子类别人脸图像的查询次数均是在同一次图像检索中获得,故每个查询次数对应的检索对象(待识别人脸图像)和检索基础(各子类别人脸图像构建的检索索引表)都是相同的,那么子类别人脸图像的查询次数可以反映该子类别人脸图像与待识别人脸图像的图像相似度,如某一子类别人脸图像的查询次数越大,说明其与待识别人脸图像越相似。基于此,本实施例中可以基于查询次数定义待识别人脸图像与子类别人脸图像之间的图像相似度。例如,图像相似度可以定义为该子类别人脸图像的查询次数与图像检索结果中所有子类别人脸图像的查询次数的比值,如此可基于查询次数确定待识别人脸图像与图像检索结果中的每个子类别人脸图像之间的图像相似度。这样设置的好处在于,可以利用图像检索过程中的检索信息来更加快速地确定图像相似度。
S280、依据各图像相似度,从图像检索结果中的各子类别人脸图像中筛选出待比对人脸图像。
具体地,根据图像相似度进一步对图像检索结果进行筛选。例如,可以设置图像相似度阈值,将大于该图像相似度阈值的所有图像相似度对应的子类别人脸图像确定为待比对人脸图像;也可以将图像相似度进行倒序排列,选择排序靠前的预设数量个图像相似度对应的子类别人脸图像确定为待比对人脸图像。
S290、通过将待识别人脸图像与待比对人脸图像进行比对,获得人脸识别结果。
本实施例的技术方案,通过对待识别人脸图像进行特征提取,并基于特征提取结果获得待识别人脸图像的降维特征矩阵;确定降维特征矩阵中的每一维降维特征向量与至少一个预设检索特征向量之间的向量相似度;依据各向量相似度、预设相似度阈值和每个预设检索特征向量对应的预设检索标签,确定每一维降维特征向量的检索标签序列;依据待识别人脸图像的各维检索标签序列以及每个子类别人脸图像的各维检索标签序列,确定图像检索结果。实现了图像的快速检索,进一步提高了图像检索结果的确定效率和精度,从而进一步提高了待比对人脸图像的确定效率。通过确定待识别人脸图像与图像检索结果中的每个子类别人脸图像之间的图像相似度;依据各图像相似度,从图像检索结果中的各子类别人脸图像中筛选出待比对人脸图像。实现了对图像检索结果中的子类别人脸图像进行筛选,更进一步减少了待比对人脸图像的数量,从而更进一步提高人脸识别效率和人脸识别支付的支付效率。
实施例三
本实施例提供一种人脸识别装置,参见图5,该装置具体包括:
目标人脸类别确定模块510,用于获取待识别人脸图像的人脸特征信息,并基于人脸特征信息,利用预设人脸分类模型,确定待识别人脸图像所属的目标人脸类别;
待比对人脸图像确定模块520,用于依据目标人脸类别,从人脸分类数据库中确定待比对人脸图像;
人脸识别结果获得模块530,用于通过将待识别人脸图像与待比对人脸图像进行比对,获得人脸识别结果。
可选地,待比对人脸图像确定模块520包括:
子类别人脸图像确定子模块,用于将目标人脸类别与人脸分类数据库中的各人脸类别进行匹配,确定匹配人脸类别,并依据匹配人脸类别从人脸分类数据库中确定子类别人脸图像;
待比对人脸图像确定子模块,用于依据待识别人脸图像对子类别人脸图像进行图像检索,并依据图像检索结果从子类别人脸图像中确定待比对人脸图像。
可选地,待比对人脸图像确定子模块具体用于:
确定待识别人脸图像与图像检索结果中的每个子类别人脸图像之间的图像相似度;
依据各图像相似度,从图像检索结果中的各子类别人脸图像中筛选出待比对人脸图像。
进一步地,待比对人脸图像确定子模块还具体用于:
依据图像检索结果中的每个子类别人脸图像的查询次数,确定待识别人脸图像与相应子类别人脸图像之间的图像相似度,其中,查询次数为图像检索过程中子类别人脸图像被查询到的次数。
可选地,子类别人脸图像确定子模块具体用于:
对待识别人脸图像进行特征提取,并基于特征提取结果获得待识别人脸图像的降维特征矩阵;
确定降维特征矩阵中的每一维降维特征向量与至少一个预设检索特征向量之间的向量相似度;
依据各向量相似度、预设相似度阈值和每个预设检索特征向量对应的预设检索标签,确定每一维降维特征向量的检索标签序列;
依据待识别人脸图像的各维检索标签序列以及每个子类别人脸图像的各维检索标签序列,确定图像检索结果。
进一步地,子类别人脸图像确定子模块还具体用于:
按照在相同的向量维度中具有相同的预设检索标签的查询规则,以待识别人脸图像的各维检索标签序列为查询基准,依据每个子类别人脸图像的各维检索标签序列对各子类别人脸图像进行图像查询,将查询到的各子类别人脸图像确定为图像检索结果。
可选地,在上述装置的基础上,该装置还包括人脸分类数据库构建模块,用于通过如下方式预先构建人脸分类数据库:
将人脸数据库中的各人脸图像输入预设人脸分类模型,确定每个人脸图像所属的人脸类别;
依据属于每个人脸类别的人脸图像的数量和预设数据库人脸图像数量,从属于每个人脸类别的各人脸图像中确定相应人脸类别中包含的人脸图像,构建人脸分类数据库,其中,预设数据库人脸图像数量为人脸识别速率的下降拐点处的人脸图像数量。
可选地,预设人脸分类模型为预先对至少一个监督分类机器学习模型进行训练而获得。
通过本发明实施例三的一种人脸识别装置,实现了将本地人脸数据库分为多个不同的人脸类别,且在某个人脸类别内部进行人脸识别,避免了本地人脸数据库中的人脸图像总数量超过人脸识别效率开始下降时的人脸图像数量而导致的人脸识别效率降低的问题,从而可以增加本地人脸数据库中的人脸图像总数量,提高人脸识别效率,进而在人脸识别支付便捷性的基础上提高人脸识别支付对实际支付场景的适用性。
本发明实施例所提供的人脸识别装置可执行本发明任意实施例所提供的人脸识别方法,具备执行方法相应的功能模块和有益效果。
值得注意的是,上述人脸识别装置的实施例中,所包括的各个单元和模块只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。
实施例四
参见图6,本实施例提供了一种电子设备600,其包括:一个或多个处理器620;存储装置610,用于存储一个或多个程序,当一个或多个程序被一个或多个处理器620执行,使得一个或多个处理器620实现本发明实施例所提供的人脸识别方法,包括:
获取待识别人脸图像的人脸特征信息,并基于所述人脸特征信息,利用预设人脸分类模型,确定所述待识别人脸图像所属的目标人脸类别;
依据所述目标人脸类别,从人脸分类数据库中确定待比对人脸图像;
通过将所述待识别人脸图像与所述待比对人脸图像进行比对,获得人脸识别结果。
当然,本领域技术人员可以理解,处理器620还可以实现本发明任意实施例所提供的人脸识别方法的技术方案。
图6显示的电子设备600仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图6所示,电子设备600以通用计算设备的形式表现。电子设备600的组件可以包括但不限于:一个或者多个处理器620,存储装置610,连接不同***组件(包括存储装置610和处理器620)的总线650。
总线650表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器,***总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(ISA)总线,微通道体系结构(MAC)总线,增强型ISA总线、视频电子标准协会(VESA)局域总线以及***组件互连(PCI)总线。
电子设备600典型地包括多种计算机***可读介质。这些介质可以是任何能够被电子设备600访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
存储装置610可以包括易失性存储器形式的计算机***可读介质,例如随机存取存储器(RAM)611和/或高速缓存存储器612。电子设备600可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机***存储介质。仅作为举例,存储***613可以用于读写不可移动的、非易失性磁介质(图6未显示,通常称为“硬盘驱动器”)。尽管图6中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与总线650相连。存储装置610可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块,这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块615的程序/实用工具614,可以存储在例如存储装置610中,这样的程序模块615包括但不限于操作***、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块615通常执行本发明所描述的任意实施例中的功能和/或方法。
电子设备600也可以与一个或多个外部设备660(例如键盘、指向设备、显示器670等)通信,还可与一个或者多个使得用户能与该电子设备600交互的设备通信,和/或与使得该电子设备600能与一个或多个其它计算设备进行通信的任何设备(例如网卡,调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口630进行。并且,电子设备600还可以通过网络适配器640与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图6所示,网络适配器640通过总线650与电子设备600的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备600使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID***、磁带驱动器以及数据备份存储***等。
实施例五
本实施例提供一种包含计算机可执行指令的存储介质,计算机可执行指令在由计算机处理器执行时用于执行一种人脸识别方法,该方法包括:
获取待识别人脸图像的人脸特征信息,并基于所述人脸特征信息,利用预设人脸分类模型,确定所述待识别人脸图像所属的目标人脸类别;
依据所述目标人脸类别,从人脸分类数据库中确定待比对人脸图像;
通过将所述待识别人脸图像与所述待比对人脸图像进行比对,获得人脸识别结果。
当然,本发明实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上的方法操作,还可以执行本发明任意实施例所提供的人脸识别方法中的相关操作。
本发明实施例的计算机存储介质,可以采用一个或多个计算机可读的介质的任意组合。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。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(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(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。在本文件中,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。
计算机可读的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。计算机可读的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——但不限于无线、电线、光缆、RF等等,或者上述的任意合适的组合。
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发明操作的计算机程序代码,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)。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种人脸识别方法,其特征在于,包括:
获取待识别人脸图像的人脸特征信息,并基于所述人脸特征信息,利用预设人脸分类模型,确定所述待识别人脸图像所属的目标人脸类别;
依据所述目标人脸类别,从人脸分类数据库中确定待比对人脸图像;
通过将所述待识别人脸图像与所述待比对人脸图像进行比对,获得人脸识别结果;
所述依据所述目标人脸类别,从人脸分类数据库中确定待比对人脸图像包括:
将所述目标人脸类别与所述人脸分类数据库中的各人脸类别进行匹配,确定匹配人脸类别,并依据所述匹配人脸类别从所述人脸分类数据库中确定子类别人脸图像;其中,所述子类别人脸图像是指一种人脸类别中的人脸图像;所述人脸类别是指对用户的人脸进行类型划分而确定的类别;
依据所述待识别人脸图像对所述子类别人脸图像进行图像检索,并依据图像检索结果从所述子类别人脸图像中确定所述待比对人脸图像。
2.根据权利要求1所述的方法,其特征在于,依据图像检索结果从所述子类别人脸图像中确定所述待比对人脸图像包括:
确定所述待识别人脸图像与所述图像检索结果中的每个子类别人脸图像之间的图像相似度;
依据各所述图像相似度,从所述图像检索结果中的各子类别人脸图像中筛选出所述待比对人脸图像。
3.根据权利要求2所述的方法,其特征在于,确定所述待识别人脸图像与所述图像检索结果中的每个子类别人脸图像之间的图像相似度包括:
依据所述图像检索结果中的每个子类别人脸图像的查询次数,确定所述待识别人脸图像与相应子类别人脸图像之间的图像相似度,其中,所述查询次数为图像检索过程中子类别人脸图像被查询到的次数。
4.根据权利要求1所述的方法,其特征在于,依据所述待识别人脸图像对所述子类别人脸图像进行图像检索包括:
对所述待识别人脸图像进行特征提取,并基于特征提取结果获得所述待识别人脸图像的降维特征矩阵;
确定所述降维特征矩阵中的每一维降维特征向量与至少一个预设检索特征向量之间的向量相似度;
依据各所述向量相似度、预设相似度阈值和每个所述预设检索特征向量对应的预设检索标签,确定每一维所述降维特征向量的检索标签序列;
依据所述待识别人脸图像的各维检索标签序列以及每个所述子类别人脸图像的各维检索标签序列,确定所述图像检索结果。
5.根据权利要求4所述的方法,其特征在于,依据所述待识别人脸图像的各维检索标签序列以及每个所述子类别人脸图像的各维检索标签序列,确定所述图像检索结果包括:
按照在相同的向量维度中具有相同的预设检索标签的查询规则,以所述待识别人脸图像的各维检索标签序列为查询基准,依据每个所述子类别人脸图像的各维检索标签序列对各所述子类别人脸图像进行图像查询,将查询到的各所述子类别人脸图像确定为所述图像检索结果。
6.根据权利要求1所述的方法,其特征在于,所述人脸分类数据库通过如下方式预先构建:
将人脸数据库中的各人脸图像输入所述预设人脸分类模型,确定每个所述人脸图像所属的人脸类别;
依据属于每个所述人脸类别的人脸图像的数量和预设数据库人脸图像数量,从属于每个所述人脸类别的各人脸图像中确定相应人脸类别中包含的人脸图像,构建所述人脸分类数据库,其中,所述预设数据库人脸图像数量为人脸识别速率的下降拐点处的人脸图像数量。
7.根据权利要求1-6中任一项所述的方法,其特征在于,所述预设人脸分类模型为预先对至少一个监督分类机器学习模型进行训练而获得。
8.一种人脸识别装置,其特征在于,包括:
目标人脸类别确定模块,用于获取待识别人脸图像的人脸特征信息,并基于所述人脸特征信息,利用预设人脸分类模型,确定所述待识别人脸图像所属的目标人脸类别;
待比对人脸图像确定模块,用于依据所述目标人脸类别,从人脸分类数据库中确定待比对人脸图像;
人脸识别结果获得模块,用于通过将所述待识别人脸图像与所述待比对人脸图像进行比对,获得人脸识别结果;
所述待比对人脸图像确定模块包括:
子类别人脸图像确定子模块,用于将目标人脸类别与人脸分类数据库中的各人脸类别进行匹配,确定匹配人脸类别,并依据匹配人脸类别从人脸分类数据库中确定子类别人脸图像;其中,所述子类别人脸图像是指一种人脸类别中的人脸图像;所述人脸类别是指对用户的人脸进行类型划分而确定的类别;
待比对人脸图像确定子模块,用于依据待识别人脸图像对子类别人脸图像进行图像检索,并依据图像检索结果从子类别人脸图像中确定待比对人脸图像。
9.一种电子设备,其特征在于,所述电子设备包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-7中任一所述的人脸识别方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-7中任一所述的人脸识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010112341.3A CN111325156B (zh) | 2020-02-24 | 2020-02-24 | 人脸识别方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010112341.3A CN111325156B (zh) | 2020-02-24 | 2020-02-24 | 人脸识别方法、装置、设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111325156A CN111325156A (zh) | 2020-06-23 |
CN111325156B true CN111325156B (zh) | 2023-08-11 |
Family
ID=71172878
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010112341.3A Active CN111325156B (zh) | 2020-02-24 | 2020-02-24 | 人脸识别方法、装置、设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111325156B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111797746B (zh) * | 2020-06-28 | 2024-06-14 | 北京小米松果电子有限公司 | 人脸识别方法、装置及计算机可读存储介质 |
CN112069875B (zh) * | 2020-07-17 | 2024-05-28 | 北京百度网讯科技有限公司 | 人脸图像的分类方法、装置、电子设备和存储介质 |
CN112015933A (zh) * | 2020-08-06 | 2020-12-01 | 北京奇艺世纪科技有限公司 | 一种图像检索方法、装置、***、电子设备及存储介质 |
CN112597803A (zh) * | 2020-11-26 | 2021-04-02 | 深圳泰首智能技术有限公司 | 一种人脸识别方法、装置、***及电子设备 |
CN113065530B (zh) * | 2021-05-12 | 2023-05-30 | 曼德电子电器有限公司 | 人脸识别方法和装置、介质、设备 |
CN113689613A (zh) * | 2021-08-25 | 2021-11-23 | 爱康网健康科技(北京)有限公司 | 门禁***、门禁控制方法和存储介质 |
CN114612983A (zh) * | 2022-03-15 | 2022-06-10 | 北京拙河科技有限公司 | 一种基于弹性图和svm的人脸识别方法及*** |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106096517A (zh) * | 2016-06-01 | 2016-11-09 | 北京联合大学 | 一种基于低秩矩阵与特征脸的人脸识别方法 |
CN106202256A (zh) * | 2016-06-29 | 2016-12-07 | 西安电子科技大学 | 基于语义传播及混合多示例学习的Web图像检索方法 |
CN106250821A (zh) * | 2016-07-20 | 2016-12-21 | 南京邮电大学 | 一种聚类再分类的人脸识别方法 |
CN106503687A (zh) * | 2016-11-09 | 2017-03-15 | 合肥工业大学 | 融合人脸多角度特征的监控视频人物身份识别***及其方法 |
CN109241868A (zh) * | 2018-08-16 | 2019-01-18 | 平安科技(深圳)有限公司 | 人脸识别方法、装置、计算机设备及存储介质 |
CN109426781A (zh) * | 2017-08-29 | 2019-03-05 | 阿里巴巴集团控股有限公司 | 人脸识别数据库的构建方法、人脸识别方法、装置及设备 |
WO2019071664A1 (zh) * | 2017-10-09 | 2019-04-18 | 平安科技(深圳)有限公司 | 结合深度信息的人脸识别方法、装置及存储介质 |
CN109919093A (zh) * | 2019-03-07 | 2019-06-21 | 苏州科达科技股份有限公司 | 一种人脸识别方法、装置、设备及可读存储介质 |
WO2019119505A1 (zh) * | 2017-12-18 | 2019-06-27 | 深圳云天励飞技术有限公司 | 人脸识别的方法和装置、计算机装置及存储介质 |
CN110110593A (zh) * | 2019-03-27 | 2019-08-09 | 广州杰赛科技股份有限公司 | 基于自学习的人脸考勤方法、装置、设备及存储介质 |
CN110298249A (zh) * | 2019-05-29 | 2019-10-01 | 平安科技(深圳)有限公司 | 人脸识别方法、装置、终端及存储介质 |
CN110458154A (zh) * | 2019-09-12 | 2019-11-15 | 腾讯科技(深圳)有限公司 | 人脸识别方法、装置和计算机可读存储介质 |
WO2020015075A1 (zh) * | 2018-07-18 | 2020-01-23 | 平安科技(深圳)有限公司 | 人脸图像比对方法、装置、计算机设备及存储介质 |
CN110826525A (zh) * | 2019-11-18 | 2020-02-21 | 天津高创安邦技术有限公司 | 一种人脸识别的方法及*** |
-
2020
- 2020-02-24 CN CN202010112341.3A patent/CN111325156B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106096517A (zh) * | 2016-06-01 | 2016-11-09 | 北京联合大学 | 一种基于低秩矩阵与特征脸的人脸识别方法 |
CN106202256A (zh) * | 2016-06-29 | 2016-12-07 | 西安电子科技大学 | 基于语义传播及混合多示例学习的Web图像检索方法 |
CN106250821A (zh) * | 2016-07-20 | 2016-12-21 | 南京邮电大学 | 一种聚类再分类的人脸识别方法 |
CN106503687A (zh) * | 2016-11-09 | 2017-03-15 | 合肥工业大学 | 融合人脸多角度特征的监控视频人物身份识别***及其方法 |
CN109426781A (zh) * | 2017-08-29 | 2019-03-05 | 阿里巴巴集团控股有限公司 | 人脸识别数据库的构建方法、人脸识别方法、装置及设备 |
WO2019071664A1 (zh) * | 2017-10-09 | 2019-04-18 | 平安科技(深圳)有限公司 | 结合深度信息的人脸识别方法、装置及存储介质 |
WO2019119505A1 (zh) * | 2017-12-18 | 2019-06-27 | 深圳云天励飞技术有限公司 | 人脸识别的方法和装置、计算机装置及存储介质 |
WO2020015075A1 (zh) * | 2018-07-18 | 2020-01-23 | 平安科技(深圳)有限公司 | 人脸图像比对方法、装置、计算机设备及存储介质 |
CN109241868A (zh) * | 2018-08-16 | 2019-01-18 | 平安科技(深圳)有限公司 | 人脸识别方法、装置、计算机设备及存储介质 |
CN109919093A (zh) * | 2019-03-07 | 2019-06-21 | 苏州科达科技股份有限公司 | 一种人脸识别方法、装置、设备及可读存储介质 |
CN110110593A (zh) * | 2019-03-27 | 2019-08-09 | 广州杰赛科技股份有限公司 | 基于自学习的人脸考勤方法、装置、设备及存储介质 |
CN110298249A (zh) * | 2019-05-29 | 2019-10-01 | 平安科技(深圳)有限公司 | 人脸识别方法、装置、终端及存储介质 |
CN110458154A (zh) * | 2019-09-12 | 2019-11-15 | 腾讯科技(深圳)有限公司 | 人脸识别方法、装置和计算机可读存储介质 |
CN110826525A (zh) * | 2019-11-18 | 2020-02-21 | 天津高创安邦技术有限公司 | 一种人脸识别的方法及*** |
Non-Patent Citations (1)
Title |
---|
基于分块的有遮挡人脸识别算法;周孝佳 等;计算机应用与软件(第02期);183-187 * |
Also Published As
Publication number | Publication date |
---|---|
CN111325156A (zh) | 2020-06-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111325156B (zh) | 人脸识别方法、装置、设备和存储介质 | |
US11514698B2 (en) | Intelligent extraction of information from a document | |
WO2021072885A1 (zh) | 识别文本的方法、装置、设备及存储介质 | |
JP5211050B2 (ja) | 2段階テキスト認識 | |
US20110295778A1 (en) | Information processing apparatus, information processing method, and program | |
CN113486178B (zh) | 文本识别模型训练方法、文本识别方法、装置以及介质 | |
CN110941951A (zh) | 文本相似度计算方法、装置、介质及电子设备 | |
US11574004B2 (en) | Visual image search using text-based search engines | |
CN114218945A (zh) | 实体识别方法、装置、服务器及存储介质 | |
CN117011581A (zh) | 图像识别方法、介质、装置和计算设备 | |
CN115953123A (zh) | 机器人自动化流程的生成方法、装置、设备及存储介质 | |
WO2022007596A1 (zh) | 图像检索***、方法和装置 | |
CN112668341B (zh) | 文本正则化方法、装置、设备和可读存储介质 | |
CN112579781B (zh) | 文本归类方法、装置、电子设备及介质 | |
US20190236471A1 (en) | Identifying Intent in Dialog Data Through Variant Assessment | |
CN116343233B (zh) | 文本识别方法和文本识别模型的训练方法、装置 | |
JP2001337993A (ja) | 文字認識結果を利用して情報を検索する検索装置および方法 | |
CN111444319B (zh) | 文本匹配方法、装置和电子设备 | |
CN113177479B (zh) | 图像分类方法、装置、电子设备及存储介质 | |
CN115169489A (zh) | 数据检索方法、装置、设备以及存储介质 | |
WO2021159668A1 (zh) | 机器人对话方法、装置、计算机设备和存储介质 | |
CN112861974A (zh) | 文本分类方法、装置、电子设备及存储介质 | |
CN112149389A (zh) | 简历信息结构化处理方法、装置、计算机设备和存储介质 | |
CN111783869A (zh) | 训练数据筛选方法、装置、电子设备及存储介质 | |
CN111382247A (zh) | 一种内容推送优化方法、内容推送优化装置及电子设备 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |