CN111626173B - 一种更新数据库中人脸特征向量的方法 - Google Patents
一种更新数据库中人脸特征向量的方法 Download PDFInfo
- Publication number
- CN111626173B CN111626173B CN202010435471.0A CN202010435471A CN111626173B CN 111626173 B CN111626173 B CN 111626173B CN 202010435471 A CN202010435471 A CN 202010435471A CN 111626173 B CN111626173 B CN 111626173B
- Authority
- CN
- China
- Prior art keywords
- face
- database
- feature vector
- face feature
- image
- 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
- G06V40/161—Detection; Localisation; Normalisation
-
- 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
-
- 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
-
- 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)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- General Physics & Mathematics (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Collating Specific Patterns (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种更新数据库中人脸特征向量的方法,通过多次获取图像,并提取其中的人脸特征向量,将该人脸特征向量与数据库中对应人脸样品中的人脸特征向量进行加权,得到更新后的人脸特征向量;将更新后的人脸特征向量和最新的时间戳存储在对应的人脸样品中。本发明采用自适应算法对数据库中存储的人脸特征向量进行更新,并且每次获取的图像存在年龄、姿势、光照以及场景的差异,通过多次提取人脸特征向量,可以减少年龄、室内阶段性光照切换造成的不必要偏差;同时通过多次测量可以减少姿势、表情、模糊等随机因素引起的误差;此外本发明定期清理临时特征库,还能有效减少数据库的存储容量。
Description
技术领域
本发明涉及人脸识别领域,具体涉及一种更新数据库中人脸特征向量的方法。
背景技术
由于视频监控正在快速普及,众多的视频监控应用迫切需要一种远距离、用户非配合状态下的快速身份识别技术,以求远距离快速确认人员身份,实现智能预警。人脸识别技术无疑是最佳的选择,采用快速人脸检测技术可以从监控视频图象中实时查找人脸,并与人脸数据库进行实时比对,从而实现快速身份识别。
人脸识别需要一个用于存储各种人脸样品数据库,在实际使用过程中,通过采用深度学习算法将待识别的人脸与数据库中存储的各个人脸样品进行比对,从而确定待识别的人脸是否与数据库中人脸样品匹配,进而识别出其具体身份。在深度学习算法中,人脸数据被神经网络保存为一组人脸特征向量,运行过程中使用相同的算法将人脸重新解析为一组人脸特征向量。通过计算该人脸特征向量是否在原人脸特征向量的邻域空间内,判定是否为同一人。
然而人脸识别过程会受到光照、人脸姿势、人脸年龄以及人脸所在场景等因素的影响,尤其当数据库中人脸样品较多时,待识别人脸需要逐一与多个人脸样品进行比对,上述因素对于识别准确性影响较大。鉴于图像获取时的光照、人脸姿势、人脸年龄以及人脸所在场景均可能与数据库中存储信息不同,因此,需要多次对不同光照、姿势、年龄和场景的人脸进行多次特征提取,进而不断对数据库中人脸特征向量进行更新。如何对数据库中人脸特征进行更新是目前亟待解决的问题。
发明内容
本发明的目的是提供一种更新数据库中人脸特征向量的方法,采用自适应算法对年龄、姿势、光照和场景进行不断修正,减少人脸识别时外界因素引起的误差。
为了实现上述目的,本发明采用如下技术方案:一种更新数据库中人脸特征向量的方法,包括如下步骤:
S01:选取数据库,所述数据库中包括M个人脸样品,所述人脸样品中包括人脸特征向量和时间戳;M为大于0的整数;
S02:感知器获取一张图像,并对所述图像进行人脸检测,当图像中不存在人脸时,进入步骤S06,当图像中存在人脸时,将该图像打上时间戳,进入步骤S03;
S03:提取所述图像中人脸特征向量;
S04:判断提取的人脸特征向量与数据库中人脸特征向量是否属于同一人;若数据库中仅存在一个人脸样品A与上述图像中人脸匹配,则进入步骤S05;若数据库中没有人脸样品与上述图像中人脸匹配或者数据库中存在一个以上的人脸样品与上述图像中人脸匹配时,返回步骤S02;
S05:将提取的人脸特征向量和时间戳放入临时特征库对应的队列a中;返回步骤S02;其中,所述临时特征库中包括N个队列,每个队列对应数据库中一个人脸样品;N为整数,且0≤N≤M;
S06:遍历所述临时特征库中所有队列的队首时间戳,当所有队首时间戳与当前时间的时间间隔小于阈值或临时特征库为空时,返回步骤S02;否则进入步骤S07;
S07:对临时特征库中每个队列中的人脸特征向量分别进行聚类,将聚类中心与数据库中对应人脸样品中人脸特征向量进行加权,得到更新后的人脸特征向量;将更新后的人脸特征向量和最新的时间戳存储在对应的人脸样品中,并清除临时特征库中所有记录,返回步骤S02。
进一步地,所述步骤S01中数据库的形成过程为:
S011:采用训练集对神经网络进行训练,得出训练之后的神经网络;
S012:采用训练后的神经网路对人脸进行处理,得出M个人脸样品。
进一步地,所述训练之后的神经网络在验证集上满足类内最大距离方差小于方差阈值,类间最小距离减去类内最大距离大于距离阈值的概率大于概率阈值。
进一步地,所述步骤S03中采用训练后的神经网络提取所述图像中人脸特征向量。
进一步地,所述步骤S04中采用欧氏距离或者皮尔逊常数或者夹角余弦判断提取的人脸特征向量与数据库中人脸特征向量是否属于同一人。
进一步地,所述步骤S04中采用累进式欧氏距离结合支撑向量机方法判断提取的人脸特征向量与数据库中人脸特征向量是否属于与同一人,具体包括:
S041:选择其中一个人脸样品,计算其与提取人脸特征向量的累进式欧式距离G,
S042:将累进式欧式距离G输入支撑向量机中,判断提取的人脸特征向量与该人脸样品中人脸特征向量是否属于同一人;
S043:重复步骤S041-S042(M-1)次,分别判断提取的人脸特征向量与数据库中其他人脸特征向量是否属于同一人。
进一步地,所述累进式欧式距离G=[∑i∈[1,1](xi-yi)2,∑i∈[1,2](xi-yi)2,…,∑i∈[1,n](xi-yi)2];其中,xi表示图像中提取的人脸特征向量,yi表示人脸样品中的人脸特征向量,且图像中提取的人脸特征向量和人脸样品中的人脸特征向量均为n个,n为大于0的整数。
进一步地,所述步骤S05中,当人脸样品A在临时特征库中没有对应队列时,创建队列a,并在队列a中添加提取的人脸特征向量以及对应的时间戳;当人脸样品A在临时特征库中对应队列a不为空时,在队列a队尾添加提取的人脸特征向量以及对应的时间戳。
进一步地,所述步骤S07中最新的时间戳指的是对应队列中队尾的时间戳。
本发明具有如下有益效果:本发明采用自适应算法对数据库中存储的人脸特征向量进行更新,并且每次获取的图像存在年龄、姿势、光照以及场景的差异,通过多次提取人脸特征向量,可以减少年龄、室内阶段性光照切换造成的不必要偏差;同时通过多次测量可以减少姿势、表情、模糊等随机因素引起的误差;此外本发明定期清理临时特征库,还能有效减少数据库的存储容量。
附图说明
附图1为本发明一种更新数据库中人脸特征向量的方法的流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面结合附图对本发明的具体实施方式做进一步的详细说明。
如附图1所示,一种更新数据库中人脸特征向量的方法,包括如下步骤:
S01:选取数据库,数据库中包括M个人脸样品,人脸样品中可以包括人名、编号、人脸特征向量和时间戳;M为大于0的整数。时间戳用于表示人脸特征向量最近更新的时间。
具体的,数据库可以采用如下方法形成:
S011:采用训练集对神经网络进行训练,得出训练之后的神经网络。具体的神经网络训练方法可以采用现有技术中方法进行,训练集中包括若干个训练对,每个训练对中包含人脸图片和人脸图片对应的标签,同一个人的多个人脸图片对应同一个标签,不同人的人脸对应不同标签。通过若干个训练对的训练,可以得出较为准确的神经网络模型。
经过训练之后的神经网络可以采用验证集进行验证,验证集与训练集类似,只不过二者功能不同。验证集中包括若干个验证对,每个验证对中包含人脸图片和人脸图片对应的标签,同一个人的多个人脸图片对应同一个标签,不同人的人脸对应不同标签。本发明设定训练之后的神经网络在验证集上满足类内最大距离方差小于方差阈值,类间最小距离减去类内最大距离大于距离阈值的概率大于距离阈值。若训练之后的神经网络在验证集上无法满足上述要求,可以重新对神经网络进行训练和验证,直至达到上述要求。优选的,本发明神经网络训练时可以采用centerloss或cosloss等损失函数显式缩短类内距离来完成。
S012:采用训练后的神经网路对人脸进行处理,得出M个人脸样品。
值得说明的是,本发明中数据库的形成方式可以采用现有技术中任意方式,也可以采用现有技术中现成的数据库,本发明的重点在于下述步骤中对于数据库的更新。
S02:感知器获取一张图像,并对图像进行人脸检测,当图像中不存在人脸时,进入步骤S06,当图像中存在人脸时,将该图像打上时间戳,进入步骤S03。
具体的,感知器可以为图像传感器。本发明中对数据库进行更新采用无人脸时更新,有人脸时提取人脸特征向量的方法,即当检测到图像中无人脸时,利用临时特征库对数据库进行更新,当检测到图像中有人脸时,提取人脸特征向量并存储在临时特征库中。
S03:提取图像中人脸特征向量F[x1,x2,…,xn]。本步骤优选的采用步骤S01中训练后的神经网络提取图像中人脸特征向量,采用相同的神经网络提取人脸特征向量,可以减少提取工具带来的误差。
S04:判断提取的人脸特征向量与数据库中人脸特征向量是否属于同一人;若数据库中仅存在一个人脸样品A与上述图像中人脸匹配,则进入步骤S05;若数据库中没有人脸样品与上述图像中人脸匹配或者数据库中存在一个以上的人脸样品与上述图像中人脸匹配时,返回步骤S02。
本步骤中若图像中人脸只与数据库中一个人脸样品匹配,则默认图像中人脸即为数据库中对应的人脸样品,可以继续从图像中提取人脸特征向量;若图像中人脸与数据库中多个人脸样品匹配,或者无法与数据库中人脸样品匹配,则默认图像中人脸不确定属于数据库中哪个人脸样品,在这种情况下,则不对图像进行下一步的提取,认定其无法对数据库进行更新。
具体的,本发明可以采用欧氏距离或者皮尔逊常数或者夹角余弦判断提取的人脸特征向量与数据库中人脸特征向量是否属于同一人。具体的判断方法如现有技术所述,在此不再详细介绍。
优选的,由于神经网络训练的不完备性,这里为了减小更新策略的异常概率,本发明可以采用累进式欧氏距离结合支撑向量机方法判断提取的人脸特征向量与数据库中人脸特征向量是否属于与同一人,具体包括:
S041:选择其中一个人脸样品,计算其与提取人脸特征向量的累进式欧式距离G,G=[∑i∈[1,1](xi-yi)2,∑i∈[1,2](xi-yi)2,…,∑i∈[1,n](xi-yi)2];其中,xi表示图像中提取的人脸特征向量,yi表示人脸样品中的人脸特征向量,且图像中提取的人脸特征向量和人脸样品中的人脸特征向量均为n个,n为大于0的整数。
S042:将累进式欧式距离G输入支撑向量机中,判断提取的人脸特征向量与该人脸样品中人脸特征向量是否属于同一人。本发明中支撑向量机(SVM)参数也是经过训练和验证之后,满足一定条件的SVM参数。将累进式欧式距离G输入SVM中,可以输出两组人脸特征向量是否属于同一人。
S043:重复步骤S041-S042(M-1)次,分别判断提取的人脸特征向量与数据库中其他人脸特征向量是否属于同一人。如果数据库中仅存在一个人匹配成功,则进入步骤S05,如果都不匹配成功,或存在多个匹配成功则进入步骤S02。
S05:将提取的人脸特征向量和时间戳放入临时特征库对应的队列a中;返回步骤S02;其中,临时特征库中包括N个队列,每个队列对应数据库中一个人脸样品;N为整数,且0≤N≤M;
具体的,当人脸样品A在临时特征库中没有对应队列时,创建队列a,并在队列a中添加提取的人脸特征向量以及对应的时间戳;当人脸样品A在临时特征库中对应队列a不为空时,在队列a队尾添加提取的人脸特征向量以及对应的时间戳。
S06:遍历临时特征库中所有队列的队首时间戳,当所有队首时间戳与当前时间的时间间隔小于阈值或临时特征库为空时,返回步骤S02;否则进入步骤S07;
S07:对临时特征库中每个队列中的人脸特征向量分别进行聚类,将聚类中心与数据库中对应人脸样品中人脸特征向量进行加权,得到更新后的人脸特征向量;将更新后的人脸特征向量和最新的时间戳存储在对应的人脸样品中,并清除临时特征库中所有记录,返回步骤S02。本步骤中最新的时间戳指的是对应队列中队尾的时间戳。本步骤中聚类中心与数据库中人脸特征向量的加权系数可以根据实际需求进行设定。
本发明中方法是对固定数据库进行实时更新的过程,若需要停止更新,只需要外部关闭***即可;同时,若需要对新的数据库进行更新,只需要关闭***之后,重新选用新的数据库即可。
本发明采用自适应算法对数据库中存储的人脸特征向量进行更新,并且每次获取的图像存在年龄、姿势、光照以及场景的差异,通过多次提取人脸特征向量,可以减少年龄、室内阶段性光照切换造成的不必要偏差;同时通过多次测量可以减少姿势、表情、模糊等随机因素引起的误差;此外本发明定期清理临时特征库,还能有效减少数据库的存储容量。
以上所述仅为本发明的优选实施例,所述实施例并非用于限制本发明的专利保护范围,因此凡是运用本发明的说明书及附图内容所作的等同结构变化,同理均应包含在本发明所附权利要求的保护范围内。
Claims (9)
1.一种更新数据库中人脸特征向量的方法,其特征在于,包括如下步骤:
S01:选取数据库,所述数据库中包括M个人脸样品,所述人脸样品中包括人脸特征向量和时间戳;M为大于0的整数;
S02:感知器获取一张图像,并对所述图像进行人脸检测,当图像中不存在人脸时,进入步骤S06,当图像中存在人脸时,将该图像打上时间戳,进入步骤S03;
S03:提取所述图像中人脸特征向量;
S04:判断提取的人脸特征向量与数据库中人脸特征向量是否属于同一人;若数据库中仅存在一个人脸样品A与上述图像中人脸匹配,则进入步骤S05;若数据库中没有人脸样品与上述图像中人脸匹配或者数据库中存在一个以上的人脸样品与上述图像中人脸匹配时,返回步骤S02;
S05:将提取的人脸特征向量和时间戳放入临时特征库对应的队列a中;返回步骤S02;其中,所述临时特征库中包括N个队列,每个队列对应数据库中一个人脸样品;N为整数,且0≤N≤M;
S06:遍历临时特征库中所有队列的队首时间戳,当所有队首时间戳与当前时间的时间间隔小于阈值或临时特征库为空时,返回步骤S02;否则进入步骤S07;
S07:对临时特征库中每个队列中的人脸特征向量分别进行聚类,将聚类中心与数据库中对应人脸样品中人脸特征向量进行加权,得到更新后的人脸特征向量;将更新后的人脸特征向量和最新的时间戳存储在对应的人脸样品中,并清除临时特征库中所有记录,返回步骤S02。
2.根据权利要求1所述的一种更新数据库中人脸特征向量的方法,其特征在于,所述步骤S01中数据库的形成过程为:
S011:采用训练集对神经网络进行训练,得出训练之后的神经网络;
S012:采用训练后的神经网路对人脸进行处理,得出M个人脸样品。
3.根据权利要求2所述的一种更新数据库中人脸特征向量的方法,其特征在于,所述训练之后的神经网络在验证集上满足类内最大距离方差小于方差阈值,类间最小距离减去类内最大距离大于距离阈值的概率大于概率阈值。
4.根据权利要求2所述的一种更新数据库中人脸特征向量的方法,其特征在于,所述步骤S03中采用训练后的神经网络提取所述图像中人脸特征向量。
5.根据权利要求1所述的一种更新数据库中人脸特征向量的方法,其特征在于,所述步骤S04中采用欧氏距离或者皮尔逊常数或者夹角余弦判断提取的人脸特征向量与数据库中人脸特征向量是否属于同一人。
6.根据权利要求1所述的一种更新数据库中人脸特征向量的方法,其特征在于,所述步骤S04中采用累进式欧氏距离结合支撑向量机方法判断提取的人脸特征向量与数据库中人脸特征向量是否属于与同一人,具体包括:
S041:选择其中一个人脸样品,计算其与提取人脸特征向量的累进式欧式距离G,
S042:将累进式欧式距离G输入支撑向量机中,判断提取的人脸特征向量与该人脸样品中人脸特征向量是否属于同一人;
S043:重复步骤S041-S042(M-1)次,分别判断提取的人脸特征向量与数据库中其他人脸特征向量是否属于同一人。
7.根据权利要求6所述的一种更新数据库中人脸特征向量的方法,其特征在于,所述累进式欧式距离G=[∑i∈[1,1](xi-yi)2,∑i∈[1,2](xi-yi)2,…,∑i∈[1,n](xi-yi)2];其中,xi表示图像中提取的人脸特征向量,yi表示人脸样品中的人脸特征向量,且图像中提取的人脸特征向量和人脸样品中的人脸特征向量均为n个,n为大于0的整数。
8.根据权利要求1所述的一种更新数据库中人脸特征向量的方法,其特征在于,所述步骤S05中,当人脸样品A在临时特征库中没有对应队列时,创建队列a,并在队列a中添加提取的人脸特征向量以及对应的时间戳;当人脸样品A在临时特征库中对应队列a不为空时,在队列a队尾添加提取的人脸特征向量以及对应的时间戳。
9.根据权利要求8所述的一种更新数据库中人脸特征向量的方法,其特征在于,所述步骤S07中最新的时间戳指的是对应队列中队尾的时间戳。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010435471.0A CN111626173B (zh) | 2020-05-21 | 2020-05-21 | 一种更新数据库中人脸特征向量的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010435471.0A CN111626173B (zh) | 2020-05-21 | 2020-05-21 | 一种更新数据库中人脸特征向量的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111626173A CN111626173A (zh) | 2020-09-04 |
CN111626173B true CN111626173B (zh) | 2023-09-08 |
Family
ID=72272142
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010435471.0A Active CN111626173B (zh) | 2020-05-21 | 2020-05-21 | 一种更新数据库中人脸特征向量的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111626173B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117011922B (zh) * | 2023-09-26 | 2024-03-08 | 荣耀终端有限公司 | 人脸识别方法、设备和存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105938552A (zh) * | 2016-06-29 | 2016-09-14 | 北京旷视科技有限公司 | 底图自动更新的人脸识别方法及装置 |
CN106295482A (zh) * | 2015-06-11 | 2017-01-04 | ***(深圳)有限公司 | 一种人脸数据库的更新方法及装置 |
CN109299709A (zh) * | 2018-12-04 | 2019-02-01 | 中山大学 | 基于人脸识别的数据推荐方法、装置、服务器端及客户端 |
CN110348315A (zh) * | 2019-06-14 | 2019-10-18 | 深圳英飞拓科技股份有限公司 | 动态更新人脸特征底库的方法及装置、人脸抓拍*** |
CN110363150A (zh) * | 2019-07-16 | 2019-10-22 | 深圳市商汤科技有限公司 | 数据更新方法及装置、电子设备和存储介质 |
-
2020
- 2020-05-21 CN CN202010435471.0A patent/CN111626173B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106295482A (zh) * | 2015-06-11 | 2017-01-04 | ***(深圳)有限公司 | 一种人脸数据库的更新方法及装置 |
CN105938552A (zh) * | 2016-06-29 | 2016-09-14 | 北京旷视科技有限公司 | 底图自动更新的人脸识别方法及装置 |
CN109299709A (zh) * | 2018-12-04 | 2019-02-01 | 中山大学 | 基于人脸识别的数据推荐方法、装置、服务器端及客户端 |
CN110348315A (zh) * | 2019-06-14 | 2019-10-18 | 深圳英飞拓科技股份有限公司 | 动态更新人脸特征底库的方法及装置、人脸抓拍*** |
CN110363150A (zh) * | 2019-07-16 | 2019-10-22 | 深圳市商汤科技有限公司 | 数据更新方法及装置、电子设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111626173A (zh) | 2020-09-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8135220B2 (en) | Face recognition system and method based on adaptive learning | |
US10402627B2 (en) | Method and apparatus for determining identity identifier of face in face image, and terminal | |
CN113255694B (zh) | 训练图像特征提取模型和提取图像特征的方法、装置 | |
US8170280B2 (en) | Integrated systems and methods for video-based object modeling, recognition, and tracking | |
WO2006078265A2 (en) | Efficient classification of three dimensional face models for human identification and other applications | |
CN111401171B (zh) | 一种人脸图像的识别方法、装置、电子设备和存储介质 | |
US11403875B2 (en) | Processing method of learning face recognition by artificial intelligence module | |
CN111695502A (zh) | 用于人脸识别的特征更新方法、装置和计算机设备 | |
CN111488798B (zh) | 指纹识别方法、装置、电子设备及存储介质 | |
CN111241928A (zh) | 人脸识别底库优化方法、***、设备、可读存储介质 | |
KR20120080629A (ko) | 인식을 위한 글로벌-로컬 메트릭의 계산 방법 | |
CN111626173B (zh) | 一种更新数据库中人脸特征向量的方法 | |
CN110929555B (zh) | 脸部识别方法与使用此方法的电子装置 | |
JP2011181016A (ja) | 判別器生成装置および方法並びにプログラム | |
Sahbi et al. | Robust face recognition using dynamic space warping | |
CN113762019A (zh) | 特征提取网络的训练方法、人脸识别方法和装置 | |
CN112149517A (zh) | 一种人脸考勤方法、***、计算机设备及存储介质 | |
CN113052197A (zh) | 身份识别的方法、装置、设备和介质 | |
CN115578765A (zh) | 目标识别方法、装置、***及计算机可读存储介质 | |
Sahbi et al. | Robust matching by dynamic space warping for accurate face recognition | |
CN115830618A (zh) | 一种文本识别方法、装置、计算机设备及存储介质 | |
US11580766B2 (en) | Method for detecting at least one biometric trait visible in an input image by means of a convolutional neural network | |
KR100852630B1 (ko) | 비디오 영상에서 확률적 접근법을 이용한 생체인식방법 | |
CN110956098B (zh) | 图像处理方法及相关设备 | |
CN112669836B (zh) | 命令的识别方法、装置及计算机可读存储介质 |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20201203 Address after: 201210, Zhangjiang Road, Zhangjiang, Pudong New Area, No. 497, Gauss Road, Shanghai Applicant after: SHANGHAI IC R & D CENTER Co.,Ltd. Applicant after: Shanghai IC equipment Material Industry Innovation Center Co.,Ltd. Address before: 201210, Zhangjiang Road, Zhangjiang, Pudong New Area, No. 497, Gauss Road, Shanghai Applicant before: SHANGHAI IC R & D CENTER Co.,Ltd. |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |