CN111797746A - 人脸识别方法、装置及计算机可读存储介质 - Google Patents

人脸识别方法、装置及计算机可读存储介质 Download PDF

Info

Publication number
CN111797746A
CN111797746A CN202010600155.4A CN202010600155A CN111797746A CN 111797746 A CN111797746 A CN 111797746A CN 202010600155 A CN202010600155 A CN 202010600155A CN 111797746 A CN111797746 A CN 111797746A
Authority
CN
China
Prior art keywords
face
image
images
target
face 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.)
Pending
Application number
CN202010600155.4A
Other languages
English (en)
Inventor
庞芸萍
姚海
王文明
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Xiaomi Pinecone Electronic Co Ltd
Original Assignee
Beijing Xiaomi Pinecone Electronic Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Xiaomi Pinecone Electronic Co Ltd filed Critical Beijing Xiaomi Pinecone Electronic Co Ltd
Priority to CN202010600155.4A priority Critical patent/CN111797746A/zh
Publication of CN111797746A publication Critical patent/CN111797746A/zh
Priority to EP21151422.9A priority patent/EP3929804A1/en
Priority to US17/149,013 priority patent/US11574502B2/en
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • 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
    • 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
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/24—Aligning, centring, orientation detection or correction of the image
    • G06V10/243—Aligning, centring, orientation detection or correction of the image by compensating for image skew or non-uniform image deformations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/32—Normalisation of the pattern dimensions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/761—Proximity, similarity or dissimilarity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/30—Scenes; Scene-specific elements in albums, collections or shared content, e.g. social network photos or video
    • 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
    • G06V40/165—Detection; Localisation; Normalisation using facial parts and geometric relationships
    • 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
    • G06V40/168—Feature extraction; Face representation
    • G06V40/169—Holistic features and representations, i.e. based on the facial image taken as a whole
    • 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
    • G06V40/171—Local features and components; Facial parts ; Occluding parts, e.g. glasses; Geometrical relationships
    • 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
    • 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
    • G06V40/179—Human faces, e.g. facial parts, sketches or expressions metadata assisted face recognition

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Human Computer Interaction (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Geometry (AREA)
  • Image Analysis (AREA)

Abstract

本公开涉及一种人脸识别方法、装置及计算机可读存储介质，所述方法包括：接收多个待识别图像，其中，所述待识别图像中包含人脸图像部分；提取所述待识别图像中的每一人脸图像；将所述人脸图像分别与图像识别库中的目标图像进行人脸匹配，确定每一所述人脸图像的初始人物识别结果；对所述人脸图像进行分组；针对每一分组，根据所述分组下的每一所述人脸图像的初始人物识别结果，确定所述分组下的所述人脸图像的目标人物识别结果。由此，可以在图像识别库中的目标图像数量较少或图像识别库中的目标图像较为单一时，基于待识别图像中的人脸图像之间的关系，对人脸图像的识别结果进行校正，提高该人脸识别方法的适用范围和人脸识别结果的准确性。

Description

人脸识别方法、装置及计算机可读存储介质
技术领域
本公开涉及图像处理领域，尤其涉及一种人脸识别方法、装置及计算机可读存储介质。
背景技术
相关技术中，人脸识别算法的应用越来越广泛，在工业领域有着重要的应用价值。在实际应用场景中，经常会遇到检索图像数据库每个用户类别中只有单张图片或极少图片的情况，这会导致检索图像数据库的检索多样性很低，从而严重影响人脸识别的准确率。
发明内容
为克服相关技术中存在的问题，本公开提供一种人脸识别方法、装置及计算机可读存储介质。
根据本公开实施例的第一方面，提供一种人脸识别方法，所述方法包括：
接收多个待识别图像，其中，所述待识别图像中包含人脸图像部分；
提取所述待识别图像中的每一人脸图像；
将所述人脸图像分别与图像识别库中的目标图像进行人脸匹配，确定每一所述人脸图像的初始人物识别结果；
对所述人脸图像进行分组；
针对每一分组，根据所述分组下的每一所述人脸图像的初始人物识别结果，确定所述分组下的所述人脸图像的目标人物识别结果。
可选地，所述对所述人脸图像进行分组，包括：
提取所述人脸图像的人脸特征；
基于所述人脸特征对所述待识别图像进行聚类，将属于同一类簇的人脸特征对应的所述人脸图像划分至同一分组。
可选地，所述将所述人脸图像分别与图像识别库中的目标图像进行人脸匹配，确定每一所述人脸图像的初始人物识别结果，包括：
提取所述人脸图像的人脸特征；
根据所述人脸图像的人脸特征与所述目标图像的人脸特征，确定所述人脸图像与所述目标图像之间的相似度；
将与所述人脸图像最相似的目标图像所对应的人物信息确定为所述人脸图像的初始人物识别结果。
可选地，所述提取所述人脸图像的人脸特征，包括：
对所述人脸图像进行关键点提取，获得所述人脸图像对应的关键点；
根据所述关键点对所述人脸图像进行校正，获得目标人脸图像；
根据所述目标人脸图像进行特征提取，获得所述人脸图像对应的人脸特征。
可选地，所述针对每一分组，根据所述分组下的每一所述人脸图像的初始人物识别结果，确定所述分组下的所述人脸图像的目标人物识别结果，包括：
根据所述分组下的每一所述人脸图像的初始人物识别结果，确定所述分组对应的人物以及每一人物的数量；
将数量最多的人物确定为目标人物；
将目标人物的信息确定为所述分组下每一人脸图像的目标人物识别结果。
可选地，所述方法还包括：
分别输出每一分组下的人脸图像所属的所述待识别图像以及所述分组对应的目标人物识别结果。
可选地，所述方法还包括：
分别输出所述待识别图像中的每一人脸图像的目标人物识别结果。
根据本公开实施例的第二方面，提供一种人脸识别装置，所述装置包括：
接收模块，被配置为接收多个待识别图像，其中，所述待识别图像中包含人脸图像部分；
提取模块，被配置为提取所述待识别图像中的每一人脸图像；
第一确定模块，被配置为将所述人脸图像分别与图像识别库中的目标图像进行人脸匹配，确定每一所述人脸图像的初始人物识别结果；
分组模块，被配置为对所述人脸图像进行分组；
第二确定模块，被配置为针对每一分组，根据所述分组下的每一所述人脸图像的初始人物识别结果，确定所述分组下的所述人脸图像的目标人物识别结果。
可选地，所述分组模块包括：
特征提取子模块，被配置为提取所述人脸图像的人脸特征；
聚类子模块，被配置为基于所述人脸特征对所述待识别图像进行聚类，将属于同一类簇的人脸特征对应的所述人脸图像划分至同一分组。
可选地，所述第一确定模块包括：
特征提取子模块，被配置为提取所述人脸图像的人脸特征；
第一确定子模块，被配置为根据所述人脸图像的人脸特征与所述目标图像的人脸特征，确定所述人脸图像与所述目标图像之间的相似度；
第二确定子模块，被配置为将与所述人脸图像最相似的目标图像所对应的人物信息确定为所述人脸图像的初始人物识别结果。
可选地，所述特征提取子模块包括：
第一提取子模块，被配置为对所述人脸图像进行关键点提取，获得所述人脸图像对应的关键点；
校正子模块，被配置为根据所述关键点对所述人脸图像进行校正，获得目标人脸图像；
第二提取子模块，被配置为根据所述目标人脸图像进行特征提取，获得所述人脸图像对应的人脸特征。
可选地，所述第二确定模块包括：
第三确定子模块，被配置为根据所述分组下的每一所述人脸图像的初始人物识别结果，确定所述分组对应的人物以及每一人物的数量；
第四确定子模块，被配置为将数量最多的人物确定为目标人物；
第五确定子模块，被配置为将目标人物的信息确定为所述分组下每一人脸图像的目标人物识别结果。
可选地，所述装置还包括：
第一输出模块，被配置为分别输出每一分组下的人脸图像所属的所述待识别图像以及所述分组对应的目标人物识别结果。
可选地，所述装置还包括：
第二输出模块，被配置为分别输出所述待识别图像中的每一人脸图像的目标人物识别结果。
根据本公开实施例的第三方面，提供一种人脸识别装置，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为：
接收多个待识别图像，其中，所述待识别图像中包含人脸图像部分；
提取所述待识别图像中的每一人脸图像；
将所述人脸图像分别与图像识别库中的目标图像进行人脸匹配，确定每一所述人脸图像的初始人物识别结果；
对所述人脸图像进行分组；
针对每一分组，根据所述分组下的每一所述人脸图像的初始人物识别结果，确定所述分组下的所述人脸图像的目标人物识别结果。
根据本公开实施例的第四方面，提供一种计算机可读存储介质，其上存储有计算机程序指令，该程序指令被处理器执行时实现本公开第一方面所提供的人脸识别方法的步骤。
本公开的实施例提供的技术方案可以包括以下有益效果：
在上述技术方案中，接收多个待识别图像，其中，所述待识别图像中包含人脸图像部分，之后提取所述待识别图像中的每一人脸图像，并将所述人脸图像分别与图像识别库中的目标图像进行人脸匹配，确定每一所述人脸图像的初始人物识别结果；对所述人脸图像进行分组，从而可以针对每一分组，根据所述分组下的每一所述人脸图像的初始人物识别结果，确定所述分组下的所述人脸图像的目标人物识别结果。通过上述技术方案，可以通过图像识别库中的目标图像确定待识别图像中的人脸图像的初始人物识别结果，从而可以保证待识别图像与图像识别库中的目标图像的匹配度。同时通过对待识别图像中的人脸图像进行分组，从而可以结合待识别图像本身的特征对该初始人物识别结果进行校正，可以在图像识别库中的目标图像数量较少或图像识别库中的目标图像较为单一时，基于多个待识别图像中的人脸图像之间的关系，对人脸图像的识别结果进行校正，从而可以提高该人脸识别方法的适用范围和人脸识别结果的准确性。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。
图1是根据一示例性实施例示出的一种人脸识别方法的流程图。
图2是根据一示例性实施例示出的将人脸图像分别与图像识别库中的目标图像进行人脸匹配，确定每一人脸图像的初始人物识别结果的示例性实现方式的流程图。
图3-图5是多个待识别图像中的人脸图像的分布示意图。
图6是根据一示例性实施例示出的一种人脸识别装置的框图。
图7是根据一示例性实施例示出的一种人脸识别装置的框图。
图8是根据一示例性实施例示出的一种人脸识别装置的框图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
图1是根据一示例性实施例示出的一种人脸识别方法的流程图，如图1所示，所述方法包括以下步骤。
在步骤11中，接收多个待识别图像，其中，所述待识别图像中包含人脸图像部分。
作为示例，该多个待识别图像可以是用户进行手机相册整理时对应的多个待识别图像，在该实施例中，该待识别图像中包含的人物较少，人物所对应的时间跨度可能较大。
作为另一示例，该多个待识别图像可以是例如企业团建等大型活动中产生的图像，在该场景中，待识别图像中包含的人物较多。并且，待识别图像为包含的人物过多的合影时，图像抓拍、光照以及角度等会对待识别图像中的人脸识别有较大影响。
在步骤12中，提取待识别图像中的每一人脸图像，其中可以基于现有的人脸检测算法，如可以通过seetaface、mtcnn等人脸检测算法进行检测，从而可以提取出检测到的该待识别图像中的每一人脸图像。
在步骤13中，将人脸图像分别与图像识别库中的目标图像进行人脸匹配，确定每一人脸图像的初始人物识别结果。
其中，图像识别库中的目标图像可以为多个用户自行上传的与该用户对应的图像，由此，可以通过将待识别图像中的人脸图像与该目标图像进行对比，确定该人脸图像与所述目标图像是否匹配，从而确定该人脸图像的初始人物识别结果。
在步骤14中，对人脸图像进行分组，示例地，同一分组下的人脸图像对应于同一人物。
在步骤15中，针对每一分组，根据分组下的每一人脸图像的初始人物识别结果，确定分组下的人脸图像的目标人物识别结果。
其中，可以基于待识别图像中的每一人脸图像的特征对该特征图像进行分组，从而可以在基于图像识别库中的目标图像的特征之外，同时结合待识别图像本身的特征对该分组下的人脸图像的识别结果进行校正。
在上述技术方案中，接收多个待识别图像，其中，所述待识别图像中包含人脸图像部分，之后提取所述待识别图像中的每一人脸图像，并将所述人脸图像分别与图像识别库中的目标图像进行人脸匹配，确定每一所述人脸图像的初始人物识别结果；对所述人脸图像进行分组，从而可以针对每一分组，根据所述分组下的每一所述人脸图像的初始人物识别结果，确定所述分组下的所述人脸图像的目标人物识别结果。通过上述技术方案，可以通过图像识别库中的目标图像确定待识别图像中的人脸图像的初始人物识别结果，从而可以保证待识别图像与图像识别库中的目标图像的匹配度。同时通过对待识别图像中的人脸图像进行分组，从而可以结合待识别图像本身的特征对该初始人物识别结果进行校正，可以在图像识别库中的目标图像数量较少或图像识别库中的目标图像较为单一时，基于多个待识别图像中的人脸图像之间的关系，对人脸图像的识别结果进行校正，从而可以提高该人脸识别方法的适用范围和人脸识别结果的准确性。
为了使本领域技术人员更加理解本发明实施例提供的技术方案，下面对上述步骤进行详细的说明。
可选地，在步骤13中，将人脸图像分别与图像识别库中的目标图像进行人脸匹配，确定每一人脸图像的初始人物识别结果的示例性实现方式如下，如图2所示，该步骤可以包括：
在步骤21中，提取人脸图像的人脸特征。
作为示例，可以基于神经网络预先训练一特征提取模型，从而可以基于该特征提取模型对提取出的人脸图像进行人脸特征提取，示例地，可以将该特征提取模型的全连接层的特征作为所述人脸特征。
在实际使用场景中，不同的待识别图像中的各个人脸图像部分的大小一般不同，在通过特征提取模型直接对提取出的人脸图像进行人脸特征提取时，容易出现特征的模糊或缺失。因此，本公开还提供以下实施例。
作为另一示例，提取人脸图像的人脸特征的另一示例性实现方式如下，该步骤可以包括：
对所述人脸图像进行关键点提取，获得所述人脸图像对应的关键点。
在一实施例中，可以通过现有的关键点提取算法进行提取，例如，ERT(EnsembleofRegressionTress)算法、MDM(MnemonicDescentMethod)等人脸关键点检测方法，从而可以获得人脸图像对应的关键点。
根据所述关键点对所述人脸图像进行校正，获得目标人脸图像。
根据所述目标人脸图像进行特征提取，获得所述人脸图像对应的人脸特征。
作为示例，该人脸图像可以是侧脸的图像，则在根据该关键点对人脸图像进行校正时，可以根据标准图像中各个关键点之间的相对位置关系对该人脸图像的关键点进行调整，示例地，该标准图像为用户预先设置的对应于正脸的图像，从而可以将该侧脸的人脸图像转换成正脸的人脸图像，获得该目标人脸图像，便于对后续人脸特征进行准确提取。
作为另一示例，若该人脸图像较大，则根据该关键点对人脸图像进行校正时，可以根据标准图像中的关键点和该人脸图像的关键点对人脸图像进行相应地缩小，从而可以获得标准图像同样大小的目标人脸图像。同样，若该人脸图像较小，则根据该关键点对人脸图像进行校正时，可以根据标准图像中的关键点和该人脸图像的关键点对人脸图像进行相应地放大，从而可以获得标准图像同样大小的目标人脸图像。由此，可以在后续进行人脸特征提取时，保证输入的人脸图像的标准性，从而可以在一定程度上保证该特征提取模型的适用性，提高提取出的人脸特征的准确性。
作为另一示例，也可以通过标准图像中的关键点对人脸图像进行位置校正和大小校正，具体校正方式在上文已经详述，在此不再赘述。
之后则可以基于该标准化的目标人脸图像，通过特征提取模型进行人脸特征提取，例如，可以将特征提取模型的全连接层的特征作为该人脸特征。
由此，通过上述技术方案，可以将从待识别图像中提取出的人脸图像进行标准化校正，从而可以获得标准化的目标人脸图像，之后基于该目标人脸图像进行人脸特征提取时，则可以有效保证目标人脸图像与特征提取模型的适配性，从而可以有效提高提取出的人脸特征的准确性，并且可以使得该人脸识别方法可以适用于多角度、多人物下的待识别图像中的人脸识别，进而拓宽该人脸识别方法的适用范围。
之后，转回图2中，在步骤22中，根据人脸图像的人脸特征与目标图像的人脸特征，确定人脸图像与目标图像之间的相似度。
示例地，在确定出人脸图像的人脸特征之后，可以计算该人脸特征与目标图像的人脸特征之间的欧氏距离D，则该相似度可以为1-D。其中，计算特征之间的欧氏距离的方式为现有技术，在此不再赘述。
其中，目标图像的人脸特征可以预先通过上文所述的提取人脸特征的方式进行提取，获得目标图像对应的标准化的人脸特征，从而便于对待识别图像进行匹配识别，保证人脸识别结果的准确性。
在步骤23中，将与人脸图像最相似的目标图像所对应的人物信息确定为人脸图像的初始人物识别结果。
其中，接上文示例计算相似度的方式，与人脸图像最相似的目标图像即为与该人脸图像之间相似度最大的目标图像，也就是将与该人脸图像之间的距离最小的目标图像对应的人物信息确定为该人脸图像的初始人物识别结果，从而实现的对该人脸图像的初步识别。
示例地，如图3所示，为多个待识别图像中的人脸图像的分布示意图，其中，其中圆形用于表征实际用户A的人脸图像，方形用于表征实际用户B的人脸图像，图3中可以表征所述人脸图像的初始人物识别结果，其中，白色图形(圆形或方形)中的A、B用于表征该人脸图像的初始人物识别结果，黑色图形用于表征图像识别库中用户A和B的目标图像。
示例地，在实际使用场景中，目标图像可能多为用户A时间较早之前的图像，因此，基于上述识别方式，可能会出现识别结果错误的现象，如图3中所示，虚线的图形所示即为初始人物识别结果错误的人脸图像。因此，为了有效避免上述问题，本公开中通过步骤14和步骤15结合待识别图像本身的相关特征，对待识别图像中的人脸图像进行准确识别。
可选地，对人脸图像进行分组的步骤14的示例性实现方式如下，该步骤可以包括：
提取人脸图像的人脸特征，其中，提取人脸图像的人脸特征的具体实现方式已在上文进行详述，在此不再赘述。
之后，基于所述人脸特征对所述待识别图像进行聚类，将属于同一类簇的人脸特征对应的所述人脸图像划分至同一分组。
示例地，可以计算两两人脸特征之间的欧氏距离，从而根据K-Means(K均值)聚类算法进行聚类，或者采用层次聚类算法进行聚类，本公开对此不进行限定。
通过上述技术方案，可以对各个人脸图像基于其对应的人脸特征进行聚类，聚类后所得的人脸图像对应的类簇如图4所示，其中，C1和C2分别对应于不同的类簇。由此，通过上述技术方案，通过对待识别图像中的人脸图像进行处理，可以基于待识别图像中本身的人脸特征对各个人脸图像进行分类，将对应于同一人物的人脸图像划分至同一分组，从而便于后续对待识别图像中人脸图像的识别结果进行校正，为保证人脸识别结果的准确性提供数据支持。
可选地，在步骤15中，针对每一分组，根据分组下的每一人脸图像的初始人物识别结果，确定分组下的人脸图像的目标人物识别结果的示例性实现方式如下，包括：
根据所述分组下的每一所述人脸图像的初始人物识别结果，确定所述分组对应的人物以及每一人物的数量；
将数量最多的人物确定为目标人物；
将目标人物的信息确定为所述分组下每一人脸图像的目标人物识别结果。
在该实施例中，如图3所示，其中分组C1中对应有人物A和人物B，其中，人物A的数量为7，人物B的数量为4，因此，在该实施例中，可以将人物A确定为目标人物，并将人物A确定为该分组C1每一人脸图像的目标人物识别结果。同样地，确定出分组C2中对应有人物A和人物B，其中，人物A的数量为4，人物B的数量为12，因此，在该实施例中，可以将人物B确定为目标人物，并将人物B确定为该分组C2每一人脸图像的目标人物识别结果。通过上述技术方案确定出的图3中的人脸图像的目标人物识别结果如图5所示，即可以将分组C1中初始人物识别结果为B的人脸图像的目标人物识别结果校正为A，将分组C2中初始人物识别结果为A的人脸图像的目标人物识别结果校正为B，由此可以将对应的人物A和人物B的人脸图像进行准确识别。
由此，通过上述技术方案，通过对人脸图像进行分组，从而可以将相似的人脸图像划分至同一分组，之后可以通过投票算法确定该分组中对应数量最多的人物，可以保证确定出的目标人物的准确性。同时，通过该目标人物的信息对该分组中的人脸图像的识别结果进行校正，可以有效提高该分组下的人脸图像的识别结果的准确性。另外可以通过分组实现对人脸图像的初始人物识别结果的批量校正，从而可以提高人脸识别的效率，进一步提升用户使用体验。
可选地，所述方法还包括：
分别输出每一分组下的人脸图像所属的所述待识别图像以及所述分组对应的目标人物识别结果，其中，该分组对应的目标人物识别结果可以为该分组下的任一人脸图像对应的目标人物识别结果。
其中，在从待识别图像中提取出人脸图像后，可以记录该人脸图像与该待识别图像的对应关系，则在该实施例中，可以在确定出每一分组下的人脸图像的目标人物识别结果后，分别输出每一分组下的人脸图像所属的所述待识别图像以及所述分组对应的目标人物识别结果。如上述示例，针对分组C1而言，可以输出分组C1中的各个人脸图像所属的待识别图像，以及该分组对应的目标人物识别结果，即人物A的信息。示例地，可以在待识别图像中标识该目标人物识别结果所指示的人脸图像。其中分组C2的输出方式与上文所述相同，在此不再赘述。
可选地，作为另一示例，可以接收用户输入的选择指令，则响应于该选择指令，可以将待识别图像中包含该选择指令指示的人物的信息的图像进行输出。例如，用户可以指定输出该待识别图像中包含人物A的图像，则可以在确定出每一人脸图像的目标人物识别结果之后，将目标人物识别结果为人物A的人脸图像所属的待识别图像进行输出。
可选地，作为另一示例，可以按照预设顺序输出每一分组下的人脸图像所属的所述待识别图像以及所述分组对应的目标人物识别结果。例如，在用户整理相册时，其中可能包含同一用户多个历史时期下的图像，则可以针对该分组下的人脸图像，基于现有的年龄计算方式进行年龄确定，从而可以按照年龄由小至大的顺序进行输出。其中，上文所述仅为示例性说明，不对本公开进行限定。
由此，通过上文所述的方案，可以对待识别图像进行人脸识别，从而可以基于待识别图像的识别结果，按照目标人物识别结果的分类进行输出，从而便于用户区分待识别图像中的每一目标人物所对应的图像，对待识别图像进行分类整理并输出，可以有效降低用户的整理操作，提升用户使用体验。
可选地，所述方法还包括：
分别输出所述待识别图像中的每一人脸图像的目标人物识别结果。
在该实施例中，可以在该待识别图像中的每一人脸图像中标识该目标人物识别结果，即标识目标人物的信息，示例地可以通过人脸框的方式进行标识，该目标人物的信息可以是目标人物的姓名或者ID等，由此，可以使得用户基于该输出的结果从待识别图像快速中确定其包含每一人物，便于用户对待识别图像中的人物进行区分，同时提高人脸识别方法输出结果的多样性，从而可以在一定程度上提高该人脸识别方法的适用范围。
本公开还提供一种人脸识别装置，如图6所示，所述装置10包括：
接收模块100，被配置为接收多个待识别图像，其中，所述待识别图像中包含人脸图像部分；
提取模块200，被配置为提取所述待识别图像中的每一人脸图像；
第一确定模块300，被配置为将所述人脸图像分别与图像识别库中的目标图像进行人脸匹配，确定每一所述人脸图像的初始人物识别结果；
分组模块400，被配置为对所述人脸图像进行分组；
第二确定模块500，被配置为针对每一分组，根据所述分组下的每一所述人脸图像的初始人物识别结果，确定所述分组下的所述人脸图像的目标人物识别结果。
可选地，所述分组模块包括：
特征提取子模块，被配置为提取所述人脸图像的人脸特征；
聚类子模块，被配置为基于所述人脸特征对所述待识别图像进行聚类，将属于同一类簇的人脸特征对应的所述人脸图像划分至同一分组。
可选地，所述第一确定模块包括：
特征提取子模块，被配置为提取所述人脸图像的人脸特征；
第一确定子模块，被配置为根据所述人脸图像的人脸特征与所述目标图像的人脸特征，确定所述人脸图像与所述目标图像之间的相似度；
第二确定子模块，被配置为将与所述人脸图像最相似的目标图像所对应的人物信息确定为所述人脸图像的初始人物识别结果。
可选地，所述特征提取子模块包括：
第一提取子模块，被配置为对所述人脸图像进行关键点提取，获得所述人脸图像对应的关键点；
校正子模块，被配置为根据所述关键点对所述人脸图像进行校正，获得目标人脸图像；
第二提取子模块，被配置为根据所述目标人脸图像进行特征提取，获得所述人脸图像对应的人脸特征。
可选地，所述第二确定模块包括：
第三确定子模块，被配置为根据所述分组下的每一所述人脸图像的初始人物识别结果，确定所述分组对应的人物以及每一人物的数量；
第四确定子模块，被配置为将数量最多的人物确定为目标人物；
第五确定子模块，被配置为将目标人物的信息确定为所述分组下每一人脸图像的目标人物识别结果。
可选地，所述装置还包括：
第一输出模块，被配置为分别输出每一分组下的人脸图像所属的所述待识别图像以及所述分组对应的目标人物识别结果。
可选地，所述装置还包括：
第二输出模块，被配置为分别输出所述待识别图像中的每一人脸图像的目标人物识别结果。
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
本公开还提供一种计算机可读存储介质，其上存储有计算机程序指令，该程序指令被处理器执行时实现本公开提供的人脸识别方法的步骤。
图7是根据一示例性实施例示出的一种人脸识别装置800的框图。例如，装置800可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等。
参照图7，装置800可以包括以下一个或多个组件：处理组件802，存储器804，电力组件806，多媒体组件808，音频组件810，输入/输出(I/O)的接口812，传感器组件814，以及通信组件816。
处理组件802通常控制装置800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述的人脸识别方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在装置800的操作。这些数据的示例包括用于在装置800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。
电力组件806为装置800的各种组件提供电力。电力组件806可以包括电源管理***，一个或多个电源，及其他与为装置800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述装置800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕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。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当装置800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜***或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(MIC)，当装置800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。
I/O接口812为处理组件802和***接口模块之间提供接口，上述***接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器，用于为装置800提供各个方面的状态评估。例如，传感器组件814可以检测到装置800的打开/关闭状态，组件的相对定位，例如所述组件为装置800的显示器和小键盘，传感器组件814还可以检测装置800或装置800一个组件的位置改变，用户与装置800接触的存在或不存在，装置800方位或加速/减速和装置800的温度变化。传感器组件814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。传感器组件814还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。
通信组件816被配置为便于装置800和其他设备之间有线或无线方式的通信。装置800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。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理***的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件816还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。
在示例性实施例中，装置800可以被一个或多个应用专用集成电路(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，用于执行上述人脸识别方法。
在示例性实施例中，还提供了一种包括指令的非临时性计算机可读存储介质，例如包括指令的存储器804，上述指令可由装置800的处理器820执行以完成上述人脸识别方法。例如，所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
在另一示例性实施例中，还提供一种计算机程序产品，该计算机程序产品包含能够由可编程的装置执行的计算机程序，该计算机程序具有当由该可编程的装置执行时用于执行上述的人脸识别方法的代码部分。
图8是根据一示例性实施例示出的一种人脸识别装置1900的框图。例如，装置1900可以被提供为一服务器。参照图8，装置1900包括处理组件1922，其进一步包括一个或多个处理器，以及由存储器1932所代表的存储器资源，用于存储可由处理组件1922的执行的指令，例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件1922被配置为执行指令，以执行上述人脸识别方法。
装置1900还可以包括一个电源组件1926被配置为执行装置1900的电源管理，一个有线或无线网络接口1950被配置为将装置1900连接到网络，和一个输入输出(I/O)接口1958。装置1900可以操作基于存储在存储器1932的操作***，例如Windows ServerTM，MacOS XTM，UnixTM，LinuxTM，FreeBSDTM或类似。
本领域技术人员在考虑说明书及实践本公开后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求指出。
应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。

Claims (10)

1.一种人脸识别方法，其特征在于，所述方法包括：
接收多个待识别图像，其中，所述待识别图像中包含人脸图像部分；
提取所述待识别图像中的每一人脸图像；
将所述人脸图像分别与图像识别库中的目标图像进行人脸匹配，确定每一所述人脸图像的初始人物识别结果；
对所述人脸图像进行分组；
针对每一分组，根据所述分组下的每一所述人脸图像的初始人物识别结果，确定所述分组下的所述人脸图像的目标人物识别结果。
2.根据权利要求1所述的方法，其特征在于，所述对所述人脸图像进行分组，包括：
提取所述人脸图像的人脸特征；
基于所述人脸特征对所述待识别图像进行聚类，将属于同一类簇的人脸特征对应的所述人脸图像划分至同一分组。
3.根据权利要求1所述的方法，其特征在于，所述将所述人脸图像分别与图像识别库中的目标图像进行人脸匹配，确定每一所述人脸图像的初始人物识别结果，包括：
提取所述人脸图像的人脸特征；
根据所述人脸图像的人脸特征与所述目标图像的人脸特征，确定所述人脸图像与所述目标图像之间的相似度；
将与所述人脸图像最相似的目标图像所对应的人物信息确定为所述人脸图像的初始人物识别结果。
4.根据权利要求2或3所述的方法，其特征在于，所述提取所述人脸图像的人脸特征，包括：
对所述人脸图像进行关键点提取，获得所述人脸图像对应的关键点；
根据所述关键点对所述人脸图像进行校正，获得目标人脸图像；
根据所述目标人脸图像进行特征提取，获得所述人脸图像对应的人脸特征。
5.根据权利要求1所述的方法，其特征在于，所述针对每一分组，根据所述分组下的每一所述人脸图像的初始人物识别结果，确定所述分组下的所述人脸图像的目标人物识别结果，包括：
根据所述分组下的每一所述人脸图像的初始人物识别结果，确定所述分组对应的人物以及每一人物的数量；
将数量最多的人物确定为目标人物；
将目标人物的信息确定为所述分组下每一人脸图像的目标人物识别结果。
6.根据权利要求1所述的方法，其特征在于，所述方法还包括：
分别输出每一分组下的人脸图像所属的所述待识别图像以及所述分组对应的目标人物识别结果。
7.根据权利要求1所述的方法，其特征在于，所述方法还包括：
分别输出所述待识别图像中的每一人脸图像的目标人物识别结果。
8.一种人脸识别装置，其特征在于，所述装置包括：
接收模块，被配置为接收多个待识别图像，其中，所述待识别图像中包含人脸图像部分；
提取模块，被配置为提取所述待识别图像中的每一人脸图像；
第一确定模块，被配置为将所述人脸图像分别与图像识别库中的目标图像进行人脸匹配，确定每一所述人脸图像的初始人物识别结果；
分组模块，被配置为对所述人脸图像进行分组；
第二确定模块，被配置为针对每一分组，根据所述分组下的每一所述人脸图像的初始人物识别结果，确定所述分组下的所述人脸图像的目标人物识别结果。
9.一种人脸识别装置，其特征在于，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为：
接收多个待识别图像，其中，所述待识别图像中包含人脸图像部分；
提取所述待识别图像中的每一人脸图像；
将所述人脸图像分别与图像识别库中的目标图像进行人脸匹配，确定每一所述人脸图像的初始人物识别结果；
对所述人脸图像进行分组；
针对每一分组，根据所述分组下的每一所述人脸图像的初始人物识别结果，确定所述分组下的所述人脸图像的目标人物识别结果。
10.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，该程序指令被处理器执行时实现权利要求1-7中任一项所述方法的步骤。
CN202010600155.4A 2020-06-28 2020-06-28 人脸识别方法、装置及计算机可读存储介质 Pending CN111797746A (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202010600155.4A CN111797746A (zh) 2020-06-28 2020-06-28 人脸识别方法、装置及计算机可读存储介质
EP21151422.9A EP3929804A1 (en) 2020-06-28 2021-01-13 Method and device for identifying face, computer program, and computer-readable storage medium
US17/149,013 US11574502B2 (en) 2020-06-28 2021-01-14 Method and device for identifying face, and computer-readable storage medium

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010600155.4A CN111797746A (zh) 2020-06-28 2020-06-28 人脸识别方法、装置及计算机可读存储介质

Publications (1)

Publication Number Publication Date
CN111797746A true CN111797746A (zh) 2020-10-20

Family

ID=72803851

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010600155.4A Pending CN111797746A (zh) 2020-06-28 2020-06-28 人脸识别方法、装置及计算机可读存储介质

Country Status (3)

Country Link
US (1) US11574502B2 (zh)
EP (1) EP3929804A1 (zh)
CN (1) CN111797746A (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111797746A (zh) * 2020-06-28 2020-10-20 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
CN114674291B (zh) * 2022-05-26 2022-08-26 西安大地测绘股份有限公司 一种基于手机前后置摄像头拍照的室内定位校核方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2013082957A1 (zh) * 2011-12-07 2013-06-13 惠州Tcl移动通信有限公司 人脸识别方法及能识别人脸的移动终端
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
CN109063580A (zh) * 2018-07-09 2018-12-21 北京达佳互联信息技术有限公司 人脸识别方法、装置、电子设备及存储介质
CN109829433A (zh) * 2019-01-31 2019-05-31 北京市商汤科技开发有限公司 人脸图像识别方法、装置、电子设备及存储介质
CN111325156A (zh) * 2020-02-24 2020-06-23 北京沃东天骏信息技术有限公司 人脸识别方法、装置、设备和存储介质

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9639740B2 (en) * 2007-12-31 2017-05-02 Applied Recognition Inc. Face detection and recognition
JP2011516966A (ja) * 2008-04-02 2011-05-26 グーグル インコーポレイテッド デジタル画像集合内に自動顔認識を組み込む方法および装置
WO2010006367A1 (en) * 2008-07-16 2010-01-21 Imprezzeo Pty Ltd Facial image recognition and retrieval
JP2012252447A (ja) * 2011-06-01 2012-12-20 Sony Corp 情報処理装置および方法、記録媒体、並びにプログラム
US9183429B2 (en) * 2012-08-15 2015-11-10 Qualcomm Incorporated Method and apparatus for facial recognition
CN204129314U (zh) * 2014-05-22 2015-01-28 宁波舜宇光电信息有限公司 一种摄像光学镜组及虹膜摄像模组
CN105095873B (zh) * 2015-07-31 2018-12-18 小米科技有限责任公司 照片共享方法、装置
US10043058B2 (en) * 2016-03-09 2018-08-07 International Business Machines Corporation Face detection, representation, and recognition
CN110147710B (zh) 2018-12-10 2023-04-18 腾讯科技（深圳）有限公司 人脸特征的处理方法、装置和存储介质
CN111797746A (zh) * 2020-06-28 2020-10-20 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
CN112270303A (zh) * 2020-11-17 2021-01-26 北京百度网讯科技有限公司 图像识别方法、装置以及电子设备

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2013082957A1 (zh) * 2011-12-07 2013-06-13 惠州Tcl移动通信有限公司 人脸识别方法及能识别人脸的移动终端
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
CN109063580A (zh) * 2018-07-09 2018-12-21 北京达佳互联信息技术有限公司 人脸识别方法、装置、电子设备及存储介质
CN109829433A (zh) * 2019-01-31 2019-05-31 北京市商汤科技开发有限公司 人脸图像识别方法、装置、电子设备及存储介质
CN111325156A (zh) * 2020-02-24 2020-06-23 北京沃东天骏信息技术有限公司 人脸识别方法、装置、设备和存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
冷凯群;: "人脸图像识别***设计", 电脑迷, no. 11 *
寇毛蕊;: "基于Matlab的人脸识别***设计", 软件导刊, no. 11 *

Also Published As

Publication number Publication date
US20210406524A1 (en) 2021-12-30
US11574502B2 (en) 2023-02-07
EP3929804A1 (en) 2021-12-29

Similar Documents

Publication Publication Date Title
CN106651955B (zh) 图片中目标物的定位方法及装置
US11120078B2 (en) Method and device for video processing, electronic device, and storage medium
US20210224592A1 (en) Method and device for training image recognition model, and storage medium
CN109934275B (zh) 图像处理方法及装置、电子设备和存储介质
CN110532956B (zh) 图像处理方法及装置、电子设备和存储介质
CN110781957A (zh) 图像处理方法及装置、电子设备和存储介质
CN111259967B (zh) 图像分类及神经网络训练方法、装置、设备及存储介质
CN109034150B (zh) 图像处理方法及装置
CN110781813B (zh) 图像识别方法及装置、电子设备和存储介质
US11551465B2 (en) Method and apparatus for detecting finger occlusion image, and storage medium
CN110717399A (zh) 人脸识别方法和电子终端设备
CN112150457A (zh) 视频检测方法、装置及计算机可读存储介质
CN112200040A (zh) 遮挡图像检测方法、装置及介质
CN110796094A (zh) 基于图像识别的控制方法及装置、电子设备和存储介质
KR20160150635A (ko) 클라우드 카드를 추천하기 위한 방법 및 장치
CN112927122A (zh) 水印去除方法、装置及存储介质
CN114332503A (zh) 对象重识别方法及装置、电子设备和存储介质
CN111797746A (zh) 人脸识别方法、装置及计算机可读存储介质
CN115238787A (zh) 异常数据检测方法、装置、设备及存储介质
CN106331328B (zh) 信息提示的方法及装置
CN110929545A (zh) 人脸图像的整理方法及装置
CN112381091A (zh) 视频内容识别方法、装置、电子设备及存储介质
CN110110742B (zh) 多特征融合方法、装置、电子设备及存储介质
CN111651627A (zh) 数据处理方法及装置、电子设备和存储介质
WO2021061045A2 (zh) 堆叠物体的识别方法及装置、电子设备和存储介质

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