CN112183480B - 一种人脸识别方法、装置、终端设备及存储介质 - Google Patents
一种人脸识别方法、装置、终端设备及存储介质 Download PDFInfo
- Publication number
- CN112183480B CN112183480B CN202011180098.5A CN202011180098A CN112183480B CN 112183480 B CN112183480 B CN 112183480B CN 202011180098 A CN202011180098 A CN 202011180098A CN 112183480 B CN112183480 B CN 112183480B
- Authority
- CN
- China
- Prior art keywords
- face
- face image
- feature matrix
- image
- recognition algorithm
- 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
- 238000000034 method Methods 0.000 title claims abstract description 62
- 239000011159 matrix material Substances 0.000 claims abstract description 327
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 144
- 238000012545 processing Methods 0.000 claims abstract description 53
- 238000013507 mapping Methods 0.000 claims abstract description 27
- 230000017105 transposition Effects 0.000 claims description 26
- 238000004590 computer program Methods 0.000 claims description 22
- 238000007781 pre-processing Methods 0.000 claims description 11
- 230000009466 transformation Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 description 27
- 239000013598 vector Substances 0.000 description 10
- 230000006870 function Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 7
- 238000000605 extraction Methods 0.000 description 7
- 230000004044 response Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000001815 facial effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
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
- G06V40/168—Feature extraction; Face representation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Collating Specific Patterns (AREA)
- Image Analysis (AREA)
Abstract
本申请适用于数字图像处理技术领域,提供了一种人脸识别方法、装置、终端设备及存储介质。本申请实施例中根据第一人脸识别算法对第一人脸图像进行处理,生成第一元特征矩阵;根据第二人脸识别算法对第二人脸图像进行处理,生成第二元特征矩阵;根据第一人脸识别算法对授权人脸图像进行处理,生成授权人脸特征矩阵,对第一元特征矩阵和授权人脸特征矩阵进行映射处理得到第一特征矩阵;根据第二人脸识别算法对待测人脸图像进行处理,生成待测人脸特征矩阵,对第二元特征矩阵和待测人脸特征矩阵进行映射处理得到第二特征矩阵;根据第一特征矩阵和第二特征矩阵计算相似度,当相似度大于预设阈值时,人脸识别成功,从而提高不同模态的人脸识别效率。
Description
技术领域
本申请属于数字图像处理技术领域,尤其涉及一种人脸识别方法、装置、终端设备及存储介质。
背景技术
随着社会的发展,人脸识别在人们的生活中越来越常见,而在现有的人脸识别技术中,采用不同的人脸识别算法得到的人脸特征数据一般不具有可比性,也就是说利用不同算法输出的关于人脸图像的特征描述基本毫不相关,并且无法直接进行特征相似度的对比。因不同模态的人脸对应不同的人脸识别算法,而导致不同模态的人脸不能直接进行对比,例如同一个人的彩色人脸图像和红外人脸图像不能直接进行对比以识别彩色人脸和红外人脸是否为同一个人。而倘若利用现有的跨模态的人脸识别模型进行不同模态的人脸识别,通常需要大量的跨模态数据进行混合训练来得到,不仅整个过程的时间周期较长,而且不同模态的人脸识别效率较低。
发明内容
本申请实施例提供了一种人脸识别方法、装置、终端设备及存储介质,可以解决不同模态的人脸识别效率较低的问题。
第一方面,本申请实施例提供了一种人脸识别方法,包括:
获取预设目标群体的第一人脸图像,根据预设的第一人脸识别算法对所述第一人脸图像进行处理,生成第一元特征矩阵;
获取所述目标群体的第二人脸图像,根据预设的第二人脸识别算法对所述第二人脸图像进行处理,生成第二元特征矩阵;
获取授权人脸图像,根据所述第一人脸识别算法对所述授权人脸图像进行处理,生成授权人脸特征矩阵,并对所述第一元特征矩阵和所述授权人脸特征矩阵进行映射处理得到第一特征矩阵;
获取待测人脸图像,根据所述第二人脸识别算法对所述待测人脸图像进行处理,生成待测人脸特征矩阵,并对所述第二元特征矩阵和所述待测人脸特征矩阵进行映射处理得到第二特征矩阵;
根据所述第一特征矩阵和所述第二特征矩阵计算所述待测人脸图像与所述授权人脸图像之间的相似度,当所述相似度大于预设阈值时,人脸识别成功。
可选的,所述对所述第一元特征矩阵和所述授权人脸特征矩阵进行映射处理得到第一特征矩阵,包括:
对所述授权人脸特征矩阵进行转置操作,生成第一转置矩阵;
将所述第一转置矩阵乘以所述第一元特征矩阵得到第一特征矩阵;
可选的,所述对所述第二元特征矩阵和所述待测人脸特征矩阵进行映射处理得到第二特征矩阵,包括:
对所述待测人脸特征矩阵进行转置操作,生成第二转置矩阵;
将所述第二转置矩阵乘以所述第二元特征矩阵得到第二特征矩阵。
可选的,所述根据所述第一特征矩阵和所述第二特征矩阵计算所述待测人脸图像与所述授权人脸图像之间的相似度,包括:
对所述第二特征矩阵进行转置操作,生成第三转置矩阵;
计算所述第三转置矩阵与所述第一特征矩阵的乘积,得到所述相似度。
可选的,所述根据所述第一人脸识别算法对所述授权人脸图像进行处理,还包括:
以预设方式对所述授权人脸图像进行预处理,并根据所述第一人脸识别算法对完成预处理的授权人脸图像进行处理。
可选的,所述以预设方式对所述授权人脸图像进行预处理,包括:
获取预设数量的人脸特征坐标,根据所述人脸特征坐标进行授权人脸图像中的人脸对齐;
对完成人脸对齐的授权人脸图像进行预设规格的图像尺度变换;
对完成图像尺度变换的授权人脸图像进行图像像素归一化处理。
第二方面,本申请实施例提供了一种人脸识别装置,包括:
第一元矩阵生成模块,用于获取预设目标群体的第一人脸图像,根据预设的第一人脸识别算法对所述第一人脸图像进行处理,生成第一元特征矩阵;
第二元矩阵生成模块,用于获取所述目标群体的第二人脸图像,根据预设的第二人脸识别算法对所述第二人脸图像进行处理,生成第二元特征矩阵;
第一矩阵生成模块,用于获取授权人脸图像,根据所述第一人脸识别算法对所述授权人脸图像进行处理,生成授权人脸特征矩阵,并对所述第一元特征矩阵和所述授权人脸特征矩阵进行映射处理得到第一特征矩阵;
第二矩阵生成模块,用于获取待测人脸图像,根据所述第二人脸识别算法对所述待测人脸图像进行处理,生成待测人脸特征矩阵,并对所述第二元特征矩阵和所述待测人脸特征矩阵进行映射处理得到第二特征矩阵;
相似度计算模块,用于根据所述第一特征矩阵和所述第二特征矩阵计算所述待测人脸图像与所述授权人脸图像之间的相似度,当所述相似度大于预设阈值时,人脸识别成功。
第三方面,本申请实施例提供了一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述任一种人脸识别方法的步骤。
第四方面,本申请实施例提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述的计算机程序被处理器执行时实现上述任一种人脸识别方法的步骤。
第五方面,本申请实施例提供了一种计算机程序产品,当计算机程序产品在终端设备上运行时,使得终端设备执行上述第一方面中任一种人脸识别方法。
本申请实施例中获取预设目标群体的第一人脸图像,根据预设的第一人脸识别算法对所述第一人脸图像进行处理,生成第一元特征矩阵;获取所述目标群体的第二人脸图像,根据预设的第二人脸识别算法对所述第二人脸图像进行处理,生成第二元特征矩阵;获取授权人脸图像,根据所述第一人脸识别算法对所述授权人脸图像进行处理,生成授权人脸特征矩阵,并对所述第一元特征矩阵和所述授权人脸特征矩阵进行映射处理得到第一特征矩阵;获取待测人脸图像,根据所述第二人脸识别算法对所述待测人脸图像进行处理,生成待测人脸特征矩阵,并对所述第二元特征矩阵和所述待测人脸特征矩阵进行映射处理得到第二特征矩阵;根据所述第一特征矩阵和所述第二特征矩阵计算所述待测人脸图像与所述授权人脸图像之间的相似度,当所述相似度大于预设阈值时,人脸识别成功。通过本申请实施例利用预设目标群体的第一人脸图像和第二人脸图像,分别对应于第一人脸识别算法和第二人脸识别算法,得到同一目标群体不同人脸识别算法得到的元特征矩阵,再利用第一人脸识别算法和第二人脸识别算法分别就不同模态的授权人脸图像和待测人脸图像进行处理得到对应的特征矩阵,再将利用同一人脸识别算法下的元特征矩阵和特征矩阵进行映射处理,从而将不同模态的授权人脸图像和待测人脸图像映射至同一层次进行比较,并得到相似度,从而提高了不同模态的人脸识别效率。
附图说明
为了更清楚地说明本申请实施例中的技术方案,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申请的一些实施例,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是本申请实施例提供的人脸识别方法的第一种流程示意图;
图2是本申请实施例提供的人脸识别方法的第二种流程示意图;
图3是本申请实施例提供的人脸识别方法的第三种流程示意图;
图4是本申请实施例提供的人脸识别方法的第四种流程示意图;
图5是本申请实施例提供的人脸识别装置的结构示意图;
图6是本申请实施例提供的终端设备的结构示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定***结构、技术之类的具体细节,以便透彻理解本申请实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中,省略对众所周知的***、装置、电路以及方法的详细说明,以免不必要的细节妨碍本申请的描述。
应当理解,当在本申请说明书和所附权利要求书中使用时,术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
如在本申请说明书和所附权利要求书中所使用的那样,术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地,短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外,在本申请说明书和所附权利要求书的描述中,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
图1所示为本申请实施例中一种人脸识别方法的流程示意图,该方法的执行主体可以是终端设备,如图1所示,所述人脸识别方法可以包括如下步骤:
步骤S101、获取预设目标群体的第一人脸图像,根据预设的第一人脸识别算法对所述第一人脸图像进行处理,生成第一元特征矩阵。
在本实施例中,为了使不同模态的人脸图像能够进行识别比对,终端设备可加入第三方参数,以便于完成人脸特征矩阵的映射处理。终端设备可随机获取一组用户的人脸图像,所获取的图像需适用于当前所进行的人脸识别算法,也就是上述预设目标群体的第一人脸图像,并根据上述第一人脸识别算法对该目标群体的第一人脸图像进行处理,以得到该目标群体对应于第一人脸识别算法的多维度的人脸特征向量,该多维度的人脸特征向量可以组成上述第一元特征矩阵。其中,上述目标群体为终端设备随机选取的预设数量的用户;上述第一人脸识别算法为可以进行人脸识别的算法,包括但不限于是基于彩色图像的人脸识别算法、基于红外图像的人脸识别算法、基于深度图像的人脸识别算法等,相应的,上述第一人脸图像为适用于第一人脸识别算法的目标群体的人脸图像,包括但不限于是彩色人脸图像、红外人脸图像、深度人脸图像等;上述第一元特征矩阵是可以表示该目标群体利用第一人脸识别算法得到的人脸特征。
具体示例而非限定的,目标群体的人脸图像作为描述人脸的标准,需要尽量包含不同性别、不同年龄、不同肤色的人种,以便起到标准的作用。若当前的目标群体为384位明星,那么可随机获取384张明星的彩色人脸图像,利用基于彩色图像的人脸识别算法,也就是第一人脸识别算法对384张明星的彩色人脸图像进行处理,生成384个维度为128维的人脸特征向量,也就是128*384的第一元特征矩阵,以表示384位明星的人脸特征。
步骤S102、获取所述目标群体的第二人脸图像,根据预设的第二人脸识别算法对所述第二人脸图像进行处理,生成第二元特征矩阵。
在本实施例中,因存在待识别用户的人脸图像需用另一种人脸识别算法进行人脸特征提取,故终端设备获取上述第一元特征矩阵的建立所依据的目标群体的第二人脸图像,并根据上述第二人脸识别算法对该目标群体的第二人脸图像进行处理,以得到该目标群体对应于第二人脸识别算法的多维度的人脸特征响亮,该多维度的人脸特征向量可以组成上述第二元特征矩阵。其中,上述第二人脸识别算法为可以进行人脸识别的算法,包括但不限于是基于彩色图像的人脸识别算法、基于红外图像的人脸识别算法、基于深度图像的人脸识别算法等,相应的,上述第二人脸图像为适用于第二人脸识别算法的目标群体的人脸图像,包括但不限于是彩色人脸图像、红外人脸图像、深度人脸图像等;上述第二元特征矩阵是可以表示该目标群体利用第二人脸识别算法得到的人脸特征。
具体示例而非限定的,因当前的目标群体为384位明星,那么可随机获取384张明星的红外人脸图像,利用基于红外图像的人脸识别算法,也就是第二人脸识别算法对384张明星的红外人脸图像进行处理,生成384个维度为256维的人脸特征向量,也就是256*384的第二元特征矩阵,以表示384位明星的人脸特征。
步骤S103、获取授权人脸图像,根据所述的第一人脸识别算法对所述授权人脸图像进行处理,生成授权人脸特征矩阵,并对所述第一元特征矩阵和所述授权人脸特征矩阵进行映射处理得到第一特征矩阵。
在本实施例中,需预先将已经授权过的人脸图像录入数据库中,以便于根据授权的人脸图像来执行待识别用户的待测人脸图像的人脸识别,从而根据人脸识别结果决定是否对当前待识别用户开放或执行相应的功能,而在这一过程中可能存在预先录入数据库的授权人脸图像与当前等待识别的待测人脸图像的模态不一致的情况,例如,预先录入数据库的授权人脸图像是彩色人脸图像,而当前等待测试的待测人脸图像是利用红外相机得到的红外人脸图像,而在这一情况下,因图像的模态不同,而导致其对应的人脸识别算法也不同,所以就算当前授权人脸图像与待测人脸图像为同一用户的人脸图像,也会因采用不同的人脸识别算法所提取的人脸特征维度的不同,而导致后续所得到人脸特征因不同维度的特征向量并不具备可比性的这一特点,而没有可比性。
因此,终端设备可在获取授权人脸图像,并根据预设的第一人脸识别算法对所获取的授权人脸图像进行处理,生成授权人脸特征矩阵后,利用预先利用根据第一人脸识别算法对目标群体的第一人脸图像得到的第一元特征矩阵来参与进该授权人脸特征矩阵的映射处理过程中,也就是将当前所得到用来表示授权人脸图像的面部特征的授权人脸特征矩阵映射到另一空间中,以便于后续面对不同模态的待测人脸图像时可进行比对识别,从而使不同模态的人脸图像具有可比性,提高了部署人脸识别***的灵活性。其中,上述第一人脸识别算法为可以进行人脸识别的算法,包括但不限于是基于彩色图像的人脸识别算法、基于红外图像的人脸识别算法、基于深度图像的人脸识别算法等,相应的,上述授权人脸图像和待测人脸图像包括但不限于是彩色人脸图像、红外人脸图像、深度人脸图像等。
具体示例而非限定的,将某一企业500位员工的彩色人脸图像预先输入给终端设备,终端设备可利用基于彩色图像的人脸识别算法对上述500位员工的彩色人脸图像进行处理,而这里基于彩色图像的人脸识别算法也就是上述第一人脸识别算法。设上述基于彩色图像的人脸识别算法对人脸图像进行识别后,可得到维度为128维的人脸特征向量,那么500位员工的彩色人脸图像即可得到500个128*1的授权人脸特征矩阵,之后再将上述示例中的128*384的第一元特征矩阵和这500个授权人脸特征矩阵进行映射处理即可得到映射为另一空间的500个第一特征矩阵。
可选的,在当前存在等待进行人脸识别的待测人脸图像时,终端设备所预先获取的授权人脸图像,可以是预先存储进终端设备的授权人脸图像,也可以是从不同厂商的人脸识别数据库中直接调取的授权人脸图像,又或者是不同历史版本的人脸识别数据库中所获取的授权人脸图像,因不同的人脸识别数据库,就算是同一模态的人脸图像,可能需用到不同的人脸识别算法,故终端设备在处理数据库中的授权人脸图像时,也可进行对应的映射处理,以便于与后续的待测试的待测人脸图像具有可比性,该过程更加智能化的拓展了终端设备可利用不同数据库的人脸图像进行人脸识别。
具体示例而非限定的,倘若当前授权人脸图像和待测人脸图像均为彩色图像,利用第一种人脸识别算法可能会输出128维度的人脸特征数据,而利用第二种人脸识别算法则可能会输出256维度的人脸特征数据,因其输出的人脸特征向量的维度是不同的,而导致上述授权人脸图像和待测人脸图像不具可比性。
可选的,因不同模态的图像对应不同的人脸识别算法,故当终端设备获取授权人脸图像后,对上述授权人脸图像进行判断识别,当判断识别出上述授权人脸图像适用于预先在其内部存储的第一人脸识别算法时,终端设备利用所确定出的第一人脸识别算法对上述授权人脸图像进行处理。
可以理解的是,因人脸是非刚性的,故对人脸识别主要包括人脸图像预处理、图像特征提取以及分类识别。而人脸图像包括颜色、纹理和形状三个特征,其中,针对于人脸图像的特征提取一般为提取纹理结构特征,可分为时域内的特征提取和频率内的特征提取。而时域内的特征提取主要是,利用对图像进行仿射、映射、特殊矩阵、邻域内像素点间关系等方法进行全局或局部的结构描述;频率内的特征提取则是将包含人脸特征的图像矩阵作为信号,通过信号分析的方法对图像进行处理,再进行重构,其中,上述信号分析的方法包括但不限于是傅里叶变换、小波分析、小波包分解等。
可选的,如图2所示,步骤S103包括:
步骤S201、对所述授权人脸特征矩阵进行转置操作,生成第一转置矩阵。
步骤S202、将所述第一转置矩阵乘以预设的第一元特征矩阵得到第一特征矩阵。
在本实施例中,在得到授权人脸特征矩阵后,为实现与待测人脸特征矩阵进行对比,需对授权人脸特征矩阵进行映射处理,从而映射至同一空间进行识别比对,故对授权人脸特征矩阵进行转置操作,以便于授权人脸特征矩阵与上述得到的与授权人脸特征矩阵运用相同人脸识别算法的第一元特征矩阵进行运算,当得到第一转置矩阵时,再将上述第一转置矩阵与第一元特征矩阵相乘,从而得到映射到另一空间的第一特征矩阵。
具体示例而非限定的,在得到上述示例中的128*1的授权人脸特征矩阵之后,可将该128*1的授权人脸特征矩阵进行转置操作,以得到1*128的第一转置矩阵,再将该1*128的第一转置矩阵与上述示例中的128*384的第一元特征矩阵相乘,以得到映射到另一空间的第一特征矩阵1*384。
步骤S104、获取待测人脸图像,根据所述第二人脸识别算法对所述待测人脸图像进行处理,生成待测人脸特征矩阵,并对所述第二元特征矩阵和所述待测人脸特征矩阵进行映射处理得到第二特征矩阵。
在本实施例中,因可能存在待识别用户的待测人脸图像与经授权的授权人脸图像模态不同的情况,故终端设备在获取待测人脸图像,并根据预设的第二人脸识别算法对所获取的待测人脸图像进行处理,生成待测人脸特征矩阵后,利用预先利用根据第二人脸识别算法对目标群体的第二人脸图像得到的第二元特征矩阵来参与进该待测人脸特征矩阵的映射处理过程中,也就是将当前所得到用来表示待测人脸图像的面部特征的待测人脸特征矩阵映射到与上述第一特征矩阵相同的空间中,以便于待测人脸图像和授权人脸图像进行比对,提高了部署人脸识别***的灵活性。其中,上述第二人脸识别算法为可以进行人脸识别的算法,包括但不限于是基于彩色图像的人脸识别算法、基于红外图像的人脸识别算法、基于深度图像的人脸识别算法等,相应的,上述授权人脸图像和待测人脸图像包括但不限于是彩色人脸图像、红外人脸图像、深度人脸图像等。
具体示例而非限定的,将当前待测用户的红外人脸图像输入给终端设备,终端设备可利用基于红外图像的人脸识别算法对上述待测用户的红外人脸图像进行处理,而这里基于红外图像的人脸识别算法也就是上述第二人脸识别算法。设上述基于红外图像的人脸识别算法对人脸图像进行识别后,可得到维度为256维的人脸特征向量,那么当前待测用户的红外人脸图像即可得到1个256*1的待测人脸特征矩阵,之后再将上述示例中的256*384的第二元特征矩阵和这个待测人脸特征矩阵进行映射处理即可得到映射到与上述第一特征矩阵同一空间的第二特征矩阵。
相应地,步骤S104包括:
步骤S203、对所述待测人脸特征矩阵进行转置操作,生成第二转置矩阵。
步骤S204、将所述第二转置矩阵乘以所述第二元特征矩阵得到第二特征矩阵。
在本实施例中,在得到待测人脸特征矩阵后,为实现与授权人脸特征矩阵进行对比,需对待测人脸特征矩阵进行映射处理,从而映射至同一空间进行识别比对,故对待测人脸特征矩阵进行转置操作,以便于待测人脸特征矩阵与上述得到的与待测人脸特征矩阵运用相同人脸识别算法的第二元特征矩阵进行运算,当得到第二转置矩阵时,再将上述第二转置矩阵与第二元特征矩阵相乘,从而得到映射到与上述第一特征矩阵同一空间的第二特征矩阵。
具体示例而非限定的,在得到上述示例中的256*1的待测人脸特征矩阵之后,可将该256*1的待测人脸特征矩阵进行转置操作,以得到1*256的第二转置矩阵,再将该1*256的第二转置矩阵与上述示例中的256*384的第二元特征矩阵相乘,以得到映射到与上述第一特征矩阵同一空间的第二特征矩阵1*384。
步骤S105、根据所述第一特征矩阵和所述第二特征矩阵计算所述待测人脸图像与所述授权人脸图像之间的相似度,当所述相似度大于预设阈值时,人脸识别成功。
在本实施例中,通过上述映射至同一空间的第一特征矩阵和第二特征矩阵来计算待测人脸图像与授权人脸图像之间的相似度,因上述第一特征矩阵和第二特征矩阵分别表征授权人脸图像与待测人脸图像的人脸特征,且两者均处于同一空间,故可通过两者计算得到的相似度,来判断人脸是否识别成功,当相似度大于预设阈值时,人脸识别成功,当相似度小于或等于预设阈值时,人脸识别失败,说明当前待测人脸图像并不属于授权人脸图像中的某一个。
可以理解的是,假设1*384的第一特征矩阵为A[A1,A2,…A384],那么第一特征矩阵A中A1~A384每一个值代表员工A与上述384个目标群体的人脸图像中某一人脸图像的相似度。例如,若员工A与第2个人像最相似,则A2可能为0.8;若其与第100个人最不相似,则A100的值可能为0.0000001,且需要明白的是,A1+A2+…+A384的总和为1。其中,每一个授权人脸图像都有一个与384个目标群体的人脸图像的相似度组成的矩阵。
而同理,假设1*384的第二特征矩阵为B[B1,B2,…B384],那么第二特征矩阵B中B1~B384每一个值代表待测人脸B与上述384个目标群体的人脸图像中某一人脸图像的相似度。例如,若待测人脸图像与第2个人像最相似,则B2可能为0.9;若其与第100个人最不相似,则B100的值可能为0.00000001,且需要明白的是,B1+B2+…+B384的总和为1。由此可知,若待测人脸图像与某个授权人脸图像都与384个目标群体的人脸图像中的某一个最相似和/或某一个最不相似,那么待测人脸图像与该授权人脸图像的相似度很高的可能是同一个人;换而言之,若待测人脸图像与每个授权人脸图像在384个随机选择的人脸图像中最相似人脸和最不相似人脸都不同,那么待测人脸图像很可能并不属于授权人脸图像中的某一个。
综上可知,若待测人脸B为授权人脸图像中的员工C,那么在采用第一人脸识别算法计算的员工C与384张人脸图像的第一特征矩阵中,还是在采用第二人脸识别算法计算的待测人脸B与384张人脸图像的第二特征矩阵中,都会将待测人脸B与员工C定位到384张人脸图像的同一张人脸,即在第一特征矩阵和第二特征矩阵中存在某同列,两者的数值很相近。
可选的,如图3所示,步骤S105包括:
步骤S301、对所述第二特征矩阵进行转置操作,生成第三转置矩阵。
步骤S302、计算所述第三转置矩阵与所述第一特征矩阵的乘积,得到所述相似度。
在本实施例中,在得到第一特征矩阵和第二特征矩阵后,为实现两者之间的相互计算,可将第二特征矩阵进行转置操作,以便于第二特征矩阵与第一特征矩阵进行运算,故在得到转置操作后的第三转置矩阵时,将第三转置矩阵与第二元特征矩阵相乘,计算出乘积,该乘积也就是待测人脸与授权人脸之间的相似度。
具体示例而非限定的,在得到上述示例中的1*384的第二特征矩阵之后,可将该1*384的第二特征矩阵进行转置操作,以得到384*1的第三转置矩阵,再将该384*1的第三转置矩阵与上述示例中的500个第一特征矩阵1*384相乘以得到对应的乘积,该乘积对第二特征矩阵与每一个第一特征矩阵的相似度,也就是待测人脸图像与每一个授权人脸图像的相似度,并也将阈值设为0.5,当乘积大于0.5时,说明待测人脸图像属于授权人脸图像中的某一个,说明待测人脸识别成功。若是上述第三转置矩阵与各个第一特征矩阵的乘积小于或等于0.5时,待测人脸图像并不是授权人脸图像中的某一个,则识别失败。
可选的,步骤S103还包括:
以预设方式对所述授权人脸图像进行预处理,并根据所述第一人脸识别算法对完成预处理的授权人脸图像进行处理。
在本实施例中,因人脸是非刚性的,故进行人脸识别时,需针对人脸图像进行预处理,以便于识别出来的特征结果更加准确,故以预设方式对上述授权人脸图像进行预处理,并根据第一人脸识别算法对完成预处理的授权人脸图像进行后续的处理。
可选的,上述针对于授权人脸图像进行的预处理,还可应用于待测人脸图像、目标群体的第一人脸图像和目标群体的第二人脸图像。
可选的,如图4所示,所述以预设方式对所述授权人脸图像进行预处理,包括:
步骤S401、获取预设数量的人脸特征坐标,根据所述人脸特征坐标进行授权人脸图像中的人脸对齐。
步骤S402、对完成人脸对齐的授权人脸图像进行预设规格的图像尺度变换。
步骤S403、对完成图像尺度变换的授权人脸图像进行图像像素归一化处理。
在本实施例中,为了提高人脸图像的识别结果的准确度,可预先对人脸图像进行预处理,具体可预先从人脸图像中获取预设数量的人脸特征坐标,并根据人脸特征坐标进行授权人脸图像中的人脸对齐,当人脸对齐之后,再将授权人脸图像进行预设规格的尺度变换,以便于后续特征提取,当图像尺度变换完成后,再进行图像像素归一化处理,从而使未进行人脸识别算法的授权人脸图像处于一种标准状态,便于后续更加准确的得到人脸识别结果。
本申请实施例中获取授权人脸图像,根据预设的第一人脸识别算法对所述授权人脸图像进行处理,生成授权人脸特征矩阵,并对所述授权人脸特征矩阵进行映射处理得到第一特征矩阵;获取待测人脸图像,根据预设的第二人脸识别算法对所述待测人脸图像进行处理,生成待测人脸特征矩阵,并对所述待测人脸特征矩阵进行映射处理得到第二特征矩阵;根据所述第一特征矩阵和所述第二特征矩阵计算所述待测人脸图像与所述授权人脸图像之间的相似度,当所述相似度大于预设阈值时,人脸识别成功。通过本申请实施例利用第一人脸识别算法和第二人脸识别算法分别不同模态的授权人脸图像和待测人脸图像进行处理得到对应的特征矩阵,再将特征矩阵进行映射处理,致使其在同一层次进行比较,并得到相似度,从而提高了不同模态的人脸识别效率。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
对应于上文所述的一种人脸识别方法,图5所示为本申请实施例中一种人脸识别装置的结构示意图,如图5所示,所述人脸识别装置可以包括:
第一元矩阵生成模块501,用于获取预设目标群体的第一人脸图像,根据预设的第一人脸识别算法对所述第一人脸图像进行处理,生成第一元特征矩阵。
第二元矩阵生成模块502,用于获取所述目标群体的第二人脸图像,根据预设的第二人脸识别算法对所述第二人脸图像进行处理,生成第二元特征矩阵。
第一矩阵生成模块503,用于获取授权人脸图像,根据所述第一人脸识别算法对所述授权人脸图像进行处理,生成授权人脸特征矩阵,并对所述第一元特征矩阵和所述授权人脸特征矩阵进行映射处理得到第一特征矩阵。
第二矩阵生成模块504,用于获取待测人脸图像,根据所述第二人脸识别算法对所述待测人脸图像进行处理,生成待测人脸特征矩阵,并对所述第二元特征矩阵和所述待测人脸特征矩阵进行映射处理得到第二特征矩阵。
相似度计算模块505,用于根据所述第一特征矩阵和所述第二特征矩阵计算所述待测人脸图像与所述授权人脸图像之间的相似度,当所述相似度大于预设阈值时,人脸识别成功。
可选的,所述第一矩阵生成模块501可以包括:
第一矩阵生成单元,用于对所述授权人脸特征矩阵进行转置操作,生成第一转置矩阵。
第一矩阵得到单元,用于将所述第一转置矩阵乘以所述第一元特征矩阵得到第一特征矩阵。
可选的,所述第二矩阵生成模块502包括:
第二矩阵生成单元,用于对所述待测人脸特征矩阵进行转置操作,生成第二转置矩阵。
第二矩阵得到单元,用于将所述第二转置矩阵乘以所述第二元特征矩阵得到第二特征矩阵。
可选的,所述相似度计算模块505可以包括:
第三矩阵生成单元,用于对所述第二特征矩阵进行转置操作,生成第三转置矩阵。
相似度得到单元,用于计算所述第三转置矩阵与所述第一特征矩阵的乘积,得到所述相似度。
可选的,所述第一矩阵生成模块503可以包括:
预处理单元,用于以预设方式对所述授权人脸图像进行预处理,并根据所述第一人脸识别算法对完成预处理的授权人脸图像进行处理。
可选的,所述预处理单元可以包括:
人脸对齐子单元,用于获取预设数量的人脸特征坐标,根据所述人脸特征坐标进行授权人脸图像中的人脸对齐。
尺度变换子单元,用于对完成人脸对齐的授权人脸图像进行预设规格的图像尺度变换。
像素处理子单元,用于对完成图像尺度变换的授权人脸图像进行图像像素归一化处理。
本申请实施例中获取授权人脸图像,根据预设的第一人脸识别算法对所述授权人脸图像进行处理,生成授权人脸特征矩阵,并对所述授权人脸特征矩阵进行映射处理得到第一特征矩阵;获取待测人脸图像,根据预设的第二人脸识别算法对所述待测人脸图像进行处理,生成待测人脸特征矩阵,并对所述待测人脸特征矩阵进行映射处理得到第二特征矩阵;根据所述第一特征矩阵和所述第二特征矩阵计算所述待测人脸图像与所述授权人脸图像之间的相似度,当所述相似度大于预设阈值时,人脸识别成功。通过本申请实施例利用第一人脸识别算法和第二人脸识别算法分别不同模态的授权人脸图像和待测人脸图像进行处理得到对应的特征矩阵,再将特征矩阵进行映射处理,致使其在同一层次进行比较,并得到相似度,从而提高了不同模态的人脸识别效率。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的装置和模块的具体工作过程,可以参考前述***实施例以及方法实施例中的对应过程,在此不再赘述。
图6为本申请实施例提供的终端设备的结构示意图。为了便于说明,仅示出了与本申请实施例相关的部分。
如图6所示,该实施例的终端设备6包括:至少一个处理器600(图6中仅示出一个),与所述处理器600连接的存储器601,以及存储在所述存储器601中并可在所述至少一个处理器600上运行的计算机程序602,例如人脸识别程序。所述处理器600执行所述计算机程序602时实现上述各个人脸识别方法实施例中的步骤,例如图1所示的步骤S101至S105。或者,所述处理器600执行所述计算机程序602时实现上述各装置实施例中各模块的功能,例如图5所示模块501至505的功能。
示例性的,所述计算机程序602可以被分割成一个或多个模块,所述一个或者多个模块被存储在所述存储器601中,并由所述处理器600执行,以完成本申请。所述一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序602在所述终端设备6中的执行过程。例如,所述计算机程序602可以被分割成第一元矩阵生成模块501、第二元矩阵生成模块502、第一矩阵生成模块503、第二矩阵生成模块504、相似度计算模块505,各模块具体功能如下:
第一元矩阵生成模块501,用于获取预设目标群体的第一人脸图像,根据预设的第一人脸识别算法对所述第一人脸图像进行处理,生成第一元特征矩阵;
第二元矩阵生成模块502,用于获取所述目标群体的第二人脸图像,根据预设的第二人脸识别算法对所述第二人脸图像进行处理,生成第二元特征矩阵;
第一矩阵生成模块503,用于获取授权人脸图像,根据所述第一人脸识别算法对所述授权人脸图像进行处理,生成授权人脸特征矩阵,并对所述第一元特征矩阵和所述授权人脸特征矩阵进行映射处理得到第一特征矩阵;
第二矩阵生成模块504,用于获取待测人脸图像,根据所述第二人脸识别算法对所述待测人脸图像进行处理,生成待测人脸特征矩阵,并对所述第二元特征矩阵和所述待测人脸特征矩阵进行映射处理得到第二特征矩阵;
相似度计算模块505,用于根据所述第一特征矩阵和所述第二特征矩阵计算所述待测人脸图像与所述授权人脸图像之间的相似度,当所述相似度大于预设阈值时,人脸识别成功。
所述终端设备6可包括,但不仅限于,处理器600、存储器601。本领域技术人员可以理解,图6仅仅是终端设备6的举例,并不构成对终端设备6的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如还可以包括输入输出设备、网络接入设备、总线等。
所称处理器600可以是中央处理单元(Central Processing Unit,CPU),该处理器600还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器601在一些实施例中可以是所述终端设备6的内部存储单元,例如终端设备6的硬盘或内存。所述存储器601在另一些实施例中也可以是所述终端设备6的外部存储设备,例如所述终端设备6上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器601还可以既包括所述终端设备6的内部存储单元也包括外部存储设备。所述存储器601用于存储操作***、应用程序、引导装载程序(Boot Loader)、数据以及其他程序等,例如所述计算机程序的程序代码等。所述存储器601还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述***中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中,应该理解到,所揭露的装置/终端设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/终端设备实施例仅仅是示意性的,例如,所述模块或单元的划分,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,例如多个单元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讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请实现上述实施例方法中的全部或部分流程,可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括:能够将计算机程序代码携带到拍照装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,RandomAccess Memory)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区,根据立法和专利实践,计算机可读介质不可以是电载波信号和电信信号。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (8)
1.一种人脸识别方法,其特征在于,包括:
获取预设目标群体的第一人脸图像,根据预设的第一人脸识别算法对所述第一人脸图像进行处理,生成第一元特征矩阵;其中,所述第一人脸识别算法包括基于彩色图像的人脸识别算法、基于红外图像的人脸识别算法、基于深度图像的人脸识别算法,所述第一人脸图像为适用于第一人脸识别算法的目标群体的人脸图像,所述第一人脸图像包括彩色人脸图像、红外人脸图像、深度人脸图像;
获取所述目标群体的第二人脸图像,根据预设的第二人脸识别算法对所述第二人脸图像进行处理,生成第二元特征矩阵;其中,所述第二人脸识别算法包括基于彩色图像的人脸识别算法、基于红外图像的人脸识别算法、基于深度图像的人脸识别算法,所述第二人脸图像为适用于第二人脸识别算法的目标群体的人脸图像,所述第二人脸图像包括彩色人脸图像、红外人脸图像、深度人脸图像;
获取授权人脸图像,根据所述第一人脸识别算法对所述授权人脸图像进行处理,生成授权人脸特征矩阵,并对所述授权人脸特征矩阵进行转置操作,生成第一转置矩阵,将所述第一转置矩阵乘以所述第一元特征矩阵得到第一特征矩阵;其中,所述第一特征矩阵中每一个值代表授权人脸与所述目标群体的人脸图像中某一人脸图像的相似度,所述授权人脸图像为适用于第一人脸识别算法的人脸图像,所述授权人脸图像包括彩色人脸图像、红外人脸图像、深度人脸图像;
获取待测人脸图像,根据所述第二人脸识别算法对所述待测人脸图像进行处理,生成待测人脸特征矩阵,并对所述第二元特征矩阵和所述待测人脸特征矩阵进行映射处理得到第二特征矩阵;其中,所述第二特征矩阵中每一个值代表待测人脸与所述目标群体的人脸图像中某一人脸图像的相似度,所述待测人脸图像为适用于第二人脸识别算法的人脸图像,所述待测人脸图像包括彩色人脸图像、红外人脸图像、深度人脸图像;
根据所述第一特征矩阵和所述第二特征矩阵计算所述待测人脸图像与所述授权人脸图像之间的相似度,当所述相似度大于预设阈值时,人脸识别成功。
2.如权利要求1所述的人脸识别方法,其特征在于,所述对所述第二元特征矩阵和所述待测人脸特征矩阵进行映射处理得到第二特征矩阵,包括:
对所述待测人脸特征矩阵进行转置操作,生成第二转置矩阵;
将所述第二转置矩阵乘以所述第二元特征矩阵得到第二特征矩阵。
3.如权利要求1所述的人脸识别方法,其特征在于,所述根据所述第一特征矩阵和所述第二特征矩阵计算所述待测人脸图像与所述授权人脸图像之间的相似度,包括:
对所述第二特征矩阵进行转置操作,生成第三转置矩阵;
计算所述第三转置矩阵与所述第一特征矩阵的乘积,得到所述相似度。
4.如权利要求1至3任一项所述的人脸识别方法,其特征在于,所述根据所述第一人脸识别算法对所述授权人脸图像进行处理,包括:
以预设方式对所述授权人脸图像进行预处理,并根据所述第一人脸识别算法对完成预处理的授权人脸图像进行处理。
5.如权利要求4所述的人脸识别方法,其特征在于,所述以预设方式对所述授权人脸图像进行预处理,包括:
获取预设数量的人脸特征坐标,根据所述人脸特征坐标进行授权人脸图像中的人脸对齐;
对完成人脸对齐的授权人脸图像进行预设规格的图像尺度变换;
对完成图像尺度变换的授权人脸图像进行图像像素归一化处理。
6.一种人脸识别装置,其特征在于,包括:
第一元矩阵生成模块,用于获取预设目标群体的第一人脸图像,根据预设的第一人脸识别算法对所述第一人脸图像进行处理,生成第一元特征矩阵;其中,所述第一人脸识别算法包括基于彩色图像的人脸识别算法、基于红外图像的人脸识别算法、基于深度图像的人脸识别算法,所述第一人脸图像为适用于第一人脸识别算法的目标群体的人脸图像,所述第一人脸图像包括彩色人脸图像、红外人脸图像、深度人脸图像;
第二元矩阵生成模块,用于获取所述目标群体的第二人脸图像,根据预设的第二人脸识别算法对所述第二人脸图像进行处理,生成第二元特征矩阵;其中,所述第二人脸识别算法包括基于彩色图像的人脸识别算法、基于红外图像的人脸识别算法、基于深度图像的人脸识别算法,所述第二人脸图像为适用于第二人脸识别算法的目标群体的人脸图像,所述第二人脸图像包括彩色人脸图像、红外人脸图像、深度人脸图像;
第一矩阵生成模块,用于获取授权人脸图像,根据所述第一人脸识别算法对所述授权人脸图像进行处理,生成授权人脸特征矩阵,并对所述授权人脸特征矩阵进行转置操作,生成第一转置矩阵,将所述第一转置矩阵乘以所述第一元特征矩阵得到第一特征矩阵;其中,所述第一特征矩阵中每一个值代表授权人脸与所述目标群体的人脸图像中某一人脸图像的相似度,所述授权人脸图像为适用于第一人脸识别算法的人脸图像,所述授权人脸图像包括彩色人脸图像、红外人脸图像、深度人脸图像;
第二矩阵生成模块,用于获取待测人脸图像,根据所述第二人脸识别算法对所述待测人脸图像进行处理,生成待测人脸特征矩阵,并对所述第二元特征矩阵和所述待测人脸特征矩阵进行映射处理得到第二特征矩阵;其中,所述第二特征矩阵中每一个值代表待测人脸与所述目标群体的人脸图像中某一人脸图像的相似度,所述待测人脸图像为适用于第二人脸识别算法的人脸图像,所述待测人脸图像包括彩色人脸图像、红外人脸图像、深度人脸图像;
相似度计算模块,用于根据所述第一特征矩阵和所述第二特征矩阵计算所述待测人脸图像与所述授权人脸图像之间的相似度,当所述相似度大于预设阈值时,人脸识别成功。
7.一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至5任一项所述的一种人脸识别方法的步骤。
8.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,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至5任一项所述的一种人脸识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011180098.5A CN112183480B (zh) | 2020-10-29 | 2020-10-29 | 一种人脸识别方法、装置、终端设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011180098.5A CN112183480B (zh) | 2020-10-29 | 2020-10-29 | 一种人脸识别方法、装置、终端设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112183480A CN112183480A (zh) | 2021-01-05 |
CN112183480B true CN112183480B (zh) | 2024-06-04 |
Family
ID=73917674
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011180098.5A Active CN112183480B (zh) | 2020-10-29 | 2020-10-29 | 一种人脸识别方法、装置、终端设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112183480B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108537187A (zh) * | 2017-12-04 | 2018-09-14 | 深圳奥比中光科技有限公司 | 任务执行方法、终端设备及计算机可读存储介质 |
CN109753875A (zh) * | 2018-11-28 | 2019-05-14 | 北京的卢深视科技有限公司 | 基于人脸属性感知损失的人脸识别方法、装置与电子设备 |
CN109902561A (zh) * | 2019-01-16 | 2019-06-18 | 平安科技(深圳)有限公司 | 一种应用于机器人的人脸识别方法和装置、机器人 |
CN109934198A (zh) * | 2019-03-22 | 2019-06-25 | 北京市商汤科技开发有限公司 | 人脸识别方法及装置 |
CN110909582A (zh) * | 2018-09-18 | 2020-03-24 | 华为技术有限公司 | 一种人脸识别的方法及设备 |
CN111310743A (zh) * | 2020-05-11 | 2020-06-19 | 腾讯科技(深圳)有限公司 | 人脸识别方法、装置、电子设备及可读存储介质 |
WO2020147257A1 (zh) * | 2019-01-16 | 2020-07-23 | 平安科技(深圳)有限公司 | 一种人脸识别方法和装置 |
CN111599044A (zh) * | 2020-05-14 | 2020-08-28 | 哈尔滨学院 | 一种基于多模态生物特征识别的门禁安全管理*** |
CN111797696A (zh) * | 2020-06-10 | 2020-10-20 | 武汉大学 | 一种现场自主学习的人脸识别***和方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8218880B2 (en) * | 2008-05-29 | 2012-07-10 | Microsoft Corporation | Linear laplacian discrimination for feature extraction |
-
2020
- 2020-10-29 CN CN202011180098.5A patent/CN112183480B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108537187A (zh) * | 2017-12-04 | 2018-09-14 | 深圳奥比中光科技有限公司 | 任务执行方法、终端设备及计算机可读存储介质 |
CN110909582A (zh) * | 2018-09-18 | 2020-03-24 | 华为技术有限公司 | 一种人脸识别的方法及设备 |
CN109753875A (zh) * | 2018-11-28 | 2019-05-14 | 北京的卢深视科技有限公司 | 基于人脸属性感知损失的人脸识别方法、装置与电子设备 |
CN109902561A (zh) * | 2019-01-16 | 2019-06-18 | 平安科技(深圳)有限公司 | 一种应用于机器人的人脸识别方法和装置、机器人 |
WO2020147257A1 (zh) * | 2019-01-16 | 2020-07-23 | 平安科技(深圳)有限公司 | 一种人脸识别方法和装置 |
CN109934198A (zh) * | 2019-03-22 | 2019-06-25 | 北京市商汤科技开发有限公司 | 人脸识别方法及装置 |
CN111310743A (zh) * | 2020-05-11 | 2020-06-19 | 腾讯科技(深圳)有限公司 | 人脸识别方法、装置、电子设备及可读存储介质 |
CN111599044A (zh) * | 2020-05-14 | 2020-08-28 | 哈尔滨学院 | 一种基于多模态生物特征识别的门禁安全管理*** |
CN111797696A (zh) * | 2020-06-10 | 2020-10-20 | 武汉大学 | 一种现场自主学习的人脸识别***和方法 |
Non-Patent Citations (1)
Title |
---|
图像多模态扰动的人脸识别方法;张国庆;王正群;王颖静;徐伟;;计算机工程与应用;20111209(第07期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112183480A (zh) | 2021-01-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112507922B (zh) | 人脸活体检测方法、装置、电子设备及存储介质 | |
CN110033026B (zh) | 一种连续小样本图像的目标检测方法、装置及设备 | |
CN113159147B (zh) | 基于神经网络的图像识别方法、装置、电子设备 | |
CN113705462B (zh) | 人脸识别方法、装置、电子设备及计算机可读存储介质 | |
CN110245573B (zh) | 一种基于人脸识别的签到方法、装置及终端设备 | |
CN110738219A (zh) | 图像中线条提取方法和装置、存储介质及电子装置 | |
CN110852311A (zh) | 一种三维人手关键点定位方法及装置 | |
CN113298152B (zh) | 模型训练方法、装置、终端设备及计算机可读存储介质 | |
CN114758145B (zh) | 一种图像脱敏方法、装置、电子设备及存储介质 | |
CN114241585A (zh) | 一种跨年龄人脸识别模型训练方法、识别方法及装置 | |
CN110659631A (zh) | 车牌识别方法和终端设备 | |
CN113191189A (zh) | 人脸活体检测方法、终端设备及计算机可读存储介质 | |
CN112183480B (zh) | 一种人脸识别方法、装置、终端设备及存储介质 | |
CN116188956A (zh) | 一种深度伪造人脸图像检测的方法及相关设备 | |
CN115050069A (zh) | 基于深度学习的人脸及属性识别方法、***及计算机设备 | |
CN114898155A (zh) | 车辆定损方法、装置、设备及存储介质 | |
CN112907365A (zh) | 一种交易数据检测方法、装置及设备 | |
CN109785157A (zh) | 一种基于人脸识别的车辆定损方法、存储介质及服务器 | |
CN113111833B (zh) | 人工智能***的安全性检测方法、装置及终端设备 | |
CN114627303B (zh) | 基于识别模型的图像处理方法、装置、设备及存储介质 | |
CN115423855B (zh) | 图像的模板匹配方法、装置、设备及介质 | |
CN112465007B (zh) | 目标识别模型的训练方法、目标识别方法及终端设备 | |
WO2022222143A1 (zh) | 人工智能***的安全性检测方法、装置及终端设备 | |
CN117218235A (zh) | 人物图像生成方法、装置、智能设备和存储介质 | |
CN114494745A (zh) | 图像检测方法、装置、终端设备及计算机可读存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
CB02 | Change of applicant information |
Address after: 11-13 / F, joint headquarters building, high tech Zone, 63 Xuefu Road, Yuehai street, Nanshan District, Shenzhen, Guangdong 518000 Applicant after: Obi Zhongguang Technology Group Co.,Ltd. Address before: 12 / F, joint headquarters building, high tech Zone, 63 Xuefu Road, Yuehai street, Nanshan District, Shenzhen, Guangdong 518000 Applicant before: SHENZHEN ORBBEC Co.,Ltd. |
|
CB02 | Change of applicant information | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |