CN112801013B - 一种基于关键点识别校验的人脸识别方法、***及装置 - Google Patents
一种基于关键点识别校验的人脸识别方法、***及装置 Download PDFInfo
- Publication number
- CN112801013B CN112801013B CN202110170397.9A CN202110170397A CN112801013B CN 112801013 B CN112801013 B CN 112801013B CN 202110170397 A CN202110170397 A CN 202110170397A CN 112801013 B CN112801013 B CN 112801013B
- Authority
- CN
- China
- Prior art keywords
- face
- image
- recognized
- images
- recognition
- 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 24
- 238000012795 verification Methods 0.000 title claims abstract description 15
- 238000011156 evaluation Methods 0.000 claims abstract description 36
- 238000012937 correction Methods 0.000 claims description 12
- 238000004088 simulation Methods 0.000 claims description 12
- 238000013528 artificial neural network Methods 0.000 claims description 9
- 238000013527 convolutional neural network Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000001815 facial effect Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012827 research and development 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
- G06V40/161—Detection; Localisation; Normalisation
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/168—Feature extraction; Face representation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Human Computer Interaction (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于关键点识别校验的人脸识别方法、***及装置，当采集到目标对象的待识别图像时，基于人脸样本图像，通过判断目标对象是否为活体，对活体目标对象进行人脸图像的采集，获得待识别图像，将待识别图像、以及其对应的属性特征值存储至人脸样本图像中，进行人脸轮廓的识别，根据人脸轮廓的提取待识别图像的属性特征值，比较待识别图像的属性特征值、以及各个人脸样本图像中对应的属性特征值，获取人脸属性特征值比较结果，进一步得到待识别图像的评价指标，完成对待识别图像进行人脸识别。通过本发明的技术方案提高活体识别的效率，减少人力干预投入，优化人脸识别方法，满足现有技术中对活体识别的质量的效率。
Description
技术领域
本发明涉及人脸识别领域，具体而言涉及一种基于关键点识别校验的人脸识别方法、***及装置。
背景技术
人脸识别，是基于人的脸部特征信息进行身份识别的一种生物识别技术，用摄像机或摄像头采集含有人脸的图像或视频流，并自动在图像中检测和跟踪人脸，进而对检测到的人脸进行脸部识别的一系列相关技术，传统的人脸识别技术主要是基于可见光图像的人脸识别，这也是人们熟悉的识别方式，已有30多年的研发历史，但这种方式有着难以克服的缺陷，尤其在环境光照发生变化时，识别效果会急剧下降，无法满足实际***的需要，现有的人脸识别技术一般包括四个流程：人脸采集、图像预处理、图像特征提取以及人脸的匹配识别，但是在现有的人脸识别技术，存在以下不足：
1、现有的人脸识别方法中，在进行人脸识别比对时，对比的工作量巨大，人力投入多，对人脸识别过程进行反复操作，重复工作较多，效率低下；
2、在进行人脸识别的过程中，容易出现识别错误的情况，影响人脸识别的结果，导致人脸识别结果存在误差，准确率较低。
发明内容
本发明的目的在于提供一种基于关键点识别校验的人脸识别方法、***及装置，以解决现有技术中的问题。
为实现上述目的，本发明提供如下技术方案：
当采集到目标对象的待识别图像时，基于人脸样本图像，进行目标对象的人脸识别，执行以下步骤：
步骤A、针对人脸样本图像，获得预设数量的活体目标对象的人脸图像、以及各个人脸图像分别对应的预设指定的各个属性特征值，针对人脸图像对应的目标对象，判断目标对象是否为活体；
当人脸图像对应的目标对象为非活体时，退出对目标对象的人脸识别步骤；
当人脸图像对应的目标对象为活体时，随后进入步骤B；
步骤B、针对目标对象进行人脸图像的采集，获得待识别图像，将待识别图像、以及其对应的属性特征值存储至人脸样本图像中，随后进入步骤C；
步骤C、针对待识别图像进行人脸轮廓的识别；
当人脸轮廓的识别结果能够获取完整人脸轮廓时，进入步骤D；
当人脸轮廓的识别结果不能够获取完整人脸轮廓时，进入步骤E；
当人脸轮廓的识别结果不能够获取人脸轮廓时，返回至步骤B，重新采集目标对象的待识别图像；
步骤D、根据人脸轮廓的提取待识别图像的属性特征值，比较待识别图像的属性特征值、以及各个人脸样本图像中对应的属性特征值，获取人脸属性特征值比较结果，进一步得到待识别图像的评价指标，所述评价指标包括提取人脸特征信息的正确率、错误率、以及召回率，随后进入步骤E；
步骤E、针对不能够获取完整人脸轮廓的待识别图像，利用神经网络对待识别图像进行模拟校正，得到校正待识别图像，同时更新待识别图像，将校正待识别图像更新为待识别图像，比较待识别图像的属性特征值、以及各个人脸样本图像中对应的属性特征值，获取人脸属性特征值比较结果，进一步得到待识别图像的评价指标，随后进入步骤F；
步骤F、对待识别图像进行人脸识别，保存当前待识别图像、待识别图像对应的属性特征值、以及人脸识别结果，随后结束人脸识别，退出识别状态。
优选地，所述步骤A中，对待识别图像进行两次活体识别，当活体识别的准确率达到预设正确阈值时，确定待识别图像为活体，得到活体识别结果；
在进行第一次活体识别时，以待识别图像的像素值作为活体判断数组，获取待识别图像对应的第一次特征值；
在进行第二次活体识别时，将待识别图像的像素值倍数缩小后作为活体判断数组，获取待识别图像对应的第二次特征值。
优选地，对待识别图像对应的目标对象进行是否为活体的识别，将待识别图像的各个像素点分别与第二次特征值对应的像素点、以及人脸样本图像中的人脸图像对应的像素点进行一一对比，当待识别图像的各个像素点分别与第二次特征值对应的像素点、以及人脸样本图像中人脸图像对应的像素点之间的相似度差值小于或等于预设相似度时，是否为活体识别完成，随后进入步骤B。
优选地，所述步骤D中，待识别图像与人脸样本图像保存的图像之间，人脸特征属性值与人脸样本图像中对应的属性特征值之间的像素差值小于或等于预设像素阈值时，获得人脸属性特征值比较结果，进一步得到待识别图像的评价指标，所述评价指标中，准确率、错误率、以及召回率根据以下公式计算：
其中，A、E、R分别为评价指标中的准确率、错误率、召回率，N为待识别图像的数量，Tp为待识别图像中人脸的数量，Tn为待识别图像中非人脸的数量，Fp为人脸数量中的非人脸数量，即人脸中的错误数量，Fn为非人脸数量中的人脸数量，即非人脸中的错误数量。
优选地，所述步骤E中，通过卷积神经网络模拟出完整的人脸轮廓，得到校正待识别图像。
根据本发明公开的第二方面，还提出一种基于关键点识别校验的人脸识别***，其特征在于，包括：
一个或多个处理器；
存储器，存储可***作的指令，所述指令在通过所述一个或多个处理器执行时使得所述一个或多个处理器执行操作，所述操作包括以下步骤：
步骤A、针对人脸样本图像，获得预设数量的活体目标对象的人脸图像、以及各个人脸图像分别对应的预设指定的各个属性特征值，针对人脸图像对应的目标对象，判断目标对象是否为活体；
当人脸图像对应的目标对象为非活体时，退出对目标对象的人脸识别步骤；
当人脸图像对应的目标对象为活体时，随后进入步骤B；
步骤B、针对目标对象进行人脸图像的采集，获得待识别图像，将待识别图像、以及其对应的属性特征值存储至人脸样本图像中，随后进入步骤C；
步骤C、针对待识别图像进行人脸轮廓的识别；
当人脸轮廓的识别结果能够获取完整人脸轮廓时，进入步骤D；
当人脸轮廓的识别结果不能够获取完整人脸轮廓时，进入步骤E；
当人脸轮廓的识别结果不能够获取人脸轮廓时，返回至步骤B，重新采集目标对象的待识别图像；
步骤D、根据人脸轮廓的提取待识别图像的属性特征值，比较待识别图像的属性特征值、以及各个人脸样本图像中对应的属性特征值，获取人脸属性特征值比较结果，进一步得到待识别图像的评价指标，所述评价指标包括提取人脸特征信息的正确率、错误率、以及召回率，随后进入步骤E；
步骤E、针对不能够获取完整人脸轮廓的待识别图像，利用神经网络对待识别图像进行模拟校正，得到校正待识别图像，同时更新待识别图像，将校正待识别图像更新为待识别图像，比较待识别图像的属性特征值、以及各个人脸样本图像中对应的属性特征值，获取人脸属性特征值比较结果，进一步得到待识别图像的评价指标，随后进入步骤F；
步骤F、对待识别图像进行人脸识别，保存当前待识别图像、待识别图像对应的属性特征值、以及人脸识别结果，随后结束人脸识别，退出识别状态。
根据本发明的第三方面，还提出一种存储软件的计算机可读取介质，所述软件包括能通过一个或多个计算机执行的指令，所述指令在被所述一个或多个计算机执行时执行所述人脸识别方法的操作。
根据本发明的第四方面，还提出一种基于关键点识别校验的人脸识别装置，包括：
活体判断模块，用于针对人脸样本图像，获得预设数量的活体目标对象的人脸图像、以及各个人脸图像分别对应的预设指定的各个属性特征值，针对人脸图像对应的目标对象，判断目标对象是否为活体的模块；
待识别图像获取模块，用于针对目标对象进行人脸图像的采集，获得待识别图像，将待识别图像、以及其对应的属性特征值存储至人脸样本图像中的模块；
人脸轮廓识别模块，用于针对待识别图像进行人脸轮廓的识别的模块；
评价指标获取模块，用于根据人脸轮廓的提取待识别图像的属性特征值，比较待识别图像的属性特征值、以及各个人脸样本图像中对应的属性特征值，获取人脸属性特征值比较结果，进一步得到待识别图像的评价指标的模块；
模拟校正模块，用于针对不能够获取完整人脸轮廓的待识别图像，利用神经网络对待识别图像进行模拟校正，得到校正待识别图像，同时更新待识别图像，将校正待识别图像更新为待识别图像，比较待识别图像的属性特征值、以及各个人脸样本图像中对应的属性特征值，获取人脸属性特征值比较结果，进一步得到待识别图像的评价指标的模块；
人脸识别模块，用于保存当前待识别图像、待识别图像对应的属性特征值、以及人脸识别结果，随后结束人脸识别，退出识别状态的模块。
本发明所述一种基于关键点识别校验的人脸识别方法，采用以上技术方案与现有技术相比，具有以下技术效果：
本发明克服了现有人脸识别方法中，活体识别存在的不足，通过两次活体识别，筛选非活体识别时，提高筛选的精确度，针对活体目标对象进行识别，同时，根据图像的评价指标，对人脸识别的方法过程进行筛选优化，提高活体人脸识别的效率，减少人力干预投入，优化人脸识别方法，满足现有技术中对活体识别的质量的效率，可以大规模应用至实际生产中。
附图说明
图1为本发明示例性实施例的人脸识别方法的流程图；
图2为本发明示例性实施例的人脸识别装置的模块构成图。
具体实施方式
为了更了解本发明的技术内容，特举具体实施例并配合所附图式说明如下。
在本公开中参照附图来描述本发明的各方面，附图中示出了许多说明的实施例。本公开的实施例不必定义在包括本发明的所有方面。应当理解，上面介绍的多种构思和实施例，以及下面更加详细地描述的那些构思和实施方式可以以很多方式中任意一种来实施，这是因为本发明所公开的构思和实施例并不限于任何实施方式。另外，本发明公开的一些方面可以单独使用，或者与本发明公开的其他方面的任何适当组合来使用。
结合图1所示的本发明示例性实施例人脸识别方法，当采集到目标对象的待识别图像时，基于人脸样本图像，进行目标对象的人脸识别，执行以下步骤：
步骤A、针对人脸样本图像，获得预设数量的活体目标对象的人脸图像、以及各个人脸图像分别对应的预设指定的各个属性特征值，针对人脸图像对应的目标对象，判断目标对象是否为活体；
当人脸图像对应的目标对象为非活体时，退出对目标对象的人脸识别步骤；
当人脸图像对应的目标对象为活体时，待识别图像进行两次活体识别，当活体识别的准确率达到预设正确阈值时，确定待识别图像为活体，得到活体识别结果；
在进行第一次活体识别时，以待识别图像的像素值作为活体判断数组，活体判断数组大小为1280*720*3，获取待识别图像对应的第一次特征值；
在进行第二次活体识别时，将待识别图像的像素值倍数缩小后作为活体判断数组，活体判断数组大小为256*256*3获取待识别图像对应的第二次特征值；
将待识别图像的各个像素点分别与第二次特征值对应的像素点、以及人脸样本图像中的人脸图像对应的像素点进行一一对比，当待识别图像的各个像素点分别与第二次特征值对应的像素点、以及人脸样本图像中人脸图像对应的像素点之间的相似度差值小于或等于预设相似度时，完成是否为活体的识别，随后进入步骤B；
步骤B、针对目标对象进行人脸图像的采集，获得待识别图像，将待识别图像、以及其对应的属性特征值存储至人脸样本图像中，随后进入步骤C；
步骤C、针对待识别图像进行人脸轮廓的识别；
当人脸轮廓的识别结果能够获取完整人脸轮廓时，进入步骤D；
当人脸轮廓的识别结果不能够获取完整人脸轮廓时，进入步骤E；
当人脸轮廓的识别结果不能够获取人脸轮廓时，返回至步骤B，重新采集目标对象的待识别图像；
步骤D、根据人脸轮廓的提取待识别图像的属性特征值，比较待识别图像的属性特征值、以及各个人脸样本图像中对应的属性特征值，人脸特征属性值与人脸样本图像中对应的属性特征值之间的像素差值小于或等于预设像素阈值时，获得人脸属性特征值比较结果，进一步根据以下公式计算得到待识别图像的评价指标：
其中，A、E、R分别为评价指标中的准确率、错误率、召回率，N为待识别图像的数量，Tp为待识别图像中人脸的数量，Tn为待识别图像中非人脸的数量，Fp为人脸数量中的非人脸数量，即人脸中的错误数量，Fn为非人脸数量中的人脸数量，即非人脸中的错误数量；
所述评价指标包括提取人脸特征信息的正确率、错误率、以及召回率，随后进入步骤E；
步骤E、针对不能够获取完整人脸轮廓的待识别图像，利用神经网络对待识别图像进行模拟校正，模拟出完整的人脸轮廓，得到校正待识别图像，同时更新待识别图像，将校正待识别图像更新为待识别图像，比较待识别图像的属性特征值、以及各个人脸样本图像中对应的属性特征值，获取人脸属性特征值比较结果，进一步得到待识别图像的评价指标，随后进入步骤F；
步骤F、对待识别图像进行人脸识别，保存当前待识别图像、待识别图像对应的属性特征值、以及人脸识别结果，随后结束人脸识别，退出识别状态。
根据本发明公开的实施例，还提供一种基于关键点识别校验的人脸识别***，其特征在于，包括：
一个或多个处理器；
存储器，存储可***作的指令，所述指令在通过所述一个或多个处理器执行时使得所述一个或多个处理器执行操作，所述操作包括以下步骤：
步骤A、针对人脸样本图像，获得预设数量的活体目标对象的人脸图像、以及各个人脸图像分别对应的预设指定的各个属性特征值，针对人脸图像对应的目标对象，判断目标对象是否为活体；
当人脸图像对应的目标对象为非活体时，退出对目标对象的人脸识别步骤；
当人脸图像对应的目标对象为活体时，随后进入步骤B；
步骤B、针对目标对象进行人脸图像的采集，获得待识别图像，将待识别图像、以及其对应的属性特征值存储至人脸样本图像中，随后进入步骤C；
步骤C、针对待识别图像进行人脸轮廓的识别；
当人脸轮廓的识别结果能够获取完整人脸轮廓时，进入步骤D；
当人脸轮廓的识别结果不能够获取完整人脸轮廓时，进入步骤E；
当人脸轮廓的识别结果不能够获取人脸轮廓时，返回至步骤B，重新采集目标对象的待识别图像；
步骤D、根据人脸轮廓的提取待识别图像的属性特征值，比较待识别图像的属性特征值、以及各个人脸样本图像中对应的属性特征值，获取人脸属性特征值比较结果，进一步得到待识别图像的评价指标，所述评价指标包括提取人脸特征信息的正确率、错误率、以及召回率，随后进入步骤E；
步骤E、针对不能够获取完整人脸轮廓的待识别图像，利用神经网络对待识别图像进行模拟校正，得到校正待识别图像，同时更新待识别图像，将校正待识别图像更新为待识别图像，比较待识别图像的属性特征值、以及各个人脸样本图像中对应的属性特征值，获取人脸属性特征值比较结果，进一步得到待识别图像的评价指标，随后进入步骤F；
步骤F、保存当前待识别图像、待识别图像对应的属性特征值、以及人脸识别结果，随后结束人脸识别，退出识别状态。
尤其优选的，前述的处理器为计算机***的处理器，包括但不限于基于ARM的嵌入式处理器、基于X86的微处理器或者基于类型的处理器。
存储器被设置成可存储数据的载体，通常包括RAM和ROM。
应当理解，计算机***可以通过总线与各子***进行通信，获取相应参数，实现对各子***的运行实施控制。
在可选的实施例中，本发明还可以被配置成按照下述方式实施：
结合图2，一种基于关键点识别校验的人脸识别装置，包括：
活体判断模块，用于针对人脸样本图像，获得预设数量的活体目标对象的人脸图像、以及各个人脸图像分别对应的预设指定的各个属性特征值，针对人脸图像对应的目标对象，判断目标对象是否为活体的模块；
待识别图像获取模块，用于针对目标对象进行人脸图像的采集，获得待识别图像，将待识别图像、以及其对应的属性特征值存储至人脸样本图像中的模块；
人脸轮廓识别模块，用于针对待识别图像进行人脸轮廓的识别的模块；
评价指标获取模块，用于根据人脸轮廓的提取待识别图像的属性特征值，比较待识别图像的属性特征值、以及各个人脸样本图像中对应的属性特征值，获取人脸属性特征值比较结果，进一步得到待识别图像的评价指标的模块；
模拟校正模块，用于针对不能够获取完整人脸轮廓的待识别图像，利用神经网络对待识别图像进行模拟校正，得到校正待识别图像，同时更新待识别图像，将校正待识别图像更新为待识别图像，比较待识别图像的属性特征值、以及各个人脸样本图像中对应的属性特征值，获取人脸属性特征值比较结果，进一步得到待识别图像的评价指标的模块；
人脸识别模块，用于保存当前待识别图像、待识别图像对应的属性特征值、以及人脸识别结果，随后结束人脸识别，退出识别状态的模块。
虽然本发明已以较佳实施例揭露如上，然其并非用以限定本发明。本发明所属技术领域中具有通常知识者，在不脱离本发明的精神和范围内，当可作各种的更动与润饰。因此，本发明的保护范围当视权利要求书所界定者为准。
Claims (8)
1.一种基于关键点识别校验的人脸识别方法，用于对活体目标对象进行人脸识别，其特征在于，当采集到目标对象的待识别图像时，基于人脸样本图像，进行目标对象的人脸识别，执行以下步骤：
步骤A、针对人脸样本图像，获得预设数量的活体目标对象的人脸图像、以及各个人脸图像分别对应的预设指定的各个属性特征值，针对人脸图像对应的目标对象，判断目标对象是否为活体；
当人脸图像对应的目标对象为非活体时，退出对目标对象的人脸识别步骤；
当人脸图像对应的目标对象为活体时，随后进入步骤B；
步骤B、针对目标对象进行人脸图像的采集，获得待识别图像，将待识别图像、以及其对应的属性特征值存储至人脸样本图像中，随后进入步骤C；
步骤C、针对待识别图像进行人脸轮廓的识别；
当人脸轮廓的识别结果能够获取完整人脸轮廓时，进入步骤D；
当人脸轮廓的识别结果不能够获取完整人脸轮廓时，进入步骤E；
当人脸轮廓的识别结果不能够获取人脸轮廓时，返回至步骤B，重新采集目标对象的待识别图像；
步骤D、根据人脸轮廓的提取待识别图像的属性特征值，比较待识别图像的属性特征值、以及各个人脸样本图像中对应的属性特征值，获取人脸属性特征值比较结果，进一步得到待识别图像的评价指标，所述评价指标包括提取人脸特征信息的正确率、错误率、以及召回率，随后进入步骤E；
步骤E、针对不能够获取完整人脸轮廓的待识别图像，利用神经网络对待识别图像进行模拟校正，得到校正待识别图像，同时更新待识别图像，将校正待识别图像更新为待识别图像，比较待识别图像的属性特征值、以及各个人脸样本图像中对应的属性特征值，获取人脸属性特征值比较结果，进一步得到待识别图像的评价指标，随后进入步骤F；
步骤F、对待识别图像进行人脸识别，保存当前待识别图像、待识别图像对应的属性特征值、以及人脸识别结果，随后结束人脸识别，退出识别状态。
2.根据权利要求1所述的一种基于关键点识别校验的人脸识别方法，其特征在于，所述步骤A中，对待识别图像进行两次活体识别，当活体识别的准确率达到预设正确阈值时，确定待识别图像为活体，得到活体识别结果；
在进行第一次活体识别时，以待识别图像的像素值作为活体判断数组，获取待识别图像对应的第一次特征值；
在进行第二次活体识别时，将待识别图像的像素值倍数缩小后作为活体判断数组，获取待识别图像对应的第二次特征值。
3.根据权利要求2所述的一种基于关键点识别校验的人脸识别方法，其特征在于，对待识别图像对应的目标对象进行是否为活体的识别，将待识别图像的各个像素点分别与第二次特征值对应的像素点、以及人脸样本图像中的人脸图像对应的像素点进行一一对比，当待识别图像的各个像素点分别与第二次特征值对应的像素点、以及人脸样本图像中人脸图像对应的像素点之间的相似度差值小于或等于预设相似度时，是否为活体识别完成，随后进入步骤B。
4.根据权利要求1所述的一种基于关键点识别校验的人脸识别方法，其特征在于，所述步骤D中，待识别图像与人脸样本图像保存的图像之间，人脸特征属性值与人脸样本图像中对应的属性特征值之间的像素差值小于或等于预设像素阈值时，获得人脸属性特征值比较结果，进一步得到待识别图像的评价指标，所述评价指标中，准确率、错误率、以及召回率根据以下公式计算：
其中，A、E、R分别为评价指标中的准确率、错误率、召回率，N为待识别图像的数量，Tp为待识别图像中人脸的数量，Tn为待识别图像中非人脸的数量，Fp为人脸数量中的非人脸数量，即人脸中的错误数量，Fn为非人脸数量中的人脸数量，即非人脸中的错误数量。
5.根据权利要求1所述的一种基于关键点识别校验的人脸识别方法，其特征在于，所述步骤E中，通过卷积神经网络模拟出完整的人脸轮廓，得到校正待识别图像。
6.一种基于关键点识别校验的人脸识别***，其特征在于，包括：
一个或多个处理器；
存储器，存储可***作的指令，所述指令在通过所述一个或多个处理器执行时使得所述一个或多个处理器执行操作，所述操作包括以下步骤：
步骤A、针对人脸样本图像，获得预设数量的活体目标对象的人脸图像、以及各个人脸图像分别对应的预设指定的各个属性特征值，针对人脸图像对应的目标对象，判断目标对象是否为活体；
当人脸图像对应的目标对象为非活体时，退出对目标对象的人脸识别步骤；
当人脸图像对应的目标对象为活体时，随后进入步骤B；
步骤B、针对目标对象进行人脸图像的采集，获得待识别图像，将待识别图像、以及其对应的属性特征值存储至人脸样本图像中，随后进入步骤C；
步骤C、针对待识别图像进行人脸轮廓的识别；
当人脸轮廓的识别结果能够获取完整人脸轮廓时，进入步骤D；
当人脸轮廓的识别结果不能够获取完整人脸轮廓时，进入步骤E；
当人脸轮廓的识别结果不能够获取人脸轮廓时，返回至步骤B，重新采集目标对象的待识别图像；
步骤D、根据人脸轮廓的提取待识别图像的属性特征值，比较待识别图像的属性特征值、以及各个人脸样本图像中对应的属性特征值，获取人脸属性特征值比较结果，进一步得到待识别图像的评价指标，所述评价指标包括提取人脸特征信息的正确率、错误率、以及召回率，随后进入步骤E；
步骤E、针对不能够获取完整人脸轮廓的待识别图像，利用神经网络对待识别图像进行模拟校正，得到校正待识别图像，同时更新待识别图像，将校正待识别图像更新为待识别图像，比较待识别图像的属性特征值、以及各个人脸样本图像中对应的属性特征值，获取人脸属性特征值比较结果，进一步得到待识别图像的评价指标，随后进入步骤F；
步骤F、对待识别图像进行人脸识别，保存当前待识别图像、待识别图像对应的属性特征值、以及人脸识别结果，随后结束人脸识别，退出识别状态。
7.一种存储软件的计算机可读取介质，其特征在于，所述软件包括能通过一个或多个计算机执行的指令，所述指令在被所述一个或多个计算机执行时执行如所述权利要求1-5中任意一项所述人脸识别方法的操作。
8.一种基于关键点识别校验的人脸识别装置，其特征在于，包括：
活体判断模块，用于针对人脸样本图像，获得预设数量的活体目标对象的人脸图像、以及各个人脸图像分别对应的预设指定的各个属性特征值，针对人脸图像对应的目标对象，判断目标对象是否为活体的模块；
待识别图像获取模块，用于针对目标对象进行人脸图像的采集，获得待识别图像，将待识别图像、以及其对应的属性特征值存储至人脸样本图像中的模块；
人脸轮廓识别模块，用于针对待识别图像进行人脸轮廓的识别的模块；
评价指标获取模块，用于根据人脸轮廓的提取待识别图像的属性特征值，比较待识别图像的属性特征值、以及各个人脸样本图像中对应的属性特征值，获取人脸属性特征值比较结果，进一步得到待识别图像的评价指标的模块；
模拟校正模块，用于针对不能够获取完整人脸轮廓的待识别图像，利用神经网络对待识别图像进行模拟校正，得到校正待识别图像，同时更新待识别图像，将校正待识别图像更新为待识别图像，比较待识别图像的属性特征值、以及各个人脸样本图像中对应的属性特征值，获取人脸属性特征值比较结果，进一步得到待识别图像的评价指标的模块；
人脸识别模块，用于保存当前待识别图像、待识别图像对应的属性特征值、以及人脸识别结果，随后结束人脸识别，退出识别状态的模块。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110170397.9A CN112801013B (zh) | 2021-02-08 | 2021-02-08 | 一种基于关键点识别校验的人脸识别方法、***及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110170397.9A CN112801013B (zh) | 2021-02-08 | 2021-02-08 | 一种基于关键点识别校验的人脸识别方法、***及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112801013A CN112801013A (zh) | 2021-05-14 |
| CN112801013B true CN112801013B (zh) | 2024-04-09 |
Family
ID=75814701
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110170397.9A Active CN112801013B (zh) | 2021-02-08 | 2021-02-08 | 一种基于关键点识别校验的人脸识别方法、***及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112801013B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117456589B (zh) * | 2023-12-22 | 2024-04-26 | 珠海早安科技有限公司 | 基于ai的人脸识别访问控制方法及门禁监控控制*** |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105243376A (zh) * | 2015-11-06 | 2016-01-13 | 北京汉王智远科技有限公司 | 一种活体检测方法和装置 |
| CN107844744A (zh) * | 2017-10-09 | 2018-03-27 | 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 |
| WO2018072102A1 (zh) * | 2016-10-18 | 2018-04-26 | 华为技术有限公司 | 一种人脸图像中眼镜去除方法及装置 |
| WO2019096008A1 (zh) * | 2017-11-20 | 2019-05-23 | 腾讯科技（深圳）有限公司 | 身份识别方法、计算机设备及存储介质 |
| CN110059546A (zh) * | 2019-03-08 | 2019-07-26 | 深圳神目信息技术有限公司 | 基于频谱分析的活体识别方法、装置、终端及可读介质 |
| CN112149497A (zh) * | 2020-08-10 | 2020-12-29 | 中标慧安信息技术股份有限公司 | 基于人脸识别的操作***安全登录方法 |
-
2021
- 2021-02-08 CN CN202110170397.9A patent/CN112801013B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105243376A (zh) * | 2015-11-06 | 2016-01-13 | 北京汉王智远科技有限公司 | 一种活体检测方法和装置 |
| WO2018072102A1 (zh) * | 2016-10-18 | 2018-04-26 | 华为技术有限公司 | 一种人脸图像中眼镜去除方法及装置 |
| CN107844744A (zh) * | 2017-10-09 | 2018-03-27 | 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 |
| 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 |
| WO2019096008A1 (zh) * | 2017-11-20 | 2019-05-23 | 腾讯科技（深圳）有限公司 | 身份识别方法、计算机设备及存储介质 |
| CN110059546A (zh) * | 2019-03-08 | 2019-07-26 | 深圳神目信息技术有限公司 | 基于频谱分析的活体识别方法、装置、终端及可读介质 |
| CN112149497A (zh) * | 2020-08-10 | 2020-12-29 | 中标慧安信息技术股份有限公司 | 基于人脸识别的操作***安全登录方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112801013A (zh) | 2021-05-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2021027336A1 (zh) | 基于***和签名的身份验证方法、装置和计算机设备 | |
| CN108229509B (zh) | 用于识别物体类别的方法及装置、电子设备 | |
| CN110728225B (zh) | 一种用于考勤的高速人脸搜索方法 | |
| CN110674712A (zh) | 交互行为识别方法、装置、计算机设备和存储介质 | |
| CN105787466B (zh) | 一种车辆类型的精细识别方法及*** | |
| US9489561B2 (en) | Method and system for estimating fingerprint pose | |
| CN107958230B (zh) | 人脸表情识别方法及装置 | |
| CN111626123A (zh) | 视频数据处理方法、装置、计算机设备及存储介质 | |
| CN110163069B (zh) | 用于辅助驾驶的车道线检测方法 | |
| CN110807491A (zh) | 车牌图像清晰度模型训练方法、清晰度检测方法及装置 | |
| WO2021000832A1 (zh) | 匹配人脸的方法、装置、计算机设备和存储介质 | |
| CN111832581B (zh) | 肺部特征识别方法、装置、计算机设备及存储介质 | |
| CN110909657A (zh) | 一种隧道表观病害图像识别的方法 | |
| CN112633221A (zh) | 一种人脸方向的检测方法及相关装置 | |
| CN112801013B (zh) | 一种基于关键点识别校验的人脸识别方法、***及装置 | |
| CN115761834A (zh) | 人脸识别的多任务混合模型和人脸识别方法 | |
| CN109752393B (zh) | 一种基于图像特征的贴片电阻型号检测方法及其装置 | |
| CN106709490B (zh) | 一种字符识别方法和装置 | |
| CN114359787A (zh) | 目标属性识别方法、装置、计算机设备及存储介质 | |
| CN108549899B (zh) | 一种图像识别方法及装置 | |
| CN107944393B (zh) | 人脸鼻尖定位方法 | |
| CN111968087B (zh) | 一种植物病害区域检测方法 | |
| CN112651417B (zh) | 车牌识别方法、装置、设备及存储介质 | |
| CN117152625A (zh) | 一种基于CoordConv和YOLOv5的遥感小目标识别方法、***、设备及介质 | |
| CN112308149A (zh) | 基于机器学习的图像信息识别的优化方法及装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| CB02 | Change of applicant information |
Address after: 210000 11th floor, building A1, Huizhi science and Technology Park, 8 Hengtai Road, Nanjing Economic and Technological Development Zone, Nanjing City, Jiangsu Province Applicant after: DILU TECHNOLOGY Co.,Ltd. Address before: Building C4, No. 55 Liyuan South Road, Moling Street, Jiangning District, Nanjing City, Jiangsu Province, 211100 Applicant before: DILU TECHNOLOGY Co.,Ltd. |
|
| CB02 | Change of applicant information | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |