CN112818885A - 人脸识别方法、装置、设备及存储介质 - Google Patents
人脸识别方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN112818885A CN112818885A CN202110175970.5A CN202110175970A CN112818885A CN 112818885 A CN112818885 A CN 112818885A CN 202110175970 A CN202110175970 A CN 202110175970A CN 112818885 A CN112818885 A CN 112818885A
- Authority
- CN
- China
- Prior art keywords
- face
- face image
- matching degree
- preset
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 87
- 238000004590 computer program Methods 0.000 claims description 16
- 238000012795 verification Methods 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 13
- 230000001815 facial effect Effects 0.000 claims 2
- 230000008569 process Effects 0.000 description 19
- 238000010586 diagram Methods 0.000 description 11
- 230000008859 change Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000001680 brushing effect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000001939 inductive effect Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000004399 eye closure Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000005206 flow analysis Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Collating Specific Patterns (AREA)
- Chair Legs, Seat Parts, And Backrests (AREA)
- Controlling Rewinding, Feeding, Winding, Or Abnormalities Of Webs (AREA)
- Telephone Function (AREA)
Abstract
本申请公开了一种人脸识别方法、装置、设备及存储介质,人脸识别方法包括:获取目标识别对象的第一人脸图像;根据第一人脸图像以及第一人脸库中各个预定对象的人脸图像,确定目标识别对象与各个预定对象的人脸匹配度;在人脸匹配度满足第一预定条件的情况下,从人脸匹配度序列中获取前M个人脸匹配度;第一预定条件包括以下至少一项:目标识别对象与多个预定对象的人脸匹配度大于第一预定阈值,最大的人脸匹配度与第一预定阈值的差值小于预定数值;计算M个人脸匹配度中的每相邻两个人脸匹配度的差值,得到M‑1个差值;根据M‑1个差值,在多个预定对象中确定与目标识别对象的人脸匹配的第一对象。本申请公开的人脸识别方法,能够减少误识别的风险。
Description
技术领域
本申请属于计算机技术领域,尤其涉及一种人脸识别方法、装置、设备及存储介质。
背景技术
人脸识别是人工智能视觉领域的热点研究和应用方向,该技术现已被广泛应用于商业客流分析、安防监控、手机应用、机构信息验证比对等场景。
相关技术中的人脸识别方案是将现场采集的人脸图像与人脸库中的各个人脸图像进行相似度计算,在现场采集的人脸图像与人脸库中的某个人脸图像的相似度大于预定阈值的情况下,则认为两者匹配,否则,认为两者不匹配。
但是,上述人脸识别的方案较为简单,出现误识别的风险比较高。
发明内容
本申请实施例提供一种人脸识别方法、装置、设备及存储介质,能够解决在人脸识别时出现误识别的风险比较高的技术问题。
第一方面,本申请实施例提供一种人脸识别方法,包括:
获取目标识别对象的第一人脸图像;
根据所述第一人脸图像以及第一人脸库中各个预定对象的人脸图像,确定所述目标识别对象与各个所述预定对象的人脸匹配度;
在所述人脸匹配度满足第一预定条件的情况下,从人脸匹配度序列中获取前M个人脸匹配度,所述人脸匹配度序列为所述目标识别对象与各个所述预定对象的人脸匹配度按照从大到小的顺序排列得到的序列;M为大于1的整数,所述第一预定条件包括以下至少一项:所述目标识别对象与多个所述预定对象的人脸匹配度大于第一预定阈值,最大的所述人脸匹配度与所述第一预定阈值的差值小于预定数值;
计算M个所述人脸匹配度中的每相邻两个所述人脸匹配度的差值,得到M-1个差值;
根据所述M-1个差值,在多个所述预定对象中确定与所述目标识别对象的人脸匹配的第一对象。
第二方面,本申请实施例提供了一种人脸识别装置,包括:
第一获取模块,用于获取目标识别对象的第一人脸图像;
第一确定模块,用于根据所述第一人脸图像以及第一人脸库中各个预定对象的人脸图像,确定所述目标识别对象与各个所述预定对象的人脸匹配度;
第二获取模块,用于在所述人脸匹配度满足第一预定条件的情况下,从人脸匹配度序列中获取前M个人脸匹配度,所述人脸匹配度序列为所述目标识别对象与各个所述预定对象的人脸匹配度按照从大到小的顺序排列得到的序列;M为大于1的整数,所述第一预定条件包括以下至少一项:所述目标识别对象与多个所述预定对象的人脸匹配度大于第一预定阈值,最大的所述人脸匹配度与所述第一预定阈值的差值小于预定数值;
第一计算模块,用于计算M个所述人脸匹配度中的每相邻两个所述人脸匹配度的差值,得到M-1个差值;
第二确定模块,用于根据所述M-1个差值,在多个所述预定对象中确定与所述目标识别对象的人脸匹配的第一对象。
第三方面,本申请实施例提供了一种人脸识别设备,所述设备包括:处理器以及存储有计算机程序指令的存储器,所述处理器执行所述计算机程序指令时实现第一方面的人脸识别方法。
第四方面,本申请实施例提供了一种计算机存储介质,所述计算机存储介质上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现第一方面的人脸识别方法。
本申请实施例的人脸识别方法、装置、设备及存储介质,在确定目标识别对象与人脸库中各个预定对象的人脸匹配度之后,如果出现目标识别对象与多个预定对象的人脸匹配度大于第一预定阈值,则说明有多个预定对象与目标识别对象的人脸匹配度较高。还有如果出现最大的人脸匹配度与第一预定阈值的差值小于预定数值,则说明最大的人脸匹配度与第一预定阈值比较接近。在上述情况中,容易出现误识别的风险。因此,获取较大的M个人脸匹配度,然后,计算M个人脸匹配度中的每相邻两个人脸匹配度的差值,得到M-1个差值;根据M-1个差值,在多个预定对象中确定与目标识别对象的人脸匹配的第一对象。由于并非仅判断最大的人脸匹配度是否大于阈值来进行人脸识别,而是在人脸识别过程中考虑了更多的因素,使得人脸识别的结果更加准确,减少误识别的风险。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图作简单地介绍,显而易见地,下面所描述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是本申请提供的一种人脸识别方法的一个实施例的流程示意图。
图2是本申请提供的一种人脸识别方法的另一个实施例的流程示意图。
图3是本申请提供的一种人脸识别方法的又一个实施例的流程示意图。
图4是本申请提供的一种人脸识别方法的再一个实施例的流程示意图。
图5是本申请提供的一种人脸识别装置的一个实施例的结构示意图。
图6示出了本申请提供的人脸识别设备的一个实施例的硬件结构示意图。
具体实施方式
下面将详细描述本申请的各个方面的特征和示例性实施例,为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及具体实施例,对本申请进行进一步详细描述。应理解,此处所描述的具体实施例仅意在解释本申请,而不是限定本申请。对于本领域技术人员来说,本申请可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本申请的示例来提供对本申请更好的理解。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括……”限定的要素,并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。
随着人脸识别技术的发展,人脸识别已经广泛应用于各个领域。在人脸识别过程中,人脸识别请求先通过人脸路由网关,送至生物特征识别相关平台,然后由生物特征识别相关平台进行人脸识别。在人脸识别过程中,高效、准确的识别服务越来越重要。
在相关技术中,人脸库中预先存储各个预定对象的人脸图像,在对目标识别对象进行人脸识别时,先采集目标识别对象的人脸图像,然后,根据采集的人脸图像和人脸库中各个预定对象的人脸图像,计算目标识别对象与各个预定对象的人脸匹配度。如果有一个人脸匹配度大于一定阈值,则认为两者匹配,否则,认为两者不匹配。
不同识别策略可能基于上述过程进行不同的优化,如在人脸库中进行人脸检索,人脸库中有且仅有一个预定人脸与目标识别对象的人脸匹配度超过阈值,才认为不会发生风险,作为明确的识别匹配结果。
但是,在人脸库中的人脸图像数量较大的情况下,容易发生误识风险,即可能存在多个人脸匹配度均大于阈值,或者大于阈值的人脸匹配度与该阈值比较接近。在这些情况下,很容易出现误识别,导致出现人脸误识别的风险比较高。
为了解决人脸误识别的风险比较高的技术问题,本申请提供一种人脸识别方法,人脸识别方法可以应用于人脸识别设备。人脸识别设备可以是移动电子设备,也可以为非移动电子设备。示例性的,移动电子设备可以为手机、平板电脑、笔记本电脑、掌上电脑、车载电子设备、可穿戴设备、超级移动个人计算机(ultra-mobile personal computer,UMPC)、上网本或者个人数字助理(personal digital assistant,PDA)等,非移动电子设备可以为服务器、网络附属存储器(Network Attached Storage,NAS)、个人计算机(personalcomputer,PC)、电视机(television,TV)、柜员机或者自助机等,本申请实施例不作具体限定。
在人脸识别方法中,先获取目标识别对象的第一人脸图像;根据第一人脸图像以及第一人脸库中各个预定对象的人脸图像,确定目标识别对象与各个预定对象的人脸匹配度。
在确定目标识别对象与第一人脸库中各个预定对象的人脸匹配度之后,如果出现目标识别对象与多个预定对象的人脸匹配度均大于第一预定阈值,则说明有多个预定对象与目标识别对象的人脸匹配度较高。还有如果出现最大的人脸匹配度与第一预定阈值的差值小于预定数值,则说明最大的人脸匹配度与第一预定阈值较为接近。对于上述情况,很容易出现误识别的风险。
因此,获取较大的M个人脸匹配度,然后,计算M个人脸匹配度中的每相邻两个人脸匹配度的差值,得到M-1个差值;根据M-1个差值,在多个预定对象中确定与目标识别对象的人脸匹配的第一对象。由于并非仅判断最大的人脸匹配度是否大于阈值来进行人脸识别,而是在人脸识别过程中考虑了更多的因素,如此,可以使得人脸识别的结果更加准确,减少误识别的风险。
下面结合附图说明本申请提供的人脸识别方法。图1是本申请提供的一种人脸识别方法的一个实施例的流程示意图。
如图1所示,人脸识别方法100包括:
S102,获取目标识别对象的第一人脸图像。
在S102中,可以接收来自电子设备发送的第一人脸图像。比如,在用户使用电子设备进行支付时,电子设备对用户的人脸进行采集,得到第一人脸图像,并将第一人脸图像发送至人脸识别设备。人脸识别设备接收电子设备发送的第一人脸图像。
人脸识别方法100还包括:
S104,根据第一人脸图像以及第一人脸库中各个预定对象的人脸图像,确定目标识别对象与各个预定对象的人脸匹配度。
在S104中,可以计算第一人脸图像与第一人脸库中各个预定对象的人脸图像之间的相似度,根据相似度确定目标识别对象与各个预定对象的人脸匹配度。
人脸识别方法100还包括:
S106,在人脸匹配度满足第一预定条件的情况下,从人脸匹配度序列中获取前M个人脸匹配度,人脸匹配度序列为目标识别对象与各个预定对象的人脸匹配度按照从大到小的顺序排列得到的序列;M为大于1的整数,第一预定条件包括以下至少一项:目标识别对象与多个预定对象的人脸匹配度大于第一预定阈值,最大的人脸匹配度与第一预定阈值的差值小于预定数值。
在S106中,在目标识别对象与多个预定对象的人脸匹配度大于第一预定阈值的情况下,说明有多个预定对象与目标识别对象的人脸匹配度较高,也就是说有多个预定对象的人脸与目标识别对象的人脸比较相似。在此情况下,比较容易出现误识别的风险。
还有如果出现最大的人脸匹配度与第一预定阈值的差值小于预定数值,说明最大的人脸匹配度与第一预定阈值相差比较小,比如,最大的人脸匹配度在第一预定阈值的上下0.5的范围内波动。出现这种情况有可能是受环境和采集人脸图像的角度的影响,导致目标识别对象与各个预定对象的人脸匹配度都不是很高,在此情况下,也容易出现误识别的风险。
针对上述情况,首先,将计算得到的人脸匹配度按照从大到小的顺序,得到人脸匹配度序列,然后,从人脸匹配度序列中获取前M个人脸匹配度。
人脸识别方法100还包括:
S108,计算M个人脸匹配度中的每相邻两个人脸匹配度的差值,得到M-1个差值;
S110,根据M-1个差值,在多个预定对象中确定与目标识别对象的人脸匹配的第一对象。
在本申请实施例中,由于并非仅判断最大的人脸匹配度是否大于阈值来进行人脸识别,而是在人脸识别过程中考虑了更多的因素,如此,可以使得人脸识别的结果更加准确,减少误识别的风险。
需要说明的是,人脸识别方法可以应用于支付场景、安防监控、考勤打卡等多种场景中,在此并不限定。
下面以支付场景为例说明本申请提供的人脸识别方法。
在利用电子设备进行支付的过程中,电子设备先采集目标识别对象的第一人脸图像,并将第一人脸图像发送至支付服务器(即人脸识别设备)。
支付服务器接收到第一人脸图像之后,基于上述的人脸识别方法100,先根据第一人脸图像以及第一人脸库中各个预定对象的人脸图像,确定目标识别对象与各个预定对象的人脸匹配度;再获取前M个人脸匹配度;然后,计算每相邻两个人脸匹配度的差值,并在多个预定对象中确定与目标识别对象的人脸匹配的第一对象;最后,根据目标识别对象与第一对象人脸匹配成功的结果,执行支付流程,在执行完支付流程之后,将支付成功的结果返回至电子设备。
电子设备接收到支付服务器发送的支付成功的结果之后,显示支付成功的信息。
还需要说明的是,在各个人脸匹配度中,有且仅有最大的人脸匹配度大于第一预定阈值,其他的人脸匹配度均在第一预定阈值之下,说明此次识别结果比较可靠,可以直接确定最大的人脸匹配度对应的预定对象与目标识别对象的人脸匹配成功。
在本申请的一个或多个实施例中,S110可以包括:
在M-1个差值满足第二预定条件的情况下,将最大的人脸匹配度对应的预定对象确定为第一对象,其中,第二预定条件包括:M-1个差值中的第一差值大于预定差值阈值,第一差值为最大的人脸匹配度与次最大的人脸匹配度之间的差值。
作为一个示例,可以根据人脸识别成功的多个正样本确定预定差值阈值,其中,多个正样本为人脸识别成功的多个人脸图像样本。
其中,根据人脸识别成功的多个正样本确定预定差值阈值,具体可以包括:
对于每个人脸图像样本分别执行如下步骤:获取人脸图像样本与第一人脸库中预定对象的相似度;将各个相似度按照从大到小的顺序排列;获取排名第一的相似度以及排名第二的相似度;计算排名第一的相似度以及排名第二的相似度之间的相似度差值,如此,得到人脸图像样本对应的相似度差值;
在得到各个人脸图像样本分别对应的相似度差值之后,可以在这些相似度差值中,统计百分比最大的相似度差值,将百分比最大的相似度差值确定为预定差值阈值。比如,有80%的人脸图像样本对应的相似度差值为5分,则将5确定为预定差值阈值。
当然,确定预定差值阈值的方式并不限于上述方式,还可以在得到各个人脸图像样本分别对应的相似度差值之后,计算各个人脸图像样本分别对应的相似度差值的平均值,得到预定差值阈值。
由于对人脸匹配度进行分析得出:在人脸匹配成功的样本中,最大的人脸匹配度(即第一个人脸匹配度)比次最大的人脸匹配度(即第二个人脸匹配度)要大很多。因此,在最大的人脸匹配度与次最大的人脸匹配度之间的差值大于预定差值阈值的情况下,可以认为本次人脸识别结果比较可信,并确定最大的人脸匹配度对应的预定对象与第一对象匹配。由此,优化了人脸识别方案,使得人脸识别的结果更加准确,减少误识别的风险。
在本申请的一个或多个实施例中,第二预定条件还可以包括:第二差值不大于预定差值阈值,第二差值为M-1个差值中的除第一差值之外的差值。
在本申请实施例中,第二预定条件包括:第一差值大于预定差值阈值,其余的第二差值不大于预定差值阈值,也就是说最大的人脸匹配度与次最大的人脸匹配度之间相差比较大,其余的人脸匹配度相差比较小,即人脸匹配度序列整体呈现出“首部陡峭,后续平滑”的变化趋势。在此情况下,认为本次识别结果可信。如此,可以进一步地保证人脸识别结果的准确性。
下面通过具体的示例说明本申请实施例。
在确定目标识别对象与各个预定对象的人脸匹配度之后,如果目标识别对象与多个预定对象的人脸匹配度均大于第一预定阈值,则从人脸匹配度序列中获取前5个人脸匹配度,5个人脸匹配度按照从大到小的顺序排列。
在5个人脸匹配度中,如果第一个人脸匹配度与第二个人脸匹配度的差值大于预定差值阈值,以及第二个人脸匹配度与第三个人脸匹配度的差值、第三个人脸匹配度与第四个人脸匹配度的差值、第四个人脸匹配度与第五个人脸匹配度的差值分别小于预定差值阈值,即5个人脸匹配度呈现出“首部陡峭,后续平滑”的变化趋势,则认为本次识别结果可信,确定最大的人脸匹配度对应的预定对象与目标识别对象匹配,否则认为本次识别待定。
在确定目标识别对象与各个预定对象的人脸匹配度之后,如果最大的人脸匹配度与第一预定阈值的差值小于预定数值,则从人脸匹配度序列中获取前两个人脸匹配度,在这两个人脸匹配度的差值大于预定差值阈值的情况下,则认为本次识别结果可信,确定最大的人脸匹配度对应的预定对象与目标识别对象匹配,否则认为本次识别待定。
对于本次识别待定的情况,可以配合业务进行不同的辅助业务手段,如要求用户输入额外的身份验证信息,身份验证信息包括以下至少一项:注册手机号、身份证号等等。当然,对于本次识别待定的情况,也可直接拒绝,提示用户本次无法识别。
在相关技术中,第一人脸库中预先存储有每个预定对象的一张人脸图像,采用单张图对比的方式计算目标识别对象与各个预定对象的人脸匹配度。具体地,将目标识别对象的人脸图像与预定对象的人脸图像的相似度,确定为人脸匹配度。
但是,由于受到拍摄环境和拍摄角度的影响,有时候目标识别对象的人脸图像与预定对象的人脸图像之间的一个相似度无法准确地确定两者之间的人脸匹配度。如此,会导致人脸识别结果不够准确。
为了解决由于无法准确地确定目标识别对象与预定对象的人脸匹配度,而导致的人脸识别结果不够准确的技术问题,在本申请的一个或多个实施例中,第一人脸库包括同一个预定对象的N个人脸图像,N为大于1的整数。
其中,如图2所示,S104可以包括:
S1042,对于第一人脸库中同一个预定对象的N个人脸图像,计算第一人脸图像分别与N个人脸图像中的每个人脸图像的相似度,得到N个相似度;
S1044,根据N个相似度,确定目标识别对象与预定对象的人脸匹配度。
在S1042中,可以计算第一人脸图像与N个人脸图像中的每个人脸图像的欧式距离,得到相似度;或者,计算第一人脸图像与N个人脸图像中的每个人脸图像的余弦距离,得到相似度。
在S1044中,S1044具体可以包括以下其中一项:
将N个相似度中的最大相似度确定为目标识别对象与预定对象的人脸匹配度;
在N个相似度中的第一相似度大于第一预定阈值的情况下,将第一相似度确定为目标识别对象与预定对象的人脸匹配度,第一相似度为第一人脸图像与多个人脸图像中的第二人脸图像的相似度,第二人脸图像为在进行人脸识别设置时采集的人脸图像;
将N个相似度中的至少部分相似度的平均值确定为目标识别对象与预定对象的人脸匹配度,具体地,可以将N个相似度的平均值确定为目标识别对象与预定对象的人脸匹配度,或者,可以从N个相似度中获取大于一定阈值的多个相似度,计算多个相似度的平均值,得到人脸匹配度;
根据N个相似度中各个相似度的权重值,对N个相似度进行加权计算,得到目标识别对象与预定对象的人脸匹配度。
下面对N个相似度进行加权计算进行示例性地说明。
作为一个示例,第一人脸库中包括预定对象的N个人脸图像,N个人脸图中包括在进行人脸识别设置时采集的一个第二人脸图像,以及在进行人脸识别的过程中添加的N-1个人脸图像。
目标识别对象与预定对象的人脸匹配度为:P1×a1+P2×a2+……PN×aN,Pi表示第一人脸图像与N个人脸图像中的第i个人脸图像的相似度。
由于在某种程度上,在进行人脸识别设置时采集的第二人脸图像更具有说明意义,则在计算人脸匹配度时,第一人脸图像与第二人脸图像的相似度可以具有较大的权重值。
需要说明的是,在进行人脸识别设置时采集的第二人脸图像的质量比较高,具体地,第二人脸图像的人脸角度、人脸大小、人脸遮挡情况、闭眼情况、清晰程度、像素大小以及曝光参数在一定的参数范围内。
在本申请实施例中,第一人脸库中存储有同一个预定对象的多个人脸图像,计算第一人脸图像与预定对象的每个人脸图像的相似度,得到多个相似度,根据多个相似度,可以准确地确定目标识别对象与预定对象的人脸匹配度,从而可以更加准确地进行人脸识别。
在本申请的一个或多个实施例中,S110之后,人脸识别方法还可以包括:
在最大的人脸匹配度大于第二预定阈值的情况下,将第一人脸图像作为第一对象的人脸图像添加至第一人脸库中,其中,第二预定阈值为大于第一预定阈值的数值。
作为一个示例,第一人脸图像添加至第一人脸库的条件不仅要满足最大的人脸匹配度大于第二预定阈值,还可以满足如下条件:第一人脸图像的人脸角度、人脸大小、人脸遮挡情况、闭眼情况、清晰程度、像素大小以及曝光参数在一定的参数范围内,以及在确定与目标识别对象匹配的对象之后,利用人脸识别进行的业务(比如支付业务)成功完成。
如此,可以使得第一人脸库中包括同一预定对象的多个人脸图像。
在本申请的一个或多个实施例中,将第一人脸图像作为第一对象的人脸图像添加至第一人脸库中之后,人脸识别方法100还可以包括:
在第一人脸库中第一对象的人脸图像数量大于预定数量阈值的情况下,在第一人脸库的第一对象的人脸图像中,获取第三人脸图像,第三人脸图像为除人脸识别设置时采集的人脸图像之外的人脸图像;
根据各个第三人脸图像分别对应的人脸匹配度,删除至少一个第三人脸图像中人脸匹配度最小的人脸图像。
其中,第三人脸图像对应的人脸匹配度为:对第三人脸图像中的人脸进行识别时计算得到的第三人脸图像中的对象与第一对象的人脸匹配度。
需要说明的是,在第一人脸库中第一对象的人脸图像数量不大于预定数量阈值的情况下,不需要删除第一人脸库中第一对象的人脸图像。
下面对本申请实施例进行示例性说明。
假设第一人脸库中具有第一对象的两个人脸图像,分别是人脸图像1和人脸图像2。其中,人脸图像1是人脸识别设置时采集的人脸图像,人脸图像2是进行人脸识别的过程中添加至第一人脸库中的人脸图像。
在进行人脸识别时,根据目标识别对象的人脸图像3和第一对象的两个人脸图像,确定目标识别对象与第一对象的人脸匹配度Y1,并确定目标识别对象与第一对象的人脸匹配。在此情况下,可以将人脸图像3作为第一对象的人脸图像添加至第一人脸库中。如此,第一人脸库中具有第一对象的三个人脸图像。
在此之后进行人脸识别时,根据目标识别对象的人脸图像4和第一对象的三个人脸图像,确定目标识别对象与第一对象的人脸匹配度Y2,并确定目标识别对象与第一对象的人脸匹配。在此情况下,可以将将人脸图像4作为第一对象的人脸图像添加至第一人脸库中。
由于此时第一人脸库中第一对象的人脸图像数量大于预定数量阈值3,因此,需要删除第一对象的一个人脸图像,使得第一人脸库中第一对象的人脸图像数量等于预定数量阈值3。具体地,先获取第一人脸库中第一对象的各个第三人脸图像(即人脸图像2至人脸图像4)分别对应的人脸匹配度,其中,人脸图像3对应的人脸匹配度为上述的Y1,人脸图像4对应的人脸匹配度为上述的Y1。在人脸图像2至人脸图像4中,删除人脸匹配度最小的人脸图像。
如此,删除第一人脸库中质量不好的人脸图像。而且,经过不断向第一人脸库中添加人脸图像,以及不断删除脸库中质量不好的人脸图像,使得第一人脸库中的人脸图像不断更新,并保存质量较好的人脸图像。在利用更新后的第一人脸库进行人脸识别时,可以保证人脸识别结果的准确性。
需要说明的是,人脸识别设置时采集的人脸图像(比如上述示例中的人脸图像1)不参与第一人脸库的更新,而是在进行人脸识别时添加的人脸图像(比如上述示例中的人脸图像2至人脸图像4)参与第一人脸库的更新。
在本申请的一个或多个实施例中,如图3所示,S110之后,人脸识别方法100还可以包括:
S112,在第一人脸库的第一对象的人脸图像中,确定是否存在与第一人脸图像的相似度小于第三预定阈值的第四人脸图像,第三预定阈值为小于第一预定阈值的数值;
S114,在存在第四人脸图像的情况下,将第四人脸图像对应的第一参数值加1,第一参数值表示第四人脸图像与至少一个目标识别对象的第一人脸图像之间的不匹配次数;
S116,在第一参数值大于预定的第一次数阈值的情况下,将第四人脸图像从第一人脸库中删除。
在本申请实施例中,如果目标识别对象与第一对象匹配,而目标识别对象的第一人脸图像与第一人脸库中第一对象的第四人脸图像的相似度较小。在此情况下,将第四人脸图像对应的第一参数值加1,也就是第四人脸图像的不匹配次数加1。在第一参数值大于预定的第一次数阈值的情况下,说明可能是因为在人脸识别过程中由于个别角度等原因使得第四人脸图像的人脸匹配度过高,而导致第四人脸图像误添加至第一人脸库中。此时,可以将第四人脸图像从第一人脸库中删除,如此可以删除误添加至第一人脸库中的人脸图像,从而不断优化第一人脸库。
在本申请的一个或多个实施例中,人脸识别方法100还可以包括:在M-1个差值不满足第二预定条件的情况下,可以获取目标识别对象输入的身份验证信息(比如身份证号码或者验证码),根据身份验证信息对目标识别对象进行识别。
在本申请的一个或多个实施例中,上述中的第一人脸图像以及第一人脸库中各个预定对象的人脸图像可以均为二维的红绿蓝(Red Green Blue,RGB)人脸图像。在根据二维的人脸图像无法识别出与目标识别对象匹配的对象的情况下,由于三维人脸图像中包含人脸各个部位的高度信息,因此,可以根据包括三维人脸图像的第二人脸库进行识别。
具体地,可以预先构建第二人脸库。其中,可以在用户进行人脸识别设置时采集三维人脸图像,以构建第二人脸库。但是,电子设备的摄像头硬件不同,如果电子设备的硬件不支持采集三维人脸图像,则第二人脸库中预定对象的三维人脸图像为空。如果电子设备采集到预定对象的三维人脸图像,并且采集的三维人脸图像符合质量要求,则将采集的三维人脸图像保存至第二人脸库中。
另外,在进行诸如刷脸支付、门禁等刷脸场景下,电子设备进行人脸识别时,需要进行活体检测,往往都带有特定的硬件摄像头,可支持采集三维人脸图像。在识别对象通过活体检测,识别成功,以及完成业务(比如支付成功或者门禁开锁)后,将采集到的三维人脸图像添加至该识别对象的第二人脸库中。
需要说明的是,第二人脸库中的各个三维人脸图像与第二参数值3D_OKR一一对应。三维人脸图像对应的第二参数值3D_OKR表示利用该三维人脸图像进行人脸识别成功的次数。三维人脸图像对应的第二参数值3D_OKR的初始数值为0。
如果某个三维人脸图像对应的第二参数值3D_OKR大于预定的第二次数阈值POSITIVE_MAX_3DOKR,说明利用该三维人脸图像进行人脸识别成功的次数比较多,进而说明该三维人脸图像是可信的。因此,如果根据该三维人脸图像识别成功,则不需要再额外获取目标识别对象输入的身份验证信息来进行识别,而是可以使用该三维人脸图像的识别结果。
其中,第二次数阈值POSITIVE_MAX_3DOKR取值为0时,表示省略获取目标识别对象输入的身份验证信息来进行识别的步骤,可以直接使用三维图像辅助识别策略。
在构建完第二人脸库之后,如果利用第一人脸库进行识别时存在误识别风险,则启动三维图像辅助识别策略。具体地,如图4所示,在S110之后,人脸识别方法100还可以包括:
S118,在M-1个差值不满足第二预定条件的情况下,获取目标识别对象的第一三维人脸图像;
S120,将第一三维人脸图像与第二人脸库中预定对象的三维人脸图像进行匹配;
S122,在第一三维人脸图像与第二人脸库中第二对象的第二三维人脸图像匹配成功,且第二三维人脸图像对应的第二参数值大于预定的第二次数阈值的情况下,确定目标识别对象与第二对象的人脸匹配。
需要说明的是,第二对象和第一对象可以是同一个对象,也可以是不同的对象。
在本申请实施例中,可以根据第二人脸库中的三维人脸图像辅助进行无感验证,减少用户的输入和感知,提升用户体验。
在本申请的一个或多个实施例中,S110之后,人脸识别方法100还可以包括:
第二参数值3D_OKR不大于第二次数阈值POSITIVE_MAX_3DOKR的情况下,获取目标识别对象的身份验证信息,身份验证信息是除人脸信息之外的信息;
利用身份验证信息进行身份识别,得到识别结果;
在利用身份验证信息的识别结果与利用第一三维人脸图像的人脸识别结果一致的情况下,将第二参数值3D_OKR加1;
在利用第一三维人脸图像的人脸识别结果与利用身份验证信息的识别结果不一致的情况下,将第二参数值3D_OKR减1。
其中,利用身份验证信息的识别结果与利用第一三维人脸图像的人脸识别结果一致,具体可以包括:
身份验证信息与第二对象的预定身份信息匹配成功,以及第一三维人脸图像与第二人脸库中第二对象的第二三维人脸图像匹配成功;
或者,身份验证信息与第二对象的预定身份信息不匹配,以及第一三维人脸图像与第二人脸库中第二对象的第二三维人脸图像不匹配。
利用第一三维人脸图像的人脸识别结果与利用身份验证信息的识别结果不一致,具体可以包括:
身份验证信息与第二对象的预定身份信息不匹配,以及第一三维人脸图像与第二人脸库中第二对象的第二三维人脸图像匹配成功;
或者,身份验证信息与第二对象的预定身份信息匹配成功,以及第一三维人脸图像与第二人脸库中第二对象的第二三维人脸图像不匹配。
在本申请的一个或多个实施例中,将第二参数值3D_OKR减1之后,人脸识别方法100还可以包括:
在减1之后的第二参数值3D_OKR小于预定的第三次数阈值NEGATIVE_MAX_3DOKR的情况下,说明利用第二三维人脸图像进行人脸识别失败的次数比较多,则删除第二人脸库中的第二三维人脸图像。如此,不断更新第二人脸库,从而不断提高第二人脸库中的三维人脸图像的质量,降低利用第二人脸库中的三维人脸图像进行人脸识别的风险。
其中,第三次数阈值NEGATIVE_MAX_3DOKR小于第二次数阈值POSITIVE_MAX_3DOKR。
与本申请提供的人脸识别方法对应地,本申请还提供一种人脸识别装置。图5是本申请提供的一种人脸识别装置的一个实施例的结构示意图。如图5所示,人脸识别装置200包括:
第一获取模块202,用于获取目标识别对象的第一人脸图像;
第一确定模块204,用于根据第一人脸图像以及第一人脸库中各个预定对象的人脸图像,确定目标识别对象与各个预定对象的人脸匹配度;
第二获取模块206,用于在人脸匹配度满足第一预定条件的情况下,从人脸匹配度序列中获取前M个人脸匹配度,人脸匹配度序列为目标识别对象与各个预定对象的人脸匹配度按照从大到小的顺序排列得到的序列;M为大于1的整数,第一预定条件包括以下至少一项:目标识别对象与多个预定对象的人脸匹配度大于第一预定阈值,最大的人脸匹配度与第一预定阈值的差值小于预定数值;
第一计算模块208,用于计算M个人脸匹配度中的每相邻两个人脸匹配度的差值,得到M-1个差值;
第二确定模块210,用于根据M-1个差值,在多个预定对象中确定与目标识别对象的人脸匹配的第一对象。
在本申请实施例中,由于并非仅判断最大的人脸匹配度是否大于阈值来进行人脸识别,而是在人脸识别过程中考虑了更多的因素,如此,可以使得人脸识别的结果更加准确,减少误识别的风险。
在本申请的一个或多个实施例中,第二确定模块210具体可以用于:
在M-1个差值满足第二预定条件的情况下,将最大的人脸匹配度对应的预定对象确定为第一对象,
其中,第二预定条件包括:M-1个差值中的第一差值大于预定差值阈值,第一差值为最大的人脸匹配度与次最大的人脸匹配度之间的差值。
由于对人脸匹配度进行分析得出:在人脸匹配成功的样本中,最大的人脸匹配度(即第一个人脸匹配度)比次最大的人脸匹配度(即第二个人脸匹配度)要大很多。因此,在最大的人脸匹配度与次最大的人脸匹配度之间的差值大于预定差值阈值的情况下,可以认为本次人脸识别结果比较可信,并确定最大的人脸匹配度对应的预定对象与第一对象匹配。由此,优化了人脸识别方案,使得人脸识别的结果更加准确,减少误识别的风险。
在本申请的一个或多个实施例中,第二预定条件还包括:第二差值不大于预定差值阈值,第二差值为M-1个差值中的除第一差值之外的差值。
在本申请实施例中,第二预定条件包括:第一差值大于预定差值阈值,其余的第二差值不大于预定差值阈值,也就是说最大的人脸匹配度与次最大的人脸匹配度之间相差比较大,其余的人脸匹配度相差比较小,即人脸匹配度序列整体呈现出“首部陡峭,后续平滑”的变化趋势。在此情况下,认为本次识别结果可信。如此,可以进一步地保证人脸识别结果的准确性。
在本申请的一个或多个实施例中,第一确定模块204可以包括:
第一计算单元,用于对于第一人脸库中同一个预定对象的N个人脸图像,计算第一人脸图像分别与N个人脸图像中的每个人脸图像的相似度,得到N个相似度,N为大于1的整数;
第一确定单元,用于根据N个相似度,确定目标识别对象与预定对象的人脸匹配度。
在本申请实施例中,第一人脸库中存储有同一个预定对象的多个人脸图像,计算第一人脸图像与预定对象的每个人脸图像的相似度,得到多个相似度,根据多个相似度,可以准确地确定目标识别对象与预定对象的人脸匹配度,从而可以更加准确地进行人脸识别。
在本申请的一个或多个实施例中,第一确定单元可以包括以下其中一项:
第一确定子单元,用于将N个相似度中的最大相似度确定为目标识别对象与预定对象的人脸匹配度;
第二确定子单元,用于在N个相似度中的第一相似度大于第一预定阈值的情况下,将第一相似度确定为目标识别对象与预定对象的人脸匹配度,第一相似度为第一人脸图像与多个人脸图像中的第二人脸图像的相似度,第二人脸图像为在进行人脸识别设置时采集的人脸图像;
第三确定子单元,用于将N个相似度中的至少部分相似度的平均值确定为目标识别对象与预定对象的人脸匹配度;
第四确定子单元,用于根据N个相似度中各个相似度的权重值,对N个相似度进行加权计算,得到目标识别对象与预定对象的人脸匹配度。
在本申请的一个或多个实施例中,人脸识别装置200还可以包括:
添加模块,用于在最大的人脸匹配度大于第二预定阈值的情况下,将第一人脸图像作为第一对象的人脸图像添加至第一人脸库中,其中,第二预定阈值为大于第一预定阈值的数值。
在本申请的一个或多个实施例中,人脸识别装置200还可以包括:
第三获取模块,用于在第一人脸库中第一对象的人脸图像数量大于预定数量阈值的情况下,在第一人脸库的第一对象的人脸图像中,获取第三人脸图像,第三人脸图像为除人脸识别设置时采集的人脸图像之外的人脸图像;
第一删除模块,用于根据各个第三人脸图像分别对应的人脸匹配度,删除至少一个第三人脸图像中人脸匹配度最小的人脸图像,
其中,第三人脸图像对应的人脸匹配度为:对第三人脸图像中的人脸进行识别时计算得到的第三人脸图像中的对象与第一对象的人脸匹配度。
在本申请实施例中,可以删除第一人脸库中质量不好的人脸图像,使得第一人脸库中的人脸图像不断更新,并保存质量较好的人脸图像。在利用更新后的第一人脸库进行人脸识别时,可以保证人脸识别结果的准确性。
在本申请的一个或多个实施例中,人脸识别装置200还可以包括:
第三确定模块,用于在第一人脸库的第一对象的人脸图像中,确定是否存在与第一人脸图像的相似度小于第三预定阈值的第四人脸图像,第三预定阈值为小于第一预定阈值的数值;
第二计算模块,用于在存在第四人脸图像的情况下,将第四人脸图像对应的第一参数值加1,第一参数值表示第四人脸图像与至少一个目标识别对象的第一人脸图像之间的不匹配次数;
第二删除模块,用于在第一参数值大于预定的第一次数阈值的情况下,将第四人脸图像从第一人脸库中删除。
在本申请实施例中,如果目标识别对象与第一对象匹配,而目标识别对象的第一人脸图像与第一人脸库中第一对象的第四人脸图像的相似度较小。在此情况下,将第四人脸图像对应的第一参数值加1,也就是第四人脸图像的不匹配次数加1。在第一参数值大于预定的第一次数阈值的情况下,说明可能是因为在人脸识别过程中由于个别角度等原因使得第四人脸图像的人脸匹配度过高,而导致第四人脸图像误添加至第一人脸库中。此时,可以将第四人脸图像从第一人脸库中删除,如此可以删除误添加至第一人脸库中的人脸图像,从而不断优化第一人脸库。
在本申请的一个或多个实施例中,人脸识别装置200还可以包括:
第四获取模块,用于在M-1个差值不满足第二预定条件的情况下,获取目标识别对象的第一三维人脸图像;
匹配模块,用于将第一三维人脸图像与第二人脸库中预定对象的三维人脸图像进行匹配;
第四确定模块,用于在第一三维人脸图像与第二人脸库中第二对象的第二三维人脸图像匹配成功,且第二三维人脸图像对应的第二参数值大于预定的第二次数阈值的情况下,确定目标识别对象与第二对象的人脸匹配,
其中,第二参数值表示利用第二三维人脸图像进行人脸识别成功的次数。
在本申请实施例中,可以根据第二人脸库中的三维人脸图像辅助进行无感验证,减少用户的输入和感知,提升用户体验。
在本申请的一个或多个实施例中,人脸识别装置200还可以包括:
第五获取模块,用于在第二参数值不大于第二次数阈值的情况下,获取目标识别对象的身份验证信息;
识别模块,用于利用身份验证信息进行身份识别,得到识别结果;
第三计算模块,用于在利用身份验证信息的识别结果与利用第一三维人脸图像的人脸识别结果一致的情况下,将第二参数值加1;
第四计算模块,用于在利用第一三维人脸图像的人脸识别结果与利用身份验证信息的识别结果不一致的情况下,将第二参数值减1。
在本申请的一个或多个实施例中,人脸识别装置200还可以包括:
第三删除模块,用于在减1之后的所述第二参数值小于预定的第三次数阈值的情况下,删除所述第二人脸库中的所述第二三维人脸图像,所述第三次数阈值小于所述第二次数阈值。
如此,可以不断更新第二人脸库,从而不断提高第二人脸库中的三维人脸图像的质量,降低利用第二人脸库中的三维人脸图像进行人脸识别的风险。
本申请还提供一种人脸识别设备,人脸识别设备包括:处理器以及存储有计算机程序指令的存储器,处理器执行计算机程序指令时实现上述人脸识别方法的任意一项实施例的步骤。
图6示出了本申请提供的人脸识别设备的一个实施例的硬件结构示意图。
如图6所示,人脸识别设备可以包括处理器301以及存储有计算机程序指令的存储器302。
具体地,上述处理器301可以包括中央处理器(CPU),或者特定集成电路(Application Specific Integrated Circuit,ASIC),或者可以被配置成实施本申请实施例的一个或多个集成电路。
存储器302可以包括用于数据或指令的大容量存储器。举例来说而非限制,存储器302可包括硬盘驱动器(Hard Disk Drive,HDD)、软盘驱动器、闪存、光盘、磁光盘、磁带或通用串行总线(Universal Serial Bus,USB)驱动器或者两个或更多个以上这些的组合。在合适的情况下,存储器302可包括可移除或不可移除(或固定)的介质。在合适的情况下,存储器302可在综合网关容灾设备的内部或外部。在特定实施例中,存储器302是非易失性固态存储器。
存储器可包括只读存储器(ROM),随机存取存储器(RAM),磁盘存储介质设备,光存储介质设备,闪存设备,电气、光学或其他物理/有形的存储器存储设备。因此,通常,存储器包括一个或多个编码有包括计算机可执行指令的软件的有形(非暂态)计算机可读存储介质(例如,存储器设备),并且当该软件被执行(例如,由一个或多个处理器)时,其可操作来执行参考根据本公开的一方面的方法所描述的操作。
处理器301通过读取并执行存储器302中存储的计算机程序指令,以实现上述实施例中的任意一种人脸识别方法。
在一个示例中,人脸识别设备还可包括通信接口303和总线310。其中,如图6所示,处理器301、存储器302、通信接口303通过总线310连接并完成相互间的通信。
通信接口303,主要用于实现本申请实施例中各模块、装置、单元和/或设备之间的通信。
总线310包括硬件、软件或两者,将在线数据流量计费设备的部件彼此耦接在一起。举例来说而非限制,总线可包括加速图形端口(AGP)或其他图形总线、增强工业标准架构(EISA)总线、前端总线(FSB)、超传输(HT)互连、工业标准架构(ISA)总线、无限带宽互连、低引脚数(LPC)总线、存储器总线、微信道架构(MCA)总线、***组件互连(PCI)总线、PCI-Express(PCI-X)总线、串行高级技术附件(SATA)总线、视频电子标准协会局部(VLB)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下,总线310可包括一个或多个总线。尽管本申请实施例描述和示出了特定的总线,但本申请考虑任何合适的总线或互连。
另外,结合上述实施例中的人脸识别方法,本申请实施例可提供一种计算机存储介质来实现。该计算机存储介质上存储有计算机程序指令;该计算机程序指令被处理器执行时实现上述实施例中的任意一种人脸识别方法。
需要明确的是,本申请并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见,这里省略了对已知方法的详细描述。在上述实施例中,描述和示出了若干具体的步骤作为示例。但是,本申请的方法过程并不限于所描述和示出的具体步骤,本领域的技术人员可以在领会本申请的精神后,作出各种改变、修改和添加,或者改变步骤之间的顺序。
以上所述的结构框图中所示的功能块可以实现为硬件、软件、固件或者它们的组合。当以硬件方式实现时,其可以例如是电子电路、专用集成电路(ASIC)、适当的固件、插件、功能卡等等。当以软件方式实现时,本申请的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中,或者通过载波中携带的数据信号在传输介质或者通信链路上传送。“机器可读介质”可以包括能够存储或传输信息的任何介质。机器可读介质可以包括非暂态计算机可读存储介质,比如包括电子电路、半导体存储器设备、ROM、闪存、可擦除ROM(EROM)、软盘、CD-ROM、光盘、硬盘、光纤介质,机器可读介质还可以包括射频(RF)链路,等等。代码段可以经由诸如因特网、内联网等的计算机网络被下载。
还需要说明的是,本申请中提及的示例性实施例,基于一系列的步骤或者装置描述一些方法或***。但是,本申请不局限于上述步骤的顺序,也就是说,可以按照实施例中提及的顺序执行步骤,也可以不同于实施例中的顺序,或者若干步骤同时执行。
上面参考根据本公开的实施例的方法、装置(***)和计算机程序产品的流程图和/或框图描述了本公开的各方面。应当理解,流程图和/或框图中的每个方框以及流程图和/或框图中各方框的组合可以由计算机程序指令实现。这些计算机程序指令可被提供给通用计算机、专用计算机、或其它可编程数据处理装置的处理器,以产生一种机器,使得经由计算机或其它可编程数据处理装置的处理器执行的这些指令使能对流程图和/或框图的一个或多个方框中指定的功能/动作的实现。这种处理器可以是但不限于是通用处理器、专用处理器、特殊应用处理器或者现场可编程逻辑电路。还可理解,框图和/或流程图中的每个方框以及框图和/或流程图中的方框的组合,也可以由执行指定的功能或动作的专用硬件来实现,或可由专用硬件和计算机指令的组合来实现。
以上所述,仅为本申请的具体实施方式,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,上述描述的***、模块和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。应理解,本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本申请的保护范围之内。
Claims (14)
1.一种人脸识别方法,其特征在于,包括:
获取目标识别对象的第一人脸图像;
根据所述第一人脸图像以及第一人脸库中各个预定对象的人脸图像,确定所述目标识别对象与各个所述预定对象的人脸匹配度;
在所述人脸匹配度满足第一预定条件的情况下,从人脸匹配度序列中获取前M个人脸匹配度,所述人脸匹配度序列为所述目标识别对象与各个所述预定对象的人脸匹配度按照从大到小的顺序排列得到的序列;M为大于1的整数,所述第一预定条件包括以下至少一项:所述目标识别对象与多个所述预定对象的人脸匹配度大于第一预定阈值,最大的所述人脸匹配度与所述第一预定阈值的差值小于预定数值;
计算M个所述人脸匹配度中的每相邻两个所述人脸匹配度的差值,得到M-1个差值;
根据所述M-1个差值,在多个所述预定对象中确定与所述目标识别对象的人脸匹配的第一对象。
2.根据权利要求1所述的方法,其特征在于,所述根据所述M-1个差值,在多个所述预定对象中确定与所述目标识别对象的人脸匹配的第一对象,包括:
在所述M-1个差值满足第二预定条件的情况下,将最大的所述人脸匹配度对应的所述预定对象确定为所述第一对象,
其中,所述第二预定条件包括:所述M-1个差值中的第一差值大于预定差值阈值,所述第一差值为最大的所述人脸匹配度与次最大的所述人脸匹配度之间的差值。
3.根据权利要求2所述的方法,其特征在于,所述第二预定条件还包括:第二差值不大于所述预定差值阈值,所述第二差值为所述M-1个差值中的除所述第一差值之外的差值。
4.根据权利要求1所述的方法,其特征在于,所述根据所述第一人脸图像以及第一人脸库中各个预定对象的人脸图像,确定所述目标识别对象与各个所述预定对象的人脸匹配度,包括:
对于所述第一人脸库中同一个所述预定对象的N个人脸图像,计算所述第一人脸图像分别与所述N个人脸图像中的每个人脸图像的相似度,得到N个相似度,N为大于1的整数;
根据所述N个相似度,确定所述目标识别对象与所述预定对象的人脸匹配度。
5.根据权利要求4所述的方法,其特征在于,所述根据所述N个相似度,确定所述目标识别对象与所述预定对象的人脸匹配度,包括以下其中一项:
将所述N个相似度中的最大相似度确定为所述目标识别对象与所述预定对象的人脸匹配度;
在所述N个相似度中的第一相似度大于所述第一预定阈值的情况下,将所述第一相似度确定为所述目标识别对象与所述预定对象的人脸匹配度,所述第一相似度为所述第一人脸图像与所述多个人脸图像中的第二人脸图像的相似度,所述第二人脸图像为在进行人脸识别设置时采集的人脸图像;
将所述N个相似度中的至少部分相似度的平均值确定为所述目标识别对象与所述预定对象的人脸匹配度;
根据所述N个相似度中各个相似度的权重值,对所述N个相似度进行加权计算,得到所述目标识别对象与所述预定对象的人脸匹配度。
6.根据权利要求1所述的方法,其特征在于,所述根据所述M-1个差值,在多个所述预定对象中确定所述目标识别对象对应的对象之后,所述方法还包括:
在最大的所述人脸匹配度大于第二预定阈值的情况下,将所述第一人脸图像作为所述第一对象的人脸图像添加至所述第一人脸库中,其中,所述第二预定阈值为大于所述第一预定阈值的数值。
7.根据权利要求6所述的方法,其特征在于,所述将所述第一人脸图像作为所述第一对象的人脸图像添加至所述第一人脸库中之后,所述方法还包括:
在所述第一人脸库中所述第一对象的人脸图像数量大于预定数量阈值的情况下,在所述第一人脸库的所述第一对象的人脸图像中,获取第三人脸图像,所述第三人脸图像为除人脸识别设置时采集的人脸图像之外的人脸图像;
根据各个所述第三人脸图像分别对应的人脸匹配度,删除至少一个所述第三人脸图像中人脸匹配度最小的人脸图像,
其中,所述第三人脸图像对应的人脸匹配度为:对所述第三人脸图像中的人脸进行识别时计算得到的所述第三人脸图像中的对象与所述第一对象的人脸匹配度。
8.根据权利要求4所述的方法,其特征在于,所述根据所述M-1个差值,在多个所述预定对象中确定所述目标识别对象对应的第一对象之后,所述方法还包括:
在所述第一人脸库的所述第一对象的人脸图像中,确定是否存在与所述第一人脸图像的相似度小于第三预定阈值的第四人脸图像,所述第三预定阈值为小于所述第一预定阈值的数值;
在存在所述第四人脸图像的情况下,将所述第四人脸图像对应的第一参数值加1,所述第一参数值表示所述第四人脸图像与至少一个所述目标识别对象的第一人脸图像之间的不匹配次数;
在所述第一参数值大于预定的第一次数阈值的情况下,将所述第四人脸图像从所述第一人脸库中删除。
9.根据权利要求2所述的方法,其特征在于,所述计算M个所述人脸匹配度中的每相邻两个所述人脸匹配度的差值,得到M-1个差值之后,所述方法还包括:
在所述M-1个差值不满足所述第二预定条件的情况下,获取所述目标识别对象的第一三维人脸图像;
将所述第一三维人脸图像与第二人脸库中所述预定对象的三维人脸图像进行匹配;
在所述第一三维人脸图像与所述第二人脸库中第二对象的第二三维人脸图像匹配成功,且所述第二三维人脸图像对应的第二参数值大于预定的第二次数阈值的情况下,确定所述目标识别对象与所述第二对象的人脸匹配,
其中,所述第二参数值表示利用所述第二三维人脸图像进行人脸识别成功的次数。
10.根据权利要求9所述的方法,其特征在于,所述计算M个所述人脸匹配度中的每相邻两个所述人脸匹配度的差值,得到M-1个差值之后,所述方法还包括:
在所述第二参数值不大于所述第二次数阈值的情况下,获取所述目标识别对象的身份验证信息;
利用所述身份验证信息进行身份识别,得到识别结果;
在利用所述身份验证信息的识别结果与利用所述第一三维人脸图像的人脸识别结果一致的情况下,将所述第二参数值加1;
在利用所述第一三维人脸图像的人脸识别结果与利用所述身份验证信息的识别结果不一致的情况下,将所述第二参数值减1。
11.根据权利要求10所述的方法,其特征在于,所述将所述第二参数值减1之后,所述方法还包括:
在减1之后的所述第二参数值小于预定的第三次数阈值的情况下,删除所述第二人脸库中的所述第二三维人脸图像,所述第三次数阈值小于所述第二次数阈值。
12.一种人脸识别装置,其特征在于,包括:
第一获取模块,用于获取目标识别对象的第一人脸图像;
第一确定模块,用于根据所述第一人脸图像以及第一人脸库中各个预定对象的人脸图像,确定所述目标识别对象与各个所述预定对象的人脸匹配度;
第二获取模块,用于在所述人脸匹配度满足第一预定条件的情况下,从人脸匹配度序列中获取前M个人脸匹配度,所述人脸匹配度序列为所述目标识别对象与各个所述预定对象的人脸匹配度按照从大到小的顺序排列得到的序列;M为大于1的整数,所述第一预定条件包括以下至少一项:所述目标识别对象与多个所述预定对象的人脸匹配度大于第一预定阈值,最大的所述人脸匹配度与所述第一预定阈值的差值小于预定数值;
第一计算模块,用于计算M个所述人脸匹配度中的每相邻两个所述人脸匹配度的差值,得到M-1个差值;
第二确定模块,用于根据所述M-1个差值,在多个所述预定对象中确定与所述目标识别对象的人脸匹配的第一对象。
13.一种人脸识别设备,其特征在于,所述设备包括:处理器以及存储有计算机程序指令的存储器;
所述处理器执行所述计算机程序指令时实现如权利要求1-11任意一项所述的人脸识别方法。
14.一种计算机存储介质,其特征在于,所述计算机存储介质上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现如权利要求1-11任意一项所述的人脸识别方法。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110175970.5A CN112818885B (zh) | 2021-02-07 | 2021-02-07 | 人脸识别方法、装置、设备及存储介质 |
PCT/CN2021/118143 WO2022166207A1 (zh) | 2021-02-07 | 2021-09-14 | 人脸识别方法、装置、设备及存储介质 |
TW110143405A TWI789128B (zh) | 2021-02-07 | 2021-11-22 | 人臉識別方法、裝置、設備及存儲介質 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110175970.5A CN112818885B (zh) | 2021-02-07 | 2021-02-07 | 人脸识别方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112818885A true CN112818885A (zh) | 2021-05-18 |
CN112818885B CN112818885B (zh) | 2024-05-28 |
Family
ID=75864573
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110175970.5A Active CN112818885B (zh) | 2021-02-07 | 2021-02-07 | 人脸识别方法、装置、设备及存储介质 |
Country Status (3)
Country | Link |
---|---|
CN (1) | CN112818885B (zh) |
TW (1) | TWI789128B (zh) |
WO (1) | WO2022166207A1 (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114093008A (zh) * | 2021-12-01 | 2022-02-25 | 支付宝(杭州)信息技术有限公司 | 用于人脸识别的方法及装置 |
WO2022166207A1 (zh) * | 2021-02-07 | 2022-08-11 | ***股份有限公司 | 人脸识别方法、装置、设备及存储介质 |
WO2023041970A1 (en) * | 2021-09-16 | 2023-03-23 | Sensetime International Pte. Ltd. | Data collection method and apparatus, device and storage medium |
WO2023130613A1 (zh) * | 2022-01-10 | 2023-07-13 | 中国民航信息网络股份有限公司 | 人脸识别模型构建方法、人脸识别方法及相关设备 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115880761B (zh) * | 2023-02-09 | 2023-05-05 | 数据空间研究院 | 基于策略优化的人脸识别方法、***、存储介质及应用 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105868695A (zh) * | 2016-03-24 | 2016-08-17 | 北京握奇数据***有限公司 | 一种人脸识别方法及*** |
CN110059560A (zh) * | 2019-03-18 | 2019-07-26 | 阿里巴巴集团控股有限公司 | 人脸识别的方法、装置及设备 |
WO2020037937A1 (zh) * | 2018-08-20 | 2020-02-27 | 深圳壹账通智能科技有限公司 | 人脸识别的方法、装置、终端及计算机可读存储介质 |
US20200210687A1 (en) * | 2018-12-27 | 2020-07-02 | Hong Fu Jin Precision Industry (Wuhan) Co., Ltd. | Face recognition device, face recognition method, and computer readable storage medium |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108280422B (zh) * | 2018-01-22 | 2022-06-14 | 百度在线网络技术(北京)有限公司 | 用于识别人脸的方法和装置 |
CN109977765A (zh) * | 2019-02-13 | 2019-07-05 | 平安科技(深圳)有限公司 | 人脸图像识别方法、装置及计算机设备 |
CN110458062A (zh) * | 2019-07-30 | 2019-11-15 | 深圳市商汤科技有限公司 | 人脸识别方法及装置、电子设备和存储介质 |
CN112818885B (zh) * | 2021-02-07 | 2024-05-28 | ***股份有限公司 | 人脸识别方法、装置、设备及存储介质 |
-
2021
- 2021-02-07 CN CN202110175970.5A patent/CN112818885B/zh active Active
- 2021-09-14 WO PCT/CN2021/118143 patent/WO2022166207A1/zh active Application Filing
- 2021-11-22 TW TW110143405A patent/TWI789128B/zh active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105868695A (zh) * | 2016-03-24 | 2016-08-17 | 北京握奇数据***有限公司 | 一种人脸识别方法及*** |
WO2020037937A1 (zh) * | 2018-08-20 | 2020-02-27 | 深圳壹账通智能科技有限公司 | 人脸识别的方法、装置、终端及计算机可读存储介质 |
US20200210687A1 (en) * | 2018-12-27 | 2020-07-02 | Hong Fu Jin Precision Industry (Wuhan) Co., Ltd. | Face recognition device, face recognition method, and computer readable storage medium |
CN110059560A (zh) * | 2019-03-18 | 2019-07-26 | 阿里巴巴集团控股有限公司 | 人脸识别的方法、装置及设备 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022166207A1 (zh) * | 2021-02-07 | 2022-08-11 | ***股份有限公司 | 人脸识别方法、装置、设备及存储介质 |
WO2023041970A1 (en) * | 2021-09-16 | 2023-03-23 | Sensetime International Pte. Ltd. | Data collection method and apparatus, device and storage medium |
CN114093008A (zh) * | 2021-12-01 | 2022-02-25 | 支付宝(杭州)信息技术有限公司 | 用于人脸识别的方法及装置 |
WO2023130613A1 (zh) * | 2022-01-10 | 2023-07-13 | 中国民航信息网络股份有限公司 | 人脸识别模型构建方法、人脸识别方法及相关设备 |
Also Published As
Publication number | Publication date |
---|---|
WO2022166207A1 (zh) | 2022-08-11 |
TW202232367A (zh) | 2022-08-16 |
TWI789128B (zh) | 2023-01-01 |
CN112818885B (zh) | 2024-05-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112818885B (zh) | 人脸识别方法、装置、设备及存储介质 | |
CN109886697B (zh) | 基于表情组别的操作确定方法、装置及电子设备 | |
CN112085952A (zh) | 监控车辆数据方法、装置、计算机设备及存储介质 | |
JP2021503659A (ja) | 生体検出方法、装置及びシステム、電子機器並びに記憶媒体 | |
CN108108711B (zh) | 人脸布控方法、电子设备及存储介质 | |
CN111095246B (zh) | 用于认证用户的方法和电子设备 | |
WO2022057719A1 (zh) | 识别对象确定方法、装置、设备及存储介质 | |
CN110991249A (zh) | 人脸检测方法、装置、电子设备及介质 | |
CN112560683A (zh) | 一种翻拍图像识别方法、装置、计算机设备及存储介质 | |
CN105427480A (zh) | 一种基于图像分析的柜员机 | |
CN111178339A (zh) | 用户身份识别方法、装置、设备及介质 | |
CN116110105A (zh) | 跨模态人脸识别方法、装置、***、设备及存储介质 | |
CN116434556A (zh) | 车辆信息获取方法及其装置、设备及介质 | |
CN114332993A (zh) | 人脸识别方法、装置、电子设备及计算机可读存储介质 | |
CN113705428A (zh) | 活体检测方法及装置、电子设备及计算机可读存储介质 | |
CN113705366A (zh) | 人员管理***身份识别方法、装置及终端设备 | |
CN114241752A (zh) | 场端拥堵提示方法、装置、设备及计算机可读存储介质 | |
CN114463015A (zh) | 付款监督***、方法、电子设备及存储介质 | |
CN110956098B (zh) | 图像处理方法及相关设备 | |
CN113920596A (zh) | 面向无人值守停车场的车牌识别数据再匹配方法及*** | |
CN115546737B (zh) | 一种机房监控方法 | |
EP4328796A1 (en) | Template collection method, apparatus and system | |
CN112734802B (zh) | 一种轨迹获取方法及装置 | |
CN112464741B (zh) | 人脸分类方法、模型训练方法、电子设备及存储介质 | |
CN111368644B (zh) | 图像处理方法、装置、电子设备及存储介质 |
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 | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40051322 Country of ref document: HK |
|
GR01 | Patent grant | ||
GR01 | Patent grant |