CN112836661A - 人脸识别方法、装置、电子设备及存储介质 - Google Patents
人脸识别方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN112836661A CN112836661A CN202110179741.0A CN202110179741A CN112836661A CN 112836661 A CN112836661 A CN 112836661A CN 202110179741 A CN202110179741 A CN 202110179741A CN 112836661 A CN112836661 A CN 112836661A
- Authority
- CN
- China
- Prior art keywords
- face
- category
- attribute
- face image
- similarity
- 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
Links
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
- G06V40/172—Classification, e.g. identification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/161—Detection; Localisation; Normalisation
- G06V40/166—Detection; Localisation; Normalisation using acquisition arrangements
-
- 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)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- General Physics & Mathematics (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种人脸识别方法、装置、电子设备及存储介质,该人脸识别方法包括:获取待识别的第一人脸图像;获取所述第一人脸图像对应的属性类别作为第一类别,以及待比对的第二人脸图像对应的属性类别作为第二类别,所述属性类别为指定人脸属性所属的分类;基于所述第一类别以及所述第二类别,获取对应的相似度阈值;获取所述第一人脸图像的人脸特征与所述第二人脸图像的人脸特征的相似度作为目标相似度;当所述目标相似度大于所述相似度阈值时,确定所述第一人脸图像与所述第二人脸图像匹配。本方法可以实现根据待比对的两张人脸图像,动态确定相似度阈值,提升人脸识别的准确性。
Description
技术领域
本申请涉及人脸识别技术领域,更具体地,涉及一种人脸识别方法、装置、电子设备及存储介质。
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,其通过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,通常也叫做人像识别、面部识别。传统的人脸识别技术中,通常通过获取不同图像之间人脸特征的相似度,再将相似度与相似度阈值进行比较后,确定人脸识别结果。但是将图像之间人脸特征的相似度与相似度阈值进行比较,确定人脸识别结果时,存在人脸识别准确性较低的技术问题。
发明内容
鉴于上述问题,本申请提出了一种人脸识别方法、装置、电子设备及存储介质。
第一方面,本申请实施例提供了一种人脸识别方法,所述方法包括:获取待识别的第一人脸图像;获取所述第一人脸图像对应的属性类别作为第一类别,以及待比对的第二人脸图像对应的属性类别作为第二类别,所述属性类别为指定人脸属性所属的分类;基于所述第一类别以及所述第二类别,获取对应的相似度阈值;获取所述第一人脸图像的人脸特征与所述第二人脸图像的人脸特征的相似度作为目标相似度;当所述目标相似度大于所述相似度阈值时,确定所述第一人脸图像与所述第二人脸图像匹配。
第二方面,本申请实施例提供了一种人脸识别装置,所述装置包括:图像获取模块、类别获取模块、阈值获取模块、相似度获取模块以及结果获取模块,其中,所述图像获取模块用于获取待识别的第一人脸图像;所述类别获取模块用于获取所述第一人脸图像对应的属性类别作为第一类别,以及待比对的第二人脸图像对应的属性类别作为第二类别,所述属性类别为指定人脸属性所属的分类;所述阈值获取模块用于基于所述第一类别以及所述第二类别,获取对应的相似度阈值;所述相似度获取模块用于获取所述第一人脸图像的人脸特征与所述第二人脸图像的人脸特征的相似度作为目标相似度;所述结果获取模块用于基于所述目标相似度与所述相似度阈值之间的比较结果,确定人脸识别结果。
第三方面,本申请实施例提供了一种电子设备,包括:一个或多个处理器;存储器;一个或多个应用程序,其中所述一个或多个应用程序被存储在所述存储器中并被配置为由所述一个或多个处理器执行,所述一个或多个程序配置用于执行上述第一方面提供的人脸识别方法。
第四方面,本申请实施例提供了一种计算机可读取存储介质,所述计算机可读取存储介质中存储有程序代码,所述程序代码可被处理器调用执行上述第一方面提供的人脸识别方法。
本申请提供的方案,通过获取待识别的第一人脸图像,获取第一人脸图像对应的属性类别作为第一类别,以及待比对的第二人脸图像对应的属性类别作为第二类别,该属性类别为指定人脸属性所属的分类,基于第一类别以及所述第二类别,获取对应的相似度阈值,获取第一人脸图像的人脸特征与第二人脸图像的人脸特征的相似度作为目标相似度,再将目标相似度与相似度阈值进行比较,当目标相似度大于相似度阈值时,确定第一人脸图像与第二人脸图像匹配。从而可以实现在人脸识别时,基于不同人脸图像的人脸属性,动态的确定相似度阈值,避免利用固定的阈值来确定人脸识别结果,而导致的人脸识别结果不准确的问题,提升人脸识别的准确性。
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示出了根据本申请一个实施例的人脸识别方法流程图。
图2示出了根据本申请另一个实施例的人脸识别方法流程图。
图3示出了根据本申请又一个实施例的人脸识别方法流程图。
图4示出了根据本申请再一个实施例的人脸识别方法流程图。
图5示出了根据本申请一个实施例的人脸识别装置的一种框图。
图6是本申请实施例的用于执行根据本申请实施例的人脸识别方法的电子设备的框图。
图7是本申请实施例的用于保存或者携带实现根据本申请实施例的人脸识别方法的程序代码的存储单元。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述。
目前的人脸识别技术的方案基本都遵循以下流程:人脸检测、人脸对齐、人脸特征提取、人脸特征比对、基于给定阈值进行相似度判断。其中,在确定阈值的时候,通常使用含有不同人脸属性信息的大规模数据集来进行计算。
在传统的人脸识别方案中,通常设置好相似度阈值,对所有的人脸使用统一的阈值进行相似度判断,从而确定出人脸识别结果。但是,在人脸属性(例如性别、肤色、年龄等)不同时,同一相似度阈值的情况下进行人脸识别,人脸识别的准确性会受到影响。例如,当人脸的性别不同时,在同样的阈值下,女性的错误接受率(FAR,False Accept Rate)会比男性的FAR高10倍,也就是说,如果在人脸识别***中,对所有的人脸使用统一的阈值进行相似判断的话,在同样的比对次数中,女性的不同人脸被判断为来自于同一个人的次数会是男性的10倍。因此,如果在人脸识别***中不考虑到人脸属性信息的话,会降低人脸识别***的准确性。
针对上述问题,发明人提出了本申请实施例提供的人脸识别方法、装置、电子设备以及存储介质,可以实现在人脸识别时,基于不同人脸图像的人脸属性,动态的确定相似度阈值,避免利用固定的阈值来确定人脸识别结果,而导致的人脸识别结果不准确的问题,提升人脸识别的准确性。其中,具体的人脸识别方法在后续的实施例中进行详细的说明。
请参阅图1,图1示出了本申请一个实施例提供的人脸识别方法的流程示意图。在具体的实施例中,所述人脸识别方法应用于如图5所示的人脸识别装置400以及配置有所述人脸识别装置400的电子设备100(图6)。下面将以电子设备为例,说明本实施例的具体流程,当然,可以理解的,本实施例所应用的电子设备可以为智能手机、平板电脑、智能手表、智能眼镜、笔记本电脑等,在此不做限定。下面将针对图1所示的流程进行详细的阐述,所述人脸识别方法具体可以包括以下步骤:
步骤S110:获取待识别的第一人脸图像。
在本申请实施例中,电子设备可以获取待进行人脸识别的人脸图像作为第一人脸图像。其中,第一人脸图像为包含有人脸区域的图像。
作为一种实施方式,电子设备为智能手机、平板电脑、智能手表等设置有摄像头的移动终端时,可以通过前置摄像头或者后置摄像头对人物的人脸进行图像采集,从而获得人脸图像,例如,电子设备可以通过后置摄像头采集人物的人脸图像,并将获得的图像作为待进行人脸识别的人脸图像,即第一人脸图像。
作为又一种实施方式,电子设备可以从本地获取待进行人脸识别的第一人脸图像,也就是说,电子设备可以从本地存储的文件中获取待进行人脸识别的第一人脸图像,例如,电子设备为移动终端时,可以从相册获取待进行人脸识别的人脸图像,即电子设备预先通过摄像头采集人脸图像后存储在本地相册,或者预先从网络下载人脸图像后存储在本地相册等,然后在需要对人脸图像进行人脸识别时,从相册中读取待进行人脸识别的第一人脸图像。
作为再一种方式,电子设备为移动终端或者电脑时,也可以从网络下载待进行人脸识别的第一人脸图像,例如,电子设备可以通过无线网络、数据网络等从相应的服务器下载需求的第一人脸图像。
作为还一种实施方式,电子设备也可以通过用户在其他设备的输入操作,对输入的待进行人脸识别的第一人脸图像进行接收,从而获得待进行第一人脸识别的人脸图像。当然,电子设备具体获取第一人脸图像的方式可以不作为限定。
步骤S120:获取所述第一人脸图像对应的属性类别作为第一类别,以及待比对的第二人脸图像对应的属性类别作为第二类别,所述属性类别为指定人脸属性所属的分类。
在本申请实施例中,电子设备在获取到待进行人脸识别的第一人脸图像之后,则可以识别第一人脸图像的人脸属性,获取第一人脸图像对应的属性类别,并将该属性类别作为第一类别。其中,人脸属性是表征人脸特征的一系列生物特性,具有很强的自身稳定性和个体差异性,标识了人的身份。人脸属性包括性别、肤色、年龄、表情等多种维度的属性。属性类别可以为指定人脸属性所属的分类,指定人脸属性可以为人脸属性包括的多种维度的属性中的一种或者多种。例如,指定人脸属性为性别时,则指定人脸属性的分类包括:男性和女性,又例如,指定人脸属性为肤色时,则指定人脸属性的分类包括:黄色、白色、黑色和棕色。当然,以上仅为举例,并不构成指定人脸属性所包括的分类的具体限定。
在一些实施方式中,电子设备可以通过预先训练的人脸属性识别模型,对第一人脸图像进行人脸属性识别,得到其对应的属性类别;也可以通过人人脸属性识别模型对第二人脸图像进行人脸属性识别,得到其对应的属性类别。其中,人脸属性识别模型可以为神经网络模型、生成对抗网络、编码-解码模型等,模型的具体类型可以不做限定。人脸属性识别模型可以被预先训练为能够识别多种维度的人脸属性,也可以被训练为仅识别指定人脸属性。
可选的,待比对的人脸图像可以为预先存储的人脸图像。例如,待比对的人脸图像为注册用户预先录入的人脸图像。由于待比对的人脸图像为预先存储,为避免在进行人脸识别时,再去实时获取待比对的人脸图像对应的属性类别,因此可以预先获取待比对的人脸图像对应的属性类别,并将待比对的人脸图像的属性类别进行存储。从而在需要利用待比对的人脸图像来比对待识别的人脸图像时,可以直接得到待比对的人脸图像的属性类别,减少处理量,提升人脸识别效率;也避免了每次人脸识别时,都会对待比对的人脸图像进行属性类别获取,节约了处理资源。
步骤S130:基于所述第一类别以及所述第二类别,获取对应的相似度阈值。
在本申请实施例中,电子设备在获取到第一人脸图像对应的属性类别,以及第二人脸图像对应的属性类别之后,考虑到将人脸图像之间的相似度与相似度阈值进行比较时,人脸属性对准确性的影响,可以基于以上第一类别以及第二类别,获取与第一类别以及第二类别对应的相似度阈值。
在一些实施方式中,电子设备可以基于预先存储的相似度阈值与两张人脸图像的属性类别之间的对应关系,获取与第一类别以及第二类别对应的相似度阈值。可选的,各个相似度阈值,可以为预先针对不同的两张人脸图像的属性类别之间的不同情况,利用各个情况下的样本图像进行人脸特征的匹配后,所获得的准确率满足所需准确率条件时的相似度阈值。也就是说,可以针对属性类别之间的不同情况,在各个相似度阈值下,验证人脸识别的准确性,直至得到满足所需准确率条件时,将此时的相似度阈值作为预先存储的相似度阈值。
步骤S140:获取所述第一人脸图像的人脸特征与所述第二人脸图像的人脸特征的相似度作为目标相似度。
在本申请实施例中,电子设备在识别第一人脸图像是否与第二人脸图像为同一人脸对应的人脸图像时,可以获取第一人脸图像的人脸特征,以及第二人脸图像的人脸特征,然后再获取人脸特征之间的相似度,并将该相似度作为目标相似度。
在一些实施方式中,可以通过预先训练的人脸特征提取模型,将第一人脸图像输入人脸特征提取模型,获得第一人脸图像的人脸特征,以及将第二人脸图像输入人脸特征提取模型,获得第二人脸图像的人脸特征。其中,人脸特征提取模型可以为神经网络模型、编码模型、生成对抗网络等,例如,人脸特征提取模型可以为ResNet100等,具体的人脸特征提取模型可以不做限定。
在一些实施方式中,在获取到第一人脸图像的人脸特征,以及第二人脸图像的人脸特征之后,可以获取第一人脸图像的人脸特征与第二人脸图像的人脸特征之间的相似度,以确定第一人脸图像是否与第二人脸图像匹配。可选的,可以获取第一人脸图像的人脸特征与第二人脸图像的人脸特征之间的余弦相似度,其取值范围可以为-1到1;可选的,获取的人脸特征可以以特征向量表示,可以获取人脸特征的特征向量之间的欧式距离,以此来确定第一人脸图像的人脸特征与第二人脸图像的人脸特征之间的相似度。当然,获取人脸特征之间的相似度的方式可以不做限定。另外,由于相似度的量化标准可能不同,因此,上述的相似度阈值的量化标准可以与人脸识别时获取人脸特征之间的相似度的量化标准相同,以便准确进行人脸识别。
步骤S150:当所述目标相似度大于所述相似度阈值时,确定所述第一人脸图像与所述第二人脸图像匹配。
在本申请实施例中,电子设备在获取到第一人脸图像的人脸特征与第二人脸图像的人脸特征之间的相似度,并根据第一人脸图像对应的属性类别以及第二人脸图像对应的属性类别确定出相似度阈值之后,则可以将获取的目标相似度与相似度阈值进行比较,以确定目标相似度是否大于相似度阈值;若目标相似度大于相似度阈值,则可以确定第一人脸图像与第二人脸图像匹配;若目标相似度小于或等于相似度阈值,则可以确定第一人脸图像与第二人脸图像不匹配。
本申请实施例提供的人脸识别方法,在人脸识别过程中,根据待识别的人脸图像的人脸属性的属性类别,以及用于比对的人脸图像对应的属性类别,动态确定相似度阈值,避免利用固定的阈值来确定人脸识别结果,而人脸属性对人脸识别准确性的影响,进而提升人脸识别的准确性。
请参阅图2,图2示出了本申请另一个实施例提供的人脸识别方法的流程示意图。该人脸识别方法应用于上述电子设备,下面将针对图2所示的流程进行详细的阐述,所述人脸识别方法具体可以包括以下步骤:
步骤S210:获取待识别的第一人脸图像。
在本申请实施例中,步骤S210可以参阅前述实施例的内容,在此不再赘述。
步骤S220:获取所述第一人脸图像对应的属性类别作为第一类别,以及待比对的第二人脸图像对应的属性类别作为第二类别,所述属性类别为指定人脸属性所属的分类。
在本申请实施例中,电子设备在获取第一人脸图像对应的属性类别,以及获取第二人脸图像对应的属性类别时,可以将第一人脸图像以及第二人脸图像分别输入至预先训练的人脸属性分类模型,获得第一人脸图像对应的属性类别作为第一类别,以及第二人脸图像对应的属性类别作为第二类别。在对人脸属性分类模型进行训练时,可以对人脸样本图像标注一种或者多种人脸属性的类别,例如,标注性别、年龄和肤色,从而完成训练集构建;再将样本图像输入至初始模型中,获得初始模型输出的结果,根据输出的结果以及人脸样本图像对应的标注数据,获取损失值;再根据损失值对初始模型的模型参数进行调整,直至初始模型输出的损失值满足损失条件,从而得到人脸属性分类模型。其中,初始模型可以为神经网络等,具体的模型可以不做限定。
在一些实施方式中,考虑到在采集人脸图像时,人脸图像中多种人脸属性的表现度不同,会对识别人脸属性的准确性造成影响,因此,在获取用于确定相似度阈值的属性类别时,可以参考人脸属性的表现度,来确定指定人脸属性,并从多种人脸属性中获取指定人脸属性,作为需要确定属性类别的人脸属性。具体地,电子设备可以获取第一人脸图像的多种维度的人脸属性中每种维度的人脸属性对应的属性得分,属性得分用于表征对多种维度的人脸属性进行识别时的准确度;基于每种维度的人脸属性对应的属性得分,将属性得分大于指定分值的人脸属性作为指定人脸属性。其中,多种维度的人脸属性指多个种类的人脸属性,例如,性别、肤色、年龄等,一种维度的人脸属性即代表了一个种类的人脸属性。
可选的,在获取人脸图像对应的人脸属性的属性类别时,用于获取属性类别的模型(例如上述的人脸属性分类模型)可以输出每种人脸属性对应的各个类别的概率。针对每种人脸属性对应的各个类别的概率,可以取最大概率对应的类别,作为相应种类的人脸属性对应的属性类别,也可以取大于预设概率阈值的类别,作为相应种类的人脸属性对应的属性类别。虽然最终都可以得到每种人脸属性对应的属性类别,但是在确定每种人脸属性的属性类别时,确定出的属性类别对应的概率越大,则识别出的属性类别也越准确,因此,可以利用确定出的各种人脸属性所属类别对应的概率,来对该种人脸属性进行评分,从而得到每种维度的人脸属性对应的属性得分。
作为一种方式,可以针对每种维度的人脸属性,设置标准概率;然后根据该标准概率,对每种维度的人脸属性所属类别对应的概率进行量化,得到每种维度的人脸属性对应的属性得分。可选的,可以获取每种维度的人脸属性所属类别对应的概率,与其对应的标准概率的比值,从而得到属性得分。例如,对于性别这个种类的人脸属性,其确定出的属性类别为男性,且概率为75%,而性别这个种类对应的标准概率为80%,则性别对应的属性得分为:75%/80%=0.9375。当然,以上仅为示例,并不代表对属性得分的获取方式的限定。
在以上方式中,在获取到每种维度的人脸属性对应的属性得分之和,也可以基于每种维度的人脸属性对应的属性得分,将属性得分最高的人脸属性确定为指定人脸属性。
通过以上方式,可以确定出识别的较为准确的人脸属性的属性类别,并以此来确定相似度阈值,避免人脸属性识别的不准确,而对相似度阈值的确定造成的影响。
在一些实施方式中,第二人脸图像由于是预先获得人脸图像,因此,可以在预先获取各个维度的人脸属性的属性得分都大于指定分值的人脸图像,从而在进行人脸识别时,可以获取的用于比对的人脸图像的属性类别都较为准确。例如,电子设备为移动终端时,在预先录入用于比对的人脸图像时,对人脸图像的各个维度的属性得分进行确定,若其中一个维度的人脸属性的属性得分不大于指定分值,则可以提示用户重新录入人脸图像,直至获取到的人脸图像的各个维度的属性得分都大于指定分值。
步骤S230:获取所述第一类别以及所述第二类别所构成的属性类别组合作为目标类别组合。
在本申请实施例中,由于相似度阈值是与两张人脸图像对应的属性类别对应的,因此相似度阈值可以与属性类别构成的属性类别组合对应,每种属性类别组合对应的相似度阈值可以预先存储于电子设备。因此,电子设备在获取到第一人脸图像对应的属性类别,以及第二人脸图像对应的属性类别之后,可以获取第一类别以及第二类别所构成的属性类别组合。例如,以上指定人脸属性为性别时,则可以包括男性-男性,女性-女性,以及男性-女性的属性类别组合。又例如,以上指定人脸属性为肤色,而肤色对应的类别包括黄色、白色和黑色,则属性类别组合包括:黄色-白色、黄色-黑色、黄色-黄色、白色-黑色、白色-白色以及黑色-黑色。
步骤S240:从多个属性类别组合对应的相似度阈值中,获取所述目标类别组合对应的相似度阈值。
在本申请实施例中,电子设备在获取到第一人脸图像对应的属性类别与第二人脸图像对应的属性类别所构成的属性类别组合之后,可以从多个属性类别组合对应的相似度阈值中,获取出目标类别组合对应的相似度阈值。
在一些实施方式中,以上指定人脸属性可以包括性别。在目标类别组合为女性和女性时,获取第一阈值作为相似度阈值;在目标类别组合为男性和男性时,获取第二阈值作为相似度阈值;在目标类别组合为男性和女性时,获取第三阈值作为相似度阈值,其中,第一阈值、第二阈值以及第三阈值的大小依次降低。可以理解的,相似度阈值的大小与人脸相似度的分布有关,也就是说,当某个集合中人脸相似度平均较大时,对应的阈值也会增加,而对于女性的不同人脸,更加容易被误认为是同一人脸,因此相似度阈值之间的大小关系可以为:第一阈值>第二阈值>第三阈值。当然,相似度阈值的具体大小可以根据需求的人脸识别正确率(正确接受率以及错误接受率)确定。
在一些实施方式中,以上指定人脸属性可以包括多种人脸属性,而包括多种人脸属性时,则构成的类别组合也将增多,因此相似度阈值也会增多。例如,指定人脸属性包括性别和肤色,则属性类别组合包括:第一人脸图像的性别和肤色,与第二人脸图像的性别和肤色所构成的组合。
步骤S250:获取所述第一人脸图像的人脸特征与所述第二人脸图像的人脸特征的相似度作为目标相似度获取所述第一人脸图像的人脸特征与所述第二人脸图像的人脸特征的相似度作为目标相似度。
步骤S260:当所述目标相似度大于所述相似度阈值时,确定所述第一人脸图像与所述第二人脸图像匹配。
在本申请实施例中,电子设备在获取到第一人脸图像的人脸特征与第二人脸图像的人脸特征之间的相似度,并根据第一人脸图像对应的属性类别以及第二人脸图像对应的属性类别确定出相似度阈值之后,则可以将获取的目标相似度与相似度阈值进行比较,以确定目标相似度是否大于相似度阈值;若目标相似度大于相似度阈值,则可以确定第一人脸图像与第二人脸图像匹配;若目标相似度小于或等于相似度阈值,则可以确定第一人脸图像与第二人脸图像不匹配。
在一些实施方式中,考虑到属性类别可能识别出错,因此将两张人脸图像的属性类别不同时的属性类别组合考虑在内,例如,也会考虑男性-女性的组合,在进行人脸识别时,可以随机获取用于比对的人脸图像,以避免属性类别出错,而导致无法识别出匹配的人脸图像的情况。另外,若识别出第一人脸图像与第二人脸图像的属性类别不同,但最终却确定出第一人脸图像与第二人脸图像匹配时,则可以认为属性类别出错,因此,在预先存储有第二人脸图像的属性类别的情况下,可以根据底库中的第二人脸图像的属性类别,对第一人脸图像进行标注后,再对人脸属性分类模型进行校正训练,以提升人脸属性分类模型的准确性。当然,也可以提示用户输入第一人脸图像的属性类别,再根据输入的属性类别对第一人脸图像进行标注后,再对人脸属性分类模型进行校正训练,以提升人脸属性分类模型的准确性。
本申请实施例提供的人脸识别方法,在人脸识别过程中,根据待识别的人脸图像的人脸属性的属性类别,以及用于比对的人脸图像对应的属性类别,确定属性类别组合,根据属性类别组合动态确定相似度阈值,避免利用固定的阈值来确定人脸识别结果,而人脸属性对人脸识别准确性的影响,进而提升人脸识别的准确性。另外,在确定属性类别时,根据人脸图像对应的人脸属性的属性得分,来确定需要获取属性类别的指定人脸属性,避免人脸属性识别给相似度阈值带来的不准确性,进一步提升了人脸识别的准确性。
请参阅图3,图3示出了本申请又一个实施例提供的人脸识别方法的流程示意图。该人脸识别方法应用于上述电子设备,下面将针对图3所示的流程进行详细的阐述,所述人脸识别方法具体可以包括以下步骤:
步骤S310:针对不同的属性类别组合,获取人脸识别时不同的错误接受率FAR的情况下的相似度阈值以及正确接受率TAR,得到每个属性类别组合对应的多组指标数据。
在本申请实施例中,电子设备可以针对不同的属性类别组合,根据人脸识别的错误接受率(FAR,False Accept Rate)以及正确接受率(TAR,True Accept Rate),来预先对各个属性类别组合对应的相似度阈值进行确定。具体地,电子设备可以针对不同的属性类别组合,获取人脸识别时不同的FAR的情况下的相似度阈值以及正确接受率,从而得到每个属性类别组合对应的多组指标数据。该多组指标数据中,每组指标数据可以包括相似度阈值、FAR以及TAR。
其中,以上多组指标数据,可以利用测试集中的人脸图像进行相互匹配而测试得到。错误接受率可以通过以下方式确定:在一次测试过程中,获取不同人的人脸图像进行比较时,最终获取的相似度大于相似度阈值的次数作为第一次数,且获取不同人的人脸图像之间的总比较次数作为第二次数,然后获取第一次数与第二次数的比值,即为错误接受率。正确接受率可以通过以下方式确定:在一次测试过程中,获取相同人的人脸图像进行比较时,最终获取的相似度大于相似度阈值的次数作为第三次数,且获取相同人的人脸图像之间的总比较次数作为第四次数,然后获取第三次数与第四次数的比值,即为错误接受率。
示例性的,在指定人脸属性为性别时。则可以针对男性和男性,女性和女性,以及男性和女性,这三种性别组合,分别获取多组指标数据。具体地,针对男性和男性的组合,则可以将男性的人脸图像与男性的人脸图像进行匹配,并获取FAR、相似度阈值以及TAR;针对女性和女性的组合,则可以将女性的人脸图像与女性的人脸图像进行匹配,并获取FAR、相似度阈值以及TAR;针对男性和女性的组合,则可以将男性的人脸图像与女性的人脸图像进行匹配,并获取FAR、相似度阈值以及TAR。
步骤S320:从所述每个属性类别组合对应的多组指标数据中,获取所述FAR率满足第一接受率条件,且所述TAR满足第二接受率条件的目标指标数据。
在本申请实施例中,电子设备在获取到每个属性类别组合对应的多组指标数据后,则可以从多组指标数据中,获取FAR满足第一接受率条件,且TAR满足第二接受率条件的目标指标数据。其中,第一接受率条件可以包括:FAR小于第一接受率,或者FAR最小;第二接受率条件可以包括:TAR大于第二接受率,或者TAR最大。具体地第一接受率条件以及第二接受率条件,可以根据实际场景中所需的错误接受率以及正确接受率确定。例如,在门禁场景中,对于门禁需要能够灵敏的控制,错误接受率可以大于其他场景的错误接受率;又例如,支付场景中,对于安全性比较高,因此错误接受率可以小于其他场景的错误接受率。
在一些实施方式中,若针对一个属性类别组合,获取到至少两组满足以上条件的指标数据时,则可以根据错误接受率所占的权重,以及正确接受率所占的权重,若错误接受率所占的权重大于正确接受率所占的权重,则取错误接受率更小的一组指标数据作为目标指标数据;若正确接受率所占的权重大于错误接受率所占的权重,则取正确接受率更大的一组指标数据作为目标指标数据。
步骤S330:获取所述每个属性类别组合对应的目标指标数据中的相似度阈值,作为每个属性类别组合对应的相似度阈值,并将获得的多个属性类别组合对应的相似度阈值进行存储。
在本申请实施例中,在确定出每个属性类别组合对应的目标指标数据后,则可以获取每个属性类别组合对应的目标指标数据中的相似度阈值,作为每个属性类别组合对应的相似度阈值。在得到每个属性类别组合对应的相似度阈值之后,则可以将相似度阈值与每个属性类别组合之间的对应关系进行存储,以方便人脸识别时确定对应的相似度阈值。
步骤S340:获取待识别的第一人脸图像。
步骤S350:获取所述第一人脸图像对应的属性类别作为第一类别,以及待比对的第二人脸图像对应的属性类别作为第二类别,所述属性类别为指定人脸属性所属的分类。
步骤S360:获取所述第一类别以及所述第二类别所构成的属性类别组合作为目标类别组合。
步骤S370:从多个属性类别组合对应的相似度阈值中,获取所述目标类别组合对应的相似度阈值。
步骤S380:获取所述第一人脸图像的人脸特征与所述第二人脸图像的人脸特征的相似度作为目标相似度。
步骤S390:当所述目标相似度大于所述相似度阈值时,确定所述第一人脸图像与所述第二人脸图像匹配。
在本申请实施例中,步骤S340至步骤S390可以参阅其他实施例的内容,在此不再赘述。
本申请实施例提供的人脸识别方法,在人脸识别过程中,根据待识别的人脸图像的人脸属性的属性类别,以及用于比对的人脸图像对应的属性类别,确定属性类别组合,根据属性类别组合动态确定相似度阈值,避免利用固定的阈值来确定人脸识别结果,而人脸属性对人脸识别准确性的影响,进而提升人脸识别的准确性。另外,每个属性类别组合对应的相似度阈值,为针对需求的错误接受率和正确接受率而预先获取,保证了每种属性类别的组合的情况下人脸识别的准确性能够满足需求。
请参阅图4,图4示出了本申请再一个实施例提供的人脸识别方法的流程示意图。该人脸识别方法应用于上述电子设备,下面将针对图4所示的流程进行详细的阐述,所述人脸识别方法具体可以包括以下步骤:
步骤S410:获取待识别的第一人脸图像。
在本申请实施例中,步骤S410可以参阅前述实施例的内容,在此不再赘述。
步骤S420:获取所述第一人脸图像对应的属性类别作为第一类别。
在本申请实施例中,电子设备获取第一人脸图像的属性类别的方式,可以参阅其他实施例的内容,在此不再赘述。
步骤S430:从多个人脸图像库中确定与所述第一类别对应的人脸图像库,其中,每个人脸图像库对应的属性类别不同。
在本申请实施例中,电子设备在对待识别的第一人脸图像进行人脸识别时,可以根据第一人脸图像的属性类别,来确定用于比对的人脸图像。具体地,可以获取属性类别相同的待比对的人脸图像,以避免人脸属性不同时,却在后面识别过程中识别为相同人脸的不准确性。
在一些实施方式中,电子设备可以预先获取用于比对待识别的人脸图像的多张人脸图像,也就是底库的人脸图像;然后获取多张人脸图像中每张人脸图像对应的属性类别;根据每张人脸图像对应的属性类别,将所述多张人脸图像划分为不同的人脸图像组,作为不同属性类别对应的人脸图像库,其中,每个人脸图像组对应的属性类别不同。在人脸识别过程中,获取用于待比对的第二人脸图像时,可以获取与第一类别对应的人脸图像库,即属性类别也为第一类别的人脸图像库。
步骤S440:从所述人脸图像库中获取待比对的第二人脸图像,所述第二类别与所述第一类别相同。
在本申请实施例中,电子设备在确定出与第一人脸图像的属性类别对应的人脸图像库之后,则可以从该人脸图像库中获取待比对的第二人脸图像。第二人脸图像的属性类别应当与第一类别相同,也就是,第二类别与第一类别相同。
步骤S450:基于所述第一类别以及所述第二类别,获取对应的相似度阈值。
步骤S460:获取所述第一人脸图像的人脸特征与所述第二人脸图像的人脸特征的相似度作为目标相似度。
步骤S470:当所述目标相似度大于所述相似度阈值时,确定所述第一人脸图像与所述第二人脸图像匹配。
在本申请实施例中,步骤S450至步骤S470可以参阅其他实施例的内容,在此不再赘述。
在一些实施方式中,由于是获取与待识别的第一人脸图像的属性类别相同的属性类别的人脸图像,作为待比对的人脸图像,而由于人脸属性识别可能存在不准确的情况,因此,当对第一人脸图像与以上确定的人脸图像库中的人脸图像进行匹配之后,若确定出第一人脸图像与该人脸图像库中的任一人脸图像都不匹配时,则可以从其他属性类别对应的人脸图像库中获取待比对的人脸图像,与第一人脸图像进行匹配,以避免人脸属性识别错误时,而导致无法识别到匹配的人脸图像。
在一些实施方式中,当对第一人脸图像与以上确定的人脸图像库中的人脸图像进行匹配之后,若确定出第一人脸图像与该人脸图像库中的任一人脸图像都不匹配时,还可以输出提示信息,以提示用户确认本次识别出的属性类别(第一类别),若用户输入用于确认属性类别识别不准确的信息,则可以继续提示用户输入正确的属性类别,此后,再根据输入的属性类别对应的人脸图像库中的人脸图像,与第一人脸图像进行匹配,从而确定人脸识别结果。
可选的,由于属性类别识别有误,因此电子设备还可以根据用户输入的属性类别,以及对第一人脸图像,对以上人脸属性分类模型进行校正训练,以进一步提升人脸属性分类模型的准确性。
本申请实施例提供的人脸识别方法,在人脸识别过程中,根据待识别的人脸图像的人脸属性的属性类别,从相应的人脸图像库获取用于比对的人脸图像,再根据属性类别组合动态确定相似度阈值,避免利用固定的阈值来确定人脸识别结果,而人脸属性对人脸识别准确性的影响,进而提升人脸识别的准确性。
请参阅图5,其示出了本申请实施例提供的一种人脸识别装置400的结构框图。该人脸识别装置400应用上述的电子设备,该人脸识别装置400包括:图像获取模块410、类别获取模块420、阈值获取模块430、相似度获取模块440以及结果获取模块450。其中,所述图像获取模块410用于获取待识别的第一人脸图像;所述类别获取模块420用于获取所述第一人脸图像对应的属性类别作为第一类别,以及待比对的第二人脸图像对应的属性类别作为第二类别,所述属性类别为指定人脸属性所属的分类;所述阈值获取模块430用于基于所述第一类别以及所述第二类别,获取对应的相似度阈值;所述相似度获取模块440用于获取所述第一人脸图像的人脸特征与所述第二人脸图像的人脸特征的相似度作为目标相似度;所述结果获取模块450用于基于所述目标相似度与所述相似度阈值之间的比较结果,确定人脸识别结果。
在一些实施方式中,阈值获取模块430可以包括:组合获取单元以及阈值确定单元。其中,组合获取单元用于获取所述第一类别以及所述第二类别所构成的属性类别组合作为目标类别组合;阈值确定单元用于从多个属性类别组合对应的相似度阈值中,获取所述目标类别组合对应的相似度阈值。
可选的,所述指定人脸属性包括性别。阈值确定单元可以具体用于:在所述目标类别组合为女性和女性时,获取第一阈值作为所述相似度阈值;在所述目标类别组合为男性和男性时,获取第二阈值作为所述相似度阈值;在所述目标类别组合为男性和女性时,获取第三阈值作为所述相似度阈值,其中,所述第一阈值、所述第二阈值以及所述第三阈值的大小依次降低。
可选的,该人脸识别装置400还可以包括:数据获取模块、数据筛选模块以及阈值存储模块。数据获取模块用于在所述基于所述第一类别以及所述第二类别,获取对应的相似度阈值之前,针对不同的属性类别组合,获取人脸识别时不同的错误接受率FAR的情况下的相似度阈值以及正确接受率TAR,得到每个属性类别组合对应的多组指标数据;数据筛选模块用于从所述每个属性类别组合对应的多组指标数据中,获取所述FAR率满足第一接受率条件,且所述TAR满足第二接受率条件的目标指标数据;阈值存储模块用于获取所述每个属性类别组合对应的目标指标数据中的相似度阈值,作为每个属性类别组合对应的相似度阈值,并将获得的多个属性类别组合对应的相似度阈值进行存储。
在一些实施方式中,类别获取模块420可以包括:属性识别单元、图形库确定单元以及图像获取单元。其中,属性识别单元用于获取所述第一人脸图像对应的属性类别作为第一类别;图形库确定单元用于从多个人脸图像库中确定与所述第一类别对应的人脸图像库,其中,每个人脸图像库对应的属性类别不同;图像获取单元用于从所述人脸图像库中获取待比对的第二人脸图像,所述第二类别与所述第一类别相同。
在该实施方式中,该人脸识别装置400还可以包括:底库图获取模块、底库图识别模块以及底库图分组模块。底库图获取模块用于获取用于比对待识别的人脸图像的多张人脸图像;底库图识别模块用于获取所述多张人脸图像中每张人脸图像对应的属性类别;底库图分组模块用于根据所述每张人脸图像对应的属性类别,将所述多张人脸图像划分为不同的人脸图像组,作为不同属性类别对应的人脸图像库,其中,每个人脸图像组对应的属性类别不同。
在一些实施方式中,类别获取模块420可以具体用于:将所述第一人脸图像以及所述第二人脸图像分别输入至预先训练的人脸属性分类模型,获得所述第一人脸图像对应的属性类别作为第一类别,以及所述第二人脸图像对应的属性类别作为第二类别。
在一些实施方式中,该人脸识别装置400还可以包括:属性得分获取模块以及属性筛选模块。属性得分获取模块用于获取所述第一人脸图像的多种维度的人脸属性中每种维度的人脸属性对应的属性得分,所述属性得分用于表征对所述多种维度的人脸属性进行识别时的准确度;属性筛选模块用于基于所述每种维度的人脸属性对应的属性得分,将属性得分大于指定分值的人脸属性作为所述指定人脸属性。
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,上述描述装置和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。
在本申请所提供的几个实施例中,模块相互之间的耦合可以是电性,机械或其它形式的耦合。
另外,在本申请各个实施例中的各功能模块可以集成在一个处理模块中,也可以是各个模块单独物理存在,也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。
综上所述,本申请提供的方案,通过获取待识别的第一人脸图像,获取第一人脸图像对应的属性类别作为第一类别,以及待比对的第二人脸图像对应的属性类别作为第二类别,该属性类别为指定人脸属性所属的分类,基于第一类别以及所述第二类别,获取对应的相似度阈值,获取第一人脸图像的人脸特征与第二人脸图像的人脸特征的相似度作为目标相似度,再将目标相似度与相似度阈值进行比较,当目标相似度大于相似度阈值时,确定第一人脸图像与第二人脸图像匹配。从而可以实现在人脸识别时,基于不同人脸图像的人脸属性,动态的确定相似度阈值,避免利用固定的阈值来确定人脸识别结果,而导致的人脸识别结果不准确的问题,提升人脸识别的准确性。
请参考图6,其示出了本申请实施例提供的一种电子设备的结构框图。该电子设备100可以是智能手机、平板电脑、智能手表、智能眼镜、笔记本电脑等能够运行应用程序的电子设备。本申请中的电子设备100可以包括一个或多个如下部件:处理器110、存储器120、以及一个或多个应用程序,其中一个或多个应用程序可以被存储在存储器120中并被配置为由一个或多个处理器110执行,一个或多个程序配置用于执行如前述方法实施例所描述的方法。
处理器110可以包括一个或者多个处理核。处理器110利用各种接口和线路连接整个电子设备100内的各个部分,通过运行或执行存储在存储器120内的指令、程序、代码集或指令集,以及调用存储在存储器120内的数据,执行电子设备100的各种功能和处理数据。可选地,处理器110可以采用数字信号处理(Digital Signal Processing,DSP)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)、可编程逻辑阵列(Programmable LogicArray,PLA)中的至少一种硬件形式来实现。处理器110可集成中央处理器(CentralProcessing Unit,CPU)、图形处理器(Graphics Processing Unit,GPU)和调制解调器等中的一种或几种的组合。其中,CPU主要处理操作***、用户界面和应用程序等;GPU用于负责显示内容的渲染和绘制;调制解调器用于处理无线通信。可以理解的是,上述调制解调器也可以不集成到处理器110中,单独通过一块通信芯片进行实现。
存储器120可以包括随机存储器(Random Access Memory,RAM),也可以包括只读存储器(Read-Only Memory)。存储器120可用于存储指令、程序、代码、代码集或指令集。存储器120可包括存储程序区和存储数据区,其中,存储程序区可存储用于实现操作***的指令、用于实现至少一个功能的指令(比如触控功能、声音播放功能、图像播放功能等)、用于实现下述各个方法实施例的指令等。存储数据区还可以存储电子设备100在使用中所创建的数据(比如电话本、音视频数据、聊天记录数据)等。
请参考图7,其示出了本申请实施例提供的一种计算机可读存储介质的结构框图。该计算机可读介质800中存储有程序代码,所述程序代码可被处理器调用执行上述方法实施例中所描述的方法。
计算机可读存储介质800可以是诸如闪存、EEPROM(电可擦除可编程只读存储器)、EPROM、硬盘或者ROM之类的电子存储器。可选地,计算机可读存储介质800包括非易失性计算机可读介质(non-transitory computer-readable storage medium)。计算机可读存储介质800具有执行上述方法中的任何方法步骤的程序代码810的存储空间。这些程序代码可以从一个或者多个计算机程序产品中读出或者写入到这一个或者多个计算机程序产品中。程序代码810可以例如以适当形式进行压缩。
最后应说明的是:以上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,并不驱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。
Claims (11)
1.一种人脸识别方法,其特征在于,所述方法包括:
获取待识别的第一人脸图像;
获取所述第一人脸图像对应的属性类别作为第一类别,以及待比对的第二人脸图像对应的属性类别作为第二类别,所述属性类别为指定人脸属性所属的分类;
基于所述第一类别以及所述第二类别,获取对应的相似度阈值;
获取所述第一人脸图像的人脸特征与所述第二人脸图像的人脸特征的相似度作为目标相似度;
当所述目标相似度大于所述相似度阈值时,确定所述第一人脸图像与所述第二人脸图像匹配。
2.根据权利要求1所述的方法,其特征在于,所述基于所述第一类别以及所述第二类别,获取对应的相似度阈值,包括:
获取所述第一类别以及所述第二类别所构成的属性类别组合作为目标类别组合;
从多个属性类别组合对应的相似度阈值中,获取所述目标类别组合对应的相似度阈值。
3.根据权利要求2所述的方法,其特征在于,所述指定人脸属性包括性别,所述从多个属性类别组合对应的相似度阈值中,获取所述目标类别组合对应的相似度阈值,包括:
在所述目标类别组合为女性和女性时,获取第一阈值作为所述相似度阈值;
在所述目标类别组合为男性和男性时,获取第二阈值作为所述相似度阈值;
在所述目标类别组合为男性和女性时,获取第三阈值作为所述相似度阈值,其中,所述第一阈值、所述第二阈值以及所述第三阈值的大小依次降低。
4.根据权利要求2所述的方法,其特征在于,在所述基于所述第一类别以及所述第二类别,获取对应的相似度阈值之前,所述方法还包括:
针对不同的属性类别组合,获取人脸识别时不同的错误接受率FAR的情况下的相似度阈值以及正确接受率TAR,得到每个属性类别组合对应的多组指标数据;
从所述每个属性类别组合对应的多组指标数据中,获取所述FAR率满足第一接受率条件,且所述TAR满足第二接受率条件的目标指标数据;
获取所述每个属性类别组合对应的目标指标数据中的相似度阈值,作为每个属性类别组合对应的相似度阈值,并将获得的多个属性类别组合对应的相似度阈值进行存储。
5.根据权利要求1所述的方法,其特征在于,所述获取所述第一人脸图像对应的属性类别作为第一类别,以及待比对的第二人脸图像对应的属性类别作为第二类别,包括:
获取所述第一人脸图像对应的属性类别作为第一类别;
从多个人脸图像库中确定与所述第一类别对应的人脸图像库,其中,每个人脸图像库对应的属性类别不同;
从所述人脸图像库中获取待比对的第二人脸图像,所述第二类别与所述第一类别相同。
6.根据权利要求5所述的方法,其特征在于,在所述从多个人脸图像库中确定与所述第一类别对应的人脸图像库之前,所述方法还包括:
获取用于比对待识别的人脸图像的多张人脸图像;
获取所述多张人脸图像中每张人脸图像对应的属性类别;
根据所述每张人脸图像对应的属性类别,将所述多张人脸图像划分为不同的人脸图像组,作为不同属性类别对应的人脸图像库,其中,每个人脸图像组对应的属性类别不同。
7.根据权利要求1所述的方法,其特征在于,所述获取所述第一人脸图像对应的属性类别作为第一类别,以及待比对的第二人脸图像对应的属性类别作为第二类别,包括:
将所述第一人脸图像以及所述第二人脸图像分别输入至预先训练的人脸属性分类模型,获得所述第一人脸图像对应的属性类别作为第一类别,以及所述第二人脸图像对应的属性类别作为第二类别。
8.根据权利要求1-7任一项所述的方法,其特征在于,在所述获取所述第一人脸图像对应的属性类别作为第一类别,以及待比对的第二人脸图像对应的属性类别作为第二类别之前,所述方法还包括:
获取所述第一人脸图像的多种维度的人脸属性中每种维度的人脸属性对应的属性得分,所述属性得分用于表征对所述多种维度的人脸属性进行识别时的准确度;
基于所述每种维度的人脸属性对应的属性得分,将属性得分大于指定分值的人脸属性作为所述指定人脸属性。
9.一种人脸识别装置,其特征在于,所述装置包括:图像获取模块、类别获取模块、阈值获取模块、相似度获取模块以及结果获取模块,其中,
所述图像获取模块用于获取待识别的第一人脸图像;
所述类别获取模块用于获取所述第一人脸图像对应的属性类别作为第一类别,以及待比对的第二人脸图像对应的属性类别作为第二类别,所述属性类别为指定人脸属性所属的分类;
所述阈值获取模块用于基于所述第一类别以及所述第二类别,获取对应的相似度阈值;
所述相似度获取模块用于获取所述第一人脸图像的人脸特征与所述第二人脸图像的人脸特征的相似度作为目标相似度;
所述结果获取模块用于基于所述目标相似度与所述相似度阈值之间的比较结果,确定人脸识别结果。
10.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储器;
一个或多个应用程序,其中所述一个或多个应用程序被存储在所述存储器中并被配置为由所述一个或多个处理器执行,所述一个或多个程序配置用于执行如权利要求1-8任一项所述的方法。
11.一种计算机可读取存储介质,其特征在于,所述计算机可读取存储介质中存储有程序代码,所述程序代码可被处理器调用执行如权利要求1-8任一项所述的方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110179741.0A CN112836661A (zh) | 2021-02-07 | 2021-02-07 | 人脸识别方法、装置、电子设备及存储介质 |
PCT/CN2022/071091 WO2022166532A1 (zh) | 2021-02-07 | 2022-01-10 | 人脸识别方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110179741.0A CN112836661A (zh) | 2021-02-07 | 2021-02-07 | 人脸识别方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112836661A true CN112836661A (zh) | 2021-05-25 |
Family
ID=75933282
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110179741.0A Pending CN112836661A (zh) | 2021-02-07 | 2021-02-07 | 人脸识别方法、装置、电子设备及存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN112836661A (zh) |
WO (1) | WO2022166532A1 (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113469015A (zh) * | 2021-06-29 | 2021-10-01 | 浙江大华技术股份有限公司 | 人脸识别方法、装置、电子设备及计算机存储介质 |
CN114863540A (zh) * | 2022-07-05 | 2022-08-05 | 杭州魔点科技有限公司 | 基于人脸属性分析的人脸识别在线辅助方法及装置 |
WO2022166532A1 (zh) * | 2021-02-07 | 2022-08-11 | Oppo广东移动通信有限公司 | 人脸识别方法、装置、电子设备及存储介质 |
WO2023284185A1 (en) * | 2021-07-15 | 2023-01-19 | Zhejiang Dahua Technology Co., Ltd. | Updating method for similarity threshold in face recognition and electronic device |
WO2023240991A1 (zh) * | 2022-06-14 | 2023-12-21 | 青岛云天励飞科技有限公司 | 聚类连接图的构建方法、装置、设备及可读存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108090433A (zh) * | 2017-12-12 | 2018-05-29 | 厦门集微科技有限公司 | 人脸识别方法及装置、存储介质、处理器 |
CN108197250A (zh) * | 2017-12-29 | 2018-06-22 | 深圳云天励飞技术有限公司 | 图片检索方法、电子设备及存储介质 |
CN110866469A (zh) * | 2019-10-30 | 2020-03-06 | 腾讯科技(深圳)有限公司 | 一种人脸五官识别方法、装置、设备及介质 |
US20200356805A1 (en) * | 2018-05-16 | 2020-11-12 | Tencent Technology (Shenzhen)Company Limited | Image recognition method, storage medium and computer device |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109359499A (zh) * | 2017-07-26 | 2019-02-19 | 虹软科技股份有限公司 | 一种用于脸部分类的方法和装置 |
CN109543547A (zh) * | 2018-10-26 | 2019-03-29 | 平安科技(深圳)有限公司 | 人脸图像识别方法、装置、设备及存储介质 |
CN112329890B (zh) * | 2020-11-27 | 2022-11-08 | 北京市商汤科技开发有限公司 | 图像处理方法及装置、电子设备及存储介质 |
CN112836661A (zh) * | 2021-02-07 | 2021-05-25 | Oppo广东移动通信有限公司 | 人脸识别方法、装置、电子设备及存储介质 |
-
2021
- 2021-02-07 CN CN202110179741.0A patent/CN112836661A/zh active Pending
-
2022
- 2022-01-10 WO PCT/CN2022/071091 patent/WO2022166532A1/zh active Application Filing
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108090433A (zh) * | 2017-12-12 | 2018-05-29 | 厦门集微科技有限公司 | 人脸识别方法及装置、存储介质、处理器 |
CN108197250A (zh) * | 2017-12-29 | 2018-06-22 | 深圳云天励飞技术有限公司 | 图片检索方法、电子设备及存储介质 |
US20200356805A1 (en) * | 2018-05-16 | 2020-11-12 | Tencent Technology (Shenzhen)Company Limited | Image recognition method, storage medium and computer device |
CN110866469A (zh) * | 2019-10-30 | 2020-03-06 | 腾讯科技(深圳)有限公司 | 一种人脸五官识别方法、装置、设备及介质 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022166532A1 (zh) * | 2021-02-07 | 2022-08-11 | Oppo广东移动通信有限公司 | 人脸识别方法、装置、电子设备及存储介质 |
CN113469015A (zh) * | 2021-06-29 | 2021-10-01 | 浙江大华技术股份有限公司 | 人脸识别方法、装置、电子设备及计算机存储介质 |
WO2023284185A1 (en) * | 2021-07-15 | 2023-01-19 | Zhejiang Dahua Technology Co., Ltd. | Updating method for similarity threshold in face recognition and electronic device |
WO2023240991A1 (zh) * | 2022-06-14 | 2023-12-21 | 青岛云天励飞科技有限公司 | 聚类连接图的构建方法、装置、设备及可读存储介质 |
CN114863540A (zh) * | 2022-07-05 | 2022-08-05 | 杭州魔点科技有限公司 | 基于人脸属性分析的人脸识别在线辅助方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
WO2022166532A1 (zh) | 2022-08-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112836661A (zh) | 人脸识别方法、装置、电子设备及存储介质 | |
CN112329619B (zh) | 一种人脸识别方法、装置、电子设备及可读存储介质 | |
CN111758116B (zh) | 脸部图像识别***、识别器生成装置、识别装置与*** | |
CN110188829B (zh) | 神经网络的训练方法、目标识别的方法及相关产品 | |
EP3136292A1 (en) | Method and device for classifying an object of an image and corresponding computer program product and computer-readable medium | |
CN110321845B (zh) | 一种从视频中提取表情包的方法、装置及电子设备 | |
CN111738120B (zh) | 人物识别方法、装置、电子设备及存储介质 | |
CN106056083B (zh) | 一种信息处理方法及终端 | |
CN113902944A (zh) | 模型的训练及场景识别方法、装置、设备及介质 | |
CN111062440B (zh) | 一种样本选择方法、装置、设备及存储介质 | |
CN114783070A (zh) | 活体检测模型的训练方法、装置、电子设备及存储介质 | |
CN110610131A (zh) | 人脸运动单元的检测方法、装置、电子设备及存储介质 | |
CN107992872B (zh) | 一种对图片进行文本识别的方法及移动终端 | |
CN113032524A (zh) | 商标侵权识别方法、终端设备及存储介质 | |
CN112861742A (zh) | 人脸识别方法、装置、电子设备及存储介质 | |
CN113743160A (zh) | 活体检测的方法、装置以及存储介质 | |
CN113269154B (zh) | 一种图像识别方法、装置、设备及存储介质 | |
CN110874602A (zh) | 一种图像识别方法及装置 | |
CN111708988B (zh) | 侵权视频识别方法、装置、电子设备及存储介质 | |
CN114758168A (zh) | 模型生成方法、多标签分类方法、装置以及电子设备 | |
CN116861225A (zh) | 数据筛选方法、装置、电子设备及存储介质 | |
CN114298182A (zh) | 资源召回方法、装置、设备及存储介质 | |
KR102060110B1 (ko) | 컨텐츠에 포함되는 객체를 분류하는 방법, 장치 및 컴퓨터 프로그램 | |
CN112183336A (zh) | 表情识别模型训练方法、装置、终端设备及存储介质 | |
CN113221820B (zh) | 一种对象识别方法、装置、设备及介质 |
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 |