CN112860931B - 人脸识别库的构建方法 - Google Patents
人脸识别库的构建方法 Download PDFInfo
- Publication number
- CN112860931B CN112860931B CN202110062283.2A CN202110062283A CN112860931B CN 112860931 B CN112860931 B CN 112860931B CN 202110062283 A CN202110062283 A CN 202110062283A CN 112860931 B CN112860931 B CN 112860931B
- Authority
- CN
- China
- Prior art keywords
- face
- information
- data
- user
- feature
- 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
- 238000010276 construction Methods 0.000 title claims abstract description 12
- 238000000034 method Methods 0.000 claims abstract description 24
- 230000002159 abnormal effect Effects 0.000 claims description 17
- 230000005856 abnormality Effects 0.000 claims description 9
- 238000004891 communication Methods 0.000 claims description 7
- 238000006467 substitution reaction Methods 0.000 claims 1
- 238000013441 quality evaluation Methods 0.000 description 6
- 230000001815 facial effect Effects 0.000 description 5
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012790 confirmation Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000009545 invasion Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/55—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q20/00—Payment architectures, schemes or protocols
- G06Q20/38—Payment protocols; Details thereof
- G06Q20/40—Authorisation, e.g. identification of payer or payee, verification of customer or shop credentials; Review and approval of payers, e.g. check credit lines or negative lists
- G06Q20/401—Transaction verification
- G06Q20/4014—Identity check for transactions
- G06Q20/40145—Biometric identity checks
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Accounting & Taxation (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Computer Security & Cryptography (AREA)
- Oral & Maxillofacial Surgery (AREA)
- General Health & Medical Sciences (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Collating Specific Patterns (AREA)
Abstract
本发明涉及计算机技术领域,具体为人脸识别库的构建方法,包括以下步骤:S1:建立多个人脸图像的图像特征空间,S2:将图像特征空间拆分为多个人脸特征子空间,S3:对每个人脸所述特征子空间进行聚类,S4:得到聚类中心点信息和数据所属类别信息,S5:构建人脸识别库。本发明将多个人脸图像的图像特征空间拆分为多个人脸特征子空间,对每个人脸特征子空间进行聚类,得到每个人脸特征子空间的聚类中心点信息和数据所属类别信息,根据每个人脸特征子空间的聚类中心点信息和数据所属类别信息,构建人脸识别库,可以实现人脸识别过程简单易行,提高人脸识别的效率并减少资源消耗。
Description
技术领域
本发明涉及构建方法,特别是涉及人脸识别库的构建方法,属于计算机技术领域。
背景技术
面部识别又称人脸识别、面像识别、面容识别等等,面部识别使用通用的摄像机作为识别信息获取装置,以非接触的方式获取识别对象的面部图像,计算机***在获取图像后与数据库图像进行比对后完成识别过程。
面部识别是基于生物特征的识别方式,与指纹识别等传统的识别方式相比,具有实时、准确、高精度、易于使用、稳定性高、难仿冒、性价比高和非侵扰等特性,较容易被用户接受。
人脸识别是基于人的相貌特征信息进行身份认证的生物特征识别技术,现有的技术主要是将采集到的人脸特征信息与人脸识别设备存储的信息进行比对,但是,在对人脸进行采集的过程中会产生大量的人脸数据,在处理数据并进行对比时会浪费一定的时间,导致识别效率降低的同时浪费大量的电力资源,影响客户的体验感。
因此,亟需对人脸识别库的构建方法、人脸支付方法和***进行改进,以解决上述存在的问题。
发明内容
本发明的目的是提供人脸识别库的构建方法,将多个人脸图像的图像特征空间拆分为多个人脸特征子空间,对每个人脸特征子空间进行聚类,得到每个人脸特征子空间的聚类中心点信息和数据所属类别信息,根据每个人脸特征子空间的聚类中心点信息和数据所属类别信息,构建人脸识别库,可以实现人脸识别过程简单易行,提高人脸识别的效率并减少资源消耗。
为了达到上述目的,本发明采用的主要技术方案包括:
人脸识别库的构建方法,包括以下步骤:
S1:建立多个人脸图像的图像特征空间;
S2:将多个人脸图像的所述图像特征空间拆分为多个人脸特征子空间;
S3:通过人脸识别设备对每个人脸所述特征子空间进行聚类;
S4:得到每个人脸所述特征子空间的聚类中心点信息和数据所属类别信息;
S5:根据每个人脸特征子空间的所述聚类中心点信息和所述数据所属类别信息,构建人脸识别库。
优选的,所述人脸识别设备为摄像头,所述人脸识别设备采集人脸信息以及与所述人脸信息所关联的注册账户信息,储存到所述人脸特征子空间并进行聚类。
优选的,所述人脸识别设备采集人脸信息包括以下步骤:
S01:通过摄像头对人脸进行扫描,采集人脸信息,每个用户对应至少一个人脸特征模板;
S02:提取待识别用户的人脸信息,得到待识别的人脸特征模板;
S03:根据待识别用户的人脸信息和待识别的人脸特征模板调取人脸识别库进行待识别用户的人脸识别。
优选的,所述S01中还包括对采集的人脸信息进行信息增强,具体步骤如下:
首先,确定采集的人脸信息数据的数据集A,并根据以下公式获取采集的人脸信息数据的稳定度:
A={xi},i=1,2,3…m
其中,采集的人脸信息数据的稳定度,xi代表数据集A中第i个数据值,i=1,2,3…m;
然后,根据以下公式计算异常判断临界值:
其中,K代表异常判断临界值;
最后,根据异常判断临界值K对人脸信息数据的数据集A中的数据进行判断,当xi≥K,i=1,2,3…m,则当前判断的人脸信息数据为异常数据,并将此异常数据采用人脸信息数据的均值进行代替,xi<K,i=1,2,3…m,则当前判断的人脸信息数据为正常信号数据;对人脸信息数据的数据集A中的所有异常值均采用均值取代,直至人脸信息数据的数据集A中无异常值,获得信息增强后的人脸信息数据。
优选的,S03还包括如下步骤:
S03.1:分别计算待识别的人脸特征模板与人脸识别库中每个用户的每个人脸特征模板的相似度,得到每个用户的最大相似度和平均相似度;
S03.2:获取待识别的人脸特征模板与人脸特征模板库中多个用户的平均相似度中的最大值,根据最大值调取所述人脸识别库中其它的人脸特征模板,判断待识别用户是否为所对应的人脸特征模板库中的用户,若是,则识别结束,若否,则进入下一步骤;
S03.3:继续调取所述人脸识别库中其他的人脸特征模板,判断待识别用户是否为所对应的人脸特征模板库中的用户,若是,则识别结束,若否,则提示识别失败。
优选的,所述数据所属类别信息包括待识别用户的人脸面部信息、位置信息,身份信息以及通讯信息。
人脸识别库的人脸支付方法,包括以下步骤:
S101:用户进入消费场所时,通过人脸识别设备采集所述用户不同角度的人脸信息识别人脸特征模板并储存到人脸识别库;
S201:提取待识别用户的人脸图像中的人脸信息,得到待识别的人脸特征模板,根据每个人脸特征子空间的聚类中心点信息和数据所属类别信息,构建个人所述人脸识别库;
S301:用户进行支付时,通过人脸识别设备获取用户的人脸信息,再调取每个人脸特征子空间中人脸识别库中的人脸信息,进行所述待识别用户的识别,并得到目标图像;
S401:识别成功后,根据目标图像来确定用户的支付账户,根据支付账户完成所述用户的支付。
优选的,步骤S401还包括如下步骤:
S401.1:当识别成功后该用户为注册用户时,通过显示单元提示用户确认,用户核对清单后点击确认,则通过计费单元进行计费;
S401.2:当识别成功后显示该用户为非注册用户时,提示用户不能进行人脸识别支付,则通过所述显示单元显示用户信息以及消费信息,并通过支付子***进行扣费。
人脸识别库的构建***,包括一个或多个处理器,所述处理器连接有存储单元、人脸识别设备、支付设备、通信单元,所述存储单元用于储存一个或多个程序,所述程序包括支付程序、支付子程序、人脸识别程序以及商品管理程序,所述处理器通过通信单元连接到服务器上;
所述支付设备包括显示单元、计费单元和扣费单元。
优选的,所述人脸识别设备包括人脸质量评估模块、人脸特征分析模块、人脸数据对比模块所述支付设备还包括采集单元、识别单元以及确定单元;
所述采集单元用于采集支付者人脸信息;
所述识别单元用于识别所述支付者人脸信息;
所述确定单元用于当识别的结果为成功时,以完成人脸支付。
本发明至少具备以下有益效果:
1、将多个人脸图像的图像特征空间拆分为多个人脸特征子空间,对每个人脸特征子空间进行聚类,得到每个人脸特征子空间的聚类中心点信息和数据所属类别信息,根据每个人脸特征子空间的聚类中心点信息和数据所属类别信息,构建人脸识别库,可以实现人脸识别过程简单易行,提高人脸识别的效率并减少资源消耗。
2、通过摄像头对用户进行多次全方位的扫描,每个用户至少有一个人脸特征模板,然后将获得的人脸特征模板储存到服务器的人脸识别库中,需要再次进行识别时,通过人脸识别设备采集人脸信息并根据待识别的人脸信息和人脸特征模板调取人脸识别库进行待识别用户的识别,该方法简单,自动化识别,建立人脸识别库便可以自行进行识别和对比,简单快捷,提升识别的效率。
3、用户进入消费场所时,通过摄像头对用户进行多次全方位的扫描,每个用户至少有一个人脸特征模板,然后将获得的人脸特征模板储存到服务器的人脸识别库中,并构建个人人脸识别库,需要再次进行识别时,通过人脸识别设备采集人脸信息并根据待识别的人脸信息和人脸特征模板调取人脸识别库进行待识别用户的识别,识别成功后,根据目标图像来确定用户的支付账户,根据支付账户完成用户的支付,简单快捷,避免识别错误。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1为本发明的原理流程示意图;
图2为本发明的构建方法流程图;
图3为本发明的人脸识别设备采集人脸信息流程图;
图4为本发明的人脸支付方法流程图。
具体实施方式
以下将配合附图及实施例来详细说明本申请的实施方式,借此对本申请如何应用技术手段来解决技术问题并达成技术功效的实现过程能充分理解并据以实施。
如图1-图4所示,本实施例提供的人脸识别库的构建方法,包括以下步骤:
S1:建立多个人脸图像的图像特征空间;
S2:将多个人脸图像的图像特征空间拆分为多个人脸特征子空间;
S3:通过人脸识别设备对每个人脸特征子空间进行聚类;
S4:得到每个人脸特征子空间的聚类中心点信息和数据所属类别信息;
S5:根据每个人脸特征子空间的聚类中心点信息和数据所属类别信息,构建人脸识别库。
通过以上技术方案,将多个人脸图像的图像特征空间拆分为多个人脸特征子空间,对每个人脸特征子空间进行聚类,得到每个人脸特征子空间的聚类中心点信息和数据所属类别信息,根据每个人脸特征子空间的聚类中心点信息和数据所属类别信息,构建人脸识别库,可以实现人脸识别过程简单易行,提高人脸识别的效率并减少资源消耗。
在本实施例中,如图1所示,人脸识别设备为摄像头,人脸识别设备采集人脸信息以及与人脸信息所关联的注册账户信息,储存到人脸特征子空间并进行聚类,通过摄像头便于直接采集用户的图像,多次采集对比,一方面提升数据库的精确度,另一方面提升人脸采集的效率,进而可以提升支付的效率,避免出现错误。
在本实施例中,如图3所示,人脸识别设备采集人脸信息包括以下步骤:
S01:通过摄像头对人脸进行扫描,采集人脸信息,每个用户对应至少一个人脸特征模板;
S02:提取待识别用户的人脸信息,得到待识别的人脸特征模板;
S03:根据待识别用户的人脸信息和待识别的人脸特征模板调取人脸识别库进行待识别用户的人脸识别。
通过以上技术方案,通过PC、摄像机用户进行多次全方位的扫描,每个用户至少有一个人脸特征模板,然后将获得的人脸特征模板储存到服务器的人脸识别库中,需要再次进行识别时,通过人脸识别设备采集人脸信息并根据待识别的人脸信息和人脸特征模板调取人脸识别库进行待识别用户的识别,该方法简单,自动化识别,建立人脸识别库便可以自行进行识别和对比,简单快捷,提升识别的效率。
S01还包括对采集的人脸信息进行信息增强,具体步骤如下:
首先,确定采集的人脸信息数据的数据集A,并根据以下公式获取采集的人脸信息数据的稳定度:
A={xi},i=1,2,3…m
其中,采集的人脸信息数据的稳定度,xi代表数据集A中第i个数据值,i=1,2,3…m;
然后,根据以下公式计算异常判断临界值:
其中,K代表异常判断临界值;
最后,根据异常判断临界值K对人脸信息数据的数据集A中的数据进行判断,当xi≥K,i=1,2,3…m,则当前判断的人脸信息数据为异常数据,并将此异常数据采用人脸信息数据的均值进行代替,xi<K,i=1,2,3…m,则当前判断的人脸信息数据为正常信号数据;对人脸信息数据的数据集A中的所有异常值均采用均值取代,直至人脸信息数据的数据集A中无异常值,获得信息增强后的人脸信息数据。
通过以上技术方案,可以大幅度的去除采集的人脸信息数据中异常数据值,异常数据值包括(异常值、离群值和噪声点),从而使得将异常数据值以数据均值代替,从而保证了采集人脸信息的准确性,能够更好的提取人脸信息中的人脸特征,得到确切的人脸特征模板,并根据识别用户的人脸信息和待识别的人脸特征模板调取人脸识别库进行待识别用户的人脸识别,大幅度的提高了识别的精准度,避免了因异常值而导致识别错误,对于每个人的人脸进行全方位的采集,并将采集的人脸信息进行机器自动化的信息增强,从而无需工作人员手动进行增强,从而体现了***的智能化水平。
步骤S03还包括如下步骤:
S03.1:分别计算待识别的人脸特征模板与人脸识别库中每个用户的每个人脸特征模板的相似度,得到每个用户的最大相似度和平均相似度;
S03.2:获取待识别的人脸特征模板与人脸特征模板库中多个用户的平均相似度中的最大值,根据最大值调取人脸识别库中其它的人脸特征模板,判断待识别用户是否为所对应的人脸特征模板库中的用户,若是,则识别结束,若否,则进入下一步骤;
S03.3:继续调取人脸识别库中其他的人脸特征模板,判断待识别用户是否为所对应的人脸特征模板库中的用户,若是,则识别结束,若否,则提示识别失败。
通过以上技术方案,由于人与人之间的相似度比较高,传统的方式都是采取指纹识别,因为每个人的指纹都是独一无二的,但是由于环境或者识别的限制,指纹识别比较麻烦,且卫生方面也存在隐患,因此面部识别的应用率比较高,但是在进行面部识别的过程中会出现相似度比较高人群,列如双胞胎在进行购物时,使用面部识别进行支付,如果单纯的使用单一个体的人脸识别设备就有可能出错,并且在扣款的环节出现错误,因此在该用户进行消费场所时就会全方位的采集该用户的人脸信息,并根据采集的人脸信息中分析出至少一个人脸特征模块,并储存在人脸识别库中,用户进行支付时,通过人脸识别库中的人脸特征模块来识别人脸信息,若是则继续完成支付,若否则提示识别失败,具有识别效率高、智能化程度高、识别错误率低等特点。
数据所属类别信息包括待识别用户的人脸面部信息、位置信息,身份信息以及通讯信息。
人脸识别库的人脸支付方法,包括以下步骤:
S101:用户进入消费场所时,通过人脸识别设备采集用户不同角度的人脸信息识别人脸特征模板并储存到人脸识别库;
S201:提取待识别用户的人脸图像中的人脸信息,得到待识别的人脸特征模板,根据每个人脸特征子空间的聚类中心点信息和数据所属类别信息,构建个人人脸识别库;
S301:用户进行支付时,通过人脸识别设备获取用户的人脸信息,再调取每个人脸特征子空间中人脸识别库中的人脸信息,进行待识别用户的识别,并得到目标图像;
S401:识别成功后,根据目标图像来确定用户的支付账户,根据支付账户完成用户的支付。
通过以上技术方案,用户进入消费场所时,通过PC、摄像机用户进行多次全方位的扫描,每个用户至少有一个人脸特征模板,然后将获得的人脸特征模板储存到服务器的人脸识别库中,并构建个人人脸识别库,需要再次进行识别时,通过人脸识别设备采集人脸信息并根据待识别的人脸信息和人脸特征模板调取人脸识别库进行待识别用户的识别,识别成功后,根据目标图像来确定用户的支付账户,根据支付账户完成用户的支付,简单快捷,避免识别错误。
步骤S401还包括如下步骤:
S401.1:当识别成功后该用户为注册用户时,通过显示单元提示用户确认,用户核对清单后点击确认,则通过计费单元进行计费;
S401.2:当识别成功后显示该用户为非注册用户时,提示用户不能进行人脸识别支付,则通过所述显示单元显示用户信息以及消费信息,并通过支付子***进行扣费。
人脸识别库的构建***,包括一个或多个处理器,处理器连接有存储单元、人脸识别设备、支付设备、通信单元,存储单元用于储存一个或多个程序,程序包括支付程序、支付子程序、人脸识别程序以及商品管理程序,处理器通过通信单元连接到服务器上;
支付设备包括显示单元、计费单元和扣费单元。
在本实施例中,如图1所示,人脸识别设备包括人脸质量评估模块、人脸特征分析模块、人脸数据对比模块;
人脸质量评估模块,用于对采集的人脸图像进行质量评估,输出质量评估达标且最优的人脸图像进行标定,如果采集的人脸图像经过质量评估后均不达标,则反馈给图像采集模块重新采集;
人脸特征分析模块,用于对标定的人脸图像进行人脸特征提取,获取人脸特征信息数据;
人脸数据对比模块,用于将获取的人脸特征信息数据与支付子***中的人脸特征库中的数据进行对比,获取识别结果。
在本实施例中,如图1所示,支付设备还包括:采集单元、识别单元以及确定单元;
采集单元采集支付者人脸信息,用于在接收到人脸支付请求时,采集支付者人脸信息;
识别单元识别支付者人脸信息,用于基于本地存储的人脸信息,识别所述支付者人脸信息;
确定单元,用于当识别的结果为失败时,确定所属于的区域人脸识别库,以基于所属于的区域人脸识别库,识别所述支付者人脸信息,以完成人脸支付。
通过以上技术方案,采集单元采集支付者人脸信息,用于在接收到人脸支付请求时,采集支付者人脸信息;识别单元识别支付者人脸信息,用于基于本地存储的人脸信息,识别所述支付者人脸信息;确定单元,用于当识别的结果为失败时,确定所属于的区域人脸识别库,以基于所属于的区域人脸识别库,识别所述支付者人脸信息,以完成人脸支付。
如图1-图4所示,本实施例提供的人脸识别库的构建方法、人脸支付方法和***的原理如下:
将多个人脸图像的图像特征空间拆分为多个人脸特征子空间,对每个人脸特征子空间进行聚类,得到每个人脸特征子空间的聚类中心点信息和数据所属类别信息,根据每个人脸特征子空间的聚类中心点信息和数据所属类别信息,构建人脸识别库,可以实现人脸识别过程简单易行,提高人脸识别的效率并减少资源消耗,通过摄像头对用户进行多次全方位的扫描,每个用户至少有一个人脸特征模板,然后将获得的人脸特征模板储存到服务器的人脸识别库中,需要再次进行识别时,通过人脸识别设备采集人脸信息并根据待识别的人脸信息和人脸特征模板调取人脸识别库进行待识别用户的识别,该方法简单,自动化识别,建立人脸识别库便可以自行进行识别和对比,简单快捷,提升识别的效率,用户进入消费场所时,通过摄像头对用户进行多次全方位的扫描,每个用户至少有一个人脸特征模板,然后将获得的人脸特征模板储存到服务器的人脸识别库中,并构建个人人脸识别库,需要再次进行识别时,通过人脸识别设备采集人脸信息并根据待识别的人脸信息和人脸特征模板调取人脸识别库进行待识别用户的识别,识别成功后,根据目标图像来确定用户的支付账户,根据支付账户完成用户的支付,简单快捷,避免识别错误。
如在说明书及权利要求当中使用了某些词汇来指称特定组件。本领域技术人员应可理解,硬件制造商可能会用不同名词来称呼同一个组件。本说明书及权利要求并不以名称的差异来作为区分组件的方式,而是以组件在功能上的差异来作为区分的准则。如在通篇说明书及权利要求当中所提及的“包含”为一开放式用语,故应解释成“包含但不限定于”。“大致”是指在可接收的误差范围内,本领域技术人员能够在一定误差范围内解决技术问题,基本达到技术效果。
需要说明的是,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商品或者***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商品或者***所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括要素的商品或者***中还存在另外的相同要素。
上述说明示出并描述了本发明的若干优选实施例,但如前所述,应当理解本发明并非局限于本文所披露的形式,不应看作是对其他实施例的排除,而可用于各种其他组合、修改和环境,并能够在本文所述发明构想范围内,通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围,则都应在本发明所附权利要求的保护范围内。
Claims (2)
1.一种人脸识别库的构建方法,其特征在于,包括以下步骤:
S1:建立多个人脸图像的图像特征空间;
S2:将多个人脸图像的所述图像特征空间拆分为多个人脸特征子空间;
S3:通过人脸识别设备对每个人脸所述特征子空间进行聚类;
S4:得到每个人脸所述特征子空间的聚类中心点信息和数据所属类别信息;
S5:根据每个人脸特征子空间的所述聚类中心点信息和所述数据所属类别信息,构建人脸识别库;
所述人脸识别设备为摄像头,所述人脸识别设备采集人脸信息以及与所述人脸信息所关联的注册账户信息,储存到所述人脸特征子空间并进行聚类;
所述人脸识别设备采集人脸信息包括以下步骤:
S01:通过摄像头对人脸进行扫描,采集人脸信息,每个用户对应至少一个人脸特征模板;
S02:提取待识别用户的人脸信息,得到待识别的人脸特征模板;
S03:根据待识别用户的人脸信息和待识别的人脸特征模板调取人脸识别库进行待识别用户的人脸识别;
所述S01中还包括对采集的人脸信息进行信息增强,具体步骤如下:
首先,确定采集的人脸信息数据的数据集A,并根据以下公式获取采集的人脸信息数据的稳定度:
A={xi},i=1,2,3...m
其中,采集的人脸信息数据的稳定度,xi代表数据集A中第i个数据值,i=1,2,3…m;
然后,根据以下公式计算异常判断临界值:
其中,K代表异常判断临界值;
最后,根据异常判断临界值K对人脸信息数据的数据集A中的数据进行判断,当xi≥K,i=1,2,3…m,则当前判断的人脸信息数据为异常数据,并将此异常数据采用人脸信息数据的均值进行代替,xi<K,i=1,2,3…m,则当前判断的人脸信息数据为正常信号数据;对人脸信息数据的数据集A中的所有异常值均采用均值取代,直至人脸信息数据的数据集A中无异常值,获得信息增强后的人脸信息数据;
S03还包括如下步骤:
S03.1:分别计算待识别的人脸特征模板与人脸识别库中每个用户的每个人脸特征模板的相似度,得到每个用户的最大相似度和平均相似度;
S03.2:获取待识别的人脸特征模板与人脸特征模板库中多个用户的平均相似度中的最大值,根据最大值调取所述人脸识别库中其它的人脸特征模板,判断待识别用户是否为所对应的人脸特征模板库中的用户,若是,则识别结束,若否,则进入下一步骤;
S03.3:继续调取所述人脸识别库中其他的人脸特征模板,判断待识别用户是否为所对应的人脸特征模板库中的用户,若是,则识别结束,若否,则提示识别失败。
2.根据权利要求1所述的人脸识别库的构建方法,其特征在于:所述数据所属类别信息包括待识别用户的人脸面部信息、位置信息,身份信息以及通讯信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110062283.2A CN112860931B (zh) | 2021-01-18 | 2021-01-18 | 人脸识别库的构建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110062283.2A CN112860931B (zh) | 2021-01-18 | 2021-01-18 | 人脸识别库的构建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112860931A CN112860931A (zh) | 2021-05-28 |
CN112860931B true CN112860931B (zh) | 2023-11-03 |
Family
ID=76006465
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110062283.2A Active CN112860931B (zh) | 2021-01-18 | 2021-01-18 | 人脸识别库的构建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112860931B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113269154B (zh) * | 2021-06-29 | 2023-10-24 | 北京市商汤科技开发有限公司 | 一种图像识别方法、装置、设备及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1885310A (zh) * | 2006-06-01 | 2006-12-27 | 北京中星微电子有限公司 | 人脸模型训练模块及方法、人脸实时认证***及方法 |
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*** |
KR20180061819A (ko) * | 2016-11-30 | 2018-06-08 | 주식회사 베프스 | 다중 생체 인증 장치 또는 다중 생체 인증 시스템, 그리고 이를 사용한 다중 생체 인증 방법 |
CN109426781A (zh) * | 2017-08-29 | 2019-03-05 | 阿里巴巴集团控股有限公司 | 人脸识别数据库的构建方法、人脸识别方法、装置及设备 |
CN109615387A (zh) * | 2018-11-29 | 2019-04-12 | 中国科学院重庆绿色智能技术研究院 | 一种基于人脸识别的消费支付***及方法 |
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 |
-
2021
- 2021-01-18 CN CN202110062283.2A patent/CN112860931B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1885310A (zh) * | 2006-06-01 | 2006-12-27 | 北京中星微电子有限公司 | 人脸模型训练模块及方法、人脸实时认证***及方法 |
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*** |
KR20180061819A (ko) * | 2016-11-30 | 2018-06-08 | 주식회사 베프스 | 다중 생체 인증 장치 또는 다중 생체 인증 시스템, 그리고 이를 사용한 다중 생체 인증 방법 |
CN109426781A (zh) * | 2017-08-29 | 2019-03-05 | 阿里巴巴集团控股有限公司 | 人脸识别数据库的构建方法、人脸识别方法、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 |
CN109615387A (zh) * | 2018-11-29 | 2019-04-12 | 中国科学院重庆绿色智能技术研究院 | 一种基于人脸识别的消费支付***及方法 |
Non-Patent Citations (1)
Title |
---|
寇毛蕊 ; .基于Matlab的人脸识别***设计.软件导刊.2018,(11),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN112860931A (zh) | 2021-05-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109920174B (zh) | 图书借阅方法、装置、电子设备及存储介质 | |
US11495056B2 (en) | Intelligent gallery management for biometrics | |
US20030084289A1 (en) | Authentication method, apparatus, and system | |
CN110795584B (zh) | 一种用户标识生成方法、装置及终端设备 | |
CN1971581A (zh) | 一种指纹识别无线射频卡的身份认证***及方法 | |
CN112199530B (zh) | 多维度脸库图片自动更新方法、***、设备及介质 | |
JP2010049357A (ja) | 認証装置、認証システム及び認証方法 | |
CN109064613A (zh) | 人脸识别方法及装置 | |
US20180247105A1 (en) | High speed reference point independent database filtering for fingerprint identification | |
CN111951045A (zh) | 一种基于大数据的电费核算方法及装置 | |
CN112860931B (zh) | 人脸识别库的构建方法 | |
CN109119163A (zh) | 基于面部识别的健康检测方法及其*** | |
CN110852809A (zh) | 一种数据处理方法、装置、设备及介质 | |
CN103443772A (zh) | 基于多模态信息的人口统计分析的***和方法 | |
CN113822645A (zh) | 一种面试管理***、设备及计算机介质 | |
CN110335424B (zh) | 基于自助身份认证的社区卡制卡一体机设备及制作方法 | |
US8830032B2 (en) | Biometric-based identity confirmation | |
CN115204893A (zh) | 用于电子支付的人脸识别方法、装置、计算机设备 | |
CN109118242B (zh) | 一种账户创建方法及其装置、电子设备 | |
CN113191570A (zh) | 基于深度学习的资金规划推荐方法、装置和设备 | |
CN111807173A (zh) | 基于深度学习的电梯控制方法、电子设备及存储介质 | |
CN114648206A (zh) | 一种组织流程管理方法、装置、电子设备及存储介质 | |
CN116189315A (zh) | 活体检测方法和*** | |
CN117634472A (zh) | 物流地址的纠错方法、装置及计算机可读存储介质 | |
CN114724193A (zh) | 一种基于人脸与指纹识别的校园门禁控制方法与*** |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |