CN112883946A - 一种自适应阈值的选取方法及人脸识别方法 - Google Patents
一种自适应阈值的选取方法及人脸识别方法 Download PDFInfo
- Publication number
- CN112883946A CN112883946A CN202110468450.3A CN202110468450A CN112883946A CN 112883946 A CN112883946 A CN 112883946A CN 202110468450 A CN202110468450 A CN 202110468450A CN 112883946 A CN112883946 A CN 112883946A
- Authority
- CN
- China
- Prior art keywords
- face
- threshold
- face recognition
- prt
- curve
- 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
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
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)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
- Collating Specific Patterns (AREA)
Abstract
本发明公开了一种自适应阈值的选取方法及人脸识别方法,其中阈值选取方法包括对于实际场景中的人脸识别测试集,进行人脸质量评估,将人脸质量评估分数平均分为n个区间,将查询集中的人脸图片按人脸质量评估分数划入对应区间,对这n个区间的人脸图片根据实际需求及所用算法本身的人脸识别性能,选取合适的人脸识别相似度阈值a、b,建立人脸质量分数与人脸识别相似度阈值的对应表,通过细化的自适应人脸识别相似度阈值,解决不同尺寸,不同质量人脸识别相似度阈值设定问题。可以细化的设定不同人脸质量的人脸识别相似度阈值,继而提升整体的人脸识别效果。
Description
技术领域
本发明涉及人脸识别领域和深度学习领域,具体涉及一种自适应阈值的选取方法及人脸识别方法。
背景技术
目前,基于深度学习的人脸识别算法在智能签到,智能监狱等安防领域得到广泛的应用。当前的人脸识别技术以经过人脸检测,人脸关键点检测,人脸校正的人脸图像为输入,经过深度卷积神经网络得到一个特征向量,将该特征向量与底库特征向量计算余弦相似度,进而得到该人脸与底库人脸的相似度,在此时,需要根据设定的阈值来判断,是否匹配。在实现本发明过程中,发明人发现现有技术中至少存在如下问题:大尺寸高质量的人脸图片的异类区分度较大(即不同人的区分度较大、相似度较低),而同类相似度较高,小尺寸低质量的人脸的人脸图片的异类区分度较小,这说明采用统一的人脸识别相似度阈值没有考虑到这种人脸质量的区别。当前的人脸识别技术设定的阈值是固定且统一的,没有细化的根据具体的人脸质量设置不同的阈值。在实际场景中,人脸质量分布存在较大的不同,采用统一的人脸识别相似度阈值导致在监控场景等非限制场景下,准确率和召回率误差较大的问题。
发明内容
为了克服现有技术的不足,本公开实施例提供了一种自适应阈值的选取方法及人脸识别方法,可以细化的设定不同人脸质量的人脸识别相似度阈值,继而提升整体的人脸识别效果。技术方案如下:
第一方面,提供了一种自适应阈值的选取方法,该方法包括如下步骤:
对于实际场景中的人脸识别测试集,进行人脸质量评估,人脸质量评估分数∈(0,1),将人脸质量评估分数平均分为n个区间,将查询集中的人脸图片按人脸质量评估分数划入对应区间,对这n个区间的人脸图片根据实际需求及所用算法本身的人脸识别性能,选取合适的人脸识别相似度阈值a、b,建立人脸质量分数与人脸识别相似度阈值的对应表,所述实际需求为对准确率和召回率的权衡或侧重情况,阈值a为实际业务侧重选取高的召回率时的阈值,阈值b为实际业务侧重选取高的准确率时的阈值;实际运用中,根据人脸质量评估分数查找到对应的人脸质量区间,如果侧重选取高的召回率则选取该区间对应的阈值a,如果侧重选取高的准确率则选取该区间对应的阈值b。
优选的,所述选取合适的人脸识别相似度阈值a、b,替换为建立人脸质量分数与人脸识别PRT曲线,具体为:对每个区间的人脸图片,建立人脸质量分数与人脸识别PRT曲线,所述PRT曲线为:对于任一个人脸质量分数区间里,对每一个设定的阈值都能得到对应的准确率P, 召回率R,其中准确率P、召回率R是阈值T的函数,即(P,R)=f(T),在设定的相似度阈值T下,P=tp/p ,R = tp /q,tp是识别正确的数量,p为经过阈值筛选后总的识别数,q为应该识别出来的数量;这样对于每个阈值,都能得到对应的准确率P、召回率R,多个三维点连接形成PRT曲线;
对应的,所述如果侧重选取高的召回率则选取该区间对应的阈值a,如果侧重选取高的准确率则选取该区间对应的阈值b;替换为:根据人脸质量评估分数查找到对应的人脸质量区间,得到相应的人脸质量分数与人脸识别PRT曲线,根据实际业务需要的召回率P和准确率R值按照一定规则在PRT曲线找到对应的人脸识别相似度阈值T。
进一步的,所述根据实际业务需要的召回率P和准确率R值按照一定规则在PRT曲线找到对应的人脸识别相似度阈值T,具体为:对于高召回率需求的场景,选用PRT曲线上对应的召回率所对应的人脸识别相似度阈值,作为该场景的识别阈值;对于高准确率需求的场景,选用PRT曲线上对应的准确率所对应的人脸识别相似度阈值,作为该场景的识别阈值。
第二方面,提供了一种自适应阈值的人脸识别方法,该方法包括如下步骤:
选取自适应阈值:对于实际场景中的人脸识别测试集,进行人脸质量评估,人脸质量评估分数∈(0, 1),将人脸质量评估分数平均分为n个区间,将查询集中的人脸图片按人脸质量评估分数划入对应区间,对这n个区间的人脸图片根据实际需求及所用算法本身人脸识别性能,选取合适的人脸识别相似度阈值a、b,建立人脸质量分数与人脸识别相似度阈值的对应表,所述实际需求为对准确率和召回率的权衡或侧重情况,阈值a为实际业务侧重选取高的召回率时的阈值,阈值b为实际业务侧重选取高的准确率时的阈值;
对于特定场景中的图片,先进行人脸检测,关键点检测,人脸质量评估,人脸校正,得到校正后的人脸及其人脸质量评估分数;对于校正后的人脸图像face_imgs输入深度卷积神经网络提取特征,得到人脸特征;再进行特征归一化,得到归一化的人脸特征face_feature;
根据人脸质量评估从人脸质量分数与人脸识别相似度阈值的对应表中获取对应的人脸识别相似度阈值,即根据人脸质量评估分数查找到对应的人脸质量区间,根据实际情况决定该特定场景下,需求的是高召回率,还是高准确率;如果侧重选取高的召回率则选取该区间对应的阈值a,如果侧重选取高的准确率则选取该区间对应的阈值b;
对提取的人脸识别特征,与底库中的人脸特征计算余弦相似度,判断得分最高的相似度是否超过自适应的人脸识别相似度阈值,若超过自适应的人脸识别相似度阈值,则人脸图像face_img与该底库人脸匹配,若低于自适应的人脸识别相似度阈值,则人脸图像face_img不在人脸底库中。
优选的,所述选取合适的人脸识别相似度阈值a、b,替换为建立人脸质量分数与人脸识别PRT曲线,具体为:对每个区间的人脸图片,建立人脸质量分数与人脸识别PRT曲线,所述PRT曲线为:对于任一个人脸质量分数区间里,对每一个设定的阈值都能得到对应的准确率P, 召回率R,其中准确率P、召回率R是阈值T的函数,即(P,R)=f(T),在设定的相似度阈值T下,P=tp/p ,R = tp /q,tp是识别正确的数量,p为经过阈值筛选后总的识别数,q为应该识别出来的数量;这样对于每个阈值,都能得到对应的准确率P、召回率R,多个三维点连接形成PRT曲线;
对应的,所述如果侧重选取高的召回率则选取该区间对应的阈值a,如果侧重选取高的准确率则选取该区间对应的阈值b;替换为:根据人脸质量评估分数查找到对应的人脸质量区间,得到相应的人脸质量分数与人脸识别PRT曲线,根据实际业务需要的召回率P和准确率R值按照一定规则在PRT曲线找到对应的人脸识别相似度阈值T。
进一步的,所述根据实际业务需要的召回率P和准确率R值按照一定规则在PRT曲线找到对应的人脸识别相似度阈值,具体为:对于高召回率需求的场景,选用PRT曲线上对应的召回率所对应的人脸识别相似度阈值,作为该场景的识别阈值;对于高准确率需求的场景,选用PRT曲线上对应的准确率所对应的人脸识别相似度阈值,作为该场景的识别阈值。
与现有技术相比,上述技术方案中的一个技术方案具有如下有益效果:通过细化的自适应人脸识别相似度阈值,解决不同尺寸,不同质量人脸识别相似度阈值设定问题。可以细化的设定不同人脸质量的人脸识别相似度阈值,继而提升整体的人脸识别效果。
附图说明
图1 为本公开实施例提供的某区间的人脸质量分数与人脸识别PRT曲线示意图。
具体实施方式
为了阐明本发明的技术方案和工作原理,下面将结合附图对本公开实施方式做进一步的详细描述。上述所有可选技术方案,可以采用任意结合形成本公开的可选实施例,在此不再一一赘述。
第一方面,本公开实施例提供了一种自适应阈值的选取方法,该方法包括如下步骤:
对于实际场景中的人脸识别测试集(包括查询集query和底库gallery),进行人脸质量评估,人脸质量评估分数∈(0, 1),将人脸质量评估分数平均分为n个区间,将查询集(query集)中的人脸图片按人脸质量评估分数划入对应区间,比如:将查询集(query集)中的人脸图片按人脸质量评估平均分为100个区间,分别为(0, 0.01), (0.01, 0.02)……;对这n(100)个区间的人脸图片根据实际需求及所用算法本身人脸识别性能,选取合适的人脸识别相似度阈值a、b,建立人脸质量分数与人脸识别相似度阈值的对应表,所述实际需求为对准确率和召回率的权衡或侧重情况,阈值a为实际业务侧重选取高的召回率时的阈值,阈值b为实际业务侧重选取高的准确率时的阈值;实际运用中,根据人脸质量评估分数查找到对应的人脸质量区间,如果侧重选取高的召回率则选取该区间对应的阈值a,如果侧重选取高的准确率则选取该区间对应的阈值b。
为了细化阈值选取的程度,提高阈值选取的精准度,把人脸识别相似度阈值a、b替换为建立人脸质量分数与人脸识别PRT曲线。当实际需求相同的情况下,采用不同的算法可以得到不同的人脸识别相似度阈值a、b。
优选的,所述选取合适的人脸识别相似度阈值a、b,替换为建立人脸质量分数与人脸识别PRT曲线,具体为:对每个区间的人脸图片,建立人脸质量分数与人脸识别PRT曲线,如附图1所示,附图1为某区间的人脸质量分数与人脸识别PRT曲线示意图,所述PRT曲线为:对于任一个人脸质量分数区间里,对每一个设定的阈值都能得到对应的准确率P(precision), 召回率R(recall),其中准确率P、召回率R是阈值T的函数,即(P,R)=f(T),在设定的相似度阈值T下,P=tp/p ,R = tp /q,tp是识别正确的数量,p为经过阈值筛选后总的识别数,q为应该识别出来的数量(即底库gallery中的人在查询集query中出现的总次数);阈值t不同直接影响总的识别数量p,同时也间接影响了Tp。这样对于每个阈值,都能得到对应的准确率P、召回率R,多个三维点连接形成PRT曲线。
对应的,所述如果侧重选取高的召回率则选取该区间对应的阈值a,如果侧重选取高的准确率则选取该区间对应的阈值b;替换为:
根据人脸质量评估分数查找到对应的人脸质量区间,得到相应的人脸质量分数与人脸识别PRT曲线,根据实际业务需要的召回率P和准确率R值按照一定规则在PRT曲线找到对应的人脸识别相似度阈值T。
进一步的,实际业务需要的召回率precision和准确率recall值之间并没有任何的约束条件,因此把PRT曲线投射到PR平面时,往往不在PR曲线上,在这种情况下:
所述根据实际业务需要的召回率P和准确率R值按照一定规则在PRT曲线找到对应的人脸识别相似度阈值,具体为:对于高召回率需求的场景,选用PRT曲线上对应的召回率所对应的人脸识别相似度阈值,作为该场景的识别阈值;对于高准确率需求的场景,选用PRT曲线上对应的准确率所对应的人脸识别相似度阈值,作为该场景的识别阈值。
例如:在质量分数位于范围为(0.69,0.7)时,需求的召回率为0.99,需求的准确率为0.99,但是实际的PRT曲线上,准确率和召回率不能同时满足设定的指标,阈值为0.5时,准确率为0.98,召回率为0.99,阈值为0.55时,准确率为0.99,召回率为0.98,当需求侧重高召回率时,选择人脸识别相似度阈值为0.5,当需求侧重高准确率时,选择人脸识别相似度阈值为0.55。
第二方面,本公开实施例提供了一种自适应阈值的人脸识别方法,该方法包括如下步骤:
选取自适应阈值:对于实际场景中的人脸识别测试集,进行人脸质量评估,人脸质量评估分数∈(0, 1),将人脸质量评估分数平均分为n个区间,将查询集中的人脸图片按人脸质量评估分数划入对应区间,对这n(100)个区间的人脸图片根据实际需求及所用算法本身人脸识别性能,选取合适的人脸识别相似度阈值a、b,建立人脸质量分数与人脸识别相似度阈值的对应表,所述实际需求为对准确率和召回率的权衡或侧重情况,阈值a为实际业务侧重选取高的召回率时的阈值,阈值b为实际业务侧重选取高的准确率时的阈值。
对于特定场景中的图片,先进行人脸检测,关键点检测,人脸质量评估,人脸校正,得到校正后的人脸及其人脸质量评估分数;对于校正后的人脸图像face_imgs输入深度卷积神经网络提取特征,得到人脸特征;再进行特征归一化,得到归一化的人脸特征face_feature。
根据人脸质量评估从人脸质量分数与人脸识别相似度阈值的对应表中获取对应的人脸识别相似度阈值,即根据人脸质量评估分数查找到对应的人脸质量区间,根据具体的业务需求设定,综合考虑人流量和地点相关性,根据实际情况决定该地点的特定场景下,需求的高召回率,还是高准确率;如果侧重选取高的召回率则选取该区间对应的阈值a,如果侧重选取高的准确率则选取该区间对应的阈值b。
对提取的人脸识别特征,与底库中的人脸特征计算余弦相似度,判断得分最高的相似度是否超过自适应的人脸识别相似度阈值,若超过自适应的人脸识别相似度阈值,则人脸图像face_img与该底库人脸匹配,若低于自适应的人脸识别相似度阈值,则人脸图像face_img不在人脸底库中。
优选的,所述选取合适的人脸识别相似度阈值a、b,替换为建立人脸质量分数与人脸识别PRT曲线,具体为:对每个区间的人脸图片,建立人脸质量分数与人脸识别PRT曲线,所述PRT曲线为:对于任一个人脸质量分数区间里,对每一个设定的阈值都能得到对应的准确率P, 召回率R,其中准确率P、召回率R是阈值T的函数,即(P,R)=f(T),在设定的相似度阈值T下,P=tp/p ,R = tp /q,tp是识别正确的数量,p为经过阈值筛选后总的识别数,q为应该识别出来的数量(即底库gallery中的人在查询集query中出现的总次数);这样对于每个阈值,都能得到对应的准确率P、召回率R,多个三维点连接形成PRT曲线。
对应的,所述如果侧重选取高的召回率则选取该区间对应的阈值a,如果侧重选取高的准确率则选取该区间对应的阈值b;替换为:
根据人脸质量评估分数查找到对应的人脸质量区间,得到相应的人脸质量分数与人脸识别PRT曲线,根据实际业务需要的召回率P和准确率R值按照一定规则在PRT曲线找到对应的人脸识别相似度阈值T。
进一步的,所述根据实际业务需要的召回率P和准确率R值按照一定规则在PRT曲线找到对应的人脸识别相似度阈值,具体为:对于高召回率需求的场景,选用PRT曲线上对应的召回率所对应的人脸识别相似度阈值,作为该场景的识别阈值;对于高准确率需求的场景,选用PRT曲线上对应的准确率所对应的人脸识别相似度阈值,作为该场景的识别阈值。
以上结合附图对本发明进行了示例性描述,显然,本发明具体实现并不受上述方式的限制,凡是采用了本发明的方法构思和技术方案进行的各种非实质性的改进;或者未经改进、等同替换,将本发明的上述构思和技术方案直接应用于其他场合的,均在本发明的保护范围之内。
Claims (6)
1.一种自适应阈值的选取方法,其特征在于,该方法包括如下步骤:
对于实际场景中的人脸识别测试集,进行人脸质量评估,人脸质量评估分数∈(0, 1),将人脸质量评估分数平均分为n个区间,将查询集中的人脸图片按人脸质量评估分数划入对应区间,对这n个区间的人脸图片根据实际需求及所用算法本身的人脸识别性能,选取合适的人脸识别相似度阈值a、b,建立人脸质量分数与人脸识别相似度阈值的对应表,所述实际需求为对准确率和召回率的权衡或侧重情况,阈值a为实际业务侧重选取高的召回率时的阈值,阈值b为实际业务侧重选取高的准确率时的阈值;实际运用中,根据人脸质量评估分数查找到对应的人脸质量区间,如果侧重选取高的召回率则选取该区间对应的阈值a,如果侧重选取高的准确率则选取该区间对应的阈值b。
2.根据权利要求1所述的一种自适应阈值的选取方法,其特征在于,
所述选取合适的人脸识别相似度阈值a、b,替换为建立人脸质量分数与人脸识别PRT曲线,具体为:对每个区间的人脸图片,建立人脸质量分数与人脸识别PRT曲线,所述PRT曲线为:对于任一个人脸质量分数区间里,对每一个设定的阈值都能得到对应的准确率P, 召回率R,其中准确率P、召回率R是阈值T的函数,即(P,R)=f(T),在设定的相似度阈值T下,P=tp/p ,R = tp /q,tp是识别正确的数量,p为经过阈值筛选后总的识别数,q为应该识别出来的数量;这样对于每个阈值,都能得到对应的准确率P、召回率R,多个三维点连接形成PRT曲线;
对应的,所述如果侧重选取高的召回率则选取该区间对应的阈值a,如果侧重选取高的准确率则选取该区间对应的阈值b;替换为:根据人脸质量评估分数查找到对应的人脸质量区间,得到相应的人脸质量分数与人脸识别PRT曲线,根据实际业务需要的召回率P和准确率R值按照一定规则在PRT曲线找到对应的人脸识别相似度阈值T。
3.根据权利要求2所述的一种自适应阈值的选取方法,其特征在于,
所述根据实际业务需要的召回率P和准确率R值按照一定规则在PRT曲线找到对应的人脸识别相似度阈值T,具体为:对于高召回率需求的场景,选用PRT曲线上对应的召回率所对应的人脸识别相似度阈值,作为该场景的识别阈值;对于高准确率需求的场景,选用PRT曲线上对应的准确率所对应的人脸识别相似度阈值,作为该场景的识别阈值。
4.一种自适应阈值的人脸识别方法,其特征在于,该方法包括如下步骤:
选取自适应阈值:对于实际场景中的人脸识别测试集,进行人脸质量评估,人脸质量评估分数∈(0, 1),将人脸质量评估分数平均分为n个区间,将查询集中的人脸图片按人脸质量评估分数划入对应区间,对这n个区间的人脸图片根据实际需求及所用算法本身人脸识别性能,选取合适的人脸识别相似度阈值a、b,建立人脸质量分数与人脸识别相似度阈值的对应表,所述实际需求为对准确率和召回率的权衡或侧重情况,阈值a为实际业务侧重选取高的召回率时的阈值,阈值b为实际业务侧重选取高的准确率时的阈值;
对于特定场景中的图片,先进行人脸检测,关键点检测,人脸质量评估,人脸校正,得到校正后的人脸及其人脸质量评估分数;对于校正后的人脸图像face_imgs输入深度卷积神经网络提取特征,得到人脸特征;再进行特征归一化,得到归一化的人脸特征face_feature;
根据人脸质量评估从人脸质量分数与人脸识别相似度阈值的对应表中获取对应的人脸识别相似度阈值,即根据人脸质量评估分数查找到对应的人脸质量区间,根据实际情况决定该特定场景下,需求的是高召回率,还是高准确率;如果侧重选取高的召回率则选取该区间对应的阈值a,如果侧重选取高的准确率则选取该区间对应的阈值b;
对提取的人脸识别特征,与底库中的人脸特征计算余弦相似度,判断得分最高的相似度是否超过自适应的人脸识别相似度阈值,若超过自适应的人脸识别相似度阈值,则人脸图像face_img与该底库人脸匹配,若低于自适应的人脸识别相似度阈值,则人脸图像face_img不在人脸底库中。
5.根据权利要求4所述的一种自适应阈值的人脸识别方法,其特征在于,所述选取合适的人脸识别相似度阈值a、b,替换为建立人脸质量分数与人脸识别PRT曲线,具体为:对每个区间的人脸图片,建立人脸质量分数与人脸识别PRT曲线,所述PRT曲线为:对于任一个人脸质量分数区间里,对每一个设定的阈值都能得到对应的准确率P, 召回率R,其中准确率P、召回率R是阈值T的函数,即(P,R)=f(T),在设定的相似度阈值T下,P=tp/p ,R = tp /q,tp是识别正确的数量,p为经过阈值筛选后总的识别数,q为应该识别出来的数量;这样对于每个阈值,都能得到对应的准确率P、召回率R,多个三维点连接形成PRT曲线;
对应的,所述如果侧重选取高的召回率则选取该区间对应的阈值a,如果侧重选取高的准确率则选取该区间对应的阈值b;替换为:根据人脸质量评估分数查找到对应的人脸质量区间,得到相应的人脸质量分数与人脸识别PRT曲线,根据实际业务需要的召回率P和准确率R值按照一定规则在PRT曲线找到对应的人脸识别相似度阈值T。
6.根据权利要求5所述的一种自适应阈值的人脸识别方法,其特征在于,所述根据实际业务需要的召回率P和准确率R值按照一定规则在PRT曲线找到对应的人脸识别相似度阈值,具体为:对于高召回率需求的场景,选用PRT曲线上对应的召回率所对应的人脸识别相似度阈值,作为该场景的识别阈值;对于高准确率需求的场景,选用PRT曲线上对应的准确率所对应的人脸识别相似度阈值,作为该场景的识别阈值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110468450.3A CN112883946A (zh) | 2021-04-29 | 2021-04-29 | 一种自适应阈值的选取方法及人脸识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110468450.3A CN112883946A (zh) | 2021-04-29 | 2021-04-29 | 一种自适应阈值的选取方法及人脸识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112883946A true CN112883946A (zh) | 2021-06-01 |
Family
ID=76040166
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110468450.3A Pending CN112883946A (zh) | 2021-04-29 | 2021-04-29 | 一种自适应阈值的选取方法及人脸识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112883946A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114139007A (zh) * | 2022-01-26 | 2022-03-04 | 荣耀终端有限公司 | 图像搜索方法、电子设备及其介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103136533A (zh) * | 2011-11-28 | 2013-06-05 | 汉王科技股份有限公司 | 基于动态阈值的人脸识别方法及装置 |
US20190114470A1 (en) * | 2017-10-18 | 2019-04-18 | Gorilla Technology Inc. | Method and System for Face Recognition Based on Online Learning |
CN110532920A (zh) * | 2019-08-21 | 2019-12-03 | 长江大学 | 基于FaceNet方法的小数量数据集人脸识别方法 |
CN112215154A (zh) * | 2020-10-13 | 2021-01-12 | 北京中电兴发科技有限公司 | 一种应用于人脸检测***的基于蒙版的模型评估方法 |
CN112613579A (zh) * | 2020-12-31 | 2021-04-06 | 南京视察者智能科技有限公司 | 一种人脸或人头图像质量的模型训练方法、评估方法及高质量图像的选取方法 |
-
2021
- 2021-04-29 CN CN202110468450.3A patent/CN112883946A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103136533A (zh) * | 2011-11-28 | 2013-06-05 | 汉王科技股份有限公司 | 基于动态阈值的人脸识别方法及装置 |
US20190114470A1 (en) * | 2017-10-18 | 2019-04-18 | Gorilla Technology Inc. | Method and System for Face Recognition Based on Online Learning |
CN110532920A (zh) * | 2019-08-21 | 2019-12-03 | 长江大学 | 基于FaceNet方法的小数量数据集人脸识别方法 |
CN112215154A (zh) * | 2020-10-13 | 2021-01-12 | 北京中电兴发科技有限公司 | 一种应用于人脸检测***的基于蒙版的模型评估方法 |
CN112613579A (zh) * | 2020-12-31 | 2021-04-06 | 南京视察者智能科技有限公司 | 一种人脸或人头图像质量的模型训练方法、评估方法及高质量图像的选取方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114139007A (zh) * | 2022-01-26 | 2022-03-04 | 荣耀终端有限公司 | 图像搜索方法、电子设备及其介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109344787B (zh) | 一种基于人脸识别与行人重识别的特定目标跟踪方法 | |
RU2738325C2 (ru) | Способ и устройство аутентификации личности | |
CN110427807B (zh) | 一种时序事件动作检测方法 | |
CN108536851B (zh) | 一种基于移动轨迹相似度比较的用户身份识别方法 | |
CN110070066B (zh) | 一种基于姿态关键帧的视频行人重识别方法及*** | |
CN105184238A (zh) | 一种人脸识别方法及*** | |
CN110941594A (zh) | 一种视频文件的拆分方法、装置、电子设备及存储介质 | |
CN112818149B (zh) | 一种基于时空轨迹数据的人脸聚类方法、装置及存储介质 | |
CN109635643B (zh) | 一种基于深度学习的快速人脸识别方法 | |
CN111401171B (zh) | 一种人脸图像的识别方法、装置、电子设备和存储介质 | |
CN107315795B (zh) | 联合特定人物和场景的视频实例检索方法及*** | |
CN103735253A (zh) | 一种基于移动终端的中医舌象分析***及方法 | |
US8290277B2 (en) | Method and apparatus for setting a lip region for lip reading | |
US10635948B2 (en) | Method for locating one or more candidate digital images being likely candidates for depicting an object | |
CN101089874A (zh) | 一种远程人脸图像的身份识别方法 | |
CN109784270A (zh) | 一种提升人脸图片识别完整性的处理方法 | |
CN110827432B (zh) | 一种基于人脸识别的课堂考勤方法及*** | |
CN109977895A (zh) | 一种基于多特征图融合的野生动物视频目标检测方法 | |
EP3779775A1 (en) | Media processing method and related apparatus | |
CN106611151A (zh) | 一种人脸识别方法及装置 | |
CN111368867A (zh) | 档案归类方法及***、计算机可读存储介质 | |
CN105488486A (zh) | 防止照片攻击的人脸识别方法及装置 | |
CN109993042A (zh) | 一种人脸识别方法及其装置 | |
CN105631404B (zh) | 对照片进行聚类的方法及装置 | |
CN112883946A (zh) | 一种自适应阈值的选取方法及人脸识别方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210601 |
|
RJ01 | Rejection of invention patent application after publication |