CN113255631A - 相似度阈值更新方法、人脸识别方法及相关装置 - Google Patents
相似度阈值更新方法、人脸识别方法及相关装置 Download PDFInfo
- Publication number
- CN113255631A CN113255631A CN202110802852.2A CN202110802852A CN113255631A CN 113255631 A CN113255631 A CN 113255631A CN 202110802852 A CN202110802852 A CN 202110802852A CN 113255631 A CN113255631 A CN 113255631A
- Authority
- CN
- China
- Prior art keywords
- attribute
- face image
- similarity
- face
- attributes
- 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
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
- 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
-
- 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
- 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
- G06V40/178—Human faces, e.g. facial parts, sketches or expressions estimating age from face image; using age information for improving recognition
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种相似度阈值更新方法、人脸识别方法及相关装置,包括:接收第一人脸图像,对第一人脸图像进行属性分析,以获得第一人脸图像的属性;将第一人脸图像与数据库中的多个第二人脸图像分别进行特征比对,以获得多个相似度值;基于第一人脸图像的属性将多个相似度值添加到至少一个属性误报表中,属性误报表对应单个类型的属性或不同类型的多个属性的组合;响应于任一属性误报表中所包含的相似度值的数量达到第一阈值,在达到第一阈值的属性误报表的相似度值中提取候选相似度值;利用候选相似度值更新当前的相似度阈值。上述方案,能够对相似度阈值更新,从而降低容易误识别人脸的误报率,提升难识别人脸的正确率。
Description
技术领域
本申请涉及图像处理技术领域,特别是涉及一种相似度阈值更新方法、人脸识别方法及相关装置。
背景技术
随着人口流动愈发频繁,对采集到的人脸图像进行管理时需要对人脸图像进行布控或聚档,在布控或聚档时通常是设置相似度阈值并将相似度值高于相似度阈值的人脸图像归为同一类,以便于对人类图像进行管理。
现有技术中,通常将相似度阈值设置为单一的初始阈值便不再更新,但是通过实验测试数据来看,在同一误报率下成人与成人之间、儿童与儿童之间、不同肤色的人之间所需的相似度阈值并不相同。例如,初始阈值能够满足成人与成人之间进行布控或聚档的误报率,但是当监控区域内出现儿童时,误报数量便会指数倍增涨导致误报率增高;再如同一误报率下戴口罩人脸与无口罩人脸之间的相似度往往低于均无口罩人脸之间的相似度,如按无口罩人脸的相似度阈值设置,戴口罩人群的识别率与聚档成功率将会下降。有鉴于此,如何对相似度阈值更新,从而降低容易误识别人脸的误报率,提升难识别人脸的正确率成为亟待解决的问题。
发明内容
本申请主要解决的技术问题是提供一种相似度阈值更新方法、人脸识别方法及相关装置,能够基于不同的属性组合对相似度阈值更新,从而降低容易误识别人脸的误报率,提升难识别人脸的正确率。
为解决上述技术问题,本申请第一方面提供一种相似度阈值更新方法,该方法包括:接收第一人脸图像,对所述第一人脸图像进行属性分析,以获得所述第一人脸图像的属性,其中,所述属性包括遮挡情况、年龄、性别、肤色中至少一种;将所述第一人脸图像与数据库中的多个第二人脸图像分别进行特征比对,以获得多个相似度值;基于所述第一人脸图像的属性将多个所述相似度值添加到至少一个属性误报表中,其中,所述属性误报表对应单个类型的所述属性或不同类型的多个所述属性的组合;响应于任一所述属性误报表中所包含的所述相似度值的数量达到第一阈值,在达到所述第一阈值的所述属性误报表的相似度值中提取候选相似度值;利用所述候选相似度值更新当前的相似度阈值。
为解决上述技术问题,本申请第二方面提供一种人脸识别方法,该方法包括:接收第一人脸图像,将所述第一人脸图像与数据库中的多个第二人脸图像分别进行特征比对,以获得多个相似度值;获得当前的相似度阈值,其中,所述相似度阈值根据上述第一方面所述的方法获得;基于当前的所述相似度阈值和多个所述相似度值,对所述第一人脸图像和多个所述第二人脸图像进行布控和/或聚档,以获得第一布控结果和/或第一聚档结果。
为解决上述技术问题,本申请第三方面提供一种电子设备,该电子设备包括:相互耦接的存储器和处理器,其中,所述存储器存储有程序数据,所述处理器调用所述程序数据以执行上述第一方面或上述第二方面所述的方法。
为解决上述技术问题,本申请第四方面提供一种计算机可读存储介质,其上存储有程序数据,所述程序数据被处理器执行时实现上述第一方面或上述第二方面所述的方法。
本申请的有益效果是:本申请在获得第一人脸图像后对第一人脸图像进行了属性分析以获得第一人脸图像的属性,将第一人脸图像与已经存储在数据库的第二人脸图像进行特征比对,获得多个相似度值,基于第一人脸图像的属性将相似度值添加至属性误报表中,属性误报表中对应有单个类型的属性或者不同类型的多个属性的组合,对属性误报表中的相似度值进行统计,当任一属性误报表中的相似度值的数量累积超过第一阈值,则从对应的属性误报表中提取候选相似度值,利用候选相似度值对当前的相似度阈值进行更新,从而对于任一属性或属性组合对应的相似度阈值可以进行自动更新,以使监控区域内出现对应的属性或属性组合的人脸图像时能够降低人脸识别的误报率,提升难识别人脸的正确率。
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。其中:
图1是本申请相似度阈值更新方法一实施方式的流程示意图;
图2是本申请相似度阈值更新方法另一实施方式的流程示意图;
图3是本申请人脸识别方法一实施方式的流程示意图;
图4是本申请电子设备一实施方式的结构示意图;
图5是本申请计算机可读存储介质一实施方式的结构示意图。
具体实施方式
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,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性的劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
本文中术语“***”和“网络”在本文中常被可互换使用。本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。此外,本文中的“多”表示两个或者多于两个。
请参阅图1,图1是本申请相似度阈值更新方法一实施方式的流程示意图,该方法包括:
S101:接收第一人脸图像,对第一人脸图像进行属性分析,以获得第一人脸图像的属性,其中,属性包括遮挡情况、年龄、性别、肤色中至少一种。
具体地,当获取到第一人脸图像后,对第一人脸图像进行属性分析,在第一人脸图像上检测并提取出第一人脸图像的属性,基于不同的属性分析方法,属性包括遮挡情况、年龄、性别、肤色中至少一种。
在一应用方式中,接收第一人脸图像,利用人脸检测模型对第一人脸图像进行检测,基于第一人脸图像的面部特征,获取第一人脸图像的面部特征对应的更高阶的属性。
在另一应用方式中,接收第一人脸图像,利用预先训练的属性分析模型对第一人脸图像进行属性提取,以使属性分析模型输出第一人脸图像对应的属性。
在一具体应用场景中,第一人脸图像的属性包括面部有遮挡、面部无遮挡、儿童、青年、老年、男、女、黄皮肤、白皮肤和黑皮肤。在其他应用场景中还可以包括其他类型属性,在此不做具体限制。
S102:将第一人脸图像与数据库中的多个第二人脸图像分别进行特征比对,以获得多个相似度值。
具体地,数据库中存在的多个第二人脸图像,且第二人脸图像对应保存有特征信息,提取第一人脸图像的特征信息,将第一人脸图像的特征信息与数据库中的多个第二人脸图像进行特征比对,从而获得第一人脸图像分别相对多个第二人脸图像的相似度值。
S103:基于第一人脸图像的属性将多个相似度值添加到至少一个属性误报表中,其中,属性误报表对应单个类型的属性或不同类型的多个属性的组合。
具体地,提取预先已经生成的属性误报表,属性误报表中可以是单一类型的属性,与也可以是不同类型的多个属性的组合。
在一应用方式中,属性误报表对应的单一类型的属性为单个人脸图像的属性,例如:面部有遮挡误报表、面部无遮挡误报表或儿童误报表等,属性误报表对应的不同类型的多个属性的组合为单个人脸图像的属性,例如:面部有遮挡儿童误报表、儿童黄皮肤误报表或面部有遮挡儿童黄皮肤误报表。
进一步地,将第一人脸图像的属性与属性误报表中的单一类型的属性或者不同类型的多个属性的组合进行匹配,当第一人脸图像的所有属性中的至少部分属性与属性误报对应的属性或属性组合匹配后,将第一人脸图像相对第二人脸图像的相似度值添加至对应的属性误报表中。
在另一应用方式中,属性误报表对应的单一类型的属性为两个人脸图像分别对应的单一属性,例如:面部有遮挡/面部有遮挡误报表、面部有遮挡/面部无遮挡误报表或儿童/儿童误报表等,属性误报表对应的不同类型的多个属性的组合为两个人脸图像分别对应的多种属性,例如:面部有遮挡儿童/面部有遮挡儿童误报表、儿童黄皮肤/儿童黄皮肤误报表或面部有遮挡儿童黄皮肤/面部有遮挡儿童黄皮肤误报表。
进一步地,第二人脸图像的属性存储在数据库中,将第一人脸图像的属性和第二人脸图像的属性进行组合,并与属性误报表中对应的属性或属性组合进行匹配,将第一人脸图像相对第二人脸图像之间的相似度值添加至匹配成功的属性误报表中。
S104:响应于任一属性误报表中所包含的相似度值的数量达到第一阈值,在达到第一阈值的属性误报表的相似度值中提取候选相似度值。
具体地,当任一属性误报表中所添加的相似度值的数量达到第一阈值时,对达到第一阈值的属性误报表中的相似度值进行排序并从中选出候选相似度值。
在一应用方式中,第一阈值为当前设置的误报率的倒数,添加至属性误报表中的相似度值按照数值大小降序排列,当任一属性误报表中的相似度值达到第一阈值,则将属性误报表中前第一数值个相似度值取平均值来获得候选相似度值。
在另一应用方式中,第一阈值为当前设置的误报率的倒数,添加至属性误报表中的相似度值按照数值大小降序排列,当任一属性误报表中的相似度值达到第一阈值,则将属性误报表中前第一数值个相似度值的中位数来获得候选相似度值。
S105:利用候选相似度值更新当前的相似度阈值。
具体地,当属性误报表的数量为一个时,则利用当前的属性误报表对应的候选相似度值更新当前的相似度阈值即可。
进一步地,当属性误报表的数量超过一个时,则基于相似度值数量最多的属性误报表中的候选相似度值更新相似度阈值,以确保对样本最多的群体进行判断时的可靠性,或者,基于最新的候选相似度值来更新相似度阈值,从而保证相似度阈值能够根据不同的属性误报表进行变化以应对不同的应用场景。
进一步地,当属性误报表中的相似度值不断累积,任一属性误报表中前第一数值个相似度值在不断更新后,用于更新相似度阈值的候选相似度值也会更加趋近于理论上的优选值,误报表长度越长则阈值越稳定,进而该属性误报表对应的属性或属性组合的人脸图像,以属性误报表对应的相似度阈值来判断是否为同一人脸图像时所反馈的误报率就越准确,对于诸如儿童或者面部有遮挡这种类型的属性或属性组合对应的人脸图像,能够有效抑制人脸误报歧视,提高难以识别的群体的识别率。
上述方案,在获得第一人脸图像后对第一人脸图像进行了属性分析以获得第一人脸图像的属性,将第一人脸图像与已经存储在数据库的第二人脸图像进行特征比对,获得多个相似度值,基于第一人脸图像的属性将相似度值添加至属性误报表中,属性误报表中对应有单个类型的属性或者不同类型的多个属性的组合,对属性误报表中的相似度值进行统计,当任一属性误报表中的相似度值的数量累积超过第一阈值,则从对应的属性误报表中提取候选相似度值,利用候选相似度值对当前的相似度阈值进行更新,从而对于任一属性或属性组合对应的相似度阈值可以进行自动更新,以使监控区域内出现对应的属性或属性组合的人脸图像时能够降低人脸识别的误报率,提升难识别人脸的正确率。
请参阅图2,图2是本申请相似度阈值更新方法另一实施方式的流程示意图,该方法包括:
S201:接收第一人脸图像,基于属性算法对第一人脸图像进行属性分析,提取第一人脸图像对应的不同类型的属性。
具体地,当获取到第一人脸图像后,利用属性算法对第一人脸图像进行属性分析,以获得属性分析结果,从属性分析结果中提取出第一人脸图像对应的不同类型的属性。
在一应用方式中,将获取到的第一人脸图像送入属性分析模型,藉由属性分析模型对应的属性算法,从第一人脸图像中提取出第一人脸图像对应的属性,其中,属性包括遮挡情况、年龄、性别、肤色中至少一种。
S202:将不同类型的属性按照预定顺序存储。
具体地,将不同类型的属性按照用户预设的属性进行排序,从而规范属性的存储,便于后续属性进行匹配。
在一应用方式中,将不同类型的所述属性按照预定顺序以二进制方式存储,以获得所述第一人脸图像对应的属性标识。
具体地,在不同类型的属性的顺序固定后,用0和1来表示对应属性的状态,从而获得第一人脸图像对应的属性标识,在后续进行属性匹配时,能够基于属性标识进行快速匹配,提高处理效率。
在一应用场景中,请参阅表1,表1是第一人脸图像对应的属性标识标,属性包括面部遮挡、儿童、青年、老年、性别、黄皮肤、白皮肤和黑皮肤,将上述不同类型的属性按照预定顺序排列并按二进制方式存储,例如对于性别这种类型的属性,用0表示女性,用1表示男性,对于面部遮挡这种类型的属性,用0表示面部无遮挡,用1表示面部有遮挡。其他不同类型的属性在此不做赘述,通过二进制存储方式可便于对不同类型的属性进行清晰准确地存储,从而生成属性标识用于后续属性匹配。
表1:第一人脸图像对应的属性标识标
图像/属性 | 面部遮挡 | 儿童 | 青年 | 老年 | 性别 | 黄皮肤 | 白皮肤 | 黑皮肤 |
ID1 | 0 | 1 | 0 | 0 | 1 | 0 | 0 | 1 |
ID2 | 0 | 1 | 0 | 0 | 0 | 0 | 0 | 1 |
ID3 | 0 | 1 | 0 | 0 | 1 | 0 | 0 | 1 |
S203:获得第一人脸图像对应的采集时间和采集地点。
具体地,在接收第一人脸图像时获取第一人脸图像对应的采集时间和采集地点,将采集时间和采集地点作为第一人脸图像对应的时空信息。
在一应用方式中,在接收第一人脸图像时,从采集到第一人脸图像的设备获取第一人脸图像的采集时间以及第一人脸图像对应的采集地点,其中,采集地点以经纬度表示。
S204:基于采集时间和采集地点,获取预设时空范围外的人脸图像作为第二人脸图像。
具体地,获得预设时空范围,以第一人脸图像对应的采集时间和采集地点为原点,获取预设时空范围外的人脸图像作为第二人脸图像,从而过滤预设时空范围内的人脸图像,保障第二人脸图像与第一人脸图像不源于同一个人。
在一应用方式中,预设时空范围包括预设时间段和预设距离,提取第一人脸图像对应的采集时间之前的预设时间段内且相对采集地点预设距离之外的人脸图像,作为第二人脸图像,从而提取出理论上与第一人脸图像不是源于同一人的第二人脸图像,以使后续将第一人脸图像和第二人脸图像进行特征比对时所获得的相似度值是误报结果。
在一具体应用场景中,预设时间范围包括的预设时间段为10分钟,那么按照高速公路限速为120km/h,则同一人理论上在10分钟内行驶距离不会超过20千米,将预设时间段对应的预设距离设置为超过理论值的25千米,获取采集时间之前10分钟内的且相对采集地点25千米之外的人脸图像作为第二人脸图像。在其他应用场景中,预设时间段也可以是20分钟或30分钟等,并设置预设时间段对应的预设距离,以确保第二人脸图像与第一人脸图像不源于同一个人。
S205:将第一人脸图像与数据库中的多个第二人脸图像分别进行特征比对,以获得多个相似度值。
具体地,提取第一人脸图像的特征信息和存储在数据库中的第二人脸图像的特征信息,从而对第一人脸图像和多个第二人脸图像进行特征比对,以获得多个相似度值。
在一应用方式中,对第一人脸图像进行特征提取,以获得第一人脸图像对应的特征信息并存储,将第一人脸图像对应的特征信息与多个第二人脸图像对应的特征信息进行特征对比,以获得第一人脸图像分别相对多个第二人脸图像的相似度值。
具体地,对第一人脸图像进行特征提取,以获得第一人脸图像对应的特征信息,并将第一人脸图像的特征信息存储到数据库中,以供后续新获得的人脸图像用于特征比对时进行调用,从而补充数据库中的人脸图像,以使特征比对具有延续性,第二人脸图像对应的特征信息存储在数据库中,基于第一人脸图像和第二人脸图像的特征信息进行特征比对,从而获得多个相似度值,以便于填充属性误报表。
S206:基于第一人脸图像的属性将多个相似度值添加到至少一个属性误报表中。
具体地,基于属性标识与属性误报表中单个类型的属性或不同类型的多个属性进行匹配,以获得属性匹配结果;基于属性匹配结果,将多个相似度值添加至对应的属性误报表中。
在一应用方式中,属性误报表对应的属性为单个人脸图像的属性,第一人脸图像的属性通过属性标识来表示,属性误报表对应单个类型的属性或不同类型的多个属性的组合,将第一人脸图像的属性标识符合属性误报表的属性或者属性组合的相似度值添加至对应的属性误报表中,从而基于属性标识实现与属性误报表的快速匹配,完成属性误报表的填充。
在一具体应用场景中,请再次参阅表1,设备所采集的目标为佩戴着口罩的黑皮肤男性儿童,则目标所对应的第一人脸图像的属性标识为11001001,基于第一人脸图像的属性标识将相似度值添加至对应的属性误报表中,例如,当属性误报表包括面部有遮挡误报表、面部无遮挡误报表、儿童误报表、面部有遮挡儿童误报表和儿童黄皮肤误报表时,则基于第一人脸图像的属性标识,第一人脸图像相对第二人脸图像的相似度值可以添加至面部有遮挡误报表、儿童误报表和面部有遮挡儿童误报表中,但是不添加至面部无遮挡误报表和儿童黄皮肤误报表中。
在另一应用方式中,属性误报表对应的属性为两个人脸图像分别对应的属性,第一人脸图像的属性通过属性标识来表示,在获得第一人脸图像的属性标识后即可将属性标识和对应人脸图像共同存储至数据库中,数据库中的第二人脸图像已经存储有对应的属性标识,进而基于第一人脸图像和第二人脸头像的属性标识与属性误报表中的属性组合进行匹配,将匹配符合的第一人脸图像和第二人脸图像之间的相似度值添加至对应的属性误报表中,从而基于属性标识实现与属性误报表的快速匹配,完成属性误报表的填充。
在一具体应用场景中,请再次参阅表1,设备所采集的目标为佩戴着口罩的黑皮肤男性儿童,则目标所对应的第一人脸图像的属性标识为11001001,基于第一人脸图像的属性标识和第二人脸图像的属性标识与属性误报表进行匹配,当属性误报表包括面部有遮挡/面部有遮挡误报表、面部有遮挡儿童/面部有遮挡儿童误报表和面部有遮挡/面部无遮挡误报表时,则从特征比对的结果中提取所有属性标识满足1*******的第二人脸图像与第一人脸图像的相似度值,添加到面部有遮挡/面部有遮挡误报表中,从特征比对的结果中提取所有属性标识满足11******的第二人脸图像与第一人脸图像的相似度值,添加到面部有遮挡儿童/面部有遮挡儿童误报表中,从特征比对的结果中提取所有属性标识满足0*******的第二人脸图像与第一人脸图像的相似度值,添加到面部有遮挡/面部无遮挡误报表中。
S207:响应于任一属性误报表中所包含的相似度值的数量达到第一阈值,在达到第一阈值的属性误报表的相似度值中提取候选相似度值。
具体地,属性误报表中的相似度值按照从大到小的顺序排列,第一阈值为误报率的倒数,当任一属性误报表中所包含的相似度值的数量达到第一阈值,则从对应的属性误报表中获取候选相似度值用于更新当前的相似度阈值。
在一应用方式中,响应于任一属性误报表中相似度值的数量达到第一阈值的整数倍,将对应的属性误报表中第整数倍个相似度值作为候选相似度值。
具体地,属性误报表中的相似度值按照数值从大到小降序排列,判断属性误报表中的相似度值的数量是否达到误报率的倒数,当任一属性误报表中相似度值的数量初次达到第一阈值,则将属性误报表中数值最大的相似度值作为候选相似度值,每当属性误报表中的相似度值的数量达到第一阈值的整数倍时,将属性误报表中第整数倍个相似度值作为候选相似度值,误报表长度越长则阈值越稳定,进而该属性误报表对应的属性或属性组合的人脸图像,以属性误报表对应的相似度阈值来判断是否为同一人脸图像时所反馈的误报率就越准确,能够有效抑制人脸误报歧视,提高难以识别的群体的识别率。
在一应用场景中,误报率设置等于1e-10,则至少需要属性误报表中相似度值的数量大于等于1e10才获取候选相似度值,假设属性误报表中相似度值的数量等于1e11,新的候选相似度值选择该属性误报表中第10个相似度值即可。
S208:利用候选相似度值更新当前的相似度阈值。
具体地,属性误报表可以设置成一个,则利用唯一的属性误报表对应的候选相似度值更新当前的相似度阈值,属性误报表的数量也可以设置成超过一个,当多个属性误报表中的相似度值的数量超过第一阈值后,获得多个属性误报表对应的候选相似度值,利用多个候选相似度值中的最大值更新当前的相似度阈值。
进一步地,属性组合越复杂的人脸图像的样本出现概率则越低,其对应的相似度阈值也会越高,当多个属性误报表中的相似度值的数量达到第一阈值时,则表示拥有特定属性或属性组合的人脸图像在监控区域内出现的样本已经足够多且相对常见,因此,为了降低容易误识别群体的误报率,当多个属性误报表中的相似度值的数量达到第一阈值时,分别对不同的属性误报表中的相似度值按数值降序排列,并选出对应整数倍位置的相似度值作为候选相似度值,将多个候选相似度值中的最大值作为相似度阈值。
在一具体应用场景中,当监控区域内存在沙尘暴或者医疗突发状况时,监控区域内佩戴口罩的人会增多,则面部有遮挡/面部有遮挡误报表中的相似度值会迅速累积至达到第一阈值,原先黄皮肤/黄皮肤误报表中提取出的第一候选相似度值要小于面部有遮挡/面部有遮挡误报表中提取出的第二候选相似度值,为应对当前的监控区域内难识别的群体增多的状况,将相似度阈值设定为第二候选相似度值。
可选地,由于相似度阈值越高误报率会越低,但是对应的识别率也会降低,当任一属性误报表中的相似度值在预设周期内增加的数量小于预设数值,则将预设周期内增加的数量小于预设数值的属性误报表中提取出的候选相似度值删除,以应对当前监控区域内特定属性或属性组合的难以识别的人脸图像急剧减少的场景,提高其他属性或属性组合对应的人脸图像的识别率。
在本实施例中,提取第一人脸图像的属性并生成第一人脸图像的属性标识,基于属性标识与属性误报表中单个类型的属性或不同类型的多个属性进行快速匹配,进而将第一人脸图像相对第二人脸图像的多个相似度值添加至匹配符合的属性误报表中,当属性误报表中的相似度值的数量达到第一阈值的整数倍,属性误报表中相似度值按数值降序排列,利用第整数倍个相似度值作为候选相似度值更新相似度阈值,从而在迭代更新的过程中不断优化相似度阈值,降低人脸识别的误报率。
请参阅图3,图3是本申请人脸识别方法一实施方式的流程示意图,该方法包括:
S301:接收第一人脸图像,将第一人脸图像与数据库中的多个第二人脸图像分别进行特征比对,以获得多个相似度值。
具体地,在获取到第一人脸图像后,提取第一人脸图像的特征信息,与数据库中的多个第二人脸图像分别进行特征比对,从而获得多个相似度值。
S302:获得当前的相似度阈值。
具体地,当前的相似度阈值根据上述任一实施例中的方法所获得,具体内容可参阅上述任一实施例,在此不再赘述。
S303:基于当前的相似度阈值和多个相似度值,对第一人脸图像和多个第二人脸图像进行布控和/或聚档,以获得第一布控结果和/或第一聚档结果。
具体地,分别判断第一人脸图像与第二人脸图像之间的相似度值是否超过相似度阈值,若超过,则将第一人脸图像和第二人脸图像归类为同一目标,进行布控告警和/或放入同一目标对应的档案,若不超过,则判断第一人脸图像和第二人脸图像不属于同一目标,布控不做处理,聚类则对唯一的第一人脸图像或第二人脸图像单独建档,以实现一个目标对应的所有人脸图像聚类到同一档案中,从而获得第一聚档结果。
在一应用方式中,在获得当前的相似度阈值后,利用布控和/或聚类算法对第一人脸图像和数据库中的第二人脸图像进行告警和/或聚档,将相似度值超过相似度阈值的两个人脸图像进行告警,或者将相似度值超过相似度阈值的两个人脸图像放入同一档案中,又或者将相似度值超过相似度阈值的两个人脸图像进行告警并放入同一档案中。
在一具体应用场景中,第二人脸图像为数据库中预设时空范围内的人脸图像,区别于获取相似度阈值的过程,上述任一实施例中需要属性误报表中的相似度值是误报结果,即属性误报表中相似度值对应的两个人脸图像必然源于不同的人,而在聚档过程中是为了获取属于同一人的人脸图像,为提高比对效率,则可以提取预设时空范围内的人脸图像作为第二人脸图像与第一人脸图像进行特征比对,以获得两者之间的相似度值,进而利用聚类算法进行聚档,其中,聚类算法采用层次聚类算法,在其他应用场景中也可以采用密度聚类算法,在此不做具体限定。
在一具体应用场景中,第二人脸图像为从黑名单数据库中提取,将第一人脸图像与黑名单数据库中的所有第二人脸图像进行特征比对,以获得两者之间的相似度值,当相似度值超过当前的相似度阈值时,则生成布控告警记录,以提示有黑名单数据库中的人脸图像出现。
在本实施例中,相似度阈值基于上述实施例中方法获得,使相似度阈值不会设定初始值后便不再变化,相似度阈值能够基于属性误报表进行更新,以适应拥有不同属性或属性组合的群体,降低容易误识别人脸的误报率,提升难识别人脸的正确率。
进一步地,基于当前的相似度阈值和多个相似度值,对第一人脸图像和多个第二人脸图像进行布控和/或聚档,以获得第一布控结果和/或第一聚档结果的步骤之后,还包括:响应于获取到更新后的相似度阈值,基于更新后的相似度阈值和第一聚档结果中的人脸图像对应的属性,对第一布控结果和/或第一聚档结果进行修正。
具体地,当相似度阈值更新后,若第一布控结果中的告警记录对应的属性与当前的相似度阈值对应的属性误报表的属性或属性组合匹配,则基于当前的相似度阈值和告警记录对应的两个人脸图像之间的相似度值进行再次确认,若相似度值仍大于相似度阈值则保留告警记录,若相似度值不大于相似度阈值,则将对应的告警记录删除,从而降低误告警的概率,
进一步地,若第一聚档结果中任一档案的属性,与当前的相似度阈值对应的属性误报表的属性或属性组合匹配,则基于当前的相似度阈值和档案中任意两个人脸图像之间的相似度值进行再次确认,若相似度值仍大于相似度阈值则保留,若相似度值不大于相似度阈值,则将与档案中其他人脸图像之间的相似度值均小于当前的相似度阈值的人脸图像删除,从而在用户调取档案之前,对第一聚档结果进行优化,降低误报率。
请参阅图4,图4是本申请电子设备一实施方式的结构示意图,该电子设备40包括相互耦接的存储器401和处理器402,其中,存储器401存储有程序数据(图未示),处理器402调用程序数据以实现上述任一实施例中的方法,相关内容的说明请参见上述方法实施例的详细描述,在此不再赘叙。
请参阅图5,图5是本申请计算机可读存储介质一实施方式的结构示意图,该计算机可读存储介质50存储有程序数据500,该程序数据500被处理器执行时实现上述任一实施例中的方法,相关内容的说明请参见上述方法实施例的详细描述,在此不再赘叙。
需要说明的是,作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施方式方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)或处理器(processor)执行本申请各个实施方式方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本申请的实施方式,并非因此限制本申请的专利范围,凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本申请的专利保护范围内。
Claims (12)
1.一种相似度阈值更新方法,其特征在于,应用于人脸识别,所述方法包括:
接收第一人脸图像,对所述第一人脸图像进行属性分析,以获得所述第一人脸图像的属性,其中,所述属性包括遮挡情况、年龄、性别、肤色中至少一种;
将所述第一人脸图像与数据库中的多个第二人脸图像分别进行特征比对,以获得多个相似度值;
基于所述第一人脸图像的属性将多个所述相似度值添加到至少一个属性误报表中,其中,所述属性误报表对应单个类型的所述属性或不同类型的多个所述属性的组合;
响应于任一所述属性误报表中所包含的所述相似度值的数量达到第一阈值,在达到所述第一阈值的所述属性误报表的相似度值中提取候选相似度值;
利用所述候选相似度值更新当前的相似度阈值。
2.根据权利要求1所述的相似度阈值更新方法,其特征在于,所述对所述第一人脸图像进行属性分析,以获得所述第一人脸图像的属性的步骤,包括:
基于属性算法对所述第一人脸图像进行属性分析,提取所述第一人脸图像对应的不同类型的所述属性;
将不同类型的所述属性按照预定顺序存储。
3.根据权利要求2所述的相似度阈值更新方法,其特征在于,所述将不同类型的所述属性按照预定顺序存储的步骤,包括;
将不同类型的所述属性按照预定顺序以二进制方式存储,以获得所述第一人脸图像对应的属性标识。
4.根据权利要求3所述的相似度阈值更新方法,其特征在于,所述基于所述第一人脸图像的属性将多个所述相似度值添加到至少一个属性误报表中的步骤,包括:
基于所述属性标识与所述属性误报表中单个类型的属性或不同类型的多个属性进行匹配,以获得属性匹配结果;
基于所述属性匹配结果,将多个所述相似度值添加至对应的所述属性误报表中。
5.根据权利要求1所述的相似度阈值更新方法,其特征在于,
所述属性误报表中的所述相似度值按照从大到小的顺序排列,所述第一阈值为误报率的倒数;
所述在达到所述第一阈值的所述属性误报表的相似度值中提取候选相似度值的步骤,包括:
响应于任一所述属性误报表中所述相似度值的数量达到所述第一阈值的整数倍,将对应的所述属性误报表中第所述整数倍个所述相似度值作为所述候选相似度值。
6.根据权利要求5所述的相似度阈值更新方法,其特征在于,所述属性误报表的数量超过一个,所述利用所述候选相似度值更新当前的相似度阈值的步骤,包括:
获得多个属性误报表对应的所述候选相似度值,利用多个所述候选相似度值中的最大值更新当前的所述相似度阈值。
7.根据权利要求1所述的相似度阈值更新方法,其特征在于,所述将所述第一人脸图像与数据库中的多个第二人脸图像分别进行特征比对,以获得多个相似度值的步骤之前,包括:
获得所述第一人脸图像对应的采集时间和采集地点;
基于所述采集时间和所述采集地点,获取预设时空范围外的人脸图像作为所述第二人脸图像。
8.根据权利要求7所述的相似度阈值更新方法,其特征在于,所述将所述第一人脸图像与数据库中的多个第二人脸图像分别进行特征比对,以获得多个相似度值的步骤,包括:
对所述第一人脸图像进行特征提取,以获得所述第一人脸图像对应的特征信息并存储;
将所述第一人脸图像对应的特征信息与多个所述第二人脸图像对应的特征信息进行特征对比,以获得所述第一人脸图像分别相对多个所述第二人脸图像的相似度值。
9.一种人脸识别方法,其特征在于,所述方法包括:
接收第一人脸图像,将所述第一人脸图像与数据库中的多个第二人脸图像分别进行特征比对,以获得多个相似度值;
获得当前的相似度阈值,其中,所述相似度阈值根据权利要求1-8中任一项所述的方法获得;
基于当前的所述相似度阈值和多个所述相似度值,对所述第一人脸图像和多个所述第二人脸图像进行布控和/或聚档,以获得第一布控结果和/或第一聚档结果。
10.根据权利要求9所述的人脸识别方法,其特征在于,所述基于当前的所述相似度阈值和多个所述相似度值,对所述第一人脸图像和多个所述第二人脸图像进行布控和/或聚档,以获得第一布控结果和/或第一聚档结果的步骤之后,还包括:
响应于获取到更新后的所述相似度阈值,基于更新后的所述相似度阈值和所述第一聚档结果中的人脸图像对应的属性,对所述第一布控结果和/或第一聚档结果进行修正。
11.一种电子设备,其特征在于,包括:相互耦接的存储器和处理器,其中,所述存储器存储有程序数据,所述处理器调用所述程序数据以执行如权利要求1-8或9-10中任一项所述的方法。
12.一种计算机可读存储介质,其上存储有程序数据,其特征在于,所述程序数据被处理器执行时实现如权利要求1-8或9-10中任一项所述的方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110802852.2A CN113255631B (zh) | 2021-07-15 | 2021-07-15 | 相似度阈值更新方法、人脸识别方法及相关装置 |
PCT/CN2021/128816 WO2023284185A1 (en) | 2021-07-15 | 2021-11-04 | Updating method for similarity threshold in face recognition and electronic device |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110802852.2A CN113255631B (zh) | 2021-07-15 | 2021-07-15 | 相似度阈值更新方法、人脸识别方法及相关装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113255631A true CN113255631A (zh) | 2021-08-13 |
CN113255631B CN113255631B (zh) | 2021-10-15 |
Family
ID=77180479
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110802852.2A Active CN113255631B (zh) | 2021-07-15 | 2021-07-15 | 相似度阈值更新方法、人脸识别方法及相关装置 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN113255631B (zh) |
WO (1) | WO2023284185A1 (zh) |
Cited By (2)
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 |
WO2023284185A1 (en) * | 2021-07-15 | 2023-01-19 | Zhejiang Dahua Technology Co., Ltd. | Updating method for similarity threshold in face recognition and electronic device |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105574500A (zh) * | 2015-12-15 | 2016-05-11 | 北京天诚盛业科技有限公司 | 提高人脸识别通过率的方法和装置 |
CN111091080A (zh) * | 2019-12-06 | 2020-05-01 | 贵州电网有限责任公司 | 人脸识别方法及*** |
CN111199029A (zh) * | 2018-11-16 | 2020-05-26 | 株式会社理光 | 人脸识别装置以及人脸识别方法 |
CN111814570A (zh) * | 2020-06-12 | 2020-10-23 | 深圳禾思众成科技有限公司 | 一种基于动态阈值的人脸识别方法、***及存储介质 |
CN111814990A (zh) * | 2020-06-23 | 2020-10-23 | 汇纳科技股份有限公司 | 阈值确定方法、***、存储介质及终端 |
CN111898495A (zh) * | 2020-07-16 | 2020-11-06 | 云从科技集团股份有限公司 | 一种动态阈值管理方法、***、设备及介质 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5992276B2 (ja) * | 2012-09-20 | 2016-09-14 | 株式会社東芝 | 人物認識装置、及び方法 |
CN111666976B (zh) * | 2020-05-08 | 2023-07-28 | 深圳力维智联技术有限公司 | 基于属性信息的特征融合方法、装置和存储介质 |
CN111626229A (zh) * | 2020-05-29 | 2020-09-04 | 广州云从博衍智能科技有限公司 | 一种对象管理方法、装置、机器可读介质及设备 |
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 |
CN113255631B (zh) * | 2021-07-15 | 2021-10-15 | 浙江大华技术股份有限公司 | 相似度阈值更新方法、人脸识别方法及相关装置 |
-
2021
- 2021-07-15 CN CN202110802852.2A patent/CN113255631B/zh active Active
- 2021-11-04 WO PCT/CN2021/128816 patent/WO2023284185A1/en active Application Filing
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105574500A (zh) * | 2015-12-15 | 2016-05-11 | 北京天诚盛业科技有限公司 | 提高人脸识别通过率的方法和装置 |
CN111199029A (zh) * | 2018-11-16 | 2020-05-26 | 株式会社理光 | 人脸识别装置以及人脸识别方法 |
CN111091080A (zh) * | 2019-12-06 | 2020-05-01 | 贵州电网有限责任公司 | 人脸识别方法及*** |
CN111814570A (zh) * | 2020-06-12 | 2020-10-23 | 深圳禾思众成科技有限公司 | 一种基于动态阈值的人脸识别方法、***及存储介质 |
CN111814990A (zh) * | 2020-06-23 | 2020-10-23 | 汇纳科技股份有限公司 | 阈值确定方法、***、存储介质及终端 |
CN111898495A (zh) * | 2020-07-16 | 2020-11-06 | 云从科技集团股份有限公司 | 一种动态阈值管理方法、***、设备及介质 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023284185A1 (en) * | 2021-07-15 | 2023-01-19 | Zhejiang Dahua Technology Co., Ltd. | Updating method for similarity threshold in face recognition and electronic device |
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 |
Also Published As
Publication number | Publication date |
---|---|
WO2023284185A1 (en) | 2023-01-19 |
CN113255631B (zh) | 2021-10-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113255631B (zh) | 相似度阈值更新方法、人脸识别方法及相关装置 | |
US10402627B2 (en) | Method and apparatus for determining identity identifier of face in face image, and terminal | |
EP3410351B1 (en) | Learning program, learning method, and object detection device | |
CN108229321B (zh) | 人脸识别模型及其训练方法和装置、设备、程序和介质 | |
CN108268823A (zh) | 目标再识别方法和装置 | |
CN111859451B (zh) | 多源多模态数据的处理***及应用该***的方法 | |
CN112487886A (zh) | 一种有遮挡的人脸识别方法、装置、存储介质及终端 | |
CN113255841B (zh) | 一种聚类方法、聚类装置和计算机可读存储介质 | |
EP3905084A1 (en) | Method and device for detecting malware | |
JP2016099835A (ja) | 画像処理装置、画像処理方法、及びプログラム | |
CN112508910A (zh) | 用于多分类缺陷检测的缺陷提取方法及装置 | |
CN111753642B (zh) | 一种确定关键帧的方法及装置 | |
CN111611944A (zh) | 身份识别方法及装置、电子设备、存储介质 | |
CN113992340A (zh) | 用户异常行为识别方法、装置、设备、存储介质和程序 | |
CN108076032B (zh) | 一种异常行为用户识别方法及装置 | |
CN113706837B (zh) | 一种发动机异常状态检测方法和装置 | |
CN112801181B (zh) | 城市信令交通流用户分类、预测方法、存储介质及*** | |
CN113628073A (zh) | 一种智慧小区的物业管理方法及*** | |
CN113255621A (zh) | 人脸图像过滤方法、电子设备和计算机可读存储介质 | |
CN114092809A (zh) | 对象识别方法、装置及电子设备 | |
CN114005060A (zh) | 图像数据的确定方法及装置 | |
CN114549884A (zh) | 一种异常图像检测方法、装置、设备及介质 | |
CN113743293A (zh) | 跌倒行为检测方法、装置、电子设备及存储介质 | |
CN113591620A (zh) | 一种基于一体式移动采集设备的预警方法、装置及*** | |
CN110570025A (zh) | 一种微信文章真实阅读率的预测方法、装置及设备 |
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 |