CN117523638A - 基于优先级筛选的人脸识别方法及*** - Google Patents
基于优先级筛选的人脸识别方法及*** Download PDFInfo
- Publication number
- CN117523638A CN117523638A CN202311606317.5A CN202311606317A CN117523638A CN 117523638 A CN117523638 A CN 117523638A CN 202311606317 A CN202311606317 A CN 202311606317A CN 117523638 A CN117523638 A CN 117523638A
- Authority
- CN
- China
- Prior art keywords
- recognition
- face
- scene
- determining
- identification
- 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 34
- 238000012216 screening Methods 0.000 title claims abstract description 32
- 238000012549 training Methods 0.000 claims description 30
- 230000000977 initiatory effect Effects 0.000 claims description 25
- 238000003062 neural network model Methods 0.000 claims description 24
- 230000006870 function Effects 0.000 claims description 17
- 238000012163 sequencing technique Methods 0.000 claims description 5
- 230000000694 effects Effects 0.000 abstract description 6
- 238000012545 processing Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Multimedia (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于优先级筛选的人脸识别方法及***,该方法包括:通过对目标图像进行实时识别得到多个人脸图像和每一所述人脸图像对应的用户发送的识别请求;根据所述识别请求的请求参数,以及预设的级别确定算法,确定每一所述人脸图像对应的识别级别;获取所述目标图像对应的获取设备的当前位置,根据所述获取设备的设备参数和所述当前位置,确定所述获取设备对应的设备场景;根据所述设备场景,以及每一所述人脸图像对应的识别级别,确定所述多个人脸图像对应的识别策略;所述识别策略用于限定所述多个人脸图像的是否识别以及识别顺序。可见,本发明能够实现在同图像多人脸场景下的更加精准和合理的人脸识别,提高人脸识别的效果和效率。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种基于优先级筛选的人脸识别方法及***。
背景技术
随着图像处理技术的发展,人脸识别算法在面对单一人脸场景时已具有较好的识别精度,但在一些特定的场景中,如单一场景存在多人脸的场景中,如何实现更加高效和合理的人脸识别,现有技术仍然存在缺陷。
具体的,现有技术在实现单图像多人脸的识别时,没有考虑到具体结合不同人脸图像的识别请求和设备场景来确定识别策略,因此显然现有技术存在缺陷,亟需解决。
发明内容
本发明所要解决的技术问题在于,提供一种基于优先级筛选的人脸识别方法及***,能够实现在同图像多人脸场景下的更加精准和合理的人脸识别,提高人脸识别的效果和效率。
为了解决上述技术问题,本发明第一方面公开了一种基于优先级筛选的人脸识别方法,所述方法包括:
通过对目标图像进行实时识别得到多个人脸图像和每一所述人脸图像对应的用户发送的识别请求;
根据所述识别请求的请求参数,以及预设的级别确定算法,确定每一所述人脸图像对应的识别级别;
获取所述目标图像对应的获取设备的当前位置,根据所述获取设备的设备参数和所述当前位置,确定所述获取设备对应的设备场景;
根据所述设备场景,以及每一所述人脸图像对应的识别级别,确定所述多个人脸图像对应的识别策略;所述识别策略用于限定所述多个人脸图像的是否识别以及识别顺序。
作为一种可选的实施方式,在本发明第一方面中,所述请求参数包括识别发起对象、识别发起目的、识别发起时间和识别对象所处位置;和/或,所述设备参数包括设备类型、设备名称、设备部件参数中的至少一种。
作为一种可选的实施方式,在本发明第一方面中,所述根据所述识别请求的请求参数,以及预设的级别确定算法,确定每一所述人脸图像对应的识别级别,包括:
将每一所述识别请求的请求参数输入至训练好的优先级预测神经网络模型中,以得到对应的每一所述人脸图像对应的优先级参数;所述优先级预测神经网络模型通过包括有多个训练请求参数和对应的优先级标注的训练数据集训练得到;
计算每一所述人脸图像对应的优先级参数和预设的参数权重的乘积,得到每一所述人脸图像对应的级别参数;
根据所述级别参数从大到小对所有所述人脸图像进行排序得到图像序列,将每一所述人脸图像在所述图像序列中的次序,确定为每一所述人脸图像对应的识别级别。
作为一种可选的实施方式,在本发明第一方面中,所述预设的参数权重包括时间参数权重和位置权重;所述时间参数权重与所述人脸图像对应的识别发起时间与当前时间点的时间差成正比;所述位置权重与所述人脸图像对应的识别对象所在位置与所述目标图像对应的获取设备的当前位置之间的位置差距成反比。
作为一种可选的实施方式,在本发明第一方面中,所述根据所述获取设备的设备参数和所述当前位置,确定所述获取设备对应的设备场景,包括:
将所述获取设备的设备参数和所述当前位置,输入至训练好的场景预测神经网络模型中,以得到所述获取设备对应的设备场景;所述场景预测神经网络模型通过包括有多个训练设备参数和位置标注和对应的设备场景标注的训练数据集训练得到;所述设备场景包括商务会议、餐饮现场、商务聚餐、家庭聚会和婚礼现场中的至少一种。
作为一种可选的实施方式,在本发明第一方面中,所述根据所述设备场景,以及每一所述人脸图像对应的识别级别,确定所述多个人脸图像对应的识别策略,包括:
根据所述设备场景,以及预设的场景和规则的对应关系,确定出至少一个场景识别规则;所述场景识别规则用于限定特定的设备场景所对应的不同识别发起对象对应的人脸图像之间的先后顺序;
根据所述至少一个场景识别规则,以及每一所述人脸图像对应的识别级别,基于动态规划算法,确定所述多个人脸图像对应的识别策略。
作为一种可选的实施方式,在本发明第一方面中,所述根据所述至少一个场景识别规则,以及每一所述人脸图像对应的识别级别,基于动态规划算法,确定所述多个人脸图像对应的识别策略,包括:
设定目标函数包括识别策略中的确定进行识别的人脸图像的数量达到最多,以及识别策略中的所有所述人脸图像对应的级别差参数的总和达到最小;所述级别差参数为同一所述人脸图像的所述识别级别和识别策略中的识别次序之间的差值;
设定限定条件包括识别策略中的任意两个所述人脸图像的识别次序之间不违反所述场景识别规则;
根据所述目标函数和所述限定条件,基于动态规划算法,计算出所述多个人脸图像对应的识别策略。
本发明第二方面公开了一种基于优先级筛选的人脸识别***,所述***包括:
获取模块,用于通过对目标图像进行实时识别得到多个人脸图像和每一所述人脸图像对应的用户发送的识别请求;
第一确定模块,用于根据所述识别请求的请求参数,以及预设的级别确定算法,确定每一所述人脸图像对应的识别级别;
第二确定模块,用于获取所述目标图像对应的获取设备的当前位置,根据所述获取设备的设备参数和所述当前位置,确定所述获取设备对应的设备场景;
第三确定模块,用于根据所述设备场景,以及每一所述人脸图像对应的识别级别,确定所述多个人脸图像对应的识别策略;所述识别策略用于限定所述多个人脸图像的是否识别以及识别顺序。
作为一种可选的实施方式,在本发明第二方面中,所述请求参数包括识别发起对象、识别发起目的、识别发起时间和识别对象所处位置;和/或,所述设备参数包括设备类型、设备名称、设备部件参数中的至少一种。
作为一种可选的实施方式,在本发明第二方面中,所述第一确定模块根据所述识别请求的请求参数,以及预设的级别确定算法,确定每一所述人脸图像对应的识别级别的具体方式,包括:
将每一所述识别请求的请求参数输入至训练好的优先级预测神经网络模型中,以得到对应的每一所述人脸图像对应的优先级参数;所述优先级预测神经网络模型通过包括有多个训练请求参数和对应的优先级标注的训练数据集训练得到;
计算每一所述人脸图像对应的优先级参数和预设的参数权重的乘积,得到每一所述人脸图像对应的级别参数;
根据所述级别参数从大到小对所有所述人脸图像进行排序得到图像序列,将每一所述人脸图像在所述图像序列中的次序,确定为每一所述人脸图像对应的识别级别。
作为一种可选的实施方式,在本发明第二方面中,所述预设的参数权重包括时间参数权重和位置权重;所述时间参数权重与所述人脸图像对应的识别发起时间与当前时间点的时间差成正比;所述位置权重与所述人脸图像对应的识别对象所在位置与所述目标图像对应的获取设备的当前位置之间的位置差距成反比。
作为一种可选的实施方式,在本发明第二方面中,所述第二确定模块根据所述获取设备的设备参数和所述当前位置,确定所述获取设备对应的设备场景的具体方式,包括:
将所述获取设备的设备参数和所述当前位置,输入至训练好的场景预测神经网络模型中,以得到所述获取设备对应的设备场景;所述场景预测神经网络模型通过包括有多个训练设备参数和位置标注和对应的设备场景标注的训练数据集训练得到;所述设备场景包括商务会议、餐饮现场、商务聚餐、家庭聚会和婚礼现场中的至少一种。
作为一种可选的实施方式,在本发明第二方面中,所述第三确定模块根据所述设备场景,以及每一所述人脸图像对应的识别级别,确定所述多个人脸图像对应的识别策略的具体方式,包括:
根据所述设备场景,以及预设的场景和规则的对应关系,确定出至少一个场景识别规则;所述场景识别规则用于限定特定的设备场景所对应的不同识别发起对象对应的人脸图像之间的先后顺序;
根据所述至少一个场景识别规则,以及每一所述人脸图像对应的识别级别,基于动态规划算法,确定所述多个人脸图像对应的识别策略。
作为一种可选的实施方式,在本发明第二方面中,所述第三确定模块根据所述至少一个场景识别规则,以及每一所述人脸图像对应的识别级别,基于动态规划算法,确定所述多个人脸图像对应的识别策略的具体方式,包括:
设定目标函数包括识别策略中的确定进行识别的人脸图像的数量达到最多,以及识别策略中的所有所述人脸图像对应的级别差参数的总和达到最小;所述级别差参数为同一所述人脸图像的所述识别级别和识别策略中的识别次序之间的差值;
设定限定条件包括识别策略中的任意两个所述人脸图像的识别次序之间不违反所述场景识别规则;
根据所述目标函数和所述限定条件,基于动态规划算法,计算出所述多个人脸图像对应的识别策略。
本发明第三方面公开了另一种基于优先级筛选的人脸识别***,所述***包括:
存储有可执行程序代码的存储器;
与所述存储器耦合的处理器;
所述处理器调用所述存储器中存储的所述可执行程序代码,执行本发明第一方面公开的基于优先级筛选的人脸识别方法中的部分或全部步骤。
本发明第四方面公开了一种计算机存储介质,所述计算机存储介质存储有计算机指令,所述计算机指令被调用时,用于执行本发明第一方面公开的基于优先级筛选的人脸识别方法中的部分或全部步骤。
与现有技术相比,本发明具有以下有益效果:
本发明能够通过多个人脸图像对应的识别请求确定每一人脸图像的识别级别,再进一步确定设备场景并以此确定出识别策略,从而能够实现在同图像多人脸场景下的更加精准和合理的人脸识别,提高人脸识别的效果和效率。
附图说明
为了更清楚地说明本发明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发明的一些实施例,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是本发明实施例公开的一种基于优先级筛选的人脸识别方法的流程示意图;
图2是本发明实施例公开的一种基于优先级筛选的人脸识别***的结构示意图;
图3是本发明实施例公开的另一种基于优先级筛选的人脸识别***的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明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发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同对象,而不是用于描述特定顺序。此外,术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、***、产品或端没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或端固有的其他步骤或单元。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
本发明公开了一种基于优先级筛选的人脸识别方法及***,能够通过多个人脸图像对应的识别请求确定每一人脸图像的识别级别,再进一步确定设备场景并以此确定出识别策略,从而能够实现在同图像多人脸场景下的更加精准和合理的人脸识别,提高人脸识别的效果和效率。以下分别进行详细说明。
实施例一
请参阅图1,图1是本发明实施例公开的一种基于优先级筛选的人脸识别方法的流程示意图。其中,图1所描述的方法可以应用于相应的数据处理设备、数据处理终端、数据处理服务器中,且该服务器可以是本地服务器,也可以是云服务器,本发明实施例不做限定如图1所示,该基于优先级筛选的人脸识别方法可以包括以下操作:
101、通过对目标图像进行实时识别得到多个人脸图像和每一人脸图像对应的用户发送的识别请求。
可选的,识别请求可以通过对人脸图像对应的用户的设备进行请求或通信以获取,该设备可以为穿戴式设备或移动终端。可选的,将人脸图像与用户进行对应的方式,可以对人脸图像的位置或图像内容进行预识别以确定其用户对象,以进一步确定该用户对象发送的识别请求。
102、根据识别请求的请求参数,以及预设的级别确定算法,确定每一人脸图像对应的识别级别。
可选的,请求参数包括识别发起对象、识别发起目的、识别发起时间和识别对象所处位置。
103、获取目标图像对应的获取设备的当前位置,根据获取设备的设备参数和当前位置,确定获取设备对应的设备场景。
可选的,设备参数包括设备类型、设备名称、设备部件参数中的至少一种。
104、根据设备场景,以及每一人脸图像对应的识别级别,确定多个人脸图像对应的识别策略。
具体的,识别策略用于限定多个人脸图像的是否识别以及识别顺序。
可见,实施本发明实施例所描述的方法能够通过多个人脸图像对应的识别请求确定每一人脸图像的识别级别,再进一步确定设备场景并以此确定出识别策略,从而能够实现在同图像多人脸场景下的更加精准和合理的人脸识别,提高人脸识别的效果和效率。
作为一种可选的实施例,上述步骤中的,根据识别请求的请求参数,以及预设的级别确定算法,确定每一人脸图像对应的识别级别,包括:
将每一识别请求的请求参数输入至训练好的优先级预测神经网络模型中,以得到对应的每一人脸图像对应的优先级参数;优先级预测神经网络模型通过包括有多个训练请求参数和对应的优先级标注的训练数据集训练得到;
计算每一人脸图像对应的优先级参数和预设的参数权重的乘积,得到每一人脸图像对应的级别参数;
根据级别参数从大到小对所有人脸图像进行排序得到图像序列,将每一人脸图像在图像序列中的次序,确定为每一人脸图像对应的识别级别。
具体的,本发明中的神经网络模型均可以为CNN结构、RNN结构或LTSM结构的神经网络模型,并通过相应的梯度下降算法和损失函数进行训练直至收敛,操作人员可以具体根据数据特性和场景需要来选择。
通过上述实施例,能够利用优先级预测神经网络模型来预测人脸图像的优先级参数,并以此最终对人脸图像进行排序以确定识别级别,从而在后续能够以此确定出更准确的识别策略,实现在同图像多人脸场景下的更加精准和合理的人脸识别。
作为一种可选的实施例,预设的参数权重包括时间参数权重和位置权重;时间参数权重与人脸图像对应的识别发起时间与当前时间点的时间差成正比;位置权重与人脸图像对应的识别对象所在位置与目标图像对应的获取设备的当前位置之间的位置差距成反比。
具体的权重值可以通过权重确定算法或操作人员根据实际经验得到的权重计算规则来计算。
通过上述实施例,能够利用时间参数权重和位置权重来辅助调整人脸图像的优先级参数,以便于确定出精确的级别参数,以确定识别级别,从而在后续能够以此确定出更准确的识别策略,实现在同图像多人脸场景下的更加精准和合理的人脸识别。
作为一种可选的实施例,上述步骤中的,根据获取设备的设备参数和当前位置,确定获取设备对应的设备场景,包括:
将获取设备的设备参数和当前位置,输入至训练好的场景预测神经网络模型中,以得到获取设备对应的设备场景;场景预测神经网络模型通过包括有多个训练设备参数和位置标注和对应的设备场景标注的训练数据集训练得到;设备场景包括商务会议、餐饮现场、商务聚餐、家庭聚会和婚礼现场中的至少一种。
通过上述实施例,能够利用场景预测神经网络模型来预测获取设备对应的设备场景,从而在后续能够以此确定出更准确的识别策略,实现在同图像多人脸场景下的更加精准和合理的人脸识别。
作为一种可选的实施例,上述步骤中的,根据设备场景,以及每一人脸图像对应的识别级别,确定多个人脸图像对应的识别策略,包括:
根据设备场景,以及预设的场景和规则的对应关系,确定出至少一个场景识别规则;场景识别规则用于限定特定的设备场景所对应的不同识别发起对象对应的人脸图像之间的先后顺序;
根据至少一个场景识别规则,以及每一人脸图像对应的识别级别,基于动态规划算法,确定多个人脸图像对应的识别策略。
通过上述实施例,能够利用预设的场景和规则的对应关系,确定出至少一个场景识别规则,并基于动态规划算法确定多个人脸图像对应的识别策略,从而能够确定出更准确的识别策略,实现在同图像多人脸场景下的更加精准和合理的人脸识别。
作为一种可选的实施例,上述步骤中的,根据至少一个场景识别规则,以及每一人脸图像对应的识别级别,基于动态规划算法,确定多个人脸图像对应的识别策略,包括:
设定目标函数包括识别策略中的确定进行识别的人脸图像的数量达到最多,以及识别策略中的所有人脸图像对应的级别差参数的总和达到最小;级别差参数为同一人脸图像的识别级别和识别策略中的识别次序之间的差值;
设定限定条件包括识别策略中的任意两个人脸图像的识别次序之间不违反场景识别规则;
根据目标函数和限定条件,基于动态规划算法,计算出多个人脸图像对应的识别策略。
通过上述实施例,能够根据目标函数和限定条件,基于动态规划算法,计算出多个人脸图像对应的识别策略,从而能够确定出更准确的识别策略,实现在同图像多人脸场景下的更加精准和合理的人脸识别。
实施例二
请参阅图2,图2是本发明实施例公开的一种基于优先级筛选的人脸识别***的结构示意图。其中,图2所描述的***可以应用于相应的数据处理设备、数据处理终端、数据处理服务器中,且该服务器可以是本地服务器,也可以是云服务器,本发明实施例不做限定。如图2所示,该***可以包括:
获取模块201,用于通过对目标图像进行实时识别得到多个人脸图像和每一人脸图像对应的用户发送的识别请求;
第一确定模块202,用于根据识别请求的请求参数,以及预设的级别确定算法,确定每一人脸图像对应的识别级别;
第二确定模块203,用于获取目标图像对应的获取设备的当前位置,根据获取设备的设备参数和当前位置,确定获取设备对应的设备场景;
第三确定模块204,用于根据设备场景,以及每一人脸图像对应的识别级别,确定多个人脸图像对应的识别策略;识别策略用于限定多个人脸图像的是否识别以及识别顺序。
作为一种可选的实施例,请求参数包括识别发起对象、识别发起目的、识别发起时间和识别对象所处位置;和/或,设备参数包括设备类型、设备名称、设备部件参数中的至少一种。
作为一种可选的实施例,第一确定模块202根据识别请求的请求参数,以及预设的级别确定算法,确定每一人脸图像对应的识别级别的具体方式,包括:
将每一识别请求的请求参数输入至训练好的优先级预测神经网络模型中,以得到对应的每一人脸图像对应的优先级参数;优先级预测神经网络模型通过包括有多个训练请求参数和对应的优先级标注的训练数据集训练得到;
计算每一人脸图像对应的优先级参数和预设的参数权重的乘积,得到每一人脸图像对应的级别参数;
根据级别参数从大到小对所有人脸图像进行排序得到图像序列,将每一人脸图像在图像序列中的次序,确定为每一人脸图像对应的识别级别。
作为一种可选的实施例,预设的参数权重包括时间参数权重和位置权重;时间参数权重与人脸图像对应的识别发起时间与当前时间点的时间差成正比;位置权重与人脸图像对应的识别对象所在位置与目标图像对应的获取设备的当前位置之间的位置差距成反比。
作为一种可选的实施例,第二确定模块203根据获取设备的设备参数和当前位置,确定获取设备对应的设备场景的具体方式,包括:
将获取设备的设备参数和当前位置,输入至训练好的场景预测神经网络模型中,以得到获取设备对应的设备场景;场景预测神经网络模型通过包括有多个训练设备参数和位置标注和对应的设备场景标注的训练数据集训练得到;设备场景包括商务会议、餐饮现场、商务聚餐、家庭聚会和婚礼现场中的至少一种。
作为一种可选的实施例,第三确定模块204根据设备场景,以及每一人脸图像对应的识别级别,确定多个人脸图像对应的识别策略的具体方式,包括:
根据设备场景,以及预设的场景和规则的对应关系,确定出至少一个场景识别规则;场景识别规则用于限定特定的设备场景所对应的不同识别发起对象对应的人脸图像之间的先后顺序;
根据至少一个场景识别规则,以及每一人脸图像对应的识别级别,基于动态规划算法,确定多个人脸图像对应的识别策略。
作为一种可选的实施例,第三确定模块204根据至少一个场景识别规则,以及每一人脸图像对应的识别级别,基于动态规划算法,确定多个人脸图像对应的识别策略的具体方式,包括:
设定目标函数包括识别策略中的确定进行识别的人脸图像的数量达到最多,以及识别策略中的所有人脸图像对应的级别差参数的总和达到最小;级别差参数为同一人脸图像的识别级别和识别策略中的识别次序之间的差值;
设定限定条件包括识别策略中的任意两个人脸图像的识别次序之间不违反场景识别规则;
根据目标函数和限定条件,基于动态规划算法,计算出多个人脸图像对应的识别策略。
本发明实施例中的模块细节和技术效果可以参照实施例一中的表述,在此不再赘述。
实施例三
请参阅图3,图3是本发明实施例公开的另一种基于优先级筛选的人脸识别***的结构示意图。如图3所示,该***可以包括:
存储有可执行程序代码的存储器301;
与存储器301耦合的处理器302;
处理器302调用存储器301中存储的可执行程序代码,执行本发明实施例一公开的基于优先级筛选的人脸识别方法中的部分或全部步骤。
实施例四
本发明实施例公开了一种计算机存储介质,该计算机存储介质存储有计算机指令,该计算机指令被调用时,用于执行本发明实施例一公开的基于优先级筛选的人脸识别方法中的部分或全部步骤。
以上所描述的***实施例仅是示意性的,其中所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理模块,即可以位于一个地方,或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施例的具体描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,存储介质包括只读存储器(Read-Only Memory,ROM)、随机存储器(Random Access Memory,RAM)、可编程只读存储器(Programmable Read-only Memory,PROM)、可擦除可编程只读存储器(ErasableProgrammable Read Only Memory,EPROM)、一次可编程只读存储器(One-timeProgrammable Read-Only Memory,OTPROM)、电子抹除式可复写只读存储器(Electrically-Erasable Programmable Read-Only Memory,EEPROM)、只读光盘(CompactDisc Read-Only Memory,CD-ROM)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。
最后应说明的是:本发明实施例公开的一种基于优先级筛选的人脸识别方法及***所揭露的仅为本发明较佳实施例而已,仅用于说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解;其依然可以对前述各项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;而这些修改或替换,并不使相应的技术方案的本质脱离本发明各项实施例技术方案的精神和范围。
Claims (10)
1.一种基于优先级筛选的人脸识别方法,其特征在于,所述方法包括:
通过对目标图像进行实时识别得到多个人脸图像和每一所述人脸图像对应的用户发送的识别请求;
根据所述识别请求的请求参数,以及预设的级别确定算法,确定每一所述人脸图像对应的识别级别;
获取所述目标图像对应的获取设备的当前位置,根据所述获取设备的设备参数和所述当前位置,确定所述获取设备对应的设备场景;
根据所述设备场景,以及每一所述人脸图像对应的识别级别,确定所述多个人脸图像对应的识别策略;所述识别策略用于限定所述多个人脸图像的是否识别以及识别顺序。
2.根据权利要求1所述的基于优先级筛选的人脸识别方法,其特征在于,所述请求参数包括识别发起对象、识别发起目的、识别发起时间和识别对象所处位置;和/或,所述设备参数包括设备类型、设备名称、设备部件参数中的至少一种。
3.根据权利要求2所述的基于优先级筛选的人脸识别方法,其特征在于,所述根据所述识别请求的请求参数,以及预设的级别确定算法,确定每一所述人脸图像对应的识别级别,包括:
将每一所述识别请求的请求参数输入至训练好的优先级预测神经网络模型中,以得到对应的每一所述人脸图像对应的优先级参数;所述优先级预测神经网络模型通过包括有多个训练请求参数和对应的优先级标注的训练数据集训练得到;
计算每一所述人脸图像对应的优先级参数和预设的参数权重的乘积,得到每一所述人脸图像对应的级别参数;
根据所述级别参数从大到小对所有所述人脸图像进行排序得到图像序列,将每一所述人脸图像在所述图像序列中的次序,确定为每一所述人脸图像对应的识别级别。
4.根据权利要求3所述的基于优先级筛选的人脸识别方法,其特征在于,所述预设的参数权重包括时间参数权重和位置权重;所述时间参数权重与所述人脸图像对应的识别发起时间与当前时间点的时间差成正比;所述位置权重与所述人脸图像对应的识别对象所在位置与所述目标图像对应的获取设备的当前位置之间的位置差距成反比。
5.根据权利要求1所述的基于优先级筛选的人脸识别方法,其特征在于,所述根据所述获取设备的设备参数和所述当前位置,确定所述获取设备对应的设备场景,包括:
将所述获取设备的设备参数和所述当前位置,输入至训练好的场景预测神经网络模型中,以得到所述获取设备对应的设备场景;所述场景预测神经网络模型通过包括有多个训练设备参数和位置标注和对应的设备场景标注的训练数据集训练得到;所述设备场景包括商务会议、餐饮现场、商务聚餐、家庭聚会和婚礼现场中的至少一种。
6.根据权利要求1所述的基于优先级筛选的人脸识别方法,其特征在于,所述根据所述设备场景,以及每一所述人脸图像对应的识别级别,确定所述多个人脸图像对应的识别策略,包括:
根据所述设备场景,以及预设的场景和规则的对应关系,确定出至少一个场景识别规则;所述场景识别规则用于限定特定的设备场景所对应的不同识别发起对象对应的人脸图像之间的先后顺序;
根据所述至少一个场景识别规则,以及每一所述人脸图像对应的识别级别,基于动态规划算法,确定所述多个人脸图像对应的识别策略。
7.根据权利要求6所述的基于优先级筛选的人脸识别方法,其特征在于,所述根据所述至少一个场景识别规则,以及每一所述人脸图像对应的识别级别,基于动态规划算法,确定所述多个人脸图像对应的识别策略,包括:
设定目标函数包括识别策略中的确定进行识别的人脸图像的数量达到最多,以及识别策略中的所有所述人脸图像对应的级别差参数的总和达到最小;所述级别差参数为同一所述人脸图像的所述识别级别和识别策略中的识别次序之间的差值;
设定限定条件包括识别策略中的任意两个所述人脸图像的识别次序之间不违反所述场景识别规则;
根据所述目标函数和所述限定条件,基于动态规划算法,计算出所述多个人脸图像对应的识别策略。
8.一种基于优先级筛选的人脸识别***,其特征在于,所述***包括:
获取模块,用于通过对目标图像进行实时识别得到多个人脸图像和每一所述人脸图像对应的用户发送的识别请求;
第一确定模块,用于根据所述识别请求的请求参数,以及预设的级别确定算法,确定每一所述人脸图像对应的识别级别;
第二确定模块,用于获取所述目标图像对应的获取设备的当前位置,根据所述获取设备的设备参数和所述当前位置,确定所述获取设备对应的设备场景;
第三确定模块,用于根据所述设备场景,以及每一所述人脸图像对应的识别级别,确定所述多个人脸图像对应的识别策略;所述识别策略用于限定所述多个人脸图像的是否识别以及识别顺序。
9.一种基于优先级筛选的人脸识别***,其特征在于,所述***包括:
存储有可执行程序代码的存储器;
与所述存储器耦合的处理器;
所述处理器调用所述存储器中存储的所述可执行程序代码,执行如权利要求1-7任一项所述的基于优先级筛选的人脸识别方法。
10.一种计算机存储介质,其特征在于,所述计算机存储介质存储有计算机指令,所述计算机指令被调用时,用于执行如权利要求1-7任一项所述的基于优先级筛选的人脸识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311606317.5A CN117523638B (zh) | 2023-11-28 | 2023-11-28 | 基于优先级筛选的人脸识别方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311606317.5A CN117523638B (zh) | 2023-11-28 | 2023-11-28 | 基于优先级筛选的人脸识别方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117523638A true CN117523638A (zh) | 2024-02-06 |
CN117523638B CN117523638B (zh) | 2024-05-17 |
Family
ID=89747529
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311606317.5A Active CN117523638B (zh) | 2023-11-28 | 2023-11-28 | 基于优先级筛选的人脸识别方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117523638B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107622246A (zh) * | 2017-09-26 | 2018-01-23 | 广东欧珀移动通信有限公司 | 人脸识别方法及相关产品 |
CN107657161A (zh) * | 2017-09-12 | 2018-02-02 | 广东欧珀移动通信有限公司 | 基于人脸识别的移动支付方法及相关产品 |
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 |
WO2020113563A1 (zh) * | 2018-12-07 | 2020-06-11 | 北京比特大陆科技有限公司 | 人脸图像质量评估方法、装置、设备及存储介质 |
CN112488078A (zh) * | 2020-12-23 | 2021-03-12 | 浙江大华技术股份有限公司 | 一种人脸比对方法、装置及可读存储介质 |
CN115826972A (zh) * | 2022-11-29 | 2023-03-21 | 深圳市有方科技股份有限公司 | 一种人脸识别方法、装置、计算机设备及存储介质 |
CN115880753A (zh) * | 2022-11-30 | 2023-03-31 | 中国工商银行股份有限公司 | 一种人脸识别处理方法及装置 |
CN116665272A (zh) * | 2023-05-30 | 2023-08-29 | 北京首都国际机场股份有限公司 | 机场场景人脸识别融合决策方法、装置、电子设备及介质 |
CN117221476A (zh) * | 2023-11-09 | 2023-12-12 | 广州视声智能科技有限公司 | 基于优先级筛选的可视化对话方法及*** |
-
2023
- 2023-11-28 CN CN202311606317.5A patent/CN117523638B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107657161A (zh) * | 2017-09-12 | 2018-02-02 | 广东欧珀移动通信有限公司 | 基于人脸识别的移动支付方法及相关产品 |
CN107622246A (zh) * | 2017-09-26 | 2018-01-23 | 广东欧珀移动通信有限公司 | 人脸识别方法及相关产品 |
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 |
WO2020113563A1 (zh) * | 2018-12-07 | 2020-06-11 | 北京比特大陆科技有限公司 | 人脸图像质量评估方法、装置、设备及存储介质 |
CN112488078A (zh) * | 2020-12-23 | 2021-03-12 | 浙江大华技术股份有限公司 | 一种人脸比对方法、装置及可读存储介质 |
CN115826972A (zh) * | 2022-11-29 | 2023-03-21 | 深圳市有方科技股份有限公司 | 一种人脸识别方法、装置、计算机设备及存储介质 |
CN115880753A (zh) * | 2022-11-30 | 2023-03-31 | 中国工商银行股份有限公司 | 一种人脸识别处理方法及装置 |
CN116665272A (zh) * | 2023-05-30 | 2023-08-29 | 北京首都国际机场股份有限公司 | 机场场景人脸识别融合决策方法、装置、电子设备及介质 |
CN117221476A (zh) * | 2023-11-09 | 2023-12-12 | 广州视声智能科技有限公司 | 基于优先级筛选的可视化对话方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN117523638B (zh) | 2024-05-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108805091B (zh) | 用于生成模型的方法和装置 | |
CN110991380A (zh) | 人体属性识别方法、装置、电子设备以及存储介质 | |
CN109858441A (zh) | 一种用于施工现场的异常状态监测方法与装置 | |
CN116910707B (zh) | 基于设备历史记录的模型版权管理方法及*** | |
CN113688957A (zh) | 一种基于多模型融合的目标检测方法、装置、设备及介质 | |
CN111241388A (zh) | 多策略召回方法、装置、电子设备及可读存储介质 | |
CN117170873B (zh) | 基于人工智能的资源池管理方法及*** | |
CN111611085A (zh) | 基于云边协同的人机混合增强智能***、方法、装置 | |
CN117632905B (zh) | 基于云端使用记录的数据库管理方法及*** | |
CN117221476B (zh) | 基于优先级筛选的可视化对话方法及*** | |
CN117235873B (zh) | 基于历史工作记录的智慧家居布局方法及*** | |
CN117523638B (zh) | 基于优先级筛选的人脸识别方法及*** | |
CN114143734A (zh) | 一种用于5g物联网卡流量采集的数据处理方法及装置 | |
CN109886865A (zh) | 自动屏蔽不良信息的方法、装置、计算机设备以及存储介质 | |
CN112905987B (zh) | 账号识别方法、装置、服务器及存储介质 | |
CN112381151B (zh) | 相似视频的确定方法及装置 | |
CN113591706A (zh) | 一种人脸识别方法、装置、存储介质及电子设备 | |
CN110020728B (zh) | 业务模型强化学习方法以及装置 | |
CN117615359B (zh) | 基于多种规则引擎的蓝牙数据传输方法及*** | |
CN117201502B (zh) | 基于人工智能的智能云服务器接入方法及*** | |
CN116797405B (zh) | 基于参建各方数据互通的工程数据处理方法及*** | |
CN116112203B (zh) | 基于风险模型的网络通信风险预测方法及装置 | |
CN117465001B (zh) | 基于多模型预测结果的3d打印控制方法及*** | |
CN116363260B (zh) | 图像生成方法、装置及电子设备 | |
CN115239068A (zh) | 一种目标任务决策方法、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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |