TWI778673B - 資訊處理裝置、資訊處理方法及程式產品 - Google Patents
資訊處理裝置、資訊處理方法及程式產品 Download PDFInfo
- Publication number
- TWI778673B TWI778673B TW110122598A TW110122598A TWI778673B TW I778673 B TWI778673 B TW I778673B TW 110122598 A TW110122598 A TW 110122598A TW 110122598 A TW110122598 A TW 110122598A TW I778673 B TWI778673 B TW I778673B
- Authority
- TW
- Taiwan
- Prior art keywords
- image
- account
- background
- user
- aforementioned
- Prior art date
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/30—Scenes; Scene-specific elements in albums, collections or shared content, e.g. social network photos or video
-
- 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
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
-
- 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
- G06F16/53—Querying
- G06F16/538—Presentation of query results
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based 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
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/64—Three-dimensional objects
- G06V20/647—Three-dimensional objects by matching two-dimensional images to three-dimensional objects
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Debugging And Monitoring (AREA)
Abstract
[課題]即使是在先前的手法中難以偵測的情況下,仍要偵測出由同一使用者所作成之複數個帳號。
[解決手段]資訊處理裝置係將藉由第1帳號而被登錄的第1影像之背景領域、及藉由第2帳號而被登錄的第2影像之背景領域,加以特定;基於前記第1影像之背景領域、及前記第2影像之背景領域,而將表示擁有前記第1帳號的使用者與擁有前記第2帳號的使用者是否為同一人的同一資訊,予以輸出。
Description
本發明係有關於資訊處理裝置、資訊處理方法及程式產品。
在線上係有各式各樣的服務被提供。使用者係為了利用該服務而作成帳號,使用已被作成之帳號來利用服務。通常對於1個服務,使用者所作成的帳號之數量係為1個,但有時候某個使用者會對1個服務作成複數個帳號。服務營運者,係為了掌握帳號的利用狀況,而會進行將由同一使用者所作成之複數個帳號予以偵測的處理。
在下記專利文獻1中係揭露,使用複數個帳號之每一者的設定檔資訊而算出一致度,基於已算出之一致度而判定帳號之利用者是否為同一人物的技術。又,在下記專利文獻2中係揭露,基於根據各帳號之設定檔資訊或各帳號之使用者所投稿的GEO標籤等而被特定的位置資訊而特定出同一使用者所擁有之帳號的技術。又,在下記專利文獻3中係揭露,將社交媒體的使用者的投稿資訊進行比對,基於投稿中所經常使用的語句、輸入的癖好、投稿內容等的一致或類似,來特定出同一使用者的技術。
[先前技術文獻]
[專利文獻]
[專利文獻1]日本特開2013-122630號公報
[專利文獻2]國際公開第2019/234827號說明書
[專利文獻3]日本特開2017-151574號公報
[發明所欲解決之課題]
就目前為止的手法來說,會有無法偵測出由同一使用者所作成之複數個帳號的情況。例如使用者刻意令設定檔資訊或位置資訊為不同而登錄複數個帳號的情況,或所被投稿的文章中難以看出使用者之特徵的服務的情況下,則難以偵測由同一使用者所作成的複數個帳號。
本發明係有鑑於上記課題而研發,其目的為,提供一種即使是在先前的手法中難以偵測的情況下仍可偵測出由同一使用者所作成之複數個帳號的技術。
[用以解決課題之手段]
為了解決上記課題,本發明所述之資訊處理裝置係含有:背景特定部,係將藉由第1帳號而被登錄的第1影像之背景領域、及藉由第2帳號而被登錄的第2影像之背景領域,加以特定;和資訊輸出部,係基於前記第1影像之背景領域、及前記第2影像之背景領域,而將表示擁有前記第1帳號的使用者與擁有前記第2帳號的使用者是否為同一人的同一資訊,予以輸出。
又,本發明所述之資訊處理方法係含有:將藉由第1帳號而被登錄的第1影像之背景領域、及藉由第2帳號而被登錄的第2影像之背景領域,加以特定之步驟;和基於前記第1影像之背景領域、及前記第2影像之背景領域,而將表示擁有前記第1帳號的使用者與擁有前記第2帳號的使用者是否為同一人的同一資訊予以輸出之步驟。
又,本發明所述之程式,係令電腦發揮機能成為:背景特定部,係將藉由第1帳號而被登錄的第1影像之背景領域、及藉由第2帳號而被登錄的第2影像之背景領域,加以特定;及資訊輸出部,係基於前記第1影像之背景領域、及前記第2影像之背景領域,而將表示擁有前記第1帳號的使用者與擁有前記第2帳號的使用者是否為同一人的同一資訊,予以輸出。
本發明的一形態中,亦可為,前記資訊輸出部,係將分別表示前記第1影像之局部性特徵的複數個第1局部特徵向量加以取得,並將分別表示前記第2影像之局部性特徵的複數個第2局部特徵向量加以取得,基於前記複數個第1局部特徵向量之每一者所對應之前記第2局部特徵向量的探索結果,而輸出前記同一資訊。
本發明的一形態中,亦可為,前記背景特定部,係將第1影像之背景領域、及複數個第2影像之每一者的背景領域,加以特定;前記資訊輸出部,係基於從前記第1影像所被抽出之第1全體特徵向量、和從前記複數個第2影像之每一者所被抽出之複數個第2全體特徵向量,而從前記複數個第2影像,選擇出背景領域是與前記第1影像之背景領域類似的複數個候補影像;前記資訊輸出部,係將分別表示前記第1影像之局部性特徵的複數個第1局部特徵向量、和分別表示前記候補影像之任一者之局部性特徵的複數個第2局部特徵向量,加以取得,並將表示擁有前記第1帳號的使用者與擁有前記第2帳號的使用者是否為同一人的同一資訊,予以輸出。
本發明的一形態中,亦可為,前記資訊輸出部,係基於前記第1影像中複數個第1局部特徵向量之至少一部分所被抽出之位置、與前記第2影像中前記第1局部特徵向量之每一者所對應之前記第2局部特徵向量所被抽出之位置,而推定出前記第1局部特徵向量之至少一部分所被抽出之複數個點之每一者的3維位置,基於前記所被推定出來的複數個點的3維位置,而輸出前記同一資訊。
本發明的一形態中,亦可為,前記背景特定部,係將至少1個第1影像之背景領域、及複數個第2影像之每一者的背景領域,加以特定;前記資訊輸出部,係基於前記至少1個第1影像之背景領域、及前記複數個第2影像之背景領域,而探索出前記第1影像所對應之1或複數個第2影像,基於前記至少1個第1影像所對應之1或複數個第2影像,而輸出前記同一資訊。
本發明的一形態中,亦可為,前記同一資訊,係為擁有前記第1帳號的使用者與擁有前記第2帳號的使用者是否為同一人的判定結果。
本發明的一形態中,亦可為,前記同一資訊,係表示擁有前記第1帳號的使用者與擁有前記第2帳號的使用者是同一人的可能性之大小。
[發明效果]
藉由本發明,即使是在先前的手法中難以偵測的情況下,仍可偵測出由同一使用者所作成之複數個帳號。
以下,基於圖式來說明本發明的實施形態。對標示相同符號的構成,係省略重複的說明。本實施形態中係為,由複數個使用者作成複數個帳號,針對複數個帳號之每一者而受理複數個影像之投稿,將該影像揭露給藉由其他帳號進行存取之使用者,針對提供此種服務的資訊處理系統來進行說明。
圖1係為本發明的實施形態所述之資訊處理系統1之一例的圖示。資訊處理系統1係含有資訊處理伺服器10和影像儲存區19。資訊處理伺服器10,係與1或複數個顧客終端2進行通訊,將操作顧客終端2的使用者所發送的影像,登錄至服務內。此外資訊處理系統1係將從使用者所接收到的影像儲存在影像儲存區19,藉由將該影像設成可檢索的狀態以登錄影像。
資訊處理伺服器10係含有:處理器11、記憶部12、通訊部13、輸出入部14。此外,資訊處理系統1,係亦可藉由執行資訊處理伺服器10之處理的複數個伺服器電腦來加以實現。
處理器11,係依照記憶部12中所儲存的程式而動作。又,處理器11控制通訊部13、輸出入部14。此外,上記程式係可透過網際網路等來提供,也可儲存在快閃記憶體或DVD-ROM等之電腦可讀取之記憶媒體中來提供。
記憶部12係由RAM及快閃記憶體等之記憶體元件與硬碟機這類外部記憶裝置等所構成。記憶部12係儲存上記程式。又,記憶部12,係將從處理器11、通訊部13、輸出入部14所被輸入之資訊或演算結果,加以儲存。
通訊部13,係實現與其他裝置進行通訊之機能,是由例如無線LAN、有線LAN的積體電路等所構成。通訊部13,係基於處理器11之控制,而將從其他裝置收到的資訊,輸入至處理器11或記憶部12,並將資訊發送至其他裝置。
輸出入部14,係由:控制顯示輸出裝置的視訊控制器、或從輸入裝置取得資料的控制器等所構成。作為輸入裝置係有鍵盤、滑鼠、觸控面板等。輸出入部14,係基於處理器11之控制,而對顯示輸出裝置輸出顯示資料,並將使用者藉由操作輸入裝置所輸入之資料加以取得。顯示輸出裝置係為例如被連接在外部的顯示器裝置。
影像儲存區19,係由例如硬碟機這類外部記憶裝置或快閃記憶體所構成。影像儲存區19係基於資訊處理伺服器10之控制而將使用者所登錄的影像,加以儲存。影像儲存區19,係基於資訊處理伺服器10之指示,而從資訊處理伺服器10接收影像並記憶,或將所讀出之影像,發送至資訊處理伺服器10。影像儲存區19,係為異於資訊處理伺服器10的裝置,但亦可為資訊處理伺服器10的記憶部12之一部分。
接著,說明資訊處理系統1所提供之機能。圖2係為資訊處理系統1所實現之機能的區塊圖。資訊處理系統1係含有:認證部50、影像登錄部51、背景特定部53、同一資訊輸出部55。又,同一資訊輸出部55係在機能上,含有特徵抽出部56、同一資訊生成部57。這些機能,係藉由資訊處理伺服器10中所包含的處理器11來執行記憶部12中所被儲存的程式,並控制通訊部13等來加以實現。
認證部50,係將對資訊處理系統1進行存取的使用者的帳號,進行認證。更具體而言,從使用者所操作的顧客終端2取得包含帳號的認證所必須之資訊,並認證帳號是否為適切。一旦帳號被認證,則以後的顧客終端2與資訊處理伺服器10之通訊,就會與帳號建立關連。此外,假設使用者在事前就已經對資訊處理系統1作成了帳號。
影像登錄部51,係從藉由某個帳號而進行存取的使用者取得影像,將已被取得之影像與帳號建立關連而儲存在影像儲存區19。
背景特定部53,係將藉由帳號而被登錄的影像之背景領域,加以特定。
同一資訊輸出部55,係基於作為查詢的第1帳號所被建立關連的第1影像之背景領域、及屬於其他帳號的第2帳號所被建立關連的第2影像之背景領域,而將表示擁有第1帳號的使用者與擁有第2帳號的使用者是否為同一人的同一資訊,予以輸出。
特徵抽出部56,係從已被登錄之影像之每一者,取得表示該影像之背景領域之全體之特徵的1個全體特徵向量、和表示該影像之局部性特徵的複數個局部特徵向量。
同一資訊生成部57,係基於針對第1影像而被取得的第1全體特徵向量、和針對第2影像而被取得的第2全體特徵向量,而輸出同一資訊。又,同一資訊生成部57,係基於針對第1影像而被取得的複數個第1局部特徵向量、和針對第2影像而被取得的複數個第2局部特徵向量,而輸出同一資訊。又,同一資訊生成部57,係基於至少1個第1影像之背景領域、及複數個第2影像之背景領域,而探索出第1影像所對應之1或複數個第2影像,基於至少1個第1影像所對應之1或複數個第2影像,而輸出同一資訊。
圖3係為影像登錄部51的處理之一例的流程圖。影像登錄部51,係首先將顧客終端2所上傳的影像,予以接收(步驟S101)。影像登錄部51,係將發送出影像的帳號,予以特定(步驟S102)。此處,影像登錄部51,係亦可基於與來自顧客終端2之通訊建立關連的帳號而將發送出影像的帳號予以特定,亦可根據連同影像一併被發送的資訊來特定出帳號。影像登錄部51,係將已被接收之影像與已被特定之帳號建立關連而儲存在影像儲存區19(步驟S103)。
圖4係為被登錄之影像之一例的圖示。圖4係為例如在顧客間直接買賣商品的二手市場服務中所被登錄之影像的例子,圖示了在房間之中所被放置的包包之影像。
接著說明,用來偵測同一使用者所擁有之複數個帳號所需之處理。圖5係為背景特定部53及特徵抽出部56的處理之一例的流程圖。圖5所示的處理,係針對每一影像而被執行。又,圖5所示的處理,係亦可在每次接收到影像登錄部51所登錄之影像時被進行,亦可定期地偵測尚未被執行該處理的影像,對該已被偵測到的影像之每一者,執行圖5所示的處理。
首先,背景特定部53,係將處理對象之影像的背景領域,加以特定(步驟S201)。背景領域之特定,係亦可藉由使用到神經網路的所謂Semantic Segmentation而被進行,亦可藉由使用到神經網路的所謂Region Proposal之手法而被進行。這些手法係為公知因此省略詳細的說明。
一旦背景領域被特定,則背景特定部53,係將該背景領域以外(亦即前景)予以塗黑的影像,當作處理對象之影像的背景領域之影像(背景影像)而加以取得(步驟S202)。
圖6係為背景影像之一例的圖示。在背景影像中,屬於前景的包包之領域,係被塗黑。已被塗黑之領域,係在以下的處理中視為沒有影像存在的領域,會從全體特徵向量、局部特徵向量的抽出之對象而被排除。
背景影像一旦被取得,特徵抽出部56係算出背景影像的獨特性(步驟S203)。背景影像的獨特性之算出,係可由特徵抽出部56將背景影像輸入至機器學習模型,將該機器學習模型之輸出當作算出結果而加以取得,藉此而被進行。機器學習模型,在本實施形態中係為例如:AdaBoost、隨機森林、神經網絡、支持向量機 (SVM)、最近鄰識別器等之機器學習所被實作的機器學習模型。
機器學習模型,係預先藉由含有學習輸入影像與教師資料的學習資料,而進行了學習。該學習資料中係含有:背景影像已被放大或縮小成所定像素數的學習輸入影像、和表示該背景影像的獨特性之大小的所給定之教師資料。
亦可不使用機器學習模型而算出獨特性。例如,亦可藉由求出背景影像之色階值之分散而算出獨特性之大小。此情況下,背景越接近單色則分散的值就會小,獨特性就越低。雖然難以偵測網格等常見的紋路,但可高速地算出獨特性。
又,亦可基於與作為算出之對象的背景影像相類似的背景影像而算出獨特性。更具體而言,事前就建構出,含有已被取得之複數個背景影像的影像檢索模型。然後,特徵抽出部56係使用該影像檢索模型,檢索出與作為算出之對象的背景影像相類似的背景影像。特徵抽出部56,係基於藉由檢索所找到的類似之背景影像的數量、或類似之背景影像與作為算出之對象的背景影像的類似度,而算出獨特性。找到的類似之背景影像的數量越少、或類似度越小,獨特性就越大。
然後,在背景影像沒有獨特性(獨特性之大小低於判定閾值)的情況下(步驟S204的N),特徵抽出部56係將該背景影像已被抽出之影像,從以下的同一使用者所擁有之帳號的判定之對象中予以排除(步驟S205),步驟S206至S208之處理係不被執行。
步驟S203~S205之處理,係為了將隨處可見(獨特性低)的背景影像從處理對象中予以排除,而被進行。隨處可見的背景影像係由於即使在彼此互異之使用者之影像中,存在的可能性仍為高,因此用於同一使用者所擁有的複數個帳號之偵測,並不適切。因此,藉由這些處理,可一面提升同一使用者所擁有的複數個帳號之偵測精度,一面略過關於隨處可見之背景影像的處理,而可節省計算資源。
此處,在背景影像中具有獨特性(獨特性之大小是超過判定閾值)的情況下(步驟S204的Y),特徵抽出部56,係從背景影像,抽出複數個局部特徵向量,並將已被抽出之局部特徵向量與背景影像的原始影像建立關連而記憶(步驟S206)。局部特徵向量係亦可被儲存在影像儲存區19中,亦可被儲存在記憶部12中。複數個局部特徵向量之每一者,係表示背景影像之局部性特徵。特徵抽出部56,係亦可使用例如SIFT、ORB、BRISK這類公知的手法,而抽出局部特徵向量。
特徵抽出部56,係將局部特徵向量連同於影像內該局部特徵向量所被抽出的點的位置一併加以取得,該點的位置也與影像建立關連而記憶。圖7係為局部特徵向量之抽出的模式性說明圖。圖7所示的黑點係表示,從圖6所示的背景影像中,局部特徵向量所被抽出的點。局部特徵向量係從背景影像之中的局部性特徵所存在的點而被抽出,局部特徵向量之數量係隨著背景影像而不同。此外,以下係將從某個影像所被生成的背景影像中所被抽出之局部特徵向量,記載作該影像之局部特徵向量。
特徵抽出部56,係也將局部特徵向量以外之資訊予以抽出。更具體而言,特徵抽出部56係從背景影像,抽出全體特徵向量,將已被抽出之全體特徵向量,與背景影像之原始影像建立關連而記憶(步驟S207)。此處,特徵抽出部56,係從1個背景影像,抽出1個全體特徵向量。此外,以下係將從某個影像所被生成的背景影像中所被抽出之全體特徵向量,記載作該影像之全體特徵向量。
特徵抽出部56,係亦可使用Bag of Visual Words(BoVW)之手法,而抽出全體特徵向量。此情況下,特徵抽出部56,係亦可針對全部的帳號,基於背景影像之中具有獨特性的背景影像而決定Visual Words,而將背景影像之每一者的全體特徵向量予以抽出,亦可基於一部分之背景影像而決定Visual Word。BoVW之處理手法係為公知因此處理的詳細說明係省略。此外,特徵抽出部56,係亦可基於步驟S206中所被抽出之局部特徵向量而抽出全體特徵向量,亦可基於以異於步驟S206之手法所被抽出之局部特徵向量而抽出全體特徵向量。又,雖然精度會降低,但特徵抽出部56係亦可從前景未被塗黑的影像,抽出全體特徵向量。
亦可取代BoVW,特徵抽出部56係改為對自動編碼器的編碼器部分,輸入背景影像,將該編碼器部分的輸出,當作全體特徵向量而加以取得。此情況下,假設是對自動編碼器預先輸入複數個教師影像,藉由自動編碼器之輸出與教師影像來調整自動編碼器的各節點之參數。
以下說明同一資訊生成部57之處理。同一資訊生成部57,係為了判定某個帳號(第1帳號)與其他帳號(第2帳號)是否為同一使用者,而判定第1影像與第2影像是否具有同一背景。第1影像,係為藉由影像登錄部51而與第1帳號建立關連而記憶的影像,第2影像係為藉由影像登錄部51而與第2帳號建立關連而記憶的影像。但是以下的作為處理之對象的第1影像及第2影像係被限定成,在步驟S204中被判定為背景影像具有獨特性者。
圖8係為同一資訊生成部57的處理之概要的說明圖。在圖8中為了便於說明,將與第1帳號建立關連的1個第1影像當作查詢影像,而從複數個第2影像檢索出具有共通之背景的情況之例子的圖示。圖8所示的處理係亦可對與第1帳號建立關連的第1影像之每一者,加以執行。
同一資訊生成部57,係為了兼顧處理負荷之減輕與精度之提升,而執行3階段之處理。在第1階段的處理中,以處理負荷較低的手法來篩選類似之背景影像,以生成第2影像之群組(第1候補群組)。在該處理中係藉由第1影像之全體特徵向量與第2影像之全體特徵向量之類似度,來偵測類似之第2影像。又,已被偵測到的第2影像係被追加至第1候補群組。
此外,第1影像之背景影像及第2影像之背景影像,係分別與第1影像、第2影像呈1對1對應,因此在上記處理中係亦可取代第1影像及第2影像而改為偵測出第1影像之背景影像、第2影像之背景影像。以下也是同樣如此。
在第2階段之處理中,藉由以較高精度的手法來篩選類似之背景影像,以生成比第1候補群組的數量還少的第2影像之群組(第2候補群組)。在此處理中,係將第1影像之複數個局部特徵向量(第1局部特徵向量)與第2影像之複數個局部特徵向量(第2局部特徵向量)以公知之匹配手法進行對應,基於已被彼此對應的第1局部特徵向量與第2局部特徵向量之集合的數量,即可判定類似。
在第3階段之處理中,基於是否從彼此對應之第1局部特徵向量與第2局部特徵向量之集合獲得適切的3維之背景,來篩選第2影像。更具體而言,在第3階段之處理中,從複數個集合中推定出該集合中所含之第1及第2局部特徵向量所被抽出的點的3維位置,基於該3維位置是否有被適切地推定,而判定是否獲得適切的3維之背景。該判定係針對第2候補群組中所含之第2影像之每一者而被進行。被判定為含有同一背景的第2影像,係作為最終的檢索結果而被輸出。
圖9至11係為同一資訊生成部57的處理之一例的流程圖。圖9至11係圖示,從第1帳號所被建立關連的複數個第1影像及第2帳號所被建立關連的第2影像,特定出彼此具有相同背景影像的第1影像與第2影像之集合,基於該已被特定之集合來判定第1帳號與第2帳號是否為同一使用者所擁有的處理。第1階段之處理係為步驟S305,第2階段之處理係為步驟S311至S317,第3階段之處理係為步驟S321至S327。
首先,同一資訊生成部57,係在第1帳號所被建立關連的複數個第1影像之中,從被判定為有獨特性的複數個影像,選擇出1個第1影像(步驟S301)。接著,同一資訊生成部57,係將與已被選擇之第1影像建立關連而被記憶的全體特徵向量,當作第1全體特徵向量而加以取得(步驟S302),將與已被選擇之第1影像建立關連而被記憶的複數個局部特徵向量,當作複數個第1局部特徵向量而加以取得(步驟S303)。
然後同一資訊生成部57,係針對第2帳號所被建立關連的第2影像之每一者,算出第1全體特徵向量與該第2影像所被建立關連的第2全體特徵向量之類似度,將該複數個第2影像之中類似度高於閾值者,追加至第1候補群組(步驟S305)。類似度係為例如L2範數,被判定為類似的類似度之基準,係被設定成較第2階段之處理更為寬鬆。
一旦對第1候補群組追加了第2影像,則同一資訊生成部57,係將第1候補群組中所屬之1個第2影像加以選擇(步驟S311)。然後,將已被取得之複數個第1局部特徵向量、與已被選擇之第2影像所被建立關連之複數個第2局部特徵向量之對應,加以決定(步驟S312)。
對應的決定中係使用公知的匹配手法。例如,同一資訊生成部57,係將第1局部特徵向量與複數個第2局部特徵向量之每一者的距離(相當於類似度),藉由例如L2範數而予以算出。然後,同一資訊生成部57,係在距離(d1)最小的第2局部特徵向量與距離(d2)次小的第2局部特徵向量間,將滿足d1<d2×A(A係為0以上未滿1的定數)者,決定成為第1局部特徵向量所對應之第2局部特徵向量,將與該第1特徵向量對應的第2特徵向量之集合,記憶在記憶部12。此情況下,該已被決定之第2局部特徵向量,係不會被決定成為與其他第1局部特徵向量相對應者。此外,作為匹配手法,亦可藉由例如SuperGlue這類圖神經網路來進行第1局部特徵向量與第2局部特徵向量之匹配。
圖12係為第1及第2局部特徵向量之對應的說明圖。上方的影像係對應於1個第1影像,下方的影像係對應於1個第2影像。上方的影像中的黑點係對應於第1局部特徵向量,下方的影像中的黑點係對應於第2局部特徵向量。藉由虛線而被連接的黑點係表示彼此對應之第1及第2局部特徵向量。
一旦對應被決定,則同一資訊生成部57,係基於該對應,來判定第1影像之背景影像與第2影像之背景影像是否類似(步驟S313)。具體而言,同一資訊生成部57,係可基於已被視為彼此對應之第1局部特徵向量與第2局部特徵向量之集合的數量是否超過閾值,來判定是否類似。又,亦可基於,集合的數量相對於第1局部特徵向量之數量與第2局部特徵向量之數量之中較小之一方的比率是否高於集合閾值,來判定是否類似。
第1影像之背景影像與第2影像之背景影像被判定為不類似的情況下(步驟S313的N),步驟S314及步驟S315之處理係被略過。另一方面,第1影像之背景影像與第2影像之背景影像被判定為類似的情況下(步驟S313的Y),同一資訊生成部57係判定,第1影像之背景影像與第2影像之背景影像是否極為相近(步驟S314)。更具體而言,同一資訊生成部57,係在彼此對應之第1及第2局部特徵向量之集合的數量是高於嚴謹閾值,且彼此對應之第1局部特徵向量與第2局部特徵向量的距離之和或平均是小於嚴謹距離閾值的情況下,則同一資訊生成部57係判定為,第1影像之背景影像與第2影像之背景影像是極為相近。此處,嚴謹閾值,係大於集合閾值。
第1影像之背景影像與第2影像之背景影像若被判定為極為相近(步驟S314的Y),則同一資訊生成部57係判定為第1影像與第2影像係為對應,將該第1影像與第2影像之集合記憶在記憶部12(步驟S319),略過第3階段之處理而遷移至步驟S326之處理。
第1影像與第2影像間背景是極為相似的情況下,則不經後續的處理就判定為第1影像與第2影像是具有同一背景。藉此,由於不必進行之後的處理因此可削減處理時間,又在以三脚架等而使相機的視點變成幾乎相同的情況下,可以減少在第3階段之處理中誤判為第1影像與第2影像是不對應,可減少誤判第1帳號與第2帳號之關係的可能性。
另一方面,第1影像之背景影像與第2影像之背景影像未被判定為極為相近的情況下(步驟S314的N),則同一資訊生成部57係對第2候補群組追加已被選擇之第2影像,並將彼此對應之第1局部特徵向量與第2局部特徵向量之集合,與第2影像建立關連而記憶在記憶部12(步驟S315)。然後,在第1候補群組中所屬之第2影像之中有未被選擇者存在的情況下(步驟S316的N),則同一資訊生成部57係從第1候補群組中選擇出下個第2影像(步驟S317),重複步驟S312以後之處理。
第1候補群組中所屬之第2影像全部都已被選擇的情況下(步驟S316的Y),則第2候補群組係被確定,遷移至步驟S321以後的第3階段之處理。
一旦對第1候補群組追加了第2影像,則同一資訊生成部57,係將第2候補群組中所屬之1個第2影像加以選擇(步驟S321)。然後,同一資訊生成部57係基於與已被選擇之第2影像建立關連而被儲存的複數個集合,算出集合之每一者所對應之點的3維位置(步驟S322)。換言之,同一資訊生成部57,係針對複數個集合之每一者,基於第1影像中第1局部特徵向量所被抽出之位置、和第2影像中第2局部特徵向量所被抽出之位置,來推定該第1及第2局部特徵向量所被抽出的點的3維位置。
3維位置,係可使用所謂三角測量之想法,而被推定。圖13係為3維位置之算出的說明圖。
更具體而言,首先,同一資訊生成部57係基於,複數個集合之每一者中所含之第1及第2特徵向量在所被抽出之第1及第2影像(參照圖13的影像m1、m2參照)中的位置(參照圖13的點Pi1、Pi2),來推定影像所被攝影的視點e1、e2及攝影方向(參照從視點e1、e2延伸的箭頭)。然後,同一資訊生成部57,係基於該視點及攝影方向與第1及第2特徵向量所被抽出之位置(點),使用Direct Linear Transform(DLT)法而求出該點的3維位置(參照圖13的點Pr)。此外於複數個影像中彼此對應之局部特徵向量所被抽出的點的3維位置的求出手法係為公知,因此更詳細的說明係省略。該手法,係在例如實現SfM的軟體中也被採用,同一資訊生成部57係亦可藉由執行該軟體,以針對複數個集合之每一者,算出點的3維位置。
一旦點的3維位置被算出,則同一資訊生成部57係判定3維位置是否有被適切地推定。更具體而言,首先,同一資訊生成部57,係基於已被算出之點的3維位置,將該點重新投影至第1影像及第2影像上,並計算其第1影像與第2影像中的點的原本位置的重新投影誤差(步驟S323)。此處第1及第2影像中的點的原本位置係分別為,於第1及第2影像中第1及第2局部特徵向量所被抽出之位置。換言之,重新投影誤差係為,3維的點被投影至第1影像的點、與該點所對應之第1局部特徵向量所被抽出之點的距離,以及,該3維的點被投影至第2影像的點、與該點所對應之第2局部特徵向量所被抽出之點的距離。
同一資訊生成部57係將針對複數個集合之每一者所被計算的該重新投影誤差之和予以算出,並判定該重新投影誤差之和是否在所定之範圍內(小於判定閾值)(步驟S324)。重新投影誤差之和是在所定之範圍內的情況下(步驟S324的Y),同一資訊生成部57係判定為第1影像與第2影像是對應,將該第1影像與第2影像之集合,記憶在記憶部12(步驟S325)。重新投影誤差之和未在所定之範圍內(大於判定閾值)的情況下,則步驟S325係被略過。此外,亦可不是基於和是否超過閾值來做判定,而是改為基於重新投影誤差之平均或分散來進行判定。
然後,在第2候補群組中所屬之第2影像之中有未被選擇者存在的情況下(步驟S326的N),則同一資訊生成部57係從第2候補群組中選擇出下個第2影像(步驟S327),重複步驟S322以後之處理。另一方面,第2候補群組中所屬之第2影像全部都已被選擇的情況下(步驟S326的Y),則第3階段之處理係結束,遷移至步驟S330以後之處理。
在步驟S330中,同一資訊生成部57係判定,與第1帳號建立關連且有獨特性的1或複數個第1影像之中,是否全部的影像都已被選擇。又,若有尚未被選擇的影像存在的情況下(步驟S330的N),則同一資訊生成部57係在與第1帳號建立關連且有獨特性的複數個第1影像之中,選擇下個第1影像(步驟S331),重複步驟S302以後之處理。
另一方面,在全部的第1影像都已被選擇的情況下(步驟S330的Y),同一資訊生成部57,係基於記憶部12中所被記憶之第1影像及第2影像之集合,而生成表示擁有第1帳號的使用者、與擁有第2帳號的使用者是否為同一人的同一資訊(步驟S332)。分別含有第1影像及第2影像的複數個集合,係為與至少1個第1影像與該第1影像所對應之1或複數個第2影像等價的資訊。
圖14係為第1影像與第2影像之對應之一例的圖示。圖14係圖示了,於第1帳號與第2帳號中背景被視為相同且被判定為彼此對應的影像之組合。連結影像的線係表示影像間之對應。於步驟S332中,同一資訊生成部57係可為例如,在集合的數量、或將集合的數量除以第1影像與第2影像之數量之和所得的值是超過所定之閾值的情況下,則判定為第1帳號與第2帳號是被同一使用者所擁有,並作成表示該判定結果的同一資訊。藉由如此使用複數個影像之對應來進行判定,就可防止偶然之一致等所造成的誤判。
圖9至11所示的處理係針對複數個彼此互異之第2帳號而被執行。於是,同一資訊生成部57,係亦可基於已被判定為與第1帳號匹配的第2帳號之數量,來生成同一資訊。更具體而言,同一資訊生成部57,係以和步驟S332中生成表示是否同一的同一資訊的手法相同樣的手法,針對複數個第2帳號之每一者而判定第1帳號與第2帳號是否匹配。然後,針對複數個第2帳號進行了步驟S332所致之匹配的判定後,同一資訊生成部57,係基於已被判定為與第1帳號匹配的第2帳號之數量,而生成表示擁有第1帳號的使用者與擁有該複數個第2帳號的使用者是否為同一人的同一資訊。
例如,同一資訊生成部57,係在與第1帳號匹配的第2帳號之數量是小於帳號閾值(例如3以上之整數)的情況下,則生成表示擁有第1帳號的使用者與擁有該複數個第2帳號的使用者是同一人的同一資訊,在與第1帳號匹配的第2帳號之數量是帳號閾值以上的情況下,則不生成該表示同一的同一資訊。藉此可以防止,例如,實際上獨特性低的背景影像被當成圖9至11所示的處理之對象的情況下,將原本是不同使用者所擁有的第1及第2帳號誤判成同一人這件事情。
此外,在具有同一背景而第1影像與第2影像是被判定為彼此對應的情況下,同一資訊生成部57,係亦可取代步驟S325、S319,改成判定為該第1影像所被建立關連之第1帳號、與第2影像所被建立關連之第2帳號是被同一使用者所擁有,而生成同一資訊。此情況下,其後係不執行圖9至11之處理。藉由該處理,雖然精度會些許降低,但可降低處理負荷。
1:資訊處理系統
2:顧客終端
10:資訊處理伺服器
11:處理器
12:記憶部
13:通訊部
14:輸出入部
19:影像儲存區
50:認證部
51:影像登錄部
53:背景特定部
55:同一資訊輸出部
56:特徵抽出部
57:同一資訊生成部
[圖1]本發明的實施形態所述之資訊處理系統之一例的圖示。
[圖2]資訊處理系統所實現之機能的區塊圖。
[圖3]影像登錄部的處理之一例的流程圖。
[圖4]被登錄之影像之一例的圖示。
[圖5]背景特定部及特徵抽出部的處理之一例的流程圖。
[圖6]背景影像之一例的圖示。
[圖7]局部特徵向量之抽出的模式性說明圖。
[圖8]同一資訊生成部的處理之概要的說明圖。
[圖9]同一資訊生成部的處理之一例的流程圖。
[圖10]同一資訊輸出部的處理之一例的流程圖。
[圖11]同一資訊輸出部的處理之一例的流程圖。
[圖12]第1及第2局部特徵向量之對應的說明圖。
[圖13]3維位置之算出的說明圖。
[圖14]第1影像與第2影像之對應之一例的圖示。
50:認證部
51:影像登錄部
53:背景特定部
55:同一資訊輸出部
56:特徵抽出部
57:同一資訊生成部
Claims (9)
- 一種資訊處理裝置,係含有:背景特定部,係將藉由第1帳號而被登錄的第1影像之背景領域、及藉由第2帳號而被登錄的第2影像之背景領域,加以特定;和資訊輸出部,係基於前記第1影像之背景領域、及前記第2影像之背景領域,而將表示擁有前記第1帳號的使用者與擁有前記第2帳號的使用者是否為同一人的同一資訊,予以輸出。
- 如請求項1所記載之資訊處理裝置,其中,前記資訊輸出部,係將分別表示前記第1影像之局部性特徵的複數個第1局部特徵向量加以取得,並將分別表示前記第2影像之局部性特徵的複數個第2局部特徵向量加以取得,基於前記複數個第1局部特徵向量之每一者所對應之前記第2局部特徵向量的探索結果,而輸出前記同一資訊。
- 如請求項2所記載之資訊處理裝置,其中,前記背景特定部,係將第1影像之背景領域、及複數個第2影像之每一者的背景領域,加以特定;前記資訊輸出部,係基於從前記第1影像所被抽出之第1全體特徵向量、和從前記複數個第2影像之每一者所被抽出之複數個第2全體特徵向量,而算出類似度,從前記 複數個第2影像,選擇出前記類似度是高於閾值的複數個候補影像;前記資訊輸出部,係將分別表示前記第1影像之局部性特徵的複數個第1局部特徵向量、和分別表示前記候補影像之任一者之局部性特徵的複數個第2局部特徵向量,加以取得,並將表示擁有前記第1帳號的使用者與擁有前記第2帳號的使用者是否為同一人的同一資訊,予以輸出。
- 如請求項2或3所記載之資訊處理裝置,其中,前記資訊輸出部,係基於前記第1影像中複數個第1局部特徵向量之至少一部分所被抽出之位置、與前記第2影像中前記第1局部特徵向量之每一者所對應之前記第2局部特徵向量所被抽出之位置,而推定出前記第1局部特徵向量之至少一部分所被抽出之複數個點之每一者的3維位置,基於前記所被推定出來的複數個點的3維位置,而輸出前記同一資訊。
- 如請求項1所記載之資訊處理裝置,其中,前記背景特定部,係將至少1個第1影像之背景領域、及複數個第2影像之每一者的背景領域,加以特定;前記資訊輸出部,係基於前記至少1個第1影像之背景領域、及前記複數個第2影像之背景領域,而探索出前記第1影像所對應之1或複數個第2影像,基於前記至少1個第 1影像所對應之1或複數個第2影像,而輸出前記同一資訊。
- 如請求項1所記載之資訊處理裝置,其中,前記同一資訊,係為擁有前記第1帳號的使用者與擁有前記第2帳號的使用者是否為同一人的判定結果。
- 如請求項1所記載之資訊處理裝置,其中,前記同一資訊,係表示擁有前記第1帳號的使用者與擁有前記第2帳號的使用者是同一人的可能性之大小。
- 一種資訊處理方法,係含有:將藉由第1帳號而被登錄的第1影像之背景領域、及藉由第2帳號而被登錄的第2影像之背景領域,加以特定之步驟;和基於前記第1影像之背景領域、及前記第2影像之背景領域,而將表示擁有前記第1帳號的使用者與擁有前記第2帳號的使用者是否為同一人的同一資訊予以輸出之步驟。
- 一種程式產品,係用來使電腦發揮功能而成為:背景特定部,係將藉由第1帳號而被登錄的第1影像之背景領域、及藉由第2帳號而被登錄的第2影像之背景領域,加以特定;及資訊輸出部,係基於前記第1影像之背景領域、及前記第2影像之背景領域,而將表示擁有前記第1帳號的使用 者與擁有前記第2帳號的使用者是否為同一人的同一資訊,予以輸出。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020161820A JP7110293B2 (ja) | 2020-09-28 | 2020-09-28 | 情報処理装置、情報処理方法およびプログラム |
JP2020-161820 | 2020-09-28 |
Publications (2)
Publication Number | Publication Date |
---|---|
TW202213129A TW202213129A (zh) | 2022-04-01 |
TWI778673B true TWI778673B (zh) | 2022-09-21 |
Family
ID=80821356
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW110122598A TWI778673B (zh) | 2020-09-28 | 2021-06-21 | 資訊處理裝置、資訊處理方法及程式產品 |
Country Status (3)
Country | Link |
---|---|
US (1) | US11861879B2 (zh) |
JP (2) | JP7110293B2 (zh) |
TW (1) | TWI778673B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW201710938A (zh) * | 2015-09-15 | 2017-03-16 | Solid Year Co Ltd | 可分析使用者臉部之有效性的使用者登入方法與應用此使用者登入方法的使用者登入系統 |
US20180152839A1 (en) * | 2016-11-30 | 2018-05-31 | Facebook, Inc. | Automatic login to social-network from executable |
CN108197557A (zh) * | 2017-12-28 | 2018-06-22 | 深圳云天励飞技术有限公司 | 人证一致性检验方法、终端设备及计算机可读存储介质 |
CN109948999A (zh) * | 2019-02-19 | 2019-06-28 | 平安科技(深圳)有限公司 | 通过云桌面进行面签的方法、装置及可读存储介质 |
Family Cites Families (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20080036231A (ko) * | 2008-03-19 | 2008-04-25 | 올림푸스 가부시키가이샤 | 정보 제시 시스템, 정보 제시 단말기 및 서버 |
JP5881396B2 (ja) | 2011-12-09 | 2016-03-09 | ビッグローブ株式会社 | 識別情報管理支援システム、識別情報管理支援方法およびプログラム |
JP6188477B2 (ja) * | 2013-08-02 | 2017-08-30 | オリンパス株式会社 | 画像処理装置、画像処理方法及びプログラム |
JP2015103088A (ja) * | 2013-11-26 | 2015-06-04 | キヤノン株式会社 | 画像処理装置、画像処理方法、及びプログラム |
JP6211407B2 (ja) | 2013-12-06 | 2017-10-11 | 株式会社デンソーアイティーラボラトリ | 画像検索システム、画像検索装置、検索サーバ装置、画像検索方法、及び画像検索プログラム |
CN104091302B (zh) * | 2014-07-10 | 2017-06-06 | 北京工业大学 | 一种基于多尺度空间的鲁棒水印嵌入与提取方法 |
US9430718B1 (en) * | 2015-02-09 | 2016-08-30 | Sony Corporation | Efficient local feature descriptor filtering |
JP6433928B2 (ja) * | 2016-02-15 | 2018-12-05 | 株式会社東芝 | 検索装置、検索方法および検索システム |
JP6732472B2 (ja) | 2016-02-23 | 2020-07-29 | 株式会社エルテス | ユーザ情報処理サーバ及びユーザ情報の処理方法 |
GB201613138D0 (en) * | 2016-07-29 | 2016-09-14 | Unifai Holdings Ltd | Computer vision systems |
SG10201705921VA (en) | 2017-07-19 | 2019-02-27 | Nec Apac Pte Ltd | Method and apparatus for dynamically identifying a user of an account for posting images |
US10776467B2 (en) * | 2017-09-27 | 2020-09-15 | International Business Machines Corporation | Establishing personal identity using real time contextual data |
WO2019187107A1 (ja) | 2018-03-30 | 2019-10-03 | 日本電気株式会社 | 情報処理装置、制御方法、及びプログラム |
US11561970B2 (en) | 2018-06-05 | 2023-01-24 | Nec Corporation | Techniques for accurately specifying identification information |
KR102661983B1 (ko) * | 2018-08-08 | 2024-05-02 | 삼성전자주식회사 | 이미지의 인식된 장면에 기반하여 이미지를 처리하는 방법 및 이를 위한 전자 장치 |
CN110956069B (zh) * | 2019-05-30 | 2022-06-21 | 魔门塔(苏州)科技有限公司 | 一种行人3d位置的检测方法及装置、车载终端 |
KR102646344B1 (ko) * | 2019-09-06 | 2024-03-12 | 삼성전자주식회사 | 이미지를 합성하기 위한 전자 장치 및 그의 동작 방법 |
US10846857B1 (en) * | 2020-04-20 | 2020-11-24 | Safe Tek, LLC | Systems and methods for enhanced real-time image analysis with a dimensional convolution concept net |
-
2020
- 2020-09-28 JP JP2020161820A patent/JP7110293B2/ja active Active
-
2021
- 2021-06-21 TW TW110122598A patent/TWI778673B/zh active
- 2021-06-23 US US17/356,474 patent/US11861879B2/en active Active
-
2022
- 2022-07-20 JP JP2022115740A patent/JP7369247B2/ja active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW201710938A (zh) * | 2015-09-15 | 2017-03-16 | Solid Year Co Ltd | 可分析使用者臉部之有效性的使用者登入方法與應用此使用者登入方法的使用者登入系統 |
US20180152839A1 (en) * | 2016-11-30 | 2018-05-31 | Facebook, Inc. | Automatic login to social-network from executable |
CN108197557A (zh) * | 2017-12-28 | 2018-06-22 | 深圳云天励飞技术有限公司 | 人证一致性检验方法、终端设备及计算机可读存储介质 |
CN109948999A (zh) * | 2019-02-19 | 2019-06-28 | 平安科技(深圳)有限公司 | 通过云桌面进行面签的方法、装置及可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
TW202213129A (zh) | 2022-04-01 |
JP2022054663A (ja) | 2022-04-07 |
JP2022140535A (ja) | 2022-09-26 |
US11861879B2 (en) | 2024-01-02 |
US20220101038A1 (en) | 2022-03-31 |
JP7369247B2 (ja) | 2023-10-25 |
JP7110293B2 (ja) | 2022-08-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
AU2017209231B2 (en) | Method, system, device and readable storage medium for realizing insurance claim fraud prevention based on consistency between multiple images | |
JP6393230B2 (ja) | オブジェクト検出方法及び画像検索システム | |
US11126827B2 (en) | Method and system for image identification | |
CN109784415B (zh) | 图像识别方法及装置、训练卷积神经网络的方法及装置 | |
CN110414550B (zh) | 人脸识别模型的训练方法、装置、***和计算机可读介质 | |
CN110598019B (zh) | 重复图像识别方法及装置 | |
BR102014023780B1 (pt) | Método para classificação multiclasse em cenários abertos e usos do mesmo | |
JP6532523B2 (ja) | 手書きを使用するユーザ識別登録の管理 | |
CN103425964A (zh) | 图像处理设备、图像处理方法及计算机程序 | |
CN114187633A (zh) | 图像处理方法及装置、图像生成模型的训练方法及装置 | |
CN109886223B (zh) | 人脸识别方法、底库录入方法、装置及电子设备 | |
CN116630100A (zh) | 旅游数据处理方法、装置、设备及存储介质 | |
JP2019220014A (ja) | 画像解析装置、画像解析方法及びプログラム | |
CN117058723B (zh) | 掌纹识别方法、装置及存储介质 | |
KR101961462B1 (ko) | 객체 인식 방법 및 장치 | |
US11580721B2 (en) | Information processing apparatus, control method, and program | |
Kang et al. | Combining random forest with multi-block local binary pattern feature selection for multiclass head pose estimation | |
CN111368674B (zh) | 图像识别方法及装置 | |
TWI778673B (zh) | 資訊處理裝置、資訊處理方法及程式產品 | |
KR20160044858A (ko) | 얼굴 정보를 이용한 실종 가족 찾기 시스템 및 방법 그리고 이를 구현하는 프로그램을 기록한 기록 매체 | |
US20240037995A1 (en) | Detecting wrapped attacks on face recognition | |
Li et al. | An efficient robust eye localization by learning the convolution distribution using eye template | |
Sato et al. | High‐Speed multiview face localization and tracking with a minimum bounding box using genetic algorithm | |
CN109993178B (zh) | 一种特征数据生成和特征匹配方法及装置 | |
El Sayed et al. | 3D face detection based on salient features extraction and skin colour detection using data mining |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
GD4A | Issue of patent certificate for granted invention patent |