CN106934364A - 人脸图片的识别方法及装置 - Google Patents
人脸图片的识别方法及装置 Download PDFInfo
- Publication number
- CN106934364A CN106934364A CN201710138035.5A CN201710138035A CN106934364A CN 106934364 A CN106934364 A CN 106934364A CN 201710138035 A CN201710138035 A CN 201710138035A CN 106934364 A CN106934364 A CN 106934364A
- Authority
- CN
- China
- Prior art keywords
- face picture
- face
- increment
- picture
- annotation results
- 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
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
- G06V40/168—Feature extraction; Face representation
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- General Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Collating Specific Patterns (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种人脸图片的识别方法及装置，属于信息技术领域。包括：获取至少两种增量人脸图片；获取至少两种历史训练人脸图片；根据每种增量人脸图片及对应的标注结果和每种历史训练人脸图片及对应的标注结果，对上一时间周期的人脸识别模型进行优化，得到当前时间周期的人脸识别模型；根据当前时间周期的人脸识别模型，对待识别的人脸图片进行识别。本发明在对人脸图片的识别过程中，采用获取到增量人脸图片及其标注结果和历史训练人脸图片及其标注结果，对上一时间周期的人脸识别模型进行优化，提升了当前时间周期的人脸识别模型的识别能力，即便用户的外貌变化，采用当前时间周期的人脸识别模型进行识别时，也能得到精确度较高的识别结果。
Description
技术领域
本发明涉及信息技术领域，特别涉及一种人脸图片的识别方法及装置。
背景技术
随着信息技术的发展，用户的信息逐渐趋于数字化、隐形化，传统的身份验证方式，比如密钥、登录密码、口令等，已很难保证用户的信息安全，与此同时，人脸识别技术以其独特的优势，受到了越来越多用户的青睐，已广泛应用于智能门禁、自助办证、海关身份验证等方面。目前人脸识别技术主要通过对用户的人脸图片进行识别，实现对用户身份的验证。由于人脸图片的识别精度，直接影响到身份验证的准确率，因此，如何对人脸图片进行识别已成为信息技术领域研究的热点。
现有技术在对人脸图片进行识别时，主要通过训练人脸识别模型，并基于训练的人脸识别模型对人脸图片进行识别。具体识别过程为：采集多个训练用户的人脸图片，得到多张训练人脸图片，每张训练人脸图片具有一个标注结果，该标注结果为训练用户的身份标识；根据多张训练人脸图片，对深度学习神经网络模型进行训练，得到训练的人脸识别模型；根据该训练的人脸识别模型，对待识别人脸图片进行识别，且在后续的识别过程中将一直应用该训练的人脸识别模型。
然而，现有技术中的人脸识别模型一旦训练完成后，在后续使用过程中将一直应用，但随着时间推移，用户的样貌可能会发生变化，因而识别结果并不准确。
发明内容
为了解决现有技术的问题，本发明实施例提供了一种人脸图片的识别方法及装置。所述技术方案如下：
一方面，提供了一种人脸图片的识别方法，所述方法包括：
在进行人脸图片识别的过程中，获取至少两种增量人脸图片，每种增量人脸图片对应一个标注结果，所述增量人脸图片为已标注且未用于建模的人脸图片；
获取至少两种历史训练人脸图片，每种历史训练人脸图片对应一个标注结果，所述历史训练图片为已标注且已用于建模的人脸图片；
根据每种增量人脸图片及对应的标注结果和每种历史训练人脸图片及对应的标注结果，对上一时间周期的人脸识别模型进行优化，得到当前时间周期的人脸识别模型；
根据所述当前时间周期的人脸识别模型，对待识别的人脸图片进行识别。
另一方面，提供了一种人脸图片的识别装置，所述装置包括：
第一获取模块，用于在进行人脸图片识别的过程中，获取至少两种增量人脸图片，每种增量人脸图片对应一个标注结果，所述增量人脸图片为已标注且未用于建模的人脸图片；
第二获取模块，用于获取至少两种历史训练人脸图片，每种历史训练人脸图片对应一个标注结果，所述历史训练图片为已标注且已用于建模的人脸图片；
模型优化模块，用于根据每种增量人脸图片及对应的标注结果和每种历史训练人脸图片及对应的标注结果，对上一时间周期的人脸识别模型进行优化，得到当前时间周期的人脸识别模型；
图片识别模块，用于根据所述当前时间周期的人脸识别模型，对待识别的人脸图片进行识别。
本发明实施例提供的技术方案带来的有益效果是：
在对人脸图片的识别过程中，采用获取到的增量人脸图片及其标注结果和历史训练人脸图片及其标注结果，对上一时间周期的人脸识别模型进行优化，提升了当前时间周期的人脸识别模型的识别能力，且由于该增量人脸图片比较接近用户当前的外貌形态，因而即便用户的外貌变化，采用当前时间周期的人脸识别模型进行识别时，也能得到精确度较高的识别结果。
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(A)是本发明一个实施例提供的一种人脸图片识别方法所涉及的实施环境的示意图；
图1(B)是本发明一个实施例提供的一种人脸图片识别方法所涉及的实施环境的示意图；
图2是本发明另一个实施例提供的一种人脸图片的识别方法的流程图；
图3是本发明的另一个实施例提供的一种模型优化训练过程的示意图；
图4是本发明的另一个实施例提供的一种人脸图片识别过程的示意图；
图5是本发明另一个实施例提供的一种人脸图片的识别装置的结构示意图；
图6示出了本发明另一个实施例所涉及的人脸图片的识别终端的结构示意图；
图7是根据一示例性实施例示出的一种用于人脸图片识别的服务器。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。
随着信息技术的发展，传统的身份验证方式已无法有效地保护用户的信息安全，基于生物特征进行验证的生物验证方式逐渐受到越来越多用户的青睐。人脸识别作为生物验证中常见的一种验证方式，被广泛应用于社会生活的各个领域。例如，在国家安全、军事安全和公共安全领域，人脸识别可应用于智能门禁、智能视频监控、公安布控、海关身份验证、司机驾照验证等方面；在民事和经济领域，人脸识别可应用于对各类银行卡、金融卡、信用卡、储蓄卡的持卡人的身份验证以及对社会保险人的身份验证等方面；在家庭娱乐等领域，人脸识别也具有一些有益的应用，比如能够识别主人身份的智能玩具、家政机器人、具有真实面像的虚拟游戏玩家等。
目前，人脸识别技术通过采集用户的人脸图片，对用户的人脸图片进行识别，实现对用户的身份验证。而在整个验证过程中，对人脸图片的识别精度，直接影响到验证结果，因此，如何提高对人脸图片的识别精度，成为信息技术领域亟需解决的问题。
现有技术在对人脸图片进行识别时，主要通过现有的或预先采集的人脸图片数据库，训练人脸识别模型，进而根据训练的人脸识别模型，对人脸图片进行识别。然而，由于现有的或预先采集的人脸图片数据库具有以下两方面的问题，使得现有技术识别出的人脸图片的准确性较低：
一方面、现有技术采集的数据来源比较分散、源头不统一，且用于训练模型的人脸图片的质量、分辨率、角度、光照等千差万别，这些人脸图片虽然可保证模型的泛化能力，但未针对特定的应用场景，因而识别效果并不理想。即使在应用场景下人工采集一些人脸图片进行模型训练，但由于人工采集时用户的配合度较高，而在实际应用时用户完全处于自由状态，使得采集的人脸姿态和实际人脸姿态依然会存在差异，导致识别效果不佳。
另一方面、现有技术中人脸识别模型一旦训练完成后，在后续使用过程中将一直应用，即现有技术所训练的人脸识别模型为静态的，而随着时间的推移，用户的外貌可能会发生变化，采用现有技术的人脸识别模型进行识别时，不仅识别结果准确率低，甚至无法进行识别。
为了解决现有技术中的问题，提高对人脸图片识别的准确性，本发明实施例提供了一种人脸图片的识别方法。图1(A)和图1(B)为本发明实施例提供的人脸图片的识别方法所涉及的实施环境的示意图。
参见图1(A)，该实施环境包括：应用设备10、采集识别设备20、存储服务器30、标注服务器40及训练服务器50。
其中，应用设备10为与实际应用相关的硬件设备，例如，在智能门禁的应用场景下，该应用设备为智能门禁的开关；在海关身份验证方面，该应用设备为安检闸门等等。
采集识别设备20为具有图片采集和图片识别功能的设备，该采集识别设备20包括前端摄像头21和后台计算设备22。前端摄像头21负责实时采集用户的人脸图片，并将采集的人脸图片发送至后台计算设备22。后台计算设备22中所安装的系统可以为嵌入式系统，该后台计算设备22具有计算能力，可对前端摄像头21发送的人脸图片进行检测、定位、归一化等预处理，还可提取人脸图片的人脸特征，并通过人脸特征比对，生成识别结果。后台计算设备22还具有数据发送能力，可将识别结果发送至应用设备10，以控制应用设备10工作，还可将前端摄像头21采集的人脸图片及其识别结果发送至存储服务器30。在本发明的另一个实施例中，采集识别设备20还可以包括一个显示屏幕，该显示屏幕可显示前端摄像头拍摄的实时画面，也可以显示正在进行识别的人脸图片，也可以显示对正在识别的人脸图片的识别结果，当然，该显示屏幕也可以显示这些内容的组合。
存储服务器30具有数据存储能力，可存储后台计算设备22发送的人脸图片和人脸图片的识别结果。存储服务器30还具有数据发送能力，可将人脸图片和人脸图片的识别结果发送至标注服务器40。
标注服务器40具有验证功能，可对存储服务器30发送的人脸图片的识别结果进行验证，得到标注结果；标注服务器40还具有数据发送能力，可将标注结果发送至存储服务器30，由存储服务器30进行存储和更新。在本发明实施例中，标注服务器40对人脸图片的识别结果进行验证，得到标注结果时，可采用如下几种方式：在本发明的一个实施例中，标注服务器40通过检测用户的验证操作，生成人脸图片的标注结果。在本发明的另一个实施例中，标注服务器40预设验证规则，并基于验证规则对人脸图片的识别结果进行验证，得到标注结果。在本发明的另一个实施例中，标注服务器可采用人工验证方法与预设验证规则相结合，对人脸识别图片进行验证。例如，可将一部分人脸图片的识别结果采用预设验证规则进行验证，另一部分人脸图片的识别结果采用人工验证方法进行验证，当然，还可以采用其他方式对人脸图片的识别结果进行验证，此处不再一一说明。
训练服务器50具有监测功能，能够实时监测存储服务器40上增量人脸图片，当监测到增量人脸图片时，将增量人脸图片及其识别结果下载后存储在人脸图片训练数据库中。训练服务器50还具有计算能力，可根据人脸图片训练数据库，对人脸识别模型进行优化。训练服务器50还具有数据发送能力，可将优化的人脸识别模型发送到存储服务器30，由存储服务器30发送至采集识别设备20，进而由采集识别设备20对人脸识别模型进行升级。
需要说明的是，上述以人脸检测、识别过程由采集识别设备20执行为例，实际上，在人脸检测、识别过程还可由数据存储服务器进行执行，无论采用哪种方式执行，均需要将人脸图片的识别结果反馈到训练服务器50。
参见图1(B)，该实施环境包括：应用设备10、采集识别设备20及服务器60，该服务器60为由图(A)中的存储服务器30、标注服务器40及训练服务器50组成的服务器集群，具有存储服务器30、标注服务器40及训练服务器50的全部功能。
基于图1(A)所示的实施环境，本发明实施例提供了一种人脸图片的识别方法，以服务器和终端执行本发明实施例提供的方法为例，其中，终端为图1(A)中的采集识别设备20。参见图2，本发明实施例提供的方法流程包括：
201、在进行人脸图片识别的过程中，服务器获取至少两种增量人脸图片。
其中，增量人脸图片为已标注且未用于建模的人脸图片。该增量人脸图片由终端内的前置摄像头进行采集、后台计算设备进行识别，并由标注服务器进行标注，且该增量人脸图片为近期识别出的、与用户的外貌形态相关的人脸图片。每种增量人脸图片对应一个标注结果，不同种增量人脸图片对应不同的标注结果，其中，标注结果用于表示用户的身份，一般为用户的名称，可用user_name表示，也即是，每种增量人脸图片对应一个用户。
为了提升人脸识别模型的识别能力，同时避免训练服务器处理压力过大，本发明实施例提供的方法还将预设一个时间周期，每当达到一个时间周期时，训练服务器通过获取至少两种增量人脸图片和至少两种历史训练人脸图片，对人脸识别模型进行优化。其中，预设的时间周期可根据训练服务器的处理能力及用户的外貌变化周期确定，预设的时间周期可以为1天、7天等等。
在进行人脸图片识别的过程中，当达到预设的时间周期，训练服务器可采用如下步骤2011～2015获取将至少两种增量人脸图片。
2011、在进行人脸图片的识别过程中，训练服务器获取至少两张注册人脸图片。
其中，注册人脸图片为经标注服务器标注且未经过处理的人脸图片，每张标注人脸图片对应一个标注结果。
在进行人脸图片的识别过程中，标注服务器对人脸图片的标注结果进行验证后，可为每张人脸图片设置一个序列号，并基于该序列号，生成已识别人脸图片列表，进而将所生成的已识别人脸图片列表发送至存储服务器，由存储服务器进行存储。其中，已识别人脸图片列表中记录了序列号与增量人脸图片的存储路径之间的对应关系。
基于存储服务器上所存储的已识别人脸图片列表，训练服务器在获取至少两张标注人脸图片时，包括但不限于如下两种方式：
在本发明的一个实施例中，训练服务器的数据获取机制为每次获取到标注人脸图片之后，将获取到的标注人脸图片从已识别人脸图片列表中删除。基于该种数据获取机制，训练服务器可检测存储服务器上的已识别人脸图片列表是否为空，如果不为空，则根据已识别人脸图片列表，从存储路径所指示的存储地址中，获取标注人脸图片。
在本发明的另一个实施例中，训练服务器的数据获取机制为每次获取到标注人脸图片之后，保留获取到的标注人脸图片。基于该种数据获取机制，训练服务器可获取所存储的标注人脸图片的最大序列号，并根据该最大序列号，获取已识别人脸图片列表中序列号大于该最大序列号的序列号，并获取大于该最大序列号的序列号对应的存储路径，进而根据该存储路径，从存储路径所指示的存储地址中，获取标注人脸图片。
2012、训练服务器对每张标注人脸图片进行预处理，得到至少两张增量人脸图片。
训练服务器在对每张标注人脸图片进行预处理时，可采用如下步骤20121～20123：
20121、对于任一张标注人脸图片，服务器确定该标注人脸图片的人脸区域。
由于本发明实施例提供的方法主要是对人脸图片进行识别，而摄像头所拍摄的人脸图片中不仅包括用户的人脸，还包括用户的其他部位以及周围环境，因此，为了提高对人脸图片的识别速度，本实施例提供的方法还将确定标注人脸图片的人脸区域。
以任一张标注人脸图片为例，训练服务器在确定标注人脸图片的人脸区域，包括但不限于如下步骤：
第一步，训练服务器提取标注人脸图片的哈尔特征。
其中，哈尔特征为一种图像特征。由于同种物体具有相同的哈尔特征，不同种物体具有不同的哈尔特征，例如，人脸图像具有相同的哈尔特征，人脸图像和非人脸图像具有不同的哈尔特征，因此，可利用哈尔特征进行物体识别。
为了提高确定的标注人脸图片的人脸区域的准确性，本发明实施例提供的方法在提取标注人脸图片的哈尔特征时，可采用不同大小、不同位置的窗口为搜索窗口对标注人脸图片进行搜索，并提取每个搜索窗口内的哈尔特征。
第二步，若提取的标注人脸图片的哈尔特征为人脸对应的哈尔特征，则训练服务器将标注人脸图片的哈尔特征所在的位置区域确定为人脸区域。当通过上述方法完成对标注人脸图片的搜索后，服务器将全部的人脸区域进行合并，得到标注人脸图片的人脸区域。
20122、训练服务器对人脸区域中的人脸关键点进行定位。
其中，人脸关键点是指人脸区域中表征五官特征的关键点，包括用于定位为眉毛的关键点、用于定位眼睛的关键点、用于定位鼻子的关键点、用于定位嘴的关键点及用于定位人脸轮廓的关键点。人脸关键点的数量可以是80个、100个等，在实际定位过程中，所选取的人脸关键点的数量一般为88个。
20123、训练服务器对定位后的标注人脸图片进行归一化处理，得到增量人脸图片。
为使在不同光照强度、方向、距离、姿势等成像条件下所拍摄的人脸图片具有一致性，以减少对多个人脸图片进行识别时的计算量，服务器通过对定位后的标注人脸图片进行平移、旋转、缩放、标准切割等尺度归一化处理，可得到多个具有相同尺寸的标注人脸图片，即增量人脸图片。
2013、训练服务器获取增量人脸图片列表。
其中，增量人脸图片列表用于存储有标注结果与增量人脸图片集合之间的对应关系，该人脸图片集合包括多张增量人脸图片，该多张增量人脸图片由训练服务器在当前时间周期内采集得到。
2014、训练服务器将多张增量人脸图片合并到增量人脸图片列表中，得到更新的增量人脸图片列表。
由于增量人脸图片的标注结果是否位于增量人脸图片列表中，训练服务器所采用的合并方式是不同的，针对增量人脸图片的标注结果是否位于增量人脸图片列表中，训练服务器将多张增量人脸图片合并到增量人脸图片列表中，得到更新的增量人脸图片列表时，包括但限于如下两种方式：
在本发明的一个实施例中，当增量人脸图片的标注结果位于增量人脸图片列表中时，训练服务器可将该增量人脸图片直接添加到该标注结果对应的增量人脸图片集合中。
在本发明的另一个实施例中，当增量人脸图片的标注结果未位于增量人脸图片列表中时，训练服务器可为该标注结果设置一个增量人脸图片集合，并将该增量人脸图片添加到所设置的增量人脸图片集合中。
为了便于对识别出的人脸图片进行管理，训练服务器可为增量人脸图片的标注结果设置对应的标识，并在id_map文件中存储增量人脸图片的标注结果与设置的标识之间的对应关系，在增量人脸图片列表中存储标识与增量人脸图片集合之间的对应关系。因此，训练服务器在将多张增量人脸图片合并到增量人脸图片列表中时，可查找id_map文件中是否存储有增量人脸图片的标注结果相匹配的对应关系，如果id_map文件中存储与增量人脸图片的标注结果相匹配的对应关系，则根据该标注结果查找对应的标识，并将增量人脸图片添加到该标识对应的增量人脸图片集合中，如果id_map文件中未存储与增量人脸图片的标注结果相匹配的对应关系，则为该标注结果设置标识，并在id_map文件中存储该标注结果与设置的标识之间的对应关系，在增量人脸图片列表中存储该标识与增量人脸图片之间的对应关系。
2015、训练服务器将更新的增量人脸图片列表中每种标注结果对应的增量人脸图片集合，作为一种增量人脸图片。
当对人脸图片列表进行更新后，训练服务器可根据更新后的人脸图片列表，将更新后的人脸图片列表中每种标注结果对应的增量人脸图片集合，作为一种增量人脸图片。
202、服务器获取至少两种历史训练人脸图片。
其中，历史训练图片为已标注且已用于建模的人脸图片。
在本发明实施中，训练服务器维护一个存量人脸图片列表，该存量人脸图片列表中存储有每种历史训练人脸图片和标注结果之间的对应关系，且每种历史训练图片包括多张具有相同标注结果的历史训练人脸图片。该存量人脸图片列表中的历史训练人脸图片包括现有的人脸数据库中的人脸图片、预先采集的人脸数据库中的人脸图片以及由前端摄像头采集、由后端计算设备识别出的人脸图片。
基于该存量人脸图片列表，服务器可根据标注结果，从该存量人脸图片列表中，获取多种历史训练人脸图片。
203、服务器根据每种增量人脸图片及对应的标注结果和每种历史训练人脸图片及对应的标注结果，对上一时间周期的人脸识别模型进行优化，得到当前时间周期的人脸识别模型。
为了确保人脸识别模型的识别能力，本发明实施例提供的方法将不断地对人脸识别模型进行优化，在该过程中，为了便于对优化的人脸识别模型进行管理，训练服务器还将根据优化次数，为优化的人脸识别模型设置不同的版本号，例如，将初始的人脸识别模型设置的版本号为0，将对初始的人脸识别模型进行优化得到的人脸识别模型的版本号设置为1，以后，依次类推。
在本发明实施例中，训练服务器根据每种增量人脸图片及对应的标注结果和每种历史训练人脸图片及对应的标注结果，对上一时间周期的人脸识别模型进行优化，得到当前时间周期的人脸识别模型时，可采用如下步骤2031～2033：
2031、训练服务器获取上一时间周期的人脸识别模型的模型参数。
由于采用不同的方法训练人脸识别模型时，得到的人脸识别模型是不同的，相应地，从人脸识别模型中获取到的模型参数也是不同。例如，当人脸识别模型为CNN(Convolutional Neural Network，卷积神经网络)模型时，训练服务器从CNN模型中获取到的模型参数包括各级卷积层的初始卷积核、各级卷积层的初始偏置矩阵、各级全连接层的初始权重矩阵和各级全连接层的初始偏置向量。
当然，在对当前时间周期的人脸识别模型进行训练的过程中，训练服务器除了获取人脸识别模型的模型参数外，还可以获取当前时间周期的人脸识别模型的版本号、存储路径等等。
2032、训练服务器根据每种增量人脸图片及对应的标注结果和每种历史训练人脸图片及对应的标注结果，对上一时间周期的人脸识别模型的模型参数进行优化，得到优化的模型参数。
训练服务器通过提取每张增量人脸图片和历史训练人脸图片的人脸特征，并根据每种增量人脸图片及每种历史训练人脸图片对应的标注结果，对上一时间周期的人脸识别模型的模型参数进行优化，可得到优化的模型参数。
在本发明的另一个实施例中，训练服务器在对模型参数进行优化之前，还可将更新后的增量人脸图片列表和存量人脸图片列表进行合并，得到人脸图片训练数据库，并基于该人脸图片数据库，对上一时间周期的人脸识别模型的模型参数进行优化，得到优化的模型参数。训练服务器在将更新后的增量人脸图片列表和存量人脸图片列表进行合并时，可将更新后的增量人脸图片列表中数据顺序打乱后，添加到存量人脸图片列表中，以加快对模型参数进行优化时的收敛速度。
2033、训练服务器将优化的模型参数对应的人脸识别模型，作为当前时间周期的人脸识别模型。
为了便于后续优化，训练服务器还将根据上一时间周期的人脸识别模型的版本号，为当前时间周期的人脸识别模型设置版本号。
对于上述对上一时间周期的人脸识别模型进行优化的过程，下面将以图3为例进行说明。
参见图3，在进行人脸图片的识别过程中，训练服务器读取当前的人脸识别模型的模型参数，并获取标注人脸图片，该增量人脸图片由标注服务器对已识别的人脸图片标注后发送至存储服务器进行存储。接着，训练服务器对标注人脸图片进行定位、归一化等预处理，得到增量人脸图片，并根据增量人脸图片的user_name，更新id_map文件，进而得到更新后的增量人脸图片列表。训练服务器获取存量人脸图片列表，并将更新后的增量人脸图片列表和存量人脸图片列表进行合并，得到人脸图片训练数据库，该人脸图片训练数据库中的数据采用lmdb方式进行存储，进而基于该人脸图片训练数据库，对上一时间周期的人脸识别模型的模型参数进行优化，得到优化的模型参数，进而将优化的模型参数对应的人脸识别模型，作为当前时间周期的人脸识别模型。
204、服务器将当前时间周期的人脸识别模型发送至终端。
当得到当前时间周期的人脸识别模型之后，训练服务器还将当前时间周期的人脸识别模型发送至存储服务器，由存储服务器将该上一时间周期的人脸识别模型发送至终端。
当然，终端还可以每隔预设时长将当前所应用的人脸识别模型的版本号与存储服务器上存储的人脸识别模型的版本号进行比较，如果当前所应用的人脸识别模型的版本号低于存储服务器上存储的人脸识别模型的版本号，则从存储服务器上获取人脸识别模型。其中，预设时长可以为5天、7天等，本发明实施例不对预设时长作具体的限定。
205、终端根据当前时间周期的人脸识别模型，对待识别的人脸图片进行识别。
当接收到终端发送的当前时间周期的人脸识别模型，终端获取当前时间周期的人脸根据当前时间周期的人脸识别模型对上一时间周期的人脸识别模型进行升级，进而在当前时间周期内，基于当前时间周期的人脸识别模型，对待识别的人脸图片进行识别。
终端根据训练的人脸识别模型，对待识别的人脸图片进行识别时，可采用如下步骤2051～2056：
2051、终端获取预先存储的人脸图片注册数据库。
在本发明实施例中，终端维护一个注册人脸图片数据库，该注册人脸图片数据库通过对已验证用户的人脸图片进行采集得到，该注册人脸图片数据库中存储有至少两张注册人脸图片，每张注册人脸图片对应一个标注结果，该标注结果实际上为已验证用户的身份标识。
2052、终端根据每种增量人脸图片及对应的标注结果，对人脸图片注册数据库进行更新。
在本发明的另一个实施中，存储服务器在获取到每种增量人脸图片及对应的标注结果之后，还将根据每种增量人脸图片和标注结果，对注册人脸图片数据库进行更新，以提高识别结果的准确性。具体更新时，可根据标注结果，将注册数据库中存储的该标注结果对应的注册人脸图片替换为该标注结果对应的增量人脸图片。
2053、终端根据当前时间周期的人脸识别模型，提取更新的人脸图片注册数据库中每张注册人脸图片的人脸特征，并提取待处理的人脸图片的人脸特征。
2054、终端计算待处理的人脸图片的人脸特征与更新的人脸图片注册数据库中每张注册人脸图片的人脸特征之间的相似度。
终端在计算待识别的人脸图片的人脸特征与更新的人脸图片注册数据库中每张注册人脸图片的人脸特征之间的相似度时，可计算待识别的人脸图片的人脸特征与更新的人脸图片注册数据库中每张注册人脸图片的人脸特征之间的相似度之间的余弦距离。例如，对于人脸图片A和人脸图片B，其中，人脸图片A的人脸特征为(a1，a2，…，a200),人脸图片B的人脸特征为(b1，b2，…，b200)，人脸图片A的人脸特征和人脸图片B的人脸特征之间的余弦距离＝Cos<A，也即是，人脸图片A的人脸特征和人脸图片B的人脸特征之间的相似度为：
2055、终端根据相似度计算结果，获取最大相似度。
当计算出待处理的人脸图片的人脸特征与更新的人脸图片注册数据库中每张注册人脸图片的人脸特征之间的相似度之后，终端对相似度计算结果进行排序，根据排序结果，获取最大相似度。
2056、如果最大相似度大于指定阈值，则终端将最大相似度对应的注册人脸图片的标注结果，作为对待识别图片的识别结果。
其中，指定阈值由终端的识别能力确定，该指定阈值可以为0.7、0.8、0.9等，本发明实施例不对指定阈值的大小作具体的限定。当最大相似度大于指定阈值，说明该待识别的人脸图片与该最大相似度对应的注册人脸图片为同一注册用户的人脸图片，此时终端可将该注册人脸图片的标注结果作为对待识别人脸图片的识别结果。进一步地，终端还将对该待识别图片的识别结果发送至应用设备，以控制应用设备工作，如控制智能门禁打开。
当采用本发明实施例提供的方法的优化频率达到一定的量级，如一天更新一次时，可实现根据昨天用户的人脸图片，对今天采集到的用户的人脸图片进行识别，避免了模型退化，能够显著提高用户的识别率。当然，如果更新频率过于频繁时，可能会影响到用户的使用，因而需要根据终端的识别能力，确定一个合适的更新频率，进而根据该更新频率对人脸识别模型进行优化。
上述对人脸识别模型的优化过程以及基于当前时间周期的人脸识别模型进行人脸图片的识别过程，下面将以图4为例进行具体说明。
参见图4，训练服务器根据现有的人脸图片数据库和预先采集的人脸图片数据库中的人脸图片，训练初始人脸识别模型。在使用过程中，终端基于该初始人脸识别模型提取注册人脸数据库中每张注册人脸图片的人脸特征，并提取待识别的人脸图片的人脸特征，进而计算待识别人脸图片的人脸特征与每张注册人脸图片的人脸特征之间的相似度，并根据相似度计算结果，获取最大相似度，如果最大相似度大于指定阈值，则将该最大相似度对应的注册人脸图片的标注结果作为对待识别图片的识别结果，并将该待识别人脸图片和识别结果发送至存储服务器，由存储服务器将待识别人脸图片和识别结果发送至注册服务器，注册服务器对该识别结果进行验证，得到标注结果，进而将标注结果发送至存储服务器，由存储服务器进行存储。训练服务器从存储服务器上获取增量人脸图片和标注结果，并基于该增量人脸图片和标注结果、现有的人脸图片数据库及预先采集的人脸图片数据库，对上一时间周期的人脸识别模型进行优化。
本发明实施例提供的方法，在对人脸图片的识别过程中，采用获取到增量人脸图片及其标注结果和历史训练人脸图片及其标注结果，对上一时间周期的人脸识别模型进行优化，提升了当前时间周期的人脸识别模型的识别能力，且由于该增量人脸图片比较接近用户当前的外貌形态，因而即便用户的外貌变化，采用当前时间周期的人脸识别模型进行识别时，也能得到精确度较高的识别结果。进一步地，由于采用实际采集到的用户人脸图片对人脸识别模型进行优化，使得优化的人脸识别模型与当前使用场景达到最大程度的贴合，进一步保证了识别结果的准确性。
参见图5，本发明实施例提供了一种人脸图片的识别装置，该装置包括：
第一获取模块501，用于在进行人脸图片识别的过程中，获取至少两种增量人脸图片，每种增量人脸图片对应一个标注结果，该增量人脸图片为已标注且未用于建模的人脸图片；
第二获取模块502，用于获取至少两种历史训练人脸图片，每种历史训练人脸图片对应一个标注结果，该历史训练图片为已标注且已用于建模的人脸图片；
模型优化模块503，用于根据每种增量人脸图片及对应的标注结果和每种历史训练人脸图片及对应的标注结果，对上一时间周期的人脸识别模型进行优化，得到当前时间周期的人脸识别模型；
图片识别模块504，用于根据当前时间周期的人脸识别模型，对待识别的人脸图片进行识别。
在本发明的另一个实施例中，第一获取模块501，用于在进行人脸图片的识别过程中，获取至少两张标注人脸图片，每张标注人脸图片对应一个标注结果；对每张标注人脸图片进行预处理，得到至少两张增量人脸图片；获取增量人脸图片列表，该增量人脸图片列表存储有标注结果与增量人脸图片集合之间的对应关系；将至少两张增量人脸图片合并到增量人脸图片列表中，得到更新的增量人脸图片列表；将更新的增量人脸图片列表中每种标注结果对应的增量人脸图片集合，作为一种增量人脸图片。
在本发明的另一个实施例中，第一获取模块501，用于对于任一张标注人脸图片，确定标注人脸图片的人脸区域；对人脸区域中的人脸关键点进行定位；对定位后的标注人脸图片进行归一化处理，得到增量人脸图片。
在本发明的另一个实施例中，第一获取模块501，用于对任一张增量人脸图片，当增量人脸图片的标注结果位于增量人脸图片列表中，将增量人脸图片添加到标注结果对应的增量人脸图片集合中；当增量人脸图片的标注结果未位于增量人脸图片列表中，为标注结果设置一个增量人脸图片集合，并将增量人脸图片添加到增量人脸图片集合中。
在本发明的另一个实施例中，模型优化模块503，用于获取上一时间周期的人脸识别模型的模型参数；根据每种增量人脸图片及对应的标注结果和每种历史训练人脸图片及对应的标注结果，对模型参数进行优化，得到优化的模型参数；将优化的模型参数对应的人脸识别模型，作为当前时间周期的人脸识别模型。
在本发明的另一个实施例中，图片识别模块504，用于获取预先存储的人脸图片注册数据库，该人脸图片注册数据库中存储有至少两张注册人脸图片，每张注册人脸图片对应一个标注结果；根据每种增量人脸图片及对应的标注结果，对人脸图片注册数据库进行更新；根据当前时间周期的人脸识别模型，提取更新的人脸图片注册数据库中每张注册人脸图片的人脸特征，并提取待处理的人脸图片的人脸特征；计算待处理的人脸图片的人脸特征与更新的人脸图片注册数据库中每张注册人脸图片的人脸特征之间的相似度；根据相似度计算结果，获取最大相似度；当最大相似度大于指定阈值时，将最大相似度对应的注册人脸图片的标注结果，作为对待识别图片的识别结果。
综上，本发明实施例提供的装置，在对人脸图片的识别过程中，采用获取到增量人脸图片及其标注结果和历史训练人脸图片及其标注结果，对上一时间周期的人脸识别模型进行优化，提升了当前时间周期的人脸识别模型的识别能力，且由于该增量人脸图片比较接近用户当前的外貌形态，因而即便用户的外貌变化，采用当前时间周期的人脸识别模型进行识别时，也能得到精确度较高的识别结果。进一步地，由于采用实际采集到的用户人脸图片对人脸识别模型进行优化，使得优化的人脸识别模型与当前使用场景达到最大程度的贴合，进一步保证了识别结果的准确性。
参见图6，其示出了本发明实施例所涉及的人脸图片的识别终端的结构示意图，该终端可以用于实施上述实施例中提供的人脸图片的识别方法。具体来讲：
终端600可以包括RF(Radio Frequency，射频)电路110、包括有一个或一个以上计算机可读存储介质的存储器120、输入单元130、显示单元140、传感器150、音频电路160、WiFi(Wireless Fidelity，无线保真)模块170、包括有一个或者一个以上处理核心的处理器180、以及电源190等部件。本领域技术人员可以理解，图6中示出的终端结构并不构成对终端的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。其中：
RF电路110可用于收发信息或通话过程中，信号的接收和发送，特别地，将基站的下行信息接收后，交由一个或者一个以上处理器180处理；另外，将涉及上行的数据发送给基站。通常，RF电路110包括但不限于天线、至少一个放大器、调谐器、一个或多个振荡器、用户身份模块(SIM)卡、收发信机、耦合器、LNA(Low Noise Amplifier，低噪声放大器)、双工器等。此外，RF电路110还可以通过无线通信与网络和其他设备通信。所述无线通信可以使用任一通信标准或协议，包括但不限于GSM(Global System of Mobile communication，全球移动通讯系统)、GPRS(General Packet Radio Service，通用分组无线服务)、CDMA(CodeDivision Multiple Access，码分多址)、WCDMA(Wideband Code Division MultipleAccess,宽带码分多址)、LTE(Long Term Evolution,长期演进)、电子邮件、SMS(ShortMessaging Service，短消息服务)等。
存储器120可用于存储软件程序以及模块，处理器180通过运行存储在存储器120的软件程序以及模块，从而执行各种功能应用以及数据处理。存储器120可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据终端600的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器120可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地，存储器120还可以包括存储器控制器，以提供处理器180和输入单元130对存储器120的访问。
输入单元130可用于接收输入的数字或字符信息，以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。具体地，输入单元130可包括触敏表面131以及其他输入设备132。触敏表面131，也称为触摸显示屏或者触控板，可收集用户在其上或附近的触摸操作(比如用户使用手指、触笔等任何适合的物体或附件在触敏表面131上或在触敏表面131附近的操作)，并根据预先设定的程式驱动相应的连接装置。可选的，触敏表面131可包括触摸检测装置和触摸控制器两个部分。其中，触摸检测装置检测用户的触摸方位，并检测触摸操作带来的信号，将信号传送给触摸控制器；触摸控制器从触摸检测装置上接收触摸信息，并将它转换成触点坐标，再送给处理器180，并能接收处理器180发来的命令并加以执行。此外，可以采用电阻式、电容式、红外线以及表面声波等多种类型实现触敏表面131。除了触敏表面131，输入单元130还可以包括其他输入设备132。具体地，其他输入设备132可以包括但不限于物理键盘、功能键(比如音量控制按键、开关按键等)、轨迹球、鼠标、操作杆等中的一种或多种。
显示单元140可用于显示由用户输入的信息或提供给用户的信息以及终端600的各种图形用户接口，这些图形用户接口可以由图形、文本、图标、视频和其任意组合来构成。显示单元140可包括显示面板141，可选的，可以采用LCD(Liquid Crystal Display，液晶显示器)、OLED(Organic Light-Emitting Diode,有机发光二极管)等形式来配置显示面板141。进一步的，触敏表面131可覆盖显示面板141，当触敏表面131检测到在其上或附近的触摸操作后，传送给处理器180以确定触摸事件的类型，随后处理器180根据触摸事件的类型在显示面板141上提供相应的视觉输出。虽然在图6中，触敏表面131与显示面板141是作为两个独立的部件来实现输入和输入功能，但是在某些实施例中，可以将触敏表面131与显示面板141集成而实现输入和输出功能。
终端600还可包括至少一种传感器150，比如光传感器、运动传感器以及其他传感器。具体地，光传感器可包括环境光传感器及接近传感器，其中，环境光传感器可根据环境光线的明暗来调节显示面板141的亮度，接近传感器可在终端600移动到耳边时，关闭显示面板141和/或背光。作为运动传感器的一种，重力加速度传感器可检测各个方向上(一般为三轴)加速度的大小，静止时可检测出重力的大小及方向，可用于识别手机姿态的应用(比如横竖屏切换、相关游戏、磁力计姿态校准)、振动识别相关功能(比如计步器、敲击)等；至于终端600还可配置的陀螺仪、气压计、湿度计、温度计、红外线传感器等其他传感器，在此不再赘述。
音频电路160、扬声器161，传声器162可提供用户与终端600之间的音频接口。音频电路160可将接收到的音频数据转换后的电信号，传输到扬声器161，由扬声器161转换为声音信号输出；另一方面，传声器162将收集的声音信号转换为电信号，由音频电路160接收后转换为音频数据，再将音频数据输出处理器180处理后，经RF电路110以发送给比如另一终端，或者将音频数据输出至存储器120以便进一步处理。音频电路160还可能包括耳塞插孔，以提供外设耳机与终端600的通信。
WiFi属于短距离无线传输技术，终端600通过WiFi模块170可以帮助用户收发电子邮件、浏览网页和访问流式媒体等，它为用户提供了无线的宽带互联网访问。虽然图6示出了WiFi模块170，但是可以理解的是，其并不属于终端600的必须构成，完全可以根据需要在不改变发明的本质的范围内而省略。
处理器180是终端600的控制中心，利用各种接口和线路连接整个手机的各个部分，通过运行或执行存储在存储器120内的软件程序和/或模块，以及调用存储在存储器120内的数据，执行终端600的各种功能和处理数据，从而对手机进行整体监控。可选的，处理器180可包括一个或多个处理核心；可选的，处理器180可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器180中。
终端600还包括给各个部件供电的电源190(比如电池)，优选的，电源可以通过电源管理系统与处理器180逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。电源190还可以包括一个或一个以上的直流或交流电源、再充电系统、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。
尽管未示出，终端600还可以包括摄像头、蓝牙模块等，在此不再赘述。具体在本实施例中，终端600的显示单元是触摸屏显示器，终端600还包括有存储器，以及一个或者一个以上的程序，其中一个或者一个以上程序存储于存储器中，且经配置以由一个或者一个以上处理器执行。所述一个或者一个以上程序包含用于执行图2所示的人脸图片的识别方法中终端所执行的功能。
本发明实施例提供的终端，在对人脸图片的识别过程中，采用获取到增量人脸图片及其标注结果和历史训练人脸图片及其标注结果，对上一时间周期的人脸识别模型进行优化，提升了当前时间周期的人脸识别模型的识别能力，且由于该增量人脸图片比较接近用户当前的外貌形态，因而即便用户的外貌变化，采用当前时间周期的人脸识别模型进行识别时，也能得到精确度较高的识别结果。进一步地，由于采用实际采集到的用户人脸图片对人脸识别模型进行优化，使得优化的人脸识别模型与当前使用场景达到最大程度的贴合，进一步保证了识别结果的准确性。
本发明实施例还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中的存储器中所包含的计算机可读存储介质；也可以是单独存在，未装配入终端中的计算机可读存储介质。该计算机可读存储介质存储有一个或者一个以上程序，该一个或者一个以上程序被一个或者一个以上的处理器用来执行图2所示的人脸图片的识别方法中终端所执行的功能。
本发明实施例提供的计算机可读存储介质，在对人脸图片的识别过程中，采用获取到增量人脸图片及其标注结果和历史训练人脸图片及其标注结果，对上一时间周期的人脸识别模型进行优化，提升了当前时间周期的人脸识别模型的识别能力，且由于该增量人脸图片比较接近用户当前的外貌形态，因而即便用户的外貌变化，采用当前时间周期的人脸识别模型进行识别时，也能得到精确度较高的识别结果。进一步地，由于采用实际采集到的用户人脸图片对人脸识别模型进行优化，使得优化的人脸识别模型与当前使用场景达到最大程度的贴合，进一步保证了识别结果的准确性。
本发明实施例中提供了一种图形用户接口，该图形用户接口用在人脸图片的识别终端上，该执行人脸图片的识别终端包括触摸屏显示器、存储器和用于执行一个或者一个以上的程序的一个或者一个以上的处理器；该图形用户接口用于执行图2所示的人脸图片的识别方法中终端所执行的功能。
本发明实施例提供的图形用户接口，在对人脸图片的识别过程中，采用获取到增量人脸图片及其标注结果和历史训练人脸图片及其标注结果，对上一时间周期的人脸识别模型进行优化，提升了当前时间周期的人脸识别模型的识别能力，且由于该增量人脸图片比较接近用户当前的外貌形态，因而即便用户的外貌变化，采用当前时间周期的人脸识别模型进行识别时，也能得到精确度较高的识别结果。进一步地，由于采用实际采集到的用户人脸图片对人脸识别模型进行优化，使得优化的人脸识别模型与当前使用场景达到最大程度的贴合，进一步保证了识别结果的准确性。
图7是根据一示例性实施例示出的一种用于人脸图片识别的服务器。参照图7，服务器700包括处理组件722，其进一步包括一个或多个处理器，以及由存储器732所代表的存储器资源，用于存储可由处理组件722的执行的指令，例如应用程序。存储器732中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件722被配置为执行指令，以执行图2所示的人脸图片的识别方法中服务器所执行的功能。
服务器700还可以包括一个电源组件726被配置为执行服务器700的电源管理，一个有线或无线网络接口750被配置为将服务器700连接到网络，和一个输入输出(I/O)接口758。服务器700可以操作基于存储在存储器732的操作系统，例如Windows ServerTM，Mac OSXTM，UnixTM,LinuxTM，FreeBSDTM或类似。
本发明实施例提供的服务器，在对人脸图片的识别过程中，采用获取到增量人脸图片及其标注结果和历史训练人脸图片及其标注结果，对上一时间周期的人脸识别模型进行优化，提升了当前时间周期的人脸识别模型的识别能力，且由于该增量人脸图片比较接近用户当前的外貌形态，因而即便用户的外貌变化，采用当前时间周期的人脸识别模型进行识别时，也能得到精确度较高的识别结果。进一步地，由于采用实际采集到的用户人脸图片对人脸识别模型进行优化，使得优化的人脸识别模型与当前使用场景达到最大程度的贴合，进一步保证了识别结果的准确性。
需要说明的是：上述实施例提供的人脸图片的识别装置在识别人脸图片时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将人脸图片的识别装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的人脸图片的识别装置与人脸图片的识别方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (12)
1.一种人脸图片的识别方法，其特征在于，所述方法包括：
在进行人脸图片识别的过程中，获取至少两种增量人脸图片，每种增量人脸图片对应一个标注结果，所述增量人脸图片为已标注且未用于建模的人脸图片；
获取至少两种历史训练人脸图片，每种历史训练人脸图片对应一个标注结果，所述历史训练图片为已标注且已用于建模的人脸图片；
根据每种增量人脸图片及对应的标注结果和每种历史训练人脸图片及对应的标注结果，对上一时间周期的人脸识别模型进行优化，得到当前时间周期的人脸识别模型；
根据所述当前时间周期的人脸识别模型，对待识别的人脸图片进行识别。
2.根据权利要求1所述的方法，其特征在于，所述在进行人脸图片识别的过程中，获取至少两种增量人脸图片，包括：
在进行人脸图片的识别过程中，获取至少两张标注人脸图片，每张标注人脸图片对应一个标注结果；
对每张标注人脸图片进行预处理，得到至少两张增量人脸图片；
获取增量人脸图片列表，所述增量人脸图片列表存储有标注结果与增量人脸图片集合之间的对应关系；
将所述至少两张增量人脸图片合并到所述增量人脸图片列表中，得到更新的增量人脸图片列表；
将所述更新的增量人脸图片列表中每种标注结果对应的增量人脸图片集合，作为一种增量人脸图片。
3.根据权利要求2所述的方法，其特征在于，所述对每张标注人脸图片进行预处理，得到多张增量人脸图片，包括：
对于任一张标注人脸图片，确定所述标注人脸图片的人脸区域；
对所述人脸区域中的人脸关键点进行定位；
对定位后的标注人脸图片进行归一化处理，得到增量人脸图片。
4.根据权利要求2所述的方法，其特征在于，所述将所述至少两张增量人脸图片合并到所述增量人脸图片列表中，得到更新的增量人脸图片列表，包括：
对任一张增量人脸图片，如果所述增量人脸图片的标注结果位于所述增量人脸图片列表中，将所述增量人脸图片添加到所述标注结果对应的增量人脸图片集合中；
如果所述增量人脸图片的标注结果未位于增量人脸图片列表中，为所述标注结果设置一个增量人脸图片集合，并将所述增量人脸图片添加到所述增量人脸图片集合中。
5.根据权利要求1至4中的任一项所述的方法，其特征在于，所述根据每种增量人脸图片及对应的标注结果和每种历史训练人脸图片及对应的标注结果，对上一时间周期的人脸识别模型进行优化，得到当前时间周期的人脸识别模型，包括：
获取所述上一时间周期的人脸识别模型的模型参数；
根据每种增量人脸图片及对应的标注结果和每种历史训练人脸图片及对应的标注结果，对所述模型参数进行优化，得到优化的模型参数；
将所述优化的模型参数对应的人脸识别模型，作为所述当前时间周期的人脸识别模型。
6.根据权利要求1至4中任一项所述的方法，其特征在于，所述根据所述当前时间周期的人脸识别模型，对待识别的人脸图片进行识别，包括：
获取预先存储的人脸图片注册数据库，所述人脸图片注册数据库中存储有至少两张注册人脸图片，每张注册人脸图片对应一个标注结果；
根据所述每种增量人脸图片及对应的标注结果，对所述人脸图片注册数据库进行更新；
根据所述当前时间周期的人脸识别模型，提取更新的人脸图片注册数据库中每张注册人脸图片的人脸特征，并提取所述待处理的人脸图片的人脸特征；
计算所述待处理的人脸图片的人脸特征与更新的人脸图片注册数据库中每张注册人脸图片的人脸特征之间的相似度；
根据相似度计算结果，获取最大相似度；
如果所述最大相似度大于指定阈值，则将所述最大相似度对应的注册人脸图片的标注结果，作为对所述待识别图片的识别结果。
7.一种人脸图片的识别装置，其特征在于，所述装置包括：
第一获取模块，用于在进行人脸图片识别的过程中，获取至少两种增量人脸图片，每种增量人脸图片对应一个标注结果，所述增量人脸图片为已标注且未用于建模的人脸图片；
第二获取模块，用于获取至少两种历史训练人脸图片，每种历史训练人脸图片对应一个标注结果，所述历史训练图片为已标注且已用于建模的人脸图片；
模型优化模块，用于根据每种增量人脸图片及对应的标注结果和每种历史训练人脸图片及对应的标注结果，对上一时间周期的人脸识别模型进行优化，得到当前时间周期的人脸识别模型；
图片识别模块，用于根据所述当前时间周期的人脸识别模型，对待识别的人脸图片进行识别。
8.根据权利要求7所述的装置，其特征在于，所述第一获取模块，用于在进行人脸图片的识别过程中，获取至少两张标注人脸图片，每张标注人脸图片对应一个标注结果；对每张标注人脸图片进行预处理，得到至少两张增量人脸图片；获取增量人脸图片列表，所述增量人脸图片列表存储有标注结果与增量人脸图片集合之间的对应关系；将所述多张增量人脸图片合并到所述增量人脸图片列表中，得到更新的增量人脸图片列表；将所述更新的增量人脸图片列表中每种标注结果对应的增量人脸图片集合，作为一种增量人脸图片。
9.根据权利要求8所述的装置，其特征在于，所述第一获取模块，用于对于任一张标注人脸图片，确定所述标注人脸图片的人脸区域；对所述人脸区域中的人脸关键点进行定位；对定位后的标注人脸图片进行归一化处理，得到增量人脸图片。
10.根据权利要求8所述的装置，其特征在于，所述第一获取模块，用于对任一张增量人脸图片，当所述增量人脸图片的标注结果位于所述增量人脸图片列表中，将所述增量人脸图片添加到所述标注结果对应的增量人脸图片集合中；当所述增量人脸图片的标注结果未位于增量人脸图片列表中，为所述标注结果设置一个增量人脸图片集合，并将所述增量人脸图片添加到所述增量人脸图片集合中。
11.根据权利要求7至10中的任一项所述的装置，其特征在于，所述模型优化模块，用于获取所述上一时间周期的人脸识别模型的模型参数；根据每种增量人脸图片及对应的标注结果和每种历史训练人脸图片及对应的标注结果，对所述模型参数进行优化，得到优化的模型参数；将所述优化的模型参数对应的人脸识别模型，作为所述当前时间周期的人脸识别模型。
12.根据权利要求7至10中任一项所述的装置，其特征在于，所述图片识别模块，用于获取预先存储的人脸图片注册数据库，所述人脸图片注册数据库中存储有至少两张注册人脸图片，每张注册人脸图片对应一个标注结果；根据所述每种增量人脸图片及对应的标注结果，对所述人脸图片注册数据库进行更新；根据所述当前时间周期的人脸识别模型，提取更新的人脸图片注册数据库中每张注册人脸图片的人脸特征，并提取所述待处理的人脸图片的人脸特征；计算所述待处理的人脸图片的人脸特征与更新的人脸图片注册数据库中每张注册人脸图片的人脸特征之间的相似度；根据相似度计算结果，获取最大相似度；当所述最大相似度大于指定阈值时，将所述最大相似度对应的注册人脸图片的标注结果，作为对所述待识别图片的识别结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710138035.5A CN106934364A (zh) | 2017-03-09 | 2017-03-09 | 人脸图片的识别方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710138035.5A CN106934364A (zh) | 2017-03-09 | 2017-03-09 | 人脸图片的识别方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN106934364A true CN106934364A (zh) | 2017-07-07 |
Family
ID=59433296
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710138035.5A Pending CN106934364A (zh) | 2017-03-09 | 2017-03-09 | 人脸图片的识别方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106934364A (zh) |
Cited By (28)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107292300A (zh) * | 2017-08-17 | 2017-10-24 | 湖南创合未来科技股份有限公司 | 一种人脸识别设备及方法 |
| CN107679460A (zh) * | 2017-09-11 | 2018-02-09 | 广东欧珀移动通信有限公司 | 人脸的自学习方法及相关产品 |
| CN107808149A (zh) * | 2017-11-17 | 2018-03-16 | 腾讯数码（天津）有限公司 | 一种人脸信息标注方法、装置和存储介质 |
| CN107862266A (zh) * | 2017-10-30 | 2018-03-30 | 广东欧珀移动通信有限公司 | 图像处理方法及相关产品 |
| CN108021882A (zh) * | 2017-12-01 | 2018-05-11 | 宁波高新区锦众信息科技有限公司 | 一种基于时段的机器人的人脸识别系统 |
| CN108053031A (zh) * | 2018-01-02 | 2018-05-18 | 安徽大学 | 一种深度学习系统及深度学习识别方法 |
| CN108932299A (zh) * | 2018-06-07 | 2018-12-04 | 北京迈格威科技有限公司 | 用于对线上系统的模型进行更新的方法以及装置 |
| CN109034106A (zh) * | 2018-08-15 | 2018-12-18 | 北京小米移动软件有限公司 | 人脸数据清洗方法及装置 |
| CN109102030A (zh) * | 2018-08-23 | 2018-12-28 | 阿里巴巴集团控股有限公司 | 控制在线模型更新的方法及装置 |
| CN109224444A (zh) * | 2018-08-17 | 2019-01-18 | 深圳市商汤科技有限公司 | 游戏人物识别方法、装置、存储介质和电子设备 |
| CN109389018A (zh) * | 2017-08-14 | 2019-02-26 | 杭州海康威视数字技术股份有限公司 | 一种人脸角度识别方法、装置及设备 |
| CN109657694A (zh) * | 2018-10-26 | 2019-04-19 | 平安科技（深圳）有限公司 | 图片自动分类方法、装置及计算机可读存储介质 |
| CN109711546A (zh) * | 2018-12-21 | 2019-05-03 | 深圳市商汤科技有限公司 | 神经网络训练方法及装置、电子设备和存储介质 |
| CN109951437A (zh) * | 2019-01-14 | 2019-06-28 | 平安科技（深圳）有限公司 | 基于人脸识别的安全认证方法、装置以及服务器 |
| CN110033309A (zh) * | 2019-03-08 | 2019-07-19 | 平安科技（深圳）有限公司 | 基于历史数据预测结果的方法、装置及终端设备 |
| CN110297844A (zh) * | 2019-04-24 | 2019-10-01 | 上海乂学教育科技有限公司 | 基于贝叶斯模型的人工智能教学系统及数据处理方法 |
| CN110390290A (zh) * | 2019-07-17 | 2019-10-29 | 北京天正聚合科技有限公司 | 一种识别目标对象的方法、装置、电子设备及存储介质 |
| CN110414376A (zh) * | 2019-07-08 | 2019-11-05 | 浙江大华技术股份有限公司 | 更新人脸识别模型的方法、人脸识别相机及服务器 |
| CN110458134A (zh) * | 2019-08-17 | 2019-11-15 | 裴露露 | 一种人脸识别方法及装置 |
| CN111291618A (zh) * | 2020-01-13 | 2020-06-16 | 腾讯科技（深圳）有限公司 | 标注方法、装置、服务器和存储介质 |
| CN111886595A (zh) * | 2018-03-16 | 2020-11-03 | 三星电子株式会社 | 屏幕控制方法和支持屏幕控制方法的电子设备 |
| CN112017015A (zh) * | 2020-10-30 | 2020-12-01 | 腾讯科技（深圳）有限公司 | 一种商品信息推荐的方法、相关装置、设备及存储介质 |
| CN112183161A (zh) * | 2019-07-04 | 2021-01-05 | 杭州海康威视系统技术有限公司 | 人脸数据库的处理方法、装置及设备 |
| CN112287911A (zh) * | 2020-12-25 | 2021-01-29 | 长沙海信智能系统研究院有限公司 | 数据标注方法、装置、设备及存储介质 |
| CN112686129A (zh) * | 2020-12-28 | 2021-04-20 | 湖北亿咖通科技有限公司 | 一种人脸识别系统及方法 |
| CN113420855A (zh) * | 2021-06-23 | 2021-09-21 | 深圳市中壬银兴信息技术有限公司 | 一种基于区块链技术便于扫描的高安全性获取资源转移方法 |
| CN113807434A (zh) * | 2021-09-16 | 2021-12-17 | 中国联合网络通信集团有限公司 | 布匹的瑕疵识别方法及模型训练方法 |
| CN115424383A (zh) * | 2022-10-10 | 2022-12-02 | 广州睿泰智能设备科技股份有限公司 | 一种智能门禁管理系统及方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101162501A (zh) * | 2006-10-13 | 2008-04-16 | 上海银晨智能识别科技有限公司 | 一种人脸识别系统中的增量训练方法 |
| CN103678984A (zh) * | 2013-12-20 | 2014-03-26 | 湖北微模式科技发展有限公司 | 一种利用摄像头实现用户身份验证的方法 |
| CN103793697A (zh) * | 2014-02-17 | 2014-05-14 | 北京旷视科技有限公司 | 一种人脸图像的身份标注方法及人脸身份识别方法 |
| CN105938552A (zh) * | 2016-06-29 | 2016-09-14 | 北京旷视科技有限公司 | 底图自动更新的人脸识别方法及装置 |
-
2017
- 2017-03-09 CN CN201710138035.5A patent/CN106934364A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101162501A (zh) * | 2006-10-13 | 2008-04-16 | 上海银晨智能识别科技有限公司 | 一种人脸识别系统中的增量训练方法 |
| CN103678984A (zh) * | 2013-12-20 | 2014-03-26 | 湖北微模式科技发展有限公司 | 一种利用摄像头实现用户身份验证的方法 |
| CN103793697A (zh) * | 2014-02-17 | 2014-05-14 | 北京旷视科技有限公司 | 一种人脸图像的身份标注方法及人脸身份识别方法 |
| CN105938552A (zh) * | 2016-06-29 | 2016-09-14 | 北京旷视科技有限公司 | 底图自动更新的人脸识别方法及装置 |
Cited By (43)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109389018A (zh) * | 2017-08-14 | 2019-02-26 | 杭州海康威视数字技术股份有限公司 | 一种人脸角度识别方法、装置及设备 |
| CN109389018B (zh) * | 2017-08-14 | 2020-12-25 | 杭州海康威视数字技术股份有限公司 | 一种人脸角度识别方法、装置及设备 |
| CN107292300A (zh) * | 2017-08-17 | 2017-10-24 | 湖南创合未来科技股份有限公司 | 一种人脸识别设备及方法 |
| CN107679460A (zh) * | 2017-09-11 | 2018-02-09 | 广东欧珀移动通信有限公司 | 人脸的自学习方法及相关产品 |
| CN107679460B (zh) * | 2017-09-11 | 2020-08-11 | Oppo广东移动通信有限公司 | 人脸的自学习方法及智能终端和存储介质 |
| CN107862266A (zh) * | 2017-10-30 | 2018-03-30 | 广东欧珀移动通信有限公司 | 图像处理方法及相关产品 |
| CN107808149A (zh) * | 2017-11-17 | 2018-03-16 | 腾讯数码（天津）有限公司 | 一种人脸信息标注方法、装置和存储介质 |
| CN108021882B (zh) * | 2017-12-01 | 2021-12-21 | 宁波高新区锦众信息科技有限公司 | 一种基于时段的机器人的人脸识别系统 |
| CN108021882A (zh) * | 2017-12-01 | 2018-05-11 | 宁波高新区锦众信息科技有限公司 | 一种基于时段的机器人的人脸识别系统 |
| CN108053031A (zh) * | 2018-01-02 | 2018-05-18 | 安徽大学 | 一种深度学习系统及深度学习识别方法 |
| CN111886595B (zh) * | 2018-03-16 | 2024-05-28 | 三星电子株式会社 | 屏幕控制方法和支持屏幕控制方法的电子设备 |
| CN111886595A (zh) * | 2018-03-16 | 2020-11-03 | 三星电子株式会社 | 屏幕控制方法和支持屏幕控制方法的电子设备 |
| CN108932299A (zh) * | 2018-06-07 | 2018-12-04 | 北京迈格威科技有限公司 | 用于对线上系统的模型进行更新的方法以及装置 |
| CN109034106A (zh) * | 2018-08-15 | 2018-12-18 | 北京小米移动软件有限公司 | 人脸数据清洗方法及装置 |
| CN109034106B (zh) * | 2018-08-15 | 2022-06-10 | 北京小米移动软件有限公司 | 人脸数据清洗方法及装置 |
| CN109224444A (zh) * | 2018-08-17 | 2019-01-18 | 深圳市商汤科技有限公司 | 游戏人物识别方法、装置、存储介质和电子设备 |
| CN109102030B (zh) * | 2018-08-23 | 2022-08-05 | 创新先进技术有限公司 | 控制在线模型更新的方法及装置 |
| CN109102030A (zh) * | 2018-08-23 | 2018-12-28 | 阿里巴巴集团控股有限公司 | 控制在线模型更新的方法及装置 |
| CN109657694A (zh) * | 2018-10-26 | 2019-04-19 | 平安科技（深圳）有限公司 | 图片自动分类方法、装置及计算机可读存储介质 |
| CN109711546A (zh) * | 2018-12-21 | 2019-05-03 | 深圳市商汤科技有限公司 | 神经网络训练方法及装置、电子设备和存储介质 |
| CN109951437A (zh) * | 2019-01-14 | 2019-06-28 | 平安科技（深圳）有限公司 | 基于人脸识别的安全认证方法、装置以及服务器 |
| CN110033309A (zh) * | 2019-03-08 | 2019-07-19 | 平安科技（深圳）有限公司 | 基于历史数据预测结果的方法、装置及终端设备 |
| CN110033309B (zh) * | 2019-03-08 | 2022-05-20 | 平安科技（深圳）有限公司 | 基于历史数据预测结果的方法、装置及终端设备 |
| CN110297844A (zh) * | 2019-04-24 | 2019-10-01 | 上海乂学教育科技有限公司 | 基于贝叶斯模型的人工智能教学系统及数据处理方法 |
| CN112183161B (zh) * | 2019-07-04 | 2024-02-20 | 杭州海康威视系统技术有限公司 | 人脸数据库的处理方法、装置及设备 |
| CN112183161A (zh) * | 2019-07-04 | 2021-01-05 | 杭州海康威视系统技术有限公司 | 人脸数据库的处理方法、装置及设备 |
| CN110414376A (zh) * | 2019-07-08 | 2019-11-05 | 浙江大华技术股份有限公司 | 更新人脸识别模型的方法、人脸识别相机及服务器 |
| CN110414376B (zh) * | 2019-07-08 | 2022-08-09 | 浙江大华技术股份有限公司 | 更新人脸识别模型的方法、人脸识别相机及服务器 |
| CN110390290A (zh) * | 2019-07-17 | 2019-10-29 | 北京天正聚合科技有限公司 | 一种识别目标对象的方法、装置、电子设备及存储介质 |
| CN110458134A (zh) * | 2019-08-17 | 2019-11-15 | 裴露露 | 一种人脸识别方法及装置 |
| CN110458134B (zh) * | 2019-08-17 | 2020-06-16 | 南京昀趣互动游戏有限公司 | 一种人脸识别方法及装置 |
| CN111291618B (zh) * | 2020-01-13 | 2024-01-09 | 腾讯科技（深圳）有限公司 | 标注方法、装置、服务器和存储介质 |
| CN111291618A (zh) * | 2020-01-13 | 2020-06-16 | 腾讯科技（深圳）有限公司 | 标注方法、装置、服务器和存储介质 |
| CN112017015B (zh) * | 2020-10-30 | 2022-02-01 | 腾讯科技（深圳）有限公司 | 一种商品信息推荐的方法、相关装置、设备及存储介质 |
| CN112017015A (zh) * | 2020-10-30 | 2020-12-01 | 腾讯科技（深圳）有限公司 | 一种商品信息推荐的方法、相关装置、设备及存储介质 |
| CN112287911A (zh) * | 2020-12-25 | 2021-01-29 | 长沙海信智能系统研究院有限公司 | 数据标注方法、装置、设备及存储介质 |
| CN112686129B (zh) * | 2020-12-28 | 2022-05-13 | 亿咖通(湖北)技术有限公司 | 一种人脸识别系统及方法 |
| CN112686129A (zh) * | 2020-12-28 | 2021-04-20 | 湖北亿咖通科技有限公司 | 一种人脸识别系统及方法 |
| CN113420855B (zh) * | 2021-06-23 | 2022-02-18 | 深圳市中壬银兴信息技术有限公司 | 一种基于区块链技术便于扫描的高安全性获取资源转移方法 |
| CN113420855A (zh) * | 2021-06-23 | 2021-09-21 | 深圳市中壬银兴信息技术有限公司 | 一种基于区块链技术便于扫描的高安全性获取资源转移方法 |
| CN113807434B (zh) * | 2021-09-16 | 2023-07-25 | 中国联合网络通信集团有限公司 | 布匹的瑕疵识别方法及模型训练方法 |
| CN113807434A (zh) * | 2021-09-16 | 2021-12-17 | 中国联合网络通信集团有限公司 | 布匹的瑕疵识别方法及模型训练方法 |
| CN115424383A (zh) * | 2022-10-10 | 2022-12-02 | 广州睿泰智能设备科技股份有限公司 | 一种智能门禁管理系统及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106934364A (zh) | 人脸图片的识别方法及装置 | |
| CN103745235B (zh) | 人脸识别方法、装置及终端设备 | |
| CN103400108B (zh) | 人脸识别方法、装置和移动终端 | |
| CN103729636B (zh) | 字符切割方法、装置及电子设备 | |
| CN104468463B (zh) | 验证方法、装置和系统 | |
| CN107944380A (zh) | 身份识别方法、装置及存储设备 | |
| CN103716309B (zh) | 一种安全认证方法及终端 | |
| CN107437009A (zh) | 权限控制方法及相关产品 | |
| CN107992728A (zh) | 人脸验证方法及装置 | |
| CN107705251A (zh) | 图片拼接方法、移动终端及计算机可读存储介质 | |
| CN105975834B (zh) | 一种指纹解锁控制方法、及设备 | |
| CN107590463A (zh) | 人脸识别方法及相关产品 | |
| CN107679559A (zh) | 图像处理方法、装置、计算机可读存储介质和移动终端 | |
| CN107809526A (zh) | 终端应用程序分类方法、移动终端及计算机可读存储介质 | |
| CN109086582A (zh) | 一种指纹认证方法、终端及计算机可读存储介质 | |
| CN106951868A (zh) | 一种基于身形特征的步态识别方法及装置 | |
| CN106096353B (zh) | 一种解锁控制方法、及设备 | |
| CN107734128A (zh) | 一种诈骗号码识别方法及设备 | |
| CN107944414A (zh) | 图像处理方法、装置、电子设备及计算机可读存储介质 | |
| CN107818282A (zh) | 二维码识别方法、终端及计算机可读存储介质 | |
| CN108989534A (zh) | 消息提示方法、移动终端及计算机可读存储介质 | |
| CN107025434A (zh) | 一种指纹注册方法及移动终端 | |
| CN107516070A (zh) | 生物识别方法及相关产品 | |
| CN110446195A (zh) | 定位处理方法及相关产品 | |
| CN107908770A (zh) | 一种照片搜索方法及移动终端 |
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 |