Nothing Special   »   [go: up one dir, main page]

CN108875493B - 人脸识别中相似度阈值的确定方法以及确定装置 - Google Patents

人脸识别中相似度阈值的确定方法以及确定装置 Download PDF

Info

Publication number
CN108875493B
CN108875493B CN201710947714.7A CN201710947714A CN108875493B CN 108875493 B CN108875493 B CN 108875493B CN 201710947714 A CN201710947714 A CN 201710947714A CN 108875493 B CN108875493 B CN 108875493B
Authority
CN
China
Prior art keywords
images
determining
similarities
determined
similarity
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.)
Active
Application number
CN201710947714.7A
Other languages
English (en)
Other versions
CN108875493A (zh
Inventor
唐康祺
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Kuangshi Technology Co Ltd
Beijing Megvii Technology Co Ltd
Original Assignee
Beijing Kuangshi Technology Co Ltd
Beijing Megvii Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Kuangshi Technology Co Ltd, Beijing Megvii Technology Co Ltd filed Critical Beijing Kuangshi Technology Co Ltd
Priority to CN201710947714.7A priority Critical patent/CN108875493B/zh
Publication of CN108875493A publication Critical patent/CN108875493A/zh
Application granted granted Critical
Publication of CN108875493B publication Critical patent/CN108875493B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16Human faces, e.g. facial parts, sketches or expressions
    • G06V40/172Classification, e.g. identification

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Human Computer Interaction (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

本发明实施例提供了一种人脸识别中相似度阈值的确定方法以及确定装置,该确定方法包括:获取用于人脸识别的N张底库图像;分别针对与N张底库图像之一属于同一人的待识别图像,依次计算与N张底库图像之间的相似度,将所计算的最大值和次大值分别确定为第一相似度和第二相似度;根据针对多张待识别图像所确定的多个第一相似度以及针对多张待识别图像所确定的多个第二相似度,确定相似度阈值。可见,本发明实施例可以综合考虑误识别率和漏识别率,确定用于人脸识别的相似度阈值,保证该阈值最优。

Description

人脸识别中相似度阈值的确定方法以及确定装置
技术领域
本发明涉及图像识别领域,更具体地涉及一种人脸识别中相似度阈值的确定方法以及确定装置。
背景技术
对于一个人脸识别系统而言,人脸识别的过程一般是将待识别的人脸图像与底库中的若干人脸图像分别进行比对,若比对的相似度超过一个阈值,则认为人脸识别成功。因此,如何选定相似度的阈值是人脸识别系统的关键问题。
发明内容
考虑到上述问题而提出了本发明。本发明提供了一种人脸识别中相似度阈值的确定方法以及确定装置,能够在兼顾误识别率与漏识别率的情况下确定相似度的阈值。
根据本发明的第一方面,提供了一种人脸识别中相似度阈值的确定方法,包括:
获取用于人脸识别的N张底库图像;
分别针对与所述N张底库图像之一属于同一人的待识别图像,依次计算与所述N张底库图像之间的相似度,将所计算的最大值和次大值分别确定为第一相似度和第二相似度;
根据针对多张待识别图像所确定的多个第一相似度以及针对多张待识别图像所确定的多个第二相似度,确定所述相似度阈值。
示例性地,所述根据针对多张待识别图像所确定的多个第一相似度以及针对多张待识别图像所确定的多个第二相似度,确定所述相似度阈值,包括:
将所述多个第一相似度与所述多个第二相似度的平均值确定为所述相似度阈值。
示例性地,所述根据针对多张待识别图像所确定的多个第一相似度以及针对多张待识别图像所确定的多个第二相似度,确定所述相似度阈值,包括:
根据针对多张待识别图像所确定的多个第一相似度确定第一曲线,并根据针对多张待识别图像所确定的多个第二相似度确定第二曲线;
根据所述第一曲线与所述第二曲线的交点,确定所述相似度阈值。
示例性地,所述根据针对多张待识别图像所确定的多个第一相似度确定第一曲线,并根据针对多张待识别图像所确定的多个第二相似度确定第二曲线,包括:
根据针对多张待识别图像所确定的多个第一相似度确定所述多个第一相似度在各个相似度区间的第一概率分布,通过对所述第一概率分布进行拟合得到所述第一曲线;
根据针对多张待识别图像所确定的多个第二相似度确定所述多个第二相似度在各个相似度区间的第二概率分布,通过对所述第二概率分布进行拟合得到所述第二曲线。
示例性地,所述根据针对多张待识别图像所确定的多个第一相似度确定第一曲线,包括:
根据针对多张待识别图像所确定的多个第一相似度、在人脸识别过程中陌生人出现概率与底库人出现概率之间的第一比值以及误识别重要性与漏识别重要性之间的第二比值确定所述第一曲线。
示例性地,所述根据针对多张待识别图像所确定的多个第一相似度、在人脸识别过程中陌生人出现概率与底库人出现概率之间的第一比值以及误识别重要性与漏识别重要性之间的第二比值确定第一曲线,包括:
根据针对多张待识别图像所确定的多个第一相似度确定的曲线表示为y=PDF1(x),所述第一比值表示为r,所述第二比值表示为K,则确定所述第一曲线为y=r×K×PDF1(x)。
示例性地,所述根据针对多张待识别图像所确定的多个第一相似度以及针对多张待识别图像所确定的多个第二相似度,确定所述相似度阈值,包括:
根据针对多张待识别图像所确定的多个第一相似度确定所述多个第一相似度在各个相似度区间的第一概率分布,并根据针对多张待识别图像所确定的多个第二相似度确定所述多个第二相似度在各个相似度区间的第二概率分布;
根据所述第一概率分布与所述第二概率分布之间的交叉区间确定所述相似度阈值。
示例性地,所述根据针对多张待识别图像所确定的多个第一相似度确定所述多个第一相似度在各个相似度区间的第一概率分布,包括:
将根据针对多张待识别图像所确定的多个第一相似度所确定的所述多个第一相似度在各个相似度区间的概率分布依次乘以在人脸识别过程中陌生人出现概率与底库人出现概率之间的第一比值以及误识别重要性与漏识别重要性之间的第二比值,得到所述第一概率分布。
示例性地,所述第一比值等于1,和/或,所述第二比值等于1。
第二方面,提供了一种人脸识别中相似度阈值的确定装置,包括:
获取模块,用于获取用于人脸识别的N张底库图像;
计算模块,用于分别针对与所述N张底库图像之一属于同一人的待识别图像,依次计算与所述N张底库图像之间的相似度,将所计算的最大值和次大值分别确定为第一相似度和第二相似度;
确定模块,用于根据针对多张待识别图像所确定的多个第一相似度以及针对多张待识别图像所确定的多个第二相似度,确定所述相似度阈值。
示例性地,所述确定模块,具体用于:将所述多个第一相似度与所述多个第二相似度的平均值确定为所述相似度阈值。
示例性地,所述确定模块,包括:
第一确定子模块,用于根据针对多张待识别图像所确定的多个第一相似度确定第一曲线,并根据针对多张待识别图像所确定的多个第二相似度确定第二曲线;
第二确定子模块,用于根据所述第一曲线与所述第二曲线的交点,确定所述相似度阈值。
示例性地,所述第一确定子模块,具体用于:
根据针对多张待识别图像所确定的多个第一相似度确定所述多个第一相似度在各个相似度区间的第一概率分布,通过对所述第一概率分布进行拟合得到所述第一曲线;
根据针对多张待识别图像所确定的多个第二相似度确定所述多个第二相似度在各个相似度区间的第二概率分布,通过对所述第二概率分布进行拟合得到所述第二曲线。
示例性地,所述第一确定子模块,具体用于:
根据针对多张待识别图像所确定的多个第一相似度、在人脸识别过程中陌生人出现概率与底库人出现概率之间的第一比值以及误识别重要性与漏识别重要性之间的第二比值确定所述第一曲线。
示例性地,所述第一确定子模块,具体用于:根据针对多张待识别图像所确定的多个第一相似度确定的曲线表示为y=PDF1(x),所述第一比值表示为r,所述第二比值表示为K,则确定所述第一曲线为y=r×K×PDF1(x)。
示例性地,所述确定模块,包括:
第三确定子模块,用于根据针对多张待识别图像所确定的多个第一相似度确定所述多个第一相似度在各个相似度区间的第一概率分布,并根据针对多张待识别图像所确定的多个第二相似度确定所述多个第二相似度在各个相似度区间的第二概率分布;
第四确定子模块,用于根据所述第一概率分布与所述第二概率分布之间的交叉区间确定所述相似度阈值。
示例性地,所述第三确定子模块,具体用于:
将根据针对多张待识别图像所确定的多个第一相似度所确定的所述多个第一相似度在各个相似度区间的概率分布依次乘以在人脸识别过程中陌生人出现概率与底库人出现概率之间的第一比值以及误识别重要性与漏识别重要性之间的第二比值,得到所述第一概率分布。
示例性地,所述第一比值等于1,和/或,所述第二比值等于1。
该装置能够用于实现前述第一方面及其各种示例的人脸识别中相似度阈值的确定方法。
第三方面,提供了一种计算机存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现第一方面及各个示例所述方法的步骤。
由此可见,本发明实施例可以综合考虑误识别率和漏识别率,确定用于人脸识别的相似度的阈值,保证该阈值最优。
附图说明
通过结合附图对本发明实施例进行更详细的描述,本发明的上述以及其它目的、特征和优势将变得更加明显。附图用来提供对本发明实施例的进一步理解,并且构成说明书的一部分,与本发明实施例一起用于解释本发明,并不构成对本发明的限制。在附图中,相同的参考标号通常代表相同部件或步骤。
图1是本发明实施例的电子设备的一个示意性框图;
图2是本发明实施例的人脸识别中相似度阈值的确定方法的一个示意性流程图;
图3是本发明实施例的第一曲线与第二曲线的示意图;
图4(a)和(b)分布是本发明实施例的第一概率分布与第二概率分布的示意图;
图5是本发明实施例的人脸识别中相似度阈值的确定装置的一个示意性框图。
具体实施方式
为了使得本发明的目的、技术方案和优点更为明显,下面将参照附图详细描述根据本发明的示例实施例。显然,所描述的实施例仅仅是本发明的一部分实施例,而不是本发明的全部实施例,应理解,本发明不受这里描述的示例实施例的限制。基于本发明中描述的本发明实施例,本领域技术人员在没有付出创造性劳动的情况下所得到的所有其它实施例都应落入本发明的保护范围之内。
本发明实施例可以应用于电子设备,图1所示为本发明实施例的电子设备的一个示意性框图。图1所示的电子设备10包括一个或更多个处理器102、一个或更多个存储装置104、输入装置106、输出装置108、图像传感器110以及一个或更多个非图像传感器114,这些组件通过总线系统112和/或其它形式互连。应当注意,图1所示的电子设备10的组件和结构只是示例性的,而非限制性的,根据需要,所述电子设备也可以具有其他组件和结构。
所述处理器102可以包括CPU 1021和GPU 1022或者具有数据处理能力和/或指令执行能力的其它形式的处理单元,例如现场可编程门阵列(Field-Programmable GateArray,FPGA)或进阶精简指令集机器(Advanced RISC(Reduced Instruction SetComputer)Machine,ARM)等,并且处理器102可以控制所述电子设备10中的其它组件以执行期望的功能。
所述存储装置104可以包括一个或更多个计算机程序产品,所述计算机程序产品可以包括各种形式的计算机可读存储介质,例如易失性存储器1041和/或非易失性存储器1042。所述易失性存储器1041例如可以包括随机存取存储器(Random Access Memory,RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器1042例如可以包括只读存储器(Read-Only Memory,ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或更多个计算机程序指令,处理器102可以运行所述程序指令,以实现各种期望的功能。在所述计算机可读存储介质中还可以存储各种应用程序和各种数据,例如所述应用程序使用和/或产生的各种数据等。
所述输入装置106可以是用户用来输入指令的装置,并且可以包括键盘、鼠标、麦克风和触摸屏等中的一个或更多个。
所述输出装置108可以向外部(例如用户)输出各种信息(例如图像或声音),并且可以包括显示器、扬声器等中的一个或更多个。
所述图像传感器110可以拍摄用户期望的图像(例如照片、视频等),并且将所拍摄的图像存储在所述存储装置104中以供其它组件使用。
当注意,图1所示的电子设备10的组件和结构只是示例性的,尽管图1示出的电子设备10包括多个不同的装置,但是根据需要,其中的一些装置可以不是必须的,其中的一些装置的数量可以更多等等,本发明对此不限定。
图2是本发明实施例的人脸识别中相似度阈值的确定方法的一个示意性流程图。图2所示的确定方法包括:
S101,获取用于人脸识别的N张底库图像;
S102,分别针对与所述N张底库图像之一属于同一人的待识别图像,依次计算与所述N张底库图像之间的相似度,将所计算的最大值和次大值分别确定为第一相似度和第二相似度;
S103,根据针对多张待识别图像所确定的多个第一相似度以及针对多张待识别图像所确定的多个第二相似度,确定所述相似度阈值。
选定相似度的阈值是人脸识别系统的关键问题,而与该阈值相关的还有如下几个概念:误识别率、漏识别率。举例来说,假设测试了50张对应不同底库的人脸图,若取阈值为0,则50个人均被识别。然而不能认为此时的误识别率为0,理由如下:(1)如果阈值取区间[0,65%]之间任一值,那么该举例中都没有出现漏识别。但是人脸识别实际场景中,这样低的阈值可能会导致陌生人被识别为底库,所以误识别率会很大。(2)如果阈值取75%,而有8张图首位阈值低于75,那么50人漏识8人。显然误识别率下降,陌生人被误识别的可能性减小,但是底库人被漏识别的可能性增大,即漏识别率增加。(3)如果阈值取区间[80%,100%]之间任一值,则漏识别率会继续增加,但是对应的,陌生人被误识别的概率也会减小。可见,阈值的选取其实是一个最优化问题,看是否能够取到一个阈值,使得误识别率和漏识别率都在一个合理的范围内。
本发明实施例对底库所包括的底库图像的数量不作限定,其中N为正整数,例如S101中的N可以等于1000或10000等,其具体值可以根据应用场景进行设定。
示例性地,S102中的待识别图像可以为底库人,可以通过抓拍等方式获取。举例来说,对于底库中的底库图像A,若该底库图像A是张三的人脸图像,则可以对张三进行抓拍,从而得到张三的待识别图像A1,即与底库图像A属于同一人的待识别人脸图像。
示例性地,在S102中,可以通过抓拍等方式获取与N张底库图像分别属于同一人的N张待识别图像,并针对每一张待识别图像都计算第一相似度和第二相似度。具体地,可以采用人脸识别算法计算相似度。
举例来说,针对待识别图像A1,计算其与N张底库图像的相似度,可以得到N个相似度,这N个相似度中的最大值即为第一相似度,一般地该第一相似度为待识别图像A1与底库图像A(属于同一人)之间的相似度,可以称为首位置信度(confidence)或底库人confidence。这N个相似度中的次大值(第二最大值,即除第一相似度之外的最大值)即为第二相似度,可以称为次位confidence或陌生人confidence。
其中,对第一相似度(即首位confidence)可以做如下理解:假设某个人(如张三)在底库中具有注册照片(如底库图像A),那么利用这个人的抓拍图像(如待识别图像A1)在底库中进行相似度计算得到的最高的相似度,一般而言,也就是与他自己注册的那张照片之间的相似度。对第二相似度(即次位confidence)可以做如下理解:假设某个人在底库中没有注册照片,仍然利用这个人的抓拍图像在底库中进行相似度计算得到的最高的相似度,一般而言,由于底库中没有他的照片,这个相似度会比较低。可以认为第二相似度为将待识别图像与底库中除去属于同一人的底库图像之外的N-1张底库图像之间的相似度的最大值。针对待识别图像A1,可将其与N-1张底库图像(不包括底库图像A)之间的相似度的最大值确定为第二相似度。
可理解,若设置的相似度阈值大于第一相似度,则会对该待识别图像A1发生漏识别;若设置的相似度阈值小于第二相似度,则会对该待识别图像A1发生误识别。因此需要设定合适的相似度阈值,以兼顾漏识别率和误识别率。
基于上述的计算过程,如果包括N张待识别图像,则S102可以得到对应的N个第一相似度和N个第二相似度。
作为一种实现方式,在S103中,可以将所述多个第一相似度与所述多个第二相似度的平均值确定为所述相似度阈值。
例如,若S102中得到N个第一相似度和N个第二相似度,则在S103中,可以计算N个第一相似度与N个第二相似度的和,再除以2N以计算该平均值,从而得到相似度阈值。
再例如,若S102中得到N个第一相似度和N个第二相似度,则在S103中,可以先计算N个第一相似度的第一平均值(即N个第一相似度之和处于N),计算N个第二相似度的第二平均值(即N个第二相似度之和处于N),然后再计算第一平均值与第二平均值两者的平均值,从而得到相似度阈值。
作为又一种实现方式,在S103中,可以根据针对多张待识别图像所确定的多个第一相似度确定第一曲线,并根据针对多张待识别图像所确定的多个第二相似度确定第二曲线;根据所述第一曲线与所述第二曲线的交点,确定所述相似度阈值。
示例性地,可以通过下述方式得到第一曲线和第二曲线:根据针对多张待识别图像所确定的多个第一相似度确定所述多个第一相似度在各个相似度区间的第一概率分布,通过对所述第一概率分布进行拟合得到所述第一曲线;根据针对多张待识别图像所确定的多个第二相似度确定所述多个第二相似度在各个相似度区间的第二概率分布,通过对所述第二概率分布进行拟合得到所述第二曲线。
可以理解,第一概率分布/第二概率分布可以是离散的柱状图,N的取值越大,对第一概率分布/第二概率分布进行拟合得到的第一曲线/第二曲线越是准确。
示例性地,可以通过下述方式得到第一曲线:根据针对多张待识别图像所确定的多个第一相似度、在人脸识别过程中陌生人出现概率与底库人出现概率之间的第一比值以及误识别重要性与漏识别重要性之间的第二比值确定所述第一曲线。例如,可以将根据针对多张待识别图像所确定的多个第一相似度所确定的曲线乘以第一比值和第二比值得到该第一曲线。其中,根据针对多张待识别图像所确定的多个第一相似度所确定的曲线可以是由第一概率分布拟合得到的。
示例性地,S103中,可以将根据针对多张待识别图像所确定的多个第一相似度确定的曲线表示为y=PDF1(x),所述第一比值表示为r,所述第二比值表示为K,则确定所述第一曲线为y=r×K×PDF1(x)。将根据针对多张待识别图像所确定的多个第二相似度确定的第二曲线表示为y=PDF2(x)。进一步地,可以根据第一曲线y=r×K×PDF1(x)与第二曲线y=PDF2(x)的交点确定所述相似度阈值。具体地,可以将第一曲线与第二曲线的交点对应的横坐标确定为相似度阈值。
其中,若在人脸识别过程中,底库人出现的概率为p11,陌生人出现的概率为p12,则第一比值r=p12/p11。
作为一例,假设r=1且K=1,即第一曲线为y=PDF1(x),第二曲线为y=PDF2(x)。其中第一相似度的概率密度分布曲线即为第一曲线,第二相似度的概率密度分布曲线即为第二曲线,如图3所示。参照图3,假设第一曲线与x轴的交点为C1点,第二曲线与x轴的交点为C2点。假设阈值线(x=T)与第一曲线、第二曲线、x轴的交点分别为P1、P2和T。则漏识别率可以表示为阈值线与第一曲线、x轴所围成的区域的面积,可以表示为:
Figure BDA0001432125550000091
误识别率可以表示为阈值线与第二曲线、x轴所围成的区域的面积,可以表示为:
Figure BDA0001432125550000092
可以通过调整阈值的大小(图3中的阈值线左右移动)来调整漏识别率和误识别率的大小。参照图3,阈值越大(阈值线往右),则
Figure BDA0001432125550000094
增大,
Figure BDA0001432125550000093
减小,即漏识别率增大且误识别率减小。阈值越小(阈值线往左),则
Figure BDA0001432125550000096
减小,
Figure BDA0001432125550000095
增大,即漏识别率减小且误识别率增大。
为了使得漏识别率和误识别率均达到最优,则可以根据第一曲线和第二曲线的交点来确定相似度阈值。具体地,可以计算PDF1(x)=PDF2(x)得到其交点,如图3所示的M,进一步可以将M对应的阈值确定为相似度阈值,即可以确定M点的横坐标值为相似度阈值。并且该阈值为最优化阈值。
作为另一种实现方式,在S103中,可以根据针对多张待识别图像所确定的多个第一相似度确定所述多个第一相似度在各个相似度区间的第一概率分布,并根据针对多张待识别图像所确定的多个第二相似度确定所述多个第二相似度在各个相似度区间的第二概率分布;并根据所述第一概率分布与所述第二概率分布之间的交叉区间确定所述相似度阈值。
可以理解,第一概率分布/第二概率分布可以是离散的柱状图,N的取值越大,对第一概率分布/第二概率分布进行拟合得到的第一曲线/第二曲线越是准确。
示例性地,如图4(a)为根据针对多张待识别图像所确定的多个第一相似度确定的第一概率分布的一个示例,图4(b)为根据针对多张待识别图像所确定的多个第二相似度确定的第二概率分布的一个示例。
示例性地,可以通过下述方式得到第一概率分布:将根据针对多张待识别图像所确定的多个第一相似度所确定的所述多个第一相似度在各个相似度区间的概率分布依次乘以在人脸识别过程中陌生人出现概率与底库人出现概率之间的第一比值以及误识别重要性与漏识别重要性之间的第二比值,得到所述第一概率分布。也就是说,可以根据针对多张待识别图像所确定的多个第一相似度得到第一相似度的概率分布的柱状图,将各个柱状图乘以第一比值以及第二比值,从而得到第一概率分布。其中,第一比值表示为r,第二比值表示为K;作为一例,r=1且K=1。
进一步地,可以在第一概率分布和第二概率分布交叉的区间内,根据柱状图的高度确定相似度阈值。具体地,可以将第一概率分布与第二概率分布两者交叉区间内,高度差不多高的柱状所对应的值确定为相似度阈值。
由此可见,本发明实施例可以综合考虑误识别率和漏识别率,确定用于人脸识别的相似度的阈值,保证该阈值最优。
图5是本发明实施例的人脸识别中相似度阈值的确定装置的一个示意性框图。图5所示的确定装置50包括:获取模块501、计算模块502和确定模块503。
获取模块501,用于获取用于人脸识别的N张底库图像;
计算模块502,用于分别针对与所述N张底库图像之一属于同一人的待识别图像,依次计算与所述N张底库图像之间的相似度,将所计算的最大值和次大值分别确定为第一相似度和第二相似度;
确定模块503,用于根据针对多张待识别图像所确定的多个第一相似度以及针对多张待识别图像所确定的多个第二相似度,确定所述相似度阈值。
示例性地,确定模块503可以具体用于:将所述多个第一相似度与所述多个第二相似度的平均值确定为所述相似度阈值。
示例性地,确定模块503可以包括第一确定子模块和第二确定子模块。第一确定子模块可以用于:根据针对多张待识别图像所确定的多个第一相似度确定第一曲线,并根据针对多张待识别图像所确定的多个第二相似度确定第二曲线。第二确定子模块可以用于:根据所述第一曲线与所述第二曲线的交点,确定所述相似度阈值。
示例性地,第一确定子模块可以具体用于:根据针对多张待识别图像所确定的多个第一相似度确定所述多个第一相似度在各个相似度区间的第一概率分布,通过对所述第一概率分布进行拟合得到所述第一曲线;根据针对多张待识别图像所确定的多个第二相似度确定所述多个第二相似度在各个相似度区间的第二概率分布,通过对所述第二概率分布进行拟合得到所述第二曲线。
示例性地,第一确定子模块可以具体用于:根据针对多张待识别图像所确定的多个第一相似度、在人脸识别过程中陌生人出现概率与底库人出现概率之间的第一比值以及误识别重要性与漏识别重要性之间的第二比值确定所述第一曲线。并根据针对多张待识别图像所确定的多个第二相似度确定第二曲线。
示例性地,第一确定子模块可以具体用于:根据针对多张待识别图像所确定的多个第一相似度确定的曲线表示为y=PDF1(x),所述第一比值表示为r,所述第二比值表示为K,则确定所述第一曲线为y=r×K×PDF1(x)。
举例来说,第一曲线为第一相似度的概率密度分布曲线乘以第一比值再乘以第二比值得到的,第二曲线为第二相似度的概率密度分布曲线。则相似度阈值为第一曲线与第二曲线的交点的横坐标值。
示例性地,确定模块503可以包括第三确定子模块和第四确定子模块。第三确定子模块可以用于:根据针对多张待识别图像所确定的多个第一相似度确定所述多个第一相似度在各个相似度区间的第一概率分布,并根据针对多张待识别图像所确定的多个第二相似度确定所述多个第二相似度在各个相似度区间的第二概率分布。第四确定子模块可以用于:根据所述第一概率分布与所述第二概率分布之间的交叉区间确定所述相似度阈值。
示例性地,第三确定子模块可以具体用于:将根据针对多张待识别图像所确定的多个第一相似度所确定的所述多个第一相似度在各个相似度区间的概率分布依次乘以在人脸识别过程中陌生人出现概率与底库人出现概率之间的第一比值以及误识别重要性与漏识别重要性之间的第二比值,得到所述第一概率分布。并根据针对多张待识别图像所确定的多个第二相似度确定所述多个第二相似度在各个相似度区间的第二概率分布。
示例性地,所述第一比值等于1,和/或,所述第二比值等于1。
图5所示的装置50能够实现前述图2所示的人脸识别中相似度阈值的确定方法,为避免重复,这里不再赘述。
另外,本发明实施例还提供了另一种人脸识别中相似度阈值的确定装置,包括存储器、处理器及存储在所述存储器上且在所述处理器上运行的计算机程序,处理器执行所述程序时实现前述图2所示方法的步骤。
另外,本发明实施例还提供了一种电子设备,该电子设备可以包括图5所示的装置50。该电子设备可以实现前述图2所示的方法。
另外,本发明实施例还提供了一种计算机存储介质,其上存储有计算机程序。当所述计算机程序由处理器执行时,可以实现前述图2所示方法的步骤。例如,该计算机存储介质为计算机可读存储介质。
由此可见,本发明实施例可以综合考虑误识别率和漏识别率,确定用于人脸识别的相似度的阈值,保证该相似度阈值为兼顾误识别率和漏识别率的最优阈值。
尽管这里已经参考附图描述了示例实施例,应理解上述示例实施例仅仅是示例性的,并且不意图将本发明的范围限制于此。本领域普通技术人员可以在其中进行各种改变和修改,而不偏离本发明的范围和精神。所有这些改变和修改意在被包括在所附权利要求所要求的本发明的范围之内。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本申请所提供的几个实施例中,应该理解到,所揭露的设备和方法,可以通过其它的方式实现。例如,以上所描述的设备实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个设备,或一些特征可以忽略,或不执行。
在此处所提供的说明书中,说明了大量具体细节。然而,能够理解,本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。
类似地,应当理解,为了精简本发明并帮助理解各个发明方面中的一个或多个,在对本发明的示例性实施例的描述中,本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而,并不应将该本发明的方法解释成反映如下意图:即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说,如相应的权利要求书所反映的那样,其发明点在于可以用少于某个公开的单个实施例的所有特征的特征来解决相应的技术问题。因此,遵循具体实施方式的权利要求书由此明确地并入该具体实施方式,其中每个权利要求本身都作为本发明的单独实施例。
本领域的技术人员可以理解,除了特征之间相互排斥之外,可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述,本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外,本领域的技术人员能够理解,尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征,但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如,在权利要求书中,所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
本发明的各个部件实施例可以以硬件实现,或者以在一个或者多个处理器上运行的软件模块实现,或者以它们的组合实现。本领域的技术人员应当理解,可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的物品分析设备中的一些模块的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的装置程序(例如,计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上,或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到,或者在载体信号上提供,或者以任何其他形式提供。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制,并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
以上所述,仅为本发明的具体实施方式或对具体实施方式的说明,本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。本发明的保护范围应以权利要求的保护范围为准。

Claims (19)

1.一种人脸识别中相似度阈值的确定方法,其特征在于,包括:
获取用于人脸识别的N张底库图像,其中N为正整数;
分别针对与所述N张底库图像之一属于同一人的待识别图像,依次计算与所述N张底库图像之间的相似度,将所计算的最大值和次大值分别确定为第一相似度和第二相似度;
根据针对多张待识别图像所确定的多个第一相似度以及针对多张待识别图像所确定的多个第二相似度,确定所述相似度阈值。
2.根据权利要求1所述的方法,其特征在于,所述根据针对多张待识别图像所确定的多个第一相似度以及针对多张待识别图像所确定的多个第二相似度,确定所述相似度阈值,包括:
将所述多个第一相似度与所述多个第二相似度的平均值确定为所述相似度阈值。
3.根据权利要求1所述的方法,其特征在于,所述根据针对多张待识别图像所确定的多个第一相似度以及针对多张待识别图像所确定的多个第二相似度,确定所述相似度阈值,包括:
根据针对多张待识别图像所确定的多个第一相似度确定第一曲线,并根据针对多张待识别图像所确定的多个第二相似度确定第二曲线;
根据所述第一曲线与所述第二曲线的交点,确定所述相似度阈值。
4.根据权利要求3所述的方法,其特征在于,所述根据针对多张待识别图像所确定的多个第一相似度确定第一曲线,并根据针对多张待识别图像所确定的多个第二相似度确定第二曲线,包括:
根据针对多张待识别图像所确定的多个第一相似度确定所述多个第一相似度在各个相似度区间的第一概率分布,通过对所述第一概率分布进行拟合得到所述第一曲线;
根据针对多张待识别图像所确定的多个第二相似度确定所述多个第二相似度在各个相似度区间的第二概率分布,通过对所述第二概率分布进行拟合得到所述第二曲线。
5.根据权利要求3所述的方法,其特征在于,所述根据针对多张待识别图像所确定的多个第一相似度确定第一曲线,包括:
根据针对多张待识别图像所确定的多个第一相似度、在人脸识别过程中陌生人出现概率与底库人出现概率之间的第一比值以及误识别重要性与漏识别重要性之间的第二比值确定所述第一曲线。
6.根据权利要求5所述的方法,其特征在于,所述根据针对多张待识别图像所确定的多个第一相似度、在人脸识别过程中陌生人出现概率与底库人出现概率之间的第一比值以及误识别重要性与漏识别重要性之间的第二比值确定第一曲线,包括:
根据针对多张待识别图像所确定的多个第一相似度确定的曲线表示为y=PDF1(x),所述第一比值表示为r,所述第二比值表示为K,则确定所述第一曲线为y=r×K×PDF1(x)。
7.根据权利要求1所述的方法,其特征在于,所述根据针对多张待识别图像所确定的多个第一相似度以及针对多张待识别图像所确定的多个第二相似度,确定所述相似度阈值,包括:
根据针对多张待识别图像所确定的多个第一相似度确定所述多个第一相似度在各个相似度区间的第一概率分布,并根据针对多张待识别图像所确定的多个第二相似度确定所述多个第二相似度在各个相似度区间的第二概率分布;
根据所述第一概率分布与所述第二概率分布之间的交叉区间确定所述相似度阈值。
8.根据权利要求7所述的方法,其特征在于,所述根据针对多张待识别图像所确定的多个第一相似度确定所述多个第一相似度在各个相似度区间的第一概率分布,包括:
将根据针对多张待识别图像所确定的多个第一相似度所确定的所述多个第一相似度在各个相似度区间的概率分布依次乘以在人脸识别过程中陌生人出现概率与底库人出现概率之间的第一比值以及误识别重要性与漏识别重要性之间的第二比值,得到所述第一概率分布。
9.根据权利要求5或8所述的方法,其特征在于,所述第一比值等于1,和/或,所述第二比值等于1。
10.一种人脸识别中相似度阈值的确定装置,其特征在于,包括:
获取模块,用于获取用于人脸识别的N张底库图像,其中N为正整数;
计算模块,用于分别针对与所述N张底库图像之一属于同一人的待识别图像,依次计算与所述N张底库图像之间的相似度,将所计算的最大值和次大值分别确定为第一相似度和第二相似度;
确定模块,用于根据针对多张待识别图像所确定的多个第一相似度以及针对多张待识别图像所确定的多个第二相似度,确定所述相似度阈值。
11.根据权利要求10所述的装置,其特征在于,所述确定模块,具体用于:
将所述多个第一相似度与所述多个第二相似度的平均值确定为所述相似度阈值。
12.根据权利要求10所述的装置,其特征在于,所述确定模块,包括:
第一确定子模块,用于根据针对多张待识别图像所确定的多个第一相似度确定第一曲线,并根据针对多张待识别图像所确定的多个第二相似度确定第二曲线;
第二确定子模块,用于根据所述第一曲线与所述第二曲线的交点,确定所述相似度阈值。
13.根据权利要求12所述的装置,其特征在于,所述第一确定子模块,具体用于:
根据针对多张待识别图像所确定的多个第一相似度确定所述多个第一相似度在各个相似度区间的第一概率分布,通过对所述第一概率分布进行拟合得到所述第一曲线;
根据针对多张待识别图像所确定的多个第二相似度确定所述多个第二相似度在各个相似度区间的第二概率分布,通过对所述第二概率分布进行拟合得到所述第二曲线。
14.根据权利要求12所述的装置,其特征在于,所述第一确定子模块,具体用于:
根据针对多张待识别图像所确定的多个第一相似度、在人脸识别过程中陌生人出现概率与底库人出现概率之间的第一比值以及误识别重要性与漏识别重要性之间的第二比值确定所述第一曲线。
15.根据权利要求14所述的装置,其特征在于,所述第一确定子模块,具体用于:
根据针对多张待识别图像所确定的多个第一相似度确定的曲线表示为y=PDF1(x),所述第一比值表示为r,所述第二比值表示为K,则确定所述第一曲线为y=r×K×PDF1(x)。
16.根据权利要求10所述的装置,其特征在于,所述确定模块,包括:
第三确定子模块,用于根据针对多张待识别图像所确定的多个第一相似度确定所述多个第一相似度在各个相似度区间的第一概率分布,并根据针对多张待识别图像所确定的多个第二相似度确定所述多个第二相似度在各个相似度区间的第二概率分布;
第四确定子模块,用于根据所述第一概率分布与所述第二概率分布之间的交叉区间确定所述相似度阈值。
17.根据权利要求16所述的装置,其特征在于,所述第三确定子模块,具体用于:
将根据针对多张待识别图像所确定的多个第一相似度所确定的所述多个第一相似度在各个相似度区间的概率分布依次乘以在人脸识别过程中陌生人出现概率与底库人出现概率之间的第一比值以及误识别重要性与漏识别重要性之间的第二比值,得到所述第一概率分布。
18.根据权利要求14或17所述的装置,其特征在于,所述第一比值等于1,和/或,所述第二比值等于1。
19.一种计算机存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至9中任一项所述方法的步骤。
CN201710947714.7A 2017-10-12 2017-10-12 人脸识别中相似度阈值的确定方法以及确定装置 Active CN108875493B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710947714.7A CN108875493B (zh) 2017-10-12 2017-10-12 人脸识别中相似度阈值的确定方法以及确定装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710947714.7A CN108875493B (zh) 2017-10-12 2017-10-12 人脸识别中相似度阈值的确定方法以及确定装置

Publications (2)

Publication Number Publication Date
CN108875493A CN108875493A (zh) 2018-11-23
CN108875493B true CN108875493B (zh) 2021-04-27

Family

ID=64325475

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710947714.7A Active CN108875493B (zh) 2017-10-12 2017-10-12 人脸识别中相似度阈值的确定方法以及确定装置

Country Status (1)

Country Link
CN (1) CN108875493B (zh)

Families Citing this family (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111382593B (zh) * 2018-12-27 2023-07-21 浙江宇视科技有限公司 身份验证方法、装置及电子设备
CN109815845B (zh) * 2018-12-29 2022-03-29 达闼机器人有限公司 人脸识别的方法和装置、存储介质
CN109919017B (zh) * 2019-01-28 2023-09-01 平安科技(深圳)有限公司 人脸识别优化方法、装置、计算机设备和存储介质
CN110348315B (zh) * 2019-06-14 2021-10-19 深圳英飞拓科技股份有限公司 动态更新人脸特征底库的方法及装置、人脸抓拍系统
CN111178162B (zh) * 2019-12-12 2023-11-07 北京迈格威科技有限公司 图像识别方法、装置、计算机设备和存储介质
CN111160263B (zh) * 2019-12-30 2023-09-05 中国电子科技集团公司信息科学研究院 一种获取人脸识别阈值的方法及系统
CN111160463A (zh) * 2019-12-30 2020-05-15 深圳市商汤科技有限公司 数据处理方法及装置、处理器、电子设备、存储介质
CN111898498B (zh) * 2020-07-16 2024-06-11 北京市商汤科技开发有限公司 匹配阈值确定方法、身份验证方法、装置及存储介质
CN112906568B (zh) * 2020-07-16 2021-11-12 云从科技集团股份有限公司 动态阈值管理方法、系统、电子设备及介质
CN115035556A (zh) * 2021-03-03 2022-09-09 北京迈格威科技有限公司 人脸检索方法、装置、电子设备及存储介质
CN113469015B (zh) * 2021-06-29 2024-08-16 浙江大华技术股份有限公司 人脸识别方法、装置、电子设备及计算机存储介质
CN113823276B (zh) * 2021-09-29 2023-06-02 成都启英泰伦科技有限公司 一种语音识别阈值设置方法
CN113807319B (zh) * 2021-10-15 2024-09-24 云从科技集团股份有限公司 人脸识别优化方法、装置、设备和介质

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009163555A (ja) * 2008-01-08 2009-07-23 Omron Corp 顔照合装置
CN103136504B (zh) * 2011-11-28 2016-04-20 汉王科技股份有限公司 人脸识别方法及装置
CN103336945B (zh) * 2013-06-10 2017-11-10 黑龙江大学 融合局部特征与全局特征的指静脉识别方法
CN105335726B (zh) * 2015-11-06 2018-11-27 广州视源电子科技股份有限公司 人脸识别置信度获取方法和系统
US9690973B2 (en) * 2015-11-16 2017-06-27 MorphoTrak, LLC Feature-based matcher for distorted fingerprint matching
CN105447474B (zh) * 2015-12-15 2019-08-06 3M创新有限公司 人像识别方法和人像识别装置
CN105868695B (zh) * 2016-03-24 2019-04-02 北京握奇数据系统有限公司 一种人脸识别方法及系统

Also Published As

Publication number Publication date
CN108875493A (zh) 2018-11-23

Similar Documents

Publication Publication Date Title
CN108875493B (zh) 人脸识别中相似度阈值的确定方法以及确定装置
CN108875510B (zh) 图像处理的方法、装置、系统及计算机存储介质
CN108875511B (zh) 图像生成的方法、装置、系统及计算机存储介质
CN105938552B (zh) 底图自动更新的人脸识别方法及装置
CN108875522B (zh) 人脸聚类方法、装置和系统及存储介质
CN108875533B (zh) 人脸识别的方法、装置、系统及计算机存储介质
CN108932456B (zh) 人脸识别方法、装置和系统及存储介质
CN108154171B (zh) 一种人物识别方法、装置及电子设备
US9355234B1 (en) Authentication involving selection among different biometric methods dynamically
CN108875723B (zh) 对象检测方法、装置和系统及存储介质
CN109376631B (zh) 一种基于神经网络的回环检测方法及装置
CN106650662B (zh) 目标对象遮挡检测方法及装置
CN108875534B (zh) 人脸识别的方法、装置、系统及计算机存储介质
US8269842B2 (en) Camera gestures for user interface control
WO2017045443A1 (zh) 一种图像检索方法及系统
WO2018090937A1 (zh) 图像处理方法、终端及存储介质
CN108875537B (zh) 对象检测方法、装置和系统及存储介质
US9053389B2 (en) Hough transform for circles
US8997256B1 (en) Systems and methods for detecting copied computer code using fingerprints
CN109241888B (zh) 神经网络训练与对象识别方法、装置和系统及存储介质
US20160125260A1 (en) Selecting features from image data
CN110414550B (zh) 人脸识别模型的训练方法、装置、系统和计算机可读介质
JP2017033547A (ja) 情報処理装置及びその制御方法及びプログラム
CN108154099B (zh) 一种人物识别方法、装置及电子设备
CN111027412A (zh) 一种人体关键点识别方法、装置及电子设备

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