CN111814570B

CN111814570B - 一种基于动态阈值的人脸识别方法、系统及存储介质

Info

Publication number: CN111814570B
Application number: CN202010533170.1A
Authority: CN
Inventors: 杨泽霖; 杨坚; 涂前彦; 薛利荣; 刘伟生
Original assignee: Shenzhen Heils Zhongcheng Technology Co ltd
Current assignee: Shenzhen Heils Zhongcheng Technology Co ltd
Priority date: 2020-06-12
Filing date: 2020-06-12
Publication date: 2024-04-30
Anticipated expiration: 2040-06-12
Also published as: CN111814570A

Abstract

本发明公开了一种基于动态阈值的人脸识别方法、系统及存储介质，所述方法包括：获取待识别的人脸图像，计算所述待识别的人脸图像的特征向量；利用更新算法使人脸的特征向量向特征中心方向接近；以更新后的人脸识别底库特征向量用于人脸识别。本发明在人脸识别方面，不改变人脸识别模型的前提下，利用设备端采集的人脸图像对人脸识别底库特征向量做更新，让人脸的特征向量朝着特征中心的方向进行逐步迭代，实现了现场环境的风格迁移，提升了人脸识别率，降低了误识率。

Description

一种基于动态阈值的人脸识别方法、系统及存储介质

技术领域

本发明涉及人脸识别技术领域，尤其涉及一种基于动态阈值的人脸识别方法、系统及存储介质。

背景技术

目前，人脸识别技术已经广泛的应用于人们的生产和生活中。一般的工作流程是，在后台录入人员信息，包括人脸底库，为了保证识别的效果以及安全性，底库的照片需要经过严格的质量评价以及活体检测，并且和终端摄像头获取的图像不是同源的，这可能会产生差异较大得数据分布，进而导致识别率的下降。并且终端设备由于环境没办法控制得很好，比如设备可能部署在光线较暗、逆光的环境中，不会太严苛的控制人脸的质量评判。这些差异较大的图像可能会导致人脸在识别的过程中造成不好的体验。

因此现有技术还有待于进一步发展。

发明内容

针对上述技术问题，本发明实施例提供了一种基于动态阈值的人脸识别方法、系统及存储介质，能够解决现有技术中存在的相关技术问题。

本发明实施例的提供一种基于动态阈值的人脸识别方法，包括：

获取待识别的人脸图像，计算所述待识别的人脸图像的特征向量；

利用更新算法以及所述待识别的人脸图像的特征向量，更新人脸识别底库特征向量，使人脸的特征向量向特征中心方向接近；

以更新后的人脸识别底库特征向量用于人脸识别。

可选地，所述利用更新算法以及所述待识别的人脸图像的特征向量，更新人脸识别底库特征向量，包括：

将所述待识别的人脸图像的特征向量与人脸底库的特征向量进行对比；

若所述待识别的人脸图像的特征向量与人脸底库的特征向量的对比得分大于第一预设阈值，且所述人脸图像的质量满足预设要求时则触发更新机制；

将所述待识别的人脸图像的特征向量作为的更新数据。

可选地，所述利用更新算法以及所述待识别的人脸图像的特征向量，更新人脸识别底库特征向量，还包括：

通过如下公式更新人脸识别底库特征向量：

；其中，中fn表示更新后的底库特征向量，f(n-1)表示更新之前的底库特征向量，fq为设备采集到复杂环境中获取到的特征向量，fg为原始录入的底库人脸特征向量；/>为系数，/>。

可选地，所述的基于动态阈值的人脸识别方法法还包括：

基于不同的设备ID的适用频次使用频次设置不同的阈值；

所述阈值的更新参数由仿真数据集获得。

可选地，所述的基于动态阈值的人脸识别方法法还包括：

根据以下公式为不同设备ID的人脸比对阈值设置不同的更新策略：

；

其中S_k为每一次比对通过的比对得分，取值范围为0≤S_k≤1， T_n为更新后的阈值，T_(n-1)为更新前的阈值。a为经验值，α、β为常数、且α+β=1。

本发明实施例的还提供一种基于动态阈值的人脸识别系统，包括：

特征获取模块，用于获取待识别的人脸图像，计算所述待识别的人脸图像的特征向量；

特征更新模块，用于利用更新算法以及所述待识别的人脸图像的特征向量，更新人脸识别底库特征向量，使人脸的特征向量向特征中心方向接近；

识别模块，以更新后的人脸识别底库特征向量用于人脸识别。

可选地，所述特征获取模块，包括：

将所述待识别的人脸图像的特征向量作为人脸识别底库特征向量的更新数据。

可选地，所述特征更新模块包括：

通过如下公式更新人脸识别底库特征向量：

；其中，中/>表示更新后的底库特征向量，表示更新之前的底库特征向量，/>为设备采集到复杂环境中获取到的特征向量，/>为原始录入的底库人脸特征向量；/>为系数，/>。

可选地，所述特征更新模块，包括：

阈值更新模块：

；

其中为每一次比对通过的比对得分，取值范围为/>，/>为更新后的阈值，/>为更新前的阈值。/>为经验值，/>、/>为常数、且/>。

本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现所述的基于动态阈值的人脸识别方法步骤。

本发明在人脸识别方面，不改变人脸识别模型的前提下，利用设备端采集的人脸图像对人脸识别底库特征向量做更新，让人脸的特征向量朝着特征中心的方向进行逐步迭代，实现了现场环境的风格迁移，提升了人脸识别率，降低了误识率。

附图说明

为了更清楚的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做简单说明。

图1为本发明一实施例中基于动态阈值的人脸识别方法的流程图。

图2为本发明实施例中人脸特征向量的部分向量的示意图。

图3为本发明另一实施例中基于动态阈值的人脸识别方法的流程图。

图4为本发明又一实施例中基于动态阈值的人脸识别方法的流程图。

图5为本发明另一实施例中基于动态阈值的人脸识别系统的模块图。

具体实施方式

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。

以下结合附图对本发明实施例进行详细的描述。

如图1所示，本发明提供的基于动态阈值的人脸识别方法，包括一下步骤：

步骤S100：获取待识别的人脸图像，计算所述待识别的人脸图像的特征向量。

人脸识别模型的训练是对图像做特征维度处理，是向深度学习模型输入待识别人脸图像；接收深度学习模型输出的人脸特征数据。深度学习模型中，输入层在接收到待识别人脸图像后，对待识别人脸图像进行数据处理，以得到高维特征数据；对高维特征数据进行数据降维处理，得到低维特征数据；特征组合层将低维特征数据进行预处理，并对低维特征数据进行合并处理，得到组合特征数据；对组合特征数据进行特征融合，得到人脸特征数据。但并不限于此，也可以有多中对图像处理及特征数据的处理方式。

同样的，在获取到待识别的人脸图像，使用识别模块对图像做处理，在深度学习模型中首选将图像处理为高维特征数据，然后做特征处理，例如降维处理，便于深度学习模型进行一系列的运算与处理，提取出可用的人脸特征。与也可以理解为适用于深度学习模型最终识别任务的人脸特征向量。

步骤S200：利用更新算法以及所述待识别的人脸图像的特征向量，更新人脸识别底库特征向量，使人脸的特征向量向特征中心方向接近。

人脸识别算法依赖于图像质量，在不同场景的识别性能是不一样的，在逆光、黑暗等光线异常的环境，通常会比正常情况下体验差。现有的解决方案是采集场景图片进行再训练，替换模型的方法，但这并不是一个短期就能解决的问题。本发明提出的技术主要就是在不更换模型的前提下，提升算法的性能表现。

具体的，采用使用更新参数的一阶低通滤波算法更新人脸特征向量，通过后录入的特征向量不断更新不同特征向量的类中心点。

如图2所示，特征向量有多个，其中f1、f2、f3是比较靠近的人脸特征向量，而Wa、Wb则是代表类，深度学习的归类算法形成的特征类，以表示不同ID的聚类中心。若特征向量f1、f2、f3属于类Wa，假设单独使用f3作为人脸底库的特征向量，很容易出现f3与另一个类Wb相近（误识别），远离类Wa（识别不了）的现象。

而使用更新参数的一阶低通滤波算法更新人脸底库特征向量，通过后入的特征向量不断更新f1、f2、f3，使其逐渐接近聚类中心，这样的优化是满足于实际使用过程中去缩小类内的间距，增加类间距离的，因此可以很好的解决误识别、识别不了的情况。

当然，图2仅是示意图，实际人脸特征向量有很多，在此仅做举例说明，以便于理解。

步骤S300：以更新后的人脸识别底库特征向量用于人脸识别。

利用上述更新的人脸识别模块未做改动，仅做人脸识别底库特征向量更新，使得人脸识别模型更适用于设备所在环境，并比原有识别率提高了，减少了误识别率。

本发明提供的技术方案，让人脸的特征朝着特征中心方向进行逐步迭代。最后实现底库向现场环境的风格迁移，大大提升了通过率。为了进一步降低误识率，采取了动态阈值的策略，即不同底库的人脸有不同的比对阈值。这种策略在不改动人脸识别模型的前提下，显著的提升了识别率，降低了误识率。

如图3所示，本发明还提供另一种基于动态阈值的人脸识别方法，所述方法包括以下步骤：

步骤S201:将所述待识别的人脸图像的特征向量与人脸底库的特征向量进行对比。

步骤S202:若所述待识别的人脸图像的特征向量与人脸底库的特征向量的对比得分大于第一预设阈值，且所述人脸图像的质量满足预设要求时则触发更新机制。

步骤S203:将所述待识别的人脸图像的特征向量作为人脸识别底库特征向量的更新数据。

假设初始状态下，人脸底库中存在N张原始的不同人脸图像, 以及他们对应的特征向量fn=0=fg。一般而言这些原始的人脸底库是经过严苛的质量判断的，包括活体、人脸光照强度、角度偏移、遮挡情况、角度等的判断。

比如人脸识别设备（常见的有脸识别打卡机，当然不限制此，也可以是手机等移动终端），在使用过程中会采集使用者的人脸图像进行特征提取，提取到的特征fq与底库中的fg进行比对，如果对比的得分大于某一个阈值并且这张人脸图片的质量过了一定程度的质量检测，则触发更新机制。

具体通过如下公式实现人脸识别底库特征向量的更新：

；

其中，中表示更新后的底库特征向量，/>表示更新之前的底库特征向量，/>为设备采集到复杂环境中获取到的特征向量，/>为原始录入的底库人脸特征向量；/>为系数，/>。

当采集的使用者的人脸图像特征向量提取后与人脸底库中的特征向量对比后，得分大于预设阈值，并且所述人脸图像的质量满足要求（活体、人脸光照强度、角度偏移、遮挡情况等），触发更新机制：

新的更新后的底库特征向量：

当采集的使用者的人脸图像的特征向量再次触发更新机制时：

新的更新后的底库特征向量：

综上所述，每次的人脸识别底库特征向量的更新都更趋向于使用环境，人脸识别模型本身则利用了设备使用环境获取的人脸图像优化自身识别能力。其中设置的阈值由于设备的使用环境各不相同，再加上使用的时间也有变化、天气导致的明亮变化等等，所述阈值并不固定；容后详述。

步骤S204:以更新后的人脸识别底库特征向量用于人脸识别。

如图4所示，在上述步骤还可以报考进一步地优化，具体包括以下步骤：

步骤S301: 将所述待识别的人脸图像的特征向量与人脸底库的特征向量进行对比；

步骤S302: 若所述待识别的人脸图像的特征向量与人脸底库的特征向量的对比得分大于第一预设阈值，且所述人脸图像的质量满足预设要求时则触发更新机制；

步骤S303: 将所述待识别的人脸图像的特征向量作为人脸识别底库特征向量的更新数据；

步骤S304: 基于不同的设备ID的使用频次设置不同的阈值。

步骤S301-303与上述实施例相同，仅描述步骤S304。

更进一步地，基于不同的设备ID的使用频次设置不同的阈值；所述动态阈值的更新参数由仿真数据集获得。使用一阶低通滤波器针对上述阈值更新问题作出了解决。例如，根据以下公式为不同设备ID的人脸比对阈值设置不同的更新策略：

；

经过发明人验证，上述提出的技术方案并不能满足所有人脸识别设备的应用场景，但可以满足大部分人脸识别设备的识别需求。为更好的解决相关技术问题，发明人作出了如下进一步地技术发现：

更新底库特征也是存在不好的技术缺陷的，如果出现了误识别，那么底库特征向量的更新将受到极大的影响，所以阈值的设定一般是比较严苛的，如果对于每个不同的ID都使用同一个阈值，则会出现识别困难的情况。并且也能发现，有些人是经常使用这套设备的，其特征更新的频率也会越快，有的人则很少使用这套设备，那更新的频率也会下降，甚至是不发生更新；而这些情况是很普遍的。

对于经常更新底库特征的ID而言，其每一次的比对的得分可能会很高，则可以设置较高的阈值来降低误识别的。对于不经常更新特征的ID而言，其比对的得分往往会较低，设置较低的阈值；这样才能更好地适应不同人、不同人脸图像对人脸识别底库特征向量的更新，完善人脸识别底库特征向量的更新机制，使上述更新机制更合理。

为此本发明提出的第二个策略就是每个ID采取不同的阈值。阈值的设定是根据统计规律得到的。为了防止出现奇异值，使用了一阶低通滤波器。

其中Sk为每一次比对通过的比对得分，且取值范围是0≤Sk≤1，假设总共通过了m次，Tn为更新后的阈值，T(n-1)为更新前的阈值。a为经验值，该参数是在一个仿真数据集上进行试验后得到的参数，意思就是保证一定误识率的情况下，为了确定最低阈值，产生的一个必要的补偿值。α、β为常数且α+β=1。

综上，这样就能达到提升识别率的同时，降低误识率的目的。

如图5所示，本发明提供一种基于动态阈值的人脸识别系统，包括：

特征获取模块401，用于获取待识别的人脸图像，计算所述待识别的人脸图像的特征向量；

特征更新模块402，用于利用更新算法以及所述待识别的人脸图像的特征向量，人脸识别底库特征向量，使人脸的特征向量向特征中心方向接近；

识别模块403，以更新后的人脸识别底库特征向量用于人脸识别。

所述特征获取模块401，包括：

所述特征更新模块402包括：

通过如下公式人脸识别底库特征向量：

所述特征更新模块402，包括：

；

一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现所述的基于动态阈值的人脸识别方法步骤。

本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述任一种基于动态白盒的数据处理方法。

上述电子设备提到的存储介质可以包括随机存取存储器(Random AccessMemory，RAM)，也可以包括非易失性存储器(Non-Volatile Memory，NVM)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。

上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(Digital SignalProcessing，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

以上实施例仅用以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；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims

1.一种基于动态阈值的人脸识别方法，其特征在于，包括：

以更新后的人脸识别底库特征向量用于人脸识别；

所述利用更新算法以及所述待识别的人脸图像的特征向量，更新人脸识别底库特征向量，包括：

将所述待识别的人脸图像的特征向量作为人脸识别底库特征向量的更新数据；

所述利用更新算法以及所述待识别的人脸图像的特征向量，更新人脸识别底库特征向量，还包括：

通过如下公式更新人脸识别底库特征向量：；其中/>表示更新后的底库特征向量，/>表示更新之前的底库特征向量，/>为设备采集到复杂环境中获取到的特征向量，/>为原始录入的底库人脸特征向量；α、β、/>为系数，α+β+/>=1；

基于不同的设备ID的使用频次设置不同的阈值；

所述阈值的更新参数由仿真数据集获得；

；

其中为每一次比对通过的比对得分，取值范围为/>，/>为更新后的阈值，为更新前的阈值；a为经验值,是在仿真数据集上进行试验后得到的参数，/>、/>为常数、且/>+/>=1。

2.一种基于动态阈值的人脸识别系统，其特征在于，包括：

识别模块，以更新后的人脸识别底库特征向量用于人脸识别;

所述特征更新模块，包括：

将所述待识别的人脸图像的特征向量作为人脸识别底库特征向量的更新数据;

所述特征更新模块还包括：

通过如下公式更新人脸识别底库特征向量：

；其中，/>表示更新后的底库特征向量，/>表示更新之前的底库特征向量，/>为设备采集到复杂环境中获取到的特征向量，/>为原始录入的底库人脸特征向量；α、β、/>为系数，α+β+/>=1;

所述特征更新模块，还包括：

阈值更新模块：

；

其中为每一次比对通过的比对得分，取值范围为/>，/>为更新后的阈值，为更新前的阈值，a为经验值,是在仿真数据集上进行试验后得到的参数，/>、/>为常数、且/>+/>=1。

3.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1所述的方法步骤。