CN111984815B - 用于人脸识别的底库更新方法、装置、介质和设备 - Google Patents
用于人脸识别的底库更新方法、装置、介质和设备 Download PDFInfo
- Publication number
- CN111984815B CN111984815B CN201910435132.XA CN201910435132A CN111984815B CN 111984815 B CN111984815 B CN 111984815B CN 201910435132 A CN201910435132 A CN 201910435132A CN 111984815 B CN111984815 B CN 111984815B
- Authority
- CN
- China
- Prior art keywords
- face feature
- feature vector
- face
- base
- user identifier
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 75
- 239000013598 vector Substances 0.000 claims abstract description 526
- 238000004590 computer program Methods 0.000 claims description 9
- 230000009286 beneficial effect Effects 0.000 abstract description 9
- 230000001815 facial effect Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 8
- 238000003384 imaging method Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 238000007499 fusion processing Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- RWSOTUBLDIXVET-UHFFFAOYSA-N Dihydrogen sulfide Chemical compound S RWSOTUBLDIXVET-UHFFFAOYSA-N 0.000 description 1
- 230000004308 accommodation Effects 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000000151 deposition Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000004438 eyesight Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Classifications
-
- 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
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
-
- 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
- G06F16/51—Indexing; Data structures therefor; Storage structures
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Library & Information Science (AREA)
- General Engineering & Computer Science (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Collating Specific Patterns (AREA)
- Image Analysis (AREA)
Abstract
公开了一种用于人脸识别的底库更新方法、装置、介质和设备。其中的方法包括:获取待处理人脸图像的第一人脸特征向量;若预设底库中存在与所述第一人脸特征向量相对应的用户标识,则获取所述用户标识对应的第二人脸特征向量;根据所述第一人脸特征向量和所述第二人脸特征向量,更新所述预设底库中的所述用户标识对应的底图及其参考人脸特征向量;其中,所述第二人脸特征向量融合有所述用户标识对应的多个人脸特征向量。本公开提供的技术方案有利于优化底库中的底图的参考人脸特征向量,从而有利于提高人脸识别的准确率。
Description
技术领域
本公开涉及计算机视觉技术,尤其是涉及一种用于人脸识别的底库更新方法、用于人脸识别的底库更新装置、存储介质以及电子设备。
背景技术
人脸识别技术已经应用于银行、住宿、支付、安防以及公司签到等多种场景中。人脸识别技术通常是利用预先设置的底库来实现的。底库中通常设置有多个用户的用户信息。在底库中为用户设置用户信息,也可以认为是在底库中为用户建立档案。
在采用摄像装置拍摄图像或者从存储信息中读取图像等方式,获得一待识别人脸图像后,可以先提取该待识别人脸图像的人脸特征向量,然后,判断底库中是否存在与该人脸特征向量相匹配的用户信息,如果存在相匹配的用户信息,则可以获得待识别人脸图像对应的用户信息,从而实现人脸识别。
如何提高人脸识别的准确性,是一个值得关注的技术问题。
发明内容
为了解决上述技术问题,提出了本公开。本公开的实施例提供一种用于人脸识别的底库更新方法、用于人脸识别的底库更新装置、存储介质和电子设备。
根据本公开实施例的一方面,提供一种用于人脸识别的底库更新方法,该方法包括:获取待处理人脸图像的第一人脸特征向量;若预设底库中存在与所述第一人脸特征向量相对应的用户标识,则获取所述用户标识对应的第二人脸特征向量;根据所述第一人脸特征向量和所述第二人脸特征向量,更新所述预设底库中的所述用户标识对应的底图及其参考人脸特征向量;其中,所述第二人脸特征向量融合有所述用户标识对应的多个人脸特征向量。
根据本公开实施例的另一个方面,提供了一种用于人脸识别的底库更新装置,包括:第一获取模块,用于获取待处理人脸图像的第一人脸特征向量;第二获取模块,用于若预设底库中存在与所述第一获取模块获取的第一人脸特征向量相对应的用户标识,则获取所述用户标识对应的第二人脸特征向量;更新处理模块,用于根据所述第一获取模块获取的第一人脸特征向量和所述第二获取模块获取的第二人脸特征向量,更新所述预设底库中的所述用户标识对应的底图及其参考人脸特征向量;其中,所述第二人脸特征向量融合有所述用户标识对应的多个人脸特征向量。
根据本公开实施例的再一方面,提供了一种计算机可读存储介质,所述存储介质存储有计算机程序,所述计算机程序用于执行上述用于人脸识别的底库更新方法。
根据本公开实施例的又一方面,提供了一种电子设备,该电子设备包括:处理器;用于存储所述处理器可执行指令的存储器;所述处理器,用于从所述存储器中读取所述可执行指令,并执行所述指令以实现上述用于人脸识别的底库更新方法。
基于本公开上述实施例所提供的一种用于人脸识别的底库更新方法以及装置,通过在更新预设底库中的相应用户标识对应的底图及其参考人脸特征向量的过程中,引入用户标识对应的第二人脸特征向量,由于第二人脸特征向量融合了该用户标识对应的多个人脸特征向量,因此,第二人脸特征向量有利于更好的体现出用户的人脸特征,在底图的图像质量虽好但是其在特征空间中的质量并不理想的情况下,可确保底库中的底图的参考人脸特征向量尽可能得到优化。由此可知,本公开提供的技术方案有利于优化底库中的底图的参考人脸特征向量,从而有利于提高人脸识别的准确率。
下面通过附图和实施例,对本公开的技术方案做进一步的详细描述。
附图说明
构成说明书的一部分的附图描述了本公开的实施例,并且连同描述一起用于解释本公开的原理。
参照附图,根据下面的详细描述,可以更加清楚地理解本公开,其中:
图1为本公开所适用的一个场景示意图;
图2为本公开所适用的另一个场景示意图;
图3为本公开所适用的再一个场景示意图;
图4为本公开的用于人脸识别的底库更新方法的一个实施例的流程图;
图5为本公开的利用待处理人脸图像以及第一人脸特征向量更新预设底库中的相应用户标识所对应的底图及其参考人脸特征向量的一个实施例的流程图;
图6为本公开的执行将待处理人脸图像和第一人脸特征向量添加到用户标识对应的底图及其参考人脸特征向量中的操作的一个实施例的流程图;
图7为本公开的用于人脸识别的底库更新装置一个实施例的结构示意图;
图8为本公开一示例性实施例提供的电子设备的结构图。
具体实施方式
下面将参考附图详细地描述根据本公开的示例实施例。显然,所描述的实施例仅仅是本公开的一部分实施例,而不是本公开的全部实施例,应理解,本公开不受这里描述的示例实施例的限制。
应注意到:除非另外具体说明,否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本公开的范围。
本领域技术人员可以理解,本公开实施例中的“第一”、“第二”等术语仅用于区别不同步骤、设备或模块等,既不代表任何特定技术含义,也不表示它们之间的必然逻辑顺序。
还应理解,在本公开实施例中,“多个”可以指两个或者两个以上,“至少一个”可以指一个、两个或两个以上。
还应理解,对于本公开实施例中提及的任一部件、数据或结构,在没有明确限定或者在前后文给出相反启示的情况下,一般可以理解为一个或多个。
另外,本公开中术语“和/或”,仅是一种描述关联对象的关联关系,表示可以存在三种关系,如A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本公开中字符“/”,一般表示前后关联对象是一种“或”的关系。
还应理解,本公开对各个实施例的描述着重强调各个实施例之间的不同之处,其相同或相似之处可以相互参考,为了简洁,不再一一赘述。
同时,应当明白,为了便于描述,附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。
以下对至少一个示例性实施例的描述实际上仅仅是说明性的,决不作为对本公开及其应用或使用的任何限制。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论,但在适当情况下,所述技术、方法和设备应当被视为说明书的一部分。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步讨论。
本公开的实施例可以应用于终端设备、计算机系统、服务器等电子设备,其可与众多其它通用或者专用计算系统环境或配置一起操作。适于与终端设备、计算机系统或者服务器等电子设备一起使用的众所周知的终端设备、计算系统、环境和/或配置的例子包括但不限于:个人计算机系统、服务器计算机系统、瘦客户机、厚客户机、手持或膝上设备、基于微处理器的系统、机顶盒、可编程消费电子产品、网络个人电脑、小型计算机系统、大型计算机系统和包括上述任何系统的分布式云计算技术环境等等。
终端设备、计算机系统、服务器等电子设备可以在由计算机系统执行的计算机系统可执行指令(诸如程序模块)的一般语境下描述。通常,程序模块可以包括例程、程序、目标程序、组件、逻辑、数据结构等等,它们执行特定的任务或者实现特定的抽象数据类型。计算机系统/服务器可以在分布式云计算环境中实施。在分布式云计算环境中,任务可以是由通过通信网络链接的远程处理设备执行的。在分布式云计算环境中,程序模块可以位于包括存储设备的本地或远程计算系统存储介质上。
本公开概述
在实现本公开的过程中,发明人发现:人脸识别所使用的底库中的底图以及底图的人脸特征向量(下述称为参考人脸特征向量)通常是在为用户创建用户信息时,所采集的底图以及对采集的底图进行特征提取而获得的人脸特征向量。由于底库中的底图及其参考人脸特征向量可能会存在不是用户近期的人脸图像以及参考人脸特征向量质量不佳等因素,因此,可能会影响人脸识别的准确性。
为了提高人脸识别的准确性,目前更新底库中的底图及其参考人脸特征向量的方式通常为:综合考虑图像中的人脸模糊度、是否被遮挡以及人脸尺寸大小等多种因素,以确定图像的质量,并根据图像的质量,决定是否利用该图像以及该图像的人脸特征向量,来更新底库中的底图以及参考人脸图像特征向量。
由于图像的质量可能并不能够准确的反映出图像的人脸特征向量在特征空间中的质量,因此,上述底库更新方式可能会存在没有使底图的参考人脸特征向量得到尽可能优化的现象,从而不利于提高人脸识别的准确性。
示例性概述
利用本公开提供的用于人脸识别的底库更新方法,可以在参考由用户标识对应的多个人脸特征向量所融合形成的第二人脸特征向量的基础上,来更新底库中的底图及其参考人脸特征向量,有利于优化底库中的信息。
本公开的技术方案的适用场景的一个例子如图1所示。
图1中,在银行或者机场或者证券营业厅等场所的一业务办理柜台100位置处,预先设置有摄像装置101和设备102,摄像装置101与设备102连接,摄像装置101和设备102之间可以进行信息交互。设备102可以通过网络与后台服务器连接。摄像装置101可以处于录像状态,从而形成视频,视频中的一个或者多个视频帧可以被作为用户103的照片。另外,摄像装置101也可以在用户103位于业务办理柜台100前时,执行拍照操作;例如,摄像装置101检测到有效人脸图像后,自动执行拍照操作;再例如,业务人员控制摄像装置101执行拍照操作。
设备102可以从摄像装置101处获得至少包含有用户103的脸部区域的至少一张照片,该照片可以称为用户103的人脸图像104。下面以设备102针对一张人脸图像104进行处理为例,进行描述。
设备102或者后台服务器对摄像装置101拍照获得人脸图像104进行特征提取处理,设备102或者后台服务器获得人脸图像104的人脸特征向量。之后,设备102或者后台服务器根据人脸图像104的人脸特征向量以及预先设置的底库105(例如,预先设置于后台服务器中的底库105)中的各条用户信息中的底图的参考人脸特征向量,判断底库105中是否存在与用户103相匹配的用户信息。
如果底库105中存在与用户103相匹配的用户信息,则本次成功识别出用户103,设备102可以获得用户103的用户标识以及用户身份信息等用户信息,业务人员可以根据设备102提供的用户信息为用户103办理相应业务,例如,存取款业务、行李托运业务或者账户信息变更业务等。设备102或者后台服务器可以根据本公开提供的用于人脸识别的底库更新方法执行相应的操作,例如,设备102或者后台服务器从底库105中获取用户103的第三人脸特征向量,并根据人脸图像104及其人脸特征向量以及该第三人脸特征向量,更新预设底库中的用户103的用户标识对应的底图及其参考人脸特征向量。可选的,还可以更新底库105中的用户103的用户标识对应的第三人脸特征向量。
如果底库105中不存在与用户103相匹配的用户信息,则本次未成功识别出用户103。业务人员可以利用设备102在底库105中为用户103创建一条用户信息,创建的该条用户信息可以包括:为用户103设置的用户标识、用户103的身份信息、人脸图像104以及人脸图像104的人脸特征向量等。可选的,还可以包括:用户103的第三人脸特征向量。
本公开的技术方案的适用场景的另一个例子如图2所示。
图2中,在公司大门200位置处,预先设置有摄像装置201和设备202,摄像装置201与设备202连接,摄像装置201和设备202之间可以进行信息交互。
摄像装置201可以处于录像状态,从而形成视频,视频中的一个或者多个视频帧可以被作为公司职员203的照片。另外,摄像装置201也可以在公司职员203位于公司大门200前时,执行拍照操作;例如,摄像装置201检测到有效人脸图像后,自动执行拍照操作;再例如,公司职员203控制摄像装置201执行拍照操作。设备202可以从摄像装置201处获得至少包含有公司职员203的脸部区域的至少一张照片,该照片可以称为公司职员203的人脸图像204。下面以设备202针对一张人脸图像204进行处理为例,进行描述。
设备202对摄像装置201拍照获得人脸图像204进行特征提取处理,从而设备202获得人脸图像204的人脸特征向量。之后,设备202根据人脸图像204的人脸特征向量以及预先设置的底库205中的各条用户信息中的底图的参考人脸特征向量,判断底库205中是否存在与公司职员203相匹配的用户信息。
如果底库205中存在与公司职员203相匹配的用户信息,则成功识别出公司职员203,从而设备202可以获得公司职员203的用户标识以及用户身份信息等用户信息,设备202可以记录当前时间,当前时间可以用于形成公司职员203的考勤信息。另外,设备202可以根据本公开提供的用于人脸识别的底库更新方法,执行相应的操作,例如,设备202从底库205中获取公司职员203的第三人脸特征向量,并根据人脸图像204、人脸图像204的人脸特征向量以及该第三人脸特征向量,更新底库205中的公司职员203的用户标识对应的底图及其参考人脸特征向量。可选的,还可以更新底库205中的用户203的用户标识对应的第三人脸特征向量。
如果底库205中不存在与公司职员203相匹配的用户信息,则本次未成功识别出该公司职员203。公司的相关人员可以利用设备202在底库205中为该公司职员203创建一条用户信息,创建的该条用户信息可以包括:为公司职员203设置的用户标识、公司职员203的身份信息、人脸图像204以及人脸图像204的人脸特征向量等。可选的,还可以包括:用户203的第三人脸特征向量。
本公开的技术方案的适用场景的再一个例子如图3所示。
图3中,仅示意性的示出了3位消费者,即消费者3031、消费者3032以及消费者3033。消费者在商场或超市等购物场所挑选了相应的商品后,需要到结账柜台300位置处结账。结账柜台300位置处预先设置有摄像装置301以及设备302,摄像装置301和设备302连接,摄像装置301和设备302之间可以进行信息交互。设备302可以通过网络与后台服务器(例如,相应支付平台中的服务器等)连接。设备302可以通过读取消费者3031挑选的商品的条形码等方式,获得消费者3031的消费金额。
摄像装置301可以处于录像状态,从而形成视频,视频中的一个或者多个视频帧可以被作为消费者3031的照片。当然,摄像装置301也可以在消费者3031位于结账柜台300前时,执行拍照操作;例如,设备302在获得了消费者3031的消费金额之后,向摄像装置301发送拍照命令,摄像装置301在接收到拍照命令,且检测到有效人脸图像后,自动执行拍照操作;再例如,消费者3031控制摄像装置301执行拍照操作。设备302可以从摄像装置301处获得至少包含有消费者3031的脸部区域的至少一张照片,该照片可以称为消费者3031的人脸图像304。下面以设备302针对一张人脸图像304进行处理为例,进行描述。
设备302或者后台服务器对摄像装置301拍照获得人脸图像304进行特征提取处理,设备302或者后台服务器获得人脸图像304的人脸特征向量。之后,设备302或者后台服务器根据人脸图像304的人脸特征向量以及预先设置的底库305中的各条用户信息中的底图的参考人脸特征向量,判断底库305中是否存在与消费者3031相匹配的用户信息。
如果底库305中存在与消费者3031相匹配的用户信息,则成功识别出消费者3031,从而设备302或者后台服务器可以获得消费者3031的用户标识、用户身份信息以及消费者3031刷脸消费所使用的账号信息等用户信息,设备302或者后台服务器可以根据设备302获得的消费者3031的消费金额,执行支付处理操作。另外,设备302或者后台服务器可以根据本公开提供的用于人脸识别的底库更新方法,执行相应的操作,例如,设备302或者后台服务器从底库305中获取消费者3031的第二人脸特征向量,并根据人脸图像304、人脸图像304的人脸特征向量以及该第二人脸特征向量,更新底库305中的消费者3031的用户标识对应的底图及其参考人脸特征向量。可选的,还可以更新底库305中的用户303的用户标识对应的第三人脸特征向量。
如果底库305中不存在与消费者3031相匹配的用户信息,则本次未成功识别出该消费者3031。消费者3031可以利用智能移动电话等智能中的设备与相应的支付平台进行信息交互,以便于在底库305中为该消费者3031创建一条用户信息,从而使该消费者3031后续可以实现刷脸消费。上述在底库305中新创建的用户信息可以包括:为消费者3031设置的用户标识、消费者3031的身份信息(例如,姓名以及身份证号码等)、消费者3031刷脸消费所使用的账号信息、人脸图像304以及人脸图像304的人脸特征向量等。可选的,还可以包括:用户303的第三人脸特征向量。
示例性方法
图4为本公开的用于人脸识别的底库更新方法的一个实施例的流程示意图。如图4所示,该实施例的方法包括步骤:S400、S401以及S402。下面对各步骤分别进行详细说明。
S400、获取待处理人脸图像的第一人脸特征向量。
可选的,本公开中的待处理人脸图像是指至少包含有人脸的图像。为了清晰描述,本公开将待处理人脸图像的人脸特征向量,称为第一人脸特征向量。本公开中的第一人脸特征向量是指用于描述待处理人脸图像中的人脸特征的向量。
S401、若预设底库中存在与第一人脸特征向量相对应的用户标识,则获取该用户标识对应的第二人脸特征向量。
可选的,本公开中的底库可以是指包含有人脸识别所需信息的信息集合,例如,底库是多条用户信息的信息集合,一条用户信息可以包括:用户标识、用户身份信息、用户的底图以及底图的人脸特征向量等。本公开中的底库可以包括但不限于:能够存储人脸特征向量的列表或者数据库等。本公开中的用户标识通常可以唯一标识一个用户。若预设底库中存在与第一人脸特征向量相对应的用户标识可以是指:如果预设底库中的底图的人脸特征向量(为清晰描述,下述称为参考人脸特征向量)与第一人脸特征向量符合预设要求,则确定预设底库中存在与第一人脸特征向量相对应的用户标识。符合预设要求的该参考人脸特征向量所对应的用户标识即为与第一人脸特征向量相对应的用户标识。
可选的,本公开中的用户标识对应的第二人脸特征向量是指:对该用户标识所对应的多个人脸特征向量进行融合,所形成的人脸特征向量,多个人脸特征向量可以包括但不限于:从底库中获得的该用户标识对应的底图的参考人脸特征向量、上述第一人脸特征向量以及该用户标识对应的历史待识别人脸图像的人脸特征向量。也就是说,用户标识对应的第二人脸特征向量可以融合有预设底库中的该用户标识对应的底图的参考人脸特征向量、上述第一人脸特征向量以及该用户标识对应的历史待识别人脸图像的人脸特征向量。
S402、根据第一人脸特征向量和第二人脸特征向量,更新预设底库中的上述用户标识对应的底图及其参考人脸特征向量。
可选的,本公开中的更新预设底库中的相应用户标识所对应的底图及其参考人脸特征向量可以是指将待处理人脸图像作为底图,并将第一人脸特征向量作为底图的参考人脸特征向量,直接添加到预设底库中的相应用户标识所在的用户信息中,即更新操作可以使预设底库中的相应用户标识所对应的底图数量和参考人脸特征向量的数量增加;也可以是指利用待处理人脸图像和第一人脸特征向量替换预设底库中的相应用户标识所在的用户信息中的底图和参考人脸特征向量,即更新操作并没有使预设底库中的相应用户标识所对应的底图数量和参考人脸特征向量的数量发生变化。
本公开通过在更新预设底库中的相应用户标识对应的底图及其参考人脸特征向量的过程中,引入用户标识对应的第二人脸特征向量,由于第二人脸特征向量融合了该用户标识对应的多个人脸特征向量,因此,第二人脸特征向量有利于更好的体现出用户的人脸特征,在底图的图像质量虽好但是其在特征空间中的质量并不理想的情况下,有利于确保底库中的底图的参考人脸特征向量尽可能得到优化。由于本公开提供的技术方案有利于优化底库中的底图的参考人脸特征向量,因此,本公开有利于提高人脸识别的准确率。
在一个可选示例中,本公开中的待处理人脸图像包括但不限于:RGB图像或者灰度图像等。本公开可以基于摄像装置的拍摄方式,获得待处理人脸图像,例如,控制拍摄装置针对用户脸部执行拍照操作或者录像操作,拍照获得照片被作为本公开中的待处理人脸图像,录像形成的视频中的视频帧也可以被作为本公开中的待处理人脸图像。本公开也可以基于存储信息读取方式,获得待处理人脸图像,例如,从本地存储设备的相应文件夹中读取出一张人脸图像,并将该人脸图像作为待处理人脸图像。本公开不限制待处理人脸图像的获得方式。
在一个可选示例中,本公开可以利用神经网络来获取待处理人脸图像的第一人脸特征向量,例如,将待处理人脸图像做为输入,提供给神经网络,由神经网络中的卷积层等对待处理人脸图像进行特征提取操作,本公开可以根据神经网络的输出获得待处理人脸图像的人脸特征向量,即第一人脸特征向量。第一人脸特征向量可以认为是人脸特征空间中的一个点。
在一个可选示例中,本公开中的待处理人脸图像的数量可以为一个或者多个。例如,利用摄像装置针对一个用户进行连续拍照,从而获得该用户的多张待处理人脸图像,本公开可以利用神经网络对多张待处理人脸图像分别进行特征提取操作,从而获得各待处理人脸图像的第一人脸特征向量。
在一个可选示例中,如果预设底库中不存在与第一人脸特征向量相对应的用户标识,则本公开可以执行在预设底库中为该用户创建用户信息的操作。本公开不限制为用户创建用户信息的具体实现过程。
在一个可选示例中,本公开中的用户标识对应的第二人脸特征向量通常不仅融合有预设底库中的该用户标识所对应的所有底图的参考人脸特征向量,还可以融合有没有被作为底图的人脸图像的人脸特征向量。没有被作为底图的人脸图像可以包括上述待处理人脸图像。例如,在预设底库中存在与第一人脸特征向量相对应的用户标识的情况下,无论是否利用待处理人脸图像对预设底库中的该用户标识所对应的底图进行更新,待处理人脸图像的第一人脸特征向量都可以被融合在该用户标识对应的第二人脸特征向量中。
假定用户标识对应的第二人脸特征向量是由一用户的多张人脸图像各自的人脸特征向量融合形成的,如果将该用户的多张人脸图像各自的人脸特征向量分别看做是人脸特征空间中的一个点,即人脸特征空间中存在多个点,那么该用户标识对应的第二人脸特征向量可以认为是这多个点的中心点,从而用户标识对应的第二人脸特征向量可以认为是该用户标识对应的中心点人脸特征向量。
在一个可选示例中,本公开中的底库中可以存储有各用户标识各自对应的第三人脸特征向量,一个用户标识对应的第三人脸特征向量至少融合了该用户标识对应的所有底图的参考人脸特征向量。通常情况下,一个用户标识对应的第三人脸特征向量还可能融合了该用户标识对应的历史人脸图像的人脸特征向量,且该用户标识对应的历史人脸图像并没有被作为该用户标识对应的底图而设置于底库中。用户标识对应的历史人脸图像可以包括:用户标识对应的历史待处理人脸图像。例如,在预设底库中存在与历史待处理人脸图像的第一人脸特征向量相对应的用户标识的情况下,无论是否利用该历史待处理人脸图像对预设底库中的该用户标识所对应的底图进行更新,该历史待处理人脸图像的第一人脸特征向量都可以被融合在该用户标识对应的第三人脸特征向量中,并将该第三人脸特征向量存储于预设底库中。
在一个可选示例中,本公开可以在判断出预设底库中存在与第一人脸特征向量相对应的用户标识的情况下,首先,从预设底库中获取该用户标识对应的第三人脸特征向量;其次,本公开根据第一人脸特征向量和第三人脸特征向量,获得第二人脸特征向量。例如,本公开可以对第一人脸特征向量和第三人脸特征向量进行融合处理,从而获得第二人脸特征向量。在上述图2所示的适用场景的示例中,本公开中的第一人脸特征向量可以是公司职员203的人脸图像204的人脸特征向量;本公开中的第三人脸特征向量可以是底库205中存在与公司职员203相匹配的用户信息中的第三人脸特征向量,例如,由底库205中存在与公司职员203相匹配的用户信息中的多个底图人脸特征向量融合而成的人脸特征向量;本公开中的用户标识可以是公司职员203的员工代码或者员工编码等。
本公开通过在底库中为用户标识设置第三人脸特征向量,例如,为各用户标识分别设置第三人脸特征向量,从而可以非常便捷的获得相应用户标识对应的第三人脸特征向量。由于一用户标识对应的第三人脸特征向量已经融合了该用户标识对应的多个人脸特征向量,例如,不仅融合了该用户标识对应的所有底图的参考人脸特征向量,并且还可能融合了该用户标识对应的至少一历史待处理人脸图像的人脸特征向量,因此,本公开通过利用对应同一用户标识的第三人脸特征向量和第一人脸特征向量,可以便捷的获得融合有该用户标识对应的多种类型(例如,底图类型、历史待处理人脸图像类型以及待处理人脸图像类型)的人脸图像的人脸特征向量,从而不仅有利于提高获得用户标识对应的第二人脸特征向量的效率,还有利于提高第二人脸特征向量描述用户标识对应的人脸特征的准确性。
在一个可选示例中,本公开可以为底库中的各用户标识各自对应的第三人脸特征向量分别设置初始值。例如,在底库中为一用户创建一条新的用户信息的过程中,在为该用户分配了用户标识,并在底库中存储了该用户的各底图及其参考人脸特征向量之后,本公开可以根据底库中当前存储的该用户的各底图的参考人脸特征向量,为该用户标识对应的第三人脸特征向量设置初始值。例如,对底库中存储的该用户标识对应的所有底图的参考人脸特征向量进行融合处理,并将融合处理所形成的人脸特征向量作为该用户标识对应的第三人脸特征向量存储在底库中。本公开可以对底库中的各用户标识各自对应的参考人脸特征向量进行批量融合处理,从而批量形成各用户标识各自对应的第三人脸特征向量的初始值。
本公开可以采用下述公式(1)为用户标识对应的第三人脸特征向量设置初始值:
F3=(C1+C2+......+CM)/M 公式(1)
在上述公式(1)中,F3表示为用户标识对应的第三人脸特征向量设置的初始值,F3可以表示为:F3={f31,f32,f33,......,f3n};C1表示第一张底图的参考人脸特征向量,C1可以表示为:C1={c11,c12,c13,......,c1n};C2表示第二张底图的参考人脸特征向量,C2可以表示为:C2={c21,c22,c23,......,c2n};CM表示第M张底图的参考人脸特征向量,CM可以表示为:CM={cM1,cM2,cM3,......,cMn},n表示人脸特征向量所包含的元素数量;M表示用户标识对应的底图的数量。
本公开通过利用底库中的用户标识对应的底图的参考人脸特征向量,为该用户标识对应的第三人脸特征向量设置初始值,有利于使用户标识对应的第三人脸特征向量的初始值可以较好的描述用户标识对应的人脸特征,进而有利于提高第二人脸特征向量描述用户标识对应的人脸特征的准确性。
在一个可选示例中,本公开可以在考虑待处理人脸图像的数量以及第三人脸特征向量所融合的人脸特征向量的数量的基础上,对对应同一用户标识的第一人脸特征向量以及第三人脸特征向量进行特征融合处理,从而获得该用户标识对应的第二人脸特征向量。例如,假定待处理人脸图像的数量为n1,相应用户标识对应的第三人脸特征向量所融合的人脸特征向量的数量为n2,则本公开可以采用下述公式(2)进行计算:
F2=F3×n2/(n1+n2)+A1/(n1+n2)+......+An1/(n1+n2) 公式(2)
在上述公式(2)中,F2表示为用户标识对应的第二人脸特征向量,F2可以表示为:F2={f21,f22,f23,......,f2n};F3表示预设底库中的该用户标识对应的第三人脸特征向量,F3可以表示为:F3={f31,f32,f33,......,f3n},n表示人脸特征向量所包含的元素数量。
需要说明的是,虽然本公开可以直接将上述公式(2)计算出的F2作为第二人脸特征向量,但是,本公开也可以对上述计算出的F2进行进一步的处理,并将进一步的处理结果作为第二人脸特征向量。
本公开通过利用待处理人脸图像的数量以及第三人脸特征向量所融合的人脸特征向量的数量,来计算用户标识对应的第二人脸特征向量,为获得用户标识对应的第二人脸特征向量提供了一种可行的方式,由于第二人脸特征向量融合了第一人脸特征向量和第三人脸特征向量,而第三人脸特征向量自身就融合了多个人脸特征向量,因此,本公开有利于提高第二人脸特征向量描述用户标识对应的人脸特征的准确性。
在一个可选示例中,本公开可以在考虑待处理人脸图像的数量、第三人脸特征向量所融合的人脸特征向量的数量以及第三人脸特征向量的更新时间的基础上,对对应同一用户标识的第一人脸特征向量以及第三人脸特征向量进行特征融合处理,从而获得该用户标识对应的第二人脸特征向量。例如,本公开可以根据第三人脸特征向量所融合的人脸特征向量的数量、待处理人脸图像的数量以及第三人脸特征向量的更新时间与当前时间之间的时间差,确定第一人脸特征向量对应的第一权值和第三人脸特征向量对应的第二权值,其中,第三人脸特征向量的更新时间与当前时间之间的时间差越大,则第一人脸特征向量对应的第一权值可以越大,而第三人脸特征向量所对应的第二权值可以越小;之后,本公开而可以根据上述确定出的第一权值和第二权值,计算第一人脸特征向量和第三人脸特征向量的加权平均向量,本公开可以直接将计算出的加权平均向量作为第二人脸特征向量,也可以对计算出的加权平均向量进行进一步的处理,并将进一步处理的结果作为第二人脸特征向量。上述时间差的单位可以为小时、天或者周等。
本公开通过利用待处理人脸图像的数量、第三人脸特征向量所融合的人脸特征向量的数量以及更新时间,来确定第一权值和第二权值,并利用第一权值和第二权值来计算用户标识对应的第二人脸特征向量,为获得用户标识对应的第二人脸特征向量提供了一种可行的方式;由于第三人脸特征向量的更新时间可以反映出:第三人脸特征向量所融合的人脸特征向量的陈旧程度,因此,本公开可以降低时间陈旧的人脸特征向量在第二人脸特征向量中的比重,提高时间新鲜的人脸特征向量在第二人脸特征向量中的比重,这样,可以使第二人脸特征向量所描述的人脸特征能够更准确的反映出用户当前人脸特征;从而有利于提高第二人脸特征向量描述用户的当前人脸特征的准确性。
在一个可选示例中,本公开确定第一权值和第二权值的一个例子可以为:先根据第三人脸特征向量的最新更新时间与当前时间之间的时间差,确定系数,然后,计算第三人脸特征向量所融合的人脸特征向量的数量与该系数的乘积,并计算乘积与待处理人脸图像的数量之和;本公开中的第一权值可以由上述乘积与上述之和的商确定,本公开中的第二权值可以上述待处理人脸图像的数量与上述之和的商确定。上述系数通常大于零小于等于1,且时间差越大该系数越小。
在基于数量以及更新时间,来确定第二人脸特征向量的情况下,本公开可以采用下述公式(3)计算第二人脸特征向量:
F2=F3×n2×k/(n1+n2×k)+A1/(n1+n2×k)+......+An1/(n1+n2×k)
公式(3)
在上述公式(3)中,F2表示为用户标识对应的第二人脸特征向量,F2可以表示为:F2={f21,f22,f23,......,f2n};F3表示底库中的用户标识对应的第三人脸特征向量,F3可以表示为:F3={f31,f32,f33,......,f3n};n2×k/(n1+n2×k)表示第三人脸特征向量对应的第二权值;A1表示第一张待处理人脸图像的人脸特征向量,A1可以表示为:A1={a11,a12,a13,......,a1n};An1表示第n1张待处理人脸图像的人脸特征向量,An1可以表示为:An1={an11,an12,an13,......,an1n};k表示系数,n1表示待处理人脸图像的数量,n2表示用户标识对应的第三人脸特征向量所融合的人脸特征向量的数量;1/(n1+n2×k)表示第一人脸特征向量所对应的第一权值,n表示人脸特征向量所包含的元素数量。
本公开通过利用更新时间设置系数,并基于系数、待处理人脸图像的数量以及第三人脸特征向量融合的人脸特征向量的数量来确定第一权值和第二权值,使第一权值和第二权值不仅能够体现出第一人脸特征向量和第三人脸特征向量的数量,还能够体现出第一人脸特征向量和第三人脸特征向量的陈旧程度,从而利用第一权值和第二权值有利于降低时间陈旧的人脸特征向量在第二人脸特征向量中的比重,提高时间新鲜的人脸特征向量在第二人脸特征向量中的比重,进而本公开可以使第二人脸特征向量所描述的人脸特征能够更准确的反映出用户当前人脸特征;有利于提高第二人脸特征向量描述用户的当前人脸特征的准确性。
在一个可选示例中,本公开可以针对第一人脸特征向量和第二人脸特征向量设置相应的条件,如果根据该条件判断出需要更新底库,则可以利用待处理人脸图像以及第一人脸特征向量更新预设底库中的相应用户标识所对应的底图及其参考人脸特征向量,否则,本公开不对底库中的底图及其参考人脸特征向量进行更新处理。一个例子如图5所示。
图5中,S500、判断第二人脸特征向量所融合的人脸特征向量的数量是否满足预设数量要求,如果判断结果为第二人脸特征向量所融合的人脸特征向量的数量满足预设数量要求,则到S501,如果判断结果为第二人脸特征向量所融合的人脸特征向量的数量不满足预设数量要求,则到S504。
可选的,上述判断第二人脸特征向量所融合的人脸特征向量的数量是否满足预设数量要求可以具体为:判断第二人脸特征向量所融合的人脸特征向量的数量是否达到预定数量或者是否超过预定数量等。相应的,第二人脸特征向量所融合的人脸特征向量的数量满足预设数量要求可以具体为:第二人脸特征向量所融合的人脸特征向量的数量达到预定数量或者超过预定数量等,其中,预定数量可以基于底库存储一用户的底图的最大数量来确定。
S501、计算第一人脸特征向量与第二人脸特征向量的距离。到S502。
可选的,本公开可以计算第一人脸特征向量与第二人脸特征向量之间的欧式距离。在待处理人脸图像的数量为多个时,本公开可以分别计算每一个第一人脸特征向量与第二人脸特征向量之间的欧式距离。例如,可以利用下述公式(4)计算第一人脸特征向量与第二人脸特征向量之间的欧式距离:
在上述公式(4)中,n表示人脸特征向量所包含的元素数量,ai表示第一人脸特征向量中的第i个元素;f2i表示第二人脸特征向量中的第i个元素。
利用上述公式(4)可以计算出每一张待处理人脸图像的第一人脸特征向量分别与第二人脸特征向量之间的欧式距离。
S502、判断计算出的距离是否满足预定距离要求;如果判断结果为计算出的距离满足预定距离要求,则到S503;如果判断结果为计算出的距离不满足预定距离要求,则到S504。
可选的,上述判断计算出的距离是否满足预定距离要求可以具体为:判断计算出的距离是否小于一距离值,例如,该距离值可以为相应用户标识对应的各底图的参考人脸特征向量到第二人脸特征向量的距离中的最大距离(如最大欧式距离等)。相应的,计算出的距离满足预定距离要求可以具体为:计算出的距离小于一距离值。
本公开可以利用下述公式(5)计算出每一张底图的参考人脸特征向量分别与第二人脸特征向量之间的欧式距离:
在上述公式(5)中,n表示人脸特征向量所包含的元素数量,ci表示底图的参考人脸特征向量中的第i个元素;f2i表示第二人脸特征向量中的第i个元素。
S503、执行将待处理人脸图像和第一人脸特征向量添加到用户标识对应的底图及其参考人脸特征向量中的操作。
可选的,本公开在执行将待处理人脸图像和第一人脸特征向量添加到用户标识对应的底图及其参考人脸特征向量中的操作的过程中,预设底库对底图的数量要求。例如,如果预设底库对用户标识所对应的底图数量有最大数量要求,则应考虑该用户标识所对应的底图的数量以及待处理人脸图像的数量。一个具体的例子如图下述针对图6的描述。
S504、不对底库中的底图及其参考人脸特征向量进行更新处理。
由于第二人脸特征向量融入了用户标识对应的用户的多张人脸图像的人脸特征向量,因此,第二人脸特征向量可以较好的描述该用户的人脸特征,本公开通过利用预定距离要求来衡量第一人脸特征向量与第二人脸特征向量之间的距离,可以确定出待处理人脸图像的第一人脸特征向量是否能够较好描述用户的人脸特征,从而本公开可以利用能够较好描述用户的人脸特征的第一人脸特征向量和相应的待处理人脸图像,来执行更新底图及其参考人脸特征向量的操作;尤其是,当预定距离要求为是否小于用户标识对应的各底图的参考人脸特征向量到第二人脸特征向量的距离中的最大距离时,有利于使预设底库中的底图的参考人脸特征向量能够更准确的反映用户的人脸特征,从而有利于优化底库中的参考人脸特征向量,进而有利于提高人脸识别的准确性。
图6中,S600、计算用户标识对应的底图的数量与待处理图像的数量之和。
S601、判断用户标识对应的底图的数量与待处理人脸图像的数量之和是否超过底图最大数量N。如果用户标识对应的底图的数量与待处理图像的数量之和未超过底图最大数量N,则到S602。如果用户标识对应的底图的数量与述待处理图像的数量之和超过底图最大数量N,则到S603。
可选的,预设底库中的各用户标识所对应的底图最大数量N可以相同。
S602、将待处理人脸图像和第一人脸特征向量分别作为用户标识对应的底图及其参考人脸特征向量,添加到预设底库中。也就是说,本公开增加了预设底库中的该用户标识所对应的底图的数量。
S603、对用户标识对应的各底图的参考人脸特征向量分别与第二人脸特征向量的距离、以及第一人脸特征向量与第二人脸特征向量的距离进行排序。到S604。
可选的,本公开可以按照距离从小到大的顺序,对各距离进行排序。
S604、判断距离最小的前N个距离中,是否存在第一人脸特征向量与第二人脸特征向量的距离,如果存在,则到S605。如果不存在,则到S606。
S605、利用前N个距离中的第一人脸特征向量和待处理人脸图像替换相应的底图以及参考人脸特征向量。
可选的,本公开可以利用前N个距离中的第一人脸特征向量和待处理人脸图像,来替换预设底库中的未排在前N个距离中的底图的参考人脸特征向量和底图;例如,如果预设底库中的第i个底图的参考人脸特征向量与第二人脸特征向量的距离不属于距离最小的前N个距离,而第j个第一人脸特征向量与第二人脸特征向量的距离位于前N个距离,则可以利用第j个待处理人脸图像和第j个第一人脸特征向量替换预设底库中的第i个底图及其参考人脸特征向量。
S606、不对底库中的底图及其参考人脸特征向量进行更新处理。
由于第二人脸特征向量融入了用户标识对应的用户的多张人脸图像的人脸特征向量,因此,第二人脸特征向量可以较好的描述该用户的人脸特征,从而第一人脸特征向量与第二人脸特征向量之间的距离可以体现出第一人脸特征向量描述人脸特征的准确性;本公开通过利用与第二人脸特征向量距离小的第一人脸特征向量以及待处理人脸图像,来更新用户标识对应的底图及其参考人脸特征向量,有利于使预设底库中的底图的参考人脸特征向量能够更准确的反映用户的人脸特征,从而有利于提高人脸识别的准确性。
在一个可选示例中,不论本公开是否利用待处理人脸图像以及第一人脸特征向量来更新预设底库中的相应用户标识对应的底图及其参考人脸特征向量,只要预设底库中存在与第一人脸特征向量相对应的用户标识,则本公开均可以将预设底库中的该用户标识对应的第三人脸特征向量,更新为第二人脸特征向量,从而可以使预设底库中的该用户标识对应的第三人脸特征向量不断的融入该用户标识对应的用户的人脸图像,有利于第三人脸特征向量描述用户的当前人脸特征的准确性,进而有利于提高第二人脸特征向量描述用户的当前人脸特征的准确性。
示例性装置
图7为本公开提供的用于人脸识别的底库更新装置的一个实施例的结构示意图。该实施例的装置可用于实现本公开上述各方法实施例。如图7所示,该实施例的装置包括:第一获取模块700、第二获取模块701和更新处理模块702。可选的,该装置还可以包括:设置初始值模块703以及创建用户信息模块704。
第一获取模块700用于获取待处理人脸图像的第一人脸特征向量。
第二获取模块701用于若预设底库中存在与第一获取模块700获取的第一人脸特征向量相对应的用户标识,则获取该用户标识对应的第二人脸特征向量。其中,第二人脸特征向量融合有该用户标识对应的多个人脸特征向量。
可选的,第二获取模块701可以包括第一子模块和第二子模块。其中的第一子模块用于若预设底库中存在与第一获取模块700获取的第一人脸特征向量相对应的用户标识,则从预设底库中获取该用户标识对应的第三人脸特征向量。其中的第二子模块用于根据第一获取模块700获取的第一人脸特征向量和第一子模块获取的第三人脸特征向量,获得第二人脸特征向量。
可选的,第二子模块可根据第一人脸特征向量、待处理人脸图像的数量、第三人脸特征向量以及第三人脸特征向量所融合的人脸特征向量的数量,确定该用户标识对应的人脸特征向量平均向量;其中,第二人脸特征向量由该用户标识对应的人脸特征向量平均向量确定。具体可以参见上述实施例中针对公式(2)的描述。在此不再详细说明。
可选的,第二子模块可以根据第三人脸特征向量所融合的人脸特征向量的数量、待处理人脸图像的数量以及所述第三人脸特征向量的更新时间与当前时间之间的时间差,确定第一人脸特征向量对应的第一权值和所述第三人脸特征向量对应的第二权值;然后,第二子模块可以根据第一权值和第二权值,确定第一人脸特征向量和第三人脸特征向量的加权平均向量;其中,第二人脸特征向量由加权平均向量确定。例如,第二子模块可以根据第三人脸特征向量的最新更新时间与当前时间之间的时间差,确定系数,该系数大于零小于等于1,时间差越大系数越小;之后,第二子模块计算第三人脸特征向量所融合的人脸特征向量的数量与该系数的乘积,并计算乘积与待处理人脸图像的数量之和;其中,第一权值由待处理人脸图像的数量与上述之和的商确定,第二权值由所述乘积与上述之和的商确定。具体可以参见上述实施例中针对公式(3)的描述。在此不再详细说明。
更新处理模块702用于根据第一获取模块700获取的第一人脸特征向量和第二获取模块701获取的第二人脸特征向量,更新预设底库中的该用户标识对应的底图及其参考人脸特征向量。
可选的,更新处理模块702在第二人脸特征向量所融合的人脸特征向量的数量满足预设数量要求的情况下,计算第一人脸特征向量与所述第二人脸特征向量的距离(如欧式距离);之后,更新处理模块702判断计算出的距离是否满足预定距离要求,如果计算出的距离满足预定距离要求,则更新处理模块702将待处理人脸图像和第一人脸特征向量添加到用户标识对应的底图及其参考人脸特征向量中。例如,如果计算出的距离小于用户标识对应的各底图的参考人脸特征向量到第二人脸特征向量的距离中的最大距离,则更新处理模块702将待处理人脸图像和第一人脸特征向量添加到用户标识对应的底图及其参考人脸特征向量中。
可选的,更新处理模块702执行的将所述待处理人脸图像和第一人脸特征向量添加到用户标识对应的底图及其参考人脸特征向量中的操作可以为:如果更新处理模块702判断出用户标识对应的底图的数量与待处理图像的数量之和未超过底图最大数量,则更新处理模块702将待处理人脸图像和第一人脸特征向量添加到用户标识对应的底图及其参考人脸特征向量中;如果更新处理模块702判断出用户标识对应的底图的数量与待处理图像的数量之和超过底图最大数量,则更新处理模块702根据各底图的参考人脸特征向量分别与第二人脸特征向量的距离以及第一人脸特征向量与所述第二人脸特征向量的距离排序,利用相应的待处理人脸图像和第一人脸特征向量替换所述用户标识对应的相应底图及其参考人脸特征向量。
可选的,在预设底库中存在与第一获取模块700获取的第一人脸特征向量相对应的用户标识的情况下,更新处理模块702还可以根据第二人脸特征向量,更新预设底库中的用户标识对应的第三人脸特征向量。
设置初始值模块703用于根据预设底库中的用户标识对应的各底图的参考人脸特征向量,形成用户标识对应的第三人脸特征向量的初始值。
创建用户信息模块704用于在预设底库中不存在与第一获取模块700获取的第一人脸特征向量相对应的用户标识的情况下,在预设底库中为用户创建一条用户信息。本公开不限制创建用户信息模块704在预设底库中为用户创建一条用户信息的具体实现过程。
示例性电子设备
下面参考图8来描述根据本公开实施例的电子设备。图8示出了根据本公开实施例的电子设备的框图。如图8所示,电子设备81包括一个或多个处理器811和存储器812。
处理器811可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元,并且可以控制电子设备81中的其他组件以执行期望的功能。
存储器812可以包括一个或者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,例如易失性存储器和/或非易失性存储器。所述易失性存储器,例如,可以包括:随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器,例如,可以包括:只读存储器(ROM)、硬盘以及闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令,处理器811可以运行所述程序指令,以实现上文所述的本公开的各个实施例的用于人脸识别的底库更新方法以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如输入信号、信号分量、噪声分量等各种内容。
在一个示例中,电子设备81还可以包括:输入装置813以及输出装置814等,这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。此外,该输入设备813还可以包括例如键盘、鼠标等等。该输出装置814可以向外部输出各种信息。该输出设备814可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然,为了简化,图8中仅示出了该电子设备81中与本公开有关的组件中的一些,省略了诸如总线、输入/输出接口等等的组件。除此之外,根据具体应用情况,电子设备81还可以包括任何其他适当的组件。
示例性计算机程序产品和计算机可读存储介质
除了上述方法和设备以外,本公开的实施例还可以是计算机程序产品,其包括计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本公开各种实施例的用于人脸识别的底库更新方法中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本公开实施例操作的程序代码,所述程序设计语言包括面向对象的程序设计语言,诸如Java、C++等,还包括常规的过程式程序设计语言,诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外,本公开的实施例还可以是计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本公开各种实施例的用于人脸识别的底库更新方法中的步骤。
所述计算机可读存储介质可以采用一个或者多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于:电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列举)可以包括:具有一个或者多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
以上结合具体实施例描述了本公开的基本原理,但是,需要指出的是,在本公开中提及的优点、优势、效果等仅是示例而非限制,不能认为这些优点、优势以及效果等是本公开的各个实施例必须具备的。另外,上述公开的具体细节仅是为了示例的作用和便于理解的作用,而非限制,上述细节并不限制本公开为必须采用上述具体的细节来实现。
本说明书中各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其它实施例的不同之处,各个实施例之间相同或相似的部分相互参见即可。对于系统实施例而言,由于其与方法实施例基本对应,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本公开中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的,可以按任意方式连接、布置、配置这些器件、装置、设备以及系统。诸如“包括”、“包含、“具有”等等的词语是开放性词汇,指“包括但不限于”,且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”,且可与其互换使用,除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”,且可与其互换使用。
可能以许多方式来实现本公开的方法和装置。例如,可通过软件、硬件、固件或者软件、硬件、固件的任何组合来实现本公开的方法和装置。用于所述方法的步骤的上述顺序仅是为了进行说明,本公开的方法的步骤不限于以上具体描述的顺序,除非以其它方式特别说明。此外,在一些实施例中,还可将本公开实施为记录在记录介质中的程序,这些程序包括用于实现根据本公开的方法的机器可读指令。因而,本公开还覆盖存储用于执行根据本公开的方法的程序的记录介质。
还需要指出的是,在本公开的装置、设备和方法中,各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本公开的等效方案。
提供所公开的方面的以上描述,以使本领域的任何技术人员能够做出或者使用本公开。对这些方面的各种修改等对于本领域技术人员而言,是非常显而易见的,并且在此定义的一般原理可以应用于其他方面,而不脱离本公开的范围。因此,本公开不意图被限制到在此示出的方面,而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外,此描述不意图将本公开的实施例限制到在此公开的形式中。尽管以上已经讨论了多个示例方面以及实施例,但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (12)
1.一种用于人脸识别的底库更新方法,包括:
获取待处理人脸图像的第一人脸特征向量;
若预设底库中存在与所述第一人脸特征向量相对应的用户标识,则获取所述用户标识对应的第二人脸特征向量;
根据所述第一人脸特征向量和所述第二人脸特征向量,更新所述预设底库中的所述用户标识对应的底图及其参考人脸特征向量;
其中,所述第二人脸特征向量融合有所述用户标识对应的多个人脸特征向量;
其中,所述获取所述用户标识对应的第二人脸特征向量,包括:
从预设底库中获取所述用户标识对应的第三人脸特征向量;
根据所述第一人脸特征向量和所述第三人脸特征向量,获得所述第二人脸特征向量。
2.根据权利要求1所述的方法,其中,所述方法还包括:
根据预设底库中的所述用户标识对应的各底图的参考人脸特征向量,形成所述用户标识对应的第三人脸特征向量的初始值。
3.根据权利要求1或2所述的方法,其中,所述根据所述第一人脸特征向量和所述第三人脸特征向量,获得所述第二人脸特征向量,包括:
根据所述第一人脸特征向量、所述待处理人脸图像的数量、所述第三人脸特征向量以及所述第三人脸特征向量所融合的人脸特征向量的数量,确定所述用户标识对应的人脸特征向量平均向量;
其中,所述第二人脸特征向量由所述用户标识对应的人脸特征向量平均向量确定。
4.根据权利要求1或2所述的方法,其中,所述根据所述第一人脸特征向量和所述第三人脸特征向量,获得所述第二人脸特征向量,包括:
根据所述第三人脸特征向量所融合的人脸特征向量的数量、所述待处理人脸图像的数量以及所述第三人脸特征向量的更新时间与当前时间之间的时间差,确定所述第一人脸特征向量对应的第一权值和所述第三人脸特征向量对应的第二权值;
根据所述第一权值和第二权值,确定所述第一人脸特征向量和所述第三人脸特征向量的加权平均向量;
其中,所述第二人脸特征向量由所述加权平均向量确定。
5.根据权利要求4所述的方法,其中,所述根据所述第三人脸特征向量所融合的人脸特征向量的数量、所述待处理人脸图像的数量以及所述第三人脸特征向量的更新时间与当前时间之间的时间差,确定所述第一人脸特征向量对应的第一权值和所述第三人脸特征向量对应的第二权值,包括:
根据所述第三人脸特征向量的最新更新时间与当前时间之间的时间差,确定系数,所述系数大于零小于等于1,所述时间差越大所述系数越小;
计算所述第三人脸特征向量所融合的人脸特征向量的数量与所述系数的乘积,并计算所述乘积与所述待处理人脸图像的数量之和;
其中,所述第一权值由所述待处理人脸图像的数量与所述之和的商确定,所述第二权值由所述乘积与所述之和的商确定。
6.根据权利要求1所述的方法,其中,所述根据所述第一人脸特征向量和所述第二人脸特征向量,更新所述预设底库中的所述用户标识对应的底图及其参考人脸特征向量,包括:
若所述第二人脸特征向量所融合的人脸特征向量的数量满足预设数量要求,则计算所述第一人脸特征向量与所述第二人脸特征向量的距离;
若所述距离满足预定距离要求,则将所述待处理人脸图像和第一人脸特征向量添加到所述用户标识对应的底图及其参考人脸特征向量中。
7.根据权利要求6所述的方法,其中,所述若所述距离满足预定距离要求,则将所述待处理人脸图像和第一人脸特征向量添加到所述用户标识对应的底图和参考人脸特征向量中,包括:
若所述距离小于所述用户标识对应的各底图的参考人脸特征向量到所述第二人脸特征向量的距离中的最大距离,则将所述待处理人脸图像和第一人脸特征向量添加到所述用户标识对应的底图及其参考人脸特征向量中。
8.根据权利要求6或7所述的方法,其中,所述将所述待处理人脸图像和第一人脸特征向量添加到所述用户标识对应的底图及其参考人脸特征向量中,包括:
若所述用户标识对应的底图的数量与所述待处理人脸图像的数量之和未超过底图最大数量,则将所述待处理人脸图像和第一人脸特征向量添加到所述用户标识对应的底图及其参考人脸特征向量中;
若所述用户标识对应的底图的数量与所述待处理人脸图像的数量之和超过底图最大数量,则根据所述各底图的参考人脸特征向量分别与所述第二人脸特征向量的距离以及所述第一人脸特征向量与所述第二人脸特征向量的距离排序,利用相应的待处理人脸图像和第一人脸特征向量替换所述用户标识对应的相应底图及其参考人脸特征向量。
9.根据权利要求1所述的方法,其中,所述方法还包括:
根据所述第二人脸特征向量,更新所述预设底库中的所述用户标识对应的第三人脸特征向量。
10.一种用于人脸识别的底库更新装置,包括:
第一获取模块,用于获取待处理人脸图像的第一人脸特征向量;
第二获取模块,用于若预设底库中存在与所述第一获取模块获取的第一人脸特征向量相对应的用户标识,则获取所述用户标识对应的第二人脸特征向量;
更新处理模块,用于根据所述第一获取模块获取的第一人脸特征向量和所述第二获取模块获取的第二人脸特征向量,更新所述预设底库中的所述用户标识对应的底图及其参考人脸特征向量;
其中,所述第二人脸特征向量融合有所述用户标识对应的多个人脸特征向量;
其中,所述第二获取模块,包括:
第一子模块,用于若预设底库中存在与所述第一获取模块获取的第一人脸特征向量相对应的用户标识,则从预设底库中获取所述用户标识对应的第三人脸特征向量;
第二子模块,用于根据所述第一获取模块获取的第一人脸特征向量和所述第一子模块获取的第三人脸特征向量,获得所述第二人脸特征向量。
11.一种计算机可读存储介质,所述存储介质存储有计算机程序,所述计算机程序用于执行上述权利要求1-9中任一项所述的方法。
12.一种电子设备,所述电子设备包括:
处理器;
用于存储所述处理器可执行指令的存储器;
所述处理器,用于从所述存储器中读取所述可执行指令,并执行所述指令以实现上述权利要求1-9中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910435132.XA CN111984815B (zh) | 2019-05-23 | 2019-05-23 | 用于人脸识别的底库更新方法、装置、介质和设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910435132.XA CN111984815B (zh) | 2019-05-23 | 2019-05-23 | 用于人脸识别的底库更新方法、装置、介质和设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111984815A CN111984815A (zh) | 2020-11-24 |
CN111984815B true CN111984815B (zh) | 2024-05-28 |
Family
ID=73437470
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910435132.XA Active CN111984815B (zh) | 2019-05-23 | 2019-05-23 | 用于人脸识别的底库更新方法、装置、介质和设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111984815B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113837006B (zh) * | 2021-08-20 | 2024-06-04 | 奥比中光科技集团股份有限公司 | 一种人脸识别方法、装置、存储介质及电子设备 |
CN114429656B (zh) * | 2021-12-30 | 2023-01-13 | 苏州思英智能科技有限公司 | 人脸识别设备控制方法、装置、电子设备和介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN108875534A (zh) * | 2018-02-05 | 2018-11-23 | 北京旷视科技有限公司 | 人脸识别的方法、装置、系统及计算机存储介质 |
CN109086739A (zh) * | 2018-08-23 | 2018-12-25 | 成都睿码科技有限责任公司 | 一种无人脸数据训练的人脸识别方法和系统 |
CN109684951A (zh) * | 2018-12-12 | 2019-04-26 | 北京旷视科技有限公司 | 人脸识别方法、底库录入方法、装置及电子设备 |
-
2019
- 2019-05-23 CN CN201910435132.XA patent/CN111984815B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN108875534A (zh) * | 2018-02-05 | 2018-11-23 | 北京旷视科技有限公司 | 人脸识别的方法、装置、系统及计算机存储介质 |
CN109086739A (zh) * | 2018-08-23 | 2018-12-25 | 成都睿码科技有限责任公司 | 一种无人脸数据训练的人脸识别方法和系统 |
CN109684951A (zh) * | 2018-12-12 | 2019-04-26 | 北京旷视科技有限公司 | 人脸识别方法、底库录入方法、装置及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN111984815A (zh) | 2020-11-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20240071185A1 (en) | Mobile device platform for automated visual retail product recognition | |
CN108734162B (zh) | 商品图像中目标识别方法、系统、设备及存储介质 | |
US9008424B2 (en) | Method and system for comparing images | |
US20180293552A1 (en) | Image-based vehicle maintenance plan | |
CN110799972A (zh) | 人脸图像动态入库方法和装置、电子设备、介质、程序 | |
JP5848833B2 (ja) | 画像を比較するための方法およびシステム | |
US8472670B2 (en) | Target detection device and target detection method | |
WO2012089902A1 (en) | Method, apparatus, and computer program product for image clustering | |
CN111125390B (zh) | 数据库更新方法和装置、电子设备、计算机存储介质 | |
KR20170133462A (ko) | 추출된 사용자 이름과 저장된 사용자 이름의 비교 | |
US10573022B2 (en) | Object recognition system and method of registering a new object | |
EP3783524A1 (en) | Authentication method and apparatus, and electronic device, computer program, and storage medium | |
JP2015504215A5 (zh) | ||
CN111984815B (zh) | 用于人脸识别的底库更新方法、装置、介质和设备 | |
CN110705475B (zh) | 用于目标对象识别的方法、装置、介质以及设备 | |
CN111767750A (zh) | 图像处理方法和装置 | |
US11676182B2 (en) | Computer vision systems and methods for automatically detecting, classifying, and pricing objects captured in images or videos | |
KR101743169B1 (ko) | 얼굴 정보를 이용한 실종 가족 찾기 시스템 및 방법 그리고 이를 구현하는 프로그램을 기록한 기록 매체 | |
CN112528140B (zh) | 信息推荐方法、装置、设备、系统及存储介质 | |
US20210042565A1 (en) | Method and device for updating database, electronic device, and computer storage medium | |
US20230342820A1 (en) | Computer Vision Systems and Methods for Automatically Detecting, Classifying, and Pricing Objects Captured in Images or Videos | |
JP2018137639A (ja) | 動画像処理システム、並びに、符号化装置及びプログラム、並びに、復号装置及びプログラム | |
JP7369247B2 (ja) | 情報処理装置、情報処理方法およびプログラム | |
JP2022073249A (ja) | 情報処理システム、情報処理システムの制御方法、およびプログラム | |
WO2021234938A1 (ja) | 処理装置、処理方法及びプログラム |
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 |