人脸识别方法、装置、终端和介质
阅读：627发布：2021-06-15
专利汇可以提供人脸识别方法、装置、终端和介质专利检索，专利查询，专利分析的服务。并且本 申请 公开了一种 人脸识别 方法、装置、终端和介质，涉及 人工智能 技术领域。该方法由本地终端执行，具体实现方案为：对 视频流 中的 视频 帧 进行人脸图像检测，以获取人脸图像的特征信息；根据多个视频帧中检测到的人脸图像的特征信息进行相似度匹配，并根据匹配结果对人脸图像进行相同人的聚合；将聚合后的人脸图像，上报给 云 端服务进行人脸识别处理。本申请 实施例 对视频流中的人脸进行检测和 跟踪 ，从而确定同一个人的人脸图像，上报给云端进行处理，从而减轻了云端的处理压 力 ，提高了 图像处理 效率，并避免了待识别人脸的遗漏。，下面是人脸识别方法、装置、终端和介质专利的具体信息内容。
1.一种人脸识别方法，其特征在于，由本地终端执行，所述方法包括：
对视频流中的视频帧进行人脸图像检测，以获取人脸图像的特征信息；
根据多个视频帧中检测到的人脸图像的特征信息进行相似度匹配，并根据匹配结果对人脸图像进行相同人的聚合；
将聚合后的人脸图像，上报给云端服务进行人脸识别处理。
2.根据权利要求1所述的方法，其特征在于，对视频流中的视频帧进行人脸图像检测，以获取人脸图像的特征信息包括：
对视频流中的当前视频帧进行人脸检测，以确定人脸图像集合中人脸图像的特征信息；
其中，所述特征信息包括下述至少一项：
人脸矩形框的大小和位置；
人脸轮廓特征；
人脸置信度。
3.根据权利要求1或2所述的方法，其特征在于，根据多个视频帧中检测到的人脸图像的特征信息进行相似度匹配，并根据匹配结果对人脸图像进行相同人的聚合包括：
将当前视频帧检测到的人脸图像集合，与历史视频帧中的人脸跟踪结果集合，进行特征信息的相似度匹配；
根据匹配结果对人脸图像进行相同人的聚合；
根据人脸图像聚合结果，将当前视频帧的相同人的人脸图像和特征信息添加到对应的人脸跟踪结果中，将当前视频帧的不同人的人脸图像和特征信息添加为新的人脸跟踪结果。
4.根据权利要求3所述的方法，其特征在于，将当前视频帧检测到的人脸图像集合，与历史视频帧中的人脸跟踪结果集合，进行特征信息的相似度匹配包括：
将所述人脸图像集合中的至少一个人脸图像的特征信息，与所述人脸跟踪结果集合中的至少一个人脸图像的特征信息，进行一一相似度计算，以得到相似矩阵。
5.根据权利要求4所述的方法，其特征在于，特征信息的相似度计算包括：将人脸位置相似度、人脸大小相似度和人脸特征相似度相乘；其中：
所述人脸位置相似度按照如下公式计算：
其中，μ为人脸位置相似度，(x1，y1)为人脸图像集合中人脸图像的中心点位置，(x2，y2)为人脸跟踪结果集合中人脸图像的预测中心点位置，(w，h)为视频图像的总体长宽；
所述人脸大小相似度按照如下公式计算：
其中，θ为人脸大小相似度，(w1，h1)为人脸图像集合中人脸图像的长宽；(w2，h2)为人脸跟踪结果集合中人脸图像的长宽；
所述人脸特征相似度按照如下公式计算：
其中， v＝[v1，v2，...，vn]∈Rn，u＝[u1，u2，...，un]∈Rn，v为人脸图像集合中人脸图像的n维人脸特征向量，u为人脸跟踪结果集合中人脸图像的n维泛化人脸特征向量。
6.根据权利要求4所述的方法，其特征在于，根据匹配结果对人脸图像进行相同人的聚合包括：
基于所述相似矩阵，利用匈牙利算法计算匹配矩阵，得到当前帧第i个人脸图像和第j个人脸跟踪结果是相同人的匹配信息，作为聚合结果。
7.根据权利要求6所述的方法，其特征在于，所述方法还包括：
根据所述视频流的视频识别场景，对相似矩阵匹配过程中所采用的最低相似度阈值进行调整。
8.根据权利要求3所述的方法，其特征在于，根据人脸图像聚合结果，将当前视频帧的相同人的人脸图像和特征信息添加到对应的人脸跟踪结果中，包括：
将人脸图像的特征信息，以线性插值的方式，更新到所匹配上的人脸跟踪结果的特征信息中，以形成人脸跟踪结果中人脸图像的泛化特征信息；
如果所述人脸图像的人脸置信度，高于所匹配上的人脸跟踪结果的最高人脸置信度，则将当前视频帧的人脸图像更新为所述人脸跟踪结果对应的人脸图像块。
9.根据权利要求3所述的方法，其特征在于，根据人脸图像聚合结果，将当前视频帧的相同人的人脸图像和特征信息添加到对应的人脸跟踪结果中之后，还包括：
根据当前视频帧中人脸图像的人脸位置和人脸大小，以及人脸跟踪结果中的历史人脸位置和历史人脸大小，对人脸图像的后续位置和后续大小进行预测。
10.根据权利要求3所述的方法，其特征在于，根据人脸图像聚合结果，将当前视频帧的相同人的人脸图像和特征信息添加到对应的人脸跟踪结果中，将当前视频帧的不同人的人脸图像和特征信息添加为新的人脸跟踪结果之后，还包括：
将匹配上人脸图像的人脸跟踪结果的未匹配次数清零；
将人脸跟踪结果集合中的未匹配上人脸图像的人脸跟踪结果的未匹配次数进行累加。
11.根据权利要求3所述的方法，其特征在于，将聚合后的人脸图像，上报给云端服务进行人脸识别处理包括：
如果根据所述人脸跟踪结果集合，确定人脸跟踪结果为无法跟踪时，则将所述人脸跟踪结果的人脸图像，上报给云端服务进行人脸识别处理；或者
如果根据所述人脸跟踪结果集合，确定人脸跟踪结果的人脸置信度达到设定条件，则将所述人脸跟踪结果的人脸图像，上报给云端服务进行人脸识别处理。
12.根据权利要求11所述的方法，其特征在于，如果根据所述人脸跟踪结果集合，确定人脸跟踪结果的人脸置信度达到设定条件，则将所述人脸跟踪结果的人脸图像，上报给云端服务进行人脸识别处理之后，还包括：
接收云端服务反馈的人脸识别结果；
如果所述人脸识别结果满足识别要求，则为对应的人脸跟踪结果设置禁止上报的标志。
13.一种人脸识别装置，其特征在于，所述装置包括：
特征信息获取模块，用于对视频流中的视频帧进行人脸图像检测，以获取人脸图像的特征信息；
聚合模块，用于根据多个视频帧中检测到的人脸图像的特征信息进行相似度匹配，并根据匹配结果对人脸图像进行相同人的聚合；
上报模块，用于将聚合后的人脸图像，上报给云端服务进行人脸识别处理。
14.一种终端，其特征在于，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-12中任一项所述的方法。
15.一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使所述计算机执行权利要求1-12中任一项所述的方法。
人脸识别方法、装置、终端和介质
技术领域
背景技术
[0002] 人脸识别技术，是指对人脸图像块进行人脸特征信息的分析、比对和检索，从而得到该人脸身份的识别技术。现如今，越来越多的场景需要针对给定的离线监控视频或是在线实时的视频流数据进行分析，以提取其中出现的人脸的身份信息。
[0003] 目前很多人脸识别处理操作，一般都会使用第三方提供的云端部署服务，以达到更高的检测和识别的准确率，同时缓解本地存储压力，降低人脸识别算法的运维升级成本。但云端服务对于每秒查询率有一定限制，且人脸识别服务在人脸库中的检索存在耗时，如果太频繁地调用云端的人脸识别服务，会大大降低视频分析效率。另外，视频中的视频帧数量较大，因此需要云端服务处理大量的图像，给云端服务造成了巨大的压力。
发明内容
发明内容
[0004] 本申请实施例提供的一种人脸识别方法、装置、终端和介质，以实现将属于同一人的人脸图像上报至云端服务进行处理，提高云端服务处理效率。
[0005] 本申请实施例公开了一种人脸识别方法，由本地终端执行，该方法包括：
[0006] 对视频流中的视频帧进行人脸图像检测，以获取人脸图像的特征信息；
[0007] 根据多个视频帧中检测到的人脸图像的特征信息进行相似度匹配，并根据匹配结果对人脸图像进行相同人的聚合；
[0008] 将聚合后的人脸图像，上报给云端服务进行人脸识别处理。
[0009] 上述实施例具有如下优点或有益效果：通过对视频帧进行人脸检测，并通过检测获取的特征信息进行相同人的聚合，将属于同一人的人脸图像上报给云端进行处理，从而克服了云端处理大量视频帧时处理压力大，处理效率低的问题，实现了云端服务对上报的相同人的人脸图像进行处理，减轻了云端的压力，并且避免了待识别人脸遗漏的问题。
[0010] 进一步地，对视频流中的视频帧进行人脸图像检测，以获取人脸图像的特征信息包括：
[0011] 对视频流中的当前视频帧进行人脸检测，以确定人脸图像集合中人脸图像的特征信息；
[0012] 其中，所述特征信息包括下述至少一项：
[0013] 人脸矩形框的大小和位置；
[0014] 人脸轮廓特征；
[0015] 人脸置信度。
[0016] 据此，上述实施例具有如下优点或有益效果：能够精确地确定当前视频帧中的人脸图像特征信息，以准确反映当前视频帧中的人脸特征。
[0017] 进一步地，根据多个视频帧中检测到的人脸图像的特征信息进行相似度匹配，并根据匹配结果对人脸图像进行相同人的聚合包括：
[0018] 将当前视频帧检测到的人脸图像集合，与历史视频帧中的人脸跟踪结果集合，进行特征信息的相似度匹配；
[0019] 根据匹配结果对人脸图像进行相同人的聚合；
[0020] 根据人脸图像聚合结果，将当前视频帧的相同人的人脸图像和特征信息添加到对应的人脸跟踪结果中，将当前视频帧的不同人的人脸图像和特征信息添加为新的人脸跟踪结果。
[0021] 据此，上述实施例具有如下优点或有益效果：通过将人脸图像集合与人脸跟踪结果集合中的人脸图像进行相同人聚合，并根据聚合结果对人脸跟踪结果进行更新，从而准确地确定视频流中属于相同人的人脸图像。
[0022] 进一步地，将当前视频帧检测到的人脸图像集合，与历史视频帧中的人脸跟踪结果集合，进行特征信息的相似度匹配包括：
[0023] 将所述人脸图像集合中的至少一个人脸图像的特征信息，与所述人脸跟踪结果集合中的至少一个人脸图像的特征信息，进行一一相似度计算，以得到相似矩阵。
[0024] 据此，上述实施例具有如下优点或有益效果：通过将人脸图像集合中的至少一个人脸图像的特征信息，与人脸跟踪结果集合中的至少一个人脸图像的特征信息，进行一一相似度计算，从而准确地确定当前视频帧中的人脸是否曾出现于历史视频帧中，以确定属于相同人的人脸图像。
[0025] 进一步地，特征信息的相似度计算包括：将人脸位置相似度、人脸大小相似度和人脸特征相似度相乘；其中：
[0026] 所述人脸位置相似度按照如下公式计算：
[0027]
[0028] 其中，μ为人脸位置相似度，(x1,y1)为人脸图像集合中人脸图像的中心点位置，(x2,y2)为人脸跟踪结果集合中人脸图像的预测中心点位置，(w,h)为视频图像的总体长宽；
[0029] 所述人脸大小相似度按照如下公式计算：
[0030]
[0031] 其中，θ为人脸大小相似度，(w1,h1)为人脸图像集合中人脸图像的长宽；(w2,h2)为人脸跟踪结果集合中人脸图像的长宽；
[0032] 所述人脸特征相似度按照如下公式计算：
[0033]
[0035] 据此，上述实施例具有如下优点或有益效果：通人脸位置相似度、人脸大小相似度和人脸特征相似度确定特征信息的相似度，从而从多个方面全面地确定特征信息的相似度，使特征信息的相似度更加准确。
[0036] 进一步地，根据匹配结果对人脸图像进行相同人的聚合包括：
[0037] 基于所述相似矩阵，利用匈牙利算法计算匹配矩阵，得到当前帧第i个人脸图像和第j个人脸跟踪结果是相同人的匹配信息，作为聚合结果。
[0038] 据此，上述实施例具有如下优点或有益效果：能够准确确定属于相同人的匹配信息，以根据匹配信息确定当前视频帧和人脸跟踪结果集合中属于相同人的人脸图像。
[0039] 进一步地，所述方法还包括：
[0040] 根据所述视频流的视频识别场景，对相似矩阵匹配过程中所采用的最低相似度阈值进行调整。
[0041] 据此，上述实施例具有如下优点或有益效果：通过对最低相似度阈值进行调整，从而使最低相似度阈值满足不同视频识别场景下对相同人人脸图像特征信息相似度的要求，以准确地判断是否属于相同人。
[0042] 进一步地，根据人脸图像聚合结果，将当前视频帧的相同人的人脸图像和特征信息添加到对应的人脸跟踪结果中，包括：
[0043] 将人脸图像的特征信息，以线性插值的方式，更新到所匹配上的人脸跟踪结果的特征信息中，以形成人脸跟踪结果中人脸图像的泛化特征信息；
[0044] 如果所述人脸图像的人脸置信度，高于所匹配上的人脸跟踪结果的最高人脸置信度，则将当前视频帧的人脸图像更新为所述人脸跟踪结果对应的人脸图像块。
[0045] 据此，上述实施例具有如下优点或有益效果：能够保存更加完整全面的待识别人物对象的信息，并且使人脸图像块为图像质量高的人脸图像，以提高识别准确性。
[0046] 进一步地，根据人脸图像聚合结果，将当前视频帧的相同人的人脸图像和特征信息添加到对应的人脸跟踪结果中之后，还包括：
[0047] 根据当前视频帧中人脸图像的人脸位置和人脸大小，以及人脸跟踪结果中的历史人脸位置和历史人脸大小，对人脸图像的后续位置和后续大小进行预测。
[0048] 据此，上述实施例具有如下优点或有益效果：通过对人脸图像的后续位置和后续大小进行预测，从而确定人脸在图像平面中的轨迹，便于对后续视频帧中的人脸图像是否与该人脸图像为相同人进行准确的判断。
[0049] 进一步地，根据人脸图像聚合结果，将当前视频帧的相同人的人脸图像和特征信息添加到对应的人脸跟踪结果中，将当前视频帧的不同人的人脸图像和特征信息添加为新的人脸跟踪结果之后，还包括：
[0050] 将匹配上人脸图像的人脸跟踪结果的未匹配次数清零；
[0051] 将人脸跟踪结果集合中的未匹配上人脸图像的人脸跟踪结果的未匹配次数进行累加。
[0052] 据此，上述实施例具有如下优点或有益效果：通过对人脸图像的后续位置和后续大小进行预测，从而便于对后续视频帧中的人脸图像是否与该人脸图像为相同人进行准确的判断。
[0053] 将聚合后的人脸图像，上报给云端服务进行人脸识别处理包括：
[0054] 如果根据所述人脸跟踪结果集合，确定人脸跟踪结果为无法跟踪时，则将所述人脸跟踪结果的人脸图像，上报给云端服务进行人脸识别处理；或者
[0055] 如果根据所述人脸跟踪结果集合，确定人脸跟踪结果的人脸置信度达到设定条件，则将所述人脸跟踪结果的人脸图像，上报给云端服务进行人脸识别处理。
[0056] 据此，上述实施例具有如下优点或有益效果：通过在确定人脸跟踪结果为无法跟踪时，将人脸图像上报给云端服务进行处理，从而实现及时将在后续视频帧中不再出现的人脸进行识别，以节省本地存储量，通过将人脸置信度达到设定条件的人脸跟踪结果上报给云端服务进行处理，从而实现将高质量的人脸图像上报云端服务识别处理，以提高识别准确率。
[0057] 进一步地，如果根据所述人脸跟踪结果集合，确定人脸跟踪结果的人脸置信度达到设定条件，则将所述人脸跟踪结果的人脸图像，上报给云端服务进行人脸识别处理之后，还包括：
[0058] 接收云端服务反馈的人脸识别结果；
[0059] 如果所述人脸识别结果满足识别要求，则为对应的人脸跟踪结果设置禁止上报的标志。
[0060] 据此，上述实施例具有如下优点或有益效果：通过设置禁止上报标志，从而避免了对同一人的人脸图像重复上报重复识别处理。
[0061] 本申请实施例还公开了一种人脸识别装置，该装置包括：
[0062] 特征信息获取模块，用于对视频流中的视频帧进行人脸图像检测，以获取人脸图像的特征信息；
[0063] 聚合模块，用于根据多个视频帧中检测到的人脸图像的特征信息进行相似度匹配，并根据匹配结果对人脸图像进行相同人的聚合；
[0064] 上报模块，用于将聚合后的人脸图像，上报给云端服务进行人脸识别处理。
[0065] 进一步地，所述特征信息获取模块，包括：
[0066] 人脸检测单元，用于对视频流中的当前视频帧进行人脸检测，以确定人脸图像集合中人脸图像的特征信息；
[0067] 其中，所述特征信息包括下述至少一项：
[0068] 人脸矩形框的大小和位置；
[0069] 人脸轮廓特征；
[0070] 人脸置信度。
[0071] 进一步地，所述聚合模块，包括：
[0072] 相似度匹配单元，用于将当前视频帧检测到的人脸图像集合，与历史视频帧中的人脸跟踪结果集合，进行特征信息的相似度匹配；
[0073] 相同人聚合单元，用于根据匹配结果对人脸图像进行相同人的聚合；
[0074] 人脸跟踪结果更新单元，用于根据人脸图像聚合结果，将当前视频帧的相同人的人脸图像和特征信息添加到对应的人脸跟踪结果中，将当前视频帧的不同人的人脸图像和特征信息添加为新的人脸跟踪结果。
[0075] 进一步地，所述相似度匹配单元，具体用于：
[0076] 将所述人脸图像集合中的至少一个人脸图像的特征信息，与所述人脸跟踪结果集合中的至少一个人脸图像的特征信息，进行一一相似度计算，以得到相似矩阵。
[0077] 进一步地，特征信息的相似度计算包括：将人脸位置相似度、人脸大小相似度和人脸特征相似度相乘；其中：
[0078] 所述人脸位置相似度按照如下公式计算：
[0079]
[0080] 其中，μ为人脸位置相似度，(x1,y1)为人脸图像集合中人脸图像的中心点位置，(x2,y2)为人脸跟踪结果集合中人脸图像的预测中心点位置，(w,h)为视频图像的总体长宽；
[0081] 所述人脸大小相似度按照如下公式计算：
[0082]
[0083] 其中，θ为人脸大小相似度，(w1,h1)为人脸图像集合中人脸图像的长宽；(w2,h2)为人脸跟踪结果集合中人脸图像的长宽；
[0084] 所述人脸特征相似度按照如下公式计算：
[0085]
[0086] 其中， v＝[v1,v2,…,vn]∈Rn，u＝[u1,u2,…,un]∈Rn，v为人脸图像集合中人脸图像的n维人脸特征向量，u为人脸跟踪结果集合中人脸图像的n维泛化人脸特征向量。
[0087] 进一步地，所述相同人聚合单元，包括：
[0088] 匹配信息确定子单元，用于基于所述相似矩阵，利用匈牙利算法计算匹配矩阵，得到当前帧第i个人脸图像和第j个人脸跟踪结果是相同人的匹配信息，作为聚合结果。
[0089] 进一步地，还包括：
[0090] 最低相似度阈值调整模块，用于根据所述视频流的视频识别场景，对相似矩阵匹配过程中所采用的最低相似度阈值进行调整。
[0091] 进一步地，所述人脸跟踪结果更新单元，包括：
[0092] 泛化特征信息形成子单元，用于将人脸图像的特征信息，以线性插值的方式，更新到所匹配上的人脸跟踪结果的特征信息中，以形成人脸跟踪结果中人脸图像的泛化特征信息；
[0093] 人脸图像块更新子单元，用于如果所述人脸图像的人脸置信度，高于所匹配上的人脸跟踪结果的最高人脸置信度，则将当前视频帧的人脸图像更新为所述人脸跟踪结果对应的人脸图像块。
[0094] 进一步地，还包括：
[0095] 预测模块，用于根据当前视频帧中人脸图像的人脸位置和人脸大小，以及人脸跟踪结果中的历史人脸位置和历史人脸大小，对人脸图像的后续位置和后续大小进行预测。
[0096] 进一步地，还包括：
[0097] 清零模块，用于将匹配上人脸图像的人脸跟踪结果的未匹配次数清零；
[0098] 累加模块，用于将人脸跟踪结果集合中的未匹配上人脸图像的人脸跟踪结果的未匹配次数进行累加。
[0099] 进一步地，所述上报模块，包括：
[0100] 跟踪判断单元，用于如果根据所述人脸跟踪结果集合，确定人脸跟踪结果为无法跟踪时，则将所述人脸跟踪结果的人脸图像，上报给云端服务进行人脸识别处理；或者[0101] 人脸置信度判断单元，用于如果根据所述人脸跟踪结果集合，确定人脸跟踪结果的人脸置信度达到设定条件，则将所述人脸跟踪结果的人脸图像，上报给云端服务进行人脸识别处理。
[0102] 进一步地，还包括：
[0103] 人脸识别结果接收模块，用于接收云端服务反馈的人脸识别结果；
[0104] 标志设置模块，用于如果所述人脸识别结果满足识别要求，则为对应的人脸跟踪结果设置禁止上报的标志。
[0105] 本申请实施例还公开了一种终端，该终端包括：
[0106] 至少一个处理器；以及
[0107] 与所述至少一个处理器通信连接的存储器；其中，
[0108] 所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如本申请实施例中任一项所述的方法。
[0109] 本申请实施例还公开了一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行如本申请实施例中任一项所述的方法。
[0111] 附图用于更好地理解本方案，不构成对本申请的限定。其中：
[0112] 图1是根据本申请实施例提供的一种人脸识别方法的流程示意图；
[0113] 图2是根据本申请实施例提供的又一种人脸识别方法的流程示意图；
[0114] 图3是根据本申请实施例提供的另一种人脸识别方法的流程示意图；
[0115] 图4是根据本申请实施例提供的人脸识别装置的结构示意图；
[0116] 图5是用来实现本申请实施例的人脸识别方法的终端的框图。
具体实施方式
[0117] 以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
[0118] 图1是根据本申请实施例提供的一种人脸识别方法的流程示意图。本实施例可适用于本地终端与云端服务配合，对人脸图像进行识别的情况。典型地，本实施例可以适用于本地终端确定属于同一人的人脸图像，上报至云端服务进行识别处理的情况。本实施公开的人脸识别方法可以由一种人脸识别装置来执行，该装置可以由软件和/或硬件的方式实现，并可集成于终端设备中。参见图1，本实施例提供的人脸识别方法包括：
[0119] S110、对视频流中的视频帧进行人脸图像检测，以获取人脸图像的特征信息。
[0120] 其中，视频流可以为图像采集器采集的视频，采集场景可以为监控场景，本申请实施例可以应用于在线监控场景中的人脸识别，也可以应用于离线监控场景中的人脸图像提取。
[0121] 目前，在通过云端服务进行人脸识别处理时，如果将视频流中的所有视频帧上报至云端服务，则会给云端造成巨大的处理压力。另外，云端服务每秒的查询率有限，限制了云端服务的处理效率。若采用随机抽取视频帧进行识别的方案，则会导致部分视频帧及人脸图像的遗漏。若将大量的视频帧本地存储，则上报云端服务时会受传输带宽限制，也会增加本地的存储压力。而通过图像采集器中的智能识别功能，其算法无法实现广泛的适用性。在本申请实施例中，并不将视频帧直接上报云端服务，而是由本地终端对视频流中的视频帧进行人脸图像检测，获取人脸图像的特征信息，经过处理再向云端服务上报，从而避免了将视频流中的视频帧直接上报增加云端服务压力的问题。
[0122] 可选的，对视频流中的视频帧进行人脸图像检测，以获取人脸图像的特征信息包括：对视频流中的当前视频帧进行人脸检测，以确定人脸图像集合中人脸图像的特征信息；其中，所述特征信息包括下述至少一项：人脸矩形框的大小和位置；人脸轮廓特征；人脸置信度。
[0123] 其中，人脸图像集合可以为当前视频帧中出现的所有人脸的集合，可以包括人脸图像和人脸图像的特征信息。由于特征信息所占用的内存小，因此本地终端的计算量和存储量能够满足对特征信息进行计算和存储的要求。示例性的，遍历视频流中的视频帧，对当前视频帧进行人脸检测，确定人脸图像集合中人脸图像的特征信息。人脸矩形框可以为包含整体人脸的最小矩形框，人脸矩形框的大小可以为矩形框的长和宽。人脸矩形框的位置可以为人脸中心的横坐标和纵坐标。人脸矩形框的大小和位置可以通过长、宽、横坐标和纵坐标构成的四维向量进行表示。人脸轮廓特征可以通过梯度直方图特征进行表示。人脸置信度可以为检测到的人脸图像的质量，可以确定人脸图像的置信度后，统计计算人脸轮廓特征。
[0124] S120、根据多个视频帧中检测到的人脸图像的特征信息进行相似度匹配，并根据匹配结果对人脸图像进行相同人的聚合。
[0125] 由于视频流中的多个视频帧中可能包含属于同一个人的人脸图像，如果将属于同一个人的多个人脸图像全部上报云端服务进行识别处理，则会造成重复上传以及重复识别，对云端服务造成较大的压力，降低了处理效率。因此，本申请实施例中，根据多个视频帧中检测到的人脸图像的特征信息进行相似度匹配，从而根据匹配结果对人脸图像进行相同人聚合，确定属于同一个人的人脸图像。
[0126] 其中，可以将多个视频帧中的每两个视频帧中检测人脸图像的特征信息进行相似度匹配，将匹配成功的人脸图像标记相同的ID。也可以在遍历过程中，将当前视频帧中检测人脸图像的特征信息，与当前视频帧之前的视频帧中检测人脸图像的特征信息进行相似度匹配。若匹配成功，则确定属于相同人的人脸图像，标记相同的ID。通过确定对人脸图像进行相同人聚合，确定同一人的人脸图像，从而将人脸图像根据其所属人物对象进行分类处理。
[0127] S130、将聚合后的人脸图像，上报给云端服务进行人脸识别处理。
[0128] 其中，人脸识别处理可以为人脸表情识别、人脸身份识别等。为了降低云端服务的处理压力，以及避免对同一个人的人脸图像进行重复处理，本申请实施例并不是将各视频帧直接上传云端服务进行处理，而是将聚合后的人脸图像，上报给云端服务进行人脸识别处理。可选的，也可以向云端服务上报人脸图像和特征信息，以由云端服务对人脸图像进行识别处理，以及根据特征信息进行分析处理。通过将聚合后的人脸图像上报云端服务进行人脸识别处理，从而避免了对同一人的人脸图像进行重复处理，提高了处理效率。并且避免了对同一人的所有人脸图像都进行处理，增加云端服务的压力。另外，由于对视频流所有的视频帧进行检测处理，得到相同人的聚合结果，从而确定了视频流中的所有人物对象的人脸图像，避免了遗漏待识别人脸的问题。
[0129] 本申请实施例的技术方案，通过对视频帧进行人脸检测，并通过检测获取的特征信息进行相同人的聚合，将属于同一人的人脸图像上报给云端进行处理，从而克服了云端处理大量视频帧时处理压力大，导致处理效率低的问题，实现了云端对上报的多人人脸图像进行处理，减轻了云端的压力，并且避免了待识别人脸遗漏的问题。
[0130] 图2是根据本申请实施例提供的又一种人脸识别方法的流程示意图。本实施例是在上述实施例的基础上提出的一种可选方案。参见图2，本实施例提供的人脸识别方法包括：
[0131] S210、对视频流中的视频帧进行人脸图像检测，以获取人脸图像的特征信息。
[0132] S220、将当前视频帧检测到的人脸图像集合，与历史视频帧中的人脸跟踪结果集合，进行特征信息的相似度匹配。
[0133] 其中，人脸跟踪结果集合可以为在当前视频帧之前的历史视频帧中，属于不同的人物对象的人脸跟踪集合的集合，人脸跟踪集合包括视频流中不同人物对象的人脸图像和特征信息。也可以包括人脸图像的ID、连续未匹配上人脸图像的未匹配次数、在当前帧之前人脸在图像平面上的轨迹、泛化的人脸特征信息、当前帧人脸图像的预判位置和大小、最高人脸置信度以及人脸图像块中的至少一项，其中泛化的人脸特征信息包括该人脸在当前帧之前的视频帧中的纹理结构、颜色分布等图像信息。
[0134] 为了确定当前视频帧的人脸图像集合中的人脸图像，与历史视频帧中人脸跟踪结果集合中的人脸图像是否属于同一人，因此，将人脸图像集合与人脸跟踪结果集合进行特征信息的相似度匹配，以确定属于相同人的人脸图像。
[0135] 可选的，将当前视频帧检测到的人脸图像集合，与历史视频帧中的人脸跟踪结果集合，进行特征信息的相似度匹配包括：将所述人脸图像集合中的至少一个人脸图像的特征信息，与所述人脸跟踪结果集合中的至少一个人脸图像的特征信息，进行一一相似度计算，以得到相似矩阵。
[0136] 示例性的，遍历人脸图像集合中的人脸图像的特征信息，将该特征信息与人脸跟踪结果结合中各人脸图像的特征信息，进行一一相似度计算，以得到相似矩阵，以准确判断是否属于同一人。
[0137] 可选的，特征信息的相似度计算包括：将人脸位置相似度、人脸大小相似度和人脸特征相似度相乘；其中：
[0138] 所述人脸位置相似度按照如下公式计算：
[0139]
[0140] 其中，μ为人脸位置相似度，(x1,y1)为人脸图像集合中人脸图像的中心点位置，(x2,y2)为人脸跟踪结果集合中人脸图像的预测中心点位置，(w,h)为视频图像的总体长宽；
[0141] 所述人脸大小相似度按照如下公式计算：
[0142]
[0143] 其中，θ为人脸大小相似度，(w1,h1)为人脸图像集合中人脸图像的长宽；(w2,h2)为人脸跟踪结果集合中人脸图像的长宽；
[0144] 所述人脸特征相似度按照如下公式计算：
[0145]
[0146] 其中，归一化向量 v＝[v1,v2,…,vn]∈Rn，u＝[u1,u2,…,un]∈Rn，v为人脸图像集合中人脸图像的n维人脸特征向量，u为人脸跟踪结果集合中人脸图像的n维泛化人脸特征向量。
[0147] 示例性的，将μ·θ·δ作为两个特征信息相似度的值，根据一一相似度计算得到的相似度值构建相似矩阵，例如，人脸图像集合中包括的人脸图像特征信息为3个，人脸跟踪结果集合中包括的人脸图像特征信息为4个，则一一相似度计算后得到的相似度矩阵可以为 其中第i行第j列的值，表示人脸图像集合中的第i个人脸图像的特征信息与人脸跟踪结果集合中的第j个人脸图像的特征信息的相似度值。
[0148] S230、根据匹配结果对人脸图像进行相同人的聚合。
[0149] 可选的，根据匹配结果对人脸图像进行相同人的聚合包括：基于所述相似矩阵，利用匈牙利算法计算匹配矩阵，得到当前帧第i个人脸图像和第j个人脸跟踪结果是相同人的匹配信息，作为聚合结果。
[0150] 示例性的，对于相似矩阵 根据匈牙利算法，求得成对的人脸图像最优相似度组合的匹配结果，得到匹配信息为矩阵 确定与人脸
图像集合中的第1个人脸图像的特征信息，与人脸跟踪结果集合中第2个人脸图像的特征信息相匹配，对应的相似度值最大，为0.7。也可以设置最低相似度阈值，当相似度值大于最低相似度阈值时，则确定相匹配。同样的，确定与人脸图像集合中的第2、3个人脸图像的特征信息相匹配的特征信息，从而确定当前帧中第i个人脸图像和第j个人脸跟踪结果是相同人的匹配信息，即当前帧中第1个人脸图像和第2个人脸跟踪结果是相同人，当前帧中第2个人脸图像和第3个人脸跟踪结果是相同人，当前帧中第3个人脸图像和第4个人脸跟踪结果是相同人。
图像集合中的第1个人脸图像的特征信息，与人脸跟踪结果集合中第2个人脸图像的特征信息相匹配，对应的相似度值最大，为0.7。也可以设置最低相似度阈值，当相似度值大于最低相似度阈值时，则确定相匹配。同样的，确定与人脸图像集合中的第2、3个人脸图像的特征信息相匹配的特征信息，从而确定当前帧中第i个人脸图像和第j个人脸跟踪结果是相同人的匹配信息，即当前帧中第1个人脸图像和第2个人脸跟踪结果是相同人，当前帧中第2个人脸图像和第3个人脸跟踪结果是相同人，当前帧中第3个人脸图像和第4个人脸跟踪结果是相同人。
[0151] 可选的，根据所述视频流的视频识别场景，对相似矩阵匹配过程中所采用的最低相似度阈值进行调整。
[0152] 由于在不同视频识别场景下，由于人脸图像的像素、分辨率、图像质量等指标不同，因此对属于相同人的人脸图像的相似度要求不同，例如在昏暗环境下，图像质量差的情况下，则调低最低相似度阈值，以保证能够确定相似度满足要求的人脸图像。若希望更加精确地匹配到相同人的人脸，则调高最低相似度阈值。因此，根据实际的视频识别场景，适应性的调整最低相似度阈值，以满足不同视频识别场景下对相同人的判断要求。
[0153] S240、根据人脸图像聚合结果，将当前视频帧的相同人的人脸图像和特征信息添加到对应的人脸跟踪结果中，将当前视频帧的不同人的人脸图像和特征信息添加为新的人脸跟踪结果。
[0154] 为了保存更加完整全面的待识别人物对象的信息，因此，将当前视频帧中相同人的人脸图像和特征信息添加到人脸跟踪结果集合中对应的人脸跟踪结果中。若当前视频帧中的人脸图像的特征信息与历史视频帧中的任一人脸图像的特征信息均不匹配，则说明当前视频帧中的该人脸图像所属的人物对象和人脸跟踪结果集合中的任一人物对象均为不同人。因此，则将不同人的人脸图像和特征信息添加至人脸跟踪结果集合中，作为人脸跟踪结果集合中的新的人脸跟踪结果。对于新的人脸跟踪结果的人脸图像，其当前的位置和大小即为预测的位置和大小。
[0155] 可选的，根据人脸图像聚合结果，将当前视频帧的相同人的人脸图像和特征信息添加到对应的人脸跟踪结果中，包括：将人脸图像的特征信息，以线性插值的方式，更新到所匹配上的人脸跟踪结果的特征信息中，以形成人脸跟踪结果中人脸图像的泛化特征信息；如果所述人脸图像的人脸置信度，高于所匹配上的人脸跟踪结果的最高人脸置信度，则将当前视频帧的人脸图像更新为所述人脸跟踪结果对应的人脸图像块。
[0156] 示例性的，对于特征信息中的人脸轮廓特征，将当前视频帧中的人脸图像的特征信息，与人脸跟踪结果集合中的人脸跟踪结果中对应相同人的人脸图像特征信息进行线性插值，形成人脸跟踪结果中人脸图像的泛化特征信息。当一个人在多个视频帧中出现时，表情、姿态可能会存在变化，因此可以汇总多视频帧中出现的人脸，来表示该人物对象，用于与当前帧的人脸进行相似度比对。由于在先出现的人脸的更具参考价值，因此可以设置权重，历史帧中的人脸特征信息的权重高于当前帧人脸特征信息的权重，进行线性插值得到泛化特征信息。
[0157] 示例性的，为了提高人脸图像跟踪结果集合中的人脸图像的质量，从而提高人脸图像识别的准确率，因此，如果当前视频帧中的人脸图像的人脸置信度，高于其匹配上的属于相同人的人脸跟踪结果人脸图像的最高人脸置信度，则将当前视频帧中的人脸图像作为人脸跟踪结果对应的人脸图像块，以便后续将图像质量最高的人脸图像上报至云端服务进行识别，提高识别的准确性。
[0158] S250、将匹配上人脸图像的人脸跟踪结果的未匹配次数清零。
[0159] 示例性的，如果人脸图像集合中的人脸图像的特征信息，与人脸跟踪结果人脸图像的特征信息相匹配，则说明该人物对象当前仍在在视频流的视频帧中出现，因此，将匹配上人脸图像的人脸跟踪结果的未匹配次数清零，以标记该人脸跟踪结果对应的人物对象仍出现在视频流中。
[0160] S260、将人脸跟踪结果集合中的未匹配上人脸图像的人脸跟踪结果的未匹配次数进行累加。
[0161] 示例性的，如果人脸跟踪结果集合中存在未匹配上当前视频帧中人脸图像的人脸跟踪结果，则说明该人脸跟踪结果对应的人物对象未出现在视频流的当前视频帧中，则将该人脸跟踪结果集合中没有匹配上人脸图像的人脸跟踪结果的未匹配次数进行累加，从而确定该人物对象未出现在视频流视频帧中的帧数。
[0162] 需要说明的是，S250和S260的先后执行顺序可以根据实际情况进行确定，先后顺序并不对本申请实施例的执行产生影响，在本申请实施例中不进行具体限定。
[0163] S270、如果根据所述人脸跟踪结果集合，确定人脸跟踪结果为无法跟踪时，则将所述人脸跟踪结果的人脸图像，上报给云端服务进行人脸识别处理。
[0164] 示例性的，对于人脸跟踪集合中的人脸跟踪结果，如果其对应的未匹配次数大于预设次数阈值时，则确定该人脸跟踪结果对应的人物对象不再出现在视频流的视频帧中，即无法继续跟踪，因此，可以将该人脸跟踪结果的人脸图像上报给云端服务进行人脸识别处理，以实现对该人物对象的人脸识别和身份认证，及时将消失在视频流视野中的人物对象上报至云端服务进行识别处理，实现人脸识别的实时性。其中，上报的人脸图像可以为人脸置信度最高的人脸图像块，以提高人脸识别结果。
[0165] 本申请实施例，通过将当前视频帧检测到的人脸图像集合，与历史视频帧中的人脸跟踪结果集合，进行特征信息的相似度匹配，根据匹配结果对人脸图像进行相同人的聚合，以准确确定属于相同人的人脸图像。通过根据人脸图像聚合结果，将当前视频帧的相同人的人脸图像和特征信息添加到对应的人脸跟踪结果中，将当前视频帧的不同人的人脸图像和特征信息添加为新的人脸跟踪结果，从而保存更加完整全面的待识别人物对象的信息。通过如果根据所述人脸跟踪结果集合，确定人脸跟踪结果为无法跟踪时，则将所述人脸跟踪结果的人脸图像，上报给云端服务进行人脸识别处理，从而及时将消失在视频流视野中的人物对象上报至云端服务进行识别处理，实现人脸识别的实时性。
[0166] 图3是根据本申请实施例提供的另一种人脸识别方法的流程示意图。本实施例是在上述实施例的基础上提出的一种可选方案。参见图3，本实施例提供的人脸识别方法包括：
[0167] S310、对视频流中的视频帧进行人脸图像检测，以获取人脸图像的特征信息。
[0168] S320、将当前视频帧检测到的人脸图像集合，与历史视频帧中的人脸跟踪结果集合，进行特征信息的相似度匹配。
[0169] S330、根据匹配结果对人脸图像进行相同人的聚合。
[0170] S340、根据人脸图像聚合结果，将当前视频帧的相同人的人脸图像和特征信息添加到对应的人脸跟踪结果中，将当前视频帧的不同人的人脸图像和特征信息添加为新的人脸跟踪结果。
[0171] 根据人脸图像聚合结果，将当前视频帧的相同人的人脸图像和特征信息添加到对应的人脸跟踪结果中之后，还包括：根据当前视频帧中人脸图像的人脸位置和人脸大小，以及人脸跟踪结果中的历史人脸位置和历史人脸大小，对人脸图像的后续位置和后续大小进行预测。
[0172] 示例性的，可以采用卡尔曼滤波算法，根据人脸跟踪结果的特征信息中的历史人脸位置和历史人脸大小，对该人脸跟踪结果的后续位置和后续大小进行预测，从而确定该人脸检测结果的轨迹，以对该人物对象进行连续性跟踪。
[0173] S350、如果根据所述人脸跟踪结果集合，确定人脸跟踪结果的人脸置信度达到设定条件，则将所述人脸跟踪结果的人脸图像，上报给云端服务进行人脸识别处理。
[0174] 示例性的，如果人脸跟踪结果对应的人物对象并未在视频流当前视野中消失，但是该人脸跟踪结果人脸图像的人脸置信度达到预设条件，满足云端服务对人脸图像进行识别的精确度要求，则将该人脸图像及时上报给云端服务进行人脸识别处理，实现了人脸识别的实时性，使上报至云端服务的人脸图像为质量高的人脸图像，并且能够保证人脸识别准确性。
[0175] S360、接收云端服务反馈的人脸识别结果。
[0176] 示例性的，云端服务对终端上报的人脸图像进行识别处理后，将人脸识别结果反馈给终端，以便于由终端根据人脸识别结果进行后续的分析处理。
[0177] S370、如果所述人脸识别结果满足识别要求，则为对应的人脸跟踪结果设置禁止上报的标志。
[0178] 示例性的，如果终端确定人脸识别结果满足识别要求，例如满足对人脸识别准确性的要求，则确定该人物对象的人脸识别完成，不需要再次对该人物对象进行人脸识别，因此，为了防止再次向云端服务发送该人物对象的人脸图像造成重复识别，为对应的人脸跟踪结果设置禁止上报标志。若当前视频帧中存在人脸图像所述人物对象与该人脸跟踪结果为相同人，则剔除该人脸图像和特征信息。也可以为将该人脸图像和特征信息更新至对应的人脸跟踪结果中，但是不向云端服务上报该人脸跟踪结果的人脸图像。也可以为检测到置信度更高的人脸图像，或者间隔时间满足预设时间间隔，再进行上报，以避免重复识别，增加云端服务的处理压力，降低处理效率。
[0179] 本申请实施例，通过如果根据所述人脸跟踪结果集合，确定人脸跟踪结果的人脸置信度达到设定条件，则将所述人脸跟踪结果的人脸图像，上报给云端服务进行人脸识别处理，从而将人脸图像及时上报给云端服务进行人脸识别处理，实现人脸识别的实时性，并且能够保证人脸识别准确性。通过接收云端服务反馈的人脸识别结果，如果所述人脸识别结果满足识别要求，则为对应的人脸跟踪结果设置禁止上报的标志，避免了再次向云端服务发送该人物对象的人脸图像造成重复识别。
[0180] 图4是根据本申请实施例提供的人脸识别装置的结构示意图。参见图4，本申请实施例公开了一种人脸识别装置400，该装置400包括：特征信息获取模块401、聚合模块402和上报模块403。
[0181] 其中，特征信息获取模块401，用于对视频流中的视频帧进行人脸图像检测，以获取人脸图像的特征信息；
[0182] 聚合模块402，用于根据多个视频帧中检测到的人脸图像的特征信息进行相似度匹配，并根据匹配结果对人脸图像进行相同人的聚合；
[0183] 上报模块403，用于将聚合后的人脸图像，上报给云端服务进行人脸识别处理。
[0184] 进一步地，所述特征信息获取模块401，包括：
[0185] 人脸检测单元，用于对视频流中的当前视频帧进行人脸检测，以确定人脸图像集合中人脸图像的特征信息；
[0186] 其中，所述特征信息包括下述至少一项：
[0187] 人脸矩形框的大小和位置；
[0188] 人脸轮廓特征；
[0189] 人脸置信度。
[0190] 进一步地，所述聚合模块402，包括：
[0191] 相似度匹配单元，用于将当前视频帧检测到的人脸图像集合，与历史视频帧中的人脸跟踪结果集合，进行特征信息的相似度匹配；
[0192] 相同人聚合单元，用于根据匹配结果对人脸图像进行相同人的聚合；
[0193] 人脸跟踪结果更新单元，用于根据人脸图像聚合结果，将当前视频帧的相同人的人脸图像和特征信息添加到对应的人脸跟踪结果中，将当前视频帧的不同人的人脸图像和特征信息添加为新的人脸跟踪结果。
[0194] 进一步地，所述相似度匹配单元，具体用于：
[0195] 将所述人脸图像集合中的至少一个人脸图像的特征信息，与所述人脸跟踪结果集合中的至少一个人脸图像的特征信息，进行一一相似度计算，以得到相似矩阵。
[0196] 进一步地，特征信息的相似度计算包括：将人脸位置相似度、人脸大小相似度和人脸特征相似度相乘；其中：
[0197] 所述人脸位置相似度按照如下公式计算：
[0198]
[0199] 其中，μ为人脸位置相似度，(x1,y1)为人脸图像集合中人脸图像的中心点位置，(x2,y2)为人脸跟踪结果集合中人脸图像的预测中心点位置，(w,h)为视频图像的总体长宽；
[0200] 所述人脸大小相似度按照如下公式计算：
[0201]
[0202] 其中，θ为人脸大小相似度，(w1,h1)为人脸图像集合中人脸图像的长宽；(w2,h2)为人脸跟踪结果集合中人脸图像的长宽；
[0203] 所述人脸特征相似度按照如下公式计算：
[0204]
[0205] 其中， v＝[v1,v2,…,vn]∈Rn，u＝[u1,u2,…,un]∈Rn，v为人脸图像集合中人脸图像的n维人脸特征向量，u为人脸跟踪结果集合中人脸图像的n维泛化人脸特征向量。
[0206] 进一步地，所述相同人聚合单元，包括：
[0207] 匹配信息确定子单元，用于基于所述相似矩阵，利用匈牙利算法计算匹配矩阵，得到当前帧第i个人脸图像和第j个人脸跟踪结果是相同人的匹配信息，作为聚合结果。
[0208] 进一步地，还包括：
[0209] 最低相似度阈值调整模块，用于根据所述视频流的视频识别场景，对相似矩阵匹配过程中所采用的最低相似度阈值进行调整。
[0210] 进一步地，所述人脸跟踪结果更新单元，包括：
[0211] 泛化特征信息形成子单元，用于将人脸图像的特征信息，以线性插值的方式，更新到所匹配上的人脸跟踪结果的特征信息中，以形成人脸跟踪结果中人脸图像的泛化特征信息；
[0212] 人脸图像块更新子单元，用于如果所述人脸图像的人脸置信度，高于所匹配上的人脸跟踪结果的最高人脸置信度，则将当前视频帧的人脸图像更新为所述人脸跟踪结果对应的人脸图像块。
[0213] 进一步地，还包括：
[0214] 预测模块，用于根据当前视频帧中人脸图像的人脸位置和人脸大小，以及人脸跟踪结果中的历史人脸位置和历史人脸大小，对人脸图像的后续位置和后续大小进行预测。
[0215] 进一步地，还包括：
[0216] 清零模块，用于将匹配上人脸图像的人脸跟踪结果的未匹配次数清零；
[0217] 累加模块，用于将人脸跟踪结果集合中的未匹配上人脸图像的人脸跟踪结果的未匹配次数进行累加。
[0218] 进一步地，所述上报模块403，包括：
[0219] 跟踪判断单元，用于如果根据所述人脸跟踪结果集合，确定人脸跟踪结果为无法跟踪时，则将所述人脸跟踪结果的人脸图像，上报给云端服务进行人脸识别处理；或者[0220] 人脸置信度判断单元，用于如果根据所述人脸跟踪结果集合，确定人脸跟踪结果的人脸置信度达到设定条件，则将所述人脸跟踪结果的人脸图像，上报给云端服务进行人脸识别处理。
[0221] 进一步地，还包括：
[0222] 人脸识别结果接收模块，用于接收云端服务反馈的人脸识别结果；
[0223] 标志设置模块，用于如果所述人脸识别结果满足识别要求，则为对应的人脸跟踪结果设置禁止上报的标志。
[0224] 本申请实施例所提供的人脸识别装置可执行本申请任意实施例所提供的人脸识别方法，具备执行方法相应的功能模块和有益效果。
[0225] 根据本申请的实施例，本申请还提供了一种终端和一种可读存储介质。
[0226] 如图5所示，图5是用来实现本申请实施例的人脸识别方法的终端的框图。终端旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。终端还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴终端和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。
[0227] 如图5所示，该终端包括：一个或多个处理器501、存储器502，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在终端内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示终端)上显示GUI的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个终端，各个终端提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图5中以一个处理器501为例。
[0228] 存储器502即为本申请所提供的非瞬时计算机可读存储介质。其中，所述存储器存储有可由至少一个处理器执行的指令，以使所述至少一个处理器执行本申请所提供的人脸识别方法。本申请的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本申请所提供的人脸识别方法。
[0229] 存储器502作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本申请实施例中的人脸识别的方法对应的程序指令/模块(例如，图4所示的特征信息获取模块401、聚合模块402和上报模块403)。处理器501通过运行存储在存储器502中的非瞬时软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例中的人脸识别方法。
[0230] 存储器502可以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、至少一个功能所需要的应用程序；存储数据区可存储根据人脸识别的终端的使用所创建的数据等。此外，存储器502可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器502可选包括相对于处理器501远程设置的存储器，这些远程存储器可以通过网络连接至人脸识别终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
[0231] 人脸识别方法的终端还可以包括：输入装置503和输出装置504。处理器501、存储器502、输入装置503和输出装置504可以通过总线或者其他方式连接，图5中以通过总线连接为例。
[0232] 输入装置503可接收输入的数字或字符信息，以及产生与人脸识别的终端的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置504可以包括显示终端、辅助照明装置(例如，LED)和触觉反馈装置(例如，振动电机)等。该显示终端可以包括但不限于，液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中，显示终端可以是触摸屏。
[0233] 此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
[0234] 这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令，并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、终端、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置(PLD))，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
[0235] 为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
[0236] 可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。
[0237] 计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
[0238] 应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。
[0239] 上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 用于确定数字资产交易所的偿付能力的方法、系统和计算机程序产品 | 2020-05-08 | 763 |
| 多通道无源互调数字抵消电路 | 2020-05-08 | 92 |
| 电动助力转向装置 | 2020-05-08 | 878 |
| 用于对运动信息进行编码和解码的方法以及用于对运动信息进行编码和解码的设备 | 2020-05-08 | 904 |
| 实现基于区块链的工作流 | 2020-05-08 | 173 |
| 使用基于图案的块滤波进行视频编码和解码的方法和装置 | 2020-05-08 | 1088 |
| 基于区块链的传票送达 | 2020-05-08 | 807 |
| 用于当取回像素核时降低存储器延迟的方法、系统和设备 | 2020-05-08 | 968 |
| 用于数据传输的方法、发送端设备和接收端设备 | 2020-05-08 | 969 |
| 操作高速缓存的方法 | 2020-05-11 | 881 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
分析报告
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
QQ群二维码
意见反馈
意见反馈