[发明专利]一种人脸识别方法、装置、系统及计算机存储介质

说明书

本发明提供了一种人脸识别方法、装置、系统及计算机存储介质。所述人脸识别方法包括：获取人脸图片序列，人脸图片序列包括至少2张人脸图片；根据人脸图片的模糊程度F和人脸的角度θ评估人脸图片的质量因素Q；根据质量因素Q选取n张人脸图片进行特征提取，n≥2，并将质量因素Q作为权重，基于提取的特征生成平均特征T；将平均特征T在人脸底库中进行搜索得到首位结果A，并根据首位结果A判断是否进行投票；若是则根据n张人脸图片提取的特征在人脸底库中进行搜索的结果投票及所述首位结果A，以得到识别结果。根据本发明的方法、装置、系统及计算机存储介质，可以提高人脸识别的精度、运行效率，减少漏报或误报以及提升召回率。

技术领域

本发明涉及人脸识别技术领域，更具体地涉及一种视频人脸识别方法及装置。

背景技术

当前，视频中的人脸识别方法在安防、智能商业等领域有着广泛的应用。现有技术中基本上是对视频进行人脸检测和跟踪得到人脸序列，而对人脸序列有以下几种处理方法：

第一种是挑选一帧抽取人脸特征在底库中搜索，若比对分数超过阈值则报警。但该方法十分依赖于挑选的图片质量，常常由于挑选出的人脸比较模糊或者遮挡造成漏报和误报。

第二种是将各帧人脸图片抽取特征去底库搜索得到平均比对分数，再通过阈值判断是否报警。该方法虽然比第一种方法有所改进，但其识别结果仍然比较依赖于图片质量，且没有利用人脸图片的特征空间的特性，实际上没有从本质解决单帧图片质量不好所造成的影响。

第三种是将各帧人脸图片抽取特征，然后将所抽取的特征求平均得到平均特征，用平均特征去底库搜索得到比对分数，再通过阈值判断是否报警。该方法虽然改善了单帧图片质量造成的不好影响，但是该方法在高维空间中求得的平均点会和其他点的距离都很近，很容易得到较高的比对分数，造成误报。

因此，现有技术中由于动态视频中人脸的姿态、画质等的变化，有可能用于识别的那一帧人脸质量较差，造成漏报或误报，使得视频人脸识别的准确度和召回率低。此外，将每帧人脸均在人脸底库中进行搜索，导致运行效率低。

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方法、装置、系统及计算机存储介质，通过深度学习人脸图片，且只对高质量的人脸图片提取特征生成平均特征进行识别，并对识别结果进行投票复核，可以提高人脸识别的准确度、召回率和运行效率。

根据本发明一方面，提供了一种人脸识别方法，包括：获取人脸图片序列，所述人脸图片序列包括至少2张人脸图片；根据所述人脸图片的模糊程度F和人脸的角度θ评估所述人脸图片的质量因素Q；根据所述质量因素Q选取n张人脸图片进行特征提取，n≥2，并将所述质量因素Q作为权重，基于提取的特征生成平均特征T；将所述平均特征T在人脸底库中进行搜索得到首位结果A，并根据所述首位结果A以及投票阈值判断是否进行投票；若是则根据所述n张人脸图片提取的特征在人脸底库中进行搜索得到的n个首位结果Bi，i＝1,2……n，以及所述首位结果A进行投票以得到人脸识别结果。

示例性地，所述获取人脸图片序列还包括：接收视频数据；对所述视频数据进行视频图像分帧，并对每帧图像进行人脸检测和跟踪，生成包括至少2张人脸图片的人脸图片序列。

示例性地，所述评估所述人脸图片的质量因素Q还包括：基于神经网络模型获取所述人脸图片的模糊程度F和人脸的角度θ，用来评估所述人脸图片的质量因素Q。

示例性地，人脸的角度包括俯仰角θf和偏转角θp，所述俯仰角θf是人脸的俯仰旋转角度和偏转角θp是人脸的左右旋转角度，θf∈[-π，π]，θp∈[-π，π]。

示例性地，评估所述人脸图片的质量因素Q还包括：根据下列公式计算质量因素Q，Q＝(F+abs(θf/π)+abs(θp/π))/3，其中，Q∈[0，1]，abs为绝对值函数，F∈[0，1]且F越接近1越模糊。