人脸底库更新方法、装置、电子设备及存储介质与流程

1.本发明涉及图像处理技术领域，尤其涉及一种人脸底库更新方法、装置、电子设备及存储介质。


背景技术：

2.随着计算机视觉技术的发展，以人脸识别为代表的可视化生物识别技术快速发展。人脸识别指通过基于个人的面部轮廓比较和分析模式，唯一地识别或验证人的生物测定技术。而深度学习技术的出现和广泛应用使人工智能领域得以蓬勃的发展，人脸识别作为其中的一个重要分支，在我们实际生活工作中有广泛的应用。
3.人脸识别技术应用越来越广泛，人脸识别算法也越来越准确,但是随着时间的变化，人的外貌会发生巨大变化，包括现场场景的变化如光线等对识别的影响,都会导致用过一段时间后的人脸识别算法误识率和拒识率明显增多了，这个时候需要费时费力的去重新采集人脸图片，更新人脸识别底库才能有效解决该问题，而这样操作的难度非常大。


技术实现要素：

4.本发明提供一种人脸底库更新方法、装置、电子设备及存储介质，用以解决现有技术中更新人脸识别底库难度大的缺陷，实现降低更新人脸识别底库的难度。
5.本发明提供一种人脸底库更新方法，包括：
6.基于所述目标图片集中的图片获取时间、预设偏移量，确定所述目标图片集中每一张图片对应的图片权重；其中，所述目标图片集包括待筛选图片集以及人脸底库图片；
7.提取所述目标图片集对应的特征向量集，并基于所述特征向量集，确定图片相似度矩阵；
8.基于所述图片权重以及所述图片相似度矩阵，确定所述目标图片集中每一个图片对应的特征分数；
9.基于所述每一个图片对应的特征分数，以及预设的相似度阈值，确定优选图片，并基于所述优选图片对人脸底库进行更新。
10.根据提高的人脸底库更新方法，所述基于所述目标图片集中的图片获取时间、预设偏移量，确定所述目标图片集中每一张图片对应的图片权重，包括：
11.基于如下公式确定所述目标图片集中每一张图片对应的图片权重：
12.wi＝b-(k*i)
ot
13.其中，wi为所述目标图片集中第i张图片对应的权重，b为基础参数，k为索引参数，ot为预设偏移量。
14.根据提高的人脸底库更新方法，所述基础参数满足1＜b＜3，所述索引参数满足1≤k＜2，所述预设偏移量满足0＜ot＜0.8。
15.根据提高的人脸底库更新方法，所述基于所述图片权重以及所述图片相似度矩阵，确定所述目标图片集中每一个图片对应的特征分数，包括：
16.基于所述图片权重以及所述图片相似度矩阵，得到所述目标图片集中，每一图片与其他图片的相似度加权平均值，并基于所述相似度加权平均值，得到所述目标图片集中每一个图片对应的特征分数。
17.根据提高的人脸底库更新方法，所述基于所述每一个图片对应的特征分数，以及预设的相似度阈值，确定优选图片，包括：
18.基于所述每一个图片对应的特征分数，确定最高特征分数；
19.在所述最高特征分数大于所述预设的相似度阈值的情况下，将所述最高特征分数对应图片，作为所述优选图片。
20.根据提高的人脸底库更新方法，所述基于所述每一个图片对应的特征分数，以及预设的相似度阈值，确定优选图片，还包括：
21.在所述最高特征分数不大于预设的相似度阈值的情况下，将所述人脸底库图片，作为所述优选图片。
22.本发明还提供一种人脸底库更新装置，包括：
23.权重设置模块，用于基于所述目标图片集中的图片获取时间、预设偏移量，确定所述目标图片集中每一张图片对应的图片权重；其中，所述目标图片集包括待筛选图片集以及人脸底库图片；
24.相似度确定模块，用于提取所述目标图片集对应的特征向量集，并基于所述特征向量集，确定图片相似度矩阵；
25.特征分数确定模块，用于基于所述图片权重以及所述图片相似度矩阵，确定所述目标图片集中每一个图片对应的特征分数；
26.更新模块，用于基于所述每一个图片对应的特征分数，以及预设的相似度阈值，确定优选图片，并基于所述优选图片对人脸底库进行更新。
27.本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述人脸底库更新方法的步骤。
28.本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述人脸底库更新方法的步骤。
29.本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述人脸底库更新方法的步骤。
30.本发明提供的人脸底库更新方法、装置、电子设备及存储介质，通过基于目标图片集中的图片获取时间，确定图片权重后，再结合图片的特征向量集所确定的图片相似度矩阵，确定每张图片的特征分数，最后将得到的特征分数与预设的相似度阈值进行比对，确定优选图片，对人脸底库进行动态更新。即使人脸随着时间发生变化，还是可以基于实时动态更新的人脸底库，对人脸进行识别，本发明可以解决现有技术中更新人脸识别底库难度大的缺陷，实现降低更新人脸识别底库的难度，以及提高人脸识别能力。
附图说明
31.为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一
些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
32.图1是本发明提供的人脸底库更新方法的流程示意图之一；
33.图2是本发明提供的人脸底库更新方法的流程示意图之二；
34.图3是本发明提供的人脸底库更新装置的结构示意图；
35.图4是本发明提供的电子设备的结构示意图。
具体实施方式
36.为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例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，本领域普通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。
37.下面结合图1-图4描述本发明的人脸底库更新方法、装置、电子设备及存储介质。
38.如图1所示，本发明提供的一种人脸底库更新方法，其特征在于，包括：
39.步骤110、基于所述目标图片集中的图片获取时间、预设偏移量，确定所述目标图片集中每一张图片对应的图片权重；其中，所述目标图片集包括待筛选图片集以及人脸底库图片。
40.可以理解的是，由于人脸随时间的变化产生的变化较大，需要从近期图片中，确定与其他图片最相似的图片，也即是中心图片，因此，需要基于图片的获取时间，确定所述目标图片集中每一张图片对应的图片权重。
41.步骤120、提取所述目标图片集对应的特征向量集，并基于所述特征向量集，确定图片相似度矩阵。
42.可以理解的是，本发明提供的人脸底库更新方法中，人脸识别原理是通过提取人脸特征生成特征向量，然后计算特征向量对应的余弦距离，作为相似度，因此人脸的相似度可看作特征向量的余弦距离。
43.参考k-means聚类算法计算类别中心，通过计算同一类别所有特征向量的平均值得出类似于空间点的中心，本发明通过计算所有图片特征向量间的相对余弦距离，得到与所有图片特征向量，对应的相对余弦距离最小的图片作为中心图片。
44.步骤130、基于所述图片权重以及所述图片相似度矩阵，确定所述目标图片集中每一个图片对应的特征分数。
45.可以理解的是，例如，选择近期的100张人脸图片，一一相互比对得到相似度矩阵，再根据时间权重，对人脸图片进行打分，选择分数最高的人脸图片作为中心图片。
46.步骤140、基于所述每一个图片对应的特征分数，以及预设的相似度阈值，确定优选图片，并基于所述优选图片对人脸底库进行更新。
47.可以理解的是，人脸底库需要更新时，扫描底库文件夹得到所有人的id(即：身份标识)，然后遍历id，通过传入个人id调用更新。
48.在一些实施例中，如图2所示，通过个人的id从现场人脸图片文件夹读取最新的99张现场人脸图片的特征文件，及人脸底库中的 1张人脸底库图片的特征文件，若现场人脸图片不足99张，则全部取出。由于现场拍摄的人脸图片中，存在质量较差或者模糊的情况，
容易影响图片更新的质量，甚至导致最后的中心图片也是模糊的。为防止这种情况，因而需要设置一个相似度阈值来跳过那些模糊的人脸图片，即在人脸图片对应的特征分数低于相似度阈值的时候，则跳过不读取该人脸图片。
49.在一些实施例中，所述基于所述目标图片集中的图片获取时间、预设偏移量，确定所述目标图片集中每一张图片对应的图片权重，包括：
50.基于如下公式确定所述目标图片集中每一张图片对应的图片权重：
51.wi＝b-(k*i)
ot
52.其中，wi为所述目标图片集中第i张图片对应的权重，b为基础参数，k为索引参数，ot为预设偏移量。
53.在一些实施例中，所述基础参数满足1＜b＜3，所述索引参数满足1≤k＜2，所述预设偏移量满足0＜ot＜0.8。例如，b可以取2，k 可以取1，ot可以取0.5。
54.可以理解的是，当人脸图像的拍摄时间，与当事人目前的状态越接近，则时效性越强，因此考虑加入时间权重，对应的时间权重函数如下：
55.f(i)＝b-(k*i) i＝0,1,2
…
56.其中，将所获取的人脸图片按照获取时间进行排序，i表示人脸图片的获取顺序。
57.基于上述的时间权重函数，会导致10张以后的人脸图片的权重影响过低，为了防止后几十张图片的权重过低，需要加上一个偏移量以减小k值放缓权重衰减，得到权重数组如下：
[0058][0059]
wi＝b-(k*i)
ot i＝0,1,2
…
[0060]
其中，n为目标图片集中的图片总数，b＝2，k＝-1，ot＝0.5。
[0061]
由于排在后面的多张图片通过指数运算后接近于0，所以偏移量 ot对后面的图片的权重影响比较大，对于中心图片的计算效果影响也比较大。因此，需要通过大量的中心图片对应测试结果，来确定偏移量具体值。
[0062]
进一步，人脸图片的获取时间越早，即获取时间跨度越大，其对应的偏移量值就越小。具体地，可以通过历史的多张人脸图像进行测试，进而确定人脸图像的获取时间，与偏移量值的对应关系，并建立对应的关系表，以便后面确定新的人脸图片的权重时，可以参照该对应关系表，确定人脸图片对应的偏移量。
[0063]
将目标图片集的所有图片的特征文件一一取出，作为数组保存，然后基于该特征文件与其他文件一一比较，遍历数组每一张图片，并将遍历到的图片与此人其他每一张图片比较，并对此人建立一个二维数组矩阵si来存储比较结果，得到该图片与其他图片的相似度，最后得到一一对应的相似度矩阵如下：
[0064][0065]
在一些实施例中，所述基于所述图片权重以及所述图片相似度矩阵，确定所述目标图片集中每一个图片对应的特征分数，包括：
[0066]
基于所述图片权重以及所述图片相似度矩阵，得到所述目标图片集中，每一图片与其他图片的相似度加权平均值，并基于所述相似度加权平均值，得到所述目标图片集中每一个图片对应的特征分数。
[0067]
可以理解的是，基于将相似度矩阵中，每一张图片对应的相似度，与其他图片的相似度取加权平均值，即与其他每一张图片的相似度乘以其他图片的权重后加和，再除以其他图片的权重和，得到每个特征的特征分数scores如下：
[0068][0069]
在一些实施例中，所述基于所述每一个图片对应的特征分数，以及预设的相似度阈值，确定优选图片，包括：
[0070]
基于所述每一个图片对应的特征分数，确定最高特征分数；
[0071]
在所述最高特征分数大于所述预设的相似度阈值的情况下，将所述最高特征分数对应图片，作为所述优选图片。
[0072]
可以理解的是，取目标图片集中所有图片对应特征分数中的最高特征分数与预设的相似度阈值比较，若最高特征分数大于预设的相似度阈值，则将最高特征分数对应的图片，作为优先图片存入人脸底库，以及将对应的特征文件存入人脸底库中。
[0073]
在一些实施例中，所述基于所述每一个图片对应的特征分数，以及预设的相似度
阈值，确定优选图片，还包括：
[0074]
在所述最高特征分数不大于预设的相似度阈值的情况下，将所述人脸底库图片，作为所述优选图片。
[0075]
可以理解的是，若最高特征分数不大于预设的相似度阈值，则认为底库中人脸图片最优，继续使用底库中的人脸图片进行人脸识别即可。
[0076]
综上所述，本发明提供的人脸底库更新方法，包括：基于所述目标图片集中的图片获取时间、预设偏移量，确定所述目标图片集中每一张图片对应的图片权重；其中，所述目标图片集包括待筛选图片集以及人脸底库图片；提取所述目标图片集对应的特征向量集，并基于所述特征向量集，确定图片相似度矩阵；基于所述图片权重以及所述图片相似度矩阵，确定所述目标图片集中每一个图片对应的特征分数；基于所述每一个图片对应的特征分数，以及预设的相似度阈值，确定优选图片，并基于所述优选图片对人脸底库进行更新。
[0077]
在本发明提供的人脸底库更新方法中，基于目标图片集中的图片获取时间，确定图片权重后，再结合图片的特征向量集所确定的图片相似度矩阵，确定每张图片的特征分数，最后将得到的特征分数与预设的相似度阈值进行比对，确定优选图片，对人脸底库进行动态更新。即使人脸随着时间发生变化，还是可以基于实时动态更新的人脸底库，对人脸进行识别，本发明可以解决现有技术中更新人脸识别底库难度大的缺陷，实现降低更新人脸识别底库的难度，以及提高人脸识别能力。
[0078]
下面对本发明提供的人脸底库更新装置进行描述，下文描述的人脸底库更新装置与上文描述的人脸底库更新方法可相互对应参照。
[0079]
如图3所示，本发明提供的人脸底库更新装置300，包括：权重设置模块310、相似度确定模块320、特征分数确定模块330和更新模块340。
[0080]
权重设置模块310，用于基于所述目标图片集中的图片获取时间、预设偏移量，确定所述目标图片集中每一张图片对应的图片权重；其中，所述目标图片集包括待筛选图片集以及人脸底库图片；
[0081]
相似度确定模块320，用于提取所述目标图片集对应的特征向量集，并基于所述特征向量集，确定图片相似度矩阵；
[0082]
特征分数确定模块330，用于基于所述图片权重以及所述图片相似度矩阵，确定所述目标图片集中每一个图片对应的特征分数；
[0083]
更新模块340，用于基于所述每一个图片对应的特征分数，以及预设的相似度阈值，确定优选图片，并基于所述优选图片对人脸底库进行更新。
[0084]
在一些实施例中，权重设置模块310进一步用于基于如下公式确定所述目标图片集中每一张图片对应的图片权重：
[0085]
wi＝b-(k*i)
ot
[0086]
其中，wi为所述目标图片集中第i张图片对应的权重，b为基础参数，k为索引参数，ot为预设偏移量。
[0087]
在一些实施例中，所述基础参数满足1＜b＜3，所述索引参数满足1≤k＜2，所述预设偏移量满足0＜ot＜0.8。
[0088]
在一些实施例中，特征分数确定模块330进一步用于基于所述图片权重以及所述图片相似度矩阵，得到所述目标图片集中，每一图片与其他图片的相似度加权平均值，并基
于所述相似度加权平均值，得到所述目标图片集中每一个图片对应的特征分数。
[0089]
在一些实施例中，更新模块340包括：最高分数确定单元和第一优选确定单元。
[0090]
最高分数确定单元用于基于所述每一个图片对应的特征分数，确定最高特征分数；
[0091]
第一优选确定单元用于在所述最高特征分数大于所述预设的相似度阈值的情况下，将所述最高特征分数对应图片，作为所述优选图片。
[0092]
在一些实施例中，更新模块340还包括：第二优选确定单元。
[0093]
第二优选确定单元用于在所述最高特征分数不大于预设的相似度阈值的情况下，将所述人脸底库图片，作为所述优选图片。
[0094]
下面对本发明提供的电子设备、计算机程序产品及存储介质进行描述，下文描述的电子设备、计算机程序产品及存储介质与上文描述的人脸底库更新方法可相互对应参照。
[0095]
图4示例了一种电子设备的实体结构示意图，如图4所示，该电子设备可以包括：处理器(processor)410、通信接口(communicationsinterface)420、存储器(memory)430和通信总线440，其中，处理器410，通信接口420，存储器430通过通信总线440完成相互间的通信。处理器410可以调用存储器430中的逻辑指令，以执行人脸底库更新方法，该方法包括：
[0096]
步骤110、基于所述目标图片集中的图片获取时间、预设偏移量，确定所述目标图片集中每一张图片对应的图片权重；其中，所述目标图片集包括待筛选图片集以及人脸底库图片；
[0097]
步骤120、提取所述目标图片集对应的特征向量集，并基于所述特征向量集，确定图片相似度矩阵；
[0098]
步骤130、基于所述图片权重以及所述图片相似度矩阵，确定所述目标图片集中每一个图片对应的特征分数；
[0099]
步骤140、基于所述每一个图片对应的特征分数，以及预设的相似度阈值，确定优选图片，并基于所述优选图片对人脸底库进行更新。
[0100]
此外，上述的存储器430中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0101]
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各方法所提供的人脸底库更新方法，该方法包括：
[0102]
步骤110、基于所述目标图片集中的图片获取时间、预设偏移量，确定所述目标图片集中每一张图片对应的图片权重；其中，所述目标图片集包括待筛选图片集以及人脸底库图片；
[0103]
步骤120、提取所述目标图片集对应的特征向量集，并基于所述特征向量集，确定图片相似度矩阵；
[0104]
步骤130、基于所述图片权重以及所述图片相似度矩阵，确定所述目标图片集中每一个图片对应的特征分数；
[0105]
步骤140、基于所述每一个图片对应的特征分数，以及预设的相似度阈值，确定优选图片，并基于所述优选图片对人脸底库进行更新。
[0106]
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的人脸底库更新方法，该方法包括：
[0107]
步骤110、基于所述目标图片集中的图片获取时间、预设偏移量，确定所述目标图片集中每一张图片对应的图片权重；其中，所述目标图片集包括待筛选图片集以及人脸底库图片；
[0108]
步骤120、提取所述目标图片集对应的特征向量集，并基于所述特征向量集，确定图片相似度矩阵；
[0109]
步骤130、基于所述图片权重以及所述图片相似度矩阵，确定所述目标图片集中每一个图片对应的特征分数；
[0110]
步骤140、基于所述每一个图片对应的特征分数，以及预设的相似度阈值，确定优选图片，并基于所述优选图片对人脸底库进行更新。
[0111]
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
[0112]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
[0113]
最后应说明的是：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。