基于人脸识别更新人脸特征的方法、装置和计算机设备制造方法及图纸

本申请提供了一种基于人脸识别更新人脸特征的方法、装置和计算机设备，系统首先获取待识别人脸特征向量，并将其与预存的若干个基准人脸特征向量逐一进行比对，得到待识别人脸特征向量与各基准人脸特征向量之间的相似度。系统从各个相似度中筛选出最大相似度，判断最大相似度是否大于相似度阈值。如果不小于相似度阈值，则根据待识别人脸特征向量和最大相似度对应的基准人脸特征向量进行加权融合，完成人脸特征的更新。本申请在人脸识别通过后，通过加权融合对基准人脸特征向量进行更新，从而使得更新后的基准人脸特征向量能够更好适应用户年龄和环境的变化，实现动态更新人脸识别系统内录入的基准人脸特征向量，有效提升人脸识别系统的识别率。

【技术实现步骤摘要】
基于人脸识别更新人脸特征的方法、装置和计算机设备
本申请涉及人脸识别
，特别涉及一种基于人脸识别更新人脸特征的方法、装置和计算机设备。
技术介绍
随着深度学习和计算机视觉的发展，人脸识别系统的准确率越来越高，被广泛应用于各种场景。在实际应用中，人脸识别系统一般在录入人脸特征后，不会主动去修改已录入的人脸特征。但是，随着时间的推移或者环境的改变，人脸会发生变化，从而影响人脸识别系统的识别率。
技术实现思路
本申请的主要目的为提供一种基于人脸识别更新人脸特征的方法、装置和计算机设备，旨在解决现有人脸识别系统在长期应用中识别率较低的弊端。为实现上述目的，本申请提供了一种基于人脸识别更新人脸特征的方法，包括：获取待识别人脸特征向量；将所述待识别人脸特征向量与预存的若干个基准人脸特征向量逐一进行比对，得到所述待识别人脸特征向量与各所述基准人脸特征向量之间的相似度；从各所述相似度中筛选出最大相似度；判断所述最大相似度是否大于相似度阈值；若所述最大相似度不小于相似度阈值，则根据所述待识别人脸特征向量和所述最大相似度对应的基准人脸特征向量进行加权融合，更新所述最大相似度对应的基准人脸特征向量。进一步的，所述获取待识别人脸特征向量的步骤，包括：获取待识别人脸图片；将所述待识别人脸图片输入预先训练的人脸特征提取模型，得到所述待识别人脸特征向量，所述人脸特征提取模型用于从输入图片中提取人脸特征向量。进一步的，所述根据所述待识别人脸特征向量和所述最大相似度对应的基准人脸特征向量进行加权融合，更新所述所述最大相似度对应的基准人脸特征向量的步骤，包括：获取更新系数；将所述更新系数、所述待识别人脸特征向量和所述最大相似度对应的最大相似度对应的基准人脸特征向量代入加权融合公式内，计算得到更新后的基准人脸特征向量，其中，所述加权融合公式为：Ft＝βFt-1+(1-β)Gt，Ft-1为所述待识别人脸特征向量，Gt为所述最大相似度对应的基准人脸特征向量，Ft为所述更新后的基准人脸特征向量，β为所述更新系数；使用所述更新后的基准人脸特征向量替换所述最大相似度对应的基准人脸特征向量。进一步的，所述获取更新系数的步骤，包括：获取更新信息；将所述更新信息输入预先训练的学习模型，得到所述更新系数，所述学习模型用于根据输入信息对应输出更新系数。进一步的，所述更新信息包括光照强度，所述获取更新信息的步骤，包括：在获取所述待识别人脸图片的同时，通过光感传感器获取当前环境的所述光照强度。进一步的，所述更新信息包括间隔时间段，所述获取更新信息的步骤，包括：获取当前时间，以及所述最大相似度对应的基准人脸特征向量的保存时间；计算所述当前时间和所述保存时间之间的差值，得到所述间隔时间段。进一步的，所述判断所述最大相似度是否大于相似度阈值的步骤之后，包括：若所述最大相似度小于相似度阈值，则判定人脸识别失败。本申请还提供了一种基于人脸识别更新人脸特征的装置，包括：获取模块，用于获取待识别人脸特征向量；比对模块，用于将所述待识别人脸特征向量与预存的若干个基准人脸特征向量逐一进行比对，得到所述待识别人脸特征向量与各所述基准人脸特征向量之间的相似度；筛选模块，用于从各所述相似度中筛选出最大相似度；判断模块，用于判断所述最大相似度是否大于相似度阈值；更新模块，用于若所述最大相似度不小于相似度阈值，则根据所述待识别人脸特征向量和所述最大相似度对应的基准人脸特征向量进行加权融合，更新所述最大相似度对应的基准人脸特征向量。进一步的，所述获取模块，包括：第一获取子模块，用于获取待识别人脸图片；提取子模块，用于将所述待识别人脸图片输入预先训练的人脸特征提取模型，得到所述待识别人脸特征向量，所述人脸特征提取模型用于用于从输入图片中提取人脸特征向量。进一步的，所述更新模块，包括：第二获取子模块，用于获取更新系数；计算子模块，用于将所述更新系数、所述待识别人脸特征向量和所述最大相似度对应的基准人脸特征向量代入加权融合公式内，计算得到更新后的基准人脸特征向量，其中，所述加权融合公式为：Ft＝βFt-1+(1-β)Gt，Ft-1为所述待识别人脸特征向量，Gt为所述最大相似度对应的基准人脸特征向量，Ft为所述更新后的基准人脸特征向量，β为所述更新系数；替换子模块，用于使用所述更新后的基准人脸特征向量替换所述最大相似度对应的基准人脸特征向量。进一步的，所述第二获取子模块，包括：获取单元，用于获取更新信息；解析单元，用于将所述更新信息输入预先训练的学习模型，得到所述更新系数，所述学习模型用于根据输入信息对应输出更新系数。进一步的，所述更新信息包括光照强度，所述获取单元，包括：第一获取子单元，用于在获取所述待识别人脸图片的同时，通过光感传感器获取当前环境的所述光照强度。进一步的，所述更新信息包括间隔时间段，所述获取单元，包括：第二获取子单元，用于获取当前时间，以及所述最大相似度对应的基准人脸特征向量的保存时间；计算子单元，用于计算所述当前时间和所述保存时间之间的差值，得到所述间隔时间段。进一步的，所述装置，还包括：判定模块，用于若所述最大相似度小于相似度阈值，则判定人脸识别失败。本申请还提供一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时实现上述任一项所述方法的步骤。本申请还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项所述的方法的步骤。本申请中提供的一种基于人脸识别更新人脸特征的方法、装置和计算机设备，系统首先获取待识别人脸特征向量，并将待识别人脸特征向量与预存的若干个基准人脸特征向量逐一进行比对，得到待识别人脸特征向量与各基准人脸特征向量之间的相似度。系统从各个相似度中筛选出最大相似度，判断最大相似度是否大于相似度阈值。如果最大相似度不小于相似度阈值，则根据待识别人脸特征向量和最大相似度对应的基准人脸特征向量进行加权融合，更新最大相似度对应的基准人脸特征向量。本申请在人脸识别通过后，通过加权融合对基准人脸特征向量进行更新，从而使得更新后的基准人脸特征向量能够更好的适应用户年龄和环境的变化，实现动态更新人脸识别系统内录入的基准人脸特征向量，有效提升人脸识别系统的识别率。附图说明图1是本申请一实施例中基于人脸识别更新人脸特征的方法步骤示意图；图2是本申请一实施例中基于人脸识别更新人脸特征的装置整体结构框图；图3是本申请一实施例的计算机设备的结构示意框图。本申请目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。具体实施方式为了使本申请的目的、技术方案及优点更加清楚明白本文档来自技高网...

【技术保护点】
1.一种基于人脸识别更新人脸特征的方法，其特征在于，包括：/n获取待识别人脸特征向量；/n将所述待识别人脸特征向量与预存的若干个基准人脸特征向量逐一进行比对，得到所述待识别人脸特征向量与各所述基准人脸特征向量之间的相似度；/n从各所述相似度中筛选出最大相似度；/n判断所述最大相似度是否大于相似度阈值；/n若所述最大相似度不小于相似度阈值，则根据所述待识别人脸特征向量和所述最大相似度对应的基准人脸特征向量进行加权融合，更新所述最大相似度对应的基准人脸特征向量。/n

【技术特征摘要】
1.一种基于人脸识别更新人脸特征的方法，其特征在于，包括：
获取待识别人脸特征向量；
将所述待识别人脸特征向量与预存的若干个基准人脸特征向量逐一进行比对，得到所述待识别人脸特征向量与各所述基准人脸特征向量之间的相似度；
从各所述相似度中筛选出最大相似度；
判断所述最大相似度是否大于相似度阈值；
若所述最大相似度不小于相似度阈值，则根据所述待识别人脸特征向量和所述最大相似度对应的基准人脸特征向量进行加权融合，更新所述最大相似度对应的基准人脸特征向量。


2.根据权利要求1所述的基于人脸识别更新人脸特征的方法，其特征在于，所述获取待识别人脸特征向量的步骤，包括：
获取待识别人脸图片；
将所述待识别人脸图片输入预先训练的人脸特征提取模型，得到所述待识别人脸特征向量，所述人脸特征提取模型用于从输入图片中提取人脸特征向量。


3.根据权利要求2所述的基于人脸识别更新人脸特征的方法，其特征在于，所述根据所述待识别人脸特征向量和所述最大相似度对应的基准人脸特征向量进行加权融合，更新所述所述最大相似度对应的基准人脸特征向量的步骤，包括：
获取更新系数；
将所述更新系数、所述待识别人脸特征向量和所述最大相似度对应的基准人脸特征向量代入加权融合公式内，计算得到更新后的基准人脸特征向量，其中，所述加权融合公式为：Ft＝βFt-1+(1-β)Gt，Ft-1为所述待识别人脸特征向量，Gt为所述最大相似度对应的基准人脸特征向量，Ft为所述更新后的基准人脸特征向量，β为所述更新系数；
使用所述更新后的基准人脸特征向量替换所述最大相似度对应的基准人脸特征向量。


4.根据权利要求3所述的基于人脸识别更新人脸特征的方法，其特征在于，所述获取更新系数的步骤，包括：
获取更新信息；
将所述更新信息输入预先训练的学习模型，得到所述更新系数，所述学习模型用于根...

【专利技术属性】
技术研发人员：张晓华，陈勇，胡天，
申请(专利权)人：深圳市视美泰技术股份有限公司，
类型：发明
国别省市：广东;44