[go: up one dir, main page]

CN110008802B - 从多个脸部中选择目标脸部及脸部识别比对方法、装置 - Google Patents

从多个脸部中选择目标脸部及脸部识别比对方法、装置 Download PDF

Info

Publication number
CN110008802B
CN110008802B CN201811474564.3A CN201811474564A CN110008802B CN 110008802 B CN110008802 B CN 110008802B CN 201811474564 A CN201811474564 A CN 201811474564A CN 110008802 B CN110008802 B CN 110008802B
Authority
CN
China
Prior art keywords
face
camera
image
distance
area
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
Application number
CN201811474564.3A
Other languages
English (en)
Other versions
CN110008802A (zh
Inventor
郑丹丹
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Advanced New Technologies Co Ltd
Advantageous New Technologies Co Ltd
Original Assignee
Advanced New Technologies Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Advanced New Technologies Co Ltd filed Critical Advanced New Technologies Co Ltd
Priority to CN201811474564.3A priority Critical patent/CN110008802B/zh
Publication of CN110008802A publication Critical patent/CN110008802A/zh
Priority to TW108125040A priority patent/TWI738026B/zh
Priority to US16/702,334 priority patent/US10803295B2/en
Priority to PCT/US2019/064302 priority patent/WO2020117851A2/en
Priority to US17/068,586 priority patent/US11036967B2/en
Application granted granted Critical
Publication of CN110008802B publication Critical patent/CN110008802B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06V40/161—Detection; Localisation; Normalisation
    • G06V40/166—Detection; Localisation; Normalisation using acquisition arrangements
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • 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
    • G06V40/161—Detection; Localisation; Normalisation
    • 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
    • G06V40/161—Detection; Localisation; Normalisation
    • G06V40/165—Detection; Localisation; Normalisation using facial parts and geometric relationships
    • 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
    • G06V40/172—Classification, e.g. identification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30196—Human being; Person
    • G06T2207/30201—Face

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Health & Medical Sciences (AREA)
  • Human Computer Interaction (AREA)
  • General Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Geometry (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)
  • Studio Devices (AREA)

Abstract

本说明书实施例公开了一种从多个脸部选择目标脸部以及脸部识别比对的方法、装置，该方法包括：获取摄像头采集区域中的图像，所述图像中包含至少一个脸部区域；基于所述图像确定至少一个脸部中的脸部与摄像头之间的空间距离；基于所述至少一个脸部中的脸部与摄像头之间的空间距离，从所述至少一个脸部中选择目标脸部。

Description

从多个脸部中选择目标脸部及脸部识别比对方法、装置
技术领域
本说明书涉及计算机软件技术领域，尤其涉及一种从多个脸部选择目标脸部的方法及脸部识别比对方法、装置和电子设备。
背景技术
在当前的线下机具刷脸支付场景中，需要采集人脸用于生物特征比对，比对成功方可触发支付过程进一步执行。
通常在支付场景中，会有很多人排队等待支付，支付终端需要借助摄像头获取采集区域的所有人脸，然后基于最大脸的选择逻辑从多个人脸中选择目标人脸，与留底的人脸图片进行比对。
然而，考虑到基于关键点技术进行最大脸选择的方式误差较大，而且人脸本就存在大小差异，进而造成目标脸部的选择准确性较低。
发明内容
本说明书实施例的目的是提供一种从多个脸部中选择目标脸部及脸部识别比对方法、装置和电子设备，以提升目标脸部选择的准确性。
为解决上述技术问题，本说明书实施例是这样实现的：
第一方面，提出了一种从多个脸部中选择目标脸部的方法，包括：
获取摄像头采集区域中的图像，所述图像中包含至少一个脸部区域；
基于所述图像确定至少一个脸部中的脸部与摄像头之间的空间距离；
基于所述至少一个脸部中的脸部与摄像头之间的空间距离，从所述至少一个脸部中选择目标脸部。
第二方面，提出了一种脸部识别比对方法，所述方法包括：
获取摄像头采集区域中的图像，所述图像中包含至少一个脸部区域；
基于所述图像确定至少一个脸部中的脸部与摄像头之间的空间距离；
基于所述至少一个脸部中的脸部与摄像头之间的空间距离，从所述至少一个脸部中选择目标脸部；
基于选择的所述目标脸部进行脸部识别比对。
第三方面，提出了一种从多个脸部中选择目标脸部的装置，包括：
获取模块，获取摄像头采集区域中的图像，所述图像中包含至少一个脸部区域；
确定模块，基于所述图像确定至少一个脸部中的脸部与摄像头之间的空间距离；
选择模块，基于所述至少一个脸部中的脸部与摄像头之间的空间距离，从所述至少一个脸部中选择目标脸部。
第四方面，提出了一种脸部识别比对装置，包括：
获取模块，获取摄像头采集区域中的图像，所述图像中包含至少一个脸部区域；
确定模块，基于所述图像确定至少一个脸部中的脸部与摄像头之间的空间距离；
选择模块，基于所述至少一个脸部中的脸部与摄像头之间的空间距离，从所述至少一个脸部中选择目标脸部；
比对模块，基于选择的所述目标脸部进行脸部识别比对。
第五方面，提出了一种电子设备，包括：
处理器；以及
被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行以下操作：
获取摄像头采集区域中的图像，所述图像中包含至少一个脸部区域；
基于所述图像确定至少一个脸部中的脸部与摄像头之间的空间距离；
基于所述至少一个脸部中的脸部与摄像头之间的空间距离，从所述至少一个脸部中选择目标脸部。
第六方面，提出了一种电子设备，包括：
处理器；以及
被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行以下操作：
获取摄像头采集区域中的图像，所述图像中包含至少一个脸部区域；
基于所述图像确定至少一个脸部中的脸部与摄像头之间的空间距离；
基于所述至少一个脸部中的脸部与摄像头之间的空间距离，从所述至少一个脸部中选择目标脸部；
基于选择的所述目标脸部进行脸部识别比对。
第七方面，提出了一种计算机可读存储介质，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被包括多个应用程序的电子设备执行时，使得所述电子设备执行以下操作：
获取摄像头采集区域中的图像，所述图像中包含至少一个脸部区域；
基于所述图像确定至少一个脸部中的脸部与摄像头之间的空间距离；
基于所述至少一个脸部中的脸部与摄像头之间的空间距离，从所述至少一个脸部中选择目标脸部。
第八方面，提出了一种计算机可读存储介质，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被包括多个应用程序的电子设备执行时，使得所述电子设备执行以下操作：
获取摄像头采集区域中的图像，所述图像中包含至少一个脸部区域；
基于所述图像确定至少一个脸部中的脸部与摄像头之间的空间距离；
基于所述至少一个脸部中的脸部与摄像头之间的空间距离，从所述至少一个脸部中选择目标脸部；
基于选择的所述目标脸部进行脸部识别比对。
由以上本说明书实施例提供的技术方案可见，基于至少一个脸部中的脸部与摄像头之间的空间距离，从至少一个脸部中选择目标脸部，因此，可以避免基于脸部大小而选择目标脸部导致的缺陷，提升选择目标脸部的准确度。而且考虑到空间距离的维度类型可以任意组合，因此，可以灵活设置选择方式，以更为合理有效的方式提升选择准确性。
附图说明
为了更清楚地说明本说明书实施例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简单地介绍，显而易见地，下面描述中的附图仅仅是本说明书中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1a是本说明书的一个实施例提供的从多个脸部中选择目标脸部的方法步骤示意图。
图1b是本说明书的一个实施例提供的包含脸部与摄像头的三维示意图。
图2a是本说明书的一个实施例提供的选择方式二的步骤示意图。
图2b是本说明书的一个实施例提供的选择方式三的步骤示意图。
图3是本说明书的一个实施例提供支付场景下选择目标脸部的方法步骤示意图。
图4是本说明书的一个实施例提供的脸部识别比对方法的步骤示意图。
图5是本说明书的一个实施例提供的电子设备的结构示意图。
图6是本说明书的一个实施例提供的从多个脸部中选择目标脸部的装置的结构示意图。
图7是本说明书的一个实施例提供的脸部识别比对装置的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本说明书中的技术方案，下面将结合本说明书实施例中的附图，对本说明书实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，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，都应当属于本说明书保护的范围。
实施例一
参照图1a所示，为本说明书实施例提供的一种从多个脸部中选择目标脸部的方法步骤示意图，该方法的执行主体可以是具有图像采集功能的摄像装置，或者，具有图像采集功能的脸部处理装置，例如，脸部识别比对装置，或是支付终端、自助终端等。
其中，本说明书实施例所涉及的从多个脸部中选择目标脸部的方法可以包括以下步骤：
S102：获取摄像头采集区域中的图像，所述图像中包含至少一个脸部区域。
在本说明书实施例中，获取的图像可以由摄像头拍摄检测，这里所涉及的采集区域可依赖摄像头的镜头所能覆盖的范围-视角(field-of-view，FOV)来确定。一般而言，摄像头的FOV中横向视角大于纵向视角。
具体地，在获取图像过程中，可以基于深度学习的人脸检测技术以及关键点定位技术，来检测获取的图像中包含至少一个脸部区域。其中，人脸检测技术可以是基于各类神经网络的模型架构进行深度学习；关键点定位是一种用以定位脸部关键区域位置，包括眉毛、眼睛、鼻子、嘴巴、脸部轮廓等区域位置的成熟技术，在此不做赘述。
考虑到摄像头的FOV中横向视角比较大，在图像获取过程中，可能会检测定位到本不应该采集的脸部，为此，可通过缩小摄像头的FOV的方式来进一步筛选脸部，一种可实现的获取方案，可以包括：
第一步，基于深度学习的脸部检测和关键点定位，确定摄像头采集区域中的图像包含的多个脸部区域；
应理解，在第一步中，仍按照摄像头的原有视角确定图像中的多个脸部区域。
第二步，从所述多个脸部区域中筛选出位于有效采集区域的至少一个脸部区域，所述有效采集区域为原始分辨率缩小为预定比例后采集的图像在原始图像中的对应的区域。
在该步骤中，可以通过缩小FOV来规避对摄像头视角边缘区域的脸部的检测定位，具体可以通过将摄像头的原始分辨率缩小到预设比例的方式，即通过放大图像、缩小采集区域的方式来缩小摄像头的FOV，这样，从多个脸部区域中筛选出位于有效采集区域的至少一个脸部区域，以此来缩小目标脸部的选择范围。
应理解，预设比例的选择范围可以是小于1大于0的一个比例。优选的，例如，预设比例的取值可以为4/5或3/4，此时可以将摄像头的分辨率缩小为原始分辨率的4/5或3/4，这样，有效采集区域也可缩小为原始分辨率缩小为预定比例后采集的图像在原始图像中的对应的区域。当然，如果预设比例取值为0.999之类的，有效采集区域与原始的区域没有太大的改变，对结果没什么影响；如果预设比例取值为0.001，有效采集区域又太小，显然不可能采集出人脸区域。因此，预设比例的区间应选择一个合适的范围。例如，预设比例的取值区间可以在1/4至9/10之间，或者在3/4至4/5之间，等等。该预设比例的取值范围仅作为示例说明，本说明书实施例对此并不限制。
S104：基于所述图像确定至少一个脸部中的脸部与摄像头之间的空间距离。
在本说明书实施例中，所述空间距离至少包括以下之一或任意组合：
--脸部与摄像头的距离在坐标系的深度方向的投影所形成的深度维度距离；
--脸部与摄像头的距离在坐标系的横向方向的投影所形成的横向维度距离，所述横向方向为摄像头成像区域中纵向中心线所在方向；
--脸部与摄像头的距离在坐标系的纵向方向的投影所形成的纵向维度距离，所述纵向方向为摄像头成像区域中横向中心线所在方向。
具体可以参照图1b所示的包含脸部与摄像头的三维示意图，其中，图示的摄像头成像区域可以视为摄像头，而摄像头与脸部可构造图示中的三维坐标系xyz，且x轴所在横向方向、y轴所在纵向方向以及z轴所在深度方向分别互相垂直。而且，x轴为摄像头成像区域中纵向中心线所在方向，y轴为摄像头成像区域中横向中心线所在方向，z轴为与摄像头成像区域垂直的方向。这里，脸部与摄像头的距离是D，而该脸部与摄像头的空间距离中深度维度距离是脸部与摄像头的距离D在z轴方向的投影所形成的距离Dz，同理，脸部与摄像头的空间距离中横向维度距离是脸部与摄像头的距离D在x轴方向的投影所形成的距离Dx，脸部与摄像头的空间距离中纵向维度距离是脸部与摄像头的距离D在y轴方向的投影所形成的距离Dy。
其实，本说明书所涉及的空间距离还可以包括其它维度方向上的维度距离，本说明书并不对此进行限定。
在本说明书实施例中，S104在执行时可具体包括如下情况之一或任意组合：
情况1-空间距离包括深度维度距离
基于所述图像中的脸部包含的像素点位置，采用摄像头对齐技术，分别计算像素点与摄像头之间的深度维度距离。其中，摄像头对齐技术，可以包括硬件对齐或是软件对齐，以保证检测时的时序同步。
将脸部中的像素点与摄像头之间的深度维度距离取平均，确定为脸部与摄像头之间的深度维度距离。
该情况1中确定的深度维度距离，可以用于有效评估检测到的脸部相距摄像头的空间距离，相比于通过测算脸部大小的方案更为准确。
情况2-空间距离包括横向维度距离
基于所述图像中的脸部包含的像素点位置，分别计算像素点与摄像头之间的横向维度距离；
将脸部中的像素点与摄像头之间的横向维度距离取平均，确定为脸部与摄像头之间的横向维度距离。
应理解，本说明书中所涉及的横向维度距离，不仅包括脸部相距摄像头成像区域的纵向中心线的距离，还可以包括脸部眼间距离，或是脸部耳间距离等，虽然这些是脸部对称器官之间的距离，但实质上都可以理解为是对称器官中单个器官相距摄像头成像区域的纵向中心线的距离。
情况3-空间距离包括纵向维度距离
基于所述图像中的脸部包含的像素点位置，分别计算像素点与摄像头之间的纵向维度距离；
将脸部中的像素点与摄像头之间的纵向维度距离取平均，确定为脸部与摄像头之间的纵向维度距离。
以上情况2中的横向维度距离及情况3中的纵向维度距离，都可以实现对脸部相距摄像头中心位置的空间距离的有效评估，相比于现有技术中通过测算脸部大小而言，可以有效避免由于脸部边缘较大而导致检测不准确的问题，提升选择目标脸部的准确度。
应理解，在步骤S104中，上述3种情况可以分别独立出现或是任意组合，例如，当空间距离包括深度维度距离而不包括其它维度距离，那么，步骤S104执行情况1的步骤操作；当空间距离包括深度维度距离和横向维度距离而不包括纵向维度距离，那么，步骤S104执行情况1和步骤2的步骤操作，而情况1的步骤操作和情况2的步骤操作是否分时执行或是同时执行，本说明书并不对此进行限定；当空间距离包括深度维度距离、横向维度距离和纵向维度距离，那么，步骤S104执行情况1、步骤2和步骤3的步骤操作，而情况1的步骤操作、情况2的步骤操作和情况3的步骤操作是否分时执行或是同时执行，本说明书并不对此进行限定。
S106：基于所述至少一个脸部中的脸部与摄像头之间的空间距离，从所述至少一个脸部中选择目标脸部。
考虑到基于空间距离包括的维度距离的类型不同，可能导致不同的选择方式。在本说明书实施例中，可以涉及以下三大类选择方式：
选择方式一：
步骤S106在执行时可以包括：
基于空间距离对所述至少一个脸部进行排序，从所述至少一个脸部中选择空间距离最小的脸部作为目标脸部。
其中，空间距离可以为深度维度距离，或者，横向维度距离，或者，纵向维度距离，每一种维度距离都可以单独作为选择目标脸部的一个约束条件来使用。
由此，通过缩小摄像头的视角，从多个脸部区域中筛选出位于有效采集区域的至少一个脸部区域，以此来缩小目标脸部的选择范围；而且，以空间距离中任一维度距离作为选择目标脸部的约束条件，进一步提升目标脸部的选择效率，提高准确度，避免通过脸部大小来选择目标脸部导致的缺陷。
选择方式二：
参照图2a所示，步骤S106在执行时可以包括：
S202a：基于所述至少一个脸部中的脸部与摄像头之间的第一维度距离，从所述至少一个脸部中选择第一维度距离最小以及次小的脸部作为两个候选脸部；
S204a：如果所述两个候选脸部的第一维度距离之差的绝对值大于第一阈值，则从所述两个候选脸部中选择第一维度距离最小的脸部作为目标脸部；
S206a：如果所述两个候选脸部的第一维度距离之差的绝对值不大于第一阈值，则基于第二维度距离从所述两个候选脸部中选择第二维度距离最小的脸部作为目标脸部。
应理解，所述第一阈值可以是根据经验值或是通过相应算法得到的数值，在本说明书实施例中，第一阈值的取值范围可以为150±50mm，然而，本说明书并不对此进行限定，可以根据摄像头的镜头焦距的选择进行设定。
或者，步骤S106在选择方式二实现时也可以参照以下方式执行：
基于所述至少一个脸部中的脸部与摄像头之间的第一维度距离，从所述至少一个脸部中选择第一维度距离小于第四阈值的至少两个候选脸部；
基于第二维度距离对所述至少两个候选脸部进行排序，从所述至少两个候选脸部中选择第二维度距离最小的脸部作为目标脸部。
应理解，在该选择方式二中，所述空间距离包括第一维度距离和第二维度距离；每两种维度距离都可以组合作为选择目标脸部的约束条件来使用。
其中，所述第一维度距离为深度维度距离，所述第二维度距离为横向维度距离；或者，
所述第一维度距离为深度维度距离，所述第二维度距离为纵向维度距离；或者，
所述第一维度距离为横向维度距离，所述第二维度距离为纵向维度距离；或者，
所述第一维度距离为横向维度距离，所述第二维度距离为深度维度距离；或者，
所述第一维度距离为纵向维度距离，所述第二维度距离为深度维度距离；或者，
所述第一维度距离为纵向维度距离，所述第二维度距离为横向维度距离。
由此，通过缩小摄像头的视角，从多个脸部区域中筛选出位于有效采集区域的至少一个脸部区域，以此来缩小目标脸部的选择范围；而且，以空间距离中任意两种维度距离作为选择目标脸部的约束条件，进一步提升目标脸部的选择效率，提高准确度，避免通过脸部大小来选择目标脸部导致的缺陷。
选择方式三：
参照图2b所示，步骤S106在执行时可以包括：
S202b：基于所述至少一个脸部中的脸部与摄像头之间的第一维度距离，从所述至少一个脸部中选择第一维度距离小于第二阈值的至少两个脸部；
S204b：基于脸部与摄像头之间的第二维度距离，从所述至少两个脸部中选择第二维度距离最小以及次小的脸部作为两个候选脸部；
S206b：如果所述两个候选脸部的第二维度距离之差大于第三阈值，则从所述两个候选脸部中选择第二维度距离最小的脸部作为目标脸部；
S208b：如果所述两个候选脸部的第二维度距离之差不大于第三阈值，则基于第三维度距离从所述两个候选脸部中选择第三维度距离最小的脸部作为目标脸部。
或者，步骤S106在选择方式三实现时也可以参照以下方式执行：
基于所述至少一个脸部中的脸部与摄像头之间的第一维度距离，从所述至少一个脸部中选择第一维度距离小于第四阈值的至少两个脸部；
基于脸部与摄像头之间的第二维度距离，从所述至少两个脸部中选择第二维度距离小于第五阈值的至少两个候选脸部；
基于第三维度距离对所述至少两个候选脸部进行排序，从所述至少两个候选脸部中选择第三维度距离最小的脸部作为目标脸部。
应理解，在该选择方式三中，所述空间距离包括第一维度距离、第二维度距离和第三维度距离；三种维度距离可以任意组合作为选择目标脸部的约束条件来使用。
其中，所述第一维度距离为深度维度距离，所述第二维度距离为横向维度距离，所述第三维度距离为纵向维度距离；或者，
所述第一维度距离为深度维度距离，所述第二维度距离为纵向维度距离，所述第三维度距离为横向维度距离；或者，
所述第一维度距离为横向维度距离，所述第二维度距离为纵向维度距离，所述第三维度距离为深度维度距离；或者，
所述第一维度距离为横向维度距离，所述第二维度距离为深度维度距离，所述第三维度距离为纵向维度距离；或者，
所述第一维度距离为纵向维度距离，所述第二维度距离为横向维度距离，所述第三维度距离为深度维度距离；或者，
所述第一维度距离为纵向维度距离，所述第二维度距离为深度维度距离，所述第三维度距离为横向维度距离。
可选地，在本说明书实施例中，所述脸部包括可识别的人脸或可识别的动物脸中的至少一种。
下面通过具体的实例对本说明书所涉及的技术方案进行详述，应理解，该实例仅用于进一步清楚说明本说明书的技术方案，而并不造成对本说明书的实施例所覆盖范围的限制。
假设，以空间距离中的深度维度距离结合横向维度距离作为约束条件，以支付场景为例，选择目标脸部的方案具体可参照图3以下步骤实现。
S302：基于脸部检测技术以及FOV设定缩小比例为原始分辨率的4/5，确定支付场景下拍摄到的多个脸部。
应理解，这些脸部可以是正在排队等待支付的人脸。
S304：从所述多个脸部中选择深度维度距离介于0-1000mm之间的脸部。
在该实例中，可以通过限定深度维度距离范围来进一步缩小选择目标脸部的范围，例如，考虑到距离摄像头的深度维度距离最近的可能是正在做刷脸支付的人脸，因此，可以进一步限定距离支付终端1m范围内的人脸作为可选范围。
S306：基于深度维度距离，对深度维度距离介于0-1000mm之间的脸部进行排序。
该步骤其实仅作为选择其中最小以及次小深度维度距离的方式，并不视为必要步骤。
S308：判断深度维度距离最小的脸部与深度维度距离次小的脸部之间的深度维度距离之差的绝对值是否不小于150mm，如果是，则执行S310，否则，执行S320。
在实际的支付场景中，如果距离摄像头的深度维度距离最小的人脸，与距离摄像头的深度维度距离次小的人脸相比，两者之间的差值绝对值并不是很大(具体可以是与一阈值进行比较)，说明两个人脸相距很近，或者由于支付者的高度差而误以为两个人脸很近，那么，两个人脸中任一人脸都有可能是正在支付的目标脸部，仅根据深度维度距离无法准确选择，这就需要执行S320；如果两者之间的差值绝对值较大，说明两个人脸相距很远，则可以执行S310。
S310：将深度维度距离最小的脸部作为目标脸部。
该步骤中，可以视距离摄像头的深度维度距离最小的人脸为正在支付的目标脸部。
S312：判断深度维度距离最小的脸部的横向维度距离是否大于深度维度距离次小的脸部的横向维度距离，如果是，则执行S314，否则，跳转至S310。
该步骤中，可以进一步根据人脸与摄像头成像区域的中心线的距离(这里可以是横向维度距离，例如，人脸中眼间距)进行判定，具体选择横向维度距离最小的脸部作为目标脸部。
S314：将深度维度距离次小的脸部作为目标脸部。
应理解，该步骤中，深度维度距离次小的脸部也就是横向维度距离最小的脸部。
通过上述技术方案，在支付场景中，可以基于至少一个脸部中的脸部与摄像头之间的空间距离，从至少一个脸部中选择目标脸部，因此，可以避免基于脸部大小而选择目标脸部导致的缺陷，提升选择目标脸部的准确度。而且考虑到空间距离的维度类型可以任意组合，因此，可以灵活设置选择方式，以更为合理有效的方式提升选择准确性。
实施例二
本说明书实施例还提供了一种脸部识别比对方法，参照图4所示，所述方法包括：
S402：获取摄像头采集区域中的图像，所述图像中包含至少一个脸部区域；
S404：基于所述图像确定至少一个脸部中的脸部与摄像头之间的空间距离；
S406：基于所述至少一个脸部中的脸部与摄像头之间的空间距离，从所述至少一个脸部中选择目标脸部；
S408：基于选择的所述目标脸部进行脸部识别比对。
其中，该方法中步骤S402-S406的具体实现均可参照实施例一中的相关步骤，在此不赘述。
通过上述技术方案，可以基于至少一个脸部中的脸部与摄像头之间的空间距离，从至少一个脸部中选择目标脸部，并基于该目标脸部进行脸部识别比对。因此，可以避免基于脸部大小而选择目标脸部导致的缺陷，提升选择目标脸部的准确度，以及脸部识别比对的准确度。
实施例三
图5是本说明书的一个实施例电子设备的结构示意图。请参考图5，在硬件层面，该电子设备包括处理器，可选地还包括内部总线、网络接口、存储器。其中，存储器可能包含内存，例如高速随机存取存储器(Random-Access Memory，RAM)，也可能还包括非易失性存储器(non-volatile memory)，例如至少1个磁盘存储器等。当然，该电子设备还可能包括其他业务所需要的硬件。
处理器、网络接口和存储器可以通过内部总线相互连接，该内部总线可以是ISA(Industry Standard Architecture，工业标准体系结构)总线、PCI(PeripheralComponent Interconnect，外设部件互连标准)总线或EISA(Extended Industry StandardArchitecture，扩展工业标准结构)总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图5中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。
存储器，用于存放程序。具体地，程序可以包括程序代码，所述程序代码包括计算机操作指令。存储器可以包括内存和非易失性存储器，并向处理器提供指令和数据。
处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，在逻辑层面上形成共享资源访问控制装置。处理器，执行存储器所存放的程序，并具体用于执行以下操作：
获取摄像头采集区域中的图像，所述图像中包含至少一个脸部区域；
基于所述图像确定至少一个脸部中的脸部与摄像头之间的空间距离；
基于所述至少一个脸部中的脸部与摄像头之间的空间距离，从所述至少一个脸部中选择目标脸部。或者，
获取摄像头采集区域中的图像，所述图像中包含至少一个脸部区域；
基于所述图像确定至少一个脸部中的脸部与摄像头之间的空间距离；
基于所述至少一个脸部中的脸部与摄像头之间的空间距离，从所述至少一个脸部中选择目标脸部；
基于选择的所述目标脸部进行脸部识别比对。
上述如本说明书图1a-图4所示实施例揭示的从多个脸部中选择目标脸部的方法以及脸部识别比对方法可以应用于处理器中，或者由处理器实现。处理器可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(ApplicationSpecific Integrated Circuit，ASIC)、现场可编程门阵列(Field－Programmable GateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本说明书实施例中公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本说明书实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。
该电子设备还可执行图1a的方法，并实现从多个脸部中选择目标脸部的装置在图1a-图3所示实施例的功能，以及实现脸部识别比对的装置在图4所示实施例的功能，本说明书实施例在此不再赘述。
当然，除了软件实现方式之外，本说明书实施例的电子设备并不排除其他实现方式，比如逻辑器件抑或软硬件结合的方式等等，也就是说以下处理流程的执行主体并不限定于各个逻辑单元，也可以是硬件或逻辑器件。
通过上述技术方案，可以基于至少一个脸部中的脸部与摄像头之间的空间距离，从至少一个脸部中选择目标脸部，因此，可以避免基于脸部大小而选择目标脸部导致的缺陷，提升选择目标脸部的准确度。而且考虑到空间距离的维度类型可以任意组合，因此，可以灵活设置选择方式，以更为合理有效的方式提升选择准确性。
实施例四
本说明书实施例还提出了一种计算机可读存储介质，该计算机可读存储介质存储一个或多个程序，该一个或多个程序包括指令，该指令当被包括多个应用程序的便携式电子设备执行时，能够使该便携式电子设备执行图1a所示实施例的方法，并具体用于执行以下方法：
获取摄像头采集区域中的图像，所述图像中包含至少一个脸部区域；
基于所述图像确定至少一个脸部中的脸部与摄像头之间的空间距离；
基于所述至少一个脸部中的脸部与摄像头之间的空间距离，从所述至少一个脸部中选择目标脸部。
本说明书实施例还提出了一种计算机可读存储介质，该计算机可读存储介质存储一个或多个程序，该一个或多个程序包括指令，该指令当被包括多个应用程序的便携式电子设备执行时，能够使该便携式电子设备执行图4所示实施例的方法，并具体用于执行以下方法：
获取摄像头采集区域中的图像，所述图像中包含至少一个脸部区域；
基于所述图像确定至少一个脸部中的脸部与摄像头之间的空间距离；
基于所述至少一个脸部中的脸部与摄像头之间的空间距离，从所述至少一个脸部中选择目标脸部；
基于选择的所述目标脸部进行脸部识别比对。
通过上述技术方案，可以基于至少一个脸部中的脸部与摄像头之间的空间距离，从至少一个脸部中选择目标脸部，因此，可以避免基于脸部大小而选择目标脸部导致的缺陷，提升选择目标脸部的准确度。而且考虑到空间距离的维度类型可以任意组合，因此，可以灵活设置选择方式，以更为合理有效的方式提升选择准确性。
实施例五
图6为本说明书的一个实施例提供的从多个脸部中选择目标脸部的装置600的结构示意图。请参考图6，在一种软件实施方式中，从多个脸部中选择目标脸部的装置600可包括：
获取模块602，获取摄像头采集区域中的图像，所述图像中包含至少一个脸部区域；
确定模块604，基于所述图像确定至少一个脸部中的脸部与摄像头之间的空间距离；
选择模块606，基于所述至少一个脸部中的脸部与摄像头之间的空间距离，从所述至少一个脸部中选择目标脸部。
通过上述技术方案，可以基于至少一个脸部中的脸部与摄像头之间的空间距离，从至少一个脸部中选择目标脸部，因此，可以避免基于脸部大小而选择目标脸部导致的缺陷，提升选择目标脸部的准确度。而且考虑到空间距离的维度类型可以任意组合，因此，可以灵活设置选择方式，以更为合理有效的方式提升选择准确性。
可选地，作为一个实施例，获取模块602，具体用于：
基于深度学习的脸部检测和关键点定位，确定摄像头采集区域中的图像包含的多个脸部区域；
从所述多个脸部区域中筛选出位于有效采集区域的至少一个脸部区域，所述有效采集区域为原始分辨率缩小为预定比例后采集的图像在原始图像中的对应的区域。
应理解，预设比例的选择范围可以是小于1大于0的一个比例。优选的，例如，预设比例的取值可以为4/5或3/4，此时可以将摄像头的分辨率缩小为原始分辨率的4/5或3/4，这样，有效采集区域也可缩小为原始分辨率缩小为预定比例后采集的图像在原始图像中的对应的区域。当然，如果预设比例取值为0.999之类的，有效采集区域与原始的区域没有太大的改变，对结果没什么影响；如果预设比例取值为0.001，有效采集区域又太小，显然不可能采集出人脸区域。因此，预设比例的区间应选择一个合适的范围。例如，预设比例的取值区间可以在1/4至9/10之间，或者在3/4至4/5之间，等等。该预设比例的取值范围仅作为示例说明，本说明书实施例对此并不限制。
可选地，所述空间距离至少包括以下之一或任意组合：
脸部与摄像头的距离在坐标系的深度方向的投影所形成的深度维度距离，所述深度方向为与摄像头成像区域垂直的方向；
脸部与摄像头的距离在坐标系的横向方向的投影所形成的横向维度距离，所述横向方向为摄像头成像区域中纵向中心线所在方向；
脸部与摄像头的距离在坐标系的纵向方向的投影所形成的纵向维度距离，所述纵向方向为摄像头成像区域中横向中心线所在方向。
可选地，作为另一个实施例，确定模块604，具体用于执行如下情况之一或任意组合：
当所述空间距离包括深度维度距离时，基于所述图像中的脸部包含的像素点位置，采用摄像头对齐技术，分别计算像素点与摄像头之间的深度维度距离；
将脸部中的像素点与摄像头之间的深度维度距离取平均，确定为脸部与摄像头之间的深度维度距离；
当所述空间距离包括横向维度距离时，基于所述图像中的脸部包含的像素点位置，分别计算像素点与摄像头之间的横向维度距离；
将脸部中的像素点与摄像头之间的横向维度距离取平均，确定为脸部与摄像头之间的横向维度距离；
当所述空间距离包括纵向维度距离时，基于所述图像中的脸部包含的像素点位置，分别计算像素点与摄像头之间的纵向维度距离；
将脸部中的像素点与摄像头之间的纵向维度距离取平均，确定为脸部与摄像头之间的纵向维度距离。
可选地，作为另一个实施例，选择模块606，具体用于：
基于空间距离对所述至少一个脸部进行排序，从所述至少一个脸部中选择空间距离最小的脸部作为目标脸部。
可选地，作为另一个实施例，所述空间距离包括第一维度距离和第二维度距离；选择模块606，具体用于：
基于所述至少一个脸部中的脸部与摄像头之间的第一维度距离，从所述至少一个脸部中选择第一维度距离最小以及次小的脸部作为两个候选脸部；
如果所述两个候选脸部的第一维度距离之差的绝对值大于第一阈值，则从所述两个候选脸部中选择第一维度距离最小的脸部作为目标脸部；
否则，基于第二维度距离从所述两个候选脸部中选择第二维度距离最小的脸部作为目标脸部。
可选地，作为另一个实施例，所述空间距离包括第一维度距离、第二维度距离和第三维度距离；选择模块606，具体用于：
基于所述至少一个脸部中的脸部与摄像头之间的第一维度距离，从所述至少一个脸部中选择第一维度距离小于第二阈值的至少两个脸部；
基于脸部与摄像头之间的第二维度距离，从所述至少两个脸部中选择第二维度距离最小以及次小的脸部作为两个候选脸部；
如果所述两个候选脸部的第二维度距离之差大于第三阈值，则从所述两个候选脸部中选择第二维度距离最小的脸部作为目标脸部；
否则，基于第三维度距离从所述两个候选脸部中选择第三维度距离最小的脸部作为目标脸部。
可选地，作为另一个实施例，所述脸部包括可识别的人脸、动物脸中的至少一种。
应理解，本说明书实施例的从多个脸部中选择目标脸部的装置还可执行图1a-图3中从多个脸部中选择目标脸部的装置(或设备)执行的方法，并实现从多个脸部中选择目标脸部的装置(或设备)在图1a-图3所示实施例的功能，在此不再赘述。
图7为本说明书的一个实施例提供的脸部识别比对装置700的结构示意图。请参考图7，在一种软件实施方式中，脸部识别比对装置700可包括：
获取模块702，获取摄像头采集区域中的图像，所述图像中包含至少一个脸部区域；
确定模块704，基于所述图像确定至少一个脸部中的脸部与摄像头之间的空间距离；
选择模块706，基于所述至少一个脸部中的脸部与摄像头之间的空间距离，从所述至少一个脸部中选择目标脸部；
比对模块708，基于选择的所述目标脸部进行脸部识别比对。
总之，以上所述仅为本说明书的较佳实施例而已，并非用于限定本说明书的保护范围。凡在本说明书的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本说明书的保护范围之内。
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，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。

Claims (14)

1.一种从多个脸部中选择目标脸部的方法，包括：
获取摄像头采集区域中的图像，所述图像中包含至少一个脸部区域；
基于所述图像确定至少一个脸部中的脸部与摄像头之间的空间距离；
基于所述至少一个脸部中的脸部与摄像头之间的空间距离，从所述至少一个脸部中选择目标脸部；
其中，获取摄像头采集区域中的图像，包括：
基于深度学习的脸部检测和关键点定位，确定摄像头采集区域中的图像包含的多个脸部区域；
从所述多个脸部区域中筛选出位于有效采集区域的至少一个脸部区域，所述有效采集区域为原始分辨率缩小为预定比例后采集的图像在原始图像中的对应的区域。
2.如权利要求1所述的方法，所述空间距离至少包括以下之一或任意组合：
脸部与摄像头的距离在坐标系的深度方向的投影所形成的深度维度距离，所述深度方向为与摄像头成像区域垂直的方向；
脸部与摄像头的距离在坐标系的横向方向的投影所形成的横向维度距离，所述横向方向为摄像头成像区域中纵向中心线所在方向；
脸部与摄像头的距离在坐标系的纵向方向的投影所形成的纵向维度距离，所述纵向方向为摄像头成像区域中横向中心线所在方向。
3.如权利要求2所述的方法，基于所述图像确定至少一个脸部中的脸部与摄像头之间的空间距离，包括如下情况之一或任意组合：
当所述空间距离包括深度维度距离时，基于所述图像中的脸部包含的像素点位置，采用摄像头对齐技术，分别计算像素点与摄像头之间的深度维度距离；
将脸部中的像素点与摄像头之间的深度维度距离取平均，确定为脸部与摄像头之间的深度维度距离；
当所述空间距离包括横向维度距离时，基于所述图像中的脸部包含的像素点位置，分别计算像素点与摄像头之间的横向维度距离；
将脸部中的像素点与摄像头之间的横向维度距离取平均，确定为脸部与摄像头之间的横向维度距离；
当所述空间距离包括纵向维度距离时，基于所述图像中的脸部包含的像素点位置，分别计算像素点与摄像头之间的纵向维度距离；
将脸部中的像素点与摄像头之间的纵向维度距离取平均，确定为脸部与摄像头之间的纵向维度距离。
4.如权利要求1-3任一项所述的方法，基于所述至少一个脸部中的脸部与摄像头之间的空间距离，从所述至少一个脸部中选择目标脸部，包括：
基于空间距离对所述至少一个脸部进行排序，从所述至少一个脸部中选择空间距离最小的脸部作为目标脸部。
5.如权利要求1-3任一项所述的方法，所述空间距离包括第一维度距离和第二维度距离；
基于所述至少一个脸部中的脸部与摄像头之间的空间距离，从所述至少一个脸部中选择目标脸部，包括：
基于所述至少一个脸部中的脸部与摄像头之间的第一维度距离，从所述至少一个脸部中选择第一维度距离最小以及次小的脸部作为两个候选脸部；
如果所述两个候选脸部的第一维度距离之差的绝对值大于第一阈值，则从所述两个候选脸部中选择第一维度距离最小的脸部作为目标脸部；
否则，基于第二维度距离从所述两个候选脸部中选择第二维度距离最小的脸部作为目标脸部。
6.如权利要求1-3任一项所述的方法，所述空间距离包括第一维度距离、第二维度距离和第三维度距离；
基于所述至少一个脸部中的脸部与摄像头之间的空间距离，从所述至少一个脸部中选择目标脸部，包括：
基于所述至少一个脸部中的脸部与摄像头之间的第一维度距离，从所述至少一个脸部中选择第一维度距离小于第二阈值的至少两个脸部；
基于脸部与摄像头之间的第二维度距离，从所述至少两个脸部中选择第二维度距离最小以及次小的脸部作为两个候选脸部；
如果所述两个候选脸部的第二维度距离之差大于第三阈值，则从所述两个候选脸部中选择第二维度距离最小的脸部作为目标脸部；
否则，基于第三维度距离从所述两个候选脸部中选择第三维度距离最小的脸部作为目标脸部。
7.如权利要求1-3任一项所述的方法，所述脸部包括可识别的人脸或可识别的动物脸中的至少一种。
8.一种脸部识别比对方法，所述方法包括：
获取摄像头采集区域中的图像，所述图像中包含至少一个脸部区域；
基于所述图像确定至少一个脸部中的脸部与摄像头之间的空间距离；
基于所述至少一个脸部中的脸部与摄像头之间的空间距离，从所述至少一个脸部中选择目标脸部；
基于选择的所述目标脸部进行脸部识别比对；
其中，获取摄像头采集区域中的图像，包括：
基于深度学习的脸部检测和关键点定位，确定摄像头采集区域中的图像包含的多个脸部区域；
从所述多个脸部区域中筛选出位于有效采集区域的至少一个脸部区域，所述有效采集区域为原始分辨率缩小为预定比例后采集的图像在原始图像中的对应的区域。
9.一种从多个脸部中选择目标脸部的装置，包括：
获取模块，获取摄像头采集区域中的图像，所述图像中包含至少一个脸部区域；
确定模块，基于所述图像确定至少一个脸部中的脸部与摄像头之间的空间距离；
选择模块，基于所述至少一个脸部中的脸部与摄像头之间的空间距离，从所述至少一个脸部中选择目标脸部；
其中，获取摄像头采集区域中的图像，包括：
基于深度学习的脸部检测和关键点定位，确定摄像头采集区域中的图像包含的多个脸部区域；
从所述多个脸部区域中筛选出位于有效采集区域的至少一个脸部区域，所述有效采集区域为原始分辨率缩小为预定比例后采集的图像在原始图像中的对应的区域。
10.一种脸部识别比对装置，包括：
获取模块，获取摄像头采集区域中的图像，所述图像中包含至少一个脸部区域；
确定模块，基于所述图像确定至少一个脸部中的脸部与摄像头之间的空间距离；
选择模块，基于所述至少一个脸部中的脸部与摄像头之间的空间距离，从所述至少一个脸部中选择目标脸部；
比对模块，基于选择的所述目标脸部进行脸部识别比对；
其中，获取摄像头采集区域中的图像，包括：
基于深度学习的脸部检测和关键点定位，确定摄像头采集区域中的图像包含的多个脸部区域；
从所述多个脸部区域中筛选出位于有效采集区域的至少一个脸部区域，所述有效采集区域为原始分辨率缩小为预定比例后采集的图像在原始图像中的对应的区域。
11.一种电子设备，包括：
处理器；以及
被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行以下操作：
获取摄像头采集区域中的图像，所述图像中包含至少一个脸部区域；
基于所述图像确定至少一个脸部中的脸部与摄像头之间的空间距离；
基于所述至少一个脸部中的脸部与摄像头之间的空间距离，从所述至少一个脸部中选择目标脸部；
其中，获取摄像头采集区域中的图像，包括：
基于深度学习的脸部检测和关键点定位，确定摄像头采集区域中的图像包含的多个脸部区域；
从所述多个脸部区域中筛选出位于有效采集区域的至少一个脸部区域，所述有效采集区域为原始分辨率缩小为预定比例后采集的图像在原始图像中的对应的区域。
12.一种电子设备，包括：
处理器；以及
被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行以下操作：
获取摄像头采集区域中的图像，所述图像中包含至少一个脸部区域；
基于所述图像确定至少一个脸部中的脸部与摄像头之间的空间距离；
基于所述至少一个脸部中的脸部与摄像头之间的空间距离，从所述至少一个脸部中选择目标脸部；
基于选择的所述目标脸部进行脸部识别比对；
其中，获取摄像头采集区域中的图像，包括：
基于深度学习的脸部检测和关键点定位，确定摄像头采集区域中的图像包含的多个脸部区域；
从所述多个脸部区域中筛选出位于有效采集区域的至少一个脸部区域，所述有效采集区域为原始分辨率缩小为预定比例后采集的图像在原始图像中的对应的区域。
13.一种计算机可读存储介质，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被包括多个应用程序的电子设备执行时，使得所述电子设备执行以下操作：
获取摄像头采集区域中的图像，所述图像中包含至少一个脸部区域；
基于所述图像确定至少一个脸部中的脸部与摄像头之间的空间距离；
基于所述至少一个脸部中的脸部与摄像头之间的空间距离，从所述至少一个脸部中选择目标脸部；
其中，获取摄像头采集区域中的图像，包括：
基于深度学习的脸部检测和关键点定位，确定摄像头采集区域中的图像包含的多个脸部区域；
从所述多个脸部区域中筛选出位于有效采集区域的至少一个脸部区域，所述有效采集区域为原始分辨率缩小为预定比例后采集的图像在原始图像中的对应的区域。
14.一种计算机可读存储介质，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被包括多个应用程序的电子设备执行时，使得所述电子设备执行以下操作：
获取摄像头采集区域中的图像，所述图像中包含至少一个脸部区域；
基于所述图像确定至少一个脸部中的脸部与摄像头之间的空间距离；
基于所述至少一个脸部中的脸部与摄像头之间的空间距离，从所述至少一个脸部中选择目标脸部；
基于选择的所述目标脸部进行脸部识别比对；
其中，获取摄像头采集区域中的图像，包括：
基于深度学习的脸部检测和关键点定位，确定摄像头采集区域中的图像包含的多个脸部区域；
从所述多个脸部区域中筛选出位于有效采集区域的至少一个脸部区域，所述有效采集区域为原始分辨率缩小为预定比例后采集的图像在原始图像中的对应的区域。
CN201811474564.3A 2018-12-04 2018-12-04 从多个脸部中选择目标脸部及脸部识别比对方法、装置 Active CN110008802B (zh)

Priority Applications (5)

Application Number Priority Date Filing Date Title
CN201811474564.3A CN110008802B (zh) 2018-12-04 2018-12-04 从多个脸部中选择目标脸部及脸部识别比对方法、装置
TW108125040A TWI738026B (zh) 2018-12-04 2019-07-16 從多個臉部中選擇目標臉部及臉部識別比對方法、裝置
US16/702,334 US10803295B2 (en) 2018-12-04 2019-12-03 Method and device for face selection, recognition and comparison
PCT/US2019/064302 WO2020117851A2 (en) 2018-12-04 2019-12-03 Method and device for face selection, recognition and comparison
US17/068,586 US11036967B2 (en) 2018-12-04 2020-10-12 Method and device for face selection, recognition and comparison

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811474564.3A CN110008802B (zh) 2018-12-04 2018-12-04 从多个脸部中选择目标脸部及脸部识别比对方法、装置

Publications (2)

Publication Number Publication Date
CN110008802A CN110008802A (zh) 2019-07-12
CN110008802B true CN110008802B (zh) 2023-08-29

Family

ID=67165037

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811474564.3A Active CN110008802B (zh) 2018-12-04 2018-12-04 从多个脸部中选择目标脸部及脸部识别比对方法、装置

Country Status (4)

Country Link
US (2) US10803295B2 (zh)
CN (1) CN110008802B (zh)
TW (1) TWI738026B (zh)
WO (1) WO2020117851A2 (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110008802B (zh) * 2018-12-04 2023-08-29 创新先进技术有限公司 从多个脸部中选择目标脸部及脸部识别比对方法、装置
CN111935389B (zh) * 2019-12-30 2021-11-19 苏州臻迪智能科技有限公司 拍摄对象切换方法、装置、拍摄设备及可读存储介质
CN112560775A (zh) * 2020-12-25 2021-03-26 深圳市商汤科技有限公司 一种开关控制方法、装置、计算机设备及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2015162080A (ja) * 2014-02-27 2015-09-07 沖電気工業株式会社 収集画像管理システム
CN107590469A (zh) * 2017-09-18 2018-01-16 维沃移动通信有限公司 一种人脸检测方法及移动终端
CN108388878A (zh) * 2018-03-15 2018-08-10 百度在线网络技术（北京）有限公司 用于识别人脸的方法和装置
CN108399665A (zh) * 2018-01-03 2018-08-14 平安科技（深圳）有限公司 基于人脸识别的安全监控方法、装置及存储介质

Family Cites Families (32)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS6262908U (zh) * 1985-10-09 1987-04-18
EP0865637A4 (en) * 1995-12-04 1999-08-18 Sarnoff David Res Center DETECTION SYSTEM WITH A WIDE AND NARROW FIELD OF VIEW AND METHOD
US7130446B2 (en) 2001-12-03 2006-10-31 Microsoft Corporation Automatic detection and tracking of multiple individuals using multiple cues
JP2005164434A (ja) 2003-12-03 2005-06-23 Fukuoka Institute Of Technology 非接触三次元計測方法および装置
WO2006011593A1 (ja) 2004-07-30 2006-02-02 Matsushita Electric Works, Ltd. 個体検出器及び共入り検出装置
US7554575B2 (en) 2005-10-28 2009-06-30 Seiko Epson Corporation Fast imaging system calibration
TWI318108B (en) * 2005-11-30 2009-12-11 Univ Nat Kaohsiung Applied Sci A real-time face detection under complex backgrounds
US7804983B2 (en) 2006-02-24 2010-09-28 Fotonation Vision Limited Digital image acquisition control and correction method and apparatus
US8417059B2 (en) 2007-06-28 2013-04-09 Panasonic Corporation Image processing device, image processing method, and program
US8331619B2 (en) 2008-03-14 2012-12-11 Sony Computer Entertainment Inc. Image processing apparatus and image processing method
TW201123034A (en) * 2009-12-24 2011-07-01 Hon Hai Prec Ind Co Ltd Face recognizing system, method, and identity recognizing apparatus with the face recognizing system
US8406510B2 (en) 2010-03-10 2013-03-26 Industrial Technology Research Institute Methods for evaluating distances in a scene and apparatus and machine readable medium using the same
JP5868183B2 (ja) 2010-06-15 2016-02-24 パナソニック株式会社 撮像装置及び撮像方法
US8532390B2 (en) 2010-07-28 2013-09-10 International Business Machines Corporation Semantic parsing of objects in video
US9485495B2 (en) 2010-08-09 2016-11-01 Qualcomm Incorporated Autofocus for stereo images
CN101916370B (zh) 2010-08-31 2012-04-25 上海交通大学 人脸检测中非特征区域图像处理的方法
CN102959491B (zh) * 2011-04-22 2016-03-23 松下电器（美国）知识产权公司 定位控制装置和定位控制装置的集成电路、以及定位控制方法
US8340456B1 (en) 2011-10-13 2012-12-25 General Electric Company System and method for depth from defocus imaging
US8396265B1 (en) 2012-06-26 2013-03-12 Google Inc. Facial recognition
US9672413B2 (en) * 2012-11-06 2017-06-06 Sony Corporation Setting operation area for input according to face position
JP2014106732A (ja) * 2012-11-27 2014-06-09 Sony Computer Entertainment Inc 情報処理装置および情報処理方法
CN104660900B (zh) 2013-10-30 2018-03-02 株式会社摩如富 图像处理装置及图像处理方法
US9727776B2 (en) * 2014-05-27 2017-08-08 Microsoft Technology Licensing, Llc Object orientation estimation
US10372973B2 (en) * 2014-06-23 2019-08-06 British Telecommunications Public Limited Company Biometric identification
CN106156696B (zh) * 2015-03-30 2020-03-24 联想(北京)有限公司 一种信息处理方法及电子设备
US20180098727A1 (en) * 2015-12-30 2018-04-12 James G. Spahn System, apparatus and method for assessing wound and tissue conditions
US10262222B2 (en) * 2016-04-13 2019-04-16 Sick Inc. Method and system for measuring dimensions of a target object
CN107562180A (zh) * 2016-06-30 2018-01-09 华为终端（东莞）有限公司 一种信息显示方法及终端
KR102488563B1 (ko) 2016-07-29 2023-01-17 삼성전자주식회사 차등적 뷰티효과 처리 장치 및 방법
JP7033865B2 (ja) * 2017-08-10 2022-03-11 キヤノン株式会社 画像生成装置、画像生成方法、及びプログラム
KR102522415B1 (ko) * 2018-05-15 2023-04-17 삼성전자주식회사 전자 장치의 객체 인증 장치 및 방법
CN110008802B (zh) * 2018-12-04 2023-08-29 创新先进技术有限公司 从多个脸部中选择目标脸部及脸部识别比对方法、装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2015162080A (ja) * 2014-02-27 2015-09-07 沖電気工業株式会社 収集画像管理システム
CN107590469A (zh) * 2017-09-18 2018-01-16 维沃移动通信有限公司 一种人脸检测方法及移动终端
CN108399665A (zh) * 2018-01-03 2018-08-14 平安科技（深圳）有限公司 基于人脸识别的安全监控方法、装置及存储介质
CN108388878A (zh) * 2018-03-15 2018-08-10 百度在线网络技术（北京）有限公司 用于识别人脸的方法和装置

Also Published As

Publication number Publication date
WO2020117851A2 (en) 2020-06-11
US11036967B2 (en) 2021-06-15
WO2020117851A3 (en) 2020-07-23
CN110008802A (zh) 2019-07-12
US10803295B2 (en) 2020-10-13
TWI738026B (zh) 2021-09-01
TW202022697A (zh) 2020-06-16
US20200175257A1 (en) 2020-06-04
US20210027045A1 (en) 2021-01-28

Similar Documents

Publication Publication Date Title
CN111832535B (zh) 人脸识别方法及装置
CN109086734B (zh) 一种对人眼图像中瞳孔图像进行定位的方法及装置
CN110008802B (zh) 从多个脸部中选择目标脸部及脸部识别比对方法、装置
CN112270719B (zh) 相机标定方法、装置及系统
US10719975B2 (en) Information processing apparatus and method of generating three-dimensional model
CN112200073B (zh) 一种刷脸测温及核身的方法、装置和设备
CN109102026B (zh) 一种车辆图像检测方法、装置及系统
JP2016212784A (ja) 画像処理装置、画像処理方法
CN113781661B (zh) 面向沉浸式场景的多投影空间布局评估方法和系统
CN116051736A (zh) 一种三维重建方法、装置、边缘设备和存储介质
CN113781414A (zh) 一种镜头解像力测试方法、装置和电子设备
CN117523600A (zh) 运动状态识别方法、装置、电子设备及存储介质
CN113658268B (zh) 摄像头标定结果的验证方法、装置及电子设备、存储介质
CN109118506A (zh) 一种确定人眼图像中瞳孔图像边缘点的方法及装置
CN108495057B (zh) 一种摄像机配置方法和装置
US10325378B2 (en) Image processing apparatus, image processing method, and non-transitory storage medium
JP2021140459A (ja) 画像処理システム
KR20220018396A (ko) 객체를 연관시키는 방법 및 장치, 시스템, 전자 기기, 저장 매체 및 컴퓨터 프로그램
CN113906443B (zh) 点云数据的补全和点云数据的处理
CN117437288B (zh) 摄影测量方法、装置、设备及存储介质
US20240378737A1 (en) Method for Processing Three-dimensional Scanning, Three-dimensional Scanning Device, and Computer-readable Storage Medium
CN108449551B (zh) 一种摄像机配置方法和装置
CN117649703A (zh) 一种目标用户检测方法、装置及设备
CN116721010A (zh) 一种预设区域对应的单应变换矩阵生成方法、装置及设备
CN111288958A (zh) 确定交互目标与机器人之间距离的方法、装置及电子设备

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
REG Reference to a national code

Ref country code: HK

Ref legal event code: DE

Ref document number: 40010405

Country of ref document: HK

TA01 Transfer of patent application right

Effective date of registration: 20201013

Address after: Cayman Enterprise Centre, 27 Hospital Road, George Town, Grand Cayman, British Islands

Applicant after: Innovative advanced technology Co.,Ltd.

Address before: Cayman Enterprise Centre, 27 Hospital Road, George Town, Grand Cayman, British Islands

Applicant before: Advanced innovation technology Co.,Ltd.

Effective date of registration: 20201013

Address after: Cayman Enterprise Centre, 27 Hospital Road, George Town, Grand Cayman, British Islands

Applicant after: Advanced innovation technology Co.,Ltd.

Address before: A four-storey 847 mailbox in Grand Cayman Capital Building, British Cayman Islands

Applicant before: Alibaba Group Holding Ltd.

TA01 Transfer of patent application right
GR01 Patent grant
GR01 Patent grant