台湾专利TW201305918A 使用選定的區域分類之臉部的追蹤及辨識

专利PDF首页>>台湾专利

专利附录

专利说明

权利要求

类似技术

同族专利

引用文献

法律状态

优先权

专利摘要:
本文揭露與臉部追蹤及辨識關聯之方法、設備、及物品。在實施例中，可檢測並追蹤視頻或靜止影像中的臉部影像。在臉部影像的正規化後，可從臉部的選定區域抽取特徵資料以和已知臉部中的相關特徵資料作比較。可使用在一組已知影像上之提升機器學習程序來判定選定區域。在抽取後，可在來自被測臉部影像上的區域及來自已知臉部影像的相應特徵資料之間履行個別的雙級比較。可接著結合個別雙級分類來判定被測臉部及已知臉部的相似度分數。若相似度分數超過臨限值，則可輸出或否則使用已知臉部的識別。另外，可對視頻中檢測到之臉部履行利用選票之追蹤。在達到選票的臨限值後，既定被追蹤的臉部可與已知臉部關聯。
公开号:TW201305918A
申请号:TW101112473
申请日:2012-04-09
公开日:2013-02-01
发明作者:Tao Wang；Jian-Guo Li；Yang-Zhou Du；Eric Qiang Li；yi-min Zhang
申请人:Intel Corp；
IPC主号:G06V40-00

专利说明:
使用選定的區域分類之臉部的追蹤及辨識
本揭露的實施例有關於資料處理的領域，尤其關於與靜止影像及視頻中的臉部影像之辨識關聯的方法、設備、及物品。
除非在本文中另有所指，在此章節中所述的資料並非此申請案中的申請專利之先前技術，且並非因包括在此章節中而承認為先前技術。
臉部辨識系統可自動識別影像或視頻中的臉部。它們可用於，例如，自動臉部登入、臉部驗證、臉部識別、基於臉部的視覺搜尋及人物叢集、及視頻監視應用中。這些系統可用在各種裝置上，比如智慧型相機、智慧型電話、智慧型TV、PC、膝上型電腦、平板電腦、及網路伺服器。
然而，因為這些系統所接收到的影像資料變異的緣故，準確及穩健的臉部辨識在實際使用上並不容易。例如，影像資料可在照明、臉部姿勢、表情、飾品、遮擋、及/或其他因素上有所變化。現有的技術及系統可能對無關的臉部影像資料履行比較，造成履行辨識時之低效運算和延遲。另外，現有的辨識技術可能對其訓練資料呈現強烈的相依性並當與其他資料一起使用時發展出低效的識別臨限值。當對非技術在訓練時所用的資料之測試資料履行辨識時，現有的技術可能展現出低於期望的辨識準確性。此外，顯示於視頻中的臉部辨識因臉部在不同影像訊框中或在視頻中的不同時刻中會改變而被證明為特別具有挑戰性。
揭露履行臉部影像之追蹤及辨識的方法和設備。在各種實施例中，可在視頻或靜止影像中檢測並追蹤臉部影像。在各種實施例中，在臉部影像的正規化後，可從臉部的選定區域抽取特徵資料以和已知臉部中的相關特徵資料作比較。在各種實施例中，可使用在一組已知影像上之提升機器學習程序來判定選定區域。在各種實施例中，在抽取後，可在來自被測臉部影像上的區域及來自已知臉部影像的相應特徵資料之間履行個別的雙級比較。在各種實施例中，可接著結合個別雙級分類來判定被測臉部及已知臉部的相似度分數。在各種實施例中，若相似度分數超過臨限值，則可輸出或否則使用已知臉部的識別。在各種實施例中，可對視頻中檢測到之臉部額外履行利用選票之追蹤。在各種實施例中，在達到選票的臨限值後，既定被追蹤的臉部可與已知臉部關聯。
在各種實施例中，一種方法可包括在計算設備上追蹤在視頻信號的複數影像訊框中具有變化外觀的臉部影像。該方法可進一步包括，在滿足識別條件後，識別已知的臉部影像為與該被追蹤的臉部影像潛在關聯。該識別可包括，基於該些變化外觀，判定該被追蹤的臉部影像到一數量的已知臉部影像之潛在關聯，且該識別條件可至少部分基於該些已判定的關聯。
在各種實施例中，該識別可包括在處理預定數量的影像訊框之後，針對已知的臉部影像判定到針對該被追蹤的臉部影像所判定之該已知臉部影像的關聯數量在到針對該被追蹤的臉部影像所判定之該些已知臉部影像的該些關聯之中是否為最大。
在各種實施例中，該識別可包括針對已知的臉部影像判定到針對該被追蹤的臉部影像所判定之該已知臉部影像的關聯數量是否超過預定臨限值。
在各種實施例中，該方法可進一步包括重複該追蹤及識別在該些複數影像訊框中具有變化外觀的第二臉部影像。在各種實施例中，該重複可被履行在履行第一被追蹤臉部影像的該追蹤及識別之後，或與履行該第一被追蹤臉部影像之該追蹤及識別平行地。
在各種實施例中，該方法可進一步包括終止該第一被追蹤臉部影像之該追蹤及識別。該方法也可進一步包括與履行該第二被追蹤臉部影像之該追蹤及識別平行地，追蹤在該些複數影像訊框中具有變化外觀的第三臉部影像。該第三被追蹤臉部影像為在該些影像訊框中具有變化外觀之新識別的臉部影像，且該第一被追蹤臉部影像為在該第一與第二被追蹤臉部影像間較長的被追蹤臉部影像。
在各種實施例中，判定該被追蹤的臉部影像到已知臉部影像的潛在關聯可包括針對被追蹤的臉部影像之外觀，抽取使用一組訓練臉部影像從一組臉部區域所預選之臉部區域的一子集中之臉部特徵資料。該組臉部區域實質上跨過該些訓練臉部影像的各者。判定該被追蹤的臉部影像到已知臉部影像的潛在關聯可進一步包括至少部分基於在臉部區域的該子集中之該抽取到的臉部特徵資料判定該被追蹤的臉部影像到該已知的臉部影像之潛在關聯。在各種實施例中，至少部分基於在臉部區域的該子集中之該抽取到的臉部特徵資料判定潛在關聯可包括基於臉部區域的該子集產生相似度分數。
在各種實施例中，判定該被追蹤的臉部影像到已知臉部影像的潛在關聯可包括，針對複數臉部區域的各自臉部區域，做出被追蹤的臉部影像之外觀的臉部區域是否和已知臉部影像的相應臉部區域相似的個別判定。判定該被追蹤的臉部影像到已知臉部影像的潛在關聯可進一步包括，至少部分基於該些各自個別的判定，判定該被追蹤的臉部影像之該外觀和該已知臉部影像的相似度分數。該做出臉部影像之臉部區域是否和已知臉部影像的相應臉部區域相似的個別判定可包括對該些相應的臉部區域履行雙級分類。
在各種實施例中，一種電腦可讀取非暫態儲存媒體可包括儲存在該儲存媒體中之複數編程指令，組態成回應於由計算設備執行該些編程指令而令該計算設備履行操作。該些操作可包括，針對一臉部影像，抽取使用一組訓練臉部影像從一組臉部區域所預選之臉部區域的一子集中之臉部特徵資料。該組臉部區域實質上跨過該些訓練臉部影像的各者。該些操作可進一步包括至少部分基於在臉部區域的該子集中之該抽取到的臉部特徵資料相較一已知臉部影像分類該臉部影像。可預選臉部區域的該子集以減少該分類所需的計算量，同時提供該分類之預期的可靠性。
在各種實施例中，該些操作可進一步包括選擇臉部區域的該子集。該選擇可包括使用該組訓練影像來履行機器學習。
在各種實施例中，該些操作可進一步包括使用該組訓練影像來選擇臉部區域的該子集。該選擇可包括選擇少於或等於預定數量之一數量的臉部區域。該選擇可包括選擇具有少於或等於在分類該組訓練影像時提供最大準確性的該預定數量之大小的該些臉部區域的組合。
在各種實施例中，一種方法可包括，針對複數臉部區域的各自臉部區域，做出臉部影像之臉部區域是否和已知臉部影像的相應臉部區域相似的個別判定。該方法可進一步包括，至少部分基於該些各自個別的判定，判定該臉部影像和該已知臉部影像的相似度分數。
在各種實施例中，做出個別判定可包括對該些相應的臉部區域履行雙級分類。在各種實施例中，對該測試影像履行雙級分類可包括操作與該些相應的臉部區域關聯之多層感知分類器。在各種實施例中，操作多層感知分類器可包括對在該臉部影像及該已知臉部影像的該些相應的臉部區域中之特徵資料間的差異操作該多層感知分類器。在各種實施例中，判定相似度分數可包括對來自對該些相應的臉部區域之該雙級分類的結果履行數學運算。在各種實施例中，履行數學運算可包括加總來自該雙級分類的結果。
在各種實施例中，設備可賦有組態成實行本揭露的方法之上述實施例的一或更多態樣之硬體及/或軟體。在各種實施例中，一種具有有形且非暫態電腦可讀取儲存媒體的製品可設有編程指令，組態成回應於設備對編程指令的執行而實行本揭露的方法之上述實施例的一或更多態樣。
現使用熟悉此技藝人士向熟悉此技藝的其他人士表達其成果的本質時所慣用的用語來進一步說明所示實施例的各種態樣。然而，對熟悉此技藝人士而言很明顯地可僅以所述態樣的一些來實行替代的實施例。為了解釋，提出特定數字、材料、和組態以提供示範實施例的通徹了解。然而，對熟悉此技藝人士而言很明顯地可在無特定細節下實行替代實施例。在其他實例中，省略或簡化眾所週知的特徵以不混淆示範實施例。
此外，各種操作將以最能幫助理解示範實施例的方式依序地敘述成多個離散操作；然而，說明之順序不應視為暗示這些操作絕對為順序相依。尤其，不需以呈現的順序履行這些操作。以括號格式敘述的特徵表示該特徵為任選的特徵，例如，「應用服務的一實例(分區)」表示該應用服務可或可不經分割。
重複使用片語「在一實施例中」。該片語一般不指相同的實施例；然而，也有可能會。用語「包含」、「具有」、及「包括」為同義詞，除非上下文另有所指。片語「A/B」意指「A或B」。片語「A及/或B」意指「(A)、(B)、或(A及B)」。片語「A、B、及C的至少一者」意指「(A)、(B)、(C)、(A及B)、(A及C)、(B及C)、或(A、B、及C)」。用語「(A)B」意指「(B)或(A B)」，亦即，A為任選者。
第1圖繪示，在各種實施例中，與臉部追蹤及辨識系統交互操作之實體和組件的方塊圖。在各種實施例中，可捕捉一影像。該影像可含有一或更多臉部110的影像資料。在各種實施例中，可使用一或更多個裝置來捕捉影像，比如，例如，行動裝置120、電腦130、或相機140。在各種實施例中，影像可單獨被捕捉為靜止影像或連同其他影像一起被記錄為視頻記錄的一部分。
在各種實施例中，可接著將影像輸入到臉部追蹤及辨識系統100中，其可分析已記錄的影像，並且比較已記錄的影像與已知臉部之已儲存的影像以判定該影像是否含有可被臉部追蹤及辨識系統100識別之一或更多個臉部。在各種實施例中，臉部追蹤及辨識系統100可追蹤視頻中的臉部以定位並隔離可加以分析的臉部影像。在各種實施例中，臉部追蹤及辨識系統可與已知臉部之資料庫150通訊以在辨識中使用。在分析影像後，在各種實施例中，臉部追蹤及辨識系統100可輸出在影像中找到的臉部影像之一或更多個識別符，比如臉部IDs 160。
在各種實施例中，臉部追蹤及辨識系統100可併入裝置(如行動裝置120、電腦130、或相機140)之一中以履行裝置中的臉部辨識。在其他實施例中，臉部追蹤及辨識系統100可自輸入裝置分開並可與裝置通訊，比如透過通訊網路。在各種實施例中，臉部追蹤及辨識系統100可在臉部辨識後令另一個操作被履行，比如促成登入到安全系統中。在這種實施例中，臉部追蹤及辨識系統100可不輸出臉部ID 160或可輸出不同的資訊，比如，例如，帳號識別符。
第2圖以進一步細節繪示臉部追蹤及辨識系統100的組件之各種實施例。在各種實施例中，第2圖中所示的模組和其他實體可加以結合、分裂成額外模組、維持在不同的裝置中、及/或完全省略。
在各種實施例中，由臉部檢測及追蹤模組220接收影像資料210(其可如上所討論般被靜止或視頻相機捕捉)。在各種實施例中，臉部檢測及追蹤模組220，在接收到影像資料後，可檢測影像資料210中之臉部並輸出檢測到的臉部之位置、大小、及姿勢。在各種實施例中，臉部檢測及追蹤模組220可組態成分析靜止影像、從視頻取得的影像(比如個別的視頻訊框)、或這兩者。在各種實施例中，如本文中所述，臉部檢測及追蹤模組220可組態成產生所檢測到之臉部的追蹤ID。在各種實施例中，臉部檢測及追蹤模組220可組態成在視頻的多個訊框上追蹤臉部並持續分配相同的追蹤ID給相同的臉部，即使該臉部在視頻中移動。在一些實施例中，臉部檢測及追蹤模組220可組態成僅追蹤多達預定數量的臉部。如下敘述追蹤的實施例。在各種實施例中，檢測到的臉部可稱為「測試臉部」、「被測臉部」、或「被追蹤的臉部」。除非上下文清楚另有所指，這些用語視為同義詞。
在各種實施例中，可輸入被臉部檢測及追蹤模組220輸出的位置、大小、及姿勢資訊到臉部對準模組230。在各種實施例中，臉部對準模組可檢測臉部地標點並可正規化檢測到的臉部成為預定的標準正面臉部。可接著從臉部對準模組230輸出經對準的臉部並輸入到特徵抽取模組240中。在各種實施例中，若位置、大小、及/或姿勢資訊指出臉部針對一應用目的為充分對準，則可跳過對準。
在各種實施例中，特徵抽取模組240可抽取經對準臉部上的臉部特徵。注意到，在傳統特徵抽取中，傳統系統和技術通常在網格佈局上使用m×n區塊，或在一組人工假定的n個區域上抽取整個經對準臉部上的總體特徵。相反地，在各種實施例中，特徵抽取模組可使用臉部之選定組的區域，其通常橫跨少於整個臉部，來抽取特徵。可在履行臉部辨識前選定這些區域以提供合意的辨識結果。在各種實施例中，可從實質上跨過一個臉部影像的較大組區域選擇測試期間使用的該組區域。在各種實施例中，可使用機器學習來履行區域的選擇，將在本文中說明。
接下來，可從特徵抽取模組240輸出經抽取的臉部特徵，並輸入到特徵匹配模組250中。在各種實施例中，特徵匹配模組250可比較來自經對準臉部的經抽取之臉部特徵與來自一或更多個已知臉部(比如儲存在耦合的已知臉部資料庫150中的臉部)的關聯特徵。在各種實施例中，特徵匹配模組250可輸出與已知臉部關聯的臉部ID 160，該已知臉部已由特徵匹配模組250判定為匹配被測臉部。在各種實施例中，特徵匹配模組250可計算各種已知臉部的相似度分數並輸出具有最高相似度分數的臉部ID作為匹配臉部。在各種實施例中，可比較已計算的相似度分數與預定的臨限值。因此，若一相似度分數為一被追蹤臉部的最大分數及/或大於預定的臨限值，則可驗證並輸出與那個最大分數關聯之臉部ID。否則，不輸出臉部ID。
第3圖繪示臉部追蹤及辨識系統100追蹤並辨識臉部的各種實施例之示範程序300。在各種實施例中，程序300中所示的操作可加以結合、分裂成子程序、或完全省略。此外，雖在本文中敘述操作為被特定模組或其他實體所履行，在各種實施例中，可使用和本文中明確提及之不同的模組或實體。
程序在操作310開始，其中可接收視頻或靜止影像。在各種實施例中，如上所討論，可從比如可攜式裝置或電腦中的附接/整合相機之相機或透過另一個連結或網路連接到追蹤及辨識系統100或與其整合在一起的相機接收視頻或靜止影像。接下來，在操作320，追蹤及辨識系統100可從視頻或靜止影像追蹤出並正規化臉部影像以供進一步處理。隨後敘述操作320之特定實施例。如上所討論，在各種實施例中，且針對各種輸入視頻或靜止影像，在操作320可追蹤並正規化一或更多個臉部影像。在各種實施例中，可由追蹤及辨識系統100的臉部檢測及追蹤模組220履行操作320。
可以個別針對每個臉部影像為基礎的方式履行在操作330至360所述的程序部分。在各種實施例中，可針對輸入視頻或靜止影像中所含的多個臉部影像重複該程序。在一些實施例中，針對一特定臉部影像可和針對另一臉部影像所履行的協調程序平行地履行這些操作。在其他實施例中，可針對每一個臉部影像依序地履行操作330至360而不使用平行計算。
在操作330，追蹤及辨識系統100可從臉部影像的選定區域抽取特徵。在各種實施例中，可由追蹤及辨識系統100之特徵抽取模組240履行此操作。於下敘述操作330的具體實施例。接下來，在操作340，追蹤及辨識系統100可比較已抽取的特徵與已知臉部影像的特徵。在各種實施例中，可由追蹤及辨識系統100之特徵匹配模組250履行此操作。於下敘述操作340的具體實施例。
接下來，在操作350，追蹤及辨識系統100可識別相應於經匹配的臉部影像之已知臉部。在一些實施例中，且尤其當正追蹤視頻時，臉部ID的識別和選擇可仰賴投票程序的結果，將於下說明。隨後敘述操作350的具體實施例。在操作360，可輸出臉部ID。在其他實施例中，追蹤及辨識系統100可履行非輸出臉部ID的動作，如上所述。該程序接著結束。
第4圖繪示臉部追蹤及辨識系統100追蹤臉部之各種實施例的示範程序400。在各種實施例中，可由追蹤及辨識系統100之臉部檢測及追蹤模組220及臉部對準模組230履行程序400。在各種實施例中，程序400中所示的操作可加以結合、分裂成子程序、或完全省略。此外，雖在本文中敘述操作為被特定模組或其他實體所履行，在各種實施例中，可使用和本文中明確提及之不同的模組或實體。
程序在操作410開始，其中臉部檢測及追蹤模組220可識別要追蹤的臉部。在各種實施例中，臉部檢測及追蹤模組220可包括用於保持被追蹤臉部之追蹤的陣列，比如藉由儲存追蹤ID。因此，在決定操作415，臉部檢測及追蹤模組220可判定新識別的臉部是否會導致陣列溢流。例如，若臉部檢測及追蹤模組220具有大小10的追蹤陣列，在以獨特的追蹤ID追蹤了10個臉部後，新追蹤的臉部會導致陣列溢流。若該判定為陣列已溢流，則在操作420，臉部檢測及追蹤模組220可從陣列刪除相應於最舊的追蹤ID之臉部。這可由臉部檢測及追蹤模組220進行，因為最舊的追蹤ID最有可能與已經離開正在追蹤的影像或視頻的臉部關聯。在各種實施例中，可使用其他程序來處置陣列溢流，比如增加陣列大小或透過另一種程序選擇要刪除的追蹤ID。
接下來，在操作430，臉部檢測及追蹤模組220可分配新的追蹤ID到待追蹤之新識別的臉部。接下來，在操作440，臉部檢測及追蹤模組220可識別待追蹤之新臉部的位置、大小、及姿勢。在操作450，臉部對準模組230可接著進至正規化待追蹤的新臉部，比如如上所述，以供進一步處理和辨識。該程序可接著結束。
第5圖繪示追蹤及辨識系統100抽取臉部特徵的各種實施例之示範程序500。在各種實施例中，可由追蹤及辨識系統100的特徵抽取模組240履行程序500。在各種實施例中，程序500中所示的操作可加以結合、分裂成子程序、或完全省略。此外，雖在本文中敘述操作為被特定模組或其他實體所履行，在各種實施例中，可使用和本文中明確提及之不同的模組或實體。
程序500可在各種實施例被分成訓練及測試部分，如虛線所示。在各種實施例中，履行訓練以選擇可在臉部辨識期間使用的最佳區域。由什麼構成最佳係可根據可用的計算資源及/或所期望的準確性在不同實現中有所不同。在各種實施例中，可由非追蹤及辨識系統100的裝置或設備履行訓練程序，或可僅履行一次。
程序可在操作510開始訓練，其中選擇一組候選臉部區域。在各種實施例中，可選擇這些區域以實質上橫跨一個正規化的臉部影像。例如，可在正規化的臉部影像上施加一網格(比如16×16網格)，且可選擇網格方塊之各種組合作為候選區域。在各種實施例中，可考慮數百個區域。
接下來，在操作520，可使用訓練影像來履行機器學習程序以選擇將針對其履行未來測試之區域組。在各種實施例中，操作520可對候選區域操作來選擇一組區域，其在針對一系列的已知臉部影像的臉部辨識任務中最佳表現(針對一個應用或若干應用)。在各種實施例中，可利用機器學習提升程序，比如使用多層感知者，來評估添加不同候選區域到將選定的組之好處。在各種實施例中，提升程序應理解為一種程序，藉此根據目前區域組被不正確分類之已知臉部會在未來訓練期間授予更多權重。
在操作530，作為提升機器學習程序的結果，選擇一組區域。在各種實施例中，選擇該組區域成為不大於預定數量，比如，例如，25個區域。在各種實施例中，選擇該組區域以在測試期間提供改善的結果。因此，在一些實施例中，選擇該組區域以與其他組的區域相比提供在測試期間可得到的最佳結果。替代地，在一些實施例中，可找出與測試過的其他組區域相比提供較佳結果的該組區域，而不需每一種區域組合的窮舉測試。
第6圖繪示可被程序500選擇之一組區域的一個範例600。注意到選定的區域可能重疊。因此，例如，區域610、620、及630都覆蓋臉部影像的左上角，但具有不同大小並覆蓋不同的臉部特徵。
在選擇了該組區域後，可於臉部辨識測試期間使用選定的區域。因此，在操作540，在各種實施例中，特徵抽取模組240可針對選定區域的各者從被測臉部影像抽取特徵。在各種實施例中，特徵抽取模組240可組態成儲存選定區域的指標，所以不必在臉部辨識期間重新選擇它們。
第7圖繪示臉部追蹤及辨識系統100比較臉部特徵與已知臉部之各種實施例的示範程序700。在各種實施例中，可由追蹤及辨識系統100的特徵匹配模組250履行程序700。在各種實施例中，程序700中所示的操作可加以結合、分裂成子程序、或完全省略。此外，雖在本文中敘述操作為被特定模組或其他實體所履行，在各種實施例中，可使用和本文中明確提及之不同的模組或實體。
在傳統的特徵匹配中，可直接計算相似度分數為已變換特徵空間中之多級分類問題。可接著辨識具有最佳分數的臉部為匹配臉部。然而，這些多級變換有經常運算昂貴。相較之下，在各種實施例中，特徵匹配模組250可對個別區域履行多個雙級分類。本質上，這些分類判定，針對已知影像，被測臉部影像的一區域是否匹配被測臉部影像之相應區域並輸出「匹配」或「不匹配」分類。可接著結合這些是或否分類成為被測臉部影像的單一相似度分數而不需較複雜的多級計算。
第7圖在操作710開始，其中特徵匹配模組250獲取已知影像以做比較，比如從已知臉部資料庫150。接下來在操作720，特徵匹配模組250可計算每一個選定區域之差異特徵。在各種實施例中，可計算差異特徵為自已知區域被測區域之絕對特徵減法或簡單的逐畫素減法。
接下來，在操作730，特徵匹配模組250可針對每一個區域分類出已知影像和被測臉部影像是否相同或不同。在各種實施例中，特徵匹配模組250可包括多個多層感知(「MLP；Multi-level perceptron」)分類器來履行此分類。在各種實施例中，可針對每一個區域使用單一MLP分類器來判定被測臉部影像的區域為匹配與否。在各種實施例中，可彼此平行或依序地履行MLP分類器之操作。接下來，在操作740，可結合個別MLP分類器的結果來計算出單一相似度分數。例如，如在程序700中所示，在各種實施例中，MLP分類器的結果可為數值(比如1為匹配而0為不匹配)並可加總來產生相似度分數。在各種實施例中，可在加總期間不同地加權不同MLP分類器的結果。在其他實施例中，可使用不同數學或其他程序來結合MLP分類器的結果。接著，在操作750，可輸出具有最高相似度分數的已知臉部之已知臉部ID以用被追蹤臉部來識別已知臉部。在各種實施例中，可僅若相似度分數高於預定臨限值才輸出臉部ID。
第8圖繪示使用多個MLP分類器來判定相似度分數的一個範例。第8圖繪示兩個臉部，被測臉部影像810及已知臉部影像820。可藉由差異計算器830來相減這兩個臉部的相應區域之特徵，產生差異影像。接著，可輸入這些差異影像到各個MLP分類器840。如第8圖所示，可針對從臉部影像抽取的每一個區域(亦即特徵)使用分別的差異計算器和MLP分類器。另外，如上所提及，這些MLP分類器可包括提升MLP分類器(例如，已透過提升程序在特徵資料上訓練過的分類器)。最後，在總和計算器850加總MLP分類器的結果，並可輸出所得的相似度分數。
第9圖繪示臉部追蹤及辨識系統100相對於已知臉部影像追蹤視頻中的臉部影像之各種實施例的一示範程序900。在各種實施例中，可由追蹤及辨識系統100之特徵匹配模組250履行程序900。在各種實施例中，程序900中所示的操作可加以結合、分裂成子程序、或完全省略。此外，雖在本文中敘述操作為被特定模組或其他實體所履行，在各種實施例中，可使用和本文中明確提及之不同的模組或實體。
在各種實施例中，程序900可用來檢測、追蹤、並識別視頻中所見到的臉部，同時提供校正視頻播送期間自然發生的改變之設備。因此，臉部可能從視頻消失、被另一個所取代、或稍後再次出現。在各種實施例中，可保持視頻中每一個被追蹤臉部的選票以判定被追蹤臉部已被辨識為哪些已知臉部。可使用投票程序，因為在視頻播送期間被追蹤臉部會因為照明、臉部、姿勢、表情、對準等等可能看似不同的已知臉部。因此，針對一既定被追蹤臉部，臉部追蹤及辨識系統100可能將被追蹤臉部識別為臉部A三次、臉部B十次、及臉部C一次。在各種實施例中，可輸出在一既定時間具有勝利選票的已知臉部或否則將其指示為識別的臉部。在該範例中，這意味著臉部追蹤及辨識系統100會輸出被追蹤臉部為臉部B，因為臉部B具有最大票數。
程序可在操作920開始，其中將一已知臉部識別為匹配單一影像中之一被追蹤臉部。例如，可參照視頻的單一訊框履行該識別。在決定操作925，臉部追蹤及辨識系統100可判定該臉部是否已經達到預定的最大選票臨限值。例如，若最大選票臨限值為15，在操作925，臉部追蹤及辨識系統100會判定之前識別的已知臉部是否已經收到15票。若尚未到達臨限值，則在操作930，已知臉部的票數加1。若否，跳過增額。
在各種實施例中，可維持最大選票臨限值以防止非常穩定的被追蹤臉部被校正。此用途可見於其中無使用這種臨限值的範例中。在該範例中，考量一個被追蹤臉部，其在螢幕上10分鐘並被回報成在那個時間的絕大部分期間都匹配相同的已知臉部。若這臉部被不同的臉部取代，且若臉部追蹤及辨識系統100針對新的臉部使用相同的追蹤號碼，則新臉部的選票最多得花上10分鐘來超過舊臉部的選票。這會在產生正確輸出的臉部追蹤及辨識系統100中造成大量的延遲。相反地，若使用15選票臨限值，則僅會有約15訊框的延遲，之後臉部追蹤及辨識系統100就會產生正確的輸出。
在操作925或930中，程序可接著繼續到決定操作935，其中臉部追蹤及辨識系統100可針對被追蹤臉部考慮具有最大選票的已知臉部，並且判定那個已知臉部是否已達到預定的輸出臨限值。在此情況中，可使用預定輸出臨限值來防止臉部追蹤及辨識系統100太快輸出識別。例如，臉部追蹤及辨識系統100會等到它已接收到已知臉部的3票後才輸出結果。接著，在操作940，可輸出已知臉部ID為與被追蹤臉部關聯。程序可接著結束。
第10圖繪示根據本揭露的各種實施例之適合用來實行臉部追蹤及辨識的示範電腦系統。如所示，計算系統1000可包括若干處理器或處理器核心1002，及系統記憶體1004。為了此申請案的目的，包括申請專利範圍，用語「處理器」及「處理器核心」可視為同義詞，除非上下文清楚另有所指。另外，計算系統1000可包括大量儲存裝置1006(比如磁盤、硬碟、光碟唯讀記憶體(CDROM)、及諸如此類)、輸入/輸出裝置1008(比如顯示器、鍵盤、游標控制、及諸如此類)及通訊介面1010(比如網路介面卡、數據機、及諸如此類)。這些元件可經由系統匯流排1012互相耦合，系統匯流排1012代表一或更多個匯流排。在多個匯流排的情況中，可藉由一或更多個匯流排橋接器(未圖示)橋接它們。
這些元件的各者履行此技藝中已知的其傳統功能。尤其，可用系統記憶體1004及大量儲存裝置1006來儲存編程指令之工作副本或永久副本，該些編程指令實現臉部追蹤及辨識和其他相關常用程式，在此統一標示為1022。可由處理器1002所支援的組合指令或可編譯成這種指令的高階語言(比如，例如，C)來實現各個組件。
可在工廠中，或在現場中，透過例如散佈媒體(未圖示)，比如光碟(CD)，或經由通訊介面1010(例如從散佈伺服器(未圖示))將編程指令的永久副本置於永久貯存1006中。亦即，可使用具有代理程式之實現的一或更多散佈媒體來散佈代理程式並編程各種計算裝置。
這些元件1002至1012的構成為已知，且因此不進一步加以說明。
第11圖繪示根據本揭露的實施例之具有編程指令的製品，編程指令組態成致能設備實行臉部追蹤及辨識。如所示，製品1100可包括電腦可讀取非暫態儲存媒體1102。儲存媒體1102可包括組態成實現臉部追蹤及辨識之編程指令1104。
儲存媒體1102代表此技藝中已知的各種持久儲存媒體，包括但不限於快閃記憶體、光碟、或磁碟。編程指令1104尤其可回應於設備對其之執行而致能設備履行下列操作，包括由計算設備追蹤在視頻信號的複數影像訊框中具有變化外觀的臉部影像；及在滿足識別條件後，由該計算設備識別已知的臉部影像為與該被追蹤的臉部影像潛在關聯；其中識別包含，基於該些變化外觀，判定該被追蹤的臉部影像到一數量的已知臉部影像之潛在關聯，及其中識別條件係至少部分基於該些已判定的關聯。
編程指令1104尤其也可回應於設備對其之執行而致能設備履行下列操作，包括針對一臉部影像，抽取使用一組訓練臉部影像從一組臉部區域所預選之臉部區域的一子集中之臉部特徵資料，該組臉部區域實質上跨過該些訓練臉部影像的各者；及至少部分基於在臉部區域的該子集中之該抽取到的臉部特徵資料相較一已知臉部影像分類該臉部影像；其中預選臉部區域的該子集以減少該分類所需的計算量，同時提供該分類之預期的可靠性。
編程指令1104尤其也可回應於設備對其之執行而致能設備履行下列操作，包括針對複數臉部區域的各自臉部區域，由計算設備做出臉部影像之臉部區域是否和已知臉部影像的相應臉部區域相似的個別判定；及至少部分基於該些各自個別的判定，由計算設備判定該臉部影像和該已知臉部影像的相似度分數。
雖然已經圖解並於本文中說明特定實施例，此技藝中具有通常知識者將會認知到各種各樣的替代及/或等效實現可取代所示及所述之特定實施例，而不背離本發明之實施例的範圍。此申請案旨在涵蓋在本文中所討論之實施例的任何調適或變異。因此，顯然僅由申請專利範圍及其等效者限制本發明之實施例。
100‧‧‧臉部追蹤及辨識系統
110‧‧‧臉部
120‧‧‧行動裝置
130‧‧‧電腦
140‧‧‧相機
150‧‧‧已知臉部之資料庫
160‧‧‧臉部ID
210‧‧‧影像資料
220‧‧‧臉部檢測及追蹤模組
230‧‧‧臉部對準模組
240‧‧‧特徵抽取模組
250‧‧‧特徵匹配模組
610‧‧‧區域
620‧‧‧區域
630‧‧‧區域
810‧‧‧被測臉部影像
820‧‧‧已知臉部影像
830‧‧‧差異計算器
840‧‧‧MLP分類器
850‧‧‧總和計算器
1000‧‧‧計算系統
1002‧‧‧處理器或處理器核心
1004‧‧‧系統記憶體
1006‧‧‧大量儲存裝置
1008‧‧‧輸入/輸出裝置
1010‧‧‧通訊介面
1012‧‧‧系統匯流排
1100‧‧‧製品
1102‧‧‧儲存媒體
1104‧‧‧編程指令
藉由示範實施例非限制性地呈現本揭露的實施例，其係圖解於附圖中，圖中類似參考符號代表類似元件，且其中：第1圖繪示根據本揭露的各種實施例的與臉部追蹤及辨識系統交互操作之實體和組件的方塊圖。
第2圖以進一步細節繪示根據本揭露的各種實施例之臉部追蹤及辨識系統的組件。
第3圖繪示根據本揭露的各種實施例之用於追蹤並辨識臉部的示範程序。
第4圖繪示根據本揭露的各種實施例之用於追蹤臉部的示範程序。
第5圖繪示根據本揭露的各種實施例之用於抽取臉部特徵的示範程序。
第6圖繪示根據本揭露的各種實施例之用於臉部特徵抽取的選定區域之範例。
第7圖繪示根據本揭露的各種實施例之用於比較臉部特徵與已知臉部的示範程序。
第8圖繪示根據本揭露的各種實施例之用於比較臉部特徵並產生相似度分數的示範組件。
第9圖繪示根據本揭露的各種實施例之在視頻中相對於已知臉部影像識別被測臉部之示範程序。
第10圖繪示根據本揭露的各種實施例之適合用來實行臉部追蹤及辨識的示範電腦系統。
第11圖繪示根據本揭露的各種實施例之具有編程指令的製品，編程指令組態成令設備實行臉部追蹤及辨識。
100‧‧‧臉部追蹤及辨識系統
110‧‧‧臉部
120‧‧‧行動裝置
130‧‧‧電腦
140‧‧‧相機
150‧‧‧已知臉部之資料庫
160‧‧‧臉部ID

权利要求:
Claims (29)
[1] 一種方法，包含：由計算設備追蹤在視頻信號的複數影像訊框中具有變化外觀的臉部影像；及在滿足識別條件後，由該計算設備識別已知的臉部影像為與該被追蹤的臉部影像潛在關聯；其中識別包含，基於該些變化外觀，判定該被追蹤的臉部影像到一數量的已知臉部影像之潛在關聯，及其中識別條件係至少部分基於該些已判定的關聯。
[2] 如申請專利範圍第1項所述之方法，進一步包含在識別後由該計算設備輸出該已識別的已知臉部影像。
[3] 如申請專利範圍第1項所述之方法，其中識別包含在處理預定數量的影像訊框之後針對已知的臉部影像判定到針對該被追蹤的臉部影像所判定之該已知臉部影像的關聯數量在到針對該被追蹤的臉部影像所判定之該些已知臉部影像的該些關聯之中是否為最大。
[4] 如申請專利範圍第1項所述之方法，其中識別包含針對已知的臉部影像判定到針對該被追蹤的臉部影像所判定之該已知臉部影像的關聯數量是否超過預定臨限值。
[5] 如申請專利範圍第1項所述之方法，其中該被追蹤的臉部影像為第一被追蹤臉部影像，且其中該方法進一步包含，在履行該第一被追蹤臉部影像之該追蹤及識別後，重複該追蹤及識別在該些複數影像訊框中具有變化外觀的第二臉部影像。
[6] 如申請專利範圍第1項所述之方法，其中該被追蹤的臉部影像為第一被追蹤臉部影像，且其中該方法進一步包含，與履行該第一被追蹤臉部影像之該追蹤及識別平行地，履行在該些複數影像訊框中具有變化外觀的第二臉部影像之該追蹤及識別。
[7] 如申請專利範圍第6項所述之方法，進一步包含終止該第一被追蹤臉部影像之該追蹤及識別，並與履行該第二被追蹤臉部影像之該追蹤及識別平行地，追蹤在該些複數影像訊框中具有變化外觀的第三臉部影像，其中該第三被追蹤臉部影像為在該些影像訊框中具有變化外觀之新識別的臉部影像，且該第一被追蹤臉部影像為在該第一與第二被追蹤臉部影像中較長的被追蹤臉部影像。
[8] 如申請專利範圍第1項所述之方法，其中判定該被追蹤的臉部影像到已知臉部影像的潛在關聯包含：針對被追蹤的臉部影像之外觀，使用一組訓練臉部影像來抽取從一組臉部區域所預選之臉部區域的一子集中之臉部特徵資料，該組臉部區域實質上跨過該些訓練臉部影像的各者；及至少部分基於在臉部區域的該子集中之該抽取到的臉部特徵資料判定該被追蹤的臉部影像到該已知的臉部影像之潛在關聯。
[9] 如申請專利範圍第8項所述之方法，其中至少部分基於在臉部區域的該子集中之該抽取到的臉部特徵資料判定潛在關聯包含基於臉部區域的該子集產生相似度分數。
[10] 如申請專利範圍第1項所述之方法，其中判定該被追蹤的臉部影像到已知臉部影像的潛在關聯包含：針對複數臉部區域的各自臉部區域，做出被追蹤的臉部影像之外觀的臉部區域是否和已知臉部影像的相應臉部區域相似的個別判定；及至少部分基於該些各自個別的判定，判定該被追蹤的臉部影像之該外觀和該已知臉部影像的相似度分數。
[11] 如申請專利範圍第10項所述之方法，其中做出臉部影像之臉部區域是否和已知臉部影像的相應臉部區域相似的個別判定包含對該些相應的臉部區域履行雙級分類。
[12] 一種電腦可讀取非暫態儲存媒體，包含：儲存在該儲存媒體中之複數編程指令，組態成回應於由計算設備執行該些編程指令而令該計算設備履行包括下列的操作：針對一臉部影像，抽取使用一組訓練臉部影像從一組臉部區域所預選之臉部區域的一子集中之臉部特徵資料，該組臉部區域實質上跨過該些訓練臉部影像的各者；及至少部分基於在臉部區域的該子集中之該抽取到的臉部特徵資料相較一已知臉部影像分類該臉部影像；其中預選臉部區域的該子集以減少該分類所需的計算量，同時提供該分類之預期的可靠性。
[13] 如申請專利範圍第12項所述之儲存媒體，該些操作進一步包含選擇臉部區域的該子集，其中選擇包含使用該組訓練影像來履行機器學習。
[14] 如申請專利範圍第12項所述之儲存媒體，該些操作進一步包含使用該組訓練影像來選擇臉部區域的該子集，其中選擇臉部區域的該子集包含選擇少於或等於預定數量之一數量的臉部區域。
[15] 如申請專利範圍第14項所述之儲存媒體，其中選擇少於或等於預定數量之一數量的臉部區域包含選擇具有少於或等於在分類該組訓練影像時提供最大準確性的該預定數量之大小的該些臉部區域的組合。
[16] 如申請專利範圍第12項所述之儲存媒體，其中分類包含基於臉部區域的該子集中之該抽取到的臉部特徵資料來產生相似度分數。
[17] 一種方法，包含：針對複數臉部區域的各自臉部區域，由該計算設備做出臉部影像之臉部區域是否和已知臉部影像的相應臉部區域相似的個別判定；及至少部分基於該些各自個別的判定，由該計算設備判定該臉部影像和該已知臉部影像的相似度分數。
[18] 如申請專利範圍第17項所述之方法，其中做出臉部影像之臉部區域是否和已知臉部影像的相應臉部區域相似的個別判定包含由該計算設備對該些相應的臉部區域履行雙級分類。
[19] 如申請專利範圍第18項所述之方法，其中對該測試影像履行雙級分類包含操作與該些相應的臉部區域關聯之多層感知分類器。
[20] 如申請專利範圍第19項所述之方法，其中操作該多層感知分類器包含對在該臉部影像及該已知臉部影像的該些相應的臉部區域中之特徵資料間的差異操作該多層感知分類器。
[21] 如申請專利範圍第20項所述之方法，其中判定相似度分數包含對來自對該些相應的臉部區域之該雙級分類的結果履行數學運算。
[22] 如申請專利範圍第21項所述之方法，其中對來自該雙級分類的結果履行數學運算包含加總來自該雙級分類的結果。
[23] 如申請專利範圍第17項所述之方法，進一步包含：重複該做出個別判定及判定複數已知臉部影像的相似度分數；及識別具有最高相似度分數的該已知臉部影像為關聯到該臉部影像或與該臉部影像相同。
[24] 一種設備，包含：一或更多個處理器；及耦合到該一或更多個處理器的具有複數編程指令之非暫態儲存媒體，該些指令組態成回應於由該一或更多處理器的執行而令該設備：追蹤在視頻信號的複數影像訊框中具有變化外觀的臉部影像；及在滿足識別條件後，識別已知的臉部影像為與該被追蹤的臉部影像潛在關聯；其中識別包含，基於該些變化外觀，判定該被追蹤的臉部影像到一數量的已知臉部影像之潛在關聯；及其中該識別條件係至少部分基於該些已判定的關聯。
[25] 如申請專利範圍第24項所述之設備，其中識別包含，在處理預定數量的影像訊框之後，針對已知的臉部影像判定到針對該被追蹤的臉部影像所判定之該已知臉部影像的關聯數量在到針對該被追蹤的臉部影像所判定之該些已知臉部影像的該些關聯之中是否為最大。
[26] 如申請專利範圍第24項所述之設備，其中識別包含針對已知的臉部影像判定到針對該被追蹤的臉部影像所判定之該已知臉部影像的關聯數量是否超過預定臨限值。
[27] 如申請專利範圍第24項所述之設備，其中該被追蹤的臉部影像為第一被追蹤臉部影像，且其中該些編程指令進一步組態成令該設備回應於其之執行，而在履行該第一被追蹤臉部影像之該追蹤及識別後，重複該追蹤及識別在該些複數影像訊框中具有變化外觀的第二臉部影像。
[28] 如申請專利範圍第24項所述之設備，其中該被追蹤的臉部影像為第一被追蹤臉部影像，且其中該些編程指令進一步組態成令該設備回應於其之執行，而與履行該第一被追蹤臉部影像之該追蹤及識別平行地，履行在該些複數影像訊框中具有變化外觀的第二臉部影像之該追蹤及識別。
[29] 如申請專利範圍第24項所述之設備，其中判定該被追蹤的臉部影像到已知臉部影像的潛在關聯包含：針對被追蹤的臉部影像之外觀，使用一組訓練臉部影像從一組臉部區域所預選之臉部區域的一子集中之臉部特徵資料的抽取，該組臉部區域實質上跨過該些訓練臉部影像的各者；及至少部分基於在臉部區域的該子集中之該抽取到的臉部特徵資料，該被追蹤的臉部影像到該已知的臉部影像之潛在關聯的判定。

类似技术:

公开号 | 公开日 | 专利标题

TWI470562B|2015-01-21|用於使用選定的區域分類之臉部的追蹤及辨識之方法，設備及電腦可讀取非暫態儲存媒體

US10223582B2|2019-03-05|Gait recognition method based on deep learning

US20170193286A1|2017-07-06|Method and device for face recognition in video

KR20190075560A|2019-07-01|라이브니스 검사 방법 및 장치

TWI453680B|2014-09-21|可抑制雜訊及環境影響之臉部辨識方法

CN109564618A|2019-04-02|用于显著面部区域检测的学习模型

WO2019033572A1|2019-02-21|人脸遮挡检测方法、装置及存储介质

CN108229314B|2021-05-04|目标人物的搜索方法、装置和电子设备

Bedagkar-Gala et al.2011|Multiple person re-identification using part based spatio-temporal color appearance model

US8805123B2|2014-08-12|System and method for video recognition based on visual image matching

US9589351B2|2017-03-07|System and method for pet face detection

US20190347472A1|2019-11-14|Method and system for image identification

Da Costa-Abreu et al.2015|Exploring gender prediction from iris biometrics

CN108960114A|2018-12-07|人体识别方法及装置、计算机可读存储介质及电子设备

US10755074B2|2020-08-25|Latent fingerprint pattern estimation

Salimi et al.2018|Visual-based trash detection and classification system for smart trash bin robot

KR102185979B1|2020-12-02|동영상에 포함된 객체의 운동 유형을 결정하기 위한 방법 및 장치

US20210056312A1|2021-02-25|Video blocking region selection method and apparatus, electronic device, and system

Yanakova et al.2019|Facial recognition technology on ELcore semantic processors for smart cameras

US8055062B2|2011-11-08|Information processing apparatus, information processing method, and program

US9720916B2|2017-08-01|Two-directional biometric matching

Liang et al.2013|A sparse coding based transfer learning framework for pedestrian detection

US20210383123A1|2021-12-09|System and Method for Predicting Formation in Sports

Mathew et al.2019|Person re-identification through face detection from videos using Deep Learning

Vrochidis et al.2021|A multi-modal audience analysis system for predicting popularity of online videos

同族专利:

公开号 | 公开日

US9489567B2|2016-11-08|

US20140241574A1|2014-08-28|

TWI470562B|2015-01-21|

WO2012139269A1|2012-10-18|

引用文献:

公开号 | 申请日 | 公开日 | 申请人 | 专利标题

US6173068B1|1996-07-29|2001-01-09|Mikos, Ltd.|Method and apparatus for recognizing and classifying individuals based on minutiae|

US5864630A|1996-11-20|1999-01-26|At&T Corp|Multi-modal method for locating objects in images|

US6118887A|1997-10-10|2000-09-12|At&T Corp.|Robust multi-modal method for recognizing objects|

US6944319B1|1999-09-13|2005-09-13|Microsoft Corporation|Pose-invariant face recognition system and process|

TW477959B|2000-11-24|2002-03-01|Inst Information Industry|Multi-level face image recognition method and system|

US7221809B2|2001-12-17|2007-05-22|Genex Technologies, Inc.|Face recognition system and method|

CN100464348C|2002-09-18|2009-02-25|贺贵明|视频监视识别智能装置与方法|

US7430315B2|2004-02-13|2008-09-30|Honda Motor Co.|Face recognition system|

TWI318756B|2005-12-29|2009-12-21|Ind Tech Res Inst||

TWI303792B|2006-01-13|2008-12-01|Univ Nat Chiao Tung||

US7881505B2|2006-09-29|2011-02-01|Pittsburgh Pattern Recognition, Inc.|Video retrieval system for human face content|

WO2008130903A1|2007-04-17|2008-10-30|Mikos, Ltd.|System and method for using three dimensional infrared imaging for libraries of standardized medical imagery|

US8180112B2|2008-01-21|2012-05-15|Eastman Kodak Company|Enabling persistent recognition of individuals in images|

CN101771539B|2008-12-30|2012-07-04|北京大学|一种基于人脸识别的身份认证方法|

US8649602B2|2009-08-18|2014-02-11|Cyberlink Corporation|Systems and methods for tagging photos|

JP2011221812A|2010-04-09|2011-11-04|Sony Corp|情報処理装置及び方法、並びにプログラム|

US9495591B2|2012-04-13|2016-11-15|Qualcomm Incorporated|Object recognition using multi-modal matching scheme|US20150317511A1|2013-11-07|2015-11-05|Orbeus, Inc.|System, method and apparatus for performing facial recognition|

US20140152540A1|2012-12-04|2014-06-05|Franck Franck|Gesture-based computer control|

CN104158790B|2013-05-14|2016-05-25|腾讯科技（深圳）有限公司|用户登录方法、装置及设备|

WO2014205715A1|2013-06-27|2014-12-31|Intel Corporation|Face recognition with parallel detection and tracking, and/or grouped feature motion shift tracking|

KR20150071038A|2013-12-17|2015-06-26|삼성전자주식회사|전자 장치를 이용한 소셜 네트워크 서비스 제공 방법 및 이를 구현한 장치|

KR101549645B1|2014-01-28|2015-09-03|영남대학교 산학협력단|표정 동작사전을 이용한 표정인식 방법 및 장치|

US20160026870A1|2014-07-23|2016-01-28|Orcam Technologies Ltd.|Wearable apparatus and method for selectively processing image data|

CN105635041A|2014-10-27|2016-06-01|鸿富锦精密工业（深圳）有限公司|基于人脸识别的整合登录系统及方法|

US9430694B2|2014-11-06|2016-08-30|TCL Research America Inc.|Face recognition system and method|

CN105701486B|2014-11-26|2019-11-19|上海骏聿数码科技有限公司|一种在摄像机内实现人脸信息分析及提取的方法|

US9953151B2|2015-02-03|2018-04-24|Chon Hock LEOW|System and method identifying a user to an associated device|

US11169661B2|2017-05-31|2021-11-09|International Business Machines Corporation|Thumbnail generation for digital images|

KR102299847B1|2017-06-26|2021-09-08|삼성전자주식회사|얼굴 인증 방법 및 장치|

CN107609461A|2017-07-19|2018-01-19|阿里巴巴集团控股有限公司|模型的训练方法、数据相似度的确定方法、装置及设备|

US10672243B2|2018-04-03|2020-06-02|Chengfu Yu|Smart tracker IP camera device and method|

CN109345748B|2018-10-31|2021-03-26|北京锐安科技有限公司|用户设备关联方法、装置、服务端、检测设备及介质|

CN110706250A|2019-09-27|2020-01-17|广东博智林机器人有限公司|一种对象的跟踪方法、装置、系统及存储介质|

法律状态:
2020-10-21| MM4A| Annulment or lapse of patent due to non-payment of fees|

优先权:

申请号 | 申请日 | 专利标题

PCT/CN2011/072583|WO2012139269A1|2011-04-11|2011-04-11|Tracking and recognition of faces using selected region classification|

[返回顶部]