一种图像模型比对方法和装置与流程

本申请涉及生物特征识别技术，尤其涉及一种图像模型比对方法和装置。

背景技术：

近年来，随着信息化技术的飞速发展，如何准确的鉴定一个人的身份、动作等，成为研究热点。目前，常采用模板比对法来鉴定一个人的身份、动作等，即将获取到的图像模型与模型库中的标准模型进行匹配。例如，为进行身份识别，将获取到的人脸模型与人脸模型库的模型进行匹配。再例如，为识别人体目标的动作行为，将获取到的动作模型与动作模型库中的模型进行匹配等。

但是，现有的图像模型比对方法主要是将获取到的图像模型与模型库中的模型依次进行对比，效率较低。

技术实现要素：

有鉴于此，本申请提供一种图像模型比对方法和装置，以解决现有的比对方法效率较低的问题。

本申请第一方面提供一种图像模型比对方法，所述方法包括：

将获取到的图像模型与模型库中各个模型组中的指定模型进行比对，得到各个指定模型对应的相似度；其中，属于同一个模型组中的任意两个模型之间的相似度大于指定值；

将所述图像模型与第一模型组中的各个模型进行比对，得到所述第一模型组中的各个模型对应的相似度；其中，所述第一模型组为各个指定模型中相似度最大的指定模型所属的模型组；

判断所述第一模型组中是否存在相似度大于预设阈值的目标模型；

若是，将所述目标模型确定为与所述图像模型匹配的模型。

本申请第二方面提供一种图像模型比对装置，所述装置包括存储器和处理器；其中，

所述存储器，用于存储模型库；

所述处理器，用于：

将获取到的图像模型与所述模型库中各个模型组中的指定模型进行比对，得到各个指定模型对应的相似度；其中，属于同一个模型组中的任意两个模型之间的相似度大于指定值；

将所述图像模型与第一模型组中的各个模型进行比对，得到所述第一模型组中的各个模型对应的相似度；其中，所述第一模型组为各个指定模型中相似度最大的指定模型所属的模型组；

判断所述第一模型组中是否存在相似度大于预设阈值的目标模型；

若是，将所述目标模型确定为与所述图像模型匹配的模型。

本申请第三方面提供一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现本申请第一方面提供的任一项图像模型比对方法的步骤。

本申请提供的图像模型比对方法和装置，通过将获取到的图像模型与模型库中各个模型组中的指定模型进行比对，得到各个指定模型对应的相似度，进而将上述图像模型与相似度最大的指定模型所属的第一模型组中的各个模型进行比对，得到上述第一模型组中的各个模型对应的相似度，并判断上述第一模型组中是否存在相似度大于预设阈值的目标模型，从而在判断上述第一模型组中存在相似度大于预设阈值的目标模型，将上述目标模型确定为与上述图像模型匹配的模型。这样，由于属于同一个模型组中的任意两个模型之间的相似度大于指定值，即同一个模型组中存储的是较相似的模型，这样，通过将获取到的图像模型与各个模型组中的指定模型进行匹配，即可找到与该图像模型较相似的模型组，进而在该模型组中找与该图像模型匹配的模型。这样，相比于与模型库中的所有模型依次进行比对，可提高正向通过率，提高模型比对的效率。

附图说明

图1为本申请提供的图像模型比对方法实施例一的流程图；

图2为本申请一示例性实施例示出的模型库的建立方法的流程图；

图3为本申请提供的图像模型比对方法实施例二的流程图；

图4为本申请提供的图像模型比对方法实施例三的流程图；

图5为本申请提供的图像模型比对方法实施例四的流程图；

图6为本申请提供的图像模型比对装置实施例一的结构示意图。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。

在本申请使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。

应当理解，尽管在本申请可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本申请范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。

本申请提供一种图像模型比对方法和装置，以解决现有的比对方法效率低的问题。

本申请提供的图像模型比对方法和装置，可应用于计算机设备中。例如，可应用于可视对讲室外机，摄像机等。

下面给出几个具体的实施例，用于详细介绍本申请的技术方案。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。

图1为本申请提供的图像模型比对方法实施例一的流程图。请参照图1，本实施例提供的方法，可以包括：

s101、将获取到的图像模型与模型库中各个模型组中的指定模型进行比对，得到各个指定模型对应的相似度；其中，属于同一个模型组中的任意两个模型之间的相似度大于指定值。

需要说明的是，图像模型可以为人脸模型、人体动作模型等。相应地，当图像模型为人脸模型时，模型库为人脸模型库；当图像模型为人体动作模型时，模型库为人体动作模型库。下面以图像模型为人脸模型，模型库为人脸模型库为例进行说明。

具体的，各个模型组中的指定模型是根据实际需要设定的。例如，一实施例中，各个模型组中的指定模型为各个模型组中的第一个模型。此外，属于同一个模型组中的任意两个模型之间的相似度大于指定值，该指定值的具体值是根据实际需要设定的。

需要说明的是，在本申请一可能的实现方式中，模型库可以按照如下方法建立获得的：即首先将人脸模型添加至模型库中，然后对模型库中的人脸模型进行分组，得到模型组。例如，首先将人脸模型添加至模型库；然后对于包含若干个人脸模型的模型库，将该模型库中的人脸模型两两进行比对，得到两者之间的相似度；最后，按照相似度进行分组，将所有相似度大于指定值的人脸模型分为一组。这样，即可将该模型库中的人脸模型分为若干组，且属于同一个模型组中的任意两个人脸模型之间的相似度大于指定值。

进一步地，在本申请另一实施例中，模型库还可以按照如下方法建立获得：即可以在将人脸模型添加至模型库时，即进行分组，将人脸模型添加至对应的模型组中。例如，图2为本申请一示例性实施例示出的模型库的建立方法的流程图。请参照图2，在本申请一可能的实现方式中，模型库按照如下方法建立获得：

s201、当基于抓取用户的第一图像生成第一图像模型时，判断模型库中是否存在模型组。

具体的，当接收到用户输入的人脸图像时，对该人脸图像进行人脸建模，得到人脸模型。需要说明的是，有关对人脸图像进行人脸建模，得到人脸模型的具体实现过程和实现原理可以参见现有技术中的描述，此处不再赘述。

进一步地，当获取到人脸模型时，此时，就判断模型库中是否存在模型组。

s202、若否，建立模型组，并将上述第一图像模型存储到上述建立的模型组中。

具体的，当经过步骤s201判断不存在模型组时，此时，说明该人脸模型为第一个待添加至该人脸模型库中的人脸模型，此时，建立模型组，并将该人脸模型存储在建立的模型组中，这样，便得到一个模型组。

s203、若是，将上述第一图像模型与各个模型组中的各个模型进行比对，得到各个模型对应的相似度。

具体的，当经过步骤s201判断存在模型组时，此时，将该人脸模型与各个模型组中的各个模型进行比对，得到各个模型对应的相似度。例如，一实施例中，人脸模型库中共存在两个模型组，分别记为模型组1和模型组2，其中，模型组1包括3个模型，分别记为模型11、模型12和模型13；模型组2包括2个模型，分别记为模型21和模型22。需要说明的时，1和2分别为模型组的标识信息，11、12、13、21和22为模型的标识信息，其中，模型的标识信息中的第一个数字表征该模型所属的模型组。

结合上面的例子，本步骤中，就将获取到的人脸模型与这5个模型进行比对，得到这5个模型对应的相似度。例如，一实施例中，得到模型11对应的相似度为20％，得到模型12对应的相似度为30％，得到模型13对应的相似度为25％，得到模型22对应的相似度为78％，得到模型23对应的相似度为80％。

s204、判断各个模型对应的相似度中的最大值是否大于指定值。

结合上面的例子，各个模型对应的相似度中的最大值为80％，此时，就判断80％是否大于指定值。

需要说明的是，指定值是根据实际需要设定的，本实施例中，不对指定值的具体值进行限定。例如，指定值可以为70％、75％和80％等。下面以指定值为70％为例进行说明。此时，经判断，确定各个模型对应的相似度中的最大值(80％)大于指定值(70％)。

s205、若是，将上述第一图像模型存储到相似度最大的模型所属的模型组中。

具体的，当各个模型对应的相似度中的最大值大于指定值时，说明获取到的人脸模型与相似度最大的模型较相似(例如，本例中，获取到的人脸模型与模型23较相似)，此时，就将该获取到的人脸模型存储到相似度最大的模型所属的模型组中。结合上面的例子，就将获取到的人脸模型存储到模型组2中。

s206、若否，新建模型组，并将上述第一图像模型存储到上述新建的模型组中。

具体的，当各个模型对应的相似度中的最大值不大于指定值时。此时，说明获取到的人脸模型与任意一个模型均不相似，此时，就新建一个模型组，并将上述获取到的人脸模型存储到上述新建的模型组中。

本实施例提供的方法，当按照上述方法建立模型库后，便可得到包含有若干个模型组的模型库，且同一模型组中的任意两个模型之间的相似度均大于指定值，即同一模型组存储着较为相似的模型。

s102、将上述图像模型与第一模型组中的各个模型进行比对，得到上述第一模型组中的各个模型对应的相似度；其中，上述第一模型组为各个指定模型中相似度最大的指定模型所属的模型组。

具体的，本步骤中，可直接将图像模型与第一模型组中的剩余模型进行比对，得到第一模型组中的各个模型对应的相似度。

例如，一实施例中，模型库中共有4个模型组，分别记为模型组1、模型组2、模型组3和模型组4，其中，模型组1有1个模型，记为模型11；模型组2有两个模型，即为模型21和模型22；模型组3中共有4个模型，记为模型31、模型32、模型33和模型34；模型组4共有2个模型，记为模型41和模型42。结合上面的例子，各个模型组中的指定模型为各个模型中的第一个模型，步骤s101中，将获取到的图像模型依次与模型11、模型21、模型31和模型41进行比对，得到模型11对应的相似度为20％，模型21对应的相似度为40％，模型31对应的相似度为15％，模型41对应的相似度为79％。此时，各个指定模型中相似度最大的指定模型(模型41)所属的模型组为模型组4，本步骤中，就将上述图像模型与模型组4中的各个模型进行比对，得到上述模型组4中的各个模型对应的相似度。例如，此时，得到上述模型组4中的各个模型对应的相似度分别为：模型41对应的相似度为79％，模型42对应的相似度为83％。

s103、判断上述第一模型组中是否存在相似度大于预设阈值的目标模型。

具体的，预设阈值是根据实际需要设定的，本实施例中，不对预设阈值的具体值进行限定。下面以预设阈值为80％为例进行说明。

结合上面的例子，本步骤中，经判断，模型组4中的模型42对应的相似度大于预设阈值，此时，确定模型组4中存在相似度大于预设阈值的目标模型。

s104、若是，将上述目标模型确定为与上述图像模型匹配的模型。

结合上面的例子，本步骤中，就将模型42确定为与上述图像模型匹配的模型。

需要说明的是，当第一模型组中存在至少两个相似度大于预设阈值的目标模型时，此时，可将任意一个目标模型确定为与上述图像模型匹配的模型，或者是，将所有的目标模型均确定为与上述图像模型匹配的模型。当然，在本申请一可能的实现方式中，还可以将目标模型中相似度最大的目标模型确定为与图像模型匹配的模型。本实施例中，不对此作出限定。

本实施例提供的图像模型比对方法，通过将获取到的图像模型与模型库中各个模型组中的指定模型进行比对，得到各个指定模型对应的相似度，进而将上述图像模型与相似度最大的指定模型所属的第一模型组中的各个模型进行比对，得到上述第一模型组中的各个模型对应的相似度，并判断上述第一模型组中是否存在相似度大于预设阈值的目标模型，从而在判断上述第一模型组中存在相似度大于预设阈值的目标模型，将上述目标模型确定为与上述图像模型匹配的模型。这样，由于属于同一个模型组中的两个模型之间的相似度大于指定值，即同一个模型组中存储的是较相似的模型，这样，通过将获取到的图像模型与各个模型组中的指定模型进行匹配，即可找到与该图像模型较相似的模型组，进而在该模型组中找与该图像模型匹配的模型。这样，相比于与模型库中的所有模型依次进行比对，可提高正向通过率，提高模型比对的效率。

可选地，在本申请一可能的实现方式中，若判断上述第一模型组中不存在相似度大于预设阈值的目标模型时，所述方法还包括：

确定上述模型库中不存在与上述图像模型匹配的模型。

具体的，本实施例提供的方法，当确定第一模型组中不存在相似度大于预设阈值的目标模型时，就确定模型库中不存在与上述图像模型匹配的模型。即在各个指定模型中相似度最大的指定模型所属的模型组中，若不存在相似度大于预设阈值的目标模型时，就认为其他模型组中也不可能存在相似度大于预设阈值的目标模型，此时，直接确定上述模型库中不存在与上述图像模型匹配的模型。这样，可提高比对效率。

图3为本申请提供的图像模型比对方法实施例二的流程图。请参照图3，本实施例的方法，在上述实施例的基础上，若判断上述第一模型组中不存在相似度大于预设阈值的目标模型时，所述方法还包括：

s301、将未进行全组比对的模型组中，相似度最大的指定模型所属的模型组作为目标模型组。

结合上面的例子，例如，在另一种可能的实现方式中，若得到模型42对应的相似度为78％。此时，确定第一模型组中不存在相似度大于预设阈值的目标模型。本步骤中，就将未进行全组比对的模型组中，相似度最大的指定模型所属的模型组作为目标模型组。例如，本例中，未进行全组比对的模型组有模型组1、模型组2和模型组3，这三个模型组中，相似度最大的指定模型(模型21对应的相似度为40％，为最大的相似度)所属的模型组为模型组2，此时，就将模型组2作为目标模型组。

s302、将上述图像模型与上述目标模型组中的各个模型进行比对，得到上述目标模型组中的各个模型对应的相似度。

s303、判断上述目标模型组中是否存在相似度大于上述预设阈值的目标模型。

s304、若是，将上述目标模型确定为与上述图像模型匹配的模型。

s305、若否，再次执行将未进行全组比对的模型组中，相似度最大的指定模型所属的模型组作为目标模型组的步骤。

结合步骤s301中的例子，例如，步骤s302，得到模型组2中，模型21对应的相似度为40％，模型22对应的相似度为45％。步骤s303中，经判断，确定目标模型组中不存在相似度大于上述预设阈值的目标模型，此时，执行步骤s305，再次执行将未进行全组比对的模型组中，相似度最大的指定模型所属的模型组作为目标模型组的步骤。此时，未进行全组比对的模型组有模型组1和模型组3，这两个模型组中，相似度最大的指定模型(模型11对应的相似度为20％，为最大的相似度)所属的模型组为模型组1，此时，就将模型组1作为目标模型组，再次执行步骤s302。

需要说明的是，本实施例中，若全有的模型组均进行全组比对后，仍不存在相似度大于预设阈值的目标模型，此时，则确定模型库中不存在与上述图像模型匹配的模型。

本实施例提供的方法，在判断上述第一模型组中不存在相似度大于预设阈值的目标模型时，通过将未进行全组比对的模型组中，相似度最大的指定模型所属的模型组作为目标模型组，并将图像模型与上述目标模型组中的各个模型进行比对，得到上述目标模型组中的各个模型对应的相似度，进而判断上述目标模型组中的是否存在相似度大于预设阈值的目标模型，并在判断上述目标模型组中的存在相似度大于预设阈值的目标模型时，将上述目标模型确定为与上述图像模型匹配的模型，而在判断上述目标模型组中的不存在相似度大于预设阈值的目标模型时，再次执行将未进行全组比对的模型组中，相似度最大的指定模型所属的模型组作为目标模型组的步骤。这样，可以提高模型比对的正向通过率，提高比对的效率。

图4为本申请提供的图像模型比对方法实施例三的流程图。本实施例提供的方法，在上述实施例的基础上，将上述图像模型与第一模型组中的各个模型进行比对之前，所述方法还可以包括：

s401、判断各个指定模型对应的相似度中的最大值是否大于上述预设阈值。

s402、若是，将相似度最大的指定模型确定为与上述图像模型匹配的模型。

s403、若否，将上述图像模型与上述第一模型组中的各个模型进行比对。

结合实施例一中的例子，即步骤s101中，将获取到的图像模型依次与模型11、模型21、模型31和模型41进行比对后，得到模型11对应的相似度为20％，模型21对应的相似度为40％，模型31对应的相似度为15％，模型41对应的相似度为79％。此时，各个指定模型对应的相似度中的最大值为79％，经判断，确定各个指定模型对应的相似度中的最大值不大于上述预设阈值(80％)。此时，将上述图像模型与上述第一模型组中的各个模型进行比对。

本实施例提供的方法，在将图像模型与各个指定模型中相似度最大的指定模型所属的第一模型组中的各个模型进行比对之前，通过判断各个指定模型对应的相似度中的最大值是否大于上述预设阈值，进而在判断各个指定模型对应的相似度中的最大值大于上述预设阈值，将相似度最大的指定模型确定为与上述图像模型匹配的模型，而在判断各个指定模型对应的相似度中的最大值不大于上述预设阈值时，才将上述图像模型与上述第一模型组中的各个模型进行比对。这样，可进一步提高比对的效率。

图5为本申请提供的图像模型比对方法实施例四的流程图。请参照图5，本实施例提供的方法，可以包括：

s501、对采集到的图像进行移动侦测。

具体的，可利用背景减除法、时间差分法等方法对采集到的图像进行移动侦测。有关各方法的具体实现过程和实现原理可以参见现有技术中的描述，此处不再赘述。

s502、当侦测到有移动目标时，对采集到的图像进行人脸检测。

具体的，可采用参考模板法、人脸规则法等方法对采集到的图像进行人脸检测。有关各方法的具体实现过程和实现原理可以参见现有技术中的描述，此处不再赘述。

s503、当检测到有人脸时，抓取人脸图像，并对上述人脸图像进行人脸建模，得到人脸模型。

具体的，一实施例中，可将人脸图像输入到预先训练好的神经网络中，以输出人脸模型。

s504、将上述人脸模型与人脸模型库中各个模型组中的指定模型进行比对，得到各个指定模型对应的相似度；其中，属于同一个模型组中的任意两个模型之间的相似度大于指定值。

s505、将上述人脸模型与第一模型组中的各个模型进行比对，得到上述第一模型组中的各个模型对应的相似度；其中，上述第一模型组为各个指定模型中相似度最大的指定模型所属的模型组。

s506、判断上述第一模型组中是否存在相似度大于预设阈值的目标模型。

s507、若是，将上述目标模型确定为与上述人脸模型匹配的模型。

s508、若否，确定上述人脸模型库中不存在与上述人脸模型匹配的模型。

具体的，步骤s504至s508的具体实现过程和实现原理可以参见前面实施例中的描述，此处不再赘述。

本实施例提供的方法，通过将获取到的图像模型与模型库中各个模型组中的指定模型进行比对，得到各个指定模型对应的相似度，进而将上述图像模型与相似度最大的指定模型所属的第一模型组中的各个模型进行比对，得到上述第一模型组中的各个模型对应的相似度，并判断上述第一模型组中是否存在相似度大于预设阈值的目标模型，从而在判断上述第一模型组中存在相似度大于预设阈值的目标模型，将上述目标模型确定为与上述图像模型匹配的模型。这样，由于属于同一个模型组中的两个模型之间的相似度大于指定值，即同一个模型组中存储的是较相似的模型，这样，通过将获取到的图像模型与各个模型组中的指定模型进行匹配，即可找到与该图像模型较相似的模型组，进而在该模型组中找与该图像模型匹配的模型。这样，相比于与模型库中的所有模型依次进行比对，可提高正向通过率，提高模型比对的效率。

以上对本申请提供的方法进行了描述。下面对本申请提供的装置进行描述：

图6为本申请提供的图像模型比对装置实施例一的结构示意图。请参照图6，本实施例提供的图像模型比对装置，可以包括：存储器610和处理器620，其中

所述存储器610，用于存储模型库；

所述处理器620，用于：

将获取到的图像模型与所述模型库中各个模型组中的指定模型进行比对，得到各个指定模型对应的相似度；其中，属于同一个模型组中的任意两个模型之间的相似度大于指定值；

将所述图像模型与第一模型组中的各个模型进行比对，得到所述第一模型组中的各个模型对应的相似度；其中，所述第一模型组为各个指定模型中相似度最大的指定模型所属的模型组；

判断所述第一模型组中是否存在相似度大于预设阈值的目标模型；

若是，将所述目标模型确定为与所述图像模型匹配的模型。

本实施例的装置，可用于执行图1所示方法实施例的技术方案，其实现原理和技术效果类似，此处不再赘述。

进一步地，所述装置还包括图像抓取单元630，所述图像抓取单元630，用于抓取图像。

进一步地，所述处理器620，还用于在判断所述第一模型组中不存在相似度大于预设阈值的目标模型时，确定所述模型库中不存在与所述图像模型匹配的模型。

进一步地，所述处理器620，还用于：

在判断所述第一模型组中不存在相似度大于预设阈值的目标模型时，将未进行全组比对的模型组中，相似度最大的指定模型所属的模型组作为目标模型组；

将所述图像模型与所述目标模型组中的各个模型进行比对，得到所述目标模型组中的各个模型对应的相似度；

判断所述目标模型组中是否存在相似度大于所述预设阈值的目标模型；

若是，将所述目标模型确定为与所述图像模型匹配的模型；

若否，再次执行将未进行全组比对的模型组中，相似度最大的指定模型所属的模型组作为目标模型组的步骤。

进一步地，所述处理器620，还用于将所述图像模型与第一模型组中的各个模型进行比对之前，判断各个指定模型对应的相似度中的最大值是否大于所述预设阈值；

若是，将相似度最大的指定模型确定为与所述图像模型匹配的模型；

若否，将所述图像模型与所述第一模型组中的各个模型进行比对。

进一步地，当所述第一模型组或所述目标模型组中存在至少两个相似度大于预设阈值的目标模型时，所述处理器620，具体用于将所述目标模型中相似度最大的目标模型确定为与所述图像模型匹配的模型。

进一步地，所述模型库按照如下方法建立获得：

当基于抓取用户的第一图像生成第一图像模型时，判断模型库中是否存在模型组；

若否，建立模型组，并将所述第一图像模型存储到所述建立的模型组中；

若是，将所述第一图像模型与各个模型组中的各个模型进行比对，得到各个模型对应的相似度；

判断各个模型对应的相似度中的最大值是否大于所述指定值；

若是，将所述第一图像模型存储到相似度最大的模型所属的模型组；

若否，新建模型组，并将所述第一图像模型存储到所述新建的模型组中。

进一步地，所述图像模型为人脸模型；所述图像模型按照如下方法获取得到：

对采集到的图像进行移动侦测；

当侦测到有移动目标时，对所述采集到的图像进行人脸检测；

当检测到有人脸时，抓取人脸图像，并对所述人脸图像进行人脸建模，得到人脸模型。

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，所述程序被处理器执行时实现本申请提供的任一图像模型比对方法的步骤。

具体的，适合于存储计算机程序指令和数据的计算机可读介质包括所有形式的非易失性存储器、媒介和存储器设备，例如包括半导体存储器设备(例如eprom、eeprom和闪存设备)、磁盘(例如内部硬盘或可移动盘)、磁光盘以及cdrom和dvd-rom盘。

以上所述仅为本申请的较佳实施例而已，并不用以限制本申请，凡在本申请的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本申请保护的范围之内。