CN109977835B - 面部图像识别方法、装置和设备 - Google Patents
面部图像识别方法、装置和设备 Download PDFInfo
- Publication number
- CN109977835B CN109977835B CN201910208432.4A CN201910208432A CN109977835B CN 109977835 B CN109977835 B CN 109977835B CN 201910208432 A CN201910208432 A CN 201910208432A CN 109977835 B CN109977835 B CN 109977835B
- Authority
- CN
- China
- Prior art keywords
- facial
- facial image
- image
- organs
- position distance
- 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
Links
- 230000001815 facial effect Effects 0.000 title claims abstract description 206
- 238000000034 method Methods 0.000 title claims abstract description 60
- 210000000056 organ Anatomy 0.000 claims abstract description 109
- 238000012549 training Methods 0.000 claims description 30
- 238000012795 verification Methods 0.000 claims description 25
- 238000012545 processing Methods 0.000 claims description 10
- 238000013527 convolutional neural network Methods 0.000 claims description 6
- 210000002569 neuron Anatomy 0.000 claims description 6
- 230000008569 process Effects 0.000 description 8
- 238000004590 computer program Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 241000667922 Ougeinia dalbergioides Species 0.000 description 2
- 210000004709 eyebrow Anatomy 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 241000282693 Cercopithecidae Species 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 210000000887 face Anatomy 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 210000001061 forehead Anatomy 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 238000013403 standard screening design Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
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
- G06V40/165—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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例提供一种面部图像识别方法、装置和设备。该方法包括:获取待识别的面部图像;根据所述待识别的面部图像,确定面部的器官之间的位置距离关系,所述面部的器官包括左眼、右眼、鼻子和嘴中的至少两项;根据所确定的面部的器官之间的位置距离关系,确定所述待识别的面部图像为无效图片。本发明实施例的方法,不仅提高了面部图像识别的速度,而且提高了面部图像识别的准确率。
Description
技术领域
本发明实施例涉及计算机技术领域,尤其涉及一种面部图像识别方法、装置和设备。
背景技术
随着信息技术的不断发展,以计算机技术和网络技术为代表的信息技术已经渗透到人们生活的方方面面。信息技术在为人们的生活带来便利的同时,也带来了一些安全隐患。进行身份识别是一种提高信息安全性的必要措施。
电信运营商在为用户办理各项业务时,首先需要核实用户的身份信息,以确保用户的利益不受损害。由于人的面部图像的特征具有稳定性和易采集性,而常被用于识别身份信息。目前,运营商多采用传统神经网络进行面部图像识别,对用户面部图像识别的准确率不高。
发明内容
本发明实施例提供一种面部图像识别方法、装置和设备,用以解决现有技术中对用户面部图像辨识准确率低的问题。
第一方面,本发明实施例提供一种面部图像识别方法,包括:
获取待识别的面部图像;
根据待识别的面部图像,确定面部的器官之间的位置距离关系,面部的器官包括左眼、右眼、鼻子和嘴中的至少两项;
根据所确定的面部的器官之间的位置距离关系,确定待识别的面部图像为无效图片。
在一种可能的实现方式中,根据所确定的面部的器官之间的位置距离关系,确定待识别的面部图像为无效图片,包括:
若所确定的面部的器官之间的位置距离关系不满足预设的位置距离关系,则确定待识别的面部图像为无效图片。
在一种可能的实现方式中,根据所确定的面部的器官之间的位置距离关系,确定待识别的面部图像为无效图片,包括:
根据所确定的面部的器官之间的位置距离关系以及预先训练的面部器官模型确定交叉熵;
若交叉熵大于等于预设阈值,则确定待识别的面部图像为无效图片。
在一种可能的实现方式中,若根据所确定的面部的器官之间的位置距离关系,确定待识别的面部图像为有效图片,则方法还包括:
根据预先训练的面部图像识别模型对待识别的面部图像进行识别,面部图像识别模型是基于深度卷积神经网络训练的,面部图像识别模型包括各神经元的权重值和偏置值。
在一种可能的实现方式中,面部图像识别模型包括依次连接的第一卷积层、第二卷积层、第三卷积层、第四卷积层、第五卷积层、第一全连接层、第二全连接层和第三全连接层。
在一种可能的实现方式中,根据预先训练的面部图像识别模型对待识别的面部图像进行识别之前,方法还包括:
获取已标注的样本数据;
将样本数据分为训练样本集和验证样本集;
使用训练样本集对面部图像识别模型进行训练,使用验证样本集进行验证,进行迭代训练,直至验证准确率大于等于预设验证准确率为止。
在一种可能的实现方式中,获取待识别的面部图像,包括:
通过图像采集装置实时获取待识别的面部图像,或者,接收用户上传的图像文件,根据图像文件获取待识别的面部图像。
在一种可能的实现方式中,根据待识别的面部图像,确定面部的器官之间的位置距离关系,包括:
从待识别的面部图像中识别出各个面部器官;
确定各个面部器官在图像中的位置;
根据各个面部器官在图像中的位置,确定面部的器官之间的位置距离关系。
第二方面,本发明实施例提供一种面部图像识别装置,包括:
获取模块,用于获取待识别的面部图像;
处理模块,用于根据待识别的面部图像,确定面部的器官之间的位置距离关系,面部的器官包括左眼、右眼、鼻子和嘴中的至少两项;
执行模块,用于根据所确定的面部的器官之间的位置距离关系,确定待识别的面部图像为无效图片。
第三方面,本发明实施例提供一种电子设备,包括:
至少一个处理器和存储器;
存储器存储计算机执行指令;
至少一个处理器执行存储器存储的计算机执行指令,使得至少一个处理器执行如第一方面任一项所述的面部图像识别方法。
第四方面,本发明实施例提供一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机执行指令,计算机执行指令被处理器执行时用于实现如第一方面任一项所述的面部图像识别方法。
本发明实施例提供的面部图像识别方法、装置和设备,通过获取待识别的面部图像,根据待识别的面部图像,确定面部的器官之间的位置距离关系,面部的器官包括左眼、右眼、鼻子和嘴中的至少两项,根据所确定的面部的器官之间的位置距离关系,确定待识别的面部图像为无效图片。充分考虑了面部器官的空间位置关系,根据面部的器官之间的位置距离关系将无效图片筛除,不仅能够提高面部图像识别的速度,而且避免了对无效图片的误识别,提高了图片识别的准确率。同时,由于面部的器官之间的位置距离关系不会因光线、旋转角度等的改变而改变,降低了对采集图片的要求,提高了用户体验。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本发明的实施例,并与说明书一起用于解释本发明的原理。
图1为本发明提供的面部图像识别方法一实施例的流程图;
图2为本发明提供的面部图像识别方法又一实施例的流程图;
图3为本发明一实施例提供的面部图像识别模型的训练过程示意图;
图4为本发明提供的面部图像识别装置一实施例的结构示意图;
图5为本发明提供的电子设备一实施例的结构示意图。
通过上述附图,已示出本发明明确的实施例,后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本发明构思的范围,而是通过参考特定实施例为本领域技术人员说明本发明的概念。
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发明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、本发明的一些方面相一致的装置和方法的例子。
本发明的说明书和权利要求书中的术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
本发明中的“第一”和“第二”只起标识作用,而不能理解为指示或暗示顺序关系、相对重要性或者隐含指明所指示的技术特征的数量。“多个”是指两个或两个以上。“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
本发明的说明书中通篇提到的“一个实施例”或“一实施例”意味着与实施例有关的特定特征、结构或特性包括在本申请的至少一个实施例中。因此,在整个说明书各处出现的“在一个实施例中”或“在一实施例中”未必一定指相同的实施例。需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
图1为本发明提供的面部图像识别方法一实施例的流程图。如图1所示,本实施例提供的面部图像识别方法可以包括:
S101、获取待识别的面部图像。
本实施例中在进行面部图像识别之前,首先需要获取待识别的面部图像。获取待识别的面部图像,具体可以通过图像采集装置实时获取待识别的面部图像,或者,接收用户上传的图像文件,根据图像文件获取待识别的面部图像。
以用户前往运营商营业厅办理业务为例,为了核实办理业务的是否为用户本人,工作人员可以通过安装于柜台的图像采集装置,例如摄像头,对用户进行拍摄,实时获取待识别的面部图像;以用户通过智能手机、计算机等终端设备远程在线办理业务为例,用户需要上传图像文件,该图像文件可以是用户终端设备中存储的,也可以是通过终端设备的图像采集装置实时拍摄的,以便能够根据该图像文件获取待识别的面部图像。本实施例对于图片文件的格式以及大小不作限制。
为了提高识别的准确率,无论是通过图像采集装置拍摄的图像文件,还是接收用户上传的图像文件,都可以采用人脸检测模型从中仅截取出面部图像,作为待识别的面部图像。在具体实施时,例如可以采用Dlib或OpenCV进行人脸检测,截取出待识别的面部图像样本。
S102、根据待识别的面部图像,确定面部的器官之间的位置距离关系,面部的器官包括左眼、右眼、鼻子和嘴中的至少两项。
本实施例中面部的器官例如可以包括左眼、右眼、鼻子和嘴巴中的至少两项。可选的,还可以参考面部眉毛、下巴、额头等的位置。
本实施例中面部的器官之间的位置距离关系可以采用相对位置距离关系或者绝对位置距离关系。举例来说,当采集的图像信息包含尺度信息时,可以采用绝对位置距离关系,例如可以采用像素或者世界坐标系中的实际距离度量;当采集的图像信息不包含尺度信息时,可以采用相对位置距离关系,例如可以采用距离的比值进行度量。
可选的,根据待识别的面部图像,确定面部的器官之间的位置距离关系的一种实现方式可以是:从待识别的面部图像中识别出各个面部器官;确定各个面部器官在图像中的位置;根据各个面部器官在图像中的位置,确定面部的器官之间的位置距离关系。
例如,可以根据人脸面部器官的形状特征,采用AdaBoost-Cascade分类器对人脸窗口的区域进行双眼、双眉、鼻子、嘴巴、下颚等的定位,确定人脸面部器官的具体位置。在具体实现时,为了提高所确定的面部器官之间的位置距离关系的精度,可以采用基于椭圆模板的方法。首先通过人脸检测确定眼睛、鼻子和嘴巴的位置,然后对检测到的人脸连通域边界进行椭圆拟合得到椭圆模板,计算眼睛、嘴巴和鼻子在模板中的位置参数,最后将位置参数送入预先训练的用于获取位置距离关系的多层人工神经网络,以获得精确的面部的器官之间的位置距离关系。可选的,为了进一步提升精度,对人工神经网络的输出可以进行线性相关滤波。
S103、根据所确定的面部的器官之间的位置距离关系,确定待识别的面部图像为无效图片。
本实施例中在确定了面部的器官之间的位置距离关系之后,则可以根据预设的规则,确定该面部图像是否有效。若无效,则终止识别,可以加速识别过程,提高识别效率。同时避免了将无效图片纳入识别对象,导致误识别,可以提高识别的准确率。
可选的,根据所确定的面部的器官之间的位置距离关系,确定待识别的面部图像为无效图片的一种实现方式可以是:
若所确定的面部的器官之间的位置距离关系不满足预设的位置距离关系,则确定待识别的面部图像为无效图片。
可以理解的是,人类面部的器官之间的位置距离关系与其他物种,如猴子、小狗等的面部的器官之间的位置距离关系是不同。本实施例中例如可以预先获取多张人类的面部图像,采用聚类的方式,确定人类面部的器官之间的位置距离关系,作为预设的位置距离关系。当根据待识别的面部图像,所确定的面部的器官之间的位置距离关系不满足该预设条件时,可以确定该图像为无效图片。
可以理解的是,用户张三和用户李四面部的器官之间的位置距离关系也是不同的。当用户张三前来营业厅办理业务时,需要核实其是否为张三本人,可以将确定的面部的器官之间的位置距离关系与预先确定的张三的面部的器官之间的位置距离关系进行比较,以确定是否为张三本人。其中,预先确定的张三的面部的器官之间的位置距离关系可以根据张三入网时所采集的图像数据确定,或者,可以根据张三的身份标识如身份证号码、护照号码等从相应的机构获取对应的照片进行确定。
可选的,根据所确定的面部的器官之间的位置距离关系,确定待识别的面部图像为无效图片的一种实现方式可以是:
根据所确定的面部的器官之间的位置距离关系以及预先训练的面部器官模型确定交叉熵;若交叉熵大于等于预设阈值,则确定待识别的面部图像为无效图片。
本实施例中预先训练的面部器官模型可以确定两个位置距离关系之间的交叉熵,交叉熵的取值越小,则说明这两个位置距离关系越相似,反之,则说明这两个位置距离关系相距甚远。本实施例中例如可以将所确定的面部的器官之间的位置距离关系以及期望的位置距离关系输入预先训练的面部器官模型,确定两者的交叉熵。举例来说,当用于识别办理业务的用户是否为张三本人时,这里期望的位置距离关系可以采用预先确定的张三的面部的器官之间的位置距离关系。
本实施例提供的面部图像识别方法,通过获取待识别的面部图像,根据待识别的面部图像,确定面部的器官之间的位置距离关系,面部的器官包括左眼、右眼、鼻子和嘴中的至少两项,根据所确定的面部的器官之间的位置距离关系,确定待识别的面部图像为无效图片。充分考虑了面部器官的空间位置关系,根据面部的器官之间的位置距离关系将无效图片筛除,不仅能够提高面部图像识别的速度,而且避免了对无效图片的误识别,提高了图片识别的准确率。同时,由于面部的器官之间的位置距离关系不会因光线、旋转角度等的改变而改变,降低了对采集图片的要求,提高了用户体验。
在上述实施例的基础上,为了进一步提高识别的准确率,本实施例提供的方法中,若根据所确定的面部的器官之间的位置距离关系,确定待识别的面部图像为有效图片,还可以包括:
根据预先训练的面部图像识别模型对待识别的面部图像进行识别,面部图像识别模型是基于深度卷积神经网络训练的,面部图像识别模型包括各神经元的权重值和偏置值。本实施例中的面部图像识别模型例如可以基于以下深度卷积神经网络中的一种或者多种或者其结合进行训练:AlexNet、ZFNet、VGGNet、GoogleNet、ResNet等。
可选的,针对人脸面部图像的识别,本实施例中的面部图像识别模型可以包括依次连接的第一卷积层、第二卷积层、第三卷积层、第四卷积层、第五卷积层、第一全连接层、第二全连接层和第三全连接层。其中,所述第一卷积层包括96个大小为11*11*3的卷积核;所述第二卷积层包括256个大小为5*5*96的卷积核;所述第三卷积层包括384个大小为3*3*256的卷积核;所述第四卷积层包括384个大小为3*3*384的卷积核;所述第五卷积层包括256个大小为3*3*384的卷积核;所述第一全连接层包括4096个大小为6*6*256的过滤核;所述第二全连接层包括4096个大小为1*1*4096的过滤核;所述第三全连接层包括10个大小为1*1*4096的过滤核。
图2为本发明提供的面部图像识别方法又一实施例的流程图。如图2所示,本实施例提供的方法可以包括:
S201、获取待识别的面部图像。
S202、根据待识别的面部图像,确定面部的器官之间的位置距离关系,面部的器官包括左眼、右眼、鼻子和嘴中的至少两项。
S203、根据所确定的面部的器官之间的位置距离关系,确定待识别的面部图像是否为有效图片。若是,则执行S204;若否,则直接结束面部图像识别过程。
S204、根据预先训练的面部图像识别模型对待识别的面部图像进行识别。
本实施例中各步骤的具体实现方式可以参考上述实施例,此处不再赘述。
本实施例提供的面部图像识别方法,首先通过面部的器官之间的位置距离关系,将无效图片进行排除,不仅能够提高面部图像识别的速度,而且避免了对无效图片的误识别,提高了识别的准确率;然后针对有效图片,进一步采用预先训练的面部图像识别模型继续进行识别,进一步提高了面部图像辨识的准确率。
在上述任一实施例的基础上,为了提高面部图像识别模型的泛化能力,以进一步提高面部图像辨识的准确率,针对有限的样本数据,本实施例提供的方法,在根据预先训练的面部图像识别模型对待识别的面部图像进行识别之前,还可以包括:获取已标注的样本数据;将样本数据分为训练样本集和验证样本集;使用训练样本集对面部图像识别模型进行训练,使用验证样本集进行验证,进行迭代训练,直至验证准确率大于等于预设验证准确率为止。
图3为本发明一实施例提供的面部图像识别模型的训练过程示意图。如图3所示,本实施例提供的方法可以包括:
S301、获取已标注的样本数据。
本实施例中的已标注的样本数据例如可以是标识了身份标识,如身份证号码、护照号码、姓名等的面部图像数据。以电信运营商为例,运营商可以根据用户入网或者办理业务时采集的图像数据,获取已标注的样本数据。
S302、将样本数据分为训练样本集和验证样本集。
本实施例中例如可以采用随机分配的方式,将样本数据分为训练样本集和验证样本集,以确保在每一次迭代过程中,训练样本集与验证样本集不完全相同,增加样本的多样性。
S303、使用训练样本集对面部图像识别模型进行训练。
使用训练样本集中的样本作为面部图像识别模型的输入,根据实际输出与期望输出之间的差异,不断调整面部图像识别模型的参数,以使模型损失函数的值不断减小。
S304、使用验证样本集对训练的面部图像识别模型进行验证。
将验证样本集中的样本输入已训练的面部图像识别模型,确定该模型的识别准确率。
S305、判断验证准确率是否大于等于预设验证准确率。若是,则执行S306;若否,则执行S302。
判断验证准确率是否大于等于预设验证准确率,若否,则说明还需要对模型继续进行训练,则执行S302,进行下一轮训练过程;若是,则说明模型满足要求,训练完毕。
S306、保存已训练的面部图像识别模型,面部图像识别模型包括各神经元的权重值和偏置值。
本实施例提供的面部图像识别模型的训练方法,通过采用循环迭代的训练方式,即使在样本数据有限的条件下,也可以获得泛化能力强的面部图像识别模型,进一步提高了面部图像辨识的准确率,提升了用户体验。
本发明实施例还提供一种面部图像识别装置,请参见图4所示,本发明实施例仅以图4为例进行说明,并不表示本发明仅限于此。图4为本发明提供的面部图像识别装置一实施例的结构示意图。如图4所示,本实施例提供的面部图像识别装置40可以包括:获取模块401、处理模块402和执行模块403。
获取模块401,用于获取待识别的面部图像。
处理模块402,用于根据待识别的面部图像,确定面部的器官之间的位置距离关系,面部的器官包括左眼、右眼、鼻子和嘴中的至少两项。
执行模块403,用于根据所确定的面部的器官之间的位置距离关系,确定待识别的面部图像为无效图片。
本实施例的装置,可以用于执行图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。
可选的,执行模块403用于根据所确定的面部的器官之间的位置距离关系,确定待识别的面部图像为无效图片,具体可以包括:
若所确定的面部的器官之间的位置距离关系不满足预设的位置距离关系,则确定待识别的面部图像为无效图片。
可选的,执行模块403用于根据所确定的面部的器官之间的位置距离关系,确定待识别的面部图像为无效图片,具体可以包括:
根据所确定的面部的器官之间的位置距离关系以及预先训练的面部器官模型确定交叉熵;
若交叉熵大于等于预设阈值,则确定待识别的面部图像为无效图片。
可选的,面部图像识别装置40还可以包括识别模块(图中未示出)。识别模块用于,当根据所确定的面部的器官之间的位置距离关系,确定待识别的面部图像为有效图片时,可以根据预先训练的面部图像识别模型对待识别的面部图像进行识别,面部图像识别模型是基于深度卷积神经网络训练的,面部图像识别模型包括各神经元的权重值和偏置值。
可选的,面部图像识别模型包括依次连接的第一卷积层、第二卷积层、第三卷积层、第四卷积层、第五卷积层、第一全连接层、第二全连接层和第三全连接层。
可选的,面部图像识别装置40还可以包括训练模块(图中未示出),训练模块可以在根据预先训练的面部图像识别模型对待识别的面部图像进行识别之前,用于:
获取已标注的样本数据;
将样本数据分为训练样本集和验证样本集;
使用训练样本集对面部图像识别模型进行训练,使用验证样本集进行验证,进行迭代训练,直至验证准确率大于等于预设验证准确率为止。
可选的,获取模块401用于获取待识别的面部图像,具体可以包括:
通过图像采集装置实时获取待识别的面部图像,或者,接收用户上传的图像文件,根据图像文件获取待识别的面部图像。
可选的,处理模块402用于根据待识别的面部图像,确定面部的器官之间的位置距离关系,具体可以包括:
从待识别的面部图像中识别出各个面部器官;
确定各个面部器官在图像中的位置;
根据各个面部器官在图像中的位置,确定面部的器官之间的位置距离关系。
本发明实施例还提供一种电子设备,请参见图5所示,本发明实施例仅以图5为例进行说明,并不表示本发明仅限于此。图5为本发明提供的电子设备一实施例的结构示意图。如图5所示,本实施例提供的电子设备50可以包括:存储器501、处理器502和总线503。其中,总线503用于实现各元件之间的连接。
存储器501中存储有计算机程序,计算机程序被处理器502执行时可以实现上述任一方法实施例提供的面部图像识别方法的技术方案。
其中,存储器501和处理器502之间直接或间接地电性连接,以实现数据的传输或交互。例如,这些元件相互之间可以通过一条或者多条通信总线或信号线实现电性连接,如可以通过总线503连接。存储器501中存储有实现面部图像识别方法的计算机程序,包括至少一个可以软件或固件的形式存储于存储器501中的软件功能模块,处理器502通过运行存储在存储器501内的软件程序以及模块,从而执行各种功能应用以及数据处理。
存储器501可以是,但不限于,随机存取存储器(Random Access Memory,简称:RAM),只读存储器(Read Only Memory,简称:ROM),可编程只读存储器(ProgrammableRead-Only Memory,简称:PROM),可擦除只读存储器(Erasable Programmable Read-OnlyMemory,简称:EPROM),电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory,简称:EEPROM)等。其中,存储器501用于存储程序,处理器502在接收到执行指令后,执行程序。进一步地,上述存储器501内的软件程序以及模块还可包括操作系统,其可包括各种用于管理系统任务(例如内存管理、存储设备控制、电源管理等)的软件组件和/或驱动,并可与各种硬件或软件组件相互通信,从而提供其他软件组件的运行环境。
处理器502可以是一种集成电路芯片,具有信号的处理能力。上述的处理器502可以是通用处理器,包括中央处理器(Central Processing Unit,简称:CPU)、网络处理器(Network Processor,简称:NP)等。可以实现或者执行本发明实施例中的公开的各方法、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。可以理解,图5的结构仅为示意,还可以包括比图5中所示更多或者更少的组件,或者具有与图5所示不同的配置。图5中所示的各组件可以采用硬件和/或软件实现。
需要说明的是,本实施例提供的电子设备包括但不限于以下中的至少一个:用户侧设备、网络侧设备。用户侧设备包括但不限于计算机、智能手机、平板电脑、数字广播终端、消息收发设备、游戏控制台、个人数字助理等。网络侧设备包括但不限于单个网络服务器、多个网络服务器组成的服务器组或基于云计算的由大量计算机或网络服务器构成的云,其中,云计算是分布式计算的一种,由一群松散耦合的计算机组成的一个超级虚拟计算机。
本发明实施例还提供一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时可以实现上述任一方法实施例提供的面部图像识别方法。本实施例中的计算机可读存储介质可以是计算机能够存取的任何可用介质,或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备,可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如SSD)等。
在上述的实施例中,应该理解到,所揭露的设备和方法,可以通过其它的方式实现。例如,以上所描述的设备实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个模块可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或模块的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块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。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理单元中,也可以是各个模块单独物理存在,也可以两个或两个以上模块集成在一个单元中。上述模块成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
上述以软件功能模块的形式实现的集成的模块,可以存储在一个计算机可读取存储介质中。上述软件功能模块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)或处理器(英文:processor)执行本申请各个实施例所述方法的部分步骤。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各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,或者对其中部分或者全部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范围。
Claims (7)
1.一种面部图像识别方法,其特征在于,包括:
获取待识别的面部图像;
根据所述待识别的面部图像,确定面部的器官之间的位置距离关系,所述面部的器官包括左眼、右眼、鼻子和嘴中的至少两项;
根据所确定的面部的器官之间的位置距离关系,确定所述待识别的面部图像为无效图片;
所述根据所述待识别的面部图像,确定面部的器官之间的位置距离关系,包括:
从所述待识别的面部图像中识别出各个面部器官;确定各个面部器官在所述图像中的位置;根据各个面部器官在所述图像中的位置,确定面部的器官之间的位置距离关系;若根据所确定的面部的器官之间的位置距离关系,确定所述待识别的面部图像为有效图片,则所述方法还包括:
根据预先训练的面部图像识别模型对所述待识别的面部图像进行识别,所述面部图像识别模型是基于深度卷积神经网络训练的,所述面部图像识别模型包括各神经元的权重值和偏置值;
其中,根据所确定的面部的器官之间的位置距离关系,确定所述待识别的面部图像为无效图片,包括:
根据所确定的面部的器官之间的位置距离关系以及预先训练的面部器官模型确定交叉熵;若所述交叉熵大于等于预设阈值,则确定所述待识别的面部图像为无效图片;
或者,若所确定的面部的器官之间的位置距离关系不满足预设的位置距离关系,则确定所述待识别的面部图像为无效图片;所述待识别的面部图像所属的用户为目标用户;所述预设的位置距离关系为所述目标用户的面部器官之间的位置距离关系。
2.根据权利要求1所述的方法,其特征在于,所述面部图像识别模型包括依次连接的第一卷积层、第二卷积层、第三卷积层、第四卷积层、第五卷积层、第一全连接层、第二全连接层和第三全连接层。
3.根据权利要求1所述的方法,其特征在于,所述根据预先训练的面部图像识别模型对所述待识别的面部图像进行识别之前,所述方法还包括:
获取已标注的样本数据;
将所述样本数据分为训练样本集和验证样本集;
使用所述训练样本集对所述面部图像识别模型进行训练,使用所述验证样本集进行验证,进行迭代训练,直至验证准确率大于等于预设验证准确率为止。
4.根据权利要求1-3任一项所述的方法,其特征在于,所述获取待识别的面部图像,包括:
通过图像采集装置实时获取待识别的面部图像,或者,接收用户上传的图像文件,根据所述图像文件获取待识别的面部图像。
5.一种面部图像识别装置,其特征在于,包括:
获取模块,用于获取待识别的面部图像;
处理模块,用于根据所述待识别的面部图像,确定面部的器官之间的位置距离关系,所述面部的器官包括左眼、右眼、鼻子和嘴中的至少两项;
执行模块,用于根据所确定的面部的器官之间的位置距离关系,确定所述待识别的面部图像为无效图片;
所述处理模块,具体用于:
从所述待识别的面部图像中识别出各个面部器官;确定各个面部器官在所述图像中的位置;根据各个面部器官在所述图像中的位置,确定面部的器官之间的位置距离关系;
所述装置还包括识别模块,
所述识别模块用于,当根据所确定的面部的器官之间的位置距离关系,确定待识别的面部图像为有效图片时,根据预先训练的面部图像识别模型对所述待识别的面部图像进行识别,所述面部图像识别模型是基于深度卷积神经网络训练的,所述面部图像识别模型包括各神经元的权重值和偏置值;
其中,所述执行模块,具体用于:
根据所确定的面部的器官之间的位置距离关系以及预先训练的面部器官模型确定交叉熵;若交叉熵大于等于预设阈值,则确定待识别的面部图像为无效图片;
或者,若所确定的面部的器官之间的位置距离关系不满足预设的位置距离关系,则确定待识别的面部图像为无效图片;所述待识别的面部图像所属的用户为目标用户;所述预设的位置距离关系为所述目标用户的面部器官之间的位置距离关系。
6.一种电子设备,其特征在于,包括:至少一个处理器和存储器;
所述存储器存储计算机执行指令;
所述至少一个处理器执行所述存储器存储的计算机执行指令,使得所述至少一个处理器执行如权利要求1-4任一项所述的面部图像识别方法。
7.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有计算机执行指令,所述计算机执行指令被处理器执行时用于实现如权利要求1-4任一项所述的面部图像识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910208432.4A CN109977835B (zh) | 2019-03-19 | 2019-03-19 | 面部图像识别方法、装置和设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910208432.4A CN109977835B (zh) | 2019-03-19 | 2019-03-19 | 面部图像识别方法、装置和设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109977835A CN109977835A (zh) | 2019-07-05 |
CN109977835B true CN109977835B (zh) | 2022-01-25 |
Family
ID=67079531
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910208432.4A Active CN109977835B (zh) | 2019-03-19 | 2019-03-19 | 面部图像识别方法、装置和设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109977835B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102194131A (zh) * | 2011-06-01 | 2011-09-21 | 华南理工大学 | 基于五官几何比例特征的快速人脸识别方法 |
CN104978550A (zh) * | 2014-04-08 | 2015-10-14 | 上海骏聿数码科技有限公司 | 基于大规模人脸数据库的人脸识别方法及系统 |
CN105654451A (zh) * | 2014-11-10 | 2016-06-08 | 中兴通讯股份有限公司 | 一种图像的处理方法和装置 |
CN107729796A (zh) * | 2016-08-11 | 2018-02-23 | 中国移动通信集团湖南有限公司 | 一种人脸图片检测方法及装置 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102324025B (zh) * | 2011-09-06 | 2013-03-20 | 北京航空航天大学 | 基于高斯肤色模型和特征分析的人脸检测与跟踪方法 |
US9740917B2 (en) * | 2012-09-07 | 2017-08-22 | Stone Lock Global, Inc. | Biometric identification systems and methods |
-
2019
- 2019-03-19 CN CN201910208432.4A patent/CN109977835B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102194131A (zh) * | 2011-06-01 | 2011-09-21 | 华南理工大学 | 基于五官几何比例特征的快速人脸识别方法 |
CN104978550A (zh) * | 2014-04-08 | 2015-10-14 | 上海骏聿数码科技有限公司 | 基于大规模人脸数据库的人脸识别方法及系统 |
CN105654451A (zh) * | 2014-11-10 | 2016-06-08 | 中兴通讯股份有限公司 | 一种图像的处理方法和装置 |
CN107729796A (zh) * | 2016-08-11 | 2018-02-23 | 中国移动通信集团湖南有限公司 | 一种人脸图片检测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN109977835A (zh) | 2019-07-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107886032B (zh) | 终端设备、智能手机、基于脸部识别的认证方法和系统 | |
CN109858371B (zh) | 人脸识别的方法及装置 | |
WO2019120115A1 (zh) | 人脸识别的方法、装置及计算机装置 | |
WO2019011165A1 (zh) | 人脸识别方法、装置、电子设备及存储介质 | |
CN108512670B (zh) | 一种群组创建的方法及其终端 | |
CN108108711B (zh) | 人脸布控方法、电子设备及存储介质 | |
WO2021232985A1 (zh) | 人脸识别方法、装置、计算机设备及存储介质 | |
CN107527046B (zh) | 解锁控制方法及相关产品 | |
CN109299658B (zh) | 脸部检测方法、脸部图像渲染方法、装置及存储介质 | |
CN109872407B (zh) | 一种人脸识别方法、装置、设备及打卡方法、装置和系统 | |
CN105654033A (zh) | 人脸图像验证方法和装置 | |
CN107622243B (zh) | 解锁控制方法及相关产品 | |
CN111104833A (zh) | 用于活体检验的方法和装置,存储介质和电子设备 | |
CN108229375B (zh) | 用于检测人脸图像的方法和装置 | |
JP2022552754A (ja) | 画像検出方法及び関連装置、機器、記憶媒体、並びにコンピュータプログラム | |
CN111597910A (zh) | 一种人脸识别方法、装置、终端设备及介质 | |
CN110489659A (zh) | 数据匹配方法和装置 | |
CN113515988A (zh) | 掌纹识别方法、特征提取模型训练方法、设备及介质 | |
CN110728242A (zh) | 基于人像识别的图像匹配方法、装置、存储介质及应用 | |
CN110287767A (zh) | 可防攻击的活体检测方法、装置、计算机设备及存储介质 | |
CN109977835B (zh) | 面部图像识别方法、装置和设备 | |
CN109992681B (zh) | 数据融合方法及相关产品 | |
CN113723310B (zh) | 基于神经网络的图像识别方法及相关装置 | |
CN110175522A (zh) | 考勤方法、系统及相关产品 | |
CN112418189B (zh) | 戴口罩人脸识别方法、装置、设备以及存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |