CN106407912A - 一种人脸验证的方法及装置 - Google Patents

一种人脸验证的方法及装置 Download PDF

Info

Publication number
CN106407912A
CN106407912A CN201610796542.3A CN201610796542A CN106407912A CN 106407912 A CN106407912 A CN 106407912A CN 201610796542 A CN201610796542 A CN 201610796542A CN 106407912 A CN106407912 A CN 106407912A
Authority
CN
China
Prior art keywords
glasses
daily
face
certificate
photo
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.)
Granted
Application number
CN201610796542.3A
Other languages
English (en)
Other versions
CN106407912B (zh
Inventor
梁亦聪
李季檩
汪铖杰
丁守鸿
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.)
Tencent Technology Shenzhen Co Ltd
Tencent Cloud Computing Beijing Co Ltd
Original Assignee
Tencent Technology Shenzhen 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 Tencent Technology Shenzhen Co Ltd filed Critical Tencent Technology Shenzhen Co Ltd
Priority to CN201610796542.3A priority Critical patent/CN106407912B/zh
Publication of CN106407912A publication Critical patent/CN106407912A/zh
Priority to PCT/CN2017/100070 priority patent/WO2018041237A1/zh
Priority to US16/208,183 priority patent/US10922529B2/en
Application granted granted Critical
Publication of CN106407912B publication Critical patent/CN106407912B/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
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/30—Authentication, i.e. establishing the identity or authorisation of security principals
    • G06F21/31—User authentication
    • G06F21/32—User authentication using biometric data, e.g. fingerprints, iris scans or voiceprints
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/77—Retouching; Inpainting; Scratch removal
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
    • G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
    • G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
    • G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • 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
    • G06V40/162—Detection; Localisation; Normalisation using pixel segmentation or colour matching
    • 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
    • G06V40/168—Feature extraction; Face representation
    • G06V40/171—Local features and components; Facial parts ; Occluding parts, e.g. glasses; Geometrical 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Multimedia (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Human Computer Interaction (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Computer Security & Cryptography (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Computer Hardware Design (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Geometry (AREA)
  • Collating Specific Patterns (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种人脸验证的方法，包括：获取指定对象的证件照片和所述指定对象的日常照片；使用眼镜分割模型对所述指定对象的日常照片进行眼镜区域识别，以得到眼镜区域的识别结果，所述眼镜分割模型用于识别被眼镜遮挡的区域；若所述识别结果指示所述眼镜区域的面积大于第一阈值，则用验证模型从所述指定对象的日常照片中提取出日常人脸特征，从所述指定对象的证件照片中提取出证件人脸特征；若所述日常人脸特征与所述证件人脸特征的匹配度大于第二阈值，则所述指定对象通过验证。本发明实施例提供的种人脸验证的方法，实现了有效的对比证件照和戴眼镜的照片，提高了人脸验证的便利度。

Description

一种人脸验证的方法及装置
技术领域
本发明涉及机器识别技术领域，具体涉及一种人脸验证的方法及装置。
背景技术
人脸验证算法可全自动对两张人脸照片进行验证，判别是否为同一人。这种方式可用于互联网金融等多个场景下的用户人脸身份核实。身份核实的过程多是将用户的证件照和用户在现场通过摄像头拍摄的照片进行比对，通过这两张照片的特征比对确认是否为同一个人。
近年来近视人群逐年增加，此外随着眼镜的饰物属性的不断增强，戴眼镜的用户越来越多。但证件照拍摄过程中需要摘除眼镜，因此，准确判别戴眼镜的照片与不戴眼镜的证件照是否为同一人，具有越来越重大的意义。
发明内容
为了解决现有技术中无法有效比对证件照与戴眼镜的照片的问题，本发明实施例提供一种人脸验证的方法，可以有效的对比证件照和戴眼镜的照片，提高了人脸验证的便利度。本发明实施例还提供了相应的装置。
本发明第一方面提供一种人脸验证的方法，包括：
获取指定对象的证件照片和所述指定对象的日常照片；
使用眼镜分割模型对所述指定对象的日常照片进行眼镜区域识别，以得到眼镜区域的识别结果，所述眼镜分割模型用于识别被眼镜遮挡的区域；
若所述识别结果指示所述眼镜区域的面积大于第一阈值，则用验证模型从所述指定对象的日常照片中提取出日常人脸特征，从所述指定对象的证件照片中提取出证件人脸特征；
若所述日常人脸特征与所述证件人脸特征的匹配度大于第二阈值，则所述指定对象通过验证。
本发明第二方面提供一种人脸验证的装置，包括：
获取单元，用于获取指定对象的证件照片和所述指定对象的日常照片；
识别单元，用于使用眼镜分割模型对所述获取单元获取的所述指定对象的日常照片进行眼镜区域识别，以得到眼镜区域的识别结果，所述眼镜分割模型用于识别被眼镜遮挡的区域；
特征提取单元，用于若所述识别单元得到的识别结果指示所述眼镜区域的面积大于第一阈值，则用验证模型从所述指定对象的日常照片中提取出日常人脸特征，从所述指定对象的证件照片中提取出证件人脸特征；
验证单元，用于若所述特征提取单元提取的日常人脸特征与所述证件人脸特征的匹配度大于第二阈值，则所述指定对象通过验证。
与现有技术中无法有效比对证件照与戴眼镜的照片的问题，本发明实施例提供一种人脸验证的方法，通过相应的验证模型可以从戴眼镜的人脸照片中提取出相应的人脸特征，与证件照中的人脸特征进行比对，从而实现了有效的对比证件照和戴眼镜的照片，提高了人脸验证的便利度。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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发明的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例中人脸验证系统的一实施例示意图；
图2是本发明实施例中人脸验证的方法的一实施例示意图；
图3是本发明实施例中眼镜分割模型的生成过程示意图；
图4是本发明实施例中证件-人脸验证模型的生成过程示意图；
图5是本发明实施例中证件-眼镜人脸验证模型的生成过程的一示意图；
图6是本发明实施例中证件-眼镜人脸验证模型的生成过程的另一示意图；
图7是本发明实施例中人脸验证过程的一实施例示意图；
图8是本发明实施例中人脸验证的装置的一实施例示意图；
图9是本发明实施例中服务器的一实施例示意图。
具体实施方式
本发明实施例提供一种人脸验证的方法，可以有效的对比证件照和戴眼镜的照片，提高了人脸验证的便利度。本发明实施例还提供了相应的装置。以下分别进行详细说明。
下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域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，都属于本发明保护的范围。
本发明实施例中的证件照片可以是身份证照片、社保卡照片、护照照片，以及通行证照片等。
指定对象可以是各种业务场景中办理相应业务的人，也就是出示证件的本人。
在现实生活中例如办理金融业务、机场安检以及海关通关等很多场景都需要核对证件上的照片与本人是否是同一个人，现实生活中都是通过工作人员的人眼进行核对，导致人力消耗非常大，而且证件上的照片都是不戴眼镜的，而实际生活中，很多人都是近视眼，也有很多人喜欢将眼镜作为饰物佩戴，导致各场景的工作人员很难快速验证出证件上的照片与本人是否是同一人。因此，若能通过机器对证件照片和出示证件照片的本人进行验证，将具有重大的意义。
因此，本发明实施例提供一种人脸验证系统，如图1所示，该人脸验证系统包括第一图像采集器10、第二图像采集器20、服务器30和网络40，第一图像采集器10和第二图像采集器20都可以是摄像头，第一图像采集器10用于采集出示证件的本人的人脸图像，也就是拍摄一张本人的当前照片，第二图像采集器20用于采集证件50上的证件照片，然后第一图像采集器10和第二图像采集器20通过网络40将该人的当前照片和证件照片传送给服务器30，服务器30对该人的当前照片和证件照片进行验证。服务器30会将该人的当前照片作为指定对象的日常照片，会将该人的证件照片作为指定对象的证件照片进行验证。当然，也可以由第一图像采集器10采集证件上的证件照片，第二图像采集器20拍摄一张本人的当前照片。本发明实施例中对第一图像采集器10和第二图像采集器20的具体使用不做限定。
服务器30对指定对象的证件照片和所述指定对象的日常照片的人脸验证过程可以参阅图2进行理解，如图2所示，本发明实施例所提供的人脸验证的方法的一实施例包括：
101、获取指定对象的证件照片和所述指定对象的日常照片。
102、使用眼镜分割模型对所述指定对象的日常照片进行眼镜区域识别，以得到眼镜区域的识别结果，所述眼镜分割模型用于识别被眼镜遮挡的区域。
对于服务器来说，需要通过区域识别来确定该指定对象的日常照片中的人物是否戴眼镜，因为眼镜的镜框、镜架、鼻托等不透明部分的人脸都是被遮挡的，镜片所造成的强反射光也可能造成人脸上有部分被遮挡的区域，所以服务器可以通过对这些可能会被眼镜遮挡的区域进行识别来判定该日常照片中的人物是否有戴眼镜。
考虑到不戴眼镜时人脸的眼睛周围也可能因为其他情况有被遮挡的情况，但通常不戴眼镜被遮挡的面积不会很大，所以可以预先设定第一阈值，被遮挡面积小于第一阈值的可以认为日常照片中的人物没有戴眼镜，如果被遮挡面积大于第一阈值则可以认为日常照片中的人物有戴眼镜。
在眼镜区域识别过程中需要使用眼镜分割模型，眼镜分割模型是通过对多张带标注的眼镜人脸日常照片进行卷积神经网络(Convolutional Neural Network，CNN)训练得到的，所述带标注的眼镜人脸日常照片中已经标注出被眼镜所遮挡的区域。
103、若所述识别结果指示所述眼镜区域的面积大于第一阈值，则用验证模型从所述指定对象的日常照片中提取出日常人脸特征，从所述指定对象的证件照片中提取出证件人脸特征。
若所述识别结果指示所述眼镜区域的面积大于第一阈值，则说明日常照片中的人物是戴眼镜的。
本发明实施例中的验证模型包括证件-人脸验证模型和证件-眼镜人脸验证模型。
因为已经确定日常照片中的人物是戴眼镜的，所以需要使用证件-眼镜人脸验证模型从所述指定对象的日常照片中提取出日常人脸特征。证件-人脸验证模型和证件-眼镜人脸验证模型都可以提取出证件人脸特征，所以使用证件-人脸验证模型和证件-眼镜人脸验证模型均可。
所述证件-人脸验证模型是通过对多张不戴眼镜的日常人脸照片和同一对象集合中人物对象的证件照片进行CNN网络训练得到的，所述同一对象集合为与所述不戴眼镜的日常人脸照片对应的人物对象的集合。
所述证件-眼镜人脸验证模型是使用眼镜区域遮挡照片集和无眼镜日常人脸特征集，对所述证件-人脸验证模型进行特征回归CNN网络调整得到的，所述眼镜区域遮挡照片集是使用无眼镜日常照片集和有眼镜日常照片集进行比对，在所述无眼镜日常照片集的每张照片中确定出对应眼镜的遮挡区域，并对所述遮挡区域进行遮挡得到的，所述无眼镜日常人脸特征集是使用所述证件-人脸验证模型对所述无眼镜日常照片集中的每张照片进行特征提取得到的。
104、若所述日常人脸特征与所述证件人脸特征的匹配度大于第二阈值，则所述指定对象通过验证。
匹配度指的是该指定对象的日常人脸特征与证件人脸特征相似的程度，相似的程度，也可以成为相似度，相似度可以使用欧式距离、cos距离、或者使用联合贝叶斯方法或度量学习方法进行计算。
与现有技术中无法有效比对证件照与戴眼镜的照片的问题，本发明实施例提供的人脸验证的方法，通过相应的验证模型可以从戴眼镜的人脸照片中提取出相应的人脸特征，与证件照中的人脸特征进行比对，从而实现了有效的对比证件照和戴眼镜的照片，提高了人脸验证的便利度。
上述实施例中提及了眼镜分割模型、证件-人脸验证模型和证件-眼镜人脸验证模型，下面结合附图介绍眼镜分割模型、证件-人脸验证模型和证件-眼镜人脸验证模型的训练过程。
如图3所示，图3为本发明实施例中眼镜分割模型的生成过程示意图。
201、搜集多张不同人物戴眼镜的人脸日常照片，构建“眼镜人脸照数据集1”。
202、对“眼镜人脸照数据集1”中的每一张人脸照片，人工标注出被眼镜遮挡的区域。
被遮挡的区域可以包括镜框、镜架、鼻托等不透明部分的人脸区域，镜片所造成的强反射光造成的被遮挡的人脸区域。
203、通过步骤202的标注，得到带标注的眼镜人脸数据集。
204、利用“带标注的眼镜人脸数据集”进行眼镜分割CNN网络训练。
眼镜分割CNN网络训练过程包括卷积层(convolution)、归一化层(batch_normalization)、反卷积层(deconvolution)等，训练优化目标为分割结果与标注结果相比的错误像素数尽可能小。具体的卷积层、归一化层、反卷积层的定义及CNN网络的训练方式参见深度神经网络训练框架。
205、通过步骤204的训练，获得眼镜分割模型。
本发明实施例所提供的眼镜分割模型为戴眼镜的人脸日常照片的识别提供了可能，从而实现了有效的对比证件照和戴眼镜的照片，提高了人脸验证的便利度。
下面结合图4介绍本发明实施例中的证件-人脸验证模型，如图4所示，证件-人脸验证模型的生成过程可以包括：
301、搜集多张不戴眼镜的日常人脸照片，构建“人脸照数据集2”。
302、搜集“人脸照数据集2”中人脸照中人物的证件人脸照，构建“证件照数据集1”。
303、利用“证件照数据集1”和“人脸照数据集2”进行人脸验证CNN网络训练。
304、通过步骤303的网络训练，获得证件-人脸验证模型。
本发明实施例所提供的证件-人脸验证模型可以识别证件照和不戴眼镜的日常人脸照片，通过该证件-人脸验证模型可以快速识别不戴眼镜的人脸照片，从而提高了照片识别的速度。
下面结合图5介绍本发明实施例中证件-眼镜人脸验证模型，如图5所示，证件-眼镜人脸验证模型的生成过程可以包括：
401、搜集多个人物的多张不戴眼镜的自拍人脸照，构建“无眼镜日常照片集3”。
402、使用证件-人脸验证模型对“无眼镜日常照片集3”中的每一张照片提取人脸特征，获得“无眼镜日常人脸特征集3”。
403、对“无眼镜日常照片集3”中的每一张人脸照进行遮挡，得到眼镜区域遮挡照片集。
对“无眼镜日常照片集3”中的每一张人脸照A，找出“眼镜人脸照数据集1”中一张双眼位置与其相近的人脸照片B，将A中与B中人工标注出被眼镜遮挡的区域所对应的区域记为C，将A中C所在位置处的像素置为灰度值128的纯灰度像素。
对“无眼镜日常照片集3”中所有照片进行如上“遮挡合成”操作，得到眼镜区域遮挡照片集。
404、利用“眼镜区域遮挡照片集”和“无眼镜日常人脸特征集3”对证件-人脸验证模型进行“特征回归CNN网络调整”，获得证件-眼镜人脸验证模型。
特征回归CNN网络调整的过程就是使用证件-人脸验证模型从“眼镜区域遮挡照片集”的人脸照片中提取第一人脸特征，使用证件-人脸验证模型从“无眼镜日常人脸特征集3”的人脸照片中提取第二人脸特征，确定第一人脸特征和第二人脸特征的欧式距离，根据该欧式距离调整证件-人脸验证模型，调整的过程可以是通过卷积层、归一化层、反卷积层和深度神经网络等方式对证件-人脸验证模型做微调，调整的目标就是使通过证件-人脸验证模型所提取出的第一人脸特征和第二人脸特征的欧式距离尽可能小，该调整过程可以是反复多次的调整，达到第一人脸特征和第二人脸特征的欧式距离最小的证件-人脸验证模型就是要得到的证件-眼镜人脸验证模型。
本发明实施例所提供的证件-眼镜人脸验证模型可以识别戴眼镜的人脸照片，提高了人脸验证的便利度。
为了更直观的了解本发明实施例中证件-眼镜人脸验证模型的生成过程，下面结合图6再做简单描述：
如图6所示，通过图5中步骤401的搜集，构建“无眼镜日常照片集3”6A，然后使用“证件-人脸验证模型”6B对“无眼镜日常照片集3”6A，进行特征提取，得到“无眼镜日常人脸特征集3”6C。对“无眼镜日常照片集3”6A中的每一张人脸照A，找出“眼镜人脸照数据集1”6D中一张双眼位置与其相近的人脸照片B，将A中与B中人工标注出被眼镜遮挡的区域所对应的区域记为C，将A中C所在位置处的像素置为灰度值128的纯灰度像素。对“无眼镜日常照片集3”6A中所有照片进行如上“遮挡合成”操作，得到眼镜区域遮挡照片集6E。利用“眼镜区域遮挡照片集”6E和“无眼镜日常人脸特征集3”6C对证件-人脸验证模型进行“特征回归CNN网络调整”，获得“证件-眼镜人脸验证模型”6F。
以上是对几个模型生成过程的描述，生成以上几个模型后，就可以使用这几个模型进行人脸验证。
人脸验证的过程可以参阅图7进行理解，如图7所示，本发明实施例提供的证件—人脸的验证过程可以包括：
411、获取指定对象的日常照片。
412、使用眼镜分割模型对所述指定对象的日常照片进行眼镜区域识别。
413、确定眼镜所遮挡面积是否大于阈值，若否执行414，若是执行415。
414、当眼镜所遮挡面积不大于阈值时，说明该照片中的指定对象未戴眼镜，使用证件-人脸验证模型对该日常照片进行验证。
415、当眼镜所遮挡面积大于阈值时，说明该照片中的指定对象戴了眼镜，对该日常照片中的眼镜区域进行遮挡，并设置遮挡标识。
416、通过步骤415的遮挡，得到眼镜人脸遮挡照。
417、通过证件-眼镜人脸验证模型对该眼镜人脸遮挡照进行特征提取。
418、通过步骤417的特征提取得到眼镜人脸遮挡特征。
对指定对象的日常照片进行上述411至418的处理后，再对该指定对象的证件照片进行处理。
421、获取该指定对象的证件照片。
422、通过证件-人脸验证模型对该指定对象的证件照片进行特征提取。
423、通过步骤422的特征提取，得到证件人脸特征。
通过步骤421至423得到证件人脸特征后，对眼镜人脸遮挡特征和证件人脸特征进行验证，验证步骤可以是：
431、对眼镜人脸遮挡特征和证件人脸特征进行特征距离计算。
432、通过步骤431的特征距离计算，得到验证结果。
验证结果可以是当人脸遮挡特征和证件人脸特征进行特征距离小于预设值时，认为两者匹配，通过验证，如果人脸遮挡特征和证件人脸特征进行特征距离大于预设值，则认为两者不匹配，不能通过验证。
可选地，所述用验证模型从所述指定对象的日常照片中提取出日常人脸特征，从所述指定对象的证件照片中提取出证件人脸特征，可以包括：
用证件-眼镜人脸验证模型从所述日常照片中提取出戴眼镜的日常人脸特征，所述证件-眼镜人脸验证模型用于从戴眼镜的人脸照片中提取出人脸特征；
用证件-人脸验证模型从所述指定对象的证件照片中提取出所述证件人脸特征，所述证件-人脸验证模型用于从不戴眼镜的人脸照片中提取出人脸特征。
本发明实施例中，因为证件照片中的人物没有戴眼镜，所以可以使用证件-人脸验证模型进行特征提取，因为日常照片中的人物戴了眼镜，所以只有使用证件-眼镜人脸验证模型进行特征提取才能准确的提取出戴眼镜照片中的人脸特征。特征提取的过程基本都是相同的，只是所使用的模型不同，保证了戴眼镜照片中特征提取的准确性。
可选地，所述用证件-眼镜人脸验证模型从所述日常照片中提取出戴眼镜的日常人脸特征，可以包括：
修改所述识别结果所指示的眼镜区域的像素值，得到所述眼镜区域遮挡的日常照片；
用证件-眼镜人脸验证模型，从所述眼镜区域遮挡的日常照片中提取出戴眼镜的日常人脸特征。
本发明实施例中，修改所述识别结果所指示的眼镜区域的像素值可以是将眼镜区域的像素值设置为灰度值128。
下面结合附图介绍本发明实施例中人脸验证的装置50，本发明实施例中的人脸验证的装置50可以是图1中所示的服务器，也可以是服务器中的功能模块。
如图8所示，本发明实施例提供的人脸验证的装置50的一实施例包括：
获取单元501，用于获取指定对象的证件照片和所述指定对象的日常照片；
识别单元502，用于使用眼镜分割模型对所述获取单元501获取的所述指定对象的日常照片进行眼镜区域识别，以得到眼镜区域的识别结果，所述眼镜分割模型用于识别被眼镜遮挡的区域；
特征提取单元503，用于若所述识别单元502得到的识别结果指示所述眼镜区域的面积大于第一阈值，则用验证模型从所述指定对象的日常照片中提取出日常人脸特征，从所述指定对象的证件照片中提取出证件人脸特征；
验证单元504，用于若所述特征提取单元503提取的日常人脸特征与所述证件人脸特征的匹配度大于第二阈值，则所述指定对象通过验证。
本发明实施例中，获取单元501获取指定对象的证件照片和所述指定对象的日常照片；识别单元502使用眼镜分割模型对所述获取单元501获取的所述指定对象的日常照片进行眼镜区域识别，以得到眼镜区域的识别结果，所述眼镜分割模型用于识别被眼镜遮挡的区域；特征提取单元503若所述识别单元502得到的识别结果指示所述眼镜区域的面积大于第一阈值，则用验证模型从所述指定对象的日常照片中提取出日常人脸特征，从所述指定对象的证件照片中提取出证件人脸特征；验证单元504若所述特征提取单元503提取的日常人脸特征与所述证件人脸特征的匹配度大于第二阈值，则所述指定对象通过验证。与现有技术中无法有效比对证件照与戴眼镜的照片的问题，本发明实施例提供的人脸验证的装置，通过相应的验证模型可以从戴眼镜的人脸照片中提取出相应的人脸特征，与证件照中的人脸特征进行比对，从而实现了有效的对比证件照和戴眼镜的照片，提高了人脸验证的便利度。
可选地，所述特征提取单元503用于：
用证件-眼镜人脸验证模型从所述日常照片中提取出戴眼镜的日常人脸特征，所述证件-眼镜人脸验证模型用于从戴眼镜的人脸照片中提取出人脸特征；
用证件-人脸验证模型从所述指定对象的证件照片中提取出所述证件人脸特征，所述证件-人脸验证模型用于从不戴眼镜的人脸照片中提取出人脸特征。
可选地，所述特征提取单元503用于：
修改所述识别结果所指示的眼镜区域的像素值，得到所述眼镜区域遮挡的日常照片；
用证件-眼镜人脸验证模型，从所述眼镜区域遮挡的日常照片中提取出戴眼镜的日常人脸特征。
可选地，所述眼镜分割模型是通过对多张带标注的眼镜人脸日常照片进行卷积神经网络CNN网络训练得到的，所述带标注的眼镜人脸日常照片中已经标注出眼镜所遮挡的区域。
可选地，所述证件-人脸验证模型是通过对多张不戴眼镜的日常人脸照片和同一对象集合中人物对象的证件照片进行CNN网络训练得到的，所述同一对象集合为与所述不戴眼镜的日常人脸照片对应的人物对象的集合。
可选地，所述证件-眼镜人脸验证模型是使用眼镜区域遮挡照片集和无眼镜日常人脸特征集，对所述证件-人脸验证模型进行特征回归CNN网络调整得到的，所述眼镜区域遮挡照片集是使用无眼镜日常照片集和有眼镜日常照片集进行比对，在所述无眼镜日常照片集的每张照片中确定出对应眼镜的遮挡区域，并对所述遮挡区域进行遮挡得到的，所述无眼镜日常人脸特征集是使用所述证件-人脸验证模型对所述无眼镜日常照片集中的每张照片进行特征提取得到的。
本发明实施例所提供的人脸验证的装置50可以参阅图1至图7部分的相应描述进行理解，本处不再重复赘述。
图9是本发明实施例提供的服务器60的结构示意图。所述服务器60应用于人脸验证系统，所述人脸验证系统包括图1所示的图像采集器以及所述服务器60，所述服务器60包括处理器610、存储器650和输入/输出设备630，存储器650可以包括只读存储器和随机存取存储器，并向处理器610提供操作指令和数据。存储器650的一部分还可以包括非易失性随机存取存储器(NVRAM)。
在一些实施方式中，存储器650存储了如下的元素，可执行模块或者数据结构，或者他们的子集，或者他们的扩展集:
在本发明实施例中，通过调用存储器650存储的操作指令(该操作指令可存储在操作系统中)，
获取指定对象的证件照片和所述指定对象的日常照片；
使用眼镜分割模型对所述指定对象的日常照片进行眼镜区域识别，以得到眼镜区域的识别结果，所述眼镜分割模型用于识别被眼镜遮挡的区域；
若所述识别结果指示所述眼镜区域的面积大于第一阈值，则用验证模型从所述指定对象的日常照片中提取出日常人脸特征，从所述指定对象的证件照片中提取出证件人脸特征；
若所述日常人脸特征与所述证件人脸特征的匹配度大于第二阈值，则所述指定对象通过验证。
与现有技术中无法有效比对证件照与戴眼镜的照片的问题，本发明实施例提供的服务器，通过相应的验证模型可以从戴眼镜的人脸照片中提取出相应的人脸特征，与证件照中的人脸特征进行比对，从而实现了有效的对比证件照和戴眼镜的照片，提高了人脸验证的便利度。
处理器610控制服务器60的操作，处理器610还可以称为CPU(Central ProcessingUnit，中央处理单元)。存储器650可以包括只读存储器和随机存取存储器，并向处理器610提供指令和数据。存储器650的一部分还可以包括非易失性随机存取存储器(NVRAM)。具体的应用中服务器60的各个组件通过总线系统620耦合在一起，其中总线系统620除包括数据总线之外，还可以包括电源总线、控制总线和状态信号总线等。但是为了清楚说明起见，在图中将各种总线都标为总线系统620。
上述本发明实施例揭示的方法可以应用于处理器610中，或者由处理器610实现。处理器610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610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610可以是通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(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。结合本发明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650，处理器610读取存储器650中的信息，结合其硬件完成上述方法的步骤。
可选地，处理器610用于：
用证件-眼镜人脸验证模型从所述日常照片中提取出戴眼镜的日常人脸特征，所述证件-眼镜人脸验证模型用于从戴眼镜的人脸照片中提取出人脸特征；
用证件-人脸验证模型从所述指定对象的证件照片中提取出所述证件人脸特征，所述证件-人脸验证模型用于从不戴眼镜的人脸照片中提取出人脸特征。
可选地，处理器610用于：
修改所述识别结果所指示的眼镜区域的像素值，得到所述眼镜区域遮挡的日常照片；
用证件-眼镜人脸验证模型，从所述眼镜区域遮挡的日常照片中提取出戴眼镜的日常人脸特征。
可选地，所述眼镜分割模型是通过对多张带标注的眼镜人脸日常照片进行卷积神经网络CNN网络训练得到的，所述带标注的眼镜人脸日常照片中已经标注出眼镜所遮挡的区域。
可选地，所述证件-人脸验证模型是通过对多张不戴眼镜的日常人脸照片和同一对象集合中人物对象的证件照片进行CNN网络训练得到的，所述同一对象集合为与所述不戴眼镜的日常人脸照片对应的人物对象的集合。
可选地，所述证件-眼镜人脸验证模型是使用眼镜区域遮挡照片集和无眼镜日常人脸特征集，对所述证件-人脸验证模型进行特征回归CNN网络调整得到的，所述眼镜区域遮挡照片集是使用无眼镜日常照片集和有眼镜日常照片集进行比对，在所述无眼镜日常照片集的每张照片中确定出对应眼镜的遮挡区域，并对所述遮挡区域进行遮挡得到的，所述无眼镜日常人脸特征集是使用所述证件-人脸验证模型对所述无眼镜日常照片集中的每张照片进行特征提取得到的。
以上图9所描述的服务器可以参阅图1至图8部分的相应描述进行理解，本处不再重复赘述。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：ROM、RAM、磁盘或光盘等。
以上对本发明实施例所提供的人脸验证的方法以及装置进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (12)

1.一种人脸验证的方法，其特征在于，包括：
获取指定对象的证件照片和所述指定对象的日常照片；
使用眼镜分割模型对所述指定对象的日常照片进行眼镜区域识别，以得到眼镜区域的识别结果，所述眼镜分割模型用于识别被眼镜遮挡的区域；
若所述识别结果指示所述眼镜区域的面积大于第一阈值，则用验证模型从所述指定对象的日常照片中提取出日常人脸特征，从所述指定对象的证件照片中提取出证件人脸特征；
若所述日常人脸特征与所述证件人脸特征的匹配度大于第二阈值，则所述指定对象通过验证。
2.根据权利要求1所述的方法，其特征在于，所述用验证模型从所述指定对象的日常照片中提取出日常人脸特征，从所述指定对象的证件照片中提取出证件人脸特征，包括：
用证件-眼镜人脸验证模型从所述日常照片中提取出戴眼镜的日常人脸特征，所述证件-眼镜人脸验证模型用于从戴眼镜的人脸照片中提取出人脸特征；
用证件-人脸验证模型从所述指定对象的证件照片中提取出所述证件人脸特征，所述证件-人脸验证模型用于从不戴眼镜的人脸照片中提取出人脸特征。
3.根据权利要求2所述的方法，其特征在于，所述用证件-眼镜人脸验证模型从所述日常照片中提取出戴眼镜的日常人脸特征，包括：
修改所述识别结果所指示的眼镜区域的像素值，得到所述眼镜区域遮挡的日常照片；
用证件-眼镜人脸验证模型，从所述眼镜区域遮挡的日常照片中提取出戴眼镜的日常人脸特征。
4.根据权利要求2或3所述的方法，其特征在于，所述眼镜分割模型是通过对多张带标注的眼镜人脸日常照片进行卷积神经网络CNN网络训练得到的，所述带标注的眼镜人脸日常照片中已经标注出眼镜所遮挡的区域。
5.根据权利要求4所述的方法，其特征在于，所述证件-人脸验证模型是通过对多张不戴眼镜的日常人脸照片和同一对象集合中人物对象的证件照片进行CNN网络训练得到的，所述同一对象集合为与所述不戴眼镜的日常人脸照片对应的人物对象的集合。
6.根据权利要求5所述的方法，其特征在于，所述证件-眼镜人脸验证模型是使用眼镜区域遮挡照片集和无眼镜日常人脸特征集，对所述证件-人脸验证模型进行特征回归CNN网络调整得到的，所述眼镜区域遮挡照片集是使用无眼镜日常照片集和有眼镜日常照片集进行比对，在所述无眼镜日常照片集的每张照片中确定出对应眼镜的遮挡区域，并对所述遮挡区域进行遮挡得到的，所述无眼镜日常人脸特征集是使用所述证件-人脸验证模型对所述无眼镜日常照片集中的每张照片进行特征提取得到的。
7.一种人脸验证的装置，其特征在于，包括：
获取单元，用于获取指定对象的证件照片和所述指定对象的日常照片；
识别单元，用于使用眼镜分割模型对所述获取单元获取的所述指定对象的日常照片进行眼镜区域识别，以得到眼镜区域的识别结果，所述眼镜分割模型用于识别被眼镜遮挡的区域；
特征提取单元，用于若所述识别单元得到的识别结果指示所述眼镜区域的面积大于第一阈值，则用验证模型从所述指定对象的日常照片中提取出日常人脸特征，从所述指定对象的证件照片中提取出证件人脸特征；
验证单元，用于若所述特征提取单元提取的日常人脸特征与所述证件人脸特征的匹配度大于第二阈值，则所述指定对象通过验证。
8.根据权利要求7所述的装置，其特征在于，
所述特征提取单元用于：
用证件-眼镜人脸验证模型从所述日常照片中提取出戴眼镜的日常人脸特征，所述证件-眼镜人脸验证模型用于从戴眼镜的人脸照片中提取出人脸特征；
用证件-人脸验证模型从所述指定对象的证件照片中提取出所述证件人脸特征，所述证件-人脸验证模型用于从不戴眼镜的人脸照片中提取出人脸特征。
9.根据权利要求8所述的装置，其特征在于，
所述特征提取单元用于：
修改所述识别结果所指示的眼镜区域的像素值，得到所述眼镜区域遮挡的日常照片；
用证件-眼镜人脸验证模型，从所述眼镜区域遮挡的日常照片中提取出戴眼镜的日常人脸特征。
10.根据权利要求8或9所述的装置，其特征在于，所述眼镜分割模型是通过对多张带标注的眼镜人脸日常照片进行卷积神经网络CNN网络训练得到的，所述带标注的眼镜人脸日常照片中已经标注出眼镜所遮挡的区域。
11.根据权利要求10所述的装置，其特征在于，所述证件-人脸验证模型是通过对多张不戴眼镜的日常人脸照片和同一对象集合中人物对象的证件照片进行CNN网络训练得到的，所述同一对象集合为与所述不戴眼镜的日常人脸照片对应的人物对象的集合。
12.根据权利要求11所述的装置，其特征在于，所述证件-眼镜人脸验证模型是使用眼镜区域遮挡照片集和无眼镜日常人脸特征集，对所述证件-人脸验证模型进行特征回归CNN网络调整得到的，所述眼镜区域遮挡照片集是使用无眼镜日常照片集和有眼镜日常照片集进行比对，在所述无眼镜日常照片集的每张照片中确定出对应眼镜的遮挡区域，并对所述遮挡区域进行遮挡得到的，所述无眼镜日常人脸特征集是使用所述证件-人脸验证模型对所述无眼镜日常照片集中的每张照片进行特征提取得到的。
CN201610796542.3A 2016-08-31 2016-08-31 一种人脸验证的方法及装置 Active CN106407912B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN201610796542.3A CN106407912B (zh) 2016-08-31 2016-08-31 一种人脸验证的方法及装置
PCT/CN2017/100070 WO2018041237A1 (zh) 2016-08-31 2017-08-31 人脸验证的方法、装置以及存储介质
US16/208,183 US10922529B2 (en) 2016-08-31 2018-12-03 Human face authentication method and apparatus, and storage medium

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610796542.3A CN106407912B (zh) 2016-08-31 2016-08-31 一种人脸验证的方法及装置

Publications (2)

Publication Number Publication Date
CN106407912A true CN106407912A (zh) 2017-02-15
CN106407912B CN106407912B (zh) 2019-04-02

Family

ID=58001925

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610796542.3A Active CN106407912B (zh) 2016-08-31 2016-08-31 一种人脸验证的方法及装置

Country Status (3)

Country Link
US (1) US10922529B2 (zh)
CN (1) CN106407912B (zh)
WO (1) WO2018041237A1 (zh)

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107276974A (zh) * 2017-03-10 2017-10-20 阿里巴巴集团控股有限公司 一种信息处理方法及装置
CN107729822A (zh) * 2017-09-27 2018-02-23 北京小米移动软件有限公司 对象识别方法及装置
WO2018041237A1 (zh) * 2016-08-31 2018-03-08 腾讯科技（深圳）有限公司 人脸验证的方法、装置以及存储介质
CN107862270A (zh) * 2017-10-31 2018-03-30 深圳云天励飞技术有限公司 人脸分类器训练方法、人脸检测方法及装置、电子设备
CN108446737A (zh) * 2018-03-21 2018-08-24 百度在线网络技术（北京）有限公司 用于识别对象的方法和装置
CN109784255A (zh) * 2019-01-07 2019-05-21 深圳市商汤科技有限公司 神经网络训练方法及装置以及识别方法及装置
CN109934062A (zh) * 2017-12-18 2019-06-25 比亚迪股份有限公司 眼镜摘除模型的训练方法、人脸识别方法、装置和设备
CN110135583A (zh) * 2019-05-23 2019-08-16 北京地平线机器人技术研发有限公司 标注信息的生成方法、标注信息的生成装置和电子设备
CN110569826A (zh) * 2019-09-18 2019-12-13 深圳市捷顺科技实业股份有限公司 一种人脸识别方法、装置、设备及介质
CN111079480A (zh) * 2018-10-19 2020-04-28 北京金山云网络技术有限公司 身份证信息的识别方法、装置及终端设备
CN111353943A (zh) * 2018-12-20 2020-06-30 杭州海康威视数字技术股份有限公司 一种人脸图像恢复方法、装置及可读存储介质

Families Citing this family (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109753850B (zh) * 2017-11-03 2022-10-25 富士通株式会社 面部识别模型的训练方法和训练设备
TWI684918B (zh) * 2018-06-08 2020-02-11 和碩聯合科技股份有限公司 臉部辨識系統以及加強臉部辨識方法
SE1851630A1 (en) * 2018-12-20 2020-06-21 Precise Biometrics Ab Methods for biometrics verification using a mobile device
CN112733570B (zh) * 2019-10-14 2024-04-30 北京眼神智能科技有限公司 眼镜检测的方法、装置、电子设备及存储介质
CN113052851A (zh) * 2019-12-27 2021-06-29 上海昕健医疗技术有限公司 基于深度学习的医学图像处理方法、系统以及计算机设备
US11748057B2 (en) 2020-02-26 2023-09-05 Samsung Electronics Co., Ltd. System and method for personalization in intelligent multi-modal personal assistants
CN111598046A (zh) * 2020-05-27 2020-08-28 北京嘉楠捷思信息技术有限公司 人脸遮挡检测方法及人脸遮挡检测装置
CN111814603B (zh) * 2020-06-23 2023-09-05 汇纳科技股份有限公司 一种人脸识别方法、介质及电子设备
US11676390B2 (en) * 2020-10-23 2023-06-13 Huawei Technologies Co., Ltd. Machine-learning model, methods and systems for removal of unwanted people from photographs
CN112395580A (zh) * 2020-11-19 2021-02-23 联通智网科技有限公司 一种认证方法、装置、系统、存储介质和计算机设备
CN112488647A (zh) * 2020-11-25 2021-03-12 京东方科技集团股份有限公司 考勤系统及方法、存储介质及电子设备
CN112991154B (zh) * 2021-03-17 2023-10-17 福建库克智能科技有限公司 混合物的制作方法、混合物及人脸面具的图片的生成方法
CN113221086B (zh) * 2021-05-21 2023-04-07 深圳和锐网络科技有限公司 离线人脸认证方法、装置、电子设备及存储介质
US20230103129A1 (en) * 2021-09-27 2023-03-30 ResMed Pty Ltd Machine learning to determine facial measurements via captured images
CN115761866A (zh) * 2022-09-23 2023-03-07 深圳市欧瑞博科技股份有限公司 用户智能识别方法、电子设备及存储介质

Citations (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070177793A1 (en) * 2006-01-31 2007-08-02 Fuji Photo Film Co., Ltd. Method and apparatus for automatic eyeglasses detection and removal
KR20090093223A (ko) * 2008-02-29 2009-09-02 홍익대학교 산학협력단 얼굴 인식 시스템의 성능 향상을 위한 동적 마스크와 인페인팅을 이용한 안경제거
CN102034079A (zh) * 2009-09-24 2011-04-27 汉王科技股份有限公司 眼镜遮挡下的人脸识别方法和系统
KR101373274B1 (ko) * 2012-11-08 2014-03-11 주식회사 크라스아이디 안경 제거를 통한 얼굴 인식 방법 및 상기 안경 제거를 통한 얼굴 인식 방법을 이용한 얼굴 인식 장치
CN104112114A (zh) * 2013-10-30 2014-10-22 北京安捷天盾科技发展有限公司 身份验证方法和装置
CN104408426A (zh) * 2014-11-27 2015-03-11 小米科技有限责任公司 人脸图像眼镜去除方法及装置
CN104463128A (zh) * 2014-12-17 2015-03-25 智慧眼（湖南）科技发展有限公司 用于人脸识别的眼镜检测方法及系统
CN104463172A (zh) * 2014-12-09 2015-03-25 中国科学院重庆绿色智能技术研究院 基于人脸特征点形状驱动深度模型的人脸特征提取方法
CN104751108A (zh) * 2013-12-31 2015-07-01 汉王科技股份有限公司 人脸图像识别装置和人脸图像识别方法
CN104751143A (zh) * 2015-04-02 2015-07-01 北京中盾安全技术开发公司 一种基于深度学习的人证核验系统及方法
CN105046250A (zh) * 2015-09-06 2015-11-11 广州广电运通金融电子股份有限公司 人脸识别的眼镜消除方法
CN105095856A (zh) * 2015-06-26 2015-11-25 上海交通大学 基于掩膜的有遮挡人脸识别方法
CN105117692A (zh) * 2015-08-05 2015-12-02 福州瑞芯微电子股份有限公司 一种基于深度学习的实时人脸识别方法及系统
CN105139000A (zh) * 2015-09-16 2015-12-09 浙江宇视科技有限公司 一种去除眼镜痕迹的人脸识别方法及装置
CN105184253A (zh) * 2015-09-01 2015-12-23 北京旷视科技有限公司 一种人脸识别方法和人脸识别系统
CN105631403A (zh) * 2015-12-17 2016-06-01 小米科技有限责任公司 人脸识别方法及装置
CN105844206A (zh) * 2015-01-15 2016-08-10 北京市商汤科技开发有限公司 身份认证方法及设备
CN105868689A (zh) * 2016-02-16 2016-08-17 杭州景联文科技有限公司 一种基于级联卷积神经网络的人脸遮挡检测方法

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2004040502A1 (en) * 2002-10-31 2004-05-13 Korea Institute Of Science And Technology Image processing method for removing glasses from color facial images
US7596247B2 (en) * 2003-11-14 2009-09-29 Fujifilm Corporation Method and apparatus for object recognition using probability models
US8515127B2 (en) * 2010-07-28 2013-08-20 International Business Machines Corporation Multispectral detection of personal attributes for video surveillance
CN103914686B (zh) * 2014-03-11 2018-01-19 深圳辰通智能股份有限公司 一种基于证件照与采集照的人脸比对认证方法及系统
CN104156700A (zh) * 2014-07-26 2014-11-19 佳都新太科技股份有限公司 基于活动形状模型和加权插值法的人脸图像眼镜去除方法
KR101956071B1 (ko) * 2015-01-13 2019-03-08 삼성전자주식회사 사용자 인증 방법 및 장치
CN106407912B (zh) * 2016-08-31 2019-04-02 腾讯科技（深圳）有限公司 一种人脸验证的方法及装置
US9990780B2 (en) * 2016-10-03 2018-06-05 Ditto Technologies, Inc. Using computed facial feature points to position a product model relative to a model of a face
CN108664782B (zh) * 2017-03-28 2023-09-12 三星电子株式会社 面部验证方法和设备
CN107609481B (zh) * 2017-08-14 2020-11-20 百度在线网络技术（北京）有限公司 为人脸识别生成训练数据的方法、装置和计算机存储介质
CN109753850B (zh) * 2017-11-03 2022-10-25 富士通株式会社 面部识别模型的训练方法和训练设备
CN108846355B (zh) * 2018-06-11 2020-04-28 腾讯科技（深圳）有限公司 图像处理方法、人脸识别方法、装置和计算机设备

Patent Citations (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070177793A1 (en) * 2006-01-31 2007-08-02 Fuji Photo Film Co., Ltd. Method and apparatus for automatic eyeglasses detection and removal
KR20090093223A (ko) * 2008-02-29 2009-09-02 홍익대학교 산학협력단 얼굴 인식 시스템의 성능 향상을 위한 동적 마스크와 인페인팅을 이용한 안경제거
CN102034079A (zh) * 2009-09-24 2011-04-27 汉王科技股份有限公司 眼镜遮挡下的人脸识别方法和系统
KR101373274B1 (ko) * 2012-11-08 2014-03-11 주식회사 크라스아이디 안경 제거를 통한 얼굴 인식 방법 및 상기 안경 제거를 통한 얼굴 인식 방법을 이용한 얼굴 인식 장치
CN104112114A (zh) * 2013-10-30 2014-10-22 北京安捷天盾科技发展有限公司 身份验证方法和装置
CN104751108A (zh) * 2013-12-31 2015-07-01 汉王科技股份有限公司 人脸图像识别装置和人脸图像识别方法
CN104408426A (zh) * 2014-11-27 2015-03-11 小米科技有限责任公司 人脸图像眼镜去除方法及装置
CN104463172A (zh) * 2014-12-09 2015-03-25 中国科学院重庆绿色智能技术研究院 基于人脸特征点形状驱动深度模型的人脸特征提取方法
CN104463128A (zh) * 2014-12-17 2015-03-25 智慧眼（湖南）科技发展有限公司 用于人脸识别的眼镜检测方法及系统
CN105844206A (zh) * 2015-01-15 2016-08-10 北京市商汤科技开发有限公司 身份认证方法及设备
CN104751143A (zh) * 2015-04-02 2015-07-01 北京中盾安全技术开发公司 一种基于深度学习的人证核验系统及方法
CN105095856A (zh) * 2015-06-26 2015-11-25 上海交通大学 基于掩膜的有遮挡人脸识别方法
CN105117692A (zh) * 2015-08-05 2015-12-02 福州瑞芯微电子股份有限公司 一种基于深度学习的实时人脸识别方法及系统
CN105184253A (zh) * 2015-09-01 2015-12-23 北京旷视科技有限公司 一种人脸识别方法和人脸识别系统
CN105046250A (zh) * 2015-09-06 2015-11-11 广州广电运通金融电子股份有限公司 人脸识别的眼镜消除方法
CN105139000A (zh) * 2015-09-16 2015-12-09 浙江宇视科技有限公司 一种去除眼镜痕迹的人脸识别方法及装置
CN105631403A (zh) * 2015-12-17 2016-06-01 小米科技有限责任公司 人脸识别方法及装置
CN105868689A (zh) * 2016-02-16 2016-08-17 杭州景联文科技有限公司 一种基于级联卷积神经网络的人脸遮挡检测方法

Cited By (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018041237A1 (zh) * 2016-08-31 2018-03-08 腾讯科技（深圳）有限公司 人脸验证的方法、装置以及存储介质
US10922529B2 (en) 2016-08-31 2021-02-16 Tencent Technology (Shenzhen) Company Limited Human face authentication method and apparatus, and storage medium
CN107276974B (zh) * 2017-03-10 2020-11-03 创新先进技术有限公司 一种信息处理方法及装置
CN107276974A (zh) * 2017-03-10 2017-10-20 阿里巴巴集团控股有限公司 一种信息处理方法及装置
CN107729822A (zh) * 2017-09-27 2018-02-23 北京小米移动软件有限公司 对象识别方法及装置
CN107862270B (zh) * 2017-10-31 2020-07-21 深圳云天励飞技术有限公司 人脸分类器训练方法、人脸检测方法及装置、电子设备
CN107862270A (zh) * 2017-10-31 2018-03-30 深圳云天励飞技术有限公司 人脸分类器训练方法、人脸检测方法及装置、电子设备
CN109934062A (zh) * 2017-12-18 2019-06-25 比亚迪股份有限公司 眼镜摘除模型的训练方法、人脸识别方法、装置和设备
CN108446737B (zh) * 2018-03-21 2022-07-05 百度在线网络技术（北京）有限公司 用于识别对象的方法和装置
CN108446737A (zh) * 2018-03-21 2018-08-24 百度在线网络技术（北京）有限公司 用于识别对象的方法和装置
CN111079480A (zh) * 2018-10-19 2020-04-28 北京金山云网络技术有限公司 身份证信息的识别方法、装置及终端设备
CN111353943A (zh) * 2018-12-20 2020-06-30 杭州海康威视数字技术股份有限公司 一种人脸图像恢复方法、装置及可读存储介质
CN111353943B (zh) * 2018-12-20 2023-12-26 杭州海康威视数字技术股份有限公司 一种人脸图像恢复方法、装置及可读存储介质
CN109784255B (zh) * 2019-01-07 2021-12-14 深圳市商汤科技有限公司 神经网络训练方法及装置以及识别方法及装置
CN109784255A (zh) * 2019-01-07 2019-05-21 深圳市商汤科技有限公司 神经网络训练方法及装置以及识别方法及装置
CN110135583B (zh) * 2019-05-23 2020-08-21 北京地平线机器人技术研发有限公司 标注信息的生成方法、标注信息的生成装置和电子设备
CN110135583A (zh) * 2019-05-23 2019-08-16 北京地平线机器人技术研发有限公司 标注信息的生成方法、标注信息的生成装置和电子设备
CN110569826B (zh) * 2019-09-18 2022-05-24 深圳市捷顺科技实业股份有限公司 一种人脸识别方法、装置、设备及介质
CN110569826A (zh) * 2019-09-18 2019-12-13 深圳市捷顺科技实业股份有限公司 一种人脸识别方法、装置、设备及介质

Also Published As

Publication number Publication date
WO2018041237A1 (zh) 2018-03-08
US10922529B2 (en) 2021-02-16
CN106407912B (zh) 2019-04-02
US20190114467A1 (en) 2019-04-18

Similar Documents

Publication Publication Date Title
CN106407912A (zh) 一种人脸验证的方法及装置
US9076048B2 (en) Biometric identification, authentication and verification using near-infrared structured illumination combined with 3D imaging of the human ear
US9361681B2 (en) Quality metrics for biometric authentication
CN105046250B (zh) 人脸识别的眼镜消除方法
CN103678984A (zh) 一种利用摄像头实现用户身份验证的方法
CN103093210A (zh) 人脸识别中眼镜的鉴别方法及装置
CN106203294A (zh) 基于人脸属性分析的人证合一身份验证方法
CN106663157A (zh) 用户认证方法、执行该方法的装置及存储该方法的记录介质
CN105917353A (zh) 用于生物认证的特征提取及匹配以及模板更新
CN109934062A (zh) 眼镜摘除模型的训练方法、人脸识别方法、装置和设备
CN103902962A (zh) 一种遮挡或光源自适应人脸识别方法和装置
Martinikorena et al. Fast and robust ellipse detection algorithm for head-mounted eye tracking systems
JP5730044B2 (ja) 顔画像認証装置
Rani et al. IRIS based recognition and spoofing attacks: A review
CN110399833B (zh) 身份识别方法、建模方法及设备
CN101681498B (zh) 静脉图案管理系统、静脉图案注册设备、静脉图案认证设备、静脉图案注册方法、静脉图案认证方法和静脉数据配置
KR101280439B1 (ko) 현금인출기 카메라에서 취득된 얼굴 영상에 대한 얼굴 인식 가능성 판단 방법
Vishwakarma et al. Biometric Iris Recognition using Sobel Edge Detection for Secured Authentication
CN114821694A (zh) 材料光谱法
KR101762852B1 (ko) 홍채 인식 장치
JP7078386B2 (ja) 画像処理装置
Donida Labati et al. Emerging biometric technologies for automated border control gates
Parab et al. Face Recognition-Based Automatic Hospital Admission with SMS Alerts
KR102277122B1 (ko) 인공지능 기반 지정맥을 이용한 인증 방법
CN111291586A (zh) 活体检测方法、装置、电子设备及计算机可读存储介质

Legal Events

Date Code Title Description
C06 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
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20230706

Address after: 518000 Tencent Building, No. 1 High-tech Zone, Nanshan District, Shenzhen City, Guangdong Province, 35 Floors

Patentee after: TENCENT TECHNOLOGY (SHENZHEN) Co.,Ltd.

Patentee after: TENCENT CLOUD COMPUTING (BEIJING) Co.,Ltd.

Address before: 2, 518000, East 403 room, SEG science and Technology Park, Zhenxing Road, Shenzhen, Guangdong, Futian District

Patentee before: TENCENT TECHNOLOGY (SHENZHEN) Co.,Ltd.