一种人脸识别方法及人脸识别设备
技术领域
本发明涉及通信领域,尤其涉及一种人脸识别方法及人脸识别设备。
背景技术
人脸识别产品已广泛应用于金融、司法、军队、公安、边检、政府、航天、电力、工厂、教育、医疗及众多企事业单位等领域。随着技术的进一步成熟和社会认同度的提高,人脸识别技术将应用在更多的领域。
现有的人脸识别设备是通过采集面部的图像特征来进行人脸识别,具体步骤包括:采集靠近人脸识别设备的戴眼镜的用户人脸图像;对采集到人脸图像进行图像特征提取;利用这些图像特征,对戴眼镜用户进行登记,再比对或识别。
但是由于戴眼镜的用户越来越多,由于眼镜会遮挡住面部,特别是眼睛周围的特征点,这部分特征在识别过程中所占权重比较大,导致人脸识别设备对戴眼镜的用户在识别时的准确率较低。
发明内容
本发明实施例提供了一种人脸识别方法及人脸识别设备,用于提高戴眼镜用户在进行人脸识别时的准确率。
本发明实施例第一方面提供了一种人脸识别方法,具体包括:
获取第一人脸图像的图像特征,所述第一人脸图像为戴眼镜用户完整的人脸图像;
获取第二人脸图像的图像特征,所述第二人脸图像为所述戴眼镜用户在眼镜以下的人脸的第一部分人脸的图像,所述第一部分人脸的图像为所述戴眼镜用户在眼镜以下的人脸的图像的左脸图像;
获取第三人脸图像的图像特征,所述第三人脸图像为所述戴眼镜用户在眼镜以下的人脸的第二部分人脸的图像,所述第二部分人脸的图像为所述戴眼镜用户在眼镜以下的人脸的图像的右脸图像;
根据所述第一人脸图像的图像特征、所述第二人脸图像的图像特征以及所述第三人脸图像的图像特征确定目标图像特征;
根据所述目标图像特征生成低维图像特征;
根据所述低维图像特征对所述戴眼镜用户进行人脸识别。
结合第一方面,在第一方面的第一种可能的实现方式中,人脸识别设备在需要获取到第一人脸的图像特征时,可以通过预置的第一卷积神经网络模块提取第一人脸的图像特征。
结合第一方面,在第一方面的第二种可能的实现方式中,人脸识别设备可以通过预置的第二卷积神经网络模块对第一人脸图像的图像特征、第二人脸的图像特征以及第三人脸图像的图像特征进行图像特征串联确定目标图像特征。
结合第一方面,在第一方面的第三种可能的实现方式中,当人脸识别设备在需要根据目标图像特征生成低维图像特征时,可以提取目标图像特征的高维度特征,选取高维度特征中的目标子集特征作为低维图像特征,该目标子集特征包含于高维度特征。
结合第一方面,在第一方面的第四种可能的实现方式中,当人脸识别设备在需要根据目标特征生成低维图像特征时,可以将目标图像特征中的高维度特征经过预置函数映射至低维度得到低维图像特征。
本发明实施例第二方面提供了一种人脸识别设备,具体包括:
第一获取模块,用于获取第一人脸图像的图像特征,所述第一人脸图像为戴眼镜用户完整的人脸图像;
第二获取模块,用于获取第二人脸图像的图像特征,所述第二人脸图像为所述戴眼镜用户在眼镜以下的人脸的第一部分人脸的图像,所述第一部分人脸的图像为所述戴眼镜用户在眼镜以下的人脸的图像的左脸图像;
第三获取模块,用于获取第三人脸图像的图像特征,所述第三人脸图像为所述戴眼镜用户在眼镜以下的人脸的第二部分人脸的图像,所述第二部分人脸的图像为所述戴眼镜用户在眼镜以下的人脸的图像的右脸图像;
第四获取模块,用于根据所述第一人脸图像的图像特征、所述第二人脸图像的图像特征以及所述第三人脸图像的图像特征确定目标图像特征;
生成模块,用于根据所述目标图像特征生成低维图像特征;
识别模块,用于根据所述低维图像特征对所述戴眼镜用户进行人脸识别。
本发明实施例第三方面提供了一种人脸识别设备,包括:
中央处理器、存储器、存储介质、电源、无线网络接口以及输入输出接口;
通过调用所述存储器或存储介质上存储的操作指令,所述中央处理器,用于执行如下步骤:
获取第一人脸图像的图像特征,所述第一人脸图像为戴眼镜用户完整的人脸图像;
获取第二人脸图像的图像特征,所述第二人脸图像为所述戴眼镜用户在眼镜以下的人脸的第一部分人脸的图像,所述第一部分人脸的图像为所述戴眼镜用户在眼镜以下的人脸的图像的左脸图像;
获取第三人脸图像的图像特征,所述第三人脸图像为所述戴眼镜用户在眼镜以下的人脸的第二部分人脸的图像,所述第二部分人脸的图像为所述戴眼镜用户在眼镜以下的人脸的图像的右脸图像;
根据所述第一人脸图像的图像特征、所述第二人脸图像的图像特征以及所述第三人脸图像的图像特征确定目标图像特征;
根据所述目标图像特征生成低维图像特征;
根据所述低维图像特征对所述戴眼镜用户进行人脸识别。
从以上技术方案可以看出,本发明实施例具有以下优点:获取第一人脸图像的第一图像特征,获取第二人脸图像的第二图像特征,获取第三人脸图像的第三图像特征,根据所述第一图像特征、所述第二图像特征以及所述第三图像特征确定目标特征;根据所述目标特征生成低维特征;根据低维特征对戴眼睛用户进行人脸识别。由此可见,采集的图像特征是用户整个人脸的图像特征以及戴眼镜部分以下的人脸图像特征,通过对着三个人脸图像进行特征提取,且将提取的特征生成低维特征并保存,由于是分别提取了整个面部特征以及戴眼镜部分以下的面部特征,可以提高戴眼镜用户在识别时的准确率。
附图说明
图1为本发明实施例中人脸识别方法的一个实施例示意图;
图2为本发明实施例中人脸识别方法的另一实施例示意图;
图3为本发明实施例中人脸识别设备的一个结构示意图;
图4为本发明实施例中人脸识别设备的另一结构示意图;
图5为本发明实施例中人脸识别设备的结构示意图。
具体实施方式
本发明实施例提供了一种人脸识别方法及人脸识别设备,用于提高戴眼镜用户在进行人脸识别时的准确率。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,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、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
请参阅图1,本发明实施例中人脸识别方法的一个实施例包括:
101、获取第一人脸图像的图像特征。
本实施例中,当戴眼镜用户需要进行人脸识别或者登记时,人脸识别设备可以获取戴眼镜用户的第一人脸图像的图像特征,该第一人脸图像为戴眼镜用户完整的人脸图像,包括戴眼镜用户的全部人脸图像,即戴眼镜用户的头部以及肩部的图像。
102、获取第二人脸图像的图像特征。
本实施例中,人脸识别设备可以获取到戴眼镜用户的第二人脸的图像特征,该第二人脸图像为戴眼镜用户在眼镜以下的人脸的第一部分人脸的图像,该第一部分人脸的图像为戴眼镜用户在眼镜以下的人脸图像的左脸图像,该左脸图像占戴眼镜用户在眼镜以下人脸图像的比例为预设数值,也就是说,该左脸图像可以占戴眼镜用户在眼镜以下人脸图像的1/2,也可以为1/3或其他数值,具体此处不作限定。
103、获取第三人脸图像的图像特征。
本实施例中,人脸识别设备可以获取到戴眼镜用户的第三人脸的图像特征,该第三人脸图像为戴眼镜用户在眼镜以下的人脸的第二部分人脸的图像,该第二部分人脸的图像为戴眼镜用户在眼镜以下的人脸图像的右脸图像,该右脸图像占戴眼镜用户在眼镜以下人脸图像的比例为预设数值,也就是说,该右脸图像可以占戴眼镜用户在眼镜以下人脸图像的1/2,也可以为1/3或其他数值,具体此处不作限定。
需要说明的是,该左脸图像与该右脸图像为该戴眼镜用户在眼镜以下的人脸不同部位的图像,该右脸图像的尺寸与该左脸图像的尺寸相匹配。
需要说明的是,通过步骤101可以获取到第一人脸图像的图像特征,通过步骤102可以获取到第二人脸图像的图像特征,通过步骤103可以获取到第三人脸图像的图像特征,然而,这几个步骤之间并没有先后执行顺序的限制,可以先执行步骤101,也可以先执行步骤102,也可以先执行步骤103,或者同时执行,具体此处不作限定。
104、根据第一人脸图像的图像特征、第二人脸图像的图像特征以及第三人脸图像的图像特征获取目标图像特征。
本实施例中,当人脸识别设备获取到第一人脸图像的图像特征、第二人脸图像的图像特征以及第三人脸图像的图像特征之后,可以根据该三个人脸图像的图像特征获取目标图像特征。
105、根据目标图像特征生成低维图像特征。
本实施例中,人脸识别设备获取目标图像特征之后,可以根据该目标图像特征生成低维图像特征。
106、根据低维图像特征对戴眼镜用户进行人脸识别。
本实施例中,在人脸识别设备获取到低维图像特征之后,可以与戴眼镜用户的ID进行匹配并保存至本地数据库中,当戴眼镜用户需要进行人脸识别时,可以从本地数据库中提取该低维图像特征对戴眼镜用户进行人脸识别。
需要说明的是,本发明实施例不限于戴眼镜用户的识别,用户的眼镜仅仅是一个分界线,用来对用户在眼镜以下的人脸以及用户在眼镜以上的人脸进行分界,不戴眼镜的用户也可以进行识别,或者戴眼镜用户在不戴眼镜时登记,识别时戴眼镜是可以识别的,上述仅以戴眼镜为例进行说明。
综上所述,当戴眼镜用户需要进行人脸识别或者登记时,可以获取戴眼镜用户的第一人脸图像特征、戴眼镜用户在眼镜以下的左脸图像的图像特征特征以及戴眼镜用户在眼镜以下的右脸图像的图像特征,且根据这三个人脸图像特征获取目标图像特征,根据目标图像特征生成低维图像特征,根据低维图像特征对戴眼镜用户进行人脸识别。由于是分别提取了整个面部图像特征以及戴眼镜部分以下的面部图像特征,可以提高戴眼镜用户在识别时候的准确率。
请参阅图2,本发明实施例人脸识别方法的另一实施例包括:
201、获取第一人脸图像。
本实施例中,当戴眼镜用户需要进行人脸识别时,人脸识别设备可以采集戴眼镜用户的第一人脸图像,该第一人脸图像为戴眼镜用户完整的人脸图像,包括戴眼镜用户的全部人脸图像,即戴眼镜用户的头部以及肩部的图像。
202、通过预置的第一卷积神经网络模块提取第一人脸图像的图像特征。
本实施例中,当人脸识别设备采集到戴眼镜用户的第一人脸图像之后,人脸识别设备可以通过预置的第一卷积神经网络模块提取第一人脸图像的图像特征。
203、获取第二人脸图像。
本实施例中,人脸识别设备可以获取戴眼镜用户的第二人脸图像,该第二人脸图像为戴眼镜用户在眼镜以下的人脸的第一部分人脸的图像,该第一部分人脸的图像为戴眼镜用户在眼镜以下的人脸图像的左脸图像,该左脸图像占戴眼镜用户在眼镜以下人脸图像的比例为预设数值,也就是说,该左脸图像可以占戴眼镜用户在眼镜以下人脸图像的1/2,也可以为1/3或其他数值,具体此处不作限定。
204、通过预置的第一卷积神经网络模块提取第二人脸图像的图像特征。
本实施例中,当人脸识别获取到戴眼镜用户的第二人脸图像之后,可以通过预置的第一卷积神经网络模块提取第二人脸图像的图像特征。
205、获取第三人脸图像。
本实施例中,人脸识别可以获取戴眼镜用户的第三人脸图像,该第三人脸图像为戴眼镜用户在眼镜以下的人脸的第二部分人脸的图像,该第二部分人脸的图像为戴眼镜用户在眼镜以下的人脸图像的右脸图像,该右脸图像占戴眼镜用户在眼镜以下人脸图像的比例为预设数值,也就是说,该右脸图像可以占戴眼镜用户在眼镜以下人脸图像的1/2,也可以为1/3或其他数值,具体此处不作限定,该右脸图像的尺寸与该左脸图像的尺寸相匹配。
需要说明的是,人脸识别设备在获取第二人脸图像以及第三人脸图像时,可以重新采集戴眼镜用户在眼镜以下的左脸图像以及在眼镜以下的右脸图像,也可以提取采集得到的第一人脸图像中眼镜以下的左脸图像以及眼镜以下的右脸图像,具体此处不作限定。
206、通过预置的第一卷积神经网络模块提取第三人脸图像的图像特征。
本实施例中,当采集到戴眼镜用户的第三人脸图像之后,人脸识别设备可以通过预置的第一卷积神经网络模块提取第三人脸图像的图像特征。
需要说明的是,人脸识别设备通过步骤201至步骤202可以得到第一人脸图像的图像特征,通过步骤203至步骤204可以得到第二人脸图像的图像特征,通过步骤205至步骤206可以得到第三人脸图像的图像特征,然而,这几个步骤之间并没有先后执行的顺序限制,可以先执行步骤201至步骤202,也可以先执行步骤203至步骤204,也可以先执行步骤205至步骤206,或者同时执行,具体此处不作限定。
207、通过预置的第二卷积神经网络模块对第一人脸图像的图像特征、第二人脸图像的图像特征以及第三人脸图像的图像特征进行图像特征串联确定目标图像特征。
本实施例中,当获取到第一人脸图像的图像特征、第二人脸图像的图像特征以及第三人脸图像的图像特征之后,人脸识别设备可以通过预置的第二卷积神经网络模块对这三个人脸图像的图像特征进行图像特征串联得到目标图像特征。
208、提取目标图像特征中的高维度特征。
本实施例中,由于获取到的目标图像特征中包含有高维度图像特征,人脸识别设备可以提取该目标图像特征中的高维度图像特征。
209、选取高维度特征中的目标子集特征作为低维图像特征。
本实施例中,当提取得到目标图像特征中的高维度特征之后,人脸识别设备可以选取高维度特征中的目标子集特征作为低维图像特征。
需要说明的是,根据目标图像特征生成低维图像特征可以有很多种方式,例如将目标图像特征中的高维度特征经过预置函数映射至低维度得到低维图像特征,上面仅以选取高维度特征中的目标子集特征作为低维图像特征为例进行说明,具体此处不作限定。
210、根据低维图像特征对戴眼镜用户进行人脸识别。
本实施例中,当得到目标图像中的低维特征之后,可以与戴眼镜用户的ID进行匹配并保存于人脸识别设备的本地数据库,当戴眼镜用户在进行人脸识别时,可以从本地数据库中提取该低维特征对戴眼镜用户进行人脸识别。
综上所述,当戴眼镜用户需要进行人脸识别时,可以获取戴眼镜用户的第一人脸图像特征、戴眼镜用户在眼镜以下的左脸图像的图像特征以及戴眼镜用户在眼镜以下的右脸图像的图像特征,且根据这三个人脸图像特征获取目标图像特征,根据目标图像特征生成低维图像特征,根据低维图像特征对戴眼镜用户进行人脸识别。由于是分别提取了整个面部图像特征以及戴眼镜部分以下的面部图像特征,可以提高戴眼镜用户在识别时候的准确率。
上面从人脸识别方法的角度对本发明实施例进行说明,下面从人脸识别设备的角度对本发明实施例进行说明。
请参阅图3,本发明实施例中人脸识别设备的一个实施例包括:
第一获取模块301,用于获取第一人脸图像的图像特征,第一人脸图像为戴眼镜用户完整的人脸图像;
第二获取模块302,用于获取第二人脸图像的图像特征,第二人脸图像为戴眼镜用户在眼镜以下的人脸的第一部分人脸的图像,第一部分人脸的图像为所述戴眼镜用户在眼镜以下的人脸的图像的左脸图像;
第三获取模块303,用于获取第三人脸图像的图像特征,第三人脸图像为戴眼镜用户在眼镜以下的人脸的第二部分人脸的图像,第二部分人脸的图像为戴眼镜用户在眼镜以下的人脸的图像的右脸图像;
第四获取模块304,用于根据第一人脸图像的图像特征、第二人脸图像的图像特征以及第三人脸图像的图像特征获取目标图像特征;
生成模块305,用于根据目标图像特征生成低维图像特征;
识别模块306,用于根据低维图像特征对戴眼镜用户进行人脸识别。
本实施例中的人脸识别设备的各模块与单元之间的交互方式如前述图2所示实施例中的描述,具体此处不再赘述。
本实施例中,当戴眼镜用户需要进行人脸识别时,可以通过第一获取模块301获取第一人脸图像的图像特征,通过第二获取模块302获取第二人脸图像的图像特征,通过第三获取模块303获取第三人脸图像的图像特征,通过第四获取模块304目标图像特征,通过生成模块305生成低维图像特征,通过识别模块306对戴眼镜用户进行人脸识别。由于是分别提取了整个面部图像特征以及戴眼镜部分以下的面部图像特征,可以提高戴眼镜用户在识别时候的准确率。
为了便于理解,下面结合图4进行详细说明。
请参阅图4,本发明实施例中人脸识别设备的另一实施例包括:
第一获取模块401,用于获取第一人脸图像的图像特征,第一人脸图像为戴眼镜用户完整的人脸图像;
第二获取模块402,用于获取第二人脸图像的图像特征,第二人脸图像为戴眼镜用户在眼镜以下的人脸的第一部分人脸的图像,第一部分人脸的图像为所述戴眼镜用户在眼镜以下的人脸的图像的左脸图像;
第三获取模块403,用于获取第三人脸图像的图像特征,第三人脸图像为戴眼镜用户在眼镜以下的人脸的第二部分人脸的图像,第二部分人脸的图像为戴眼镜用户在眼镜以下的人脸的图像的右脸图像;
第四获取模块404,用于根据第一人脸图像的图像特征、第二人脸图像的图像特征以及第三人脸图像的图像特征获取目标图像特征;
生成模块405,用于根据目标图像特征生成低维图像特征;
识别模块406,用于根据低维图像特征对戴眼镜用户进行人脸识别。
其中,第一获取模块401可以进一步包括:
第一提取单元4011,用于通过预置的第一卷积神经网络模块提取第一人脸图像的图像特征。
第四获取模块404可以进一步包括:
第一处理单元4041,用于通过预置的第二卷积神经网络模块对第一人脸图像的图像特征、第二人脸图像的图像特征以及第三人脸图像的图像特征进行图像特征串联得到目标图像特征。
生成模块405可以进一步包括:
第二提取单元4051,用于提取目标图像特征中的高维度特征;
选取单元4052,用于选取高维度特征中的目标子集特征作为低维图像特征,目标子集特征包含于高维度特征;
或,
第二处理单元4053,用于将目标图像特征中的高维度特征经过预置函数映射至低维度得到低维图像特征。
本实施例中的人脸识别设备的各模块与单元之间的交互方式如前述图2所示实施例中的描述,具体此处不再赘述。
本实施例中,当戴眼镜用户需要进行人脸识别时,可以通过第一获取模块401获取第一人脸图像的图像特征,通过第二获取模块402获取第二人脸图像的图像特征,通过第三获取模块403获取第三人脸图像的图像特征,通过第四获取模块404目标图像特征,通过生成模块405生成低维图像特征,通过识别模块406对戴眼镜用户进行人脸识别。由于是分别提取了整个面部图像特征以及戴眼镜部分以下的面部图像特征,可以提高戴眼镜用户在识别时候的准确率。
请参阅图5,图5是本发明实施例提供的一种人脸识别设备的结构示意图,该人脸识别设备500可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上中央处理器(central processing units,CPU)522(例如,一个或一个以上处理器)和存储器32,一个或一个以上存储应用程序542或数据544的存储介质30(例如一个或一个以上海量存储设备)。其中,存储器532和存储介质530可以是短暂存储或持久存储。存储在存储介质530的程序可以包括一个或一个以上模块(图示没标出),每个模块可以包括对服务器中的一系列指令操作。更进一步地,中央处理器522可以设置为与存储介质530通信,在人脸识别设备500上执行存储介质530中的一系列指令操作。
人脸识别设备500还可以包括一个或一个以上电源526,一个或一个以上有线或无线网络接口550,一个或一个以上输入输出接口558,和/或,一个或一个以上操作系统541,例如Windows ServerTM,Mac OS XTM,UnixTM,LinuxTM,FreeBSDTM等等。
上述实施例中由人脸识别设备所执行的步骤可以基于该图5所示的人脸识别设备结构。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,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,例如多个单元或组件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,装置或单元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单元可以是或者也可以不是物理上分开的,作为单元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单元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单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品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)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上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精神和范围。