CN107766844A - 一种网纹照人脸识别的方法、装置、设备 - Google Patents
一种网纹照人脸识别的方法、装置、设备 Download PDFInfo
- Publication number
- CN107766844A CN107766844A CN201711114738.0A CN201711114738A CN107766844A CN 107766844 A CN107766844 A CN 107766844A CN 201711114738 A CN201711114738 A CN 201711114738A CN 107766844 A CN107766844 A CN 107766844A
- Authority
- CN
- China
- Prior art keywords
- face
- recognition
- descreening
- target
- reticulate pattern
- 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.)
- Pending
Links
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
- G06V40/172—Classification, e.g. identification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本申请公开了一种网纹照人脸识别的方法,包括根据接收的人脸识别请求调用对应的目标网纹照;其中,所述人脸识别请求包含有人脸图片;生成所述目标网纹照对应的目标训练集,利用直接对称连接的卷积神经网络对所述目标训练集进行训练,获得去网纹模型;通过所述去网纹模型对所述目标网纹照进行去网纹处理,获得目标去网纹照;通过人脸识别模型对所述目标去网纹照与所述人脸图片进行人脸识别,获得识别结果。该方法可有效避免网纹照经过去网纹后,其像素和特征丢失严重的问题,提高了去网纹效果,进一步提高了网纹照人脸识别准确率。本申请还公开了一种网纹照人脸识别的装置、设备及计算机可读存储介质,均具有上述有益效果。
Description
技术领域
本申请涉及人脸识别领域,特别涉及一种网纹照人脸识别的方法,还涉及一种网纹照人脸识别的装置、设备及计算机可读存储介质。
背景技术
在人脸识别领域,大多数机构都是通过公安部的数据服务接口调用证件照信息,而为了防止证件照滥用,公安部数据接口返回的证件照会加上随机网纹,这给人脸识别系统增加了干扰,降低了人脸识别准确率。
从目前的去网纹技术来看,主要存在自适应滤波技术和全卷积神经网络两种。其中,自适应滤波技术存在适用面比较狭窄,泛化能力较差等问题;而基于深度学习的全卷积神经网络虽然比自适应滤波技术有了较大提升,但其在降采样过程中采用了池化方法,导致像素和特征丢失严重,在后面升采样过程中不能良好的还原图片的相关特征;并且一般升采样完成的图片会比原来清晰度低,导致识别结果不太理想。同时人脸识别模型直接识别去网纹图片,导致人脸识别结果通过率较低。
因此,如何避免网纹照在经过去网纹处理后,其像素和特征丢失严重的问题,提高去网纹效果,进一步提高网纹照人脸识别准确率是本领域技术人员亟待解决的问题。
发明内容
本申请的目的是提供一种网纹照人脸识别的方法,该方法可有效避免网纹照经过去网纹后,其像素和特征丢失严重的问题,提高了去网纹效果,进一步提高了网纹照人脸识别准确率;本发明的另一目的是提供一种网纹照人脸识别的装置、设备及计算机可读存储介质,均具有上述有益效果。
为解决上述技术问题,本申请提供一种网纹照人脸识别的方法,该方法包括:
根据接收的人脸识别请求调用对应的目标网纹照;其中,所述人脸识别请求包含有人脸图片;
生成所述目标网纹照对应的目标训练集,利用直接对称连接的卷积神经网络对所述目标训练集进行训练,获得去网纹模型;
通过所述去网纹模型对所述目标网纹照进行去网纹处理,获得目标去网纹照;
通过人脸识别模型对所述目标去网纹照与所述人脸图片进行人脸识别,获得识别结果。
优选的,所述生成所述目标网纹照对应的目标训练集包括:
收集预定数量网纹照,对预定数量所述网纹照进行处理获得网纹模板;
对所述目标网纹照对应的证件照进行过滤获得证件照图片;
将所述网纹模板与所述证件照图片进行空间变幻随机合成,获得网纹照合集;
所述证件照图片与所述网纹照合集组成所述目标训练集。
优选的,所述利用直接对称连接的卷积神经网络对所述目标训练集进行训练,获得去网纹模型包括:
采用微步幅的方法对所述目标训练集进行降采样处理,获得降采样特征结果;
对所述降采样特征结果进行还原处理,获得升采样特征结果;
对所述升采样特征结果进行超清化处理获得所述去网纹模型。
优选的,所述通过人脸识别模型对所述目标去网纹照与所述人脸图片进行人脸识别,获得识别结果包括:
将预定数量的去网纹照添加至初始人脸识别模型对应的训练集中;
利用所述初始人脸模型对所述去网纹照和所述人脸图片进行训练,获得人脸识别模型;
通过所述人脸识别模型对所述目标去网纹照与所述人脸图片进行人脸识别,获得识别结果。
优选的,还包括:
将所述识别结果返回至客户端。
为解决上述技术问题,本申请还提供一种网纹照人脸识别的装置,包括:
调用模块,用于根据接收的人脸识别请求调用对应的目标网纹照;其中,所述人脸识别请求包含有人脸图片;
训练模块,用于生成所述目标网纹照对应的目标训练集,利用直接对称连接的卷积神经网络对所述目标训练集进行训练,获得去网纹模型;
去网纹模块,用于通过所述去网纹模型对所述目标网纹照进行去网纹处理,获得目标去网纹照;
识别模块,用于通过人脸识别模型对所述目标去网纹照与所述人脸图片进行人脸识别,获得识别结果。
优选的,所述识别模块包括:
添加子模块,将预定数量的去网纹照添加至初始人脸识别模型对应的训练集中;
训练子模块,利用所述初始人脸模型对所述去网纹照和所述人脸图片进行训练,获得人脸识别模型;
识别子模块,用于通过所述人脸识别模型对所述目标去网纹照与所述人脸图片进行人脸识别,获得识别结果。
优选的,还包括:
返回模块,用于将所述识别结果返回至客户端。
为解决上述问题,本申请还提供一种网纹照人脸识别的设备,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现上述任意一项所述网纹照人脸识别的方法的步骤。
为解决上述问题,本申请还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现上述任意一项所述网纹照人脸识别的方法的步骤。
本申请所提供的一种网纹照人脸识别的方法,包括根据接收的人脸识别请求调用对应的目标网纹照;其中,所述人脸识别请求包含有人脸图片;生成所述目标网纹照对应的目标训练集,利用直接对称连接的卷积神经网络对所述目标训练集进行训练,获得去网纹模型;通过所述去网纹模型对所述目标网纹照进行去网纹处理,获得目标去网纹照;通过人脸识别模型对所述目标去网纹照与所述人脸图片进行人脸识别,获得识别结果。
可见,本申请所提供的技术方案,利用直接对称连接的卷积神经网络,对人脸网纹照对应的训练集进行了训练,得到人脸网纹照对应的去网纹模型,利用训练后的去网纹模型对人脸网纹照进行去网纹处理,解决了去网纹后的图片像素和特征丢失较大的问题,提高了去网纹效果,进一步提高了人脸识别准确率。
本申请还提供了一种网纹照人脸识别的装置、设备及计算机可读存储介质,均具有上述有益效果,在此不再赘述。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术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申请的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本申请所提供的一种网纹照人脸识别的方法的流程示意图;
图2为本申请所提供的一种直接对称连接的卷积神经网络的架构示意图;
图3为本申请所提供的一种网纹照人脸识别的装置的示意图;
图4为本申请所提供的一种网纹照人脸识别的设备的示意图。
具体实施方式
本申请的核心是提供一种网纹照人脸识别的方法,该方法可有效避免网纹照经过去网纹处理,其像素和特征丢失严重的问题,提高了去网纹效果,进一步提高了网纹照人脸识别准确率;本发明的另一核心是提供一种网纹照人脸识别的装置、设备及计算机可读存储介质,均具有上述有益效果。
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本申请保护的范围。
请参考图1,图1为本申请所提供的一种网纹照人脸识别的方法的流程示意图,该方法可以包括:
S101:根据接收的人脸识别请求调用对应的目标网纹照;其中,人脸识别请求包含有人脸图片;
具体的,用户可以通过客户端向人脸识别服务器端发送人脸识别请求,请求调用相应的网纹照。其中,该人脸识别请求中包含有清晰的人脸图片的数据,需要调用的网纹照即为该人脸图片对应的网纹照,即目标网纹照。在接收到人脸识别请求后,人脸识别服务器端则可以根据人脸图片的数据向相关部门的接口调用目标网纹照。
其中,相关部门的接口可以为公安部的数据服务接口,因此调用的目标网纹照可以为公安部数据服务接口返回的已添加网纹的身份证照片。当然,本申请对上述相关部门的接口不做限定,对目标网纹照也不做限定,可以为身份证对应的网纹照,也可以为护照对应的网纹照,还可以为其他相关证件照对应的网纹照。
S102:生成目标网纹照对应的目标训练集,利用直接对称连接的卷积神经网络对目标训练集进行训练,获得去网纹模型;
具体的,人脸识别服务器接收到相关部门接口返回的目标网纹照后,可以先生成该目标网纹照对应的训练集,即目标训练集;再将目标训练集放入DSC(Direct SymmetricConnection,直接对称连接的卷积神经网络)中进行训练,即可获得该目标网纹照对应的去网纹模型。其中,可以将清晰的人脸图片和去网纹照的像素均方差作为损失函数进行处理,直至去网纹模型的loss(亏损)降至最低并保持平稳的状态。
S103:通过去网纹模型对目标网纹照进行去网纹处理,获得目标去网纹照;
具体的,利用获得的去网纹模型对用户输入的目标网纹照进行去网纹处理,即可获得对应的目标去网纹照。
S104:通过人脸识别模型对目标去网纹照与人脸图片进行人脸识别,获得识别结果。
具体的,可以通过人脸识别模型对获得的目标去网纹照与客户端输入的清晰的人脸图片进行人脸识别,即可获得识别结果。其中,在进行人脸识别之前,可以先进行人脸对齐处理。具体的,人脸识别服务器可以先检测清晰的人脸图片的最大的人脸大小及其位置,剪裁出人脸部分,并与获得的目标去网纹照做人脸对齐;进一步,将对齐好的人脸图片放入人脸特征提取模块中,提取相应的人脸特征进行识别、比对等,获得最终的识别结果。
优选的,该网纹照人脸识别方法还可以包括:将识别结果返回至客户端。
具体的,将获得的最终的识别结果返回至客户端,以便于用户根据识别结果进行后续处理。
需要说明的是,本申请主要是利用直接对称连接的卷积神经网络对网纹照进行去网纹处理,但也不失一般性,同样还可以应用于图片的降噪、图片缺失的还原以及图片的超清化处理等。
本申请所提供的一种网纹照人脸识别的方法,利用直接对称连接的卷积神经网络,对人脸网纹照对应的训练集进行了训练,得到人脸网纹照对应的去网纹模型,利用训练后的去网纹模型对人脸网纹照进行去网纹处理,解决了去网纹后的图片像素和特征丢失较大的问题,提高了去网纹效果,进一步提高了人脸识别准确率。
在上述实施例的基础上:
作为一种优选实施例,上述生成目标网纹照对应的目标训练集的过程可以包括:收集预定数量网纹照,对预定数量网纹照进行处理获得网纹模板;对目标网纹照对应的证件照进行过滤获得证件照图片;将网纹模板与证件照图片进行空间变幻随机合成,获得网纹照合集;证件照图片与网纹照合集组成目标训练集。
具体的,可以先进行收集预定数量的相关部门的网纹照,如公安部等,其中,上述预定数量的相关部门的网纹照即为大量的网纹照,对获得的网纹照进行PS处理,并进行过滤,获得网纹模板,然后从相关证件照中过滤出证件照图片,如身份证或护照中对应的人脸图片,其中,该证件照图片即为目标网纹照对应的证件照图片。例如,可以通过OPENCV(OpenSource Computer Vision Library,开源计算机视觉库)人脸检测模板从身份证OCR(Optical Character Recognition,光学字符识别)中过滤出上述证件照图片。进一步,将获得的网纹模板与证件照图片进行随机合成,获得对应的网纹照合集,为了使获得的网纹照合集更加自然,样本更加丰富,还可以对网纹模板进行一定的空间变换等处理。最后,将过滤获得的证件照图片和对应的网纹照合集组合起来,通过文件命名并打上标签,获得目标训练集。
在上述实施例的基础上:
请参考图2,图2为本申请提供的一种直接对称连接的卷积神经网络的架构示意图。
作为一种优选实施例,上述利用直接对称连接的卷积神经网络对目标训练集进行训练,获得去网纹模型的过程可以包括:采用微步幅的方法对目标训练集进行降采样处理,获得降采样特征结果目标训练集;对降采样特征结果进行还原处理,获得升采样特征结果;对升采样特征结果进行超清化处理获得去网纹模型。
具体的,可以将打好标签的目标训练集放入直接对称连接的卷积神经网络中,首先进行降采样处理,在向下降采样过程中,可以采用微步幅的形式其步长可以设置为2,减少了像素和特征的丢失;进一步,进行还原处理,可以将升采样还原的特征结果加上相应的降采样过程提取的特征结果进行处理,更加有利于像素和特征的恢复和重建;最后,在升采样完成后,还可以对采样的结果进行超清化处理,使得最终获得的图片更加清晰。
本申请所提供的一种网纹照人脸识别的方法,可以对10万张网纹照进行训练,还原的去网纹照更加接近原有水平,其PSNR(Peak Signal to Noise Ratio,峰值信噪比)值可高达45.56。
表1为本申请所提供的人脸识别模型在不同误识率下识别人脸的通过率水平对照表,可以看出,经过训练后的人脸识别模型对人脸识别的准确率大大提升,其中网纹照和证件照的千分之一误识率下的通过率高达99%,网纹照和活体照的千分之一误识率下的通过率也高达97%,准确率大大超越同类技术的水平。
表1人脸识别模型识别人脸的通过率水平对照表
在上述实施例的基础上:
作为一种优选实施例,上述通过人脸识别模型对目标去网纹照与人脸图片进行人脸识别,获得识别结果的过程具体可以为:将预定数量的去网纹照添加至初始人脸识别模型对应的训练集中;利用初始人脸模型对去网纹照和人脸图片进行训练,获得人脸识别模型;通过人脸识别模型对目标去网纹照与人脸图片进行人脸识别,获得识别结果。
具体的,可以先收集预定数量的去网纹照,即大量的去网纹照,将获得的去网纹照加入到初始人脸识别模型对应的训练集中,对去网纹照、证件照以及活体照等照片通过上述初始人脸模型重新进行训练,直至人脸识别模型的loss降至最低并保持平稳的状态。其中,上述初始人脸模型为inception 4神经网络架构。进一步,利用训练好的人脸识别模型对去网纹照等进行识别、比对等处理,获得识别结果。最后还可以将识别结果或比对结果值等返回至客户端。
本申请所提供的一种网纹照人脸识别的方法,对原有的人脸识别模型的训练集加入去网纹照进行训练,大大提升了去网纹照的识别准确率。
为解决上述问题,请参考图3,图3为本申请所提供的一种网纹照人脸识别的装置的示意图,该装置可以包括:
调用模块1,用于根据接收的人脸识别请求调用对应的目标网纹照;其中,人脸识别请求包含有人脸图片;
训练模块2,用于生成目标网纹照对应的目标训练集,利用直接对称连接的卷积神经网络对目标训练集进行训练,获得去网纹模型;
去网纹模块3,用于通过去网纹模型对目标网纹照进行去网纹处理,获得目标去网纹照;
识别模块4,用于通过人脸识别模型对目标去网纹照与人脸图片进行人脸识别,获得识别结果。
作为一种优选实施例,训练模块2可以包括:
收集子模块,用于收集预定数量网纹照,对预定数量网纹照进行处理获得网纹模板;
过滤子模块,用于对目标网纹照对应的证件照进行过滤获得证件照图片;
合成子模块,用于将网纹模板与证件照图片进行随机合成,获得网纹照合集;
组成子模块,用于将证件照图片与网纹照合集组成目标训练集。
作为一种优选实施例,训练模块2还可以包括:
第一处理子模块,用于采用微步幅的方法对目标训练集进行降采样处理,获得降采样特征结果;
第二处理子模块,用于对降采样特征结果进行还原处理,获得升采样特征结果;
第三处理子模块,用于对升采样特征结果进行超清化处理获得去网纹模型。
作为一种优选实施例,识别模块4可以包括:
添加子模块,将预定数量的去网纹照添加至初始人脸识别模型对应的训练集中;
训练子模块,利用所述初始人脸模型对所述去网纹照和所述人脸图片进行训练,获得人脸识别模型;
识别子模块,用于通过人脸识别模型对目标去网纹照与人脸图片进行人脸识别,获得识别结果。
作为一种优选实施例,该装置还可以包括返回模块,用于将识别结果返回至客户端。
对于本发明提供的装置的介绍请参照上述方法实施例,本发明在此不做赘述。
为解决上述问题,请参考图4,图4为本申请所提供的一种网纹照人脸识别的设备的示意图,该设备包括:
存储器10,用于存储计算机程序;
处理器20,用于执行计算机程序时实现如下步骤:
根据接收的人脸识别请求调用对应的目标网纹照;其中,人脸识别请求包含有人脸图片;生成目标网纹照对应的目标训练集,利用直接对称连接的卷积神经网络对目标训练集进行训练,获得去网纹模型;通过去网纹模型对目标网纹照进行去网纹处理,获得目标去网纹照;通过人脸识别模型对目标去网纹照与人脸图片进行人脸识别,获得识别结果。
对于本发明提供的设备的介绍请参照上述方法实施例,本发明在此不做赘述。
为解决上述问题,本申请还提供一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,计算机程序被处理器执行时实现如下步骤:
根据接收的人脸识别请求调用对应的目标网纹照;其中,人脸识别请求包含有人脸图片;生成目标网纹照对应的目标训练集,利用直接对称连接的卷积神经网络对目标训练集进行训练,获得去网纹模型;通过去网纹模型对目标网纹照进行去网纹处理,获得目标去网纹照;通过人脸识别模型对目标去网纹照与人脸图片进行人脸识别,获得识别结果。
对于本发明提供的计算机可读存储介质的介绍请参照上述方法实施例,本发明在此不做赘述。
说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上对本发明所提供的一种网纹照人脸识别的方法、装置、设备及计算机可读存储介质进行了详细介绍。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。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以对本发明进行若干改进和修饰,这些改进和修饰也落入本发明权利要求的保护范围要素。
Claims (10)
1.一种网纹照人脸识别的方法,其特征在于,包括:
根据接收的人脸识别请求调用对应的目标网纹照;其中,所述人脸识别请求包含有人脸图片;
生成所述目标网纹照对应的目标训练集,利用直接对称连接的卷积神经网络对所述目标训练集进行训练,获得去网纹模型;
通过所述去网纹模型对所述目标网纹照进行去网纹处理,获得目标去网纹照;
通过人脸识别模型对所述目标去网纹照与所述人脸图片进行人脸识别,获得识别结果。
2.如权利要求1所述的方法,其特征在于,所述生成所述目标网纹照对应的目标训练集包括:
收集预定数量网纹照,对预定数量所述网纹照进行处理获得网纹模板;
对所述目标网纹照对应的证件照进行过滤获得证件照图片;
将所述网纹模板与所述证件照图片进行空间变幻随机合成,获得网纹照合集;
所述证件照图片与所述网纹照合集组成所述目标训练集。
3.如权利要求2所述的方法,其特征在于,所述利用直接对称连接的卷积神经网络对所述目标训练集进行训练,获得去网纹模型包括:
采用微步幅的方法对所述目标训练集进行降采样处理,获得降采样特征结果;
对所述降采样特征结果进行还原处理,获得升采样特征结果;
对所述升采样特征结果进行超清化处理获得所述去网纹模型。
4.如权利要求3所述的方法,其特征在于,所述通过人脸识别模型对所述目标去网纹照与所述人脸图片进行人脸识别,获得识别结果包括:
将预定数量的去网纹照添加至初始人脸识别模型对应的训练集中;
利用所述初始人脸模型对所述去网纹照和所述人脸图片进行训练,获得人脸识别模型;
通过所述人脸识别模型对所述目标去网纹照与所述人脸图片进行人脸识别,获得识别结果。
5.如权利要求4所述的方法,其特征在于,还包括:
将所述识别结果返回至客户端。
6.一种网纹照人脸识别的装置,其特征在于,包括:
调用模块,用于根据接收的人脸识别请求调用对应的目标网纹照;其中,所述人脸识别请求包含有人脸图片;
训练模块,用于生成所述目标网纹照对应的目标训练集,利用直接对称连接的卷积神经网络对所述目标训练集进行训练,获得去网纹模型;
去网纹模块,用于通过所述去网纹模型对所述目标网纹照进行去网纹处理,获得目标去网纹照;
识别模块,用于通过人脸识别模型对所述目标去网纹照与所述人脸图片进行人脸识别,获得识别结果。
7.如权利要求6所述的装置,其特征在于,所述识别模块包括:
添加子模块,将预定数量的去网纹照添加至初始人脸识别模型对应的训练集中;
训练子模块,利用所述初始人脸模型对所述去网纹照和所述人脸图片进行训练,获得人脸识别模型;
识别子模块,用于通过所述人脸识别模型对所述目标去网纹照与所述人脸图片进行人脸识别,获得识别结果。
8.如权利要求6所述的装置,其特征在于,还包括:
返回模块,用于将所述识别结果返回至客户端。
9.一种网纹照人脸识别的设备,其特征在于,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如权利要求1至5任一项所述网纹照人脸识别的方法的步骤。
10.一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上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至5任一项所述网纹照人脸识别的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711114738.0A CN107766844A (zh) | 2017-11-13 | 2017-11-13 | 一种网纹照人脸识别的方法、装置、设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711114738.0A CN107766844A (zh) | 2017-11-13 | 2017-11-13 | 一种网纹照人脸识别的方法、装置、设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107766844A true CN107766844A (zh) | 2018-03-06 |
Family
ID=61272808
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711114738.0A Pending CN107766844A (zh) | 2017-11-13 | 2017-11-13 | 一种网纹照人脸识别的方法、装置、设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107766844A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108573527A (zh) * | 2018-04-18 | 2018-09-25 | 腾讯科技(深圳)有限公司 | 一种表情图片生成方法及其设备、存储介质 |
CN108664122A (zh) * | 2018-04-04 | 2018-10-16 | 歌尔股份有限公司 | 一种姿态预测方法和装置 |
CN108734673A (zh) * | 2018-04-20 | 2018-11-02 | 平安科技(深圳)有限公司 | 去网纹系统训练方法、去网纹方法、装置、设备及介质 |
CN109801225A (zh) * | 2018-12-06 | 2019-05-24 | 重庆邮电大学 | 基于多任务全卷积神经网络的人脸网纹污迹去除方法 |
CN109871755A (zh) * | 2019-01-09 | 2019-06-11 | 中国平安人寿保险股份有限公司 | 一种基于人脸识别的身份验证方法 |
CN110175961A (zh) * | 2019-05-22 | 2019-08-27 | 艾特城信息科技有限公司 | 一种基于人脸图像分割对抗思想的去网纹方法 |
CN110738227A (zh) * | 2018-07-20 | 2020-01-31 | 马上消费金融股份有限公司 | 模型训练方法及装置、识别方法、存储介质及电子设备 |
WO2021027163A1 (zh) * | 2019-08-09 | 2021-02-18 | 平安科技(深圳)有限公司 | 一种网纹图像识别方法、装置、终端设备及介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105760859A (zh) * | 2016-03-22 | 2016-07-13 | 中国科学院自动化研究所 | 基于多任务卷积神经网络的网纹人脸图像识别方法及装置 |
CN105930797A (zh) * | 2016-04-21 | 2016-09-07 | 腾讯科技(深圳)有限公司 | 一种人脸验证方法及装置 |
CN106548159A (zh) * | 2016-11-08 | 2017-03-29 | 中国科学院自动化研究所 | 基于全卷积神经网络的网纹人脸图像识别方法与装置 |
-
2017
- 2017-11-13 CN CN201711114738.0A patent/CN107766844A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105760859A (zh) * | 2016-03-22 | 2016-07-13 | 中国科学院自动化研究所 | 基于多任务卷积神经网络的网纹人脸图像识别方法及装置 |
CN105930797A (zh) * | 2016-04-21 | 2016-09-07 | 腾讯科技(深圳)有限公司 | 一种人脸验证方法及装置 |
CN106548159A (zh) * | 2016-11-08 | 2017-03-29 | 中国科学院自动化研究所 | 基于全卷积神经网络的网纹人脸图像识别方法与装置 |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108664122A (zh) * | 2018-04-04 | 2018-10-16 | 歌尔股份有限公司 | 一种姿态预测方法和装置 |
CN108573527A (zh) * | 2018-04-18 | 2018-09-25 | 腾讯科技(深圳)有限公司 | 一种表情图片生成方法及其设备、存储介质 |
CN108734673A (zh) * | 2018-04-20 | 2018-11-02 | 平安科技(深圳)有限公司 | 去网纹系统训练方法、去网纹方法、装置、设备及介质 |
CN110738227A (zh) * | 2018-07-20 | 2020-01-31 | 马上消费金融股份有限公司 | 模型训练方法及装置、识别方法、存储介质及电子设备 |
CN109801225A (zh) * | 2018-12-06 | 2019-05-24 | 重庆邮电大学 | 基于多任务全卷积神经网络的人脸网纹污迹去除方法 |
CN109801225B (zh) * | 2018-12-06 | 2022-12-27 | 重庆邮电大学 | 基于多任务全卷积神经网络的人脸网纹污迹去除方法 |
CN109871755A (zh) * | 2019-01-09 | 2019-06-11 | 中国平安人寿保险股份有限公司 | 一种基于人脸识别的身份验证方法 |
CN110175961A (zh) * | 2019-05-22 | 2019-08-27 | 艾特城信息科技有限公司 | 一种基于人脸图像分割对抗思想的去网纹方法 |
CN110175961B (zh) * | 2019-05-22 | 2021-07-27 | 艾特城信息科技有限公司 | 一种基于人脸图像分割对抗思想的去网纹方法 |
WO2021027163A1 (zh) * | 2019-08-09 | 2021-02-18 | 平安科技(深圳)有限公司 | 一种网纹图像识别方法、装置、终端设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107766844A (zh) | 一种网纹照人脸识别的方法、装置、设备 | |
Wu et al. | Sstnet: Detecting manipulated faces through spatial, steganalysis and temporal features | |
CN106709924B (zh) | 基于深度卷积神经网络和超像素的图像语义分割方法 | |
CN107993190B (zh) | 图像水印去除装置 | |
CN102163284B (zh) | 面向中文环境的复杂场景文本定位方法 | |
CN103824309B (zh) | 一种城市建成区边界自动提取方法 | |
CN104751402B (zh) | 一种鲁棒可逆水印嵌入的方法 | |
CN107220640A (zh) | 字符识别方法、装置、计算机设备和计算机可读存储介质 | |
CN108921942B (zh) | 对图像进行2d转制3d的方法及装置 | |
Hati et al. | Plant recognition from leaf image through artificial neural network | |
CN109472262A (zh) | 车牌识别方法、装置、计算机设备及存储介质 | |
Mohamed et al. | An improved LBP algorithm for avatar face recognition | |
CN104598933A (zh) | 一种基于多特征融合的图像翻拍检测方法 | |
CN108509870B (zh) | 一种基于图像匹配的中华绒螯蟹唯一性识别方法 | |
CN109766749A (zh) | 一种用于财务报表的弯曲表格线的检测方法 | |
CN106845396A (zh) | 基于自动图像识别的非法钓鱼行为识别方法 | |
CN104268520A (zh) | 一种基于深度运动轨迹的人体动作识别方法 | |
CN101493939A (zh) | 基于小波域同态滤波的检测伪造图像的方法 | |
CN104424641A (zh) | 一种关于图像模糊篡改检测的方法 | |
CN102892048A (zh) | 一种抗几何攻击的视频水印防伪方法 | |
TW463133B (en) | Color image processing method and apparatus thereof | |
Majumder et al. | A tale of a deep learning approach to image forgery detection | |
Huang et al. | Steganalysis of adaptive JPEG steganography based on resdet | |
Chen et al. | Dlfmnet: End-to-end detection and localization of face manipulation using multi-domain features | |
CN109146834A (zh) | 车辆定损方法及装置、计算机可读存储介质、终端 |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20180531 Address after: 310000 807, 8 building, 1 Yueda Lane 79, Changhe street, Binjiang District, Hangzhou, Zhejiang. Applicant after: Hangzhou intelligent Intelligence Information Technology Co., Ltd. Address before: 310000 floor 6, C building, Binjiang District, Hangzhou, Zhejiang. Applicant before: Hangzhou Shield Network Technology Co., Ltd. |
|
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180306 |