CN108197532A - 人脸识别的方法、装置及计算机装置 - Google Patents

人脸识别的方法、装置及计算机装置 Download PDF

Info

Publication number
CN108197532A
CN108197532A CN201711366133.0A CN201711366133A CN108197532A CN 108197532 A CN108197532 A CN 108197532A CN 201711366133 A CN201711366133 A CN 201711366133A CN 108197532 A CN108197532 A CN 108197532A
Authority
CN
China
Prior art keywords
face picture
feature vector
similarity
default
face
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
CN201711366133.0A
Other languages
English (en)
Other versions
CN108197532B (zh
Inventor
严蕤
牟永强
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.)
Shenzhen Li Fei Technology Co., Ltd.
Original Assignee
Shenzhen Intellifusion Technologies 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 Shenzhen Intellifusion Technologies Co Ltd filed Critical Shenzhen Intellifusion Technologies Co Ltd
Priority to CN201711366133.0A priority Critical patent/CN108197532B/zh
Priority to PCT/CN2017/119465 priority patent/WO2019119505A1/zh
Publication of CN108197532A publication Critical patent/CN108197532A/zh
Priority to PCT/CN2018/120513 priority patent/WO2019120115A1/zh
Application granted granted Critical
Publication of CN108197532B publication Critical patent/CN108197532B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Human Computer Interaction (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种人脸识别的方法、装置及计算机装置。在本发明中，根据预设的人脸特征提取模型提取预设训练集中任意两个样本的特征向量，并进行归一化处理，获取所述任意两个样本的融合特征向量以及参照相似度，依次遍历所有互不相同的两个样本，获得预设训练集中所有互不相同的两个样本的融合特征向量和参照相似度，根据所有互不相同的两个样本的融合特征向量和参照相似度训练回归模型，利用训练后的回归模型对待识别的人脸图片进行识别。本发明根据预设训练集中所有融合特征向量和参照相似度训练回归模型，训练后的回归模型可以有效区分不同类别标记的样本，在对待识别的人脸图片进行识别时，可以有效提高人脸识别的效果和准确率。

Description

人脸识别的方法、装置及计算机装置
技术领域
本发明属于图像处理领域，尤其涉及一种人脸识别的方法、装置及计算机装置。
背景技术
人脸识别是基于人的脸部特征信息进行身份识别的一种生物识别技术，其广泛应用于身份验证、安防监控、门禁考勤系统以及司法刑侦等领域。人脸识别主要包括人脸检测、人脸对齐、人脸特征提取以及人脸相似度的确定等过程。其中，人脸相似度的确定是人脸识别中的一个重要环节，其可以直接影响人脸识别的结果。目前，现有的确定人脸相似度的方法主要包括：(1)基于距离的确定人脸相似度的方法，如欧氏距离、余弦距离或者马氏距离等，但该方法效果较差，其难以区分在特征空间分布较为接近的样本。(2)基于分类的确定人脸相似度的方法，例如支持向量机的分类方法。但该方法的模型复杂度会随着训练数据的增加而增加，造成计算量大、计算效率低，进而导致后续的人脸识别存在效果差、效率低。
因此，现有的人脸识别的方法存在效果差、效率低的问题。
发明内容
本发明提供一种人脸识别的方法、装置及计算机装置，旨在解决现有的人脸识别的方法存在的效果差、效率低的问题。
本发明第一方面提供一种人脸识别的方法，所述方法包括：
根据预设的人脸特征提取模型提取预设训练集中任意两个样本的特征向量；
分别对所述任意两个样本的特征向量进行归一化处理；
获取所述任意两个样本的融合特征向量；
获取所述任意两个样本的参照相似度；
依次遍历所述预设训练集中所有互不相同的两个样本，获得所述预设训练集中所有互不相同的两个样本的融合特征向量和参照相似度；
根据所述预设训练集中所有互不相同的两个样本的融合特征向量和参照相似度训练回归模型，确定训练后的回归模型；
利用所述训练后的回归模型，对待识别的人脸图片进行识别。
在较优的一实施例中，所述获取所述任意两个样本的融合特征向量包括：
将归一化后的任意两个样本的特征向量的对应维度的元素分别相乘，并将相乘的结果作为所述任意两个样本的融合特征向量的相应维度的元素，获得所述任意两个样本的融合特征向量。
在较优的一实施例中，所述预设训练集包括样本所对应的类别标记，所述获取所述任意两个样本的参照相似度包括：
确定归一化后的所述任意两个样本的特征向量的余弦距离；
若所述任意两个样本的类别标记相同，则所述任意两个样本的参照相似度为所述余弦距离与预设常数的和；
若所述任意两个样本的类别标记不同，则所述任意两个样本的参照相似度为所述余弦距离与所述预设常数的差。
在较优的一实施例中，所述根据所述预设训练集中所有互不相同的两个样本的融合特征向量和参照相似度训练回归模型，确定训练后的回归模型包括：
获取所述预设训练集的任一融合特征向量；
将所述任一融合特征向量输入至回归模型，获得所述任一融合特征向量所对应的两个样本的训练相似度，其中，所述回归模型至少包括第一全连接层和第二全连接层，且所述第一全连接层和第二全连接层均采用激活函数对所述任一融合特征向量做特征映射变换；
利用损失函数确定所述任一融合特征向量所对应的两个样本的训练相似度与所述任一融合特征向量所对应的两个样本的参照相似度的误差；
若所述误差不满足预设收敛条件，则利用随机梯度下降通过反向传播的过程调整所述回归模型的所述第一全连接层的参数和所述第二全连接层的参数；
重复上述迭代过程，直至所述误差满足预设收敛条件，将满足预设收敛条件之前的最后一次迭代过程的第一全连接层的参数和第二全连接层的参数作为回归模型的第一全连接层的参数和第二全连接层的参数，确定训练后的回归模型。
在较优的一实施例中，所述预设收敛条件包括：
所述误差小于或者等于预设的误差阈值或者所述误差所对应的误差百分比小于或者等于预设的误差百分比。
在较优的一实施例中，所述利用所述训练后的回归模型，对待识别的人脸图片进行识别包括：
获取待验证的第一人脸图片和第二人脸图片的融合特征向量；
将所述第一人脸图片和所述第二人脸图片的融合特征向量输入至所述训练后的回归模型，获取所述第一人脸图片和所述第二人脸图片的相似度；
若所述第一人脸图片和所述第二人脸图片的相似度大于或者等于预设相似度阈值，则确定所述第一人脸图片和所述第二人脸图片为同一人的人脸图片；
若所述第一人脸图片和所述第二人脸图片的相似度小于预设相似度阈值，则确定所述第一人脸图片和所述第二人脸图片不是同一人的人脸图片。
在较优的一实施例中，所述利用所述训练后的回归模型，对待识别的人脸图片进行识别包括：
获取待检索的目标人脸图片；
利用所述预设人脸特征提取模型分别提取所述目标人脸图片的特征向量以及预设检索数据库所包含的人脸图片的特征向量；
分别确定所述目标人脸图片的特征向量与所述预设检索数据库所包含的每个人脸图片的特征向量的融合特征向量；
分别将所述目标人脸图片的特征向量与所述预设检索数据库所包含的每个人脸图片的特征向量的融合特征向量输入至所述训练后的回归模型，并获取所述目标人脸图片与所述预设检索数据库所包含的每个人脸图片的相似度；
按照所述目标人脸图片和所述预设检索数据库所包含的每个人脸图片的相似度由大到小的顺序对所述预设检索数据库所包含的每个人脸图片进行排列，并将排列后的人脸图片作为检索结果。
在较优的一实施例中，所述方法还包括：
分别确定所述目标人脸图片的特征向量与所述预设检索数据库所包含的每个人脸图片的特征向量的余弦距离；
按照余弦距离由大到小的顺序对所述预设检索数据库所包含的人脸图片进行排列，并将排在前N名的人脸图片作为候选集，其中，N为正整数；
所述分别确定所述目标人脸图片的特征向量与所述预设检索数据库所包含的每个人脸图片的特征向量的融合特征向量包括：
分别确定所述目标人脸图片的特征向量与所述候选集所包含的每个人脸图片的特征向量的融合特征向量；
所述分别将所述目标人脸图片的特征向量与所述预设检索数据库所包含的每个人脸图片的特征向量的融合特征向量输入至所述训练后的回归模型，并获取所述目标人脸图片和所述预设检索数据库所包含的每个人脸图片的相似度包括：
分别将所述目标人脸图片的特征向量与所述候选集所包含的每个人脸图片的特征向量的融合特征向量输入至所述训练后的回归模型，并获取所述目标人脸图片和所述候选集所包含的每个人脸图片的相似度；
所述按照所述目标人脸图片和所述预设检索数据库所包含的每个人脸图片的相似度由大到小的顺序对所述预设检索数据库所包含的人脸图片进行排列，并将排列后的人脸图片作为检索结果包括：
按照所述目标人脸图片和所述候选集所包含的每个人脸图片的相似度由大到小的顺序对所述候选集所包含的人脸图片进行排列，并将排列后的人脸图片作为检索结果。
本发明第二方面提供一种人脸识别的装置，所述装置包括：
特征向量提取模块，用于根据预设的人脸特征提取模型提取预设训练集中任意两个样本的特征向量；
归一化模块，用于分别对所述任意两个样本的特征向量进行归一化处理；
融合特征向量获取模块，用于获取所述任意两个样本的融合特征向量
参照相似度获取模块，用于获取所述任意两个样本的参照相似度；
遍历获取模块，用于依次遍历所述预设训练集中所有互不相同的两个样本，获得所述预设训练集中所有互不相同的两个样本的融合特征向量和参照相似度；
训练模块，用于根据所述预设训练集中所有互不相同的两个样本的融合特征向量和参照相似度训练回归模型，确定训练后的回归模型；
识别模块，用于利用所述训练后的回归模型，对待识别的人脸图片进行识别。
本发明第三方面提供一种计算机装置，所述计算机装置包括处理器，所述处理器用于执行存储器中存储的计算机程序时实现上述任一实施例所述人脸识别的方法。
本发明第四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，所述计算机程序被处理器执行时实现上述任一实施例所述人脸识别的方法。
在本发明中，对预设训练集中所有互不相同的两个样本的特征向量进行融合，根据所有互不相同的两个样本的融合特征向量以及参照相似度训练回归模型，确定训练后的回归模型。融合特征向量包含了人脸图片的纹理特征和动态模式特征，因此，训练后的回归模型能够有效区分不同类别标记的样本，利用所述训练后的回归模型，对待识别的人脸图片进行识别时，可以有效提高人脸识别的效果和准确率。
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是本发明实施例提供的人脸识别的方法的实现流程图；
图2是本发明实施例提供的人脸识别的方法中步骤S106的实现流程图；
图3是本发明实施例提供的人脸识别的方法中步骤S107的实现流程图；
图4是本发明实施例提供的人脸识别的方法中步骤S107的另一实现流程图；
图5是本发明实施例提供的人脸识别的方法中步骤S107的又一实现流程图；
图6是本发明实施例提供的人脸识别的装置的功能模块图；
图7是本发明实施例提供的人脸识别的装置中训练模块106的结构框图；
图8是本发明实施例提供的人脸识别的装置中识别模块107的结构框图；
图9是本发明实施例提供的人脸识别的装置中识别模块107的另一结构框图；
图10是本发明实施例提供的人脸识别的装置中识别模块107的又一结构框图；
图11是本发明实施例提供的计算机装置的结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
图1示出了本发明实施例提供的人脸识别的方法的实现流程，根据不同的需求，该流程图中步骤的顺序可以改变，某些步骤可以省略。为了便于说明，仅示出了与本发明实施例相关的部分，详述如下：
如图1所示，人脸识别的方法，其包括：
步骤S101，根据预设的人脸特征提取模型提取预设训练集中任意两个样本的特征向量。
所述预设的人脸特征提取模型为预先训练好的人脸特征提取模型，具体可以利用大量的人脸图片，通过卷积神经网络学习人脸特征的提取，建立训练后的人脸特征提取模型，此处不再详细赘述。所述预设训练集为预先设置的包含大量人脸图片的训练集，可以设置。假设所述预设训练集包括M个样本(即人脸图片)以及样本所对应的类别标记，其中，M为大于1的正整数。样本的类别标记是根据样本是否同属同一个人预先设置的类别标记，假设两个样本为同一人的人脸图片，则同属同一人的两个样本为一个类别标记，若两个样本为不同人的人脸图片，则不是同属同一人的两个样本为不同的类别标记，一个类别标记可能对应一个或者多个样本。
此处为便于描述，假设所述任意两个样本包括第一样本和第二样本，且所述第一样本和所述第二样本为不同的两个样本，以下采用第一样本和第二样本为例进行说明。
假设根据预设的人脸特征提取模型提取的第一样本的特征向量和第二样本的特征向量分别为x＝(x1,x2,x3…xd-3,xd-2,xd)和y＝(y1,y2,y3…yd-3,yd-2,yd)，第一样本的类别标记和第二样本的类别标记分别为zi和zj。其中，d表示特征向量的维度，且为大于1的正整数，具体可以在训练所述预设的人脸特征提取模型时进行设定，此处不做特别限定。
步骤S102，分别对所述任意两个样本的特征向量进行归一化处理。
步骤S103，获取所述任意两个样本的融合特征向量。
在获得归一化后的第一样本的特征向量和归一化后的第二样本的特征向量后，即对归一化后的第一样本的特征向量和归一化后的第二样本的特征向量进行融合，获得所述第一样本和所述第二样本的融合特征向量。
为了进一步的提高人脸识别的效果和准确率，在较优的一实施例中，步骤S103，获取所述任意两个样本的融合特征向量包括：
步骤S104，获取所述任意两个样本的参照相似度。
在获取到归一化后的第一样本的特征向量和归一化后的第二样本的特征向量后，即可根据归一化后的第一样本的特征向量和归一化后的第二样本的特征向量获取所述第一样本和所述第二样本的参照相似度。
为了进一步的提高人脸识别的效果和准确率，在较优的一实施例中，步骤S104，获取所述任意两个样本的参照相似度包括：
确定归一化后的第一样本的特征向量和归一化后的第二样本的特征向量的余弦距离。
归一化后的第一样本和第二样本的特征向量分别为和则两个特征向量的余弦距离为：
其中，xi·yj表示特征向量xi和特征向量yj的点积，||xi||2和||yj||2分别表示特征向量xi和特征向量yj的二范数，所谓向量的二范数是指向量中各个元素的平方根之和再开根号。余弦距离，也称为余弦相似度，是用向量空间中两个向量的余弦值来度量两个个体间差异的大小，此处即可以用来表征所述第一样本和所述第二样本的相似度。另外，余弦距离的取值范围为[-1，+1],距离越接近1，表示两个向量的方向越接近相同，即呈正相关关系；距离越接近-1，表示两个向量的方向越接近相反，即呈负相关的关系。
若所述任意两个样本的类别标记相同，则所述任意两个样本的参照相似度为所述余弦距离与预设常数的和。
在第一样本的类别标记和第二样本的类别标记为相同的类别标记时，为了增大相同类别标记的样本的参照相似度，所述第一样本和所述第二样本的参照相似度为所述余弦距离与预设常数的和。所述预设常数为预先设置的常数，在较优的一实施例中，所述预设常数为0.5。假设参照相似度用n表示，所述预设常数用α表示，则在第一样本的类别标记和第二样本的类别标记相同时，有：n＝cos(xi，yj)+α。
若所述任意两个样本的类别标记不同，则所述任意两个样本的参照相似度为所述余弦距离与所述预设常数的差。
在第一样本的类别标记和第二样本的类别标记为不同的类别标记时，为了减小不同类别标记的样本的参照相似度，所述第一样本和所述第二样本的参照相似度为所述余弦距离与预设常数的差。即在第一样本的类别标记和第二样本的类别标记相同时，有：n＝cos(xi，yj)-α。
步骤S105，依次遍历所述预设训练集中所有互不相同的两个样本，获得所述预设训练集中所有互不相同的两个样本的融合特征向量和参照相似度。
在根据上述步骤获取到第一样本和第二样本的融合特征向量和参照相似度之后，即重复上述步骤S101至S104，获得所述预设训练集中所有互不相同的两个样本的融合特征向量和参照相似度，所述互不相同的两个样本是指两个样本是不相同的样本。假设所述预设训练集中包括M个样本，每次从所述预设训练集中抽取任意两个不相同的样本，直至重复M*(M-1)/2次，完成所述预设训练集中任意两个互不相同的样本的抽取，即重复M*(M-1)/2次步骤S101至步骤S104，即可获得所述预设训练集中所有互不相同的两个样本的融合特征向量和参照相似度，并将获得的所有互不相同的两个样本的融合特征向量和参照相似度作为训练回归模型的数据，至此，完成回归模型训练数据的构造，以待后续对回归模型进行训练。
步骤S106，根据所述预设训练集中所有互不相同的两个样本的融合特征向量和参照相似度训练回归模型，确定训练后的回归模型。
再获取到上述预设训练集中所有互不相同的两个样本的融合特征向量和参照相似度后，即可利用上述预设训练集中所有互不相同的两个样本的融合特征向量和参照相似度训练回归模型，并在训练终止后，确定训练后的回归模型。
步骤S107，利用所述训练后的回归模型，对待识别的人脸图片进行识别。
在确定训练后的回归模型后，即可利用训练后的回归模型对待识别的人脸图片进行识别。其中，对待识别的人脸图片进行识别主要包括人脸验证以及人脸检索，人脸验证即判断待验证的两张人脸图片是否是同一个人的人脸图片，人脸检索是根据目标人脸图片，在人脸数据库中检索和目标人脸图片为同一人或者和目标人脸图片的相似度符合一定要求的人脸图片。
在本发明实施例中，对预设训练集中所有互不相同的两个样本的特征向量进行融合，根据所有互不相同的两个样本的融合特征向量以及参照相似度训练回归模型，确定训练后的回归模型。融合特征向量包含了人脸图片的纹理特征和动态模式特征，因此，训练后的回归模型能够有效区分不同类别标记的样本，利用所述训练后的回归模型，对待识别的人脸图片进行识别时，可以有效提高人脸识别的效果和准确率。
图2示出了本发明实施例提供的人脸识别的方法中步骤S106的实现流程，根据不同的需求，该流程图中步骤的顺序可以改变，某些步骤可以省略。为了便于说明，仅示出了与本发明实施例相关的部分，详述如下：
在较优的一实施例中，为了进一步的提高人脸识别的效果和准确率，如图2所示，步骤S106，根据所述预设训练集中所有互不相同的两个样本的融合特征向量和参照相似度训练回归模型，确定训练后的回归模型包括：
步骤S1061，获取所述预设训练集的任一融合特征向量。
在利用所述预设训练集中所有互不相同的两个样本的融合特征向量和参照相似度训练回归模型时，首先获取到所述预设训练集的任一融合特征向量，所述任一融合特征向量即为上述获取到的所述预设训练集中所有互不相同的两个样本的融合特征向量的其中任意一个融合特征向量。
步骤S1062，将所述任一融合特征向量输入至回归模型，获得所述任一融合特征向量所对应的两个样本的训练相似度，其中，所述回归模型至少包括第一全连接层和第二全连接层，且所述第一全连接层和第二全连接层均采用激活函数对所述任一融合特征向量做特征映射变换。
在本发明实施例中，所述回归模型至少包括了第一全连接层和第二全连接层，且所述第一全连接层和第二全连接层均采用激活函数对所述任一融合特征向量做特征映射变换。鉴于修正线性单元(英文全称：Rectified linear unit，简称Relu)激活函数可以加速回归模型的收敛，提高回归模型训练的速度和效率，因此，在较优的一实施例中，所述第一全连接层和第二全连接层均采用Relu激活函数对所述任一融合特征向量做特征映射变换。或者所述第一全连接层和第二全连接层也可以采用和Relu激活函数的变体函数，如Leaky-Relu激活函数或者P-Relu(英文全称：Parametric-Relu)激活函数或者R-Relu(英文全称：Randomizied Relu)激活函数等。在将所述任一融合特征向量输入至回归模型后，所述回归模型的所述第一全连接层和第二全连接层采用Relu激活函数对所述任一融合特征向量做特征映射变换，在所述第二全连接层输出所述任一融合特征向量所对应的两个样本的训练相似度。
步骤S1063，利用损失函数确定所述任一融合特征向量所对应的两个样本的训练相似度与所述任一融合特征向量所对应的两个样本的参照相似度的误差。
在将所述任一融合特征向量通过所述训练后的回归模型，获取到所述任一融合特征向量所对应的两个样本的训练相似度之后，可以利用损失函数确定所述任一融合特征向量所对应的两个样本的训练相似度与所述任一融合特征向量所对应的两个样本的参照相似度的误差。在较优的一实施例中，利用L2损失函数确定所述任一融合特征向量所对应的两个样本的训练相似度与所述任一融合特征向量所对应的两个样本的参照相似度的误差，其中，L2损失(英文全称：Squared hinge loss，简称L2loss)函数，其是用来评估预测值与真实值的不一致程度，在本发明实施例中，L2损失函数用于评估训练相似度和参照相似度的不一致程度。
若所述误差不满足预设收敛条件，则执行步骤S1064，利用随机梯度下降通过反向传播的过程调整所述回归模型的所述第一全连接层的参数和所述第二全连接层的参数。
所述预设收敛条件为预先设置的收敛条件，为了提高训练回归模型的计算效率，减小训练回归模型的计算量，在较优的一实施例中，所述预设收敛条件包括：所述误差小于或者等于预设的误差阈值或者所述误差所对应的误差百分比小于或者等于预设的误差百分比。所述预设的误差阈值和所述预设的误差百分比为预先设置的误差阈值，此处并不做特别的限制。
随机梯度下降主要用于在神经网络模型中进行权重更新，在一个方向上更新和调整模型的参数，来最小化损失函数，随机梯度下降每次从训练集中随机选择一个样本(在本发明实施例中即指融合特征向量)来进行学习。反向传播是先在前向传播中计算输入信号的乘积及其对应的权重，然后将激活函数作用于这些乘积的总和，之后在网络模型的反向传播过程中回传相关误差，使用随机梯度下降更新权重值，通过计算误差函数相对于权重参数的梯度，在损失函数梯度的相反方向上更新权重参数。因此，在本发明实施例中，若误差不满足预设收敛条件，则利用随机梯度下降通过反向传播的过程调整所述回归模型的所述第一全连接层的参数和所述第二全连接层的参数。
在调整所述第一全连接层的参数和所述第二全连接层的参数后，跳转至步骤S1061，重复执行步骤S1061至步骤S1063，直至所述误差满足预设收敛条件。
若所述误差满足预设收敛条件，则执行步骤S1065，将满足预设收敛条件之前的最后一次迭代过程的第一全连接层的参数和第二全连接层的参数作为回归模型的第一全连接层的参数和第二全连接层的参数，确定训练后的回归模型。
在所述误差满足预设收敛条件后，即停止训练回归模型，并将满足预设收敛条件之前的最后一次迭代过程的第一全连接层的参数和第二全连接层的参数作为回归模型的第一全连接层的参数和第二全连接层的参数，确定训练后的回归模型，至此，完成回归模型的训练。
在本发明实施例中，预设训练集中的融合特征向量同时包含了人脸图片的纹理特征和动态模式特征，利用预设训练集的融合特征向量对回归模型进行训练，利用随机梯度下降通过反向传播的过程调整所述回归模型的参数，确定训练后的回归模型，因此，训练后的回归模型可以有效区分不同类别标记的样本，利用所述训练后的回归模型，对待识别的人脸图片进行识别时，可以有效提高人脸识别的效果和准确率。
图3示出了本发明实施例提供的人脸识别的方法中步骤S107的实现流程，根据不同的需求，该流程图中步骤的顺序可以改变，某些步骤可以省略。为了便于说明，仅示出了与本发明实施例相关的部分，详述如下：
在较优的一实施例中，为了进一步的提高人脸识别的效果和准确率，如图3所示，步骤S107包括：
步骤S201，获取待验证的第一人脸图片和第二人脸图片的融合特征向量。
为了验证第一人脸图片和第二人脸图片是否为同一人的人脸图片，首先需要提取第一人脸图片和第二人脸图片的融合特征向量，具体的提取第方法和前文中提取第一样本和第二样本的融合特征向量的方法相同，即首先根据预设的人脸特征提取模型分别提取第一人脸图片和第二人脸图片的特征向量，之后对第一人脸图片和第二人脸图片的特征向量进行归一化处理，最后在获取第一人脸图片和第二人脸图片的融合特征向量，具体可参照上述步骤S101至步骤S103相关内容，此处不再详细赘述。
步骤S202，将所述第一人脸图片和所述第二人脸图片的融合特征向量输入至所述训练后的回归模型，获取所述第一人脸图片和所述第二人脸图片的相似度。
在根据所述第一人脸图片和所述第二人脸图片的融合特征向量，利用所述训练后的回归模型获得第一人脸图片和所述第二人脸图片的相似度时，具体可以参照上述步骤S1062的内容，此处不再详细赘述。
若所述第一人脸图片和所述第二人脸图片的相似度大于或者等于预设相似度阈值，则执行步骤S203，确定所述第一人脸图片和所述第二人脸图片为同一人的人脸图片。
所述预设相似度阈值为预先设置的相似度，此处并不做特别的限制。在所述第一人脸图片和所述第二人脸图片的相似度大于或者等于预设相似度阈值时，即可确定所述第一人脸图片和所述第二人脸图片为同一人的人脸图片。
若所述第一人脸图片和所述第二人脸图片的相似度小于预设相似度阈值，则执行步骤S204，确定所述第一人脸图片和所述第二人脸图片不是同一人的人脸图片。
在所述第一人脸图片和所述第二人脸图片的相似度小于预设相似度阈值，确定所述第一人脸图片和所述第二人脸图片不是同一人的人脸图片。至此，即完成对所述第一人脸图片和所述第二人脸图片的验证。
在本发明实施例中，训练后的回归模型可以有效区分不同类别标记的人脸图片，利用训练后的回归模型对待识别的第一人脸图片和第二人脸图片进行验证，能够有效确定第一人脸图片和第二人脸图片的相似度，进而确定所述第一人脸图片和所述第二人脸图片是否是同一人的人脸图片，因此，可以进一步的提高人脸识别的效果和准确率。
图4示出了本发明实施例提供的人脸识别的方法中步骤S107的另一实现流程，根据不同的需求，该流程图中步骤的顺序可以改变，某些步骤可以省略。为了便于说明，仅示出了与本发明实施例相关的部分，详述如下：
在较优的一实施例中，为了进一步的提高人脸识别的效果和准确率，如图4所示，步骤S107包括：
步骤S301，获取待检索的目标人脸图片。
为了对人脸图片进行检索，以返回和待检索的目标人脸图片相似度在一定范围的人脸图片，首先需要获取待检索的目标人脸图片。所述待检索的目标人脸图片具体可以通过图像获取设备获取，例如照相机或者摄像机等；或者可以通过网络获取待检索的所述目标人脸图片，此处获取所述待检索的目标人脸图片的途径并不做特别的限制。
步骤S302，利用所述预设人脸特征提取模型分别提取所述目标人脸图片的特征向量以及预设检索数据库所包含的人脸图片的特征向量。
所述预设检索数据库为预先设置的检索数据库，其包括大量的人脸图片。步骤S302具体可以参照上述步骤S101的内容，此处不再详细赘述。
在较优的一实施例中，为了进一步的提高人脸识别的效果和准确率，步骤S107还包括：分别对所述目标人脸图片的特征向量以及预设检索数据库所包含的人脸图片的特征向量进行归一化处理。
在对特征向量进行归一化处理时，具体可以参照上述步骤S102的内容，此处不再详细赘述。
步骤S303，分别确定所述目标人脸图片的特征向量与所述预设检索数据库所包含的每个人脸图片的特征向量的融合特征向量。
在确定所述目标人脸图片的特征向量与所述预设检索数据库所包含的每个人脸图片的特征向量的融合特征向量时，具体可以参照上述步骤S103的内容，此处不再详细赘述。
步骤S304，分别将所述目标人脸图片的特征向量与所述预设检索数据库所包含的每个人脸图片的特征向量的融合特征向量输入至所述训练后的回归模型，并获取所述目标人脸图片与所述预设检索数据库所包含的每个人脸图片的相似度。
在获取所述目标人脸图片与所述预设检索数据库所包含的每个人脸图片的相似度时，具体可以参照上述步骤S1062的内容，此处不再详细赘述。
步骤S305，按照所述目标人脸图片和所述预设检索数据库所包含的每个人脸图片的相似度由大到小的顺序对所述预设检索数据库所包含的每个人脸图片进行排列，并将排列后的人脸图片作为检索结果。
为了将和待检索的目标人脸图片最为相似的人脸图片更为直观的显示在前面，在获取所述目标人脸图片与所述预设检索数据库所包含的每个人脸图片的相似度后，即可按照所述目标人脸图片和所述预设检索数据库所包含的每个人脸图片的相似度由大到小的顺序对所述预设检索数据库所包含的每个人脸图片进行排列，并将排列后的人脸图片作为检索结果，以便将检索结果返回，例如显示在显示屏上。
在本发明实施例中，利用融合特征向量和训练后的回归模型对图片进行识别，按照所述目标人脸图片和所述预设检索数据库所包含的每个人脸图片的相似度由大到小的顺序对所述预设检索数据库所包含的每个人脸图片进行排列，并将排列后的人脸图片作为检索结果，可以提高人脸检索的准确率，进而提高人脸识别的效果和准确率。
图5示出了本发明实施例提供的人脸识别的方法中步骤S107的又一实现流程，根据不同的需求，该流程图中步骤的顺序可以改变，某些步骤可以省略。为了便于说明，仅示出了与本发明实施例相关的部分，详述如下：
在较优的一实施例中，为了进一步提高人脸识别的效果和准确率，如图5所示，在上述图4所示步骤的基础上，步骤S107还包括：
步骤S306，分别确定所述目标人脸图片的特征向量与所述预设检索数据库所包含的每个人脸图片的特征向量的余弦距离。
鉴于所述预设检索数据库包含了大量的人脸图片，对所述预设检索数据库中所有的人脸图片都采用上述方法进行计算，会产生很大的计算量。鉴于余弦距离也可以用来表征两个向量之间的相似度，因此，为了提高人脸检索以及后续的人脸识别的效率，在本发明实施例中，可以首先确定所述目标人脸图片的特征向量与所述预设检索数据库所包含的每个人脸图片的特征向量的余弦距离，以初步用来表征所述目标人脸图片和所述预设检索数据库所包含的每个人脸图片的相似度。关于所述目标人脸图片的特征向量与所述预设检索数据库所包含的每个人脸图片的特征向量的余弦距离的确定，具体可以参照上述步骤S104中确定归一化后的第一样本的特征向量和第二样本的特征向量的余弦距离的方法，此处不再详细赘述。
步骤S307，按照余弦距离由大到小的顺序对所述预设检索数据库所包含的人脸图片进行排列，并将排在前N名的人脸图片作为候选集，其中，N为正整数。
在确定所述目标人脸图片的特征向量与所述预设检索数据库所包含的每个人脸图片的特征向量的余弦距离后，即可按照余弦距离由大到小的顺序对所述预设检索数据库所包含的人脸图片进行排列，将排在前N名的人脸图片作为候选集，以便缩小检索的范围，减少人脸检索和后续人脸识别的计算量，提高人脸检索和后续人脸识别的效率。所述正整数N可以进行设置，例如，在较优的一实施例中，所述正整数N为100，即将排在前100名的人脸图片作为候选集，以便后续确定所述目标人脸图片和所述候选集中的100张人脸图片的相似度。
相应的，步骤S303，所述分别确定所述目标人脸图片的特征向量与所述预设检索数据库所包含的每个人脸图片的特征向量的融合特征向量包括：
步骤S3031，分别确定所述目标人脸图片的特征向量与所述候选集所包含的每个人脸图片的特征向量的融合特征向量。
在减小了检索范围，确定符合一定条件和要求的候选集后，即可确定所述目标人脸图片的特征向量与所述候选集所包含的每个人脸图片的特征向量的融合特征向量。步骤S3031具体可以参照上述步骤S303的内容，此处不再详细赘述。
相应的，步骤S304，所述分别将所述目标人脸图片的特征向量与所述预设检索数据库所包含的每个人脸图片的特征向量的融合特征向量输入至所述训练后的回归模型，并获取所述目标人脸图片和所述预设检索数据库所包含的每个人脸图片的相似度包括：
步骤S3041，分别将所述目标人脸图片的特征向量与所述候选集所包含的每个人脸图片的特征向量的融合特征向量输入至所述训练后的回归模型，并获取所述目标人脸图片和所述候选集所包含的每个人脸图片的相似度。
同样的，步骤S3041可以参照上述步骤S304的内容，此处不再详细赘述。
相应的，步骤S305，所述按照所述目标人脸图片和所述预设检索数据库所包含的每个人脸图片的相似度由大到小的顺序对所述预设检索数据库所包含的人脸图片进行排列，并将排列后的人脸图片作为检索结果包括：
步骤S3051，按照所述目标人脸图片和所述候选集所包含的每个人脸图片的相似度由大到小的顺序对所述候选集所包含的人脸图片进行排列，并将排列后的人脸图片作为检索结果。
同样的，步骤S3051可以参照上述步骤S305的内容，此处不再详细赘述。
在本发明实施例，首先确定所述目标人脸图片的特征向量与所述预设检索数据库所包含的每个人脸图片的特征向量的余弦距离，按照余弦距离由大到小的顺序对所述预设检索数据库所包含的人脸图片进行排列，并将排在前N名的人脸图片作为候选集，进而按照所述目标人脸图片和所述候选集所包含的每个人脸图片的相似度由大到小的顺序对所述候选集所包含的人脸图片进行排列，并将排列后的人脸图片作为检索结果。因此，鉴于余弦距离能够初步表征图片之间的相似度，通过计算余弦距离，将与目标人脸图片最为相似的排在前列的多个人脸图片首先筛选出来，作为后续检索的候选集，因此，可以缩小检索的范围，提高检索速度、进而提高人脸识别的效率。
图6示出了本发明实施例提供的人脸识别的装置的功能模块，为了便于说明，仅示出了与本发明实施例相关的部分，详述如下：
参考图6，所述人脸识别的装置10所包括的各个模块用于执行图1对应实施例中的各个步骤，具体请参阅图1以及图1对应实施例中的相关描述，此处不再赘述。本发明实施例中，所述人脸识别的装置10包括特征向量提取模块101、归一化模块102、融合特征向量获取模块103、参照相似度获取模块104、遍历获取模块105、训练模块106以及识别模块107。
所述特征向量提取模块101，用于根据预设的人脸特征提取模型提取预设训练集中任意两个样本的特征向量。
所述归一化模块102，用于分别对所述任意两个样本的特征向量进行归一化处理。
所述融合特征向量获取模块103，用于获取所述任意两个样本的融合特征向量。
所述参照相似度获取模块104，用于获取所述任意两个样本的参照相似度。
所述遍历获取模块105，用于依次遍历所述预设训练集中所有互不相同的两个样本，获得所述预设训练集中所有互不相同的两个样本的融合特征向量和参照相似度。
所述训练模块106，用于根据所述预设训练集中所有互不相同的两个样本的融合特征向量和参照相似度训练回归模型，确定训练后的回归模型。
所述识别模块107，用于利用所述训练后的回归模型，对待识别的人脸图片进行识别。
在本发明实施例中，融合特征向量获取模块103对预设训练集中互不相同的两个样本的特征向量进行融合，训练模块106根据所有互不相同的两个样本的融合特征向量以及参照相似度训练回归模型，确定训练后的回归模型。融合特征向量包含了人脸图片的纹理特征和动态模式特征，因此，训练后的回归模型能够有效区分不同类别标记的样本，利用所述训练后的回归模型，对待识别的人脸图片进行识别时，可以有效提高人脸识别的效果和准确率。
在较优的一实施例中，为了进一步的提高人脸识别的效果和准确率，所述融合特征向量获取模块103具体用于：
将归一化后的所述任意两个样本的特征向量的对应维度的元素分别相乘，并将相乘的结果作为所述任意两个样本的融合特征向量的相应维度的元素，获得所述任意两个样本的融合特征向量。
图7示出了本发明实施例提供的人脸识别的装置中训练模块106的结构，为了便于说明，仅示出了与本发明实施例相关的部分，详述如下：
在较优的一实施例中，参考图7，所述训练模块106所包括的各个单元用于执行图2对应实施例中的各个步骤，具体请参阅图2以及图2对应实施例中的相关描述，此处不再赘述。本发明实施例中，所述训练模块106包括第一获取单元1061、第二获取单元1062、误差确定单元1063、参数调整单元1064以及回归模型确定单元1065。
所述第一获取单元1061，用于获取所述预设训练集的任一融合特征向量。
所述第二获取单元1062，用于将所述任一融合特征向量输入至回归模型，获得所述任一融合特征向量所对应的两个样本的训练相似度，其中，所述回归模型至少包括第一全连接层和第二全连接层，且所述第一全连接层和第二全连接层均采用激活函数对所述任一融合特征向量做特征映射变换。
所述误差确定单元1063，用于利用损失函数确定所述任一融合特征向量所对应的两个样本的训练相似度与所述任一融合特征向量所对应的两个样本的参照相似度的误差。
所述参数调整单元1064，用于若所述误差不满足预设收敛条件，则利用随机梯度下降通过反向传播的过程调整所述回归模型的所述第一全连接层的参数和所述第二全连接层的参数。
所述回归模型确定单元1065，用于在所述误差满足预设收敛条件时，将满足预设收敛条件之前的最后一次迭代过程的第一全连接层的参数和第二全连接层的参数作为回归模型的第一全连接层的参数和第二全连接层的参数，确定训练后的回归模型。
在较优的一实施例中，所述预设收敛条件包括：
所述误差小于或者等于预设的误差阈值或者所述误差所对应的误差百分比小于或者等于预设的误差百分比。
在本发明实施例中，预设训练集中的融合特征向量同时包含了人脸图片的纹理特征和动态模式特征，利用预设训练集的融合特征向量对回归模型进行训练，利用随机梯度下降通过反向传播的过程调整所述回归模型的参数，确定训练后的回归模型，因此，训练后的回归模型可以有效区分不同类别标记的样本，利用所述训练后的回归模型，对待识别的人脸图片进行识别时，可以有效提高人脸识别的效果和准确率。
图8示出了本发明实施例提供的人脸识别的装置中识别模块107的结构，为了便于说明，仅示出了与本发明实施例相关的部分，详述如下：
在较优的一实施例中，参考图8，所述识别模块107所包括的各个单元用于执行图3对应实施例中的各个步骤，具体请参阅图3以及图3对应实施例中的相关描述，此处不再赘述。本发明实施例中，所述识别模块107包括融合特征向量获取单元201、第一相似度获取单元202以及确定单元203。
所述融合特征向量获取单元201，用于获取待验证的第一人脸图片和第二人脸图片的融合特征向量。
所述第一相似度获取单元202，用于将所述第一人脸图片和所述第二人脸图片的融合特征向量输入至所述训练后的回归模型，获取所述第一人脸图片和所述第二人脸图片的相似度。
所述确定单元203，用于若所述第一人脸图片和所述第二人脸图片的相似度大于或者等于预设相似度阈值，则确定所述第一人脸图片和所述第二人脸图片为同一人的人脸图片。
所述确定单元203，还用于若所述第一人脸图片和所述第二人脸图片的相似度小于预设相似度阈值，则确定所述第一人脸图片和所述第二人脸图片不是同一人的人脸图片。
在本发明实施例中，所述融合特征向量获取单元201获取待验证的第一人脸图片和第二人脸图片的融合特征向量，所述第一相似度获取单元202根据所述融合特征向量获取所述第一人脸图片和所述第二人脸图片的相似度，所述确定单元203将所述相似度与预设相似度阈值进行比较，进而确定所述第一人脸图片和所述第二人脸图片是否是同一人的人脸图片。本发明实施例，第一相似度获取单元202根据融合特征向量确定所述第一人脸图片和所述第二人脸图片的相似度，进而确定单元203确定所述第一人脸图片和所述第二人脸图片是否是同一人的人脸图片，因此，可以进一步的提高人脸识别的效果和准确率。
图9示出了本发明实施例提供的人脸识别的装置中识别模块107的另一结构，为了便于说明，仅示出了与本发明实施例相关的部分，详述如下：
在较优的一实施例中，参考图9，所述识别模块107所包括的各个单元用于执行图4对应实施例中的各个步骤，具体请参阅图4以及图4对应实施例中的相关描述，此处不再赘述。本发明实施例中，所述识别模块107包括目标人脸图片获取单元301、特征向量提取单元302、融合特征向量确定单元303、第二相似度获取单元304以及检索结果确定单元305。
所述目标人脸图片获取单元301，用于获取待检索的目标人脸图片。
所述特征向量提取单元302，用于利用所述预设人脸特征提取模型分别提取所述目标人脸图片的特征向量以及预设检索数据库所包含的人脸图片的特征向量。
所述融合特征向量确定单元303，用于分别确定所述目标人脸图片的特征向量与所述预设检索数据库所包含的每个人脸图片的特征向量的融合特征向量。
所述第二相似度获取单元304，用于分别将所述目标人脸图片的特征向量与所述预设检索数据库所包含的每个人脸图片的特征向量的融合特征向量输入至所述训练后的回归模型，并获取所述目标人脸图片与所述预设检索数据库所包含的每个人脸图片的相似度。
所述检索结果确定单元305，用于按照所述目标人脸图片和所述预设检索数据库所包含的每个人脸图片的相似度由大到小的顺序对所述预设检索数据库所包含的每个人脸图片进行排列，并将排列后的人脸图片作为检索结果。
在本发明实施例中，利用融合特征向量和训练后的回归模型对图片进行识别，检索结果确定单元305按照所述目标人脸图片和所述预设检索数据库所包含的每个人脸图片的相似度由大到小的顺序对所述预设检索数据库所包含的每个人脸图片进行排列，并将排列后的人脸图片作为检索结果，因此，可以进一步提高人脸识别的效果和准确率。
图10示出了本发明实施例提供的人脸识别的装置中识别模块107的又一结构，为了便于说明，仅示出了与本发明实施例相关的部分，详述如下：
在较优的一实施例中，参考图10，所述识别模块107所包括的各个单元或者子单元用于执行图5对应实施例中的各个步骤，具体请参阅图5以及图5对应实施例中的相关描述，此处不再赘述。本发明实施例中，所述识别模块107在上述图9所示结构的基础上还包括余弦距离确定单元306以及候选集确定单元307。相应的，所述融合特征向量确定单元303包括融合特征向量确定子单元3031，所述第二相似度获取单元304包括相似度获取子单元3041，所述检索结果确定单元305包括检索结果确定子单元3051。
所述余弦距离确定单元306，用于分别确定所述目标人脸图片的特征向量与所述预设检索数据库所包含的每个人脸图片的特征向量的余弦距离。
所述候选集确定单元307，用于按照余弦距离由大到小的顺序对所述预设检索数据库所包含的人脸图片进行排列，并将排在前N名的人脸图片作为候选集，其中，N为正整数。
所述融合特征向量确定子单元3031，用于分别确定所述目标人脸图片的特征向量与所述候选集所包含的每个人脸图片的特征向量的融合特征向量。
所述相似度获取子单元3041，用于分别将所述目标人脸图片的特征向量与所述候选集所包含的每个人脸图片的特征向量的融合特征向量输入至所述训练后的回归模型，并获取所述目标人脸图片和所述候选集所包含的每个人脸图片的相似度。
所述检索结果确定子单元3051，用于按照所述目标人脸图片和所述候选集所包含的每个人脸图片的相似度由大到小的顺序对所述候选集所包含的人脸图片进行排列，并将排列后的人脸图片作为检索结果。
在本发明实施例，余弦距离确定单元306确定所述目标人脸图片的特征向量与所述预设检索数据库所包含的每个人脸图片的特征向量的余弦距离，候选集确定单元307按照余弦距离由大到小的顺序对所述预设检索数据库所包含的人脸图片进行排列，并将排在前N名的人脸图片作为候选集，检索结果确定子单元3051按照所述目标人脸图片和所述候选集所包含的每个人脸图片的相似度由大到小的顺序对所述候选集所包含的人脸图片进行排列，并将排列后的人脸图片作为检索结果，鉴于余弦距离能够初步表征图片之间的相似度，通过计算余弦距离，将与目标人脸图片最为相似的排在前列的多个人脸图片首先筛选出来，作为后续检索的候选集，因此，可以缩小检索的范围、提高检索速度，进而提高人脸识别的效率。
图11是本发明实施例提供的实现人脸识别的方法的较佳实施例的计算机装置1的结构示意图。如图11所示，计算机装置1包括存储器11、处理器12及输入输出设备13。
所述计算机装置1是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(Application SpecificIntegrated Circuit，ASIC)、可编程门阵列(Field－Programmable Gate Array，FPGA)、数字处理器(Digital Signal Processor，DSP)、嵌入式设备等。
所述计算机装置1可以是任何一种可与用户进行人机交互的电子产品，例如，个人计算机、平板电脑、智能手机、个人数字助理(Personal Digital Assistant，PDA)、游戏机、交互式网络电视(Internet Protocol Television，IPTV)、智能式穿戴式设备等。所述计算机装置1可以是服务器，所述服务器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(Cloud Computing)的由大量主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集组成的一个超级虚拟计算机。所述计算机装置1所处的网络包括但不限于互联网、广域网、城域网、局域网、虚拟专用网络(Virtual Private Network，VPN)等。
存储器11用于存储人脸识别的方法的程序和各种数据，并在计算机装置1运行过程中实现高速、自动地完成程序或数据的存取。存储器11可以是计算机装置1的外部存储设备和/或内部存储设备。进一步地，存储器11可以是集成电路中没有实物形式的具有存储功能的电路，如RAM(Random-Access Memory，随机存取存储设备)、FIFO(First In FirstOut，)等，或者，存储器11也可以是具有实物形式的存储设备，如内存条、TF卡(Trans-flashCard)等等。
处理器12可以是中央处理器(CPU，Central Processing Unit)。CPU是一块超大规模的集成电路，是计算机装置1的运算核心(Core)和控制核心(Control Unit)。处理器12可执行计算机装置1的操作系统以及安装的各类应用程序、程序代码等，例如执行人脸识别的装置10中的各个模块或者单元中的操作系统以及安装的各类应用程序、程序代码，以实现人脸识别的方法。
输入输出设备13主要用于实现计算机装置1的输入输出功能，比如收发输入的数字或字符信息，或显示由用户输入的信息或提供给用户的信息以及计算机装置1的各种菜单。
所述计算机装置1集成的模块/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，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
以上说明的本发明的特征性的手段可以通过集成电路来实现，并控制实现上述任意实施例中所述活体检测方法的功能。即，本发明的集成电路安装于所述计算机装置1中，使所述计算机装置1发挥如下功能：
根据预设的人脸特征提取模型提取预设训练集中任意两个样本的特征向量；
分别对所述任意两个样本的特征向量进行归一化处理；
获取所述任意两个样本的融合特征向量；
获取所述任意两个样本的参照相似度；
依次遍历所述预设训练集中所有互不相同的两个样本，获得所述预设训练集中所有互不相同的两个样本的融合特征向量和参照相似度；
根据所述预设训练集中所有互不相同的两个样本的融合特征向量和参照相似度训练回归模型，确定训练后的回归模型；
利用所述训练后的回归模型，对待识别的人脸图片进行识别。
在任意实施例中所述活体检测方法所能实现的功能都能通过本发明的集成电路安装于所述计算机装置1中，使所述计算机装置1发挥任意实施例中所述活体检测方法所能实现的功能，在此不再详述。
在本发明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。
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，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个模块或装置也可以由一个模块或装置通过软件或者硬件来实现。第一，第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。

Claims (10)

1.一种人脸识别的方法，其特征在于，所述方法包括：
根据预设的人脸特征提取模型提取预设训练集中任意两个样本的特征向量；
分别对所述任意两个样本的特征向量进行归一化处理；
获取所述任意两个样本的融合特征向量；
获取所述任意两个样本的参照相似度；
依次遍历所述预设训练集中所有互不相同的两个样本，获得所述预设训练集中所有互不相同的两个样本的融合特征向量和参照相似度；
根据所述预设训练集中所有互不相同的两个样本的融合特征向量和参照相似度训练回归模型，确定训练后的回归模型；
利用所述训练后的回归模型，对待识别的人脸图片进行识别。
2.如权利要求1所述的方法，其特征在于，所述获取所述任意两个样本的融合特征向量包括：
将归一化后的所述任意两个样本的特征向量的对应维度的元素分别相乘，并将相乘的结果作为所述任意两个样本的融合特征向量的相应维度的元素，获得所述任意两个样本的融合特征向量。
3.如权利要求1所述的方法，其特征在于，所述预设训练集包括样本所对应的类别标记，所述获取所述任意两个样本的参照相似度包括：
确定归一化后的所述任意两个样本的特征向量的余弦距离；
若所述任意两个样本的类别标记相同，则所述任意两个样本的参照相似度为所述余弦距离与预设常数的和；
若所述任意两个样本的类别标记不同，则所述任意两个样本的参照相似度为所述余弦距离与所述预设常数的差。
4.如权利要求1所述的方法，其特征在于，所述根据所述预设训练集中所有互不相同的两个样本的融合特征向量和参照相似度训练回归模型，确定训练后的回归模型包括：
获取所述预设训练集的任一融合特征向量；
将所述任一融合特征向量输入至回归模型，获得所述任一融合特征向量所对应的两个样本的训练相似度，其中，所述回归模型至少包括第一全连接层和第二全连接层，且所述第一全连接层和第二全连接层均采用激活函数对所述任一融合特征向量做特征映射变换；
利用损失函数确定所述任一融合特征向量所对应的两个样本的训练相似度与所述任一融合特征向量所对应的两个样本的参照相似度的误差；
若所述误差不满足预设收敛条件，则利用随机梯度下降通过反向传播的过程调整所述回归模型的所述第一全连接层的参数和所述第二全连接层的参数；
重复上述迭代过程，直至所述误差满足预设收敛条件，将满足预设收敛条件之前的最后一次迭代过程的第一全连接层的参数和第二全连接层的参数作为回归模型的第一全连接层的参数和第二全连接层的参数，确定训练后的回归模型。
5.如权利要求4所述的方法，其特征在于，所述预设收敛条件包括：
所述误差小于或者等于预设的误差阈值或者所述误差所对应的误差百分比小于或者等于预设的误差百分比。
6.如权利要求1所述的方法，其特征在于，所述利用所述训练后的回归模型，对待识别的人脸图片进行识别包括：
获取待验证的第一人脸图片和第二人脸图片的融合特征向量；
将所述第一人脸图片和所述第二人脸图片的融合特征向量输入至所述训练后的回归模型，获取所述第一人脸图片和所述第二人脸图片的相似度；
若所述第一人脸图片和所述第二人脸图片的相似度大于或者等于预设相似度阈值，则确定所述第一人脸图片和所述第二人脸图片为同一人的人脸图片；
若所述第一人脸图片和所述第二人脸图片的相似度小于预设相似度阈值，则确定所述第一人脸图片和所述第二人脸图片不是同一人的人脸图片。
7.如权利要求1所述的方法，其特征在于，所述利用所述训练后的回归模型，对待识别的人脸图片进行识别包括：
获取待检索的目标人脸图片；
利用所述预设人脸特征提取模型分别提取所述目标人脸图片的特征向量以及预设检索数据库所包含的人脸图片的特征向量；
分别确定所述目标人脸图片的特征向量与所述预设检索数据库所包含的每个人脸图片的特征向量的融合特征向量；
分别将所述目标人脸图片的特征向量与所述预设检索数据库所包含的每个人脸图片的特征向量的融合特征向量输入至所述训练后的回归模型，并获取所述目标人脸图片与所述预设检索数据库所包含的每个人脸图片的相似度；
按照所述目标人脸图片和所述预设检索数据库所包含的每个人脸图片的相似度由大到小的顺序对所述预设检索数据库所包含的每个人脸图片进行排列，并将排列后的人脸图片作为检索结果。
8.如权利要求7所述的方法，其特征在于，所述方法还包括：
分别确定所述目标人脸图片的特征向量与所述预设检索数据库所包含的每个人脸图片的特征向量的余弦距离；
按照余弦距离由大到小的顺序对所述预设检索数据库所包含的人脸图片进行排列，并将排在前N名的人脸图片作为候选集，其中，N为正整数；
所述分别确定所述目标人脸图片的特征向量与所述预设检索数据库所包含的每个人脸图片的特征向量的融合特征向量包括：
分别确定所述目标人脸图片的特征向量与所述候选集所包含的每个人脸图片的特征向量的融合特征向量；
所述分别将所述目标人脸图片的特征向量与所述预设检索数据库所包含的每个人脸图片的特征向量的融合特征向量输入至所述训练后的回归模型，并获取所述目标人脸图片和所述预设检索数据库所包含的每个人脸图片的相似度包括：
分别将所述目标人脸图片的特征向量与所述候选集所包含的每个人脸图片的特征向量的融合特征向量输入至所述训练后的回归模型，并获取所述目标人脸图片和所述候选集所包含的每个人脸图片的相似度；
所述按照所述目标人脸图片和所述预设检索数据库所包含的每个人脸图片的相似度由大到小的顺序对所述预设检索数据库所包含的人脸图片进行排列，并将排列后的人脸图片作为检索结果包括：
按照所述目标人脸图片和所述候选集所包含的每个人脸图片的相似度由大到小的顺序对所述候选集所包含的人脸图片进行排列，并将排列后的人脸图片作为检索结果。
9.一种人脸识别的装置，其特征在于，所述装置包括：
特征向量提取模块，用于根据预设的人脸特征提取模型提取预设训练集中任意两个样本的特征向量，所述预设训练集包括样本所对应的类别标记；
归一化模块，用于分别对所述任意两个样本的特征向量进行归一化处理；
融合特征向量获取模块，用于获取所述任意两个样本的融合特征向量
参照相似度获取模块，用于获取所述任意两个样本的参照相似度；
遍历获取模块，用于依次遍历所述预设训练集中所有互不相同的两个样本，获得所述预设训练集中所有互不相同的两个样本的融合特征向量和参照相似度；
训练模块，用于根据所述预设训练集中所有互不相同的两个样本的融合特征向量和参照相似度训练回归模型，确定训练后的回归模型；
识别模块，用于利用所述训练后的回归模型，对待识别的人脸图片进行识别。
10.一种计算机装置，其特征在于，所述计算机装置包括处理器，所述处理器用于执行存储器中存储的计算机程序时实现如权利要求1-8中任意一项所述人脸识别的方法。
CN201711366133.0A 2017-12-18 2017-12-18 人脸识别的方法、装置及计算机装置 Active CN108197532B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN201711366133.0A CN108197532B (zh) 2017-12-18 2017-12-18 人脸识别的方法、装置及计算机装置
PCT/CN2017/119465 WO2019119505A1 (zh) 2017-12-18 2017-12-28 人脸识别的方法和装置、计算机装置及存储介质
PCT/CN2018/120513 WO2019120115A1 (zh) 2017-12-18 2018-12-12 人脸识别的方法、装置及计算机装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711366133.0A CN108197532B (zh) 2017-12-18 2017-12-18 人脸识别的方法、装置及计算机装置

Publications (2)

Publication Number Publication Date
CN108197532A true CN108197532A (zh) 2018-06-22
CN108197532B CN108197532B (zh) 2019-08-16

Family

ID=62574509

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711366133.0A Active CN108197532B (zh) 2017-12-18 2017-12-18 人脸识别的方法、装置及计算机装置

Country Status (2)

Country Link
CN (1) CN108197532B (zh)
WO (2) WO2019119505A1 (zh)

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108921071A (zh) * 2018-06-24 2018-11-30 深圳市中悦科技有限公司 人脸活体检测方法、装置、存储介质及处理器
CN109063698A (zh) * 2018-10-23 2018-12-21 深圳大学 一种非负特征提取及人脸识别应用方法、系统及存储介质
CN109190654A (zh) * 2018-07-09 2019-01-11 上海斐讯数据通信技术有限公司 人脸识别模型的训练方法和装置
CN109583332A (zh) * 2018-11-15 2019-04-05 北京三快在线科技有限公司 人脸识别方法、人脸识别系统、介质及电子设备
WO2019120115A1 (zh) * 2017-12-18 2019-06-27 深圳励飞科技有限公司 人脸识别的方法、装置及计算机装置
CN110070046A (zh) * 2019-04-23 2019-07-30 北京市商汤科技开发有限公司 人脸图像识别方法及装置、电子设备和存储介质
CN110415424A (zh) * 2019-06-17 2019-11-05 众安信息技术服务有限公司 一种防伪鉴定方法、装置、计算机设备和存储介质
CN110427870A (zh) * 2019-06-10 2019-11-08 腾讯医疗健康(深圳)有限公司 眼部图片识别方法、目标识别模型训练方法及装置
CN111091080A (zh) * 2019-12-06 2020-05-01 贵州电网有限责任公司 人脸识别方法及系统
CN111339884A (zh) * 2020-02-19 2020-06-26 浙江大华技术股份有限公司 图像识别方法以及相关设备、装置
CN111368644A (zh) * 2020-02-14 2020-07-03 深圳市商汤科技有限公司 图像处理方法、装置、电子设备及存储介质
CN111555889A (zh) * 2020-04-27 2020-08-18 深圳壹账通智能科技有限公司 电子签名的验证方法、装置、计算机设备和存储介质
CN112445992A (zh) * 2019-09-03 2021-03-05 阿里巴巴集团控股有限公司 信息处理方法及装置
CN114372205A (zh) * 2022-03-22 2022-04-19 腾讯科技（深圳）有限公司 特征量化模型的训练方法、装置以及设备

Families Citing this family (26)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112241664B (zh) * 2019-07-18 2024-10-15 顺丰科技有限公司 人脸识别方法、装置、服务器及存储介质
CN110414588A (zh) * 2019-07-23 2019-11-05 广东小天才科技有限公司 图片标注方法、装置、计算机设备和存储介质
WO2021027440A1 (zh) 2019-08-15 2021-02-18 华为技术有限公司 一种人脸检索方法及装置
CN112395448A (zh) * 2019-08-15 2021-02-23 华为技术有限公司 一种人脸检索方法及装置
CN110674748B (zh) * 2019-09-24 2024-02-13 腾讯科技（深圳）有限公司 图像数据处理方法、装置、计算机设备以及可读存储介质
CN111144240B (zh) * 2019-12-12 2023-02-07 深圳数联天下智能科技有限公司 图像处理方法及相关设备
CN111209860B (zh) * 2020-01-06 2023-04-07 上海海事大学 基于深度学习与强化学习的视频考勤系统及方法
CN113269010B (zh) * 2020-02-14 2024-03-26 深圳云天励飞技术有限公司 一种人脸活体检测模型的训练方法和相关装置
CN111325156B (zh) * 2020-02-24 2023-08-11 北京沃东天骏信息技术有限公司 人脸识别方法、装置、设备和存储介质
CN111598818B (zh) * 2020-04-17 2023-04-28 北京百度网讯科技有限公司 人脸融合模型训练方法、装置及电子设备
CN113569884B (zh) * 2020-04-29 2024-09-06 北京金山云网络技术有限公司 模型训练方法、装置、电子设备及计算机可读存储介质
CN111709303A (zh) * 2020-05-21 2020-09-25 北京明略软件系统有限公司 一种人脸图像的识别方法和装置
CN111860165B (zh) * 2020-06-18 2023-11-03 盛视科技股份有限公司 一种基于视频流的动态人脸识别方法和装置
CN111753760A (zh) * 2020-06-28 2020-10-09 北京百度网讯科技有限公司 模型生成方法、装置、电子设备及存储介质
CN111968152B (zh) * 2020-07-15 2023-10-17 桂林远望智能通信科技有限公司 一种动态身份识别方法及装置
CN112101172B (zh) * 2020-09-08 2023-09-08 平安科技（深圳）有限公司 基于权重嫁接的模型融合的人脸识别方法及相关设备
CN112418303B (zh) * 2020-11-20 2024-07-12 浙江大华技术股份有限公司 一种识别状态模型的训练方法、装置及计算机设备
CN112633297B (zh) * 2020-12-28 2023-04-07 浙江大华技术股份有限公司 目标对象的识别方法、装置、存储介质以及电子装置
CN117173008A (zh) * 2021-03-17 2023-12-05 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
CN112990090A (zh) * 2021-04-09 2021-06-18 北京华捷艾米科技有限公司 一种人脸活体检测方法及装置
CN113177449B (zh) * 2021-04-20 2024-02-02 北京百度网讯科技有限公司 人脸识别的方法、装置、计算机设备及存储介质
CN113657178B (zh) * 2021-07-22 2024-08-06 浙江大华技术股份有限公司 人脸识别方法、电子设备和计算机可读存储介质
CN114139013B (zh) * 2021-11-29 2024-07-16 深圳须弥云图空间科技有限公司 图像搜索方法、装置、电子设备及计算机可读存储介质
CN114565979B (zh) * 2022-03-04 2024-03-29 中国科学技术大学 一种行人重识别方法、系统、设备及存储介质
CN114792438A (zh) * 2022-03-30 2022-07-26 深圳市捷顺科技实业股份有限公司 一种人脸识别模型构建方法、装置、设备及存储介质
CN115690443B (zh) * 2022-09-29 2023-06-16 北京百度网讯科技有限公司 特征提取模型训练方法、图像分类方法及相关装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050238207A1 (en) * 2004-04-23 2005-10-27 Clifford Tavares Biometric verification system and method utilizing a data classifier and fusion model
CN104715254A (zh) * 2015-03-17 2015-06-17 东南大学 一种基于2d和3d sift特征融合的一般物体识别方法
CN106250858A (zh) * 2016-08-05 2016-12-21 重庆中科云丛科技有限公司 一种融合多种人脸识别算法的识别方法及系统
CN107292146A (zh) * 2016-03-30 2017-10-24 中国联合网络通信集团有限公司 用户特征向量选取方法及系统

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104978550B (zh) * 2014-04-08 2018-09-18 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
CN104239858B (zh) * 2014-09-05 2017-06-09 华为技术有限公司 一种人脸特征验证的方法和装置
CN108197532B (zh) * 2017-12-18 2019-08-16 深圳励飞科技有限公司 人脸识别的方法、装置及计算机装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050238207A1 (en) * 2004-04-23 2005-10-27 Clifford Tavares Biometric verification system and method utilizing a data classifier and fusion model
CN104715254A (zh) * 2015-03-17 2015-06-17 东南大学 一种基于2d和3d sift特征融合的一般物体识别方法
CN107292146A (zh) * 2016-03-30 2017-10-24 中国联合网络通信集团有限公司 用户特征向量选取方法及系统
CN106250858A (zh) * 2016-08-05 2016-12-21 重庆中科云丛科技有限公司 一种融合多种人脸识别算法的识别方法及系统

Cited By (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019120115A1 (zh) * 2017-12-18 2019-06-27 深圳励飞科技有限公司 人脸识别的方法、装置及计算机装置
CN108921071A (zh) * 2018-06-24 2018-11-30 深圳市中悦科技有限公司 人脸活体检测方法、装置、存储介质及处理器
CN109190654A (zh) * 2018-07-09 2019-01-11 上海斐讯数据通信技术有限公司 人脸识别模型的训练方法和装置
CN109063698B (zh) * 2018-10-23 2022-03-08 深圳大学 一种非负特征提取及人脸识别应用方法、系统及存储介质
CN109063698A (zh) * 2018-10-23 2018-12-21 深圳大学 一种非负特征提取及人脸识别应用方法、系统及存储介质
CN109583332A (zh) * 2018-11-15 2019-04-05 北京三快在线科技有限公司 人脸识别方法、人脸识别系统、介质及电子设备
CN109583332B (zh) * 2018-11-15 2021-07-27 北京三快在线科技有限公司 人脸识别方法、人脸识别系统、介质及电子设备
CN110070046B (zh) * 2019-04-23 2024-05-24 北京市商汤科技开发有限公司 人脸图像识别方法及装置、电子设备和存储介质
CN110070046A (zh) * 2019-04-23 2019-07-30 北京市商汤科技开发有限公司 人脸图像识别方法及装置、电子设备和存储介质
CN110427870A (zh) * 2019-06-10 2019-11-08 腾讯医疗健康(深圳)有限公司 眼部图片识别方法、目标识别模型训练方法及装置
CN110415424A (zh) * 2019-06-17 2019-11-05 众安信息技术服务有限公司 一种防伪鉴定方法、装置、计算机设备和存储介质
CN112445992B (zh) * 2019-09-03 2024-02-20 阿里巴巴集团控股有限公司 信息处理方法及装置
CN112445992A (zh) * 2019-09-03 2021-03-05 阿里巴巴集团控股有限公司 信息处理方法及装置
CN111091080A (zh) * 2019-12-06 2020-05-01 贵州电网有限责任公司 人脸识别方法及系统
CN111368644A (zh) * 2020-02-14 2020-07-03 深圳市商汤科技有限公司 图像处理方法、装置、电子设备及存储介质
CN111368644B (zh) * 2020-02-14 2024-01-05 深圳市商汤科技有限公司 图像处理方法、装置、电子设备及存储介质
CN111339884B (zh) * 2020-02-19 2023-06-06 浙江大华技术股份有限公司 图像识别方法以及相关设备、装置
CN111339884A (zh) * 2020-02-19 2020-06-26 浙江大华技术股份有限公司 图像识别方法以及相关设备、装置
CN111555889A (zh) * 2020-04-27 2020-08-18 深圳壹账通智能科技有限公司 电子签名的验证方法、装置、计算机设备和存储介质
CN114372205A (zh) * 2022-03-22 2022-04-19 腾讯科技（深圳）有限公司 特征量化模型的训练方法、装置以及设备

Also Published As

Publication number Publication date
CN108197532B (zh) 2019-08-16
WO2019119505A1 (zh) 2019-06-27
WO2019120115A1 (zh) 2019-06-27

Similar Documents

Publication Publication Date Title
CN108197532B (zh) 人脸识别的方法、装置及计算机装置
You et al. Relative CNN-RNN: Learning relative atmospheric visibility from images
CN111324774B (zh) 一种视频去重方法和装置
CN111680678B (zh) 目标区域识别方法、装置、设备及可读存储介质
US20230290120A1 (en) Image classification method and apparatus, computer device, and storage medium
CN110555428B (zh) 行人重识别方法、装置、服务器以及存储介质
CN112395979A (zh) 基于图像的健康状态识别方法、装置、设备及存储介质
CN116580257A (zh) 特征融合模型训练及样本检索方法、装置和计算机设备
CN110458644A (zh) 一种信息处理方法及相关设备
CN109885597A (zh) 基于机器学习的用户分群处理方法、装置及电子终端
CN108198172A (zh) 图像显著性检测方法和装置
CN112069412B (zh) 信息推荐方法、装置、计算机设备及存储介质
CN110276243A (zh) 分数映射方法、人脸比对方法、装置、设备及存储介质
CN110489955A (zh) 应用于电子设备的图像处理、装置、计算设备、介质
CN112749576B (zh) 图像识别方法和装置、计算设备以及计算机存储介质
CN114330476A (zh) 用于媒体内容识别的模型训练方法及媒体内容识别方法
CN116340887B (zh) 多模态假新闻检测方法及系统
CN111626212A (zh) 图片中对象的识别方法和装置、存储介质及电子装置
CN112949672A (zh) 商品识别方法、装置、设备以及计算机可读存储介质
CN114708449B (zh) 相似视频的确定方法、实例表征模型的训练方法及设备
CN108345905A (zh) 多特征图片识别方法、装置及计算机可读存储介质
CN117351382A (zh) 视频对象定位方法及其装置、存储介质、程序产品
CN111696637B (zh) 一种病历数据的质量检测方法和相关装置
CN114332599A (zh) 图像识别方法、装置、计算机设备、存储介质和产品
Wang et al. SAFD: single shot anchor free face detector

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

Effective date of registration: 20181210

Address after: Room D24, Pilot Youth Community, 2nd Floor, Peihong Building, Nanshan Street Science Park, Nanshan District, Shenzhen City, Guangdong Province

Applicant after: Shenzhen Li Fei Technology Co., Ltd.

Address before: 518000 Shenzhen Science Museum, 1003 Shangbuzhong Road, Futian District, Shenzhen City, Guangdong Province, 7th Floor

Applicant before: The skies, Shenzhen Li Fei Technology Co., Ltd.

TA01 Transfer of patent application right
GR01 Patent grant
GR01 Patent grant