CN108229313A - 人脸识别方法和装置、电子设备和计算机程序及存储介质 - Google Patents
人脸识别方法和装置、电子设备和计算机程序及存储介质 Download PDFInfo
- Publication number
- CN108229313A CN108229313A CN201711218983.6A CN201711218983A CN108229313A CN 108229313 A CN108229313 A CN 108229313A CN 201711218983 A CN201711218983 A CN 201711218983A CN 108229313 A CN108229313 A CN 108229313A
- Authority
- CN
- China
- Prior art keywords
- face
- data
- network
- characteristic
- image
- 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
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
- G06V40/168—Feature extraction; Face representation
-
- 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
- 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)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明实施例公开了一种人脸识别方法和装置、电子设备和计算机程序及存储介质。其中,方法包括:提取当前图像中的人脸特征数据及人脸偏转角度;基于所述人脸偏转角度,获取对应的修正数据;基于所述修正数据对所述特征数据进行修正,生成对应的正脸特征数据。本发明实施例可以提高侧脸识别的准确率,实现以非常小的计算和存储代价大幅提升侧脸识别的性能。
Description
技术领域
本发明属于计算机视觉技术领域,特别是涉及一种人脸识别方法和装置、电子设备和计算机程序及存储介质。
背景技术
随着深度学习技术在计算机视觉领域的应用,我们发现深度学习技术在众多传统计算机视觉问题上都有着非常出众的表现,例如:在人脸识别问题上,通过对卷积神经网络训练提取特征相比于传统的手工设计特征有着更加良好的表现。
虽然当前基于卷积神经网络的人脸识别已经非常普遍,并且对于正脸(指转角小于45度的人脸)的识别表现已经达到、甚至超过了人类,但是对于侧脸(指转角大于或等于45度的人脸)的识别表现还不尽如人意,例如:通过对卷积神经网络训练提取特征验证正脸与侧脸、或者侧脸与侧脸是否为同一个人时,判断的准确性距人类的表现还有一定的差距。
侧脸识别在人脸识别中具有非常重要的意义,在很多情况下会很难得到人的正脸图像,例如:在监控场景下拍摄到人正脸的概率就比较小,因此提高侧脸识别的准确率是当前基于卷积神经网络的人脸识别需要解决的一项非常关键的技术问题。
现有技术在解决侧脸识别准确率问题时主要采用以下两种方案:一种是通过人脸关键点检测,在图像输入层次做变换,通过坐标映射,或者生成式网络,将一张侧脸图像作为输入,得到对应的正脸图像;另一种是对人脸进行3D建模,直接从3D建模投影得到对应角度的人脸做匹配验证。
然而,对于侧脸图像中不可见的人脸区域,例如:一张朝右的侧脸图像没有右半侧脸的信息,坐标映射并不能比较好地推理出这些区域,导致生成的正脸图像一般质量较差,而目前的生成式网络生成的图像往往存在瑕疵,还不能够稳定地生成与真实拍摄得到的图像品质相近的图像,因此使用这类方法并不能切实地提高侧脸识别的准确率;采用对人脸进行3D建模的方法往往需要深度数据,而目前人们能够采集到的大规模人脸数据一般只有RGB3个通道的信息。
发明内容
本发明实施例提供一种人脸识别技术方案。
根据本发明实施例的一个方面,提供一种人脸识别方法,包括:
提取当前图像中的人脸特征数据及人脸偏转角度;
基于所述人脸偏转角度,获取对应的修正数据;
基于所述修正数据对所述特征数据进行修正,生成对应的正脸特征数据。
可选地,在本发明上述任一方法实施例中,所述基于所述人脸偏转角度,获取对应的修正数据,包括:
基于所述特征数据生成残差数据;
依据所述偏转角度修正所述残差数据,生成所述修正数据。
可选地,在本发明上述任一方法实施例中,通过神经网络,依次执行:所述提取当前图像中的人脸特征数据及人脸偏转角度的操作;所述基于所述人脸偏转角度,获取对应的修正数据的操作;以及所述基于所述修正数据对所述特征数据进行修正,生成对应的正脸特征数据的操作。
可选地,在本发明上述任一方法实施例中,所述神经网络包括特征提取子网络及修正子网络;
所述提取当前图像中的人脸特征数据,包括:
通过所述特征提取子网络,提取当前图像中的人脸特征数据;
所述提取当前图像中的人脸偏转角度,包括:
通过所述修正子网络,提取当前图像中的人脸偏转角度;
所述基于所述人脸偏转角度,获取对应的修正数据,包括:
通过所述修正子网络,基于所述人脸偏转角度,获取对应的修正数据。
可选地,在本发明上述任一方法实施例中,还包括:
获取分别标注有图像中人脸类别的多个样本图像,所述多个样本图像中包含正脸样本图像及侧脸样本图像;
基于所述多个样本图像,训练所述神经网络。
可选地,在本发明上述任一方法实施例中,所述多个样本图像中所述正脸样本图像的数量大于或等于所述侧脸样本图像的数量。
可选地,在本发明上述任一方法实施例中,所述多个样本图像中包含同一个人脸对应的正脸样本图像和侧脸样本图像。
可选地,在本发明上述任一方法实施例中,所述基于所述多个样本图像,训练所述神经网络,包括:
基于所述多个样本图像,训练所述特征提取子网络;
基于所述多个样本图像,训练所述修正子网络。
可选地,在本发明上述任一方法实施例中,所述基于所述修正数据对所述特征数据进行修正,生成对应的正脸特征数据之后,还包括:
根据所述正脸特征数据,对所述当前图像进行人脸识别。
可选地,在本发明上述任一方法实施例中,所述根据所述正脸特征数据,对所述当前图像进行人脸识别,包括:
计算所述正脸特征数据与预设人脸库内的各预设人脸图像分别对应的人脸特征数据之间的相似度;
将大于相似度阈值的人脸特征数据对应的预设人脸图像,作为所述当前图像的识别结果。
根据本发明实施例的另一个方面,提供一种人脸识别装置,包括:
特征数据提取单元,用于提取当前图像中的人脸特征数据;
偏转角度提取单元,用于提取当前图像中的人脸偏转角度;
修正数据获取单元,用于基于所述人脸偏转角度,获取对应的修正数据;
特征数据生成单元,用于基于所述修正数据对所述特征数据进行修正,生成对应的正脸特征数据。
可选地,在本发明上述任一装置实施例中,所述修正数据获取单元,包括:
残差数据生成模块,用于基于所述特征数据生成残差数据;
修正数据生成模块,用于依据所述偏转角度修正所述残差数据,生成所述修正数据。
可选地,在本发明上述任一装置实施例中,通过神经网络,依次执行:所述提取当前图像中的人脸特征数据及人脸偏转角度的操作;所述基于所述人脸偏转角度,获取对应的修正数据的操作;以及所述基于所述修正数据对所述特征数据进行修正,生成对应的正脸特征数据的操作。
可选地,在本发明上述任一装置实施例中,所述神经网络包括特征提取子网络及修正子网络;
所述特征数据提取单元,具体用于:
通过所述特征提取子网络,提取当前图像中的人脸特征数据;
所述偏转角度提取单元,具体用于:
通过所述修正子网络,提取当前图像中的人脸偏转角度;
所述修正数据获取单元,具体用于:
通过所述修正子网络,基于所述人脸偏转角度,获取对应的修正数据。
可选地,在本发明上述任一装置实施例中,还包括:
神经网络训练单元,用于获取分别标注有图像中人脸类别的多个样本图像,所述多个样本图像中包含正脸样本图像及侧脸样本图像;基于所述多个样本图像,训练所述神经网络。
可选地,在本发明上述任一装置实施例中,所述多个样本图像中所述正脸样本图像的数量大于或等于所述侧脸样本图像的数量。
可选地,在本发明上述任一装置实施例中,所述多个样本图像中包含同一个人脸对应的正脸样本图像和侧脸样本图像。
可选地,在本发明上述任一装置实施例中,所述神经网络训练单元,具体用于:
基于所述多个样本图像,训练所述特征提取子网络;
基于所述多个样本图像,训练所述修正子网络。
可选地,在本发明上述任一装置实施例中,所述特征数据生成单元之后,还包括:
人脸识别单元,用于根据所述正脸特征数据,对所述当前图像进行人脸识别。
可选地,在本发明上述任一装置实施例中,所述人脸识别单元,包括:
计算模块,用于计算所述正脸特征数据与预设人脸库内的各预设人脸图像分别对应的人脸特征数据之间的相似度;
判定模块,用于将大于相似度阈值的人脸特征数据对应的预设人脸图像,作为所述当前图像的识别结果。
根据本发明实施例的又一个方面,提供的一种电子设备,包括上述任一实施例所述的装置。
根据本发明实施例的再一个方面,提供的一种电子设备,包括:
存储器,用于存储可执行指令;以及
处理器,用于与所述存储器通信以执行所述可执行指令从而完成上述任一实施例所述方法的操作。
根据本发明实施例的再一个方面,提供的一种计算机程序,包括计算机可读代码,当所述计算机可读代码在设备上运行时,所述设备中的处理器执行用于实现上述任一实施例所述方法中各步骤的指令。
根据本发明实施例的再一个方面,提供的一种计算机存储介质,用于存储计算机可读取的指令,所述指令被执行时执行上述任一实施例所述方法的操作。
基于本发明上述实施例提供的人脸识别方法和装置、电子设备和计算机程序及存储介质,通过提取当前图像中的人脸特征数据及人脸偏转角度,并基于人脸偏转角度获取对应的修正数据,以基于修正数据对特征数据进行修正,生成对应的正脸特征数据,利用在提取图像中的人脸特征时增加角度控制的自适应前馈校正机制,可以将图像中人脸的侧脸特征直接转换为正脸特征,以利用所获得的正脸特征进行人脸识别,可以提高侧脸识别的准确率,实现以非常小的计算和存储代价大幅提升侧脸识别的性能。
附图说明
构成说明书的一部分的附图描述了本发明的实施例,并且连同描述一起用于解释本发明的原理。
参照附图,根据下面的详细描述,可以更加清楚地理解本发明,其中:
图1是本发明实施例人脸识别方法一个实施例的流程图。
图2是本发明实施例人脸识别方法另一个实施例的流程图。
图3是实现本发明实施例人脸识别方法的网络模型的示意图。
图4是本发明实施例人脸识别方法又一个实施例的流程图。
图5是本发明实施例人脸识别方法再一个实施例的流程图。
图6是本发明实施例人脸识别方法再一个实施例的流程图。
图7是本发明实施例人脸识别装置一个实施例的结构示意图。
图8是本发明实施例人脸识别转置另一个实施例的结构示意图。
图9是本发明实施例人脸识别转置又一个实施例的结构示意图。
图10是本发明实施例电子设备一个实施例的结构示意图。
具体实施方式
现在将参照附图来详细描述本发明的各种示例性实施例。应注意到:除非另外具体说明,否则在这些实施例中阐述的部件的相对布置、数字表达式和数值不限制本发明的范围。
同时,应当明白,为了便于描述,附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。
以下对至少一个示例性实施例的描述实际上仅仅是说明性的,决不作为对本发明及其应用或使用的任何限制。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论,但在适当情况下,所述技术、方法和设备应当被视为说明书的一部分。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步讨论。
本发明实施例可以应用于计算机系统/服务器,其可与众多其它通用或专用计算系统环境或配置一起操作。适于与计算机系统/服务器一起使用的众所周知的计算系统、环境和/或配置的例子包括但不限于:个人计算机系统、服务器计算机系统、瘦客户机、厚客户机、手持或膝上设备、基于微处理器的系统、机顶盒、可编程消费电子产品、网络个人电脑、小型计算机系统﹑大型计算机系统和包括上述任何系统的分布式云计算技术环境,等等。
计算机系统/服务器可以在由计算机系统执行的计算机系统可执行指令 (诸如程序模块)的一般语境下描述。通常,程序模块可以包括例程、程序、目标程序、组件、逻辑、数据结构等等,它们执行特定的任务或者实现特定的抽象数据类型。计算机系统/服务器可以在分布式云计算环境中实施,分布式云计算环境中,任务是由通过通信网络链接的远程处理设备执行的。在分布式云计算环境中,程序模块可以位于包括存储设备的本地或远程计算系统存储介质上。
图1是本发明实施例人脸识别方法一个实施例的流程图。如图1所示,该实施例的方法包括:
102,提取当前图像中的人脸特征数据及人脸偏转角度。
104,基于人脸偏转角度,获取对应的修正数据。
106,基于修正数据对特征数据进行修正,生成对应的正脸特征数据。
具体实现中,当前图像可以为人脸的正脸图像或侧脸图像,若当前图像为人脸的正脸图像,操作102提取的人脸特征数据为正脸特征数据,若当前图像为人脸的侧脸图像,操作102提取的人脸特征数据为侧脸特征数据。
具体实现中,人脸偏转角度包括:人脸上下翻转、左右翻转及平面内旋转的角度。若当前图像为人脸的正脸图像,人脸上下翻转、左右翻转及平面内旋转的角度均为0。
具体实现中,通过神经网络依次执行操作102至操作106。具体地,神经网络可以采用卷积神经网络。
基于本发明上述实施例提供的人脸识别方法,通过提取当前图像中的人脸特征数据及人脸偏转角度,并基于人脸偏转角度获取对应的修正数据,以基于修正数据对特征数据进行修正,生成对应的正脸特征数据,利用在提取图像中的人脸特征时增加角度控制的自适应前馈校正机制,可以将图像中人脸的侧脸特征直接转换为正脸特征,以利用所获得的正脸特征进行人脸识别,可以提高侧脸识别的准确率,实现以非常小的计算和存储代价大幅提升侧脸识别的性能。
图2是本发明实施例人脸识别方法另一个实施例的流程图。如图2所示,该实施例的方法包括:
202,提取当前图像中的人脸特征数据及人脸偏转角度。
204,基于特征数据生成残差数据。
206,依据偏转角度修正残差数据,生成修正数据。
208,基于修正数据对特征数据进行修正,生成对应的正脸特征数据。
具体实现中,通过神经网络依次执行操作202至操作208。具体地,神经网络可以包括特征提取子网络及修正子网络,操作202通过特征提取子网络提取当前图像中的人脸特征数据,操作202通过修正子网络提取当前图像中的人脸偏转角度,操作204通过修正子网络基于特征数据生成残差数据,操作206 通过修正子网络依据偏转角度修正残差数据,生成修正数据。其中,特征提取子网络与修正子网络的部分或全部可以采用卷积神经网络。
如图3所示,图3是实现本发明实施例人脸识别方法的网络模型的一个实施例的示意图。其中,特征提取子网络可以采用人脸识别普遍使用的网络结构获取输入图像中的人脸特征数据φ(x),例如:VGG、Resnet等流行的网络结构,修正子网络主要包括两部分,一部分为残差网络,通过残差网络对特征数据进行处理,生成残差数据R(x),其中残差网络可以采用两层全连接网络,也可以采用能够产生相同输出的其他网络结构,另一部分用来估计人脸偏转角度 y(x),可以采用现有技术的方法,例如基于人脸关键点的三维人脸建模和对应转角的线性回归,来估计图像中的人脸偏转角度,基于上述网络结构所获得的人脸正脸特征数据表示为φ(x)+y(x)R(x)。
原理说明:对于一张侧脸图像xp,经过神经网络映射得到的侧脸特征为φ (xp),我们期望能够将侧脸图像映射到正脸空间的图像xf,此正脸图像对应的正脸特征为φ(xf),为此我们定义了一个图像层面对转角敏感的映射g,其对应在特征层次的映射为Mg,使得图像层次的映射能够被特征层次的映射所估计,即φ(gxp)≈Mgφ(xp),我们再令这个映射学习到φ(gxp)≈φ(xf),我们使用一个带转角参数控制的残差网络来模拟这个映射Mg,即φ(gxp)=Mgφ(xp)=φ (xp)+y(xp)R(xp),其中y(xp)为估计得到的图像xp的人脸偏转角度,R(xp)为残差数据。我们通过在现有人脸识别神经网络的基础上增加一个修正网络,并使这个修正网络通过训练,在特征层面学习到从侧脸特征空间到正脸特征空间的映射。
基于本发明上述实施例提供的人脸识别方法,通过提取当前图像中的人脸特征数据及人脸偏转角度,并基于特征数据生成残差数据,以依据偏转角度修正残差数据,生成修正数据,最后基于修正数据对特征数据进行修正,生成对应的正脸特征数据,利用在提取图像中的人脸特征时增加角度控制的自适应前馈校正机制,可以将图像中人脸的侧脸特征直接转换为正脸特征,以利用所获得的正脸特征进行人脸识别,可以提高侧脸识别的准确率,实现以非常小的计算和存储代价大幅提升侧脸识别的性能,将其应用于卷积神经网络,可以大大提升网络在侧脸识别上的表现。
图4是本发明实施例人脸识别方法又一个实施例的流程图。本发明实施例的人脸识别方法,当通过神经网络执行上述图1及图2实施例的操作时,如图 4所示,该实施例的方法还包括:
402,获取分别标注有图像中人脸类别的多个样本图像。
具体实现中,多个样本图像采用一般用于训练人脸识别任务的样本图像即可。其中,样本图像标注的人脸类别包括:姓名、性别、年龄、国籍、职业等可以用来唯一标识图像中人脸的信息。
具体地,为了保证侧脸识别的性能,应保证多个样本图像中在包含正脸样本图像的同时,还应当包含一定比例的侧脸样本图像,通常正脸样本图像的数量会大于或等于侧脸样本图像的数量。
具体实现中,操作402一般包括:从网络或者以其他方式收集带有人脸的图像;通过人脸检测、人脸对齐得到长宽一致的人脸图像。
404,基于多个样本图像,训练神经网络。
具体实现中,操作404可以采用现有技术中常用的神经网络训练方法,例如随机梯度下降法等,以使神经网络通过样本图像的训练可以学习到从图像空间到正脸特征空间的映射。
在一个具体示例中,神经网络可以包括:用于提取图像中人脸特征数据的特征提取子网络,和用于提取图像中人脸偏转角度以基于人脸偏转角度获取修正数据的修正子网络。
具体实现中,在操作404获得训练好的神经网络后,通过训练好的神经网络,依次执行提取当前图像中的人脸特征数据及人脸偏转角度的操作,基于特人脸偏转角度,获取对应的修正数据的操作,以及基于修正数据对特征数据进行修正,生成对应的正脸特征数据的操作。
基于本发明上述实施例提供的人脸识别方法,通过采用传统的端到端训练的方式,获得了实现从图像空间到正脸特征空间的映射的网络模型,在利用该网络模型进行人脸识别时,可以将直接从图像中获得的人脸的侧脸特征转换为正脸特征,以利用此正脸特征进行人脸识别,可以提高侧脸识别的准确率,实现以非常小的计算和存储代价大幅提升侧脸识别的性能,大大提升神经网络在侧脸识别上的表现。
图5是本发明实施例人脸识别方法再一个实施例的流程图。本发明实施例的人脸识别方法,当通过神经网络执行上述图1及图2实施例的操作时,如图 5所示,该实施例的方法还包括:
502,获取分别标注有图像中人脸类别的多个样本图像。
具体实现中,多个样本图像采用一般用于训练人脸识别任务的样本图像即可。其中,样本图像标注的人脸类别包括:姓名、性别、年龄、国籍、职业等可以用来唯一标识图像中人脸的信息。
具体地,为了保证侧脸识别的性能,应保证多个样本图像中在包含正脸样本图像的同时,还应当包含一定比例的侧脸样本图像,通常正脸样本图像的数量会大于或等于侧脸样本图像的数量。
具体实现中,操作502一般包括:从网络或者以其他方式收集带有人脸的图像;通过人脸检测、人脸对齐得到长宽一致的人脸图像。
504,基于多个样本图像,训练特征提取子网络。
其中,特征提取子网络用于提取图像中的人脸特征数据。
具体实现中,操作504可以采用现有技术中常用的神经网络训练方法,例如随机梯度下降法等,以使特征提取子网络通过样本图像的训练可以学习到从图像空间到特征空间的映射。
506,基于多个样本图像,训练修正子网络。
其中,修正子网络用于提取图像中的人脸偏转角度,以基于人脸偏转角度获取修正数据。
具体实现中,操作506可以采用现有技术中常用的神经网络训练方法,例如随机梯度下降法等,以使修正子网络通过样本图像的训练可以学习到从到图像空间到特征空间的一个残差映射,并以这个残差映射作为校正机制对现有的网络模型进行修正。
具体实现中,操作506与操作504的执行顺序可以对调,即先训练修正子网络再训练特征提取子网络。
具体实现中,操作506训练修正子网络与操作504训练特征提取子网络可以使用相同的样本图像,以基于训练好的特征提取子网络和修正子网络可以直接获得训练好的神经网络,而不需要再进行其它参数的调整,其中由于特征提取子网络和修正子网络分开训练,在训练的样本图像中应包含一定数量的同一个人脸对应的正脸样本图像及侧脸样本图像。
具体实现中,在操作504获得训练好的特征提取子网络和操作506获得训练好的修正子网络后,基于训练好的特征提取子网络和修正子网络获得训练好的神经网络,通过训练好的神经网络,依次执行提取当前图像中的人脸特征数据及人脸偏转角度的操作,基于特人脸偏转角度,获取对应的修正数据的操作,以及基于修正数据对特征数据进行修正,生成对应的正脸特征数据的操作。
基于本发明上述实施例提供的人脸识别方法,通过采用对网络模型的各子网络以相同的样本图像分开训练的方式,获得了实现从图像空间到正脸特征空间的映射的网络模型,在利用该网络模型进行人脸识别时,可以将直接从图像中获得的人脸的侧脸特征转换为正脸特征,以利用此正脸特征进行人脸识别,可以提高侧脸识别的准确率,实现以非常小的计算和存储代价大幅提升侧脸识别的性能,大大提升神经网络在侧脸识别上的表现。
图6是本发明实施例人脸识别方法再一个实施例的流程图。本发明实施例的人脸识别方法,当通过神经网络执行上述图1及图2实施例的操作时,如图 6所示,该实施例的方法还包括:
602,获取分别标注有图像中人脸类别的多个样本图像。
具体实现中,多个样本图像采用一般用于训练人脸识别任务的样本图像即可。其中,样本图像标注的人脸类别包括:姓名、性别、年龄、国籍、职业等可以用来唯一标识图像中人脸的信息。
具体地,为了保证侧脸识别的性能,应保证多个样本图像中在包含正脸样本图像的同时,还应当包含一定比例的侧脸样本图像,通常正脸样本图像的数量会大于或等于侧脸样本图像的数量。
具体实现中,操作602一般包括:从网络或者以其他方式收集带有人脸的图像;通过人脸检测、人脸对齐得到长宽一致的人脸图像。
604,基于多个样本图像,训练神经网络。
其中,神经网络包括:用于提取图像中人脸特征数据的特征提取子网络,和用于提取图像中人脸偏转角度以基于人脸偏转角度获取修正数据的修正子网络。
具体实现中,操作604可以采用现有技术中常用的神经网络训练方法,例如随机梯度下降法等,以使神经网络通过样本图像的训练可以学习到从图像空间到正脸特征空间的映射。
606,基于多样本图像,训练特征提取子网络。
具体实现中,操作606可以采用现有技术中常用的神经网络训练方法,例如随机梯度下降法等,以使特征提取子网络通过样本图像的训练可以学习到从图像空间到特征空间的映射。
608,基于多个样本图像,训练修正子网络。
具体实现中,操作608可以采用现有技术中常用的神经网络训练方法,例如随机梯度下降法等,以使修正子网络通过样本图像的训练可以学习到从到图像空间到特征空间的一个残差映射,并以这个残差映射作为校正机制对现有的网络模型进行修正。
具体实现中,操作608与操作606的执行顺序可以对调,即先训练修正子网络再训练特征提取子网络。
具体实现中,操作608训练修正子网络与操作606训练特征提取子网络可以使用相同的样本图像,以基于训练好的特征提取子网络和修正子网络可以直接获得训练好的神经网络,而不需要再进行其它参数的调整,其中由于特征提取子网络和修正子网络分开训练,在训练的样本图像中应包含一定数量的同一个人脸对应的正脸样本图像及侧脸样本图像。
具体实现中,在操作604获得训练好的神经网络、及操作606获得训练好的特征提取子网络和操作608获得训练好的修正子网络后,通过训练好的神经网络,依次执行提取当前图像中的人脸特征数据及人脸偏转角度的操作,基于特人脸偏转角度,获取对应的修正数据的操作,以及基于修正数据对特征数据进行修正,生成对应的正脸特征数据的操作。
基于本发明上述实施例提供的人脸识别方法,通过采用传统的端到端训练的方式与对网络模型的各子网络以同样的样本图像分开训练的方式相结合,获得了实现从图像空间到正脸特征空间的映射的网络模型,由于对网络模型的整体及各组成部分都分别进行了训练,可以使网络模型的整体及各组成部分均具有良好的性能,在利用该网络模型进行人脸识别时,可以将直接从图像中获得的人脸的侧脸特征转换为正脸特征,以利用此正脸特征进行人脸识别,可以提高侧脸识别的准确率,实现以非常小的计算和存储代价大幅提升侧脸识别的性能,大大提升神经网络在侧脸识别上的表现。
在上述各实施例的方法中,基于修正数据对特征数据进行修正,生成对应的正脸特征数据之后,还包括:根据正脸特征数据,对当前图像进行人脸识别的操作。
具体地,根据正脸特征数据,对当前图像进行人脸识别,可以包括:计算正脸特征数据与预设人脸库内的各预设人脸图像分别对应的人脸特征数据之间的相似度;将大于相似度阈值的人脸特征数据对应的预设人脸图像,作为当前图像的识别结果。
图7是本发明实施例人脸识别装置一个实施例的结构示意图。如图7所示,该实施例的装置包括:特征数据提取单元、偏转角度提取单元、修正数据获取单元和特征数据生成单元。其中,
特征数据提取单元,用于提取当前图像中的人脸特征数据。
偏转角度提取单元,用于提取当前图像中的人脸偏转角度。
修正数据获取单元,用于基于人脸偏转角度,获取对应的修正数据。
特征数据生成单元,用于基于修正数据对特征数据进行修正,生成对应的正脸特征数据。
具体实现中,当前图像可以为人脸的正脸图像或侧脸图像,若当前图像为人脸的正脸图像,特征数据提取单元提取的人脸特征数据为正脸特征数据,若当前图像为人脸的侧脸图像,特征数据提取单元提取的人脸特征数据为侧脸特征数据。
具体实现中,人脸偏转角度包括:人脸上下翻转、左右翻转及平面内旋转的角度。若当前图像为人脸的正脸图像,人脸上下翻转、左右翻转及平面内旋转的角度均为0。
具体实现中,通过神经网络依次执行:提取当前图像中的人脸特征数据及人脸偏转角度的操作;基于人脸偏转角度,获取对应的修正数据的操作;以及基于修正数据对特征数据进行修正,生成对应的正脸特征数据的操作。具体地,神经网络可以采用卷积神经网络。
基于本发明上述实施例提供的人脸识别装置,通过提取当前图像中的人脸特征数据及人脸偏转角度,并基于人脸偏转角度获取对应的修正数据,以基于修正数据对特征数据进行修正,生成对应的正脸特征数据,利用在提取图像中的人脸特征时增加角度控制的自适应前馈校正机制,可以将图像中人脸的侧脸特征直接转换为正脸特征,以利用所获得的正脸特征进行人脸识别,可以提高侧脸识别的准确率,实现以非常小的计算和存储代价大幅提升侧脸识别的性能。
图8是本发明实施例人脸识别装置另一个实施例的结构示意图。如图8所示,该实施例的装置包括:特征数据提取单元、偏转角度提取单元、修正数据获取单元和特征数据生成单元。其中,
特征数据提取单元,用于提取当前图像中的人脸特征数据。
偏转角度提取单元,用于提取当前图像中的人脸偏转角度。
修正数据获取单元,包括:残差数据生成模块和修正数据生成模块。残差数据生成模块,用于基于特征数据生成残差数据;修正数据生成模块,用于依据偏转角度修正残差数据,生成修正数据。
特征数据生成单元,用于基于修正数据对特征数据进行修正,生成对应的正脸特征数据。
具体实现中,通过神经网络依次执行:提取当前图像中的人脸特征数据及人脸偏转角度的操作;基于特征数据生成残差数据的操作;依据偏转角度修正残差数据,生成修正数据的操作;以及基于修正数据对特征数据进行修正,生成对应的正脸特征数据的操作。
具体地,神经网络可以包括特征提取子网络及修正子网络;特征数据提取单元具体用于:通过特征提取子网络提取当前图像中的人脸特征数据,偏转角度提取单元具体用于:通过修正子网络提取当前图像中的人脸偏转角度;修正数据获取单元具体用于:通过修正子网络基于特征数据生成残差数据,及通过修正子网络依据偏转角度修正残差数据,生成修正数据。其中,特征提取子网络与修正子网络的部分或全部可以采用卷积神经网络。
基于本发明上述实施例提供的人脸识别装置,通过提取当前图像中的人脸特征数据及人脸偏转角度,并基于特征数据生成残差数据,以依据偏转角度修正残差数据,生成修正数据,最后基于修正数据对特征数据进行修正,生成对应的正脸特征数据,利用在提取图像中的人脸特征时增加角度控制的自适应前馈校正机制,可以将图像中人脸的侧脸特征直接转换为正脸特征,以利用所获得的正脸特征进行人脸识别,可以提高侧脸识别的准确率,实现以非常小的计算和存储代价大幅提升侧脸识别的性能,将其应用于卷积神经网络,可以大大提升网络在侧脸识别上的表现。
图9是本发明实施例人脸识别转置又一个实施例的结构示意图。本发明实施例的人脸识别装置,当通过神经网络执行上述图7及图8实施例中各单元的操作时,如图9所示,该实施例的装置还包括:
神经网络训练单元,用于获取分别标注有图像中人脸类别的多个样本图像;以及基于多个样本图像,训练神经网络。
具体实现中,多个样本图像采用一般用于训练人脸识别任务的样本图像即可。其中,样本图像标注的人脸类别包括:姓名、性别、年龄、国籍、职业等可以用来唯一标识图像中人脸的信息。
具体地,为了保证侧脸识别的性能,应保证多个样本图像中在包含正脸样本图像的同时,还应当包含一定比例的侧脸样本图像,通常正脸样本图像的数量会大于或等于侧脸样本图像的数量。
具体实现中,获取分别标注有图像中人脸类别的多个样本图像一般包括:从网络或者以其他方式收集带有人脸的图像;通过人脸检测、人脸对齐得到长宽一致的人脸图像。
具体实现中,神经网络训练单元可以采用现有技术中常用的神经网络训练方法,例如随机梯度下降法等,以使神经网络通过样本图像的训练可以学习到从图像空间到正脸特征空间的映射。
在一个具体示例中,神经网络可以包括:用于提取图像中人脸特征数据的特征提取子网络,和用于提取图像中人脸偏转角度以基于人脸偏转角度获取修正数据的修正子网络。
具体实现中,在神经网络训练单元获得训练好的神经网络后,通过训练好的神经网络,依次执行提取当前图像中的人脸特征数据及人脸偏转角度的操作,基于特人脸偏转角度,获取对应的修正数据的操作,以及基于修正数据对特征数据进行修正,生成对应的正脸特征数据的操作。
基于本发明上述实施例提供的人脸识别装置,通过采用传统的端到端训练的方式,获得了实现从图像空间到正脸特征空间的映射的网络模型,在利用该网络模型进行人脸识别时,可以将直接从图像中获得的人脸的侧脸特征转换为正脸特征,以利用此正脸特征进行人脸识别,可以提高侧脸识别的准确率,实现以非常小的计算和存储代价大幅提升侧脸识别的性能,大大提升神经网络在侧脸识别上的表现。
在本发明实施例人脸识别装置的再一个实施例中,通过神经网络执行上述图7及图8实施例中各单元的操作。神经网络包括:用于提取图像中人脸特征数据的特征提取子网络,和用于提取图像中人脸偏转角度以基于人脸偏转角度获取修正数据的修正子网络。神经网络训练单元具体用于:基于多个样本图像,训练特征提取子网络;基于多个样本图像,训练修正子网络。
具体实现中,神经网络训练单元可以采用现有技术中常用的神经网络训练方法,例如随机梯度下降法等,以使特征提取子网络通过样本图像的训练可以学习到从图像空间到特征空间的映射,修正子网络通过样本图像的训练可以学习到从到图像空间到特征空间的一个残差映射,并以这个残差映射作为校正机制对现有的网络模型进行修正。
具体实现中,神经网络训练单元训练修正子网络与训练特征提取子网络可以使用相同的样本图像,以基于训练好的特征提取子网络和修正子网络可以直接获得训练好的神经网络,而不需要再进行其它参数的调整,其中由于特征提取子网络和修正子网络分开训练,在训练的样本图像中应包含一定数量的同一个人脸对应的正脸样本图像及侧脸样本图像。
具体实现中,在神经网络训练单元获得训练好的特征提取子网络和修正子网络后,基于训练好的特征提取子网络和修正子网络获得训练好的神经网络,通过训练好的神经网络,依次执行提取当前图像中的人脸特征数据及人脸偏转角度的操作,基于特人脸偏转角度,获取对应的修正数据的操作,以及基于修正数据对特征数据进行修正,生成对应的正脸特征数据的操作。
基于本发明上述实施例提供的人脸识别转置,通过采用对网络模型的各子网络以相同的样本图像分开训练的方式,获得了实现从图像空间到正脸特征空间的映射的网络模型,在利用该网络模型进行人脸识别时,可以将直接从图像中获得的人脸的侧脸特征转换为正脸特征,以利用此正脸特征进行人脸识别,可以提高侧脸识别的准确率,实现以非常小的计算和存储代价大幅提升侧脸识别的性能,大大提升神经网络在侧脸识别上的表现。
在本发明实施例人脸识别装置的再一个实施例中,通过神经网络执行上述图7及图8实施例中各单元的操作。神经网络包括:用于提取图像中人脸特征数据的特征提取子网络,和用于提取图像中人脸偏转角度以基于人脸偏转角度获取修正数据的修正子网络。神经网络训练单元具体用于:基于多个样本图像,训练神经网络;基于多个样本图像,训练特征提取子网络;以及基于多个样本图像,训练修正子网络。
具体实现中,神经网络训练单元可以采用现有技术中常用的神经网络训练方法,例如随机梯度下降法等,以使神经网络通过样本图像的训练可以学习到从图像空间到正脸特征空间的映射,特征提取子网络通过样本图像的训练可以学习到从图像空间到特征空间的映射,修正子网络通过样本图像的训练可以学习到从到图像空间到特征空间的一个残差映射,并以这个残差映射作为校正机制对现有的网络模型进行修正。
具体实现中,神经网络训练单元训练修正子网络与训练特征提取子网络可以使用相同的样本图像,以基于训练好的特征提取子网络和修正子网络可以直接获得训练好的神经网络,而不需要再进行其它参数的调整,其中由于特征提取子网络和修正子网络分开训练,在训练的样本图像中应包含一定数量的同一个人脸对应的正脸样本图像及侧脸样本图像。
具体实现中,在神经网络训练单元获得训练好的神经网络、训练好的特征提取子网络和训练好的修正子网络后,通过训练好的神经网络,依次执行提取当前图像中的人脸特征数据及人脸偏转角度的操作,基于特人脸偏转角度,获取对应的修正数据的操作,以及基于修正数据对特征数据进行修正,生成对应的正脸特征数据的操作。
基于本发明上述实施例提供的人脸识别装置,通过采用传统的端到端训练的方式与对网络模型的各子网络以同样的样本图像分开训练的方式相结合,获得了实现从图像空间到正脸特征空间的映射的网络模型,由于对网络模型的整体及各组成部分都分别进行了训练,可以使网络模型的整体及各组成部分均具有良好的性能,在利用该网络模型进行人脸识别时,可以将直接从图像中获得的人脸的侧脸特征转换为正脸特征,以利用此正脸特征进行人脸识别,可以提高侧脸识别的准确率,实现以非常小的计算和存储代价大幅提升侧脸识别的性能,大大提升神经网络在侧脸识别上的表现。
在上述各实施例的装置中,特征数据生成单元之后,还包括:人脸识别单元,用于根据正脸特征数据,对当前图像进行人脸识别。
具体地,人脸识别单元可以包括:计算模块,用于计算正脸特征数据与预设人脸库内的各预设人脸图像分别对应的人脸特征数据之间的相似度;判定模块,用于将大于相似度阈值的人脸特征数据对应的预设人脸图像,作为当前图像的识别结果。
另外,本发明实施例还提供了一种电子设备,例如可以是移动终端、个人计算机(PC)、平板电脑、服务器等,该电子设备设置有本发明上述任一实施例的人脸识别装置。
图10是本发明实施例电子设备一个实施例的结构示意图,如图10所示,用于实现本发明实施例的电子设备包括中央处理单元(CPU),其可以根据存储在只读存储器(ROM)中的可执行指令或者从存储部分加载到随机访问存储器 (RAM)中的可执行指令而执行各种适当的动作和处理。中央处理单元可与只读存储器和/或随机访问存储器中通信以执行可执行指令从而完成本发明实施例提供的样本图像数据增强方法对应的操作,例如:提取当前图像中的人脸特征数据及人脸偏转角度;基于所述人脸偏转角度,获取对应的修正数据;基于所述修正数据对所述特征数据进行修正,生成对应的正脸特征数据。
此外,在RAM中,还可存储有系统操作所需的各种程序和数据。CPU、ROM 以及RAM通过总线彼此相连。输入/输出(I/O)接口也连接至总线。
以下部件连接至I/O接口:包括键盘、鼠标等的输入部分;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分;包括硬盘等的存储部分;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分。通信部分经由诸如因特网的网络执行通信处理。驱动器也根据需要连接至I/O 接口。可拆卸介质,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器上,以便于从其上读出的计算机程序根据需要被安装入存储部分。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括有形地包含在机器可读介质上的计算机程序,计算机程序包含用于执行流程图所示的方法的程序代码,所述程序代码可包括对应执行本发明实施例提供的任一项人脸识别方法步骤对应的指令,例如,提取当前图像中的人脸特征数据及人脸偏转角度的指令;基于所述人脸偏转角度,获取对应的修正数据的指令;基于所述修正数据对所述特征数据进行修正,生成对应的正脸特征数据的指令。该计算机程序可以通过通信部分从网络上被下载和安装,和/或从可拆卸介质被安装。在该计算机程序被中央处理单元(CPU)执行时,执行本发明的方法中限定的上述功能。
本发明实施例还提供了一种计算机存储介质,用于存储计算机可读取的指令,所述指令被执行时执行本发明上述任一实施例的人脸识别方法对应的操作。所述指令例如可以包括:提取当前图像中的人脸特征数据及人脸偏转角度;基于所述人脸偏转角度,获取对应的修正数据;基于所述修正数据对所述特征数据进行修正,生成对应的正脸特征数据。
另外,本发明实施例还提供了一种电子设备,包括:
存储器,存储可执行指令;
处理器,与存储器通信以执行可执行指令从而完成本发明上述任一实施例的人脸识别方法对应的操作。
本说明书中各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其它实施例的不同之处,各个实施例之间相同或相似的部分相互参见即可。对于系统实施例而言,由于其与方法实施例基本对应,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
可能以许多方式来实现本发明的方法和装置、设备。例如,可通过软件、硬件、固件或者软件、硬件、固件的任何组合来实现本发明的方法和装置、设备。用于所述方法的步骤的上述顺序仅是为了进行说明,本发明的方法的步骤不限于以上具体描述的顺序,除非以其它方式特别说明。此外,在一些实施例中,还可将本发明实施为记录在记录介质中的程序,这些程序包括用于实现根据本发明的方法的机器可读指令。因而,本发明还覆盖存储用于执行根据本发明的方法的程序的记录介质。
本发明的描述是为了示例和描述起见而给出的,而并不是无遗漏的或者将本发明限于所公开的形式。很多修改和变化对于本领域的普通技术人员而言是显然的。选择和描述实施例是为了更好说明本发明的原理和实际应用,并且使本领域的普通技术人员能够理解本发明从而设计适于特定用途的带有各种修改的各种实施例。
Claims (10)
1.一种人脸识别方法,其特征在于,包括:
提取当前图像中的人脸特征数据及人脸偏转角度;
基于所述人脸偏转角度,获取对应的修正数据;
基于所述修正数据对所述特征数据进行修正,生成对应的正脸特征数据。
2.根据权利要求1所述的方法,其特征在于,所述基于所述人脸偏转角度,获取对应的修正数据,包括:
基于所述特征数据生成残差数据;
依据所述偏转角度修正所述残差数据,生成所述修正数据。
3.根据权利要求1或2所述的方法,其特征在于,通过神经网络,依次执行:所述提取当前图像中的人脸特征数据及人脸偏转角度的操作;所述基于所述人脸偏转角度,获取对应的修正数据的操作;以及所述基于所述修正数据对所述特征数据进行修正,生成对应的正脸特征数据的操作。
4.根据权利要求3所述的方法,其特征在于,所述神经网络包括特征提取子网络及修正子网络;
所述提取当前图像中的人脸特征数据,包括:
通过所述特征提取子网络,提取当前图像中的人脸特征数据;
所述提取当前图像中的人脸偏转角度,包括:
通过所述修正子网络,提取当前图像中的人脸偏转角度;
所述基于所述人脸偏转角度,获取对应的修正数据,包括:
通过所述修正子网络,基于所述人脸偏转角度,获取对应的修正数据。
5.根据权利要求1至4任意一项所述的方法,其特征在于,所述基于所述修正数据对所述特征数据进行修正,生成对应的正脸特征数据之后,还包括:
根据所述正脸特征数据,对所述当前图像进行人脸识别。
6.一种人脸识别装置,其特征在于,包括:
特征数据提取单元,用于提取当前图像中的人脸特征数据;
偏转角度提取单元,用于提取当前图像中的人脸偏转角度;
修正数据获取单元,用于基于所述人脸偏转角度,获取对应的修正数据;
特征数据生成单元,用于基于所述修正数据对所述特征数据进行修正,生成对应的正脸特征数据。
7.一种电子设备,其特征在于,包括权利要求6所述的装置。
8.一种电子设备,其特征在于,包括:
存储器,用于存储可执行指令;以及
处理器,用于与所述存储器通信以执行所述可执行指令从而完成权利要求1至5任意一项所述的操作。
9.一种计算机程序,包括计算机可读代码,其特征在于,当所述计算机可读代码在设备上运行时,所述设备中的处理器执行用于实现权利要求1至5任一所述方法中各步骤的指令。
10.一种计算机存储介质,用于存储计算机可读取的指令,其特征在于,所述指令被执行时执行权利要求1至5任意一项所述的操作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711218983.6A CN108229313B (zh) | 2017-11-28 | 2017-11-28 | 人脸识别方法和装置、电子设备和计算机程序及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711218983.6A CN108229313B (zh) | 2017-11-28 | 2017-11-28 | 人脸识别方法和装置、电子设备和计算机程序及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108229313A true CN108229313A (zh) | 2018-06-29 |
CN108229313B CN108229313B (zh) | 2021-04-16 |
Family
ID=62652988
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711218983.6A Active CN108229313B (zh) | 2017-11-28 | 2017-11-28 | 人脸识别方法和装置、电子设备和计算机程序及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108229313B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109872407A (zh) * | 2019-01-28 | 2019-06-11 | 北京影谱科技股份有限公司 | 一种人脸识别方法、装置、设备及打卡方法、装置和系统 |
CN110751009A (zh) * | 2018-12-20 | 2020-02-04 | 北京嘀嘀无限科技发展有限公司 | 人脸识别方法、目标识别方法、装置和电子设备 |
CN110826463A (zh) * | 2019-10-31 | 2020-02-21 | 深圳市商汤科技有限公司 | 人脸识别方法及装置、电子设备和存储介质 |
CN111046707A (zh) * | 2018-10-15 | 2020-04-21 | 天津大学青岛海洋技术研究院 | 一种基于面部特征的任意姿态正脸还原网络 |
CN111695462A (zh) * | 2020-05-29 | 2020-09-22 | 平安科技(深圳)有限公司 | 一种人脸识别方法、装置、存储介质和服务器 |
CN113191197A (zh) * | 2021-04-01 | 2021-07-30 | 杭州海康威视系统技术有限公司 | 一种图像还原方法及装置 |
CN114926887A (zh) * | 2022-05-30 | 2022-08-19 | 深圳市龙光云众智慧科技有限公司 | 人脸识别方法、装置及终端设备 |
CN111695462B (zh) * | 2020-05-29 | 2024-07-02 | 平安科技(深圳)有限公司 | 一种人脸识别方法、装置、存储介质和服务器 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104156695A (zh) * | 2014-07-18 | 2014-11-19 | 小米科技有限责任公司 | 一种人脸图像的校正方法及装置 |
WO2017131672A1 (en) * | 2016-01-27 | 2017-08-03 | Hewlett Packard Enterprise Development Lp | Generating pose frontalized images of objects |
CN107122705A (zh) * | 2017-03-17 | 2017-09-01 | 中国科学院自动化研究所 | 基于三维人脸模型的人脸关键点检测方法 |
CN107506717A (zh) * | 2017-08-17 | 2017-12-22 | 南京东方网信网络科技有限公司 | 无约束场景中基于深度变换学习的人脸识别方法 |
-
2017
- 2017-11-28 CN CN201711218983.6A patent/CN108229313B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104156695A (zh) * | 2014-07-18 | 2014-11-19 | 小米科技有限责任公司 | 一种人脸图像的校正方法及装置 |
WO2017131672A1 (en) * | 2016-01-27 | 2017-08-03 | Hewlett Packard Enterprise Development Lp | Generating pose frontalized images of objects |
CN107122705A (zh) * | 2017-03-17 | 2017-09-01 | 中国科学院自动化研究所 | 基于三维人脸模型的人脸关键点检测方法 |
CN107506717A (zh) * | 2017-08-17 | 2017-12-22 | 南京东方网信网络科技有限公司 | 无约束场景中基于深度变换学习的人脸识别方法 |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111046707A (zh) * | 2018-10-15 | 2020-04-21 | 天津大学青岛海洋技术研究院 | 一种基于面部特征的任意姿态正脸还原网络 |
CN110751009A (zh) * | 2018-12-20 | 2020-02-04 | 北京嘀嘀无限科技发展有限公司 | 人脸识别方法、目标识别方法、装置和电子设备 |
CN109872407A (zh) * | 2019-01-28 | 2019-06-11 | 北京影谱科技股份有限公司 | 一种人脸识别方法、装置、设备及打卡方法、装置和系统 |
TWI770531B (zh) * | 2019-10-31 | 2022-07-11 | 中國商深圳市商湯科技有限公司 | 人臉識別方法、電子設備和儲存介質 |
WO2021082381A1 (zh) * | 2019-10-31 | 2021-05-06 | 深圳市商汤科技有限公司 | 人脸识别方法及装置、电子设备和存储介质 |
CN110826463B (zh) * | 2019-10-31 | 2021-08-24 | 深圳市商汤科技有限公司 | 人脸识别方法及装置、电子设备和存储介质 |
JP2022508990A (ja) * | 2019-10-31 | 2022-01-20 | 深▲セン▼市商湯科技有限公司 | 顔認識方法及び装置、電子機器、並びに記憶媒体 |
CN110826463A (zh) * | 2019-10-31 | 2020-02-21 | 深圳市商汤科技有限公司 | 人脸识别方法及装置、电子设备和存储介质 |
JP7150896B2 (ja) | 2019-10-31 | 2022-10-11 | 深▲セン▼市商湯科技有限公司 | 顔認識方法及び装置、電子機器、並びに記憶媒体 |
CN111695462A (zh) * | 2020-05-29 | 2020-09-22 | 平安科技(深圳)有限公司 | 一种人脸识别方法、装置、存储介质和服务器 |
CN111695462B (zh) * | 2020-05-29 | 2024-07-02 | 平安科技(深圳)有限公司 | 一种人脸识别方法、装置、存储介质和服务器 |
CN113191197A (zh) * | 2021-04-01 | 2021-07-30 | 杭州海康威视系统技术有限公司 | 一种图像还原方法及装置 |
CN113191197B (zh) * | 2021-04-01 | 2024-02-09 | 杭州海康威视系统技术有限公司 | 一种图像还原方法及装置 |
CN114926887A (zh) * | 2022-05-30 | 2022-08-19 | 深圳市龙光云众智慧科技有限公司 | 人脸识别方法、装置及终端设备 |
Also Published As
Publication number | Publication date |
---|---|
CN108229313B (zh) | 2021-04-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108229313A (zh) | 人脸识别方法和装置、电子设备和计算机程序及存储介质 | |
CN107704838B (zh) | 目标对象的属性识别方法及装置 | |
US10248664B1 (en) | Zero-shot sketch-based image retrieval techniques using neural networks for sketch-image recognition and retrieval | |
CN108229479B (zh) | 语义分割模型的训练方法和装置、电子设备、存储介质 | |
CN108460338B (zh) | 人体姿态估计方法和装置、电子设备、存储介质、程序 | |
CN109313490B (zh) | 使用神经网络的眼睛注视跟踪 | |
US8483440B2 (en) | Methods and systems for verifying automatic license plate recognition results | |
WO2021120834A1 (zh) | 基于生物识别的手势识别方法、装置、计算机设备及介质 | |
US20190295227A1 (en) | Deep patch feature prediction for image inpainting | |
CN108399383B (zh) | 表情迁移方法、装置存储介质及程序 | |
CN111615702B (zh) | 一种从图像中提取结构化数据的方法、装置和设备 | |
CN111027563A (zh) | 一种文本检测方法、装置及识别系统 | |
CN108229301B (zh) | 眼睑线检测方法、装置和电子设备 | |
CN108197547A (zh) | 人脸姿态估计方法、装置、终端及存储介质 | |
CN106022363B (zh) | 一种适用于自然场景下的中文文字识别方法 | |
EP4085369A1 (en) | Forgery detection of face image | |
US20190122394A1 (en) | Image processing apparatus and image processing method | |
CN112651342B (zh) | 人脸识别方法、装置、电子设备及存储介质 | |
CN114511041B (zh) | 模型训练方法、图像处理方法、装置、设备和存储介质 | |
CN110751057A (zh) | 基于长短时记忆循环神经网络的手指静脉验证方法及装置 | |
CN113792853A (zh) | 字符生成模型的训练方法、字符生成方法、装置和设备 | |
Daihong et al. | Facial expression recognition based on attention mechanism | |
CN113128526B (zh) | 图像识别方法、装置、电子设备和计算机可读存储介质 | |
US20210133610A1 (en) | Learning model agnostic multilevel explanations | |
Safavipour et al. | Deep Hybrid Multimodal Biometric Recognition System Based on Features‐Level Deep Fusion of Five Biometric Traits |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |