CN108334869A - 人脸部件的选择、人脸识别方法和装置，以及电子设备 - Google Patents

人脸部件的选择、人脸识别方法和装置，以及电子设备 Download PDF

Info

Publication number
CN108334869A
CN108334869A CN201810235595.7A CN201810235595A CN108334869A CN 108334869 A CN108334869 A CN 108334869A CN 201810235595 A CN201810235595 A CN 201810235595A CN 108334869 A CN108334869 A CN 108334869A
Authority
CN
China
Prior art keywords
face
face component
target
default
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
Application number
CN201810235595.7A
Other languages
English (en)
Other versions
CN108334869B (zh
Inventor
李栋
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.)
Beijing Megvii Technology Co Ltd
Original Assignee
Beijing Megvii Technology 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 Beijing Megvii Technology Co Ltd filed Critical Beijing Megvii Technology Co Ltd
Priority to CN201810235595.7A priority Critical patent/CN108334869B/zh
Publication of CN108334869A publication Critical patent/CN108334869A/zh
Application granted granted Critical
Publication of CN108334869B publication Critical patent/CN108334869B/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
    • 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
    • G06F18/25—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
    • G06V40/168—Feature extraction; Face representation
    • G06V40/171—Local features and components; Facial parts ; Occluding parts, e.g. glasses; Geometrical relationships

Landscapes

  • Engineering & Computer Science (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Human Computer Interaction (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Processing (AREA)
  • Collating Specific Patterns (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供了一种人脸部件的选择、人脸识别方法和装置，以及电子设备，该方法包括：在获取到的预设人脸图像集合的每个预设人脸图像中均确定多个类型的候选人脸部件；按照候选人脸部件的类型分别将预设人脸图像集合中每个预设人脸图像的相同类型的候选人脸部件进行掩模处理，得到多组目标人脸图像；将每组目标人脸图像输入至目标神经网络中进行测试，得到目标神经网络的识别准确率；根据识别准确率在多个类型的候选人脸部件中选择目标人脸部件。本发明缓解了现有技术中存在的由于人工不合理的选择人脸部件导致的模型进人脸识别时识别精度较低的技术问题。

Description

人脸部件的选择、人脸识别方法和装置，以及电子设备
技术领域
本发明涉及图像识别的技术领域，尤其是涉及一种人脸部件的选择、人脸识别方法和装置，以及电子设备。
背景技术
随机人工智能技术的快速发展，人脸识别技术已经成为一种发展趋势，人脸识别也已经应用在各个领域，例如，无人商店，自动取票机，实名验证等等。人脸识别技术是基于生物特征的识别方式，利用人类自身拥有的、并且能够唯一标识其身份的生理特征或行为特征进行身份验证的技术。
在人脸识别的问题中，人脸局部信息的利用对于提升全脸模型的鉴别力有重要作用。在学习人脸模型时，可以选择指定的人脸部件作为对全脸模型的鉴别力有重要作用的局部信息。但是，由于上述人脸部件往往是人为指定的，例如，指定眼角、鼻尖、嘴角等特征器官的区域作为指定的人脸部件作为对全脸模型的鉴别力有重要作用的局部信息。也就是说，上述指定的人脸部件往往是技术员根据经验选择的，但是，这些根据经验选择的人脸部件并不一定是对全脸模型的鉴别力影响最大的。此时，就会导致全脸模型在进行全脸识别时，识别精度达不到理想。
针对上述问题，还未提出有效解决方案。
发明内容
有鉴于此，本发明的目的在于提供一种人脸部件的选择、人脸识别方法和装置，以及电子设备，以缓解了现有技术中存在的由于人工不合理的选择人脸部件导致的模型进人脸识别时识别精度较低的技术问题。
第一方面，本发明实施例提供了一种人脸部件的选择方法，包括：获取预设人脸图像集合，并在所述预设人脸图像集合的每个预设人脸图像中均确定多个类型的候选人脸部件；按照所述候选人脸部件的类型分别将所述预设人脸图像集合中每个所述预设人脸图像的相同类型的候选人脸部件进行掩模处理，得到多组目标人脸图像，其中，一组目标人脸图像对应一个类型的候选人脸部件；将每组所述目标人脸图像输入至目标神经网络中进行测试，得到所述目标神经网络的识别准确率；根据所述识别准确率在所述多个类型的候选人脸部件中选择目标人脸部件。
进一步地，按照所述候选人脸部件的类型分别将所述预设人脸图像集合中每个所述预设人脸图像的相同类型的候选人脸部件进行掩模处理，得到多组目标人脸图像包括：基于所述预设人脸图像集合中包含的所有预设人脸图像的像素平均值确定掩膜；将各个所述预设人脸图像中类型为Ai的候选人脸部件替换为所述掩膜，以得到与类型为Ai的候选人脸部件相对应的目标人脸图像，从而得到所述多组目标人脸图像，其中，Ai为所述多个类型中的第i个类型，i依次取1至M，M为所述多个类型的类型数量。
进一步地，根据所述识别准确率在所述多个类型的候选人脸部件中选择目标人脸部件包括：计算每个所述识别准确率与预设值之间的差值，并将所述差值确定为所述目标神经网络的识别准确率的下降幅度，得到多个下降幅度；基于所述多个下降幅度在所述多个类型的候选人脸部件中确定所述目标人脸部件。
进一步地，基于所述多个下降幅度在所述多个类型的候选人脸部件中确定所述目标人脸部件包括以下任一种方式：将目标下降幅度所对应的候选人脸部件确定为所述目标人脸部件，其中，所述目标下降幅度为所述多个下降幅度中大于或者等于预设幅度的下降幅度；将所述多个下降幅度中的最大下降幅度所对应的候选人脸部件确定为所述目标人脸部件；将所述多个下降幅度中前K个最大下降幅度所对应的候选人脸部件确定为所述目标人脸部件，K大于等于1。
进一步地，所述方法还包括：通过所述预设人脸图像集合中的训练图像对预设神经网络进行训练，训练之后得到所述目标神经网络；通过所述预设人脸图像集合中的测试图像对所述目标神经网络进行测试，得到所述目标神经网络的预设值。
进一步地，在所述预设人脸图像集合的每个预设人脸图像中均确定多个类型的候选人脸部件包括：在所述预设人脸图像集合中的每个预设人脸图像中标记N个人脸关键点，其中，所述N大于或者等于1；在每个所述预设人脸图像中，以每个所述人脸关键点为中心选取预设形状的区域所包含的图像信息作为每个所述预设人脸图像的N个类型的候选人脸部件。
第二方面，本发明实施例还提供了一种人脸识别方法，包括：将上述方法实施例中确定出的目标人脸部件所对应的图像信息分别输入至对应的人脸部件模型中进行训练，得到训练之后的人脸部件模型；将训练之后的所述人脸部件模型与所述目标神经网络进行融合，以通过融合之后得到的模型对待识别图像进行人脸识别。
第三方面，本发明实施例提供了一种人脸部件的选择装置，包括：获取确定单元，用于获取预设人脸图像集合，并在所述预设人脸图像集合的每个预设人脸图像中均确定多个类型的候选人脸部件；掩模处理单元，用于，按照所述候选人脸部件的类型分别将所述预设人脸图像集合中每个所述预设人脸图像的相同类型的候选人脸部件进行掩模处理，得到多组目标人脸图像，其中，一组目标人脸图像对应一个类型的候选人脸部件；测试选择单元，用于将每组所述目标人脸图像输入至目标神经网络中进行测试，得到所述目标神经网络的识别准确率；选择单元，用于根据所述识别准确率在所述多个类型的候选人脸部件中选择目标人脸部件。
第四方面，本发明实施例提供了一种人脸识别装置，包括：输入训练单元，用于将目标人脸部件所对应的图像信息分别输入至对应的人脸部件模型中进行训练，得到训练之后的人脸部件模型，其中，所述目标人脸部件为上述第一方面的方法实施例中确定出的人脸部件；融合识别单元，用于将训练之后的所述人脸部件模型与所述目标神经网络进行融合，以通过融合之后得到的模型对待识别图像进行人脸识别。
第五方面，本发明实施例提供了一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述方法实施例中所述的方法。
第六方面，本发明实施例提供了一种具有处理器可执行的非易失的程序代码的计算机可读介质，所述程序代码使所述处理器执行上述方法实施例中所述的方法。
在本发明实施例中，首先，获取预设人脸图像集合，并在预设人脸图像集合的每个预设人脸图像中均确定多个类型的候选人脸部件；然后，按照候选人脸部件的类型分别将预设人脸图像集合中每个预设人脸图像的相同类型的候选人脸部件进行掩模处理，得到多组目标人脸图像，一组目标人脸图像对应一个类型的候选人脸部件；接下来，将每组目标人脸图像输入至目标神经网络中进行测试，得到目标神经网络的识别准确率，最后，根据识别准确率在多个类型的候选人脸部件中选择目标人脸部件。在本发明实施例中，通过上述选择目标人脸部件的方式，能够缓解了现有技术中存在的由于人工不合理的选择人脸部件导致的模型进人脸识别时识别精度较低的技术问题，从而实现了提高全脸模型的识别能力的技术效果。
本发明的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式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，下面描述中的附图是本发明的一些实施方式，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，还可以根据这些附图获得其他的附图。
图1是根据本发明实施例的一种电子设备的示意图；
图2是根据本发明实施例的一种人脸部件的选择方法的流程图；
图3是根据本发明实施例的一种人脸部件的选择方法中步骤S202的流程图；
图4是根据本发明实施例的一种人脸部件的选择方法中步骤S204的流程图；
图5是根据本发明实施例的一种人脸部件的选择方法中步骤S206的流程图；
图6是根据本发明实施例的一种人脸识别方法的流程图；
图7是根据本发明实施例的一种人脸部件的选择装置的示意图；
图8是根据本发明实施例的一种人脸识别装置的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明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他实施例，都属于本发明保护的范围。
首先，参照图1来描述用于实现本发明实施例的人脸部件的选择方法的示例电子设备100。
如图1所示，电子设备100包括一个或多个处理设备102、一个或多个存储装置104、输入装置106、输出装置108以及图像采集装置110，这些组件通过总线系统112和/或其它形式的连接机构(未示出)互连。应当注意，图1所示的电子设备100的组件和结构只是示例性的，而非限制性的，根据需要，所述电子设备也可以具有其他组件和结构。
所述处理设备102可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其它形式的处理单元，并且可以控制所述电子设备100中的其它组件以执行期望的功能。
所述存储装置104可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理设备102可以运行所述程序指令，以实现下文所述的本发明实施例中(由处理器实现)的客户端功能以及/或者其它期望的功能。在所述计算机可读存储介质中还可以存储各种应用程序和各种数据，例如所述应用程序使用和/或产生的各种数据等。
所述输入装置106可以是用户用来输入指令的装置，并且可以包括键盘、鼠标、麦克风和触摸屏等中的一个或多个。
所述输出装置108可以向外部(例如，用户)输出各种信息(例如，图像或声音)，并且可以包括显示器、扬声器等中的一个或多个。
所述图像采集装置110可以拍摄用户期望的图像(例如照片、视频等)，并且将所拍摄的图像存储在所述存储装置104中以供其它组件使用。
示例性地，用于实现根据本发明实施例的人脸部件的选择方法的示例电子设备可以被实现为诸如智能手机、平板电脑等移动终端上。
根据本发明实施例，提供了一种人脸部件的选择方法的实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
图2是根据本发明实施例的一种人脸部件的选择方法的流程图，如图2所示，该方法包括如下步骤：
步骤S202，获取预设人脸图像集合，并在所述预设人脸图像集合的每个预设人脸图像中均确定多个类型的候选人脸部件；
需要说明的是，在本发明实施例中，获取预设人脸图像集合是指预先选取的包含至少一个预设人脸图像的图像集合。人脸关键点可以为能够表征人脸轮廓或者人脸五官轮廓的特征点，例如，眼睛的特征点，鼻子的特征点，嘴巴的特征点，以及人脸整体轮廓的特征点。其中，人脸关键点的数量为多个，具体数量用户可以根据实际需要来进行设定，本发明对此不作具体限定。人脸部件是指人脸图像中的人脸局部区域，例如，人脸图像中，鼻子的局部区域或者鼻子的全部区域；又例如，人脸图像中，眼睛的局部区域或者眼睛的全部区域。上述人脸部件是基于人脸关键点来进行确定的部件。在本发明实施例中，候选人脸部件是从上述人脸部件中选择的部件，其中，一个候选人脸部件对应一个部件类型。
通过上述描述可知，预设人脸图像集合中包括多个预设人脸图像，在每个预设人脸图像中均确定多个类型的候选人脸部件。也就是说，如果预设人脸图像集合中包含100张预设人脸图像，那么可以在该100张预设人脸图像中分别确定M个类型的候选人脸部件，其中，M个类型为预先设置好的，也即，在每个预设人脸图像上均设置上述预先设置的M个类型的候选人脸部件；然后，在每个预设人脸图像中对上述M个类型的候选人脸部件进行标记，例如，候选人脸部件1，候选人脸部件2，候选人脸部件3，…，候选人脸部件M。其中，候选人脸部件1为一种类型的部件，候选人脸部件2为另一种类型的部件，以此类推，此处不再详细描述。
步骤S204，按照所述候选人脸部件的类型分别将所述预设人脸图像集合中每个所述预设人脸图像的相同类型的候选人脸部件进行掩模处理，得到多组目标人脸图像，其中，一组目标人脸图像对应一个类型的候选人脸部件。
需要说明的是，上述掩膜处理是指用选定的图像，图形或者物体，对目标人脸图像中的候选人脸部件进行遮挡，从而实现控制图像处理的区域或者控制图像处理过程的方法。
具体地，首先，对每个预设人脸图像中标记的候选人脸部件1进行掩膜处理，得到一组人脸图像；然后，对每个预设人脸图像中标记的候选人脸部件2进行掩膜处理，得到又一组人脸图像，…，最后，对每个预设人脸图像中标记的候选人脸部件M进行掩膜处理，得到又一组人脸图像。此时，得到的每一组目标人脸图像都对应一个类型的候选人脸部件，具体处理过程将在下述实施方式中进行描述。
步骤S206，将每组所述目标人脸图像输入至目标神经网络中进行测试，得到所述目标神经网络的识别准确率。
在本发明实施例中，在得到多组目标人脸图像之后，就可以将每组目标人脸图像依次输入至目标神经网络中进行测试，从而得到目标神经网络的识别准确率。
例如，将第一组目标人脸图像输入至目标神经网络中进行测试，从而得到与候选人脸部件A1相对应的目标神经网络的识别准确率M1，其中，第一组目标人脸图像与类型为A1的候选人脸部件相对应；以及将第二组目标人脸图像输入至目标神经网络中进行测试，从而得到与候选人脸部件A2相对应的目标神经网络的识别准确率M2，其中，第二组目标人脸图像与类型为A2的候选人脸部件相对应。依次类推，直至确定出与M个类型的候选人脸部件相对应的目标神经网络的识别准确率。
步骤S208，根据所述识别准确率在所述多个类型的候选人脸部件中选择目标人脸部件。
在本发明实施例中，首先获取预设人脸图像集合，并在预设人脸图像集合的每个预设人脸图像中均确定多个类型的候选人脸部件；然后，按照候选人脸部件的类型分别将预设人脸图像集合中每个预设人脸图像的相同类型的候选人脸部件进行掩模处理，得到多组目标人脸图像，其中，一组目标人脸图像对应一个类型的候选人脸部件；接下来，将每组目标人脸图像输入至目标神经网络中进行测试，得到目标神经网络的识别准确率，最后，根据识别准确率在多个类型的候选人脸部件中选择目标人脸部件。在本发明实施例中，通过上述选择目标人脸部件的方式，能够缓解了现有技术中存在的由于人工不合理的选择人脸部件导致的模型进人脸识别时识别精度较低的技术问题，从而实现了提高全脸模型的识别能力的技术效果。
下面将结合具体的实施例介绍上述人脸部件的选择方法。
通过上述描述可知，在本发明实施例中，首先获取预设人脸图像集合，然后在预设人脸图像集合的每个预设人脸图像中均确定多个类型的候选人脸部件。其中，上述预设人脸图像集合为相关技术人员预先选取的至少一个包含人脸的图像。
在一个可选的实施例中，如图3所示，上述步骤S202，在所述预设人脸图像集合的每个预设人脸图像中均确定多个类型的候选人脸部件包括如下步骤：
步骤S301，在所述预设人脸图像集合中的每个预设人脸图像中标记M个人脸关键点，其中，所述M大于或者等于1；
步骤S302，在每个所述预设人脸图像中，以每个所述人脸关键点为中心选取预设形状的区域所包含的图像信息作为每个所述预设人脸图像的M个类型的候选人脸部件。
在本发明实施例中，针对预设人脸图像集合中的每个预设人脸图像，标记N个人脸关键点，优选为标记84个人脸关键点。然后，以每个人脸关键点为中心选取预设形状的区域所包含的图像信息作为每个预设人脸图像的候选人脸部件。此时，在一个预设人脸图像中，就包含M个类型的候选人脸部件，例如，包含84个类型的候选人脸部件。其中，任意两个类型的候选人脸部件所在区域之间可能部分重合或者不重合，但是不可能完全重合。
在对每个预设人脸图像标记M个类型的候选人脸部件之后，每个类型的候选人脸部件都包含对应的标记符号。其中，任意两个预设人脸图像中，标记符号相同的候选人脸部件所属于同一类型的候选人脸部件。
在本发明实施例中，预设形状可以是方形，还可以是圆形，也可以是矩形，对比不做具体限定。且每个预设形状的大小可以根据预设人脸图像的实际大小进行设定。例如，一个预设人脸图像的尺寸为256×256(像素)，且该预设形状为方形，那么该预设形状的大小可以在10(像素)至100(像素)之间。
在确定出多个类型的候选人脸部件之后，就可以将每个所述预设人脸图像中相同类型的候选人脸部件进行掩模处理，得到多组目标人脸图像。
在一个可选的实施例中，如图4所示，步骤S204，将每个所述预设人脸图像中相同类型的候选人脸部件进行掩模处理，得到多组目标人脸图像包括如下步骤：
步骤S401，基于所述预设人脸图像集合中包含的所有预设人脸图像的像素平均值确定掩膜；
步骤S402，将各个所述预设人脸图像中类型为Ai的候选人脸部件替换为所述掩膜，以得到与类型为Ai的候选人脸部件相对应的目标人脸图像，从而得到所述多组目标人脸图像，其中，Ai为所述多个类型中的第i个类型，i依次取1至M，M为所述多个类型的类型数量。
在本发明实施例中，首先，计算均匀模板(也即，掩膜)，其中，可以通过预设人脸图像集合中包含的所有预设人脸图像的像素平均值确定掩膜。然后，再将预设人脸图像中的类型为Ai的候选人脸部件替换为该掩膜，以得到多组目标人脸图像。
具体地，如果预设人脸图像集合中包含100张预设人脸图像，且在每张预设人脸图像中确定出84个类型的候选人脸部件之后，可以将100张预设人脸图像中标记为“1”的候选人脸部件(即，类型为A1的候选人脸部件)进行掩膜处理，得到第一组目标人脸图像；然后，将100张预设人脸图像中标记为“2”的候选人脸部件(即，类型为A2的候选人脸部件)进行掩膜处理，得到第二组目标人脸图像；以此类推，将100张预设人脸图像中标记为“84”的候选人脸部件(即，类型为A84的候选人脸部件)进行掩膜处理，得到第84组目标人脸图像。通过上述描述可知，每组目标人脸图像对应一个类型的候选人脸部件。
在通过上述方式得到多组目标人脸图像之后，就可以将每组目标人脸图像依次输入至目标神经网络中进行测试，进而得到目标神经网络的识别准确率。
例如，将第一组目标人脸图像输入至目标神经网络中进行测试，得到识别准确率M1；然后，将第二组目标人脸图像输入至目标神经网络中进行测试，得到识别准确率M2，以此类推，直至将第84组目标人脸图像输入至目标神经网络中进行测试，得到识别准确率M84。
在确定出每组目标人脸图像(也即，每个候选人脸部件)所对应的识别准确率之后，就可以根据所述识别准确率在所述候选人脸部件中选择目标人脸部件。可选地，所述目标人脸部件对应的识别准确率小于预设值，且与所述预设值之间的差值满足预设要求，所述预设值为不对预设人脸图像集合中的预设人脸图像中的候选人脸部件进行掩膜处理之前，所述目标神经网络对所述预设人脸图像集合进行测试时得到的识别准确率。
由于每组目标人脸图像是对每个预设人脸图像中每个类型的候选人脸部件进行掩膜处理之后得到的人脸图像。因此，在将目标人脸图像输入至目标神经网络中进行测试之后，就能够得到将每个类型的候选人脸部件进行遮挡处理之后，每个类型的候选人脸部件对目标神经网络的识别准确率的影响。此时，可以确定一个比较值(即，上述预设值)，并基于该预设值在多个类型的候选人脸部件中选择对目标神经网络的鉴别能力影响较大的人脸部件作为目标人脸部件。
需要说明的是，在本发明实施例中，目标神经网络为预先经过训练之后得到网络，该目标神经网络的输入是待处理的图像，将待处理图像经过目标神经网络的特征提取之后，与人脸图像底库中的已提取特征进行比对，判断目标神经网络是否能够正确识别出所述待处理图像在人脸图像底库中所对应的目标图像，如果所述待处理图像与人脸图像底库中对应的目标图像中的人脸为同一人，则目标神经网络在进行人脸识别时人脸识别成功。在一个实施例中，目标神经网络可以将待处理图像与人脸图像底库中的图像一一进行比对，并将相似度最高的图像作为目标图像，进而判断待处理图像与该相似度最高的图像(即，目标图像)中的人脸是否为同一个人。
上述每组目标人脸图像中包括经过掩膜处理之后的人脸图像，此时，可以通过多组目标人脸图像对目标神经网络的识别准确率进行测试。例如，假设，每组目标人脸图像中包括100张人脸图像，此时，目标神经网络对100张人脸图像进行识别时，其中，有90张人脸图像识别成功，而10张人脸图像识别错误，基于此，可以确定出针对该组目标人脸图像的目标神经网络的识别准确率为90％。
基于此，在一个可选的实施例中，如图5所示，步骤S206，根据所述识别准确率在所述多个类型的候选人脸部件中选择目标人脸部件包括如下步骤：
步骤S501，计算每个所述识别准确率与预设值之间的差值，并将所述差值确定为所述目标神经网络的识别准确率的下降幅度，得到多个下降幅度；
步骤S502，基于所述多个下降幅度在所述多个类型的候选人脸部件中确定所述目标人脸部件。
在本发明实施例中，预先通过预设人脸图像集合中的训练图像对预设神经网络进行训练，训练之后得到上述目标神经网络。在得到训练好的目标神经网络之后，就可以通过预设人脸图像集合中的测试图像对目标神经网络进行测试，得到目标神经网络的预设值。
需要说明的是，预设人脸图像集合中的测试图像与预设人脸图像集合中的训练图像可以包含相同的图像，还可以为完全不相同的图像。且预设人脸图像集合中的测试图像与预设人脸图像集合中的训练图像均为未进行遮挡处理(也即，掩膜处理)的图像。因此，此时得到的预设值为未对目标神经网络进行干扰的情况下，得出目标神经网络的识别准确率。
在得到该预设值之后，就可以计算每个识别准确率与预设值之间的差值，并将该差值作为目标神经网络识别准确率的下降幅度。即，通过该下降幅度来表征当对各个类型的候选人脸部件进行遮挡处理时，对目标神经网络的识别准确率的影响是多大，从而基于得到的多个下降幅度在多个类型的候选人脸部件中确定目标人脸部件。也就是说，通过上述方式就能够准确的确定出对目标神经网络的鉴别能力影响很大，或者影响较大的候选人脸部件作为目标人脸部件。相对于传统的通过经验的来选择目标人脸部件的方式，很显然，本发明实施例所提供的选择方法更加科学，选择准确度也更高。
基于多个下降幅度在所述多个类型的候选人脸部件中确定目标人脸部件有很多种，在本发明实施例中，可以采用以下三种方式来确定目标人脸部件。
方式一：
将目标下降幅度所对应的候选人脸部件确定为所述目标人脸部件，其中，所述目标下降幅度为所述多个下降幅度中大于或者等于预设幅度的下降幅度。
在本发明实施例中，可以预先设置一个预设幅度，当计算出的多个下降幅度大于或者等于预设幅度时，确定出该下降幅度为目标下降幅度。此时，确定目标下降幅度所对应的候选人脸部件为目标人脸部件。通过此方式确定出的目标人脸部件可能为一个，还可能为多个。
方式二：
将所述多个下降幅度中的最大下降幅度所对应的候选人脸部件确定为所述目标人脸部件。
在本发明实施例中，在得到多个下降幅度之后，还可以将多个下降幅度中最大下降幅度所对应的候选人脸部件作为目标人脸部件。
最大下降幅度表明其所对应的候选人脸部件对目标神经网络的鉴别能力(识别准确率)的影响最大。
方式三：
将所述多个下降幅度中前K个最大下降幅度所对应的候选人脸部件确定为所述目标人脸部件，K大于1。
在本发明实施例中，在得到多个下降幅度之后，还可以将多个下降幅度中前K个最大下降幅度所对应的候选人脸部件作为目标人脸部件。
可以将多个下降幅度按照由高到低的顺序进行排序，然后，将得到的排序序列中前K个最大下降幅度所对应的候选人脸部件确定为所述目标人脸部件。例如，将得到的排序序列中前2个最大下降幅度所对应的候选人脸部件确定为所述目标人脸部件；或者，将得到的排序序列中前3个最大下降幅度所对应的候选人脸部件确定为所述目标人脸部件。在本发明实施例中，K大于1，且K小于下降幅度的数量，一般情况下，K可以选取为下降幅度数量的1/3。
实施例二：
根据本发明实施例，提供了一种人脸识别方法的实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
图6是根据本发明实施例的一种人脸识别方法的流程图，如图6所示，该方法包括如下步骤：
步骤S602，将上述方法实施例一中确定出的目标人脸部件所对应的图像信息分别输入至对应的人脸部件模型中进行训练，得到训练之后的人脸部件模型；
步骤S604，将训练之后的所述人脸部件模型与所述目标神经网络进行融合，以通过融合之后得到的模型对待识别图像进行人脸识别。
在本发明实施例中，首先确定目标人脸部件，其中，可以采用上述实施例一中所描述的方法来确定目标人脸部件，此处不再详细赘述。在得到目标人脸部件之后，如果目标人脸部件的数量至少为一个，还可以将至少一个所述目标人脸部件分别输入至对应的人脸部件模型中进行训练，得到训练之后的所述人脸部件模型；以及，将训练之后的所述人脸部件模型与所述目标神经网络进行融合，以对待测试图像进行人脸识别。
具体地，可以利用至少一个目标人脸部件分别对对应的人脸部件模型进行训练。然后，将训练之后的人脸部件模型与目标神经网络进行融合，最后，通过融合之后的网络进行待测试图像的人脸识别。
在本发明实施例中，如果目标人脸部件的数量为多个，此时，可以将每个目标人脸部件输入至与其对应的人脸部件模型中进行训练。例如，目标人脸部件包括目标人脸部件B1和目标人脸部件B2，此时，可以将在每个预设人脸图像中标记的目标人脸部件B1输入至对应的人脸部件模型中进行训练；可以将在每个预设人脸图像中标记的目标人脸部件B2输入至对应的人脸部件模型中进行训练。其中，不同目标人脸部件所对应的人脸部件模型不同。
在本发明实施例中，在将训练之后的人脸部件模型与目标神经网络进行融合的一个可选实施方式是将训练之后的人脸部件模型与目标神经网络进行拼接。此时，通过拼接之后模型进行人脸识别时，拼接之后模型的输入即为待测试图像中目标人脸部件的特征图像和全脸特征图像进行拼接之后得到的特征信息，该拼接之后模型的输出即为是包含人脸的图像，还是不包含人脸的图像。
在本发明实施例中，通过上述设置方式，能够提高人脸识别模型(即，上述拼接之后模型)的识别精度，从而提高人脸识别模型的人脸识别能力。相对于传统的通过经验的来选择目标人脸部件的方式，容易出现由于目标人脸部件选择的不合理导致的人脸识别模型的识别精度无法实现有效提高的问题。很显然，本发明实施例所提供的人脸部件的选择方法更加科学，选择准确度也更高。这就能够保证有效的提高人脸识别模型的人脸识别能力。
实施例三：
本发明实施例还提供了一种人脸部件的选择装置，该人脸部件的选择装置主要用于执行本发明实施例上述内容所提供的人脸部件的选择方法，以下对本发明实施例提供的人脸部件的选择装置做具体介绍。
图7是根据本发明实施例的一种人脸部件的选择装置的示意图，如图7所示，该人脸部件的选择装置主要包括获取确定单元71，掩模处理单元72，测试选择单元73和选择单元74，其中：
获取确定单元71，用于获取预设人脸图像集合，并在所述预设人脸图像集合的每个预设人脸图像中均确定多个类型的候选人脸部件；
掩模处理单元72，用于按照所述候选人脸部件的类型分别将所述预设人脸图像集合中每个所述预设人脸图像的相同类型的候选人脸部件进行掩模处理，得到多组目标人脸图像，其中，一组目标人脸图像对应一个类型的候选人脸部件；
测试选择单元73，用于将每组所述目标人脸图像输入至目标神经网络中进行测试，得到所述目标神经网络的识别准确率用于将每组所述目标人脸图像输入至目标神经网络中进行测试，得到所述目标神经网络的识别准确率；
选择单元74，用于根据所述识别准确率在所述多个类型的候选人脸部件中选择目标人脸部件。
在本发明实施例中，通过上述选择目标人脸部件的方式，能够缓解了现有技术中存在的由于人工不合理的选择人脸部件导致的模型进人脸识别时识别精度较低的技术问题，从而实现了提高全脸模型的识别能力的技术效果。
可选地，掩模处理单元用于：基于所述预设人脸图像集合中包含的所有预设人脸图像的像素平均值确定掩膜；将各个所述预设人脸图像中类型为Ai的候选人脸部件替换为所述掩膜，以得到与类型为Ai的候选人脸部件相对应的目标人脸图像，从而得到所述多组目标人脸图像，其中，Ai为所述多个类型中的第i个类型，i依次取1至M，M为所述多个类型的类型数量。
可选地，选择单元用于：计算每个所述识别准确率与预设值之间的差值，并将所述差值确定为所述目标神经网络的识别准确率的下降幅度，得到多个下降幅度；基于所述多个下降幅度在所述多个类型的候选人脸部件中确定所述目标人脸部件。
可选地，选择单元还用于：将目标下降幅度所对应的候选人脸部件确定为所述目标人脸部件，其中，所述目标下降幅度为所述多个下降幅度中大于或者等于预设幅度的下降幅度；或者，将所述多个下降幅度中的最大下降幅度所对应的候选人脸部件确定为所述目标人脸部件；或者，将所述多个下降幅度中前K个最大下降幅度所对应的候选人脸部件确定为所述目标人脸部件，K大于等于1。
可选地，该装置还用于：通过所述预设人脸图像集合中的训练图像对预设神经网络进行训练，训练之后得到所述目标神经网络；通过所述预设人脸图像集合中的测试图像对所述目标神经网络进行测试，得到所述目标神经网络的预设值。
可选地，获取确定单元用于：在所述预设人脸图像集合中的每个预设人脸图像中标记N个人脸关键点，其中，所述N大于或者等于1；在每个所述预设人脸图像中，以每个所述人脸关键点为中心选取预设形状的区域所包含的图像信息作为每个所述预设人脸图像的候选人脸部件。
实施例四：
本发明实施例还提供了另一种人脸识别装置，该人脸识别装置主要用于执行本发明实施例上述内容所提供的人脸识别方法，以下对本发明实施例提供的人脸识别装置做具体介绍。
图8是根据本发明实施例的一种人脸识别的示意图，如图8所示，该人脸部件的选择装置主要包括输入训练单元81和融合识别单元82，其中：
输入训练单元81，用于将目标人脸部件所对应的图像信息分别输入至对应的人脸部件模型中进行训练，得到训练之后的人脸部件模型，其中，所述目标人脸部件为上述方式实施例一中确定出的人脸部件；
融合识别单元82，用于将训练之后的所述人脸部件模型与所述目标神经网络进行融合，以通过融合之后得到的模型对待测试图像进行人脸识别。
在本发明实施例中，首先确定目标人脸部件，其中，可以采用上述实施例一中所描述的方法来确定目标人脸部件，此处不再详细赘述。在得到目标人脸部件之后，如果目标人脸部件的数量至少为一个，还可以将至少一个所述目标人脸部件分别输入至对应的人脸部件模型中进行训练，得到训练之后的所述人脸部件模型；以及，将训练之后的所述人脸部件模型与所述目标神经网络进行融合，以对待测试图像进行人脸识别。
在本发明实施例中，通过上述设置方式，能够提高人脸识别模型(即，上述拼接之后模型)的识别精度，从而提高人脸识别模型的人脸识别能力。相对于传统的通过经验的来选择目标人脸部件的方式，容易出现由于目标人脸部件选择的不合理导致的人脸识别模型的识别精度无法实现有效提高的问题。很显然，本发明实施例所提供的人脸部件的选择方法更加科学，选择准确度也更高。这就能够保证有效的提高人脸识别模型的人脸识别能力。
本发明实施例所提供的装置，其实现原理及产生的技术效果和前述方法实施例相同，为简要描述，装置实施例部分未提及之处，可参考前述方法实施例中相应内容。
进一步低，本实施例还提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述前述方法实施例所提供的方法的步骤。
本发明实施例所提供的人脸识别方法、装置及系统的计算机程序产品，包括存储了程序代码的计算机可读存储介质，所述程序代码包括的指令可用于执行前面方法实施例中所述的方法，具体实现可参见方法实施例，在此不再赘述。
另外，在本发明实施例的描述中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
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。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，又例如，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通信接口，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。
所述功能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，可以存储在一个处理器可执行的非易失的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-Only Memory)、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。
最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，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：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。

Claims (11)

1.一种人脸部件的选择方法，其特征在于，包括：
获取预设人脸图像集合，并在所述预设人脸图像集合的每个预设人脸图像中均确定多个类型的候选人脸部件；
按照所述候选人脸部件的类型分别将所述预设人脸图像集合中每个所述预设人脸图像的相同类型的候选人脸部件进行掩模处理，得到多组目标人脸图像，其中，一组目标人脸图像对应一个类型的候选人脸部件；
将每组所述目标人脸图像输入至目标神经网络中进行测试，得到所述目标神经网络的识别准确率；
根据所述识别准确率在所述多个类型的候选人脸部件中选择目标人脸部件。
2.根据权利要求1所述的方法，其特征在于，按照所述候选人脸部件的类型分别将所述预设人脸图像集合中每个所述预设人脸图像的相同类型的候选人脸部件进行掩模处理，得到多组目标人脸图像包括：
基于所述预设人脸图像集合中包含的所有预设人脸图像的像素平均值确定掩膜；
将各个所述预设人脸图像中类型为Ai的候选人脸部件替换为所述掩膜，以得到与类型为Ai的候选人脸部件相对应的目标人脸图像，从而得到所述多组目标人脸图像，其中，Ai为所述多个类型中的第i个类型，i依次取1至M，M为所述多个类型的类型数量。
3.根据权利要求1所述的方法，其特征在于，根据所述识别准确率在所述多个类型的候选人脸部件中选择目标人脸部件包括：
计算每个所述识别准确率与预设值之间的差值，并将所述差值确定为所述目标神经网络的识别准确率的下降幅度，得到多个下降幅度；
基于所述多个下降幅度在所述多个类型的候选人脸部件中确定所述目标人脸部件。
4.根据权利要求3所述的方法，其特征在于，基于所述多个下降幅度在所述多个类型的候选人脸部件中确定所述目标人脸部件包括以下任一种方式：
将目标下降幅度所对应的候选人脸部件确定为所述目标人脸部件，其中，所述目标下降幅度为所述多个下降幅度中大于或者等于预设幅度的下降幅度；
将所述多个下降幅度中的最大下降幅度所对应的候选人脸部件确定为所述目标人脸部件；
将所述多个下降幅度中前K个最大下降幅度所对应的候选人脸部件确定为所述目标人脸部件，K大于等于1。
5.根据权利要求3所述的方法，其特征在于，所述方法还包括：
通过所述预设人脸图像集合中的训练图像对预设神经网络进行训练，训练之后得到所述目标神经网络；
通过所述预设人脸图像集合中的测试图像对所述目标神经网络进行测试，得到所述目标神经网络的预设值。
6.根据权利要求1至5中任一项所述的方法，其特征在于，在所述预设人脸图像集合的每个预设人脸图像中均确定多个类型的候选人脸部件包括：
在所述预设人脸图像集合中的每个预设人脸图像中标记M个人脸关键点，其中，所述M大于或者等于1；
在每个所述预设人脸图像中，以每个所述人脸关键点为中心选取预设形状的区域所包含的图像信息作为每个所述预设人脸图像的M个类型的候选人脸部件。
7.一种人脸识别方法，其特征在于，包括：
将上述权利要求1至6中任一项所述的方法中确定出的目标人脸部件所对应的图像信息分别输入至对应的人脸部件模型中进行训练，得到训练之后的人脸部件模型；
将训练之后的所述人脸部件模型与所述目标神经网络进行融合，以通过融合之后得到的模型对待识别图像进行人脸识别。
8.一种人脸部件的选择装置，其特征在于，包括：
获取确定单元，用于获取预设人脸图像集合，并在所述预设人脸图像集合的每个预设人脸图像中均确定多个类型的候选人脸部件；
掩模处理单元，用于按照所述候选人脸部件的类型分别将所述预设人脸图像集合中每个所述预设人脸图像的相同类型的候选人脸部件进行掩模处理，得到多组目标人脸图像，其中，一组目标人脸图像对应一个类型的候选人脸部件；
测试选择单元，用于将每组所述目标人脸图像输入至目标神经网络中进行测试，得到所述目标神经网络的识别准确率；
选择单元，用于根据所述识别准确率在所述多个类型的候选人脸部件中选择目标人脸部件。
9.一种人脸识别装置，其特征在于，包括：
输入训练单元，用于将目标人脸部件所对应的图像信息分别输入至对应的人脸部件模型中进行训练，得到训练之后的人脸部件模型，其中，所述目标人脸部件为上述权利要求1至6中任一项所述的方法中确定出的人脸部件；
融合识别单元，用于将训练之后的所述人脸部件模型与所述目标神经网络进行融合，以通过融合之后得到的模型对待识别图像进行人脸识别。
10.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现上述权利要求1至6中任一项或者权利要求7所述的方法的步骤。
11.一种具有处理器可执行的非易失的程序代码的计算机可读介质，其特征在于，所述程序代码使所述处理器执行上述权利要求1至6中任一或者权利要求7所述方法。
CN201810235595.7A 2018-03-21 2018-03-21 人脸部件的选择、人脸识别方法和装置，以及电子设备 Active CN108334869B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810235595.7A CN108334869B (zh) 2018-03-21 2018-03-21 人脸部件的选择、人脸识别方法和装置，以及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810235595.7A CN108334869B (zh) 2018-03-21 2018-03-21 人脸部件的选择、人脸识别方法和装置，以及电子设备

Publications (2)

Publication Number Publication Date
CN108334869A true CN108334869A (zh) 2018-07-27
CN108334869B CN108334869B (zh) 2021-05-25

Family

ID=62932199

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810235595.7A Active CN108334869B (zh) 2018-03-21 2018-03-21 人脸部件的选择、人脸识别方法和装置，以及电子设备

Country Status (1)

Country Link
CN (1) CN108334869B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110909663A (zh) * 2019-11-20 2020-03-24 北京奇艺世纪科技有限公司 一种人体关键点识别方法、装置及电子设备
CN112434807A (zh) * 2020-11-24 2021-03-02 上海鹰瞳医疗科技有限公司 深度学习模型性能验证方法及设备
CN113808044A (zh) * 2021-09-17 2021-12-17 北京百度网讯科技有限公司 加密掩膜确定方法、装置、设备以及存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1137662C (zh) * 2001-10-19 2004-02-11 清华大学 基于部件主分量分析的多模式人脸识别方法
CN100557624C (zh) * 2008-05-23 2009-11-04 清华大学 基于多部件多特征融合的人脸识别方法
CN103605965A (zh) * 2013-11-25 2014-02-26 苏州大学 一种多姿态人脸识别方法和装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1137662C (zh) * 2001-10-19 2004-02-11 清华大学 基于部件主分量分析的多模式人脸识别方法
CN100557624C (zh) * 2008-05-23 2009-11-04 清华大学 基于多部件多特征融合的人脸识别方法
CN103605965A (zh) * 2013-11-25 2014-02-26 苏州大学 一种多姿态人脸识别方法和装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
尚世锋等: "基于CNN神经网络的人脸识别模型研究", 《现代信息科技》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110909663A (zh) * 2019-11-20 2020-03-24 北京奇艺世纪科技有限公司 一种人体关键点识别方法、装置及电子设备
CN110909663B (zh) * 2019-11-20 2022-10-25 北京奇艺世纪科技有限公司 一种人体关键点识别方法、装置及电子设备
CN112434807A (zh) * 2020-11-24 2021-03-02 上海鹰瞳医疗科技有限公司 深度学习模型性能验证方法及设备
CN113808044A (zh) * 2021-09-17 2021-12-17 北京百度网讯科技有限公司 加密掩膜确定方法、装置、设备以及存储介质
JP2022101645A (ja) * 2021-09-17 2022-07-06 ベイジン バイドゥ ネットコム サイエンス テクノロジー カンパニー リミテッド 暗号化マスク確定方法、画像認識方法、モデルトレーニング方法、装置、電子機器、記憶媒体およびコンピュータプログラム
JP7282474B2 (ja) 2021-09-17 2023-05-29 ベイジン バイドゥ ネットコム サイエンス テクノロジー カンパニー リミテッド 暗号化マスク確定方法、暗号化マスク確定装置、電子機器、記憶媒体およびコンピュータプログラム

Also Published As

Publication number Publication date
CN108334869B (zh) 2021-05-25

Similar Documents

Publication Publication Date Title
CN106897658B (zh) 人脸活体的鉴别方法和装置
WO2018028546A1 (zh) 一种关键点的定位方法及终端、计算机存储介质
CN107220590B (zh) 一种基于活体检测的防作弊网络调研方法、装置及系统
CN108629168A (zh) 脸部验证方法、设备以及计算设备
CN101520842B (zh) 信息处理装置、眼睛开/合度确定方法及图像传感装置
CN105518708A (zh) 用于验证活体人脸的方法、设备和计算机程序产品
CN108710847A (zh) 场景识别方法、装置及电子设备
CN109815156A (zh) 页面中视觉元素的展示测试方法、装置、设备和存储介质
CN112733802B (zh) 图像的遮挡检测方法、装置、电子设备及存储介质
CN110135406A (zh) 图像识别方法、装置、计算机设备和存储介质
CN110472494A (zh) 脸部特征提取模型训练方法、脸部特征提取方法、装置、设备及存储介质
CN108898185A (zh) 用于生成图像识别模型的方法和装置
CN106874826A (zh) 人脸关键点跟踪方法和装置
CN109948458A (zh) 基于鼻纹的宠物身份识别方法、装置、设备及存储介质
CN106156578A (zh) 身份验证方法和装置
CN108369785A (zh) 活性检测
CN111767760A (zh) 活体检测方法和装置、电子设备及存储介质
CN106599872A (zh) 用于验证活体人脸图像的方法和设备
CN112101123B (zh) 一种注意力检测方法及装置
CN108334869A (zh) 人脸部件的选择、人脸识别方法和装置，以及电子设备
CN110310247A (zh) 图像处理方法、装置、终端及计算机可读存储介质
CN110008664A (zh) 认证信息采集、开户方法、装置及电子设备
KR102242666B1 (ko) 학습 커리큘럼을 제공하는 방법, 시스템 및 장치
CN109240786A (zh) 一种主题更换方法及电子设备
CN108764149B (zh) 一种针对班级学生人脸模型的训练方法

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