CN108647594B - 信息处理方法及设备 - Google Patents

信息处理方法及设备 Download PDF

Info

Publication number
CN108647594B
CN108647594B CN201810388258.1A CN201810388258A CN108647594B CN 108647594 B CN108647594 B CN 108647594B CN 201810388258 A CN201810388258 A CN 201810388258A CN 108647594 B CN108647594 B CN 108647594B
Authority
CN
China
Prior art keywords
face image
sample set
training sample
classification model
classification
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.)
Active
Application number
CN201810388258.1A
Other languages
English (en)
Other versions
CN108647594A (zh
Inventor
万韶华
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 Xiaomi Mobile Software Co Ltd
Original Assignee
Beijing Xiaomi Mobile Software 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 Xiaomi Mobile Software Co Ltd filed Critical Beijing Xiaomi Mobile Software Co Ltd
Priority to CN201810388258.1A priority Critical patent/CN108647594B/zh
Publication of CN108647594A publication Critical patent/CN108647594A/zh
Application granted granted Critical
Publication of CN108647594B publication Critical patent/CN108647594B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06V40/161—Detection; Localisation; Normalisation
    • G06V40/166—Detection; Localisation; Normalisation using acquisition arrangements
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/56—Extraction of image or video features relating to colour
    • 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

Abstract

本公开提供信息处理方法及设备，信息处理方法包括：获取目标用户的人脸图像，所述人脸图像包括深度人脸图像；将所述深度人脸图像输入第一分类模型得到第一分类信息，所述第一分类模型为以深度图训练样本集训练第二分类模型所得到的分类模型，所述第二分类模型为RGB人脸图像分类模型，所述深度图训练样本集为由深度人脸图像所组成的训练样本集；根据所述第一分类信息判定所述人脸图像与参照人脸图像匹配。该技术方案采用基于结构光的人脸图像分类模型来进行人脸识别可提高识别准确度。

Description

信息处理方法及设备
技术领域
本公开涉及信息技术领域，尤其涉及信息处理方法及设备。
背景技术
基于红绿蓝(英文全称：Red Green Blue，英文简称：RGB)相机镜头的人脸图像分类模型，受黯淡的环境、人脸妆容等影响，识别准确率低。
发明内容
本公开的实施例提供信息处理方法及设备，技术方案如下：
根据本公开实施例的第一方面，提供一种信息处理方法，包括：
获取目标用户的人脸图像，所述人脸图像包括深度人脸图像；
将所述深度人脸图像输入第一分类模型得到第一分类信息，所述第一分类模型为以深度图训练样本集训练第二分类模型所得到的分类模型，所述第二分类模型为RGB人脸图像分类模型，所述深度图训练样本集为由深度人脸图像所组成的训练样本集；
根据所述第一分类信息判定所述人脸图像与参照人脸图像匹配。
结构光相机镜头能够在暗光、无光的情况下采集到人脸的三维信息，并且不受人脸妆容的影响，本公开提供的技术方案，采用基于结构光的人脸图像分类模型(第一分类模型)来进行人脸识别可提高识别准确度。另外，训练基于结构光的人脸图像分类模型往往需要采用大量的深度图训练样本经过长时间的训练才能得到，本公开的方案中，第一分类模型为在RGB人脸图像分类模型基础上以深度图像为样本训练得到的分类模型，所需的深度图训练样本容量更小，因此所需的训练时间也更短。
在一个实施例中，所述人脸图像还包括RGB人脸图像；
所述信息处理方法还包括：将所述RGB人脸图像输入所述第二分类模型得到第二分类信息；
所述根据所述第一分类信息判定所述人脸图像与参照人脸图像匹配，包括：根据所述第一分类信息和所述第二分类信息判定所述人脸图像与参照人脸图像匹配。
在一个实施例中，所述获取目标用户的人脸图像之前，还包括：
以颜色图训练样本集训练深度卷积网络，得到所述第二分类模型，所述颜色图训练样本集为由RGB人脸图像所组成的训练样本集；
以所述深度图训练样本集训练所述第二分类模型，得到所述第一分类模型。
在一个实施例中，所述以所述深度图训练样本集训练所述第二分类模型，包括：
将算法学习率从初始学习率更新为调适学习率后，以所述深度图训练样本集训练所述第二分类模型；
其中，所述初始学习率为以所述颜色图训练样本集训练深度卷积网络时所设置的学习率，所述调适学习率为以所述深度图训练样本集训练所述第二分类模型时所设置的学习率，所述调适学习率低于所述初始学习率。
在一个实施例中，所述以所述深度图训练样本集训练所述第二分类模型之前，还包括：
获取所述深度图训练样本集，所述深度图训练样本集的样本容量小于所述颜色图训练样本集的样本容量。
根据本公开实施例的第二方面，提供一种信息处理设备，包括：
采集模块，用于获取目标用户的人脸图像，所述人脸图像包括深度人脸图像；
分类模块，用于将所述深度人脸图像输入第一分类模型得到第一分类信息，所述第一分类模型为以深度图训练样本集训练第二分类模型所得到的分类模型，所述第二分类模型为RGB人脸图像分类模型，所述深度图训练样本集为由深度人脸图像所组成的训练样本集；
判定模块，用于根据所述第一分类信息判定所述人脸图像与参照人脸图像匹配。
在一个实施例中，所述采集模块包括颜色图采集子模块，所述颜色图采集子模块用于获取RGB人脸图像；
所述分类模块包括颜色图分类子模块，所述颜色图分类子模块用于将所述RGB人脸图像输入所述第二分类模型得到第二分类信息；
所述判定模块包括综合子模块，所述综合子模块用于根据所述第一分类信息和所述第二分类信息判定所述人脸图像与参照人脸图像匹配。
在一个实施例中，还包括：
颜色图训练模块，用于以颜色图训练样本集训练深度卷积网络，得到所述第二分类模型，所述颜色图训练样本集为由RGB人脸图像所组成的训练样本集；
深度图训练模块，用于以所述深度图训练样本集训练所述第二分类模型，得到所述第一分类模型。
在一个实施例中，所述深度图训练模块包括：
学习率更新子模块，用于将算法学习率从初始学习率更新为调适学习率后，以所述深度图训练样本集训练所述第二分类模型；
其中，所述初始学习率为以所述颜色图训练样本集训练深度卷积网络时所设置的学习率，所述调适学习率为以所述深度图训练样本集训练所述第二分类模型时所设置的学习率，所述调适学习率低于所述初始学习率。
在一个实施例中，所述深度图训练模块包括：
样本管理模块，用于获取所述深度图训练样本集，所述深度图训练样本集的样本容量小于所述颜色图训练样本集的样本容量。
根据本公开实施例的第三方面，提供一种信息处理设备，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为：
获取目标用户的人脸图像，所述人脸图像包括深度人脸图像；
将所述深度人脸图像输入第一分类模型得到第一分类信息，所述第一分类模型为以深度图训练样本集训练第二分类模型所得到的分类模型，所述第二分类模型为RGB人脸图像分类模型，所述深度图训练样本集为由深度人脸图像所组成的训练样本集；
根据所述第一分类信息判定所述人脸图像与参照人脸图像匹配。
根据本公开实施例的第四方面，提供一种计算机可读存储介质，其上存储有计算机指令，该指令被处理器执行时实现第一方面所提供信息处理方法的步骤。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。
图1是根据一示例性实施例示出的信息处理方法的流程图。
图2是根据一示例性实施例示出的信息处理方法的流程图。
图3是根据一示例性实施例示出的电子设备的框图。
图4是根据一示例性实施例示出的电子设备的框图。
图5是根据一示例性实施例示出的电子设备的框图。
图6是根据一示例性实施例示出的电子设备的框图。
图7是根据一示例性实施例示出的电子设备的框图。
图8是根据一示例性实施例示出的电子设备的框图。
图9根据一示例性实施例示出的终端设备的框图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的设备和方法的例子。
基于RGB相机镜头的人脸图像分类模型，受黯淡的环境、人脸妆容等影响，识别准确率低。本公开的方案一方面提供一种基于结构光的人脸图像分类模型以提高识别准确度。另一方面由于结构光相机的普及量远低于RGB相机，因此所能获得的深度图样本量也少，本公开的方案所提供的基于结构光的人脸图像分类模型可基于更小的深度图样本量训练得到，从而可在依靠更小训练样本、耗费更短时间的条件下训练得到。
本公开的实施例提供一种信息处理方法，以及用于执行该方法的信息处理设备。该设备可以是手机、平板等具备人脸识别功能的设备，或者用于训练人脸图像分类模型的计算机设备。
图1是根据一示例性实施例示出的一种信息处理方法的流程图，应用于信息处理设备，图1对应的实施例以信息处理设备为手机的情形为例进行说明。信息处理方法包括步骤101-103：
在步骤101中，获取目标用户的深度人脸图像。
以信息处理设备为手机的情形为例，目标用户可以为使用手机的用户。手机通过结构光相机镜头采集目标用户的深度人脸图像。深度人脸图像是指根据人脸点集信息生成的深度图像。
在一个实施例中，通过结构光相机镜头采集目标用户的人脸点集信息(x，y，z)，其中x、y为位置坐标，z为深度数据。深度人脸图像中，位置为(x，y)的像素的颜色值为z。
在步骤102中，将目标用户的深度人脸图像输入第一分类模型得到第一分类信息。
以第一分类模型指代深度人脸图像的分类模型，以第二分类模型指代RGB人脸图像的分类模型。
第一分类模型为以深度图训练样本集训练第二分类模型所得到的分类模型。其中，深度图训练样本集为由深度人脸图像所组成的训练样本集。
第一分类信息为第一分类模型的输出信息。在一个实施例中，手机预先录入参照人脸图像并存储，参照人脸图像为深度人脸图像。第一分类信息用于指示目标用户的深度人脸图像与参照人脸图像被划为一类的概率值。
在步骤103中，根据第一分类信息判定目标用户的深度人脸图像与参照人脸图像匹配。
在一个实施例中，当第一分类信息所指示的概率值超过预设阈值时，判定目标用户的深度人脸图像与参照人脸图像匹配。当该概率值不超过预设阈值时，判定目标用户的深度人脸图像与参照人脸图像不匹配。
结构光相机镜头能够在暗光、无光的情况下采集到人脸的三维信息，并且不受人脸妆容的影响，本公开实施例提供的信息处理方法，采用基于结构光的人脸图像分类模型(第一分类模型)来进行人脸识别可提高识别准确度。另外，训练基于结构光的人脸图像分类模型往往需要采用大量的深度图训练样本经过长时间的训练才能得到，本公开的方案中，第一分类模型为在RGB人脸图像分类模型基础上以深度图像为样本训练得到的分类模型，所需的深度图训练样本容量更小，因此所需的训练时间也更短。
基于上述图1对应的实施例提供的信息处理方法，图2是根据一示例性实施例示出的一种信息处理方法的流程图，图2对应的实施例中，以分类模型为深度卷积网络的情形为例，对信息处理方法做了进一步补充和说明。
其中部分步骤中的内容与图1对应的实施例中的步骤相同或类似，以下只对步骤中不同之处做详细说明。参照图2所示，本实施例提供的信息处理方法包括步骤201-208：
在步骤201中，以颜色图训练样本集训练深度卷积网络，得到第二分类模型。
颜色图训练样本集为由RGB人脸图像所组成的训练样本集。第二分类模型训练得到的RGB人脸图像的分类模型。
在步骤202中，将算法学习率从初始学习率更新为调适学习率。
在开始样本训练之前需要设置学习率，初始学习率是指以颜色图训练样本集训练深度卷积网络时所设置的学习率。调适学习率为以深度图训练样本集训练第二分类模型时所设置的学习率，调适学习率低于初始学习率。
学习率决定了训练过程中模型参数移动到最优值的速度快慢。如果学习率过大，很可能会使参数越过最优值。反而如果学习率过小，优化的效率可能过低，长时间算法无法收敛。
本实施例中以第二分类模型为初始值，用深度图训练样本集继续训练深度卷积网络，第二分类模型为第一分类模型接近收敛的中间状态，降低学习率可以防止参数越过最优值。
在步骤203中，获取深度图训练样本集。
深度图训练样本集为由深度人脸图像所组成的训练样本集。
用深度图训练样本集继续训练深度卷积网络时，第二分类模型已经接近收敛，因此采用较小的样本容量即可达到收敛。
在一个实施例中，深度图训练样本集的样本容量小于颜色图训练样本集的样本容量，因此可更方便快速地收集到所需的深度图训练样本。
在步骤204中，以深度图训练样本集训练第二分类模型，得到第一分类模型。
以深度图训练样本集训练第二分类模型，是指以第二分类模型为初始值，用深度图训练样本集继续训练深度卷积网络，当目标函数收敛时得到第一分类模型。目标函数可包括softmax_loss函数和center_loss函数中的至少一个。
在步骤205中，获取目标用户的人脸图像。
步骤201-步骤204为分类模型训练过程。步骤205及后续步骤为通过分类模型进行人脸识别的过程。
在一个实施例中，人脸图像包括深度人脸图像和RGB人脸图像。以手机为例，手机包括结构光相机和RGB相机，通过结构光相机采集到目标用户的人脸点集信息，根据点集信息生成深度图像，通过RGB相机采集到目标用户的RGB人脸图像。
在步骤206中，将目标用户的深度人脸图像输入第一分类模型得到第一分类信息。
第一分类信息为第一分类模型的输出信息。在一个实施例中，手机预先录入参照人脸图像并存储，参照人脸图像包括深度人脸图像。第一分类信息用于指示目标用户的深度人脸图像与预存的深度人脸图像被划为一类的概率值，以P1表示。
在步骤207中，将目标用户的RGB人脸图像输入第二分类模型得到第二分类信息。
第二分类信息为第二分类模型的输出信息。在一个实施例中，手机预先录入参照人脸图像并存储，参照人脸图像包括RGB人脸图像。第二分类信息用于指示目标用户的RGB人脸图像与预存的RGB人脸图像被划为一类的概率值，以P2表示。
在步骤208中，根据第一分类信息和第二分类信息判定人脸图像与参照人脸图像匹配。
在一个实施例中，当判定系数P超过预设阈值时，判定人脸图像与参照人脸图像匹配。其中判定系数P为P＝α*P1+(1-α)*P2，α为加权系数。
根据深度人脸图像的分类模型(第一分类模型)和RGB人脸图像的分类模型(第二分类模型)来判定目标用户的人脸图像与预存的参照人脸图像是否匹配，可降低判定误差，提高人脸识别的准确性。
结构光相机镜头能够在暗光、无光的情况下采集到人脸的三维信息，并且不受人脸妆容的影响，本公开实施例提供的信息处理方法，采用基于结构光的人脸图像分类模型(第一分类模型)来进行人脸识别可提高识别准确度。另外，训练基于结构光的人脸图像分类模型往往需要采用大量的深度图训练样本经过长时间的训练才能得到，本公开的方案中，第一分类模型为在RGB人脸图像分类模型基础上以深度图像为样本训练得到的分类模型，所需的深度图训练样本容量更小，因此所需的训练时间也更短。
下述为本公开设备实施例，可以用于执行本公开方法实施例。
图3是根据一示例性实施例示出的一种电子设备的框图，该设备可以通过软件、硬件或者两者的结合实现其部分或者全部功能，用于执行图1-图2对应的实施例中所描述的信息处理方法。如图3所示，电子设备包括：
采集模块301，用于获取目标用户的人脸图像，人脸图像包括深度人脸图像。
分类模块302，用于将深度人脸图像输入第一分类模型得到第一分类信息，第一分类模型为以深度图训练样本集训练第二分类模型所得到的分类模型，第二分类模型为RGB人脸图像分类模型，深度图训练样本集为由深度人脸图像所组成的训练样本集。
判定模块303，用于根据第一分类信息判定人脸图像与参照人脸图像匹配。
如图4所示，在一个实施例中，采集模块301包括颜色图采集子模块3011，颜色图采集子模块3011用于获取RGB人脸图像。
分类模块302包括颜色图分类子模块3021，颜色图分类子模块3021用于将RGB人脸图像输入第二分类模型得到第二分类信息。
判定模块303包括综合子模块3031，综合子模块3031用于根据第一分类信息和第二分类信息判定人脸图像与参照人脸图像匹配。
如图5所示，在一个实施例中，还包括：
颜色图训练模块304，用于以颜色图训练样本集训练深度卷积网络，得到第二分类模型，颜色图训练样本集为由RGB人脸图像所组成的训练样本集。
深度图训练模块305，用于以深度图训练样本集训练第二分类模型，得到第一分类模型。
如图6所示，在一个实施例中，深度图训练模块305包括：
学习率更新子模块3051，用于将算法学习率从初始学习率更新为调适学习率后，以深度图训练样本集训练第二分类模型。
其中，初始学习率为以颜色图训练样本集训练深度卷积网络时所设置的学习率，调适学习率为以深度图训练样本集训练第二分类模型时所设置的学习率，调适学习率低于初始学习率。
如图7所示，在一个实施例中，深度图训练模块305包括：
样本管理模块3052，用于获取深度图训练样本集，深度图训练样本集的样本容量小于颜色图训练样本集的样本容量。
结构光相机镜头能够在暗光、无光的情况下采集到人脸的三维信息，并且不受人脸妆容的影响，本公开实施例提供的电子设备，采用基于结构光的人脸图像分类模型(第一分类模型)来进行人脸识别可提高识别准确度。另外，训练基于结构光的人脸图像分类模型往往需要采用大量的深度图训练样本经过长时间的训练才能得到，本公开的方案中，第一分类模型为在RGB人脸图像分类模型基础上以深度图像为样本训练得到的分类模型，所需的深度图训练样本容量更小，因此所需的训练时间也更短。
图8是根据一示例性实施例示出的一种电子设备的框图，该设备可以通过软件、硬件或者两者的结合实现成为电子设备的部分或者全部，该电子设备用于执行上述图1-图2对应的实施例中所描述的信息处理方法。如图8所示，电子设备80包括：
处理器801。
用于存储处理器801可执行指令的存储器802。
其中，处理器801被配置为：
获取目标用户的人脸图像，人脸图像包括深度人脸图像。
将深度人脸图像输入第一分类模型得到第一分类信息，第一分类模型为以深度图训练样本集训练第二分类模型所得到的分类模型，第二分类模型为RGB人脸图像分类模型，深度图训练样本集为由深度人脸图像所组成的训练样本集。
根据第一分类信息判定人脸图像与参照人脸图像匹配。
在一个实施例中，上述处理器801还可被配置为：
人脸图像还包括RGB人脸图像。
信息处理方法还包括：将RGB人脸图像输入第二分类模型得到第二分类信息。
根据第一分类信息判定人脸图像与参照人脸图像匹配，包括：根据第一分类信息和第二分类信息判定人脸图像与参照人脸图像匹配。
在一个实施例中，上述处理器801还可被配置为：
以颜色图训练样本集训练深度卷积网络，得到第二分类模型，颜色图训练样本集为由RGB人脸图像所组成的训练样本集。
以深度图训练样本集训练第二分类模型，得到第一分类模型。
在一个实施例中，上述处理器801还可被配置为：
将算法学习率从初始学习率更新为调适学习率后，以深度图训练样本集训练第二分类模型。
其中，初始学习率为以颜色图训练样本集训练深度卷积网络时所设置的学习率，调适学习率为以深度图训练样本集训练第二分类模型时所设置的学习率，调适学习率低于初始学习率。
在一个实施例中，上述处理器801还可被配置为：
获取深度图训练样本集，深度图训练样本集的样本容量小于颜色图训练样本集的样本容量。
结构光相机镜头能够在暗光、无光的情况下采集到人脸的三维信息，并且不受人脸妆容的影响，本公开实施例提供的电子设备，采用基于结构光的人脸图像分类模型(第一分类模型)来进行人脸识别可提高识别准确度。另外，训练基于结构光的人脸图像分类模型往往需要采用大量的深度图训练样本经过长时间的训练才能得到，本公开的方案中，第一分类模型为在RGB人脸图像分类模型基础上以深度图像为样本训练得到的分类模型，所需的深度图训练样本容量更小，因此所需的训练时间也更短。
本公开实施例提供的电子设备可以是一个如图9所示的终端设备，图9是根据一示例性实施例示出的一种终端设备的框图，该终端设备90可以是智能手机、平板电脑等，该终端设备90用于执行上述图1-图2对应的实施例中所描述的信息处理方法。
终端设备90可以包括以下一个或多个组件：处理组件901，存储器902，电源组件903，多媒体组件904，音频组件905，输入/输出(I/O)的接口906，传感器组件907，以及通信组件908。
处理组件901通常控制终端设备90的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件901可以包括一个或多个处理器9011来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件901可以包括一个或多个模块，便于处理组件901和其他组件之间的交互。例如，处理组件901可以包括多媒体模块，以方便多媒体组件904和处理组件901之间的交互。
存储器902被配置为存储各种类型的数据以支持在终端设备90的操作。这些数据的示例包括用于在终端设备90上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器902可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(英文全称：Static Random Access Memory，英文简称：SRAM)，电可擦除可编程只读存储器(英文全称：Electrically Erasable ProgrammableRead Only Memory，英文简称：EEPROM)，可擦除可编程只读存储器(英文全称：ErasableProgrammable Read Only Memory，英文简称：EPROM)，可编程只读存储器(英文全称：Programmable Read Only Memory，英文简称：PROM)，只读存储器(英文全称：Read OnlyMemory，英文简称：ROM)，磁存储器，快闪存储器，磁盘或光盘。
电源组件903为终端设备90的各种组件提供电力。电源组件903可以包括电源管理系统，一个或多个电源，及其他与为终端设备90生成、管理和分配电力相关联的组件。
多媒体组件904包括在终端设备90和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(英文全称：Liquid Crystal Display，英文简称：LCD)和触摸面板(英文全称：Touch Panel，英文简称：TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件904包括一个前置摄像头和/或后置摄像头。当终端设备90处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件905被配置为输出和/或输入音频信号。例如，音频组件905包括一个麦克风(英文全称：Microphone，英文简称：MIC)，当终端设备90处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器902或经由通信组件908发送。在一些实施例中，音频组件905还包括一个扬声器，用于输出音频信号。
I/O接口906为处理组件901和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件907包括一个或多个传感器，用于为终端设备90提供各个方面的状态评估。例如，传感器组件907可以检测到终端设备90的打开/关闭状态，组件的相对定位，例如组件为终端设备90的显示器和小键盘，传感器组件907还可以检测终端设备90或终端设备90一个组件的位置改变，用户与终端设备90接触的存在或不存在，终端设备90方位或加速/减速和终端设备90的温度变化。传感器组件907可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件907还可以包括光传感器，如互补金属氧化物半导体(英文全称：Complementary Metal Oxide Semiconductor，英文简称：CMOS)或电荷耦合元件(英文全称：Charge Coupled Device，英文简称：CCD)图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件907还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。
通信组件908被配置为便于终端设备90和其他设备之间有线或无线方式的通信。终端设备90可以接入基于通信标准的无线网络，如无线保真(英文全称：Wireless-Fidelity，英文简称：WiFi)，2G或3G，或它们的组合。在一个示例性实施例中，通信组件908经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，通信组件908还包括近场通信(英文全称：Near Field Communication，英文简称：NFC)模块，以促进短程通信。例如，该NFC模块可基于射频识别(英文全称：Radio FrequencyIdentification，英文简称：RFID)技术，红外数据协会(英文全称：Infrared DataAssociation，英文简称：IrDA)技术，超宽带(英文全称：Ultra Wideband，英文简称：UWB)技术，蓝牙(英文全称：Bluetooth，英文简称：BT)技术和其他技术来实现。
在示例性实施例中，终端设备90可以被一个或多个应用专用集成电路(英文全称：Application Specific Integrated Circuit，英文简称：ASIC)、数字信号处理器(英文全称：Digital Signal Processing，英文简称：DSP)、数字信号处理设备(英文全称：DigitalSignal Processing Device，英文简称：DSPD)、可编程逻辑器件(英文全称：ProgrammableLogic Device，英文简称：PLD)、现场可编程门阵列(英文全称：Field Programmable GateArray，英文简称：FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述图1-图2对应的实施例中所描述的信息处理方法。
在示例性实施例中，还提供了一种包括指令的非临时性计算机可读存储介质，例如包括指令的存储器902，上述指令可由终端设备90的处理组件901执行以完成上述方法。例如，非临时性计算机可读存储介质可以是ROM、随机存取存储器(英文全称：RandomAccess Memory，英文简称：RAM)、CD-ROM、磁带、软盘和光数据存储设备等。当存储介质中的指令由终端设备90的处理组件901执行时，使得终端设备90能够执行上述图1-图2对应的实施例中所描述的信息处理方法，该方法包括：
获取目标用户的人脸图像，人脸图像包括深度人脸图像。
将深度人脸图像输入第一分类模型得到第一分类信息，第一分类模型为以深度图训练样本集训练第二分类模型所得到的分类模型，第二分类模型为RGB人脸图像分类模型，深度图训练样本集为由深度人脸图像所组成的训练样本集。
根据第一分类信息判定人脸图像与参照人脸图像匹配。
在一个实施例中，该方法包括：
人脸图像还包括RGB人脸图像。
信息处理方法还包括：将RGB人脸图像输入第二分类模型得到第二分类信息。
根据第一分类信息判定人脸图像与参照人脸图像匹配，包括：根据第一分类信息和第二分类信息判定人脸图像与参照人脸图像匹配。
在一个实施例中，该方法包括：
以颜色图训练样本集训练深度卷积网络，得到第二分类模型，颜色图训练样本集为由RGB人脸图像所组成的训练样本集。
以深度图训练样本集训练第二分类模型，得到第一分类模型。
在一个实施例中，该方法包括：
将算法学习率从初始学习率更新为调适学习率后，以深度图训练样本集训练第二分类模型。
其中，初始学习率为以颜色图训练样本集训练深度卷积网络时所设置的学习率，调适学习率为以深度图训练样本集训练第二分类模型时所设置的学习率，调适学习率低于初始学习率。
在一个实施例中，该方法包括：
获取深度图训练样本集，深度图训练样本集的样本容量小于颜色图训练样本集的样本容量。
结构光相机镜头能够在暗光、无光的情况下采集到人脸的三维信息，并且不受人脸妆容的影响，本公开实施例提供的终端设备以及存储介质，采用基于结构光的人脸图像分类模型(第一分类模型)来进行人脸识别可提高识别准确度。另外，训练基于结构光的人脸图像分类模型往往需要采用大量的深度图训练样本经过长时间的训练才能得到，本公开的方案中，第一分类模型为在RGB人脸图像分类模型基础上以深度图像为样本训练得到的分类模型，所需的深度图训练样本容量更小，因此所需的训练时间也更短。
本领域技术人员在考虑说明书及实践这里公开的公开后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求指出。
应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。

Claims (10)

1.一种信息处理方法，其特征在于，包括：
以颜色图训练样本集训练深度卷积网络，得到第二分类模型，所述颜色图训练样本集为由RGB人脸图像所组成的训练样本集；
以第二分类模型为初始值，以深度图训练样本集训练所述第二分类模型，得到第一分类模型，第二分类模型为第一分类模型接近收敛的中间状态，所述深度图训练样本集为由深度人脸图像所组成的训练样本集；
获取目标用户的人脸图像，所述人脸图像包括深度人脸图像；
将所述深度人脸图像输入所述第一分类模型得到第一分类信息；
根据所述第一分类信息判定所述人脸图像与参照人脸图像匹配。
2.根据权利要求1所述的信息处理方法，其特征在于，
所述人脸图像还包括RGB人脸图像；
所述信息处理方法还包括：将所述RGB人脸图像输入所述第二分类模型得到第二分类信息；
所述根据所述第一分类信息判定所述人脸图像与参照人脸图像匹配，包括：根据所述第一分类信息和所述第二分类信息判定所述人脸图像与参照人脸图像匹配。
3.根据权利要求1所述的信息处理方法，其特征在于，所述以所述深度图训练样本集训练所述第二分类模型，包括：
将算法学习率从初始学习率更新为调适学习率后，以所述深度图训练样本集训练所述第二分类模型；
其中，所述初始学习率为以所述颜色图训练样本集训练深度卷积网络时所设置的学习率，所述调适学习率为以所述深度图训练样本集训练所述第二分类模型时所设置的学习率，所述调适学习率低于所述初始学习率。
4.根据权利要求1所述的信息处理方法，其特征在于，所述以所述深度图训练样本集训练所述第二分类模型之前，还包括：
获取所述深度图训练样本集，所述深度图训练样本集的样本容量小于所述颜色图训练样本集的样本容量。
5.一种信息处理设备，其特征在于，包括：
颜色图训练模块，用于以颜色图训练样本集训练深度卷积网络，得到第二分类模型，所述颜色图训练样本集为由RGB人脸图像所组成的训练样本集；
深度图训练模块，用于以第二分类模型为初始值，以所述深度图训练样本集训练所述第二分类模型，得到第一分类模型，第二分类模型为第一分类模型接近收敛的中间状态，所述深度图训练样本集为由深度人脸图像所组成的训练样本集；
采集模块，用于获取目标用户的人脸图像，所述人脸图像包括深度人脸图像；
分类模块，用于将所述深度人脸图像输入所述第一分类模型得到第一分类信息；
判定模块，用于根据所述第一分类信息判定所述人脸图像与参照人脸图像匹配。
6.根据权利要求5所述的信息处理设备，其特征在于，
所述采集模块包括颜色图采集子模块，所述颜色图采集子模块用于获取RGB人脸图像；
所述分类模块包括颜色图分类子模块，所述颜色图分类子模块用于将所述RGB人脸图像输入所述第二分类模型得到第二分类信息；
所述判定模块包括综合子模块，所述综合子模块用于根据所述第一分类信息和所述第二分类信息判定所述人脸图像与参照人脸图像匹配。
7.根据权利要求5所述的信息处理设备，其特征在于，所述深度图训练模块包括：
学习率更新子模块，用于将算法学习率从初始学习率更新为调适学习率后，以所述深度图训练样本集训练所述第二分类模型；
其中，所述初始学习率为以所述颜色图训练样本集训练深度卷积网络时所设置的学习率，所述调适学习率为以所述深度图训练样本集训练所述第二分类模型时所设置的学习率，所述调适学习率低于所述初始学习率。
8.根据权利要求5所述的信息处理设备，其特征在于，所述深度图训练模块包括：
样本管理模块，用于获取所述深度图训练样本集，所述深度图训练样本集的样本容量小于所述颜色图训练样本集的样本容量。
9.一种信息处理设备，其特征在于，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为：
以颜色图训练样本集训练深度卷积网络，得到第二分类模型，所述颜色图训练样本集为由RGB人脸图像所组成的训练样本集；
以第二分类模型为初始值，以深度图训练样本集训练所述第二分类模型，得到第一分类模型，第二分类模型为第一分类模型接近收敛的中间状态，所述深度图训练样本集为由深度人脸图像所组成的训练样本集；
获取目标用户的人脸图像，所述人脸图像包括深度人脸图像；
将所述深度人脸图像输入所述第一分类模型得到第一分类信息；
根据所述第一分类信息判定所述人脸图像与参照人脸图像匹配。
10.一种计算机可读存储介质，其上存储有计算机指令，其特征在于，该指令被处理器执行时实现权利要求1-4任一项所述信息处理方法的步骤。
CN201810388258.1A 2018-04-26 2018-04-26 信息处理方法及设备 Active CN108647594B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810388258.1A CN108647594B (zh) 2018-04-26 2018-04-26 信息处理方法及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810388258.1A CN108647594B (zh) 2018-04-26 2018-04-26 信息处理方法及设备

Publications (2)

Publication Number Publication Date
CN108647594A CN108647594A (zh) 2018-10-12
CN108647594B true CN108647594B (zh) 2022-06-10

Family

ID=63748037

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810388258.1A Active CN108647594B (zh) 2018-04-26 2018-04-26 信息处理方法及设备

Country Status (1)

Country Link
CN (1) CN108647594B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111680574B (zh) * 2020-05-18 2023-08-04 合肥的卢深视科技有限公司 一种人脸检测方法、装置、电子设备和存储介质

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TW201445454A (zh) * 2013-05-22 2014-12-01 Asustek Comp Inc 提升人臉辨識率的影像處理系統及影像處理方法
CN105608450B (zh) * 2016-03-01 2018-11-27 天津中科智能识别产业技术研究院有限公司 基于深度卷积神经网络的异质人脸识别方法
CN107451510B (zh) * 2016-05-30 2023-07-21 北京旷视科技有限公司 活体检测方法和活体检测系统
CN106295521B (zh) * 2016-07-29 2019-06-04 厦门美图之家科技有限公司 一种基于多输出卷积神经网络的性别识别方法、装置及计算设备

Also Published As

Publication number Publication date
CN108647594A (zh) 2018-10-12

Similar Documents

Publication Publication Date Title
CN106557768B (zh) 对图片中的文字进行识别的方法及装置
US11061202B2 (en) Methods and devices for adjusting lens position
EP3226204A1 (en) Method and apparatus for intelligently capturing image
CN107944447B (zh) 图像分类方法及装置
CN106228556B (zh) 图像质量分析方法和装置
US10181184B2 (en) Method and apparatus for identifying image type
CN107967459B (zh) 卷积处理方法、装置及存储介质
WO2019109563A1 (zh) 显示界面图像的方法和装置
CN107563994B (zh) 图像的显著性检测方法及装置
CN107463052B (zh) 拍摄曝光方法及装置
CN108200279B (zh) 背光调节方法、装置和设备
CN107480785B (zh) 卷积神经网络的训练方法及装置
CN112200040A (zh) 遮挡图像检测方法、装置及介质
CN108154093B (zh) 人脸信息识别方法及装置、电子设备、机器可读存储介质
CN108040213B (zh) 拍摄图像的方法、装置及计算机可读存储介质
CN105677352B (zh) 应用图标颜色的设置方法和装置
CN107992894B (zh) 图像识别方法、装置及计算机可读存储介质
CN112033527B (zh) 环境亮度检测方法、装置、设备及存储介质
CN105472228B (zh) 图像处理方法、装置及终端
CN108647594B (zh) 信息处理方法及设备
US11062640B2 (en) Screen display method and screen display device
CN107885464B (zh) 数据存储方法、装置及计算机可读存储介质
CN107122356B (zh) 显示人脸颜值的方法及装置、电子设备
CN112148149A (zh) 触摸屏控制方法、触摸屏控制装置及存储介质
CN108182658B (zh) 图像美化方法及装置

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