CN108875502B - 人脸识别方法和装置 - Google Patents
人脸识别方法和装置 Download PDFInfo
- Publication number
- CN108875502B CN108875502B CN201711089314.3A CN201711089314A CN108875502B CN 108875502 B CN108875502 B CN 108875502B CN 201711089314 A CN201711089314 A CN 201711089314A CN 108875502 B CN108875502 B CN 108875502B
- Authority
- CN
- China
- Prior art keywords
- model
- sub
- recognition
- face recognition
- 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.)
- Active
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
- G06V40/172—Classification, e.g. identification
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/94—Hardware or software architectures specially adapted for image or video understanding
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
- Collating Specific Patterns (AREA)
Abstract
本发明提供了人脸识别方法和装置,该人脸识别方法包括:获取待验证用户的人脸图像;采用人脸识别模型中的第一子模型对人脸图像进行人脸识别,确定识别结果;如果识别结果为不确定或不通过,则继续采用人脸识别模型中的第二子模型对人脸图像进行人脸识别,第二子模型的计算量大于第一子模型的计算量。本发明实施例采用具有多个子模型的人脸识别模型进行识别,有利于提高识别速度和识别精度。
Description
技术领域
本发明涉及图像识别技术领域,尤其是涉及人脸识别方法和装置。
背景技术
目前,人脸识别通常采用基于深度学习的深度神经网络,但是,采用基于深度学习的深度神经网络计算量较大,从而导致运行速度慢。尤其是将这种方法运行在性能较差的机器(例如,手机)上时,会使运行速度更慢。现有技术中,为了提高运行速度,通常需要降低深度神经网络的规模,但是这样会降低人脸识别精度。
发明内容
有鉴于此,本发明的目的在于提供人脸识别方法和装置,以提高识别速度和识别精度。
第一方面,本发明实施例提供了人脸识别方法,所述方法包括:
获取待验证用户的人脸图像;
采用人脸识别模型中的第一子模型对所述人脸图像进行人脸识别,确定识别结果;
如果所述识别结果为不确定或不通过,则采用所述人脸识别模型中的第二子模型对所述人脸图像进行人脸识别,所述第二子模型的计算量大于所述第一子模型的计算量。
进一步的,所述方法还包括:
如果所述第二子模型对所述人脸图像的识别结果为不确定或不通过,则采用所述人脸识别模型中的第三子模型对所述人脸图像进行人脸识别,所述第三子模型的计算量大于所述第二子模型的计算量。
进一步的,所述第一子模型包括三个输出通道,所述采用第一子模型对所述人脸图像进行人脸识别,确定识别结果,包括:
采用所述第一子模型对所述人脸图像进行人脸识别,通过所述三个输出通道输出通过的概率、不确定的概率和不通过的概率,所述通过的概率、所述不确定的概率和所述不通过的概率之和为1;
根据所述通过的概率、所述不确定的概率和所述不通过的概率中的最大值,确定所述识别结果。
进一步的,所述第一子模型包括两个输出通道,所述采用第一子模型对所述人脸图像进行人脸识别,确定识别结果,包括:
采用所述第一子模型对所述人脸图像进行人脸识别,通过所述两个输出通道输出通过的概率和不通过的概率,所述通过的概率和所述不通过的概率之和为1;
如果所述通过的概率大于或等于第一预设阈值,则确定所述识别结果为通过;
如果所述不通过的概率大于或等于第二预设阈值,则确定所述识别结果为不通过;
如果所述通过的概率小于所述第一预设阈值,且所述不通过的概率小于所述第二预设阈值,则确定所述识别结果为不确定。
进一步的,所述第一子模型包括一个输出通道,所述采用第一子模型对所述人脸图像进行人脸识别,确定识别结果,包括:
采用所述第一子模型对所述人脸图像进行人脸识别,通过所述输出通道输出通过的概率;
如果所述通过的概率大于或等于第三预设阈值,则确定所述识别结果为通过;
如果所述通过的概率小于或等于第四预设阈值,则确定所述识别结果为不通过;
如果所述通过的概率小于所述第三预设阈值且大于所述第四预设阈值,则确定所述识别结果为不确定。
进一步的,所述第一子模型包括第一神经网络和第二神经网络,所述采用第一子模型对所述人脸图像进行人脸识别,输出识别结果,包括:
将所述人脸图像通过所述第一神经网络进行处理,得到所述人脸图像的特征;
将所述人脸图像的特征通过所述第二神经网络进行运算处理,确定所述识别结果。
进一步的,所述第一子模型包括第三神经网络,所述采用第一子模型对所述人脸图像进行人脸识别,输出识别结果,包括:
将所述人脸图像通过所述第三神经网络进行处理,确定所述识别结果。
第二方面,本发明实施例还提供人脸识别装置,所述装置包括:
获取模块,用于获取待验证用户的人脸图像;
识别模块用于:采用人脸识别模型中的第一子模型对所述人脸图像进行人脸识别,确定识别结果;
在所述识别结果为不确定的情况下,继续采用所述人脸识别模型中的第二子模型对所述人脸图像进行人脸识别,所述第二子模型的计算量大于所述第一子模型的计算量。
进一步的,所述识别模块还用于在所述第二子模型对所述人脸图像的识别结果为不确定的情况下,采用所述人脸识别模型中的第三子模型对所述人脸图像进行人脸识别,所述第三子模型的计算量大于所述第二子模型的计算量。
进一步的,所述第一子模型包括三个输出通道,所述识别模块具体用于:
采用所述第一子模型对所述人脸图像进行人脸识别,通过所述三个输出通道输出通过的概率、不确定的概率和不通过的概率,所述通过的概率、所述不确定的概率和所述不通过的概率之和为1;
根据所述通过的概率、所述不确定的概率和所述不通过的概率中的最大值,确定所述识别结果。
进一步的,所述第一子模型包括两个输出通道,所述识别模块具体用于:
采用所述第一子模型对所述人脸图像进行人脸识别,通过所述两个输出通道输出通过的概率和不通过的概率,所述通过的概率和所述不通过的概率之和为1;
如果所述通过的概率大于或等于第一预设阈值,则确定所述识别结果为通过;
如果所述不通过的概率大于或等于第二预设阈值,则确定所述识别结果为不通过;
如果所述通过的概率小于所述第一预设阈值,且所述不通过的概率小于所述第二预设阈值,则确定所述识别结果为不确定。
进一步的,所述第一子模型包括一个输出通道,所述识别模块具体用于:
采用所述第一子模型对所述人脸图像进行人脸识别,通过所述输出通道输出通过的概率;
如果所述通过的概率大于或等于第三预设阈值,则确定所述识别结果为通过;
如果所述通过的概率小于或等于第四预设阈值,则确定所述识别结果为不通过;
如果所述通过的概率小于所述第三预设阈值且大于所述第四预设阈值,则确定所述识别结果为不确定。
进一步的,所述第一子模型包括第一神经网络和第二神经网络,所述识别模块具体用于:
将所述人脸图像通过所述第一神经网络进行处理,得到所述人脸图像的特征;
将所述人脸图像的特征通过所述第二神经网络进行运算处理,确定所述识别结果。
进一步的,所述第一子模型包括第三神经网络,所述识别模块具体用于:
将所述人脸图像通过所述第三神经网络进行处理,确定所述识别结果。
第三方面,本发明实施例还提供人脸识别装置备,包括存储器和处理器,所述存储器中存储有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的人脸识别方法的步骤。
第四方面,本发明实施例还提供计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器运行时执行上述的人脸识别方法的步骤。
本发明实施例通过采用人脸识别模型中的第一子模型对待验证用户的人脸图像进行人脸识别,在第一子模型输出的识别结果为不确定或不通过的情况下,继续采用人脸识别模型中的计算量大于第一子模型的第二子模型对该人脸图像进行人脸识别,这样将用于人脸识别的、具有不同的计算量的子模型进行结合,有利于加快人脸识别的平均速度,提高人脸识别的识别精度,从而可以提升用户体验,尤其适用于手机等性能较低的终端设备。
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为本发明实施例一提供的电子设备的示意图;
图2为本发明实施例二提供的人脸识别方法流程图;
图3为本发明实施例二提供的人脸识别方法流程图中步骤S102的流程图;
图4为本发明实施例二提供的另一人脸识别方法流程图中步骤S102的流程图;
图5为本发明实施例二提供的又一人脸识别方法流程图中步骤S102的流程图;
图6为本发明实施例三提供的人脸识别的验证装置示意图。
图标:
10-获取模块;20-识别模块;100-电子设备;102-处理器;104-存储装置;106-输入装置;108-输出装置;110-图像采集装置;112-总线系统。
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。
为便于对本实施例进行理解,下面对本发明实施例进行详细介绍。
实施例一:
图1是本发明实施例一提供的电子设备的示意图。
参照图1,用于实现本发明实施例的人脸识别方法和装置的示例电子设备100,包括一个或多个处理器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。
所述处理器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(Random Access Memory,简称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(Read-Only Memory,简称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,处理器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提供的人脸识别方法和装置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。
实施例二:
图2为本发明实施例二提供的人脸识别方法流程图。
根据本发明实施例,提供了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。参照图2,该方法包括以下步骤:
步骤S101,获取待验证用户的人脸图像。
可选地,获取待验证用户的人脸图像包括采集待验证用户的的人脸图像或从图像采集设备接收待验证用户的人脸图像。
步骤S102,采用人脸识别模型中的第一子模型对人脸图像进行人脸识别,确定识别结果。
具体地,可以将待验证用户的人脸图像与预先存储的已注册用户的人脸图像输入到第一子模型中,第一子模型可以将待验证用户的人脸图像与预先存储的已注册用户的人脸图像进行比对,以确定该待验证用户是否为已注册用户。步骤S103,如果识别结果为不确定或不通过,则继续采用人脸识别模型中的第二子模型对人脸图像进行人脸识别,第二子模型的计算量大于第一子模型的计算量。
可选地,第二子模型的正确率(即识别精度)高于第一子模型的正确率。
在一些实施例中,如果识别结果为不确定,则继续采用人脸识别模型中的第二子模型对人脸图像进行人脸识别;如果识别结果为通过或不通过,则确定识别结束。在另一些实施例中,如果识别结果为不通过,则继续采用人脸识别模型中的第二子模型对人脸图像进行人脸识别;如果识别结果为通过,则确定识别结束。
识别结果为通过,表示确定待验证用户为已注册用户;识别结果为不通过,表示确定待验证用户不是已注册用户;识别结果为不确定,表示无法确定待验证用户是否为已注册用户。
进一步的,图2所示人脸识别方法还可以包括:
如果第二子模型对待验证用户的人脸图像的识别结果为不确定或不通过,则继续采用人脸识别模型中的第三子模型对该人脸图像进行人脸识别,第三子模型的计算量大于第二子模型的计算量。可选地,第三子模型的正确率高于第二子模型的正确率。
应理解,如果第三子模型对该人脸图像的识别结果仍为不确定,则会继续采用下一子模型对该人脸图像进行人脸识别,依此类推,直到一个子模型输出结果为通过或不通过为止;或者,如果第三子模型对该人脸图像的识别结果为不通过,则会继续采用下一子模型对该人脸图像进行人脸识别,依此类推,直到人脸识别模型中的最后一个子模型对该人脸图像进行人脸识别为止。
人脸识别模型可以包括N个子模型,N为大于或等于2的整数。可选地,该N个子模型的计算量和运行时间递增,且N个子模型的正确率递增。可选地,人脸识别模型中的各个子模型是由具有不同结构的卷积神经网络实现的。可选地,人脸识别模型中的各个子模型的结构复杂度和/或参数量也是递增的。
在一些实施例中,N个子模型中的前N-1的子模型中的每个子模型输出通过、不通过和不确定三类识别结果,第N个子模型输出通过和不通过两类识别结果,当前N-1个子模型中的任一子模型输出的识别结果为不确定时,继续采用下一个子模型进行人脸识别。由于人脸识别模型中的前面的子模型可以准确判断出大部分待验证用户是已注册用户,或不是已注册用户,只有前面的子模型无法准确判断的小部分用户的人脸图像时才继续采用下一个子模型进行人脸识别处理,这样能够降低人脸识别模型的误判率,从而提高人脸识别的识别精度。另外,由于人脸识别模型中前面的子模型的计算量低,还有利于缩短对大部分已注册用户人脸识别的平均时长,加快了人脸识别的平均速度。
在另一些实施例中,N个子模型中的每个子模型均输出通过和不通过两类识别结果,当前N-1个子模型中的任一子模型输出的识别结果为不通过时,继续采用下一个子模型进行人脸识别。考虑到在大部分正常情况下,待验证用户是已注册用户本人,前面的子模型能够准确识别出大部分已注册用户,只有前面子模型输出的识别结果为不通过时,才继续采用下一个子模型进行人脸识别处理,这样能够降低人脸识别模型对已注册用户本人的误判率,从而提高人脸识别的识别精度。另外,由于人脸识别模型中前面的子模型的计算量低,因此可以缩短对大部分已注册用户人脸识别所需时长,加快了人脸识别的平均速度。
因此,本发明实施例通过将不同计算量的子模型进行结合,有利于加快人脸识别的平均速度,并提高人脸识别的识别精度,从而可以提升用户体验,尤其适用于手机等性能较低的终端设备。
另外,通过将不同计算量和正确率的子模型进行结合,在加快人脸识别的平均速度的同时,还能进一步提高人脸识别的精度。
在一些实施例中,第一子模型可以为计算量和参数量较小,但是精度偏低的神经网络,也可以是一个浅层的、运行速度比较快的神经网络,或者是支持向量机等轻量级的模型结构,如MobileNets网络、ResNeXt网络、Xception网络或ShuffleNet网络等。第二子模型可以为计算量和参数量较大,但精度较高的神经网络。例如第二子模型可以是使用大量数据经过详细调整与训练的大型深层神经网络,该深层神经网络识别的正确率非常高,具体可以为VGG网络或Resnet1001网络,或者为其他类似的大型神经网络。
下面结合例子描述根据本发明实施例的人脸识别方法的效果。假设人脸识别模型包括第一子模型和第二子模型。如果第二子模型的正确率为100%,第一子模型的正确率为90%,但是,第二子模型的运行时间是第一子模型的运行时间的10倍,那么,假设90%的人只需要经过第一子模型验证就能通过,记时间为1;10%的人需要经过第一子模型和第二子模型两个阶段的验证通过,时间为11。由此可知,最终正确率为100%,但是总期望时间只是第二子模型的20%,且最长验证时间仅为第二子模型的1.1倍。
通过将第一子模型与第二子模型结合,在保证正确率的情况下,大幅缩短了总验证时间,提高了用户体验,适合各种场景,尤其是手机等低性能的设备。
本发明实施例通过采用人脸识别模型中的第一子模型对待验证用户的人脸图像进行人脸识别,在第一子模型输出的识别结果为不确定或不通过的情况下,继续采用人脸识别模型中的计算量大于第一子模型的第二子模型对该人脸图像进行人脸识别,这样将用于人脸识别的、具有不同的计算量的子模型进行结合,有利于加快人脸识别的平均速度,提高人脸识别的识别精度,从而可以提升用户体验,尤其适用于手机等性能较低的终端设备。
在一些实施例中,如果确定待验证用户为攻击者,则第一子模型输出的识别结果为不确定或不通过。也就是说,如果确定待验证用户为攻击者,则在采用第一子模型对人脸图像进行识别之后,继续采用所述第二子模型对所述人脸图像进行识别。类似地,如果人脸识别模型还包括其他子模型,则无论第二子模型对所述人脸图像进行识别之后,输出不确定或不通过的识别结果,并继续采用下一子模型对该人脸图像进行识别,以此类推,直到采用人脸识别模型中的所有子模型对该人脸图像进行识别为止。
由于人脸识别模型在当前人脸识别过程结束之后,才能开始对下一人脸图像进行人脸识别,因此依次采用人脸识别模型的所有子模型对攻击者的人脸图像进行人脸识别,这样能够增加恶意攻击行为的验证时间,增加了恶意攻击的时间成本。
可选地,确定待验证用户为攻击者的具体方法可以为:根据待验证用户的人脸图像确定待验证用户是否为攻击名单上的用户,如果是,则该待验证用户为攻击者;或者,在预设时长内,持续采集到该待验证用户的多张人脸图像,且识别均不通过,则认为该待验证用户为攻击者;或者,还可以对待验证用户的人脸图像进行活体检测,若未通过活体检测,则认为该待验证用户为攻击者,等等。
进一步的,第一子模型包括三个输出通道,三个输出通道分别输出通过的概率、不确定的概率和不通过的概率,参照图3,步骤S102包括以下步骤:
步骤S201,采用第一子模型对人脸图像进行人脸识别,通过三个输出通道输出通过的概率、不确定的概率和不通过的概率,通过的概率、不确定的概率和不通过的概率之和为1;
步骤S202,根据通过的概率、不确定的概率和不通过的概率中的最大值,确定识别结果。
可选地,通过的概率用A表示,不确定的概率用B表示,不通过的概率用C表示,其中,A+B+C=1。
从A、B和C中选取最大的概率,如果最大的概率是A,则验证通过,识别结束;如果最大的概率是B,则需要采用第二子模型对人脸图像进行人脸识别;如果最大的概率是C,则验证不通过,识别结束。
进一步的,第一子模型包括两个输出通道,参照图4,步骤S102包括以下步骤:
步骤S301,采用第一子模型对人脸图像进行人脸识别,通过两个输出通道输出通过的概率和不通过的概率,通过的概率和不通过的概率之和为1;
步骤S302,如果通过的概率大于或等于第一预设阈值,则确定识别结果为通过;
步骤S303,如果不通过的概率大于或等于第二预设阈值,则确定识别结果为不通过;
步骤S304,如果通过的概率小于第一预设阈值,且不通过的概率小于第二预设阈值,则确定识别结果为不确定。
可选地,通过的概率用D表示,不通过的概率用E表示,其中,D+E=1。如果D大于或等于第一预设阈值,则验证通过,识别结束;如果E大于或等于第二预设阈值,则验证不通过,识别结束;如果D小于第一预设阈值,且E小于第二预设阈值,则需要采用第二子模型对人脸图像进行人脸识别。
进一步的,第一子模型包括一个输出通道,输出通道输出通过的概率,参照图5,步骤S102包括以下步骤:
步骤S401,采用第一子模型对所述人脸图像进行人脸识别,通过输出通道输出通过的概率;
步骤S402,如果通过的概率大于或等于第三预设阈值,则确定识别结果为通过;
步骤S403,如果通过的概率小于或等于第四预设阈值,则确定识别结果为不通过;
步骤S404,如果通过的概率小于第三预设阈值且大于第四预设阈值,则确定识别结果为不确定。
可选地,通过的概率用F表示,如果F大于或等于第三预设阈值,则验证通过,识别结束;如果F小于或等于第四预设阈值,则验证不通过,识别结束;如果F小于第三预设阈值且大于第四预设阈值,则需要采用第二子模型对人脸图像进行人脸识别。在一些实施例中,第一子模型包括第一神经网络和第二神经网络,步骤S102包括以下步骤:
步骤S501,将所述人脸图像通过所述第一神经网络进行处理,得到所述人脸图像的特征;
步骤S502,将所述人脸图像的特征通过所述第二神经网络进行运算处理,确定所述识别结果。
具体地,还可以将预先存储的已注册用户的人脸图像输入第一神经网络,输出已注册用户的人脸图像的特征;或者,还可以从存储器中获取预先存储的已注册用户的人脸图像的特征。相应地,在S502中,将待验证用户的人脸图像的特征和该已注册用户的人脸图像的特征输入第二神经网络,输出识别结果。也就是说,可以先获取已注册用户的人脸图像的特征和待验证用户的人脸图像的特征,然后通过分类器对已注册用户的人脸图像的特征和待验证用户的人脸图像的特征进行分类,得到识别结果,其中,分类器可以采用第二神经网络实现。
在另一些实施例中,第一子模型包括第三神经网络,步骤S102包括:
步骤S601,将人脸图像通过第三神经网络进行处理,确定识别结果。
具体地,在S601中,可以将待验证用户的人脸图像和数据库中预先存储的已注册用户的人脸图像输入到第三神经网络中,从而输出识别结果。
以上各个神经网络的训练过程可以采用随机梯度下降方法或反向传播方法等,在此不作赘述。
实施例三:
本发明实施例还提供人脸识别装置,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6为本发明实施例三提供的人脸识别装置示意图。
参照图6,该装置包括获取模块10和识别模块20。
获取模块10,用于采集待验证用户的人脸图像;
识别模块20用于:采用人脸识别模型中的第一子模型对人脸图像进行人脸识别,确定识别结果;在识别结果为不确定或不通过的情况下,采用人脸识别模型中的第二子模型对人脸图像进行人脸识别,第二子模型的计算量大于第一子模型的计算量。
进一步的,识别模块20还用于在第二子模型对人脸图像的识别结果为不确定或不通过的情况下,继续采用人脸识别模型中的第三子模型对人脸图像进行人脸识别,第三子模型的计算量大于第二子模型的计算量。
进一步的,第一子模型包括三个输出通道,识别模块20具体用于:
采用第一子模型对人脸图像进行人脸识别,通过三个输出通道输出通过的概率、不确定的概率和不通过的概率,通过的概率、不确定的概率和不通过的概率之和为1;
根据通过的概率、不确定的概率和不通过的概率中的最大值,确定识别结果。
进一步的,第一子模型包括两个输出通道,识别模块20具体用于:
采用第一子模型对人脸图像进行人脸识别,通过两个输出通道输出通过的概率和不通过的概率,通过的概率和不通过的概率之和为1;
如果通过的概率大于或等于第一预设阈值,则确定识别结果为通过;
如果不通过的概率大于或等于第二预设阈值,则确定识别结果为不通过;
如果通过的概率小于第一预设阈值,且不通过的概率小于第二预设阈值,则确定识别结果为不确定。
进一步的,第一子模型包括一个输出通道,识别模块20具体用于:
采用第一子模型对所述人脸图像进行人脸识别,通过输出通道输出通过的概率;
如果通过的概率大于或等于第三预设阈值,则确定识别结果为通过;
如果通过的概率小于或等于第四预设阈值,则确定识别结果为不通过;
如果通过的概率小于第三预设阈值且大于第四预设阈值,则确定识别结果为不确定。
进一步的,第一子模型包括第一神经网络和第二神经网络,识别模块20具体用于:
将人脸图像通过第一神经网络进行处理,得到人脸图像的特征;
将人脸图像的特征通过第二神经网络进行运算处理,确定识别结果。
进一步的,第一子模型包括第三神经网络,识别模块20具体用于:
将人脸图像通过第三神经网络进行处理,确定识别结果。
应理解,在一些实施例中,获取模块10和识别模块20还可以由图1所示电子设备100中的处理器102来实现。
本发明实施例提供的人脸识别装置,与上述实施例提供的人脸识别方法具有相同的技术特征,所以也能解决相同的技术问题,达到相同的技术效果。
本发明实施例还提供了一种人脸识别装置,包括存储器和处理器,所述存储器中存储有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前面方法实施例中所述的人脸识别方法的步骤,在此不再赘述。
本发明实施例所提供的计算机程序产品,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。
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,上述描述的系统和装置的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
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。
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。
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。
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 (12)
1.一种人脸识别方法,其特征在于,所述方法包括:
获取待验证用户的人脸图像;
采用人脸识别模型中的第一子模型对所述人脸图像进行人脸识别,确定识别结果,所述人脸识别模型包括N个子模型,其中,N为大于2的整数,所述N个子模型中的第M个子模型的计算量和参数量小于第M+1个子模型的计算量和参数量,且第M个子模型的正确率低于第M+1个子模型的正确率;M为小于N的正整数;
如果所述识别结果为不确定或不通过,依次采用所述人脸识别模型中的第二子模型至第N个子模型对所述人脸图像进行人脸识别,直至第N个子模型输出识别结果或第n个子模型对所述人脸图像的识别结果为通过;n为正整数,2<n≤N;
所述第一子模型包括三个输出通道,采用第一子模型对所述人脸图像进行人脸识别,确定识别结果,包括:
采用所述第一子模型对所述人脸图像进行人脸识别,通过所述三个输出通道输出通过的概率、不确定的概率和不通过的概率,所述通过的概率、所述不确定的概率和所述不通过的概率之和为1;
根据所述通过的概率、所述不确定的概率和所述不通过的概率中的最大值,确定所述识别结果。
2.根据权利要求1所述的人脸识别方法,其特征在于,还包括:
如果所述第二子模型对所述人脸图像的识别结果为不确定或不通过,则继续采用所述人脸识别模型中的第三子模型对所述人脸图像进行人脸识别,所述第三子模型的计算量大于所述第二子模型的计算量。
3.根据权利要求1或2所述的人脸识别方法,其特征在于,所述第一子模型包括第一神经网络和第二神经网络,所述采用第一子模型对所述人脸图像进行人脸识别,输出识别结果,包括:
将所述人脸图像通过所述第一神经网络进行处理,得到所述人脸图像的特征;
将所述人脸图像的特征通过所述第二神经网络进行运算处理,确定所述识别结果。
4.根据权利要求1或2所述的人脸识别方法,其特征在于,所述第一子模型包括第三神经网络,所述采用第一子模型对所述人脸图像进行人脸识别,输出识别结果,包括:
将所述人脸图像通过所述第三神经网络进行处理,确定所述识别结果。
5.一种人脸识别方法,其特征在于,所述方法包括:
获取待验证用户的人脸图像;
采用人脸识别模型中的第一子模型对所述人脸图像进行人脸识别,确定识别结果,所述人脸识别模型包括N个子模型,其中,N为大于2的整数,所述N个子模型中的第M个子模型的计算量和参数量小于第M+1个子模型的计算量和参数量,且第M个子模型的正确率低于第M+1个子模型的正确率;M为小于N的正整数;
如果所述识别结果为不确定或不通过,依次采用所述人脸识别模型中的第二子模型至第N个子模型对所述人脸图像进行人脸识别,直至第N个子模型输出识别结果或第n个子模型对所述人脸图像的识别结果为通过;n为正整数,2<n≤N;
所述第一子模型包括两个输出通道,所述采用第一子模型对所述人脸图像进行人脸识别,确定识别结果,包括:
采用所述第一子模型对所述人脸图像进行人脸识别,通过所述两个输出通道输出通过的概率和不通过的概率,所述通过的概率和所述不通过的概率之和为1;
如果所述通过的概率大于或等于第一预设阈值,则确定所述识别结果为通过;
如果所述不通过的概率大于或等于第二预设阈值,则确定所述识别结果为不通过;
如果所述通过的概率小于所述第一预设阈值,且所述不通过的概率小于所述第二预设阈值,则确定所述识别结果为不确定。
6.一种人脸识别方法,其特征在于,所述方法包括:
获取待验证用户的人脸图像;
采用人脸识别模型中的第一子模型对所述人脸图像进行人脸识别,确定识别结果,所述人脸识别模型包括N个子模型,其中,N为大于2的整数,所述N个子模型中的第M个子模型的计算量和参数量小于第M+1个子模型的计算量和参数量,且第M个子模型的正确率低于第M+1个子模型的正确率;M为小于N的正整数;
如果所述识别结果为不确定或不通过,依次采用所述人脸识别模型中的第二子模型至第N个子模型对所述人脸图像进行人脸识别,直至第N个子模型输出识别结果或第n个子模型对所述人脸图像的识别结果为通过;n为正整数,2<n≤N;
所述第一子模型包括一个输出通道,所述采用第一子模型对所述人脸图像进行人脸识别,确定识别结果,包括:
采用所述第一子模型对所述人脸图像进行人脸识别,通过所述输出通道输出通过的概率;
如果所述通过的概率大于或等于第三预设阈值,则确定所述识别结果为通过;
如果所述通过的概率小于或等于第四预设阈值,则确定所述识别结果为不通过;
如果所述通过的概率小于所述第三预设阈值且大于所述第四预设阈值,则确定所述识别结果为不确定。
7.一种人脸识别装置,其特征在于,所述装置包括:
获取模块,用于获取待验证用户的人脸图像;
识别模块用于:采用人脸识别模型中的第一子模型对所述人脸图像进行人脸识别,确定识别结果,所述人脸识别模型包括N个子模型,其中,N为大于2的整数,所述N个子模型中的第M个子模型的计算量和参数量小于第M+1个子模型的计算量和参数量,且第M个子模型的正确率低于第M+1个子模型的正确率;M为小于N的正整数;在所述识别结果为不确定或不通过的情况下,依次采用所述人脸识别模型中的第二子模型至第N个子模型对所述人脸图像进行人脸识别,直至第N个子模型输出识别结果或第n个子模型对所述人脸图像的识别结果为通过;n为正整数,2<n≤N;
所述第一子模型包括三个输出通道,所述识别模块具体用于:采用所述第一子模型对所述人脸图像进行人脸识别,通过所述三个输出通道输出通过的概率、不确定的概率和不通过的概率,所述通过的概率、所述不确定的概率和所述不通过的概率之和为1;根据所述通过的概率、所述不确定的概率和所述不通过的概率中的最大值,确定所述识别结果。
8.根据权利要求7所述的人脸识别装置,其特征在于,所述识别模块还用于在所述第二子模型对所述人脸图像的识别结果为不确定或不通过的情况下,采用所述人脸识别模型中的第三子模型对所述人脸图像进行人脸识别,所述第三子模型的计算量大于所述第二子模型的计算量。
9.根据权利要求7或8所述的人脸识别装置,其特征在于,所述第一子模型包括两个输出通道,所述识别模块具体用于:
采用所述第一子模型对所述人脸图像进行人脸识别,通过所述两个输出通道输出通过的概率和不通过的概率,所述通过的概率和所述不通过的概率之和为1;
如果所述通过的概率大于或等于第一预设阈值,则确定所述识别结果为通过;
如果所述不通过的概率大于或等于第二预设阈值,则确定所述识别结果为不通过;
如果所述通过的概率小于所述第一预设阈值,且所述不通过的概率小于所述第二预设阈值,则确定所述识别结果为不确定。
10.根据权利要求7或8所述的人脸识别装置,其特征在于,所述第一子模型包括一个输出通道,所述识别模块具体用于:
采用所述第一子模型对所述人脸图像进行人脸识别,通过所述输出通道输出通过的概率;
如果所述通过的概率大于或等于第三预设阈值,则确定所述识别结果为通过;
如果所述通过的概率小于或等于第四预设阈值,则确定所述识别结果为不通过;
如果所述通过的概率小于所述第三预设阈值且大于所述第四预设阈值,则确定所述识别结果为不确定。
11.一种人脸识别装置,其特征在于,包括存储器和处理器,所述存储器中存储有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权利要求1至6中任一项所述的方法的步骤。
12.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器运行时执行上述权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711089314.3A CN108875502B (zh) | 2017-11-07 | 2017-11-07 | 人脸识别方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711089314.3A CN108875502B (zh) | 2017-11-07 | 2017-11-07 | 人脸识别方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108875502A CN108875502A (zh) | 2018-11-23 |
CN108875502B true CN108875502B (zh) | 2021-11-16 |
Family
ID=64325727
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711089314.3A Active CN108875502B (zh) | 2017-11-07 | 2017-11-07 | 人脸识别方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108875502B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110084287A (zh) * | 2019-04-11 | 2019-08-02 | 北京迈格威科技有限公司 | 图像识别网络对抗训练方法及装置 |
CN111104987B (zh) * | 2019-12-25 | 2023-08-01 | 盛景智能科技(嘉兴)有限公司 | 人脸识别方法、装置及电子设备 |
CN111368731B (zh) * | 2020-03-04 | 2023-06-09 | 上海东普信息科技有限公司 | 静默活体检测方法、装置、设备及存储介质 |
EP4147157A4 (en) * | 2020-05-06 | 2023-12-20 | Polycom Communications Technology (Beijing) Co. Ltd. | FAST AND ACCURATE FACE RECOGNITION SYSTEM FOR DETECTING LONG DISTANCES |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103824054A (zh) * | 2014-02-17 | 2014-05-28 | 北京旷视科技有限公司 | 一种基于级联深度神经网络的人脸属性识别方法 |
CN103824055A (zh) * | 2014-02-17 | 2014-05-28 | 北京旷视科技有限公司 | 一种基于级联神经网络的人脸识别方法 |
CN106203333A (zh) * | 2016-07-08 | 2016-12-07 | 乐视控股(北京)有限公司 | 人脸识别方法及系统 |
CN106529398A (zh) * | 2016-09-23 | 2017-03-22 | 深圳云天励飞技术有限公司 | 基于级联结构的快速精准人脸检测方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110106734A1 (en) * | 2009-04-24 | 2011-05-05 | Terrance Boult | System and appartus for failure prediction and fusion in classification and recognition |
US10168785B2 (en) * | 2015-03-03 | 2019-01-01 | Nvidia Corporation | Multi-sensor based user interface |
-
2017
- 2017-11-07 CN CN201711089314.3A patent/CN108875502B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103824054A (zh) * | 2014-02-17 | 2014-05-28 | 北京旷视科技有限公司 | 一种基于级联深度神经网络的人脸属性识别方法 |
CN103824055A (zh) * | 2014-02-17 | 2014-05-28 | 北京旷视科技有限公司 | 一种基于级联神经网络的人脸识别方法 |
CN106203333A (zh) * | 2016-07-08 | 2016-12-07 | 乐视控股(北京)有限公司 | 人脸识别方法及系统 |
CN106529398A (zh) * | 2016-09-23 | 2017-03-22 | 深圳云天励飞技术有限公司 | 基于级联结构的快速精准人脸检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108875502A (zh) | 2018-11-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110741388B (zh) | 对抗样本检测方法、装置、计算设备及计算机存储介质 | |
CN108875502B (zh) | 人脸识别方法和装置 | |
CN109389030B (zh) | 人脸特征点检测方法、装置、计算机设备及存储介质 | |
US20230041233A1 (en) | Image recognition method and apparatus, computing device, and computer-readable storage medium | |
EP3523759B1 (en) | Image processing neural networks with separable convolutional layers | |
EP3882820A1 (en) | Node classification method, model training method, device, apparatus, and storage medium | |
CN112634170B (zh) | 一种模糊图像修正的方法、装置、计算机设备及存储介质 | |
CN106293074B (zh) | 一种情绪识别方法和移动终端 | |
US20210390370A1 (en) | Data processing method and apparatus, storage medium and electronic device | |
CN109657539B (zh) | 人脸颜值评价方法、装置、可读存储介质及电子设备 | |
CN112215175B (zh) | 一种手写字符识别方法、装置、计算机设备和存储介质 | |
CN111291817A (zh) | 图像识别方法、装置、电子设备和计算机可读介质 | |
CN110852425A (zh) | 基于优化的神经网络的处理方法、装置和电子系统 | |
CN112687266B (zh) | 语音识别方法、装置、计算机设备和存储介质 | |
CN108549857B (zh) | 事件检测模型训练方法、装置及事件检测方法 | |
CN107368181B (zh) | 一种手势识别方法及装置 | |
CN111382791B (zh) | 深度学习任务处理方法、图像识别任务处理方法和装置 | |
CN110490058B (zh) | 行人检测模型的训练方法、装置、系统和计算机可读介质 | |
CN106250755B (zh) | 用于生成验证码的方法及装置 | |
CN111639667A (zh) | 图像识别方法、装置、电子设备及计算机可读存储介质 | |
CN108875901B (zh) | 神经网络训练方法以及通用物体检测方法、装置和系统 | |
CN114049539B (zh) | 基于去相关二值网络的协同目标识别方法、系统及装置 | |
CN115423780A (zh) | 基于图像质量的关键帧提取方法、装置、电子设备及介质 | |
JP6926279B1 (ja) | 学習装置、認識装置、学習方法、認識方法、プログラム、及び再帰型ニューラルネットワーク | |
CN109242025B (zh) | 模型迭代修正方法、装置及系统 |
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 |