CN109117801A - 人脸识别的方法、装置、终端及计算机可读存储介质 - Google Patents

人脸识别的方法、装置、终端及计算机可读存储介质 Download PDF

Info

Publication number
CN109117801A
CN109117801A CN201810948055.3A CN201810948055A CN109117801A CN 109117801 A CN109117801 A CN 109117801A CN 201810948055 A CN201810948055 A CN 201810948055A CN 109117801 A CN109117801 A CN 109117801A
Authority
CN
China
Prior art keywords
face
feature matrix
preset
user
identity information
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.)
Pending
Application number
CN201810948055.3A
Other languages
English (en)
Inventor
卢宁
徐国强
邱寒
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.)
OneConnect Smart Technology Co Ltd
Original Assignee
OneConnect Smart 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 OneConnect Smart Technology Co Ltd filed Critical OneConnect Smart Technology Co Ltd
Priority to CN201810948055.3A priority Critical patent/CN109117801A/zh
Publication of CN109117801A publication Critical patent/CN109117801A/zh
Priority to PCT/CN2019/070357 priority patent/WO2020037937A1/zh
Pending legal-status Critical Current

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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

Landscapes

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

Abstract

本申请涉及人脸识别技术领域，公开了一种人脸识别的方法、装置、终端及计算机可读存储介质，该方法为：获取待识别用户的人脸图像；将人脸图像输入至预设的人脸识别模型，得到人脸图像对应的人脸特征矩阵；依据人脸特征矩阵与身份信息的对应关系，确定与待识别用户的人脸特征矩阵对应的身份信息。本申请方案，由于多维度的人脸特征可有效反映出人脸图像中各面部器官的特征，因此对于无配合的应用场景下的待识别用户的人脸图像，即使待识别用户的人脸图像只提取到局部人脸特征，在通过人脸识别模型对待识别用户的人脸图像进行识别后，也可准确反应出人脸的局部特点，使基于人脸特征矩阵确定的待识别用户的身份信息更准确。

Description

人脸识别的方法、装置、终端及计算机可读存储介质
技术领域
本申请涉及人脸识别技术领域，具体而言，本申请涉及一种人脸识别的方法、装置、终端及计算机可读存储介质。
背景技术
现有技术中，主要是基于人面部各个部位的二维几何特征进行人脸识别，即通过摄像头采集人脸图像，对采集到的人脸图像进行人脸检测、人脸定位和特征提取；然后，通过提取到的二维特征与预存特征库中的特征进行对比，实现人脸识别。
基于上述现有技术中的人脸识别方法，需要对采集的人脸图像有一定的要求，即需要被识别对象在特定位置保持特定姿势，再通过图像采集设备采集人脸图像，以保证采集到人脸图像中的大部分面部器官，进而可从人脸图像中提取到足够多有效的面部特征，对人脸图像进行准确的人脸识别；但是，在无配合的应用场景下，即在自然流动的人群，被识别对象无法配合图像采集设备采集人脸图像的情况下，采集的人脸图像中可能因眼镜、口罩、侧脸、低头、帽子等干扰因素使人脸图像中只包括局部面部器官，进而基于现有技术中的人脸识别方法，只能提取人脸图像中有限的二维面部特征，由于局部面部器官的二维面部特征很难准确反应出人脸的特点，因此，基于有限的二维面部特征进行人脸识别，得到的识别结果准确性低，即基于二维面部特征无法准确识别被识别对象的身份。
因此，现有技术中的缺陷是：在无配合的应用场景下，基于现有的人脸的二维几何特征无法准确识别被识别对象的身份。
发明内容
本申请的目的旨在至少能解决上述的技术缺陷之一，特别是在无配合的应用场景下，基于现有的人脸的二维几何特征无法准确识别被识别对象身份的技术缺陷。
第一方面，本申请提供了一种人脸识别的方法，该方法包括：
获取待识别用户的人脸图像；
将人脸图像输入至预设的人脸识别模型，得到人脸图像对应的人脸特征矩阵，人脸特征矩阵包括多维度的人脸特征；
依据人脸特征矩阵与身份信息的对应关系，确定与待识别用户的人脸特征矩阵对应的身份信息。
第二方面，本申请提供了一种人脸识别的装置，该装置包括：
人脸图像获取模块，用于获取待识别用户的人脸图像；
人脸特征矩阵识别模块，用于将人脸图像输入至预设的人脸识别模型，得到人脸图像对应的人脸特征矩阵，人脸特征矩阵包括多维度的人脸特征；
身份信息确认模块，用于依据人脸特征矩阵与身份信息的对应关系，确定与待识别用户的人脸特征矩阵对应的身份信息。
第三方面，本申请提供了一种人脸识别的终端，该终端包括：处理器、存储器和总线；总线，用于连接处理器和存储器；存储器，用于存储操作指令；处理器，用于通过调用操作指令，执行如本申请的第一方面所示的方法对应的操作。
第四方面，本申请提供了一种计算机可读存储介质，存储介质存储有至少一条指令、至少一段程序、代码集或指令集，至少一条指令、至少一段程序、代码集或指令集由处理器加载并执行以实现如本申请的第一方面所示的方法。
本申请实施例提供的技术方案带来的有益效果是：
获取待识别用户的人脸图像；将人脸图像输入至预设的人脸识别模型，得到人脸图像对应的人脸特征矩阵，人脸特征矩阵包括多维度的人脸特征；依据人脸特征矩阵与身份信息的对应关系，确定与待识别用户的人脸特征矩阵对应的身份信息；以上方案中，由于多维度的人脸特征可有效反映出人脸图像中各面部器官的特征，因此对于无配合的应用场景下的待识别用户的人脸图像，即使待识别用户的人脸图像只提取到局部人脸特征，在通过预设的人脸识别模型对待识别用户的人脸图像进行识别后，得到的包括多维度的人脸特征的人脸特征矩阵也可准确反应出人脸的局部特点，进而使基于人脸特征矩阵确定的待识别用户的身份信息更准确。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对本申请实施例描述中所需要使用的附图作简单地介绍。
图1为本申请实施例提供的一种人脸识别的方法的流程示意图；
图2为本申请实施例提供的另一种人脸识别的方法的流程示意图；
图3为本申请实施例提供的一种人脸识别的装置的结构示意图；
图4为本申请实施例提供的一种人脸识别的终端的结构示意图。
具体实施方式
下面详细描述本申请的实施例，该实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本申请，而不能解释为对本申请的限制。
本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”和“该”也可包括复数形式。应该进一步理解的是，本申请的说明书中使用的措辞“包括”是指存在该特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。
为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施方式作进一步地详细描述。
本申请提供的人脸识别的方法、装置、终端和计算机可读存储介质，旨在解决现有技术的如上技术问题。
下面以具体地实施例对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本申请的实施例进行描述。
实施例一
本申请实施例提供了一种人脸识别的方法，如图1所示，该方法包括：
步骤S101，获取待识别用户的人脸图像。
步骤S102，将人脸图像输入至预设的人脸识别模型，得到人脸图像对应的人脸特征矩阵，人脸特征矩阵包括多维度的人脸特征。
其中，预设的人脸识别模型是基于大量人脸图像和对应的人脸特征矩阵训练得到的，用于识别人脸图像对应的人脸特征矩阵。
步骤S103，依据人脸特征矩阵与身份信息的对应关系，确定与待识别用户的人脸特征矩阵对应的身份信息。
其中，身份信息为可表明待识别用户的身份信息，且不同的人脸特征矩阵对应不同的身份信息。
由此，本申请实施例中的方案，获取待识别用户的人脸图像；将人脸图像输入至预设的人脸识别模型，得到人脸图像对应的人脸特征矩阵，人脸特征矩阵包括多维度的人脸特征；依据人脸特征矩阵与身份信息的对应关系，确定与待识别用户的人脸特征矩阵对应的身份信息；以上方案中，由于多维度的人脸特征可有效反映出人脸图像中各面部器官的特征，因此对于无配合的应用场景下的待识别用户的人脸图像，即使待识别用户的人脸图像只提取到局部人脸特征，在通过预设的人脸识别模型对待识别用户的人脸图像进行识别后，得到的包括多维度的人脸特征的人脸特征矩阵也可准确反应出人脸的局部特点，进而使基于人脸特征矩阵确定的待识别用户的身份信息更准确。
实施例二
本申请实施例提供了另一种可能的实现方式，在实施例一的基础上，还包括实施例二所示的方法，其中，
进一步地，待识别用户的人脸图像为在无配合应用场景下，通过图像采集设备采集的至少一张人脸图像，具体可为通过图像采集设备拍取的人脸图像或通过对图像采集设备拍摄的视频中进行截取获得的一组人脸图像，不需要用户配合图像采集条件获取人脸图像，提高用户体验度，且本实施例中的人脸识别方法是基于1：N模式的人脸识别方法，可识别出待识别用户的身份。
进一步地，步骤S102，将人脸图像输入至预设的人脸识别模型，得到人脸图像对应的人脸特征矩阵，包括：
通过基于卷积神经网络构建的人脸识别模型，提取人脸图像的多维度的人脸特征。
依据多维度的人脸特征，生成人脸特征矩阵。
其中，预设的人脸识别模型是基于多层卷积神经网络训练得到的模型，由于卷积神经网络可进行特征的提取，因此，选用卷积神经网络模型进行模型训练，省去提取多维度的人脸特征的过程，提高运算效率。
进一步地，如图2所示，基于卷积神经网络构建人脸识别模型的方法，包括步骤S201，步骤S202，步骤S203，步骤S204，步骤S205和步骤S206，其中，
步骤S201，对获取到的多个人脸图像进行特征标注，将各个标注特征后的人脸图像作为样本数据。
其中，步骤S201中，获取多个人脸图像，依据人脸特征对各个人脸图像进行特征标注，并将标准后的人脸特征形成人脸特征矩阵，将各个人脸图像及对应的人脸特征矩阵作为样本数据，并可将各个样本数据生成人脸数据库。
步骤S202，对各个样本数据中标注后的人脸图像进行数量扩充，得到各个样本数据对应的样本数据集。
其中，步骤S202，对各个样本数据中标注后的人脸图像进行数量扩充，得到各个样本数据对应的样本数据集，包括：对各个样本数据中标注后的人脸图像通过平移、旋转和镜像方式进行数量扩充，由原来的一张人脸图像扩充到多张人脸图像，同时对应将每张人脸图像中标注的人脸特征矩阵也进行相应的处理，即对每张人脸图像中的人脸特征矩阵进行平移、旋转和镜像的处理，将样本数据中的一张人脸图像经过数量扩充后得到的多个脸图像及对应的人脸特征矩阵形成一个样本数据集，每个样本数据集中对应的是同一个人的人脸图像，每个样本数据集中的人脸图像通过各自对应的人脸特征矩阵，可从各个方面反映人脸图像中各面部器官的特点。
步骤S203，随机选取属于同一样本数据集的人脸图像作为正样本，随机选取属于不同样本数据集的人脸图像作为负样本。
步骤S204，依据正样本和负样本，确定训练样本，训练样本中包括两个正样本和一个负样本，或两个负样本和一个正样本。
步骤S205，将训练样本输入至多层卷积神经网络模型进行训练，得到三个输出结果。
步骤S206，通过预设的三元损失函数对三个输出结果进行比较，若三元损失函数小于预设阈值，训练结束，得到人脸识别模型，否则将训练样本重新输入至多层卷积神经网络模型进行训练，在重新训练之前通过反向算法，对多层卷积神经网络模型的各个权重进行调节。
其中，步骤S205，将训练样本输入至多层卷积神经网络模型进行训练，得到三个输出结果，包括：
将两个相同样本中的第一样本输入至第一层卷积神经网络进行训练，得到第一输出结果。
将两个相同样本中的第二样本输入至第二层卷积神经网络进行训练，得到第二输出结果。
将与两个相同样本不同的样本输入至第三层卷积神经网络进行训练，得到第三输出结果。
其中，多层卷积神经网络模型可由至少三层并行的卷积神经网络连接一个三元损失层组成，如果多层卷积神经网络的层数大于3层，其他层卷积神经网络的输入可为零或无输入。
其中，步骤S206中，预设的三元损失函数的目的是使相同样本特征之间的距离尽可能小，两个不同样本特征之间的距离尽可能大，并使两个距离有一个最小间隔，以提高人脸识别模型的精度。
进一步地，三个输出结果包括第一输出结果，第二输出结果和第三输出结果。
其中，第一输出结果，第二输出结果和第三输出结果均为人脸特征矩阵。
步骤S206中，通过预设的三元损失函数对三个输出结果进行比较，若三元损失函数小于预设阈值，训练结束，得到人脸识别模型，包括：
确定第一输出结果与第二输出结果的之间的第一距离，及第一输出结果与第三输出结果之间的第二距离；
通过预设三元损失函数对第一距离和第二距离进行比较，若三元损失函数小于预设阈值，训练结束，得到人脸识别模型。
其中，可以第一输出结果和第二输出结果分别为两个相同样本对应的输出结果，第三输出结果为与两个相同样本不同的样本对应的输出结果为例，进行具体说明，预设三元损失函数的目的是使相同样本特征之间的第一距离尽可能小，两个不同样本特征之间的第二距离尽可能大，并使第一距离和第二距离有一个最小间隔，以提高人脸识别模型的精度。
更进一步地，通过预设的三元损失函数对第一距离和第二距离进行比较，若三元损失函数小于预设阈值，训练结束，得到人脸识别模型，包括：
依据预设的三元损失函数中的预设变量参数，确定第一距离和第二距离的间隔值。
其中，第一距离和第二距离的间隔值为基于预设变量参数，得到的第一距离与第二距离的差值。
调节预设变量参数，直至间隔值满足预设条件时，训练结束，得到人脸识别模型。
其中，通过调节预设的三元损失函数中的预设变量参数，调节间隔值；当间隔值与预设间隔阈值的和不大于零时，训练结束，得到人脸识别模，其中，当间隔值与预设间隔阈值的和不大于零时，三元损失函数小于预设阈值，且该三元损失函数的损失最小。
基于上述方案，进行具体举例说明：
三元损失函数的目的是使相同样本特征之间的第一距离尽可能小，两个不同样本特征之间的第二距离尽可能大，并使第一距离和第二距离有一个最小间隔，设和为两个相同样本对应的特征表达，为与两个相同样本不同的样本对应的特征表达，则通过公式表达为：
其中，为第一输出结果，为第二输出结果，为第三输出结果，为第一距离，为第二距离，α为间隔阈值；
则对应的三元损失函数为：
其中，β为第二距离的预设变量参数，且β的调整范围为0.8-1.2。+表示[]内的值大于零的时候，取该值为损失，不大于零的时候，损失为零。依据预设变量参数β，确定第一距离和第二距离的间隔值为：
通过调节变量参数β，使间隔值与间隔阈值的和不大于零，即使[]内的值不大于零，以使得第一距离尽可能小，第二距离尽可能大，且第一距离和第二距离间的间隔尽可能小，当[]内的值不大于零时，三元损失函数的损失为零，由此，通过调节变量参数，可使三元损失函数的损失最小，即降低损失函数的损失，进一步提高人脸识别模型的精度。
其中，β也可设置为第一距离的变量参数，通过调节该变量参数，使得[]内的值不大于零即可。
进一步地，将两个相同样本中的第一样本输入至第一层卷积神经网络进行训练，得到第一输出结果，包括：
通过第一层卷积神经网络对第一样本中人脸图片提取人脸特征；
依据人脸特征，生成人脸特征矩阵；
依据人脸特征矩阵，确定第一样本属于各人脸特征矩阵的概率值；
将最高概率值的人脸特征矩阵作为第一输出结果；
通过卷积神经网络模型中损失函数对第一输出结果与预先标记的第一期望结果进行比较，若损失函数小于预设阈值，第一样本的训练结束；否则，将第一样本重新输入到第一层卷积神经网络中进行训练，在重新训练之前通过反向算法，对第一层卷积神经网络的各个权重进行调节。
需要说明的是，通过卷积神经网络对第二样本和第三样本的训练过程与上述对第一样本的训练过程一致，在此不再赘述。
进一步地，步骤S103，依据人脸特征矩阵与身份信息的对应关系，确定与待识别用户的人脸特征矩阵对应的身份信息，包括：
将人脸特征矩阵与预设的数据库中的多个人脸特征矩阵进行匹配，得到匹配到的人脸特征矩阵。
依据人脸特征矩阵与身份信息的对应关系，确定与匹配到的人脸特征矩阵对应的身份信息。
其中，预设的数据库为人脸数据库，人脸数据库中存储人脸图像及与其对应的人脸特征矩阵，每个人脸特征矩阵对应一个身份信息；且数据库中的多个人脸特征矩阵为一个多维度的人脸特征矩阵，比如一个人脸特征矩阵的维度为512维，则数据库中的人脸特征矩阵为N*512维的人脸特征矩阵，其中，N为人脸图像的个数，将数据库中所有人脸特征矩阵以一个特征矩阵的形式表示，可通过该特征矩阵全面反映该人的面部特征，提高人脸识别精度；更进一步地，在数据库中，可通过为每个身份信息设置唯一编码的形式，使各个身份信息与其对应的人脸特征矩阵形成映射关系，则根据检测到的人脸特征矩阵，依据映射关系可匹配到对应的编码，进而依据编码，得到人脸特征矩阵对应的身份信息，其中，身份信息为可表明用户身份的信息，比如身份证号，姓名等。
更进一步地，将人脸特征矩阵与预设的数据库中的多个人脸特征矩阵进行匹配，得到匹配到的人脸特征矩阵，包括：
将人脸特征矩阵分别与预设的数据库中的多个人脸特征矩阵进行相似度计算，将相似度值最大的人脸特征矩阵作为匹配到的人脸特征矩阵。
其中，人脸特征矩阵间的相似度计算不限定具体的实现方式，例如，余弦相似度计算方法，两个人脸特征矩阵越相似，其对应的夹角越小，通过计算两个人脸特征矩阵相似度的方式，可快速准确地在数据库中匹配到最相似的人脸特征矩阵。
进一步地，该方法还包括：
步骤S104，依据身份信息，确定身份信息对应的用户行为信息。
其中，步骤S104，包括：依据预设的用户行为信息与对应身份信息的对应关系，确定身份信息对应的用户行为信息。
其中，用户行为信息与对应身份信息可以对应关系的形式存储在数据库中，在已知身份信息后，可在数据库中依据用户行为信息与对应身份信息的对应关系，确定得到该身份信息对应的用户行为信息。
步骤S105，生成对应用户行为信息的产品推荐信息。
其中，用户的行为信息包括用户历史消费行为信息及用户的基本信息；用户的历史消费行为信息包括用户购买的产品信息，对应的消费金额信息，对应的消费时间，消费地点等信息；用户的基本信息包括用户的年龄，用户的性别，用户的消费水平等信息；基于用户的基本信息及用户历史消费行为信息确定该用户的消费习惯，购买偏好等，则可基于用户的购买偏好及消费习惯向该用户推荐合适的产品及对应的购买地点，因此，基于人脸识别确定的身份信息，可促进产品的推广。
实施例三
本申请实施例提供了一种人脸识别的装置30，如图3所示，该人脸识别装置30可以包括：人脸图像获取模块301、人脸特征矩阵识别模块302以及身份信息确认模块303，其中，
人脸图像获取模块301，用于获取待识别用户的人脸图像。
人脸特征矩阵识别模块302，用于将人脸图像输入至预设的人脸识别模型，得到人脸图像对应的人脸特征矩阵，人脸特征矩阵包括多维度的人脸特征。
身份信息确认模块303，用于依据人脸特征矩阵与身份信息的对应关系，确定与待识别用户的人脸特征矩阵对应的身份信息。
由此，本申请实施例中的方案，获取待识别用户的人脸图像；将人脸图像输入至预设的人脸识别模型，得到人脸图像对应的人脸特征矩阵，人脸特征矩阵包括多维度的人脸特征；依据人脸特征矩阵与身份信息的对应关系，确定与待识别用户的人脸特征矩阵对应的身份信息；以上方案中，由于多维度的人脸特征可有效反映出人脸图像中各面部器官的特征，因此对于无配合的应用场景下的待识别用户的人脸图像，即使待识别用户的人脸图像只提取到局部人脸特征，在通过预设的人脸识别模型对待识别用户的人脸图像进行识别后，得到的包括多维度的人脸特征的人脸特征矩阵也可准确反应出人脸的局部特点，进而使基于人脸特征矩阵确定的待识别用户的身份信息更准确。
实施例四
本申请实施例提供了另一种可能的实现方式，在实施例三的基础上，还包括实施例四所示的方案，其中，
进一步地，待识别用户的人脸图像为在无配合应用场景下，通过图像采集设备采集的至少一张人脸图像，具体可为通过图像采集设备拍取的人脸图像或通过对图像采集设备拍摄的视频中进行截取获得的一组人脸图像，不需要用户配合图像采集条件获取人脸图像，提高用户体验度，且本实施例中的人脸识别方法是基于1：N模式的人脸识别方法，可识别出待识别用户的身份。
进一步地，人脸特征矩阵识别模块302，用于：
通过基于卷积神经网络构建的人脸识别模型，提取人脸图像的多维度的人脸特征。
依据多维度的人脸特征，生成人脸特征矩阵。
其中，预设的人脸识别模型是基于多层卷积神经网络训练得到的模型，由于卷积神经网络可进行特征的提取，因此，选用卷积神经网络模型进行模型训练，省去提取多维度的人脸特征的过程，提高运算效率。
进一步地，人脸特征矩阵识别模块302中的人脸识别模型通过样本数据生成单元3021，样本数据集生成单元3022，正负样本确定单元3023，训练样本确定单元3024，训练样本训练单元3025，及人脸识别模型生成单元3026训练得到，其中，
样本数据生成单元3021，用于对获取到的多个人脸图像进行特征标注，将各个标注特征后的人脸图像作为样本数据。
其中，样本数据生成单元3021中，获取多个人脸图像，依据人脸特征对各个人脸图像进行特征标注，并将标准后的人脸特征形成人脸特征矩阵，将各个人脸图像及对应的人脸特征矩阵作为样本数据，并可将各个样本数据生成人脸数据库。
样本数据集生成单元3022，用于对各个样本数据中标注后的人脸图像进行数量扩充，得到各个样本数据对应的样本数据集。
其中，样本数据集生成单元3022，用于对各个样本数据中标注后的人脸图像通过平移、旋转和镜像方式进行数量扩充，由原来的一张人脸图像扩充到多张人脸图像，同时对应将每张人脸图像中标注的人脸特征矩阵也进行相应的处理，即对每张人脸图像中的人脸特征矩阵进行平移、旋转和镜像的处理，将样本数据中的一张人脸图像经过数量扩充后得到的多个脸图像及对应的人脸特征矩阵形成一个样本数据集，每个样本数据集中对应的是同一个人的人脸图像，每个样本数据集中的人脸图像通过各自对应的人脸特征矩阵，可从各个方面反映人脸图像中各面部器官的特点。
正负样本确定单元3023，用于随机选取属于同一样本数据集的人脸图像作为正样本，随机选取属于不同样本数据集的人脸图像作为负样本。
训练样本确定单元3024，用于依据正样本和负样本，确定训练样本，训练样本中包括两个正样本和一个负样本，或两个负样本和一个正样本。
训练样本训练单元3025，用于将训练样本输入至多层卷积神经网络模型进行训练，得到三个输出结果。
人脸识别模型生成单元3026，用于通过预设的三元损失函数对三个输出结果进行比较，若三元损失函数小于预设阈值，训练结束，得到人脸识别模型，否则将训练样本重新输入至多层卷积神经网络模型进行训练，在重新训练之前通过反向算法，对多层卷积神经网络模型的各个权重进行调节。
其中，训练样本训练单元3025，用于：
将两个相同样本中的第一样本输入至第一层卷积神经网络进行训练，得到第一输出结果。
将两个相同样本中的第二样本输入至第二层卷积神经网络进行训练，得到第二输出结果。
将与两个相同样本不同的样本输入至第三层卷积神经网络进行训练，得到第三输出结果。
其中，多层卷积神经网络模型可由至少三层并行的卷积神经网络连接一个三元损失层组成，如果多层卷积神经网络的层数大于3层，其他层卷积神经网络的输入可为零或无输入。
其中，人脸识别模型生成单元3026中，预设的三元损失函数的目的是使相同样本特征之间的距离尽可能小，两个不同样本特征之间的距离尽可能大，并使两个距离有一个最小间隔，以提高人脸识别模型的精度。
进一步地，三个输出结果包括第一输出结果，第二输出结果和第三输出结果。
其中，第一输出结果，第二输出结果和第三输出结果均为人脸特征矩阵。
人脸识别模型生成单元3026中，通过预设的三元损失函数对三个输出结果进行比较，若三元损失函数小于预设阈值，训练结束，得到人脸识别模型，包括：
确定第一输出结果与第二输出结果的之间的第一距离，及第一输出结果与第三输出结果之间的第二距离；
通过预设三元损失函数对第一距离和第二距离进行比较，若三元损失函数小于预设阈值，训练结束，得到人脸识别模型。
其中，可以第一输出结果和第二输出结果分别为两个相同样本对应的输出结果，第三输出结果为与两个相同样本不同的样本对应的输出结果为例，进行具体说明，预设三元损失函数的目的是使相同样本特征之间的第一距离尽可能小，两个不同样本特征之间的第二距离尽可能大，并使第一距离和第二距离有一个最小间隔，以提高人脸识别模型的精度。
更进一步地，通过预设的三元损失函数对第一距离和第二距离进行比较，若三元损失函数小于预设阈值，训练结束，得到人脸识别模型，包括：
依据预设的三元损失函数中的预设变量参数，确定第一距离和第二距离的间隔值。
其中，第一距离和第二距离的间隔值为基于预设变量参数，得到的第一距离与第二距离的差值。
调节预设变量参数，直至间隔值满足预设条件时，训练结束，得到人脸识别模型。
其中，通过调节预设的三元损失函数中的预设变量参数，调节间隔值；当间隔值与预设间隔阈值的和不大于零时，训练结束，得到人脸识别模，其中，当间隔值与预设间隔阈值的和不大于零时，三元损失函数小于预设阈值，且该三元损失函数的损失最小。
基于上述方案，进行具体举例说明：
三元损失函数的目的是使相同样本特征之间的第一距离尽可能小，两个不同样本特征之间的第二距离尽可能大，并使第一距离和第二距离有一个最小间隔，设和为两个相同样本对应的特征表达，为与两个相同样本不同的样本对应的特征表达，则通过公式表达为：
其中，为第一输出结果，为第二输出结果，为第三输出结果，为第一距离，为第二距离，α为间隔阈值；
则对应的三元损失函数为：
其中，β为第二距离的变量参数，且β的调整范围为0.8-1.2。+表示[]内的值大于零的时候，取该值为损失，不大于零的时候，损失为零。依据预设变量参数β，确定第一距离和第二距离的间隔值为 通过调节变量参数β，使间隔值与间隔阈值的和不大于零，即使[]内的值不大于零，以使得第一距离尽可能小，第二距离尽可能大，且第一距离和第二距离间的间隔尽可能小，当[]内的值不大于零时，三元损失函数的损失为零，由此，通过调节变量参数，可使三元损失函数的损失最小，即降低损失函数的损失，进一步提高人脸识别模型的精度。
其中，β也可设置为第一距离的变量参数，通过调节该变量参数，使得[]内的值不大于零即可。
进一步地，将两个相同样本中的第一样本输入至第一层卷积神经网络进行训练，得到第一输出结果，包括：
通过第一层卷积神经网络对第一样本中人脸图片提取人脸特征；
依据人脸特征，生成人脸特征矩阵；
依据人脸特征矩阵，确定第一样本属于各人脸特征矩阵的概率值；
将最高概率值的人脸特征矩阵作为第一输出结果；
通过卷积神经网络模型中损失函数对第一输出结果与预先标记的第一期望结果进行比较，若损失函数小于预设阈值，第一样本的训练结束；否则，将第一样本重新输入到第一层卷积神经网络中进行训练，在重新训练之前通过反向算法，对第一层卷积神经网络的各个权重进行调节。
需要说明的是，通过卷积神经网络对第二样本和第三样本的训练过程与上述对第一样本的训练过程一致，在此不再赘述。
进一步地，身份信息确认模块303，用于：
将人脸特征矩阵与预设的数据库中的多个人脸特征矩阵进行匹配，得到匹配到的人脸特征矩阵。
依据人脸特征矩阵与身份信息的对应关系，确定与匹配到的人脸特征矩阵对应的身份信息。
其中，预设的数据库为人脸数据库，人脸数据库中存储人脸图像及与其对应的人脸特征矩阵，每个人脸特征矩阵对应一个身份信息；且数据库中的多个人脸特征矩阵为一个多维度的人脸特征矩阵，比如一个人脸特征矩阵的维度为512维，则数据库中的人脸特征矩阵为N*512维的人脸特征矩阵，其中，N为人脸图像的个数，将数据库中所有人脸特征矩阵以一个特征矩阵的形式表示，可通过该特征矩阵全面反映该人的面部特征，提高人脸识别精度；更进一步地，在数据库中，可通过为每个身份信息设置唯一编码的形式，使各个身份信息与其对应的人脸特征矩阵形成映射关系，则根据检测到的人脸特征矩阵，依据映射关系可匹配到对应的编码，进而依据编码，得到人脸特征矩阵对应的身份信息，其中，身份信息为可表明用户身份的信息，比如身份证号，姓名等。
更进一步地，将人脸特征矩阵与预设的数据库中的多个人脸特征矩阵进行匹配，得到匹配到的人脸特征矩阵，包括：
将人脸特征矩阵分别与预设的数据库中的多个人脸特征矩阵进行相似度计算，将相似度值最大的人脸特征矩阵作为匹配到的人脸特征矩阵。
其中，人脸特征矩阵间的相似度计算不限定具体的实现方式，例如，余弦相似度计算方法，两个人脸特征矩阵越相似，其对应的夹角越小，通过计算两个人脸特征矩阵相似度的方式，可快速准确地在数据库中匹配到最相似的人脸特征矩阵。
进一步地，该方法还包括用户行为信息确定模块304及产品推荐信息生成模块305，其中，
用户行为信息确定模块304，用于依据身份信息，确定身份信息对应的用户行为信息。
其中，用户行为信息确定模块304用于：依据预设的用户行为信息与对应身份信息的对应关系，确定身份信息对应的用户行为信息。
其中，用户行为信息与对应身份信息可以对应关系的形式存储在数据库中，在已知身份信息后，可在数据库中依据用户行为信息与对应身份信息的对应关系，确定得到该身份信息对应的用户行为信息。
产品推荐信息生成模块305，用于生成对应用户行为信息的产品推荐信息。
其中，用户的行为信息包括用户历史消费行为信息及用户的基本信息；用户的历史消费行为信息包括用户购买的产品信息，对应的消费金额信息，对应的消费时间，消费地点等信息；用户的基本信息包括用户的年龄，用户的性别，用户的消费水平等信息；基于用户的基本信息及用户历史消费行为信息确定该用户的消费习惯，购买偏好等，则可基于用户的购买偏好及消费习惯向该用户推荐合适的产品及对应的购买地点，因此，基于人脸识别确定的身份信息，可促进产品的推广。
本实施例的人脸识别装置可执行本申请实施例二提供的一种人脸识别方法，其实现原理相类似，此处不再赘述。
实施例五
本申请实施例提供了一种人脸识别的终端，如图4所示，图4所示的终端40包括：处理器401和存储器403。其中，处理器401和存储器403相连，如通过总线402相连。可选地，该终端40还可以包括收发器404。需要说明的是，实际应用中收发器404不限于一个，该终端40的结构并不构成对本申请实施例的限定。
其中，处理器401应用于本申请实施例中，用于实现图3所示的人脸图像获取模块301、人脸特征矩阵识别模块302以及身份信息确认模块303的功能。收发器404包括接收机和发射机。
处理器401可以是CPU，通用处理器，DSP，ASIC，FPGA或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框，模块和电路。处理器401也可以是实现计算功能的组合，例如包含一个或多个微处理器组合，DSP和微处理器的组合等。
总线402可包括一通路，在上述组件之间传送信息。总线402可以是PCI总线或EISA总线等。总线402可以分为地址总线、数据总线、控制总线等。为便于表示，图4中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
存储器403可以是ROM或可存储静态信息和指令的其他类型的静态存储设备，RAM或者可存储信息和指令的其他类型的动态存储设备，也可以是EEPROM、CD-ROM或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。
可选地，存储器403用于存储执行本申请方案的应用程序代码，并由处理器401来控制执行。处理器401用于执行存储器403中存储的应用程序代码，以实现图3所示实施例提供的人脸识别的装置的动作。
本申请实施例提供的一种人脸识别终端40，与现有技术相比，本方案有以下优点：获取待识别用户的人脸图像；将人脸图像输入至预设的人脸识别模型，得到人脸图像对应的人脸特征矩阵，人脸特征矩阵包括多维度的人脸特征；依据人脸特征矩阵与身份信息的对应关系，确定与待识别用户的人脸特征矩阵对应的身份信息；以上方案中，由于多维度的人脸特征可有效反映出人脸图像中各面部器官的特征，因此对于无配合的应用场景下的待识别用户的人脸图像，即使待识别用户的人脸图像只提取到局部人脸特征，在通过预设的人脸识别模型对待识别用户的人脸图像进行识别后，得到的包括多维度的人脸特征的人脸特征矩阵也可准确反应出人脸的局部特点，进而使基于人脸特征矩阵确定的待识别用户的身份信息更准确。
本申请实施例提供的一种人脸识别的终端适用于上述实施例四中的装置实施例，且具有与上述装置实施例四相同的发明构思及相同的有益效果，在此不再赘述。
实施例六
本申请实施例提供了一种计算机可读存储介质，该存储介质存储有至少一条指令、至少一段程序、代码集或指令集，至少一条指令、至少一段程序、代码集或指令集由处理器加载并执行以实现实施例一所示的方法。
本申请实施例提供了一种计算机可读存储介质，与现有技术相比，本方案有以下优点：获取待识别用户的人脸图像；将人脸图像输入至预设的人脸识别模型，得到人脸图像对应的人脸特征矩阵，人脸特征矩阵包括多维度的人脸特征；依据人脸特征矩阵与身份信息的对应关系，确定与待识别用户的人脸特征矩阵对应的身份信息；以上方案中，由于多维度的人脸特征可有效反映出人脸图像中各面部器官的特征，因此对于无配合的应用场景下的待识别用户的人脸图像，即使待识别用户的人脸图像只提取到局部人脸特征，在通过预设的人脸识别模型对待识别用户的人脸图像进行识别后，得到的包括多维度的人脸特征的人脸特征矩阵也可准确反应出人脸的局部特点，进而使基于人脸特征矩阵确定的待识别用户的身份信息更准确。
本申请实施例提供了一种计算机可读存储介质，该存储介质存储有至少一条指令、至少一段程序、代码集或指令集，至少一条指令、至少一段程序、代码集或指令集由处理器加载并执行以实现实施例二所示的方法。在此不再赘述。
应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
以上仅是本申请的部分实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本申请的保护范围。

Claims (10)

1.一种人脸识别的方法，其特征在于，包括：
获取待识别用户的人脸图像；
将所述人脸图像输入至预设的人脸识别模型，得到所述人脸图像对应的人脸特征矩阵，所述人脸特征矩阵包括多维度的人脸特征；
依据人脸特征矩阵与身份信息的对应关系，确定与所述待识别用户的人脸特征矩阵对应的身份信息。
2.根据权利要求1所述的方法，其特征在于，所述将所述人脸图像输入至预设的人脸识别模型，得到所述人脸图像对应的人脸特征矩阵，包括：
通过基于卷积神经网络构建的人脸识别模型，提取所述人脸图像的多维度的人脸特征；
依据所述多维度的人脸特征，生成人脸特征矩阵。
3.根据权利要求1或2所述的方法，其特征在于，基于卷积神经网络构建人脸识别模型的方法，包括：
对获取到的多个人脸图像进行特征标注，将各个标注特征后的人脸图像作为样本数据；
对各个样本数据中标注特征后的人脸图像进行数量扩充，得到各个样本数据对应的样本数据集；
随机选取属于同一样本数据集的人脸图像作为正样本，随机选取属于不同样本数据集的人脸图像作为负样本；
依据所述正样本和负样本，确定训练样本，所述训练样本中包括两个正样本和一个负样本，或两个负样本和一个正样本；
将所述训练样本输入至多层卷积神经网络模型进行训练，得到三个输出结果；
通过预设的三元损失函数对所述三个输出结果进行比较，若所述三元损失函数小于预设阈值，训练结束，得到人脸识别模型，否则将所述训练样本重新输入至多层卷积神经网络模型进行训练，在重新训练之前通过反向算法，对所述多层卷积神经网络模型的各个权重进行调节。
4.根据权利要求3所述的方法，其特征在于，所述三个输出结果包括第一输出结果，第二输出结果和第三输出结果；
所述通过预设的三元损失函数对所述三个输出结果进行比较，若所述三元损失函数小于预设阈值，训练结束，得到人脸识别模型，包括：
确定所述第一输出结果与所述第二输出结果的之间的第一距离，及所述第一输出结果与所述第三输出结果之间的第二距离；
通过预设三元损失函数对所述第一距离和所述第二距离进行比较，若所述三元损失函数小于预设阈值，训练结束，得到人脸识别模型。
5.根据权利要求4所述的方法，其特征在于，所述通过预设的三元损失函数对所述第一距离和所述第二距离进行比较，若所述三元损失函数小于预设阈值，训练结束，得到人脸识别模型，包括：
依据所述预设的三元损失函数中的预设变量参数，确定所述第一距离和第二距离的间隔值；
调节所述预设变量参数，直至所述间隔值满足预设条件时，训练结束，得到人脸识别模型。
6.根据权利要求1所述的方法，其特征在于，所述依据人脸特征矩阵与身份信息的对应关系，确定与所述待识别用户的人脸特征矩阵对应的身份信息，包括：
将所述人脸特征矩阵与预设的数据库中的多个人脸特征矩阵进行匹配，得到匹配到的人脸特征矩阵；
依据人脸特征矩阵与身份信息的对应关系，确定与所述匹配到的人脸特征矩阵对应的身份信息。
7.根据权利要求1所述的方法，其特征在于，所述方法还包括：
依据所述身份信息，确定所述身份信息对应的用户行为信息；
生成对应所述用户行为信息的产品推荐信息。
8.一种人脸识别的装置，其特征在于，包括：
人脸图像获取模块，用于获取待识别用户的人脸图像；
人脸特征矩阵识别模块，用于将所述人脸图像输入至预设的人脸识别模型，得到所述人脸图像对应的人脸特征矩阵，所述人脸特征矩阵包括多维度的人脸特征；
身份信息确认模块，用于依据人脸特征矩阵与身份信息的对应关系，确定与所述待识别用户的人脸特征矩阵对应的身份信息。
9.一种人脸识别的终端，其特征在于，包括：
处理器、存储器和总线；
所述总线，用于连接所述处理器和所述存储器；
所述存储器，用于存储操作指令；
所述处理器，用于通过调用所述操作指令，执行上述权利要求1-7中任一项所述的方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述存储介质存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如权利要求1至7任一项所述的方法。
CN201810948055.3A 2018-08-20 2018-08-20 人脸识别的方法、装置、终端及计算机可读存储介质 Pending CN109117801A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201810948055.3A CN109117801A (zh) 2018-08-20 2018-08-20 人脸识别的方法、装置、终端及计算机可读存储介质
PCT/CN2019/070357 WO2020037937A1 (zh) 2018-08-20 2019-01-04 人脸识别的方法、装置、终端及计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810948055.3A CN109117801A (zh) 2018-08-20 2018-08-20 人脸识别的方法、装置、终端及计算机可读存储介质

Publications (1)

Publication Number Publication Date
CN109117801A true CN109117801A (zh) 2019-01-01

Family

ID=64853522

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810948055.3A Pending CN109117801A (zh) 2018-08-20 2018-08-20 人脸识别的方法、装置、终端及计算机可读存储介质

Country Status (2)

Country Link
CN (1) CN109117801A (zh)
WO (1) WO2020037937A1 (zh)

Cited By (36)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109766844A (zh) * 2019-01-14 2019-05-17 电子科技大学 一种基于胸针设备的移动终端身份鉴别与记忆方法
CN109784281A (zh) * 2019-01-18 2019-05-21 深圳壹账通智能科技有限公司 基于人脸特征的产品推荐方法、装置及计算机设备
CN110070037A (zh) * 2019-04-22 2019-07-30 深圳力维智联技术有限公司 人脸识别模型的平滑升级方法、装置和可读存储介质
CN110163631A (zh) * 2019-04-16 2019-08-23 深圳壹账通智能科技有限公司 客户精准服务方法、装置、计算机设备及存储介质
CN110210194A (zh) * 2019-04-18 2019-09-06 深圳壹账通智能科技有限公司 电子合同显示方法、装置、电子设备及存储介质
CN110363159A (zh) * 2019-07-17 2019-10-22 腾讯科技（深圳）有限公司 图像识别方法、装置、电子设备及计算机可读存储介质
CN110443137A (zh) * 2019-07-03 2019-11-12 平安科技（深圳）有限公司 多维度身份信息识别方法、装置、计算机设备及存储介质
CN110688941A (zh) * 2019-09-25 2020-01-14 支付宝(杭州)信息技术有限公司 人脸图像的识别方法及其装置
CN110717458A (zh) * 2019-10-11 2020-01-21 北京地平线机器人技术研发有限公司 人脸识别方法及识别装置
WO2020037937A1 (zh) * 2018-08-20 2020-02-27 深圳壹账通智能科技有限公司 人脸识别的方法、装置、终端及计算机可读存储介质
CN110956098A (zh) * 2019-11-13 2020-04-03 深圳和而泰家居在线网络科技有限公司 图像处理方法及相关设备
CN111079718A (zh) * 2020-01-15 2020-04-28 中云智慧（北京）科技有限公司 人脸快速比对方法
CN111126346A (zh) * 2020-01-06 2020-05-08 腾讯科技（深圳）有限公司 脸部识别方法、分类模型的训练方法、装置和存储介质
CN111144240A (zh) * 2019-12-12 2020-05-12 深圳数联天下智能科技有限公司 图像处理方法及相关设备
CN111339964A (zh) * 2020-02-28 2020-06-26 北京市商汤科技开发有限公司 图像处理方法及装置、电子设备和存储介质
CN111428679A (zh) * 2020-04-02 2020-07-17 苏州杰锐思智能科技股份有限公司 影像识别方法、装置和设备
CN111581623A (zh) * 2020-05-09 2020-08-25 深圳物控智联科技有限公司 智能数据交互方法、装置、电子设备及存储介质
CN111626243A (zh) * 2020-05-28 2020-09-04 上海锘科智能科技有限公司 口罩遮挡人脸的身份识别方法、装置及存储介质
CN111860066A (zh) * 2019-04-30 2020-10-30 百度时代网络技术（北京）有限公司 人脸识别方法和装置
CN112016488A (zh) * 2020-09-01 2020-12-01 中国银行股份有限公司 业务信息的处理方法及相关装置、计算机存储介质
CN112036266A (zh) * 2020-08-13 2020-12-04 北京迈格威科技有限公司 人脸识别方法、装置、设备及介质
CN112200154A (zh) * 2020-11-17 2021-01-08 苏州方正璞华信息技术有限公司 一种戴口罩人脸识别方法、装置、电子设备及存储介质
CN112215136A (zh) * 2020-10-10 2021-01-12 北京奇艺世纪科技有限公司 一种目标人物识别方法、装置、电子设备及存储介质
CN112232269A (zh) * 2020-10-29 2021-01-15 南京莱斯网信技术研究院有限公司 一种基于孪生网络的船舶身份智能识别方法及系统
CN112308031A (zh) * 2020-11-25 2021-02-02 浙江大华系统工程有限公司 通用人脸识别和人脸特征信息库生成方法、装置及设备
CN112507963A (zh) * 2020-12-22 2021-03-16 华南理工大学 一种批量口罩人脸样本自动生成以及口罩人脸识别方法
CN113033415A (zh) * 2021-03-26 2021-06-25 北京百度网讯科技有限公司 数据队列动态更新方法、装置、电子设备及存储介质
CN113065512A (zh) * 2021-04-21 2021-07-02 深圳壹账通智能科技有限公司 人脸微表情识别方法、装置、设备及存储介质
CN113221088A (zh) * 2021-06-15 2021-08-06 中国银行股份有限公司 用户身份识别方法及装置
CN113361486A (zh) * 2021-07-08 2021-09-07 北京淘车科技有限公司 多姿态人脸识别方法、装置、存储介质以及电子设备
CN113362070A (zh) * 2021-06-03 2021-09-07 中国工商银行股份有限公司 用于识别操作用户的方法、装置、电子设备和介质
CN113420585A (zh) * 2021-04-21 2021-09-21 广州晟烨信息科技股份有限公司 一种人脸采集识别方法、系统及存储介质
CN113486688A (zh) * 2020-05-27 2021-10-08 海信集团有限公司 一种人脸识别方法及智能设备
CN113486807A (zh) * 2021-07-08 2021-10-08 网易（杭州）网络有限公司 脸部的检测模型训练方法、识别方法、装置、介质和设备
CN113612830A (zh) * 2021-07-27 2021-11-05 Oppo广东移动通信有限公司 信息推送方法、装置、终端设备及存储介质
CN114360007A (zh) * 2021-12-22 2022-04-15 浙江大华技术股份有限公司 人脸识别模型训练、人脸识别方法、装置、设备及介质

Families Citing this family (55)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111369521A (zh) * 2020-03-02 2020-07-03 名创优品（横琴）企业管理有限公司 一种基于图像质量的图像过滤方法和相关装置
CN111401272B (zh) * 2020-03-19 2021-08-24 支付宝(杭州)信息技术有限公司 一种人脸特征提取方法、装置及设备
CN111475790A (zh) * 2020-03-31 2020-07-31 联想(北京)有限公司 一种鉴权管理方法及电子设备
CN111476189B (zh) * 2020-04-14 2023-10-13 北京爱笔科技有限公司 一种身份识别方法和相关装置
CN111553215B (zh) * 2020-04-20 2023-10-13 深圳云天励飞技术有限公司 人员关联方法及其装置、图卷积网络训练方法及其装置
CN111582066B (zh) * 2020-04-21 2023-10-03 浙江大华技术股份有限公司 异质人脸识别模型训练方法、人脸识别方法及相关装置
CN113657136B (zh) * 2020-05-12 2024-02-13 阿里巴巴集团控股有限公司 识别方法及装置
CN111639596B (zh) * 2020-05-29 2023-04-28 上海锘科智能科技有限公司 基于注意力机制和残差网络的抗眼镜遮挡人脸识别方法
CN111680622B (zh) * 2020-06-05 2023-08-01 上海一由科技有限公司 一种基于托育环境的身份识别方法
CN111639616B (zh) * 2020-06-05 2023-05-23 上海一由科技有限公司 一种基于深度学习的重身份识别方法
CN111666550A (zh) * 2020-06-12 2020-09-15 上海商汤智能科技有限公司 一种互动合影的方法、装置、电子设备及存储介质
CN111914630A (zh) * 2020-06-19 2020-11-10 北京百度网讯科技有限公司 为人脸识别生成训练数据的方法、装置、设备和存储介质
CN111914629B (zh) * 2020-06-19 2024-06-11 北京百度网讯科技有限公司 为人脸识别生成训练数据的方法、装置、设备和存储介质
CN111722537B (zh) * 2020-06-22 2023-08-22 合肥优恩物联网科技有限公司 一种基于自主人脸识别的智慧交互系统及方法
CN111783607B (zh) * 2020-06-24 2023-06-27 北京百度网讯科技有限公司 人脸识别模型的训练方法、装置、电子设备及存储介质
CN111783600B (zh) * 2020-06-24 2024-02-09 北京百度网讯科技有限公司 一种人脸识别模型训练方法、装置、设备及介质
CN111783598B (zh) * 2020-06-24 2023-08-08 北京百度网讯科技有限公司 一种人脸识别模型训练方法、装置、设备及介质
CN111783601B (zh) * 2020-06-24 2024-04-26 北京百度网讯科技有限公司 人脸识别模型的训练方法、装置、电子设备及存储介质
CN111767833A (zh) * 2020-06-28 2020-10-13 北京百度网讯科技有限公司 模型生成方法、装置、电子设备及存储介质
CN111753761B (zh) * 2020-06-28 2024-04-09 北京百度网讯科技有限公司 模型生成方法、装置、电子设备及存储介质
CN111753760A (zh) * 2020-06-28 2020-10-09 北京百度网讯科技有限公司 模型生成方法、装置、电子设备及存储介质
CN113870094A (zh) * 2020-06-30 2021-12-31 北京达佳互联信息技术有限公司 一种图像处理方法、装置、电子设备及存储介质
CN111968152B (zh) * 2020-07-15 2023-10-17 桂林远望智能通信科技有限公司 一种动态身份识别方法及装置
CN111931598B (zh) * 2020-07-20 2024-05-17 武汉美和易思数字科技有限公司 一种基于人脸识别的课堂智能实时分析方法及系统
CN111783748B (zh) * 2020-08-12 2023-07-14 汉王科技股份有限公司 人脸识别方法、装置、电子设备及存储介质
CN114078268A (zh) * 2020-08-17 2022-02-22 珠海全志科技股份有限公司 一种轻量级人脸识别模型的训练方法及装置
CN111967412A (zh) * 2020-08-21 2020-11-20 深圳前海微众银行股份有限公司 基于联邦学习的人脸属性识别方法、客户端、设备及介质
CN112164002B (zh) * 2020-09-10 2024-02-09 深圳前海微众银行股份有限公司 人脸矫正模型的训练方法、装置、电子设备及存储介质
CN112131997A (zh) * 2020-09-17 2020-12-25 南京智凝人工智能研究院有限公司 一种基于深度学习的人脸识别系统和方法
CN112016523B (zh) * 2020-09-25 2023-08-29 北京百度网讯科技有限公司 跨模态人脸识别的方法、装置、设备和存储介质
CN112507833A (zh) * 2020-11-30 2021-03-16 北京百度网讯科技有限公司 人脸识别及模型训练的方法、装置、设备和存储介质
CN112446345B (zh) * 2020-12-09 2024-04-05 西安交通大学 一种低质量三维人脸识别方法、系统、设备和存储介质
CN112541446B (zh) * 2020-12-17 2023-09-05 杭州海康威视数字技术股份有限公司 一种生物特征库更新方法、装置及电子设备
CN112580538B (zh) * 2020-12-23 2024-03-26 平安银行股份有限公司 客服人员调度方法、装置、设备及存储介质
CN112613407B (zh) * 2020-12-23 2024-08-13 杭州趣链科技有限公司 基于联邦学习的人脸活体检测训练优化方法、装置及设备
CN114697686B (zh) * 2020-12-25 2023-11-21 北京达佳互联信息技术有限公司 一种线上互动方法、装置、服务器及存储介质
CN112699799B (zh) * 2020-12-30 2024-07-16 杭州趣链科技有限公司 基于区块链的人脸识别方法、装置、设备和存储介质
CN112860931B (zh) * 2021-01-18 2023-11-03 广东便捷神科技股份有限公司 人脸识别库的构建方法
CN112818885B (zh) * 2021-02-07 2024-05-28 中国银联股份有限公司 人脸识别方法、装置、设备及存储介质
CN113762022A (zh) * 2021-02-09 2021-12-07 北京沃东天骏信息技术有限公司 人脸图像的融合方法和装置
CN112800452B (zh) * 2021-03-19 2022-09-30 腾讯科技（深圳）有限公司 用户身份图像处理和识别的方法及装置
CN112926559B (zh) * 2021-05-12 2021-07-30 支付宝(杭州)信息技术有限公司 人脸图像处理方法及装置
CN113361568A (zh) * 2021-05-18 2021-09-07 北京迈格威科技有限公司 目标识别方法、装置和电子系统
CN113536953B (zh) * 2021-06-22 2024-04-19 浙江吉利控股集团有限公司 一种人脸识别方法、装置、电子设备及存储介质
CN113642415B (zh) * 2021-07-19 2024-06-04 南京南瑞信息通信科技有限公司 人脸特征表达方法及人脸识别方法
CN113495493B (zh) * 2021-07-30 2024-07-16 青岛海尔空调器有限总公司 用于识别人体高度的方法及装置、家电设备、可读存储介质
CN113822157A (zh) * 2021-08-19 2021-12-21 北京工业大学 一种基于多分支网络和图像修复的戴口罩人脸识别方法
CN113807413B (zh) * 2021-08-30 2024-02-06 北京百度网讯科技有限公司 对象的识别方法、装置、电子设备
CN114093008A (zh) * 2021-12-01 2022-02-25 支付宝(杭州)信息技术有限公司 用于人脸识别的方法及装置
CN114170664B (zh) * 2021-12-11 2024-08-27 南京行者易智能交通科技有限公司 一种基于自注意力机制进行链接预测的人脸图像聚类方法及装置
CN114283483A (zh) * 2021-12-31 2022-04-05 中国联合网络通信集团有限公司 人脸识别方法及设备
CN114863542B (zh) * 2022-07-06 2022-09-30 武汉微派网络科技有限公司 基于多模态的未成年人识别方法及系统
CN116055211B (zh) * 2023-02-14 2023-11-17 成都理工大学工程技术学院 基于神经网络用于身份识别并自动登录应用的方法与系统
CN117523638B (zh) * 2023-11-28 2024-05-17 广州视声智能科技有限公司 基于优先级筛选的人脸识别方法及系统
CN118194265A (zh) * 2024-05-13 2024-06-14 湖南三湘银行股份有限公司 一种基于nfc快速识别采集身份信息的方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106650658A (zh) * 2016-12-16 2017-05-10 中新智擎有限公司 一种识别用户身份的方法和装置
CN106845330A (zh) * 2016-11-17 2017-06-13 北京品恩科技股份有限公司 一种基于深度卷积神经网络的二维人脸识别模型的训练方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017174982A1 (en) * 2016-04-06 2017-10-12 Queen Mary University Of London Method of matching a sketch image to a face image
CN106503669B (zh) * 2016-11-02 2019-12-10 重庆中科云丛科技有限公司 一种基于多任务深度学习网络的训练、识别方法及系统
CN107016370B (zh) * 2017-04-10 2019-10-11 电子科技大学 一种基于数据增强的部分遮挡人脸识别方法
CN109117801A (zh) * 2018-08-20 2019-01-01 深圳壹账通智能科技有限公司 人脸识别的方法、装置、终端及计算机可读存储介质

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106845330A (zh) * 2016-11-17 2017-06-13 北京品恩科技股份有限公司 一种基于深度卷积神经网络的二维人脸识别模型的训练方法
CN106650658A (zh) * 2016-12-16 2017-05-10 中新智擎有限公司 一种识别用户身份的方法和装置

Cited By (54)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020037937A1 (zh) * 2018-08-20 2020-02-27 深圳壹账通智能科技有限公司 人脸识别的方法、装置、终端及计算机可读存储介质
CN109766844A (zh) * 2019-01-14 2019-05-17 电子科技大学 一种基于胸针设备的移动终端身份鉴别与记忆方法
CN109766844B (zh) * 2019-01-14 2022-10-14 电子科技大学 一种基于胸针设备的移动终端身份鉴别与记忆方法
CN109784281A (zh) * 2019-01-18 2019-05-21 深圳壹账通智能科技有限公司 基于人脸特征的产品推荐方法、装置及计算机设备
CN110163631A (zh) * 2019-04-16 2019-08-23 深圳壹账通智能科技有限公司 客户精准服务方法、装置、计算机设备及存储介质
WO2020211387A1 (zh) * 2019-04-18 2020-10-22 深圳壹账通智能科技有限公司 电子合同显示方法、装置、电子设备及计算机存储介质
CN110210194A (zh) * 2019-04-18 2019-09-06 深圳壹账通智能科技有限公司 电子合同显示方法、装置、电子设备及存储介质
CN110070037A (zh) * 2019-04-22 2019-07-30 深圳力维智联技术有限公司 人脸识别模型的平滑升级方法、装置和可读存储介质
CN110070037B (zh) * 2019-04-22 2022-11-01 深圳力维智联技术有限公司 人脸识别模型的平滑升级方法、装置和可读存储介质
CN111860066A (zh) * 2019-04-30 2020-10-30 百度时代网络技术（北京）有限公司 人脸识别方法和装置
CN111860066B (zh) * 2019-04-30 2023-10-27 百度时代网络技术（北京）有限公司 人脸识别方法和装置
WO2021000829A1 (zh) * 2019-07-03 2021-01-07 平安科技（深圳）有限公司 多维度身份信息识别方法、装置、计算机设备及存储介质
CN110443137A (zh) * 2019-07-03 2019-11-12 平安科技（深圳）有限公司 多维度身份信息识别方法、装置、计算机设备及存储介质
CN110443137B (zh) * 2019-07-03 2023-07-25 平安科技（深圳）有限公司 多维度身份信息识别方法、装置、计算机设备及存储介质
CN110363159A (zh) * 2019-07-17 2019-10-22 腾讯科技（深圳）有限公司 图像识别方法、装置、电子设备及计算机可读存储介质
CN110688941A (zh) * 2019-09-25 2020-01-14 支付宝(杭州)信息技术有限公司 人脸图像的识别方法及其装置
CN110717458B (zh) * 2019-10-11 2022-07-22 北京地平线机器人技术研发有限公司 人脸识别方法及识别装置
CN110717458A (zh) * 2019-10-11 2020-01-21 北京地平线机器人技术研发有限公司 人脸识别方法及识别装置
CN110956098A (zh) * 2019-11-13 2020-04-03 深圳和而泰家居在线网络科技有限公司 图像处理方法及相关设备
CN111144240A (zh) * 2019-12-12 2020-05-12 深圳数联天下智能科技有限公司 图像处理方法及相关设备
CN111126346A (zh) * 2020-01-06 2020-05-08 腾讯科技（深圳）有限公司 脸部识别方法、分类模型的训练方法、装置和存储介质
CN111079718A (zh) * 2020-01-15 2020-04-28 中云智慧（北京）科技有限公司 人脸快速比对方法
CN111339964B (zh) * 2020-02-28 2024-07-16 北京市商汤科技开发有限公司 图像处理方法及装置、电子设备和存储介质
CN111339964A (zh) * 2020-02-28 2020-06-26 北京市商汤科技开发有限公司 图像处理方法及装置、电子设备和存储介质
CN111428679A (zh) * 2020-04-02 2020-07-17 苏州杰锐思智能科技股份有限公司 影像识别方法、装置和设备
CN111428679B (zh) * 2020-04-02 2023-09-01 苏州杰锐思智能科技股份有限公司 影像识别方法、装置和设备
CN111581623A (zh) * 2020-05-09 2020-08-25 深圳物控智联科技有限公司 智能数据交互方法、装置、电子设备及存储介质
CN111581623B (zh) * 2020-05-09 2023-12-19 深圳物控智联科技有限公司 智能数据交互方法、装置、电子设备及存储介质
CN113486688A (zh) * 2020-05-27 2021-10-08 海信集团有限公司 一种人脸识别方法及智能设备
CN111626243B (zh) * 2020-05-28 2023-04-18 上海锘科智能科技有限公司 口罩遮挡人脸的身份识别方法、装置及存储介质
CN111626243A (zh) * 2020-05-28 2020-09-04 上海锘科智能科技有限公司 口罩遮挡人脸的身份识别方法、装置及存储介质
CN112036266A (zh) * 2020-08-13 2020-12-04 北京迈格威科技有限公司 人脸识别方法、装置、设备及介质
CN112016488A (zh) * 2020-09-01 2020-12-01 中国银行股份有限公司 业务信息的处理方法及相关装置、计算机存储介质
CN112016488B (zh) * 2020-09-01 2024-02-06 中国银行股份有限公司 业务信息的处理方法及相关装置、计算机存储介质
CN112215136A (zh) * 2020-10-10 2021-01-12 北京奇艺世纪科技有限公司 一种目标人物识别方法、装置、电子设备及存储介质
CN112215136B (zh) * 2020-10-10 2023-09-05 北京奇艺世纪科技有限公司 一种目标人物识别方法、装置、电子设备及存储介质
CN112232269B (zh) * 2020-10-29 2024-02-09 南京莱斯网信技术研究院有限公司 一种基于孪生网络的船舶身份智能识别方法及系统
CN112232269A (zh) * 2020-10-29 2021-01-15 南京莱斯网信技术研究院有限公司 一种基于孪生网络的船舶身份智能识别方法及系统
CN112200154A (zh) * 2020-11-17 2021-01-08 苏州方正璞华信息技术有限公司 一种戴口罩人脸识别方法、装置、电子设备及存储介质
CN112308031A (zh) * 2020-11-25 2021-02-02 浙江大华系统工程有限公司 通用人脸识别和人脸特征信息库生成方法、装置及设备
CN112507963B (zh) * 2020-12-22 2023-08-25 华南理工大学 一种批量口罩人脸样本自动生成以及口罩人脸识别方法
CN112507963A (zh) * 2020-12-22 2021-03-16 华南理工大学 一种批量口罩人脸样本自动生成以及口罩人脸识别方法
CN113033415B (zh) * 2021-03-26 2023-11-28 北京百度网讯科技有限公司 数据队列动态更新方法、装置、电子设备及存储介质
CN113033415A (zh) * 2021-03-26 2021-06-25 北京百度网讯科技有限公司 数据队列动态更新方法、装置、电子设备及存储介质
CN113065512A (zh) * 2021-04-21 2021-07-02 深圳壹账通智能科技有限公司 人脸微表情识别方法、装置、设备及存储介质
CN113420585A (zh) * 2021-04-21 2021-09-21 广州晟烨信息科技股份有限公司 一种人脸采集识别方法、系统及存储介质
CN113362070A (zh) * 2021-06-03 2021-09-07 中国工商银行股份有限公司 用于识别操作用户的方法、装置、电子设备和介质
CN113221088B (zh) * 2021-06-15 2022-08-19 中国银行股份有限公司 用户身份识别方法及装置
CN113221088A (zh) * 2021-06-15 2021-08-06 中国银行股份有限公司 用户身份识别方法及装置
CN113486807A (zh) * 2021-07-08 2021-10-08 网易（杭州）网络有限公司 脸部的检测模型训练方法、识别方法、装置、介质和设备
CN113361486A (zh) * 2021-07-08 2021-09-07 北京淘车科技有限公司 多姿态人脸识别方法、装置、存储介质以及电子设备
CN113486807B (zh) * 2021-07-08 2024-02-27 网易（杭州）网络有限公司 脸部的检测模型训练方法、识别方法、装置、介质和设备
CN113612830A (zh) * 2021-07-27 2021-11-05 Oppo广东移动通信有限公司 信息推送方法、装置、终端设备及存储介质
CN114360007A (zh) * 2021-12-22 2022-04-15 浙江大华技术股份有限公司 人脸识别模型训练、人脸识别方法、装置、设备及介质

Also Published As

Publication number Publication date
WO2020037937A1 (zh) 2020-02-27

Similar Documents

Publication Publication Date Title
CN109117801A (zh) 人脸识别的方法、装置、终端及计算机可读存储介质
CN110163193B (zh) 图像处理方法、装置、计算机可读存储介质和计算机设备
JP4284288B2 (ja) パターン認識装置及びその方法
WO2015180042A1 (en) Learning deep face representation
CN109871821B (zh) 自适应网络的行人重识别方法、装置、设备及存储介质
CN112966725B (zh) 匹配模板图像的方法、装置及终端设备
CN111831844A (zh) 图像检索方法、图像检索装置、图像检索设备及介质
KR20110064197A (ko) 물체 인식 시스템 및 그 물체 인식 방법
CN112990228B (zh) 图像特征匹配方法和相关装置、设备及存储介质
CN112200056B (zh) 人脸活体检测方法、装置、电子设备及存储介质
CN110245621B (zh) 人脸识别装置及图像处理方法、特征提取模型、存储介质
CN112084849A (zh) 图像识别方法和装置
WO2014112346A1 (ja) 特徴点位置検出装置、特徴点位置検出方法および特徴点位置検出プログラム
WO2024114321A1 (zh) 图像数据处理方法、装置、计算机设备、计算机可读存储介质及计算机程序产品
CN112101195A (zh) 人群密度预估方法、装置、计算机设备和存储介质
CN112818821A (zh) 基于可见光和红外光的人脸采集源检测方法和装置
CN109447023A (zh) 确定图像相似度的方法、视频场景切换识别方法及装置
CN112204957A (zh) 白平衡处理方法和设备、可移动平台、相机
WO2015068417A1 (ja) 画像照合システム、画像照合方法およびプログラム
CN110287943B (zh) 图像的对象识别方法、装置、电子设备及存储介质
CN116071804A (zh) 人脸识别的方法、装置和电子设备
CN114820755A (zh) 一种深度图估计方法及系统
CN110738225B (zh) 图像识别方法及装置
CN113128292A (zh) 一种图像识别方法、存储介质及终端设备
CN106529374A (zh) 一种级联式人脸关键点定位方法和系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
REG Reference to a national code

Ref country code: HK

Ref legal event code: DE

Ref document number: 40002598

Country of ref document: HK

SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
AD01 Patent right deemed abandoned
AD01 Patent right deemed abandoned

Effective date of abandoning: 20231208