CN109325448A - 人脸识别方法、装置和计算机设备 - Google Patents

人脸识别方法、装置和计算机设备 Download PDF

Info

Publication number
CN109325448A
CN109325448A CN201811109282.3A CN201811109282A CN109325448A CN 109325448 A CN109325448 A CN 109325448A CN 201811109282 A CN201811109282 A CN 201811109282A CN 109325448 A CN109325448 A CN 109325448A
Authority
CN
China
Prior art keywords
image
feature
face
obtains
parameter
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
CN201811109282.3A
Other languages
English (en)
Inventor
许丹丹
章烈剽
柯文辉
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.)
Guangzhou Radio Vision Technology Co Ltd
GRG Banking Equipment Co Ltd
Guangdian Yuntong Financial Electronic Co Ltd
Original Assignee
Guangzhou Radio Vision Technology Co Ltd
Guangdian Yuntong Financial Electronic 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 Guangzhou Radio Vision Technology Co Ltd, Guangdian Yuntong Financial Electronic Co Ltd filed Critical Guangzhou Radio Vision Technology Co Ltd
Priority to CN201811109282.3A priority Critical patent/CN109325448A/zh
Publication of CN109325448A publication Critical patent/CN109325448A/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
    • G06F18/21—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
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques

Landscapes

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

Abstract

本发明涉及一种人脸识别方法、装置、计算机设备和计算机可读存储介质，其中方法包括：获取目标人脸的第一图像，并获取对应的标准人脸的第二图像；对第一图像进行亮度校正处理，得到第三图像；将第一图像、第三图像和第二图像输入预设的特征识别模型中，输出第一图像的第一特征、第三图像的第三特征以及第二图像的第二特征；将第一特征和第三特征分别与第二特征进行比对，获取比对结果，根据比对结果，获取目标人脸与标准人脸的匹配结果。上述人脸识别方法，综合亮度校正前后的图像的比对结果确定目标人脸是否与标准人脸匹配，能够有效消除目标人脸的图像采集光照不稳定对目标人脸识别的影响，提高对图像中目标人脸识别比对的准确性。

Description

人脸识别方法、装置和计算机设备
技术领域
本发明涉及生物特征识别技术领域，特别是涉及一种人脸识别方法、装置和计算机设备。
背景技术
在生物特征识别领域中，可以通过图像识别对图像中的目标人脸提取特征进行识别鉴定。其中，人脸识别作为身份核验的一种重要手段，在火车站、机场、酒店等公共场所得到越来越多的应用，系统通过采集用户现场照片与证件照进行自动比对，可快速核验用户身份的合法性。但由于应用场景多种多样，人脸识别也面临很多不可控因素的挑战，比如光照、姿态、表情等问题，其中光照变化是影响人脸识别的准确性的最关键因素。
待识别的人脸所处环境的光照强度是保障人脸识别准确性的重要条件之一，但是在实际应用中会面临多种多样的应用环境，光照条件往往不可控，成为影响系统识别性能的重要因素。例如在酒店场景下，用于人脸识别的终端设备被安装在酒店前台用于实名入住登记，由于多数酒店前台的光照环境较暗，或者背光现象严重，使得采集到的人脸图像往往会出现局部过暗的现象，丢失重要的面部五官信息，导致人脸识别的准确性不高。
发明内容
基于此，有必要针对现有技术中对图像中的目标人脸识别，会由于光照过亮或过暗导致对目标人脸识别准确性低的技术问题，提供人脸识别方法、装置和计算机设备。
一种人脸识别方法，包括：
获取目标人脸的第一图像，并获取对应的标准人脸的第二图像；
对第一图像进行亮度校正处理，得到第三图像；
将第一图像、第三图像和第二图像输入预设的特征识别模型中，输出第一图像的第一特征、第三图像的第三特征以及第二图像的第二特征；
将第一特征和第三特征分别与第二特征进行比对，获取比对结果，根据比对结果，获取目标人脸与标准人脸的匹配结果。
上述人脸识别方法，在对图像中的目标人脸进行比对识别时，对待识别的目标人脸的第一图像进行亮度校正处理，得到第三图像，利用预设的特征识别模型对第一图像、第三图像和标准人脸的第二图像进行特征提取，分别将亮度校正前的第一图像提取的第一特征、亮度校正后的第三图像提取的第三特征与第二图像提取的第二特征进行比对，综合亮度校正前后的图像的比对结果确定目标人脸是否与标准人脸匹配，能够有效消除对目标人脸的图像采集光照不稳定对目标人脸识别的影响，提高对图像中目标人脸识别比对的准确性。
在一个实施例中，获取目标人脸的第一图像，并获取对应的标准人脸的第二图像，包括：获取目标人脸的检测图像，并获取标准人脸的标准图像；对所述检测图像进行特征检测，提取检测图像中人脸的关键特征点，根据所述关键特征点依照预设的图像规格对所述检测图像进行关键特征点对齐与剪切处理，得到第一图像；所述图像规格包括所述关键特征点的位置信息和图像的尺寸信息；对所述标准图像进行特征检测，提取标准图像中人脸的关键特征点，根据所述关键特征点依照预设的图像规格对所述标准图像进行关键特征点对齐与剪切处理，得到第二图像。
上述实施例的技术方案，通过对原始采集的目标人脸的检测图像和标准人脸的标准图像按照统一的图像规格进行关键特征点对齐与剪切的归一化处理，使得目标人脸的第一图像和标准人脸的第二图像规格统一，保证后续图像比对的准确性。
在一个实施例中，特征识别模型可以依照如下步骤训练得到：生成图像训练集，图像训练集中包括目标人脸的第一图像、对第一图像进行亮度校正处理得到的第三图像，以及与目标人脸匹配的标准人脸的第二图像；将图像训练集输入卷积神经网络模型进行训练，得到特征识别模型。
上述实施例的技术方案，在模型训练阶段，对训练集的所有目标人脸的第一图像进行亮度校正增强处理，得到相应的第三图像，然后与第一图像，匹配的第二图像一起参与模型训练，这样既提高了训练集图像的质量，同时扩充了训练数据集。
在一个实施例中，根据第一特征、第三特征以及第二特征，确定目标人脸是否与标准人脸匹配，包括：将第一特征与第二特征进行相似度比对，得到第一参数；将第三特征与第二特征进行相似度比对，得到第二参数；对第一参数和第二参数进行信息融合，得到特征比对参数；若所述特征比对参数的取值大于判断阈值，则生成目标人脸与所述标准人脸匹配的匹配结果，否则，生成目标人脸与所述标准人脸不匹配的匹配结果。
上述实施例的技术方案，通过第一参数和第二参数的融合，得到的特征比对参数能够综合反映第一特征和第三特征的比对结果，提升比对识别的准确性。
在一个实施例中，对第一参数和第二参数进行信息融合，得到特征比对参数，包括：取第一参数和第二参数中的较大值，作为特征比对参数。
上述实施例的技术方案，通过取第一参数和第二参数中的较大值的方式进行信息融合，运算简单，能够较为快速地获取融合得到的特征比对参数。
在另一个实施例中，对第一参数和第二参数进行信息融合，得到特征比对参数，包括：依照公式S＝α×S1+β×S2对第一参数和第二参数进行信息融合得到特征比对参数；其中，S为特征比对参数，S1为第一参数，S2为第二参数，α为第一常数，β为第二常数，且α≥0，β≥0，α+β＝1。
上述实施例的技术方案，通过第一参数和第二参数的线性融合，得到的特征比对参数能够综合反映第一特征和第三特征的比对结果，并可以通过调节第一常数和第二常数的取值来调整第一特征和第三特征在特征比对参数中的占比，以使的特征比对参数更灵活，可以通过设置合理的第一常数和第二常数的取值提升比对识别的准确性。
在一个实施例中，第一常数和第二常数的取值根据目标人脸图像的亮度值确定，其中，第一常数的取值与亮度值呈正相关关系。
上述实施例的技术方案，当场景光照较暗时，第一图像的亮度值较低，第一图像比对的可信度较低，而亮度调节后的第三图像比对的可信度较高，因此当场景光照较暗时可适当减小第一常数值，增大第二常数值以提升识别准确性。
一种人脸识别装置，包括：
图像获取模块，用于获取目标人脸的第一图像，并获取对应的标准人脸的第二图像；
亮度校正模块，用于对第一图像进行亮度校正处理，得到第三图像；
特征提取模块，用于将第一图像、第三图像和第二图像输入预设的特征识别模型中，输出第一图像的第一特征、第三图像的第三特征以及第二图像的第二特征；
图像匹配模块，用于将第一特征和第三特征分别与第二特征进行比对，获取比对结果，根据比对结果，获取目标人脸与标准人脸的匹配结果。
上述人脸识别装置，在对图像中的目标人脸进行比对识别时，对待识别的目标人脸的第一图像进行亮度校正处理，得到第三图像，利用预设的特征识别模型对第一图像、第三图像和标准人脸的第二图像进行特征提取，分别将亮度校正前的第一图像提取的第一特征、亮度校正后的第三图像提取的第三特征与第二图像提取的第二特征进行比对，综合亮度校正前后的图像的比对结果确定目标人脸是否与标准人脸匹配，能够有效消除对目标人脸的图像采集光照不稳定对目标人脸识别的影响，提高对图像中目标人脸识别比对的准确性。
一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现以下步骤：
获取目标人脸的第一图像，并获取对应的标准人脸的第二图像；
对第一图像进行亮度校正处理，得到第三图像；
将第一图像、第三图像和第二图像输入预设的特征识别模型中，输出第一图像的第一特征、第三图像的第三特征以及第二图像的第二特征；
将第一特征和第三特征分别与第二特征进行比对，获取比对结果，根据比对结果，获取目标人脸与标准人脸的匹配结果。
上述计算机设备，其处理器执行程序时，通过实现如上步骤，从而可以在对图像中的目标人脸进行比对识别时，对待识别的目标人脸的第一图像进行亮度校正处理，得到第三图像，利用预设的特征识别模型对第一图像、第三图像和标准人脸的第二图像进行特征提取，分别将亮度校正前的第一图像提取的第一特征、亮度校正后的第三图像提取的第三特征与第二图像提取的第二特征进行比对，综合亮度校正前后的图像的比对结果确定目标人脸是否与标准人脸匹配，能够有效消除对目标人脸的图像采集光照不稳定对目标人脸识别的影响，提高对图像中目标人脸识别比对的准确性。
附图说明
图1为一个实施例中人脸识别方法的应用环境图；
图2为一个实施例中人脸识别方法的流程示意图；
图3为一个实施例中获取目标人脸的第一图像，并获取对应的标准人脸的第二图像的步骤的流程图；
图4为一个实施例的特征识别模型的训练流程图；
图5为一个实施例的将第一特征和第三特征分别与第二特征进行比对，获取比对结果，根据比对结果，获取目标人脸与标准人脸的匹配结果的步骤的流程图；
图6为一个实施例中人脸识别装置的结构框图；
图7为一个实施例中图像获取模块的结构框图；
图8为一个实施例中图像匹配模块的结构框图；
图9为一个实施例中模型训练模块的结构框图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明提供的人脸识别方法，可以应用于如图1所示的应用环境中。其中，终端102与服务器104通过网络进行通信。在一个实施例中，特征识别模型的训练过程可以在服务器104完成，服务器104通过网络将训练得到的特征识别模型传输至终端102，在终端102预先部署特征识别模型；在需要对目标人脸进行识别时，终端102采集获取目标人脸的第一图像，同时终端102获取对应的标准人脸的第二图像，终端对所述第一图像进行亮度校正处理，得到第三图像；将所述第一图像、第三图像和第二图像输入预先部署的特征识别模型中，输出所述第一图像的第一特征、第三图像的第三特征以及第二图像的第二特征；将所述第一特征和第三特征分别与第二特征进行比对，获取比对结果，根据所述比对结果，获取所述目标人脸与所述标准人脸的匹配结果。其中，终端102可以但不限于是各种图像识别终端例如人脸识别终端、个人计算机、笔记本电脑、智能手机和平板电脑等等，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
本领域技术人员可以理解，图1中示出的结构，仅仅是与本发明方案相关的部分结构的框图，并不构成对本发明方案所应用于其上的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。本申请下述实施例的人脸识别方法，不限于如上实施例所述的服务器104和终端102的具体执行方式，在其他的实施例中，人脸识别方法的各个步骤的执行主体可以在服务器104和终端102之间进行调整。例如，在一个实施例中，可以由终端102执行采集获取目标人脸的第一图像和对应的标准人脸的第二图像的步骤，以及对第一图像进行亮度校正处理，得到第三图像的步骤；为了减轻终端102运行的负担，提升终端运行效率，终端102可以将第一图像、第三图像和第二图像通过网络传输至服务器104，由服务器104执行将第一图像、第三图像和第二图像输入预先部署的特征识别模型中，输出第一图像的第一特征、第三图像的第三特征以及第二图像的第二特征；将第一特征和第三特征分别与第二特征进行比对，获取比对结果，根据所述比对结果，获取所述目标人脸与所述标准人脸的匹配结果的步骤，之后服务器104将获取的匹配结果返回至终端102。
在一个实施例中，如图2所示，提供了一种人脸识别方法，以该方法应用于图1中的终端或服务器为例进行说明，包括以下步骤S210-S240。
S210，获取目标人脸的第一图像，并获取对应的标准人脸的第二图像；
其中，目标人脸是指待识别的人脸，对应的目标人脸的第一图像可以是现场实时采集的人脸图像。标准人脸是用于作为目标人脸比对识别的参照物，校验识别所述目标人脸是否与标准人脸为同一个人的人脸。例如对应的标准人脸可以是身份证中存储的证件照片中的人脸，标准人脸的第二图像即为包含该人脸的证件照片，可以通过比对识别确定采集的图像中的人脸与证件照片中的人脸是否属于同一人，以实现对采集的人脸的身份验证。
在此步骤中，可以通过终端设备装载的图像检测装置，检测获取目标人脸的第一图像，而证件照片则可以通过读卡器读取身份证内的芯片得到，此外，证件照片也可以是预存的或者从其他设备调取的用于比对的图像。
在实际应用中，通常需要实时采集获取目标人脸的图像，由于采集现场可能由于人脸与图像检测装置之间的间距变化，或者人脸角度偏转等等，导致采集的人脸在图像中的大小和角度不一，难以与用于比对的标准人脸的图像保持一致，导致识别比对的误差增大。
在一个实施例中，如图3所示，图3为一个实施例中获取目标人脸的第一图像，并获取对应的标准人脸的第二图像的步骤的流程图；S210包括如下步骤S211-S213。
S211，获取目标人脸的检测图像，并获取标准人脸的标准图像；
S212，对检测图像进行特征检测，提取检测图像中人脸的关键特征点，根据关键特征点依照预设的图像规格对检测图像进行关键特征点对齐与剪切处理，得到第一图像；图像规格包括关键特征点的位置信息和图像的尺寸信息；
S213，对标准图像进行特征检测，提取标准图像中人脸的关键特征点，根据关键特征点依照预设的图像规格对标准图像进行关键特征点对齐与剪切处理，得到第二图像。
上述实施例的技术方案，通过对原始采集的目标人脸的检测图像和标准人脸的标准图像按照统一的图像规格进行关键特征点对齐与剪切的归一化处理，使得目标人脸的第一图像和标准人脸的第二图像规格统一，保证后续图像比对的准确性。
S220，对第一图像进行亮度校正处理，得到第三图像；
其中，对第一图像的亮度校正可以有多种不同的方式，例如可以通过调整第一图像中像素的像素值实现，像素值可以是像素在颜色空间的一个或多个通道值。例如，可以通过Gamma校正方法对第一图像中的各个像素的像素值进行调整。
以第一图像为RGB格式的图像，所述RGB中各个通道R、G和B的范围均为0～255为例，所述对所述第一图像进行亮度校正处理，得到第三图像，可以包括：
依照公式对所述目标人脸图像中的各个像素在R、G和B三个通道值分别进行调整，得到校正目标图像；
其中，λ[x,y,N(x,y)]＝2[(128-mask(x,y))/128]；
上式中，I(x,y)为目标人脸图像中坐标(x,y)处的像素的像素值，Q(x,y)为调整后的校正目标图像中坐标(x,y)处的像素的像素值，Q(x,y)与I(x,y)一一对应；mask(x,y)为对目标人脸图像中坐标(x,y)处的像素的像素值进行反色处理后进行设定半径的高斯模糊后得到的坐标(x,y)处的像素的像素值。经过上述处理后，目标人脸图像中亮度较低的像素会被提亮，亮度较高的像素会被抑制，整幅图像的亮度将得到明显提升，对比度视觉效果显著增强。
可以理解，上述示例仅是对本申请第一图像进行亮度校正处理的举例说明，在其他实施例中，也可以通过其它方式完成对第一图像的亮度校正处理。
S230，将第一图像、第三图像和第二图像输入预设的特征识别模型中，输出第一图像的第一特征、第三图像的第三特征以及第二图像的第二特征；
其中，特征识别模型是预先训练生成的，特征识别模型可以利用卷积神经网络(CNN)进行训练生成。
在一个实施例中，如图4所示，图4为一个实施例的特征识别模型的训练流程图，特征识别模型可以依照如下步骤S310-S320训练得到：
S310，生成图像训练集，图像训练集中包括目标人脸的第一图像、对第一图像进行亮度校正处理得到的第三图像，以及与目标人脸匹配的标准人脸的第二图像；
其中，图像训练集中目标人脸的第一图像以及与目标人脸匹配的标准人脸的第二图像，也同样可以通过与S210中相同的方式对目标人脸的检测图像和标准人脸的标准图像进行关键特征点对齐与剪切的归一化处理获取，且S310中的归一化的图像规格与S210中相同。
以目标人脸为人脸为例，可以通过网络下载或实时采集的方式，收集一批人脸的检测图像，以及每张检测图像匹配的证件照片，对检测图像进行关键特征点对齐与剪切的归一化处理得到的第一人脸图像，对证件照片进行关键特征点对齐与剪切的归一化处理得到的第二人脸图像，以及对该人脸的第一图像通过亮度校正处理得到第三人脸图像，生成包含第一人脸图像、第二人脸图像和第三人脸图像的图像训练集，用于对卷积神经网络模型进行训练。
S320，将图像训练集输入卷积神经网络模型进行训练，得到特征识别模型。
其中，卷积神经网络可以选用不同结构的网络模型，例如可以是Lenet、VGGnet、GoogLenet或者Resnet等等。
以卷积神经网络为GoogLenet为例，在S320将图像训练集输入卷积神经网络模型进行训练时，以triplet loss损失函数作为目标函数，当训练损失收敛到一个较小的数值且不再下降时，训练过程结束，输出训练好的特征识别模型。
上述实施例的技术方案，在模型训练阶段，对训练集的所有目标人脸的第一图像进行亮度校正增强处理，得到相应的第三图像，然后与第一图像，匹配的第二图像一起参与模型训练，这样既提高了训练集图像的质量，同时扩充了训练数据集。
在上述步骤S230中，将待识别的第一图像、第三图像和第二图像输入预先训练好的特征识别模型中，输出第一图像的第一特征、第三图像的第三特征以及第二图像的第二特征。
S240，将第一特征和第三特征分别与第二特征进行比对，获取比对结果，根据比对结果，获取目标人脸与标准人脸的匹配结果。
其中，比对是指对两个特征之间的相似度进行比较运算的过程，比对结果是指通过比较运算得到的运算结果，该运算结果用于表征两个特征之间的相似程度。匹配结果是指的对目标人脸与标准人脸是否匹配的判定结果，可以包括目标人脸与标准人脸匹配，或者目标人脸与标准人脸不匹配。具体地，目标人脸与标准人脸匹配可以是指的目标人脸与标准人脸是同一个人脸。例如，以目标人脸为采集图像中的人脸，标准人脸为证件照片中的人脸为例，目标人脸与标准人脸匹配是指采集图像中的人脸与证件照片中的人脸属于同一个人的人脸。目标人脸与标准人脸不匹配则是指采集图像中的人脸与证件照片中的人脸属于两个不同的人的人脸。
在一个实施例中，如图5所示，图5为一个实施例的将第一特征和第三特征分别与第二特征进行比对，获取比对结果，根据比对结果，获取目标人脸与标准人脸的匹配结果的步骤的流程图，S240可以包括如下步骤S241-S245。
S241，将第一特征与第二特征进行相似度比对，得到第一参数；
其中，相似度比对可以通过不同方式实现，例如可以通过计算第一特征F1与第二特征F2之间的第一余弦相似度S1＝cos(F1,F2)实现对第一特征与第二特征的相似度比对，将第一余弦相似度S1作为比对得到的第一参数。
S242，将第三特征与第二特征进行相似度比对，得到第二参数；
同理地，对第三特征与第二特征的相似度比对也可以通过计算第三特征F3与第二特征F2之间的第二余弦相似度S2＝cos(F2,F3)实现，将第二余弦相似度S2作为比对得到的第二参数。
S243，对第一参数和第二参数进行信息融合，得到特征比对参数；
对第一参数和第二参数进行信息融合得到特征比对参数，可以采用不同的形式。
在一个实施例中，S243对第一参数和第二参数进行信息融合，得到特征比对参数，包括：取第一参数和第二参数中的较大值，作为特征比对参数。通过取第一参数和第二参数中的较大值的方式进行信息融合，运算简单，能够较为快速地获取融合得到的特征比对参数。
在另一个实施例中，S243对第一参数和第二参数进行信息融合，得到特征比对参数，包括：依照公式S＝α×S1+β×S2对第一参数和第二参数进行信息融合得到特征比对参数；其中，S为特征比对参数，S1为第一参数，S2为第二参数，α为第一常数，β为第二常数，且α≥0，β≥0，α+β＝1。通过第一参数和第二参数的线性融合，得到的特征比对参数能够综合反映第一特征和第三特征的比对结果，并可以通过调节第一常数和第二常数的取值来调整第一特征和第三特征在特征比对参数中的占比，以使的特征比对参数更灵活，可以通过设置合理的第一常数和第二常数的取值提升比对识别的准确性。进一步地，在一个实施例中，第一常数和第二常数的取值根据目标人脸图像的亮度值确定，其中，第一常数的取值与亮度值呈正相关关系(即第一图像的亮度值越大，第一常数的取值越大)。当场景光照较暗时，第一图像的亮度值较低，第一图像作为比对的可信度较低，而亮度调节后的第三图像作为比对的可信度较高，因此当场景光照较暗时可适当增大β值，减小α值，以提升识别准确性。
S244，若特征比对参数的取值大于判断阈值，则生成目标人脸与标准人脸匹配的匹配结果；
S245，若特征比对参数的取值小于或等于判断阈值，则生成目标人脸与所述标准人脸不匹配的匹配结果。
上述人脸识别方法，在对图像中的目标人脸进行比对识别时，对待识别的目标人脸的第一图像进行亮度校正处理，得到第三图像，利用预设的特征识别模型对第一图像、第三图像和标准人脸的第二图像进行特征提取，分别将亮度校正前的第一图像提取的第一特征、亮度校正后的第三图像提取的第三特征与第二图像提取的第二特征进行比对，综合亮度校正前后的图像的比对结果确定目标人脸是否与标准人脸匹配，能够有效消除对目标人脸的图像采集光照不稳定对目标人脸识别的影响，提高对图像中目标人脸识别比对的准确性。
应该理解的是，虽然上述实施例中的各个步骤按照编号依次排列，但是这些步骤并不是必然按照编号的顺序依次执行。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，这些步骤可以以其它的顺序执行。而且，上述实施例的步骤中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，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它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。
在一个实施例中，如图6所示，提供了一种人脸识别装置600，包括：
图像获取模块610，用于获取目标人脸的第一图像，并获取对应的标准人脸的第二图像；
亮度校正模块620，用于对第一图像进行亮度校正处理，得到第三图像；
特征提取模块630，用于将第一图像、第三图像和第二图像输入预设的特征识别模型中，输出第一图像的第一特征、第三图像的第三特征以及第二图像的第二特征；
图像匹配模块640，用于将第一特征和第三特征分别与第二特征进行比对，获取比对结果，根据比对结果，获取目标人脸与标准人脸的匹配结果。
上述人脸识别装置，在对图像中的目标人脸进行比对识别时，对待识别的目标人脸的第一图像进行亮度校正处理，得到第三图像，利用预设的特征识别模型对第一图像、第三图像和标准人脸的第二图像进行特征提取，分别将亮度校正前的第一图像提取的第一特征、亮度校正后的第三图像提取的第三特征与第二图像提取的第二特征进行比对，综合亮度校正前后的图像的比对结果确定目标人脸是否与标准人脸匹配，能够有效消除对目标人脸的图像采集光照不稳定对目标人脸识别的影响，提高对图像中目标人脸识别比对的准确性。
在一个实施例中，如图7所示，图像获取模块610包括：
原始图像获取模块611，用于获取目标人脸的检测图像，并获取标准人脸的标准图像；
检测图像归一化模块612，用于对检测图像进行特征检测，提取检测图像中人脸的关键特征点，根据关键特征点依照预设的图像规格对检测图像进行关键特征点对齐与剪切处理，得到第一图像；图像规格包括关键特征点的位置信息和图像的尺寸信息；
标准图像归一化模块613，用于对标准图像进行特征检测，提取标准图像中人脸的关键特征点，根据关键特征点依照预设的图像规格对标准图像进行关键特征点对齐与剪切处理，得到第二图像。
在一个实施例中，如图8所示，图像匹配模块630，包括：
第一比对模块631，用于将第一特征与第二特征进行相似度比对，得到第一参数；
第二比对模块632，用于将第三特征与第二特征进行相似度比对，得到第二参数；
信息融合模块633，用于对第一参数和第二参数进行信息融合，得到特征比对参数；
第一阈值判断模块634，用于若特征比对参数的取值大于判断阈值，则生成目标人脸与标准人脸匹配的匹配结果；
第二阈值判断模块635，用于若特征比对参数的取值小于或等于判断阈值，则生成目标人脸与所述标准人脸不匹配的匹配结果。
在一个实施例中，信息融合模块633进一步用于：取第一参数和第二参数中的较大值，作为特征比对参数。
在另一个实施例中，信息融合模块633进一步用于：依照公式S＝α×S1+β×S2对第一参数和第二参数进行信息融合得到特征比对参数；其中，S为特征比对参数，S1为第一参数，S2为第二参数，α为第一常数，β为第二常数，且α≥0，β≥0，α+β＝1。
在一个实施例中，信息融合模块633进一步用于将第一常数和第二常数的取值根据目标人脸图像的亮度值确定，其中，第一常数的取值与亮度值呈正相关关系。
在一个实施例中，如图9所示，还提供一种模型训练装置900，所述模型训练装置900包括：
图像训练集生成模块910，用于生成图像训练集，图像训练集中包括目标人脸的第一图像、对第一图像进行亮度校正处理得到的第三图像，以及与目标人脸匹配的标准人脸的第二图像；
特征识别模型生成模块920，用于将图像训练集输入卷积神经网络模型进行训练，得到特征识别模型。
关于人脸识别装置的具体限定可以参见上文中对于人脸识别方法的限定，在此不再赘述。上述人脸识别装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
本发明的人脸识别装置与本发明的人脸识别方法一一对应，在上述人脸识别方法的实施例阐述的技术特征及其有益效果均适用于人脸识别装置的实施例中，在此不再赘述。
在一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现以下步骤：
获取目标人脸的第一图像，并获取对应的标准人脸的第二图像；
对第一图像进行亮度校正处理，得到第三图像；
将第一图像、第三图像和第二图像输入预设的特征识别模型中，输出第一图像的第一特征、第三图像的第三特征以及第二图像的第二特征；
将第一特征和第三特征分别与第二特征进行比对，获取比对结果，根据比对结果，获取目标人脸与标准人脸的匹配结果。
上述计算机设备，其处理器执行程序时，通过实现如上步骤，从而可以在对图像中的目标人脸进行比对识别时，对待识别的目标人脸的第一图像进行亮度校正处理，得到第三图像，利用预设的特征识别模型对第一图像、第三图像和标准人脸的第二图像进行特征提取，分别将亮度校正前的第一图像提取的第一特征、亮度校正后的第三图像提取的第三特征与第二图像提取的第二特征进行比对，综合亮度校正前后的图像的比对结果确定目标人脸是否与标准人脸匹配，能够有效消除对目标人脸的图像采集光照不稳定对目标人脸识别的影响，提高对图像中目标人脸识别比对的准确性。
本发明实施例所提供的一种计算机设备，其计算机可执行指令不限于如上所述的人脸识别方法操作，还可以执行本发明任意实施例所提供的人脸识别方法中的相关操作，且具备相应的功能和有益效果。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可查询存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本发明所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种人脸识别方法，其特征在于，包括：
获取目标人脸的第一图像，并获取对应的标准人脸的第二图像；
对所述第一图像进行亮度校正处理，得到第三图像；
将所述第一图像、第三图像和第二图像输入预设的特征识别模型中，输出所述第一图像的第一特征、第三图像的第三特征以及第二图像的第二特征；
将所述第一特征和第三特征分别与第二特征进行比对，获取比对结果，根据所述比对结果，获取所述目标人脸与所述标准人脸的匹配结果。
2.根据权利要求1所述的人脸识别方法，其特征在于，所述获取目标人脸的第一图像，并获取对应的标准人脸的第二图像，包括：
获取目标人脸的检测图像，并获取标准人脸的标准图像；
对所述检测图像进行特征检测，提取检测图像中人脸的关键特征点，根据所述关键特征点依照预设的图像规格对所述检测图像进行关键特征点对齐与剪切处理，得到第一图像；
对所述标准图像进行特征检测，提取标准图像中人脸的关键特征点，根据所述关键特征点依照预设的图像规格对所述标准图像进行关键特征点对齐与剪切处理，得到第二图像。
3.根据权利要求1所述的人脸识别方法，其特征在于，所述将所述第一特征和第三特征分别与第二特征进行比对，获取比对结果，根据所述比对结果，获取所述目标人脸与所述标准人脸的匹配结果，包括：
将所述第一特征与所述第二特征进行相似度比对，得到第一参数；
将所述第三特征与所述第二特征进行相似度比对，得到第二参数；
对所述第一参数和第二参数进行信息融合，得到特征比对参数；
若所述特征比对参数的取值大于判断阈值，则生成目标人脸与所述标准人脸匹配的匹配结果，否则，生成目标人脸与所述标准人脸不匹配的匹配结果。
4.根据权利要求3所述的人脸识别方法，其特征在于，所述对所述第一参数和第二参数进行信息融合，得到特征比对参数，包括：
取所述第一参数和第二参数中的较大值，作为特征比对参数。
5.根据权利要求3所述的人脸识别方法，其特征在于，所述对所述第一参数和第二参数进行信息融合，得到特征比对参数，包括：
依照公式S＝α×S1+β×S2对所述第一参数和第二参数进行信息融合得到特征比对参数；其中，S为特征比对参数，S1为第一参数，S2为第二参数，α为第一常数，β为第二常数，且α≥0，β≥0，α+β＝1。
6.根据权利要求5所述的人脸识别方法，其特征在于，所述第一常数α和第二常数β的取值根据所述目标人脸图像的亮度值确定，其中，所述第一常数α的取值与所述亮度值呈正相关关系。
7.根据权利要求1至6任意一项所述的人脸识别方法，其特征在于，所述特征识别模型依照如下步骤训练得到：
生成图像训练集，所述图像训练集中包括目标人脸的第一图像、对第一图像进行亮度校正处理得到的第三图像，以及与目标人脸匹配的标准人脸的第二图像；
将所述图像训练集输入卷积神经网络模型进行训练，得到特征识别模型。
8.一种人脸识别装置，其特征在于，包括：
图像获取模块，用于获取目标人脸的第一图像，并获取对应的标准人脸的第二图像；
亮度校正模块，用于对所述第一图像进行亮度校正处理，得到第三图像；
特征提取模块，用于将所述第一图像、第三图像和第二图像输入预设的特征识别模型中，输出所述第一图像的第一特征、第三图像的第三特征以及第二图像的第二特征；
图像匹配模块，用于将所述第一特征和第三特征分别与第二特征进行比对，获取比对结果，根据所述比对结果，获取所述目标人脸与所述标准人脸的匹配结果。
9.根据权利要求8所述的人脸识别装置，其特征在于，所述图像匹配模块包括：
第一比对模块，用于将第一特征与第二特征进行相似度比对，得到第一参数；
第二比对模块，用于将第三特征与第二特征进行相似度比对，得到第二参数；
信息融合模块，用于对第一参数和第二参数进行信息融合，得到特征比对参数；
第一阈值判断模块，用于若特征比对参数的取值大于判断阈值，则生成目标人脸与标准人脸匹配的匹配结果；
第二阈值判断模块，用于若特征比对参数的取值小于或等于判断阈值，则生成目标人脸与所述标准人脸不匹配的匹配结果。
10.一种计算机设备，包括存储器、处理器以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如权利要求1至7任意一项所述的人脸识别方法的步骤。
CN201811109282.3A 2018-09-21 2018-09-21 人脸识别方法、装置和计算机设备 Pending CN109325448A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811109282.3A CN109325448A (zh) 2018-09-21 2018-09-21 人脸识别方法、装置和计算机设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811109282.3A CN109325448A (zh) 2018-09-21 2018-09-21 人脸识别方法、装置和计算机设备

Publications (1)

Publication Number Publication Date
CN109325448A true CN109325448A (zh) 2019-02-12

Family

ID=65265890

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811109282.3A Pending CN109325448A (zh) 2018-09-21 2018-09-21 人脸识别方法、装置和计算机设备

Country Status (1)

Country Link
CN (1) CN109325448A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110728252A (zh) * 2019-10-22 2020-01-24 山西省信息产业技术研究院有限公司 一种应用于区域人员运动轨迹监控的人脸检测方法
CN111967529A (zh) * 2020-08-27 2020-11-20 杭州海康威视数字技术股份有限公司 识别方法、装置、设备及系统
CN112348761A (zh) * 2020-11-30 2021-02-09 广州绿怡信息科技有限公司 设备外观图像亮度调节方法及装置

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130011012A1 (en) * 2011-07-08 2013-01-10 Makoto Yonaha Object detection device, method and program
CN103856727A (zh) * 2014-03-24 2014-06-11 北京工业大学 一种多路实时视频拼接处理系统
CN104424483A (zh) * 2013-08-21 2015-03-18 中移电子商务有限公司 一种人脸图像的光照预处理方法、装置及终端
CN104463241A (zh) * 2014-10-31 2015-03-25 北京理工大学 一种智能交通监控系统中的车辆类型识别方法
CN104598900A (zh) * 2015-02-26 2015-05-06 张耀 一种人体识别方法以及装置
CN105657282A (zh) * 2014-11-11 2016-06-08 宁波舜宇光电信息有限公司 一种图像亮度主动优化的视觉识别方法
CN106250825A (zh) * 2016-07-22 2016-12-21 厚普（北京）生物信息技术有限公司 一种在医保应用中场景自适应的人脸识别系统
CN106874839A (zh) * 2016-12-30 2017-06-20 易瓦特科技股份公司 脸部信息识别的方法及装置
CN107577987A (zh) * 2017-08-01 2018-01-12 广州广电卓识智能科技有限公司 身份认证的方法、系统和装置
CN107992807A (zh) * 2017-11-22 2018-05-04 浙江大华技术股份有限公司 一种基于cnn模型的人脸识别方法及装置
CN108280413A (zh) * 2018-01-17 2018-07-13 百度在线网络技术（北京）有限公司 人脸识别方法和装置

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130011012A1 (en) * 2011-07-08 2013-01-10 Makoto Yonaha Object detection device, method and program
CN104424483A (zh) * 2013-08-21 2015-03-18 中移电子商务有限公司 一种人脸图像的光照预处理方法、装置及终端
CN103856727A (zh) * 2014-03-24 2014-06-11 北京工业大学 一种多路实时视频拼接处理系统
CN104463241A (zh) * 2014-10-31 2015-03-25 北京理工大学 一种智能交通监控系统中的车辆类型识别方法
CN105657282A (zh) * 2014-11-11 2016-06-08 宁波舜宇光电信息有限公司 一种图像亮度主动优化的视觉识别方法
CN104598900A (zh) * 2015-02-26 2015-05-06 张耀 一种人体识别方法以及装置
CN106250825A (zh) * 2016-07-22 2016-12-21 厚普（北京）生物信息技术有限公司 一种在医保应用中场景自适应的人脸识别系统
CN106874839A (zh) * 2016-12-30 2017-06-20 易瓦特科技股份公司 脸部信息识别的方法及装置
CN107577987A (zh) * 2017-08-01 2018-01-12 广州广电卓识智能科技有限公司 身份认证的方法、系统和装置
CN107992807A (zh) * 2017-11-22 2018-05-04 浙江大华技术股份有限公司 一种基于cnn模型的人脸识别方法及装置
CN108280413A (zh) * 2018-01-17 2018-07-13 百度在线网络技术（北京）有限公司 人脸识别方法和装置

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110728252A (zh) * 2019-10-22 2020-01-24 山西省信息产业技术研究院有限公司 一种应用于区域人员运动轨迹监控的人脸检测方法
CN111967529A (zh) * 2020-08-27 2020-11-20 杭州海康威视数字技术股份有限公司 识别方法、装置、设备及系统
CN111967529B (zh) * 2020-08-27 2023-09-05 杭州海康威视数字技术股份有限公司 识别方法、装置、设备及系统
CN112348761A (zh) * 2020-11-30 2021-02-09 广州绿怡信息科技有限公司 设备外观图像亮度调节方法及装置
CN112348761B (zh) * 2020-11-30 2024-04-26 广州绿怡信息科技有限公司 设备外观图像亮度调节方法及装置

Similar Documents

Publication Publication Date Title
CN107944379B (zh) 基于深度学习的眼白图像超分辨率重建与图像增强方法
TWI706264B (zh) 證件的驗證方法、裝置、電子設備和儲存介質
US20200082192A1 (en) Liveness detection method, apparatus and computer-readable storage medium
US20150286890A1 (en) Devices and Methods for Image Processing
CN112446302B (zh) 一种人体姿态检测方法、系统、电子设备和存储介质
CN110489951A (zh) 风险识别的方法、装置、计算机设备和存储介质
CN109325448A (zh) 人脸识别方法、装置和计算机设备
CN107316029B (zh) 一种活体验证方法及设备
CN107122727B (zh) 用于脸部整形的方法、装置及系统
CN109063628B (zh) 人脸识别方法、装置、计算机设备及存储介质
US11663853B2 (en) Iris authentication device, iris authentication method, and recording medium
CN109409060A (zh) 身份验证方法、系统和计算机可读存储介质
CN108335099A (zh) 移动支付的方法、装置、移动终端及存储介质
CN110969154A (zh) 文本识别方法、装置、计算机设备和存储介质
CN109819176A (zh) 一种拍摄方法、系统、装置、电子设备及存储介质
CN110942067A (zh) 文本识别方法、装置、计算机设备和存储介质
CN110826534A (zh) 一种基于局部主成分分析的人脸关键点检测方法及系统
CN110837901A (zh) 云试驾预约审核方法及装置、存储介质、云服务器
CN110956133A (zh) 单字符文本归一化模型训练方法、文本识别方法及装置
CN116664407A (zh) 基于三元组非配对学习的人脸融合超分辨率方法及系统
CN113240043B (zh) 基于多图片差异性的鉴伪方法、装置、设备及存储介质
CN113239867B (zh) 一种基于掩码区域自适应增强的光照变化人脸识别方法
CN114387674A (zh) 活体检测方法、系统、设备、存储介质及程序产品
CN115830720A (zh) 活体检测方法、装置、计算机设备和存储介质
CN108446653B (zh) 用于处理面部图像的方法和装置

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20190212

RJ01 Rejection of invention patent application after publication