CN109543548A - 一种人脸识别方法、装置及存储介质 - Google Patents
一种人脸识别方法、装置及存储介质 Download PDFInfo
- Publication number
- CN109543548A CN109543548A CN201811256736.XA CN201811256736A CN109543548A CN 109543548 A CN109543548 A CN 109543548A CN 201811256736 A CN201811256736 A CN 201811256736A CN 109543548 A CN109543548 A CN 109543548A
- Authority
- CN
- China
- Prior art keywords
- resolution
- low
- image
- human face
- network
- 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
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/172—Classification, e.g. identification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种人脸识别方法、装置及存储介质,包括:对预设的高分辨率人脸图像进行下采样处理,得到低分辨率人脸图像;搭建双分支卷积神经网络,其包括HRFECNN高分辨率人脸识别网络和LRFECNN低分辨率人脸识别网络,对HRFECNN网络和LRFECNN网络训练;从摄像设备中获取多个高、低分辨率人脸图像,分别将其输入经训练的HRFECNN网络和LRFECNN网络中,得到高、低分辨率人脸图像的特征向量;根据余弦相似度方法对高、低分辨率人脸图像的特征向量进行比对,将相似度比对结果确认是否为同一人。能够同时提取高、低分辨率人脸图像,可输出相同维度的特征,对于低分辨率人脸图像,能够进行超分辨率重建与特征映射,在获得高分辨率图像的同时,提高识别的准确率及处理速度。
Description
技术领域
本发明主要涉及人脸识别技术处理领域,具体涉及一种人脸识别方法、装置及存储介质。
背景技术
低分辨率人脸识别是在安防监控中经常遇到的一种识别场景,是智能交通系统中的一个重要的研究领域,对平安城市的建设以及可疑人的识别有着重要的应用价值。大多数人脸识别系统都是基于特定环境下的应用,对用户和采集设备间的距离、用户的姿态、光照条件等都有很大限制,通常还需要将人脸识别和用户的ID信息相结合。因此,目前应用中所实现的人脸识别是约束状态下的人脸识别。但是在安防监控中,人们大都处于非约束状态,距离摄像头一般较远,导致被检测到的人脸区域较小,分辨率较低。
现在针对低分辨率人脸的识别方法主要分为两类:一类是间接性识别,一类是基于特征映射的方法。对于间接性识别,即对低分辨率图像,先进行超分辨率增强,然后再做识别;另一类方法是针对低分辨率图像提取稳健性特征,将不同分辨率图像的特征映射到统一特征空间,但是传统方法提取的不同分辨率的特征,维度并不一致。
发明内容
本发明所要解决的技术问题是针对现有技术的不足,提供一种人脸识别方法、装置及存储介质。
本发明解决上述技术问题的技术方案如下:一种人脸识别方法,包括如下步骤:
对预设的高分辨率人脸图像进行下采样处理,得到低分辨率人脸图像;
搭建双分支卷积神经网络,所述双分支卷积神经网络包括HRFECNN高分辨率人脸识别网络和LRFECNN低分辨率人脸识别网络,采用预设的高分辨率人脸图像对所述HRFECNN高分辨率人脸识别网络进行训练,采用得到的低分辨率人脸图像对所述LRFECNN低分辨率人脸识别网络进行训练;
从摄像设备中获取多个高分辨率人脸图像和低分辨率人脸图像,将所述高分辨率人脸图像输入经训练的HRFECNN高分辨率人脸识别网络中,得到所述高分辨率人脸图像的特征向量,并将所述低分辨率人脸图像输入经训练的LRFECNN低分辨率人脸识别网络中,得到所述低分辨率人脸图像的特征向量;
根据余弦相似度方法对所述高分辨率人脸图像的特征向量和所述低分辨率人脸图像的特征向量进行比对,根据相似度比对结果判断所述高分辨率人脸图像和低分辨率人脸图像是否对应同一人。
本发明解决上述技术问题的另一技术方案如下:一种人脸识别装置,包括:
图像预处理模块,用于对预设的高分辨率人脸图像进行下采样处理,得到低分辨率人脸图像;
训练模块,用于搭建双分支卷积神经网络,所述双分支卷积神经网络包括HRFECNN高分辨率人脸识别网络和LRFECNN低分辨率人脸识别网络,通过预设的高分辨率人脸图像对所述HRFECNN高分辨率人脸识别网络进行训练,通过得到的低分辨率人脸图像对所述LRFECNN低分辨率人脸识别网络进行训练;
特征向量提取模块,用于从摄像设备中获取多个高分辨率人脸图像和低分辨率人脸图像,将所述高分辨率人脸图像输入经训练的HRFECNN高分辨率人脸识别网络中,得到所述高分辨率人脸图像的特征向量,并将所述低分辨率人脸图像输入经训练的LRFECNN低分辨率人脸识别网络中,得到所述低分辨率人脸图像的特征向量;
确认模块,用于根据余弦相似度方法对所述高分辨率人脸图像的特征向量和所述低分辨率人脸图像的特征向量进行比对,将相似度比对结果确认是否为同一人。
本发明解决上述技术问题的另一技术方案如下:一种人脸识别装置,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如所述方法的步骤。
本发明解决上述技术问题的另一技术方案如下:一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如所述方法的步骤。
本发明的有益效果是:通过双分支卷积神经网络,能够同时提取高分辨率人脸图像和低分辨率人脸图像的特征向量,可输出相同维度的特征,对于低分辨率人脸图像,能够进行超分辨率重建与特征映射,在获得高分辨率图像的同时,提高识别的准确率,而不需要预先将低分辨率人脸图像进行超分辨率增强处理,且双分支卷积神经网络对高分辨率人脸图像和低分辨率人脸图像可输出相同维度的特征,提高处理速度及效率。
附图说明
图1为本发明一实施例提供的人脸识别方法的方法流程图;
图2为本发明一实施例提供的人脸识别装置的模块框图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述,所举实例只用于解释本发明,并非用于限定本发明的范围。
图1为本发明一实施例提供的人脸识别方法的方法流程图;
如图1所示,一种人脸识别方法,包括如下步骤:
对预设的高分辨率人脸图像进行下采样处理,得到低分辨率人脸图像;
搭建双分支卷积神经网络,所述双分支卷积神经网络包括HRFECNN高分辨率人脸识别网络和LRFECNN低分辨率人脸识别网络,采用预设的高分辨率人脸图像对所述HRFECNN高分辨率人脸识别网络进行训练,采用得到的低分辨率人脸图像对所述LRFECNN低分辨率人脸识别网络进行训练;
从摄像设备中获取多个高分辨率人脸图像和低分辨率人脸图像,将所述高分辨率人脸图像输入经训练的HRFECNN高分辨率人脸识别网络中,得到所述高分辨率人脸图像的特征向量,并将所述低分辨率人脸图像输入经训练的LRFECNN低分辨率人脸识别网络中,得到所述低分辨率人脸图像的特征向量;
根据余弦相似度方法对所述高分辨率人脸图像的特征向量和所述低分辨率人脸图像的特征向量进行比对,根据相似度比对结果判断所述高分辨率人脸图像和低分辨率人脸图像是否对应同一人。
具体的,将高分辨率人脸图像和低分辨率人脸图像输入双分支卷积神经网络,得到对应的512维特征向量,计算余弦相似度,大于判定阈值即为同一个人,否则,为身份不同的人。
上述实施例中,通过双分支卷积神经网络,能够同时提取高分辨率人脸图像和低分辨率人脸图像的特征向量,可输出相同维度的特征,对于低分辨率人脸图像,能够进行超分辨率重建与特征映射,在获得高分辨率图像的同时,提高识别的准确率,而不需要预先将低分辨率人脸图像进行超分辨率增强处理,且双分支卷积神经网络对高分辨率人脸图像和低分辨率人脸图像可输出相同维度的特征,提高处理速度及效率。
优选的,作为本发明的一个实施例,所述对预设的高分辨率人脸图像进行下采样处理,包括:
根据下式对所述预设的高分辨率人脸图像进行下采样处理,
其中,表示卷积操作,Kδ表示以δ为标准差的高斯模糊核,↓s表示下采样,S为下采样因子,nσ表示高斯加性白噪声,σ表示噪声水平,表示进JPEG压缩,q为质量因子,δ∈{0,1:0.1:3},σ∈{0:1:7},q∈{55:1:65}为参数随机取值。
上述实施例中,各个参数随机取值,保证了下采样的随机性,上式即为图像退化模型,能够模拟由于距离过远引起的低分辨率图像,改变了传统的简单的先高斯平滑再下采样的方法,传统的方法并不能模拟由于距离、噪声等原因引起的低分辨率图像。
优选的,作为本发明的一个实施例,所述通过预设的高分辨率人脸图像对所述HRFECNN高分辨率人脸识别网络进行训练,包括:
将所述高分辨率人脸图像作为所述HRFECNN高分辨率人脸识别网络的输入数据,并根据损失函数优化所述HRFECNN高分辨率人脸识别网络,
其中,k∈[0,m-1],m=4,N为正整数。
具体的,HRFECNN高分辨率人脸识别网络由20个卷积层和2个全连接层组成,其中以步长为2的卷积层代替池化层,来降低特征图分辨率,第一个全连接层有512个神经元,第二个全连接层有10575个神经元,与训练集的人脸图像对应的人数一致;
上述实施例中,能取得较好的识别结果,与softmax分类层相比,A-softmax的优势在于能够减小类内距离的同时增大类间距离,能够进一步增强网络的判别能力。
优选的,作为本发明的一个实施例,所述通过得到的低分辨率人脸图像对所述LRFECNN低分辨率人脸识别网络进行训练,包括:
将所述高分辨率人脸图像作为所述HRFECNN高分辨率人脸识别网络的输入数据,并根据融合损失Lall对所述LRFECNN低分辨率人脸识别网络进行优化,
Lall=αLmse+(1-α)Lcos
Lmse为均方误差损失函数,Lcos为余弦损失损失函数,α取0至1之间,其中,
n表示批次大小,表示高清图像,表示重建之后的图像;
V表示提取到的特征向量,f表示非线性映射函数,表示高分辨率图像,表示低分辨率图像;分别表示由第i对图像经过卷积神经网络提取到的特征向量。
具体的,LRFECNN低分辨率人脸识别网络由超分辨率重建网络级联特征提取模块组成,能够同时实现图像重建与特征提取;所述超分辨率重建网络级联特征提取模块由20个卷积层组成,卷积核大小均为3x3,输出高分辨率图像,作为特征提取的输入。
上述实施例中,均方误差损失与余弦损失分别为超分辨率重建与特征映射的损失函数,联合优化可以同时实现超分辨率重建与特征映射;余弦损失的作用在于将低分辨率图像特征逼近高分辨率图像特征,使其余弦相似度更大,将低分辨率图像特征向高分辨率图像映射,使其尽可能接近,还原有效识别特征。
还包括对HRFECNN高分辨率人脸识别网络和LRFECNN低分辨率人脸识别网络进行测试的步骤:
对所述HRFECNN高分辨率人脸识别网络训练完成后,去除模型最后的分类层,以全连接层输出作为图像特征表示,保存模型model1;
加载model1中的参数至HRFECNN,并保持HRFECNN中的参数不变,随机初始化LRFECNN中的参数,直到训练完成,保存生成的模型model2;
通过LFW和FERET测试数据集对HRFECNN高分辨率人脸识别网络和LRFECNN低分辨率人脸识别网络进行测试,加载model1和model2中的参数,将model1加载至HRFECNN高分辨率人脸识别网络,并将学习率设为零,使其参数不变,初始化LRFECNN中的参数,融合均方误差损失与余弦损失优化LRFECNN中的参数,分别输入LFW和FERET测试数据集中的高分辨率和低分辨率人脸图像,直至达到99%以上的准确率。
优选的,作为本发明的另一个实施例,一种人脸识别装置,包括:
图像预处理模块,用于对预设的高分辨率人脸图像进行下采样处理,得到低分辨率人脸图像;
训练模块,用于搭建双分支卷积神经网络,所述双分支卷积神经网络包括HRFECNN高分辨率人脸识别网络和LRFECNN低分辨率人脸识别网络,采用预设的高分辨率人脸图像对所述HRFECNN高分辨率人脸识别网络进行训练,采用得到的低分辨率人脸图像对所述LRFECNN低分辨率人脸识别网络进行训练;
特征向量提取模块,用于从摄像设备中获取多个高分辨率人脸图像和低分辨率人脸图像,将所述高分辨率人脸图像输入经训练的HRFECNN高分辨率人脸识别网络中,得到所述高分辨率人脸图像的特征向量,并将所述低分辨率人脸图像输入经训练的LRFECNN低分辨率人脸识别网络中,得到所述低分辨率人脸图像的特征向量;
确认模块,用于根据余弦相似度方法对所述高分辨率人脸图像的特征向量和所述低分辨率人脸图像的特征向量进行比对,根据相似度比对结果判断所述高分辨率人脸图像和低分辨率人脸图像是否对应同一人。
优选的,作为本发明的一个实施例,所述图像预处理模块具体用于:
根据下式对所述预设的高分辨率人脸图像进行下采样处理,
其中,表示卷积操作,Kδ表示以δ为标准差的高斯模糊核,↓s表示下采样,S为下采样因子,nσ表示高斯加性白噪声,σ表示噪声水平,表示进JPEG压缩,q为质量因子,δ∈{0,1:0.1:3},σ∈{0:1:7},q∈{55:1:65}为参数随机取值。
优选的,作为本发明的一个实施例,所述训练模具体用于:
将所述高分辨率人脸图像作为所述HRFECNN高分辨率人脸识别网络的输入数据,并根据损失函数优化所述HRFECNN高分辨率人脸识别网络,
其中,k∈[0,m-1],m=4,N为正整数。
优选的,作为本发明的一个实施例,所述训练模还具体用于:
将所述高分辨率人脸图像作为所述HRFECNN高分辨率人脸识别网络的输入数据,并根据融合损失Lall对所述LRFECNN低分辨率人脸识别网络进行优化,
Lall=αLmse+(1-α)Lcos
Lmse为均方误差损失函数,Lcos为余弦损失损失函数,α取0至1之间。其中,
n表示批次大小,表示高清图像,表示重建之后的图像;
V表示提取到的特征向量,f表示非线性映射函数,表示高分辨率图像,表示低分辨率图像;分别表示由第i对图像经过卷积神经网络提取到的特征向量。
优选的,作为本发明的另一个实施例,一种人脸识别装置,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如所述方法的步骤。
优选的,作为本发明的另一个实施例,一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如所述方法的步骤。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
集成的单元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,或者该技术方案的全部或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。
以上,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,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,可轻易想到各种等效的修改或替换,这些修改或替换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以权利要求的保护范围为准。
Claims (10)
1.一种人脸识别方法,其特征在于,包括如下步骤:
对预设的高分辨率人脸图像进行下采样处理,得到低分辨率人脸图像;
搭建双分支卷积神经网络,所述双分支卷积神经网络包括HRFECNN高分辨率人脸识别网络和LRFECNN低分辨率人脸识别网络;
采用预设的高分辨率人脸图像对所述HRFECNN高分辨率人脸识别网络进行训练,采用得到的低分辨率人脸图像对所述LRFECNN低分辨率人脸识别网络进行训练;
从摄像设备中获取多个高分辨率人脸图像和低分辨率人脸图像,将所述高分辨率人脸图像输入经训练的HRFECNN高分辨率人脸识别网络中,得到所述高分辨率人脸图像的特征向量,并将所述低分辨率人脸图像输入经训练的LRFECNN低分辨率人脸识别网络中,得到所述低分辨率人脸图像的特征向量;
根据余弦相似度方法对所述高分辨率人脸图像的特征向量和所述低分辨率人脸图像的特征向量进行比对,根据相似度比对结果判断所述高分辨率人脸图像和低分辨率人脸图像是否对应同一人。
2.根据权利要求1所述的人脸识别方法,其特征在于,所述对预设的高分辨率人脸图像进行下采样处理,包括:
根据下式对所述预设的高分辨率人脸图像进行下采样处理,
其中,表示卷积操作,Kδ表示以δ为标准差的高斯模糊核,↓s表示下采样,S为下采样因子,nσ表示高斯加性白噪声,σ表示噪声水平,表示进JPEG压缩,q为质量因子,δ∈{0,1:0.1:3},σ∈{0∶1∶7},q∈{55∶1∶65}为参数随机取值。
3.根据权利要求1所述的人脸识别方法,其特征在于,所述采用预设的高分辨率人脸图像对所述HRFECNN高分辨率人脸识别网络进行训练,包括:
将所述高分辨率人脸图像作为所述HRFECNN高分辨率人脸识别网络的输入数据,并根据损失函数优化所述HRFECNN高分辨率人脸识别网络,
其中,
4.根据权利要求1所述的人脸识别方法,其特征在于,所述采用得到的低分辨率人脸图像对所述LRFECNN低分辨率人脸识别网络进行训练,包括:
将所述高分辨率人脸图像作为所述HRFECNN高分辨率人脸识别网络的输入数据,并根据融合损失Lall对所述LRFECNN低分辨率人脸识别网络进行优化;
Lall=αLmse+(1-α)Lcos
Lmse为均方误差损失函数,Lcos为余弦损失损失函数,α取0至1之间,
其中,
n表示批次大小,表示高清图像,表示重建之后的图像;
V表示提取到的特征向量,f表示非线性映射函数,表示高分辨率图像,表示低分辨率图像; 分别表示由第i对图像 经过卷积神经网络提取到的特征向量。
5.一种人脸识别装置,其特征在于,包括:
图像预处理模块,用于对预设的高分辨率人脸图像进行下采样处理,得到低分辨率人脸图像;
训练模块,用于搭建双分支卷积神经网络,所述双分支卷积神经网络包括HRFECNN高分辨率人脸识别网络和LRFECNN低分辨率人脸识别网络,采用预设的高分辨率人脸图像对所述HRFECNN高分辨率人脸识别网络进行训练,采用得到的低分辨率人脸图像对所述LRFECNN低分辨率人脸识别网络进行训练;
特征向量提取模块,用于从摄像设备中获取多个高分辨率人脸图像和低分辨率人脸图像,将所述高分辨率人脸图像输入经训练的HRFECNN高分辨率人脸识别网络中,得到所述高分辨率人脸图像的特征向量,并将所述低分辨率人脸图像输入经训练的LRFECNN低分辨率人脸识别网络中,得到所述低分辨率人脸图像的特征向量;
确认模块,用于根据余弦相似度方法对所述高分辨率人脸图像的特征向量和所述低分辨率人脸图像的特征向量进行比对,根据相似度比对结果判断所述高分辨率人脸图像和低分辨率人脸图像是否对应同一人。
6.根据权利要求5所述的人脸识别装置,其特征在于,所述图像预处理模块具体用于:
根据下式对所述预设的高分辨率人脸图像进行下采样处理,
其中,表示卷积操作,Kδ表示以δ为标准差的高斯模糊核,↓s表示下采样,S为下采样因子,nσ表示高斯加性白噪声,σ表示噪声水平,表示进JPEG压缩,q为质量因子,δ∈{0,1∶0.1∶3},σ∈{0∶1∶7},q∈{55∶1∶65}为参数随机取值。
7.根据权利要求5所述的人脸识别装置,其特征在于,所述训练模具体用于:
将所述高分辨率人脸图像作为所述HRFECNN高分辨率人脸识别网络的输入数据,并根据损失函数优化所述HRFECNN高分辨率人脸识别网络,
其中,
8.根据权利要求5所述的人脸识别装置,其特征在于,所述训练模还具体用于:
将所述高分辨率人脸图像作为所述HRFECNN高分辨率人脸识别网络的输入数据,并根据融合损失Lall对所述LRFECNN低分辨率人脸识别网络进行优化,
Lall=αLmse+(1-α)Lcos
Lmse为均方误差损失函数,Lcos为余弦损失损失函数,α取0至1之间,
其中,
n表示批次大小,表示高清图像,表示重建之后的图像;
V表示提取到的特征向量,f表示非线性映射函数,表示高分辨率图像,表示低分辨率图像; 分别表示由第i对图像 经过卷积神经网络提取到的特征向量。
9.一种人脸识别装置,包括存储器、处理器以及存储在所述存储器中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4任一项所述方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至4任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811256736.XA CN109543548A (zh) | 2018-10-26 | 2018-10-26 | 一种人脸识别方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811256736.XA CN109543548A (zh) | 2018-10-26 | 2018-10-26 | 一种人脸识别方法、装置及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109543548A true CN109543548A (zh) | 2019-03-29 |
Family
ID=65845244
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811256736.XA Pending CN109543548A (zh) | 2018-10-26 | 2018-10-26 | 一种人脸识别方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109543548A (zh) |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110189255A (zh) * | 2019-05-29 | 2019-08-30 | 电子科技大学 | 基于两级检测的人脸检测方法 |
CN110415172A (zh) * | 2019-07-10 | 2019-11-05 | 武汉大学苏州研究院 | 一种面向混合分辨率码流中人脸区域的超分辨率重建方法 |
CN110472504A (zh) * | 2019-07-11 | 2019-11-19 | 华为技术有限公司 | 一种人脸识别的方法和装置 |
CN110647820A (zh) * | 2019-08-28 | 2020-01-03 | 电子科技大学 | 基于特征空间超分辨映射的低分辨率人脸识别方法 |
CN110796618A (zh) * | 2019-10-28 | 2020-02-14 | 公安部交通管理科学研究所 | 用于证卡激光签注的数字人像处理方法、存储介质和系统 |
CN110956127A (zh) * | 2019-11-28 | 2020-04-03 | 重庆中星微人工智能芯片技术有限公司 | 用于生成特征向量的方法、装置、电子设备和介质 |
CN111242087A (zh) * | 2020-01-21 | 2020-06-05 | 华为技术有限公司 | 物体识别方法及装置 |
CN111414888A (zh) * | 2020-03-31 | 2020-07-14 | 杭州博雅鸿图视频技术有限公司 | 低分辨率人脸识别方法、系统、装置及存储介质 |
CN111652064A (zh) * | 2020-04-30 | 2020-09-11 | 平安科技(深圳)有限公司 | 人脸图像生成方法、电子装置及可读存储介质 |
CN111832402A (zh) * | 2020-06-04 | 2020-10-27 | 桂林电子科技大学 | 一种人脸识别方法及装置 |
CN112580406A (zh) * | 2019-09-30 | 2021-03-30 | 北京中关村科金技术有限公司 | 人脸比对的方法、装置以及存储介质 |
CN113569857A (zh) * | 2021-07-20 | 2021-10-29 | 上海明略人工智能(集团)有限公司 | 字幕识别方法、系统、存储介质及电子设备 |
CN113887371A (zh) * | 2021-09-26 | 2022-01-04 | 华南理工大学 | 一种用于低分辨率人脸识别的数据增强方法 |
CN114463862A (zh) * | 2022-02-14 | 2022-05-10 | 北京百度网讯科技有限公司 | 人脸识别方法、装置、电子设备及存储介质 |
CN114612990A (zh) * | 2022-03-22 | 2022-06-10 | 河海大学 | 一种基于超分辨率的无人机人脸识别方法 |
CN115936985A (zh) * | 2022-12-01 | 2023-04-07 | 华中光电技术研究所(中国船舶集团有限公司第七一七研究所) | 一种基于高阶退化循环生成对抗网络的图像超分辨率重建方法 |
CN117238020A (zh) * | 2023-11-10 | 2023-12-15 | 杭州启源视觉科技有限公司 | 人脸识别方法、装置和计算机设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102222321A (zh) * | 2011-05-24 | 2011-10-19 | 南京航空航天大学 | 一种视频序列盲重建方法 |
CN104392415A (zh) * | 2014-11-20 | 2015-03-04 | 杭州电子科技大学 | 一种结合权重因子与梯度制约的图像恢复方法 |
CN106709875A (zh) * | 2016-12-30 | 2017-05-24 | 北京工业大学 | 一种基于联合深度网络的压缩低分辨率图像复原方法 |
CN107464216A (zh) * | 2017-08-03 | 2017-12-12 | 济南大学 | 一种基于多层卷积神经网络的医学图像超分辨率重构方法 |
CN107958444A (zh) * | 2017-12-28 | 2018-04-24 | 江西高创保安服务技术有限公司 | 一种基于深度学习的人脸超分辨率重建方法 |
-
2018
- 2018-10-26 CN CN201811256736.XA patent/CN109543548A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102222321A (zh) * | 2011-05-24 | 2011-10-19 | 南京航空航天大学 | 一种视频序列盲重建方法 |
CN104392415A (zh) * | 2014-11-20 | 2015-03-04 | 杭州电子科技大学 | 一种结合权重因子与梯度制约的图像恢复方法 |
CN106709875A (zh) * | 2016-12-30 | 2017-05-24 | 北京工业大学 | 一种基于联合深度网络的压缩低分辨率图像复原方法 |
CN107464216A (zh) * | 2017-08-03 | 2017-12-12 | 济南大学 | 一种基于多层卷积神经网络的医学图像超分辨率重构方法 |
CN107958444A (zh) * | 2017-12-28 | 2018-04-24 | 江西高创保安服务技术有限公司 | 一种基于深度学习的人脸超分辨率重建方法 |
Non-Patent Citations (9)
Title |
---|
CHUNHUI DING,AT EL.: ""Low-Resolution Face Recognition via Convolutional Neural Network"", 《2017 9TH IEEE INTERNATIONAL CONFERENCE ON COMMUNICATION SOFTWARE AND NETWORKS》 * |
ERFAN ZANGENEH,AT EL.: ""Low Resolution Face Recognition Using a Two-Branch Deep Convolutional Neural Network Architecture"", 《ARXIV》 * |
GAOYUEACE: ""神经网络经典损失函数"", 《CSDN》 * |
THAURUN: ""A-Softmax的总结及与L-Softmax的对比——SphereFace"", 《博客园》 * |
WEIYANG LIU,AT EL.: ""SphereFace: Deep Hypersphere Embedding for Face Recognition"", 《ARXIV》 * |
企鹅号-机器学习算法与自然语言处理: ""通俗聊聊损失函数中的均方误差以及平方误差"", 《腾讯云》 * |
刘婧: ""基于统计学习的压缩图像超分辨率内插研究"", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
吴丽华: "《网络数字媒体技术在生物多样性数字博物馆中的应用研究》", 31 July 2013, 国防工业出版社 * |
吴炜: "《基于学习的图像增强技术》", 28 February 2013, 西安电子科技大学出版社 * |
Cited By (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110189255A (zh) * | 2019-05-29 | 2019-08-30 | 电子科技大学 | 基于两级检测的人脸检测方法 |
CN110415172A (zh) * | 2019-07-10 | 2019-11-05 | 武汉大学苏州研究院 | 一种面向混合分辨率码流中人脸区域的超分辨率重建方法 |
CN110415172B (zh) * | 2019-07-10 | 2023-03-17 | 武汉大学苏州研究院 | 一种面向混合分辨率码流中人脸区域的超分辨率重建方法 |
CN110472504A (zh) * | 2019-07-11 | 2019-11-19 | 华为技术有限公司 | 一种人脸识别的方法和装置 |
CN110647820A (zh) * | 2019-08-28 | 2020-01-03 | 电子科技大学 | 基于特征空间超分辨映射的低分辨率人脸识别方法 |
CN112580406A (zh) * | 2019-09-30 | 2021-03-30 | 北京中关村科金技术有限公司 | 人脸比对的方法、装置以及存储介质 |
CN110796618A (zh) * | 2019-10-28 | 2020-02-14 | 公安部交通管理科学研究所 | 用于证卡激光签注的数字人像处理方法、存储介质和系统 |
CN110796618B (zh) * | 2019-10-28 | 2022-05-31 | 公安部交通管理科学研究所 | 用于证卡激光签注的数字人像处理方法、存储介质和系统 |
CN110956127A (zh) * | 2019-11-28 | 2020-04-03 | 重庆中星微人工智能芯片技术有限公司 | 用于生成特征向量的方法、装置、电子设备和介质 |
CN111242087A (zh) * | 2020-01-21 | 2020-06-05 | 华为技术有限公司 | 物体识别方法及装置 |
CN111242087B (zh) * | 2020-01-21 | 2024-06-07 | 华为技术有限公司 | 物体识别方法及装置 |
CN111414888A (zh) * | 2020-03-31 | 2020-07-14 | 杭州博雅鸿图视频技术有限公司 | 低分辨率人脸识别方法、系统、装置及存储介质 |
CN111652064A (zh) * | 2020-04-30 | 2020-09-11 | 平安科技(深圳)有限公司 | 人脸图像生成方法、电子装置及可读存储介质 |
CN111652064B (zh) * | 2020-04-30 | 2024-06-07 | 平安科技(深圳)有限公司 | 人脸图像生成方法、电子装置及可读存储介质 |
CN111832402A (zh) * | 2020-06-04 | 2020-10-27 | 桂林电子科技大学 | 一种人脸识别方法及装置 |
CN113569857A (zh) * | 2021-07-20 | 2021-10-29 | 上海明略人工智能(集团)有限公司 | 字幕识别方法、系统、存储介质及电子设备 |
CN113887371B (zh) * | 2021-09-26 | 2024-05-28 | 华南理工大学 | 一种用于低分辨率人脸识别的数据增强方法 |
CN113887371A (zh) * | 2021-09-26 | 2022-01-04 | 华南理工大学 | 一种用于低分辨率人脸识别的数据增强方法 |
CN114463862A (zh) * | 2022-02-14 | 2022-05-10 | 北京百度网讯科技有限公司 | 人脸识别方法、装置、电子设备及存储介质 |
CN114612990A (zh) * | 2022-03-22 | 2022-06-10 | 河海大学 | 一种基于超分辨率的无人机人脸识别方法 |
CN115936985A (zh) * | 2022-12-01 | 2023-04-07 | 华中光电技术研究所(中国船舶集团有限公司第七一七研究所) | 一种基于高阶退化循环生成对抗网络的图像超分辨率重建方法 |
CN117238020B (zh) * | 2023-11-10 | 2024-04-26 | 杭州启源视觉科技有限公司 | 人脸识别方法、装置和计算机设备 |
CN117238020A (zh) * | 2023-11-10 | 2023-12-15 | 杭州启源视觉科技有限公司 | 人脸识别方法、装置和计算机设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109543548A (zh) | 一种人脸识别方法、装置及存储介质 | |
US11908244B2 (en) | Human posture detection utilizing posture reference maps | |
CN109871781B (zh) | 基于多模态3d卷积神经网络的动态手势识别方法及系统 | |
CN108537743B (zh) | 一种基于生成对抗网络的面部图像增强方法 | |
CN109409222B (zh) | 一种基于移动端的多视角人脸表情识别方法 | |
Liu et al. | Learning discriminative representations from RGB-D video data | |
CN108416266B (zh) | 一种利用光流提取运动目标的视频行为快速识别方法 | |
CN108108751B (zh) | 一种基于卷积多特征和深度随机森林的场景识别方法 | |
Cao et al. | Marine animal classification using combined CNN and hand-designed image features | |
CN108009222B (zh) | 基于较优视图和深度卷积神经网络的三维模型检索方法 | |
Tuzel et al. | Global-local face upsampling network | |
CN109117897A (zh) | 基于卷积神经网络的图像处理方法、装置及可读存储介质 | |
CN110728179A (zh) | 一种采用多路卷积神经网络的猪脸识别方法 | |
Mohamed et al. | An improved LBP algorithm for avatar face recognition | |
CN109242097B (zh) | 无监督学习的视觉表示学习系统及方法 | |
CN106650617A (zh) | 一种基于概率潜在语义分析的行人异常识别方法 | |
Wu et al. | Privacy leakage of sift features via deep generative model based image reconstruction | |
CN110532959B (zh) | 基于双通道三维卷积神经网络的实时暴力行为检测系统 | |
Salem et al. | Semantic image inpainting using self-learning encoder-decoder and adversarial loss | |
Noor et al. | Gradient image super-resolution for low-resolution image recognition | |
Kratzwald et al. | Improving video generation for multi-functional applications | |
CN111126250A (zh) | 一种基于ptgan的行人重识别方法及装置 | |
CN112150359B (zh) | 基于机器学习和特征点识别的无人机图像快速拼接方法 | |
Reale et al. | Facial action unit analysis through 3d point cloud neural networks | |
Qu et al. | Facial expression recognition based on deep residual network |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190329 |