CN109784285A - 实现人脸识别的方法及装置、电子设备、存储介质 - Google Patents
实现人脸识别的方法及装置、电子设备、存储介质 Download PDFInfo
- Publication number
- CN109784285A CN109784285A CN201910055643.9A CN201910055643A CN109784285A CN 109784285 A CN109784285 A CN 109784285A CN 201910055643 A CN201910055643 A CN 201910055643A CN 109784285 A CN109784285 A CN 109784285A
- Authority
- CN
- China
- Prior art keywords
- pixel
- facial image
- image
- target facial
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 49
- 230000001815 facial effect Effects 0.000 claims abstract description 156
- 238000003062 neural network model Methods 0.000 claims abstract description 24
- 239000013598 vector Substances 0.000 claims description 12
- 238000012935 Averaging Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 6
- 210000004218 nerve net Anatomy 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 238000004891 communication Methods 0.000 description 12
- 238000005516 engineering process Methods 0.000 description 9
- 238000012545 processing Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 6
- 230000005236 sound signal Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000000712 assembly Effects 0.000 description 2
- 238000000429 assembly Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000005764 inhibitory process Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005401 electroluminescence Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明揭示了一种实现人脸识别的方法及装置、电子设备、计算机可读存储介质,所述方法包括:获取待识别的目标人脸图像;根据目标人脸图像的像素平均值,将目标人脸图像转换为相对像素平均值的像素差异图像;通过神经网络模型提取像素差异图像的特征信息;将特征信息与数据库中已知身份的人脸特征进行比对,确定目标人脸图像对应的人员身份。该方案可以对逆光条件下采集的对比度较低的人脸图像进行识别,提高逆光下人脸识别的准确性。
Description
技术领域
本发明涉及图像处理技术领域,特别涉及一种实现人脸识别的方法及装置、电子设备、计算机可读存储介质。
背景技术
人脸识别,是基于人的脸部特征信息进行身份识别的一种生物识别技术。用摄像机或摄像头采集含有人脸的图像或视频流,并自动在图像中检测和跟踪人脸,进而对检测到的人脸进行识别的一系列相关技术,通常也叫做人像识别、面部识别。
随着人脸识别技术的发展,也将人脸识别技术应用于门禁系统中,通过进行人脸识别来确认进出门禁的人员身份,进而在人脸识别通过后放行此门禁的人员。实现人脸识别的提前是采集到较清晰的人脸图像,然后在实际应用中,可能因为光线不足或拍摄角度不佳,采集到的人脸图像是逆光图像,清晰度较差,从而导致人脸识别的识别效果不理想,影响了人脸识别的准确度。
发明内容
为了解决相关技术中存在的由于人脸图像是逆光图像,人脸识别的准确性不佳的问题,本发明新提供了一种实现人脸识别的方法。
一方面,本发明提供一种实现人脸识别的方法,所述方法包括:
获取待识别的目标人脸图像;
根据所述目标人脸图像的像素平均值,将所述目标人脸图像转换为相对所述像素平均值的像素差异图像;
通过神经网络模型提取所述像素差异图像的特征信息;
将所述特征信息与数据库中已知身份的人脸特征进行比对,确定所述目标人脸图像对应的人员身份。
可选的,在所述根据所述目标人脸图像的像素平均值,将所述目标人脸图像转换为相对所述像素平均值的像素差异图像之前,所述方法还包括:
对所述目标人脸图像中所有像素点的像素值求平均,得到所述目标人脸图像的像素平均值。
可选的,所述根据所述目标人脸图像的像素平均值,将所述目标人脸图像转换为相对所述像素平均值的像素差异图像,包括:
根据所述目标人脸图像的像素平均值以及所述目标人脸图像中每个像素点的像素值,计算所述目标人脸图像中所有像素点像素值的方差;
在计算得到的所述方差小于预设值时,将所述目标人脸图像转换为相对所述像素平均值的像素差异图像。
可选的,所述将所述目标人脸图像转换为相对所述像素平均值的像素差异图像,包括:
将所述目标人脸图像中每个像素点的像素值与所述像素平均值之间的相对差异,作为所述像素差异图像中对应像素点的像素值,得到所述像素差异图像。
可选的,所述根据所述目标人脸图像的像素平均值,将所述目标人脸图像转换为相对所述像素平均值的像素差异图像,包括:
将所述目标人脸图像按照预设规则划分为多个人脸区域;
针对每一人脸区域,对所述人脸区域中所有像素点的像素值求平均,得到所述人脸区域对应的像素平均值;
针对每一人脸区域,计算所述人脸区域中每个像素点的像素值与所述人脸区域所对应像素平均值之间的相对差异,作为所述像素差异图像中对应像素点的像素值,得到所述像素差异图像。
可选的,在所述通过神经网络模型提取所述像素差异图像的特征信息之前,所述方法还包括:
获取人员身份已知的样本人脸图像集;
针对所述样本人脸图像集中的每张样本人脸图像,根据所述样本人脸图像的像素平均值,将所述样本人脸图像转换为相对所述样本人脸图像像素平均值的像素差异图像;
利用所述样本人脸图像的像素差异图像训练所述神经网络模型,通过调整所述神经网络模型的参数,使所述神经网络模型输出的身份相同的样本人脸图像的多维特征向量相似。
可选的,将所述特征信息与数据库中已知身份的人脸特征进行比对,确定所述目标人脸图像对应的人员身份,包括:
通过计算所述特征信息与所述数据库中已知身份的人脸特征之间的匹配度,从所述数据库中筛选出与所述特征信息匹配的人脸特征;
根据筛选出的所述人脸特征已知的身份,得到所述目标人脸图像对应的人员身份。
另一方面,本发明还提供了一种实现人脸识别的装置,所述装置包括:
图像获取模块,用于获取待识别的目标人脸图像;
图像转换模块,用于根据所述目标人脸图像的像素平均值,将所述目标人脸图像转换为相对所述像素平均值的像素差异图像;
特征提取模块,用于通过神经网络模型提取所述像素差异图像的特征信息;
特征比对模块,用于将所述特征信息与数据库中已知身份的人脸特征进行比对,确定所述目标人脸图像对应的人员身份。
此外,本发明还提供了一种电子设备,所述电子设备包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为执行上述任意一种实现人脸识别的方法。
进一步的,本发明还提供了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,所述计算机程序可由处理器执行完成上述任意一种实现人脸识别的方法。
本发明的实施例提供的技术方案可以包括以下有益效果:
本发明提供的技术方案,通过计算目标人脸图像的像素平均值,将对比度低的目标人脸图像转换为相对该像素平均值的像素差异图像,可以提高图像的对比度,进而基于该像素差异图像进行特征提取和特征比对,可以准确得到该目标人脸图像的人员身份,该方案可以对逆光条件下采集的对比度较低的人脸图像进行识别,提高逆光下人脸识别的准确性。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性的,并不能限制本发明。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本发明的实施例,并于说明书一起用于解释本发明的原理。
图1是根据本发明所涉及的实施环境的示意图;
图2是根据一示例性实施例示出的一种装置的框图;
图3是根据一示例性实施例示出的一种实现人脸识别的方法的流程图;
图4是根据一示例性实施例示出的图3对应实施例中步骤320的细节流程图;
图5是根据另一示例性实施例示出的图3对应实施例中步骤320的细节流程图;
图6是根据一示例性实施例示出的神经网络模型的架构示意图;
图7是根据一示例性实施例示出的神经网络模型的构建流程示意图;
图8是根据另一示例性实施例示出的图3对应实施例中步骤340的细节流程图;
图9是根据一示例性实施例示出的一种实现人脸识别的装置的框图。
具体实施方式
这里将详细地对示例性实施例执行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。
图1是根据本发明所涉及的实施环境的示意图。该实施环境包括:摄像头110和终端设备120。摄像头110和终端设备120之间通过有线或无线网络连接。
摄像头110可以采集待识别的目标人脸图像,并将待识别的目标人脸图像发送至终端设备120。终端设备120可以是门禁机、考勤机等,需要基于用户的人脸图像识别用户身份,从而开启门禁(即让用户通过)或者进行考勤记录。
其中,终端设备120可以获取摄像头采集的人脸图像,并采用本发明提供的方法,识别出该人脸图像的人员身份,进而开启门禁或进行考勤记录等。
在一种实施例中,终端设备120也可以是服务器,由服务器采用本发明提供的方法,获取摄像头采集的目标人脸图像进行识别,并将识别结果传输至门禁机或考勤机,控制门禁机开启门禁或考勤机进行考勤记录。
图2是根据一示例性实施例示出的一种装置200的框图。例如,装置200可以是图1所示实施环境中的终端设备120。
参照图2,装置200可以包括以下一个或多个组件:处理组件202,存储器204,电源组件206,多媒体组件208,音频组件210,传感器组件214以及通信组件216。
处理组件202通常控制装置200的整体操作,诸如与显示,电话呼叫,数据通信,相机操作以及记录操作相关联的操作等。处理组件202可以包括一个或多个处理器218来执行指令,以完成下述的方法的全部或部分步骤。此外,处理组件202可以包括一个或多个模块,便于处理组件202和其他组件之间的交互。例如,处理组件202可以包括多媒体模块,以方便多媒体组件208和处理组件202之间的交互。
存储器204被配置为存储各种类型的数据以支持在装置200的操作。这些数据的示例包括用于在装置200上操作的任何应用程序或方法的指令。存储器204可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(Static RandomAccess Memory,简称SRAM),电可擦除可编程只读存储器(Electrically ErasableProgrammable Read-Only Memory,简称EEPROM),可擦除可编程只读存储器(ErasableProgrammable Read Only Memory,简称EPROM),可编程只读存储器(Programmable Red-Only Memory,简称PROM),只读存储器(Read-Only Memory,简称ROM),磁存储器,快闪存储器,磁盘或光盘。存储器204中还存储有一个或多个模块,该一个或多个模块被配置成由该一个或多个处理器218执行,以完成下述图3-图5、图7、图8任一所示方法中的全部或者部分步骤。
电源组件206为装置200的各种组件提供电力。电源组件206可以包括电源管理系统,一个或多个电源,及其他与为装置200生成、管理和分配电力相关联的组件。
多媒体组件208包括在所述装置200和用户之间的提供一个输出接口的屏幕。在一些实施例中,屏幕可以包括液晶显示器(Liquid Crystal Display,简称LCD)和触摸面板。如果屏幕包括触摸面板,屏幕可以被实现为触摸屏,以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界,而且还检测与所述触摸或滑动操作相关的持续时间和压力。屏幕还可以包括有机电致发光显示器(Organic Light Emitting Display,简称OLED)。
音频组件210被配置为输出和/或输入音频信号。例如,音频组件210包括一个麦克风(Microphone,简称MIC),当装置200处于操作模式,如呼叫模式、记录模式和语音识别模式时,麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器204或经由通信组件216发送。在一些实施例中,音频组件210还包括一个扬声器,用于输出音频信号。
传感器组件214包括一个或多个传感器,用于为装置200提供各个方面的状态评估。例如,传感器组件214可以检测到装置200的打开/关闭状态,组件的相对定位,传感器组件214还可以检测装置200或装置200一个组件的位置改变以及装置200的温度变化。在一些实施例中,该传感器组件214还可以包括磁传感器,压力传感器或温度传感器。
通信组件216被配置为便于装置200和其他设备之间有线或无线方式的通信。装置200可以接入基于通信标准的无线网络,如WiFi(WIreless-Fidelity,无线保真)。在一个示例性实施例中,通信组件216经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中,所述通信组件216还包括近场通信(Near FieldCommunication,简称NFC)模块,以促进短程通信。例如,在NFC模块可基于射频识别(RadioFrequency Identification,简称RFID)技术,红外数据协会(Infrared DataAssociation,简称IrDA)技术,超宽带(Ultra Wideband,简称UWB)技术,蓝牙技术和其他技术来实现。
在示例性实施例中,装置200可以被一个或多个应用专用集成电路(ApplicationSpecific Integrated Circuit,简称ASIC)、数字信号处理器、数字信号处理设备、可编程逻辑器件、现场可编程门阵列、控制器、微控制器、微处理器或其他电子元件实现,用于执行下述方法。
图3是根据一示例性实施例示出的一种实现人脸识别的方法的流程图。该实现人脸识别的方法的适用范围和执行主体可以是图1所示实施环境中的终端设备120。如图3所示,该实现人脸识别的方法可以由终端设备120执行,可以包括以下步骤:
步骤310:获取待识别的目标人脸图像;
步骤320:根据所述目标人脸图像的像素平均值,将所述目标人脸图像转换为相对所述像素平均值的像素差异图像;
步骤330:通过神经网络模型提取所述像素差异图像的特征信息;
步骤340:将所述特征信息与数据库中已知身份的人脸特征进行比对,确定所述目标人脸图像对应的人员身份。
下面对上述步骤310-340展开详细描述。
在步骤310中,获取待识别的目标人脸图像。
需要解释的是,目标人脸图像是指摄像头采集到的人员身份未知的人脸图像,需要对该人脸图像的人员身份进行识别。摄像头可以将捕捉到的目标人脸图像传输至终端设备,从而终端设备可以获取到待识别的目标人脸图像。其中,目标人脸图像可以是灰度图像或彩色图像。
在步骤320中,根据所述目标人脸图像的像素平均值,将所述目标人脸图像转换为相对所述像素平均值的像素差异图像.
需要解释的是,目标人脸图像可能是逆光条件下拍摄的,也就是摄像头的拍摄方向与光线的照射方向相反,这种情况下拍摄的人脸图像的对比度较低,清晰度较差。基于此,本发明可以根据目标人脸图像的像素平均值,将对比度较低的目标人脸图像从绝对亮度差异转换为用于表征与像素平均值相对亮度差异的像素差异图像。
在一种实施例中,像素平均值是目标人脸图像中所有像素点像素值的平均值,像素值可以是灰度值或者RGB值。在上述步骤320之前,本发明提供的方法还包括:对所述目标人脸图像中所有像素点的像素值求平均,得到所述目标人脸图像的像素平均值。也就是说,计算目标人脸图像中所有像素点像素值之和,再除以像素点个数,得到像素平均值。具体可以利用以下公式计算像素平均值:
其中,M代表像素平均值,x1、x2、x3......xn代表每个像素点的像素值,n代表像素点的个数。
在一种实施例中,如图4所示,上述步骤320具体包括:
步骤321:根据所述目标人脸图像的像素平均值以及所述目标人脸图像中每个像素点的像素值,计算所述目标人脸图像中所有像素点像素值的方差;
步骤322:在计算得到的所述方差小于预设值时,将所述目标人脸图像转换为相对所述像素平均值的像素差异图像。
具体的,可以利用方差公式,s2代表方差,M代表像素平均值,x1、x2、x3......xn代表每个像素点的像素值,n代表像素点的个数,根据目标人脸图像的像素平均值以及目标人脸图像中每个像素点的像素值,计算目标人脸图像中所有像素点像素值的方差。
需要说明的是,如果目标人脸图像中所有像素点像素值的方差小于预设值,可以认为该目标人脸图像的对比度较低,清晰度较差,从而可以将目标人脸图像从绝对像素值转换为相对像素平均值的相对像素值,得到像素差异图像。
在一种实施例中,上述步骤322具体包括:将所述目标人脸图像中每个像素点的像素值与所述像素平均值之间的相对差异,作为所述像素差异图像中对应像素点的像素值,得到所述像素差异图像。
需要说明的是,目标人脸图像与像素差异图像的像素点一一对应,通过计算目标人脸图像中每个像素点的像素值与该像素平均值之间的相对差异,将其作为该像素点在像素差异图像中对应像素点的像素值,即可得到像素差异图像。
举例来说,每个像素点的像素值与该像素平均值之间的相对差异可以是该像素点的像素值与该像素平均值的差值经过一定的数值变换(例如给每个差值加上指定数值,使所有差值成为一个正数)。
在另一种实施例中,如图5所示,上述步骤320还可以包括以下步骤:
步骤321′:将所述目标人脸图像按照预设规则划分为多个人脸区域;
步骤322′:针对每一人脸区域,对所述人脸区域中所有像素点的像素值求平均,得到所述人脸区域对应的像素平均值;
步骤323′:针对每一人脸区域,计算所述人脸区域中每个像素点的像素值与所述人脸区域所对应像素平均值之间的相对差异,作为所述像素差异图像中对应像素点的像素值,得到所述像素差异图像。
需要解释的是,当前实施例中像素平均值的计算方式与上一实施例不同。当前实施例中像素平均值是针对目标人脸图像中每一人脸区域单独计算一次像素平均值。
举例来说,预设规则可以是将目标人脸图像划分成尺寸相同的多个人脸区域,或者任意划分成尺寸不同的多个人脸区域。
针对每一人脸区域,可以单独计算该人脸区域对应的像素平均值,人脸区域对应的像素平均值的计算方式可以参照上文,对该人脸区域中所有像素点的像素值求和后除以该人脸区域中像素点的个数。可以依次对每个人脸区域的像素平均值,为提高计算速度,也可以并行计算每个人脸区域的像素平均值。
需要说明的是,一张目标人脸图像对应一张像素差异图像,目标人脸图像中的一个人脸区域对应像素差异图像中的一个区域。针对目标人脸图像中的每个人脸区域,根据该人脸区域对应的像素平均值,可以将该人脸区域的图像转换为相对该人脸区域的像素平均值的相对差异图像,目标人脸图像中每个人脸区域对应的相对差异图像合起来构成完整的像素差异图像。
举例来说,假设目标人脸图像划分为A、B、C这3个人脸区域,根据A人脸区域的像素平均值,以及A人脸区域中每个像素点像素值,可以计算出A人脸区域中每个像素点像素值与像素平均值的相对差异,将该相对差异作为该像素点在像素差异图像中对应的像素值。参照上文,相对差异的计算方式,可以是人脸区域中每个像素点像素值与像素平均值的差值再经过一定的数值变换。同理,分别将A、B、C三个人脸区域进行相对差异的计算,得到完整的像素差异图像。
在步骤330中,通过神经网络模型提取所述像素差异图像的特征信息。
其中,特征信息用于表征像素差异图像的特征信息,可以是N为特征向量。神经网络模型是利用大量样本图像经过神经网络学习构建的。
如图6所示,神经网络模型包括输入层、隐藏层、输出层,像素差异图像作为神经网络模型的输入层,隐藏层对输入层的像素差异图像进行卷积计算,其中,可以提前训练好隐藏层的计算参数,进而从输出层输出N为特征向量,可以用于表征像素差异图像的特征信息,也就是目标人脸图像的特征。
其中,如图7所示,神经网络模型可以通过以下步骤构建:
步骤610:获取人员身份已知的样本人脸图像集;
步骤620:针对所述样本人脸图像集中的每张样本人脸图像,根据所述样本人脸图像的像素平均值,将所述样本人脸图像转换为相对所述样本人脸图像像素平均值的像素差异图像;
步骤630利用所述样本人脸图像的像素差异图像训练所述神经网络模型,通过调整所述神经网络模型的参数,使所述神经网络模型输出的身份相同的样本人脸图像的多维特征向量相似。
具体的,样本人脸图像集包括大量样本人脸图像,样本人脸图像是指人员身份已知的人脸图像,样本人脸图像集中可以包括同一人员的多张人脸图像。
针对样本人脸数据集中的每张样本人脸图像,可以采用上述实施例所述的方法,计算该样本人脸图像的像素平均值,然后将该样本人脸图像转换为相对该像素平均值的像素差异图像。像素平均值的计算方法和像素差异图像的转换方法参见上文,在此不再赘述。
具体的,可以利用所有样本人脸图像的像素差异图像训练神经网络模型,将样本人脸图像的像素差异图像输入神经网络模型,通过多层卷积计算,输出N维特征向量,通过反向传播算法调整神经网络模型各层的参数,使同一人员的样本人脸图像的N维特征向量的相似。身份相同的样本人脸图像是指同一人员的样本人脸图像。其中,可以使神经网络模型输出的同一人员的样本人脸图像的多维特征向量的相似度最高。向量之间的相似度可以用向量之间的距离表示。
在步骤340中,将所述特征信息与数据库中已知身份的人脸特征进行比对,确定所述目标人脸图像对应的人员身份。
数据库中可以存储大量已知身份的人脸特征,也可以存储大量已知身份的人脸图像,已知身份的人脸特征是指已经知道该人脸特征属于哪个人员。人脸特征是指已知身份的人脸图像的特征信息。为快速进行特征比对,实现人脸识别,可以采用步骤330的神经网络模型事先提取数据库中身份已知的人脸图像的特征信息(即人脸特征)存储在数据库中,从而在步骤330得到目标人脸图像的特征信息后,可以直接与数据库中已知身份的人脸特征进行比对,确定该目标人脸图像的人员身份。
当然,也可以在每次特征比对过程中,提取数据库中已知身份人脸图像的人脸特征与目标人脸图像的特征信息比对,确定目标人脸图像的人员身份。
在一种实施例中,如图8所示,上述步骤340具体包括:
步骤341:通过计算所述特征信息与所述数据库中已知身份的人脸特征之间的匹配度,从所述数据库中筛选出与所述特征信息匹配的人脸特征;
步骤342:根据筛选出的所述人脸特征已知的身份,得到所述目标人脸图像对应的人员身份。
其中,特征信息与人脸特征之间的匹配度可以通过特征信息与人脸特征之间的相似度表示,相似度可以通过计算特征信息(向量)与人脸特征(向量)之间的距离得到。具体可以从所述数据库中筛选出与特征信息相似度最高的人脸特征,得到与特征信息匹配的人脸特征。由于数据库中人脸特征的身份已知,因此根据与特征信息匹配的人脸特征已知的身份,可以确定该特征信息对应的目标人脸图像的人员身份。
下述为本发明装置实施例,可以用于执行本发明上述终端设备120执行的实现人脸识别的方法实施例。对于本发明装置实施例中未披露的细节,请参照本发明实现人脸识别的方法实施例。
图9是根据一示例性实施例示出的一种实现人脸识别的装置的框图,该实现人脸识别的装置可以用于图1所示实施环境的终端设备120中,执行图3-图5、图7、图8任一所示的实现人脸识别的方法的全部或者部分步骤。如图9所示,该装置包括但不限于:图像获取模块810、图像转换模块820、特征提取模块830以及特征比对模块840。
图像获取模块810,用于获取待识别的目标人脸图像;
图像转换模块820,用于根据所述目标人脸图像的像素平均值,将所述目标人脸图像转换为相对所述像素平均值的像素差异图像;
特征提取模块830,用于通过神经网络模型提取所述像素差异图像的特征信息;
特征比对模块840,用于将所述特征信息与数据库中已知身份的人脸特征进行比对,确定所述目标人脸图像对应的人员身份。
上述装置中各个模块的功能和作用的实现过程具体详见上述实现人脸识别的方法中对应步骤的实现过程,在此不再赘述。
图像获取模块810比如可以是图2中的某一个物理结构通信组件216。
图像转换模块820、特征提取模块830以及特征比对模块840也可以是功能模块,用于执行上述实现人脸识别的方法中的对应步骤。可以理解,这些模块可以通过硬件、软件、或二者结合来实现。当以硬件方式实现时,这些模块可以实施为一个或多个硬件模块,例如一个或多个专用集成电路。当以软件方式实现时,这些模块可以实施为在一个或多个处理器上执行的一个或多个计算机程序,例如图2的处理器218所执行的存储在存储器204中的程序。
可选的,本发明还提供一种电子设备,该电子设备可以用于图1所示实施环境的终端设备120中,执行图3-图5、图7、图8任一所示的实现人脸识别的方法的全部或者部分步骤。所述电子设备包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为执行上述示例性实施例所述的实现人脸识别的方法。
该实施例中电子设备的处理器执行操作的具体方式已经在有关该实现人脸识别的方法的实施例中执行了详细描述,此处将不做详细阐述说明。
在示例性实施例中,还提供了一种存储介质,该存储介质为计算机可读存储介质,例如可以为包括指令的临时性和非临时性计算机可读存储介质。该存储介质存储有计算机程序,所述计算机程序可由装置200的处理器218执行以完成上述实现人脸识别的方法。
应当理解的是,本发明并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围执行各种修改和改变。本发明的范围仅由所附的权利要求来限制。
Claims (10)
1.一种实现人脸识别的方法,其特征在于,所述方法包括:
获取待识别的目标人脸图像;
根据所述目标人脸图像的像素平均值,将所述目标人脸图像转换为相对所述像素平均值的像素差异图像;
通过神经网络模型提取所述像素差异图像的特征信息;
将所述特征信息与数据库中已知身份的人脸特征进行比对,确定所述目标人脸图像对应的人员身份。
2.根据权利要求1所述的方法,其特征在于,在所述根据所述目标人脸图像的像素平均值,将所述目标人脸图像转换为相对所述像素平均值的像素差异图像之前,所述方法还包括:
对所述目标人脸图像中所有像素点的像素值求平均,得到所述目标人脸图像的像素平均值。
3.根据权利要求2所述的方法,其特征在于,所述根据所述目标人脸图像的像素平均值,将所述目标人脸图像转换为相对所述像素平均值的像素差异图像,包括:
根据所述目标人脸图像的像素平均值以及所述目标人脸图像中每个像素点的像素值,计算所述目标人脸图像中所有像素点像素值的方差;
在计算得到的所述方差小于预设值时,将所述目标人脸图像转换为相对所述像素平均值的像素差异图像。
4.根据权利要求3所述的方法,其特征在于,所述将所述目标人脸图像转换为相对所述像素平均值的像素差异图像,包括:
将所述目标人脸图像中每个像素点的像素值与所述像素平均值之间的相对差异,作为所述像素差异图像中对应像素点的像素值,得到所述像素差异图像。
5.根据权利要求1所述的方法,其特征在于,所述根据所述目标人脸图像的像素平均值,将所述目标人脸图像转换为相对所述像素平均值的像素差异图像,包括:
将所述目标人脸图像按照预设规则划分为多个人脸区域;
针对每一人脸区域,对所述人脸区域中所有像素点的像素值求平均,得到所述人脸区域对应的像素平均值;
针对每一人脸区域,计算所述人脸区域中每个像素点的像素值与所述人脸区域所对应像素平均值之间的相对差异,作为所述像素差异图像中对应像素点的像素值,得到所述像素差异图像。
6.根据权利要求1所述的方法,其特征在于,在所述通过神经网络模型提取所述像素差异图像的特征信息之前,所述方法还包括:
获取人员身份已知的样本人脸图像集;
针对所述样本人脸图像集中的每张样本人脸图像,根据所述样本人脸图像的像素平均值,将所述样本人脸图像转换为相对所述样本人脸图像像素平均值的像素差异图像;
利用所述样本人脸图像的像素差异图像训练所述神经网络模型,通过调整所述神经网络模型的参数,使所述神经网络模型输出的身份相同的样本人脸图像的多维特征向量相似。
7.根据权利要求1所述的方法,其特征在于,将所述特征信息与数据库中已知身份的人脸特征进行比对,确定所述目标人脸图像对应的人员身份,包括:
通过计算所述特征信息与所述数据库中已知身份的人脸特征之间的匹配度,从所述数据库中筛选出与所述特征信息匹配的人脸特征;
根据筛选出的所述人脸特征已知的身份,得到所述目标人脸图像对应的人员身份。
8.一种实现人脸识别的装置,其特征在于,所述装置包括:
图像获取模块,用于获取待识别的目标人脸图像;
图像转换模块,用于根据所述目标人脸图像的像素平均值,将所述目标人脸图像转换为相对所述像素平均值的像素差异图像;
特征提取模块,用于通过神经网络模型提取所述像素差异图像的特征信息;
特征比对模块,用于将所述特征信息与数据库中已知身份的人脸特征进行比对,确定所述目标人脸图像对应的人员身份。
9.一种电子设备,其特征在于,所述电子设备包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为执行权利要求1-7任意一项所述的实现人脸识别的方法。
10.一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存储有计算机程序,所述计算机程序可由处理器执行完成1-7任意一项所述的实现人脸识别的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910055643.9A CN109784285A (zh) | 2019-01-21 | 2019-01-21 | 实现人脸识别的方法及装置、电子设备、存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910055643.9A CN109784285A (zh) | 2019-01-21 | 2019-01-21 | 实现人脸识别的方法及装置、电子设备、存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109784285A true CN109784285A (zh) | 2019-05-21 |
Family
ID=66501823
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910055643.9A Pending CN109784285A (zh) | 2019-01-21 | 2019-01-21 | 实现人脸识别的方法及装置、电子设备、存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109784285A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111563086A (zh) * | 2020-01-13 | 2020-08-21 | 杭州海康威视系统技术有限公司 | 信息关联方法、装置、设备及存储介质 |
CN111738244A (zh) * | 2020-08-26 | 2020-10-02 | 腾讯科技(深圳)有限公司 | 图像检测方法、装置、计算机设备和存储介质 |
CN111860345A (zh) * | 2020-07-22 | 2020-10-30 | 海尔优家智能科技(北京)有限公司 | 对象位置的确定方法、装置、存储介质及电子装置 |
CN111986794A (zh) * | 2020-09-03 | 2020-11-24 | 平安国际智慧城市科技股份有限公司 | 基于人脸识别的防冒挂号方法、装置、计算机设备及介质 |
CN113762189A (zh) * | 2021-09-14 | 2021-12-07 | 深圳市南方安创科技有限公司 | 考勤系统人脸图像优化方法、装置、考勤设备及存储介质 |
CN115410261A (zh) * | 2022-09-28 | 2022-11-29 | 范孝徐 | 面部识别异构数据关联解析系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101339607A (zh) * | 2008-08-15 | 2009-01-07 | 北京中星微电子有限公司 | 人脸识别方法及系统、人脸识别模型训练方法及系统 |
CN103927520A (zh) * | 2014-04-14 | 2014-07-16 | 中国华戎控股有限公司 | 一种逆光环境下人脸检测方法 |
CN104933696A (zh) * | 2014-03-21 | 2015-09-23 | 联想(北京)有限公司 | 确定光照情况的方法及电子设备 |
CN105989579A (zh) * | 2015-02-26 | 2016-10-05 | 展讯通信(上海)有限公司 | 一种图像增强方法和装置 |
US20170061664A1 (en) * | 2015-08-28 | 2017-03-02 | Panasonic Intellectual Property Corporation Of America | Method for generating image and image generation system |
US20170068315A1 (en) * | 2015-09-07 | 2017-03-09 | Samsung Electronics Co., Ltd. | Method and apparatus for eye tracking |
CN109086752A (zh) * | 2018-09-30 | 2018-12-25 | 北京达佳互联信息技术有限公司 | 人脸识别方法、装置、电子设备及存储介质 |
-
2019
- 2019-01-21 CN CN201910055643.9A patent/CN109784285A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101339607A (zh) * | 2008-08-15 | 2009-01-07 | 北京中星微电子有限公司 | 人脸识别方法及系统、人脸识别模型训练方法及系统 |
CN104933696A (zh) * | 2014-03-21 | 2015-09-23 | 联想(北京)有限公司 | 确定光照情况的方法及电子设备 |
CN103927520A (zh) * | 2014-04-14 | 2014-07-16 | 中国华戎控股有限公司 | 一种逆光环境下人脸检测方法 |
CN105989579A (zh) * | 2015-02-26 | 2016-10-05 | 展讯通信(上海)有限公司 | 一种图像增强方法和装置 |
US20170061664A1 (en) * | 2015-08-28 | 2017-03-02 | Panasonic Intellectual Property Corporation Of America | Method for generating image and image generation system |
US20170068315A1 (en) * | 2015-09-07 | 2017-03-09 | Samsung Electronics Co., Ltd. | Method and apparatus for eye tracking |
CN109086752A (zh) * | 2018-09-30 | 2018-12-25 | 北京达佳互联信息技术有限公司 | 人脸识别方法、装置、电子设备及存储介质 |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111563086A (zh) * | 2020-01-13 | 2020-08-21 | 杭州海康威视系统技术有限公司 | 信息关联方法、装置、设备及存储介质 |
CN111563086B (zh) * | 2020-01-13 | 2023-09-19 | 杭州海康威视系统技术有限公司 | 信息关联方法、装置、设备及存储介质 |
CN111860345A (zh) * | 2020-07-22 | 2020-10-30 | 海尔优家智能科技(北京)有限公司 | 对象位置的确定方法、装置、存储介质及电子装置 |
CN111738244A (zh) * | 2020-08-26 | 2020-10-02 | 腾讯科技(深圳)有限公司 | 图像检测方法、装置、计算机设备和存储介质 |
CN111738244B (zh) * | 2020-08-26 | 2020-11-24 | 腾讯科技(深圳)有限公司 | 图像检测方法、装置、计算机设备和存储介质 |
CN111986794A (zh) * | 2020-09-03 | 2020-11-24 | 平安国际智慧城市科技股份有限公司 | 基于人脸识别的防冒挂号方法、装置、计算机设备及介质 |
CN113762189A (zh) * | 2021-09-14 | 2021-12-07 | 深圳市南方安创科技有限公司 | 考勤系统人脸图像优化方法、装置、考勤设备及存储介质 |
CN113762189B (zh) * | 2021-09-14 | 2024-03-22 | 深圳市南方安创科技有限公司 | 考勤系统人脸图像优化方法、装置、考勤设备及存储介质 |
CN115410261A (zh) * | 2022-09-28 | 2022-11-29 | 范孝徐 | 面部识别异构数据关联解析系统 |
CN115410261B (zh) * | 2022-09-28 | 2023-12-15 | 范孝徐 | 面部识别异构数据关联解析系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109784285A (zh) | 实现人脸识别的方法及装置、电子设备、存储介质 | |
Bhattacharya et al. | Smart attendance monitoring system (SAMS): a face recognition based attendance system for classroom environment | |
RU2631994C1 (ru) | Способ, устройство и сервер для определения плана съемки изображения | |
CN109543714B (zh) | 数据特征的获取方法、装置、电子设备及存储介质 | |
CN109359592B (zh) | 视频帧的处理方法、装置、电子设备及存储介质 | |
CN108491805B (zh) | 身份认证方法和装置 | |
CN108229376B (zh) | 用于检测眨眼的方法及装置 | |
CN107798653B (zh) | 一种图像处理的方法和一种装置 | |
CN110910549A (zh) | 基于深度学习和人脸识别特征的校园人员安全管理系统 | |
CN109658352A (zh) | 图像信息的优化方法及装置、电子设备和存储介质 | |
CN105354543A (zh) | 视频处理方法及装置 | |
CN106204435A (zh) | 图像处理方法及装置 | |
CN107133576A (zh) | 用户年龄识别方法及装置 | |
CN107527053A (zh) | 目标检测方法及装置 | |
CN110348418A (zh) | 目标跟踪方法及装置、智能移动设备和存储介质 | |
CN111382655A (zh) | 一种举手行为识别方法及装置、电子设备 | |
CN107172354A (zh) | 视频处理方法、装置、电子设备及存储介质 | |
CN110414376A (zh) | 更新人脸识别模型的方法、人脸识别相机及服务器 | |
CN108765014A (zh) | 一种基于门禁系统的智能广告投放方法 | |
Zhang et al. | Indoor space recognition using deep convolutional neural network: a case study at MIT campus | |
CN110489659A (zh) | 数据匹配方法和装置 | |
CN114783043B (zh) | 一种儿童行为轨迹定位方法和系统 | |
CN112491844A (zh) | 一种基于可信执行环境的声纹及面部识别验证系统及方法 | |
CN107025441A (zh) | 肤色检测方法及装置 | |
Chowdhury et al. | Development of an automatic class attendance system using cnn-based face recognition |
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: 20190521 |