CN109948467A - 人脸识别的方法、装置、计算机设备和存储介质 - Google Patents
人脸识别的方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN109948467A CN109948467A CN201910152895.3A CN201910152895A CN109948467A CN 109948467 A CN109948467 A CN 109948467A CN 201910152895 A CN201910152895 A CN 201910152895A CN 109948467 A CN109948467 A CN 109948467A
- Authority
- CN
- China
- Prior art keywords
- face
- image
- block
- depth
- identified
- 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
Landscapes
- Image Analysis (AREA)
Abstract
本发明实施例公开了一种人脸识别的方法、装置、计算机设备及存储介质，包括：获取待识别人脸的二维人脸深度图像和二维人脸彩色图像；根据所述二维人脸深度图像和所述二维人脸彩色图像，得到人脸融合图像；将所述人脸融合图像输入图像特征识别模型，得到所述图像特征识别模型输出的待识别特征数据；将所述待识别特征数据和多个预置特征数据进行比对，得到所述待识别人脸的识别结果。通过上述方式，能够提高受光照影响的人脸识别的准确率。
Description
技术领域
本发明涉及人脸识别技术领域，尤其涉及一种人脸识别的方法、装置、计算机设备和存储介质。
背景技术
随着人工智能技术的不断发展，人脸识别技术越发受到各个技术领域的专家的重视，应用也越来越广泛，比如，通过人脸识别技术打开手机设备锁。
现有的人脸识别主要是通过识别二维彩色人脸图像实现的，这样的方式数据量小，识别速率高。但是，在实际的识别过程中，由于是使用二维彩色人脸图像进行识别，最终的识别效果受光照的影响较大，导致最终人脸识别的准确率较低。
发明内容
基于此，有必要针对上述问题，提出一种准确率高的人脸识别的方法、装置、计算机设备和存储介质。
一种人脸识别的方法，所述方法包括：
获取待识别人脸的二维人脸深度图像和二维人脸彩色图像；
根据所述二维人脸深度图像和所述二维人脸彩色图像，得到人脸融合图像；
将所述人脸融合图像输入图像特征识别模型，得到所述图像特征识别模型输出的待识别特征数据；
将所述待识别特征数据和多个预置特征数据进行比对，得到所述待识别人脸的识别结果。
在一个实施例中，所述将所述待识别特征数据和多个预置特征数据进行比对，得到所述待识别人脸的识别结果，包括：
将所述待识别特征数据和所述多个预置特征数据输入特征比对函数，得到所述待识别人脸与各个所述预置特征数据对应的预置人脸相同的概率值；
从多个所述概率值中挑选出最大概率值，若所述最大概率值超过预设概率值，则将所述最大概率值对应的预置人脸作为所述待识别人脸的识别结果。
在一个实施例中，所述获取待识别人脸的二维人脸深度图像，包括：
获取待识别人脸的人脸三维点云数据，所述人脸三维点云数据包括人脸深度数据；
将所述人脸深度数据向笛卡尔坐标系进行投影，得到所述待识别人脸的二维人脸深度图像。
在一个实施例中，所述根据所述二维人脸深度图像和所述二维人脸彩色图像，得到人脸融合图像，包括：
将所述二维人脸深度图像进行分块处理，得到多个深度图像子块；
对每个所述深度图像子块进行噪声识别，得到噪声子块和第一非噪声子块；
对所述噪声子块进行去噪处理，得到第二非噪声子块；
对所述第一非噪声子块和所述第二非噪声子块的深度值进行归一化处理，得到归一化深度图像；
将所述归一化深度图像和所述二维人脸彩色图像进行融合，得到人脸融合图像。
在一个实施例中，在所述对所述噪声子块进行去噪处理，得到第二非噪声子块之后，还包括：
计算各个所述第一非噪声子块的深度值的和以及各个所述第二非噪声子块的深度值的和，确定深度值的和最大的非噪声子块；
获取所述深度值的和最大的非噪声子块的最大深度值；
所述对所述第一非噪声子块和所述第二非噪声子块的深度值进行归一化处理，得到归一化深度图像，包括：
根据所述最大深度值，对所述第一非噪声子块和所述第二非噪声子块的深度值进行归一化处理，得到归一化深度图像。
在一个实施例中，所述将所述人脸融合图像输入图像特征识别模型，得到所述图像特征识别模型输出的待识别特征数据，包括：
将所述人脸融合图像依次输入图像特征识别模型的第一卷积层、第一下采样层、第二卷积层、第二下采样层、第三卷积层、第四卷积层和全连接层，得到所述图像特征识别模型输出的待识别特征数据，所述第一卷积层、第二卷积层和第三卷积层的卷积核大小依次递减。
提供了一种人脸识别的装置，包括：
获取模块，用于获取待识别人脸的二维人脸深度图像和二维人脸彩色图像；
融合模块，用于根据所述二维人脸深度图像和所述二维人脸彩色图像，得到人脸融合图像；
特征识别模块，用于将所述人脸融合图像输入图像特征识别模型，得到所述图像特征识别模型输出的待识别特征数据；
比对模块，用于将所述待识别特征数据和多个预置特征数据进行比对，得到所述待识别人脸的识别结果。
在一个实施例中，所述比对模块，包括：
概率值获取模块，用于将所述待识别特征数据和所述多个预置特征数据输入特征比对函数，得到所述待识别人脸与各个所述预置特征数据对应的预置人脸相同的概率值；
最大概率确定模块，用于从多个所述概率值中挑选出最大概率值，若所述最大概率值超过预设概率值，则将所述最大概率值对应的预置人脸作为所述待识别人脸的识别结果。
在一个实施例中，所述获取模块，包括：
三点数据获取模块，用于获取待识别人脸的人脸三维点云数据，所述人脸三维点云数据包括人脸深度数据；
投影模块，用于将所述人脸深度数据向笛卡尔坐标系进行投影，得到所述待识别人脸的二维人脸深度图像。
在一个实施例中，所述融合模块，包括：
子块获取模块，用于将所述二维人脸深度图像进行分块处理，得到多个深度图像子块；
噪声识别模块，用于对每个所述深度图像子块进行噪声识别，得到噪声子块和第一非噪声子块；
去噪模块，用于对所述噪声子块进行去噪处理，得到第二非噪声子块；
归一化模块，用于对所述第一非噪声子块和所述第二非噪声子块的深度值进行归一化处理，得到归一化深度图像；
归一化融合模块，用于将所述归一化深度图像和所述二维人脸彩色图像进行融合，得到人脸融合图像。
在一个实施例中，所述装置，还包括：
深度和计算模块，用于计算各个所述第一非噪声子块的深度值的和以及各个所述第二非噪声子块的深度值的和，确定深度值的和最大的非噪声子块；
最大深度获取模块，用于获取所述深度值的和最大的非噪声子块的最大深度值；
所述归一化模块，包括：
最大深度归一化模块，用于根据所述最大深度值，对所述第一非噪声子块和所述第二非噪声子块的深度值进行归一化处理，得到归一化深度图像。
在一个实施例中，所述特征识别模块，包括：
卷积核递减模块，用于将所述人脸融合图像依次输入图像特征识别模型的第一卷积层、第一下采样层、第二卷积层、第二下采样层、第三卷积层、第四卷积层和全连接层，得到所述图像特征识别模型输出的待识别特征数据，所述第一卷积层、第二卷积层和第三卷积层的卷积核大小依次递减。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行以下步骤：
获取待识别人脸的二维人脸深度图像和二维人脸彩色图像；
根据所述二维人脸深度图像和所述二维人脸彩色图像，得到人脸融合图像；
将所述人脸融合图像输入图像特征识别模型，得到所述图像特征识别模型输出的待识别特征数据；
将所述待识别特征数据和多个预置特征数据进行比对，得到所述待识别人脸的识别结果。
一种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，使得所述处理器执行以下步骤：
获取待识别人脸的二维人脸深度图像和二维人脸彩色图像；
根据所述二维人脸深度图像和所述二维人脸彩色图像，得到人脸融合图像；
将所述人脸融合图像输入图像特征识别模型，得到所述图像特征识别模型输出的待识别特征数据；
将所述待识别特征数据和多个预置特征数据进行比对，得到所述待识别人脸的识别结果。
实施本发明实施例，将具有如下有益效果：
本发明提出了一种人脸识别的方法、装置、计算机设备和存储介质，首先获取待识别人脸的二维人脸深度图像和二维人脸彩色图像；然后根据所述二维人脸深度图像和所述二维人脸彩色图像，得到人脸融合图像；同时，将所述人脸融合图像输入图像特征识别模型，得到所述图像特征识别模型输出的待识别特征数据；最后将所述待识别特征数据和多个预置特征数据进行比对，得到所述待识别人脸的识别结果。可见，上述人脸识别的方式，同时获取到了深度图像和彩色图像，深度图像不像彩色图像那样受光照的影响很大，深度图像几乎不受光照影响，所以，图像特征识别模型最终输出的特征数据由于包含了深度特征，在一定程度上对光照免疫，因此，该人脸识别方法能够提高受光照影响的人脸图像的识别的准确率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
其中：
图1为一个实施例中人脸识别的方法的实现流程示意图；
图2为一个实施例中步骤104的实现流程示意图；
图3为一个实施例中二维人脸深度图像分块的示意图；
图4为一个实施例中步骤104的实现流程示意图；
图5为一个实施例中多层卷积神经网络的示意图；
图6为一个实施例中人脸识别的装置的结构框图；
图7为一个实施例中计算机设备的结构框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图1所示，在一个实施例中，提供了一种人脸识别的方法，本发明实施例所述的人脸识别的方法的执行主体为服务器和终端设备，所述服务器可以包括但不限于高性能计算机和高性能计算机集群；所述终端设备可以包括但不限于移动终端设备和台式终端设备，所述移动终端设备可以包括但不限于手机、平板电脑、智能手表和笔记本电脑，所述台式终端设备可以包括但不限于台式电脑和车载电脑。具体的，本发明实施例所述的人脸识别的方法，包括如下步骤：
步骤102，获取待识别人脸的二维人脸深度图像和二维人脸彩色图像。
所述二维人脸深度图像，指示在二维平面上的反映人脸深度值的图像，即在二维人脸深度图像上，像素点的坐标为横坐标和纵坐标，某个坐标对应的值为深度值，例如，像素点(x，y)的深度值为188。
二维人脸彩色图像，指示在二维平面上的反映人脸颜色特征的图像，即在二维人脸彩色图像上，像素点的坐标为横坐标和纵坐标，某个坐标对应的值为颜色值，即RGB的值，例如，像素点(x，y)的颜色值RGB为：R＝123，G＝56，B＝111。
在本发明实施例中，可以通过双目摄像头获取到二维人脸彩色图像和二维人脸深度图像。
在本发明实施例中，步骤102所述获取待识别人脸的二维人脸深度图像，包括：获取待识别人脸的人脸三维点云数据，所述人脸三维点云数据包括人脸深度数据；将所述人脸深度数据向笛卡尔坐标系进行投影，得到所述待识别人脸的二维人脸深度图像。
所述人脸三维点云数据，指示在三维平面上的反映人脸信息的数据，该人脸三维点云数据，可以包括但不限于人脸坐标数据、人脸颜色数据和人脸深度数据，其中，人脸坐标数据包括xyz三个方向的位置数据，人脸颜色数据包括RGB颜色数据，人脸深度数据包括深度值数据。
由于在采集人脸三维点云数据时，坐标原点的设定无从得知，因此所得到的点云的三维坐标值并不固定在某个范围内，但点云之间的相对关系是不变的，因此，需要将人脸深度数据向笛卡尔坐标系(横纵坐标度量单位相同)即标准坐标系进行投影，以统一坐标数据标准。
在本发明实施例中，在步骤102所述获取待识别人脸的二维人脸深度图像和二维人脸彩色图像之前，还可以包括：对所述二维人脸深度图像和所述二维人脸彩色图像进行图像尺度变换和人脸角度调整。
在这里，将二维人脸深度图像和二维人脸彩色图像进行尺度变换，以使图像的尺寸满足预设要求，例如，获取到的图像的尺寸是1024×768，最终经过尺度变换，得到的尺寸是512×384。同时，由于人脸并不是正向前方，因此，还需要对人脸所超角度进行调整，以使人脸面向正前方，有很多算法能够实现对人脸朝向的调整，在此不再详述。
步骤104，根据所述二维人脸深度图像和所述二维人脸彩色图像，得到人脸融合图像。
在本发明实施例中，可将二维人脸深度图像和二维人脸彩色图像进行融合，得到人脸融合图像，这样，得到的人脸融合图像能够同时包含深度信息和彩色信息，以使图像特征识别模型能够同时提取到人脸的深度特征和颜色特征，增大了对光照免疫的特征数据的提取。
作为本发明的一种实施方式，如图2所示，步骤104所述根据所述二维人脸深度图像和所述二维人脸彩色图像，得到人脸融合图像，包括：
步骤104A，将所述二维人脸深度图像进行分块处理，得到多个深度图像子块。
首先获取二维人脸深度图像的最大高度值ymax、最小高度值ymin、最大宽度值xmax和最小宽度值xmin，根据最大高度值ymax和最小高度值ymin确定二维人脸深度图像的高度大小为ymax-ymin，宽度大小为xmax-xmin；假设划分为N×N个深度图像子块，则每一个深度图像子块的高度为(ymax-ymin)/N，宽度为(xmax-xmin)/N。
例如，将大小为1024×768的二维人脸深度图像分成64×32个深度图像子块，每个深度图像子块的大小为16×24，作为一种示例，可如图3所示。
步骤104B，对每个所述深度图像子块进行噪声识别，得到噪声子块和第一非噪声子块。
在得到多个深度图像子块之后，对每个所述深度图像子块进行噪声识别，以完成对所有深度图像子块扫描，更好的扫描出小范围内的噪声，经过扫描，将包含有噪声的深度图像子块标记为噪声子块，将不包含噪声的深度图像子块标记为第一非噪声子块。
可以理解的是，由于噪声的扫描设置在一个比较小的深度图像子块的区域，相较于直接针对整幅二维人脸深度图像进行扫描去噪的方式，这样的方式，由于扫描范围更小，小范围内的像素点的相关性较高，即小范围内的像素点的各种信息比较相似，比如深度信息比较相似，颜色信息也比较相似，因此，这样能更好的提取出特征，而在整幅二维人脸深度图像进行扫描的时候，由于扫描范围过大，噪点的标准不好认定，导致最终不能很好的将所有的噪点扫描出来，扫描精度低。
步骤104C，对所述噪声子块进行去噪处理，得到第二非噪声子块。
在从多个深度图像子块中区分出噪声子块之后，对其进行去噪处理，得到不包含噪声的第二非噪声子块，例如，采用双立方差值的方法进行去噪处理，首先获取噪点周围一定范围内的像素的深度值，然后利用该一定范围内的像素点的深度值的加权平均去替换噪点的深度值。
步骤104D，对所述第一非噪声子块和所述第二非噪声子块的深度值进行归一化处理，得到归一化深度图像。
在这里的归一化处理，只是将深度值进行归一化，归一化只改变值的大小，不改变图像属性。例如，以255为最大深度值，那么，深度值51归一化的结果为0.200，深度值60归一化的结果为0.235。在对第一非噪声子块和第二非噪声子块的深度值进行归一化之后，将各个经过归一化的非噪声子块进行组合，得到归一化深度图像。
在这里，由于进行了归一化，使得二维人脸深度图像的深度值能够限定在一个标准的范围内，不至于出现太大的深度巨变。
步骤104E，将所述归一化深度图像和所述二维人脸彩色图像进行融合，得到人脸融合图像。
在这里，将归一化的深度图像和二维人脸彩色图像进行融合，得到人脸融合图像，这样，经过融合的人脸融合图像同时包含了深度信息和颜色信息，使得图像特征识别模型能够同时输出包含深度特征和颜色特征的特征向量，便于后续进行人脸的比对，提高受光照影响的人脸识别的准确率。
在本发明实施例中，如图4所示，在步骤104C所述对所述噪声子块进行去噪处理，得到第二非噪声子块之后，还包括：
步骤104F，计算各个所述第一非噪声子块的深度值的和以及各个所述第二非噪声子块的深度值的和，确定深度值的和最大的非噪声子块。
在这里，首先确定鼻尖点所在的非噪声子块。可以理解的是，由于人脸是正向超前的，因此，鼻子部分所在的非噪声子块的深度值的和将最大，从而可以比较各个非噪声子块的深度值的和确定鼻子部分所在的非噪声子块。
步骤104G，获取所述深度值的和最大的非噪声子块的最大深度值。
由于人脸是正向超前，所以理论上鼻尖像素点对应的深度值应该是最大的，所以，在确定深度值的和最大的非噪声子块之后，将该非噪声子块中的像素点的最大深度值认定为鼻尖的深度值，然后再以该深度值实现非噪声子块的深度值归一化。
相应的，步骤104D所述对所述第一非噪声子块和所述第二非噪声子块的深度值进行归一化处理，得到归一化深度图像，包括：
步骤104H，根据所述最大深度值，对所述第一非噪声子块和所述第二非噪声子块的深度值进行归一化处理，得到归一化深度图像。
具体的，假设最大深度值为Dmax，于是，根据某一像素点对应的深度值D与该最大深度值Dmax确定深度比例，以实现对深度值的归一化，得到归一化深度图像。例如，最大深度值为230，一像素点对应的深度值为200，则深度归一化的结果为0.8696，另一像素点对应的深度值为23，则深度归一化的结果为0.1000。
在这里，为了更好的对深度值进行归一化，采用鼻尖点的深度值作为最大深度值，然后以鼻尖点的深度值对非噪声子块中的各个像素点的深度值进行归一化，这样得到的每幅图的归一化的深度值更为准确，因为，每幅图鼻尖点的深度值不一定就等于255，最终通过以鼻尖点为标准进行归一化，使得每幅图像归一化的结果更能和图像本省相符合。
步骤106，将所述人脸融合图像输入图像特征识别模型，得到所述图像特征识别模型输出的待识别特征数据。
在这里，将人脸融合图像输入图像特征识别模型进行特征提取，得到待识别特征数据。具体的，图像特征识别模型包括卷积神经网络，其中，卷积神经网络，是一类包含卷积计算且具有深度结构的前馈神经网络，是深度学习的代表算法之一，由于卷积神经网络能够进行平移不变分类，因此，也被称为平移不变人工神经网络。卷积神经网络仿造生物的视知觉机制构建，可以进行监督学习和非监督学习，其隐含层内的卷积核参数共享和层间连接的稀疏性使得卷积神经网络能够以较小的计算量对格点化特征。
作为本发明的一种实施方式，如图5所示，步骤106所述将所述人脸融合图像输入图像特征识别模型，得到所述图像特征识别模型输出的待识别特征数据，包括：将所述人脸融合图像依次输入图像特征识别模型的第一卷积层、第一下采样层、第二卷积层、第二下采样层、第三卷积层、第四卷积层和全连接层，得到所述图像特征识别模型输出的待识别特征数据，所述第一卷积层、第二卷积层和第三卷积层的卷积核大小依次递减。
所述卷积层，主要提取局部特征，卷积层的操作可以理解为对一个块区域的像素求内积，内积的输出就是卷积层得到的特征，卷积层会设置卷积核，卷积核中会设置多个权重值，卷积核的大小通常为N×N；所述下采样层，用于聚合特征，即对特征降维以减少计算量；所述全连接层，用于提取全局特征，全连接层的每一个结点都与上一层的所有结点相连，用来把前边提取到的特征综合起来。
下面作为一种示例对上述卷积神经网络的设置进行具体的说明。对于第一卷积层，采用5×5的卷积核，32个滤波器，滑动步长为1，通道数设置为4；对于第一下采样层，池化窗口大小设置为2×2，通道数为64，步长设定为2；第二卷积层，采用3×3的卷积核，32个滤波器，滑动步长为1，通道数设置为64；第二下采样层，池化窗口大小设置为2×2，通道数为64，步长设定为2；第三卷积层，采用2×2的卷积核，64个滤波器，滑动步长为1，通道数设置为64；第四卷积层，采用2×2的卷积核，32个滤波器，滑动步长为1，通道数设置为32；全连接层将第四卷积层的输出作为输入，第四卷积层的各个输出作为全连接层一个节点的输入，该节点通过综合第四卷积层的各个输出得到该节点的输出。在搭建卷积神经网络各层之前，需要进行卷积神经网络学习速率的配置以及卷积神经网络各层的权重分配，以调节卷积神经网络训练速度和识别效果。例如，将权重学习速率epsW设置为0.001，偏置epsB的学习速率设置为0.002，权重动量momW设置为0.9，偏置动量momB设置为0.9，L2范数衰减wc为0。权重需要根据当前所在卷积神经网络中的层数进行实时更新，例如：
其中，i表示层数，weight_inc[i]为样本在卷积神经网络中第i层时的训练权重增量，weight_grads[i]为样本在卷积神经网络中第i层时训练的权重梯度方式，weight[i]为样本在卷积神经网络中第i层时训练的权重值；在初始阶段，网络的权重以及偏置需要进行初始化，其中，权重以0.00001标准方差的分布进行初始化，偏置设为0。因为卷积神经网络的计算量大，计算梯度缓慢，在某些具体实施方式中，可采用随机批量梯度下降的方式。
在这里，卷积神经网络的卷积层的卷积核大小依次递减，同时，设置了两个下采样层，这样能够减少卷积神经网络中的参数数量，进而大大的减少卷积神经网络的计算量，同时，多个小卷积核堆叠比单一大卷积核带来了精度的升华，即相较于一个大的卷积核，多个小卷积核堆叠能够提取到更好、更强的特征。
步骤108，将所述待识别特征数据和多个预置特征数据进行比对，得到所述待识别人脸的识别结果。
所述预置特征数据，为预先设置的多个不同人脸的特征数据。
在这里，将待识别特征数据和多个预置特征数据进行比对，确定特征数据的相似程度，然后根据相似程度确定识别结果。例如，采用SVM支持向量机进行特征比对。
作为本发明一种实施方式，步骤108所述将所述人脸融合图像输入图像特征识别模型，得到所述图像特征识别模型输出的待识别特征数据，包括：
步骤108A，将所述待识别特征数据和所述多个预置特征数据输入特征比对函数，得到所述待识别人脸与各个所述预置特征数据对应的预置人脸相同的概率值。
所述特征比对函数，为能够进行特征相似度比较的函数，该函数能够输出多个概率值，其中，概率值用于表征特征与特征之间的相同程度。例如，特征比对函数为softmax函数。
将待识别特征数据和多个预置特征数据输入特征比对函数，得到特征比对函数输出的多个概率值。
步骤108B，从多个所述概率值中挑选出最大概率值，若所述最大概率值超过预设概率值，则将所述最大概率值对应的预置人脸作为所述待识别人脸的识别结果。
例如，将待识别特征数据A和多个预置特征数据B、C和D输入特征比对函数，得到输出为[0.5,0.6,0.3]，于是，最大概率值为0.6，假设预设概率值为0.59，那么最大概率值超过了预设概率值，获取预置特征数据C对应的预置人脸，该预置人脸为张三，于是，待识别人脸的识别结果：张三。
在本发明实施例中，若最大概率值小于或等于预设概率值，则人脸识别失败。
上述人脸识别的方法，首先获取待识别人脸的二维人脸深度图像和二维人脸彩色图像；然后根据所述二维人脸深度图像和所述二维人脸彩色图像，得到人脸融合图像；同时，将所述人脸融合图像输入图像特征识别模型，得到所述图像特征识别模型输出的待识别特征数据；最后将所述待识别特征数据和多个预置特征数据进行比对，得到所述待识别人脸的识别结果。可见，上述人脸识别的方式，同时获取到了深度图像和彩色图像，深度图像不像彩色图像那样受光照的影响很大，深度图像几乎不受光照影响，所以，图像特征识别模型最终输出的特征数据由于包含了深度特征，在一定程度上对光照免疫，因此，该人脸识别方法能够提高受光照影响的人脸图像的识别的准确率。
如图6所示，提供了一种人脸识别的装置600，具体包括：
获取模块602，用于获取待识别人脸的二维人脸深度图像和二维人脸彩色图像；
融合模块604，用于根据所述二维人脸深度图像和所述二维人脸彩色图像，得到人脸融合图像；
特征识别模块606，用于将所述人脸融合图像输入图像特征识别模型，得到所述图像特征识别模型输出的待识别特征数据；
比对模块608，用于将所述待识别特征数据和多个预置特征数据进行比对，得到所述待识别人脸的识别结果。
上述人脸识别的装置，首先获取待识别人脸的二维人脸深度图像和二维人脸彩色图像；然后根据所述二维人脸深度图像和所述二维人脸彩色图像，得到人脸融合图像；同时，将所述人脸融合图像输入图像特征识别模型，得到所述图像特征识别模型输出的待识别特征数据；最后将所述待识别特征数据和多个预置特征数据进行比对，得到所述待识别人脸的识别结果。可见，上述人脸识别的方式，同时获取到了深度图像和彩色图像，深度图像不像彩色图像那样受光照的影响很大，深度图像几乎不受光照影响，所以，图像特征识别模型最终输出的特征数据由于包含了深度特征，在一定程度上对光照免疫，因此，该人脸识别方法能够提高受光照影响的人脸图像的识别的准确率。
在其中一个实施例中，所述比对模块608，包括：
概率值获取模块，用于将所述待识别特征数据和所述多个预置特征数据输入特征比对函数，得到所述待识别人脸与各个所述预置特征数据对应的预置人脸相同的概率值；
最大概率确定模块，用于从多个所述概率值中挑选出最大概率值，若所述最大概率值超过预设概率值，则将所述最大概率值对应的预置人脸作为所述待识别人脸的识别结果。
在其中一个实施例中，所述获取模块602，包括：
三点数据获取模块，用于获取待识别人脸的人脸三维点云数据，所述人脸三维点云数据包括人脸深度数据；
投影模块，用于将所述人脸深度数据向笛卡尔坐标系进行投影，得到所述待识别人脸的二维人脸深度图像。
在其中一个实施例中，所述融合模块604，包括：
子块获取模块，用于将所述二维人脸深度图像进行分块处理，得到多个深度图像子块；
噪声识别模块，用于对每个所述深度图像子块进行噪声识别，得到噪声子块和第一非噪声子块；
去噪模块，用于对所述噪声子块进行去噪处理，得到第二非噪声子块；
归一化模块，用于对所述第一非噪声子块和所述第二非噪声子块的深度值进行归一化处理，得到归一化深度图像；
归一化融合模块，用于将所述归一化深度图像和所述二维人脸彩色图像进行融合，得到人脸融合图像。
在其中一个实施例中，所述装置600，还包括：
深度和计算模块，用于计算各个所述第一非噪声子块的深度值的和以及各个所述第二非噪声子块的深度值的和，确定深度值的和最大的非噪声子块；
最大深度获取模块，用于获取所述深度值的和最大的非噪声子块的最大深度值；
所述归一化模块，包括：
最大深度归一化模块，用于根据所述最大深度值，对所述第一非噪声子块和所述第二非噪声子块的深度值进行归一化处理，得到归一化深度图像。
在其中一个实施例中，所述特征识别模块606，包括：
卷积核递减模块，用于将所述人脸融合图像依次输入图像特征识别模型的第一卷积层、第一下采样层、第二卷积层、第二下采样层、第三卷积层、第四卷积层和全连接层，得到所述图像特征识别模型输出的待识别特征数据，所述第一卷积层、第二卷积层和第三卷积层的卷积核大小依次递减。
图7示出了一个实施例中计算机设备的内部结构图。该计算机设备可以是服务器和终端设备，所述服务器可以包括但不限于高性能计算机和高性能计算机集群；所述终端设备可以包括但不限于移动终端设备和台式终端设备，所述移动终端设备可以包括但不限于手机、平板电脑、智能手表和笔记本电脑，所述台式终端设备可以包括但不限于台式电脑和车载电脑。如图7所示，该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，存储器包括非易失性存储介质和内存储器。该计算机设备的非易失性存储介质存储有操作系统，还可存储有计算机程序，该计算机程序被处理器执行时，可使得处理器实现人脸识别的方法。该内存储器中也可储存有计算机程序，该计算机程序被处理器执行时，可使得处理器执行人脸识别的方法。本领域技术人员可以理解，图7中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，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。
在一个实施例中，本申请提供的人脸识别的方法可以实现为一种计算机程序的形式，计算机程序可在如图7所示的计算机设备上运行。计算机设备的存储器中可存储组成人脸识别的装置600的各个程序模板。比如，获取模块602、融合模块604、特征识别模块606和比对模块608。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如下步骤：
获取待识别人脸的二维人脸深度图像和二维人脸彩色图像；
根据所述二维人脸深度图像和所述二维人脸彩色图像，得到人脸融合图像；
将所述人脸融合图像输入图像特征识别模型，得到所述图像特征识别模型输出的待识别特征数据；
将所述待识别特征数据和多个预置特征数据进行比对，得到所述待识别人脸的识别结果。
上述计算机设备，首先获取待识别人脸的二维人脸深度图像和二维人脸彩色图像；然后根据所述二维人脸深度图像和所述二维人脸彩色图像，得到人脸融合图像；同时，将所述人脸融合图像输入图像特征识别模型，得到所述图像特征识别模型输出的待识别特征数据；最后将所述待识别特征数据和多个预置特征数据进行比对，得到所述待识别人脸的识别结果。可见，上述人脸识别的方式，同时获取到了深度图像和彩色图像，深度图像不像彩色图像那样受光照的影响很大，深度图像几乎不受光照影响，所以，图像特征识别模型最终输出的特征数据由于包含了深度特征，在一定程度上对光照免疫，因此，该人脸识别方法能够提高受光照影响的人脸图像的识别的准确率。
在其中一个实施例中，所述将所述待识别特征数据和多个预置特征数据进行比对，得到所述待识别人脸的识别结果，包括：
将所述待识别特征数据和所述多个预置特征数据输入特征比对函数，得到所述待识别人脸与各个所述预置特征数据对应的预置人脸相同的概率值；
从多个所述概率值中挑选出最大概率值，若所述最大概率值超过预设概率值，则将所述最大概率值对应的预置人脸作为所述待识别人脸的识别结果。
在其中一个实施例中，所述获取待识别人脸的二维人脸深度图像，包括：
获取待识别人脸的人脸三维点云数据，所述人脸三维点云数据包括人脸深度数据；
将所述人脸深度数据向笛卡尔坐标系进行投影，得到所述待识别人脸的二维人脸深度图像。
在其中一个实施例中，所述根据所述二维人脸深度图像和所述二维人脸彩色图像，得到人脸融合图像，包括：
将所述二维人脸深度图像进行分块处理，得到多个深度图像子块；
对每个所述深度图像子块进行噪声识别，得到噪声子块和第一非噪声子块；
对所述噪声子块进行去噪处理，得到第二非噪声子块；
对所述第一非噪声子块和所述第二非噪声子块的深度值进行归一化处理，得到归一化深度图像；
将所述归一化深度图像和所述二维人脸彩色图像进行融合，得到人脸融合图像。
在其中一个实施例中，所述计算机程序被所述处理器执行时，还用于：
计算各个所述第一非噪声子块的深度值的和以及各个所述第二非噪声子块的深度值的和，确定深度值的和最大的非噪声子块；
获取所述深度值的和最大的非噪声子块的最大深度值；
所述对所述第一非噪声子块和所述第二非噪声子块的深度值进行归一化处理，得到归一化深度图像，包括：
根据所述最大深度值，对所述第一非噪声子块和所述第二非噪声子块的深度值进行归一化处理，得到归一化深度图像。
在其中一个实施例中，所述将所述人脸融合图像输入图像特征识别模型，得到所述图像特征识别模型输出的待识别特征数据，包括：
将所述人脸融合图像依次输入图像特征识别模型的第一卷积层、第一下采样层、第二卷积层、第二下采样层、第三卷积层、第四卷积层和全连接层，得到所述图像特征识别模型输出的待识别特征数据，所述第一卷积层、第二卷积层和第三卷积层的卷积核大小依次递减。
在一个实施例中，提出了一种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，使得所述处理器执行以下步骤：
获取待识别人脸的二维人脸深度图像和二维人脸彩色图像；
根据所述二维人脸深度图像和所述二维人脸彩色图像，得到人脸融合图像；
将所述人脸融合图像输入图像特征识别模型，得到所述图像特征识别模型输出的待识别特征数据；
将所述待识别特征数据和多个预置特征数据进行比对，得到所述待识别人脸的识别结果。
上述计算机可读存储介质，首先获取待识别人脸的二维人脸深度图像和二维人脸彩色图像；然后根据所述二维人脸深度图像和所述二维人脸彩色图像，得到人脸融合图像；同时，将所述人脸融合图像输入图像特征识别模型，得到所述图像特征识别模型输出的待识别特征数据；最后将所述待识别特征数据和多个预置特征数据进行比对，得到所述待识别人脸的识别结果。可见，上述人脸识别的方式，同时获取到了深度图像和彩色图像，深度图像不像彩色图像那样受光照的影响很大，深度图像几乎不受光照影响，所以，图像特征识别模型最终输出的特征数据由于包含了深度特征，在一定程度上对光照免疫，因此，该人脸识别方法能够提高受光照影响的人脸图像的识别的准确率。
在其中一个实施例中，所述将所述待识别特征数据和多个预置特征数据进行比对，得到所述待识别人脸的识别结果，包括：
将所述待识别特征数据和所述多个预置特征数据输入特征比对函数，得到所述待识别人脸与各个所述预置特征数据对应的预置人脸相同的概率值；
从多个所述概率值中挑选出最大概率值，若所述最大概率值超过预设概率值，则将所述最大概率值对应的预置人脸作为所述待识别人脸的识别结果。
在其中一个实施例中，所述获取待识别人脸的二维人脸深度图像，包括：
获取待识别人脸的人脸三维点云数据，所述人脸三维点云数据包括人脸深度数据；
将所述人脸深度数据向笛卡尔坐标系进行投影，得到所述待识别人脸的二维人脸深度图像。
在其中一个实施例中，所述根据所述二维人脸深度图像和所述二维人脸彩色图像，得到人脸融合图像，包括：
将所述二维人脸深度图像进行分块处理，得到多个深度图像子块；
对每个所述深度图像子块进行噪声识别，得到噪声子块和第一非噪声子块；
对所述噪声子块进行去噪处理，得到第二非噪声子块；
对所述第一非噪声子块和所述第二非噪声子块的深度值进行归一化处理，得到归一化深度图像；
将所述归一化深度图像和所述二维人脸彩色图像进行融合，得到人脸融合图像。
在其中一个实施例中，所述计算机程序被所述处理器执行时，还用于：
计算各个所述第一非噪声子块的深度值的和以及各个所述第二非噪声子块的深度值的和，确定深度值的和最大的非噪声子块；
获取所述深度值的和最大的非噪声子块的最大深度值；
所述对所述第一非噪声子块和所述第二非噪声子块的深度值进行归一化处理，得到归一化深度图像，包括：
根据所述最大深度值，对所述第一非噪声子块和所述第二非噪声子块的深度值进行归一化处理，得到归一化深度图像。
在其中一个实施例中，所述将所述人脸融合图像输入图像特征识别模型，得到所述图像特征识别模型输出的待识别特征数据，包括：
将所述人脸融合图像依次输入图像特征识别模型的第一卷积层、第一下采样层、第二卷积层、第二下采样层、第三卷积层、第四卷积层和全连接层，得到所述图像特征识别模型输出的待识别特征数据，所述第一卷积层、第二卷积层和第三卷积层的卷积核大小依次递减。
需要说明的是，上述人脸识别的方法、人脸识别的装置、计算机设备及计算机可读存储介质属于一个总的发明构思，人脸识别的方法、人脸识别的装置、计算机设备及计算机可读存储介质实施例中的内容可相互适用。
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，所述的程序可存储于一非易失性计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请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申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种人脸识别的方法，其特征在于，包括：
获取待识别人脸的二维人脸深度图像和二维人脸彩色图像；
根据所述二维人脸深度图像和所述二维人脸彩色图像，得到人脸融合图像；
将所述人脸融合图像输入图像特征识别模型，得到所述图像特征识别模型输出的待识别特征数据；
将所述待识别特征数据和多个预置特征数据进行比对，得到所述待识别人脸的识别结果。
2.如权利要求1所述的方法，其特征在于，所述将所述待识别特征数据和多个预置特征数据进行比对，得到所述待识别人脸的识别结果，包括：
将所述待识别特征数据和所述多个预置特征数据输入特征比对函数，得到所述待识别人脸与各个所述预置特征数据对应的预置人脸相同的概率值；
从多个所述概率值中挑选出最大概率值，若所述最大概率值超过预设概率值，则将所述最大概率值对应的预置人脸作为所述待识别人脸的识别结果。
3.如权利要求1所述的方法，其特征在于，所述获取待识别人脸的二维人脸深度图像，包括：
获取待识别人脸的人脸三维点云数据，所述人脸三维点云数据包括人脸深度数据；
将所述人脸深度数据向笛卡尔坐标系进行投影，得到所述待识别人脸的二维人脸深度图像。
4.如权利要求1所述的方法，其特征在于，所述根据所述二维人脸深度图像和所述二维人脸彩色图像，得到人脸融合图像，包括：
将所述二维人脸深度图像进行分块处理，得到多个深度图像子块；
对每个所述深度图像子块进行噪声识别，得到噪声子块和第一非噪声子块；
对所述噪声子块进行去噪处理，得到第二非噪声子块；
对所述第一非噪声子块和所述第二非噪声子块的深度值进行归一化处理，得到归一化深度图像；
将所述归一化深度图像和所述二维人脸彩色图像进行融合，得到人脸融合图像。
5.如权利要求4所述的方法，其特征在于，在所述对所述噪声子块进行去噪处理，得到第二非噪声子块之后，还包括：
计算各个所述第一非噪声子块的深度值的和以及各个所述第二非噪声子块的深度值的和，确定深度值的和最大的非噪声子块；
获取所述深度值的和最大的非噪声子块的最大深度值；
所述对所述第一非噪声子块和所述第二非噪声子块的深度值进行归一化处理，得到归一化深度图像，包括：
根据所述最大深度值，对所述第一非噪声子块和所述第二非噪声子块的深度值进行归一化处理，得到归一化深度图像。
6.如权利要求1所述的方法，其特征在于，所述将所述人脸融合图像输入图像特征识别模型，得到所述图像特征识别模型输出的待识别特征数据，包括：
将所述人脸融合图像依次输入图像特征识别模型的第一卷积层、第一下采样层、第二卷积层、第二下采样层、第三卷积层、第四卷积层和全连接层，得到所述图像特征识别模型输出的待识别特征数据，所述第一卷积层、第二卷积层和第三卷积层的卷积核大小依次递减。
7.一种人脸识别的装置，其特征在于，包括：
获取模块，用于获取待识别人脸的二维人脸深度图像和二维人脸彩色图像；
融合模块，用于根据所述二维人脸深度图像和所述二维人脸彩色图像，得到人脸融合图像；
特征识别模块，用于将所述人脸融合图像输入图像特征识别模型，得到所述图像特征识别模型输出的待识别特征数据；
比对模块，用于将所述待识别特征数据和多个预置特征数据进行比对，得到所述待识别人脸的识别结果。
8.如权利要求7所述的装置，其特征在于，所述融合模块，包括：
子块获取模块，用于将所述二维人脸深度图像进行分块处理，得到多个深度图像子块；
噪声识别模块，用于对每个所述深度图像子块进行噪声识别，得到噪声子块和第一非噪声子块；
去噪模块，用于对所述噪声子块进行去噪处理，得到第二非噪声子块；
归一化模块，用于对所述第一非噪声子块和所述第二非噪声子块的深度值进行归一化处理，得到归一化深度图像；
归一化融合模块，用于将所述归一化深度图像和所述二维人脸彩色图像进行融合，得到人脸融合图像。
9.一种计算机设备，其特征在于，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6任一项所述人脸识别的方法的步骤。
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6任一项所述人脸识别的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910152895.3A CN109948467A (zh) | 2019-02-28 | 2019-02-28 | 人脸识别的方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910152895.3A CN109948467A (zh) | 2019-02-28 | 2019-02-28 | 人脸识别的方法、装置、计算机设备和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109948467A true CN109948467A (zh) | 2019-06-28 |
Family
ID=67006535
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910152895.3A Pending CN109948467A (zh) | 2019-02-28 | 2019-02-28 | 人脸识别的方法、装置、计算机设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109948467A (zh) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110363145A (zh) * | 2019-07-16 | 2019-10-22 | 深圳市凌云视迅科技有限责任公司 | 基于稀疏fpn的3d物体点云数据识别方法 |
| CN111079700A (zh) * | 2019-12-30 | 2020-04-28 | 河南中原大数据研究院有限公司 | 一种基于多种数据类型融合的三维人脸识别方法 |
| CN111401331A (zh) * | 2020-04-27 | 2020-07-10 | 支付宝(杭州)信息技术有限公司 | 人脸识别方法及装置 |
| CN111680574A (zh) * | 2020-05-18 | 2020-09-18 | 北京的卢深视科技有限公司 | 一种人脸检测方法、装置、电子设备和存储介质 |
| CN111881706A (zh) * | 2019-11-27 | 2020-11-03 | 马上消费金融股份有限公司 | 活体检测、图像分类和模型训练方法、装置、设备及介质 |
| CN112784659A (zh) * | 2019-11-01 | 2021-05-11 | 财团法人工业技术研究院 | 拟真虚拟人脸产生方法与系统，及其人脸辨识方法与系统 |
| CN113780222A (zh) * | 2021-09-17 | 2021-12-10 | 深圳市繁维科技有限公司 | 一种人脸活体检测方法、装置、电子设备和可读存储介质 |
| CN113837105A (zh) * | 2021-09-26 | 2021-12-24 | 北京的卢深视科技有限公司 | 人脸识别方法、系统、电子设备及存储介质 |
| WO2022222636A1 (zh) * | 2021-04-20 | 2022-10-27 | 腾讯科技（深圳）有限公司 | 面部识别方法、装置、设备及介质 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160379041A1 (en) * | 2015-06-24 | 2016-12-29 | Samsung Electronics Co., Ltd. | Face recognition method and apparatus |
| CN107491726A (zh) * | 2017-07-04 | 2017-12-19 | 重庆邮电大学 | 一种基于多通道并行卷积神经网络的实时表情识别方法 |
| US20180025214A1 (en) * | 2016-07-25 | 2018-01-25 | Hon Hai Precision Industry Co., Ltd. | Face recognition method |
| CN107844744A (zh) * | 2017-10-09 | 2018-03-27 | 平安科技（深圳）有限公司 | 结合深度信息的人脸识别方法、装置及存储介质 |
| CN108197587A (zh) * | 2018-01-18 | 2018-06-22 | 中科视拓（北京）科技有限公司 | 一种通过人脸深度预测进行多模态人脸识别的方法 |
| CN108280418A (zh) * | 2017-12-12 | 2018-07-13 | 北京深醒科技有限公司 | 脸部图像的欺骗识别方法及装置 |
| CN108520204A (zh) * | 2018-03-16 | 2018-09-11 | 西北大学 | 一种人脸识别方法 |
| CN108549873A (zh) * | 2018-04-19 | 2018-09-18 | 北京华捷艾米科技有限公司 | 三维人脸识别方法和三维人脸识别系统 |
| CN108615007A (zh) * | 2018-04-23 | 2018-10-02 | 深圳大学 | 基于特征张量的三维人脸识别方法、装置及存储介质 |
-
2019
- 2019-02-28 CN CN201910152895.3A patent/CN109948467A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160379041A1 (en) * | 2015-06-24 | 2016-12-29 | Samsung Electronics Co., Ltd. | Face recognition method and apparatus |
| US20180025214A1 (en) * | 2016-07-25 | 2018-01-25 | Hon Hai Precision Industry Co., Ltd. | Face recognition method |
| CN107491726A (zh) * | 2017-07-04 | 2017-12-19 | 重庆邮电大学 | 一种基于多通道并行卷积神经网络的实时表情识别方法 |
| CN107844744A (zh) * | 2017-10-09 | 2018-03-27 | 平安科技（深圳）有限公司 | 结合深度信息的人脸识别方法、装置及存储介质 |
| CN108280418A (zh) * | 2017-12-12 | 2018-07-13 | 北京深醒科技有限公司 | 脸部图像的欺骗识别方法及装置 |
| CN108197587A (zh) * | 2018-01-18 | 2018-06-22 | 中科视拓（北京）科技有限公司 | 一种通过人脸深度预测进行多模态人脸识别的方法 |
| CN108520204A (zh) * | 2018-03-16 | 2018-09-11 | 西北大学 | 一种人脸识别方法 |
| CN108549873A (zh) * | 2018-04-19 | 2018-09-18 | 北京华捷艾米科技有限公司 | 三维人脸识别方法和三维人脸识别系统 |
| CN108615007A (zh) * | 2018-04-23 | 2018-10-02 | 深圳大学 | 基于特征张量的三维人脸识别方法、装置及存储介质 |
Cited By (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110363145B (zh) * | 2019-07-16 | 2022-11-29 | 深圳市凌云视迅科技有限责任公司 | 基于稀疏fpn的3d物体点云数据识别方法 |
| CN110363145A (zh) * | 2019-07-16 | 2019-10-22 | 深圳市凌云视迅科技有限责任公司 | 基于稀疏fpn的3d物体点云数据识别方法 |
| US11270101B2 (en) * | 2019-11-01 | 2022-03-08 | Industrial Technology Research Institute | Imaginary face generation method and system, and face recognition method and system using the same |
| CN112784659B (zh) * | 2019-11-01 | 2023-09-26 | 财团法人工业技术研究院 | 拟真虚拟人脸产生方法与系统，及其人脸辨识方法与系统 |
| TWI775006B (zh) * | 2019-11-01 | 2022-08-21 | 財團法人工業技術研究院 | 擬真虛擬人臉產生方法與系統，及應用其之人臉辨識方法與系統 |
| CN112784659A (zh) * | 2019-11-01 | 2021-05-11 | 财团法人工业技术研究院 | 拟真虚拟人脸产生方法与系统，及其人脸辨识方法与系统 |
| CN111881706A (zh) * | 2019-11-27 | 2020-11-03 | 马上消费金融股份有限公司 | 活体检测、图像分类和模型训练方法、装置、设备及介质 |
| CN111079700B (zh) * | 2019-12-30 | 2023-04-07 | 陕西西图数联科技有限公司 | 一种基于多种数据类型融合的三维人脸识别方法 |
| CN111079700A (zh) * | 2019-12-30 | 2020-04-28 | 河南中原大数据研究院有限公司 | 一种基于多种数据类型融合的三维人脸识别方法 |
| WO2021218659A1 (zh) * | 2020-04-27 | 2021-11-04 | 支付宝(杭州)信息技术有限公司 | 人脸识别 |
| CN111401331A (zh) * | 2020-04-27 | 2020-07-10 | 支付宝(杭州)信息技术有限公司 | 人脸识别方法及装置 |
| CN111680574A (zh) * | 2020-05-18 | 2020-09-18 | 北京的卢深视科技有限公司 | 一种人脸检测方法、装置、电子设备和存储介质 |
| CN111680574B (zh) * | 2020-05-18 | 2023-08-04 | 合肥的卢深视科技有限公司 | 一种人脸检测方法、装置、电子设备和存储介质 |
| WO2022222636A1 (zh) * | 2021-04-20 | 2022-10-27 | 腾讯科技（深圳）有限公司 | 面部识别方法、装置、设备及介质 |
| CN113780222A (zh) * | 2021-09-17 | 2021-12-10 | 深圳市繁维科技有限公司 | 一种人脸活体检测方法、装置、电子设备和可读存储介质 |
| CN113780222B (zh) * | 2021-09-17 | 2024-02-27 | 深圳市繁维科技有限公司 | 一种人脸活体检测方法、装置、电子设备和可读存储介质 |
| CN113837105A (zh) * | 2021-09-26 | 2021-12-24 | 北京的卢深视科技有限公司 | 人脸识别方法、系统、电子设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109948467A (zh) | 人脸识别的方法、装置、计算机设备和存储介质 | |
| CN110348330B (zh) | 基于vae-acgan的人脸姿态虚拟视图生成方法 | |
| CN112418074B (zh) | 一种基于自注意力的耦合姿态人脸识别方法 | |
| CN111160269A (zh) | 一种人脸关键点检测方法及装置 | |
| US20200401842A1 (en) | Human Hairstyle Generation Method Based on Multi-Feature Retrieval and Deformation | |
| CN104866810B (zh) | 一种深度卷积神经网络的人脸识别方法 | |
| CN105447441B (zh) | 人脸认证方法和装置 | |
| CN101819628B (zh) | 结合形状特征的稀疏表示人脸识别方法 | |
| CN110533077B (zh) | 用于高光谱图像分类的形状自适应卷积深度神经网络方法 | |
| CN106407958B (zh) | 基于双层级联的面部特征检测方法 | |
| CN112766160A (zh) | 基于多级属性编码器和注意力机制的人脸替换方法 | |
| CN109166102A (zh) | 一种基于判别区域候选对抗网络的图像转图像翻译方法 | |
| CN106778468A (zh) | 3d人脸识别方法及设备 | |
| CN111126240B (zh) | 一种三通道特征融合人脸识别方法 | |
| CN107066969A (zh) | 一种人脸识别方法 | |
| CN106778489A (zh) | 人脸3d特征身份信息库的建立方法及设备 | |
| CN104966081B (zh) | 书脊图像识别方法 | |
| CN108647690A (zh) | 用于非约束人脸识别的判别稀疏保持投影方法 | |
| CN112686191B (zh) | 基于人脸三维信息的活体防伪方法、系统、终端及介质 | |
| CN105893916A (zh) | 一种对检测人脸的预处理、特征提取到降维描述的新方法 | |
| Terada et al. | 3D facial landmark detection using deep convolutional neural networks | |
| CN105760815A (zh) | 基于第二代身份证人像和视频人像的异构人脸核实方法 | |
| CN113947814A (zh) | 一种基于时空信息增强和多尺度显著性特征提取的跨视角步态识别方法 | |
| Zuobin et al. | Feature regrouping for cca-based feature fusion and extraction through normalized cut | |
| Liu et al. | Shape context based mesh saliency detection and its applications: A survey |
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: 20190628 |