CN110119746B - 一种特征识别方法及装置、计算机可读存储介质 - Google Patents

一种特征识别方法及装置、计算机可读存储介质 Download PDF

Info

Publication number
CN110119746B
CN110119746B CN201910381801.XA CN201910381801A CN110119746B CN 110119746 B CN110119746 B CN 110119746B CN 201910381801 A CN201910381801 A CN 201910381801A CN 110119746 B CN110119746 B CN 110119746B
Authority
CN
China
Prior art keywords
preset
feature
sample
determining
value
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.)
Active
Application number
CN201910381801.XA
Other languages
English (en)
Other versions
CN110119746A (zh
Inventor
陈卓
吴一超
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.)
Beijing Sensetime Technology Development Co Ltd
Original Assignee
Beijing Sensetime Technology Development 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 Beijing Sensetime Technology Development Co Ltd filed Critical Beijing Sensetime Technology Development Co Ltd
Priority to CN202111172914.2A priority Critical patent/CN113936298A/zh
Priority to CN201910381801.XA priority patent/CN110119746B/zh
Publication of CN110119746A publication Critical patent/CN110119746A/zh
Application granted granted Critical
Publication of CN110119746B publication Critical patent/CN110119746B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • 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
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Image Analysis (AREA)
  • Character Discrimination (AREA)

Abstract

本实施例公开一种特征识别方法及装置、计算机可读存储介质，该方法可以包括：在接收到初始特征表示的情况下，将初始特征表示输入预设图像生成网络中，得到初始特征表示对应的重构图像；将重构图像输入预设特征提取网络中，得到重构图像对应的当前特征表示；在获取到待识别特征表示的情况下，确定待识别特征表示与当前特征表示是否匹配，以完成特征识别的过程。

Description

一种特征识别方法及装置、计算机可读存储介质
技术领域
本公开涉及图像处理领域，尤其涉及一种特征识别方法及装置、计算机可读存储介质。
背景技术
生物特征识别包括人脸识别、指纹识别等，其应用场景非常广泛，包括智能门禁、安防监控以及手机解锁等，由于生物特征识别在身份认证方面具有重要的应用价值，成为了计算机视觉领域的重要研究对象。近年来，随着深度学习等算法的提出以及核心计算单元性能的增强，生物特征识别得到了发展。
具体的，不同的应用场景使用的特征识别系统不尽相同，使得对于相同的生物特征，通过不同的特征识别系统学习到的特征表示不尽相同，当应用场景更换特征识别系统，或者需要将一个特征识别系统学习到的特征表示应用于其他特征识别系统时，需要将生物特征重新输入其他特征识别系统，得到生物特征在其他特征识别系统中的其他特征表示，进而导致特征识别的实现过程繁琐、智能性低的问题。
发明内容
本实施例提供一种特征识别方法及装置、计算机可读存储介质，能够在使用不同特征识别系统进行特征识别时，简化特征识别的实现过程、提高特征识别的智能性。
本公开的技术方案是这样实现的：
本实施例提供一种特征识别方法，所述方法包括：
在接收到初始特征表示的情况下，将所述初始特征表示输入预设图像生成网络中，得到所述初始特征表示对应的重构图像；
将所述重构图像输入预设特征提取网络中，得到所述重构图像对应的当前特征表示；
在获取到待识别特征表示的情况下，确定所述待识别特征表示与所述当前特征表示是否匹配，以完成特征识别的过程。
在上述方法中，所述将所述初始特征表示输入预设图像生成网络之前，所述方法还包括：
根据预设图像样本和初始特征表示样本，对转置卷积神经网络进行训练，得到所述预设图像生成网络。
在上述方法中，所述将所述重构图像输入预设特征提取网络中之前，所述方法还包括：
根据所述预设图像样本和当前特征表示样本，对卷积神经网络进行训练，得到所述预设特征提取网络。
在上述方法中，所述根据预设图像样本和初始特征表示样本，对转置卷积神经网络进行训练，得到所述预设图像生成网络，包括：
将所述初始特征表示样本输入所述转置卷积神经网络，得到重构图像样本；
根据所述重构图像样本、所述预设图像样本和/或对抗网络，确定出预设指标值；
基于所述预设指标值调整所述转置卷积神经网络。
在上述方法中，所述根据所述重构图像样本、所述预设图像样本和/或对抗网络，确定出预设指标值，包括：
将所述重构图像样本和所述预设图像样本输入所述对抗网络中，确定出所述重构图像样本和所述预设图像样本之间的对抗损失值，将所述对抗损失值确定为预设指标值。
在上述方法中，所述根据所述重构图像样本、所述预设图像样本和/或对抗网络，确定出预设指标值，包括：
确定所述重构图像样本和所述预设图像样本之间的第一空间距离值；
将所述第一空间距离值确定为所述预设指标值。
在上述方法中，所述根据所述重构图像样本、所述预设图像样本和/或对抗网络，确定出预设指标值，包括：
将所述重构图像样本和所述预设图像样本输入所述对抗网络中，确定出所述重构图像样本和所述预设图像样本之间的对抗损失值；
确定所述重构图像样本和所述预设图像样本之间的第一空间距离值；
根据所述对抗损失值和所述第一空间距离值确定所述预设指标值。
在上述方法中，所述根据预设图像样本和初始特征表示样本，对转置卷积神经网络进行训练，得到所述预设图像生成网络，包括：
在所述预设指标值未满足第一预设阈值的情况下，基于所述预设指标值调整所述转置卷积神经网络；
在所述预设指标值满足第一预设阈值的情况下，将所述转置卷积神经网络确定为所述预设图像生成网络。
在上述方法中，根据所述预设图像样本和当前特征表示样本，对卷积神经网络进行训练，得到所述预设特征提取网络，包括：
将所述预设图像样本输入所述卷积神经网络，得到第一特征表示样本；
确定所述第一特征表示样本和所述当前特征表示样本之间的第二空间距离值；
基于所述第二空间距离值调整所述卷积神经网络。
在上述方法中，根据所述预设图像样本和当前特征表示样本，对卷积神经网络进行训练，得到所述预设特征提取网络，包括：
在所述第二空间距离值未满足第二预设阈值的情况下，基于所述第二空间距离值调整所述卷积神经网络；
在所述第二空间距离值满足第二预设阈值的情况下，将所述卷积神经网络确定为所述预设特征提取网络。
在上述方法中，所述确定所述待识别特征表示与所述当前特征表示是否匹配，以完成特征识别的过程，包括：
确定所述待识别特征表示和所述当前特征表示之间的相似度值；
在所述相似度值满足预设相似度指标的情况下，确定所述待识别特征图像的特征识别成功。
本实施例提供一种特征识别装置，所述装置包括：
第一图像重构模块，用于在接收到初始特征表示的情况下，将所述初始特征表示输入预设图像生成网络中，得到所述初始特征表示对应的重构图像；
第一特征提取模块，用于将所述重构图像输入预设特征提取网络中，得到所述重构图像对应的当前特征表示；
特征匹配模块，用于在获取到待识别特征表示的情况下，确定所述待识别特征表示与所述当前特征表示是否匹配，以完成特征识别的过程。
在上述装置中，所述装置还包括：
预设图像生成网络训练模块，用于根据预设图像样本和初始特征表示样本，对转置卷积神经网络进行训练，得到所述预设图像生成网络。
在上述装置中，所述装置还包括：
预设特征提取网络训练模块，用于根据所述预设图像样本和当前特征表示样本，对卷积神经网络进行训练，得到所述预设特征提取网络。
在上述装置中，所述预设图像生成网络训练模块包括：
第二图像重构模块，用于将所述初始特征表示样本输入所述转置卷积神经网络，得到重构图像样本；
预设指标值确定模块，用于根据所述重构图像样本、所述预设图像样本和/或对抗网络，确定出预设指标值；
第一神经网络更新模块，用于基于所述预设指标值调整所述转置卷积神经网络。
在上述装置中，所述预设指标值确定模块包括：
对抗损失值确定模块，用于将所述重构图像样本和所述预设图像样本输入所述对抗网络中，确定出所述重构图像样本和所述预设图像样本之间的对抗损失值；
第一预设指标值确定子模块，用于将所述对抗损失值确定为预设指标值。
在上述装置中，所述预设指标值确定模块包括：
第一空间距离值确定模块，用于确定所述重构图像样本和所述预设图像样本之间的第一空间距离值；
第二预设指标值确定子模块，用于将所述第一空间距离值确定为所述预设指标值。
在上述装置中，所述预设指标值确定模块包括：
对抗损失值确定模块，用于将所述重构图像样本和所述预设图像样本输入所述对抗网络中，确定出所述重构图像样本和所述预设图像样本之间的对抗损失值；
第一空间距离值确定模块，用于确定所述重构图像样本和所述预设图像样本之间的第一空间距离值；
第三预设指标值确定子模块，用于根据所述对抗损失值和所述第一空间距离值确定所述预设指标值。
在上述装置中，第一神经网络更新模块，用于在所述预设指标值未满足第一预设阈值的情况下，基于所述预设指标值调整所述转置卷积神经网络；在所述预设指标值满足第一预设阈值的情况下，将所述转置卷积神经网络确定为所述预设图像生成网络。
在上述装置中，所述预设特征提取网络训练模块包括：
第二特征提取模块，用于将所述预设图像样本输入所述卷积神经网络，得到第一特征表示样本；
第二空间距离值确定模块，用于确定所述第一特征表示样本和所述当前特征表示样本之间的第二空间距离值；
第二神经网络更新模块，用于基于所述第二空间距离值调整所述卷积神经网络。
在上述装置中，所述第二神经网络更新模块，用于在所述第二空间距离值未满足第二预设阈值的情况下，基于所述第二空间距离值调整所述卷积神经网络；在所述第二空间距离值满足第二预设阈值的情况下，将所述卷积神经网络确定为所述预设特征提取网络。
在上述装置中，特征匹配模块，用于确定所述待识别特征表示和所述当前特征表示之间的相似度值；在所述相似度值满足预设相似度指标的情况下，确定所述待识别特征图像的特征识别成功。
本实施例提供一种图像设备，所述图像设备包括：
存储器；
处理器，与所述存储器连接，用于通过执行位于所述存储器上的计算机可执行指令，能够实现上述任一项提供的特征识别方法。
本实施例提供一种计算机可读存储介质，其上存储有计算机程序，应用于特征识别装置，该计算机程序被处理器执行时实现如上述任一项提供的特征识别方法。
本实施例公开一种特征识别方法及装置、计算机可读存储介质，该方法可以包括：在接收到初始特征表示的情况下，将初始特征表示输入预设图像生成网络中，得到初始特征表示对应的重构图像；将重构图像输入预设特征提取网络中，得到重构图像对应的当前特征表示；在获取到待识别特征表示的情况下，确定待识别特征表示与当前特征表示是否匹配，以完成特征识别的过程。采用上述方法实现方案，特征识别装置中预先设置了预设图像生成网络和预设特征提取网络，当特征识别装置判断出特征识别系统发生变化时，特征识别装置利用预设图像生成网络和预设特征提取网络，将初始特征识别系统得到的初始特征表示转化为当前特征识别系统对应的当前特征表示，此时，特征识别装置通过当前特征识别系统进行特征识别时，直接利用当前特征表示，对采集到的待识别特征图像进行特征识别的过程，简化了特征识别的实现过程，并提高了特征识别的智能性。
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，这些附图示出了符合本公开的实施例，并与说明书一起用于说明本公开的技术方案。
图1为本实施例提供的一种特征识别方法的流程图一；
图2为本实施例提供的一种特征识别方法的流程图二；
图3为本实施例提供的一种示例性的识别转化系统的网络结构图；
图4为本实施例提供的一种特征识别装置的结构示意图；
图5为本实施例提供的一种图像设备的结构示意图。
具体实施方式
应当理解，此处描述的具体实施例仅仅用以解释本公开。并不用于限定本公开。
本实施例公开一种特征识别方法，如图1所示，该方法可以包括：
S101、在接收到初始特征表示的情况下，将初始特征表示输入预设图像生成网络中，得到初始特征表示对应的重构图像。
本实施例提供的一种特征识别方法适用于利用不同特征识别系统进行生物特征识别的场景下。
本实施例中，初始特征表示为初始特征识别系统对输入的原始图像进行特征识别，得到的原始图像对应的特征表示，其中，原始图像可以为数据库中已有的图像，当需要将原始图像的初始特征表示转换成与当前特征识别系统输出的特征格式一致的当前特征表示时，预设识别转化系统对初始特征识别系统识别出的初始特征表示进行转化，以利用转化后的初始特征表示进行特征识别。
本实施例中，特征识别装置包括初始特征识别系统、当前特征识别系统和对初始特征表示进行特征转换的预设识别转化系统，其中，特征识别装置分别利用初始特征识别系统和/或当前特征识别系统进行特征识别，对预设识别转化系统进行训练，并利用训练后的预设识别转化系统对初始特征表示进行特征转化。
本实施例中，当特征识别装置判断出当前特征识别系统进行了升级、或者当前特征识别系统的格式或种类发生变化时，特征识别装置接收初始特征识别系统识别出的初始特征表示；或者，特征识别装置在显示界面上接收到对初始特征表示进行转化的特征识别转化指令时，特征识别装置根据特征识别转化指令获取初始特征表示，具体的根据实际情况进行选择，本实施例不做具体的限定。
本实施例中，预设识别转化系统包括预设图像生成网络和预设特征提取网络，其中，预设图像生成网络用于重构出初始特征表示对应的图像，具体的，特征识别装置将初始特征表示输入预设识别转化系统中的预设图像生成网络中，通过多次转置卷积操作，得到初始特征表示对应的重构图像。
本实施例中，数据库中已有的图像以及待识别特征图像包括人脸图像、虹膜图像或指纹图像等，具体的根据实际情况进行选择，本实施例不做具体的限定。
本实施例中，特征表示为特征向量等可以表示特征的参数，具体的根据实际情况进行选择，本实施例不做具体的限定。
本实施例中，特征识别装置预先根据预设图像样本和预设图像样本对应的初始特征表示样本，对转置卷积神经网络进行训练，得到预设图像生成网络，其中，预设图像样本可以为数据库中已有的图像，也可以为通过网络获取到的图像样本，具体的根据实际情况进行选择的图像样本，本实施例不做具体的限定，初始特征表示样本为初始特征识别系统识别出的特征表示样本，由于预设识别转换系统用于将初始特征识别系统识别出的初始特征表示转换成当前特征识别系统识别出的当前特征表示，故，将预设图像样本分别输入初始特征识别系统和当前特征识别系统，得到预设图像样本对应的初始特征表示样本和当前特征表示样本。具体的，根据预设图像样本和预设图像样本对应的初始特征表示样本，对转置卷积神经网络进行训练，得到预设图像生成网络的过程为：特征识别装置将初始特征表示样本输入转置卷积神经网络，得到重构图像样本；之后，根据重构图像样本、预设图像样本和/或对抗网络，确定出预设指标值；并基于预设指标值调整转置卷积神经网络。
S102、将重构图像输入预设特征提取网络中，得到重构图像对应的当前特征表示。
当特征识别装置将初始特征表示输入预设图像生成网络中，得到重构图像之后，特征识别装置将重构图像输入预设特征提取网络中，得到重构图像对应的当前特征表示。
本实施例中，将重构图像输入预设特征提取网络中，利用卷积神经网络，学习重构图像的当前特征表示。
本实施例中，特征识别装置预先根据预设图像样本和当前特征表示样本，对卷积神经网络进行训练，得到预设特征提取网络。具体的，特征识别装置将预设图像样本输入卷积神经网络，得到第一特征表示样本；之后，特征识别装置确定第一特征表示样本和当前特征表示样本之间的第二空间距离值；并基于第二空间距离值调整卷积神经网络。在一种可能的实施方式中，第二空间距离值可以是欧几里得距离值。
S103、在获取到待识别特征表示的情况下，确定待识别特征表示与当前特征表示是否匹配，以完成特征识别的过程。
当特征识别装置得到重构图像对应的当前特征表示之后，特征识别装置在获取到待识别特征表示的情况下，确定待识别特征表示与当前特征表示是否匹配，完成特征识别的过程。
本实施例中，特征识别装置中设置有特征采集模块，特征识别装置利用特征采集模块采集待识别特征图像，当特征识别装置利用特征采集模块采集到待识别特征图像之后，特征识别装置将待识别特征图像输入当前特征识别系统中，输出待识别特征图像对应的待识别特征表示。
本实施例中，特征识别装置确定待识别特征表示和当前特征表示之间的相似度值；之后，特征识别装置将相似度值与预设相似度指标进行比较，在相似度值满足预设相似度指标的情况下，特征识别装置确定待识别特征图像的特征识别成功；在相似度值不满足预设相似度指标的情况下，特征识别装置确定待识别特征图像的特征识别失败，此时，特征识别装置重新采集待识别特征图像。
可以理解的是，特征识别装置中预先设置了预设图像生成网络和预设特征提取网络，当特征识别装置判断出特征识别系统发生变化时，特征识别装置利用预设图像生成网络和预设特征提取网络，将初始特征识别系统得到的初始特征表示转化为当前特征识别系统对应的当前特征表示，此时，特征识别装置通过当前特征识别系统进行特征识别时，直接利用当前特征表示，对采集到的待识别特征图像进行特征识别的过程，简化了特征识别的实现过程，并提高了特征识别的智能性。
本实施例提供的特征识别方法的使用场景可以包括：实现移动终端和云端人脸识别系统的交互的场景，如将手机采集的人脸图像在云端的人脸识别库中进行检索和身份认证，其中移动终端和云端使用不同的特征识别系统识别人脸特征；对特征识别系统进行更新的场景，即当将旧特征识别系统更新为新特征识别系统时，在不参照原始人脸图像的情况下，通过对旧模型的特征表示进行转化，得到新模型的特征表示，在特征层面实现特征识别系统的更新；将多个应用场景所使用的多个特征识别系统进行统一的场景，如手机人脸解锁、安防监控、门禁打卡等应用场景所使用的多个特征识别系统共用相同的人脸识别库。
基于上述实施例，在本实施例中，如图2所示，上述特征识别装置将初始特征表示输入预设图像生成网络中，得到初始特征表示对应的重构图像之前，即S101之前，上述特征识别装置进行特征识别的方法还可以包括以下步骤：
S201、特征识别装置根据预设图像样本和初始特征表示样本，对转置卷积神经网络进行训练，得到预设图像生成网络。
本实施例中，特征识别装置将预设图像样本输入特征识别装置中，用以训练预设识别转化系统，首先，特征识别装置先确定出预设图像样本对应的初始特征表示样本和当前特征表示样本，具体地确定出预设图像样本对应的初始特征表示样本和当前特征表示样本的过程为：特征识别装置将预设图像样本输入初始特征识别系统中，得到预设图像样本对应的初始特征表示样本；特征识别装置将预设图像样本输入当前特征识别系统中，得到预设图像样本对应的当前特征表示样本。
本实施例中，特征识别装置将初始特征表示样本输入转置卷积神经网络，得到重构图像样本；之后根据重构图像样本、预设图像样本和/或对抗网络，确定出预设指标值；特征识别装置基于预设指标值调整转置卷积神经网络。
需要说明的是，特征识别装置训练得到预设识别转化系统的阶段可以包括三条路径，分别为：重构路径、表示路径和回归路径，其中，特征识别装置利用重构路径，对转置卷积神经网络进行训练，得到预设图像生成网络。
重构路径，即特征识别装置根据预设图像样本和初始特征表示样本，对转置卷积神经网络进行训练，得到预设图像生成网络的过程为：特征识别装置中预先设计一个网络结构，该网络结构为堆叠的转置卷积神经网络，即将多层转置卷积层从上而下叠加在一起，之后，特征识别装置将初始特征表示样本输入转置卷积神经网络，得到重构图像样本；之后，特征识别装置根据重构图像样本、预设图像样本和/或对抗网络，确定出预设指标值；并基于预设指标值调整转置卷积神经网络。
可选的，特征识别装置根据重构图像样本、预设图像样本和/或对抗网络，确定出预设指标值的过程为：特征识别装置将重构图像样本和预设图像样本输入对抗网络中，确定出重构图像样本和预设图像样本之间的对抗损失值，将对抗损失值确定为预设指标值。
可选的，特征识别装置根据重构图像样本、预设图像样本和/或对抗网络，确定出预设指标值的过程为：特征识别装置确定重构图像样本和预设图像样本之间的第一空间距离值；并将第一空间距离值确定为预设指标值。
本实施例中，空间距离值可以为欧几里得距离值。
可选的，特征识别装置根据重构图像样本、预设图像样本和/或对抗网络，确定出预设指标值的过程为：特征识别装置将重构图像样本和预设图像样本输入对抗网络中，确定出重构图像样本和预设图像样本之间的对抗损失值；并确定重构图像样本和预设图像样本之间的第一空间距离值；之后，特征识别装置根据对抗损失值和第一空间距离值确定预设指标值。
本实施例中，预设指标值的计算过程如公式(1)所示：
LG(G,D)＝λRecLRec(G)+λAdvLAdv(G,D) (1)
在公式(1)中，LG(G,D)为预设指标值，LRec(G)为第一空间距离值，λRec为第一空间距离值的权重，LAdv(G,D)为对抗损失值，λAdv为对抗损失值的权重。
具体的，特征识别装置基于预设指标值调整转置卷积神经网络的过程为：特征识别装置中预设第一预设阈值，用于判断是否需要调整转置卷积神经网络，在特征识别装置判断出预设指标值满足第一预设阈值的情况下，特征识别装置判断出无需继续调整转置卷积神经网络，此时特征识别装置将转置卷积神经网络确定为预设图像生成网络；在特征识别装置判断出预设指标值未满足第一预设阈值的情况下，特征识别装置基于预设指标值调整转置卷积神经网络；直至特征识别装置判断出转置卷积神经网络对应的预设指标值满足第一预设阈值时，特征识别装置将转置卷积神经网络确定为预设图像生成网络。
本实施例中，特征识别装置可以基于预设指标值，利用随机梯度下降方法调整转置卷积神经网络。
S202、特征识别装置根据预设图像样本和当前特征表示样本，对卷积神经网络进行训练，得到预设特征提取网络。
当特征识别装置对转置卷积神经网络进行训练，得到预设图像生成网络之后，特征识别装置根据预设图像样本和当前特征表示样本，对卷积神经网络进行训练，得到预设特征提取网络。
本实施例中，特征识别装置将预设图像样本输入卷积神经网络，得到第一特征表示样本；并确定第一特征表示样本和当前特征表示样本之间的第二空间距离值；之后，特征识别装置基于第二空间距离值调整卷积神经网络。在一种可选的实施方式中，第二空间距离值可以为欧几里得距离值。
需要说明的是，特征识别装置特征识别装置利用表示路径，对卷积神经网络进行训练，得到预设特征提取网络；其中，表示路径，即特征识别装置根据预设图像样本和当前特征表示样本，对卷积神经网络进行训练，得到预设特征提取网络的过程为：特征识别装置中预先设计一个网络结构，该网络结构为堆叠的卷积神经网络，即将多层卷积层从上而下叠加在一起，之后，特征识别装置将预设图像样本输入卷积神经网络，得到第一特征表示样本；之后，特征识别装置确定第一特征表示样本和当前特征表示样本之间的第二空间距离值；并基于第二空间距离值调整卷积神经网络。
具体的，特征识别装置基于第二空间距离值调整卷积神经网络的过程为：特征识别装置中预设第二预设阈值，用于判断是否需要调整卷积神经网络，在特征识别装置判断出第二空间距离值满足第二预设阈值的情况下，特征识别装置判断出无需调整卷积神经网络，此时，特征识别装置将卷积神经网络确定为预设特征提取网络；在特征识别装置判断出第二空间距离值未满足第二预设阈值的情况下，特征识别装置基于第二空间距离值调整卷积神经取网络；直至特征识别装置判断出卷积神经网络对应的第二空间距离值满足第二预设阈值时，特征识别装置将卷积神经网络确定为预设特征提取网络。
S203、特征识别装置将预设图像生成网络和预设特征提取网络，组成预设识别转化系统。
当特征识别装置对卷积神经网络进行训练，得到预设特征提取网络之后，特征识别装置将预设图像生成网络和预设特征提取网络，组成预设识别转化系统。
S204、特征识别装置根据初始特征表示样本和当前特征表示样本，训练预设识别转化系统。
当特征识别装置将预设图像生成网络和预设特征提取网络，组成预设识别转化系统之后，特征识别装置根据初始特征表示样本和当前特征表示样本，训练预设识别转化系统。
本实施例中，特征识别装置利用回归路径，对预设识别转化系统进行训练，得到预设识别转化系统，回归路径，即特征识别装置根据初始特征表示样本和当前特征表示样本，对预设识别转化系统进行训练，得到预设识别转化系统对应的数据传输路径。
本实施例中，特征识别装置将初始特征表示样本输入预设识别转化系统，得到第二特征表示样本；并确定第二特征表示样本和当前特征表示样本之间的第三空间距离值；之后，特征识别装置基于第三空间距离值调整预设识别转化系统。
具体的，特征识别装置将初始特征表示样本输入预设识别转化系统，得到第二特征表示样本的具体过程为：特征识别装置将初始特征表示样本输入预设图像生成网络中，得到初始重构生物特征样本；之后，特征识别装置将初始重构生物特征样本输入预设特征提取网络中，得到第二特征表示样本。
具体的，特征识别装置基于第三空间距离值调整预设识别转化系统的具体过程为：特征识别装置中预先设置第三预设阈值，用于判断是否需要调整预设识别转化系统，特征识别装置判断第三空间距离值是否满足第三预设阈值，在特征识别装置判断出第三空间距离值满足三预设阈值的情况下，特征识别装置判断出无需调整预设识别转化系统；在特征识别装置判断出第三空间距离值未满足第三预设阈值的情况下，特征识别装置利用预设网络调整方法调整预设识别转化系统；直至判断出预设识别转化系统对应的第三空间距离值满足预设阈值时，特征识别装置终止调整预设识别转化系统的过程。
示例性的，图3为识别转化系统的网络结构，其中，识别转化系统包括图像生成网络和特征提取网络，特征识别装置先对识别转化系统进行学习，之后，利用学习完成的识别转化系统进行特征转化的过程。在识别转化系统的学习阶段，包含三条路径：重构路径、表示路径和回归路径，在重构路径中，将原始特征输入图像生成网络，得到重构人脸，其中，原始特征为将真实人脸输入初始特征识别系统得到的特征，之后，计算重构人脸和真实人脸之间的欧几里得距离LRec(G)，并将重构人脸和真实人脸输入对抗网络中，计算重构人脸和真实人脸之间的对抗损失LAdv(G,D)，并根据LRec(G)和LAdv(G,D)这两个准则调整图像生成网络，直至LRec(G)和LAdv(G,D)满足预设阈值；在表示路径中，将真实人脸输入特征提取网络中，得到第一特征，并计算第一特征和目标特征之间的欧几里得距离LRep(E)，其中，目标特征为将真实人脸输入当前特征识别系统得到的特征，并根据LRep(E)这一准则调整特征提取网络，直至LRep(E)满足预设阈值；在回归路径中，将原始特征输入图像生成网络中，得到重构人脸，之后，将重构人脸输入特征提取网络中，得到第二特征，特征识别装置计算第二特征和目标特征之间的欧几里得距离LReg(G,E)，并根据LReg(G,E)这一准则调整识别转化系统，直至LReg(G,E)满足预设阈值；此时，特征识别装置完成了对识别转化系统的学习阶段。在识别转化系统的应用阶段，特征识别装置将原始特征输入识别转化系统中，得到原始特征在当前特征识别系统中的目标特征。
本实施例提供一种特征识别装置1，如图4所示，该装置包括：
第一图像重构模块10，用于在接收到初始特征表示的情况下，将所述初始特征表示输入预设图像生成网络中，得到所述初始特征表示对应的重构图像；
第一特征提取模块11，用于将所述重构图像输入预设特征提取网络中，得到所述重构图像对应的当前特征表示；
特征匹配模块12，用于在获取到待识别特征表示的情况下，确定所述待识别特征表示与所述当前特征表示是否匹配，以完成特征识别的过程。
可选的，所述装置还包括：
预设图像生成网络训练模块13，用于根据预设图像样本和初始特征表示样本，对转置卷积神经网络进行训练，得到所述预设图像生成网络。
可选的，所述装置还包括：
预设特征提取网络训练模块14，用于根据所述预设图像样本和当前特征表示样本，对卷积神经网络进行训练，得到所述预设特征提取网络。
可选的，所述预设图像生成网络训练模块13包括：
第二图像重构模块130，用于将所述初始特征表示样本输入所述转置卷积神经网络，得到重构图像样本；
预设指标值确定模块131，用于根据所述重构图像样本、所述预设图像样本和/或对抗网络，确定出预设指标值；
第一神经网络更新模块132，用于基于所述预设指标值调整所述转置卷积神经网络。
可选的，所述预设指标值确定模块131包括：
对抗损失值确定模块1310，用于将所述重构图像样本和所述预设图像样本输入所述对抗网络中，确定出所述重构图像样本和所述预设图像样本之间的对抗损失值；
第一预设指标值确定子模块1311，用于将所述对抗损失值确定为预设指标值。
可选的，所述预设指标值确定模块131包括：
第一空间距离值确定模块1312，用于确定所述重构图像样本和所述预设图像样本之间的第一空间距离值；
第二预设指标值确定子模块1313，用于将所述第一空间距离值确定为所述预设指标值。
可选的，所述预设指标值确定模块131包括：
对抗损失值确定模块1310，用于将所述重构图像样本和所述预设图像样本输入所述对抗网络中，确定出所述重构图像样本和所述预设图像样本之间的对抗损失值；
第一空间距离值确定模块1312，用于确定所述重构图像样本和所述预设图像样本之间的第一空间距离值；
第三预设指标值确定子模块1314，用于根据所述对抗损失值和所述第一空间距离值确定所述预设指标值。
可选的，第一神经网络更新模块132，用于在所述预设指标值未满足第一预设阈值的情况下，基于所述预设指标值调整所述转置卷积神经网络；在所述预设指标值满足第一预设阈值的情况下，将所述转置卷积神经网络确定为所述预设图像生成网络。
可选的，所述预设特征提取网络训练模块14包括：
第二特征提取模块140，用于将所述预设图像样本输入所述卷积神经网络，得到第一特征表示样本；
第二空间距离值确定模块141，用于确定所述第一特征表示样本和所述当前特征表示样本之间的第二空间距离值；
第二神经网络更新模块142，用于基于所述第二空间距离值调整所述卷积神经网络。
可选的，所述第二神经网络更新模块142，用于在所述第二空间距离值未满足第二预设阈值的情况下，基于所述第二空间距离值调整所述卷积神经网络；在所述第二空间距离值满足第二预设阈值的情况下，将所述卷积神经网络确定为所述预设特征提取网络。
可选的，特征匹配模块12，用于确定所述待识别特征表示和所述当前特征表示之间的相似度值；在所述相似度值满足预设相似度指标的情况下，确定所述待识别特征图像的特征识别成功。
本实施例提供的一种特征识别装置，在接收到初始特征表示的情况下，将初始特征表示输入预设图像生成网络中，得到初始特征表示对应的重构图像；将重构图像输入预设特征提取网络中，得到重构图像对应的当前特征表示；在获取到待识别特征表示的情况下，确定待识别特征表示与当前特征表示是否匹配，以完成特征识别的过程。由此可见，本实施例提出的特征识别装置，特征识别装置中预先设置了预设图像生成网络和预设特征提取网络，当特征识别装置判断出特征识别系统发生变化时，特征识别装置利用预设图像生成网络和预设特征提取网络，将初始特征识别系统得到的初始特征表示转化为当前特征识别系统对应的当前特征表示，此时，特征识别装置通过当前特征识别系统进行特征识别时，直接利用当前特征表示，对采集到的待识别特征图像进行特征识别的过程，简化了特征识别的实现过程，并提高了特征识别的智能性。
图5为本实施例提出的图像设备2的组成结构示意图一，在实际应用中，基于上述实施例的同一公开构思下，如图5所示，本实施例的图像设备2包括：处理器20、存储器21及通信总线22。
在具体的实施例的过程中，上述第一图像重构模块10、第一特征提取模块11、特征匹配模块12、预设图像生成网络训练模块13、第二图像重构模块130、预设指标值确定模块131、对抗损失值确定模块1310、第一预设指标值确定子模块1311、第一空间距离值确定模块1312、第二预设指标值确定子模块1313、第三预设指标值确定子模块1314、第一神经网络更新模块132、预设特征提取网络训练模块14、第二特征提取模块140、第二空间距离值确定模块141、第二神经网络更新模块142可由位于图像设备2上的处理器20实现，上述处理器20可以为特定用途集成电路(ASIC，Application Specific Integrated Circuit)、数字信号处理器(DSP，Digital Signal Processor)、数字信号处理装置(DSPD，Digital SignalProcessing Device)、可编程逻辑装置(PLD，Programmable Logic Device)、现场可编程门阵列(FPGA，Field Programmable Gate Array)、CPU、控制器、微控制器、微处理器中的至少一种。可以理解地，对于不同的设备，用于实现上述处理器功能的电子器件还可以为其它，本实施例不作具体限定。
在本公开的实施例中，上述通信总线22用于实现处理器20和存储器21之间的连接通信；上述处理器20用于执行存储器21中存储的运行程序，以实现以下步骤：
在接收到初始特征表示的情况下，将所述初始特征表示输入预设图像生成网络中，得到所述初始特征表示对应的重构图像；将所述重构图像输入预设特征提取网络中，得到所述重构图像对应的当前特征表示；在获取到待识别特征表示的情况下，确定所述待识别特征表示与所述当前特征表示是否匹配，以完成特征识别的过程。
在本实施例中，进一步地，上述处理器20，还用于根据预设图像样本和初始特征表示样本，对转置卷积神经网络进行训练，得到所述预设图像生成网络。
在本实施例中，进一步地，上述处理器20，还用于根据所述预设图像样本和当前特征表示样本，对卷积神经网络进行训练，得到所述预设特征提取网络。
在本实施例中，进一步地，上述处理器20，还用于将所述初始特征表示样本输入所述转置卷积神经网络，得到重构图像样本；根据所述重构图像样本、所述预设图像样本和/或对抗网络，确定出预设指标值；基于所述预设指标值调整所述转置卷积神经网络。
在本实施例中，进一步地，上述处理器20，还用于将所述重构图像样本和所述预设图像样本输入所述对抗网络中，确定出所述重构图像样本和所述预设图像样本之间的对抗损失值，将所述对抗损失值确定为预设指标值。
在本实施例中，进一步地，上述处理器20，还用于确定所述重构图像样本和所述预设图像样本之间的第一空间距离值；将所述第一空间距离值确定为所述预设指标值。
在本实施例中，进一步地，上述处理器20，还用于将所述重构图像样本和所述预设图像样本输入所述对抗网络中，确定出所述重构图像样本和所述预设图像样本之间的对抗损失值；确定所述重构图像样本和所述预设图像样本之间的第一空间距离值；根据所述对抗损失值和所述第一空间距离值确定所述预设指标值。
在本实施例中，进一步地，上述处理器20，还用于在所述预设指标值未满足第一预设阈值的情况下，基于所述预设指标值调整所述转置卷积神经网络；在所述预设指标值满足第一预设阈值的情况下，将所述转置卷积神经网络确定为所述预设图像生成网络。
在本实施例中，进一步地，上述处理器20，还用于将所述预设图像样本输入所述卷积神经网络，得到第一特征表示样本；确定所述第一特征表示样本和所述当前特征表示样本之间的第二空间距离值；基于所述第二空间距离值调整所述卷积神经网络。
在本实施例中，进一步地，上述处理器20，还用于在所述第二空间距离值未满足第二预设阈值的情况下，基于所述第二空间距离值调整所述卷积神经网络；在所述第二空间距离值满足第二预设阈值的情况下，将所述卷积神经网络确定为所述预设特征提取网络。
在本实施例中，进一步地，上述处理器20，还用于确定所述待识别特征表示和所述当前特征表示之间的相似度值；在所述相似度值满足预设相似度指标的情况下，确定所述待识别特征图像的特征识别成功。
本实施例提供一种计算机可读存储介质，上述计算机可读存储介质存储有一个或者多个程序，上述一个或者多个程序可被一个或者多个处理器执行，应用于特征识别装置中，该程序被处理器执行时实现如上述实施例所述的特征识别方法。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本公开的技术方案本质上或者说对相关技术做出贡献的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(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台特征识别装置(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本公开各个实施例所述的方法。
以上所述，仅为本公开的较佳实施例而已，并非用于限定本公开的保护范围。

Claims (24)

1.一种特征识别方法，其特征在于，所述方法包括：
当在检测到特征识别系统发生变化时，获取初始特征表示并将所述初始特征表示输入预设图像生成网络中，得到所述初始特征表示对应的重构图像；其中，所述初始特征表示为初始特征识别系统对输入的原始图像进行特征识别，得到的原始图像对应的特征表示；
将所述重构图像输入预设特征提取网络中，得到所述重构图像对应的当前特征表示，所述当前特征表示用于在变化后的当前特征识别系统进行特征识别；
在获取到待识别特征表示的情况下，确定所述待识别特征表示与所述当前特征表示是否匹配，以完成利用所述当前特征识别系统进行特征识别的过程。
2.根据权利要求1所述的方法，其特征在于，所述将所述初始特征表示输入预设图像生成网络之前，所述方法还包括：
根据预设图像样本和初始特征表示样本，对转置卷积神经网络进行训练，得到所述预设图像生成网络。
3.根据权利要求1或2所述的方法，其特征在于，所述将所述重构图像输入预设特征提取网络中之前，所述方法还包括：
根据所述预设图像样本和当前特征表示样本，对卷积神经网络进行训练，得到所述预设特征提取网络。
4.根据权利要求3所述的方法，其特征在于，所述根据预设图像样本和初始特征表示样本，对转置卷积神经网络进行训练，得到所述预设图像生成网络，包括：
将所述初始特征表示样本输入所述转置卷积神经网络，得到重构图像样本；
根据所述重构图像样本、所述预设图像样本和/或对抗网络，确定出预设指标值；
基于所述预设指标值调整所述转置卷积神经网络。
5.根据权利要求4所述的方法，其特征在于，所述根据所述重构图像样本、所述预设图像样本和/或对抗网络，确定出预设指标值，包括：
将所述重构图像样本和所述预设图像样本输入所述对抗网络中，确定出所述重构图像样本和所述预设图像样本之间的对抗损失值，将所述对抗损失值确定为预设指标值。
6.根据权利要求4所述的方法，其特征在于，所述根据所述重构图像样本、所述预设图像样本和/或对抗网络，确定出预设指标值，包括：
确定所述重构图像样本和所述预设图像样本之间的第一空间距离值；
将所述第一空间距离值确定为所述预设指标值。
7.根据权利要求4所述的方法，其特征在于，所述根据所述重构图像样本、所述预设图像样本和/或对抗网络，确定出预设指标值，包括：
将所述重构图像样本和所述预设图像样本输入所述对抗网络中，确定出所述重构图像样本和所述预设图像样本之间的对抗损失值；
确定所述重构图像样本和所述预设图像样本之间的第一空间距离值；
根据所述对抗损失值和所述第一空间距离值确定所述预设指标值。
8.根据权利要求4-7中任一项所述的方法，其特征在于，所述根据预设图像样本和初始特征表示样本，对转置卷积神经网络进行训练，得到所述预设图像生成网络，包括：
在所述预设指标值未满足第一预设阈值的情况下，基于所述预设指标值调整所述转置卷积神经网络；
在所述预设指标值满足第一预设阈值的情况下，将所述转置卷积神经网络确定为所述预设图像生成网络。
9.根据权利要求4-7中任一项所述的方法，其特征在于，根据所述预设图像样本和当前特征表示样本，对卷积神经网络进行训练，得到所述预设特征提取网络，包括：
将所述预设图像样本输入所述卷积神经网络，得到第一特征表示样本；
确定所述第一特征表示样本和所述当前特征表示样本之间的第二空间距离值；
基于所述第二空间距离值调整所述卷积神经网络。
10.根据权利要求9所述的方法，其特征在于，根据所述预设图像样本和当前特征表示样本，对卷积神经网络进行训练，得到所述预设特征提取网络，包括：
在所述第二空间距离值未满足第二预设阈值的情况下，基于所述第二空间距离值调整所述卷积神经网络；
在所述第二空间距离值满足第二预设阈值的情况下，将所述卷积神经网络确定为所述预设特征提取网络。
11.根据权利要求1所述的方法，其特征在于，所述确定所述待识别特征表示与所述当前特征表示是否匹配，以完成利用所述当前特征识别系统进行特征识别的过程，包括：
确定所述待识别特征表示和所述当前特征表示之间的相似度值；
在所述相似度值满足预设相似度指标的情况下，确定所述待识别特征图像的特征识别成功。
12.一种特征识别装置，其特征在于，所述装置包括：
第一图像重构模块，用于当在检测到特征识别系统发生变化时，获取初始特征表示并将所述初始特征表示输入预设图像生成网络中，得到所述初始特征表示对应的重构图像；其中，所述初始特征表示为初始特征识别系统对输入的原始图像进行特征识别，得到的原始图像对应的特征表示；
第一特征提取模块，用于将所述重构图像输入预设特征提取网络中，得到所述重构图像对应的当前特征表示，所述当前特征表示用于在变化后的当前特征识别系统进行特征识别；
特征匹配模块，用于在获取到待识别特征表示的情况下，确定所述待识别特征表示与所述当前特征表示是否匹配，以完成利用所述当前特征识别系统进行特征识别的过程。
13.根据权利要求12所述的装置，其特征在于，所述装置还包括：
预设图像生成网络训练模块，用于根据预设图像样本和初始特征表示样本，对转置卷积神经网络进行训练，得到所述预设图像生成网络。
14.根据权利要求12或13所述的装置，其特征在于，所述装置还包括：
预设特征提取网络训练模块，用于根据所述预设图像样本和当前特征表示样本，对卷积神经网络进行训练，得到所述预设特征提取网络。
15.根据权利要求14所述的装置，其特征在于，所述预设图像生成网络训练模块包括：
第二图像重构模块，用于将所述初始特征表示样本输入所述转置卷积神经网络，得到重构图像样本；
预设指标值确定模块，用于根据所述重构图像样本、所述预设图像样本和/或对抗网络，确定出预设指标值；
第一神经网络更新模块，用于基于所述预设指标值调整所述转置卷积神经网络。
16.根据权利要求15所述的装置，其特征在于，所述预设指标值确定模块包括：
对抗损失值确定模块，用于将所述重构图像样本和所述预设图像样本输入所述对抗网络中，确定出所述重构图像样本和所述预设图像样本之间的对抗损失值；
第一预设指标值确定子模块，用于将所述对抗损失值确定为预设指标值。
17.根据权利要求15所述的装置，其特征在于，所述预设指标值确定模块包括：
第一空间距离值确定模块，用于确定所述重构图像样本和所述预设图像样本之间的第一空间距离值；
第二预设指标值确定子模块，用于将所述第一空间距离值确定为所述预设指标值。
18.根据权利要求15所述的装置，其特征在于，所述预设指标值确定模块包括：
对抗损失值确定模块，用于将所述重构图像样本和所述预设图像样本输入所述对抗网络中，确定出所述重构图像样本和所述预设图像样本之间的对抗损失值；
第一空间距离值确定模块，用于确定所述重构图像样本和所述预设图像样本之间的第一空间距离值；
第三预设指标值确定子模块，用于根据所述对抗损失值和所述第一空间距离值确定所述预设指标值。
19.根据权利要求15-18中任一项所述的装置，其特征在于，
第一神经网络更新模块，用于在所述预设指标值未满足第一预设阈值的情况下，基于所述预设指标值调整所述转置卷积神经网络；在所述预设指标值满足第一预设阈值的情况下，将所述转置卷积神经网络确定为所述预设图像生成网络。
20.根据权利要求15-18中任一项所述的装置，其特征在于，所述预设特征提取网络训练模块包括：
第二特征提取模块，用于将所述预设图像样本输入所述卷积神经网络，得到第一特征表示样本；
第二空间距离值确定模块，用于确定所述第一特征表示样本和所述当前特征表示样本之间的第二空间距离值；
第二神经网络更新模块，用于基于所述第二空间距离值调整所述卷积神经网络。
21.根据权利要求20所述的装置，其特征在于，
所述第二神经网络更新模块，用于在所述第二空间距离值未满足第二预设阈值的情况下，基于所述第二空间距离值调整所述卷积神经网络；在所述第二空间距离值满足第二预设阈值的情况下，将所述卷积神经网络确定为所述预设特征提取网络。
22.根据权利要求12所述的装置，其特征在于，
特征匹配模块，用于确定所述待识别特征表示和所述当前特征表示之间的相似度值；在所述相似度值满足预设相似度指标的情况下，确定所述待识别特征图像的特征识别成功。
23.一种图像设备，其特征在于，所述图像设备包括：
存储器；
处理器，与所述存储器连接，用于通过执行位于所述存储器上的计算机可执行指令，能够实现权利要求1至11任一项提供的方法。
24.一种计算机存储介质，其特征在于，所述计算机存储介质存储计算机可执行指令；所述计算机可执行指令被处理器执行后，能够实现权利要求1至11任一项提供的方法。
CN201910381801.XA 2019-05-08 2019-05-08 一种特征识别方法及装置、计算机可读存储介质 Active CN110119746B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202111172914.2A CN113936298A (zh) 2019-05-08 2019-05-08 一种特征识别方法及装置、计算机可读存储介质
CN201910381801.XA CN110119746B (zh) 2019-05-08 2019-05-08 一种特征识别方法及装置、计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910381801.XA CN110119746B (zh) 2019-05-08 2019-05-08 一种特征识别方法及装置、计算机可读存储介质

Related Child Applications (1)

Application Number Title Priority Date Filing Date
CN202111172914.2A Division CN113936298A (zh) 2019-05-08 2019-05-08 一种特征识别方法及装置、计算机可读存储介质

Publications (2)

Publication Number Publication Date
CN110119746A CN110119746A (zh) 2019-08-13
CN110119746B true CN110119746B (zh) 2021-11-30

Family

ID=67521943

Family Applications (2)

Application Number Title Priority Date Filing Date
CN201910381801.XA Active CN110119746B (zh) 2019-05-08 2019-05-08 一种特征识别方法及装置、计算机可读存储介质
CN202111172914.2A Pending CN113936298A (zh) 2019-05-08 2019-05-08 一种特征识别方法及装置、计算机可读存储介质

Family Applications After (1)

Application Number Title Priority Date Filing Date
CN202111172914.2A Pending CN113936298A (zh) 2019-05-08 2019-05-08 一种特征识别方法及装置、计算机可读存储介质

Country Status (1)

Country Link
CN (2) CN110119746B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110659582A (zh) * 2019-08-29 2020-01-07 深圳云天励飞技术有限公司 图像转换模型训练方法、异质人脸识别方法、装置及设备
CN110675312B (zh) * 2019-09-24 2023-08-29 腾讯科技（深圳）有限公司 图像数据处理方法、装置、计算机设备以及存储介质
CN110956129A (zh) * 2019-11-28 2020-04-03 重庆中星微人工智能芯片技术有限公司 用于生成人脸特征向量的方法、装置、设备和介质
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
CN113298060B (zh) * 2021-07-27 2021-10-15 支付宝(杭州)信息技术有限公司 保护隐私的生物特征识别方法和装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104680131A (zh) * 2015-01-29 2015-06-03 深圳云天励飞技术有限公司 基于身份证件信息和人脸多重特征识别的身份验证方法
CN104915625A (zh) * 2014-03-11 2015-09-16 重庆邮电大学 一种人脸识别的方法及装置
CN105117712A (zh) * 2015-09-15 2015-12-02 北京天创征腾信息科技有限公司 兼容人脸老化识别的单样本人脸识别方法
CN109003331A (zh) * 2018-06-13 2018-12-14 东莞时谛智能科技有限公司 一种图像重构方法

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107239766A (zh) * 2017-06-08 2017-10-10 深圳市唯特视科技有限公司 一种利用对抗网络和三维形态模型的大幅度人脸摆正方法
CN107423700B (zh) * 2017-07-17 2020-10-20 广州广电卓识智能科技有限公司 人证核实的方法及装置
CN107563510A (zh) * 2017-08-14 2018-01-09 华南理工大学 一种基于深度卷积神经网络的wgan模型方法
CN108229381B (zh) * 2017-12-29 2021-01-08 湖南视觉伟业智能科技有限公司 人脸图像生成方法、装置、存储介质和计算机设备
CN108257195A (zh) * 2018-02-23 2018-07-06 深圳市唯特视科技有限公司 一种基于几何对比生成对抗网络的面部表情合成方法
CN108573479A (zh) * 2018-04-16 2018-09-25 西安电子科技大学 基于对偶生成对抗式网络的人脸图像去模糊和恢复方法
CN109508669B (zh) * 2018-11-09 2021-07-23 厦门大学 一种基于生成式对抗网络的人脸表情识别方法
CN109726654A (zh) * 2018-12-19 2019-05-07 河海大学 一种基于生成对抗网络的步态识别方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104915625A (zh) * 2014-03-11 2015-09-16 重庆邮电大学 一种人脸识别的方法及装置
CN104680131A (zh) * 2015-01-29 2015-06-03 深圳云天励飞技术有限公司 基于身份证件信息和人脸多重特征识别的身份验证方法
CN105117712A (zh) * 2015-09-15 2015-12-02 北京天创征腾信息科技有限公司 兼容人脸老化识别的单样本人脸识别方法
CN109003331A (zh) * 2018-06-13 2018-12-14 东莞时谛智能科技有限公司 一种图像重构方法

Also Published As

Publication number Publication date
CN113936298A (zh) 2022-01-14
CN110119746A (zh) 2019-08-13

Similar Documents

Publication Publication Date Title
CN110119746B (zh) 一种特征识别方法及装置、计算机可读存储介质
CN108491794B (zh) 面部识别的方法和装置
JP7038867B2 (ja) 顔認識方法及び装置
KR20200145827A (ko) 얼굴 특징 추출 모델 학습 방법, 얼굴 특징 추출 방법, 장치, 디바이스 및 저장 매체
US11410327B2 (en) Location determination apparatus, location determination method and computer program
CN108596110A (zh) 图像识别方法及装置、电子设备、存储介质
CN114529765A (zh) 一种数据处理方法、设备以及计算机可读存储介质
CN112884147A (zh) 神经网络训练方法、图像处理方法、装置及电子设备
CN105099700A (zh) 一种认证方法、服务器及系统
CN116152938A (zh) 身份识别模型训练和电子资源转移方法、装置及设备
CN117115595A (zh) 姿态估计模型的训练方法、装置、电子设备及存储介质
CN116524261A (zh) 一种基于多模态小样本持续学习的图像分类方法及产品
CN117011909A (zh) 人脸识别模型的训练方法、人脸识别的方法和装置
CN115358316A (zh) 一种模型融合方法、装置、电子设备及存储介质
CN114971628A (zh) 数字人民币生物支付方法、系统、终端设备及存储介质
CN118097323B (zh) 自回归生成模型的训练方法、图像处理方法以及电子设备
CN117058498B (zh) 分割图评估模型的训练方法、分割图的评估方法及装置
CN115988100B (zh) 基于多协议自适应的设备智能感知物联网网关管理方法
CN118015386B (zh) 图像识别方法和装置、存储介质及电子设备
CN117115469B (zh) 图像特征提取网络的训练方法、装置、存储介质及设备
US20230259600A1 (en) Adaptive personalization for anti-spoofing protection in biometric authentication systems
CN116665315A (zh) 活体检测模型的训练方法、活体检测方法和系统
KR100998842B1 (ko) 부스팅 기법을 통한 얼굴 인식 방법 및 장치
CN116259116A (zh) 活体检测方法和系统
CN116189315A (zh) 活体检测方法和系统

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
GR01 Patent grant
GR01 Patent grant