CN110147740B - 人脸识别方法、装置、设备和存储介质 - Google Patents
人脸识别方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN110147740B CN110147740B CN201910360663.7A CN201910360663A CN110147740B CN 110147740 B CN110147740 B CN 110147740B CN 201910360663 A CN201910360663 A CN 201910360663A CN 110147740 B CN110147740 B CN 110147740B
- Authority
- CN
- China
- Prior art keywords
- face
- deep
- feature
- recognized
- features
- 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
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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Collating Specific Patterns (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种人脸识别方法、装置、设备和存储介质，终端将待识别的人脸图片输入预设的人脸识别模型，获取待识别的人脸图片的深层特征，其中，深层特征用于描述不受环境影响的人脸的宏观信息，进而根据深层特征，获取待识别的人脸图片对应的人脸识别结果。使得人脸识别结果是通过不受环境影响的人脸的宏观信息获得的，避免了在人脸识别的过程中，受环境影响导致人脸识别的准确率低的问题，提高了人脸识别的准确率。
Description
技术领域
本发明涉及神经网络技术领域，特别是涉及了一种人脸识别方法、装置、设备和存储介质。
背景技术
人脸识别技术是一种基于人的脸部特征信息进行身份识别的技术，目前已经广泛的应用于各种场合。人工智能技术为人脸识别技术中的常用技术手段。
常见的人脸识别方法，是通过深度网络模型，将人脸图片的像素值转化为特征空间的各点的矢量值，进而通过对比各点的矢量值，确定人脸识别的结果。然而采用上述人脸识别方法，受光照和拍摄模式、人脸的朝向等因素的影响，人脸识别的准确率低。
发明内容
基于此，有必要针对人脸识别的准确率低的问题，提供了一种人脸识别方法、装置、设备和存储介质。
第一方面，一种人脸识别方法，所述方法包括：
将待识别的人脸图片输入预设的人脸识别模型，获取所述待识别的人脸图片的深层特征；所述深层特征用于描述不受环境影响的人脸的宏观信息；
根据所述深层特征，获取所述待识别的人脸图片对应的人脸识别结果。
在其中一个实施例中，所述预设的人脸识别模型包括浅层识别单元和深层识别单元，则所述将待识别的人脸图片输入预设的人脸识别模型，获取所述待识别的人脸图片的深层特征，包括：
根据所述待识别的人脸图片和所述浅层识别单元，获取所述待识别的人脸图片的特征降维矢量；所述特征降维矢量包括将所述待识别的人脸图片转换到降维特征空间中的矢量；
将所述特征降维矢量输入所述深层识别单元，获取所述待识别的人脸图片的深层特征。
在其中一个实施例中，所述将所述特征降维矢量输入所述深层识别单元，获取所述待识别的人脸图片的深层特征，包括：
将所述特征降维矢量输入所述深层识别单元，获取所述人脸图片对应的深层特征空间中矢量的均值和标准差；根据所述深层特征空间中矢量的均值和标准差，提取所述深层特征。
在其中一个实施例中，所述方法还包括：
根据所述待识别的人脸图片和所述浅层识别单元，获取所述待识别的人脸图片的浅层特征；所述浅层特征用于描述人脸的精细化信息；
将所述浅层特征，获得输入所述深层识别单元，获取所述待识别的人脸图片的深层特征；
则所述根据所述深层特征，获取所述待识别的人脸图片对应的人脸识别结果，包括：
根据所述浅层特征和所述深层特征，确定所述待识别的人脸图片对应的人脸识别结果。
在其中一个实施例中，所述根据所述待识别的人脸图片和所述浅层识别单元，获取所述待识别的人脸图片的浅层特征，包括：
将所述待识别的人脸图片输入所述浅层识别单元，获取所述待识别的人脸图片对应的浅层特征空间中矢量的均值和标准差；并根据所述浅层特征空间中矢量的均值和标准差，提取所述浅层特征；所述浅层特征空间包括将所述人脸图片的像素值转换为矢量值得到的特征空间。
在其中一个实施例中，所述方法还包括：
获取多个人脸图片；
获取所述多个人脸图片对应的深层特征；
将所述多个人脸图片作为输入，将所述多个人脸图片对应的深层特征作为输出，训练得到所述预设的人脸识别模型。
在其中一个实施例中，所述将所述多个人脸图片作为输入，将所述多个人脸图片对应的深层特征作为输出，训练得到预设的人脸识别模型，包括：
将所述多个人脸图片输入初始的人脸识别模型，获取所述多个浅层特征、深层特征和无关特征；所述无关特征用于描述与人脸识别无关的信息；
根据所述多个浅层特征和深层特征，及预设的标准深层特征，获取比对损失函数的值；
根据所述多个无关特征，及预设的标准深层特征，获取标准损失函数的值；
根据所述比对损失函数的值和所述标准损失函数的值，调整所述初始的人脸识别模型中的各参数，直至所述比对损失函数和所述标准损失函数满足预设的标准阈值为止，得到所述预设的人脸识别模型。
第二方面，一种人脸识别装置，所述装置包括：
获取模块，用于将待识别的人脸图片输入预设的人脸识别模型，获取所述人脸图片的深层特征；所述深层特征用于描述不受环境影响的人脸的宏观信息；
识别模块，用于根据所述深层特征，获取所述人脸图片对应的人脸识别结果。
第三方面，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，所述处理器执行所述计算机程序时实现上述人脸识别方法所述的方法步骤。
第四方面，一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述人脸识别方法所述的方法步骤。
上述人脸识别方法、装置、设备和存储介质，终端将待识别的人脸图片输入预设的人脸识别模型，获取待识别的人脸图片的深层特征，其中，深层特征用于描述不受环境影响的人脸的宏观信息，进而根据深层特征，获取待识别的人脸图片对应的人脸识别结果。使得人脸识别结果是通过不受环境影响的人脸的宏观信息获得的，避免了在人脸识别的过程中，受环境影响导致人脸识别的准确率低的问题，提高了人脸识别的准确率。
附图说明
图1为一个实施例中人脸识别方法的应用环境的示意图；
图2为一个实施例中人脸识别方法的流程示意图；
图3为另一个实施例中人脸识别方法的流程示意图；
图4为另一个实施例中人脸识别方法的流程示意图；
图5为另一个实施例中人脸识别方法的流程示意图；
图6为另一个实施例中人脸识别方法的流程示意图；
图7为一个实施例中人脸识别方法的流程图；
图8为一个实施例中提供的人脸识别装置的结构示意图；
图9为另一个实施例中提供的人脸识别装置的结构示意图；
图10为另一个实施例中提供的人脸识别装置的结构示意图；
图11为一个实施例中计算机设备的内部结构图。
具体实施方式
本申请提供的人脸识别方法、装置、设备和存储介质，旨在解决受环境影响导致人脸识别的准确率低问题。下面将通过实施例并结合附图具体地对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。
本实施例提供的人脸识别方法，可以适用于如图1所示的应用环境中。其中，人脸识别终端102通过网络与服务器104进行通信。人脸识别终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机或平板电脑，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
需要说明的是，本申请实施例提供的人脸识别方法，其执行主体可以是人脸识别装置，该装置可以通过软件、硬件或者软硬件结合的方式实现成为人脸识别终端的部分或者全部。
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。
图2为一个实施例中人脸识别方法的流程示意图。本实施例涉及的是根据深层特征，获取人脸识别结果的具体过程。如图2所示，该方法包括以下步骤：
S101、将待识别的人脸图片输入预设的人脸识别模型，获取待识别的人脸图片的深层特征；深层特征用于描述不受环境影响的人脸的宏观信息。
其中，待识别的人脸图片可以是实时获取的人脸图片，也可以是历史人脸图片，本申请实施例对此不做限制。其可以是一个人脸图片，也可以是多个人脸图片，本申请实施例对此不做限制。预设的人脸识别模型可以是一种神经网络模型，是由终端预先构建的人脸图片与深度特征之间映射关系，可以用于根据待识别的人脸图片，输出该待识别的人脸图片对应的深层特征。深层特征可以是特征空间中的各点的矢量值，其可以用于描述不受环境影响的人脸的宏观信息，上述环境可以包括人脸图片的光照、拍摄模式和人脸朝向等，上述宏观信息可以是人脸图片中具体的人脸轮廓信息，用于表征人的年龄、性别、身份等的信息。
具体地，在将待识别的人脸图片输入预设的人脸识别模型时，当待识别的人脸图片为多个人脸图片时，可以逐一将多个人脸图片输入预设的人脸识别模型，也可以是将多个人脸图片一次性输入预设的人脸识别模型，本申请实施例对此不做限制。将待识别的人脸图片输入预设的人脸模型后，预设的人脸识别模型可以将待识别的人脸图片的像素值转换为特征空间中的矢量值，获取深度特征；也可以是将待识别的人脸图片的像素值转换为特征空间中的矢量值，进而将特征空间进行降维处理，获得降维后的特征空间的矢量值，获取深度特征；本申请实施例对此不做限制。
S102、根据深层特征，获取待识别的人脸图片对应的人脸识别结果。
具体地，人脸识别结果可以是验证待识别的人脸图片中的人与预存的人脸图片中的人是否是同一人；也可以是查询待识别的人脸图片中的人与多个预存的人脸图片中最相近的人；还可以是将多个待识别的人脸图片划分为多个类别，其中，每个类别中的人脸图片中的人脸相近；本申请实施例对此不做限制。在上述实施例的基础上，终端获得的待识别的人脸图片的深层特征，也即是获得了特征空间中的各点的矢量值，此时，终端可以通过计算待识别的人脸图片对应的特征空间中的各点的矢量值，与预存的人脸图片对应的特征空间中的矢量值之间的距离，通过该距离，确定待识别的人脸图片对应的人脸识别结果。例如，当人脸识别结果是验证待识别的人脸图片中的人与预存的人脸图片中的人是否是同一人，则可以通过计算待识别的人脸图片对应的特征空间中的矢量值，与预存的人脸图片对应的特征空间中的矢量值之间的距离，当该距离小于预设的阈值时，则待识别的人脸图片中的人与预存的人脸图片中的人为同一人。
上述人脸识别方法，终端将待识别的人脸图片输入预设的人脸识别模型，获取待识别的人脸图片的深层特征，其中，深层特征用于描述不受环境影响的人脸的宏观信息，进而根据深层特征，获取待识别的人脸图片对应的人脸识别结果。使得人脸识别结果是通过不受环境影响的人脸的宏观信息获得的，避免了在人脸识别的过程中，受环境影响导致人脸识别的准确率低的问题，提高了人脸识别的准确率。
在一个实施例中，预设的人脸识别模型可以由多个识别单元组成，多个识别单元可以包括浅层识别单元和深层识别单元，则终端可以通过多个识别单元来逐步获取深层特征，进而根据深层特征，获得人脸识别结果。
图3为另一个实施例中人脸识别方法的流程示意图。本实施例涉及的是当预设的人脸识别单元包括浅层识别单元和深层识别单元时，终端如何获取深层特征的具体过程。如图3所示，上述S101“将待识别的人脸图片输入预设的人脸识别模型，获取待识别的人脸图片的深层特征”一种可能的实现方法包括以下步骤：
S201、根据待识别的人脸图片和浅层识别单元，获取待识别的人脸图片的特征降维矢量；特征降维矢量包括将待识别的人脸图片转换到降维特征空间中的矢量。
其中，预设的人脸识别模型可以包括多个识别单元，多个识别单元可以包括浅层识别单元和深层识别单元，其可以是一个浅层识别单元和一个深层识别单元，也可以是一个浅层识别单元和多个深层识别单元，还可以是多个浅层识别单元和一个深层识别单元，还可以是多个浅层识别单元和多个深层识别单元，本申请实施例对此不做限制。各识别单元的网络可以是Resnet、MobileNet、MobileNetV2,、ShufferNet、Inception，本申请实施例对此不做限制。特征降维矢量可以包括将待识别的人脸图片转换到降维特征空间中的矢量。终端可以将待识别的人脸图片输入浅层识别单元，将待识别的人脸图片的各个像素值转换为特征空间的对应的各点的矢量值，获得待识别的人脸图片对应的特征降维矢量。
S202、将特征降维矢量输入深层识别单元，获取待识别的人脸图片的深层特征。
具体地，在上述实施例的基础上，终端获得了特征降维矢量时，可以将特征降维矢量输入深层识别单元中，获得待识别的人脸图片的深层特征。可选地，将特征降维矢量输入深层识别单元，获取人脸图片对应的深层特征空间中矢量的均值和标准差；根据深层特征空间中矢量的均值和标准差，提取深层特征。其中，深层特征空间可以是深层识别单元处理的数据对应的特征空间。深层识别单元中可以包括AdaIN模块，通过该AdaIN模块，提取深层特征空间中矢量的均值和标准差，进而根据深层特征空间中矢量的均值和标准差，获取深层特征。
上述人脸识别方法，终端根据待识别的人脸图片和浅层识别单元，获取待识别的人脸图片的特征降维矢量，其中，特征降维矢量包括将待识别的人脸图片转换到降维特征空间中的矢量，进而将特征降维矢量输入深层识别单元，获取待识别的人脸图片的深层特征。使得深层特征是将特征降维矢量输入深层识别单元获得的，提高了上述深层特征的准确性，进而提高了根据深层特征获取的待识别的人脸图片的人脸识别结果的准确性。
在一个实施例中，终端在通过深层特征，确定待识别的人脸图片对应的人脸识别结果时，作为一种优选的方案，可以根据待识别的人脸图片和浅层识别单元，得到浅层特征，并将浅层特征作为的特征降维矢量，得到深层特征，进而根据浅层特征和深层特征，获取待识别的人脸图片对应的人脸识别结果。下面通过图4所示实施例来详细描述。
图4为另一个实施例中人脸识别方法的流程示意图。本实施例涉及的是终端如何根据浅层特征和深层特征，获取人脸识别结果的具体过程。如图4所示，该方法还包括以下步骤：
S301、根据待识别的人脸图片和浅层识别单元，获取待识别的人脸图片的浅层特征；浅层特征用于描述人脸的精细化信息。
具体地，浅层特征可以是特征空间中的各点的矢量值，其可以用于描述人脸的精细化信息，上述精细化信息可以是人脸图片中的光照，人脸的肤色等信息，本申请实施例对此不做限制。终端可以根据待识别的人脸图片和浅层识别单元，获取浅层特征。可选地，将待识别的人脸图片输入浅层识别单元，获取待识别的人脸图片对应的浅层特征空间中矢量的均值和标准差，并根据浅层特征空间中矢量的均值和标准差，提取浅层特征。其中，浅层特征空间可以包括将待识别的人脸图片的像素值转换为矢量值得到的特征空间。浅层识别单元中可以包括AdaIN模块，通过该AdaIN模块，提取浅层特征空间中矢量的均值和标准差，进而根据浅层特征空间中矢量的均值和标准差，获取浅层特征。
S302、将浅层特征，获得输入深层识别单元，获取所述待识别的人脸图片的深层特征。
具体地，根据上述实施例获得浅层特征可以作为特征降维矢量，浅层特征可以视为是待识别的人脸图片的各个像素值转换为特征空间的对应的各点的矢量值，因此将浅层特征输入深层识别单元，获得待识别的人脸图片的深层特征，其实现原理与S202所示的实施例类似，在此不再赘述。
S303、根据浅层特征和深层特征，获取待识别的人脸图片对应的人脸识别结果。
具体地，在上述实施例的基础上，终端获取了浅层特征时，可以根据浅层特征和深层特征，获取待识别的人脸图片对应的人脸识别结果。其中，终端可以根据浅层特征得到待识别的人脸图片中光照、人脸肤色等信息，根据深层特征得到待识别的人脸图片中人脸轮廓信息，进而确定待识别人脸图片中人的年龄、性别、身份等信息。然后根据浅层特征获取的待识别的人脸图片中光照、人脸肤色等信息，和，深层特征获得的待识别人脸图片中人的年龄、性别、身份等信息，确定待识别的人脸图片对应的人脸识别结果。
上述人脸识别方法，终端根据待识别的人脸图片和浅层识别单元，获取待识别的人脸图片的浅层特征，其中浅层特征用于描述人脸的精细化信息，并根据浅层特征和深层特征，获取待识别的人脸图片对应的人脸识别结果。使得终端是同时根据浅层特征和深层特征，获取待识别的人脸图片对应的人脸识别结果的，进一步地提高了人脸识别结果的准确率。
进一步地，在上述实施例的基础上，终端还可以将多个人脸识别图片作为输入，将多个人脸图片对应的深层特征作为输出，对人脸识别模型进行训练，得到预设的人脸识别模型，下面通过图5和图6来详细说明。
图5为另一个实施例中人脸识别方法的流程示意图。本实施例涉及的是终端训练得到预设的人脸识别模型的具体过程。如图5所示，该方法还包括以下步骤：
S401、获取多个人脸图片。
S402、获取多个人脸图片对应的深层特征。
S403、将多个人脸图片作为输入，将多个人脸图片对应的深层特征作为输出，训练得到预设的人脸识别模型。
具体地，在上述实施例的基础上，可以将多个人脸图片分别作为输入；也可以对多个人脸图片进行分组，获得一个或多个人脸图片集合作为输入；本申请实施例对此不过限制。在具体的训练的过程中，可以是预先设置一组训练参数，输入多个人脸图片，通过预先设置的一组训练参数的人脸识别模型，获得对应的深层特征，将该深层特征与对应的人脸图片实际的深层特征进行对比，获得对比结果，根据该对比结果，调整训练参数，直至通过人脸识别模型获得的深层特征与人脸图片实际的深层特征，满足预设的要求，即为目标训练参数，根据该目标训练参数，确定预设的人脸识别模型。
在具体地训练模型的过程中，可以采用三元组学习方案(triplet loss)来训练人脸识别模型；也可以是采用分类学习方案(classification)来训练人脸识别模型；本申请实施例对此不做限制。其中，三元组学习方案可以是选择出三张图片，锚点图片(Anchor)、同一人图片(Positive)、不同人图片(Negative)。通过拉近锚点图片与同一人图片在特征空间的距离，拉远锚点图片与不同人图片的距离，达成训练人脸识别模型的目标。分类学习方案是将所有的训练图片分为N个分类，达成训练人脸识别模型的目标的，其中N为人的编号的个数。
上述人脸识别方法，终端通过获取多个人脸图片，并获取多个人脸图片对应的深层特征，进而将多个人脸图片作为输入，将多个人脸图片对应的深层特征作为输出，训练得到预设的人脸识别模型。使得预设的人脸识别模型是通过训练得到，提高了预设的人脸识别模型的准确性，进而提高了根据预设的人脸识别模型获得的深层特征的准确性，进一步地提高了根据深层特征，获得待识别的人脸图片的人脸识别结果的准确性。
图6为另一个实施例中人脸识别方法的流程示意图。本实施例涉及的是终端具体如何训练人脸识别模型的具体过程。如图6所示，S503“将所述多个人脸图片作为输入，将所述多个人脸图片对应的深层特征作为输出，训练得到所述预设的人脸识别模型”一种可能的实现方法还包括以下步骤：
S501、将多个人脸图片输入初始的人脸识别模型，获取多个浅层特征、深层特征和无关特征。
具体地，初始的人脸识别模型可以是训练参数为预设值的人脸识别模型，其结构可以与预设的人脸识别模型一致，可以包括浅层识别单元和深层识别单元。无关特征可以用于描述与人脸识别无关的信息，例如，无关特征可以指示图片中的光照信息，或者人脸朝向信息。无关特征可以是深层识别单元对输入的特征降维矢量进行降维处理，获得维度更低的特征空间的矢量。在训练的过程中加入无关特征，通过标准化损失函数，可以进一步地使输出不带任何人脸的相关信息。在上述实施例的基础上，深层识别单元可以是一个识别单元，也可以是多个识别单元。当深层识别单元为一个时，终端可以将特征降维矢量输入该深层识别单元，通过AdaIN模块提取深层特征空间中矢量的均值和标准差，通过该深层识别单元，输出无关特征；当深层识别单元时多个识别单元时，可以通过最后一个深层识别单元输出上述无关特征；本申请实施例对此不做限制。例如，如图7所示，预设的人脸识别单元包括一个浅层识别单元和两个深层识别单元，通过浅层识别单元获得浅层特征，通过深层识别单元分别获得深层特征，并通过最后一个深层识别单元输出无关特征。将多个人脸图片输入初始的人脸识别模型中，可以通过浅层识别单元获取多个浅层特征，通过深层识别单元获得多个深层特征，输出多个无关特征。
S502、根据多个浅层特征和深层特征，及预设的标准深层特征，获取比对损失函数的值。
具体地，预设的标准深层特征可以是与上述人脸图片实际对应的深层特征。在上述实施例的基础上，获得了多个浅层特征和深层特征时，可以根据多个浅层特征和深层特征，与标准的深层特征进行对比，确定比对损失函数的值。其中，比对损失函数可以是三重损失函数(Triplet loss)，也可以是用特征做分类的损失函数，本申请实施例对此不做限制。
S503、根据多个无关特征，及预设的标准深层特征，获取标准损失函数的值。
具体地，在上述实施例的基础上，获得了多个无关特征时，可以根据多个无关特征，与标准的深层特征进行对比，确定标准损失函数的值。其中，标准化损失函数的目标是去掉均值和标准差无关的特性，标准损失函数可以是1/N∑c,i,j|Fc,i,j-Rc,i,j|2，其中Fc,i,j是识别单元输出的特征，Rc,i,j是可学习参数。
S504、根据比对损失函数的值和标准损失函数的值，调整初始的人脸识别模型中的各参数，直至比对损失函数和标准损失函数满足预设的标准阈值为止，得到预设的人脸识别模型。
具体的，在上述实施例的基础上，在确定了比对损失函数的值和标准损失函数的值时，可以通过调整初始人脸识别模型中的各参数，可以是通过梯度下降方法，改变初始的人脸识别模型中的各参数，使得比对损失函数和标准损失函数满足预设的标准阈值为止，预设的标准阈值可以是比对损失函数与标准损失函数分别乘以预设的权值，获取加权后的比对损失函数与加权后的标准损失函数，加权后的比对损失函数与加权后的标准损失函数之和小于预设阈值时，比对损失函数和标准损失函数满足预设的标准阈值。此时根据调整的各参数，确定预设的人脸识别模型。
上述人脸识别方法，终端将多个人脸图片输入初始的人脸识别模型，获取多个浅层特征、深层特征和无关特征，并根据多个浅层特征和深层特征，及预设的标准深层特征，获取比对损失函数的值，同时根据多个无关特征，及预设的标准深层特征，获取标准损失函数的值，进而根据比对损失函数的值和标准损失函数的值，调整初始的人脸识别模型中的各参数，直至比对损失函数和标准损失函数满足预设的标准阈值为止，得到预设的人脸识别模型。使得预设的人脸识别模型是通过调整初始的人脸识别模型中的各参数获得的更加准确的人脸识别模型，进而使得根据预设的人脸识别模型获得的深层特征更加准确，进一步地提高了根据深层特征获得人脸识别结果的准确度。
应该理解的是，虽然图2-6的流程图中的各个步骤按照箭头的指示，依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2-6中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
图8为一个实施例中提供的人脸识别装置的结构示意图，如图8所示，该人脸识别装置包括：获取模块10和识别模块20，其中：
获取模块10，用于将待识别的人脸图片输入预设的人脸识别模型，获取所述人脸图片的深层特征；所述深层特征用于描述不受环境影响的人脸的宏观信息；
识别模块20，用于根据所述深层特征，获取所述人脸图片对应的人脸识别结果。
本发明实施例提供的人脸识别装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
图9为另一个实施例中提供的人脸识别装置的结构示意图，在图8所示实施例的基础上，所述预设的人脸识别模型包括浅层识别单元和深层识别单元，如图9所示，获取模块10包括：第一获取单元101和第二获取单元102，其中：
第一获取单元101，用于根据所述待识别的人脸图片和所述浅层识别单元，获取所述待识别的人脸图片的特征降维矢量；所述特征降维矢量包括将所述待识别的人脸图片转换到降维特征空间中的矢量；
第二获取单元102，用于将所述特征降维矢量输入所述深层识别单元，获取所述待识别的人脸图片的深层特征。
在一个实施例中，第二获取单元102具体用于将所述特征降维矢量输入所述深层识别单元，获取所述待识别的人脸图片对应的深层特征空间中矢量的均值和标准差；根据所述深层特征空间中矢量的均值和标准差，提取所述深层特征。
在一个实施例中，第一获取单元101还用于根据所述待识别的人脸图片和所述浅层识别单元，获取所述待识别的人脸图片的浅层特征；所述浅层特征用于描述人脸的精细化信息；
第二获取单元102，还用于将所述浅层特征，获得输入所述深层识别单元，获取所述待识别的人脸图片的深层特征；
识别模块20,还用于根据所述浅层特征和所述深层特征，获取所述待识别的人脸图片对应的人脸识别结果。
在一个实施例中，第一获取单元101具体用于将所述待识别的人脸图片输入所述浅层识别单元，获取所述待识别的人脸图片对应的浅层特征空间中矢量的均值和标准差；并根据所述浅层特征空间中矢量的均值和标准差，提取所述浅层特征；所述浅层特征空间包括将所述人脸图片的像素值转换为矢量值得到的特征空间。
本发明实施例提供的人脸识别装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
图10为另一个实施例中提供的人脸识别装置的结构示意图，如图10所示，人脸识别装置还包括：训练模块30，其中：
训练模块30用于获取多个人脸图片；获取所述多个人脸图片对应的深层特征；将所述多个人脸图片作为输入，将所述多个人脸图片对应的深层特征作为输出，训练得到所述预设的人脸识别模型。
在一个实施例中，训练模块30具体用于将所述多个人脸图片输入初始的人脸识别模型，获取所述多个浅层特征、深层特征和无关特征；根据所述多个浅层特征和深层特征，及预设的标准深层特征，获取比对损失函数的值；根据所述多个无关特征，及预设的标准深层特征，获取标准损失函数的值；根据所述比对损失函数的值和所述标准损失函数的值，调整所述初始的人脸识别模型中的各参数，直至所述比对损失函数和所述标准损失函数满足预设的标准阈值为止，得到所述预设的人脸识别模型。
需要说明的是，图10是基于图9的基础上进行示出的，当然图10也可以基于图8的结构进行示出，这里仅是一种示例。
本发明实施例提供的人脸识别装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
关于一种人脸识别装置的具体限定可以参见上文中对人脸识别方法的限定，在此不再赘述。上述人脸识别装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端设备，其内部结构图可以如图11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、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种人脸识别方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图11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，提供了一种终端设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
将待识别的人脸图片输入预设的人脸识别模型，获取所述待识别的人脸图片的深层特征；所述深层特征用于描述不受环境影响的人脸的宏观信息；
根据所述深层特征，获取所述待识别的人脸图片对应的人脸识别结果。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：根据所述待识别的人脸图片和所述浅层识别单元，获取所述待识别的人脸图片的特征降维矢量；所述特征降维矢量包括将所述待识别的人脸图片转换到降维特征空间中的矢量；将所述特征降维矢量输入所述深层识别单元，获取所述待识别的人脸图片的深层特征。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：将所述特征降维矢量输入所述深层识别单元，获取所述待识别的人脸图片对应的深层特征空间中矢量的均值和标准差；根据所述深层特征空间中矢量的均值和标准差，提取所述深层特征。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：根据所述待识别的人脸图片和所述浅层识别单元，获取所述待识别的人脸图片的浅层特征；所述浅层特征用于描述人脸的精细化信息；将所述浅层特征，获得输入所述深层识别单元，获取所述待识别的人脸图片的深层特征；根据所述浅层特征和所述深层特征，获取所述待识别的人脸图片对应的人脸识别结果。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：将所述待识别的人脸图片输入所述浅层识别单元，获取所述待识别的人脸图片对应的浅层特征空间中矢量的均值和标准差；并根据所述浅层特征空间中矢量的均值和标准差，提取所述浅层特征；所述浅层特征空间包括将所述人脸图片的像素值转换为矢量值得到的特征空间。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：获取多个人脸图片；获取所述多个人脸图片对应的深层特征；将所述多个人脸图片作为输入，将所述多个人脸图片对应的深层特征作为输出，训练得到所述预设的人脸识别模型。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：将所述多个人脸图片输入初始的人脸识别模型，获取所述多个浅层特征、深层特征和无关特征；根据所述多个浅层特征和深层特征，及预设的标准深层特征，获取比对损失函数的值；根据所述多个无关特征，及预设的标准深层特征，获取标准损失函数的值；根据所述比对损失函数的值和所述标准损失函数的值，调整所述初始的人脸识别模型中的各参数，直至所述比对损失函数和所述标准损失函数满足预设的标准阈值为止，得到所述预设的人脸识别模型。
本实施例提供的终端设备，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
将待识别的人脸图片输入预设的人脸识别模型，获取所述待识别的人脸图片的深层特征；所述深层特征用于描述不受环境影响的人脸的宏观信息；
根据所述深层特征，获取所述待识别的人脸图片对应的人脸识别结果。
在一个实施例中，计算机程序被处理器执行时实现以下步骤：根据所述待识别的人脸图片和所述浅层识别单元，获取所述待识别的人脸图片的特征降维矢量；所述特征降维矢量包括将所述待识别的人脸图片转换到降维特征空间中的矢量；将所述特征降维矢量输入所述深层识别单元，获取所述待识别的人脸图片的深层特征。
在一个实施例中，计算机程序被处理器执行时实现以下步骤：将所述特征降维矢量输入所述深层识别单元，获取所述待识别的人脸图片对应的深层特征空间中矢量的均值和标准差；根据所述深层特征空间中矢量的均值和标准差，提取所述深层特征。
在一个实施例中，计算机程序被处理器执行时实现以下步骤：根据所述待识别的人脸图片和所述浅层识别单元，获取所述待识别的人脸图片的浅层特征；所述浅层特征用于描述人脸的精细化信息；将所述浅层特征，获得输入所述深层识别单元，获取所述待识别的人脸图片的深层特征；根据所述浅层特征和所述深层特征，获取所述待识别的人脸图片对应的人脸识别结果。
在一个实施例中，计算机程序被处理器执行时实现以下步骤：将所述待识别的人脸图片输入所述浅层识别单元，获取所述待识别的人脸图片对应的浅层特征空间中矢量的均值和标准差；并根据所述浅层特征空间中矢量的均值和标准差，提取所述浅层特征；所述浅层特征空间包括将所述人脸图片的像素值转换为矢量值得到的特征空间。
在一个实施例中，计算机程序被处理器执行时实现以下步骤：获取多个人脸图片；获取所述多个人脸图片对应的深层特征；将所述多个人脸图片作为输入，将所述多个人脸图片对应的深层特征作为输出，训练得到所述预设的人脸识别模型。
在一个实施例中，计算机程序被处理器执行时实现以下步骤：将所述多个人脸图片输入初始的人脸识别模型，获取所述多个浅层特征、深层特征和无关特征；根据所述多个浅层特征和深层特征，及预设的标准深层特征，获取比对损失函数的值；根据所述多个无关特征，及预设的标准深层特征，获取标准损失函数的值；根据所述比对损失函数的值和所述标准损失函数的值，调整所述初始的人脸识别模型中的各参数，直至所述比对损失函数和所述标准损失函数满足预设的标准阈值为止，得到所述预设的人脸识别模型。
本实施例提供的计算机可读存储介质，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本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。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种人脸识别方法，其特征在于，所述方法包括：
获取多个人脸图片；
获取所述多个人脸图片对应的深层特征；
将所述多个人脸图片作为输入，将所述多个人脸图片对应的深层特征作为输出，训练得到预设的人脸识别模型；
将待识别的人脸图片输入预设的人脸识别模型，获取所述待识别的人脸图片的深层特征；所述深层特征用于描述不受环境影响的人脸的宏观信息；
根据所述深层特征，获取所述待识别的人脸图片对应的人脸识别结果；
所述将所述多个人脸图片作为输入，将所述多个人脸图片对应的深层特征作为输出，训练得到预设的人脸识别模型，包括：
将所述多个人脸图片输入初始的人脸识别模型，获取多个浅层特征、深层特征和无关特征；所述无关特征用于描述与人脸识别无关的信息；
根据所述多个浅层特征和深层特征，及预设的标准深层特征，获取比对损失函数的值；
根据所述多个无关特征，及预设的标准深层特征，获取标准损失函数的值；
根据所述比对损失函数的值和所述标准损失函数的值，调整所述初始的人脸识别模型中的各参数，直至所述比对损失函数和所述标准损失函数满足预设的标准阈值为止，得到所述预设的人脸识别模型。
2.根据权利要求1所述方法，其特征在于，所述预设的人脸识别模型包括浅层识别单元和深层识别单元，则所述将待识别的人脸图片输入预设的人脸识别模型，获取所述待识别的人脸图片的深层特征，包括：
根据所述待识别的人脸图片和所述浅层识别单元，获取所述待识别的人脸图片的特征降维矢量；所述特征降维矢量包括将所述待识别的人脸图片转换到降维特征空间中的矢量；
将所述特征降维矢量输入所述深层识别单元，获取所述待识别的人脸图片的深层特征。
3.根据权利要求2所述方法，其特征在于，所述将所述特征降维矢量输入所述深层识别单元，获取所述待识别的人脸图片的深层特征，包括：
将所述特征降维矢量输入所述深层识别单元，获取所述待识别的人脸图片对应的深层特征空间中矢量的均值和标准差；根据所述深层特征空间中矢量的均值和标准差，提取所述深层特征。
4.根据权利要求2或3所述方法，其特征在于，所述方法还包括：
根据所述待识别的人脸图片和所述浅层识别单元，获取所述待识别的人脸图片的浅层特征；所述浅层特征用于描述人脸的精细化信息；
将所述浅层特征，获得输入所述深层识别单元，获取所述待识别的人脸图片的深层特征；
则所述根据所述深层特征，确定所述待识别的人脸图片对应的人脸识别结果，包括：
根据所述浅层特征和所述深层特征，获取所述待识别的人脸图片对应的人脸识别结果。
5.根据权利要求4所述方法，其特征在于，所述根据所述待识别的人脸图片和所述浅层识别单元，获取所述待识别的人脸图片的浅层特征，包括：
将所述待识别的人脸图片输入所述浅层识别单元，获取所述待识别的人脸图片对应的浅层特征空间中矢量的均值和标准差；并根据所述浅层特征空间中矢量的均值和标准差，提取所述浅层特征；所述浅层特征空间包括将所述人脸图片的像素值转换为矢量值得到的特征空间。
6.根据权利要求1-3任一项所述方法，其特征在于，所述深层特征表示特征空间中的各点的矢量值；所述将待识别的人脸图片输入预设的人脸识别模型，获取所述待识别的人脸图片的深层特征，包括：
将待识别的人脸图片输入预设的人脸识别模型，根据所述预设的人脸识别模型将待识别的所述人脸图片的像素值转换为特征空间中的矢量值，并将特征空间进行降维处理，获得降维后的特征空间的矢量值，获取深度特征。
7.根据权利要求6所述方法，其特征在于，所述根据深层特征，获取待识别的人脸图片对应的人脸识别结果，包括：
根据深层特征，计算所述待识别的人脸图片对应的特征空间中的各点的矢量值，与预存的人脸图片对应的特征空间中的矢量值之间的距离；
根据计算得到所述距离，确定待识别的人脸图片对应的人脸识别结果。
8.一种人脸识别装置，其特征在于，所述装置包括：
训练模块，用于获取多个人脸图片；获取所述多个人脸图片对应的深层特征；将所述多个人脸图片作为输入，将所述多个人脸图片对应的深层特征作为输出，训练得到预设的人脸识别模型；
获取模块，用于将待识别的人脸图片输入预设的人脸识别模型，获取所述人脸图片的深层特征；所述深层特征用于描述不受环境影响的人脸的宏观信息；
识别模块，用于根据所述深层特征，获取所述人脸图片对应的人脸识别结果；
所述训练模块还用于：将所述多个人脸图片输入初始的人脸识别模型，获取多个浅层特征、深层特征和无关特征；所述无关特征用于描述与人脸识别无关的信息；根据所述多个浅层特征和深层特征，及预设的标准深层特征，获取比对损失函数的值；根据所述多个无关特征，及预设的标准深层特征，获取标准损失函数的值；根据所述比对损失函数的值和所述标准损失函数的值，调整所述初始的人脸识别模型中的各参数，直至所述比对损失函数和所述标准损失函数满足预设的标准阈值为止，得到所述预设的人脸识别模型。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1-7中任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1-7中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910360663.7A CN110147740B (zh) | 2019-04-30 | 2019-04-30 | 人脸识别方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910360663.7A CN110147740B (zh) | 2019-04-30 | 2019-04-30 | 人脸识别方法、装置、设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110147740A CN110147740A (zh) | 2019-08-20 |
| CN110147740B true CN110147740B (zh) | 2021-07-09 |
Family
ID=67594469
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910360663.7A Active CN110147740B (zh) | 2019-04-30 | 2019-04-30 | 人脸识别方法、装置、设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110147740B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113971822A (zh) * | 2020-07-22 | 2022-01-25 | 武汉Tcl集团工业研究院有限公司 | 一种人脸检测方法、智能终端及存储介质 |
| CN113642415B (zh) * | 2021-07-19 | 2024-06-04 | 南京南瑞信息通信科技有限公司 | 人脸特征表达方法及人脸识别方法 |
| CN114550251A (zh) * | 2022-02-14 | 2022-05-27 | 北京百度网讯科技有限公司 | 人脸识别方法、装置、电子设备和存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106650693A (zh) * | 2016-12-30 | 2017-05-10 | 河北三川科技有限公司 | 一种用于人脸比对的多特征融合识别算法 |
| CN106778584A (zh) * | 2016-12-08 | 2017-05-31 | 南京邮电大学 | 一种基于深层特征与浅层特征融合的人脸年龄估计方法 |
| CN108229427A (zh) * | 2018-01-29 | 2018-06-29 | 南京华科和鼎信息科技有限公司 | 一种基于身份证件和人脸识别的身份安全验证方法及系统 |
| CN108256454A (zh) * | 2018-01-08 | 2018-07-06 | 浙江大华技术股份有限公司 | 一种基于cnn模型的训练方法、人脸姿态估测方法及装置 |
| CN108647668A (zh) * | 2018-05-21 | 2018-10-12 | 北京亮亮视野科技有限公司 | 多尺度轻量级人脸检测模型的构建方法及基于该模型的人脸检测方法 |
-
2019
- 2019-04-30 CN CN201910360663.7A patent/CN110147740B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106778584A (zh) * | 2016-12-08 | 2017-05-31 | 南京邮电大学 | 一种基于深层特征与浅层特征融合的人脸年龄估计方法 |
| CN106650693A (zh) * | 2016-12-30 | 2017-05-10 | 河北三川科技有限公司 | 一种用于人脸比对的多特征融合识别算法 |
| CN108256454A (zh) * | 2018-01-08 | 2018-07-06 | 浙江大华技术股份有限公司 | 一种基于cnn模型的训练方法、人脸姿态估测方法及装置 |
| CN108229427A (zh) * | 2018-01-29 | 2018-06-29 | 南京华科和鼎信息科技有限公司 | 一种基于身份证件和人脸识别的身份安全验证方法及系统 |
| CN108647668A (zh) * | 2018-05-21 | 2018-10-12 | 北京亮亮视野科技有限公司 | 多尺度轻量级人脸检测模型的构建方法及基于该模型的人脸检测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110147740A (zh) | 2019-08-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11176393B2 (en) | Living body recognition method, storage medium, and computer device | |
| US10713532B2 (en) | Image recognition method and apparatus | |
| US11915514B2 (en) | Method and apparatus for detecting facial key points, computer device, and storage medium | |
| WO2021068487A1 (zh) | 人脸识别模型构建方法、装置、计算机设备和存储介质 | |
| WO2020215557A1 (zh) | 医学影像解释方法、装置、计算机设备及存储介质 | |
| WO2020024395A1 (zh) | 疲劳驾驶检测方法、装置、计算机设备及存储介质 | |
| CN109242789B (zh) | 图像处理方法、图像处理装置及存储介质 | |
| CN110147740B (zh) | 人脸识别方法、装置、设备和存储介质 | |
| WO2022252642A1 (zh) | 基于视频图像的行为姿态检测方法、装置、设备及介质 | |
| CN109271930B (zh) | 微表情识别方法、装置与存储介质 | |
| CN109325468B (zh) | 一种图像处理方法、装置、计算机设备和存储介质 | |
| CN109657554A (zh) | 一种基于微表情的图像识别方法、装置以及相关设备 | |
| CN108764143B (zh) | 图像处理方法、装置、计算机设备和存储介质 | |
| CN110738102A (zh) | 一种人脸识别方法及系统 | |
| JP2016189162A (ja) | 個人識別装置、識別閾値設定方法、およびプログラム | |
| WO2021223738A1 (zh) | 模型参数的更新方法、装置、设备及存储介质 | |
| WO2021196721A1 (zh) | 一种舱内环境的调整方法及装置 | |
| KR20200029659A (ko) | 얼굴 인식 방법 및 장치 | |
| CN108830782B (zh) | 图像处理方法、装置、计算机设备和存储介质 | |
| CN110705428B (zh) | 一种基于脉冲神经网络的脸部年龄识别系统及方法 | |
| CN110163151B (zh) | 人脸模型的训练方法、装置、计算机设备和存储介质 | |
| CN113192175A (zh) | 模型训练方法、装置、计算机设备和可读存储介质 | |
| CN110210319A (zh) | 计算机设备、舌体照片体质识别装置及存储介质 | |
| CN116942149B (zh) | 基于毫米波雷达的腰椎监控方法、装置、设备及存储介质 | |
| CN113269719B (zh) | 模型训练、图像处理方法，装置，设备以及存储介质 |
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 | ||
| EE01 | Entry into force of recordation of patent licensing contract | ||
| EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20190820 Assignee: Chongqing rose Pharmaceutical Co.,Ltd. Assignor: Huazhi Zhongchuang (Beijing) Investment Management Co.,Ltd. Contract record no.: X2023990000869 Denomination of invention: Facial recognition methods, devices, devices, and storage media Granted publication date: 20210709 License type: Common License Record date: 20231016 Application publication date: 20190820 Assignee: Beijing gentong Technology Co.,Ltd. Assignor: Huazhi Zhongchuang (Beijing) Investment Management Co.,Ltd. Contract record no.: X2023990000868 Denomination of invention: Facial recognition methods, devices, devices, and storage media Granted publication date: 20210709 License type: Common License Record date: 20231016 Application publication date: 20190820 Assignee: Beijing Peipei Network Technology Co.,Ltd. Assignor: Huazhi Zhongchuang (Beijing) Investment Management Co.,Ltd. Contract record no.: X2023990000867 Denomination of invention: Facial recognition methods, devices, devices, and storage media Granted publication date: 20210709 License type: Common License Record date: 20231016 Application publication date: 20190820 Assignee: TIANJIN YIYUE INFORMATION TECHNOLOGY Co.,Ltd. Assignor: Huazhi Zhongchuang (Beijing) Investment Management Co.,Ltd. Contract record no.: X2023990000866 Denomination of invention: Facial recognition methods, devices, devices, and storage media Granted publication date: 20210709 License type: Common License Record date: 20231016 |
|
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20241217 Address after: No. 257, 2nd Floor, Building 9, No. 2 Huizhu Road, Liangjiang New District, Yubei District, Chongqing 401120 Patentee after: Force Map New (Chongqing) Technology Co.,Ltd. Country or region after: China Address before: 316-318, block a, Rongke Information Center, No.2, South Road, Academy of Sciences, Haidian District, Beijing, 100190 Patentee before: MEGVII (BEIJING) TECHNOLOGY Co.,Ltd. Country or region before: China |
|
| PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: Facial recognition methods, devices, equipment, and storage media Granted publication date: 20210709 Pledgee: Chongqing Industrial Investment Master Fund Partnership Enterprise (Limited Partnership) Pledgor: Force Map New (Chongqing) Technology Co.,Ltd. Registration number: Y2025110000093 |