CN110245621A - 人脸识别装置及图像处理方法、特征提取模型、存储介质 - Google Patents

人脸识别装置及图像处理方法、特征提取模型、存储介质 Download PDF

Info

Publication number
CN110245621A
CN110245621A CN201910525542.3A CN201910525542A CN110245621A CN 110245621 A CN110245621 A CN 110245621A CN 201910525542 A CN201910525542 A CN 201910525542A CN 110245621 A CN110245621 A CN 110245621A
Authority
CN
China
Prior art keywords
image
face
face characteristic
target
target facial
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.)
Granted
Application number
CN201910525542.3A
Other languages
English (en)
Other versions
CN110245621B (zh
Inventor
赖长明
徐永泽
薛凯文
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.)
Shenzhen TCL New Technology Co Ltd
Original Assignee
Shenzhen TCL New Technology 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 Shenzhen TCL New Technology Co Ltd filed Critical Shenzhen TCL New Technology Co Ltd
Priority to CN201910525542.3A priority Critical patent/CN110245621B/zh
Publication of CN110245621A publication Critical patent/CN110245621A/zh
Priority to PCT/CN2020/081757 priority patent/WO2020253304A1/zh
Application granted granted Critical
Publication of CN110245621B publication Critical patent/CN110245621B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • 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
    • G06V40/171—Local features and components; Facial parts ; Occluding parts, e.g. glasses; Geometrical relationships
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/172—Classification, e.g. identification
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Human Computer Interaction (AREA)
  • Multimedia (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种图像处理方法，所述图像处理方法包括以下步骤：获取目标人脸图像；采用Gabor滤波器将所述目标人脸图像进行Gabor滤波处理，获得第一特征图像，采用深度卷积神经网络中的预设模块对所述目标人脸图像进行卷积、池化处理，获得第二特征图像；根据所述第一特征图像和所述第二特征图像，生成所述目标人脸图像对应的人脸特征图像。本发明还公开了一种人脸特征提取模型、人脸识别装置和可读存储介质。本发明旨在提高人脸特征提取的准确性，使所提取的人脸特征具有更鲁棒的特征表达。

Description

人脸识别装置及图像处理方法、特征提取模型、存储介质
技术领域
本发明涉及人脸识别技术领域，尤其涉及图像处理方法、人脸特征提取模型、人脸识别装置和可读存储介质。
背景技术
在人脸识别中如何提取人脸描述特征是一个关键步骤。人脸图像的信息主要由两部分组成，一是人脸的本身份的特征，例如眼镜、鼻子、口等，属于人脸的本质属性；另一个是外界的因素引起的，比如拍照时的光照、拍摄角度等。理想的人脸描述特征应该只反映人脸的本质属性，而对光照、姿态等外部不敏感的人脸特征。然而，目前采用深度神经网络进行人脸特征的提取，所提取的人脸特征对光照、表情等变化鲁棒性不高。
上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提供一种图像处理方法，旨在提高人脸特征提取的准确性，使所提取的人脸特征具有更鲁棒的特征表达。
为实现上述目的，本发明提供一种图像处理方法，所述图像处理方法包括以下步骤：
获取目标人脸图像；
采用Gabor滤波器将所述目标人脸图像进行Gabor滤波处理，获得第一特征图像，采用深度卷积神经网络中的预设模块对所述目标人脸图像进行卷积、池化处理，获得第二特征图像；
根据所述第一特征图像和所述第二特征图像，生成所述目标人脸图像对应的人脸特征图像。
可选地，所述预设模块包括池化层和多个不同尺度的卷积层，所述采用深度卷积神经网络中的预设模块对所述目标人脸图像进行卷积、池化处理，获得第二特征图像的步骤包括：
采用所述卷积层分别对所述目标人脸图像进行卷积操作，对应获得多组第一子特征图像；
采用所述池化层对所述目标人脸图像进行池化操作，获得第二子特征图像；
将所述多组第一子特征图像和所述第二子特征图像合并，生成所述第二特征图像。
可选地，所述采用Gabor滤波器将所述目标人脸图像进行Gabor滤波处理，获得第一特征图像的步骤包括：
采用预设个1*1的卷积层对所述目标人脸图像进行卷积操作，得到第一图像；
采用所述Gabor滤波器将所述第一图像进行Gabor滤波处理，获得所述第一特征图像。
可选地，所述采用所述Gabor滤波器将所述第一图像进行Gabor滤波处理，获得所述第一特征图像的步骤之前，还包括：
获取人脸先验知识信息；
根据所述人脸先验知识信息选取所述Gabor滤波器的目标尺度和目标方向。
可选地，所述目标尺度包括5个，所述目标方向包括8个。
可选地，所述根据所述第一特征图像和所述第二特征图像，生成所述目标人脸图像对应的人脸特征图像的步骤包括：
将所述第一特征图像和所述第二特征图像合并，得到第二图像；
确定所述第一特征图像的个数作为目标个数；
采用所述目标个数的1*1卷积层对所述第二图像进行卷积操作，得到所述人脸特征图像。
可选地，所述根据所述第一特征图像和所述第二特征图像，生成所述目标人脸图像对应的人脸特征图像的步骤之后，还包括：
将所述人脸特征图像作为目标人脸图像；
循环执行所述采用Gabor滤波器将所述目标人脸图像进行Gabor滤波处理，获得第一特征图像，采用深度卷积神经网络中的预设模块对所述目标人脸图像进行卷积、池化处理，获得第二特征图像；根据所述第一特征图像和所述第二特征图像，生成所述目标人脸图像对应的人脸特征图像的步骤，所述将所述人脸特征图像作为所述目标人脸图像的步骤，直至满足循环预设条件，获得多个人脸特征图像。
可选地，所述获得多个人脸特征图像的步骤之后，还包括：
选取部分或全部所述多个人脸特征图像作为选定人脸特征图像；
根据所述选定人脸特征图像确定目标人脸特征图像；
按照预设规则将目标人脸特征图像转换为脸部特征向量。
此外，为了实现上述目的，本申请还提供一种人脸特征提取模型，所述人脸特征提取模型包括：
深度卷积神经网络的预设模块，包括池化层和多个不同尺度的卷积层，所述多个不同尺度的卷积层包括1*1卷积层、3*3卷积层、5*5卷积层和池化层，所述预设模块用于对所述目标人脸图像进行卷积、池化处理，获得第二特征图像；
Gabor滤波器，用于将所述目标人脸图像进行Gabor滤波处理，获得第一特征图像；
生成模块，用于根据所述第一特征图像和所述第二特征图像，生成所述目标人脸图像对应的人脸特征图像。
此外，为了实现上述目的，本申请还提供一种人脸识别装置，所述人脸识别装置包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的人脸识别程序，所述人脸识别程序被所述处理器执行时实现如上任一项所述的人脸识别方法的步骤。
此外，为了实现上述目的，本申请还提供一种可读存储介质，所述可读存储介质上存储有人脸识别程序，所述人脸识别程序被处理器执行时实现如上任一项所述的人脸识别方法的步骤。
本发明实施例提出的一种图像处理方法，该方法在采用深度卷积神经网络中的预设模块对待处理的目标人脸图像进行卷积、池化，输出第二特征图像的基础上，同时增加对待处理的目标人脸图像进行Gabor滤波，输出第一特征图像，根据第一特征图像和第二特征图像生成人脸特征图像。由于Gabor滤波所提取的人脸特征对光照、表情等变化比较鲁棒，并且Gabor核函数具有与人类大脑皮层简单单细胞的二维反射区相同的特性，因此可有效地提取局部细微变化，因此结合深度卷积神经网络和Gabor滤波进行人脸特征的提取，有利于提高人脸特征提取的准确性，使所提取的人脸特征具有更鲁棒的特征表达。
附图说明
图1是本发明图像处理方法一实施例的流程示意图；
图2为本发明应用上述图像处理方法进行人脸特征提取模型示意图；
图3为本发明图1中步骤S30的细化流程示意图；
图4为本发明图像处理方法又一实施例的流程示意图；
图5为本发明人脸识别装置的硬件结构示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明实施例的主要解决方案是：获取目标人脸图像；采用Gabor滤波器将所述目标人脸图像进行Gabor滤波处理，获得第一特征图像，采用深度卷积神经网络中的预设模块对所述目标人脸图像进行卷积、池化处理，获得第二特征图像；根据所述第一特征图像和所述第二特征图像，生成所述目标人脸图像对应的人脸特征图像。
由于现有技术中深度卷积神经网络所提取的人脸特征对光照、表情等变化鲁棒性不高。
本发明提供一种图像处理方法，可提高人脸特征提取的准确性，使所提取的人脸特征具有更鲁棒的特征表达。
在本发明实施例中，提供一种图像处理方法。该图像处理方法主要用于对人脸图像进行人脸特征图像的提取，所提取的人脸特征图像可进一步的用于人脸的训练和识别。
参照图1，该图像处理方法包括以下步骤：
步骤S10，获取目标人脸图像；
这里的目标人脸图像可具体包括未经过人脸特征提取的初始图像和经过人脸特征提取的中间图像。例如，摄像头采集或存储器所存储的人脸图像经过人脸扶正、人脸图像的增强、归一化等预处理后得到的灰度图像可作为目标人脸图像。此外，也对上述灰度图像进行至少一次或多次人脸特征提取后得到的特征图像作为目标人脸图像。
步骤S20，采用Gabor滤波器将所述目标人脸图像进行Gabor滤波处理，获得第一特征图像，采用深度卷积神经网络中的预设模块对所述目标人脸图像进行卷积、池化处理，获得第二特征图像；
具体的，可通过由5个尺度和8个方向组合形成的40个Gabor滤波器作为对目标人脸图像进行Gabor滤波处理的滤波器。每一个目标人脸图像都会跟40个不同方向及尺度的Gabor滤波器进行卷积得到Gabor特征图，作为第一特征图像。其中，Gabor滤波器的尺度和方向可依据实际的人脸识别的需求进行选择。为了提高人脸特征提取的准确性，提升所提取人脸图像对光照、表情等变化的鲁棒性，步骤S20前可获取人脸先验知识信息；根据所述人脸先验知识信息选取所述Gabor滤波器的目标尺度和目标方向。人脸先验知识信息可具体包括人脸的纹理信息等，如眼部、唇部、鼻部、脸部轮廓等纹理信息，将人脸先验知识信息进行Gabor转换，根据转换结果选取Gabor滤波器的目标尺度和目标方向，以提高目标人脸图像所提取的Gabor特征的准确性。
其中，基于深度卷积网络对目标人脸图像进行处理时，为了降低计算量，提高人脸特征提取的效率，采用Gabor滤波器将所述目标人脸图像进行Gabor滤波处理，获得第一特征图像的步骤可包括：采用预设个1*1的卷积层对所述目标人脸图像进行卷积操作，得到第一图像；采用所述Gabor滤波器将所述第一图像进行Gabor滤波处理，获得所述第一特征图像。预设个的数量可根据实际的识别精度进行设置。例如，可采用4个1*1的卷积层对目标人脸图像进行卷积操作，得到数量为4的第一图像。将4张第一图像输入40个不同方向及尺度的Gabor滤波器，经过Gabor滤波器后得到160张Gabor特征图，作为第一特征图像。
具体的，预设模块包括卷积层和池化层，可依次经过卷积层和池化层对目标人脸图像进行卷积和池化，将输出的特征图作为第二特征图像。
此外，预设模块可包括池化层和多个不同尺度的卷积层。采用深度卷积神经网络中的预设模块对所述目标人脸图像进行卷积、池化处理，获得第二特征图像的步骤可具体包括：采用所述卷积层分别对所述目标人脸图像进行卷积操作，对应获得多组第一子特征图像；采用所述池化层对所述目标人脸图像进行池化操作，获得第二子特征图像；将所述多组第一子特征图像和所述第二子特征图像合并，生成所述第二特征图像。
预设模块可具体为Inception模块，Inception模块包括最大池化层和多个不同尺度的卷积层，多个不同尺度的卷积层具体包括1*1卷积层、3*3卷积层和5*5卷积层等。例如，目标人脸图像为28x28x192的输入数据时，目标人脸图像与1*1卷积层中64个1x1的卷积核做卷积后，得到28x28x64的输出，作为第一组第一子特征图像；目标人脸图像与3*3卷积层中128个3x3的卷积核做卷积后，得到28x28x128的输出，作为第二组第一子特征图像；目标人脸图像与5*5卷积层中32个5x5的卷积核做卷积后，得到28x28x32的输出，作为第三组第一子特征图像；目标人脸图像做最大池化操作后，得到28x28x32的输出，获得第二子特征图像。将第一组第一子特征图像、第二组第一子特征图像、第三组第一子特征图像以及第二子特征图像通过合并层沿图像深度方向依次拼接后，输出28*28*256的图像数据，作为第二特征图像。在深度卷积神经网络中采用Inception模块，可无需手工设计或者选择卷积核，而是通过大规模的标签训练集来学习卷积核的参数，利用多个尺度不一致的卷积核提取人脸特征，再连接到一个共同输出，从而增加的深度卷积神经网络对多个尺度的适应性，提高特征提取的泛化能力。
此外，为了减少人脸特征提取时的计算量，Inception模块中的1*1卷积层可具体包括4个，一个用于产生上述的第一组第一子特征图像，两个1*1卷积层分别用于3*3卷积层和5*5卷积层前对目标人脸图像进行卷积操作，以降低输入至3*3卷积层和5*5卷积层中图像数据的数据维度，还有一个1*1卷积层用于对最大池化层输出的图像数据进行降维后得到第二子特征图像。
步骤S30，根据所述第一特征图像和所述第二特征图像，生成所述目标人脸图像对应的人脸特征图像。
Gabor滤波器输出的第一特征图像和预设模块输出的第二特征图像均可输出至生成模块，采用生成模块将第一特征图像和第二特征图像合并，形成人脸特征图像。
深度卷积神经网络中的预设模块与Gabor可构建形成人脸特征提取模块。参照图2，图2为基于人脸特征提取模块形成的人脸特征提取模型。1为目标人脸图像，2为Gabor滤波器，3为预设模块，301为预设模块中的1*1卷积层、302为预设模块中的3*3卷积层、303为预设模块中的5*5卷积层、304为预设模块中池化层，4为生成模块，40为采用生成模块将第一特征图像和第二特征图像合并后的特征图像，其中40a为第一特征图像，40b为第二特征图像，5为人脸特征图像。
本发明实施例提出的一种图像处理方法，该方法在采用深度卷积神经网络中的预设模块对待处理的目标人脸图像进行卷积、池化，输出第二特征图像的基础上，同时增加对待处理的目标人脸图像进行Gabor滤波，输出第一特征图像，根据第一特征图像和第二特征图像生成人脸特征图像。由于Gabor滤波所提取的人脸特征对光照、表情等变化比较鲁棒，并且Gabor核函数具有与人类大脑皮层简单单细胞的二维反射区相同的特性，因此可有效地提取局部细微变化，因此结合深度卷积神经网络和Gabor滤波进行人脸特征的提取，有利于提高人脸特征提取的准确性，使所提取的人脸特征具有更鲁棒的特征表达。
进一步的，参照图3，上述的步骤S30包括：
步骤S31，将所述第一特征图像和所述第二特征图像合并，得到第二图像；
将第一特征图像和第二特征图像沿图像深度方向依次拼接，得到第二图像。例如，将28*28*256的第二特征图像和28*28*160的第一特征图像合并，得到28*28*416的图像数据，作为第二图像。
步骤S32，确定所述第一特征图像的个数作为目标个数；
将预设模块输出的第一特征图像的个数作为目标个数。例如，第一特征图像为256张28*28的图像数据时，目标个数为256。
步骤S33，采用所述目标个数的1*1卷积层对所述第二图像进行卷积操作，得到所述人脸特征图像。
将28*28*416的第二图像经过256个1*1卷积层卷积操作后，得到28*28*256的图像数据，作为人脸特征图像。
通过上述方式，可使得到的人脸特征图像的数据维度与深度卷积神经网络中预设模块输出的特征图像数据的维度相同，从而使人脸特征图像数据在深度卷积神经网络中进行后续处理时，无需对原有的深度卷积神经网络的网络架构进行修改。
进一步的，所述根据所述第一特征图像和所述第二特征图像，生成所述目标人脸图像对应的人脸特征图像的步骤之后，还包括：将所述人脸特征图像作为目标人脸图像；循环执行所述采用Gabor滤波器将所述目标人脸图像进行Gabor滤波处理，获得第一特征图像，采用深度卷积神经网络中的预设模块对所述目标人脸图像进行卷积、池化处理，获得第二特征图像；根据所述第一特征图像和所述第二特征图像，生成所述目标人脸图像对应的人脸特征图像的步骤，所述将所述人脸特征图像作为所述目标人脸图像的步骤，直至满足循环预设条件，获得多组人脸特征图像。
按照上述方式重复对目标人脸图像进行人脸特征提取，每个人脸特征提取模块均输出一组人脸特征图像。循环预设条件具体包括循环次数达到预设次数、输出的人脸特征图像的组数达到预设组数等。
深度卷积神经网络可包括多个所述预设模块，每个预设模块可具有与其对应设置的Gabor滤波器，根据上述的深度卷积神经网络和Gabor滤波器构建形成人脸识别模型。人脸识别模型中，每个预设模块及其Gabor滤波器构成人脸特征提取模块。每个人脸特征提取模块均可按照上述步骤S10至步骤S30对输入的目标人脸图像进行处理，其中，前一人脸特征提取模块输出的人脸特征图像作为后一人脸特征提取模块输入的目标人脸图像。当所有人脸特征提取模块均对目标人脸图像进行人脸特征提取后，结束人脸特征提取，获取每个人脸特征提取模块输出的图像，得到上述多组人脸特征图像。
通过上述方式，通过深度卷积神经网络进行特征提取的整个过程均会结合Gabor滤波器所提取的Gabor特征，从而提高深度卷积神经网络所提取的人脸特征信息的准确性。
进一步的，如图4所示，所述获得多个人脸特征图像的步骤之后，还包括：
步骤S40，选取部分或全部所述多个人脸特征图像作为选定人脸特征图像；
步骤S50，根据所述选定人脸特征图像确定目标人脸特征图像；
步骤S60，按照预设规则将目标人脸特征图像转换为脸部特征向量。
具体的，可抽取某一组人脸特征图像作为目标人脸特征图像。此外，还可抽取多组的人脸特征图像作为选定人脸特征图像，将所抽取的人脸特征图像进行卷积、池化、归一等操作后得到目标人脸特征图像。抽取的过程可以是随机抽取，也可以是按照预设规则进行抽取。
将目标人脸特征图像映射到128维的欧几里得空间，得到128维的脸部特征向量。在进行人脸训练时，则目标人脸图像为大量所需学习的人脸图像样本，所得到的脸部特征向量可作为已知人脸特征信息。在进行人脸识别时，则目标人脸图像为待识别的人脸图像，则可获取对应的已知人脸特征信息，计算所得到的脸部特征向量与已知人脸特征信息之间的欧式距离，当欧式距离小于或等于预设阈值时，可认为待识别的人脸图像与学习样本匹配，当欧式距离大于预设阈值时，可认为待识别的人脸图像与学习样本不匹配。
通过上述方式，包含Gabor特征的人脸特征图像转换为脸部特征向量，基于脸部特征向量进行人脸训练和识别，有利于进一步提高人脸识别的准确率。
此外，本申请实施例还提供一种人脸识别装置，该人脸识别装置可以是任何需要进行人脸识别或人脸训练的装置。例如，需要进行人脸识别的手机、平板电脑、门禁设备等。如图5所示，该人脸识别装置可以包括：处理器1001，例如CPU，存储器1002，通信总线1003。其中，通信总线1003用于实现这些组件之间的连接通信。存储器1002可以是高速RAM存储器，也可以是稳定的存储器(non-volatile memory)，例如磁盘存储器。存储器1002可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解，图5中示出的装置结构并不构成对装置的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。如图5所示，作为一种存储介质的存储器1002中可以包括图像处理程序。在图1所示的装置中，处理器1001可以用于调用存储器1002中存储的图像处理程序执行上述实施例的图像处理方法中的所有步骤操作。
进一步的，此外，本发明实施例还提出一种可读存储介质，所述计算机可读存储介质上存储有图像处理程序，所述图像处理程序被处理器执行时实现如上述实施例的图像处理方法中的所有步骤操作。
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、物品或者系统不仅包括那些要素，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、物品或者系统所固有的要素。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、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
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，本发明的技术方案本质上或者说对现有技术做出贡献的部分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如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (11)

1.一种图像处理方法，其特征在于，所述图像处理方法包括以下步骤：
获取目标人脸图像；
采用Gabor滤波器将所述目标人脸图像进行Gabor滤波处理，获得第一特征图像，采用深度卷积神经网络中的预设模块对所述目标人脸图像进行卷积、池化处理，获得第二特征图像；
根据所述第一特征图像和所述第二特征图像，生成所述目标人脸图像对应的人脸特征图像。
2.如权利要求1所述的图像处理方法，其特征在于，所述预设模块包括池化层和多个不同尺度的卷积层，所述采用深度卷积神经网络中的预设模块对所述目标人脸图像进行卷积、池化处理，获得第二特征图像的步骤包括：
采用所述卷积层分别对所述目标人脸图像进行卷积操作，对应获得多组第一子特征图像；
采用所述池化层对所述目标人脸图像进行池化操作，获得第二子特征图像；
将所述多组第一子特征图像和所述第二子特征图像合并，生成所述第二特征图像。
3.如权利要求1所述的图像处理方法，其特征在于，所述采用Gabor滤波器将所述目标人脸图像进行Gabor滤波处理，获得第一特征图像的步骤包括：
采用预设个1*1的卷积层对所述目标人脸图像进行卷积操作，得到第一图像；
采用所述Gabor滤波器将所述第一图像进行Gabor滤波处理，获得所述第一特征图像。
4.如权利要求3所述的图像处理方法，其特征在于，所述采用所述Gabor滤波器将所述第一图像进行Gabor滤波处理，获得所述第一特征图像的步骤之前，还包括：
获取人脸先验知识信息；
根据所述人脸先验知识信息选取所述Gabor滤波器的目标尺度和目标方向。
5.如权利要求4所述的图像处理方法，其特征在于，所述目标尺度包括5个，所述目标方向包括8个。
6.如权利要求1至5中任一项所述的图像处理方法，其特征在于，所述根据所述第一特征图像和所述第二特征图像，生成所述目标人脸图像对应的人脸特征图像的步骤包括：
将所述第一特征图像和所述第二特征图像合并，得到第二图像；
确定所述第一特征图像的个数作为目标个数；
采用所述目标个数的1*1卷积层对所述第二图像进行卷积操作，得到所述人脸特征图像。
7.如权利要求6所述的图像处理方法，其特征在于，所述根据所述第一特征图像和所述第二特征图像，生成所述目标人脸图像对应的人脸特征图像的步骤之后，还包括：
将所述人脸特征图像作为目标人脸图像；
循环执行所述采用Gabor滤波器将所述目标人脸图像进行Gabor滤波处理，获得第一特征图像，采用深度卷积神经网络中的预设模块对所述目标人脸图像进行卷积、池化处理，获得第二特征图像；根据所述第一特征图像和所述第二特征图像，生成所述目标人脸图像对应的人脸特征图像的步骤，所述将所述人脸特征图像作为所述目标人脸图像的步骤，直至满足循环预设条件，获得多个人脸特征图像。
8.如权利要求7所述的图像处理方法，其特征在于，所述获得多个人脸特征图像的步骤之后，还包括：
选取部分或全部所述多个人脸特征图像作为选定人脸特征图像；
根据所述选定人脸特征图像确定目标人脸特征图像；
按照预设规则将目标人脸特征图像转换为脸部特征向量。
9.一种人脸特征提取模型，其特征在于，所述人脸特征提取模型包括：
深度卷积神经网络的预设模块，包括池化层和多个不同尺度的卷积层，所述多个不同尺度的卷积层包括1*1卷积层、3*3卷积层、5*5卷积层和池化层，所述预设模块用于对所述目标人脸图像进行卷积、池化处理，获得第二特征图像；
Gabor滤波器，用于将所述目标人脸图像进行Gabor滤波处理，获得第一特征图像；
生成模块，用于根据所述第一特征图像和所述第二特征图像，生成所述目标人脸图像对应的人脸特征图像。
10.一种人脸识别装置，其特征在于，所述人脸识别装置包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的人脸识别程序，所述人脸识别程序被所述处理器执行时实现如权利要求1至8中任一项所述的人脸识别方法的步骤。
11.一种可读存储介质，其特征在于，所述可读存储介质上存储有人脸识别程序，所述人脸识别程序被处理器执行时实现如权利要求1至8中任一项所述的人脸识别方法的步骤。
CN201910525542.3A 2019-06-17 2019-06-17 人脸识别装置及图像处理方法、特征提取模型、存储介质 Active CN110245621B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201910525542.3A CN110245621B (zh) 2019-06-17 2019-06-17 人脸识别装置及图像处理方法、特征提取模型、存储介质
PCT/CN2020/081757 WO2020253304A1 (zh) 2019-06-17 2020-03-27 人脸识别装置及图像处理方法、特征提取模型、存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910525542.3A CN110245621B (zh) 2019-06-17 2019-06-17 人脸识别装置及图像处理方法、特征提取模型、存储介质

Publications (2)

Publication Number Publication Date
CN110245621A true CN110245621A (zh) 2019-09-17
CN110245621B CN110245621B (zh) 2023-10-17

Family

ID=67887805

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910525542.3A Active CN110245621B (zh) 2019-06-17 2019-06-17 人脸识别装置及图像处理方法、特征提取模型、存储介质

Country Status (2)

Country Link
CN (1) CN110245621B (zh)
WO (1) WO2020253304A1 (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020253304A1 (zh) * 2019-06-17 2020-12-24 深圳Tcl新技术有限公司 人脸识别装置及图像处理方法、特征提取模型、存储介质
CN112200169A (zh) * 2020-12-07 2021-01-08 北京沃东天骏信息技术有限公司 用于训练模型的方法、装置、设备以及存储介质
CN112633099A (zh) * 2020-12-15 2021-04-09 中国人民解放军战略支援部队信息工程大学 基于Gabornet的大脑低级视觉区信号处理方法及系统
CN113903094A (zh) * 2021-10-22 2022-01-07 兰州乐智教育科技有限责任公司 一种宿舍签到的安全认证方法、装置、设备以及存储介质

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113705361A (zh) * 2021-08-03 2021-11-26 北京百度网讯科技有限公司 活体检测模型的方法、装置及电子设备

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108388830A (zh) * 2018-01-09 2018-08-10 中国农业大学 基于卷积神经网的动物体形检测方法及装置
CN109190622A (zh) * 2018-09-11 2019-01-11 深圳辉煌耀强科技有限公司 基于强特征和神经网络的上皮细胞分类系统和方法
CN109446980A (zh) * 2018-10-25 2019-03-08 华中师范大学 表情识别方法及装置
CN109753938A (zh) * 2019-01-10 2019-05-14 京东方科技集团股份有限公司 图像识别方法和设备及应用、神经网络的训练方法
CN109859091A (zh) * 2018-12-24 2019-06-07 中国人民解放军国防科技大学 基于Gabor滤波和卷积神经网络的图像隐写检测方法

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6826300B2 (en) * 2001-05-31 2004-11-30 George Mason University Feature based classification
CN105718889B (zh) * 2016-01-21 2019-07-16 江南大学 基于GB(2D)2PCANet深度卷积模型的人脸身份识别方法
CN108345818B (zh) * 2017-01-23 2021-08-31 北京中科奥森数据科技有限公司 一种人脸活体检测方法及装置
CN107437081A (zh) * 2017-08-07 2017-12-05 北京中星微电子有限公司 基于深度卷神经网络的人脸识别方法、装置和存储介质
CN107392183B (zh) * 2017-08-22 2022-01-04 深圳Tcl新技术有限公司 人脸分类识别方法、装置及可读存储介质
CN108090409B (zh) * 2017-11-06 2021-12-24 深圳大学 人脸识别方法、装置和存储介质
CN109886209A (zh) * 2019-02-25 2019-06-14 成都旷视金智科技有限公司 异常行为检测方法及装置、车载设备
CN110245621B (zh) * 2019-06-17 2023-10-17 深圳Tcl新技术有限公司 人脸识别装置及图像处理方法、特征提取模型、存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108388830A (zh) * 2018-01-09 2018-08-10 中国农业大学 基于卷积神经网的动物体形检测方法及装置
CN109190622A (zh) * 2018-09-11 2019-01-11 深圳辉煌耀强科技有限公司 基于强特征和神经网络的上皮细胞分类系统和方法
CN109446980A (zh) * 2018-10-25 2019-03-08 华中师范大学 表情识别方法及装置
CN109859091A (zh) * 2018-12-24 2019-06-07 中国人民解放军国防科技大学 基于Gabor滤波和卷积神经网络的图像隐写检测方法
CN109753938A (zh) * 2019-01-10 2019-05-14 京东方科技集团股份有限公司 图像识别方法和设备及应用、神经网络的训练方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020253304A1 (zh) * 2019-06-17 2020-12-24 深圳Tcl新技术有限公司 人脸识别装置及图像处理方法、特征提取模型、存储介质
CN112200169A (zh) * 2020-12-07 2021-01-08 北京沃东天骏信息技术有限公司 用于训练模型的方法、装置、设备以及存储介质
CN112633099A (zh) * 2020-12-15 2021-04-09 中国人民解放军战略支援部队信息工程大学 基于Gabornet的大脑低级视觉区信号处理方法及系统
CN113903094A (zh) * 2021-10-22 2022-01-07 兰州乐智教育科技有限责任公司 一种宿舍签到的安全认证方法、装置、设备以及存储介质

Also Published As

Publication number Publication date
CN110245621B (zh) 2023-10-17
WO2020253304A1 (zh) 2020-12-24

Similar Documents

Publication Publication Date Title
CN105138993B (zh) 建立人脸识别模型的方法及装置
CN109409222B (zh) 一种基于移动端的多视角人脸表情识别方法
Rao et al. Deep convolutional neural networks for sign language recognition
CN109359538B (zh) 卷积神经网络的训练方法、手势识别方法、装置及设备
CN110245621A (zh) 人脸识别装置及图像处理方法、特征提取模型、存储介质
CN108898087B (zh) 人脸关键点定位模型的训练方法、装置、设备及存储介质
CN109657554B (zh) 一种基于微表情的图像识别方法、装置以及相关设备
Guo et al. Face recognition based on convolutional neural network and support vector machine
CN110569756B (zh) 人脸识别模型构建方法、识别方法、设备和存储介质
CN111160269A (zh) 一种人脸关键点检测方法及装置
CN109829448B (zh) 人脸识别方法、装置及存储介质
CN109902548B (zh) 一种对象属性识别方法、装置、计算设备及系统
CN111989689A (zh) 用于识别图像内目标的方法和用于执行该方法的移动装置
CN112464865A (zh) 一种基于像素和几何混合特征的人脸表情识别方法
CN110222718B (zh) 图像处理的方法及装置
CN110163111A (zh) 基于人脸识别的叫号方法、装置、电子设备及存储介质
CN111108508B (zh) 脸部情感识别方法、智能装置和计算机可读存储介质
CN111914748B (zh) 人脸识别方法、装置、电子设备及计算机可读存储介质
Zhang et al. Channel-wise and feature-points reweights densenet for image classification
CN111860046A (zh) 一种改进MobileNet模型的人脸表情识别方法
CN106709431A (zh) 虹膜识别方法及装置
CN111209873A (zh) 一种基于深度学习的高精度人脸关键点定位方法及系统
CN110826534B (zh) 一种基于局部主成分分析的人脸关键点检测方法及系统
Kausar et al. Deep learning strategy for braille character recognition
CN113011253B (zh) 基于ResNeXt网络的人脸表情识别方法、装置、设备及存储介质

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