CN110309692A - 人脸识别方法、装置及系统、模型训练方法及装置 - Google Patents
人脸识别方法、装置及系统、模型训练方法及装置 Download PDFInfo
- Publication number
- CN110309692A CN110309692A CN201810258679.2A CN201810258679A CN110309692A CN 110309692 A CN110309692 A CN 110309692A CN 201810258679 A CN201810258679 A CN 201810258679A CN 110309692 A CN110309692 A CN 110309692A
- Authority
- CN
- China
- Prior art keywords
- data
- sample
- characteristic
- module
- layer
- 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
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种人脸识别方法、装置及系统、模型训练方法及装置，属于人脸识别技术领域。包括：向深度学习模型输入待识别人脸图像；接收深度学习模型输出的人脸特征数据；深度学习模型中，输入层用于在接收到待识别人脸图像后，对待识别人脸图像进行数据处理，以得到高维特征数据；第一输出层用于对高维特征数据进行数据降维处理，得到低维特征数据；特征组合层用于将低维特征数据进行预处理，并对低维特征数据进行合并处理，得到组合特征数据；第二输出层用于对组合特征数据进行特征融合，得到人脸特征数据。解决了相关技术中人脸识别效率低以及对深度学习模型训练时，资源和时间的消耗较大、训练的灵活性较低的问题。
Description
技术领域
本发明涉及人脸识别技术领域，特别涉及一种人脸识别方法、装置及系统、模型训练方法及装置。
背景技术
人脸识别技术就是通过计算机提取人脸特征，并根据这些人脸特征进行身份验证的一种技术。人脸与人体的其他生物特征(例如指纹、虹膜等)一样与生俱来，它们所具有的唯一性和不易被复制的良好特性为身份鉴别提供了必要的条件，与其他生物特征识别技术相比，人脸识别技术具有操作简单、结果直观的特点。目前，为了提高人脸识别的准确度，通常采用训练好的深度学习模型提取人脸特征。
相关技术中，通常需要训练多个深度学习模型，该多个深度学习模型包括用于特征提取的深度学习模型和用于特征融合的深度学习模型，基于该多个深度学习模型实现人脸识别。其中，用于进行特征提取的深度学习模型也可以有多个，每个深度学习模型可以被用于训练提取固定的人脸特征，例如，某一深度学习模型被用于训练提取眼睛的特征，另一深度学习模型被用于训练提取鼻子的特征。在进行人脸识别时，可以先通过用于特征提取的多个深度学习模型提取人脸特征，再将提取的各个人脸特征分别输入至用于特征融合的深度学习模型，并通过用于特征融合的深度学习模型对各个人脸特征进行特征融合，将特征融合后得到的人脸特征用于人脸间的相似度计算，最终得到人脸识别结果，以完成人脸识别过程。
但是，采用相关技术中的人脸识别方法进行人脸识别时，需要使用多个深度学习模型，模型之间的数据传输过程耗费时间较长，导致人脸识别的效率较低；另外，相关技术提供的深度学习模型的训练过程中，需要对多个深度学习模型分别进行训练，资源和时间的消耗较大，训练的灵活性较低。
发明内容
本发明实施例提供了一种人脸识别方法、装置及系统、模型训练方法及装置，可以解决相关技术中人脸识别效率低以及对深度学习模型训练时，资源和时间的消耗较大、训练的灵活性较低的问题。所述技术方案如下：
第一方面，提供了一种人脸识别方法，所述方法包括：
向深度学习模型输入待识别人脸图像；
接收所述深度学习模型输出的人脸特征数据；
其中，所述深度学习模型包括：依次连接的输入层，第一输出层，特征组合层和第二输出层；
所述输入层用于在接收到待识别人脸图像后，对所述待识别人脸图像进行数据处理，以得到高维特征数据；
所述第一输出层用于对所述高维特征数据进行数据降维处理，得到低维特征数据，所述高维特征数据的数据维度大于所述低维特征数据的数据维度；
所述特征组合层用于将所述低维特征数据进行预处理，并将预处理后的低维特征数据进行合并处理，得到组合特征数据；
所述第二输出层用于对所述组合特征数据进行特征融合，得到所述人脸特征数据。
可选的，所述深度学习模型还包括与所述第二输出层连接的第一监督模块；
所述第一监督模块用于在所述深度学习模型的训练过程中，接收所述第二输出层输出的样本人脸特征数据，并对所述样本人脸特征数据进行识别，输出识别结果，并基于输出的识别结果和样本人脸图像的训练标签，计算当前所述第一监督模块中预设的损失函数的第一损失值，向所述输入层反向传输所述损失函数的梯度信息，所述梯度信息用于调整所述深度学习模型中的目标网络参数，所述样本人脸特征数据是将样本人脸图像作为待识别人脸图像输入至所述输入层后，所述第二输出层输出的数据。
可选的，所述输入层包括依次连接的n个处理模块，每个所述处理模块用于对输入至所述处理模块的数据进行数据处理，并将所述数据处理得到的结果输出至所述第一输出层，所述n为大于1的整数；
所述n个处理模块中的前n-1个处理模块还用于将所述数据处理得到的结果输出至下一处理模块；
其中，所述n个处理模块中的第一个处理模块的输入通道为所述输入层的输入通道。
可选的，所述第一输出层包括n个特征模块，所述n个特征模块与所述n个处理模块一一对应连接，所述高维特征数据包括n个高维子特征数据，每个所述处理模块用于向连接的特征模块输出一个所述高维子特征数据，
每个所述特征模块用于对输入的所述高维子特征数据进行数据降维处理，得到一个低维子特征数据，并将所述低维子特征数据输出至所述特征组合层；
其中，所述n个特征模块输出的n个低维子特征数据组成所述低维特征数据。
可选的，所述第一输出层还包括：n个第二监督模块，所述n个第二监督模块与所述n个特征模块一一对应连接；
每个所述第二监督模块用于在所述深度学习模型的训练过程中，对输入的样本低维子特征数据进行识别，输出识别结果，并基于输出的识别结果和样本人脸图像的训练标签，计算当前所述第二监督模块中预设的损失函数的第二损失值，向所述输入层反向传输所述损失函数的梯度信息，所述梯度信息用于调整从所述输入层到所述第一输出层中的目标网络参数；
每个所述特征模块还用于在所述损失函数收敛至目标数值范围后，向所述特征组合层输出所述样本低维子特征数据；
其中，输入至每个所述第二监督模块的所述样本低维子特征数据是将样本人脸图像作为待识别人脸图像输入至所述输入层后，由与所述第二监督模块相连的特征模块输出的数据。
可选的，当所述样本人脸图像为一张人脸图像时，所述识别结果包括所述一张人脸图像的类别标签；
或者，当所述样本人脸图像为一组人脸图像时，所述识别结果包括所述一组人脸图像之间的相似度，所述一组人脸图像包括至少两张人脸图像。
可选的，所述损失函数包括多项式回归损失函数或基于度量学习的损失函数。
可选的，所述低维子特征数据包括局部人脸区域特征数据、人脸纹理数据和人脸轮廓数据的至少一种。
可选的，所述数据处理包括卷积操作、池化操作、全连接操作和非线性映射操作中的至少一种。
可选的，所述待识别人脸图像是经过归一化处理后的标准人脸图像。
第二方面，提供了一种模型训练方法，其特征在于，用于训练深度学习模型，所述深度学习模型用于人脸识别，所述深度学习模型包括依次连接的输入层，第一输出层，特征组合层、第二输出层和第一监督模块，所述方法包括：
执行多次训练过程，直至所述深度学习模型对训练图像集中的样本人脸图像的分类准确度达到预设阈值，其中，所述训练过程包括：
在通过所述输入层接收到样本人脸图像后，对所述样本人脸图像进行数据处理，得到样本高维特征数据；
通过所述第一输出层对所述样本高维特征数据进行数据降维处理，得到样本低维特征数据，所述样本高维特征数据的数据维度大于所述样本低维特征数据的数据维度；
通过所述特征组合层对所述样本低维特征数据进行预处理，并将预处理后的样本低维特征数据进行合并处理，得到样本组合特征数据；
通过所述第二输出层对所述样本组合特征数据进行特征融合，得到样本人脸特征数据；
通过所述第一监督模块对所述样本人脸特征数据进行识别，输出识别结果，并基于输出的识别结果和所述样本人脸图像的训练标签，计算当前所述第一监督模块中预设的损失函数的第一损失值；
向所述输入层反向传输所述损失函数的梯度信息，以调整所述深度学习模型中的目标网络参数。
可选的，所述输入层包括依次连接的n个处理模块，每个所述处理模块用于对输入至所述处理模块的数据进行数据处理，并将所述数据处理得到的结果输出至所述第一输出层，所述n为大于1的整数，所述方法还包括：
对于所述n个处理模块中的前n-1个处理模块，通过每个处理模块将所述数据处理得到的结果输出至下一处理模块；
其中，所述n个处理模块中的第一个处理模块的输入通道为所述输入层的输入通道。
可选的，所述第一输出层包括n个特征模块，所述n个特征模块与所述n个处理模块一一对应连接，所述样本高维特征数据包括n个样本高维子特征数据，每个所述处理模块向连接的特征模块输出一个所述样本高维子特征数据；
所述通过所述第一输出层对所述样本高维特征数据进行数据降维处理，得到样本低维特征数据，包括：
通过每个所述特征模块对输入的所述样本高维子特征数据进行数据降维处理，得到一个样本低维子特征数据，并将所述样本低维子特征数据输出至所述特征组合层；
其中，所述n个特征模块输出的n个样本低维子特征数据组成所述样本低维特征数据。
可选的，所述第一输出层还包括：n个第二监督模块，所述n个第二监督模块与所述n个特征模块一一对应连接；
所述通过每个所述特征模块对输入的所述样本高维子特征数据进行数据降维处理，得到一个样本低维子特征数据，并将所述样本低维子特征数据输出至所述特征组合层，包括：
通过每个所述第二监督模块对输入的所述样本低维子特征数据进行识别，输出识别结果，并基于输出的识别结果和所述样本人脸图像的训练标签，计算当前所述第二监督模块中预设的损失函数的第二损失值；
向所述输入层反向传输所述损失函数的梯度信息，以调整从所述输入层到所述第一输出层中的目标网络参数；
在所述n个第二监督模块中的损失函数均收敛至目标数值范围后，通过每个所述特征模块向所述特征组合层输出所述样本低维子特征数据。
第三方面，提供了一种人脸识别装置，所述装置包括：
输入单元，用于向深度学习模型输入待识别人脸图像；
接收单元，用于接收所述深度学习模型输出的人脸特征数据；
其中，所述深度学习模型包括：依次连接的输入层，第一输出层，特征组合层和第二输出层；
所述输入层用于在接收到待识别人脸图像后，对所述待识别人脸图像进行数据处理，以得到高维特征数据；
所述第一输出层用于对所述高维特征数据进行数据降维处理，得到低维特征数据，所述高维特征数据的数据维度大于所述低维特征数据的数据维度；
所述特征组合层用于将所述低维特征数据进行预处理，并将预处理后的低维特征数据进行合并处理，得到组合特征数据；
所述第二输出层用于对所述组合特征数据进行特征融合，得到所述人脸特征数据。
可选的，所述深度学习模型还包括与所述第二输出层连接的第一监督模块；
所述第一监督模块用于在所述深度学习模型的训练过程中，接收所述第二输出层输出的样本人脸特征数据，并对所述样本人脸特征数据进行识别，输出识别结果，并基于输出的识别结果和样本人脸图像的训练标签，计算当前所述第一监督模块中预设的损失函数的第一损失值，向所述输入层反向传输所述损失函数的梯度信息，所述梯度信息用于调整所述深度学习模型中的目标网络参数，所述样本人脸特征数据是将样本人脸图像作为待识别人脸图像输入至所述输入层后，所述第二输出层输出的数据。
可选的，所述输入层包括依次连接的n个处理模块，每个所述处理模块用于对输入至所述处理模块的数据进行数据处理，并将所述数据处理得到的结果输出至所述第一输出层，所述n为大于1的整数；
所述n个处理模块中的前n-1个处理模块还用于将所述数据处理得到的结果输出至下一处理模块；
其中，所述n个处理模块中的第一个处理模块的输入通道为所述输入层的输入通道。
可选的，所述第一输出层包括n个特征模块，所述n个特征模块与所述n个处理模块一一对应连接，所述高维特征数据包括n个高维子特征数据，每个所述处理模块用于向连接的特征模块输出一个所述高维子特征数据，
每个所述特征模块用于对输入的所述高维子特征数据进行数据降维处理，得到一个低维子特征数据，并将所述低维子特征数据输出至所述特征组合层；
其中，所述n个特征模块输出的n个低维子特征数据组成所述低维特征数据。
可选的，所述第一输出层还包括：n个第二监督模块，所述n个第二监督模块与所述n个特征模块一一对应连接；
每个所述第二监督模块用于在所述深度学习模型的训练过程中，对输入的样本低维子特征数据进行识别，输出识别结果，并基于输出的识别结果和样本人脸图像的训练标签，计算当前所述第二监督模块中预设的损失函数的第二损失值，向所述输入层反向传输所述损失函数的梯度信息，所述梯度信息用于调整从所述输入层到所述第一输出层中的目标网络参数；
每个所述特征模块还用于在所述损失函数收敛至目标数值范围时，向所述特征组合层输出所述样本低维子特征数据；
其中，输入至每个所述第二监督模块的所述样本低维子特征数据是将样本人脸图像作为待识别人脸图像输入至所述输入层后，由与所述第二监督模块相连的特征模块输出的数据。
可选的，当所述样本人脸图像为一张人脸图像时，所述识别结果包括所述一张人脸图像的类别标签；
或者，当所述样本人脸图像为一组人脸图像时，所述识别结果包括所述一组人脸图像之间的相似度，所述一组人脸图像包括至少两张人脸图像。
可选的，所述损失函数包括多项式回归损失函数或基于度量学习的损失函数。
可选的，所述低维子特征数据包括局部人脸区域特征数据、人脸纹理数据和人脸轮廓数据的至少一种。
可选的，所述数据处理包括卷积操作、池化操作、全连接操作和非线性映射操作中的至少一种。
可选的，所述待识别人脸图像是经过归一化处理后的标准人脸图像。
第四方面，提供了一种模型训练装置，用于训练深度学习模型，所述深度学习模型用于人脸识别，所述深度学习模型包括依次连接的输入层，第一输出层，特征组合层、第二输出层和第一监督模块，所述装置包括：
训练单元，用于执行多次训练过程，直至所述深度学习模型对训练图像集中的样本人脸图像的分类准确度达到预设阈值，其中，所述训练过程包括：
在通过所述输入层接收到样本人脸图像后，对所述样本人脸图像进行数据处理，得到样本高维特征数据；
通过所述第一输出层对所述样本高维特征数据进行数据降维处理，得到样本低维特征数据，所述样本高维特征数据的数据维度大于所述样本低维特征数据的数据维度；
通过所述特征组合层对所述样本低维特征数据进行预处理，并将预处理后的样本低维特征数据进行合并处理，得到样本组合特征数据；
通过所述第二输出层对所述样本组合特征数据进行特征融合，得到样本人脸特征数据；
通过所述第一监督模块对所述样本人脸特征数据进行识别，输出识别结果，并基于输出的识别结果和所述样本人脸图像的训练标签，计算当前所述第一监督模块中预设的损失函数的第一损失值；
向所述输入层反向传输所述损失函数的梯度信息，以调整所述深度学习模型中的目标网络参数。
可选的，所述输入层包括依次连接的n个处理模块，每个所述处理模块用于对输入至所述处理模块的数据进行数据处理，并将所述数据处理得到的结果输出至所述第一输出层，所述n为大于1的整数，所述装置还包括：
输出单元，用于对于所述n个处理模块中的前n-1个处理模块，通过每个处理模块将所述数据处理得到的结果输出至下一处理模块；
其中，所述n个处理模块中的第一个处理模块的输入通道为所述输入层的输入通道。
可选的，所述第一输出层包括n个特征模块，所述n个特征模块与所述n个处理模块一一对应连接，所述样本高维特征数据包括n个样本高维子特征数据，每个所述处理模块向连接的特征模块输出一个所述样本高维子特征数据；
所述训练单元包括降维子单元，所述降维子单元用于：
通过每个所述特征模块对输入的所述样本高维子特征数据进行数据降维处理，得到一个样本低维子特征数据，并将所述样本低维子特征数据输出至所述特征组合层；
其中，所述n个特征模块输出的n个样本低维子特征数据组成所述样本低维特征数据。
可选的，所述第一输出层还包括：n个第二监督模块，所述n个第二监督模块与所述n个特征模块一一对应连接；
所述训练单元包括：
处理子单元，用于通过每个所述第二监督模块对输入的所述样本低维子特征数据进行识别，输出识别结果，并基于输出的识别结果和所述样本人脸图像的训练标签，计算当前所述第二监督模块中预设的损失函数的第二损失值；
传输子单元，用于向所述输入层反向传输所述损失函数的梯度信息，以调整从所述输入层到所述第一输出层中的目标网络参数；
输出子单元，用于在所述n个第二监督模块中的损失函数均收敛至目标数值范围后，通过每个所述特征模块向所述特征组合层输出所述样本低维子特征数据。
第五方面，提供了一种人脸识别系统，所述系统包括：
人脸图像采集装置和人脸识别装置；
所述人脸图像采集装置用于采集待识别人脸图像，并将所述待识别人脸图像发送至所述人脸识别装置，所述人脸识别装置用于对所述待识别人脸图像进行人脸识别，所述人脸识别装置为第三方面任一所述的人脸识别装置。
本发明实施例提供的技术方案带来的有益效果是：
本发明实施例提供的人脸识别方法、装置及系统、模型训练方法及装置，通过向深度学习模型输入待识别人脸图像，由该深度学习模型对待识别人脸图像进行特征提取和特征融合，以输出人脸特征数据，进行人脸识别。由于特征提取和特征融合可以在同一深度学习模型中完成，与相关技术相比，一方面，在使用该深度学习模型获取人脸特征数据时，可以缩短运算时长，提高人脸识别的效率；另一方面，该深度学习模型集成了相关技术中的多个深度学习模型的功能，在训练该深度学习模型时，既节约了训练过程中所耗费的资源和时间，又可以尽可能减少训练过程中的人工干预，以实现端到端的训练，提高深度学习模型的性能，因此本发明实施例提供的深度学习模型的训练灵活性较高。
附图说明
图1是本发明实施例提供的一种人脸识别方法的流程图；
图2A是本发明实施例提供的一种深度学习模型的结构示意图；
图2B是本发明实施例提供的另一种深度学习模型的结构示意图；
图2C是本发明实施例提供的又一种深度学习模型的结构示意图；
图3是本发明实施例提供的一种模型训练方法的流程图；
图4是本发明实施例提供的一种人脸识别装置的结构示意图；
图5A是本发明实施例提供的一种模型训练装置的结构示意图；
图5B是本发明实施例提供的另一种模型训练装置的结构示意图；
图5C是本发明实施例提供的一种训练单元的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。
图1是本发明实施例提供的一种人脸识别方法的流程图，如图1所示，该方法可以包括：
步骤101、向深度学习模型输入待识别人脸图像。
步骤102、接收深度学习模型输出的人脸特征数据。
其中，图2A是本发明实施例提供的一种深度学习模型的结构示意图，如图2A所示，该深度学习模型可以包括：依次连接的输入层01，第一输出层02，特征组合层03和第二输出层04。
输入层01用于在接收到待识别人脸图像后，对待识别人脸图像进行数据处理，以得到高维特征数据。
第一输出层02用于对高维特征数据进行数据降维处理，得到低维特征数据，高维特征数据的数据维度大于低维特征数据的数据维度。
特征组合层03用于将低维特征数据进行预处理，并将预处理后的低维特征数据进行合并处理，得到组合特征数据。
第二输出层04用于对组合特征数据进行特征融合，得到人脸特征数据。
其中，深度学习模型输出的人脸特征数据用于反映人脸的全局特征，例如该人脸特征数据可以为局部人脸区域特征数据、人脸纹理数据和人脸轮廓数据中的至少两种所融合成的数据。
综上所述，本发明实施例提供的人脸识别方法，通过向深度学习模型输入待识别人脸图像，由该深度学习模型对待识别人脸图像进行特征提取和特征融合，以输出人脸特征数据，进行人脸识别。由于特征提取和特征融合可以在同一深度学习模型中完成，与相关技术相比，一方面，在使用该深度学习模型获取人脸特征数据时，可以缩短运算时长，提高人脸识别的效率；另一方面，该深度学习模型集成了相关技术中的多个深度学习模型的功能，在训练该深度学习模型时，既节约了训练过程中所耗费的资源和时间，又可以尽可能减少训练过程中的人工干预，以实现端到端的训练，提高深度学习模型的性能，因此本发明实施例提供的深度学习模型的训练灵活性较高。
可选的，上述待识别人脸图像是经过归一化处理后的标准人脸图像，该待识别人脸图像即为输入层的输入数据。
进一步的，图2B是本发明实施例提供的另一种深度学习模型的结构示意图，如图2B所示，输入层01包括依次连接的n个处理模块，每个处理模块用于对输入至处理模块的数据进行数据处理，并将数据处理得到的结果输出至第一输出层，n为大于1的整数。可选的，上述数据处理可以包括卷积操作、池化(英文：Pooling)操作、全连接操作和非线性映射操作中的至少一种。其中，非线性映射操作是激活函数对应的操作，激活函数可以包括修正线性单元(英文：Rectified Linear Units；简称：Relu)函数。
可选的，n个处理模块中的前n-1个处理模块还用于将数据处理得到的结果输出至下一处理模块；其中，n个处理模块中的第一个处理模块的输入通道为输入层01的输入通道。
相应的，如图2B所示，第一输出层02包括n个特征模块，n个特征模块与n个处理模块一一对应连接，高维特征数据包括n个高维子特征数据，每个处理模块用于向连接的特征模块输出一个高维子特征数据。
每个特征模块用于对输入的高维子特征数据进行数据降维处理，得到一个低维子特征数据，并将低维子特征数据输出至特征组合层；其中，n个特征模块输出的n个低维子特征数据能够组成低维特征数据。
可选的，每个低维子特征数据用于反映人脸的局部特征，示例的，低维子特征数据可以包括局部人脸区域特征数据、人脸纹理数据和人脸轮廓数据中的至少一种等可以用于表示人脸特征的数据。当低维子特征数据包括局部人脸区域特征数据时，低维子特征数据可以包括一个局部人脸区域特征的数据，也可以包括多个局部人脸区域特征的组合数据，例如，第一个特征模块输出的低维子特征数据为鼻子区域的特征数据，第二个特征模块输出的低维子特征数据为眼睛区域的特征数据，第三个特征模块输出的低维子特征数据为鼻子区域和嘴巴区域的组合特征数据。
进一步的，参见图2B，本发明实施例提供的深度学习模型还包括与第二输出层04连接的第一监督模块05，该第一监督模块05是在深度学习模型的训练过程中使用的。
需要说明的是，在训练深度学习模型之前，需要预先建立训练图像集，训练图像集中包括多个人的样本人脸图像，且每个人包括多张样本人脸图像，这些样本人脸图像按照不同的人划分给予不同的训练标签，同一个人的多张样本人脸图像的训练标签相同，每个人的训练标签具有唯一性，即不存在同一训练标签属于不同人的情况。
其中，第一监督模块05用于在深度学习模型的训练过程中，接收第二输出层输出的样本人脸特征数据，并对样本人脸特征数据进行识别，输出识别结果，并基于输出的识别结果和样本人脸图像的训练标签，计算当前第一监督模块中预设的损失函数的第一损失值，向输入层反向传输损失函数的梯度信息，该梯度信息用于调整深度学习模型中的目标网络参数，该样本人脸特征数据是将样本人脸图像作为待识别人脸图像输入至输入层后，第二输出层输出的数据。
需要说明的是，第一监督模块向输入层反向传输损失函数的梯度信息，也即是，第一监督模块将损失函数的梯度信息依次通过第二输出层、特征组合层和第一输出层传输至输入层，每个网络层可以基于该梯度信息调整对应网络层的目标网络参数。
图2C是本发明实施例提供的又一种深度学习模型的结构示意图，如图2C所示，第一输出层02还可以包括：n个第二监督模块，n个第二监督模块与n个特征模块一一对应连接。
每个第二监督模块用于在深度学习模型的训练过程中，对输入的样本低维子特征数据进行识别，输出识别结果，并基于输出的识别结果和样本人脸图像的训练标签，计算当前第二监督模块中预设的损失函数的第二损失值，向输入层反向传输损失函数的梯度信息，梯度信息用于调整从输入层到第一输出层中的目标网络参数；相应的，每个特征模块还用于在损失函数收敛至目标数值范围时，向特征组合层输出样本低维子特征数据；其中，输入至每个第二监督模块的样本低维子特征数据是将样本人脸图像作为待识别人脸图像输入至输入层后，由与第二监督模块相连的特征模块输出的数据。
可选的，当样本人脸图像为一张人脸图像时，上述第一监督模块和/或第二监督模块输出的识别结果可以包括待识别人脸图像的类别标签；或者，当样本人脸图像为一组人脸图像时，上述第一监督模块和/或第二监督模块输出的识别结果可以包括一组人脸图像之间的相似度，该一组人脸图像包括至少两张人脸图像。
示例的，假设样本人脸图像包括两张人脸图像，该两张人脸图像可以是同一个人的两张人脸图像，也可以是两个人的人脸图像，此时输出的识别结果可以为0或1，0表示该两张人脸图像为负例，即判定该两张人脸图像不属于同一个人，1表示该一对人脸图像为正例，即判定该两张人脸图像属于同一个人。
可选的，上述损失函数可以包括多项式回归损失(英文：Softmax loss)函数或基于度量学习的损失(英文：Triplet loss)函数等。
需要说明的是，在训练如图2C所示的深度学习模型的过程中，可以先基于第二监督模块调整从输入层到第一输出层中的目标网络参数，再通过固定网络参数的输入层和第一输出层向特征组合层输出样本低维特征数据，基于第一监督模块训练特征组合层到第二输出层中的目标网络参数，最后再基于第一监督模块进行整个深度学习模型的整体调优。
需要说明的是，在步骤102之后，还可以基于接收到的人脸特征数据识别待识别人脸图像，例如，将得到的人脸特征数据与预设人脸图像数据库中的人脸图像的数据进行相似度比较，若该人脸特征数据与预设人脸图像数据库中的某一人脸图像的数据的相似度大于预设相似度阈值时，则可判定该待识别人脸图像与该某一人脸图像为同一个人的人脸图像。本发明实施例提供的人脸识别方法步骤的先后顺序可以进行适当调整，步骤也可以根据情况进行相应增减，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化的方法，都应涵盖在本发明的保护范围之内，因此不再赘述。
综上所述，本发明实施例提供的人脸识别方法，通过向深度学习模型输入待识别人脸图像，由该深度学习模型对待识别人脸图像进行特征提取和特征融合，以输出人脸特征数据，进行人脸识别。由于特征提取和特征融合可以在同一深度学习模型中完成，与相关技术相比，一方面，在使用该深度学习模型获取人脸特征数据时，可以缩短运算时长，提高人脸识别的效率；另一方面，该深度学习模型集成了相关技术中的多个深度学习模型的功能，在训练该深度学习模型时，既节约了训练过程中所耗费的资源和时间，又可以尽可能减少训练过程中的人工干预，以实现端到端的训练，提高深度学习模型的性能；再一方面，深度学习模型的训练过程中，第二输出层对组合特征数据进行特征融合后，可以基于输出的样本人脸特征数据调整输入层到第一输出层中的网络参数，以提高深度学习模型输出的人脸特征数据的可靠性；因此本发明实施例提供的深度学习模型的训练灵活性较高。
本发明实施例还提供了一种模型训练方法，该模型训练方法用于训练如图2A至2C任一所示的深度学习模型，该深度学习模型用于人脸识别。本发明实施例在深度学习模型的训练过程中，对深度学习模型进行有监督的训练，实际应用中，也可以对深度学习模型进行无监督的训练。其中，有监督的训练是指用于训练的训练集中的样本数据均为有训练标签的数据，无监督的训练是指用于训练的训练集中的样本数据均为无训练标签的数据。训练标签为已知的数据或结果。
图3是本发明实施例提供的一种模型训练方法的流程图，如图3所示，该方法可以包括：
步骤201、在通过输入层接收到样本人脸图像后，对样本人脸图像进行数据处理，得到样本高维特征数据。
需要说明的是，在训练深度学习模型之前，需要预先建立训练图像集，训练图像集中包括多个人的样本人脸图像，且每个人包括多张样本人脸图像，这些样本人脸图像按照不同的人划分给予不同的训练标签，同一个人的多张样本人脸图像的训练标签相同，每个人的训练标签具有唯一性，即不存在同一训练标签属于不同人的情况。例如，当训练图像集中包括N个人的样本人脸图像时，训练图像集中样本人脸图像的训练标签的总个数为N。
在本发明实施例中，输入深度学习模型的样本人脸图像是对初始人脸图像进行指定显示参数的归一化处理后得到的标准人脸图像，该指定显示参数可以包括图像的像素值、图像的灰度值和图像的显示尺寸等。示例的，对图像的显示尺寸进行归一化处理的过程可以包括：使用任意一种人脸特征点定位方法对训练图像集中的每张初始人脸图像中的人脸特征点定位；利用人脸特征点的位置信息将所有初始人脸图像归一化，得到大小相同(也称尺寸相同)的标准人脸图像，即样本人脸图像。其中，人脸特征点可以包括眼睛、鼻子、嘴巴和耳朵等。
可选的，人脸特征点定位方法可以包括基于局部的方法(英文：local-basedmethods)、基于全局的方法(英文：holistic-based methods)和基于混合的方法，本发明实施例对采用的人脸特征点定位方法不做限定。
示例的，在采用人脸特征点定位方法检测到初始人脸图像中的人脸特征点后，可以根据人脸特征点的位置信息，采用基于仿射变换的人脸对齐算法将训练图像集中的初始人脸图像归一化到101*101的标准人脸图像。进一步的，为了便于后续计算，还可以对标准人脸图像进行数据上的归一，例如可以求取训练样本集中的标准人脸图像的平均值，并将每个标准人脸图像减去该平均值得到的图像作为最终的样本人脸图像。其中，在计算所有标准人脸图像的平均值时，可以分别计算所有标准人脸图像中各个像素位置的平均像素值，训练样本集中的标准人脸图像的平均值即是由所有像素位置的平均像素值合成的。
如图2B所示，输入层01包括依次连接的n个处理模块，每个处理模块用于对输入至处理模块的数据进行数据处理，并将数据处理得到的结果输出至第一输出层，n为大于1的整数。
需要说明的是，n个处理模块中的第一个处理模块的输入通道为输入层的输入通道，即样本人脸图像是输入至第一个处理模块中的。对于n个处理模块中的前n-1个处理模块，通过每个处理模块将数据处理得到的结果输出至下一处理模块。例如，第二处理模块的输入数据为第一处理模块对样本人脸图像进行数据处理后得到的结果。其中，每个处理模块向第一输出层输出的数据和向下一个处理模块输出的数据可以相同，也可以不同，本发明实施例对此不做限定。
可选的，数据处理可以包括卷积操作、池化操作、全连接操作和非线性映射操作中的至少一种。
需要说明的是，每个处理模块可以进行一个或多个数据处理，且n个处理模块进行数据处理的方式可以不同，例如，第一个处理模块可以进行卷积操作，第二个处理模块可以进行池化操作和非线性映射操作。
步骤202、通过第一输出层对样本高维特征数据进行数据降维处理，得到样本低维特征数据，样本高维特征数据的数据维度大于样本低维特征数据的数据维度。
可选的，如图2B所示，第一输出层02包括n个特征模块，n个特征模块与n个处理模块一一对应连接，样本高维特征数据包括n个高维子特征数据，每个处理模块向连接的特征模块输出一个样本高维子特征数据。
相应的，通过第一输出层对样本高维特征数据进行数据降维处理，得到样本低维特征数据的方法可以包括：
通过每个特征模块对输入的样本高维子特征数据进行数据降维处理，得到一个样本低维子特征数据，并将样本低维子特征数据输出至特征组合层；其中，n个特征模块输出的n个样本低维子特征数据能够组成样本低维特征数据。
示例的，假设样本高维子特征数据为数据维度大于1000的数据，则对样本高维子特征数据进行数据降维处理后，得到的样本低维子特征数据可以为数据维度小于1000的数据。
可选的，样本低维子特征数据可以包括局部人脸区域特征数据、人脸纹理数据和人脸轮廓数据中的至少一种等可以用于表示人脸特征的数据。当样本低维子特征数据包括局部人脸区域特征数据时，样本低维子特征数据可以包括一个局部人脸区域特征的数据，也可以包括多个局部人脸区域特征的组合数据，例如，第一个特征模块输出的样本低维子特征数据为鼻子区域的特征数据，第二个特征模块输出的样本低维子特征数据为眼睛区域的特征数据，第三个特征模块输出的样本低维子特征数据为鼻子区域和嘴巴区域的组合特征数据。
步骤203、通过特征组合层对样本低维特征数据进行预处理，并将预处理后的样本低维特征数据进行合并处理，得到样本组合特征数据。
可选的，将样本低维特征数据进行预处理，包括：对每个样本低维子特征数据进行规范化处理、减均值处理和主成分分析(英文：Principal Component Analysis；简称：PCA)处理等。将预处理后的样本低维特征数据进行合并处理，即将预处理后的n个样本低维子特征数据依次连接成一个数据，得到组合特征数据。
示例的，假设n个样本低维子特征数据包括3个样本低维子特征数据，第一个样本低维子特征数据为第二个样本低维子特征数据为第三个样本低维子特征数据为则将该三个样本低维子特征数据进行合并处理后得到的组合特征数据可以表示为
步骤204、通过第二输出层对样本组合特征数据进行特征融合，得到样本人脸特征数据。
可选的，可以通过第二输出层对组合特征数据进行数据处理以实现组合特征数据的特征融合。其中，数据处理可以包括卷积操作、池化操作、全连接操作和非线性映射操作中的至少一种。本发明实施例对如何对组合特征数据进行特征融合的方式不做限定。
步骤205、通过第一监督模块对样本人脸特征数据进行识别，输出识别结果，并基于输出的识别结果和样本人脸图像的训练标签，计算当前第一监督模块中预设的损失函数的第一损失值。
其中，通过第一监督模块对人脸特征数据进行识别，输出识别结果，也即是，对深度学习模型进行前向计算，得到深度学习模型的输出结果。
可选的，损失函数包括多项式回归损失函数或基于度量学习的损失函数。
在本发明实施例中，当样本人脸图像为一张人脸图像时，第一监督模块输出的识别结果可以包括待识别人脸图像的类别标签；或者，当样本人脸图像为一组人脸图像时，第一监督模块输出的识别结果可以包括一组人脸图像之间的相似度，该一组人脸图像包括至少两张人脸图像。示例的，样本人脸图像可以包括两张人脸图像。
步骤206、向输入层反向传输损失函数的梯度信息，以调整深度学习模型中的目标网络参数。
步骤206也即是，基于深度学习模型的输出结果以及预设的损失函数，通过反向传递的方式更新深度学习模型的目标网络参数。其中，深度学习模型中的目标网络参数，也即是，深度学习模型中各个节点的参数。
示例的，假设深度学习模型为卷积神经网络模型，则目标网络参数可以包括卷积神经网络模型中所有需要训练获得的参数，例如包括卷积核的权重系数和偏移系数等。
步骤207、判断深度学习模型对训练图像集中的样本人脸图像的分类准确度是否达到预设阈值；当深度学习模型对训练图像集中的样本人脸图像的分类准确度达到预设阈值时，结束训练；当深度学习模型对训练图像集中的样本人脸图像的分类准确度未达到预设阈值时，返回步骤201。
示例的，假设预设阈值为0.9，即通过深度学习模型对训练图像集中的样本人脸图像进行分类时，当大于或等于90％的样本人脸图像分类正确时，确定深度学习模型训练结束，否则继续执行步骤201至步骤206，以对深度学习模型进行进一步的优化训练。
实际应用中，也可以通过判断第一监督模块中的损失函数是否收敛至目标数值范围，判定是否完成深度学习模型的训练，当损失函数收敛至目标数值范围时，可以确定完成深度学习模型的训练，当损失函数未收敛至目标数值范围时，可以确定未完成深度学习模型的训练。
可选的，如图2C所示，第一输出层02还可以包括：n个第二监督模块，n个第二监督模块与n个特征模块一一对应连接。
相应的，在训练如图2C所示的深度学习模型时，上述步骤202中，通过每个特征模块对输入的样本高维子特征数据进行数据降维处理，得到一个样本低维子特征数据，并将样本低维子特征数据输出至特征组合层的方法可以包括：
S21、通过每个第二监督模块对输入的样本低维子特征数据进行识别，输出识别结果，并基于输出的识别结果和样本人脸图像的训练标签，计算当前第二监督模块中预设的损失函数的第二损失值。
可选的，当样本人脸图像为一张人脸图像时，每个第二监督模块输出的识别结果可以包括待识别人脸图像的类别标签；或者，当样本人脸图像为一组人脸图像时，每个第二监督模块输出的识别结果可以包括一组人脸图像之间的相似度，该一组人脸图像包括至少两张人脸图像。
S22、向输入层反向传输损失函数的梯度信息，以调整从输入层到第一输出层中的目标网络参数。
可选的，上述S21和S22，也即是，对输入层到第一输出层进行前向计算，得到第一输出层的输出结果；基于第一输出层的输出结果以及第二监督模块中预设的损失函数，通过反向传递的方式更新输入层到第一输出层中的目标网络参数。
S23、在n个第二监督模块中的损失函数均收敛至目标数值范围后，通过每个特征模块向特征组合层输出样本低维子特征数据。
需要说明的是，本发明实施例提供的深度学习模型的训练方法步骤的先后顺序可以进行适当调整，步骤也可以根据情况进行相应增减，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化的方法，都应涵盖在本发明的保护范围之内，因此不再赘述。
综上所述，本发明实施例提供的模型训练方法，用于训练深度学习模型，该深度学习模型可以用于特征提取和特征融合，与相关技术相比，一方面，该深度学习模型集成了相关技术中的多个深度学习模型的功能，在训练该深度学习模型时，既节约了训练过程中所耗费的资源和时间，又可以尽可能减少训练过程中的人工干预，以实现端到端的训练，提高深度学习模型的性能；另一方面，可以基于特征融合后得到的样本人脸特征数据调整输入层到第一输出层中的网络参数，提高了深度学习模型输出的人脸特征数据的可靠性，因此本发明实施例提供的模型训练方法的灵活性较高；
进一步的，本发明实施例提供的模型训练方法，可以先训练输入层到第一输出层中的网络参数，再训练特征组合层到第二输出层中的网络参数，最终对深度学习模型中的网络参数进行联合调优；或者，也可以直接对整个深度学习模型中的网络参数进行调优，从而提高了深度学习模型的训练灵活性。
图4是本发明实施例提供的一种人脸识别装置的结构示意图，如图4所示，该装置40可以包括：
输入单元401，用于向深度学习模型输入待识别人脸图像。
接收单元402，用于接收深度学习模型输出的人脸特征数据。
其中，深度学习模型包括：依次连接的输入层，第一输出层，特征组合层和第二输出层；
输入层用于在接收到待识别人脸图像后，对待识别人脸图像进行数据处理，以得到高维特征数据；
第一输出层用于对高维特征数据进行数据降维处理，得到低维特征数据，高维特征数据的数据维度大于低维特征数据的数据维度；
特征组合层用于将低维特征数据进行预处理，并将预处理后的低维特征数据进行合并处理，得到组合特征数据；
第二输出层用于对组合特征数据进行特征融合，得到人脸特征数据。
综上所述，本发明实施例提供的人脸识别装置，通过输入单元向深度学习模型输入待识别人脸图像，由该深度学习模型对待识别人脸图像进行特征提取和特征融合，以输出人脸特征数据，进行人脸识别。由于特征提取和特征融合可以在同一深度学习模型中完成，与相关技术相比，一方面，在使用该深度学习模型获取人脸特征数据时，可以缩短运算时长，提高人脸识别的效率；另一方面，该深度学习模型集成了相关技术中的多个深度学习模型的功能，在训练该深度学习模型时，既节约了训练过程中所耗费的资源和时间，又可以尽可能减少训练过程中的人工干预，以实现端到端的训练，提高深度学习模型的性能，因此本发明实施例提供的深度学习模型的训练灵活性较高。
可选的，深度学习模型还包括与第二输出层连接的第一监督模块；
第一监督模块用于在深度学习模型的训练过程中，接收第二输出层输出的样本人脸特征数据，并对样本人脸特征数据进行识别，输出识别结果，并基于输出的识别结果和样本人脸图像的训练标签，计算当前第一监督模块中预设的损失函数的第一损失值，向输入层反向传输损失函数的梯度信息，梯度信息用于调整深度学习模型中的目标网络参数，样本人脸特征数据是将样本人脸图像作为待识别人脸图像输入至输入层后，第二输出层输出的数据。
可选的，输入层包括依次连接的n个处理模块，每个处理模块用于对输入至处理模块的数据进行数据处理，并将数据处理得到的结果输出至第一输出层，n为大于1的整数；n个处理模块中的前n-1个处理模块还用于将数据处理得到的结果输出至下一处理模块；其中，n个处理模块中的第一个处理模块的输入通道为输入层的输入通道。
相应的，第一输出层可以包括n个特征模块，n个特征模块与n个处理模块一一对应连接，高维特征数据包括n个高维子特征数据，每个处理模块用于向连接的特征模块输出一个高维子特征数据，
每个特征模块用于对输入的高维子特征数据进行数据降维处理，得到一个低维子特征数据，并将低维子特征数据输出至特征组合层；其中，n个特征模块输出的n个低维子特征数据组成低维特征数据。
可选的，第一输出层还可以包括：n个第二监督模块，n个第二监督模块与n个特征模块一一对应连接；
每个第二监督模块用于在深度学习模型的训练过程中，对输入的样本低维子特征数据进行识别，输出识别结果，并基于输出的识别结果和样本人脸图像的训练标签，计算当前第二监督模块中预设的损失函数的第二损失值，向输入层反向传输损失函数的梯度信息，梯度信息用于调整从输入层到第一输出层中的目标网络参数；每个特征模块还用于在损失函数收敛至目标数值范围时，向特征组合层输出样本低维子特征数据；其中，输入至每个第二监督模块的样本低维子特征数据是将样本人脸图像作为待识别人脸图像输入至输入层后，由与第二监督模块相连的特征模块输出的数据。
可选的，当样本人脸图像为一张人脸图像时，识别结果包括一张人脸图像的类别标签；或者，当样本人脸图像为一组人脸图像时，识别结果包括一组人脸图像之间的相似度，一组人脸图像包括至少两张人脸图像。
可选的，损失函数包括多项式回归损失函数或基于度量学习的损失函数。
可选的，低维子特征数据可以包括局部人脸区域特征数据、人脸纹理数据和人脸轮廓数据的至少一种。
可选的，数据处理可以包括卷积操作、池化操作、全连接操作和非线性映射操作中的至少一种。
可选的，待识别人脸图像是经过归一化处理后的标准人脸图像。
综上所述，本发明实施例提供的人脸识别装置，通过输入单元向深度学习模型输入待识别人脸图像，由该深度学习模型对待识别人脸图像进行特征提取和特征融合，以输出人脸特征数据，进行人脸识别。由于特征提取和特征融合可以在同一深度学习模型中完成，与相关技术相比，一方面，在使用该深度学习模型获取人脸特征数据时，可以缩短运算时长，提高人脸识别的效率；另一方面，该深度学习模型集成了相关技术中的多个深度学习模型的功能，在训练该深度学习模型时，既节约了训练过程中所耗费的资源和时间，又可以尽可能减少训练过程中的人工干预，以实现端到端的训练，提高深度学习模型的性能，因此本发明实施例提供的深度学习模型的训练灵活性较高。
图5A是本发明实施例提供的一种模型训练装置的结构示意图，用于训练深度学习模型，深度学习模型用于人脸识别，深度学习模型包括依次连接的输入层，第一输出层，特征组合层、第二输出层和第一监督模块，如图5A所示，该装置50包括：
训练单元501，用于执行多次训练过程，直至深度学习模型对训练图像集中的样本人脸图像的分类准确度达到预设阈值，其中，训练过程包括：
在通过输入层接收到样本人脸图像后，对样本人脸图像进行数据处理，得到样本高维特征数据；
通过第一输出层对样本高维特征数据进行数据降维处理，得到样本低维特征数据，样本高维特征数据的数据维度大于样本低维特征数据的数据维度；
通过特征组合层对样本低维特征数据进行预处理，并将预处理后的样本低维特征数据进行合并处理，得到样本组合特征数据；
通过第二输出层对样本组合特征数据进行特征融合，得到样本人脸特征数据；
通过第一监督模块对样本人脸特征数据进行识别，输出识别结果，并基于输出的识别结果和样本人脸图像的训练标签，计算当前第一监督模块中预设的损失函数的第一损失值；
向输入层反向传输损失函数的梯度信息，以调整深度学习模型中的目标网络参数。
综上所述，本发明实施例提供的模型训练装置，用于训练深度学习模型，可以通过训练单元训练该深度学习模型进行特征提取和特征融合，由于特征提取和特征融合可以在同一深度学习模型中完成，与相关技术相比，一方面，该深度学习模型集成了相关技术中的多个深度学习模型的功能，在训练该深度学习模型时，既节约了训练过程中所耗费的资源和时间，又可以尽可能减少训练过程中的人工干预，以实现端到端的训练，提高深度学习模型的性能；另一方面，可以基于特征融合后得到的样本人脸特征数据调整输入层到第一输出层中的网络参数，提高了深度学习模型输出的人脸特征数据的可靠性，因此本发明实施例提供的模型训练方法的灵活性较高。
可选的，输入层包括依次连接的n个处理模块，每个处理模块用于对输入至处理模块的数据进行数据处理，并将数据处理得到的结果输出至第一输出层，n为大于1的整数，如图5B所示，装置50还可以包括：
输出单元502，用于对于n个处理模块中的前n-1个处理模块，通过每个处理模块将数据处理得到的结果输出至下一处理模块；
其中，n个处理模块中的第一个处理模块的输入通道为输入层的输入通道。
可选的，第一输出层包括n个特征模块，n个特征模块与n个处理模块一一对应连接，样本高维特征数据包括n个样本高维子特征数据，每个处理模块向连接的特征模块输出一个样本高维子特征数据；
训练单元可以包括降维子单元，降维子单元用于：
通过每个特征模块对输入的样本高维子特征数据进行数据降维处理，得到一个样本低维子特征数据，并将样本低维子特征数据输出至特征组合层；
其中，n个特征模块输出的n个样本低维子特征数据组成样本低维特征数据。
可选的，第一输出层还可以包括：n个第二监督模块，n个第二监督模块与n个特征模块一一对应连接。
相应的，如图5C所示，训练单元501可以包括：
处理子单元5011，用于通过每个第二监督模块对输入的样本低维子特征数据进行识别，输出识别结果，并基于输出的识别结果和样本人脸图像的训练标签，计算当前第二监督模块中预设的损失函数的第二损失值；
传输子单元5012，用于向输入层反向传输损失函数的梯度信息，以调整从输入层到第一输出层中的目标网络参数；
输出子单元5013，用于在n个第二监督模块中的损失函数均收敛至目标数值范围后，通过每个特征模块向特征组合层输出样本低维子特征数据。
综上所述，本发明实施例提供的模型训练装置，用于训练深度学习模型，可以通过训练单元训练该深度学习模型进行特征提取和特征融合，由于特征提取和特征融合可以在同一深度学习模型中完成，与相关技术相比，一方面，该深度学习模型集成了相关技术中的多个深度学习模型的功能，在训练该深度学习模型时，既节约了训练过程中所耗费的资源和时间，又可以尽可能减少训练过程中的人工干预，以实现端到端的训练，提高深度学习模型的性能；另一方面，可以基于特征融合后得到的样本人脸特征数据调整输入层到第一输出层中的网络参数，提高了深度学习模型输出的人脸特征数据的可靠性，因此本发明实施例提供的模型训练方法的灵活性较高。
本发明实施例提供了一种人脸识别系统，该系统可以包括人脸图像采集装置和人脸识别装置。
人脸图像采集装置用于采集待识别人脸图像，并将待识别人脸图像发送至人脸识别装置，人脸识别装置用于对待识别人脸图像进行人脸识别，该人脸识别装置可以为如图4所示的人脸识别装置。
可选的，人脸识别装置还可以包括图像预处理模块和相似性度量模块。
示例的，使用本发明实施例提供的人脸识别系统进行人脸识别的过程可以包括：通过人脸图像采集装置采集待识别人脸图像，通过图像预处理模块对待识别人脸图像进行预处理得到标准待识别人脸图像，预处理的方式可以参考步骤201中对样本人脸图像进行归一化处理的过程，在此不做赘述；然后将标准待识别人脸图像输入到如图2A至图2C任一所示的深度学习模型中，接收深度学习模型输出的人脸特征数据，通过相似性度量模块将得到的人脸特征数据与预设人脸图像数据库中的人脸图像的数据进行相似度比较，若该人脸特征数据与预设人脸图像数据库中的某一人脸图像的数据的相似度大于预设相似度阈值时，则可判定该待识别人脸图像与该某一人脸图像为同一个人的人脸图像。
在本发明实施例中，上述深度学习模型输出的人脸特征数据可以为定长的数据向量，也可以为不定长的数据向量，对此不做限定；另外，将得到的人脸特征数据与预设人脸图像数据库中的人脸图像的数据进行相似度比较时，可以基于欧式距离或余弦距离等计算相似度，对此也不做限定。
综上所述，本发明实施例提供的人脸识别系统，通过单个深度学习模型即可输出人脸特征数据，与相关技术中采用多个深度学习模型提取各个人脸特征相比，缩短了获取人脸特征数据的时间，提高了人脸识别的效率。
本发明实施例提供了一种人脸识别装置，所述装置包括：
至少一个处理器；和至少一个存储器；
其中，所述至少一个存储器存储有至少一个程序；
所述至少一个处理器，用于执行所述至少一个存储器上所存储的程序，以实现如图1所示的人脸识别方法。
本发明实施例提供了一种模型训练装置，所述装置包括：
至少一个处理器；和至少一个存储器；
其中，所述至少一个存储器存储有至少一个程序；
所述至少一个处理器，用于执行所述至少一个存储器上所存储的程序，以实现如图3所示的模型训练方法。
可选的，上述处理器可以包括一个或多个处理核心，比如4核心处理器、8核心处理器等。处理器可以采用DSP(Digital Signal Processing，数字信号处理)、FPGA(Field-Programmable Gate Array，现场可编程门阵列)、PLA(Programmable Logic Array，可编程逻辑阵列)中的至少一种硬件形式来实现。处理器也可以包括主处理器和协处理器，主处理器是用于对在唤醒状态下的数据进行处理的处理器，也称CPU(Central Processing Unit，中央处理器)；协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中，处理器可以在集成有GPU(Graphics Processing Unit，图像处理器)，GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中，处理器还可以包括AI(ArtificialIntelligence，人工智能)处理器，该AI处理器用于处理有关机器学习的计算操作。
上述存储器可以包括一个或多个计算机可读存储介质，该计算机可读存储介质可以是非暂态的。存储器还可包括高速随机存取存储器，以及非易失性存储器，比如一个或多个磁盘存储设备、闪存存储设备。在一些实施例中，存储器中的非暂态的计算机可读存储介质用于存储至少一个指令，该至少一个指令用于被处理器所执行以实现本申请中方法实施例提供的人脸识别方法或模型训练方法。
本发明实施例提供了一种非易失性存储介质，所述存储介质中存储有代码指令，所述代码指令由处理器执行，以实现如图1所示的人脸识别方法，或者，实现如图3所示的模型训练方法。
以上所述仅为本发明的可选实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (29)
1.一种人脸识别方法，其特征在于，所述方法包括：
向深度学习模型输入待识别人脸图像；
接收所述深度学习模型输出的人脸特征数据；
其中，所述深度学习模型包括：依次连接的输入层，第一输出层，特征组合层和第二输出层；
所述输入层用于在接收到待识别人脸图像后，对所述待识别人脸图像进行数据处理，以得到高维特征数据；
所述第一输出层用于对所述高维特征数据进行数据降维处理，得到低维特征数据，所述高维特征数据的数据维度大于所述低维特征数据的数据维度；
所述特征组合层用于将所述低维特征数据进行预处理，并将预处理后的低维特征数据进行合并处理，得到组合特征数据；
所述第二输出层用于对所述组合特征数据进行特征融合，得到所述人脸特征数据。
2.根据权利要求1所述的方法，其特征在于，所述深度学习模型还包括与所述第二输出层连接的第一监督模块；
所述第一监督模块用于在所述深度学习模型的训练过程中，接收所述第二输出层输出的样本人脸特征数据，并对所述样本人脸特征数据进行识别，输出识别结果，并基于输出的识别结果和样本人脸图像的训练标签，计算当前所述第一监督模块中预设的损失函数的第一损失值，向所述输入层反向传输所述损失函数的梯度信息，所述梯度信息用于调整所述深度学习模型中的目标网络参数，所述样本人脸特征数据是将样本人脸图像作为待识别人脸图像输入至所述输入层后，所述第二输出层输出的数据。
3.根据权利要求1所述的方法，其特征在于，所述输入层包括依次连接的n个处理模块，每个所述处理模块用于对输入至所述处理模块的数据进行数据处理，并将所述数据处理得到的结果输出至所述第一输出层，所述n为大于1的整数；
所述n个处理模块中的前n-1个处理模块还用于将所述数据处理得到的结果输出至下一处理模块；
其中，所述n个处理模块中的第一个处理模块的输入通道为所述输入层的输入通道。
4.根据权利要求3所述的方法，其特征在于，所述第一输出层包括n个特征模块，所述n个特征模块与所述n个处理模块一一对应连接，所述高维特征数据包括n个高维子特征数据，每个所述处理模块用于向连接的特征模块输出一个所述高维子特征数据，
每个所述特征模块用于对输入的所述高维子特征数据进行数据降维处理，得到一个低维子特征数据，并将所述低维子特征数据输出至所述特征组合层；
其中，所述n个特征模块输出的n个低维子特征数据组成所述低维特征数据。
5.根据权利要求4所述的方法，其特征在于，所述第一输出层还包括：n个第二监督模块，所述n个第二监督模块与所述n个特征模块一一对应连接；
每个所述第二监督模块用于在所述深度学习模型的训练过程中，对输入的样本低维子特征数据进行识别，输出识别结果，并基于输出的识别结果和样本人脸图像的训练标签，计算当前所述第二监督模块中预设的损失函数的第二损失值，向所述输入层反向传输所述损失函数的梯度信息，所述梯度信息用于调整从所述输入层到所述第一输出层中的目标网络参数；
每个所述特征模块还用于在所述损失函数收敛至目标数值范围后，向所述特征组合层输出所述样本低维子特征数据；
其中，输入至每个所述第二监督模块的所述样本低维子特征数据是将样本人脸图像作为待识别人脸图像输入至所述输入层后，由与所述第二监督模块相连的特征模块输出的数据。
6.根据权利要求2或5所述的方法，其特征在于，
当所述样本人脸图像为一张人脸图像时，所述识别结果包括所述一张人脸图像的类别标签；
或者，当所述样本人脸图像为一组人脸图像时，所述识别结果包括所述一组人脸图像之间的相似度，所述一组人脸图像包括至少两张人脸图像。
7.根据权利要求2或5所述的方法，其特征在于，
所述损失函数包括多项式回归损失函数或基于度量学习的损失函数。
8.根据权利要求4所述的方法，其特征在于，
所述低维子特征数据包括局部人脸区域特征数据、人脸纹理数据和人脸轮廓数据的至少一种。
9.根据权利要求1所述的方法，其特征在于，
所述数据处理包括卷积操作、池化操作、全连接操作和非线性映射操作中的至少一种。
10.根据权利要求1所述的方法，其特征在于，
所述待识别人脸图像是经过归一化处理后的标准人脸图像。
11.一种模型训练方法，其特征在于，用于训练深度学习模型，所述深度学习模型用于人脸识别，所述深度学习模型包括依次连接的输入层，第一输出层，特征组合层、第二输出层和第一监督模块，所述方法包括：
执行多次训练过程，直至所述深度学习模型对训练图像集中的样本人脸图像的分类准确度达到预设阈值，其中，所述训练过程包括：
在通过所述输入层接收到样本人脸图像后，对所述样本人脸图像进行数据处理，得到样本高维特征数据；
通过所述第一输出层对所述样本高维特征数据进行数据降维处理，得到样本低维特征数据，所述样本高维特征数据的数据维度大于所述样本低维特征数据的数据维度；
通过所述特征组合层对所述样本低维特征数据进行预处理，并将预处理后的样本低维特征数据进行合并处理，得到样本组合特征数据；
通过所述第二输出层对所述样本组合特征数据进行特征融合，得到样本人脸特征数据；
通过所述第一监督模块对所述样本人脸特征数据进行识别，输出识别结果，并基于输出的识别结果和所述样本人脸图像的训练标签，计算当前所述第一监督模块中预设的损失函数的第一损失值；
向所述输入层反向传输所述损失函数的梯度信息，以调整所述深度学习模型中的目标网络参数。
12.根据权利要求11所述的方法，其特征在于，所述输入层包括依次连接的n个处理模块，每个所述处理模块用于对输入至所述处理模块的数据进行数据处理，并将所述数据处理得到的结果输出至所述第一输出层，所述n为大于1的整数，所述方法还包括：
对于所述n个处理模块中的前n-1个处理模块，通过每个处理模块将所述数据处理得到的结果输出至下一处理模块；
其中，所述n个处理模块中的第一个处理模块的输入通道为所述输入层的输入通道。
13.根据权利要求12所述的方法，其特征在于，所述第一输出层包括n个特征模块，所述n个特征模块与所述n个处理模块一一对应连接，所述样本高维特征数据包括n个样本高维子特征数据，每个所述处理模块向连接的特征模块输出一个所述样本高维子特征数据；
所述通过所述第一输出层对所述样本高维特征数据进行数据降维处理，得到样本低维特征数据，包括：
通过每个所述特征模块对输入的所述样本高维子特征数据进行数据降维处理，得到一个样本低维子特征数据，并将所述样本低维子特征数据输出至所述特征组合层；
其中，所述n个特征模块输出的n个样本低维子特征数据组成所述样本低维特征数据。
14.根据权利要求13所述的方法，其特征在于，所述第一输出层还包括：n个第二监督模块，所述n个第二监督模块与所述n个特征模块一一对应连接；
所述通过每个所述特征模块对输入的所述样本高维子特征数据进行数据降维处理，得到一个样本低维子特征数据，并将所述样本低维子特征数据输出至所述特征组合层，包括：
通过每个所述第二监督模块对输入的所述样本低维子特征数据进行识别，输出识别结果，并基于输出的识别结果和所述样本人脸图像的训练标签，计算当前所述第二监督模块中预设的损失函数的第二损失值；
向所述输入层反向传输所述损失函数的梯度信息，以调整从所述输入层到所述第一输出层中的目标网络参数；
在所述n个第二监督模块中的损失函数均收敛至目标数值范围后，通过每个所述特征模块向所述特征组合层输出所述样本低维子特征数据。
15.一种人脸识别装置，其特征在于，所述装置包括：
输入单元，用于向深度学习模型输入待识别人脸图像；
接收单元，用于接收所述深度学习模型输出的人脸特征数据；
其中，所述深度学习模型包括：依次连接的输入层，第一输出层，特征组合层和第二输出层；
所述输入层用于在接收到待识别人脸图像后，对所述待识别人脸图像进行数据处理，以得到高维特征数据；
所述第一输出层用于对所述高维特征数据进行数据降维处理，得到低维特征数据，所述高维特征数据的数据维度大于所述低维特征数据的数据维度；
所述特征组合层用于将所述低维特征数据进行预处理，并将预处理后的低维特征数据进行合并处理，得到组合特征数据；
所述第二输出层用于对所述组合特征数据进行特征融合，得到所述人脸特征数据。
16.根据权利要求15所述的装置，其特征在于，所述深度学习模型还包括与所述第二输出层连接的第一监督模块；
所述第一监督模块用于在所述深度学习模型的训练过程中，接收所述第二输出层输出的样本人脸特征数据，并对所述样本人脸特征数据进行识别，输出识别结果，并基于输出的识别结果和样本人脸图像的训练标签，计算当前所述第一监督模块中预设的损失函数的第一损失值，向所述输入层反向传输所述损失函数的梯度信息，所述梯度信息用于调整所述深度学习模型中的目标网络参数，所述样本人脸特征数据是将样本人脸图像作为待识别人脸图像输入至所述输入层后，所述第二输出层输出的数据。
17.根据权利要求15所述的装置，其特征在于，所述输入层包括依次连接的n个处理模块，每个所述处理模块用于对输入至所述处理模块的数据进行数据处理，并将所述数据处理得到的结果输出至所述第一输出层，所述n为大于1的整数；
所述n个处理模块中的前n-1个处理模块还用于将所述数据处理得到的结果输出至下一处理模块；
其中，所述n个处理模块中的第一个处理模块的输入通道为所述输入层的输入通道。
18.根据权利要求17所述的装置，其特征在于，所述第一输出层包括n个特征模块，所述n个特征模块与所述n个处理模块一一对应连接，所述高维特征数据包括n个高维子特征数据，每个所述处理模块用于向连接的特征模块输出一个所述高维子特征数据，
每个所述特征模块用于对输入的所述高维子特征数据进行数据降维处理，得到一个低维子特征数据，并将所述低维子特征数据输出至所述特征组合层；
其中，所述n个特征模块输出的n个低维子特征数据组成所述低维特征数据。
19.根据权利要求18所述的装置，其特征在于，所述第一输出层还包括：n个第二监督模块，所述n个第二监督模块与所述n个特征模块一一对应连接；
每个所述第二监督模块用于在所述深度学习模型的训练过程中，对输入的样本低维子特征数据进行识别，输出识别结果，并基于输出的识别结果和样本人脸图像的训练标签，计算当前所述第二监督模块中预设的损失函数的第二损失值，向所述输入层反向传输所述损失函数的梯度信息，所述梯度信息用于调整从所述输入层到所述第一输出层中的目标网络参数；
每个所述特征模块还用于在所述损失函数收敛至目标数值范围时，向所述特征组合层输出所述样本低维子特征数据；
其中，输入至每个所述第二监督模块的所述样本低维子特征数据是将样本人脸图像作为待识别人脸图像输入至所述输入层后，由与所述第二监督模块相连的特征模块输出的数据。
20.根据权利要求16或19所述的装置，其特征在于，
当所述样本人脸图像为一张人脸图像时，所述识别结果包括所述一张人脸图像的类别标签；
或者，当所述样本人脸图像为一组人脸图像时，所述识别结果包括所述一组人脸图像之间的相似度，所述一组人脸图像包括至少两张人脸图像。
21.根据权利要求16或19所述的装置，其特征在于，
所述损失函数包括多项式回归损失函数或基于度量学习的损失函数。
22.根据权利要求18所述的装置，其特征在于，
所述低维子特征数据包括局部人脸区域特征数据、人脸纹理数据和人脸轮廓数据的至少一种。
23.根据权利要求15所述的装置，其特征在于，
所述数据处理包括卷积操作、池化操作、全连接操作和非线性映射操作中的至少一种。
24.根据权利要求15所述的装置，其特征在于，
所述待识别人脸图像是经过归一化处理后的标准人脸图像。
25.一种模型训练装置，其特征在于，用于训练深度学习模型，所述深度学习模型用于人脸识别，所述深度学习模型包括依次连接的输入层，第一输出层，特征组合层、第二输出层和第一监督模块，所述装置包括：
训练单元，用于执行多次训练过程，直至所述深度学习模型对训练图像集中的样本人脸图像的分类准确度达到预设阈值，其中，所述训练过程包括：
在通过所述输入层接收到样本人脸图像后，对所述样本人脸图像进行数据处理，得到样本高维特征数据；
通过所述第一输出层对所述样本高维特征数据进行数据降维处理，得到样本低维特征数据，所述样本高维特征数据的数据维度大于所述样本低维特征数据的数据维度；
通过所述特征组合层对所述样本低维特征数据进行预处理，并将预处理后的样本低维特征数据进行合并处理，得到样本组合特征数据；
通过所述第二输出层对所述样本组合特征数据进行特征融合，得到样本人脸特征数据；
通过所述第一监督模块对所述样本人脸特征数据进行识别，输出识别结果，并基于输出的识别结果和所述样本人脸图像的训练标签，计算当前所述第一监督模块中预设的损失函数的第一损失值；
向所述输入层反向传输所述损失函数的梯度信息，以调整所述深度学习模型中的目标网络参数。
26.根据权利要求25所述的装置，其特征在于，所述输入层包括依次连接的n个处理模块，每个所述处理模块用于对输入至所述处理模块的数据进行数据处理，并将所述数据处理得到的结果输出至所述第一输出层，所述n为大于1的整数，所述装置还包括：
输出单元，用于对于所述n个处理模块中的前n-1个处理模块，通过每个处理模块将所述数据处理得到的结果输出至下一处理模块；
其中，所述n个处理模块中的第一个处理模块的输入通道为所述输入层的输入通道。
27.根据权利要求26所述的装置，其特征在于，所述第一输出层包括n个特征模块，所述n个特征模块与所述n个处理模块一一对应连接，所述样本高维特征数据包括n个样本高维子特征数据，每个所述处理模块向连接的特征模块输出一个所述样本高维子特征数据；
所述训练单元包括降维子单元，所述降维子单元用于：
通过每个所述特征模块对输入的所述样本高维子特征数据进行数据降维处理，得到一个样本低维子特征数据，并将所述样本低维子特征数据输出至所述特征组合层；
其中，所述n个特征模块输出的n个样本低维子特征数据组成所述样本低维特征数据。
28.根据权利要求27所述的装置，其特征在于，所述第一输出层还包括：n个第二监督模块，所述n个第二监督模块与所述n个特征模块一一对应连接；
所述训练单元包括：
处理子单元，用于通过每个所述第二监督模块对输入的所述样本低维子特征数据进行识别，输出识别结果，并基于输出的识别结果和所述样本人脸图像的训练标签，计算当前所述第二监督模块中预设的损失函数的第二损失值；
传输子单元，用于向所述输入层反向传输所述损失函数的梯度信息，以调整从所述输入层到所述第一输出层中的目标网络参数；
输出子单元，用于在所述n个第二监督模块中的损失函数均收敛至目标数值范围后，通过每个所述特征模块向所述特征组合层输出所述样本低维子特征数据。
29.一种人脸识别系统，其特征在于，所述系统包括：
人脸图像采集装置和人脸识别装置；
所述人脸图像采集装置用于采集待识别人脸图像，并将所述待识别人脸图像发送至所述人脸识别装置，所述人脸识别装置用于对所述待识别人脸图像进行人脸识别，所述人脸识别装置为权利要求15至24任一所述的人脸识别装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810258679.2A CN110309692B (zh) | 2018-03-27 | 2018-03-27 | 人脸识别方法、装置及系统、模型训练方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810258679.2A CN110309692B (zh) | 2018-03-27 | 2018-03-27 | 人脸识别方法、装置及系统、模型训练方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110309692A true CN110309692A (zh) | 2019-10-08 |
| CN110309692B CN110309692B (zh) | 2023-06-02 |
Family
ID=68073724
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810258679.2A Active CN110309692B (zh) | 2018-03-27 | 2018-03-27 | 人脸识别方法、装置及系统、模型训练方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110309692B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111079704A (zh) * | 2019-12-31 | 2020-04-28 | 厦门理工学院 | 一种基于量子计算的人脸识别方法及装置 |
| CN111291683A (zh) * | 2020-02-08 | 2020-06-16 | 内蒙古大学 | 一种基于深度学习的奶牛个体识别系统及其识别方法 |
| CN112329735A (zh) * | 2020-11-30 | 2021-02-05 | 姜培生 | 人脸识别模型的训练方法及在线教育系统 |
| 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 |
| CN112800813A (zh) * | 2019-11-13 | 2021-05-14 | 杭州海康威视数字技术股份有限公司 | 一种目标识别方法及装置 |
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103778414A (zh) * | 2014-01-17 | 2014-05-07 | 杭州电子科技大学 | 基于深度神经网络的实时人脸识别方法 |
| CN104899579A (zh) * | 2015-06-29 | 2015-09-09 | 小米科技有限责任公司 | 人脸识别方法和装置 |
| CN105005765A (zh) * | 2015-06-29 | 2015-10-28 | 北京工业大学 | 一种基于Gabor小波和灰度共生矩阵的人脸表情识别方法 |
| CN105849747A (zh) * | 2013-11-30 | 2016-08-10 | 北京市商汤科技开发有限公司 | 用于人脸图像识别的方法和系统 |
| CN105894037A (zh) * | 2016-04-21 | 2016-08-24 | 北京航空航天大学 | 一种基于sift训练样本提取的遥感图像全监督分类方法 |
| CN105956515A (zh) * | 2016-04-20 | 2016-09-21 | 西安电子科技大学 | 基于极成像的立体-高光谱人脸识别方法 |
| CN106022223A (zh) * | 2016-05-10 | 2016-10-12 | 武汉理工大学 | 一种高维局部二值模式人脸识别方法及系统 |
| CN106203373A (zh) * | 2016-07-19 | 2016-12-07 | 中山大学 | 一种基于深度视觉词袋模型的人脸活体检测方法 |
| CN106599837A (zh) * | 2016-12-13 | 2017-04-26 | 北京智慧眼科技股份有限公司 | 基于多图像输入的人脸识别方法及装置 |
| CN106845336A (zh) * | 2016-12-02 | 2017-06-13 | 厦门理工学院 | 一种基于局部信息和组稀疏约束的半监督人脸识别方法 |
| CN107004115A (zh) * | 2014-12-03 | 2017-08-01 | 北京市商汤科技开发有限公司 | 用于人脸识别的方法和系统 |
| US20170262472A1 (en) * | 2014-11-24 | 2017-09-14 | Isityou Ltd. | Systems and methods for recognition of faces e.g. from mobile-device-generated images of faces |
| CN107578007A (zh) * | 2017-09-01 | 2018-01-12 | 杭州电子科技大学 | 一种基于多特征融合的深度学习人脸识别方法 |
| WO2018053340A1 (en) * | 2016-09-15 | 2018-03-22 | Twitter, Inc. | Super resolution using a generative adversarial network |
-
2018
- 2018-03-27 CN CN201810258679.2A patent/CN110309692B/zh active Active
Patent Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105849747A (zh) * | 2013-11-30 | 2016-08-10 | 北京市商汤科技开发有限公司 | 用于人脸图像识别的方法和系统 |
| CN103778414A (zh) * | 2014-01-17 | 2014-05-07 | 杭州电子科技大学 | 基于深度神经网络的实时人脸识别方法 |
| US20170262472A1 (en) * | 2014-11-24 | 2017-09-14 | Isityou Ltd. | Systems and methods for recognition of faces e.g. from mobile-device-generated images of faces |
| CN107004115A (zh) * | 2014-12-03 | 2017-08-01 | 北京市商汤科技开发有限公司 | 用于人脸识别的方法和系统 |
| CN104899579A (zh) * | 2015-06-29 | 2015-09-09 | 小米科技有限责任公司 | 人脸识别方法和装置 |
| CN105005765A (zh) * | 2015-06-29 | 2015-10-28 | 北京工业大学 | 一种基于Gabor小波和灰度共生矩阵的人脸表情识别方法 |
| CN105956515A (zh) * | 2016-04-20 | 2016-09-21 | 西安电子科技大学 | 基于极成像的立体-高光谱人脸识别方法 |
| CN105894037A (zh) * | 2016-04-21 | 2016-08-24 | 北京航空航天大学 | 一种基于sift训练样本提取的遥感图像全监督分类方法 |
| CN106022223A (zh) * | 2016-05-10 | 2016-10-12 | 武汉理工大学 | 一种高维局部二值模式人脸识别方法及系统 |
| CN106203373A (zh) * | 2016-07-19 | 2016-12-07 | 中山大学 | 一种基于深度视觉词袋模型的人脸活体检测方法 |
| WO2018053340A1 (en) * | 2016-09-15 | 2018-03-22 | Twitter, Inc. | Super resolution using a generative adversarial network |
| CN106845336A (zh) * | 2016-12-02 | 2017-06-13 | 厦门理工学院 | 一种基于局部信息和组稀疏约束的半监督人脸识别方法 |
| CN106599837A (zh) * | 2016-12-13 | 2017-04-26 | 北京智慧眼科技股份有限公司 | 基于多图像输入的人脸识别方法及装置 |
| CN107578007A (zh) * | 2017-09-01 | 2018-01-12 | 杭州电子科技大学 | 一种基于多特征融合的深度学习人脸识别方法 |
Non-Patent Citations (1)
| Title |
|---|
| 钱程: "基于深度学习的人脸识别技术研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| 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 |
| CN112800813A (zh) * | 2019-11-13 | 2021-05-14 | 杭州海康威视数字技术股份有限公司 | 一种目标识别方法及装置 |
| WO2021093780A1 (zh) * | 2019-11-13 | 2021-05-20 | 杭州海康威视数字技术股份有限公司 | 一种目标识别方法及装置 |
| CN111079704A (zh) * | 2019-12-31 | 2020-04-28 | 厦门理工学院 | 一种基于量子计算的人脸识别方法及装置 |
| CN111291683A (zh) * | 2020-02-08 | 2020-06-16 | 内蒙古大学 | 一种基于深度学习的奶牛个体识别系统及其识别方法 |
| CN111291683B (zh) * | 2020-02-08 | 2023-04-18 | 内蒙古大学 | 一种基于深度学习的奶牛个体识别系统及其识别方法 |
| CN112329735A (zh) * | 2020-11-30 | 2021-02-05 | 姜培生 | 人脸识别模型的训练方法及在线教育系统 |
| CN112329735B (zh) * | 2020-11-30 | 2022-05-10 | 深圳市海洋网络科技有限公司 | 人脸识别模型的训练方法及在线教育系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110309692B (zh) | 2023-06-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110309692A (zh) | 人脸识别方法、装置及系统、模型训练方法及装置 | |
| WO2021174819A1 (zh) | 人脸遮挡检测方法及系统 | |
| CN110414394A (zh) | 一种面部遮挡人脸图像重建方法以及用于人脸遮挡检测的模型 | |
| CN110443189A (zh) | 基于多任务多标签学习卷积神经网络的人脸属性识别方法 | |
| CN105917353A (zh) | 用于生物认证的特征提取及匹配以及模板更新 | |
| CN105320945A (zh) | 图像分类的方法及装置 | |
| CN110321870B (zh) | 一种基于lstm的掌静脉识别方法 | |
| CN110992351A (zh) | 基于多输入卷积神经网络的sMRI图像分类方法和装置 | |
| CN111695462A (zh) | 一种人脸识别方法、装置、存储介质和服务器 | |
| CN109583364A (zh) | 图像识别方法及设备 | |
| CN111178130A (zh) | 一种基于深度学习的人脸识别方法、系统和可读存储介质 | |
| 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 | |
| Feng et al. | Facial expression recognition based on local features of transfer learning | |
| EP3834141A1 (en) | Techniques for matching disparate input data | |
| CN111126155B (zh) | 一种基于语义约束生成对抗网络的行人再识别方法 | |
| CN108875559A (zh) | 基于证件照与现场照的人脸识别方法及系统 | |
| Zhang et al. | Facial component-landmark detection with weakly-supervised lr-cnn | |
| CN110414522A (zh) | 一种字符识别方法及装置 | |
| CN110472495A (zh) | 一种基于图形推理全局特征的深度学习人脸识别方法 | |
| CN110008876A (zh) | 一种基于数据增强与特征融合的人脸验证方法 | |
| CN110175500A (zh) | 指静脉比对方法、装置、计算机设备及存储介质 | |
| CN117079339A (zh) | 动物虹膜识别方法、预测模型训练方法、电子设备及介质 | |
| CN110674675A (zh) | 一种行人面部反欺诈方法 | |
| CN107220612B (zh) | 以关键点局部邻域的高频分析为核心的模糊人脸判别方法 | |
| Deng et al. | Multi-stream face anti-spoofing system using 3D information |
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 |