CN110321829A - 一种人脸识别方法及装置、电子设备和存储介质 - Google Patents

一种人脸识别方法及装置、电子设备和存储介质 Download PDF

Info

Publication number
CN110321829A
CN110321829A CN201910570017.3A CN201910570017A CN110321829A CN 110321829 A CN110321829 A CN 110321829A CN 201910570017 A CN201910570017 A CN 201910570017A CN 110321829 A CN110321829 A CN 110321829A
Authority
CN
China
Prior art keywords
image
face
recognition
network
facial image
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201910570017.3A
Other languages
English (en)
Inventor
刘翔宇
王英杰
刘元晨
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 Blue City Brothers Cultural Media Co Ltd
Original Assignee
Beijing Blue City Brothers Cultural Media 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 Blue City Brothers Cultural Media Co Ltd filed Critical Beijing Blue City Brothers Cultural Media Co Ltd
Priority to CN201910570017.3A priority Critical patent/CN110321829A/zh
Publication of CN110321829A publication Critical patent/CN110321829A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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
    • G06V40/161—Detection; Localisation; Normalisation
    • G06V40/165—Detection; Localisation; Normalisation using facial parts and geometric 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • Human Computer Interaction (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Geometry (AREA)
  • Probability & Statistics with Applications (AREA)
  • Image Analysis (AREA)

Abstract

本公开涉及一种人脸识别方法及装置、电子设备和存储介质，其中，所述方法包括对待处理图像进行图像类别分类处理，得到包括人脸图像区域的待识别人脸图像，识别所述待识别人脸图像，得到人脸识别结果。通过该人脸识别方法，不仅提高人脸识别模型的召回率，而且提高人脸识别结果的准确率。

Description

一种人脸识别方法及装置、电子设备和存储介质
技术领域
本发明涉及人工智能技术领域，特别涉及一种人脸识别方法及装置、电子设备和存储介质。
背景技术
人脸检测是目标检测的一个分支，相比于通用目标检测来讲人脸检测的目标类别少，应用场景中需要更高的准确率与召回率。
在计算机视觉领域，基于深度学习技术的目标检测分为两大类，第一类是基于候选区域的两级检测方法，这一类方法使用一个与分类网络共享特征的候选区域生成网络首先在图像里找到若干候选区域，然后使用修正网络对该候选区域进行分类与修正；第二类是直接在特征图上对目标的位置与类别进行预测的一级检测方法，这一类方法在特征图上直接定义若干基本框，提高了算法的实时性但精度有所损失。
人脸检测问题中，人脸的长宽比变化不大，较通用的方法是采用滑动窗口的方法在图像金字塔上直接生成候选框，然后对这些候选框进行分类与修正，这类方法由于候选框数目众多，网络通常较浅；近年也有基于一级检测方法的方法，这类方法通常利用多层特征进行检测，减少了漏检的情况，但模型的准确度有所降低。
发明内容
本发明提供一种人脸识别方法及装置、电子设备和存储介质，用于提高人脸识别模型的召回率，进而提高人脸识别结果的准确率。
根据本公开的一方面，提供了人脸识别方法，包括：对待处理图像进行图像类别分类处理，得到包括人脸图像区域的待识别人脸图像；识别所述待识别人脸图像，得到人脸识别结果。
在一种可能的实现方式中，所述人脸检测方法通过人脸识别网络执行，所述对待处理图像进行图像类别分类处理，得到包括人脸图像区域的待识别人脸图像，识别所述待识别人脸图像，得到人脸识别结果，包括：将所述待处理图像输入至所述人脸识别网络；基于所述人脸识别网络对待处理图像进行图像类别分类处理，得到包括人脸图像区域的待识别人脸图像；基于所述人脸识别网络，识别所述待识别人脸图像，得到人脸识别结果。
在一种可能的实现方式中，所述人脸识别网络包括图像分类子网络，其中，所述将所述待处理图像输入至所述人脸识别网络，基于所述人脸识别网络对待处理图像进行图像类别分类处理，得到包括人脸图像区域的待识别人脸图像，包括：将所述待处理图像输入至所述图像分类子网络；基于所述人脸识别网络对待处理图像进行图像类别分类处理，得到包括人脸图像区域的待识别人脸图像。
在一种可能的实现方式中，所述人脸识别网络包括人脸识别子网络，其中，所述基于所述人脸识别子网络，识别所述待识别人脸图像，得到人脸识别结果，包括：将所述待识别人脸图像输入至所述人脸识别子网络；基于所述人脸识别子网络识别所述待识别人脸图像，得到人脸识别结果。
在一种可能的实现方式中，图像分类子网络包括Inception-V3网络的卷积模块、全连接层和softmax层。
在一种可能的实现方式中，人脸识别子网络包括VGG-16的卷积模块和多尺度特征检测模块；其中，所述多尺度特征检测模块用于检测待识别图像中尺寸不同的人脸图像区域。
根据本公开的另一方面，提供了一种人脸识别装置，包括：
图像类别分类模块，用于对待处理图像进行图像类别分类处理，得到包括人脸图像区域的待识别人脸图像；
人脸识别模块，用于识别所述待识别人脸图像，得到人脸识别结果。
在一种可能的实现方式中，所述人脸识别装置通过人脸识别网络执行，包括：图像类别分类模块，还可用于将所述待处理图像输入至所述人脸识别网络，基于所述人脸识别网络对待处理图像进行图像类别分类处理，得到包括人脸图像区域的待识别人脸图像。
根据本公开的另一方面，提供了一种电子设备，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为：执行上述方法。
根据本公开的另一方面，提供了一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现上述方法。
根据本公开实施例的人脸识别方法，本发明提供的能够对待处理图像进行图像类别分类处理，得到包括人脸图像区域的待识别人脸图像，并识别所述待识别人脸图像，得到人脸识别结果，不仅提高人脸识别模型的召回率，而且提高人脸识别结果的准确率。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1示出根据本公开实施例的人脸识别方法的流程图。
图2示出根据本公开实施例的人脸识别子网络的结构示意图
图3示出根据本公开实施例的人脸识别装置的框图。
图4示出根据本公开实施例的一种电子设备的框图。
图5示出根据本公开实施例的一种电子设备的框图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括A、B、C中的至少一种，可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
另外，为了更好地说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。
图1示出根据本公开实施例的人脸识别方法的流程图。该人脸识别方法可以由终端设备或其它处理设备(例如服务器)执行，其中，终端设备可以为用户设备(UserEquipment，UE)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字处理(PersonalDigital Assistant，PDA)、手持设备、计算设备、车载设备、可穿戴设备等。在一些可能的实现方式中，该锚点确定方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。
如图1所示，所述方法包括：
步骤S11，对待处理图像进行图像类别分类处理，得到包括人脸图像区域的待识别人脸图像。
在一种可能的实现方式中，所述待处理图像可以是由用户上传至服务器，且用于标识账户信息的图像，也可以是图像采集设备(例如摄像头)采集的某一区域(例如商场入口、道路路口等)的场景图像，还可以是直接输入的已保存的图像或者视频帧。待处理图像中可包括待检测的一个或多个对象或物体，例如人、动物、车辆等。
本实现方式中，待处理图像中至少包括两类图像，其中一类待处理图像中包括人脸，另一类不包括人脸，本实现方式可以将包括人脸图像的待处理图像定义为待识别人脸图像。
在一种可能的实现方式中，步骤S11，对待处理图像进行图像类别分类处理，得到包括人脸图像区域的待识别人脸图像，之前还包括，对待处理图像进行例如对比度变换、对称变换预处理操作。
步骤S12，识别所述待识别人脸图像，得到人脸识别结果。
本实现方式可以识别待识别人脸图像中人脸区域中该身份相关特征人脸的肤色、鼻梁、眉骨、颧骨、下巴、嘴唇、眼睛、耳廓和脸型等面部特征，进而确定人脸识别结果。
其中，人脸识别结果可以是待处理图像中人脸图像的预测概率，当待处理图像中的人脸为“小明”时，其对应的人脸识别结果可以包括：将人脸预测为“小白”的概率为80％，预测为“小华”的概率为70％，预测为“小张”的概率为90％。
在一种可能的实现方式中，所述人脸检测方法通过人脸识别网络执行，所述对待处理图像进行图像类别分类处理，得到包括人脸图像区域的待识别人脸图像，识别所述待识别人脸图像，得到人脸识别结果，包括：将所述待处理图像输入至所述人脸识别网络；基于所述人脸识别网络对待处理图像进行图像类别分类处理，得到包括人脸图像区域的待识别人脸图像；基于所述人脸识别网络，识别所述待识别人脸图像，得到人脸识别结果。
在一种可能的实现方式中，所述人脸识别网络包括图像分类子网络，其中，所述将所述待处理图像输入至所述人脸识别网络，基于所述人脸识别网络对待处理图像进行图像类别分类处理，得到包括人脸图像区域的待识别人脸图像，包括：将所述待处理图像输入至所述图像分类子网络；基于所述人脸识别网络对待处理图像进行图像类别分类处理，得到包括人脸图像区域的待识别人脸图像。
在一种可能的实现方式中，图像分类子网络包括Inception-V3网络的卷积模块、全连接层和softmax层。
其中，图像分类子网络可以通过Inception-V3网络的卷积模块、全连接层和softmax层串联而成。其中，用于训练所述图像分类子网络的损失函数可以是基于softmax的交叉熵损失。
在一种可能的实现方式中，所述人脸识别网络包括人脸识别子网络，其中，所述基于所述人脸识别子网络，识别所述待识别人脸图像，得到人脸识别结果，包括：将所述待识别人脸图像输入至所述人脸识别子网络；基于所述人脸识别子网络识别所述待识别人脸图像，得到人脸识别结果。
图2示出根据本公开实施例的人脸识别子网络的结构示意图，在一种可能的实现方式中，如图2所示，人脸识别子网络包括VGG-16的卷积模块和多尺度特征检测模块；其中，所述多尺度特征检测模块用于检测待识别图像中尺寸不同的人脸图像区域。
本实现方式中，VGG-16卷积模块包括VGG网络的前面三组卷积(conv1_1到conv4_3，共十个卷积层)。
多尺度特征检测模块是可以是与conv4_3或conv5_3连接的三个分支，具体说来，第一个检测模块与conv5_3串行连接。图像识别的过程中，首先使通过最大池化层提高特征图上单个神经元的感受野，然后发送至检测模块。第二个检测模块直接接在conv5_3串行来连接。第三个检测模块的输入分为两个部分，第一部分是将conv5_3的特征向量使用1*1的卷积层降维，并使用双向性插值扩大后的特征向量，第二部分是conv4_3的特征向量，将上述两个特征向量进行逐元素相加后，通过一个卷积层进一步融合特征。在一种可能的实现方式中，第一个检测模块、第二个检测模块和第三个检测模块的结构可以是相同的。
在另外的实现方式中，每个检测模块包括两个分支，其中一个分支是卷积分支，另一个分支是上下文分支。其中，上下文分支具体来讲由两个分支构成，一个由一层卷积组成，另一个由两层卷积构成以引入上下文信息。
本实现方式中，将待识别人脸图像输入至人脸识别子网络后，可以得到分类得分和窗口回归两个输出向量，将所有结果进行非极大值抑制处理产生最终的人脸检测结果。
在一种可能的实现方式中，人脸识别方法包括图像采集、训练人脸识别网络的过程，具体包括将训练集分为第一训练集和第二训练集，并分别训练图像分类子网络和人脸识别子网络。
其中，图像采集的过程具体包括：收集含有人体以及不含人体的图像，并对其做相应的标注，对采集到的图像做对比度、对称等变换以后，进行随机划分分别作为第一样本集的训练集和测试集；收集含有人脸的图像，并对图像中人脸的位置进行标注，对原始图像做对比度、对称都变换以后，进行随机划分分别作为第二样本集的训练集和测试集。
本实现方式中，通过所述人脸识别方法，不仅提高了人脸识别方法的准确性，而且利用多尺度的检测模块提高了对于不同大小人脸的鲁棒性能，有效提高了线上人脸识别方法的性能。
图3示出根据本公开实施例的人脸识别装置的框图，如图3所示，所述人脸识别装置包括图像类别分类模块210和人脸识别模块220。
其中，图像类别分类模块210，用于对待处理图像进行图像类别分类处理，得到包括人脸图像区域的待识别人脸图像；
人脸识别模块220，用于识别所述待识别人脸图像，得到人脸识别结果。
本发明提供的能够对待处理图像进行图像类别分类处理，得到包括人脸图像区域的待识别人脸图像，并识别所述待识别人脸图像，得到人脸识别结果，不仅提高人脸识别模型的召回率，而且提高人脸识别结果的准确率。
在一种可能的实现方式中，所述人脸识别装置通过人脸识别网络执行，包括：图像类别分类模块，还可用于将所述待处理图像输入至所述人脸识别网络，基于所述人脸识别网络对待处理图像进行图像类别分类处理，得到包括人脸图像区域的待识别人脸图像。
图4是根据一示例性实施例示出的一种电子设备800的框图。例如，电子设备800可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等终端。
参照图4，电子设备800可以包括以下一个或多个组件：处理组件802，存储器804，电源组件806，多媒体组件808，音频组件810，输入/输出(I/O)的接口812，传感器组件814，以及通信组件816。
处理组件802通常控制电子设备800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。
电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理系统，一个或多个电源，及其他与为电子设备800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(MIC)，当电子设备800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。
I/O接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器，用于为电子设备800提供各个方面的状态评估。例如，传感器组件814可以检测到电子设备800的打开/关闭状态，组件的相对定位，例如所述组件为电子设备800的显示器和小键盘，传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变，用户与电子设备800接触的存在或不存在，电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。
通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件816还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。
在示例性实施例中，电子设备800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器804，上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。
图5是根据一示例性实施例示出的一种电子设备1900的框图。例如，电子设备1900可以被提供为一服务器。参照图5，电子设备1900包括处理组件1922，其进一步包括一个或多个处理器，以及由存储器1932所代表的存储器资源，用于存储可由处理组件1922的执行的指令，例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件1922被配置为执行指令，以执行上述方法。
电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理，一个有线或无线网络接口1950被配置为将电子设备1900连接到网络，和一个输入输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统，例如Windows ServerTM，Mac OS XTM，UnixTM,LinuxTM，FreeBSDTM或类似。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器1932，上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。
本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

Claims (10)

1.一种人脸识别方法，其特征在于，包括：
对待处理图像进行图像类别分类处理，得到包括人脸图像区域的待识别人脸图像；
识别所述待识别人脸图像，得到人脸识别结果。
2.根据权利要求1所述的方法，其特征在于，所述人脸识别方法通过人脸识别网络执行，所述对待处理图像进行图像类别分类处理，得到包括人脸图像区域的待识别人脸图像，识别所述待识别人脸图像，得到人脸识别结果，包括：
将所述待处理图像输入至所述人脸识别网络；
基于所述人脸识别网络对待处理图像进行图像类别分类处理，得到包括人脸图像区域的待识别人脸图像；
基于所述人脸识别网络，识别所述待识别人脸图像，得到人脸识别结果。
3.根据权利要求2所述的方法，其特征在于，所述人脸识别网络包括图像分类子网络，
其中，所述将所述待处理图像输入至所述人脸识别网络，基于所述人脸识别网络对待处理图像进行图像类别分类处理，得到包括人脸图像区域的待识别人脸图像，包括：
将所述待处理图像输入至所述图像分类子网络；
基于所述人脸识别网络对待处理图像进行图像类别分类处理，得到包括人脸图像区域的待识别人脸图像。
4.根据权利要求3所述的方法，其特征在于，所述人脸识别网络包括人脸识别子网络，
其中，所述基于所述人脸识别子网络，识别所述待识别人脸图像，得到人脸识别结果，包括：
将所述待识别人脸图像输入至所述人脸识别子网络；
基于所述人脸识别子网络识别所述待识别人脸图像，得到人脸识别结果。
5.根据权利要求3所述的方法，其特征在于，图像分类子网络包括Inception-V3网络的卷积模块、全连接层和softmax层。
6.根据权利要求4所述的方法，其特征在于，人脸识别子网络包括VGG-16的卷积模块和多尺度特征检测模块；
其中，所述多尺度特征检测模块用于检测待识别图像中尺寸不同的人脸图像区域。
7.一种人脸识别装置，其特征在于，包括：
图像类别分类模块，用于对待处理图像进行图像类别分类处理，得到包括人脸图像区域的待识别人脸图像；
人脸识别模块，用于识别所述待识别人脸图像，得到人脸识别结果。
8.根据权利要求7所述的装置，其特征在于，所述人脸识别装置通过人脸识别网络执行，包括：
图像类别分类模块，还可用于将所述待处理图像输入至所述人脸识别网络，基于所述人脸识别网络对待处理图像进行图像类别分类处理，得到包括人脸图像区域的待识别人脸图像。
9.一种电子设备，其特征在于，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为：执行权利要求1至6中任意一项所述的方法。
10.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求1至6中任意一项所述的方法。
CN201910570017.3A 2019-06-27 2019-06-27 一种人脸识别方法及装置、电子设备和存储介质 Pending CN110321829A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910570017.3A CN110321829A (zh) 2019-06-27 2019-06-27 一种人脸识别方法及装置、电子设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910570017.3A CN110321829A (zh) 2019-06-27 2019-06-27 一种人脸识别方法及装置、电子设备和存储介质

Publications (1)

Publication Number Publication Date
CN110321829A true CN110321829A (zh) 2019-10-11

Family

ID=68120416

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910570017.3A Pending CN110321829A (zh) 2019-06-27 2019-06-27 一种人脸识别方法及装置、电子设备和存储介质

Country Status (1)

Country Link
CN (1) CN110321829A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112016444A (zh) * 2020-08-26 2020-12-01 北京掌中飞天科技股份有限公司 基于Web前端处理人脸识别技术的方法及装置
CN113505674A (zh) * 2021-06-30 2021-10-15 上海商汤临港智能科技有限公司 人脸图像处理方法及装置、电子设备和存储介质
CN113807253A (zh) * 2021-09-17 2021-12-17 上海商汤智能科技有限公司 人脸识别方法及装置、电子设备和存储介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103164710A (zh) * 2013-02-19 2013-06-19 华南农业大学 一种基于压缩感知的选择集成人脸识别方法
CN109035666A (zh) * 2018-08-29 2018-12-18 深圳市中电数通智慧安全科技股份有限公司 一种火烟检测方法、装置及终端设备

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103164710A (zh) * 2013-02-19 2013-06-19 华南农业大学 一种基于压缩感知的选择集成人脸识别方法
CN109035666A (zh) * 2018-08-29 2018-12-18 深圳市中电数通智慧安全科技股份有限公司 一种火烟检测方法、装置及终端设备

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
WEI LIU ET AL.: "SSD:Single Shot MultiBox Detector", 《ARXIV:1512.02325V5 [CS.CV] 29 DEC 2016》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112016444A (zh) * 2020-08-26 2020-12-01 北京掌中飞天科技股份有限公司 基于Web前端处理人脸识别技术的方法及装置
CN113505674A (zh) * 2021-06-30 2021-10-15 上海商汤临港智能科技有限公司 人脸图像处理方法及装置、电子设备和存储介质
CN113505674B (zh) * 2021-06-30 2023-04-18 上海商汤临港智能科技有限公司 人脸图像处理方法及装置、电子设备和存储介质
CN113807253A (zh) * 2021-09-17 2021-12-17 上海商汤智能科技有限公司 人脸识别方法及装置、电子设备和存储介质

Similar Documents

Publication Publication Date Title
JP6926339B2 (ja) 画像のクラスタリング方法及び装置、電子機器並びに記憶媒体
US20210248718A1 (en) Image processing method and apparatus, electronic device and storage medium
JP2021528742A (ja) 画像処理方法及び装置、電子機器、並びに記憶媒体
CN109614613A (zh) 图像的描述语句定位方法及装置、电子设备和存储介质
CN110348537A (zh) 图像处理方法及装置、电子设备和存储介质
CN110287874A (zh) 目标追踪方法及装置、电子设备和存储介质
CN109389162B (zh) 样本图像筛选方法和装置、电子设备及存储介质
CN109711546A (zh) 神经网络训练方法及装置、电子设备和存储介质
CN109522910A (zh) 关键点检测方法及装置、电子设备和存储介质
CN110503023A (zh) 活体检测方法及装置、电子设备和存储介质
CN109040664A (zh) 视频流处理方法及装置、电子设备和存储介质
CN109801270A (zh) 锚点确定方法及装置、电子设备和存储介质
CN110298310A (zh) 图像处理方法及装置、电子设备和存储介质
CN110458102A (zh) 一种人脸图像识别方法及装置、电子设备和存储介质
JP2022522551A (ja) 画像処理方法及び装置、電子機器並びに記憶媒体
CN109978891A (zh) 图像处理方法及装置、电子设备和存储介质
CN110706339B (zh) 三维人脸重建方法及装置、电子设备和存储介质
CN109977868A (zh) 图像渲染方法及装置、电子设备和存储介质
CN111210844B (zh) 语音情感识别模型的确定方法、装置、设备及存储介质
CN110321829A (zh) 一种人脸识别方法及装置、电子设备和存储介质
CN109934275A (zh) 图像处理方法及装置、电子设备和存储介质
CN109543537A (zh) 重识别模型增量训练方法及装置、电子设备和存储介质
CN110532956A (zh) 图像处理方法及装置、电子设备和存储介质
CN109145970A (zh) 基于图像的问答处理方法和装置、电子设备及存储介质
CN109977860A (zh) 图像处理方法及装置、电子设备和存储介质

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20191011