CN110543815A - 人脸识别模型的训练方法、人脸识别方法、装置、设备及存储介质 - Google Patents

人脸识别模型的训练方法、人脸识别方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN110543815A
CN110543815A CN201910663230.9A CN201910663230A CN110543815A CN 110543815 A CN110543815 A CN 110543815A CN 201910663230 A CN201910663230 A CN 201910663230A CN 110543815 A CN110543815 A CN 110543815A
Authority
CN
China
Prior art keywords
face recognition
network
training
neural network
feature extraction
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
CN201910663230.9A
Other languages
English (en)
Other versions
CN110543815B (zh
Inventor
姚旭峰
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.)
Ping An Technology Shenzhen Co Ltd
Original Assignee
Ping An Technology Shenzhen 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 Ping An Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Priority to CN201910663230.9A priority Critical patent/CN110543815B/zh
Priority to PCT/CN2019/118461 priority patent/WO2021012526A1/zh
Publication of CN110543815A publication Critical patent/CN110543815A/zh
Application granted granted Critical
Publication of CN110543815B publication Critical patent/CN110543815B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/30—Noise filtering
    • 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)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Human Computer Interaction (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本申请涉及生物识别领域，基于深度学习训练人脸识别模型。具体公开了一种人脸识别模型的训练方法、人脸识别方法、装置、设备及存储介质，该方法包括：对预设的卷积神经网络进行训练，以构建特征提取网络；将特征提取网络与预设的分类网络建立连接，以得到第一卷积神经网络模型；冻结第一卷积神经网络模型的特征提取网络的权重参数；对第一卷积神经网络模型中的分类网络进行迭代训练，以得到第二卷积神经网络模型；解冻第二卷积神经网络模型的特征提取网络的权重参数；对解冻后的第二卷积神经网络模型进行训练，以得到人脸识别模型。该方法可以提高人脸识别速度，提高模型的稳定性。

Description

人脸识别模型的训练方法、人脸识别方法、装置、设备及存储 介质
技术领域
本申请涉及生物识别领域，尤其涉及一种人脸识别模型的训练方法、人脸识别方法、装置、设备及存储介质。
背景技术
近年来，以人脸为代表的生物特征检测识别广泛应用于身份辨认、智慧教育等诸多领域。人脸识别技术，是指通过人脸识别模型识别出一张图片或一段视频中人脸的位置。现有的人脸识别模型主要采用迁移学习的方法进行训练，以加快训练速度。在迁移过程中，往往在网络的表示层后加上分类层。由于表示层与分类层的参数分布不一致，因而存在容易出现梯度爆炸，致使模型稳定性较差的问题。
发明内容
本申请提供了一种人脸识别模型的训练方法、人脸识别方法、装置、设备及存储介质，该方法能够提高人脸识别速度，避免特征提取网络与分类网络之间的参数分布不一致导致梯度爆炸的问题，提高模型的稳定性。
第一方面，本申请提供了一种人脸识别模型的训练方法，所述方法包括：
根据第一样本图像信息，对预设的卷积神经网络进行训练，以构建特征提取网络；
将所述特征提取网络与预设的分类网络建立连接，以得到第一卷积神经网络模型；
冻结所述第一卷积神经网络模型的特征提取网络的权重参数；
根据第二样本图像信息，对所述第一卷积神经网络模型中的分类网络进行迭代训练，以得到第二卷积神经网络模型；
解冻所述第二卷积神经网络模型的特征提取网络的权重参数；
根据第三样本图像信息，对解冻后的第二卷积神经网络模型进行训练，以得到所述人脸识别模型。
第二方面，本申请还提供一种人脸识别方法，所述方法包括：
获取待识别图像；
将所述待识别图像输入预设的人脸识别模型，以得到人脸识别结果；
若所述人脸识别结果指示成功识别所述待识别图像，显示用于提示用户成功识别所述待识别图像的第一提示信息。
第三方面，本申请还提供一种人脸识别模型的训练装置，所述训练装置包括：
特征训练单元，用于根据第一样本图像，对预设的卷积神经网络进行训练，以构建特征提取网络；
网络连接单元，用于将所述特征提取网络与预设的分类网络建立连接，以得到第一卷积神经网络模型；
参数冻结单元，用于冻结所述第一卷积神经网络模型的特征提取网络的权重参数；
分类训练单元，用于根据第二样本图像，对所述第一卷积神经网络模型中的分类网络进行迭代训练，以对所述第一卷积神经网络模型中的分类网络的权重参数进行调整，从而得到第二卷积神经网络模型；
网络解冻单元，用于解冻所述第二卷积神经网络模型的特征提取网络的权重参数；
模型训练单元，用于根据第三样本图像，对解冻后的第二卷积神经网络模型进行训练，以得到所述人脸识别模型。
第四方面，本申请还提供一种人脸识别装置，所述装置包括：
图像识别单元，用于获取待识别图像；
图像输入单元，用于将所述待识别图像输入预设的人脸识别模型，以得到人脸识别结果；
第一信息显示单元，用于若所述人脸识别结果指示成功识别所述待识别图像，显示用于提示用户成功识别所述待识别图像的第一提示信息。
第五方面，本申请还提供了一种计算机设备，所述计算机设备包括存储器和处理器；所述存储器用于存储计算机程序；所述处理器，用于执行所述计算机程序并在执行所述计算机程序时实现如上述的人脸识别模型的训练方法。
第六方面，本申请还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时使所述处理器实现如上述的人脸识别模型的训练方法。
本申请公开了一种人脸识别模型的训练方法、装置、设备及存储介质，通过根据第一样本图像信息，对预设的卷积神经网络进行训练，以构建特征提取网络；将所述特征提取网络与预设的分类网络建立连接，以得到第一卷积神经网络模型；冻结所述第一卷积神经网络模型的特征提取网络的权重参数；根据第二样本图像信息，对所述第一卷积神经网络模型中的分类网络进行迭代训练，以得到第二卷积神经网络模型；解冻所述第二卷积神经网络模型的特征提取网络的权重参数；根据第三样本图像信息，对解冻后的第二卷积神经网络模型进行训练，以得到所述人脸识别模型。从而不仅大大提高了人脸识别速度，减少了训练时间，所得到的人脸识别模型识别准确率高，而且避免了特征提取网络与分类网络之间的参数分布不一致导致梯度爆炸的问题，提高了模型的稳定性。
附图说明
为了更清楚地说明本申请实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本申请一实施例提供的人脸识别模型的训练方法的示意流程图；
图2是本申请另一实施例提供的人脸识别模型的训练方法的示意流程图；
图3是图2中一实施例提供的人脸识别模型的训练方法的子步骤示意流程图；
图4是图2中另一实施例提供的人脸识别模型的训练方法的子步骤的步骤示意流程图；
图5是图2中人脸识别模型的训练方法的子步骤的步骤示意流程图；
图6是本申请再一实施例提供的人脸识别模型的训练方法的示意流程图；
图7是本申请一实施例提供的人脸识别方法的示意性流程图；
图8是本申请一实施例提供的一种人脸识别方法的应用场景示意图；
图9是本申请另一实施例提供的一种人脸识别方法的应用场景示意图；
图10是本申请的实施例提供的一种人脸识别模型的训练装置的示意性框图；
图11是本申请另一实施例提供的人脸识别模型的训练装置的示意性框图；
图12是本申请实施例提供的人脸识别模型的训练装置的子单元的示意性框图；
图13是本申请实施例提供的一种人脸识别装置的示意性框图；
图14为本申请一实施例提供的一种计算机设备的结构示意性框图。
具体实施方式
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。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
附图中所示的流程图仅是示例说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解、组合或部分合并，因此实际执行的顺序有可能根据实际情况改变。
本申请的实施例提供了一种人脸识别模型的训练方法、人脸识别方法、装置、设备及存储介质。人脸识别模型的训练方法可用于训练人脸识别模型，能够提高人脸识别的速度，避免人脸识别模型由于参数分布不一致导致梯度爆炸的问题，从而提高人脸识别模型的稳定性。
下面结合附图，对本申请的一些实施方式作详细说明。在不冲突的情况下，下述的实施例及实施例中的特征可以相互组合。
请参阅图1，图1是本申请一实施例提供的一种人脸识别模型的训练方法的步骤示意流程图。该人脸识别模型的训练方法，用于训练人脸识别模型，避免人脸识别模型由于参数分布不一致导致梯度爆炸的问题，从而提高模型的稳定性。
如图1所示，该人脸识别模型的训练方法，具体包括：步骤S110至步骤S160。
S110、根据第一样本图像，对预设的卷积神经网络进行训练，以构建特征提取网络。
具体的，第一样本图像是预先采集的图像。预先采集的图像可以是直接采集的图像，也可以是从视频中获取的图像。对第一样本图像中的人脸的位置进行了标注，作为第一真实标签。
其中，特征提取网络用于从输入特征提取网络的图像提取图像特征。该特征提取网络可以包括若干数目的卷积层。当然，也可以包括池化层，也可以不包括池化层。在图像输入特征提取网络后，特征提取网络中的每一个卷积层逐层对输入的图像进行卷积处理，特征提取网络中最后一个卷积层输出该输入图像的图像特征。
示例性的，特征提取网络包括五层卷积层，第一卷积层conv1包括96个11×11的卷积核，第二卷积层conv2包括256个5×5的卷积核，第三卷积层conv3和第四卷积层conv4均包括384个3×3的卷积核，第五卷积层conv5包括256个3×3的卷积核，其中，第一卷积层、第二卷积层和第五卷积层后连接2×2池化层，每一层后均连接有一个修正线性单元。
示例性的，可以采用YOLO9000等预先训练好的模型作为预设的卷积神经网络。
如图2所示，在一个实施例中，所述根据第一样本图像信息，对预设的卷积神经网络进行训练，以构建特征提取网络之前，还包括：
S101、获取样本视频，确定所述样本视频中的样本图像集，所述样本图像集包括第一样本图像信息、第二样本图像信息和第三样本图像信息。
具体地，可以通过摄像头对目标任务进行样本视频采集。摄像头采集样本视频后，终端或服务器可以获取该样本视频，确定所述样本视频中的样本图像集。
示例性的，可以将样本图像集分为至少三个子集，分别为第一图像子集、第二图像子集和第三图像子集。所述第一图像子集为第一样本图像信息的集合。所述第二图像子集为第二样本图像信息的集合。所述第三图像子集为第三样本图像信息的集合。
如图3所示，在一实施例中，所述确定所述样本视频中的样本图像集，包括：
S1011a、对所述样本视频进行分帧处理，以得到若干单帧图像。
具体地，所述样本视频是由一张张连续的图片组成的，每幅图片为一帧。
S1011b、若所述单帧图像中存在人脸图像，对所述单帧图像进行小波阀值去噪处理。
具体的，对具有人脸图像的单帧图像进行去噪处理，有效去除噪声，减少成像设备与外部环境所产生的噪声的影响，从而提高样本图像集的质量。
在一实施例中，步骤S1011b之前还包括：判断各所述单帧图像中是否存在人脸图像。具体的，所述判断各所述单帧图像中是否存在人脸图像，具体包括：检测各所述单帧图像中是否存在人脸关键部位的位置；若各所述单帧图像中存在预设人脸关键部位，判定各所述单帧图像中存在人脸图像；若各所述单帧图像中不存在预设人脸关键部位，判定各所述单帧图像中不存在人脸图像。
S1011c、若所述单帧图像中不存在人脸图像，去除所述单帧图像。
具体的，去除不具有人脸图像的单帧图像，保证样本图像集中的样本图像均具有人脸图像，从而提高样本图像集的有效性。
在另一实施例中，第一样本图像信息可以为摄像头等图像采集装置直接采集到的原始图像。如图4所示，在该实施例中，所述根据第一样本图像信息，对预设的卷积神经网络进行训练，以构建特征提取网络，具体包括：
S1012a、获取第一原始图像信息、第二原始图像信息和第三原始图像信息。
具体的，第一原始图像信息、第二原始图像信息和第三原始图像信息是预先直接采集的图像，也可以是预先从视频中获取的图像。
S1012b、若所述第一原始图像信息中存在人脸图像，对所述第一原始图像信息进行小波阀值去噪处理，以得到第一样本图像信息。
具体的，对具有人脸图像的第一原始图像信息进行去噪处理，有效去除噪声，减少成像设备与外部环境所产生的噪声的影响，从而提高第一样本图像信息的质量。
在一实施例中，步骤S1012b之前还包括：判断所述第一原始图像信息中是否存在人脸图像。具体的，所述判断所述第一原始图像信息中是否存在人脸图像，具体包括：检测第一原始图像信息中是否存在人脸关键部位的位置；若各所述第一原始图像信息中存在预设人脸关键部位，判定第一原始图像信息中存在人脸图像；若第一原始图像信息中不存在预设人脸关键部位，判定第一原始图像信息中不存在人脸图像。若所述第一原始图像信息中不存在人脸图像，去除所述第一原始图像信息，保证所述第一样本图像信息均具有人脸图像，从而提高第一样本图像信息的有效性。
S1012c、若所述第二原始图像信息中存在人脸图像，对所述第二原始图像信息进行小波阀值去噪处理，以得到第二样本图像信息。
具体的，对具有人脸图像的第二原始图像信息进行去噪处理，有效去除噪声，减少成像设备与外部环境所产生的噪声的影响，从而提高第二样本图像信息的质量。
在一实施例中，步骤S1012c之前还包括：判断所述第二原始图像信息中是否存在人脸图像。具体的，所述判断所述第二原始图像信息中是否存在人脸图像，具体包括：检测第二原始图像信息中是否存在人脸关键部位的位置；若各所述第二原始图像信息中存在预设人脸关键部位，判定第二原始图像信息中存在人脸图像；若第二原始图像信息中不存在预设人脸关键部位，判定第二原始图像信息中不存在人脸图像。若所述第二原始图像信息中不存在人脸图像，去除所述第二原始图像信息，保证所述第二样本图像信息均具有人脸图像，从而提高第二样本图像信息的有效性。
S1012d、若所述第三原始图像信息中存在人脸图像，对所述第三原始图像信息进行小波阀值去噪处理，以得到第三样本图像信息。
具体的，对具有人脸图像的第三原始图像信息进行去噪处理，有效去除噪声，减少成像设备与外部环境所产生的噪声的影响，从而提高第三样本图像信息的质量。
在一实施例中，步骤S1012d之前还包括：判断所述第三原始图像信息中是否存在人脸图像。具体的，所述判断所述第三原始图像信息中是否存在人脸图像，具体包括：检测第三原始图像信息中是否存在人脸关键部位的位置；若各所述第三原始图像信息中存在预设人脸关键部位，判定第三原始图像信息中存在人脸图像；若第三原始图像信息中不存在预设人脸关键部位，判定第三原始图像信息中不存在人脸图像。若所述第三原始图像信息中不存在人脸图像，去除所述第三原始图像信息，保证所述第三样本图像信息均具有人脸图像，从而提高第三样本图像信息的有效性。
S120、将所述特征提取网络与预设的分类网络建立连接，以得到第一卷积神经网络模型。
具体的，在所述特征提取网络之后添加预设的分类网络，将所述特征提取网络的输出作为所述分类网络的输入，从而使得所述特征提取网络与所述分类网络建立连接，进而得到第一卷积神经网络模型。
示例性的，所述分类网络包括依次连接的卷积层、全连接层和分类器。如图5所示，步骤S120所述将所述特征提取网络与预设的分类网络建立连接，具体包括子步骤S121、子步骤S122和子步骤S123。
子步骤S121、将所述特征提取网络的输出输入至所述卷积层。
具体的，特征提取网络在对输入图像进行处理后，可以将所述特征提取网络的输出输入到分类网络的卷积层。
子步骤S122、将所述卷积层的输出输入至所述全连接层，以对所述卷积层的输出进行降维。
具体的，所述分类网络的卷积层的输出输入至所述分类网络的全连接层，从而对该卷积层的输出进行降维。
其中，所述将所述卷积层的输出输入至所述全连接层，以对所述卷积层的输出进行降维，包括：
基于权重计算公式，对所述卷积层的输出的每个特征值进行全连接层的运算，以对所述卷积层的输出进行降维；所述权重计算公式为：
其中，损失函数为均方差MSE函数，W表示卷积层的权重，Wi表示卷积层第i个权重，h表示卷积层的偏置，hi表示卷积层第i个偏置，X表示整个样本图像集，X(i)表示第i个样本图像对应的第一真实标签；表示第i个样本图像输入分类网络后输出层的输出，η表示反向传播算法的学习效率。
本实施例中，基于上述权重计算公式，通过反向传播算法，对所述卷积层的输出的每个特征值进行全连接层的运算，从而对所述卷积层的输出进行降维。
S123、采用所述分类器对所述全连接层的输出进行分类，以建立所述特征提取网络与所述分类网络的连接。
如图6所示，所述将所述特征提取网络与预设的分类网络建立连接，以得到第一卷积神经网络模型之前，还包括：
S102、确定所述特征提取网络的权重参数。
具体的，特征提取网络的权重参数由特征提取网络的各层的权重参数构成，即特征提取网络的每一层都具有权重参数，各层的权重参数的集合形成该特征提取网络的权重参数。
如图6所示，所述将所述特征提取网络与预设的分类网络建立连接，以得到第一卷积神经网络模型之前，还包括：
S103、判断所述特征提取网络的输出与第一真实标签之间的误差值是否小于第一预设阀值。
具体的，对第一样本图像中的目标样本人脸的位置进行标注，作为第一真实标签。第一预设阀值可以根据实际需求进行设置，例如设置为0.01。
其中，若所述特征提取网络的输出与所述第一真实标签之间的误差值小于所述第一预设阀值，执行步骤S120，即将所述特征提取网络与预设的分类网络建立连接。
若所述特征提取网络的输出与所述第一真实标签之间的误差值大于等于所述第一预设阀值，返回执行步骤S110，继续对预设的卷积神经网络进行训练，直至所述特征提取网络的输出与所述第一真实标签之间的误差值小于所述第一预设阀值。
S130、冻结所述第一卷积神经网络模型的特征提取网络的权重参数。
具体的，将所述第一卷积神经网络模型的特征提取网络的权重参数冻结后，将包括目标人脸的图像信息输入该冻结后的第一卷积神经网络模型进行训练时，该第一卷积神经网络模型的特征提取网络的权重参数不会随之改变。
S140、根据第二样本图像，对所述第一卷积神经网络模型中的分类网络进行迭代训练，以得到第二卷积神经网络模型。
具体的，第二样本图像是预先采集的包括目标样本人脸的图像。预先采集的图像可以是直接采集的图像，也可以是从视频中获取的图像。
S150、解冻所述第二卷积神经网络模型的特征提取网络的权重参数。
如图6所示，在本实施例中，步骤S150，所述解冻所述第二卷积神经网络模型的特征提取网络的权重参数之前，还包括：
S104、判断所述第二卷积神经网络模型的分类网络的输出与第二真实标签之间的误差值是否小于第二预设阀值。
具体的，对第二样本图像中的目标样本人脸区域进行标注，作为第二真实标签。第二预设阀值可以根据实际需求进行设置，例如设置为0.005。
其中，若所述第二卷积神经网络模型的分类网络的输出与第二真实标签之间的误差值小于所述第二预设阀值，执行步骤S150，即解冻所述第二卷积神经网络模型的特征提取网络的权重参数。
若所述第二卷积神经网络模型的分类网络的输出与第二真实标签之间的误差值大于等于所述第二预设阀值，则返回执行步骤S140，继续对对所述第一卷积神经网络模型中的分类网络进行迭代训练，直至所述第二卷积神经网络模型的分类网络的输出与第二真实标签之间的误差值小于所述第二预设阀值。
S160、根据第三样本图像，对解冻后的第二卷积神经网络模型进行训练，以得到所述人脸识别模型。
具体的，第三样本图像是预先采集的包括目标样本人脸的图像。预先采集的图像可以是直接采集的图像，也可以是从视频中获取的图像。。
其中，对第二卷积神经网络进行解冻后，根据所述第三样本图像对解冻后的第二卷积神经网络的特征提取网络和分类网络进行联合训练，从而对第二卷积神经网络的特征提取网络的权重参数和分类网络的权重参数进行联合调整，直至收敛，得到人脸识别模型。更为具体的，根据第二卷积神经网络模型的的输出与已标注的第三真实标签之差，不断微调特征提取训练网络的权重参数并修正分类网络的权重参数，直至第二卷积神经网络模型的的输出与已标注的第三真实标签之差小于第三预设阀值，确定特征提取训练网络的权重参数和分类网络的权重参数，从而确定人脸识别模型的全部参数，得到人脸识别模型。具体的，对第三样本图像中的人脸区域进行标注，以得到第三真实标签。
上述人脸识别模型的训练方法，通过根据第一样本图像信息，对预设的卷积神经网络进行训练，以构建特征提取网络；将所述特征提取网络与预设的分类网络建立连接，以得到第一卷积神经网络模型；冻结所述第一卷积神经网络模型的特征提取网络的权重参数；根据第二样本图像信息，对所述第一卷积神经网络模型中的分类网络进行迭代训练，以得到第二卷积神经网络模型；解冻所述第二卷积神经网络模型的特征提取网络的权重参数；根据第三样本图像信息，对解冻后的第二卷积神经网络模型进行训练，以得到所述人脸识别模型。从而不仅大大提高了人脸识别速度，减少了训练时间，所得到的人脸识别模型识别准确率高，而且避免了特征提取网络与分类网络之间的参数分布不一致导致梯度爆炸的问题，因而使得该人脸识别模型在训练时权重参数更新更为平滑，从而使该人脸识别模型更为鲁棒，同时在反向传播更新参数过程中容易达到最优值，提高了模型的稳定性。
请参阅图8，图8是本申请一实施例提供的一种人脸识别方法的步骤示意流程图。请参阅图9，图9是本申请一实施例提供的一种人脸识别方法的应用场景示意图。其中，该人脸识别方法可以应用于包括终端设备310、320，网络330和服务器340的系统中。
网络340用以在终端设备310、320和服务器340之间提供通信链路的介质。网络330可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备310、320通过网络330与服务器340交互，以接收或发送请求指令等。终端设备310、320上可以安装有各种通讯客户端应用，例如图片处理应用、网页浏览器应用、搜索类应用、即时通信工具等。
终端设备310、320可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器340可以是提供各种服务的服务器，例如对用户利用终端设备310、320所浏览的教学网站提供支持的后台管理服务器。后台管理服务器可以对接收到的产品信息查询请求等数据进行分析等处理，并将处理结果反馈给终端设备310、320。
如图8所示，该人脸识别方法，具体包括：步骤210至步骤230。
S210、获取待识别图像。
具体的，所述待识别图像为包括待识别人脸目标，其可以为可见光图像，比如RGB(Red Green Blue，红绿蓝)模式的图像。当然上述待识别图像也可以为近红外(NearInfrared，NIR)图像。
本实施例的执行主体可以安装有用于采集可见光图像的摄像头和用于采集近红外图像的摄像头。用户可以选择需开启的摄像头，进而利用所选择的摄像头进行拍摄(利用进行用户头部或者脸部的自拍)，得到待识别图像。
S220、将所述待识别图像输入预设的人脸识别模型，以得到人脸识别结果。
在获取到待识别图像后，可以将该待识别图像输入至预先训练的人脸识别模型，得到人脸识别结果。其中，预设的人脸识别模型为采用前述人脸识别模型的训练方法训练得到的人脸识别模型。
S230、若所述人脸识别结果指示成功识别所述待识别图像，显示用于提示用户成功识别所述待识别图像的第一提示信息。
具体的，若终端设备确定人脸识别结果指示成功识别待识别图像，则该终端设备可以显示用于提示用户成功识别所述待识别图像的第一提示信息。例如，显示字符串“识别通过”。
如图9所示，为了进一步提高待识别图像中的目标人脸的识别的准确性和提高人脸识别的灵活性，步骤S230，所述若所述人脸识别结果指示成功识别所述待识别图像，显示用于提示用户成功识别所述待识别图像的第一提示信息之后，还包括：
S240、若所述人脸识别结果指示无法识别待识别图像，显示用于提示用户重新获取待识别图像的第二提示信息，从而在无法识别待识别图像后提示重新获取待识别图像。
具体的，若终端设备确定人脸识别结果指示无法识别待检测图像，则该执行主体可以显示用于提示用户重新获取待识别图像的第二提示信息。例如，显示字符串“请重新获取图像”。
示例性的，终端设备中可以预存有用户的特征信息，且预存的特征信息可以是从该用户在注册时所上传的人脸图像中提取的。该终端设备可以将利用上述人脸识别模型从所述待识别图像中所提取的特征信息作为人脸识别结果，若该人脸识别结果与预存的特征信息不匹配(例如相似度小于某个预设数值)，则可以确定上述待识别图像识别未通过。
比如，若待识别图像中的人脸对象较为模糊，或者与用户在注册时所上传的人脸图像中的人脸对象的角度差异较大等情况下，人脸识别模型从该待检测图像中所提取的特征信息与预存的特征信息差异较大，此时，人脸识别结果可以指示无法对该待识别图像进行识别。
示例性的，用户登录某一教学应用平台或者教学网站时，可使用上述人脸识别方法进行人脸识别登录。具体的，终端设备的摄像头可采集待登录用户的人脸图像，并将待登录用户的人脸图像与已经注册了该教学应用平台或教学网站的所有用户的人脸图像进行对比，以控制用户登录。在该示例中，可将待登录用户的人脸图像作为待识别图像。在对待识别图像进行识别之前，可对待识别图像进行预处理。此处的预处理过程可包括人脸图像对齐过程。该人脸对齐过程主要包括人脸检测，人脸关键点定位，然后将所有图像中检测到的人脸关键点尽可能的和预设的人脸关键点位置重合，最后从图像中切割出人脸区域并将人脸区域的分辨率调整至预定大小，如224×224。接下来可对预处理后的待识别图像进行具体操作。
上述人脸识别方法，通过获取待识别图像；将所述待识别图像输入预设的人脸识别模型，以得到人脸识别结果；若所述人脸识别结果指示成功识别所述待识别图像，显示用于提示用户成功识别所述待识别图像的第一提示信息。该方法可以快速识别待识别图像的人脸，同时又具有识别准确率高等优点。
请参阅图10，图10是本申请的实施例还提供一种人脸识别模型的训练装置的示意性框图，该人脸识别模型的训练装置可以配置于服务器中，用于执行前述任一项人脸识别模型的训练方法。
如图10所示，人脸识别模型的训练装置300包括：
特征训练单元310，用于根据第一样本图像，对预设的卷积神经网络进行训练，以构建特征提取网络；
网络连接单元320，用于将所述特征提取网络与预设的分类网络建立连接，以得到第一卷积神经网络模型；
参数冻结单元330，用于冻结所述第一卷积神经网络模型的特征提取网络的权重参数；
分类训练单元340，用于根据第二样本图像，对所述第一卷积神经网络模型中的分类网络进行迭代训练，以对所述第一卷积神经网络模型中的分类网络的权重参数进行调整，从而得到第二卷积神经网络模型；
网络解冻单元350，用于解冻所述第二卷积神经网络模型的特征提取网络的权重参数；
模型训练单元360，用于根据第三样本图像，对解冻后的第二卷积神经网络模型进行训练，以得到所述人脸识别模型。
在一个实施例中，如图11所示，人脸识别模型的训练装置300还包括输出判断单元370，用于判断所述特征提取网络的输出与第一真实标签之间的误差值是否小于第一预设阀值。
其中，网络连接单元320，具体用于若所述特征提取网络的输出与第一真实标签之间的误差值小于所述第一预设阀值，将所述特征提取网络与所述分类网络建立连接，以得到所述第一卷积神经网络模型。
如图12，在一个实施例中，所述分类网络包括依次连接的卷积层、全连接层和分类器。网络连接单元320包括卷积输入子单元321、连接输入子单元322和分类处理子单元323。
卷积输入子单元321，用于将所述特征提取网络的输出输入至所述卷积层；
连接输入子单元322，用于将所述卷积层的输出输入至所述全连接层，以对所述卷积层的输出进行降维；
分类处理子单元323，用于采用所述分类器对所述全连接层的输出进行分类，以建立所述特征提取网络与所述分类网络的连接。
在一实施例中，连接输入子单元322，具体用于基于权重计算公式，对所述卷积层的输出的每个特征值进行全连接层的运算，以对所述卷积层的输出进行降维。
在一实施例中，所述权重计算公式为：
其中，损失函数为均方差MSE函数，W表示卷积层的权重，Wi表示卷积层第i个权重，h表示卷积层的偏置，hi表示卷积层第i个偏置，X表示整个样本图像集，X(i)表示第i个样本图像对应的第一真实标签；表示第i个样本图像输入分类网络后输出层的输出，η表示反向传播算法的学习效率。
请参阅图13，图13是本申请的实施例还提供一种人脸识别装置的示意性框图，该人脸识别装置用于执行前述任一项人脸识别模型的训练方法。其中，该人脸识别装置可以配置于服务器或终端中。
如图13所示，人脸识别装置400包括：图像获取单元410、图像输入单元420和信息显示单元430。
图像获取单元410，用于获取待识别图像；
图像输入单元420，用于将所述待识别图像输入预设的人脸识别模型，以得到人脸识别结果；
信息显示单元430，用于若所述人脸识别结果指示成功识别所述待识别图像，显示用于提示用户成功识别所述待识别图像的第一提示信息。
需要说明的是，所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的装置和各单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
上述的装置可以实现为一种计算机程序的形式，该计算机程序可以在如图14所示的计算机设备上运行。
请参阅图14，图14是本申请实施例提供的一种计算机设备的示意性框图。该计算机设备可以是服务器或终端。
参阅图14，该计算机设备包括通过系统总线连接的处理器、存储器和网络接口，其中，存储器可以包括非易失性存储介质和内存储器。
非易失性存储介质可存储操作系统和计算机程序。该计算机程序包括程序指令，该程序指令被执行时，可使得处理器执行一种人脸识别模型的训练方法。
处理器用于提供计算和控制能力，支撑整个计算机设备的运行。
内存储器为非易失性存储介质中的计算机程序的运行提供环境，该计算机程序被处理器执行时，可使得处理器执行一种人脸识别模型的训练方法。
该网络接口用于进行网络通信，如发送分配的任务等。本领域技术人员可以理解，图14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。
应当理解的是，处理器可以是中央处理单元(Central Processing Unit，CPU)，该处理器还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable GateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中，通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
其中，所述处理器用于运行存储在存储器中的计算机程序，以实现如下步骤：
根据第一样本图像信息，对预设的卷积神经网络进行训练，以构建特征提取网络；将所述特征提取网络与预设的分类网络建立连接，以得到第一卷积神经网络模型；冻结所述第一卷积神经网络模型的特征提取网络的权重参数；根据第二样本图像信息，对所述第一卷积神经网络模型中的分类网络进行迭代训练，以得到第二卷积神经网络模型；解冻所述第二卷积神经网络模型的特征提取网络的权重参数；根据第三样本图像信息，对解冻后的第二卷积神经网络模型进行训练，以得到所述人脸识别模型。
在一个实施例中，所述处理器在实现所述将所述特征提取网络与预设的分类网络建立连接，以得到第一卷积神经网络模型之前，用于实现：
判断所述特征提取网络的输出与第一真实标签之间的误差值是否小于第一预设阀值。
所述处理器在实现所述将所述特征提取网络与预设的分类网络建立连接，以得到第一卷积神经网络模型时，用于实现：
若所述特征提取网络的输出与第一真实标签之间的误差值小于所述第一预设阀值，将所述特征提取网络与所述分类网络建立连接，以得到所述第一卷积神经网络模型。
在一实施例中，所述分类网络包括依次连接的卷积层、全连接层和分类器。所述处理器在实现所述将所述特征提取网络与预设的分类网络建立连接时，用于实现：
将所述特征提取网络的输出输入至所述卷积层；将所述卷积层的输出输入至所述全连接层，以对所述卷积层的输出进行降维；采用所述分类器对所述全连接层的输出进行分类，以建立所述特征提取网络与所述分类网络的连接。
在一实施例中，所述处理器在实现所述将所述卷积层的输出输入至所述全连接层，以对所述卷积层的输出进行降维时，用于实现：
基于权重计算公式，对所述卷积层的输出的每个特征值进行全连接层的运算，以对所述卷积层的输出进行降维。
在一实施例中，所述权重计算公式为：
其中，损失函数为均方差MSE函数，W表示卷积层的权重，Wi表示卷积层第i个权重，h表示卷积层的偏置，hi表示卷积层第i个偏置，X表示整个样本图像集，X(i)表示第i个样本图像对应的第一真实标签；表示第i个样本图像输入分类网络后输出层的输出，η表示反向传播算法的学习效率。
其中，在另一实施例中，所述处理器用于运行存储在存储器中的计算机程序，以实现如下步骤：
获取待识别图像；将所述待识别图像输入预设的人脸识别模型，以得到人脸识别结果；若所述人脸识别结果指示成功识别所述待识别图像，显示用于提示用户成功识别所述待识别图像的第一提示信息。
本申请的实施例中还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序中包括程序指令，所述处理器执行所述程序指令，实现本申请实施例提供的任一项人脸识别模型的训练方法或人脸识别方法。
其中，所述计算机可读存储介质可以是前述实施例所述的计算机设备的内部存储单元，例如所述计算机设备的硬盘或内存。所述计算机可读存储介质也可以是所述计算机设备的外部存储设备，例如所述计算机设备上配备的插接式硬盘，智能存储卡(SmartMedia Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种人脸识别模型的训练方法，其特征在于，包括：
根据第一样本图像信息，对预设的卷积神经网络进行训练，以构建特征提取网络；
将所述特征提取网络与预设的分类网络建立连接，以得到第一卷积神经网络模型；
冻结所述第一卷积神经网络模型的特征提取网络的权重参数；
根据第二样本图像信息，对所述第一卷积神经网络模型中的分类网络进行迭代训练，以得到第二卷积神经网络模型；
解冻所述第二卷积神经网络模型的特征提取网络的权重参数；
根据第三样本图像信息，对解冻后的第二卷积神经网络模型进行训练，以得到所述人脸识别模型。
2.根据权利要求1所述的人脸识别模型的训练方法，其特征在于，所述将所述特征提取网络与预设的分类网络建立连接，以得到第一卷积神经网络模型之前，还包括：判断所述特征提取网络的输出与第一真实标签之间的误差值是否小于第一预设阀值；
所述将所述特征提取网络与预设的分类网络建立连接，以得到第一卷积神经网络模型，包括：若所述特征提取网络的输出与第一真实标签之间的误差值小于所述第一预设阀值，将所述特征提取网络与所述分类网络建立连接，以得到所述第一卷积神经网络模型。
3.根据权利要求2所述的人脸识别模型的训练方法，其特征在于，所述分类网络包括依次连接的卷积层、全连接层和分类器；所述将所述特征提取网络与预设的分类网络建立连接，包括：
将所述特征提取网络的输出输入至所述卷积层；
将所述卷积层的输出输入至所述全连接层，以对所述卷积层的输出进行降维；
采用所述分类器对所述全连接层的输出进行分类，以建立所述特征提取网络与所述分类网络的连接。
4.根据权利要求3所述的人脸识别模型的训练方法，其特征在于，所述将所述卷积层的输出输入至所述全连接层，以对所述卷积层的输出进行降维，包括：
基于权重计算公式，对所述卷积层的输出的每个特征值进行全连接层的运算，以对所述卷积层的输出进行降维。
5.根据权利要求4所述的人脸识别模型的训练方法，其特征在于，所述权重计算公式为：
其中，损失函数为均方差MSE函数，W表示卷积层的权重，Wi表示卷积层第i个权重，h表示卷积层的偏置，hi表示卷积层第i个偏置，X表示整个样本图像集，X(i)表示第i个样本图像对应的第一真实标签；表示第i个样本图像输入分类网络后输出层的输出，η表示反向传播算法的学习效率。
6.一种人脸识别方法，其特征在于，包括：
获取待识别图像；
将所述待识别图像输入预设的人脸识别模型，以得到人脸识别结果；
若所述人脸识别结果指示成功识别所述待识别图像，显示用于提示用户成功识别所述待识别图像的第一提示信息。
7.一种人脸识别模型的训练装置，其特征在于，包括：
特征训练单元，用于根据第一样本图像，对预设的卷积神经网络进行训练，以构建特征提取网络；
网络连接单元，用于将所述特征提取网络与预设的分类网络建立连接，以得到第一卷积神经网络模型；
参数冻结单元，用于冻结所述第一卷积神经网络模型的特征提取网络的权重参数；
分类训练单元，用于根据第二样本图像，对所述第一卷积神经网络模型中的分类网络进行迭代训练，以对所述第一卷积神经网络模型中的分类网络的权重参数进行调整，从而得到第二卷积神经网络模型；
网络解冻单元，用于解冻所述第二卷积神经网络模型的特征提取网络的权重参数；
模型训练单元，用于根据第三样本图像，对解冻后的第二卷积神经网络模型进行训练，以得到所述人脸识别模型。
8.一种人脸识别装置，其特征在于，包括：
图像识别单元，用于获取待识别图像；
图像输入单元，用于将所述待识别图像输入预设的人脸识别模型，以得到人脸识别结果；
第一信息显示单元，用于若所述人脸识别结果指示成功识别所述待识别图像，显示用于提示用户成功识别所述待识别图像的第一提示信息。
9.一种计算机设备，其特征在于，所述计算机设备包括存储器和处理器；
所述存储器用于存储计算机程序；
所述处理器，用于执行所述计算机程序并在执行所述计算机程序时实现如权利要求1至5中任一项所述的人脸识别模型的训练方法，或者实现如权利要求6所述的人脸识别方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时使所述处理器实现如权利要求1至5中任一项所述的人脸识别模型的训练方法，或者实现如权利要求6所述的人脸识别方法。
CN201910663230.9A 2019-07-22 2019-07-22 人脸识别模型的训练方法、人脸识别方法、装置、设备及存储介质 Active CN110543815B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201910663230.9A CN110543815B (zh) 2019-07-22 2019-07-22 人脸识别模型的训练方法、人脸识别方法、装置、设备及存储介质
PCT/CN2019/118461 WO2021012526A1 (zh) 2019-07-22 2019-11-14 人脸识别模型的训练方法、人脸识别方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910663230.9A CN110543815B (zh) 2019-07-22 2019-07-22 人脸识别模型的训练方法、人脸识别方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN110543815A true CN110543815A (zh) 2019-12-06
CN110543815B CN110543815B (zh) 2024-03-08

Family

ID=68709979

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910663230.9A Active CN110543815B (zh) 2019-07-22 2019-07-22 人脸识别模型的训练方法、人脸识别方法、装置、设备及存储介质

Country Status (2)

Country Link
CN (1) CN110543815B (zh)
WO (1) WO2021012526A1 (zh)

Cited By (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111104897A (zh) * 2019-12-18 2020-05-05 深圳市捷顺科技实业股份有限公司 儿童人脸识别模型的训练方法、装置以及存储介质
CN111241998A (zh) * 2020-01-09 2020-06-05 中移（杭州）信息技术有限公司 人脸识别的方法、装置、电子设备和存储介质
CN111242217A (zh) * 2020-01-13 2020-06-05 支付宝实验室(新加坡)有限公司 图像识别模型的训练方法、装置、电子设备及存储介质
CN111524118A (zh) * 2020-04-22 2020-08-11 广东电网有限责任公司东莞供电局 变压器的运行状态检测方法、装置、计算机设备和存储介质
CN111581620A (zh) * 2020-04-30 2020-08-25 新浪网技术(中国)有限公司 一种用户识别方法及装置
CN111582381A (zh) * 2020-05-09 2020-08-25 北京市商汤科技开发有限公司 确定性能参数的方法及装置、电子设备和存储介质
CN111680597A (zh) * 2020-05-29 2020-09-18 北京百度网讯科技有限公司 人脸识别模型处理方法、装置、设备和存储介质
CN111783601A (zh) * 2020-06-24 2020-10-16 北京百度网讯科技有限公司 人脸识别模型的训练方法、装置、电子设备及存储介质
CN111985434A (zh) * 2020-08-28 2020-11-24 厦门市易联众易惠科技有限公司 模型增强的人脸识别方法、装置、设备及存储介质
CN112561480A (zh) * 2020-12-16 2021-03-26 中国平安人寿保险股份有限公司 智能推动工作流方法、设备及计算机存储介质
CN112668637A (zh) * 2020-12-25 2021-04-16 苏州科达科技股份有限公司 网络模型的训练方法、识别方法、装置及电子设备
CN112967243A (zh) * 2021-02-26 2021-06-15 清华大学深圳国际研究生院 一种基于yolo的深度学习芯片封装裂纹缺陷检测方法
CN113011387A (zh) * 2021-04-20 2021-06-22 上海商汤科技开发有限公司 网络训练及人脸活体检测方法、装置、设备及存储介质
WO2021151324A1 (zh) * 2020-09-09 2021-08-05 平安科技（深圳）有限公司 基于迁移学习的医疗数据处理方法、装置、设备及介质
CN113627361A (zh) * 2021-08-13 2021-11-09 北京百度网讯科技有限公司 人脸识别模型的训练方法、装置及计算机程序产品
CN113627265A (zh) * 2021-07-13 2021-11-09 深圳市创客火科技有限公司 无人机控制方法、装置及计算机可读存储介质
CN113642353A (zh) * 2020-04-27 2021-11-12 Tcl科技集团股份有限公司 一种人脸检测模型的训练方法、存储介质及终端设备
CN113724163A (zh) * 2021-08-31 2021-11-30 平安科技（深圳）有限公司 基于神经网络的图像矫正方法、装置、设备及介质
WO2022183363A1 (zh) * 2021-03-02 2022-09-09 深圳市锐明技术股份有限公司 一种模型的训练方法、装置、终端设备及存储介质
CN113724163B (zh) * 2021-08-31 2024-06-07 平安科技（深圳）有限公司 基于神经网络的图像矫正方法、装置、设备及介质

Families Citing this family (27)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113158850B (zh) * 2021-04-07 2024-01-05 大连海事大学 基于深度学习的船舶驾驶员疲劳检测方法和系统
CN113065512A (zh) * 2021-04-21 2021-07-02 深圳壹账通智能科技有限公司 人脸微表情识别方法、装置、设备及存储介质
CN113283978B (zh) * 2021-05-06 2024-05-10 北京思图场景数据科技服务有限公司 基于生物基础与行为特征及业务特征的金融风险评估方法
CN113156439B (zh) * 2021-05-08 2022-08-30 中国石油大学(华东) 一种基于数据驱动的sar风场海浪联合反演方法及系统
CN113221830B (zh) * 2021-05-31 2023-09-01 平安科技（深圳）有限公司 一种超分活体识别方法、系统、终端及存储介质
CN113420579B (zh) * 2021-06-29 2023-05-26 北大方正集团有限公司 标识码位置定位模型的训练及定位方法、装置、电子设备
CN113436231B (zh) * 2021-06-30 2023-09-15 平安科技（深圳）有限公司 行人轨迹生成方法、装置、设备及存储介质
CN113723448A (zh) * 2021-07-16 2021-11-30 北京工业大学 图像中对象分类和计数方法、装置、电子设备及介质
CN113469111A (zh) * 2021-07-16 2021-10-01 中国银行股份有限公司 图像关键点检测方法及系统、电子设备、存储介质
CN113781729A (zh) * 2021-07-23 2021-12-10 广东电网有限责任公司广州供电局 基于智能网关的输电线路外力破坏监测方法和装置
CN113570689B (zh) * 2021-07-28 2024-03-01 杭州网易云音乐科技有限公司 人像卡通化方法、装置、介质和计算设备
CN113657220A (zh) * 2021-08-03 2021-11-16 南方电网数字电网研究院有限公司 电能质量扰动信号分类模型的训练方法及装置
CN113705685B (zh) * 2021-08-30 2023-08-01 平安科技（深圳）有限公司 疾病特征识别模型训练、疾病特征识别方法、装置及设备
CN113850207B (zh) * 2021-09-29 2024-05-03 中国平安财产保险股份有限公司 基于人工智能的微表情分类方法、装置、电子设备及介质
CN113902018A (zh) * 2021-10-12 2022-01-07 深圳壹账通智能科技有限公司 图像样本生成方法、装置、计算机可读介质及电子设备
CN114005019B (zh) * 2021-10-29 2023-09-22 北京有竹居网络技术有限公司 一种翻拍图像识别方法及其相关设备
CN114359949B (zh) * 2021-12-23 2023-04-25 华南理工大学 针对电网接线图文字的识别方法
CN114005015B (zh) * 2021-12-28 2022-05-31 合肥的卢深视科技有限公司 图像识别模型的训练方法、电子设备和存储介质
CN114255354B (zh) * 2021-12-31 2023-04-07 智慧眼科技股份有限公司 人脸识别模型训练方法、人脸识别方法、装置及相关设备
CN114387553B (zh) * 2022-01-18 2024-03-22 桂林电子科技大学 一种基于帧结构感知聚合的视频人脸识别方法
CN114463559B (zh) * 2022-01-29 2024-05-10 芯算一体(深圳)科技有限公司 图像识别模型的训练方法、装置、网络和图像识别方法
CN114445899A (zh) * 2022-01-30 2022-05-06 中国农业银行股份有限公司 一种表情识别方法、装置、设备及存储介质
CN114789870A (zh) * 2022-05-20 2022-07-26 深圳市信成医疗科技有限公司 一种创新型模块化药储仓管理实现模式
CN115546848B (zh) * 2022-10-26 2024-02-02 南京航空航天大学 一种对抗生成网络训练方法、跨设备掌纹识别方法及系统
CN116112932B (zh) * 2023-02-20 2023-11-10 南京航空航天大学 一种数据知识双驱动的射频指纹识别方法与系统
CN116214524B (zh) * 2023-05-08 2023-10-03 国网浙江省电力有限公司宁波供电公司 用于油样回收的无人机抓载方法、装置及存储介质
CN116630832B (zh) * 2023-07-21 2023-09-29 江西现代职业技术学院 一种无人机目标识别方法、系统、计算机及可读存储介质

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105426963A (zh) * 2015-12-01 2016-03-23 北京天诚盛业科技有限公司 用于人脸识别的卷积神经网络的训练方法、装置及应用
CN105989375A (zh) * 2015-01-30 2016-10-05 富士通株式会社 对手写字符图像进行分类的分类器、分类装置和分类方法
CN106600538A (zh) * 2016-12-15 2017-04-26 武汉工程大学 一种基于区域深度卷积神经网络的人脸超分辨率算法
US20170344808A1 (en) * 2016-05-28 2017-11-30 Samsung Electronics Co., Ltd. System and method for a unified architecture multi-task deep learning machine for object recognition
CN108133238A (zh) * 2017-12-29 2018-06-08 国信优易数据有限公司 一种人脸识别模型训练方法和装置及人脸识别方法和装置
CN108304788A (zh) * 2018-01-18 2018-07-20 陕西炬云信息科技有限公司 基于深度神经网络的人脸识别方法
CN108510485A (zh) * 2018-03-27 2018-09-07 福州大学 一种基于卷积神经网络的无参照图像质量评估方法
CN108805137A (zh) * 2018-04-17 2018-11-13 平安科技（深圳）有限公司 牲畜特征向量的提取方法、装置、计算机设备和存储介质
CN109284669A (zh) * 2018-08-01 2019-01-29 辽宁工业大学 基于Mask RCNN的行人检测方法
US20190095795A1 (en) * 2017-03-15 2019-03-28 Samsung Electronics Co., Ltd. System and method for designing efficient super resolution deep convolutional neural networks by cascade network training, cascade network trimming, and dilated convolutions
CN109934115A (zh) * 2019-02-18 2019-06-25 苏州市科远软件技术开发有限公司 人脸识别模型的构建方法、人脸识别方法及电子设备

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105847968B (zh) * 2016-03-21 2018-12-21 京东方科技集团股份有限公司 基于深度学习的解像方法和系统
CN107247949B (zh) * 2017-08-02 2020-06-19 智慧眼科技股份有限公司 基于深度学习的人脸识别方法、装置和电子设备
CN109086868B (zh) * 2018-07-09 2022-07-26 南京邮电大学 一种抽象图像情感识别方法
CN109190476A (zh) * 2018-08-02 2019-01-11 福建工程学院 一种蔬菜识别的方法及装置
CN109117897A (zh) * 2018-08-09 2019-01-01 百度在线网络技术（北京）有限公司 基于卷积神经网络的图像处理方法、装置及可读存储介质

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105989375A (zh) * 2015-01-30 2016-10-05 富士通株式会社 对手写字符图像进行分类的分类器、分类装置和分类方法
CN105426963A (zh) * 2015-12-01 2016-03-23 北京天诚盛业科技有限公司 用于人脸识别的卷积神经网络的训练方法、装置及应用
US20170344808A1 (en) * 2016-05-28 2017-11-30 Samsung Electronics Co., Ltd. System and method for a unified architecture multi-task deep learning machine for object recognition
CN106600538A (zh) * 2016-12-15 2017-04-26 武汉工程大学 一种基于区域深度卷积神经网络的人脸超分辨率算法
US20190095795A1 (en) * 2017-03-15 2019-03-28 Samsung Electronics Co., Ltd. System and method for designing efficient super resolution deep convolutional neural networks by cascade network training, cascade network trimming, and dilated convolutions
CN108133238A (zh) * 2017-12-29 2018-06-08 国信优易数据有限公司 一种人脸识别模型训练方法和装置及人脸识别方法和装置
CN108304788A (zh) * 2018-01-18 2018-07-20 陕西炬云信息科技有限公司 基于深度神经网络的人脸识别方法
CN108510485A (zh) * 2018-03-27 2018-09-07 福州大学 一种基于卷积神经网络的无参照图像质量评估方法
CN108805137A (zh) * 2018-04-17 2018-11-13 平安科技（深圳）有限公司 牲畜特征向量的提取方法、装置、计算机设备和存储介质
CN109284669A (zh) * 2018-08-01 2019-01-29 辽宁工业大学 基于Mask RCNN的行人检测方法
CN109934115A (zh) * 2019-02-18 2019-06-25 苏州市科远软件技术开发有限公司 人脸识别模型的构建方法、人脸识别方法及电子设备

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
CHUAN-XIAN REN ET AL.: "Transfer Learning of Structured Representation for Face Recognition", 《IEEE TRANSACTIONS ON IMAGE PROCESSING》, vol. 23, no. 12, pages 5440 - 5454, XP011564311, DOI: 10.1109/TIP.2014.2365725 *
YONG XU: "A Two-Phase Test Sample Sparse Representation Method for Use With Face Recognition", 《IEEE TRANSACTIONS ON CIRCUITS AND SYSTEMS FOR VIDEO TECHNOLOGY ( VOLUME: 21, ISSUE: 9, SEPTEMBER 2011)》, 7 April 2011 (2011-04-07), pages 1255 - 1266 *
张家伟 等: "基于迁移学习的人脸种群识别技术研究", 《信息技术》, no. 4, pages 77 - 81 *
梁洋洋: "基于深度自编码器网络的人脸特征点定位方法", 《计算机应用与软件》, vol. 33, no. 9, 30 September 2016 (2016-09-30) *

Cited By (30)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111104897A (zh) * 2019-12-18 2020-05-05 深圳市捷顺科技实业股份有限公司 儿童人脸识别模型的训练方法、装置以及存储介质
CN111241998A (zh) * 2020-01-09 2020-06-05 中移（杭州）信息技术有限公司 人脸识别的方法、装置、电子设备和存储介质
CN111241998B (zh) * 2020-01-09 2023-04-28 中移（杭州）信息技术有限公司 人脸识别的方法、装置、电子设备和存储介质
CN111242217A (zh) * 2020-01-13 2020-06-05 支付宝实验室(新加坡)有限公司 图像识别模型的训练方法、装置、电子设备及存储介质
CN111524118B (zh) * 2020-04-22 2021-06-29 广东电网有限责任公司东莞供电局 变压器的运行状态检测方法、装置、计算机设备和存储介质
CN111524118A (zh) * 2020-04-22 2020-08-11 广东电网有限责任公司东莞供电局 变压器的运行状态检测方法、装置、计算机设备和存储介质
CN113642353A (zh) * 2020-04-27 2021-11-12 Tcl科技集团股份有限公司 一种人脸检测模型的训练方法、存储介质及终端设备
CN111581620A (zh) * 2020-04-30 2020-08-25 新浪网技术(中国)有限公司 一种用户识别方法及装置
CN111582381A (zh) * 2020-05-09 2020-08-25 北京市商汤科技开发有限公司 确定性能参数的方法及装置、电子设备和存储介质
CN111582381B (zh) * 2020-05-09 2024-03-26 北京市商汤科技开发有限公司 确定性能参数的方法及装置、电子设备和存储介质
CN111680597A (zh) * 2020-05-29 2020-09-18 北京百度网讯科技有限公司 人脸识别模型处理方法、装置、设备和存储介质
CN111680597B (zh) * 2020-05-29 2023-09-01 北京百度网讯科技有限公司 人脸识别模型处理方法、装置、设备和存储介质
CN111783601A (zh) * 2020-06-24 2020-10-16 北京百度网讯科技有限公司 人脸识别模型的训练方法、装置、电子设备及存储介质
CN111783601B (zh) * 2020-06-24 2024-04-26 北京百度网讯科技有限公司 人脸识别模型的训练方法、装置、电子设备及存储介质
CN111985434B (zh) * 2020-08-28 2023-07-28 厦门市易联众易惠科技有限公司 模型增强的人脸识别方法、装置、设备及存储介质
CN111985434A (zh) * 2020-08-28 2020-11-24 厦门市易联众易惠科技有限公司 模型增强的人脸识别方法、装置、设备及存储介质
WO2021151324A1 (zh) * 2020-09-09 2021-08-05 平安科技（深圳）有限公司 基于迁移学习的医疗数据处理方法、装置、设备及介质
CN112561480A (zh) * 2020-12-16 2021-03-26 中国平安人寿保险股份有限公司 智能推动工作流方法、设备及计算机存储介质
CN112668637A (zh) * 2020-12-25 2021-04-16 苏州科达科技股份有限公司 网络模型的训练方法、识别方法、装置及电子设备
CN112668637B (zh) * 2020-12-25 2023-05-23 苏州科达科技股份有限公司 网络模型的训练方法、识别方法、装置及电子设备
CN112967243B (zh) * 2021-02-26 2023-01-13 清华大学深圳国际研究生院 一种基于yolo的深度学习芯片封装裂纹缺陷检测方法
CN112967243A (zh) * 2021-02-26 2021-06-15 清华大学深圳国际研究生院 一种基于yolo的深度学习芯片封装裂纹缺陷检测方法
WO2022183363A1 (zh) * 2021-03-02 2022-09-09 深圳市锐明技术股份有限公司 一种模型的训练方法、装置、终端设备及存储介质
CN113011387A (zh) * 2021-04-20 2021-06-22 上海商汤科技开发有限公司 网络训练及人脸活体检测方法、装置、设备及存储介质
CN113011387B (zh) * 2021-04-20 2024-05-24 上海商汤科技开发有限公司 网络训练及人脸活体检测方法、装置、设备及存储介质
CN113627265A (zh) * 2021-07-13 2021-11-09 深圳市创客火科技有限公司 无人机控制方法、装置及计算机可读存储介质
CN113627361B (zh) * 2021-08-13 2023-08-08 北京百度网讯科技有限公司 人脸识别模型的训练方法、装置及计算机程序产品
CN113627361A (zh) * 2021-08-13 2021-11-09 北京百度网讯科技有限公司 人脸识别模型的训练方法、装置及计算机程序产品
CN113724163A (zh) * 2021-08-31 2021-11-30 平安科技（深圳）有限公司 基于神经网络的图像矫正方法、装置、设备及介质
CN113724163B (zh) * 2021-08-31 2024-06-07 平安科技（深圳）有限公司 基于神经网络的图像矫正方法、装置、设备及介质

Also Published As

Publication number Publication date
WO2021012526A1 (zh) 2021-01-28
CN110543815B (zh) 2024-03-08

Similar Documents

Publication Publication Date Title
CN110543815B (zh) 人脸识别模型的训练方法、人脸识别方法、装置、设备及存储介质
CN108491805B (zh) 身份认证方法和装置
CN108875522B (zh) 人脸聚类方法、装置和系统及存储介质
WO2019109526A1 (zh) 人脸图像的年龄识别方法、装置及存储介质
CN106547744B (zh) 一种图像检索方法及系统
CN108229297B (zh) 人脸识别方法和装置、电子设备、计算机存储介质
KR102385463B1 (ko) 얼굴 특징 추출 모델 학습 방법, 얼굴 특징 추출 방법, 장치, 디바이스 및 저장 매체
US8750573B2 (en) Hand gesture detection
WO2019041519A1 (zh) 目标跟踪装置、方法及计算机可读存储介质
EP2806374B1 (en) Method and system for automatic selection of one or more image processing algorithm
WO2019033572A1 (zh) 人脸遮挡检测方法、装置及存储介质
US20120027252A1 (en) Hand gesture detection
CN108491866B (zh) 色情图片鉴定方法、电子装置及可读存储介质
WO2021051547A1 (zh) 暴力行为检测方法及系统
US9633272B2 (en) Real time object scanning using a mobile phone and cloud-based visual search engine
WO2019033568A1 (zh) 嘴唇动作捕捉方法、装置及存储介质
WO2019056503A1 (zh) 门店监控评价方法、装置及存储介质
WO2020155790A1 (zh) 理赔信息提取方法和装置、电子设备
CN110378328B (zh) 一种证件图像处理方法及装置
CN110532746B (zh) 人脸校验方法、装置、服务器及可读存储介质
WO2019033567A1 (zh) 眼球动作捕捉方法、装置及存储介质
CN112464803A (zh) 图像比较方法和装置
CN110660078A (zh) 对象追踪方法、装置、计算机设备和存储介质
CN110956149A (zh) 宠物身份核验方法、装置、设备及计算机可读存储介质
CN113158773B (zh) 一种活体检测模型的训练方法及训练装置

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