CN110688941A - 人脸图像的识别方法及其装置 - Google Patents
人脸图像的识别方法及其装置 Download PDFInfo
- Publication number
- CN110688941A CN110688941A CN201910911181.6A CN201910911181A CN110688941A CN 110688941 A CN110688941 A CN 110688941A CN 201910911181 A CN201910911181 A CN 201910911181A CN 110688941 A CN110688941 A CN 110688941A
- Authority
- CN
- China
- Prior art keywords
- face
- face image
- image
- convolutional neural
- recognized
- 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
Links
Images
Classifications
-
- 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
-
- 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
-
- 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
- G06V40/178—Human faces, e.g. facial parts, sketches or expressions estimating age from face image; using age information for improving recognition
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- General Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种人脸图像的识别方法及其装置。其中,方法包括:获取待识别人脸图像,将待识别人脸图像输入第一人脸特征提取模型中。根据第一人脸特征提取模型的输出,生成待识别人脸图像与预先存储的多个参考人脸图像分别对应的多个第一相似度,将每个第一相似度与第一预设阈值进行对比。根据对比结果,生成人脸图像的识别结果。由此,实现了根据待识别人脸图像与每个参考人脸图像的第一相似度,与第一预设阈值的大小关系,生成人脸图像的识别结果,提高了人脸识别的效率。
Description
【技术领域】
本发明涉及图像处理技术领域,尤其涉及一种人脸图像的识别方法及其装置。
【背景技术】
人脸识别是基于人的脸部特征信息进行身份识别的一种生物识别技术。
相关技术中,通过将待识别人脸图像与数据库中的每张参考人脸图像进行精确比较,将最为相似的参考人脸图像对应的用户信息,作为人脸识别的结果,人脸识别的效率较低。
【发明内容】
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。
为此,本发明的第一个目的在于提出一种人脸图像的识别方法,以实现根据待识别人脸图像与每个参考人脸图像的第一相似度,与第一预设阈值的大小关系,生成人脸图像的识别结果,提高了人脸识别的效率。
本发明的第二个目的在于提出一种人脸图像的识别装置。
本发明的第三个目的在于提出一种计算机设备。
本发明的第四个目的在于提出一种非临时性计算机可读存储介质。
为达上述目的,本发明第一方面实施例提出了人脸图像的识别方法,包括:获取待识别人脸图像;将所述待识别人脸图像输入第一人脸特征提取模型中;根据所述第一人脸特征提取模型的输出,生成所述待识别人脸图像与预先存储的多个参考人脸图像分别对应的多个第一相似度;将每个所述第一相似度与第一预设阈值进行对比;根据对比结果,生成所述待识别人脸图像的识别结果。
和现有技术相比,本发明实施例根据待识别人脸图像与每个参考人脸图像的第一相似度,与第一预设阈值的大小关系,生成人脸图像的识别结果,提高了人脸识别的效率。
另外,本发明实施例的人脸图像的识别方法,还具有如下附加的技术特征:
可选地,所述根据对比结果,生成所述待识别人脸图像的识别结果,包括:如果存在至少一个所述第一相似度大于所述第一预设阈值,则根据第一相似度,生成所述待识别人脸图像的识别结果。
可选地,所述根据对比结果,生成所述待识别人脸图像的识别结果,包括:如果每个所述第一相似度均小于等于所述第一预设阈值,则将所述待识别人脸图像输入第二人脸特征提取模型中;其中,所述第一人脸特征提取模型为训练后的M层卷积神经网络,所述第一人脸特征提取模型输入分辨率为A*A,所述第一人脸特征提取模型的输出包括X维的人脸特征,M,A,X为自然数,所述第二人脸特征提取模型为训练后的N层卷积神经网络,所述第二人脸特征提取模型的输入分辨率为B*B,所述第二人脸特征提取模型的输出包括Y维的人脸特征,N,B,Y为自然数,且B>A,N>M,Y>X;根据所述第二人脸特征提取模型的输出,生成所述待识别人脸图像与预先存储的参考人脸图像分别对应的多个第二相似度;根据所述多个第二相似度,生成所述待识别人脸图像的识别结果。
可选地,所述第二人脸特征提取模型的输出还包括Z维的属性特征,所述属性特征包括性别特征,年龄特征和人种特征中的一种或者多种,Z为自然数。
可选地,所述获取待识别人脸图像,包括:获取包括所述待识别人脸图像的原始图像;对所述原始图像进行人脸检测和人脸校准,以从所述原始图像中提取所述待识别人脸图像;对所述待识别人脸图像进行归一化处理。
可选地,所述M层卷积神经网络通过以下步骤进行训练:获取所述参考人脸图像,以及所述参考人脸图像对应的身份标签;将所述参考人脸图像输入所述M层卷积神经网络;根据所述M层卷积神经网络的输出和所述参考人脸图像对应的所述身份标签,对所述M层卷积神经网络的参数进行训练;当所述M层卷积神经网络对所述身份标签的识别准确率大于等于第二预设阈值时,完成对所述M层卷积神经网络的训练。
可选地,所述获取所述参考人脸图像,包括:从参考图像库中获取原始参考图像;对所述原始参考图像进行人脸检测和人脸校准,以从所述原始参考图像中提取第一人脸图像;其中,所述第一人脸图像的分辨率为A’*A’,A’为自然数,且A’>A;对所述第一人脸图像进行归一化处理;对处理后的所述第一人脸图像进行随机裁剪,以得到所述参考人脸图像;其中,所述参考人脸图像的分辨率为A*A。
可选地,所述N层卷积神经网络通过以下步骤进行训练:获取所述参考人脸图像,以及所述参考人脸图像对应的身份标签和属性标签;将所述参考人脸图像输入所述N层卷积神经网络;根据所述N层卷积神经网络的输出和所述参考人脸图像对应的所述身份标签和所述属性标签,对所述N层卷积神经网络的参数进行训练;当所述N层卷积神经网络对所述身份标签和所述属性标签的识别准确率大于等于第三预设阈值时,完成对所述N层卷积神经网络的训练。
可选地,所述获取所述参考人脸图像,包括:从参考图像库中获取原始参考图像;对所述原始参考图像进行人脸检测和人脸校准,以提取第二人脸图像;其中,所述第二人脸图像的分辨率为B’*B’,B’为自然数,且B’>B;对所述第二人脸图像进行归一化处理;对处理后的所述第二人脸图像进行随机裁剪,以得到所述参考人脸图像;其中,所述参考人脸图像的分辨率为B*B。
本发明第二方面实施例提出了一种人脸图像的识别装置,包括:第一获取模块,用于获取待识别人脸图像;第一输入模块,用于将所述待识别人脸图像输入第一人脸特征提取模型中;第一生成模块,用于根据所述第一人脸特征提取模型的输出,生成所述待识别人脸图像与预先存储的多个参考人脸图像分别对应的多个第一相似度;对比模块,用于将每个第一相似度与第一预设阈值进行对比;第二生成模块,用于根据对比结果,生成所述待识别人脸图像的识别结果。
另外,本发明实施例的人脸图像的识别装置,还具有如下附加的技术特征:
可选地,所述第二生成模块,包括:第一生成子模块,用于当存在至少一个所述第一相似度大于所述第一预设阈值时,根据第一相似度,生成所述待识别人脸图像的识别结果。
可选地,所述第二生成模块,包括:输入子模块,用于当每个所述第一相似度均小于等于所述第一预设阈值时,将所述待识别人脸图像输入第二人脸特征提取模型中;其中,所述第一人脸特征提取模型为训练后的M层卷积神经网络,所述第一人脸特征提取模型输入分辨率为A*A,所述第一人脸特征提取模型的输出包括X维的人脸特征,M,A,X为自然数,所述第二人脸特征提取模型为训练后的N层卷积神经网络,所述第二人脸特征提取模型的输入分辨率为B*B,所述第二人脸特征提取模型的输出包括Y维的人脸特征,N,B,Y为自然数,且B>A,N>M,Y>X;第二生成子模块,用于根据所述第二人脸特征提取模型的输出,生成所述待识别人脸图像与预先存储的参考人脸图像分别对应的多个第二相似度;第三生成子模块,用于根据所述多个第二相似度,生成所述待识别人脸图像的识别结果。
所述第二人脸特征提取模型的输出还包括Z维的属性特征,所述属性特征包括性别特征,年龄特征和人种特征中的一种或者多种,Z为自然数。
可选地,所述第一获取模块,包括:第一获取子模块,用于获取包括所述待识别人脸图像的原始图像;第一检测校准子模块,用于对所述原始图像进行人脸检测和人脸校准,以从所述原始图像中提取所述待识别人脸图像;第一处理子模块,用于对所述待识别人脸图像进行归一化处理。
可选地,所述装置还包括:第二获取模块,用于获取所述参考人脸图像,以及所述参考人脸图像对应的身份标签;第二输入模块,用于将所述参考人脸图像输入所述M层卷积神经网络;第一训练模块,用于根据所述M层卷积神经网络的输出和所述参考人脸图像对应的所述身份标签,对所述M层卷积神经网络的参数进行训练;第一完成模块,用于当所述M层卷积神经网络对所述身份标签的识别准确率大于等于所述第二预设阈值时,完成对所述M层卷积神经网络的训练。
可选地,所述第二获取模块,包括:第二获取子模块,用于从参考图像库中获取原始参考图像;第二检测校准子模块,用于对所述原始参考图像进行人脸检测和人脸校准,以从所述原始参考图像中提取第一人脸图像;其中,所述第一人脸图像的分辨率为A’*A’,A’为自然数,且A’>A;第二处理子模块,用于对所述第一人脸图像进行归一化处理;第一裁剪子模块,用于对处理后的所述第一人脸图像进行随机裁剪,以得到所述参考人脸图像;其中,所述参考人脸图像的分辨率为A*A。
可选地,所述装置还包括:第三获取模块,用于获取所述参考人脸图像,以及所述参考人脸图像对应的身份标签和属性标签;第三输入模块,用于将所述参考人脸图像输入所述N层卷积神经网络;第二训练模块,用于根据所述N层卷积神经网络的输出和所述参考人脸图像对应的所述身份标签和所述属性标签,对所述N层卷积神经网络的参数进行训练;第二完成模块,用于当所述N层卷积神经网络对所述身份标签和所述属性标签的识别准确率大于等于第三预设阈值时,完成对所述N层卷积神经网络的训练。
可选地,所述第三获取模块,包括:第三获取子模块,用于从参考图像库中获取原始参考图像;第三检测校准子模块,用于对所述原始参考图像进行人脸检测和人脸校准,以提取第二人脸图像;其中,所述第二人脸图像的分辨率为B’*B’,B’为自然数,且B’>B;第三处理子模块,用于对所述第二人脸图像进行归一化处理;第二裁剪子模块,用于对处理后的所述第二人脸图像进行随机裁剪,以得到所述参考人脸图像;其中,所述参考人脸图像的分辨率为B*B。
本发明第三方面实施例提出了一种计算机设备,当所述计算机设备中的指令处理器执行时实现如前述方法实施例所述的人脸图像的识别方法。
本发明第四方面实施例提出了一种非临时性计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如前述方法实施例所述的人脸图像的识别方法。
本发明附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
【附图说明】
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其它的附图。
图1为本发明实施例所提供的一种人脸图像的识别方法的流程示意图;
图2为本发明实施例所提供的另一种人脸图像的识别方法的流程示意图;
图3为本发明实施例所提供的人脸图像的识别方法的一个示例的流程图;
图4为本发明实施例所提供的一种人脸图像的识别装置的结构示意图;以及
图5为本发明实施例所提供的另一种人脸图像的识别装置的结构示意图。
【具体实施方式】
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
下面参考附图描述本发明实施例的人脸图像的识别方法及其装置。
基于上述现有技术的描述可以知道,相关技术中,通过将待识别人脸图像与数据库中的每张参考人脸图像进行精确比较,将最为相似的参考人脸图像对应的用户信息,作为人脸识别的结果,人脸识别的效率较低。
针对这一问题,本发明实施例提出了一种人脸图像的识别方法,将待识别人脸图像输入第一人脸特征提取模型中,根据第一人脸特征提取模型的输出,生成待识别人脸图像与预先存储的多个参考人脸图像分别对应的多个第一相似度。根据每个第一相似度与第一预设阈值的对比结果,生成待识别人脸图像的识别结果,提高了人脸识别的效率。
图1为本发明实施例所提供的一种人脸图像的识别方法的流程示意图。如图1所示,该方法包括以下步骤:
步骤S101,获取待识别人脸图像。
其中,待识别人脸图像是指包括人脸的图像,通常用户在进行人脸识别时,通过图像采集单元采集用户当前的人脸图像,作为人脸识别的输入。
可以理解,为了防止用户的照片被他人用于人脸识别,本发明实施例所提供的人脸图像的识别方法在获取待识别人脸图像时,需要进行活体检测。
具体可以通过人脸的面部表情、肌肉的变化,以及背景、光线的变化来实现,本发明实施例对此不做限制。
此外,图像采集单元直接采集到的图像为包括待识别人脸图像的原始图像,也就是包括背景图像、人体其他部位图像的原始图像。因此,需要对原始图像进行人脸检测和人脸校准,以从原始图像中提取待识别人脸图像。
进一步地,由于采集到的原始图像在不同环境下对应的光照强度不同,相应地,从原始图像中提取出的待识别人脸图像对应的光照强度也不同。为了对去除光照强度对人脸识别的影响,本发明实施例所提出的人脸图像的识别方法,需要对提取出的待识别人脸图像进行归一化处理。
具体可以通过以下步骤实现:确定原始图像每个分辨率点的灰度值,进而计算原始图像对应的灰度值均值,以及原始图像对应的灰度值方差。对提取出的待识别人脸图像中的每个分辨率点先减去灰度值均值,再除以灰度值方差,从而实现对待识别人脸图像进行归一化处理。
步骤S102,将待识别人脸图像输入第一人脸特征提取模型中。
其中,第一人脸特征提取模型能够将待识别人脸图像中的人脸特征进行提取,用于人脸图像之间相似度计算。
需要特别说明的是,为了提高人脸识别的效率,本发明实施例所提供的第一人脸特征提取模型包括浅层卷积神经网络,且输入分辨率的数值较小,输出的人脸特征的维度较小,以便于后续第一相似度的快速计算。
比如说,可以将浅层卷积神经网络的层数设为18层,输入分辨率设为112*112,输出的人脸特征的维度设为128,从而使得整个人脸图像的识别方法的运算量较小,能够快速地生成待识别人脸图像的识别结果。
需要特别说明的是,由于步骤S101中获取的待识别人脸图像的分辨率数值较大,且本发明实施例不对人脸图像进行缩放处理,因此为了让输入第一人脸特征提取模型的人脸图像的分辨率较小,可以对图像采集单元采集到的用户当前的人脸图像进行裁剪,仅保留人脸部分。也就是说,将背景图像、人体其他部位的图像,比如肩部、颈部的图像剔除,以提高第一人脸特征提取模型的处理效率,进而加快人脸识别的效率。
步骤S103,根据第一人脸特征提取模型的输出,生成待识别人脸图像与预先存储的多个参考人脸图像分别对应的多个第一相似度。
需要说明的是,预先存储的多个参考人脸图像已经预先生成了相同维度的人脸特征,计算待识别人脸图像和多个参考人脸图像的第一相似度,可以通过对应的人脸特征之间的余弦相似度评估实现。
可以理解,人脸特征以特征向量的形式进行数据处理,不同人脸特征对应的特征向量的数值大小不同。因此,计算人脸特征之间的第一相似度,可以通过计算特征向量之间的余弦相似度实现。
具体可以通过以下公式进行计算:
对于每一个预先存储的参考人脸图像,都可以使用上述公式计算出对应的第一相似度。
步骤S104,将每个第一相似度与第一预设阈值进行对比。
需要说明的是,对于本发明实施例所提供的第一人脸特征提取模型,为了提高人脸识别的效率,采用了浅层卷积神经网络,来减少运算数据量。
在生成第一相似度之后,又将第一相似度与第一预设阈值进行对比,来对第一相似度进行筛选和处理。
具体来说,由于预先存储的参考人脸图像中,会存在对应的第一相似度较小的情况,可以将这些参考人脸图像直接去除,以减小后续数据处理的数据量,提升人脸识别的效率。
步骤S105,根据对比结果,生成待识别人脸图像的识别结果。
其中,在步骤S104,将小于等于第一预设阈值的第一相似度对应的参考人脸图像去除后,剩余的参考人脸图像对应的第一相似度的数值较大。
可以采用排序的方式对剩余的第一相似度从大到小进行排序,选取第一相似度最大的参考人脸图像对应的用户信息作为待识别人脸图像的识别结果。
综上所述,本发明实施例所提供的人脸图像的识别方法,获取待识别人脸图像,将待识别人脸图像输入第一人脸特征提取模型中。根据第一人脸特征提取模型的输出,生成待识别人脸图像与预先存储的多个参考人脸图像分别对应的多个第一相似度,将每个第一相似度与第一预设阈值进行对比。根据对比结果,生成待识别人脸图像的识别结果。由此,实现了根据待识别人脸图像与每个参考人脸图像的第一相似度,与第一预设阈值的大小关系,生成人脸图像的识别结果,提高了人脸识别的效率。
在上述的人脸图像的识别方法中,在将每个第一相似度与第一预设阈值进行对比后,可能会出现两种情况。
第一种可能的情况是,存在至少一个第一相似度大于第一预设阈值,那么将小于第一预设阈值的第一相似度对应的参考人脸图像去除后,还剩余至少一个参考人脸图像,那么从中选取第一相似度最大的参考人脸图像对应的用户信息,作为人脸图像的识别结果。可以理解,若刚好只剩一个参考人脸图像,则直接将该参考人脸图像对应的用户信息,作为人脸图像的识别结果。即根据第一相似度,生成人脸图像的识别结果。
第二种可能的情况是,每个第一相似度均小于等于第一预设阈值,即在步骤S104,将小于等于第一预设阈值的第一相似度对应的参考人脸图像去除后,没有剩余任何一个参考人脸图像,需要对待识别人脸图像进行进一步处理。
为了对待识别人脸图像进行进一步处理,本发明实施例还提出了另一种人脸图像的识别方法。图2为本发明实施例所提供的另一种人脸图像的识别方法的流程示意图。如图2所示,该方法包括:
步骤S201,获取待识别人脸图像。
步骤S202,将待识别人脸图像输入第一人脸特征提取模型中。
步骤S203,根据第一人脸特征提取模型的输出,生成待识别人脸图像与预先存储的多个参考人脸图像分别对应的多个第一相似度。
步骤S204,将每个第一相似度与第一预设阈值进行对比。
需要说明的是,对步骤S101-S104的解释说明也适用于步骤S201-S204,此处不再赘述。
步骤S205,如果每个第一相似度均小于等于第一预设阈值,则将待识别人脸图像输入第二人脸特征提取模型中。
其中,第一人脸特征提取模型为训练后的M层卷积神经网络,第一人脸特征提取模型输入分辨率为A*A,第一人脸特征提取模型的输出包括X维的人脸特征,M,A,X为自然数,第二人脸特征提取模型为训练后的N层卷积神经网络,第二人脸特征提取模型的输入分辨率为B*B,第二人脸特征提取模型的输出包括Y维的人脸特征,N,B,Y为自然数,且B>A,N>M,Y>X。
可以理解,当每个第一相似度均小于等于第一预设阈值时,说明本发明实施例所提供的人脸图像的识别方法无法仅通过第一人脸特征提取模型提取出的人脸特征,以及生成的第一相似度,生成人脸图像的识别结果,需要从待识别人脸图像中提取出更多的特征。
因此,本发明实施例所提出的人脸图像的识别方法,当每个第一相似度均小于等于第一预设阈值时,将待识别人脸图像输入第二人脸特征提取模型中。
第二人脸特征提取模型包括深层卷积神经网络,输入分辨率的数值、输出的人脸特征的维度都要比第一人脸特征提取模型中的浅层卷积神经网络大。此外,深层卷积神经网络的输出除了包括人脸特征外,还可以包括属性特征,从而增加了后续处理的数据量,提高了人脸识别的精度。
其中,属性特征可以包括性别特征,年龄特征,人种特征中的一种或者多种,本发明实施例对此不做限制。
比如说,可以将深层卷积神经网络的层数设为54层,输入分辨率设为224*224,输出的人脸特征的维度设为512维,输出的属性特征的维度设为64维。从而,使得深层卷积神经网络的层数为浅层神经网络的3倍,输入分辨率数值大小为浅层神经网络的4倍,输出的人脸特征的维度为浅层神经网络的4倍,额外输出了64维的属性特征。
步骤S206,根据第二人脸特征提取模型的输出,生成待识别人脸图像与预先存储的参考人脸图像分别对应的多个第二相似度。
需要说明的是,本发明实施例所提供的预先存储的参考人脸图像,不仅预先生成了与第一人脸特征提取模型的输出维度相同的人脸特征,而且预先生成了与第二人脸特征提取模型的输出维度相同的人脸特征,以及属性特征,以便于使用余弦相似度计算公式计算第二相似度。
具体地,第二相似度=0.9*人脸特征相似度+0.1*属性特征相似度,其中,人脸特征相似度和属性特征相似度的计算公式和第一相似度的计算公式相同,此处不再赘述。
步骤S207,根据多个第二相似度,生成待识别人脸图像的识别结果。
可以理解,在生成了多个第二相似度之后,需要对多个第二相似度进行从大到小排序,选取第二相似度最大的参考人脸图像。
当数值最大的第二相似度小于等于预设阈值时,说明待识别的人脸图像无法与预先存储的参考人脸图像实现匹配,无法生成待识别人脸图像的识别结果。造成这样的结果,可能是该用户之前没有将自身的人脸图像存入,也可能是采集到的用户的人脸图像质量较差,则提醒用户人脸识别失败,让用户自行选择是否重新进行采集图像,进行人脸识别。
当数值最大的第二相似度大于预设阈值时,将第二相似度最大的人脸图像对应的用户信息作为人脸图像的识别结果。
从而,实现了当每个第一相似度均小于等于第一预设阈值时,使用深层卷积神经网络对待识别人脸图像进行准确识别。
此外,当出现前述的数值最大的第二相似度小于等于预设阈值的情况时,还可以将待识别人脸图像输入第三人脸特征提取模型中,第三人脸特征提取模型包括一个层数更多的卷积神经网络,对应的输入分辨率数值和输出的人脸特征维度更多,还可以包括更多的属性特征,本发明实施例对此不做限制。
进一步地,本发明实施例所提供的第一人脸特征提取模型包括训练后的M层卷积神经网络,第二人脸特征提取模型包括训练后的N层卷积神经网络,本发明实施例所提供的M层卷积神经网络和N层卷积神经网络可以进行独立训练。
具体地,M层卷积神经网络通过以下步骤进行训练:
步骤S11,获取参考人脸图像,以及参考人脸图像对应的身份标签。
其中,身份标签对应于不同的参考人脸特征,参考人脸图像和参考人脸特征是用于训练M层卷积神经网络的训练数据。
步骤S12,将参考人脸图像输入M层卷积神经网络。
步骤S13,根据M层卷积神经网络的输出和参考人脸图像对应的身份标签,对M层卷积神经网络的参数进行训练。
将参考人脸图像输入M层卷积神经网络后,使用Sotfmax Loss函数对M层卷积神经网络的输出和参考人脸特征进行计算,根据计算结果不断调整M层卷积神经网络的参数大小。
步骤S14,当M层卷积神经网络对身份标签的识别准确率大于等于第二预设阈值时,完成对M层卷积神经网络的训练。
可以理解,对于M层卷积神经网络的训练来说,当M层卷积神经网络对身份标签的识别准确率大于等于第二预设阈值时,说明M层卷积神经网络已经能够对参考人脸图像进行较为准确的识别。
考虑到人脸识别和一般图像处理技术相比,需要将输入人脸图像与不同个人相对应,因此本发明实施例所提供的人脸图像的识别方法在使用Softmax Loss网络完成对M层卷积神经网络的训练之后,还需要使用Triplet Loss对M层卷积神经网络的参数进行整体优化。
其中,步骤S11获取参考人脸图像,具体可以包括:从参考图像库中获取原始参考图像,对原始参考图像进行人脸检测和人脸校准,以从原始参考图像中提取第一人脸图像。其中,第一人脸图像的分辨率为A’*A’,A’为自然数,且A’>A。对第一人脸图像进行归一化处理,对处理后的第一人脸图像进行随机裁剪,以得到参考人脸图像。其中,参考人脸图像的分辨率为A*A。
需要特别说明的是,上述第一人脸图像的分辨率大于参考人脸图像的分辨率,从而可以对一个第一人脸图像进行随机裁剪,得到多个参考人脸图像,用于对M层卷积神经网络进行训练,能够增加训练的数据量,同时能够让训练后的M层卷积神经网络适用于不同的人脸角度,提高M层卷积神经网络的泛化能力。
比如说,第一人脸图像的分辨率可以设为128*128,经过随机裁剪后的参考人脸图像的分辨率可以设为112*112,M层卷积神经网络的输入分辨率也为112*112。
类似地,N层卷积神经网络通过以下步骤进行训练:
步骤S21,获取参考人脸图像,以及参考人脸图像对应的身份标签和属性标签。
其中,身份标签对应于不同的参考人脸特征,属性标签对应于不同的参考属性特征,参考人脸图像、参考人脸特征和参考属性特征是用于训练N层卷积神经网络的训练数据,参考属性特征包括参考性别特征,参考年龄特征和参考人种特征。
步骤S22,将参考人脸图像输入N层卷积神经网络。
步骤S23,根据N层卷积神经网络的输出和参考人脸图像对应的身份标签和属性标签,对N层卷积神经网络的参数进行训练。
将参考人脸图像输入N层卷积神经网络后,使用Sotfmax Loss函数对N层卷积神经网络的输出和参考人脸特征、参考属性特征进行计算,根据计算结果不断调整N层卷积神经网络的参数大小。
步骤S24,当N层卷积神经网络对身份标签和属性标签的识别准确率大于等于第三预设阈值时,完成对N层卷积神经网络的训练。
可以理解,对于N层卷积神经网络的训练来说,当N层卷积神经网络对身份标签和属性标签的识别准确率大于等于第三预设阈值时,说明N层卷积神经网络已经能够对参考人脸图像进行较为准确的识别。
考虑到人脸识别和一般图像处理技术相比,需要将输入人脸图像与不同个人相对应,因此本发明实施例所提供的人脸图像的识别方法在使用Softmax Loss网络完成对N层卷积神经网络的训练之后,还需要使用Triplet Loss对N层卷积神经网络的参数进行整体优化。
需要特别说明的是,属性特征作为人脸特征的辅助特征,特征维度较小,对于人脸识别的结果的影响度较低,因此在使用Sotfmax Loss函数对N层卷积神经网络的输出和参考人脸特征、参考属性特征进行计算时,人脸特征的权重可以设为0.9,属性特征的权重可以设为0.1。
其中,步骤S21获取参考人脸图像,具体可以包括:从参考图像库中获取原始参考图像,对原始参考图像进行人脸检测和人脸校准,以提取第二人脸图像。其中,第二人脸图像的分辨率为B’*B’,B’为自然数,且B’>B。对第二人脸图像进行归一化处理,对处理后的第二人脸图像进行随机裁剪,以得到参考人脸图像。其中,参考人脸图像的分辨率为B*B。
需要特别说明的是,上述第二人脸图像的分辨率大于参考人脸图像的分辨率,从而可以对一个第二人脸图像进行随机裁剪,得到多个参考人脸图像,用于对N层卷积神经网络进行训练,能够增加训练的数据量,同时能够让训练后的N层卷积神经网络适用于不同的人脸角度,提高N层卷积神经网络的泛化能力。
比如说,第二人脸图像的分辨率可以设为256*256,经过随机裁剪后的参考人脸图像的分辨率可以设为224*224,N层卷积神经网络的输入分辨率也设为224*224。
为了更加清楚地说明本发明实施例所提供的人脸图像的识别方法,下面进行举例说明。
图3为本发明实施例所提供的人脸图像的识别方法的一个示例的流程图,如图3所示,首先使用参考人脸图像和参考人脸特征对18层卷积神经网络进行训练,使用参考人脸图像、参考人脸特征和参考属性特征对54层卷积神经网络进行训练,得到训练后的18层卷积神经网络和训练后的54层卷积神经网络。
使用图像采集单元采集原始图像,对原始图像进行人脸检测和人脸校准,以从原始图像中提取人脸图像,对人脸图像进行归一化处理,以去除光照强度对人脸识别的影响,将归一化处理后的人脸图像作为待识别的人脸图像。
将待识别的人脸图像输入训练后的18层卷积神经网络中,输出128维人脸特征,使用余弦相似度公式,分别计算输出的128维人脸特征,与预先存储的多个参考人脸图像对应的128维人脸特征之间的第一相似度。
将计算后得到的多个第一相似度与第一预设阈值进行对比,若存在至少一个第一相似度大于第一预设阈值,则说明待识别人脸图像容易识别,18层卷积神经网络能够完成人脸识别的工作,选择第一相似度最大的参考人脸图像对应的用户信息作为人脸图像的识别结果。
若每个第一相似度均小于等于第一预设阈值,则说明待识别人脸图像难以识别,需要层数更多的卷积神经网络才能完成人脸识别的工作,将待识别人脸图像输入训练后的54层卷积神经网络,输出512维人脸特征和64维属性特征。
使用余弦相似度公式,分别计算输出的512维人脸特征,与预先存储的多个参考人脸图像对应的512维人脸特征之间的人脸特征相似度,以及输出的64维属性特征,与预先存储的多个参考人脸图像对应的64维属性特征之间的属性特征相似度,并根据公式第二相似度=0.9*人脸特征相似度+0.1*属性特征相似度,计算得到第二相似度。
当数值最大的第二相似度大于预设阈值时,选择第二相似度最大的参考人脸图像对应的用户信息作为人脸图像的识别结果,当数值最大的第二相似度小于等于预设阈值时,待识别的人脸图像无法与预先存储的参考人脸图像实现匹配,无法生成待识别人脸图像的识别结果。
申请人经过大量测试发现,绝大多数的待识别人脸图像只需要经过训练后的18层卷积神经网络,就能够完成人脸识别,部分待识别人脸图像较难识别,需要使用训练后的54层卷积神经网络才能完成人脸识别。因此从整体上说,本发明实施例所提供的人脸图像的识别方法能够提升人脸识别的效率,即便遇到较难识别的人脸图像,也能够进一步使用较为复杂的深层卷积神经网络完成人脸识别,可靠性较高。换句话说,在绝大多数情况下,本发明实施例所提供的人脸图像的识别方法都能够迅速完成人脸识别,而对于极少数情况,人脸识别的运算量较大,综合来看还是要比现有的人脸识别技术的效率高。
为了实现上述实施例,本发明实施例还提出了一种人脸图像的识别装置,图4为本发明实施例所提供的一种人脸图像的识别装置的结构示意图。如图4所示,该装置包括:第一获取模块310,第一输入模块320,第一生成模块330,对比模块340,第二生成模块350。
第一获取模块310,用于获取待识别人脸图像。
第一输入模块320,用于将待识别人脸图像输入第一人脸特征提取模型中。
第一生成模块330,用于根据第一人脸特征提取模型的输出,生成待识别人脸图像与预先存储的多个参考人脸图像分别对应的多个第一相似度。
对比模块340,用于将每个第一相似度与第一预设阈值进行对比。
第二生成模块350,用于根据对比结果,生成待识别人脸图像的识别结果。
进一步地,为了获取待识别人脸图像,一种可能的实现方式是,第一获取模块310,包括:第一获取子模块311,用于获取包括待识别人脸图像的原始图像。第一检测校准子模块312,用于对原始图像进行人脸检测和人脸校准,以从原始图像中提取待识别人脸图像。第一处理子模块313,用于对待识别人脸图像进行归一化处理。
进一步地,为了快速生成人脸图像的识别结果,一种可能的实现方式是,第二生成模块350,包括:第一生成子模块351,用于当存在至少一个第一相似度大于第一预设阈值时,根据第一相似度,生成待识别人脸图像的识别结果。
需要说明的是,前述对人脸图像的识别方法实施例的解释说明也适用于该实施例的人脸图像的识别装置,此处不再赘述。
综上所述,本发明实施例所提供的人脸图像的识别装置,获取待识别人脸图像,将待识别人脸图像输入第一人脸特征提取模型中。根据第一人脸特征提取模型的输出,生成待识别人脸图像与预先存储的多个参考人脸图像分别对应的多个第一相似度,将每个第一相似度与第一预设阈值进行对比。根据对比结果,生成待识别人脸图像的识别结果。由此,实现了根据待识别人脸图像与每个参考人脸图像的第一相似度,与第一预设阈值的大小关系,生成人脸图像的识别结果,提高了人脸识别的效率。
为了实现上述实施例,本发明实施例还提出了另一种人脸图像的识别装置,图5为本发明实施例所提供的另一种人脸图像的识别装置的结构示意图。如图5所示,基于图4所示的装置结构,第二生成模块350,包括:输入子模块352,第二生成子模块353,第三生成子模块354。
输入子模块352,用于当每个第一相似度均小于等于第一预设阈值时,将待识别人脸图像输入第二人脸特征提取模型中。
其中,第一人脸特征提取模型为训练后的M层卷积神经网络,第一人脸特征提取模型输入分辨率为A*A,第一人脸特征提取模型的输出包括X维的人脸特征,M,A,X为自然数,第二人脸特征提取模型为训练后的N层卷积神经网络,第二人脸特征提取模型的输入分辨率为B*B,第二人脸特征提取模型的输出包括Y维的人脸特征,N,B,Y为自然数,且B>A,N>M,Y>X。
第二生成子模块353,用于根据第二人脸特征提取模型的输出,生成待识别人脸图像与预先存储的参考人脸图像分别对应的多个第二相似度。
第三生成子模块354,用于根据多个第二相似度,生成待识别人脸图像的识别结果。
进一步地,为了提高人脸识别的精度,一种可能的实现方式是,第二人脸特征提取模型的输出还包括Z维的属性特征,属性特征包括性别特征,年龄特征和人种特征中的一种或者多种,Z为自然数。
进一步,为了对M层卷积神经网络进行训练,一种可能的实现方式是,该装置还包括:第二获取模块410,用于获取参考人脸图像,以及参考人脸图像对应的身份标签。第二输入模块420,用于将参考人脸图像输入M层卷积神经网络。第一训练模块430,用于根据M层卷积神经网络的输出和参考人脸图像对应的身份标签,对M层卷积神经网络的参数进行训练。第一完成模块440,用于当M层卷积神经网络对身份标签的识别准确率大于等于第二预设阈值时,完成对M层卷积神经网络的训练。
进一步地,为了获取参考人脸图像,一种可能的实现方式是,第二获取模块410,包括:第二获取子模块411,用于从参考图像库中获取原始参考图像。第二检测校准子模块412,用于对原始参考图像进行人脸检测和人脸校准,以从原始参考图像中提取第一人脸图像。其中,第一人脸图像的分辨率为A’*A’,A’为自然数,且A’>A。第二处理子模块413,用于对第一人脸图像进行归一化处理。第一裁剪子模块414,用于对处理后的第一人脸图像进行随机裁剪,以得到参考人脸图像。其中,参考人脸图像的分辨率为A*A。
进一步,为了对N层卷积神经网络进行训练,一种可能的实现方式是,该装置还包括:第三获取模块510,用于获取参考人脸图像,以及参考人脸图像对应的身份标签和属性标签。第三输入模块520,用于将参考人脸图像输入N层卷积神经网络。第二训练模块530,用于根据N层卷积神经网络的输出和参考人脸图像对应的身份标签和属性标签,对N层卷积神经网络的参数进行训练。第二完成模块540,用于当N层卷积神经网络对身份标签和属性标签的识别准确率大于等于第三预设阈值时,完成对N层卷积神经网络的训练。
进一步地,为了获取参考人脸图像,一种可能的实现方式是,第三获取模块510,包括:第三获取子模块511,用于从参考图像库中获取原始参考图像。第三检测校准子模块512,用于对原始参考图像进行人脸检测和人脸校准,以提取第二人脸图像。其中,第二人脸图像的分辨率为B’*B’,B’为自然数,且B’>B。第三处理子模块513,用于对第二人脸图像进行归一化处理。第二裁剪子模块514,用于对处理后的第二人脸图像进行随机裁剪,以得到参考人脸图像。其中,参考人脸图像的分辨率为B*B。
需要说明的是,前述对人脸图像的识别方法实施例的解释说明也适用于该实施例的人脸图像的识别装置,此处不再赘述。
从而,实现了当每个第一相似度均小于等于第一预设阈值时,使用深层卷积神经网络对待识别人脸图像进行准确识别。
为了实现上述实施例,本发明实施例还提出一种计算机设备,当所述计算机设备中的指令处理器执行时实现如前述方法实施例所述的人脸图像的识别方法。
为了实现上述实施例,实施例还提出一种非临时性计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如前述方法实施例所述的人脸图像的识别方法。
在本发明的描述中,需要理解的是,术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”、“顺时针”、“逆时针”、“轴向”、“径向”、“周向”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
在本发明中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或成一体;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通或两个元件的相互作用关系,除非另有明确的限定。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
在本发明中,除非另有明确的规定和限定,第一特征在第二特征“上”或“下”可以是第一和第二特征直接接触,或第一和第二特征通过中间媒介间接接触。而且,第一特征在第二特征“之上”、“上方”和“上面”可是第一特征在第二特征正上方或斜上方,或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”可以是第一特征在第二特征正下方或斜下方,或仅仅表示第一特征水平高度小于第二特征。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (20)
1.一种人脸图像的识别方法,其特征在于,包括:
获取待识别人脸图像;
将所述待识别人脸图像输入第一人脸特征提取模型中;
根据所述第一人脸特征提取模型的输出,生成所述待识别人脸图像与预先存储的多个参考人脸图像分别对应的多个第一相似度;
将每个所述第一相似度与第一预设阈值进行对比;以及
根据对比结果,生成所述待识别人脸图像的识别结果。
2.如权利要求1所述的方法,其特征在于,所述根据对比结果,生成所述待识别人脸图像的识别结果,包括:
如果存在至少一个所述第一相似度大于所述第一预设阈值,则根据第一相似度,生成所述待识别人脸图像的识别结果。
3.如权利要求1所述的方法,其特征在于,所述根据对比结果,生成所述待识别人脸图像的识别结果,包括:
如果每个所述第一相似度均小于等于所述第一预设阈值,则将所述待识别人脸图像输入第二人脸特征提取模型中;其中,所述第一人脸特征提取模型为训练后的M层卷积神经网络,所述第一人脸特征提取模型输入分辨率为A*A,所述第一人脸特征提取模型的输出包括X维的人脸特征,M,A,X为自然数,所述第二人脸特征提取模型为训练后的N层卷积神经网络,所述第二人脸特征提取模型的输入分辨率为B*B,所述第二人脸特征提取模型的输出包括Y维的人脸特征,N,B,Y为自然数,且B>A,N>M,Y>X;
根据所述第二人脸特征提取模型的输出,生成所述待识别人脸图像与预先存储的参考人脸图像分别对应的多个第二相似度;
根据所述多个第二相似度,生成所述待识别人脸图像的识别结果。
4.如权利要求3所述的方法,其特征在于,所述第二人脸特征提取模型的输出还包括Z维的属性特征,所述属性特征包括性别特征,年龄特征和人种特征中的一种或者多种,Z为自然数。
5.如权利要求1所述的方法,其特征在于,所述获取待识别人脸图像,包括:
获取包括所述待识别人脸图像的原始图像;
对所述原始图像进行人脸检测和人脸校准,以从所述原始图像中提取所述待识别人脸图像;
对所述待识别人脸图像进行归一化处理。
6.如权利要求4所述的方法,其特征在于,所述M层卷积神经网络通过以下步骤进行训练:
获取所述参考人脸图像,以及所述参考人脸图像对应的身份标签;
将所述参考人脸图像输入所述M层卷积神经网络;
根据所述M层卷积神经网络的输出和所述参考人脸图像对应的所述身份标签,对所述M层卷积神经网络的参数进行训练;
当所述M层卷积神经网络对所述身份标签的识别准确率大于等于第二预设阈值时,完成对所述M层卷积神经网络的训练。
7.如权利要求6所述的方法,其特征在于,所述获取所述参考人脸图像,包括:
从参考图像库中获取原始参考图像;
对所述原始参考图像进行人脸检测和人脸校准,以从所述原始参考图像中提取第一人脸图像;其中,所述第一人脸图像的分辨率为A’*A’,A’为自然数,且A’>A;
对所述第一人脸图像进行归一化处理;
对处理后的所述第一人脸图像进行随机裁剪,以得到所述参考人脸图像;其中,所述参考人脸图像的分辨率为A*A。
8.如权利要求4所述的方法,其特征在于,所述N层卷积神经网络通过以下步骤进行训练:
获取所述参考人脸图像,以及所述参考人脸图像对应的身份标签和属性标签;
将所述参考人脸图像输入所述N层卷积神经网络;
根据所述N层卷积神经网络的输出和所述参考人脸图像对应的所述身份标签和所述属性标签,对所述N层卷积神经网络的参数进行训练;
当所述N层卷积神经网络对所述身份标签和所述属性标签的识别准确率大于等于第三预设阈值时,完成对所述N层卷积神经网络的训练。
9.如权利要求8所述的方法,其特征在于,所述获取所述参考人脸图像,包括:
从参考图像库中获取原始参考图像;
对所述原始参考图像进行人脸检测和人脸校准,以提取第二人脸图像;其中,所述第二人脸图像的分辨率为B’*B’,B’为自然数,且B’>B;
对所述第二人脸图像进行归一化处理;
对处理后的所述第二人脸图像进行随机裁剪,以得到所述参考人脸图像;其中,所述参考人脸图像的分辨率为B*B。
10.一种人脸图像的识别装置,其特征在于,包括:
第一获取模块,用于获取待识别人脸图像;
第一输入模块,用于将所述待识别人脸图像输入第一人脸特征提取模型中;
第一生成模块,用于根据所述第一人脸特征提取模型的输出,生成所述待识别人脸图像与预先存储的多个参考人脸图像分别对应的多个第一相似度;
对比模块,用于将每个第一相似度与第一预设阈值进行对比;以及
第二生成模块,用于根据对比结果,生成所述待识别人脸图像的识别结果。
11.如权利要求10所述的装置,其特征在于,所述第二生成模块,包括:
第一生成子模块,用于当存在至少一个所述第一相似度大于所述第一预设阈值时,根据第一相似度,生成所述待识别人脸图像的识别结果。
12.如权利要求10所述的装置,其特征在于,所述第二生成模块,包括:
输入子模块,用于当每个所述第一相似度均小于等于所述第一预设阈值时,将所述待识别人脸图像输入第二人脸特征提取模型中;其中,所述第一人脸特征提取模型为训练后的M层卷积神经网络,所述第一人脸特征提取模型输入分辨率为A*A,所述第一人脸特征提取模型的输出包括X维的人脸特征,M,A,X为自然数,所述第二人脸特征提取模型为训练后的N层卷积神经网络,所述第二人脸特征提取模型的输入分辨率为B*B,所述第二人脸特征提取模型的输出包括Y维的人脸特征,N,B,Y为自然数,且B>A,N>M,Y>X;
第二生成子模块,用于根据所述第二人脸特征提取模型的输出,生成所述待识别人脸图像与预先存储的参考人脸图像分别对应的多个第二相似度;
第三生成子模块,用于根据所述多个第二相似度,生成所述待识别人脸图像的识别结果。
13.如权利要求12所述的装置,其特征在于,所述第二人脸特征提取模型的输出还包括Z维的属性特征,所述属性特征包括性别特征,年龄特征和人种特征中的一种或者多种,Z为自然数。
14.如权利要求10所述的装置,其特征在于,所述第一获取模块,包括:
第一获取子模块,用于获取包括所述待识别人脸图像的原始图像;
第一检测校准子模块,用于对所述原始图像进行人脸检测和人脸校准,以从所述原始图像中提取所述待识别人脸图像;
第一处理子模块,用于对所述待识别人脸图像进行归一化处理。
15.如权利要求13所述的装置,其特征在于,所述装置还包括:
第二获取模块,用于获取所述参考人脸图像,以及所述参考人脸图像对应的身份标签;
第二输入模块,用于将所述参考人脸图像输入所述M层卷积神经网络;
第一训练模块,用于根据所述M层卷积神经网络的输出和所述参考人脸图像对应的所述身份标签,对所述M层卷积神经网络的参数进行训练;
第一完成模块,用于当所述M层卷积神经网络对所述身份标签的识别准确率大于等于所述第二预设阈值时,完成对所述M层卷积神经网络的训练。
16.如权利要求15所述的装置,其特征在于,所述第二获取模块,包括:
第二获取子模块,用于从参考图像库中获取原始参考图像;
第二检测校准子模块,用于对所述原始参考图像进行人脸检测和人脸校准,以从所述原始参考图像中提取第一人脸图像;其中,所述第一人脸图像的分辨率为A’*A’,A’为自然数,且A’>A;
第二处理子模块,用于对所述第一人脸图像进行归一化处理;
第一裁剪子模块,用于对处理后的所述第一人脸图像进行随机裁剪,以得到所述参考人脸图像;其中,所述参考人脸图像的分辨率为A*A。
17.如权利要求13所述的装置,其特征在于,所述装置还包括:
第三获取模块,用于获取所述参考人脸图像,以及所述参考人脸图像对应的身份标签和属性标签;
第三输入模块,用于将所述参考人脸图像输入所述N层卷积神经网络;
第二训练模块,用于根据所述N层卷积神经网络的输出和所述参考人脸图像对应的所述身份标签和所述属性标签,对所述N层卷积神经网络的参数进行训练;
第二完成模块,用于当所述N层卷积神经网络对所述身份标签和所述属性标签的识别准确率大于等于第三预设阈值时,完成对所述N层卷积神经网络的训练。
18.如权利要求17所述的装置,其特征在于,所述第三获取模块,包括:
第三获取子模块,用于从参考图像库中获取原始参考图像;
第三检测校准子模块,用于对所述原始参考图像进行人脸检测和人脸校准,以提取第二人脸图像;其中,所述第二人脸图像的分辨率为B’*B’,B’为自然数,且B’>B;
第三处理子模块,用于对所述第二人脸图像进行归一化处理;
第二裁剪子模块,用于对处理后的所述第二人脸图像进行随机裁剪,以得到所述参考人脸图像;其中,所述参考人脸图像的分辨率为B*B。
19.一种计算机设备,其特征在于,包括存储器和处理器;所述存储器上存储有可由处理器运行的计算机程序;所述处理器运行所述计算机程序时,执行如权利要求1-9中任一项所述的人脸图像的识别方法。
20.一种非临时性计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-9中任一项所述的人脸图像的识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910911181.6A CN110688941A (zh) | 2019-09-25 | 2019-09-25 | 人脸图像的识别方法及其装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910911181.6A CN110688941A (zh) | 2019-09-25 | 2019-09-25 | 人脸图像的识别方法及其装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110688941A true CN110688941A (zh) | 2020-01-14 |
Family
ID=69110122
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910911181.6A Pending CN110688941A (zh) | 2019-09-25 | 2019-09-25 | 人脸图像的识别方法及其装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110688941A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110991433A (zh) * | 2020-03-04 | 2020-04-10 | 支付宝(杭州)信息技术有限公司 | 人脸识别方法、装置、设备及存储介质 |
CN111414858A (zh) * | 2020-03-19 | 2020-07-14 | 北京迈格威科技有限公司 | 人脸识别方法、目标图像的确定方法、装置和电子系统 |
CN112183282A (zh) * | 2020-09-22 | 2021-01-05 | 北京金山云网络技术有限公司 | 一种人脸图像处理方法、装置、设备及存储介质 |
CN112364829A (zh) * | 2020-11-30 | 2021-02-12 | 北京有竹居网络技术有限公司 | 一种人脸识别方法、装置、设备及存储介质 |
CN112699803A (zh) * | 2020-12-31 | 2021-04-23 | 竹间智能科技(上海)有限公司 | 人脸识别方法、系统、设备及可读存储介质 |
CN113177533A (zh) * | 2021-05-28 | 2021-07-27 | 济南博观智能科技有限公司 | 一种人脸识别方法、装置及电子设备 |
CN114387651A (zh) * | 2022-01-12 | 2022-04-22 | 北京百度网讯科技有限公司 | 一种人脸识别方法、装置、设备及存储介质 |
CN114863540A (zh) * | 2022-07-05 | 2022-08-05 | 杭州魔点科技有限公司 | 基于人脸属性分析的人脸识别在线辅助方法及装置 |
CN115880761A (zh) * | 2023-02-09 | 2023-03-31 | 数据空间研究院 | 基于策略优化的人脸识别方法、系统、存储介质及应用 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106022317A (zh) * | 2016-06-27 | 2016-10-12 | 北京小米移动软件有限公司 | 人脸识别方法及装置 |
CN106203333A (zh) * | 2016-07-08 | 2016-12-07 | 乐视控股(北京)有限公司 | 人脸识别方法及系统 |
CN109117801A (zh) * | 2018-08-20 | 2019-01-01 | 深圳壹账通智能科技有限公司 | 人脸识别的方法、装置、终端及计算机可读存储介质 |
-
2019
- 2019-09-25 CN CN201910911181.6A patent/CN110688941A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106022317A (zh) * | 2016-06-27 | 2016-10-12 | 北京小米移动软件有限公司 | 人脸识别方法及装置 |
CN106203333A (zh) * | 2016-07-08 | 2016-12-07 | 乐视控股(北京)有限公司 | 人脸识别方法及系统 |
CN109117801A (zh) * | 2018-08-20 | 2019-01-01 | 深圳壹账通智能科技有限公司 | 人脸识别的方法、装置、终端及计算机可读存储介质 |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110991433B (zh) * | 2020-03-04 | 2020-06-23 | 支付宝(杭州)信息技术有限公司 | 人脸识别方法、装置、设备及存储介质 |
CN110991433A (zh) * | 2020-03-04 | 2020-04-10 | 支付宝(杭州)信息技术有限公司 | 人脸识别方法、装置、设备及存储介质 |
CN111414858B (zh) * | 2020-03-19 | 2023-12-19 | 北京迈格威科技有限公司 | 人脸识别方法、目标图像的确定方法、装置和电子系统 |
CN111414858A (zh) * | 2020-03-19 | 2020-07-14 | 北京迈格威科技有限公司 | 人脸识别方法、目标图像的确定方法、装置和电子系统 |
CN112183282A (zh) * | 2020-09-22 | 2021-01-05 | 北京金山云网络技术有限公司 | 一种人脸图像处理方法、装置、设备及存储介质 |
CN112364829A (zh) * | 2020-11-30 | 2021-02-12 | 北京有竹居网络技术有限公司 | 一种人脸识别方法、装置、设备及存储介质 |
CN112699803A (zh) * | 2020-12-31 | 2021-04-23 | 竹间智能科技(上海)有限公司 | 人脸识别方法、系统、设备及可读存储介质 |
CN112699803B (zh) * | 2020-12-31 | 2024-01-16 | 竹间智能科技(上海)有限公司 | 人脸识别方法、系统、设备及可读存储介质 |
CN113177533A (zh) * | 2021-05-28 | 2021-07-27 | 济南博观智能科技有限公司 | 一种人脸识别方法、装置及电子设备 |
CN113177533B (zh) * | 2021-05-28 | 2022-09-06 | 济南博观智能科技有限公司 | 一种人脸识别方法、装置及电子设备 |
CN114387651B (zh) * | 2022-01-12 | 2023-10-20 | 北京百度网讯科技有限公司 | 一种人脸识别方法、装置、设备及存储介质 |
CN114387651A (zh) * | 2022-01-12 | 2022-04-22 | 北京百度网讯科技有限公司 | 一种人脸识别方法、装置、设备及存储介质 |
CN114863540B (zh) * | 2022-07-05 | 2022-12-16 | 杭州魔点科技有限公司 | 基于人脸属性分析的人脸识别在线辅助方法及装置 |
CN114863540A (zh) * | 2022-07-05 | 2022-08-05 | 杭州魔点科技有限公司 | 基于人脸属性分析的人脸识别在线辅助方法及装置 |
CN115880761A (zh) * | 2023-02-09 | 2023-03-31 | 数据空间研究院 | 基于策略优化的人脸识别方法、系统、存储介质及应用 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110688941A (zh) | 人脸图像的识别方法及其装置 | |
JP6672371B2 (ja) | 分類器を学習する方法及び装置 | |
Lei et al. | An efficient 3D face recognition approach based on the fusion of novel local low-level features | |
KR101725651B1 (ko) | 식별 장치 및 식별 장치의 제어 방법 | |
EP3101594A1 (en) | Saliency information acquisition device and saliency information acquisition method | |
WO2016110005A1 (zh) | 基于灰度和深度信息的多层融合的多模态人脸识别装置及方法 | |
US8254645B2 (en) | Image processing apparatus and method, and program | |
JP6639123B2 (ja) | 画像処理装置、画像処理方法、及びプログラム | |
WO2016150240A1 (zh) | 身份认证方法和装置 | |
CN105320945A (zh) | 图像分类的方法及装置 | |
US11380010B2 (en) | Image processing device, image processing method, and image processing program | |
Zhou et al. | An efficient 3-D ear recognition system employing local and holistic features | |
WO2009158700A1 (en) | Assessing biometric sample quality using wavelets and a boosted classifier | |
CN109165658B (zh) | 一种基于Faster-RCNN的强负样本水下目标检测方法 | |
JP6756406B2 (ja) | 画像処理装置、画像処理方法および画像処理プログラム | |
JP2010108494A (ja) | 画像内の顔の特性を判断する方法及びシステム | |
Zhang et al. | Discovering the best feature extraction and selection algorithms for spontaneous facial expression recognition | |
JP2015094973A (ja) | 画像処理装置、画像処理方法、画像処理プログラム、及び記録媒体 | |
CN109409322B (zh) | 活体检测方法、装置及人脸识别方法和人脸检测系统 | |
JP2019021100A (ja) | 画像探索装置、商品認識装置および画像探索プログラム | |
JP6486084B2 (ja) | 画像処理方法、画像処理装置、及びプログラム | |
Ma et al. | Compound exemplar based object detection by incremental random forest | |
CN106326927A (zh) | 一种鞋印新类别检测方法 | |
KR20140053259A (ko) | 특징 추출을 위한 기법들 | |
JP5286574B2 (ja) | オブジェクト検出認識装置、オブジェクト検出認識方法、および、プログラム |
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 | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40020916 Country of ref document: HK |
|
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200114 |
|
RJ01 | Rejection of invention patent application after publication |