CN110738227A - 模型训练方法及装置、识别方法、存储介质及电子设备 - Google Patents
模型训练方法及装置、识别方法、存储介质及电子设备 Download PDFInfo
- Publication number
- CN110738227A CN110738227A CN201810803814.7A CN201810803814A CN110738227A CN 110738227 A CN110738227 A CN 110738227A CN 201810803814 A CN201810803814 A CN 201810803814A CN 110738227 A CN110738227 A CN 110738227A
- Authority
- CN
- China
- Prior art keywords
- picture
- reticulate pattern
- initial
- target
- waveform
- 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
Images
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种模型训练方法,包括:选取基础模型;利用叠加有网纹的图片、以及与所述叠加有网纹的图片对应的未叠加网纹前的原始图片作为所述基础模型的输入,对所述基础模型进行训练;当所述基础模型对应的损失函数满足预设的训练终止条件时,终止对所述基础模型的训练,并将终止训练时的基础模型作为训练获得的深度学习模型。本发明提供的模型训练方法,可以训练出能够去除网纹图片中网纹的深度学习模型,进而在身份识别领域中,在通过用户上传的待识别照片及获取的证件网纹照对用户身份进行识别时,去除所述证件网纹照中的网纹,将所述待识别照片与去除网纹的证件照进行比对,提高用户身份识别的准确度。
Description
技术领域
本发明涉及模型训练领域,特别涉及一种模型训练方法及装置、识别方法、存储介质及电子设备。
背景技术
随着信息科技的发展,人们所能涉足的领域越来越多。无论在何种领域中,在涉及到用户身份识别的过程中,人脸识别是最直接且有效的方法。通常的做法是,先采集一张用户当前的人脸照片,然后将采集的人脸照片与从公安系统中拉取的用户二代身份证照片进行比对,当采集的人脸照片与用户二代身份证照片中的人脸为同一人脸时,完成对用户的身份识别。
发明人经过对现有用户身份识别的过程进行研究发现,在将当前获取的用户人脸照片与从公安系统中拉取的用户二代身份证照片进行比对时,由于二代身份证照片上叠加有网纹,影响了对用户二代身份证照片中人脸的识别,进而降低了用户身份识别的准确度。因此亟需一种模型训练方法,能够训练出可以去除网纹图片中网纹的模型,以消除网纹在身份识别过程中,对识别过程带来的影响。
发明内容
本发明所要解决的技术问题是提供一种模型训练方法,能够训练出可以去除网纹图片中网纹的模型,以消除网纹在身份识别过程中,对识别过程带来的影响。
本发明还提供了一种模型训练装置,用以保证上述方法在实际中的实现及应用。
一种模型训练方法,包括:
选取基础模型;
利用叠加有网纹的图片、以及与所述叠加有网纹的图片对应的未叠加网纹前的原始图片作为所述基础模型的输入,对所述基础模型进行训练;
当所述基础模型对应的损失函数满足预设的训练终止条件时,终止对所述基础模型的训练,并将终止训练时的基础模型作为训练获得的深度学习模型。
上述的方法,可选的,在所述深度学习模型的建立过程中,获取所述叠加有网纹的图片,包括:
选取未叠加有网纹的原始图片;
依据预设的生成方式,生成目标网纹,并将所述目标网纹叠加在所述原始图片上,获得网纹图片。
上述的方法,可选的,所述依据预设的生成方式,生成目标网纹,包括:
依据预建立的目标函数,生成初始网纹波形;
基于所述初始网纹波形,生成所述目标网纹。
上述的方法,可选的,所述目标函数的预建立过程,包括:
选取基础函数,并解析已获取的样本网纹的网纹属性;
依据所述已获取的样本网纹的网纹属性,对所述基础函数的函数参数进行调整,获得所述目标函数。
上述的方法,可选的,所述基础函数为三角函数的线性组合函数;所述三角函数为正弦函数或余弦函数;
所述基础函数的函数参数包括所述基础函数中包含的每个三角函数的振幅、角频率及初相。
上述的方法,可选的,所述基于所述初始网纹波形生成目标网纹,包括:
依据所述初始网纹波形生成初始网纹单元;
在所述初始网纹单元中,截取多个网纹子单元,并将所述多个网纹子单元按预设的组合方式进行组合,获得所述目标网纹;每个所述网纹子单元的宽度值与所述原始图片的宽度值相同。
上述的方法,可选的,所述依据所述初始网纹波形生成初始网纹单元,包括:对所述初始网纹波形进行复制,获得与所述初始网纹波形对应的第一网纹波形;将所述第一网纹波形,从所述初始网纹波形的当前位置,按预设的第一矢量方向移动第一位移,获得所述初始网纹波形与所述第一网纹波形组合形成的初始网纹单元;
或
对所述初始网纹波形进行复制,获得与所述初始网纹波形对应的第二网纹波形;将所述第二网纹波形,从所述初始网纹波形的当前位置,按预设的第二矢量方向移动第二位移,获得所述初始网纹波形与所述第二网纹波形组合形成的组合网纹图形;将所述组合网纹图形,以其水平轴为旋转轴,旋转180度,获得所述初始网纹单元。
或
依据所述初始网纹波形,生成第三网纹波形;所述第三网纹波形与所述初始网纹波形的初相位差为kπ,k为奇数;获得所述初始网纹波形与所述第三网纹波形组合形成的初始网纹单元。
上述的方法,可选的,所述在所述初始网纹单元中,截取多个网纹子单元,包括:
获取所述原始图片的宽度值;
在所述初始网纹单元中,随机截取多个宽度值与所述原始图片的宽度值相同的网纹子单元。
上述的方法,可选的,所述将所述多个网纹子单元按预设的组合方式进行组合,获得所述目标网纹,包括:
将所述多个网纹子单元,在已确定的第一目标区域中,由所述第一目标区域的顶部向底部,依次设置在所述第一目标区域中,以获得所述目标网纹;所述第一目标区域中,任意两个相邻网纹子单元之间的间距相等;所述第一目标区域与所述原始图片的大小相同。
上述的方法,可选的,所述将所述多个网纹子单元按预设的组合方式进行组合,获得所述目标网纹,包括:
将每次从所述初始网纹单元中截取的网纹子单元,依次设置在已确定的第二目标区域中的各个目标位置上,直至所述第二目标区域中的各个目标位置上均设置有所述网纹子单元时,获得所述目标网纹;所述第二目标区域与所述原始图片的大小相同。
上述的方法,可选的,还包括:
选取随机数;
依据所述随机数,随机对叠加在所述原始图片上的目标网纹的网纹属性进行调整。
一种模型训练方法,包括:
选取单元,用于选取基础模型;
训练单元,用于利用叠加有网纹的图片、以及与所述叠加有网纹的图片对应的未叠加网纹前的原始图片作为所述基础模型的输入,对所述基础模型进行训练;
终止单元,用于当所述基础模型对应的损失函数满足预设的训练终止条件时,终止对所述基础模型的训练,并将终止训练时的基础模型作为训练获得的深度学习模型。
一种身份识别方法,包括:
接收用户的待识别图片及用户标识信息,并获取与所述用户标识信息对应的证件网纹图片;
将所述证件网纹图片输入预建立的深度学习模型中,经所述深度学习模型处理后,获得所述证件网纹图片对应的目标图片;所述目标图片为所述证件网纹图片去除网纹后的图片;所述深度学习模型经权利要求1~11任意一项所述的模型训练方法训练获得;
将所述待识别图片与所述目标图片输入已选取的第二深度学习模型中,由所述第二深度学习模型确定所述待识别图片中包含的图片对象与所述目标图片中包含的图片对象是否为同一对象;
当确定所述待识别图片中包含的图片对象与所述目标图片中包含的图片对象为同一对象时,通过对所述用户的身份识别。
一种存储介质,所述存储介质包括存储的指令,其中,在所述指令运行时控制所述存储介质所在的设备执行上述的模型训练方法。
一种电子设备,包括存储器,以及一个或者一个以上的指令,其中一个或者一个以上指令存储于存储器中,且经配置以由一个或者一个以上处理器执行上述的模型训练方法。
与现有技术相比,本发明包括以下优点:
本发明提供了一种模型训练方法,包括:选取基础模型;利用叠加有网纹的图片、以及与所述叠加有网纹的图片对应的未叠加网纹前的原始图片作为所述基础模型的输入,对所述基础模型进行训练;当所述基础模型对应的损失函数满足预设的训练终止条件时,终止对所述基础模型的训练,并将终止训练时的基础模型作为训练获得的深度学习模型。本发明提供的模型训练方法,以叠加有网纹的图片、以及与所述叠加有网纹的图片对应的未叠加网纹前的原始图片作为所述基础模型的输入,可以训练出能够去除网纹图片中网纹的深度学习模型,进而在身份识别领域中,在通过用户上传的待识别照片及获取的证件网纹照对用户身份进行识别时,去除所述证件网纹照中的网纹,将所述待识别照片与去除网纹的证件照进行比对,提高用户身份识别的准确度。
附图说明
为了更清楚地说明本发明实施例中的技术方案,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他的附图。
图1为本发明提供的一种模型训练方法的方法流程图;
图2为本发明提供的一种模型训练方法的又一方法流程图;
图3为本发明提供的一种模型训练方法的又一方法流程图;
图4为本发明提供的一种模型训练方法的一示例图;
图5为本发明提供的一种模型训练方法的又一示例图;
图6为本发明提供的一种模型训练方法的又一示例图;
图7为本发明提供的一种模型训练方法的又一示例图;
图8为本发明提供的一种模型训练装置的结构示意图;
图9为本发明提供的一种识别方法的方法流程图;
图10为本发明提供的一种电子设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
本发明可用于众多通用或专用的计算装置环境或配置中。例如:个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器装置、包括以上任何装置或设备的分布式计算环境等等。
本发明实施例提供了一种模型训练方法,该方法可以应用在多种系统平台中,其执行主体可以为计算机终端或各种移动设备的处理器,所述方法的方法流程图如图1所示,具体包括:
S101:选取基础模型;
本发明实施例提供的方法中,在进行模型训练前,首先选取用于模型训练的基础模型,所述基础模型可以根据实际场景,选取与实际场景对应的神经网络模型。
S102:利用叠加有网纹的图片、以及所述叠加有网纹的图片对应的未叠加网纹前的原始图片作为所述基础模型的输入,对所述基础模型进行训练;
本发明实施例提供的方法中,选取叠加有网纹的图片、以及与所述叠加有网纹的图片对应的未叠加网纹前的原始图片作为选取的基础模型的输入,对所述基础模型进行训练。
S103:当所述基础模型对应的损失函数满足预设的训练终止条件时,终止对所述基础模型的训练,并将终止训练时的基础模型作为训练获得的深度学习模型。
本发明实施例提供的方法中,为基础模型设置对应的损失函数,当所述基础模型的输出满足所述损失函数的设定条件时,终止对基础模型的训练。
本发明提供的模型训练方法,以叠加有网纹的图片、以及与所述叠加有网纹的图片对应的未叠加网纹前的原始图片作为基础模型的输入,可以训练出能够去除网纹图片中网纹的深度学习模型,进而在身份识别领域中,在通过用户上传的待识别照片及获取的证件网纹照对用户身份进行识别时,去除所述证件网纹照中的网纹,将所述待识别照片与去除网纹的证件照进行比对,提高用户身份识别的准确度。
本发明实施例提供的方法中,深度学习模型的建立过程中,首先选取用于训练的基础模型,本发明实施例提供的方法中,可以基于Conditional GAN(条件生成对抗网络):以pix2pix为主干框架,并在其上稍作修改。例如,微调了一下网络结构、损失函数中各项的权重、增加SSIM损失项、微调训练方式等。
本发明实施例提供的方法中,以叠加有网纹的图片为基础模型的自变量,以叠加有网纹的图片对应的未叠加网纹前的原始图片,为基础模型的因变量,对基础模型中的各个模型参数进行不断调整训练。
本发明实施例提供的方法中,在基础模型的训练过程中,选取的模型pix2pix的训练阶段:
模型的输入x可以为:带有网纹的图片。
模型的输出G可以为:消除了网纹的图片。
模型的标签y可以为:无网纹图片(与带网纹图片相对应的图片)。
本发明实施例提供的方法中,基础模型的总损失函数可以设定为:
其中,G或G(x,z)表示GAN的生成器,实际中采用的是U-Net模型;D或D(x,y)表示GAN的判别器,实际中采用的是一个简单的FCN(全卷积网络)模型;z表示潜变量。其中表示数学期望。
x~pdata(x)表示输入x遵循pdata(x)的概率分布,其中data表示训练集数据。类似的:x,y~pdata(x)表示输入x与标签y遵循pdata(x,y)的概率分布,z~pz(z)表示潜变量z遵循pz(z)的概率分布。
本发明实施例提供的方法中,对于选定的基础模型的训练目标为,获得最优化的模型参数G*,在判别器D试图最大化总损失函数的同时,生成器G要最小化总损失函数当二者达到平衡时,训练完成,即可获得最优化的模型参数G*,用公式可以表示如下:
本发明实施例中,在模型pix2pix测试/使用阶段:
模型的输入x为:带有网纹的图片。
模型的输出G为:消除了网纹的图片。
其中,模型的输出G即为GAN的生成器的输出结果。
本发明实施例提供的方法中,在对基础模型不断的训练过程中,当损失函数达到预设的训练终止条件时,终止对基础模型的训练,将终止训练时获得的模型作为应用在身份识别方法中的深度学习模型。
本发明实施例提供的方法中,在将所述目标图片与已接收的待识别图片进行比对时,可以将所述目标图片与已接收的待识别图片输入到任意能够进行对象识别的深度学习模型中,由所述深度学习模型识别所述目标图片与所述已接收的待识别图片中是否包含相同的图片对象。
具体的,在人脸识别领域中,在将去除网纹的用户的证件照图片与获取的用户的当前人脸图片进行比对时,可以调用已训练完成的用于人脸识别的神经网络模型,对去除网纹的证件照图片中包含的人脸图像,与获取的用户的当前人脸图片中的人脸是否为同一人脸。
本发明实施例提供的身份识别方法中,所采用的深度学习模型在建立过程中,训练样本的获取过程,可以包括:
选取未叠加网纹的原始图片;
依据预设的生成方式,生成目标网纹,并将所述目标网纹叠加在所述原始图片上,获得作为训练样本的网纹图片。
本发明实施例提供的方法,在获取训练样本的过程中,可以选取多个原始图片,所述原始图片中未叠加有网纹,例如在人脸识别领域中,所述原始图片可以为多个不同用户的多个生活照。在选取足够数量的原始图片后,按预设的生成方式,生成目标网纹,所述目标网纹与用户对应的公安系统中证件照上叠加的网纹具有很高的拟合度。将生成的目标网纹叠加在选取的每个原始图片上,获得作为训练样本的网纹图片。本发明实施例提供的身份识别方法中,可以根据用户对应证件照上叠加的网纹类型,生成与每个网纹类型对应的多种目标网纹,将每种目标网纹均作为训练用的网纹叠加在选取的原始图片上,以丰富训练样本的种类。
本发明实施例提供的方法中,依据预设的生成方式,生成目标网纹的过程,如图2所示,具体包括:
S201:依据预建立的目标函数,生成初始网纹波形;
S202:依据所述初始网纹波形,生成所述目标网纹。
本发明实施例提供的方法中,在需要向选取的原始图片上叠加网纹时,向处理器发送网纹生成请求,处理器在接收到用户发送的网纹生成请求时,调用预建立的目标函数,生成初始网纹波形。以所述初始网纹波形为基础波形,对所述初始网纹网纹波形进行基准变换,最终生成可以叠加在选取的原始图片上的目标网纹。
在人脸识别领域中,应用本发明实施例提供的方法前,预先选取多个人脸图像,选取完成后,用户可以向处理器发送网纹生成请求,处理器在接收到该网纹生成请求时,生成初始网纹波形,然后基于所述初始网纹波形生成可以叠加在人脸图像上的目标网纹,将生成的目标网纹分别叠加在每个人脸图像上,获得多个叠加有网纹的人脸图像,将这些叠加有网纹的人脸图像用于训练样本,对用于人脸识别的深度学习模型进行训练,丰富了训练样本,从而可以提升深度学习模型的识别精度。
本发明实施例提供的方法中,为了达到更好的识别效果,所生成的目标网纹,在网纹的形态、线条粗细、深浅/透明度、网纹的纹路角度等多个方面,应该非常接近样本网纹图片中的网纹,这些样本网纹图片可以是从公安系统中获取的人脸网纹图片。
本发明实施例提供的方法中,获取目标函数以后,应用所述目标函数生成初始网纹波形,所述初始网纹波形以数组的形式存储在内存中,当需要调用所述初始网纹波形时,从内存中读取所述初始网纹波形对应的数组中的数值。
为了使生成的目标网纹与以往的样本网纹图片中的网纹相近,本发明实施例预先建立有目标函数,应用所述目标函数生成的初始网纹波形的波形线条、粗细、频率、波长等波形要素,可以与从公安系统中获取的人脸网纹图片中的网纹的各个要素相近。
本发明实施例提供的方法中,在获取预建立的目标函数后,应用所述目标函数生成初始网纹波形。本发明实施例提供的方法中,目标函数的预建立过程,如图3所示,具体可以包括:
S301:选取基础函数,并解析已获取的样本网纹的网纹属性;
S302:依据所述已获取的样本网纹的网纹属性,对所述基础函数的函数参数进行调整,获得所述目标函数。
本发明实施例提供的方法中,为了使生成的网纹,在形态、线条粗细、深浅/透明度、网纹的纹路角度等多个方面,更接近从公安系统中获取的人脸网纹图片中的网纹,本发明实施例提供的方法中,可以预先从公安系统中获取多个人脸网纹图片,将获取的人脸网纹图片中的网纹作为样本网纹,根据人脸网纹图片中样本网纹波形,在函数库中选取基础函数,所述函数库中包含有正弦函数、余弦函数及其它基础函数形式。例如,获取的人脸网纹图片中的网纹波形为正弦波时,可以选取能够生成正弦波的基础函数。
本发明实施例提供的方法中,所述基础函数为三角函数的线性组合函数;所述三角函数为正弦函数或余弦函数;
所述基础函数的函数参数包括所述基础函数中包含的每个三角函数的振幅、角频率及初相。
本发明实施例提供的方法中,在生成网纹图片的过程中,可以以选取的样本网纹图片中的样本网纹为参照,选取对应的三角函数,具体的,假设样本网纹图片为从公安系统中选取的人脸网纹图片,所述人脸网纹图片中的网纹为正弦波或接近正弦波的波形时,可以对应选取正弦函数,所述正弦函数的形式可以为sinx或Asinx的形式。以选取的正弦函数为基础,参照所述人脸网纹波形中的波形形状,对所述正弦函数进行多次试验运算获得所述正弦函数对应的基础函数,所述基础函数的函数形式可以为:
三角函数Bsin(ωx+ψ)
或三角函数的线性组合B1sin(ω1x+ψ1)+B2sin(ω2x+ψ2)+…Bnsin(ωnx+ψn)的形式,其中n为正整数。
本发明实施例提供的方法中,选取的基础函数所生成的网纹线条,可以与目标网纹图片中的目标网纹相近似,为了更好的使生成的网纹与目标网纹接近,在所述基础函数的基础上,可以依据样本网纹的网纹属性,对所述基础函数中包含的每个三角函数的振幅、周期系数及初相进行调整。其中三角函数Bsin(ωx+ψ)中,B为三角函数的振幅,ω为三角函数的角频率,ψ为三角函数的初相。
在具体的对基础函数的各个参数进行调整时,可以同时对所述基础函数包含的每个三角函数中的振幅、周期系数及初相进行调整,例如在B1sin(ω1x+ψ1)+B2sin(ω2x+ψ2)+…Bnsin(ωnx+ψn)的形式中,可以同时对B1、ω1、ψ1、B2、….Bn、ωn及ψn进行调整,也可以保持其中某几个参数不变,对其它各个参数进行调整。在函数形式Bsin(ωx+ψ)中,也可以同时对B、ω、ψ进行调整,或者保持B不变,对ω、ψ进行调整。无论上述哪种函数形式,亦或哪种参数调整方式,最终确定的目标函数中的各个三角函数的参数值为一组固定的参数值,所述确定了各个参数值的目标函数生成的网纹图形与样本网纹图形最为接近。在生成网纹图片的过程中,直接依据所述目标函数生成初始网纹波形。
本发明实施例提供的方法中,所述人脸网纹图片中的网纹为余弦波或接近余弦波的波形时,可以对应选取余弦函数,所述余弦函数的形式可以为cosx或Acosx的形式。以选取的余弦函数为基础,参照所述人脸网纹波形中的波形形状,对所述余弦函数进行多次试验运算获得所述余弦函数对应的基础函数,所述基础函数的函数形式可以为:
三角函数Bcos(ωx+ψ)
或三角函数的线性函数B1cos(ω1x+ψ1)+B2cos(ω2x+ψ2)+…Bncos(ωnx+ψn)的形式,其中n为正整数。
本发明实施例提供的方法中,还可以对余弦函数或正弦函数进行试验运算获得Asinx+Bcosx形式的基础函数,具体的函数形式均为本发明实施例通过多次的试验运算获得。
本发明实施例提供的方法中,选取的网纹图片样本中的网纹可以有多种形式,例如,发明人经过研究发现,从公安系统中选取的证件照中的网纹可以分为4种形式,证件照中的4种形式的网纹,整体上可以对应同一基础函数,每一种形式的证件照网纹,在所述基础函数的基础上,对应一组函数参数。应用本发明实施例提供的网纹图片生成方法时,可以分别以证件照中的每一种形式的网纹作为训练样本,可以对应产生4组函数参数。本发明实施例提供的方法中,可以对产生的4组函数参数进行存储,在后续需要针对证件照中的网纹产生对应的目标网纹时,可以首先确定针对的是证件照中哪一种形式的证件照网纹,然后对应的调取函数参数,代入所述基础函数中获得目标函数,应用所述目标函数生成初始网纹波形,进而获得所要得到的网纹。
具体的,在训练深度学习模型时,为了丰富样本数量,在获取的原始图片上叠加网纹时,可以调用4组函数,生成四种类型的网纹,分别叠加在选取的原始图片上,以丰富训练样本。
本发明实施例提供的方法,可以生成与公安系统中证件照中的网纹很相近的网纹,与证件照的网纹的拟合度很高,以本发明实施例提供的方法生成的网纹,在叠加到原始图片上获得目标图片,作为深度学习模型的训练样本训练出的深度学习模型,可以很好的对证件照中的人脸图像中的网纹进行去除。
本发明实施例提供的方法中,经过对正弦函数进行多次试验运算后,获得基础函数的函数形式可以为
或者
本发明实施例提供的方法中,在获得基础函数后,进一步解析获得样本网纹的网纹属性,例如,样本网纹的线条粗细,波长、振幅等属性,然后依据获取的样本网纹的网纹属性,对已经选取的函数参数进行调整,进而完成对目标函数的建立过程。例如,对于上述确定的两个基础函数,对于第一个基础函数,可以根据样本网纹的网纹属性,同时调整基础函数中A1、ω1、ψ1、A2、ω2、ψ2的值,达到建立目标函数的目的。不同的A1、ω1、ψ1、A2、ω2、ψ2的值,最终导致应用目标函数绘制的初始网纹波形的线条形状不同,如图4、图5所示,线条的粗细存在不同。
本发明实施例提供的方法中,基于初始网纹波形生成目标网纹的过程,具体包括:
依据所述初始网纹波形生成初始网纹单元;
在所述初始网纹单元中,截取多个网纹子单元,并将所述多个网纹子单元按预设的组合方式进行组合,获得所述目标网纹;每个所述网纹子单元的宽度值与所述已选取的原始图片的宽度值相同。
本发明实施例提供的方法中,以所述初始网纹波形为基础,可以生成初始网纹单元,所述初始网纹单元可以为两个相同初始网纹波形的交错图形,具体如图6所示的图形。本发明实施例提供的方法中,生成的始网纹波形是无限延伸的,因此,由所述初始网纹波形为基础,生成的初始网纹单元也是无限延伸的,图6中示出的初始网纹单元为无限延伸的整个初始网纹单元中的一部分。
本发明实施例提供的方法中,在初始网纹单元中截取多个网纹子单元,由于初始网纹单元是无限延伸的,本发明实施例提供的方法中,如图7所示,可以在无限延伸的初始网纹单元的任意位置,随机截取网纹子单元,所截取的网纹子单元的宽度值,与已选取的图像的宽度值相同。例如,已选取的原始图片为宽度2cm的图片,则截取的网纹子单元的宽度均为2cm。本发明实施例提供的方法中,将截取的每个网纹子单元,按一定的组合方式进行组合,最终组合形成可以叠加在已选取的原始图片上的目标网纹。本发明实施例提供的方法中,优选的,截取的各个网纹子单元的形状是相同的,可以从无限延伸的初始网纹单元中的不同位置处进行截取。
本发明实施例提供的方法中,所述依据所述初始网纹波形生成初始网纹单元的具体过程,可以包括:
对所述初始网纹波形进行复制,获得与所述初始网纹波形对应的第一网纹波形;
将所述第一网纹波形,从所述初始网纹波形的当前位置,按预设的矢量方向移动第一位移,获得所述初始网纹波形与所述第一网纹波形组合形成的初始网纹单元。
本发明实施例提供的方法中,以初始网纹波形为基础,可以对初始网纹波形进行复制,获得与所述初始网纹波形对应的第一网纹波形,所述第一网纹波形与所述初始网纹波形为相同的网纹波形。本发明实施例提供的方法中,将第一网纹波形,由初始网纹波形的当前位置,按一定的矢量方向移动一段位移,即可以获得处于移动后位置的第一网纹波形与初始网纹波形组合形成的初始网纹单元。本发明实施例中,按设定的矢量方向优选的可以理解为在坐标系中,向X轴的正方形及Y轴的负方向上移动一定距离。
本发明实施例提供的方法中,所述第一网纹波形在X轴方向上的移动距离,为沿着第一网纹波形的波形方向,平移kT/2,T为波形的最小周期,k为奇数。
本发明实施例提供的网纹图片的生成方法中,所述依据所述初始网纹波形生成初始网纹单元的具体过程,还可以包括:
对所述初始网纹波形进行复制,获得与所述初始网纹波形对应的第二网纹波形;
将所述第二网纹波形,从所述初始网纹波形的当前位置,按预设的第二矢量方向移动第二位移,获得所述初始网纹波形与所述第二网纹波形组合形成的组合网纹图形;
将所述组合网纹图形,以其水平轴为旋转轴,旋转180度,获得所述初始网纹单元。
本发明实施例提供的方法中,以所述初始网纹波形为基础,可以对初始网纹波形进行复制获得与所述初始网纹波形对应的第二网纹波形,所述第二网纹波形与所述初始网纹波形为相同的网纹波形。本发明实施例提供的方法中,将所述第二网纹波形,由初始网纹波形的当前位置,在垂直方向上,移动一段位移,获得所述初始网纹波形与所述第二网纹波形组合形成的组合网纹图像,然后,将获得的组合网纹图像,以其所在的水平轴为旋转轴,进行纵向翻转,翻转180度后,获得所述初始网纹单元。
本发明实施例提供的网纹图片生成方法中,所述依据所述初始网纹波形生成初始网纹单元的具体过程,还可以包括:
依据所述初始网纹波形,生成第三网纹波形;所述第三网纹波形与所述初始网纹波形的初相位差为kπ,k为奇数;
获得所述初始网纹波形与所述第三网纹波形组合形成的初始网纹单元。
本发明实施例提供的方法中,在调用目标函数生成初始网纹波形后,还可以在所述初始网纹波形的基础上,再次调用目标函数生成第三网纹波形,所述第三网纹波形与所述初始网纹波形为相同的网纹波形,所述第三网纹波形与所述初始网纹波形为反相波形,即所述第三网纹波形与所述初始网纹波形的初相位相差π的奇数倍。将所述初始网纹波形与所述第三网纹波形进行组合,获得所述初始网纹波形与所述第三网纹波形组合形成的初始网纹单元。
本发明实施例提供的方法中,所述在所述初始网纹单元中,截取多个网纹子单元的具体过程,包括:
获取所述已选取的原始图片的宽度值;
在所述初始网纹单元中,随机截取多个宽度值与所述已选取的原始图片的宽度值相同的网纹子单元。
本发明实施例提供的方法中,由于已选取的原始图片具有一定尺寸,具有宽度及高度。在生成网纹叠加到该已选取的原始图片上的过程中,为了使网纹与已选取原始图片更好的结合,本发明实施例中,在初始网纹单元中,截取多个宽度值与已选取原始图片的宽度值相同的网纹子单元,将截取的网纹子单元叠加在已选取原始图片上。
本发明实施例提供的方法中,所述将所述多个网纹子单元按预设的组合方式进行组合,获得所述目标网纹的具体过程,可以为以下步骤:
将所述多个网纹子单元,在已确定的第一目标区域中,由所述第一目标区域的顶部向底部,依次设置在所述第一目标区域中,以获得所述目标网纹;所述第一目标区域中,任意两个相邻网纹子单元之间的间距相等;所述第一目标区域与所述已选取的原始图片的大小相同。
本发明实施例提供的方法中,在生成目标网纹的过程中,可以预先确定第一目标区域,所述第一目标区域与已选取的原始图片的尺寸大小相同,所述第一目标区域与已选取的原始图片可以完整重合。在初始网纹单元中可以截取多个网纹子单元,所述网纹子单元的数目,可以根据所述第一目标区域的高度值进行确定,在截取完成多个网纹子单元后,可以依次将选取好的各个网纹子单元设置在所述第一目标区域中,设置过程可以从所述第一目标区域的顶部向底部进行设置,设置过程中,任意相邻网纹子单元之间的间距相等,所述间距的具体数值也可以根据所述第一目标区域的高度值进行确定。在设置完成后,获得需要的目标网纹。所述第一目标区域可以为一透明图片。
本发明实施例提供的网纹图片生成方法中,所述将所述多个网纹子单元按预设的组合方式进行组合,获得所述目标网纹的具体实现过程,还可以为:
将每次从所述初始网纹单元中截取的网纹子单元,依次设置在已确定的第二目标区域中的各个目标位置上,直至所述第二目标区域中的各个目标位置上均设置有所述网纹子单元时,获得所述目标网纹;所述第二目标区域与所述已选取的原始图片的大小相同。
本发明实施例提供的方法中,可以预先确定第二目标区域,所述第二目标区域与已选取的原始图片的尺寸大小相同,所述第二目标区域与已选取的原始图片可以完整重合。所述第二目标区域与上述的第一目标区域可以为同一区域,可以为透明的图片。本发明实施例提供的方法中,可以在第二目标区域中设定多个目标位置,将每次从初始网纹单元中截取的网纹子单元设置在所述第二目标区域的一个目标位置上,然后再从初始网纹单元中截取新的网纹子单元,直至所述第二目标区域中的所有目标位置上均设置有网纹子单元时,将设置有多个网纹子单元的第二目标区域作为目标网纹。同时停止从初始网纹单元中继续截取网纹子单元。
本发明实施例提供的方法中,从初始网纹单元中截取网纹子单元,可以理解为从初始网纹单元中取走了一部分,作为网纹子单元,可以为理解为复制走了一部分,作为网纹子单元。
本发明实施例提供的方法中,在将目标网纹叠加在选取的原始图片上后,为了符合更加复杂的网纹图片的训练标准,本发明实施例提供的方法,还包括按预设的处理方式对叠加在所述已选取的原始图片上的目标网纹进行处理,具体包括:
选取随机数;
依据所述随机数,随机对叠加在所述已选取的网纹图片上的目标网纹的网纹属性进行调整。
本发明实施例提供的方法中,目标网纹叠加在已选取的原始图片上后,可选取一定的随机数,随机对叠加在已选取原始图片上的目标网纹的网纹属性进行调整,包括对目标网纹的频率、振幅、所朝方向等属性进行调整。具体的可以对叠加后的目标网纹进行调频、调幅、旋转及仿射变换等处理。
本发明实施例提供的方法中,可以将网纹图片叠加在已选取原始图片上后,再进行相应的随机数调整,也可以在生成目标网纹后,对所述目标网纹进行随机数调整后,再叠加在已选取的原始图片上。上述各个具体的实现方式,及各个实现方式的衍生过程,均在本发明保护范围内。
与图1所述的方法相对应,本发明实施例还提供了一种模型训练装置,用以对图1中方法的具体实现,本发明实施例提供的模型训练装置可以应用在计算机终端或各种移动设备中,其结构示意图如图8所示,具体包括:
选取单元401,用于选取基础模型;
训练单元402,用于利用叠加有网纹的图片、以及与所述叠加有网纹的图片对应的未叠加网纹前的原始图片作为所述基础模型的输入,对所述基础模型进行训练;
终止单元403,用于当所述基础模型对应的损失函数满足预设的训练终止条件时,终止对所述基础模型的训练,并将终止训练时的基础模型作为训练获得的深度学习模型。
本发明提供的模型训练装置,以叠加有网纹的图片、以及与所述叠加有网纹的图片对应的未叠加网纹前的原始图片作为基础模型的输入,可以训练出能够去除网纹图片中网纹的深度学习模型,进而在身份识别领域中,在通过用户上传的待识别照片及获取的证件网纹照对用户身份进行识别时,去除所述证件网纹照中的网纹,将所述待识别照片与去除网纹的证件照进行比对,提高用户身份识别的准确度。
本发明实施例提供了一种身份识别方法,该方法可以应用在多种系统平台中,其执行主体可以为计算机终端或各种移动设备的处理器,所述方法的方法流程图如图9所示,具体包括:
S501:接收用户的待识别图片及用户标识信息,并获取与所述用户标识信息对应的证件网纹图片;
本发明实施例提供的方法中,用户在通过客户端上传图片进行身份识别的过程中,同时上传用户的用户标识信息,所述用户标识信息可以为用户的身份证号码。处理器在接收到用户上传的待识别图片及用户标识信息时,获取与所述用户标识信息对应的证件网纹图片。
S502:将所述证件网纹图片输入预建立的深度学习模型中,经所述深度学习模型处理后,获得所述证件网纹图片对应的目标图片;所述目标图片为所述证件网纹图片去除网纹后的图片;
本发明实施例提供的方法中,将所述证件网纹图片输入到预先建立的深度学习模型中,经过所述深度学习模型处理后,去除所述证件网纹图片中的网纹,将去除网纹后得到的图片作为目标网纹。本发明实施例提供的方法中,所用到的深度学习模型采用上述任一模型训练方法训练得到。
S503:将所述待识别图片与所述目标图片输入已选取的第二深度学习模型中,由所述第二深度学习模型确定所述待识别图片中包含的图片对象与所述目标图片中包含的图片对象是否为同一对象。
在将所述目标图片与待识别图片进行比对时,可以将所述目标图片与已接收的待识别图片输入到任意能够进行对象识别的第二深度学习模型中,由所述第二深度学习模型确定所述目标图片与所述待识别图片中是否包含相同的图片对象。
本发明实施例提供的方法中,对于第二深度学习模型的选取,可以为任意能够进行对象识别的学习模型,所述第二深度学习模型可以为开源的模型,也可以为自行研发的模型等。
本发明实施例中,所述待识别图片中包含的图片对象可以为用户在需要进行身份识别时,采集的用户人脸图像,所述目标图片中的图片对象为预先存储的用户对应的人脸图像,确定待识别图片中包含的人脸与目标图片中包含的人脸是否为同一人脸。
S504:当确定所述待识别图片中包含的图片对象与所述目标图片中包含的图片对象为同一对象时,通过对所述用户的身份识别。
本发明实施例提供的方法中,当待识别图片包含的图片对象与目标图片包含的图片对象为同一对象时,即通过对所述用户的身份识别。
本发明实施例提供的身份识别方法,可以应用在身份识别的各个领域中,在将用户的待识别图片与获取的证件网纹图片进行比对时,去除所述证件网纹图片中的网纹,进一步将用户的待识别图片与去除网纹后的证件图片进行比对,确定用户的待识别图片与去除网纹的证件图片是否包含相同的图片对象,避免了由于证件网纹图片中存在网纹,对识别过程的识别准确度的影响,进而提升了用户身份识别的准确度。
本发明实施例提供的识别方法中,在去除证件网纹图片中的网纹,获得目标图片后,将所述目标图片与用户的待识别图片进行比对,并确定所述目标图片与所述待识别图片中是否包含相同的图片对象。
具体的,本发明实施例提供的识别方法,可以应用在人脸识别领域,例如在用户进入酒店等待入住时,采集到用户当前的人脸图片,并通过用户的身份证号码在公安系统中调取与用户身份证号码对应的叠加有网纹的证件照,然后将采集的用户当前的人脸图片与叠加有网纹的证件照进行人脸比对时,可以应用本发明实施例提供的身份识别方法,将叠加有网纹的证件照中的网纹去除,将采集到的用户当前的人脸图片与去除网纹后的证件照进行人脸比对,进而消除由于证件照叠加有网纹,对比对结果带来的影响,提升了用户身份识别的准确度。
在具体应用中,用户需要进行身份识别时,可以将用户的身份信息及生活照A一同上传至服务器,服务器根据用户身份信息,从公安部系统中调取用户的网纹身份照片B,将B(带有网纹的图片)作为pix2pix模型的输入,即可从模型的输出得到消除了网纹的相应图片G,将G与A作为第二深度学习模型的输入,输出G与A的相似度,并以所述相似度作为判断依据,对用户的身份进行识别。
本发明实施例提供的识别方法,还可以应用在物品识别的过程中,例如,一个花瓶,在确定该花瓶的归属信息时,可以获取所述花瓶的当前图片,并获取所述花瓶的标识信息,依据所述标识信息获取与所述标识信息对应的预先存储的叠加有网纹的所述花瓶的身份识别图片,然后在具体的比对过程中,应用本发明实施例提供的身份识别方法,去除叠加有网纹的花瓶的身份识别图片中的网纹,进而在后续的比对过程中,提升比对的准确度。
本发明实施例还提供了一种存储介质,所述存储介质包括存储的指令,其中,在所述指令运行时控制所述存储介质所在的设备执行上述身份识别方法。
本发明实施例还提供了一种电子设备,其结构示意图如图10所示,具体包括存储器601,以及一个或者一个以上的指令602,其中一个或者一个以上指令602存储于存储器601中,且经配置以由一个或者一个以上处理器603执行所述一个或者一个以上指令602实现上述任一模型训练方法。
需要说明的是,本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。对于装置类实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本发明时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
通过以上的实施方式的描述可知,本领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。
以上对本发明所提供的一种模型训练方法及装置进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (15)
1.一种模型训练方法,其特征在于,包括:
选取基础模型;
利用叠加有网纹的图片、以及与所述叠加有网纹的图片对应的未叠加网纹前的原始图片作为所述基础模型的输入,对所述基础模型进行训练;
当所述基础模型对应的损失函数满足预设的训练终止条件时,终止对所述基础模型的训练,并将终止训练时的基础模型作为训练获得的深度学习模型。
2.根据权利要求1所述的方法,其特征在于,在所述深度学习模型的建立过程中,获取所述叠加有网纹的图片,包括:
选取未叠加有网纹的原始图片;
依据预设的生成方式,生成目标网纹,并将所述目标网纹叠加在所述原始图片上,获得网纹图片。
3.根据权利要求2所述的方法,其特征在于,所述依据预设的生成方式,生成目标网纹,包括:
依据预建立的目标函数,生成初始网纹波形;
基于所述初始网纹波形,生成所述目标网纹。
4.根据权利要求3所述的方法,其特征在于,所述目标函数的预建立过程,包括:
选取基础函数,并解析已获取的样本网纹的网纹属性;
依据所述已获取的样本网纹的网纹属性,对所述基础函数的函数参数进行调整,获得所述目标函数。
5.根据权利要求4所述的方法,其特征在于,所述基础函数为三角函数的线性组合函数;所述三角函数为正弦函数或余弦函数;
所述基础函数的函数参数包括所述基础函数中包含的每个三角函数的振幅、角频率及初相。
6.根据权利要求3所述的方法,其特征在于,所述基于所述初始网纹波形生成目标网纹,包括:
依据所述初始网纹波形生成初始网纹单元;
在所述初始网纹单元中,截取多个网纹子单元,并将所述多个网纹子单元按预设的组合方式进行组合,获得所述目标网纹;每个所述网纹子单元的宽度值与所述原始图片的宽度值相同。
7.根据权利要求6所述的方法,其特征在于,所述依据所述初始网纹波形生成初始网纹单元,包括:
对所述初始网纹波形进行复制,获得与所述初始网纹波形对应的第一网纹波形;将所述第一网纹波形,从所述初始网纹波形的当前位置,按预设的第一矢量方向移动第一位移,获得所述初始网纹波形与所述第一网纹波形组合形成的初始网纹单元;
或
对所述初始网纹波形进行复制,获得与所述初始网纹波形对应的第二网纹波形;将所述第二网纹波形,从所述初始网纹波形的当前位置,按预设的第二矢量方向移动第二位移,获得所述初始网纹波形与所述第二网纹波形组合形成的组合网纹图形;将所述组合网纹图形,以其水平轴为旋转轴,旋转180度,获得所述初始网纹单元;
或
依据所述初始网纹波形,生成第三网纹波形;所述第三网纹波形与所述初始网纹波形的初相位差为kπ,k为奇数;获得所述初始网纹波形与所述第三网纹波形组合形成的初始网纹单元。
8.根据权利要求6所述的方法,其特征在于,所述在所述初始网纹单元中,截取多个网纹子单元,包括:
获取所述原始图片的宽度值;
在所述初始网纹单元中,随机截取多个宽度值与所述原始图片的宽度值相同的网纹子单元。
9.根据权利要求6或8所述的方法,其特征在于,所述将所述多个网纹子单元按预设的组合方式进行组合,获得所述目标网纹,包括:
将所述多个网纹子单元,在已确定的第一目标区域中,由所述第一目标区域的顶部向底部,依次设置在所述第一目标区域中,以获得所述目标网纹;所述第一目标区域中,任意两个相邻网纹子单元之间的间距相等;所述第一目标区域与所述原始图片的大小相同。
10.根据权利要求6或8所述的方法,其特征在于,所述将所述多个网纹子单元按预设的组合方式进行组合,获得所述目标网纹,包括:
将每次从所述初始网纹单元中截取的网纹子单元,依次设置在已确定的第二目标区域中的各个目标位置上,直至所述第二目标区域中的各个目标位置上均设置有所述网纹子单元时,获得所述目标网纹;所述第二目标区域与所述原始图片的大小相同。
11.根据权利要求1所述的方法,其特征在于,还包括:
选取随机数;
依据所述随机数,随机对叠加在所述原始图片上的目标网纹的网纹属性进行调整。
12.一种模型训练装置,其特征在于,包括:
选取单元,用于选取基础模型;
训练单元,用于利用叠加有网纹的图片、以及与所述叠加有网纹的图片对应的未叠加网纹前的原始图片作为所述基础模型的输入,对所述基础模型进行训练;
终止单元,用于当所述基础模型对应的损失函数满足预设的训练终止条件时,终止对所述基础模型的训练,并将终止训练时的基础模型作为训练获得的深度学习模型。
13.一种身份识别方法,其特征在于,包括:
接收用户的待识别图片及用户标识信息,并获取与所述用户标识信息对应的证件网纹图片;
将所述证件网纹图片输入预建立的深度学习模型中,经所述深度学习模型处理后,获得所述证件网纹图片对应的目标图片;所述目标图片为所述证件网纹图片去除网纹后的图片;所述深度学习模型经权利要求1~11任意一项所述的模型训练方法训练获得;
将所述待识别图片与所述目标图片输入已选取的第二深度学习模型中,由所述第二深度学习模型确定所述待识别图片中包含的图片对象与所述目标图片中包含的图片对象是否为同一对象;
当确定所述待识别图片中包含的图片对象与所述目标图片中包含的图片对象为同一对象时,通过对所述用户的身份识别。
14.一种存储介质,其特征在于,所述存储介质包括存储的指令,其中,在所述指令运行时控制所述存储介质所在的设备执行如权利要求1~11任意一项所述的模型训练方法。
15.一种电子设备,其特征在于,包括存储器,以及一个或者一个以上的指令,其中一个或者一个以上指令存储于存储器中,且经配置以由一个或者一个以上处理器执行如权利要求1~11任意一项所述的模型训练方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810803814.7A CN110738227B (zh) | 2018-07-20 | 2018-07-20 | 模型训练方法及装置、识别方法、存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810803814.7A CN110738227B (zh) | 2018-07-20 | 2018-07-20 | 模型训练方法及装置、识别方法、存储介质及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110738227A true CN110738227A (zh) | 2020-01-31 |
CN110738227B CN110738227B (zh) | 2021-10-12 |
Family
ID=69236576
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810803814.7A Active CN110738227B (zh) | 2018-07-20 | 2018-07-20 | 模型训练方法及装置、识别方法、存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110738227B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111739198A (zh) * | 2020-06-08 | 2020-10-02 | 珠海格力电器股份有限公司 | 预定酒店方法、入住酒店系统、终端及计算机可读介质 |
CN114501164A (zh) * | 2021-12-28 | 2022-05-13 | 海信视像科技股份有限公司 | 音视频数据的标注方法、装置及电子设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105930797A (zh) * | 2016-04-21 | 2016-09-07 | 腾讯科技(深圳)有限公司 | 一种人脸验证方法及装置 |
CN106548159A (zh) * | 2016-11-08 | 2017-03-29 | 中国科学院自动化研究所 | 基于全卷积神经网络的网纹人脸图像识别方法与装置 |
US20170132457A1 (en) * | 2014-06-27 | 2017-05-11 | Beijing Qihoo Technology Company Limited | Human face similarity recognition method and system |
CN107545277A (zh) * | 2017-08-11 | 2018-01-05 | 腾讯科技(上海)有限公司 | 模型训练、身份验证方法、装置、存储介质和计算机设备 |
CN107766844A (zh) * | 2017-11-13 | 2018-03-06 | 杭州有盾网络科技有限公司 | 一种网纹照人脸识别的方法、装置、设备 |
CN108205802A (zh) * | 2016-12-23 | 2018-06-26 | 北京市商汤科技开发有限公司 | 深度神经网络模型训练、图片处理方法及装置和设备 |
-
2018
- 2018-07-20 CN CN201810803814.7A patent/CN110738227B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170132457A1 (en) * | 2014-06-27 | 2017-05-11 | Beijing Qihoo Technology Company Limited | Human face similarity recognition method and system |
CN105930797A (zh) * | 2016-04-21 | 2016-09-07 | 腾讯科技(深圳)有限公司 | 一种人脸验证方法及装置 |
CN106548159A (zh) * | 2016-11-08 | 2017-03-29 | 中国科学院自动化研究所 | 基于全卷积神经网络的网纹人脸图像识别方法与装置 |
CN108205802A (zh) * | 2016-12-23 | 2018-06-26 | 北京市商汤科技开发有限公司 | 深度神经网络模型训练、图片处理方法及装置和设备 |
CN107545277A (zh) * | 2017-08-11 | 2018-01-05 | 腾讯科技(上海)有限公司 | 模型训练、身份验证方法、装置、存储介质和计算机设备 |
CN107766844A (zh) * | 2017-11-13 | 2018-03-06 | 杭州有盾网络科技有限公司 | 一种网纹照人脸识别的方法、装置、设备 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111739198A (zh) * | 2020-06-08 | 2020-10-02 | 珠海格力电器股份有限公司 | 预定酒店方法、入住酒店系统、终端及计算机可读介质 |
CN114501164A (zh) * | 2021-12-28 | 2022-05-13 | 海信视像科技股份有限公司 | 音视频数据的标注方法、装置及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN110738227B (zh) | 2021-10-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3475791B1 (en) | Eye gaze tracking using neural networks | |
Fang et al. | Bottom-up saliency detection model based on human visual sensitivity and amplitude spectrum | |
Hosny et al. | Copy-move forgery detection of duplicated objects using accurate PCET moments and morphological operators | |
CN108876804B (zh) | 抠像模型训练和图像抠像方法、装置和系统及存储介质 | |
CN111275784B (zh) | 生成图像的方法和装置 | |
CN105956059A (zh) | 基于情绪识别的信息推荐方法和装置 | |
JP7257631B2 (ja) | 材料被写体の拡張認証の方法 | |
JP2013536958A (ja) | デジタル画像の認識 | |
US10803614B1 (en) | Using multiple image verification challenges to determine object location in an image | |
CN108876706A (zh) | 根据全景图像的缩略图生成 | |
CN108762740A (zh) | 页面数据的生成方法、装置及电子设备 | |
CN110738227B (zh) | 模型训练方法及装置、识别方法、存储介质及电子设备 | |
CN111144215A (zh) | 图像处理方法、装置、电子设备及存储介质 | |
CN110163095B (zh) | 回环检测方法、回环检测装置及终端设备 | |
Nousias et al. | A saliency aware CNN-based 3D model simplification and compression framework for remote inspection of heritage sites | |
CN114627244A (zh) | 三维重建方法及装置、电子设备、计算机可读介质 | |
Yang et al. | Doing more with Moiré pattern detection in digital photos | |
JP6448253B2 (ja) | データ作成プログラム、データ作成方法、及び、データ作成装置 | |
JP6366420B2 (ja) | データ作成プログラム、データ作成方法、及び、データ作成装置 | |
TWI711004B (zh) | 圖片處理方法和裝置 | |
CN110738226B (zh) | 身份识别方法及装置、存储介质及电子设备 | |
CN110738084B (zh) | 网纹图片生成方法及装置、存储介质及电子设备 | |
CN114240770A (zh) | 一种图像处理方法、装置、服务器及存储介质 | |
CN111192276B (zh) | 图像处理方法、装置、电子设备及存储介质 | |
Rao et al. | ResTran: Long distance relationship on image forgery detection |
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 |