CN110969139A - 人脸识别模型训练方法及相关装置、人脸识别方法及相关装置 - Google Patents
人脸识别模型训练方法及相关装置、人脸识别方法及相关装置 Download PDFInfo
- Publication number
- CN110969139A CN110969139A CN201911269391.6A CN201911269391A CN110969139A CN 110969139 A CN110969139 A CN 110969139A CN 201911269391 A CN201911269391 A CN 201911269391A CN 110969139 A CN110969139 A CN 110969139A
- Authority
- CN
- China
- Prior art keywords
- image
- face
- face recognition
- recognition model
- sample
- 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
- 238000012549 training Methods 0.000 title claims abstract description 69
- 238000000034 method Methods 0.000 title claims abstract description 67
- 239000011521 glass Substances 0.000 claims abstract description 85
- 230000001815 facial effect Effects 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 10
- 238000009432 framing Methods 0.000 claims description 5
- 238000002372 labelling Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000002085 persistent effect Effects 0.000 description 2
- 208000029152 Small face Diseases 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 239000010931 gold Substances 0.000 description 1
- 229910052737 gold Inorganic materials 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
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
- G06V40/172—Classification, e.g. identification
-
- 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
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Evolutionary Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本申请实施例公开了人脸识别模型训练方法及相关装置、人脸识别方法及相关装置，用于减少人脸识别模型的训练对戴眼镜样本的需求。本申请实施例方法包括：获取基础人脸识别网络，所述基础人脸识别网络是未经训练的人脸识别模型；获取多个用户的第一样本图像，所述第一样本图像为用户的不包含眼镜的人脸图像；在所述人脸图像中添加预先生成的眼镜模板，得到所述用户的第二样本图像；为同一用户的第一样本图像以及第二样本图像添加所述同一用户的身份标签；将所述第一样本图像和所述第二样本图像的用户身份标签作为监督信号，使用所述第一样本图像和所述第二样本图像，对所述基础人脸识别网络进行监督训练，得到目标人脸识别模型。
Description
技术领域
本申请实施例涉及图像识别领域，具体涉及人脸识别模型训练方法及相关装置、人脸识别方法及相关装置。
背景技术
随着图像处理与模式识别技术的快速进步及人脸识别的快捷方便，基于视频图像处理的人脸识别系统得到了广泛的运用，例如考勤，出入口控制，安全监控等领域都已经大量应用了人脸识别系统。然而，人脸识别效果往往受到光线、化妆、戴眼镜等因素的影响，尤其是戴大黑边框眼镜的问题，严重影响人脸识别的效果和人脸识别设备的体验感。
采用深度网络模型进行人脸识别，能够在不同环境下对人脸都有着较好的识别效果，还可以识别戴眼镜的人脸图像。但是，深度网络模型使用前需要大量的对应的样本进行训练，为了使深度网络模型能够较好地识别戴眼镜的人脸图像，需要准备大量戴眼镜的人脸图像作为训练样本。而戴眼镜的人脸图像较少，不易获得。
发明内容
本申请实施例提供了人脸识别模型训练方法及相关装置、人脸识别方法及相关装置，用于训练和使用能够识别戴眼镜的人脸图像的人脸识别模型。
本申请第一方面提供了一种人脸识别模型训练方法，包括：
获取基础人脸识别网络，所述基础人脸识别网络是未经训练的人脸识别模型；
获取多个用户的第一样本图像，所述第一样本图像为用户的不包含眼镜的人脸图像；
在所述人脸图像中添加预先生成的眼镜模板，得到所述用户的第二样本图像；
为同一用户的第一样本图像以及第二样本图像添加所述同一用户的身份标签；
将所述第一样本图像和所述第二样本图像的用户身份标签作为监督信号，使用所述第一样本图像和所述第二样本图像，对所述基础人脸识别网络进行监督训练，得到目标人脸识别模型。
优选地，在所述人脸图像中添加预先生成的眼镜模板前，所述方法还包括：
对所述第一样本图像进行预处理操作，所述预处理操作包括：调整图像尺寸、标注面部特征点、框选面部图像中的至少一种。
优选地，所述在所述人脸图像中添加预先生成的眼镜模板，得到所述用户的第二样本图像，包括：在同一所述人脸图像中添加不同的眼镜模板，生成同一所述人脸图像的多个第二样本图像。
对应于所述识别方法，本申请实施例第二方面提供了一种人脸识别方法，包括：
获取待识别的人脸图像；
获取预先生成的用户人脸图像数据库；
获得预先训练好的目标人脸识别模型，其中所述目标人脸识别模型是通过以下方式训练得到的：获取基础人脸识别网络，所述基础人脸识别网络是未经训练的人脸识别模型；获取多个用户的第一样本图像，所述第一样本图像为用户的不包含眼镜的人脸图像；在所述人脸图像中添加预先生成的眼镜模板，得到所述用户的第二样本图像；为同一用户的第一样本图像以及第二样本图像添加所述同一用户的身份标签；将所述第一样本图像和所述第二样本图像的用户身份标签作为监督信号，使用所述第一样本图像和所述第二样本图像，对所述基础人脸识别网络进行监督训练，得到目标人脸识别模型；
将所述待识别的人脸图像输入到所述目标人脸识别模型中，以获得识别结果，所述识别结果用于表示所述待识别的人脸图与所述用户人脸图像数据库中的人脸图像是否相同。
优选地，所述用户人脸图像数据库的生成过程包括：
获取注册用户的第一注册人脸图像；
在所述第一注册人脸图像中添加预先生成的眼镜模板，生成所述注册用户的第二注册人脸图像；
为所述第一注册人脸图像和所述第二人脸注册图像添加所述注册用户的身份标签；
在数据库中存储添加有身份标签的所述第一注册人脸图像和所述第二注册人脸图像，得到用户人脸图像数据库。
优选地，所述将所述待识别的人脸图像输入到所述目标人脸识别模型中，包括：
判断所述待识别的人脸图像是否包括眼镜图像；
若否，在所述待识别人脸图像中添加预先生成的眼镜模板；
将所述待识别人脸图像以及添加有所述眼镜模板的待识别人脸图像输入到所述目标人脸识别模型中。
优选地，在所述获取待识别的人脸图像之后，所述方法还包括：
对所述待识别的人脸图像进行预处理操作，所述预处理操作包括:调整图像尺寸、标注面部特征点、框选面部图像中的至少一种。
对应于第一方面的人脸识别模型训练方法，本申请实施例第三方面提供了一种人脸识别模型训练装置，包括处理器和存储器，所述处理器与所述存储器通过总线连接，所述存储器用于存储计算机执行指令，当所述人脸识别模型训练装置运行时，所述处理器读取所述存储器存储的所述计算机执行指令，以使所述人脸识别模型训练装置执行前述第一方面所述的人脸识别模型训练方法。
对应于第二方面的人脸识别方法，本申请实施例第四方面提供了一种人脸识别装置，包括处理器和存储器，所述处理器与所述存储器通过总线连接，所述存储器用于存储计算机执行指令，当所述人脸识别模型训练装置运行时，所述处理器读取所述存储器存储的所述计算机执行指令，以使所述人脸识别模型训练装置执行前述第二方面所述的人脸识别方法。
本申请实施例第五方面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上存储有计算机程序，在所述计算机程序被处理器执行时，执行前述第一方面或第二方面任一项所述的方法。
从以上技术方案可以看出，本申请实施例具有以下优点：本申请实施例的人脸识别模型训练方法、人脸识别方法仅需要未戴眼镜的人脸图像作为训练样本，节约了训练人脸识别模型过程中搜集戴眼镜人群训练样本耗费的人力物力。
附图说明
图1为本申请人脸识别模型训练方法的一个实施例示意图；
图2为本申请人脸识别方法的一个实施例示意图；
图3为本申请人脸识别模型训练装置的一个实施例示意图；
图4为本申请人脸识别装置的一个实施例示意图。
具体实施方式
本申请实施例提供了人脸识别模型训练方法和人脸识别方法，能够以容易获得的无眼镜人脸图像作为样本，训练出对戴眼镜的人脸图像识别效果较好的人脸识别模型。
请参阅图1，本申请所提供的人脸识别模型训练方法包括以下步骤：
101、获取基础人脸识别网络；
获取未经训练的人脸识别网络，本申请的人脸识别模型训练方法适用于多种架构的人脸识别网络，目前的大多数的人脸识别网络都可以通过本方法减少训练过程中对戴眼镜图像样本的需求。
102、获取多个用户的第一样本图像，第一样本图像为用户的不包含眼镜的人脸图像；
收集并整理用于训练模型的用户人脸样本图像作为第一样本图像，需要说明的是，这里的用户并非是最终模型的使用者，用户人脸样本图像仅用于训练人脸识别模型、改善人脸识别模型的识别效果，而并非模型最终的识别对象，并不会录入到人脸识别模型的数据库中。常见的方法是使用开源的人脸图像库，库中含有大量标记了身份的人脸图像，其中每个身份标识都对应多张不同的人脸图像照片，可以作为模型的训练样本。开源的人脸图像库中包含了大量未佩戴眼镜的人脸图像，获取难度低，而佩戴眼镜的人脸图像获取难度大，直接使用未佩戴眼镜的人脸图像，可以大大降低收集训练样本的难度。需要说明的是，如果获取的第一样本图像存在规格不统一、人脸图像占比较小或其他影响识别的情况，无法直接进行识别，那么还需要对第一样本图像进行调整图像尺寸、标注面部特征点、框选面部图像等图像预处理操作，使得第一样本图像经过预处理操作后调整到相同的大小和规格，便于机器进行识别，而后再向第一样本图像中添加眼镜模板。
103、在人脸图像中添加预先生成的眼镜模板，得到用户的第二样本图像；
预先生成眼镜图像作为眼镜模板，添加到没有眼镜图像的第一样本图像中双眼对应的位置，以模拟戴眼镜的人脸图像。可以根据模型具体的需求，添加不同造型的眼镜模板，较优的实施方式是添加黑色眼镜模板，以提高眼镜模板与周边图像的对比度，便于构成人脸识别模型的深度网络进行分辨和学习。
可选地，可以根据具体情况设置多种不同的眼镜模板，例如墨镜、金丝眼镜或其他的眼镜模板，使得生成的第二样本图像能模拟用户佩戴不同眼镜的情况，使人脸识别模型能对多种不同的佩戴眼镜的人脸图像进行学习，进一步人脸识别模型的识别能力。
104、为同一用户的第一样本图像以及第二样本图像添加同一用户的身份标签；
第一样本图像都具有对应的用户身份标签，对其添加了眼镜模板后作为戴眼镜的训练样本进行使用，但是添加了眼镜后每张样本图像中的人脸所属身份应当与添加眼镜模板前相同，应当根据生成第二样本图像的源图像，根据即第一样本图像的标签，为第二样本图像添加标签。其中，身份标签用于表明和区分样本图像中的人脸图像的身份，例如，为每个人脸图像都标注出被采集者的名字。可以理解的是，每个训练样本都应当有对应的身份标签，且采集于同一被采集者的人脸图像也应当标注为同一身份标签，表示这些人脸图像属于同一人的人脸图像。
105、将第一样本图像和第二样本图像的用户身份标签作为监督信号，使用第一样本图像和第二样本图像，对基础人脸识别网络进行监督训练，得到目标人脸识别模型。
按照监督训练的过程，将不包含眼镜图像的第一样本图像和包含眼镜图像的第二样本图像混合作为基础人脸识别网络的训练样本，使用对应的身份标签进行监督训练，对基础人脸识别网络设置合适的参数，使得最终得到的人脸识别模型既能从第一样本图像中学习得到未佩戴眼镜的人脸图像特征，又能以第二样本图像模拟佩戴眼镜的人脸图像，提高对包含眼镜图像的人脸图像的识别率。
基于图1所示方法训练的人脸识别模型，能够在不降低人脸识别模型准确率的前提下，减少对佩戴眼镜的人脸图像的训练样本的需求，降低了模型的训练成本。在本申请提供的另一实施例中，针对基于该方法训练的人脸识别模型，还增加了对注册人脸图像和/或待识别人脸图像进行眼镜模板添加的功能，提升了用户的体验。具体请参阅图2，本申请实施例提供的一个人脸识别方法包括：
201、获取待识别的人脸图像；
通过摄像头直接采集待识别的人脸图像，或通过其他设备获取待识别的人脸图像。由于该人脸识别方法基于图1所示实施例中训练的人脸识别模型，因此无论待识别的人脸图像是佩戴有眼镜的人脸图像，还是无眼镜的人脸图像，都可以适用本识别方法。
在一种优选的实施中，还会将获取的待识别人脸图像先进行调整图像尺寸、标注面部特征点、框选面部图像等预处理操作，将待识别人脸图像调整到相同大小和规格，方便网络模型进行处理和识别。
202、获取预先生成的用户人脸图像数据库；
获取预先生成的用户人脸图像数据库，该数据库用来存储注册成功的人脸图像作为对比图像。
在一种优选的实施方式中，数据库在录入注册人脸图像时，还会根据用户人脸图像进行与图1所示的训练过程中103中类似的操作，生成一张与原本的待注册人脸图像身份标签相同、但是覆盖有眼镜模板的人脸图像，用来模拟用户戴眼镜的情况，与未佩戴眼镜时采集的人脸图像一并作为注册的人脸图像存储在用户人脸图像数据库中，且生成的人脸图像与添加眼镜模板的前的人脸注册图像身份相同。通过对录入用户人脸图像数据库的注册人脸图像添加眼镜模板，模拟了佩戴有眼镜的人脸图像，避免了用户在注册人脸图像时未戴眼镜，而人脸识别模型实际识别时，用户戴有眼镜而识别失败的情况出现。
203、获得预先训练好的目标人脸识别模型；
获取如图1所示训练方法训练完成的人脸识别模型，具体训练过程请参阅图1所示实施例，此处不再赘述。可以理解的是，本方法也可以应用于普通的人脸识别模型，仍能在一定程度上提高面部识别时的识别效果和准确率。
204、将待识别的人脸图像输入到目标人脸识别模型中，以获得识别结果。
将待识别的人脸图像输入图1训练方法训练的人脸识别模型中，使用该人脸识别模型对待识别人脸图像检测，检测待识别人脸图像是否和步骤202中获得的用户人脸图像数据库中保存的某个人脸图像匹配，得到识别结果。
在一种优选的实施方式中，该步骤还会对待识别的人脸图像进行检测，判断待识别的人脸图像中是否包括眼镜图像，如果待识别的人脸图像中不包括眼镜，那么使用待识别人脸图像在用户人脸图像数据库中寻找匹配的人脸图像。如果待识别人脸图像不包括眼镜，那么对待识别人脸图像进行图1所示实施例中步骤103类似的操作，在待识别人脸图像中加入眼镜模板，然后将有眼镜模板的待识别人脸图像和屋眼镜模板的待识别人脸图像都输入到模型中，和用户人脸数据库中的人脸图像进行对比。只要其中存在匹配成功的人脸图像，就可以认为待识别人脸图像是在数据库中注册过的。可以看出，本实施例通过在待识别人脸图像中添加眼镜模板，模拟了被识别用户佩戴眼镜的人脸图像，避免用户在注册人脸图像时佩戴眼镜，而在被人脸识别模型进行识别时，用户却未佩戴眼镜而导致识别不通过的情况出现。
对应于上述的人脸识别模型训练方法和人脸识别模型识别方法，本申请实施例相应地提供了人脸识别模型训练装置和人脸识别装置。
请参阅图3，图3是本申请实施例提供的一种人脸识别模型训练装置结构示意图，该人脸识别模型训练装置300可以包括一个或一个以上中央处理器(central processingunits，CPU)301和存储器305，该存储器305中存储有一个或一个以上的应用程序或数据。
其中，存储器305可以是易失性存储或持久存储。存储在存储器305的程序可以包括一个或一个以上模块，每个模块可以包括对人脸识别模型训练装置中的一系列指令操作。更进一步地，中央处理器301可以设置为与存储器305通信，在人脸识别模型训练装置300上执行存储器305中的一系列指令操作。
人脸识别模型训练装置300还可以包括一个或一个以上电源302，一个或一个以上有线或无线网络接口303，一个或一个以上输入输出接口304，和/或，一个或一个以上操作系统，例如Windows ServerTM，Mac OS XTM，UnixTM,LinuxTM，FreeBSDTM等。
该中央处理器301可以执行前述图2所示实施例中人脸识别模型训练装置所执行的操作，具体此处不再赘述。
本申请实施例提供的一种人脸识别模型训练装置300包括处理器301和存储器302，处理器与存储器通过总线连接，存储器用于存储计算机执行指令，当人脸识别模型使用装置运行时，处理器读取存储器存储的计算机执行指令，以使人脸识别模型训练装置执行图2所示实施例中的人脸识别模型训练方法，具体此处不再赘述。
对应地，本申请实施例还提供了一种人脸识别装置，请参阅图4。该人脸识别装置400可以包括一个或一个以上中央处理器(central processing units，CPU)401和存储器405，该存储器405中存储有一个或一个以上的应用程序或数据。
其中，存储器405可以是易失性存储或持久存储。存储在存储器405的程序可以包括一个或一个以上模块，每个模块可以包括对人脸识别装置中的一系列指令操作。更进一步地，中央处理器401可以设置为与存储器405通信，在人脸识别装置400上执行存储器405中的一系列指令操作。
人脸识别装置400还可以包括一个或一个以上电源402，一个或一个以上有线或无线网络接口403，一个或一个以上输入输出接口404，和/或，一个或一个以上操作系统，例如Windows ServerTM，Mac OS XTM，UnixTM,LinuxTM，FreeBSDTM等。
本申请实施例还提供了一种计算机存储介质，该计算机存储介质用于储存实施图1或图2所示方法所用的计算机软件指令，计算机执行该软件指令时，可以实现如图1或图2所示的方法。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和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。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，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)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，read-onlymemory)、随机存取存储器(RAM，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
Claims (10)
1.一种人脸识别模型训练方法，其特征在于，包括：
获取基础人脸识别网络，所述基础人脸识别网络是未经训练的人脸识别网络；
获取多个用户的第一样本图像，所述第一样本图像为用户的不包含眼镜的人脸图像；
在所述人脸图像中添加预先生成的眼镜模板，得到所述用户的第二样本图像；
为同一用户的第一样本图像以及第二样本图像添加所述同一用户的身份标签；
将所述第一样本图像和所述第二样本图像的用户身份标签作为监督信号，使用所述第一样本图像和所述第二样本图像，对所述基础人脸识别网络进行监督训练，得到目标人脸识别模型。
2.根据权利要求1所述的人脸识别模型训练方法，其特征在于，在所述人脸图像中添加预先生成的眼镜模板前，所述方法还包括：
对所述第一样本图像进行预处理操作，所述预处理操作包括：调整图像尺寸、标注面部特征点、框选面部图像中的至少一种。
3.根据权利要求1所述的人脸识别模型训练方法，其特征在于，所述在所述人脸图像中添加预先生成的眼镜模板，得到所述用户的第二样本图像，包括：
在同一所述人脸图像中添加不同的眼镜模板，生成同一所述人脸图像的多个第二样本图像。
4.一种人脸识别方法，其特征在于，包括：
获取待识别的人脸图像；
获取预先生成的用户人脸图像数据库；
获得预先训练好的目标人脸识别模型，其中所述目标人脸识别模型是通过以下方式训练得到的：获取基础人脸识别网络，所述基础人脸识别网络是未经训练的人脸识别网络；获取多个用户的第一样本图像，所述第一样本图像为用户的不包含眼镜的人脸图像；在所述人脸图像中添加预先生成的眼镜模板，得到所述用户的第二样本图像；为同一用户的第一样本图像以及第二样本图像添加所述同一用户的身份标签；将所述第一样本图像和所述第二样本图像的用户身份标签作为监督信号，使用所述第一样本图像和所述第二样本图像，对所述基础人脸识别网络进行监督训练，得到目标人脸识别模型；
将所述待识别的人脸图像输入到所述目标人脸识别模型中，以获得识别结果，所述识别结果用于表示所述待识别的人脸图与所述用户人脸图像数据库中的人脸图像是否相同。
5.根据权利要求4所述的人脸识别方法，其特征在于，所述用户人脸图像数据库的生成过程包括：
获取注册用户的第一注册人脸图像；
在所述第一注册人脸图像中添加预先生成的眼镜模板，生成所述注册用户的第二注册人脸图像；
为所述第一注册人脸图像和所述第二人脸注册图像添加所述注册用户的身份标签；
在数据库中存储添加有身份标签的所述第一注册人脸图像和所述第二注册人脸图像，得到用户人脸图像数据库。
6.根据权利要求4所述的人脸识别模型训练方法，其特征在于，所述将所述待识别的人脸图像输入到所述目标人脸识别模型中，包括：
判断所述待识别的人脸图像是否包括眼镜图像；
若否，在所述待识别人脸图像中添加预先生成的眼镜模板；
将所述待识别人脸图像以及添加有所述眼镜模板的待识别人脸图像输入到所述目标人脸识别模型中。
7.根据权利要求4所述的人脸识别方法，其特征在于，在所述获取待识别的人脸图像之后，所述方法还包括：
对所述待识别的人脸图像进行预处理操作，所述预处理操作包括:调整图像尺寸、标注面部特征点、框选面部图像中的至少一种。
8.一种人脸识别模型训练装置，其特征在于，包括处理器和存储器，所述处理器与所述存储器通过总线连接，所述存储器用于存储计算机执行指令，当所述人脸识别模型训练装置运行时，所述处理器读取所述存储器存储的所述计算机执行指令，以使所述人脸识别模型训练装置执行权利要求1至3中任一项所述的人脸识别模型训练方法。
9.一种人脸识别装置，其特征在于，包括处理器和存储器，所述处理器与所述存储器通过总线连接，所述存储器用于存储计算机执行指令，当所述人脸识别模型训练装置运行时，所述处理器读取所述存储器存储的所述计算机执行指令，以使所述人脸识别模型训练装置执行权利要求4至7中任一项所述的人脸识别模型训练方法。
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上存储有计算机程序，在所述计算机程序被处理器执行时，执行如权利要求1至7中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911269391.6A CN110969139A (zh) | 2019-12-11 | 2019-12-11 | 人脸识别模型训练方法及相关装置、人脸识别方法及相关装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911269391.6A CN110969139A (zh) | 2019-12-11 | 2019-12-11 | 人脸识别模型训练方法及相关装置、人脸识别方法及相关装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110969139A true CN110969139A (zh) | 2020-04-07 |
Family
ID=70033744
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911269391.6A Pending CN110969139A (zh) | 2019-12-11 | 2019-12-11 | 人脸识别模型训练方法及相关装置、人脸识别方法及相关装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110969139A (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111401331A (zh) * | 2020-04-27 | 2020-07-10 | 支付宝(杭州)信息技术有限公司 | 人脸识别方法及装置 |
| CN111783600A (zh) * | 2020-06-24 | 2020-10-16 | 北京百度网讯科技有限公司 | 一种人脸识别模型训练方法、装置、设备及介质 |
| CN111783598A (zh) * | 2020-06-24 | 2020-10-16 | 北京百度网讯科技有限公司 | 一种人脸识别模型训练方法、装置、设备及介质 |
| CN112270747A (zh) * | 2020-11-10 | 2021-01-26 | 杭州海康威视数字技术股份有限公司 | 一种人脸识别方法、装置及电子设备 |
| CN113689324A (zh) * | 2021-07-06 | 2021-11-23 | 清华大学 | 一种基于二分类标签的人像物件的自动增删方法及装置 |
| CN113837015A (zh) * | 2021-08-31 | 2021-12-24 | 艾普工华科技（武汉）有限公司 | 一种基于特征金字塔的人脸检测方法及系统 |
| 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 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102034079A (zh) * | 2009-09-24 | 2011-04-27 | 汉王科技股份有限公司 | 眼镜遮挡下的人脸识别方法和系统 |
| CN103903004A (zh) * | 2012-12-28 | 2014-07-02 | 汉王科技股份有限公司 | 一种人脸识别多特征权值融合方法与装置 |
| CN105184253A (zh) * | 2015-09-01 | 2015-12-23 | 北京旷视科技有限公司 | 一种人脸识别方法和人脸识别系统 |
| CN108319943A (zh) * | 2018-04-25 | 2018-07-24 | 北京优创新港科技股份有限公司 | 一种提高戴眼镜条件下人脸识别模型性能的方法 |
| US20190050632A1 (en) * | 2017-08-14 | 2019-02-14 | Baidu Online Network Technology (Beijing) Co., Ltd . | Method and apparatus for generating training data for human face recognition, device and computer storage medium |
| CN110399764A (zh) * | 2018-04-24 | 2019-11-01 | 华为技术有限公司 | 人脸识别方法、装置及计算机可读介质 |
-
2019
- 2019-12-11 CN CN201911269391.6A patent/CN110969139A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102034079A (zh) * | 2009-09-24 | 2011-04-27 | 汉王科技股份有限公司 | 眼镜遮挡下的人脸识别方法和系统 |
| CN103903004A (zh) * | 2012-12-28 | 2014-07-02 | 汉王科技股份有限公司 | 一种人脸识别多特征权值融合方法与装置 |
| CN105184253A (zh) * | 2015-09-01 | 2015-12-23 | 北京旷视科技有限公司 | 一种人脸识别方法和人脸识别系统 |
| US20190050632A1 (en) * | 2017-08-14 | 2019-02-14 | Baidu Online Network Technology (Beijing) Co., Ltd . | Method and apparatus for generating training data for human face recognition, device and computer storage medium |
| CN110399764A (zh) * | 2018-04-24 | 2019-11-01 | 华为技术有限公司 | 人脸识别方法、装置及计算机可读介质 |
| CN108319943A (zh) * | 2018-04-25 | 2018-07-24 | 北京优创新港科技股份有限公司 | 一种提高戴眼镜条件下人脸识别模型性能的方法 |
Non-Patent Citations (1)
| Title |
|---|
| 宋彩芳，孙艳丰: "基于二维有监督测地线判别投影的戴眼镜人脸识别" * |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111401331A (zh) * | 2020-04-27 | 2020-07-10 | 支付宝(杭州)信息技术有限公司 | 人脸识别方法及装置 |
| CN111401331B (zh) * | 2020-04-27 | 2022-04-05 | 支付宝(杭州)信息技术有限公司 | 人脸识别方法及装置 |
| CN111783600A (zh) * | 2020-06-24 | 2020-10-16 | 北京百度网讯科技有限公司 | 一种人脸识别模型训练方法、装置、设备及介质 |
| CN111783598A (zh) * | 2020-06-24 | 2020-10-16 | 北京百度网讯科技有限公司 | 一种人脸识别模型训练方法、装置、设备及介质 |
| CN111783598B (zh) * | 2020-06-24 | 2023-08-08 | 北京百度网讯科技有限公司 | 一种人脸识别模型训练方法、装置、设备及介质 |
| CN111783600B (zh) * | 2020-06-24 | 2024-02-09 | 北京百度网讯科技有限公司 | 一种人脸识别模型训练方法、装置、设备及介质 |
| CN112270747A (zh) * | 2020-11-10 | 2021-01-26 | 杭州海康威视数字技术股份有限公司 | 一种人脸识别方法、装置及电子设备 |
| 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 |
| CN113689324A (zh) * | 2021-07-06 | 2021-11-23 | 清华大学 | 一种基于二分类标签的人像物件的自动增删方法及装置 |
| CN113689324B (zh) * | 2021-07-06 | 2024-04-26 | 清华大学 | 一种基于二分类标签的人像物件的自动增删方法及装置 |
| CN113837015A (zh) * | 2021-08-31 | 2021-12-24 | 艾普工华科技（武汉）有限公司 | 一种基于特征金字塔的人脸检测方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110969139A (zh) | 人脸识别模型训练方法及相关装置、人脸识别方法及相关装置 | |
| US10936919B2 (en) | Method and apparatus for detecting human face | |
| CN108701216B (zh) | 一种人脸脸型识别方法、装置和智能终端 | |
| CN108229376B (zh) | 用于检测眨眼的方法及装置 | |
| CN109359548A (zh) | 多人脸识别监控方法及装置、电子设备及存储介质 | |
| CN110163096B (zh) | 人物识别方法、装置、电子设备和计算机可读介质 | |
| CN111626371A (zh) | 一种图像分类方法、装置、设备及可读存储介质 | |
| CN104143086A (zh) | 人像比对在移动终端操作系统上的应用技术 | |
| CN110866469B (zh) | 一种人脸五官识别方法、装置、设备及介质 | |
| CN110741377A (zh) | 人脸图像处理方法、装置、存储介质及电子设备 | |
| CN112633221B (zh) | 一种人脸方向的检测方法及相关装置 | |
| CN111062303A (zh) | 图像处理方法、系统及计算机存储介质 | |
| CN115205764B (zh) | 基于机器视觉的在线学习专注度监测方法、系统及介质 | |
| CN113570689B (zh) | 人像卡通化方法、装置、介质和计算设备 | |
| CN110443181A (zh) | 人脸识别方法及装置 | |
| CN111738199B (zh) | 图像信息验证方法、装置、计算装置和介质 | |
| CN107578015B (zh) | 一种基于深度学习的第一印象识别与回馈系统及方法 | |
| CN111931628A (zh) | 人脸识别模型的训练方法、装置及相关设备 | |
| EP3200092A1 (en) | Method and terminal for implementing image sequencing | |
| CN113673308B (zh) | 对象识别方法、装置和电子系统 | |
| CN113781462A (zh) | 一种人体伤残检测方法、装置、设备及存储介质 | |
| CN113536842B (zh) | 电力作业人员安全着装识别方法及装置 | |
| CN110298684B (zh) | 车型匹配方法、装置、计算机设备及存储介质 | |
| CN114170662A (zh) | 人脸识别方法及装置、存储介质、电子设备 | |
| CN114038045A (zh) | 一种跨模态人脸识别模型构建方法、装置及电子设备 |
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: 20200407 |