CN111104987A - 人脸识别方法、装置及电子设备 - Google Patents

人脸识别方法、装置及电子设备 Download PDF

Info

Publication number
CN111104987A
CN111104987A CN201911361905.0A CN201911361905A CN111104987A CN 111104987 A CN111104987 A CN 111104987A CN 201911361905 A CN201911361905 A CN 201911361905A CN 111104987 A CN111104987 A CN 111104987A
Authority
CN
China
Prior art keywords
model
face
face image
image
feature vector
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
CN201911361905.0A
Other languages
English (en)
Other versions
CN111104987B (zh
Inventor
柴兆虎
唐振
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.)
Shengjing Intelligent Technology Jiaxing Co ltd
Original Assignee
Hunan Sany Intelligent Control Equipment 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 Hunan Sany Intelligent Control Equipment Co Ltd filed Critical Hunan Sany Intelligent Control Equipment Co Ltd
Priority to CN201911361905.0A priority Critical patent/CN111104987B/zh
Publication of CN111104987A publication Critical patent/CN111104987A/zh
Application granted granted Critical
Publication of CN111104987B publication Critical patent/CN111104987B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

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

Abstract

本发明提供了人脸识别方法、装置及电子设备，包括：获取人脸图像；其中，人脸图像包括对同一对象同时采集的可见光图像和红外图像；将人脸图像输入至预先训练好的识别模型，以使识别模型根据人脸图像输出人脸图像的融合特征向量；根据融合特征向量，识别出人脸图像对应的人脸信息。本申请可以缓解现有的人脸识别方法识别精度不理想的技术问题，并提高了人脸识别的精度。

Description

人脸识别方法、装置及电子设备
技术领域
本发明涉及图像识别技术领域，尤其是涉及人脸识别方法、装置及电子设备。
背景技术
近年来，随着技术的进步和光学成像设备的广泛普及，人脸识别技术的应用领域得到了极大的拓展。对于环境光相对可控、人员配合程度较好的应用场景，人脸识别算法性能已经接近饱和，但仍有相当一部分应用场景，存在环境光无法控制或成本过高的问题，导致人脸识别精度不能满足要求。如非强配合场景的夜间识别，常规措施是在识别区域架设补光灯，但由于需要补光的范围较大，补光灯的功率必须够大，而这会给被识别人员带来强烈不适，另如车载设备的司机人脸识别，环境光复杂多变，常规补光又会对司机造成干扰，影响驾驶安全。基于红外成像的人脸识别方案则能够有效的避免这些问题。
但是，现有的红外成像的人脸识别中，由于有标注的红外人脸数据集较少，且，同一个人既有红外数据，又有可见光图像的数据集更少，因此，现有的红外成像的人脸识别的效果不理想。
发明内容
有鉴于此，本发明的目的在于提供人脸识别方法、装置及电子设备，以缓解上述技术问题，并提高了人脸识别的精度。
第一方面，本发明实施例提供了一种人脸识别方法，所述方法包括：
获取人脸图像；其中，所述人脸图像包括对同一对象同时采集的可见光图像和红外图像；
将所述人脸图像输入至预先训练好的识别模型，以使所述识别模型根据所述人脸图像输出人脸图像的融合特征向量；
根据所述融合特征向量，识别出所述人脸图像对应的人脸信息。
结合第一方面，本发明实施例提供了第一方面的第一种可能的实施方式，其中，所述识别模型为基于残差网络进行训练得到的模型，所述方法还包括：
获取预先存储的人脸图像数据集，其中，所述人脸图像数据集包括可见光人脸图像数据、有标注红外人脸图像数据和无标注红外人脸图像数据；
将所述人脸图像数据集输入至所述残差网络进行训练，以得到所述识别模型。
结合第一方面的第一种可能的实施方式，本发明实施例提供了第一方面的第二种可能的实施方式，其中，所述识别模型包括预训子模型和转移子模型，所述将所述人脸图像输入至预先训练好的识别模型，以使所述识别模型根据所述人脸图像输出人脸图像的融合特征向量的步骤包括：
将所述可见光图像输入至所述预训子模型，以使所述预训子模型根据所述可见光图像输出第一特征向量；
将所述红外图像输入至所述转移子模型，以使所述转移子模型根据所述红外图像输出第二特征向量；
将所述第一特征向量和所述第二特征向量进行融合特征处理，得到所述融合特征向量。
结合第一方面的第二种可能的实施方式，本发明实施例提供了第一方面的第三种可能的实施方式，其中，所述将所述可见光图像输入至所述预训子模型，以使所述预训子模型根据所述可见光图像输出第一特征向量步骤还包括：
将所述可见光图像输入至所述预训子模型，以使所述预训子模型根据预设概率将所述可见光图像转换为灰度图像；
将所述灰度图像发送至第一全连接层，以使所述第一全连接层根据所述灰度图像输出第一特征向量；
其中，所述第一全连接层为所述识别模型中与所述预训子模型连接的全连接层。
结合第一方面的第二种可能的实施方式，本发明实施例提供了第一方面的第四种可能的实施方式，其中，所述将所述红外图像输入至所述转移子模型，以使所述转移子模型根据所述红外图像输出第二特征向量的步骤包括：
将所述红外图像输入至所述转移子模型，以使所述转移子模型对所述红外图像进行初始化分层，得到分层后的所述红外图像；
将分层后的所述红外图像发送至第二全连接层，以使所述第二全连接层根据分层后的所述红外图像输出第二特征向量；
其中，所述第二全连接层为所述识别模型中与所述转移子模型连接的全连接层。
结合第一方面的第二种可能的实施方式，本发明实施例提供了第一方面的第五种可能的实施方式，其中，所述将所述第一特征向量和所述第二特征向量进行融合特征处理，得到所述融合特征向量的步骤还包括：
将所述第一特征向量和所述第二特征向量输入至所述识别模型的融合全连接层进行融合特征处理，以得到所述融合特征向量。
第二方面，本发明实施例还提供一种人脸识别装置，所述装置包括：
获取模块，用于获取人脸图像；其中，所述人脸图像包括对同一对象同时采集的可见光图像和红外图像；
输入输出模块，用于将所述人脸图像输入至预先训练好的识别模型，以使所述识别模型根据所述人脸图像输出人脸图像的融合特征向量；
识别模块，用于根据所述融合特征向量，识别出所述人脸图像对应的人脸信息。
结合第二方面，本发明实施例提供了第二方面的第一种可能的实施方式，其中，所述识别模型为基于残差网络进行训练得到的模型，所述装置还包括：
获取预先存储的人脸图像数据集，其中，所述人脸图像数据集包括可见光人脸图像数据、有标注红外人脸图像数据和无标注红外人脸图像数据；
将所述人脸图像数据集输入至所述残差网络进行训练，以得到所述识别模型。
第三方面，本发明实施例还提供一种电子设备，包括处理器和存储器，所述存储器存储有能够被所述处理器执行的计算机可执行指令，所述处理器执行所述计算机可执行指令以实现第一方面所述的人脸识别方法。
第四方面，本发明实施例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可执行指令，所述计算机可执行指令在被处理器调用和执行时，计算机可执行指令促使处理器实现第一方面所述的人脸识别方法。
本发明实施例带来了以下有益效果：
本发明实施例提供了人脸识别方法、装置及电子设备，包括：获取人脸图像；其中，人脸图像包括对同一对象同时采集的可见光图像和红外图像；将人脸图像输入至预先训练好的识别模型，以使识别模型根据人脸图像输出人脸图像的融合特征向量；根据融合特征向量，识别出人脸图像对应的人脸信息。本申请可以缓解现有的人脸识别方法识别精度不理想的技术问题，并提高了人脸识别的精度。
本发明的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点在说明书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术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发明的一些实施方式，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为本发明实施例提供的一种人脸识别方法的流程图；
图2为本发明实施例提供的一种识别模型训练方法的流程图；
图3为本发明实施例提供的一种识别模型的网络结构图；
图4为本发明实施例提供的另一种人脸识别方法的流程图；
图5为本发明实施例提供的一种人脸识别装置的示意图。
图标：
10-获取模块；20-输入输出模块；30-识别模块。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明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。
现有的红外成像的人脸识别中，由于有标注的红外人脸数据集较少，且，同一个人既有红外数据，又有可见光图像的数据集更少，因此，现有的红外成像人脸识别方法的识别精度明显低于可见光图像的识别精度，从而造成人脸识别效果不理想。针对该技术问题，本发明实施例提供了人脸识别方法、装置及电子设备，以缓解上述技术问题，且，提高了人脸识别的精度。
为便于对本实施例进行理解，下面首先对本发明实施例提供的一种人脸识别方法进行详细介绍。
实施例一：
本发明实施例提供了一种人脸识别方法，图1为本发明实施例提供的一种人脸识别方法的流程图。如图1所示，该方法包括以下步骤：
步骤S102，获取人脸图像；
其中，人脸图像包括对同一对象同时采集的可见光图像和红外图像；其中，可见光图像是通过手机或数码相机等拍摄得到的人脸图像，红外图像则通过常见的传感器等获得，包括少量有标注的红外数据和较充足的无标注红外数据，从而通过提高可见光图像和红外图像的跨域识别精度提高人脸识别的精度。
步骤S104，将人脸图像输入至预先训练好的识别模型，以使识别模型根据人脸图像输出人脸图像的融合特征向量；
在实际应用中，将获取到的人脸图像输入至预先训练好的识别模型，该识别模型具有识别功能，并根据人脸图像输出人脸图像的融合特征向量。
步骤S106，根据融合特征向量，识别出人脸图像对应的人脸信息。
具体地，通过将人脸图像输入至识别模型，以得到人脸图像的融合特征向量，并根据该人脸图像的融合特征向量，最终得到人脸图像对应的人脸信息，缓解了现有的红外成像人脸识别方法的识别精度低的技术问题，提高了人脸识别的精度。
本发明实施例提供的人脸识别方法，包括：获取人脸图像；其中，人脸图像包括对同一对象同时采集的可见光图像和红外图像；将人脸图像输入至预先训练好的识别模型，以使识别模型根据人脸图像输出人脸图像的融合特征向量；根据融合特征向量，识别出人脸图像对应的人脸信息。本申请可以缓解现有的人脸识别方法识别精度不理想的技术问题，并提高了人脸识别的精度。
进一步的，上述识别模型为基于残差网络进行训练得到的模型，图2为本发明实施例提供的一种识别模型训练方法的流程图，如图2所示，该方法包括以下步骤：
步骤S202，获取预先存储的人脸图像数据集；
其中，人脸图像数据集包括可见光人脸图像数据、有标注红外人脸图像数据和无标注红外人脸图像数据。
步骤S204，将人脸图像数据集输入至残差网络进行训练，以得到识别模型。
具体地，这里识别模型包括预训子模型和转移子模型，其中，预训子模型是一个常规的残差网络，如图3所示，预训子模型由4个卷积块组成，在卷积块之后连接一个512维的第一全连接层；转移子模型则是复制预训子模型中最后两个卷积块，且，在卷积块之后连接有512维的第二全连接层，然后第一全连接层和第二全连接层均与融合全连接层连接，这里融合全连接层也为512维，从而得到识别模型的网络结构图。
在实际训练中，首先采用大规模的可见光人脸图像数据训练预训子模型，考虑到红外图像和灰度图像看起来更为相似，因此，在预训过程中将可见光人脸图像数据以50％的概率转换为灰度人脸图像数据，并通过第一全连接层输出；然后拷贝预训子模型中后半部分的卷积块，并采用有标注红外人脸图像数据对拷贝的卷积块重新初始化分层，并通过第二全连接层输出；最后将第一全连接层输出的结果和第二全连接层输出的结果通过融合全连接层进行融合处理，从而得到融合特征向量和训练好的识别模型。
此外，为了提高该识别模型的精度，本发明实施例还对预训好的识别模型进行微调。具体地，采集一批训练数据，这里选取256个样本数据为一批，其中，128个有标注红外数据，64个为可见光数据，64个为无标注红外数据，然后将该256个样本数据输入至预训好的识别模型，并根据有标注红外数据的分类损失对识别模型进行微调，即在128个有标注红外数据上穷举正样本对，然后分别在可见光数据和无标注红外数据上为每一个正样本对匹配一个距离最近的样本，从而构成三元组，然后计算三元组的损失，直至三元组的损失收敛时，得到本发明实施例训练好的识别模型。
在图3的基础上，本发明实施例还提供了另一种人脸识别方法，图4为本发明实施例提供的另一种人脸识别方法的流程图，如图4所示，该方法包括以下步骤：
步骤S302，获取人脸图像；
其中，人脸图像包括对同一对象同时采集的可见光图像和红外图像。然后将可见光图像输入至预训子模型，同时将红外图像输入至转移子模型，即步骤S304和步骤S306同时进行。
步骤S304，将可见光图像输入至预训子模型，以使预训子模型根据可见光图像输出第一特征向量；
这里，将可见光图像输入至预训子模型，以使预训子模型根据预设概率将可见光图像转换为灰度图像；这里预设概率为50％；然后，将灰度图像发送至第一全连接层，以使第一全连接层根据该灰度图像输出第一特征向量。
步骤S306，将红外图像输入至转移子模型，以使转移子模型根据红外图像输出第二特征向量；
具体地，同时将红外图像输入至转移子模型，以使转移子模型对红外图像进行初始化分层，得到分层后的红外图像；然后，将分层后的红外图像发送至第二全连接层，以使第二全连接层根据该分层后的红外图像输出第二特征向量。
步骤S308，将第一特征向量和第二特征向量进行融合特征处理，得到融合特征向量；
此时，将第一特征向量和所述第二特征向量输入至识别模型的融合全连接层进行融合特征处理，从而得到融合特征向量。
步骤S310，根据融合特征向量，识别出人脸图像对应的人脸信息。
因此，本发明实施例提供的人脸识别方法，利用少量的有标注红外数据和容易获取的无标注数据，即可提高红外-可见光的跨域识别精度。此外，利用训练好的识别模型，还可以降低红外数据不足带来的过拟合问题，且融合全连接层的结构可以充分利用无标注红外数据和可见光数据，从而可以降低识别模型对有标注红外数据的依赖，进一步提高人脸识别的精度。
在上述实施例的基础上，本发明实施例还提供了一种人脸识别装置，图5为本发明实施例提供的一种人脸识别装置的示意图。如图5所示，该装置包括：
获取模块10，用于获取人脸图像；其中，人脸图像包括对同一对象同时采集的可见光图像和红外图像；
输入输出模块20，用于将人脸图像输入至预先训练好的识别模型，以使识别模型根据人脸图像输出人脸图像的融合特征向量；
识别模块30，用于根据融合特征向量，识别出人脸图像对应的人脸信息。
进一步的，上述识别模型为基于残差网络进行训练得到的模型，该装置还包括：
获取预先存储的人脸图像数据集，其中，人脸图像数据集包括可见光人脸图像数据、有标注红外人脸图像数据和无标注红外人脸图像数据；
将人脸图像数据集输入至残差网络进行训练，以得到识别模型。
本发明实施例提供的人脸识别装置，包括：获取人脸图像；其中，人脸图像包括对同一对象同时采集的可见光图像和红外图像；将人脸图像输入至预先训练好的识别模型，以使识别模型根据人脸图像输出人脸图像的融合特征向量；根据融合特征向量，识别出人脸图像对应的人脸信息。本申请可以缓解现有的人脸识别方法识别精度不理想的技术问题，并提高了人脸识别的精度。
本发明实施例还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述实施例提供的人脸识别方法的步骤。
本发明实施例还提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器运行时执行上述实施例的人脸识别方法的步骤。
本发明实施例所提供的计算机程序产品，包括存储了程序代码的计算机可读存储介质，所述程序代码包括的指令可用于执行前面方法实施例中所述的方法，具体实现可参见方法实施例，在此不再赘述。
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，上述描述的装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
另外，在本发明实施例的描述中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；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。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
所述功能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，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。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或者该技术方案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)执行本发明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-Only Memory)、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。
在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”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”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。

Claims (10)

1.一种人脸识别方法，其特征在于，所述方法包括：
获取人脸图像；其中，所述人脸图像包括对同一对象同时采集的可见光图像和红外图像；
将所述人脸图像输入至预先训练好的识别模型，以使所述识别模型根据所述人脸图像输出人脸图像的融合特征向量；
根据所述融合特征向量，识别出所述人脸图像对应的人脸信息。
2.根据权利要求1所述的人脸识别方法，其特征在于，所述识别模型为基于残差网络进行训练得到的模型，所述方法还包括：
获取预先存储的人脸图像数据集，其中，所述人脸图像数据集包括可见光人脸图像数据、有标注红外人脸图像数据和无标注红外人脸图像数据；
将所述人脸图像数据集输入至所述残差网络进行训练，以得到所述识别模型。
3.根据权利要求2所述的人脸识别方法，其特征在于，所述识别模型包括预训子模型和转移子模型，所述将所述人脸图像输入至预先训练好的识别模型，以使所述识别模型根据所述人脸图像输出人脸图像的融合特征向量的步骤包括：
将所述可见光图像输入至所述预训子模型，以使所述预训子模型根据所述可见光图像输出第一特征向量；
将所述红外图像输入至所述转移子模型，以使所述转移子模型根据所述红外图像输出第二特征向量；
将所述第一特征向量和所述第二特征向量进行融合特征处理，得到所述融合特征向量。
4.根据权利要求3所述的人脸识别方法，其特征在于，所述将所述可见光图像输入至所述预训子模型，以使所述预训子模型根据所述可见光图像输出第一特征向量步骤还包括：
将所述可见光图像输入至所述预训子模型，以使所述预训子模型根据预设概率将所述可见光图像转换为灰度图像；
将所述灰度图像发送至第一全连接层，以使所述第一全连接层根据所述灰度图像输出第一特征向量；
其中，所述第一全连接层为所述识别模型中与所述预训子模型连接的全连接层。
5.根据权利要求3所述的人脸识别方法，其特征在于，所述将所述红外图像输入至所述转移子模型，以使所述转移子模型根据所述红外图像输出第二特征向量的步骤包括：
将所述红外图像输入至所述转移子模型，以使所述转移子模型对所述红外图像进行初始化分层，得到分层后的所述红外图像；
将分层后的所述红外图像发送至第二全连接层，以使所述第二全连接层根据分层后的所述红外图像输出第二特征向量；
其中，所述第二全连接层为所述识别模型中与所述转移子模型连接的全连接层。
6.根据权利要求3所述的人脸识别方法，其特征在于，所述将所述第一特征向量和所述第二特征向量进行融合特征处理，得到所述融合特征向量的步骤还包括：
将所述第一特征向量和所述第二特征向量输入至所述识别模型的融合全连接层进行融合特征处理，以得到所述融合特征向量。
7.一种人脸识别装置，其特征在于，所述装置包括：
获取模块，用于获取人脸图像；其中，所述人脸图像包括对同一对象同时采集的可见光图像和红外图像；
输入输出模块，用于将所述人脸图像输入至预先训练好的识别模型，以使所述识别模型根据所述人脸图像输出人脸图像的融合特征向量；
识别模块，用于根据所述融合特征向量，识别出所述人脸图像对应的人脸信息。
8.根据权利要求7所述的人脸识别装置，其特征在于，所述识别模型为基于残差网络进行训练得到的模型，所述装置还包括：
获取预先存储的人脸图像数据集，其中，所述人脸图像数据集包括可见光人脸图像数据、有标注红外人脸图像数据和无标注红外人脸图像数据；
将所述人脸图像数据集输入至所述残差网络进行训练，以得到所述识别模型。
9.一种电子设备，其特征在于，包括处理器和存储器，所述存储器存储有能够被所述处理器执行的计算机可执行指令，所述处理器执行所述计算机可执行指令以实现权利要求1至6任一项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可执行指令，所述计算机可执行指令在被处理器调用和执行时，计算机可执行指令促使处理器实现权利要求1至6任一项所述的人脸识别方法。
CN201911361905.0A 2019-12-25 2019-12-25 人脸识别方法、装置及电子设备 Active CN111104987B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911361905.0A CN111104987B (zh) 2019-12-25 2019-12-25 人脸识别方法、装置及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911361905.0A CN111104987B (zh) 2019-12-25 2019-12-25 人脸识别方法、装置及电子设备

Publications (2)

Publication Number Publication Date
CN111104987A true CN111104987A (zh) 2020-05-05
CN111104987B CN111104987B (zh) 2023-08-01

Family

ID=70424704

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911361905.0A Active CN111104987B (zh) 2019-12-25 2019-12-25 人脸识别方法、装置及电子设备

Country Status (1)

Country Link
CN (1) CN111104987B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111291740A (zh) * 2020-05-09 2020-06-16 支付宝(杭州)信息技术有限公司 一种人脸识别模型的训练方法、人脸识别方法及硬件
CN111816166A (zh) * 2020-07-17 2020-10-23 字节跳动有限公司 声音识别方法、装置以及存储指令的计算机可读存储介质

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107844784A (zh) * 2017-12-08 2018-03-27 广东美的智能机器人有限公司 人脸识别方法、装置、计算机设备和可读存储介质
CN108416323A (zh) * 2018-03-27 2018-08-17 百度在线网络技术（北京）有限公司 用于识别人脸的方法和装置
CN108427939A (zh) * 2018-03-30 2018-08-21 百度在线网络技术（北京）有限公司 模型生成方法和装置
CN108509892A (zh) * 2018-03-28 2018-09-07 百度在线网络技术（北京）有限公司 用于生成近红外图像的方法和装置
CN108510466A (zh) * 2018-03-27 2018-09-07 百度在线网络技术（北京）有限公司 用于验证人脸的方法和装置
CN108875502A (zh) * 2017-11-07 2018-11-23 北京旷视科技有限公司 人脸识别方法和装置
CN108921100A (zh) * 2018-07-04 2018-11-30 武汉高德智感科技有限公司 一种基于可见光图像与红外图像融合的人脸识别方法及系统
CN109543640A (zh) * 2018-11-29 2019-03-29 中国科学院重庆绿色智能技术研究院 一种基于图像转换的活体检测方法
CN109711281A (zh) * 2018-12-10 2019-05-03 复旦大学 一种基于深度学习的行人重识别与特征识别融合方法
US20190163959A1 (en) * 2017-11-24 2019-05-30 Baidu Online Network Technology (Beijing) Co., Ltd. Method and apparatus for recognizing face
CN110046551A (zh) * 2019-03-18 2019-07-23 中国科学院深圳先进技术研究院 一种人脸识别模型的生成方法及设备
CN110349185A (zh) * 2019-07-12 2019-10-18 安徽大学 一种rgbt目标跟踪模型的训练方法及装置
US20200342360A1 (en) * 2018-06-08 2020-10-29 Tencent Technology (Shenzhen) Company Limited Image processing method and apparatus, and computer-readable medium, and electronic device

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108875502A (zh) * 2017-11-07 2018-11-23 北京旷视科技有限公司 人脸识别方法和装置
US20190163959A1 (en) * 2017-11-24 2019-05-30 Baidu Online Network Technology (Beijing) Co., Ltd. Method and apparatus for recognizing face
CN107844784A (zh) * 2017-12-08 2018-03-27 广东美的智能机器人有限公司 人脸识别方法、装置、计算机设备和可读存储介质
CN108416323A (zh) * 2018-03-27 2018-08-17 百度在线网络技术（北京）有限公司 用于识别人脸的方法和装置
CN108510466A (zh) * 2018-03-27 2018-09-07 百度在线网络技术（北京）有限公司 用于验证人脸的方法和装置
CN108509892A (zh) * 2018-03-28 2018-09-07 百度在线网络技术（北京）有限公司 用于生成近红外图像的方法和装置
CN108427939A (zh) * 2018-03-30 2018-08-21 百度在线网络技术（北京）有限公司 模型生成方法和装置
US20200342360A1 (en) * 2018-06-08 2020-10-29 Tencent Technology (Shenzhen) Company Limited Image processing method and apparatus, and computer-readable medium, and electronic device
CN108921100A (zh) * 2018-07-04 2018-11-30 武汉高德智感科技有限公司 一种基于可见光图像与红外图像融合的人脸识别方法及系统
CN109543640A (zh) * 2018-11-29 2019-03-29 中国科学院重庆绿色智能技术研究院 一种基于图像转换的活体检测方法
CN109711281A (zh) * 2018-12-10 2019-05-03 复旦大学 一种基于深度学习的行人重识别与特征识别融合方法
CN110046551A (zh) * 2019-03-18 2019-07-23 中国科学院深圳先进技术研究院 一种人脸识别模型的生成方法及设备
CN110349185A (zh) * 2019-07-12 2019-10-18 安徽大学 一种rgbt目标跟踪模型的训练方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
邓重英: "基于深度学习的跨模态人脸识别方法研究", 《中国优秀硕士学位论文全文数据库 (基础科学辑)》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111291740A (zh) * 2020-05-09 2020-06-16 支付宝(杭州)信息技术有限公司 一种人脸识别模型的训练方法、人脸识别方法及硬件
CN111291740B (zh) * 2020-05-09 2020-08-18 支付宝(杭州)信息技术有限公司 一种人脸识别模型的训练方法、人脸识别方法及硬件
CN112084946A (zh) * 2020-05-09 2020-12-15 支付宝(杭州)信息技术有限公司 一种人脸识别方法、装置及电子设备
CN111816166A (zh) * 2020-07-17 2020-10-23 字节跳动有限公司 声音识别方法、装置以及存储指令的计算机可读存储介质

Also Published As

Publication number Publication date
CN111104987B (zh) 2023-08-01

Similar Documents

Publication Publication Date Title
CN108156519B (zh) 图像分类方法、电视设备及计算机可读存储介质
CN108921040A (zh) 图像处理方法和装置、存储介质、电子设备
CN110991380A (zh) 人体属性识别方法、装置、电子设备以及存储介质
CN113706414B (zh) 视频优化模型的训练方法和电子设备
CN113902657A (zh) 图像拼接方法、装置和电子设备
CN105472246A (zh) 拍照装置及方法
CN111104987A (zh) 人脸识别方法、装置及电子设备
CN112508812A (zh) 图像色偏校正方法、模型训练方法、装置及设备
CN111612723B (zh) 图像修复方法及装置
CN116612015A (zh) 模型训练方法、图像去摩尔纹方法、装置及电子设备
CN112465709A (zh) 一种图像增强方法、装置、存储介质及设备
CN115482529A (zh) 近景色水果图像识别方法、设备、存储介质及装置
CN111222459A (zh) 一种视角无关的视频三维人体姿态识别方法
CN112614110B (zh) 评估图像质量的方法、装置及终端设备
US20230196739A1 (en) Machine learning device and far-infrared image capturing device
CN114862707A (zh) 一种多尺度特征恢复图像增强方法、装置及存储介质
CN112308202A (zh) 一种确定卷积神经网络的决策因素的方法及电子设备
CN115115552A (zh) 图像矫正模型训练及图像矫正方法、装置和计算机设备
CN113947097A (zh) 一种二维码识别的方法及电子设备
CN113221830B (zh) 一种超分活体识别方法、系统、终端及存储介质
CN109272441B (zh) 关联图像的生成方法
CN116205822B (zh) 一种图像处理的方法、电子设备和计算机可读存储介质
CN113706429B (zh) 图像处理方法、装置、电子设备和存储介质
CN113256501B (zh) 一种图像处理方法、存储介质及终端设备
Cao et al. Single image dehazing algorithm using generative adversarial network based on feature pyramid network

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
TA01 Transfer of patent application right

Effective date of registration: 20230601

Address after: 314506 room 116, building 4, No. 288, development avenue, Tongxiang Economic Development Zone, Tongxiang City, Jiaxing City, Zhejiang Province

Applicant after: Shengjing Intelligent Technology (Jiaxing) Co.,Ltd.

Address before: 102200 5th floor, building 6, No.8 Beiqing Road, Changping District, Beijing

Applicant before: SANY HEAVY INDUSTRY Co.,Ltd.

TA01 Transfer of patent application right
GR01 Patent grant
GR01 Patent grant