CN111222485A - 3d人脸识别方法、装置、电子设备和存储介质 - Google Patents
3d人脸识别方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN111222485A CN111222485A CN202010042429.2A CN202010042429A CN111222485A CN 111222485 A CN111222485 A CN 111222485A CN 202010042429 A CN202010042429 A CN 202010042429A CN 111222485 A CN111222485 A CN 111222485A
- Authority
- CN
- China
- Prior art keywords
- face
- recognized
- features
- image
- feature
- 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
- G06V40/172—Classification, e.g. identification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/64—Three-dimensional objects
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Human Computer Interaction (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Collating Specific Patterns (AREA)
Abstract
本申请实施例提供的3D人脸识别方法、装置、电子设备和存储介质,采用激光雷达技术获取包含人脸信息的图像,并对人脸信息进行3D建模以获得3D人脸图像,从而可以通过3D人脸图像进行特征提取并进行人脸识别。3D建模获得3D的人脸图像的方法可以避免光线对人脸图像的干扰,进一步还原人脸的表情细节以及人脸的面部结构细节,从而使得人脸识别的准确度更高。
Description
技术领域
本申请涉及人脸识别技术领域,具体而言,涉及一种3D人脸识别方法、装置、电子设备和存储介质。
背景技术
现有技术中,随着人脸识别技术的飞速发展,人脸识别技术越来越多的应用在人们的日常生活中,例如,应用在车站的刷脸进站,超市的刷脸付钱、和手机APP的刷脸登录等场景中。
目前,人脸识别技术大部分都存在识别结果准确度不高的缺点。
发明内容
有鉴于此,本申请的目的在于提供3D人脸识别方法、装置、电子设备和存储介质,以提高人脸识别的准确度。
第一方面,实施例提供一种3D人脸识别方法,包括:
通过激光雷达技术获取包含人脸信息的图像,从所述图像中获取人脸信息,并对所述人脸信息进行3D建模以获得待识别的3D人脸图像;
对待识别的所述3D人脸图像进行特征提取,以获得待识别的第一人脸特征;
将待识别的所述第一人脸特征与预存的各第二人脸特征进行比对,判断是否存在与待识别的所述第一人脸特征匹配的第二人脸特征,若存在,则输出匹配结果,若不存在,则再次将待识别的所述第一人脸特征与预存的各第二人脸特征进行比对,直到匹配到第二人脸特征或匹配次数达到预设次数。
在可选的实施方式中,对待识别的所述3D人脸图像进行特征提取,以获得待识别的第一人脸特征,包括:
通过训练好的深度卷积神经网络对所述3D人脸图像进行编码,以获得该3D人脸图像的多个第一特征值。
在可选的实施方式中,所述方法还包括预存多个第二人脸特征的步骤,所述步骤包括:
通过训练好的深度卷积神经网络对需要预存的多个3D人脸图像进行编码,以获得每个人脸图像的第二人脸特征,并将所述第二人脸特征进行存储,其中,每个所述第二人脸特征包括多个第二特征值。
在可选的实施方式中,判断是否存在与待识别的所述第一人脸特征匹配的第二人脸特征,包括:
计算所述第一特征值与各第二特征值的欧式距离;
根据所述欧式距离的大小判断是否存在与所述第一人脸特征匹配的第二人脸特征。
在可选的实施方式中,根据所述欧式距离的大小判断是否存在与所述第一人脸特征匹配的第二人脸特征,包括:
判断所述欧式距离是否小于预设阈值,若是,则判定第二人脸特征与第一人脸特征匹配,若否,则判定第二人脸特征与第一人脸特征不匹配。
在可选的实施方式中,在对待识别的所述3D人脸图像进行特征提取之前,所述方法还包括:
通过噪声滤波对待识别的3D人脸图像进行修正处理;或者,
对待识别的3D人脸图像进行光线补偿处理;或者,
通过噪声滤波对待识别的3D人脸图像进行修正处理,对进行修正处理后的待识别的3D人脸图像进行光线补偿处理。
第二方面,实施例提供一种3D人脸识别装置,所述装置包括:
3D人脸图像获取模块,用于通过激光雷达技术获取包含人脸信息的图像,从所述图像中获取人脸信息,并对所述人脸信息进行3D建模以获得待识别的3D人脸图像;
特征提取模块,用于对待识别的所述3D人脸图像进行特征提取,以获得待识别的第一人脸特征;
特征比对模块,用于将待识别的所述第一人脸特征与预存的各第二人脸特征进行比对,判断是否存在与待识别的所述第一人脸特征匹配的第二人脸特征,若存在,则输出匹配结果,若不存在,则再次将待识别的所述第一人脸特征与预存的各第二人脸特征进行比对,直到匹配到第二人脸特征或匹配次数达到预设次数。
在可选的实施方式中,所述特征提取模块具体用于:
通过训练好的深度卷积神经网络对所述3D人脸图像进行编码,以获得该3D人脸图像的多个第一特征值。
第三方面,实施例提供一种电子设备,包括处理器及存储有计算机指令的非易失性存储器,所述计算机指令被所述处理器执行时,所述电子设备执行前述实施方式中任意一项所述的3D人脸识别方法。
第四方面,实施例提供一种存储介质,所述存储介质中存储有计算机程序,所述计算机程序被执行时实现前述实施方式中任意一项所述的3D人脸识别方法。
本申请实施例的有益效果:
本申请实施例提供的3D人脸识别方法、装置、电子设备和存储介质,采用激光雷达技术获取包含人脸信息的图像,并对人脸信息进行3D建模以获得3D人脸图像,从而可以通过3D人脸图像进行特征提取并进行人脸识别。3D建模获得3D的人脸图像的方法可以避免光线对人脸图像的干扰,进一步还原人脸的表情细节以及人脸的面部结构细节,从而使得人脸识别的准确度更高。
为使本申请的上述目的、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申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1为本申请实施例提供的电子设备的结构示意图;
图2为本申请实施例提供的3D人脸识别方法的流程图;
图3为本申请实施例提供的步骤S230的子步骤流程图;
图4为本申请实施例提供的3D人脸识别装置的功能模块图。
主要元件符号说明:100-电子设备;110-3D人脸识别装置;120-存储器;130-处理器;1101-3D人脸图像获取模块;1102-特征提取模块;1103-特征比对模块。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
目前,大部分的人脸识别技术的准确度都不太高,发明人在研究中发现,这主要是由于目前的人脸识别大多是基于二维图像的人脸识别,而二维图像对光照、姿态等变化的适应性较差,导致识别结果的准确度不高。因此,为了解决上述问题,本申请提出一种3D人脸识别方法、装置、电子设备和存储介质。
首先,请参照图1,图1为本申请实施例提供的电子设备100的结构示意图。本申请实施例提供的3D人脸识别方法应用于该电子设备100,该电子设备100包括有处理器130、存储器120以及3D人脸识别装置110,所述存储器120与处理器130各元件相互之间直接或间接地电性连接,以实现数据的传输或交互。例如,这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。所述3D人脸识别装置110包括至少一个可以软件或固件(firmware)的形式存储于所述存储器120中或固化在所述电子设备100的操作系统(Operating System,OS)中的软件功能模块。所述处理器130用于执行所述存储器120中存储的可执行模块,例如3D人脸识别装置110所包括的软件功能模块及计算机程序等。所述电子设备100可以是,但不限于,可穿戴设备、智能手机、平板电脑、个人数字助理等。
其中,所述存储器120可以是,但不限于,随机存取存储器(Random AccessMemory,RAM),只读存储器(Read Only Memory,ROM),可编程只读存储器(ProgrammableRead-Only Memory,PROM),可擦除只读存储器(Erasable Programmable Read-OnlyMemory,EPROM),电可擦除只读存储器(Electric Erasable Programmable Read-OnlyMemory,EEPROM)等。其中,存储器120用于存储程序,所述处理器130在接收到执行指令后,执行所述程序。
所述处理器130可能是一种集成电路芯片,具有信号的处理能力。上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
下面,对本申请实施例提供的3D人脸识别方法进行详细说明。请参照图2,图2为本申请实施例提供的3D人脸识别方法的流程图,该方法应用于图1中的电子设备100,该方法包括以下步骤:
步骤S210,通过激光雷达技术获取包含人脸信息的图像,从图像中获取人脸信息,并对所述人脸信息进行3D建模以获得待识别的3D人脸图像。
步骤S220,对待识别的3D人脸图像进行特征提取,以获得待识别的第一人脸特征。
步骤S230,将待识别的第一人脸特征与预存的各第二人脸特征进行比对,判断是否存在与待识别的所述第一人脸特征匹配的第二人脸特征,若存在,则输出匹配结果,若不存在,则再次将待识别的所述第一人脸特征与预存的各第二人脸特征进行比对,直到匹配到第二人脸特征或匹配次数达到预设次数。
人脸识别主要分为人脸检测、特征提取和人脸匹配三个过程。人脸面部抓拍采集单元负责完成人脸面部信息的采集,包括人脸面部照片、过人场景照片、视频等。在采集到人脸信息之后,对该人脸信息进行特征提取,并与预存的人脸信息进行匹配。
在上述步骤中,在进行人脸面部信息采集时通过激光雷达技术获取图像,图像中包含至少一个人脸信息,在获取到图像后,从该图像中获取人脸信息,并对所述人脸信息进行3D建模,从而获得待识别的3D人脸图像。
在获得待识别的3D人脸图像之后,需要对该3D人脸图像进行识别,进一步判断该3D人脸图像与预存的人脸图像是否一致。
在对该3D人脸图像进行识别时,首先要对该3D人脸图像进行特征提取,获得第一人脸特征。其中,第一人脸特征是3D人脸图像的唯一标识,每个待识别的3D人脸图像特征提取后获得的第一人脸特征是不同的。
在进行了特征提取之后,则将第一人脸特征与预存的各个第二人脸特征进行比对,判断是否存在与第一人脸特征匹配的第二人脸特征。若存在,则输出匹配结果,其中,匹配结果可以是该与第一人脸特征匹配的第二人脸特征,也可以输出识别通过等信号,从而控制大门打开或解锁等。若不存在匹配的第二人脸特征,则再次将第一人脸特征与预存的各个第二人脸特征进行比对,直到匹配到第二人脸特征,或者是循环匹配的次数达到预设次数。
当匹配次数达到预设次数后,若还未匹配到第二人脸特征,则输出无法匹配的结果,例如显示“无法识别”或“识别失败”等,避免进入死循环。
设置匹配次数进行多次匹配,可以避免由于人脸识别算法出现偶发性的错误导致匹配结果出现错误,提升人脸识别结果的准确度。
同时,上述方法通过对人脸信息进行3D建模,可以保留人脸的表情细节及面部结构细节,同时还可以避免光线的干扰,进一步提升了识别结果的准确度。
可选地,在本实施例中,匹配次数可以为20次,当循环匹配20次后,还无法匹配到第二人脸特征时,终止匹配,输出无法匹配的结果,例如显示“无法识别”或“识别失败”等,避免进入死循环。
具体地,在本申请实施例中,步骤S220,对待识别的所述3D人脸图像进行特征提取,以获得待识别的第一人脸特征,包括:
通过训练好的深度卷积神经网络对3D人脸图像进行编码,以获得该3D人脸图像的多个第一特征值,其中,第一人脸特征包括多个第一特征值。
在本实施例中,为了使电子设备100能够区分不同的3D人脸图像,需要对每个3D人脸图像进行编码,电子设备100通过比对第一人脸特征与第二人脸特征的编码即可判断是否存在匹配的第二人脸特征。
具体地,可以通过训练好的深度卷积神经网络对3D人脸图像进行编码,从而获得每个3D人脸图像的多个第一特征值。可选地,深度卷积神经网络可以为每个3D人脸图像生成128个特征值,且不同的人脸生成的特征值是不同的。
可选地,在进行特征提取之前,还需要对深度卷积神经网络进行训练,以使该网络在训练好后能够进行特征提取。
在训练前,需要准备大量的训练集,每个训练集中至少包括三张人脸图像,其中,第一张人脸图像与第二张人脸图像可以是同一人在不同状态下的人脸图像,第三张人脸图像则为另一人的人脸图像。在训练过程中,通过深度卷积神经网络分别为三张人脸图像生成多个特征值,通过调整网络参数,使第一张人脸图像的多个特征值与第二张人脸图像的多个特征值接近或相同,并且与第三张人脸图像的特征值有较大区别。
通过对大量的训练集进行训练,不断地调整网络参数,直至训练完成,获得训练好的深度卷积神经网络。在训练完成之后,即可通过该深度卷积神经网络对3D人脸图像进行特征提取,获得多个第一特征值。
可选地,在本实施例中,3D人脸识别方法还包括预存多个第二人脸特征的步骤,该步骤包括:
通过训练好的深度卷积神经网络对需要预存的多个人脸图像进行编码,以获得每个人脸图像的第二人脸特征,并将所述第二人脸特征进行存储。其中,每个第二人脸特征包括多个第二特征值。
在本步骤中,在进行人脸识别时,需要当前获取到的将待识别的第一人脸特征与预存的第二人脸特征进行比对,从而判断是否存在与之匹配的第二人脸特征。预存的第二人脸特征即为拥有相应权限的提前录入的用户的人脸特征。
在进行用户录入时,首先需要获取该用户的3D人脸图像,并对该3D人脸图像进行特征提取。具体地,可以通过训练好的深度卷积神经网络对每一个需要预存的3D人脸图像进行特征提取,从而获得各个3D人脸图像的多个第二特征值,并将多个第二特征值与3D人脸图像对应存储。
可选地,可以将第二特征值存储至数据库、云服务器或本地硬盘中。
可选地,在本实施例中,请参照图3,图3为本申请实施例提供的步骤S230的子步骤流程图,在本实施例中,步骤S230,判断是否存在与待识别的第一人脸特征匹配的第二人脸特征,包括以下子步骤:
子步骤S2301,计算第一特征值与各第二特征值的欧式距离。
子步骤S2302,根据欧式距离的大小判断是否存在与所述第一人脸特征匹配的第二人脸特征。
在上述子步骤中,在判断是否存在与待识别的第一人脸特征匹配的第二人脸特征时,可以通过欧式距离进行判断,也可以直接通过比较第一特征值与第二特征值来判断。
当使用欧式距离判断时,在获得了待识别的3D人脸图像的多个第一特征值及预存的第二特征值之后,还需要计算出待识别的3D人脸图像的多个第一特征值与各个预存的第二人脸特征的多个第二特征值对应的欧式距离。
欧式距离计算公式可以是:
其中,xn是指第n个第一特征值,yn是指第n个第二特征值,d(x,y)是指第一特征值与第二特征值的欧式距离。
随后可以通过计算获得的欧式距离的大小判断第一人脸特征与第二人脸特征是否匹配。
具体地,在本申请实施例中,子步骤S2302具体可以包括:
判断欧式距离是否小于预设阈值,若是,则判定第二人脸特征与第一人脸特征匹配,若否,则判定第二人脸特征与第一人脸特征不匹配。
在本实施例中,当计算出第一特征值与第二特征值的欧式距离之后,可以根据欧式距离的大小判断第一人脸特征与第二人脸特征是否匹配。欧式距离越小,则表示第一人脸特征与第二人脸特征的匹配度越高,反之,欧式距离越大,则表示第一人脸特征与第二人脸特征的匹配度越低。
例如,若预设阈值为1,则当欧式距离小于1时,第一人脸特征与第二人脸特征匹配,当欧式距离不小于1时,则第一人脸特征与第二人脸特征不匹配。
在本实施例的另一种实施方式中,还可以通过比较第一特征值与第二特征值来判断第一人脸特征与第二人脸特征是否匹配。具体地,将多个第一特征值中的每一个特征值与第二特征值中的每一个特征值进行比较,计算相同的特征值的个数,并计算相似度。
例如,若第一特征值及第二特征值中特征值的数量均为128,其中,第一特征值及第二特征值相同的特征值的数量为110个,则
通过相似度的大小即可判断第一人脸特征与第二人脸特征是否匹配。例如,相似度超过90%即可认为第一人脸特征与第二人脸特征匹配。
当第一人脸特征与第二人脸特征匹配时,可以认为数据库中存在与待识别的3D人脸图像匹配的人脸图像,识别通过,可以为该用户赋予相应的控制权限,例如,人脸识别通过后可以完成上班打卡、开门或付款等操作。
可选地,在本实施中,在步骤S220之前,3D人脸识别方法还包括:
通过噪声滤波对待识别的3D人脸图像进行修正处理,或者对待识别的3D人脸图像进行光线补偿处理,或者在通过噪声滤波对待识别的3D人脸图像进行修正处理之后,再对进行修正处理后的待识别的3D人脸图像进行光线补偿处理。
图像在获取或者传输的过程中会受到随机信号的干扰,从而在图像上出现一些随机的、离散的、孤立的像素点,这些像素点会干扰后续的特征提取操作,通过噪声滤波能够过滤掉图像中存在的这些干扰像素点,以使后续的特征提取的结果更加准确。
在进行图像获取时,可能由于角度原因导致获取到的包含人脸信息的图像的光线不均匀,图像上可能存在某些地方光线较暗,某些地方光线较量,从而影响后续的特征提取。光线补偿操作能够补偿由于光线过亮或者光线过暗对图像造成的影响,使得后续的特征提取的结果更加准确,从而提升人脸识别的最终的识别准确率。
可选地,在本实施例中,获取到的3D人脸图像可能会由于存在光线不平衡的情况而造成色彩偏差,为了抵消整个图像中存在的色彩偏差,将整个图像中的所有像素的亮度从高到低进行排列,对前5%的像素进行线性放大,使这些像素的平均亮度达到255。
可选地,在本实施例中,还可以通过图像直方图对获取到的3D人脸图像的对比度进行调整,使得图像的显示效果更加清晰。
综上所述,在本实施例中,通过激光雷达技术获取包含人脸信息的图像,并通过3D建模获取3D人脸图像,极大程度上还原了人脸的表情细节,并且避免了光线对于3D人脸图像特征提取的影响,提升了人脸识别的准确率。
同时,在进行特征提取之前,还可以通过噪声滤波、光线补偿、直方图均衡化等操作对3D人脸图像进行预处理,使3D人脸图像能够更加清晰地显示出人脸,以便于进行特征提取。
在特征提取之后,获得第一人脸特征,将第一人脸特征与预存的第二人脸特征进行匹配,若不存在第二人脸特征与第一人脸特征匹配,则循环第一人脸特征与第二人脸特征匹配的步骤,直到匹配到第二人脸特征,或者匹配次数达到预设次数,避免匹配步骤陷入死循环。
同时,通过设置匹配次数进行多次匹配,可以避免人脸识别算法出现偶发性的错误导致匹配结果出现错误,也能提升人脸识别结果的准确度。
可选地,请参照图4,图4为本申请实施例提供的3D人脸识别装置110的功能模块图。3D人脸识别装置110应用于图1中的电子设备100,装置包括以下模块:
3D人脸图像获取模块1101,用于通过激光雷达技术获取包含人脸信息的图像,从所述图像中获取人脸信息,并对所述人脸信息进行3D建模以获得待识别的3D人脸图像。
特征提取模块1102,用于对待识别的所述3D人脸图像进行特征提取,以获得待识别的第一人脸特征。
特征比对模块1103,用于将待识别的所述第一人脸特征与预存的各第二人脸特征进行比对,判断是否存在与待识别的所述第一人脸特征匹配的第二人脸特征,若存在,则输出匹配结果,若不存在,则再次将待识别的所述第一人脸特征与预存的各第二人脸特征进行比对,直到匹配到第二人脸特征或匹配次数达到预设次数。
可选地,在本实施例中,特征提取模块1102具体用于:
通过训练好的深度卷积神经网络对所述3D人脸图像进行编码,以获得该3D人脸图像的多个第一特征值。
可选地,在本实施例中,特征比对模块1103具体用于:
通过训练好的深度卷积神经网络对需要预存的多个3D人脸图像进行编码,以获得每个人脸图像的第二人脸特征,并将所述第二人脸特征进行存储,其中,每个所述第二人脸特征包括多个第二特征值。
可选地,在本实施例中,特征比对模块1103具体还用于:
计算所述第一特征值与各第二特征值的欧式距离;根据所述欧式距离的大小判断是否存在与所述第一人脸特征匹配的第二人脸特征。
本申请实施例所提供的3D人脸识别装置可以为电子设备100上的特定硬件或者安装于电子设备100上的软件或固件等。本申请实施例所提供的装置,其实现原理及产生的技术效果和前述方法实施例相同,为简要描述,装置实施例部分未提及之处,可参考前述方法实施例中相应内容。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,前述描述的系统、装置和单元的具体工作过程,均可以参考上述方法实施例中的对应过程,在此不再赘述。
本申请实施例还提供了一种电子设备100,包括处理器130及存储有计算机指令的非易失性存储器120,所述计算机指令被所述处理器130执行时,所述电子设备100执行上述的3D人脸识别方法,具体实施步骤可以参考上述方法实施例中的对应过程,在此不再赘述。
本申请实施例还提供了一种存储介质,所述存储介质中存储有计算机程序,所述计算机程序被执行上述的3D人脸识别方法,具体实施步骤可以参考上述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的实施例中,应该理解到,所揭露装置和方法,可以通过其它的方式实现。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,又例如,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通信接口,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,在本申请提供的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。
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-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。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释,此外,术语“第一”、“第二”、“第三”等仅用于区分描述,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,仅为本申请的具体实施方式,用以说明本申请的技术方案,而非对其限制,本申请的保护范围并不局限于此,尽管参照前述实施例对本申请进行了详细的说明,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申请揭露的技术范围内,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申请实施例技术方案的精神和范围。都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.一种3D人脸识别方法,其特征在于,包括:
通过激光雷达技术获取包含人脸信息的图像,从所述图像中获取人脸信息,并对所述人脸信息进行3D建模以获得待识别的3D人脸图像;
对待识别的所述3D人脸图像进行特征提取,以获得待识别的第一人脸特征;
将待识别的所述第一人脸特征与预存的各第二人脸特征进行比对,判断是否存在与待识别的所述第一人脸特征匹配的第二人脸特征,若存在,则输出匹配结果,若不存在,则再次将待识别的所述第一人脸特征与预存的各第二人脸特征进行比对,直到匹配到第二人脸特征或匹配次数达到预设次数。
2.根据权利要求1所述的方法,其特征在于,对待识别的所述3D人脸图像进行特征提取,以获得待识别的第一人脸特征,包括:
通过训练好的深度卷积神经网络对所述3D人脸图像进行编码,以获得该3D人脸图像的多个第一特征值。
3.根据权利要求2所述的方法,其特征在于,所述方法还包括预存多个第二人脸特征的步骤,所述步骤包括:
通过训练好的深度卷积神经网络对需要预存的多个3D人脸图像进行编码,以获得每个人脸图像的多个第二人脸特征,并将所述第二人脸特征进行存储,其中,每个所述第二人脸特征包括多个第二特征值。
4.根据权利要求3所述的方法,其特征在于,判断是否存在与待识别的所述第一人脸特征匹配的第二人脸特征,包括:
计算所述第一特征值与各第二特征值的欧式距离;
根据所述欧式距离的大小判断是否存在与所述第一人脸特征匹配的第二人脸特征。
5.根据权利要求4所述的方法,其特征在于,根据所述欧式距离的大小判断是否存在与所述第一人脸特征匹配的第二人脸特征,包括:
判断所述欧式距离是否小于预设阈值,若是,则判定第二人脸特征与第一人脸特征匹配,若否,则判定第二人脸特征与第一人脸特征不匹配。
6.根据权利要求1所述的方法,其特征在于,在对待识别的所述3D人脸图像进行特征提取之前,所述方法还包括:
通过噪声滤波对待识别的3D人脸图像进行修正处理;或者,
对待识别的3D人脸图像进行光线补偿处理;或者,
通过噪声滤波对待识别的3D人脸图像进行修正处理,对进行修正处理后的待识别的3D人脸图像进行光线补偿处理。
7.一种3D人脸识别装置,其特征在于,所述装置包括:
3D人脸图像获取模块,用于通过激光雷达技术获取包含人脸信息的图像,从所述图像中获取人脸信息,并对所述人脸信息进行3D建模以获得待识别的3D人脸图像;
特征提取模块,用于对待识别的所述3D人脸图像进行特征提取,以获得待识别的第一人脸特征;
特征比对模块,用于将待识别的所述第一人脸特征与预存的各第二人脸特征进行比对,判断是否存在与待识别的所述第一人脸特征匹配的第二人脸特征,若存在,则输出匹配结果,若不存在,则再次将待识别的所述第一人脸特征与预存的各第二人脸特征进行比对,直到匹配到第二人脸特征或匹配次数达到预设次数。
8.根据权利要求7所述的装置,其特征在于,所述特征提取模块具体用于:
通过训练好的深度卷积神经网络对所述3D人脸图像进行编码,以获得该3D人脸图像的多个第一特征值。
9.一种电子设备,其特征在于,包括处理器及存储有计算机指令的非易失性存储器,所述计算机指令被所述处理器执行时,所述电子设备执行权利要求1-6中任意一项所述的3D人脸识别方法。
10.一种存储介质,其特征在于,所述存储介质中存储有计算机程序,所述计算机程序被执行时实现权利要求1-6中任意一项所述的3D人脸识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010042429.2A CN111222485A (zh) | 2020-01-15 | 2020-01-15 | 3d人脸识别方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010042429.2A CN111222485A (zh) | 2020-01-15 | 2020-01-15 | 3d人脸识别方法、装置、电子设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111222485A true CN111222485A (zh) | 2020-06-02 |
Family
ID=70828229
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010042429.2A Pending CN111222485A (zh) | 2020-01-15 | 2020-01-15 | 3d人脸识别方法、装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111222485A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107229915A (zh) * | 2017-05-26 | 2017-10-03 | 北京小米移动软件有限公司 | 生物特征识别方法、装置、设备及存储介质 |
CN108920928A (zh) * | 2018-09-14 | 2018-11-30 | 算丰科技(北京)有限公司 | 身份识别方法、装置、电子设备及计算机可读存储介质 |
CN109299643A (zh) * | 2018-07-17 | 2019-02-01 | 深圳职业技术学院 | 一种基于大姿态对准的人脸识别方法及系统 |
WO2019080579A1 (zh) * | 2017-10-26 | 2019-05-02 | 深圳奥比中光科技有限公司 | 3d人脸身份认证方法与装置 |
CN110298249A (zh) * | 2019-05-29 | 2019-10-01 | 平安科技(深圳)有限公司 | 人脸识别方法、装置、终端及存储介质 |
-
2020
- 2020-01-15 CN CN202010042429.2A patent/CN111222485A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107229915A (zh) * | 2017-05-26 | 2017-10-03 | 北京小米移动软件有限公司 | 生物特征识别方法、装置、设备及存储介质 |
WO2019080579A1 (zh) * | 2017-10-26 | 2019-05-02 | 深圳奥比中光科技有限公司 | 3d人脸身份认证方法与装置 |
CN109299643A (zh) * | 2018-07-17 | 2019-02-01 | 深圳职业技术学院 | 一种基于大姿态对准的人脸识别方法及系统 |
CN108920928A (zh) * | 2018-09-14 | 2018-11-30 | 算丰科技(北京)有限公司 | 身份识别方法、装置、电子设备及计算机可读存储介质 |
CN110298249A (zh) * | 2019-05-29 | 2019-10-01 | 平安科技(深圳)有限公司 | 人脸识别方法、装置、终端及存储介质 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10635946B2 (en) | Eyeglass positioning method, apparatus and storage medium | |
CN110543815B (zh) | 人脸识别模型的训练方法、人脸识别方法、装置、设备及存储介质 | |
US20200184187A1 (en) | Feature extraction and matching for biometric authentication | |
CN108229322B (zh) | 基于视频的人脸识别方法、装置、电子设备及存储介质 | |
KR102641115B1 (ko) | 객체 검출을 위한 영상 처리 방법 및 장치 | |
CN109993020B (zh) | 人脸布控报警方法及装置 | |
US20170262472A1 (en) | Systems and methods for recognition of faces e.g. from mobile-device-generated images of faces | |
CN112634170B (zh) | 一种模糊图像修正的方法、装置、计算机设备及存储介质 | |
CN111461165A (zh) | 图像识别方法、识别模型的训练方法及相关装置、设备 | |
CN111191532B (zh) | 基于施工区域的人脸识别方法、装置、计算机设备 | |
CN111339979B (zh) | 基于特征提取的图像识别方法及图像识别装置 | |
US11720745B2 (en) | Detecting occlusion of digital ink | |
CN108932449B (zh) | 一种基于聚类的条码二值化方法及系统 | |
CN111695410A (zh) | 违章举报方法、装置、计算机设备及存储介质 | |
CN111275416A (zh) | 数字货币异常交易检测方法、装置、电子设备及介质 | |
CN110826372A (zh) | 人脸特征点检测方法及装置 | |
CN111259763A (zh) | 目标检测方法、装置、电子设备及可读存储介质 | |
CN112085721A (zh) | 基于人工智能的水淹车定损方法、装置、设备及存储介质 | |
US11087118B2 (en) | Facial recognition method | |
CN112149601A (zh) | 兼容遮挡的面部属性识别方法、装置和电子设备 | |
CN111814776A (zh) | 一种图像处理方法、设备、服务器及存储介质 | |
CN111222485A (zh) | 3d人脸识别方法、装置、电子设备和存储介质 | |
CN113158773B (zh) | 一种活体检测模型的训练方法及训练装置 | |
Rodríguez et al. | HD-MR: A new algorithm for number recognition in electrical meters | |
CN111274899B (zh) | 人脸匹配方法、装置、电子设备和存储介质 |
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 |