CN111582090A - 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 PDFInfo
- Publication number
- CN111582090A CN111582090A CN202010344333.1A CN202010344333A CN111582090A CN 111582090 A CN111582090 A CN 111582090A CN 202010344333 A CN202010344333 A CN 202010344333A CN 111582090 A CN111582090 A CN 111582090A
- Authority
- CN
- China
- Prior art keywords
- face
- target
- picture
- recognition
- initial
- 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
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000012545 processing Methods 0.000 claims abstract description 13
- 238000012549 training Methods 0.000 claims description 20
- 238000013528 artificial neural network Methods 0.000 claims description 15
- 210000000887 face Anatomy 0.000 claims description 9
- 230000001815 facial effect Effects 0.000 claims description 4
- 239000000126 substance Substances 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 abstract description 5
- 238000004590 computer program Methods 0.000 description 14
- 230000008569 process Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 208000006440 Open Bite Diseases 0.000 description 4
- 230000000903 blocking effect Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 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
- G06V40/168—Feature extraction; Face representation
- G06V40/171—Local features and components; Facial parts ; Occluding parts, e.g. glasses; Geometrical relationships
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Collating Specific Patterns (AREA)
Abstract
本公开实施例提供了一种人脸识别方法、装置及电子设备,属于图像处理技术领域,该方法包括:采集初始人脸图片,其中,初始人脸图片为包括目标人脸的图片;判断目标人脸是否处于遮挡状态;若目标人脸处于遮挡状态,则调用终端内的第一识别模型基于初始人脸图片中的目标区域进行人脸识别,其中,初始人脸图片中的目标区域为目标人脸的双眼所在的部分区域;若目标人脸处于非遮挡状态,则调用终端内的第二识别模型基于初始人脸图片进行人脸识别。通过本公开的方案,实现针对处于遮挡状态的人脸调用第一识别模型,以及针对处于非遮挡状态的人脸第二识别模型,可以适应性地选择匹配的识别模型,减少不必要的计算量,提高人脸识别准确度和效率。
Description
技术领域
本公开涉及图像处理技术领域,尤其涉及一种人脸识别方法、装置及电子设备。
背景技术
人脸识别作为重要的机器视觉技术,在人工智能领域发挥重大作用。在实际使用中,人脸图像的遮挡特别是口罩导致的嘴部遮挡出现频率越来越高。面部遮挡的人脸区域很难提取出真实准确的特征描述,特征描述的不准确性大幅度增加人脸识技术的难度,若不对识别方法进行重新设计,必然会导致识别精度的大幅下降。目前国内外研究都能未能理想的解决面部遮挡问题,识别模型均存在计算量较大或者识别精度较低的技术问题。
可见,现有的人脸识别方案在人脸发生遮挡时存在计算量较大或者识别精度较低的技术问题。
发明内容
有鉴于此,本公开实施例提供一种人脸识别方法、装置及电子设备,至少部分解决现有技术中存在的问题。
第一方面,本公开实施例提供了一种人脸识别方法,包括:
采集初始人脸图片,其中,所述初始人脸图片为包括目标人脸的图片;
判断所述目标人脸是否处于遮挡状态;
若所述目标人脸处遮挡状态,则调用终端内的第一识别模型基于所述初始人脸图片中的目标区域进行人脸识别,其中,所述初始人脸图片中的目标区域为所述目标人脸的双眼所在的部分区域;
若所述目标人脸处于非遮挡状态,则调用所述终端内的第二识别模型基于所述初始人脸图片进行人脸识别。
根据本公开实施例的一种具体实现方式,所述判断所述目标人脸是否处于遮挡状态的步骤,包括:
通过预设参数判断目标关键点是否位于人脸区域,其中,所述预设参数至少包括肤色参数,所述目标关键点为与所述目标人脸的唇部关联的嘴巴关键点、下巴关键点和鼻子关键点中的至少一种;
若所述目标关键点位于人脸区域,则判定所述目标人脸处于非遮挡状态;
若所述目标关键点不位于人脸区域,则判定所述目标人脸处于遮挡状态。
根据本公开实施例的一种具体实现方式,所述若所述目标人脸处于遮挡状态,则调用终端内的第一识别模型基于所述初始人脸图片中的目标区域进行人脸识别的步骤,包括:
将所述目标人脸对应区域均分为第一区域和第二区域;
将所述目标人脸的双眼所在的区域确定为所述目标区域,其中,所述目标区域为所述第一区域和所述第二区域中的任一个;
调用所述第一识别模型根据所述目标区域的像素特征进行人脸识别。
根据本公开实施例的一种具体实现方式,所述采集初始人脸图片的步骤之前,所述方法还包括:
采集预设数量的基础样本图片,其中,所述基础样本图片为包括处于非遮挡状态的样本人脸的图片;
从所述基础样本图片中截取出目标样本区域,其中,所述目标样本区域为所述样本人脸的双眼所在的部分区域;
将所述目标样本区域对应图片输入深度神经网络进行学习训练,得到所述第一识别模型。
根据本公开实施例的一种具体实现方式,所述采集初始人脸图片的步骤之前,所述包括:
采集预设数量的基础样本图片,其中,所述基础样本图片为包括处于非遮挡状态的样本人脸的图片;
将面部遮挡特征贴合到所述样本人脸图片中的唇部区域,得到对应的遮挡样本图片;
将所述基础样本图片及遮挡样本图片输入深度神经网络进行学习训练,得到所述第一识别模型。
根据本公开实施例的一种具体实现方式,所述若所述目标人脸处于遮挡状态,则调用终端内的第一识别模型基于所述初始人脸图片中的目标区域进行人脸识别的步骤,包括:
从所述目标区域提取所述目标人脸的眼部像素特征;
从预设人员特征库包含的全部人员眼部特征数据中,查找与所述目标人脸的眼部像素特征匹配的目标特征数据;
将所述目标特征数据对应的人员身份信息作为所述目标人脸的身份信息。
根据本公开实施例的一种具体实现方式,所述采集初始人脸图片的步骤之前,所述方法还包括:
采集预设数量的基础样本图片,其中,所述基础样本图片为包括处于非遮挡状态的样本人脸的图片;
将所述基础样本图片输入深度神经网络进行学习训练,得到所述第二识别模型。
第二方面,本公开实施例提供了一种人脸识别装置,包括:
采集模块,用于采集初始人脸图片,其中,所述初始人脸图片为包括目标人脸的图片;
判断模块,用于判断所述目标人脸是否处于遮挡状态;
处理模块,用于,若所述目标人脸处于遮挡状态,则调用终端内的第一识别模型基于所述初始人脸图片中的目标区域进行人脸识别,其中,所述初始人脸图片中的目标区域为所述目标人脸的双眼所在的部分区域,以及,若所述目标人脸处于非遮挡状态,则调用所述终端内的第二识别模型基于所述初始人脸图片进行人脸识别。
第三方面,本公开实施例还提供了一种电子设备,所述电子设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行上述第一方面或第一方面的任一实现方式中的人脸识别方法。
第四方面,本公开实施例还提供了一种非暂态计算机可读存储介质,该非暂态计算机可读存储介质存储计算机指令,该计算机指令用于使该计算机执行前述第一方面或第一方面的任一实现方式中的人脸识别方法。
第五方面,本公开实施例还提供了一种计算机程序产品,该计算机程序产品包括存储在非暂态计算机可读存储介质上的计算程序,该计算机程序包括程序指令,当该程序指令被计算机执行时,使该计算机执行前述第一方面或第一方面的任一实现方式中的人脸识别方法。
本公开实施例中的人脸识别方案,包括:采集初始人脸图片,其中,所述初始人脸图片为包括目标人脸的图片;判断所述目标人脸是否处于遮挡状态;若所述目标人脸处于遮挡状态,则调用终端内的第一识别模型基于所述初始人脸图片中的目标区域进行人脸识别,其中,所述初始人脸图片中的目标区域为所述目标人脸的双眼所在的部分区域;若所述目标人脸处于非遮挡状态,则调用所述终端内的第二识别模型基于所述初始人脸图片进行人脸识别。通过本公开的方案,在电子设备内配置两种识别模型,实现针对处于遮挡状态的人脸调用能够针对眼部非遮挡区域进行针对性识别的第一识别模型,以及针对处于非遮挡状态的人脸调用具备基础人脸识别能力的第二识别模型,这样,可以适应性地选择匹配的识别模型,减少不必要的计算量,提高人脸识别准确度和效率。
附图说明
为了更清楚地说明本公开实施例的技术方案,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公开的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它的附图。
图1为本公开实施例提供的一种人脸识别方法的流程示意图;
图2为本公开实施例提供的另一种人脸识别方法的部分流程示意图;
图3为本公开实施例提供的另一种人脸识别方法的部分流程示意图;
图4为本公开实施例提供的一种人脸识别装置的结构示意图;
图5为本公开实施例提供的电子设备的示意图。
具体实施方式
下面结合附图对本公开实施例进行详细描述。
以下通过特定的具体实例说明本公开的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本公开的其他优点与功效。显然,所描述的实施例仅仅是本公开一部分实施例,而不是全部的实施例。本公开还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本公开的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。基于本公开中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本公开保护的范围。
需要说明的是,下文描述在所附权利要求书的范围内的实施例的各种方面。应显而易见,本文中所描述的方面可体现于广泛多种形式中,且本文中所描述的任何特定结构及/或功能仅为说明性的。基于本公开,所属领域的技术人员应了解,本文中所描述的一个方面可与任何其它方面独立地实施,且可以各种方式组合这些方面中的两者或两者以上。举例来说,可使用本文中所阐述的任何数目个方面来实施设备及/或实践方法。另外,可使用除了本文中所阐述的方面中的一或多者之外的其它结构及/或功能性实施此设备及/或实践此方法。
还需要说明的是,以下实施例中所提供的图示仅以示意方式说明本公开的基本构想,图式中仅显示与本公开中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制,其实际实施时各组件的型态、数量及比例可为一种随意的改变,且其组件布局型态也可能更为复杂。
另外,在以下描述中,提供具体细节是为了便于透彻理解实例。然而,所属领域的技术人员将理解,可在没有这些特定细节的情况下实践所述方面。
本公开实施例提供一种人脸识别方法。本实施例提供的人脸识别方法可以由一计算装置来执行,该计算装置可以实现为软件,或者实现为软件和硬件的组合,该计算装置可以集成设置在服务器、终端设备等中。
参见图1,为本公开实施例提供的一种人脸识别方法的流程示意图。如图1所示,所述方法主要包括以下步骤:
S101,采集初始人脸图片,其中,所述初始人脸图片为包括目标人脸的图片;
本实施例提供的人脸识别方法,应用于基于人脸识别验证的闸机通道同行验证、安全检查等场景,尤其是疫情等特殊期间可能存在用户佩戴口罩不方便摘取的情况下基于人脸识别的场景。
具体实施时,将当前待检测的用户定义为目标用户,则该目标用户的人脸即为目标人脸,将进入人脸识别流程的等待区域定义为预设区域,所述预设区域通常为闸机通道的入口区域。如图1和图2所示,目标用户进入预设区域,电子设备采集预设区域内包括目标人脸的初始人脸图像。当然,该初始人脸图像可能还包括其他对象,在此不作考虑。
S102,判断所述目标人脸是否处于遮挡状态;
在常规的人脸识别过程中,所采用的人脸识别模型的识别过程为,获取人脸区域的全部关键点,例如眼睛关键点、鼻子关键点、嘴巴关键点和耳朵关键点等,依据所获得的关键点综合形成该人脸的面部特征信息,依据所形成的面部特征信息来进行人脸识别。这种情况下,所依据的人脸图像需要处于非遮挡状态,即人脸的大部分主要关键点处于可获取状态,否则会影响人脸识别的准确度,定义此情况下所使用的人脸识别模型为第二识别模型。
而在疫情等特殊时期,用户佩戴口罩会遮挡人脸的唇部区域,该唇部区域的嘴巴、下巴和鼻子等关键点会被遮挡而处于不可获取状态,而用户的眼睛关键点则仍然是可获取状态。这种情况下,不能直接依据常规的人脸识别模型来进行人脸识别,需要使用能够专门基于处于可获取状态的眼睛关键点进行人脸识别的强化版的人脸识别模型,定义此情况下所使用的人脸识别模型为第一识别模型。
在采集初始人脸图片之后,即可依据特征点分析等技术,来判断该目标人脸是否处于遮挡状态。判断目标人脸是否处于遮挡状态的实现方式可以有多种,例如关键点区域分析或者遮挡模型分析方法,下面将对这两种判断方式分别作具体解释。
根据本公开实施例的一种具体实现方式,上述判断所述目标人脸是否处于遮挡状态的步骤,可以包括:
1.1、提取所述目标人脸的全部关键点;
1.2、通过预设参数判断目标关键点是否位于人脸区域,其中,所述预设参数至少包括肤色参数,所述目标关键点为与所述目标人脸的唇部关联的嘴巴关键点、下巴关键点和鼻子关键点中的至少一种;
1.3、若所述目标关键点位于人脸区域,则判定所述目标人脸处于非遮挡状态;
1.4、若所述目标关键点不位于人脸区域,则判定所述目标人脸处于遮挡状态。
本实施方式中,依据人脸遮挡状态部分关键点的位置作为遮挡状态的判断依据。具体的,限定与人脸的唇部关联的嘴巴关键点、下巴关键点和鼻子关键点中的至少一种为目标关键点,至少包括嘴巴关键点。依据常规的关键点检测方法,若检测到的关键点位于其理论位置,则该关键点为正常可获取的关键点,不会被其他物体遮挡而误识别的关键点。由此,若检测到的目标关键点位于人脸区域,即目标人脸对应区域的对应位置,即目标人脸的唇部区域处于未遮挡状态。反之,若检测到的目标关键点不位于人脸区域,则表示目标关键点非真实关键点,即目标人脸的唇部区域处于遮挡状态。
此外,根据本公开的另一种具体实施方式,通过样本图片训练遮挡状态识别模型的方式来判断遮挡状态。具体如下:
2.1、采集预设数量的样本图片。其中,所述样本图片为包括处于非遮挡状态的样本人脸的图片和遮挡状态的样本图片,或者可将面部遮挡特征贴合到所述非遮挡状态样本人脸图片中的唇部区域,人工生成得到对应的遮挡样本图片。
2.2、对样本图片中的人脸位置进行标注,将非遮挡样本和遮挡样本输入深度神经网络进行学习训练,得到一个判断是否处于遮挡状态的二分类模型。
2.3.将非遮挡样本和遮挡样本及其中的人脸位置输入深度神经网络进行学习训练,得到一个同时能够检测人脸及判断其是否属于遮挡状态的模型。
本实施方式通过训练深度神经网络得到遮挡状态识别模型的方式来限定遮挡状态的具体实现方式,当然还可以通过其他方式来判断人脸是否处于遮挡状态,在此不作例举解释。
S103,若所述目标人脸处遮挡状态,则调用终端内的第一识别模型基于所述初始人脸图片中的目标区域进行人脸识别,其中,所述初始人脸图片中的目标区域为所述目标人脸的双眼所在的部分区域;
考虑到人脸处于遮挡状态时,通常仅眼部关键点处于可获取状态,能够用于人脸识别的特征信息也主要集中在人脸的双眼区域,将人脸的双眼所在的部分区域定义为目标区域。电子设备可以预先配置有第一识别模型,该第一识别模型能够基于人脸的双眼所在的部分区域的特征进行人脸识别。人脸区域中除了目标区域之外的其他区域,例如唇部关联区域处于遮挡状态,无需对这部分区域的特征进行分析,可以有效节省人脸识别过程中的计算量。
人脸处于非遮挡状态时,人脸区域的眼部关键点、鼻子关键点、嘴巴关键点均处于可获取状态。电子设备内可以预配置第二识别模型,该第二识别模型可为基础的常规人脸识别模型,该第二识别模型能够基于人脸的全部区域或者大部分主要区域进行人脸识别,所依据的关键点特征较多,人脸识别的准确度较高。
电子设备在依据上述步骤判定所述目标人脸处于遮挡状态,则调用第一识别模型进行人脸识别。
S104,若所述目标人脸处于非遮挡状态,则调用所述终端内的第二识别模型基于所述初始人脸图片进行人脸识别。
相应的,若电子设备依据上述步骤判定所述目标人脸处于遮挡状态,则调用对应非遮挡状态的第二识别模型进行人脸识别。
上述本公开实施例中的人脸识别方案,通过在电子设备内配置两种识别模型,实现针对处于遮挡状态的人脸调用能够针对眼部非遮挡区域进行针对性识别的第一识别模型,以及针对处于非遮挡状态的人脸调用具备基础人脸识别能力的第二识别模型,这样,可以适应性地选择匹配的识别模型,减少不必要的计算量,提高人脸识别准确度和效率。
根据本公开实施例的一种具体实现方式,所述若所述目标人脸处于遮挡状态,则调用终端内的第一识别模型基于所述初始人脸图片中的目标区域进行人脸识别的步骤,可以包括:
将所述目标人脸对应区域均分为第一区域和第二区域;
将所述目标人脸的双眼所在的区域确定为所述目标区域,其中,所述目标区域为所述第一区域和所述第二区域中的任一个;
调用所述第一识别模型根据所述目标区域的像素特征进行人脸识别。
具体实施时,电子设备将所此采集的初始人脸图片横向均分为两部分,定义为第一区域和第二区域,双眼和嘴巴分别在两个区域。将双眼所在的区域作为目标区域。
更进一步的,所述若所述目标人脸处于遮挡状态,则调用终端内的第一识别模型基于所述初始人脸图片中的目标区域进行人脸识别的步骤,可以包括:
从所述目标区域提取所述目标人脸的眼部像素特征;
从预设人员特征库包含的全部人员眼部特征数据中,查找与所述目标人脸的眼部像素特征匹配的目标特征数据;
将所述目标特征数据对应的人员身份信息作为所述目标人脸的身份信息。
电子设备内预先配置有已注册人员的身份信息,每个身份信息包含对应人员的眼部特征数据。在依据上述步骤所确定的目标区域中提取出未被遮挡的眼部像素特征后,即可将所提取的眼部像素特征与全部人员眼部像素特征进行查找比对。若查找到对应的已注册人员的眼部特征信息与该目标人员的眼部特征信息比对,则将所查找到的人员身份信息作为所述目标人脸的身份信息。
这样,仅通过眼部特征信息即可实现人员的人脸识别和身份验证,极大程度地减少了计算量,简化数据采集量,实现在人脸半遮挡状态下的人脸识别验证。
根据本公开实施例的一种具体实现方式,对第一识别模型的预配置过程作了限定,主要有两种可实施方式。其一,步骤S101所述的,采集初始人脸图片的步骤之前,所述方法还可以包括:
采集预设数量的基础样本图片,其中,所述基础样本图片为包括处于非遮挡状态的样本人脸的图片;
从所述基础样本图片中截取出目标样本区域,其中,所述目标样本区域为所述样本人脸的双眼所在的部分区域;
将所述目标样本区域对应图片输入深度神经网络进行学习训练,得到所述第一识别模型。
本实施方式中,将处于非遮挡状态的样本人脸图片及对应的截取双眼所在部分区域后的图片输入深度神经网络或者基础人脸识别网络进行学习,使得深度神经网络具备仅根据人脸双眼特征识别身份信息的能力,即可作为所述第一识别模型。将基础样本图片截取出部分图片进行学习训练,计算量较小。
其二,所述采集初始人脸图片的步骤之前,所述方法也可以包括:
采集预设数量的基础样本图片,其中,所述基础样本图片为包括处于非遮挡状态的样本人脸的图片;
将面部遮挡特征贴合到所述样本人脸图片中的唇部区域,得到对应的遮挡样本图片;
将所述基础样本图片及遮挡样本图片输入深度神经网络进行学习训练,得到所述第一识别模型。
如图3所示,本实施方式的模型训练方法,在训练人脸识别模型时,通过人脸68关键点及遮挡模板的轮廓关键点,利用仿射变换,生成有遮挡的人脸数据,注意并非所有训练数据都是有遮挡人脸数据。将一部分数据通过仿射变换方式,将遮挡模板贴到无遮挡人脸,生成有遮挡数据进行训练。若已有通过无遮挡数据训练的常规人脸识别模型,可基于常规人脸识别模型使用放射变换生成的数据进行微调训练,即可得到遮挡状态可用的第一识别模型。
此外,针对第二识别模型的训练过程也作了进一步下的宁。根据本公开实施例的一种具体实现方式,所述采集初始人脸图片的步骤之前,所述方法还可以包括:
采集预设数量的基础样本图片,其中,所述基础样本图片为包括处于非遮挡状态的样本人脸的图片;
将所述基础样本图片输入深度神经网络进行学习训练,得到所述第二识别模型。
第二识别模型可以由深度神经网络,学习输入的无遮挡的数据训练,用于无遮挡的人脸识别。
与上面的方法实施例相对应,参见图4,本公开实施例还提供了一种人脸识别装置40,包括:
采集模块401,用于采集初始人脸图片,其中,所述初始人脸图片为包括目标人脸的图片;
判断模块402,用于判断所述目标人脸是否处于遮挡状态;
处理模块403,用于,若所述目标人脸处于遮挡状态,则调用终端内的第一识别模型基于所述初始人脸图片中的目标区域进行人脸识别,其中,所述初始人脸图片中的目标区域为所述目标人脸的双眼所在的部分区域,以及,若所述目标人脸处于非遮挡状态,则调用所述终端内的第二识别模型基于所述初始人脸图片进行人脸识别。
图4所示装置可以对应的执行上述方法实施例中的内容,本实施例未详细描述的部分,参照上述方法实施例中记载的内容,在此不再赘述。
参见图5,本公开实施例还提供了一种电子设备50,该电子设备包括:
至少一个处理器;以及,
与该至少一个处理器通信连接的存储器;其中,
该存储器存储有可被该至少一个处理器执行的指令,该指令被该至少一个处理器执行,以使该至少一个处理器能够执行前述方法实施例中的人脸识别方法。
本公开实施例还提供了一种非暂态计算机可读存储介质,该非暂态计算机可读存储介质存储计算机指令,该计算机指令用于使该计算机执行前述方法实施例中的人脸识别方法。
本公开实施例还提供了一种计算机程序产品,该计算机程序产品包括存储在非暂态计算机可读存储介质上的计算程序,该计算机程序包括程序指令,当该程序指令被计算机执行时,使该计算机执行前述方法实施例中的的人脸识别方法。
下面参考图5,其示出了适于用来实现本公开实施例的电子设备50的结构示意图。本公开实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图5示出的电子设备仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图5所示,电子设备50可以包括处理装置(例如中央处理器、图形处理器等)501,其可以根据存储在只读存储器(ROM)502中的程序或者从存储装置508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM503中,还存储有电子设备50操作所需的各种程序和数据。处理装置501、ROM502以及RAM503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
通常,以下装置可以连接至I/O接口505:包括例如触摸屏、触摸板、键盘、鼠标、图像传感器、麦克风、加速度计、陀螺仪等的输入装置506;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置507;包括例如磁带、硬盘等的存储装置508;以及通信装置509。通信装置509可以允许电子设备50与其他设备进行无线或有线通信以交换数据。虽然图中示出了具有各种装置的电子设备50,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信装置509从网络上被下载和安装,或者从存储装置508被安装,或者从ROM502被安装。在该计算机程序被处理装置501执行时,执行本公开实施例的方法中限定的上述功能。
需要说明的是,本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备能够实现上述方法实施例提供的方案。
或者,上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备能够实现上述方法实施例提供的方案。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码,上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。其中,单元的名称在某种情况下并不构成对该单元本身的限定,例如,第一获取单元还可以被描述为“获取至少两个网际协议地址的单元”。
应当理解,本公开的各部分可以用硬件、软件、固件或它们的组合来实现。
以上所述,仅为本公开的具体实施方式,但本公开的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本公开揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本公开的保护范围之内。因此,本公开的保护范围应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,包括:
采集初始人脸图片,其中,所述初始人脸图片为包括目标人脸的图片;
判断所述目标人脸是否处于遮挡状态;
若所述目标人脸处于遮挡状态,则调用终端内的第一识别模型基于所述初始人脸图片中的目标区域进行人脸识别,其中,所述初始人脸图片中的目标区域为所述目标人脸的双眼所在的部分区域;
若所述目标人脸处于非遮挡状态,则调用所述终端内的第二识别模型基于所述初始人脸图片进行人脸识别。
2.根据权利要求1所述的方法,其特征在于,所述判断所述目标人脸是否处于遮挡状态的步骤,包括:
提取所述目标人脸的全部关键点;
通过预设参数判断目标关键点是否位于人脸区域,其中,所述预设参数至少包括肤色参数,所述目标关键点为与所述目标人脸的唇部关联的嘴巴关键点、下巴关键点和鼻子关键点中的至少一种;
若所述目标关键点位于人脸区域,则判定所述目标人脸处于非遮挡状态;
若所述目标关键点不位于人脸区域,则判定所述目标人脸处于遮挡状态。
3.根据权利要求2所述的方法,其特征在于,所述若所述目标人脸处于遮挡状态,则调用终端内的第一识别模型基于所述初始人脸图片中的目标区域进行人脸识别的步骤,包括:
将所述目标人脸对应区域均分为第一区域和第二区域;
将所述目标人脸的双眼所在的区域确定为所述目标区域,其中,所述目标区域为所述第一区域和所述第二区域中的任一个;
调用所述第一识别模型根据所述目标区域的像素特征进行人脸识别。
4.根据权利要求3所述的方法,其特征在于,所述采集初始人脸图片的步骤之前,所述方法还包括:
采集预设数量的基础样本图片,其中,所述基础样本图片为包括处于非遮挡状态的样本人脸的图片;
从所述基础样本图片中截取出目标样本区域,其中,所述目标样本区域为所述样本人脸的双眼所在的部分区域;
将所述目标样本区域对应图片输入深度神经网络进行学习训练,得到所述第一识别模型。
5.根据权利要求3所述的方法,其特征在于,所述采集初始人脸图片的步骤之前,所述包括:
采集预设数量的基础样本图片,其中,所述基础样本图片为包括处于非遮挡状态的样本人脸的图片;
将面部遮挡特征贴合到所述样本人脸图片中的唇部区域,得到对应的遮挡样本图片;
将所述基础样本图片及遮挡样本图片输入深度神经网络进行学习训练,得到所述第一识别模型。
6.根据权利要求4或者5所述的方法,其特征在于,所述若所述目标人脸处于遮挡状态,则调用终端内的第一识别模型基于所述初始人脸图片中的目标区域进行人脸识别的步骤,包括:
从所述目标区域提取所述目标人脸的眼部像素特征;
从预设人员特征库包含的全部人员眼部特征数据中,查找与所述目标人脸的眼部像素特征匹配的目标特征数据;
将所述目标特征数据对应的人员身份信息作为所述目标人脸的身份信息。
7.根据权利要求1或者2所述的方法,其特征在于,所述采集初始人脸图片的步骤之前,所述方法还包括:
采集预设数量的基础样本图片,其中,所述基础样本图片为包括处于非遮挡状态的样本人脸的图片;
将所述基础样本图片输入深度神经网络进行学习训练,得到所述第二识别模型。
8.一种人脸识别装置,其特征在于,包括:
采集初始人脸图片,其中,所述初始人脸图片为包括目标人脸的图片;
采集模块,用于采集初始人脸图片,其中,所述初始人脸图片为包括目标人脸的图片;
判断模块,用于判断所述目标人脸是否处于遮挡状态;
处理模块,用于,若所述目标人脸处于遮挡状态,则调用终端内的第一识别模型基于所述初始人脸图片中的目标区域进行人脸识别,其中,所述初始人脸图片中的目标区域为所述目标人脸的双眼所在的部分区域,以及,若所述目标人脸处于非遮挡状态,则调用所述终端内的第二识别模型基于所述初始人脸图片进行人脸识别。
9.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行上述权利要求1-7中任一项所述的人脸识别方法。
10.一种非暂态计算机可读存储介质,该非暂态计算机可读存储介质存储计算机指令,该计算机指令用于使该计算机执行上述权利要求1-7中任一项所述的人脸识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010344333.1A CN111582090A (zh) | 2020-04-27 | 2020-04-27 | 人脸识别方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010344333.1A CN111582090A (zh) | 2020-04-27 | 2020-04-27 | 人脸识别方法、装置及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111582090A true CN111582090A (zh) | 2020-08-25 |
Family
ID=72111790
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010344333.1A Pending CN111582090A (zh) | 2020-04-27 | 2020-04-27 | 人脸识别方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111582090A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112001372A (zh) * | 2020-09-30 | 2020-11-27 | 苏州科达科技股份有限公司 | 人脸识别模型生成和人脸识别方法、系统、设备及介质 |
CN112115866A (zh) * | 2020-09-18 | 2020-12-22 | 北京澎思科技有限公司 | 人脸识别方法、装置、电子设备及计算机可读存储介质 |
CN112990017A (zh) * | 2021-03-16 | 2021-06-18 | 陈永欢 | 一种智慧城市大数据分析方法及监控系统 |
CN113205649A (zh) * | 2021-05-11 | 2021-08-03 | 中国工商银行股份有限公司 | 智能储物柜、存取方法及装置 |
CN113221732A (zh) * | 2021-05-10 | 2021-08-06 | 精点视界(深圳)科技有限公司 | 基于人脸识别的大数据精准制作智能证卡的实现方法 |
CN113743305A (zh) * | 2021-09-06 | 2021-12-03 | 联想(北京)有限公司 | 一种识别方法、装置及电子设备 |
CN113985095A (zh) * | 2021-10-22 | 2022-01-28 | 国网上海市电力公司 | 一种适用于计量柜非法入侵的数字化稽查方法及装置 |
CN115619410A (zh) * | 2022-10-19 | 2023-01-17 | 闫雪 | 自适应金融支付平台 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104751108A (zh) * | 2013-12-31 | 2015-07-01 | 汉王科技股份有限公司 | 人脸图像识别装置和人脸图像识别方法 |
CN107292278A (zh) * | 2017-06-30 | 2017-10-24 | 哈尔滨理工大学 | 一种基于Adaboost算法的人脸识别装置及其识别方法 |
CN107679450A (zh) * | 2017-08-25 | 2018-02-09 | 珠海多智科技有限公司 | 基于深度学习的遮挡条件下人脸识别方法 |
CN110334615A (zh) * | 2019-06-20 | 2019-10-15 | 湖北亮诚光电科技有限公司 | 一种有遮挡的人脸识别的方法 |
CN110619656A (zh) * | 2019-09-05 | 2019-12-27 | 杭州宇泛智能科技有限公司 | 基于双目摄像头的人脸检测跟踪方法、装置及电子设备 |
-
2020
- 2020-04-27 CN CN202010344333.1A patent/CN111582090A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104751108A (zh) * | 2013-12-31 | 2015-07-01 | 汉王科技股份有限公司 | 人脸图像识别装置和人脸图像识别方法 |
CN107292278A (zh) * | 2017-06-30 | 2017-10-24 | 哈尔滨理工大学 | 一种基于Adaboost算法的人脸识别装置及其识别方法 |
CN107679450A (zh) * | 2017-08-25 | 2018-02-09 | 珠海多智科技有限公司 | 基于深度学习的遮挡条件下人脸识别方法 |
CN110334615A (zh) * | 2019-06-20 | 2019-10-15 | 湖北亮诚光电科技有限公司 | 一种有遮挡的人脸识别的方法 |
CN110619656A (zh) * | 2019-09-05 | 2019-12-27 | 杭州宇泛智能科技有限公司 | 基于双目摄像头的人脸检测跟踪方法、装置及电子设备 |
Non-Patent Citations (2)
Title |
---|
中国安全防范产品行业协会: "变人脸识别为人眼识别 旷视解决人脸解锁又一难题", pages 1 - 2, Retrieved from the Internet <URL:http://news.21csp.com.cn/c13/202004/11394909.html> * |
徐勇 等: "《基于稀疏算法的人脸识别》", 国防工业出版社, pages: 158 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112115866A (zh) * | 2020-09-18 | 2020-12-22 | 北京澎思科技有限公司 | 人脸识别方法、装置、电子设备及计算机可读存储介质 |
CN112001372A (zh) * | 2020-09-30 | 2020-11-27 | 苏州科达科技股份有限公司 | 人脸识别模型生成和人脸识别方法、系统、设备及介质 |
CN112990017A (zh) * | 2021-03-16 | 2021-06-18 | 陈永欢 | 一种智慧城市大数据分析方法及监控系统 |
CN112990017B (zh) * | 2021-03-16 | 2022-01-28 | 刘宏伟 | 一种智慧城市大数据分析方法及监控系统 |
CN113221732A (zh) * | 2021-05-10 | 2021-08-06 | 精点视界(深圳)科技有限公司 | 基于人脸识别的大数据精准制作智能证卡的实现方法 |
CN113221732B (zh) * | 2021-05-10 | 2021-12-10 | 精点视界(深圳)科技有限公司 | 基于人脸识别的大数据精准制作智能证卡的实现方法 |
CN113205649A (zh) * | 2021-05-11 | 2021-08-03 | 中国工商银行股份有限公司 | 智能储物柜、存取方法及装置 |
CN113743305A (zh) * | 2021-09-06 | 2021-12-03 | 联想(北京)有限公司 | 一种识别方法、装置及电子设备 |
CN113985095A (zh) * | 2021-10-22 | 2022-01-28 | 国网上海市电力公司 | 一种适用于计量柜非法入侵的数字化稽查方法及装置 |
CN115619410A (zh) * | 2022-10-19 | 2023-01-17 | 闫雪 | 自适应金融支付平台 |
CN115619410B (zh) * | 2022-10-19 | 2024-01-26 | 闫雪 | 自适应金融支付平台 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111582090A (zh) | 人脸识别方法、装置及电子设备 | |
EP3692461B1 (en) | Removing personally identifiable data before transmission from a device | |
CN109993150B (zh) | 用于识别年龄的方法和装置 | |
CN110619314A (zh) | 安全帽检测方法、装置及电子设备 | |
CN112101305B (zh) | 多路图像处理方法、装置及电子设备 | |
CN110059624B (zh) | 用于检测活体的方法和装置 | |
CN112232313A (zh) | 视频中人员安全帽佩戴状态的检测方法、装置及电子设备 | |
CN111914812A (zh) | 图像处理模型训练方法、装置、设备及存储介质 | |
CN110062157B (zh) | 渲染图像的方法、装置、电子设备和计算机可读存储介质 | |
CN111553266A (zh) | 识别验证方法、装置及电子设备 | |
WO2021088790A1 (zh) | 用于目标设备的显示样式调整方法和装置 | |
CN112257552A (zh) | 图像处理方法、装置、设备及存储介质 | |
CN115311178A (zh) | 图像拼接方法、装置、设备及介质 | |
CN110110666A (zh) | 目标检测方法和装置 | |
CN111191556A (zh) | 人脸识别方法、装置及电子设备 | |
CN111126159A (zh) | 用于实时跟踪行人的方法、装置、电子设备和介质 | |
CN110781833A (zh) | 一种认证方法、装置及电子设备 | |
CN111310595B (zh) | 用于生成信息的方法和装置 | |
CN113342170A (zh) | 手势控制方法、装置、终端和存储介质 | |
CN110619602B (zh) | 一种图像生成方法、装置、电子设备及存储介质 | |
CN112990017B (zh) | 一种智慧城市大数据分析方法及监控系统 | |
CN116681765A (zh) | 图像内标识位置确定方法、模型训练方法、装置及设备 | |
CN110751120A (zh) | 一种检测方法、装置及电子设备 | |
CN112036519B (zh) | 基于多位sigmoid的分类处理方法、装置及电子设备 | |
CN113238652B (zh) | 视线估计方法、装置、设备及存储介质 |
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 |