CN111597896B - 异常人脸的识别方法、识别装置、识别设备和存储介质 - Google Patents

异常人脸的识别方法、识别装置、识别设备和存储介质 Download PDF

Info

Publication number
CN111597896B
CN111597896B CN202010294223.9A CN202010294223A CN111597896B CN 111597896 B CN111597896 B CN 111597896B CN 202010294223 A CN202010294223 A CN 202010294223A CN 111597896 B CN111597896 B CN 111597896B
Authority
CN
China
Prior art keywords
face
data
abnormal
features
face data
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.)
Active
Application number
CN202010294223.9A
Other languages
English (en)
Other versions
CN111597896A (zh
Inventor
宋海鹏
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.)
Aspire Technologies Shenzhen Ltd
Original Assignee
Aspire Technologies Shenzhen 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 Aspire Technologies Shenzhen Ltd filed Critical Aspire Technologies Shenzhen Ltd
Priority to CN202010294223.9A priority Critical patent/CN111597896B/zh
Publication of CN111597896A publication Critical patent/CN111597896A/zh
Application granted granted Critical
Publication of CN111597896B publication Critical patent/CN111597896B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06V40/161—Detection; Localisation; Normalisation
    • 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

Landscapes

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

Abstract

本发明实施例公开了异常人脸的识别方法、识别装置、识别设备和存储介质，其中异常人脸的识别方法，包括获取异常人脸数据；对异常人脸数据进行处理，获得训练人脸数据，并提取训练人脸数据中的第一人脸特征；获取识别人脸数据，并获取识别人脸数据中的第二人脸特征；将第二人脸特征嵌入第一人脸特征，构造识别人脸数据集；对识别人脸数据集进行训练，实现异常人脸识别。本发明实施例通过异常人脸数据(异常人脸数据)进行数据处理，强化异常人脸数据中的人脸特征，利用LLE算法将将正常人脸的特征数据(识别人脸数据)嵌入异常人脸特征数据集，完成网络的深度训练和模型输出，能够实现准确的异常人脸识别。

Description

异常人脸的识别方法、识别装置、识别设备和存储介质
技术领域
本发明涉及人脸识别技术领域，尤其是涉及一种异常人脸的识别方法、识别装置、识别设备和存储介质。
背景技术
随着人工智能技术的发展，人脸识别技术越来越成熟，应用范围越来越广泛，在个人手机、安防、机场等场景，大量应用了人脸识别技术进行人员跟踪、身份认证等，为各行各业带来了极大的便利性，提高了社会运作效率。
目前，主要通过人脸验证或人脸识别工作来完成识别工作，但在光照较差，有遮挡物，表情变化(例如，大笑、哭泣等)，侧脸等诸多特异性条件下，神经网络很难提取出与“标准脸”相似的特征，异常脸在特征空间里落到错误的位置，导致识别和验证失败。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明提出一种异常人脸的识别方法、识别装置、识别设备和存储介质，能够对异常的人脸数据进行识别。
第一方面，本发明的一个实施例提供了异常人脸的识别方法，包括：获取异常人脸数据；
对所述异常人脸数据进行处理，获得训练人脸数据，并提取所述训练人脸数据中的第一人脸特征；
获取识别人脸数据，并获取所述识别人脸数据中的第二人脸特征；
将所述第二人脸特征嵌入所述第一人脸特征，构造识别人脸数据集；
对所述识别人脸数据集进行训练，实现异常人脸识别。
本发明实施例异常人脸的识别方法至少具有如下有益效果：本发明实施例通过对异常人脸数据(异常人脸数据)进行数据处理，将正常人脸的特征数据(识别人脸数据)嵌入异常人脸特征数据，完成网络的深度训练和模型输出，能够实现准确的异常人脸识别。
根据本发明的另一些实施例的异常人脸的识别方法，所述获得训练人脸数据，包括：
提取所述异常人脸数据中的中间人脸特征，并利用所述中间人脸特征获取所述高维深度特征；
消除所述高维深度特征中的噪声，获得第一中间人脸数据；
神经网络学习所述第一中间人脸数据，并修正所述第一中间人脸数据中的特征偏移，获取第二中间人脸数据；
对所述第二中间人脸数据进行降维，获取训练人脸数据。采集到的异常人脸数据为高维数据，对高维数据进行降维目的在于对数据进行可视化，以便对数据进行观察和探索，便于对降维后的数据进行特征嵌入和训练。
根据本发明的另一些实施例的异常人脸的识别方法，所述利用所述中间人脸特征获取所述高维深度特征，包括，
使用深度人脸识别装置描述所述中间人脸特征，获取所述高维深度特征。获取高维深度特征实现了对异常人脸数据中人脸特征的加强，以增强异常人脸数据的特征表达能力。
根据本发明的另一些实施例的异常人脸的识别方法，去除所述高维深度特征中的噪声，包括：
利用局部线性嵌入投影方法消除所述高维深度特征中的噪声。异常人脸数据造成了人脸特征等的部分缺失，减少干扰特征数据,提高特征表达能力。
根据本发明的另一些实施例的异常人脸的识别方法，对所述第二中间人脸数据进行降维，包括：
获取所述第二中间人脸数据中的邻域个数；
确定所述邻域之间的线性关系；
对所述邻域之间的线性关系进行降维。
根据本发明的另一些实施例的异常人脸的识别方法，获取所述识别人脸数据中的第二人脸特征，包括：
从所述识别人脸数据中提取人脸特征和非人脸特征，组成所述第二人脸特征。
根据本发明的另一些实施例的异常人脸的识别方法，所述构造识别人脸数据集，包括：
将所述第二人脸特征嵌入所述第一特征人脸特征，以增强所述第一人脸特征的表达能力，构造所述识别人脸数据集，训练所述识别人脸数据集获得人脸识别模型。通过人脸识别模型测评人脸识别准确度，进而实现异常人脸的智能识别。
第二方面，本发明的一个实施例提供了异常人脸识别装置：人脸数据获取模块，用于获取异常人脸数据和识别人脸数据；
人脸数据处理模块，用处对所述异常人脸数据和所述识别人脸数据进行数据处理；
或
分别提取所述训练人脸数据和识别人脸数据中的第一人脸特征和第二人脸特征；
人脸数据训练模块，用于对识别人脸数据集进行训练，实现异常人脸识别。
本发明实施例的异常人脸识别装置至少具有如下有益效果：本发明实施例的异常人脸识别装置通过各功能模块之间的协同配合，实现了对异常人脸数据进行数据处理，强化异常人脸数据中的人脸特征，将正常人脸的特征数据(识别人脸数据)嵌入异常人脸特征数据集，完成网络的深度训练和模型输出，能够实现准确的异常人脸识别。
第三方面，本发明的一个实施例提供了异常人脸识别设备，所述异常人脸识别设备，其特征在于，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前述异常人脸的识别方法。
本发明实施例的异常人脸识别设备至少具有如下有益效果：本发明实施例的异常人脸识别设备通过触发异常人脸识别装置的异常人脸识功能，实现了对异常人脸数据(异常人脸数据)进行数据处理，强化异常人脸数据中的人脸特征，并将正常人脸的特征数据(识别人脸数据)嵌入异常人脸特征数据集，完成网络的深度训练和模型输出，能够实现准确的异常人脸识别。
第四方面，本发明的一个实施例提供了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用于使计算机执行前述异常人脸的识别方法。
本发明实施例的计算机可读存储介质至少具有如下有益效果：本发明实施例的计算机可读存储介质，使计算机执行前述异常人脸的识别方法，实现了对异常人脸数据(异常人脸数据)进行数据处理，强化异常人脸数据中的人脸特征，并将正常人脸的特征数据(识别人脸数据)嵌入异常人脸特征数据集，完成网络的深度训练和模型输出，能够实现准确的异常人脸识别。
附图说明
图1是本发明实施例中异常人脸识别方法的一具体实施例流程示意图；
图2是图1中步骤S200的一具体实施例流程示意图；
图3是图2中步骤S210的一具体实施例流程示意图；
图4是本发明实施例中异常人脸识别装置的一具体实施例模块框图。
附图标记
100、人脸数据获取模块；200、人脸数据处理模块；300、人脸数据训练模块。
具体实施方式
以下将结合实施例对本发明的构思及产生的技术效果进行清楚、完整地描述，以充分地理解本发明的目的、特征和效果。显然，所描述的实施例只是本发明的一部分实施例，而不是全部实施例，基于本发明的实施例，本领域的技术人员在不付出创造性劳动的前提下所获得的其他实施例，均属于本发明保护的范围。
在本发明的描述中，如果涉及到方位描述，例如“上”、“下”、“前”、“后”、“左”、“右”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。如果某一特征被称为“设置”、“固定”、“连接”、“安装”在另一个特征，它可以直接设置、固定、连接在另一个特征上，也可以间接地设置、固定、连接、安装在另一个特征上。
在本发明实施例的描述中，如果涉及到“若干”，其含义是一个以上，如果涉及到“多个”，其含义是两个以上，如果涉及到“大于”、“小于”、“超过”，均应理解为不包括本数，如果涉及到“以上”、“以下”、“以内”，均应理解为包括本数。如果涉及到“第一”、“第二”，应当理解为用于区分技术特征，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。
人脸识别问题宏观上分为两类：1.人脸验证(又叫人脸比对)2.人脸识别。
人脸验证做的是1比1的比对，即判断两张图片里的人是否为同一人。最常见的应用场景便是人脸解锁，终端设备(如手机)只需将用户事先注册的照片与临场采集的照片做对比，判断是否为同一人，即可完成身份验证。
人脸识别做的是1比N的比对，即判断系统当前见到的人，为事先见过的众多人中的哪一个。比如疑犯追踪，小区门禁，会场签到，以及新零售概念里的客户识别。这些应用场景的共同特点是：人脸识别系统都事先存储了大量的不同人脸和身份信息，系统运行时需要将见到的人脸与之前存储的大量人脸做比对，找出匹配的人脸。
但在光照较差，遮挡，形变(大笑)，侧脸等诸多条件下，神经网络很难提取出与“标准脸”相似的特征，异常脸在特征空间里落到错误的位置，导致识别和验证失败。这是现代人脸识别系统的局限，一定程度上也是深度学习(深度神经网络)的局限。
实施例1
参照图1，示出了本发明实施例中异常人脸的识别方法的流程示意图。其具体包括步骤：
S100：获取异常人脸数据；在本实施例中，异常人脸数据即为异常的人脸数据，其中，异常情况包括但是不限于：光照较差，遮挡，形变(大笑、哭泣)等。
S200：对异常人脸数据进行处理，获得训练人脸数据，并提取异常人脸数据训练人脸数据中的第一人脸特征；在该步骤中，通过具有更强判别能力的深度人脸识别器VGGFace对人脸特征进行描述，最终获得第一人脸特征，该第一人脸特征为高维深度特征，其对异常人脸数据中的人脸特征进行了加强，从而提高异异常人脸特征数据的表达能力，提高神经网络在模型训练过程中的准确度，进一步提升模型预测能力。
S300：获取识别人脸数据，并获取识别人脸数据中的第二人脸特征；在该步骤中，识别人脸数据即为非异常人脸数据，在该非异常人脸数据中寻找最能代表人脸和非人脸的特征组成特征词典，特征词典可为正常人脸特征数据的嵌入提供向量空间。
S400：将第二人脸特征嵌入第一人脸特征，构造识别人脸数据集；在该步骤中，将第二人脸特征嵌入第一人脸特征，也就是将识别人脸数据中的特征词典嵌入到高维深度特征中，两者相互嵌入后即可获得识别人脸数据集，用于后续进行训练。
S500：对识别人脸数据集进行训练，输出异常人脸识别模型，进一步使用模型对异常人脸进行预测识别。在该步骤中，利用神经网络faceNet对识别人脸数据集进行训练，训练的算法为：
其中，D＝[D+D-]是特征字典,Xi是高维深度特征，V是投影后的特征。
通过上述步骤，可以充分应用正常人脸的完整特征数据，并将正常人脸的特征数据嵌入异常人脸特征数据集，完成网络的深度训练并输出异常人脸识别模型模型，实现遮挡人脸识别准确度。
本发明实施例通过异常人脸数据进行数据处理，强化异常人脸数据中的人脸特征，利用LLE算法将将正常人脸的特征数据(识别人脸数据)嵌入异常人脸特征数据集，完成网络的深度训练和模型输出，能够实现准确的异常人脸识别。
本发明实施例实现的遮挡人脸识别技术可有效应用于公共安全，安防，智慧城市等复杂场景，实现对戴口罩及蒙面等情况下人员身份的精确识别。
实施例2
如图2所示，在一实施例中，提供了如图1所示实施例中步骤S200的一个细化流程步骤，在本实施例中，步骤S200包括但不限于以下步骤：
S210：提取常人脸数据中的中间人脸特征，并利用中间人脸特征获取高维深度特征；在该步骤中，深度人脸识别器VGGFace对异常人脸数据中的中间人脸特征进行描述，获取高维深度特征。在其他实施例中，还可使用例如dlib模型、hamtam12模型进行人间特征的识别。
S220：消除高维深度特征中的噪声，获得第一中间人脸数据，异常人脸数据中由于各种因素导致人脸特征的部分缺失，含有部分噪声，在一些实施例中，通过LLE投影消除这一部分特征噪声，消除了噪声的人脸数据为第一中间人脸数据。
在本实施例中，采用LLE投影进行噪声消除，局部线性嵌入(Locally LinearEmbedding，以下简称LLE)也是非常重要的降维方法，LLE关注于降维时保持样本局部的线性特征，由于LLE在降维时保持了样本的局部特征，它广泛的用于图像识别，高维数据可视化等领域。该算法是针对非线性信号特征矢量维数的优化方法，这种维数优化并不是仅仅在数量上简单的约简，而是在保持原始数据性质不变的情况下，将高维空间的信号映射到低维空间上，即特征值的二次提取。
S230:利用神经网络学习第一中间人脸数据，并修正第一中间人脸数据中的特征偏移，获取第二中间人脸数据；在该步骤中，利用全连接网络多任务学习第二中间人脸数据，并利用回归任务修正由于异常情况(如光照、遮挡等)造成的特征偏移，获得第二中间人脸数据。
S240：对第二中间人脸数据进行降维，获取训练人脸数据。采集到的图像数据为高维数据，高维数据不易处理，对高维数据进行降维目的在于对数据进行可视化，以便对数据进行观察和探索，在一具体实施例中，可对降维后的数据进行特征嵌入和训练。
实施例3
参照图3，实施例3在实施例2的基础上，进一步提供了对第二中间人脸数据进行降维，获得训练人脸数据的方法，该方法包括如下步骤：
S241：获取第二中间人脸数据中的邻域个数；在该步骤中，首先需要确定邻域的大小，即需要多少数量的领域样本来线性表示第二中间人脸数据，该领域样本的数量为K。在一具体的实施例中，可通过距离度量比如欧式距离来选择某样本的k个最近邻。
S242：确定邻域之间的线性关系；在该步骤中，确定第二中间人脸数据的线性关系即确定第二中间人脸数据Xi和这k个最近邻之间的线性关系，也就是要找到线性关系的权重系数；
假设有m个n维样本{x1,x2,...,xm}，则可以用均方差作为回归问题的损失函数，即：
其中，Q(i)表示i的k个近邻样本集合。在一具体实施例中，会对权重系数wij做归一化的限制，即权重系数需要满足:
对于不在样本xi邻域内的样本xj，令对应的wij＝0，这样可以把w扩展到整个数据集的维度。
在本实施例中，可通过式(2)和式(3)求得权重系数，在本实施例中。通过矩阵和拉格朗日子乘法来求解最优化问题。
在一具体实施方式中，对于式(2)，首先将其矩阵化，即：
其中，
wi＝(wi1,wi2,...wij)T
S243：对邻域之间的线性关系进行降维。
式(4)中获取了高维权重系数，为了使得高维权重系数对应的线性关系在降维后依然得到保持，假设我们的n维样本集{x1,x2,...,xm}在低维的d维度对应投影为{y1,y2,...,ym},为了保持该保持线性关系，即对应的均方差损失函数最小，进一步得出最小化损失函数J(Y)如下：
实施例4
参照图4，实施例4提供了一种异常人脸识别装置，可应用于实施例1-实施例3的异常人脸识别方法，包括如下功能模块：人脸数据获取模块100、人脸数据处理模块200和人脸数据训练模块300，其中
在本实施例中，人脸数据获取模块100用于获取异常人脸数据和识别人脸数据；异常人脸数据为在光照不足，人脸变形、遮挡等情况下收集的人脸数据，识别人脸数据为非异常人脸数据。
人脸数据处理模块200用于对异常人脸数据和识别人脸数据进行数据处理；在一具体实施例中，人脸数据处理模块200对异常人脸数据进行特征描述、去噪、降维等数据处理工作，进一步获取训练人脸数据。
在一具体的实施例中，人脸数据处理模块200分别提取训练人脸数据和识别人脸数据中的第一人脸特征和第二人脸特征，并对第一人脸特征和第二人脸特征进行特征嵌入(将第二人脸特征嵌入第一人脸特征)，以增强第二人脸特征数据的表达能力。
人脸数据训练模块300，用于对识别人脸数据集进行训练，实现异常人脸识别。在本实施例中，人脸数据集是通过第一人脸特征和第二人脸特征进行嵌入并且对比获得的，通过对识别人脸数据集进行训练，即可实现人脸识别。
实施例5
实施例5提供了一种异常人脸识别设备，该异常人脸识别设备包括：
至少一个处理器，以及，
与至少一个处理器通信连接的存储器；其中，
存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行如实施例1-3异常人脸的识别方法。
在本实施例中，处理器和存储器可以通过总线或者其他方式连接。
存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序以及非暂态性计算机可执行程序。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件或其他非暂态固态存储器件。在一些实施方式中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至该设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
实现上述实施例中的异常人脸识别方法所需的非暂态软件程序以及指令存储在存储器中，当被处理器执行时，执行上述实施例中的异常人脸识别方法，例如，执行以上描述的图1中的方法步骤S100至S500、图2中的方法步骤S210至S240、图3中的方法步骤S241至S243。
以上所描述的装置实施例仅仅是示意性的，其中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，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模块来实现本实施例方案的目的。
实施例6
实施例6提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机可执行指令，该计算机可执行指令用于使计算机执行实施例1-实施例3所述的异常人脸的识别方法。
上面结合附图对本发明实施例作了详细说明，但是本发明不限于上述实施例，在所述技术领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。此外，在不冲突的情况下，本发明的实施例及实施例中的特征可以相互组合。

Claims (7)

1.异常人脸的识别方法，其特征在于，包括：
获取异常人脸数据；
提取所述异常人脸数据中的中间人脸特征，并利用所述中间人脸特征获取高维深度特征；
去除所述高维深度特征中的噪声，获得第一中间人脸数据；
学习所述第一中间人脸数据，并修正所述第一中间人脸数据中的特征偏移，获取第二中间人脸数据；
对所述第二中间人脸数据进行降维，获取训练人脸数据，并提取所述训练人脸数据中的第一人脸特征；
获取识别人脸数据，并获取所述识别人脸数据中的第二人脸特征，其中，所述识别人脸数据为正常人脸数据，所述第二人脸特征为正常人脸的完整特征；
将所述第二人脸特征嵌入所述第一人脸特征，以增强所述第一人脸特征的表达能力，构造识别人脸数据集；
对所述识别人脸数据集进行训练，获得人脸识别模型；
根据所述人脸识别模型，实现异常人脸识别。
2.根据权利要求1所述的异常人脸的识别方法，其特征在于：所述利用所述中间人脸特征获取所述高维深度特征，包括，
使用深度人脸识别装置描述所述中间人脸特征，获取所述高维深度特征。
3.根据权利要求1所述的异常人脸的识别方法，其特征在于：消除所述高维深度特征中的噪声，包括：
利用局部线性嵌入投影方法消除所述高维深度特征中的噪声。
4.根据权利要求1所述的异常人脸的识别方法，其特征在于：对所述第二中间人脸数据进行降维，包括：
获取所述第二中间人脸数据中的邻域个数；
确定所述邻域之间的线性关系；
对所述邻域之间的线性关系进行降维。
5.一种异常人脸识别装置，应用于权利要求1-4任一项所述的异常人脸的识别方法，其特征在于，包括：
人脸数据获取模块，用于获取异常人脸数据和识别人脸数据，其中，所述识别人脸数据为正常人脸数据；
人脸数据处理模块，用于提取所述异常人脸数据中的中间人脸特征，并利用所述中间人脸特征获取高维深度特征；
去除所述高维深度特征中的噪声，获得第一中间人脸数据；
学习所述第一中间人脸数据，并修正所述第一中间人脸数据中的特征偏移，获取第二中间人脸数据；
对所述第二中间人脸数据进行降维，获取训练人脸数据，并提取所述训练人脸数据中的第一人脸特征；
提取所述识别人脸数据中的第二人脸特征，其中，所述第二人脸特征为正常人脸的完整特征；
将所述第二人脸特征嵌入所述第一人脸特征，以增强所述第一人脸特征的表达能力，构造识别人脸数据集；
人脸数据训练模块，用于对识别人脸数据集进行训练，获得人脸识别模型，并根据所述人脸识别模型，实现异常人脸识别。
6.一种异常人脸识别设备，其特征在于，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如权利要求1至4任一项所述异常人脸的识别方法。
7.一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用于使所述计算机执行如权利要求1至4任一项所述异常人脸的识别方法。
CN202010294223.9A 2020-04-15 2020-04-15 异常人脸的识别方法、识别装置、识别设备和存储介质 Active CN111597896B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010294223.9A CN111597896B (zh) 2020-04-15 2020-04-15 异常人脸的识别方法、识别装置、识别设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010294223.9A CN111597896B (zh) 2020-04-15 2020-04-15 异常人脸的识别方法、识别装置、识别设备和存储介质

Publications (2)

Publication Number Publication Date
CN111597896A CN111597896A (zh) 2020-08-28
CN111597896B true CN111597896B (zh) 2024-02-20

Family

ID=72190359

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010294223.9A Active CN111597896B (zh) 2020-04-15 2020-04-15 异常人脸的识别方法、识别装置、识别设备和存储介质

Country Status (1)

Country Link
CN (1) CN111597896B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112637482B (zh) * 2020-12-08 2022-05-17 Oppo广东移动通信有限公司 图像处理方法、装置、存储介质及电子设备

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1987892A (zh) * 2005-12-23 2007-06-27 北京海鑫科金高科技股份有限公司 基于数据流形的人脸自动识别方法
CN102411708A (zh) * 2011-12-02 2012-04-11 湖南大学 一种融合双树复小波变换和离散小波变换的人脸识别方法
CN103336960A (zh) * 2013-07-26 2013-10-02 电子科技大学 一种基于流形学习的人脸识别方法
CN110516544A (zh) * 2019-07-19 2019-11-29 平安科技（深圳）有限公司 基于深度学习的人脸识别方法、装置及计算机可读存储介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10885627B2 (en) * 2018-04-03 2021-01-05 Nec Corporation Unsupervised neighbor-preserving embedding for image stream visualization and anomaly detection

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1987892A (zh) * 2005-12-23 2007-06-27 北京海鑫科金高科技股份有限公司 基于数据流形的人脸自动识别方法
CN102411708A (zh) * 2011-12-02 2012-04-11 湖南大学 一种融合双树复小波变换和离散小波变换的人脸识别方法
CN103336960A (zh) * 2013-07-26 2013-10-02 电子科技大学 一种基于流形学习的人脸识别方法
CN110516544A (zh) * 2019-07-19 2019-11-29 平安科技（深圳）有限公司 基于深度学习的人脸识别方法、装置及计算机可读存储介质

Also Published As

Publication number Publication date
CN111597896A (zh) 2020-08-28

Similar Documents

Publication Publication Date Title
CN110163078B (zh) 活体检测方法、装置及应用活体检测方法的服务系统
CN101558431B (zh) 脸认证设备
CN110705392A (zh) 一种人脸图像检测方法及装置、存储介质
CN109376604B (zh) 一种基于人体姿态的年龄识别方法和装置
CN110348331B (zh) 人脸识别方法及电子设备
KR20140067604A (ko) 상황 인식 기반의 객체 검출, 인식 및 추적 장치, 방법 및 컴퓨터 판독 가능한 기록 매체
CN111382808A (zh) 一种车辆检测处理方法及装置
CN111611849A (zh) 一种用于门禁设备的人脸识别系统
US20230076017A1 (en) Method for training neural network by using de-identified image and server providing same
CN103577813A (zh) 用于异质虹膜识别的信息融合方法
CN113128481A (zh) 一种人脸活体检测方法、装置、设备及存储介质
CN112435122A (zh) 网络训练方法、异常交易行为识别方法、装置和介质
CN112836625A (zh) 人脸活体检测方法、装置、电子设备
CN116343301B (zh) 基于人脸识别的人员信息智能校验系统
CN113936298A (zh) 一种特征识别方法及装置、计算机可读存储介质
CN113298158A (zh) 数据检测方法、装置、设备及存储介质
CN114693607A (zh) 基于多域块特征标志点配准的篡改视频检测方法及系统
CN117854138B (zh) 基于大数据的信息采集分析方法、装置、设备及存储介质
CN110222568B (zh) 一种基于时空图的跨视角步态识别方法
CN111597896B (zh) 异常人脸的识别方法、识别装置、识别设备和存储介质
CN113449676B (zh) 一种基于双路互促进解纠缠学习的行人重识别方法
CN111582045A (zh) 一种活体的检测方法、装置以及电子设备
CN114494809A (zh) 特征提取模型优化方法、装置及电子设备
CN117318981A (zh) 网络攻击预测方法、系统、电子设备及存储介质
CN114170662A (zh) 人脸识别方法及装置、存储介质、电子设备

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
CB02 Change of applicant information
CB02 Change of applicant information

Address after: 518000 w601, Shenzhen Hong Kong industry university research base, 015 Gaoxin South 7th Road, high tech Zone community, Yuehai street, Nanshan District, Shenzhen City, Guangdong Province

Applicant after: ASPIRE TECHNOLOGIES (SHENZHEN) LTD.

Address before: 518000 south wing, 6th floor, west block, Shenzhen Hong Kong industry university research base building, South District, high tech Industrial Park, Nanshan District, Shenzhen City, Guangdong Province

Applicant before: ASPIRE TECHNOLOGIES (SHENZHEN) LTD.

GR01 Patent grant
GR01 Patent grant