CN111652048A - 一种基于深度学习的1:n人脸比对方法 - Google Patents
一种基于深度学习的1:n人脸比对方法 Download PDFInfo
- Publication number
- CN111652048A CN111652048A CN202010307748.1A CN202010307748A CN111652048A CN 111652048 A CN111652048 A CN 111652048A CN 202010307748 A CN202010307748 A CN 202010307748A CN 111652048 A CN111652048 A CN 111652048A
- Authority
- CN
- China
- Prior art keywords
- face
- image
- evaluation
- recognized
- data set
- 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
- G06V40/161—Detection; Localisation; Normalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- 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
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- Evolutionary Computation (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于深度学习的1:N人脸比对方法,获取样本数据,确定所述样本数据中的人脸特征范围,将所述样本数据中非人脸特征范围的数据进行过滤,得到过滤数据集;将所述过滤数据集通过人脸检测和对齐算法校准,将校准后的所述过滤数据集归一化到预设尺寸的彩色图像上;利用深度学习神经网络对校准后的所述过滤数据集进行训练,构建人脸识别网络;对所述人脸识别网络进行优化,得到人脸识别模型;通过获取海量的样本数据进行训练和对待识别图像的分析,解决了现有技术方案中对人脸图像比对结果不佳和效率低的问题。
Description
技术领域
本发明涉及人脸比对技术领域,具体涉及一种基于深度学习的1:N人脸比对方法。
背景技术
人脸比对,是基于人的脸部特征信息进行身份识别的一种生物识别技术,随着人脸比对技术的发展,由于其具有数据准确、安全系数高、使用方便等诸多特点,人脸比对技术被广泛地应用于各行各样当中,比如无人零售机、考勤机以及门禁系统等设备。
现有的人脸比对方案存在一定的缺陷:图库中训练的样本图像质量不佳导致比对检索的效率比较低,没有对待识别图像进行处理,使得待识别图像的比对结果不佳。
发明内容
本发明的目的在于提供一种基于深度学习的1:N人脸比对方法,通过获取样本数据,确定所述样本数据中的人脸特征范围,将所述样本数据中非人脸特征范围的数据进行过滤,得到过滤数据集,通过前期对样本数据的获取和过滤,提高了样本数据的精确度;将所述过滤数据集中的人脸特征通过人脸检测和对齐算法校准,将校准后的所述过滤数据集归一化到预设尺寸的彩色图像上;利用深度学习神经网络对校准后的所述过滤数据集进行训练,构建人脸识别网络;对所述人脸识别网络进行优化,得到人脸识别模型;通过人脸识别模型可以快速对待识别图像进行训练,可以有效提高训练待识别图像的效率,解决了现有技术方案中人脸比对结果不佳的问题;
本发明通过人脸检测和对齐方法对所述样本数据进行对齐处理,利用所述人脸识别模型获取所述样本数据中的人脸特征,得到人脸特征库,通过前期构建的人脸特征库为提高人脸比对的准确率建立基础,解决了现有技术方案中样本数据不可靠导致最终的识别结果误差大的问题;获取待识别图像,对所述待识别图像进行质量评估,所述质量评估包含人脸分辨率评估、人脸亮度评估、人脸清晰度评估以及人脸姿态评估;利用所述人脸检测和对齐方法将符合质量评估的所述待识别图像进行对齐处理,获取对齐处理的所述待识别图像中的人脸特征,通过对待识别图像的评估,可以有效提高人脸识别的效率和准确率;计算所述人脸特征与所述人脸特征库中人脸特征的余弦相似度,将所述余弦相似度进行降序排列,可以快速得到人脸识别的结果,解决了现有技术方案中人脸识别结果效率低的问题。
本发明的目的可以通过以下技术方案实现:
一种基于深度学习的1:N人脸比对方法,所述方法的具体步骤包括:
步骤一:获取样本数据,确定所述样本数据中的人脸特征范围,将所述样本数据中非人脸特征范围的数据进行过滤,得到过滤数据集;
步骤二:将所述过滤数据集中的人脸特征通过人脸检测算法校准,将校准后的所述过滤数据集归一化到预设尺寸的彩色图像上;
步骤三:利用深度学习神经网络对校准后的所述过滤数据集进行训练,构建人脸识别网络;
步骤四:对所述人脸识别网络进行优化,得到人脸识别模型。
优选的,所述将所述过滤数据集通过人脸检测和对齐算法校准,包括:
S21:利用第一卷积神经网络获取所述过滤数据集中的候选窗体和边界框回归向量;
S22:利用非极大值抑制去除所述候选窗体中的重叠窗体,得到过滤候选窗体;
S23:利用第二卷积神经网络对所述过滤候选窗体进行训练,利用全连接网络对训练后的所述过滤候选窗体进行分类,得到分类候选窗体;
S24:利用非极大值抑制去除所述分类候选窗体中的重叠窗体,得到过滤分类候选窗体;
S25:利用第三卷积神经网络标定所述过滤分类候选窗体中人脸的关键点,所述关键点包括左眼、右眼、鼻尖、左嘴角、右嘴角。
优选的,所述利用深度学习神经网络对校准后的所述过滤数据集进行训练,构建人脸识别网络包括:
S31:获取所述过滤数据集中图像数目较多的人脸数据,得到拟合数据集;
S32:利用深度可分离卷积结构建立深度卷积神经网络;
S33:基于所述拟合数据集通过梯度下降算法更新所述深度卷积神经网络中的参数;
S34、将所述参数更新至预设的收敛条件,完成人脸识别网络的构建。
优选的,所述对所述人脸识别网络进行优化,得到人脸识别模型包括:
S41:获取校准后的所述过滤数据集中图像数目较少的人脸数据,得到筛选集;
S42:获取所述筛选集中的锚定图像,利用所述锚定图像在所述筛选集中获取与所述锚定图像同类型的正样本以及与所述锚定图像不同类型的负样本;
S43:通过度量学习将所述锚定图像、所述正样本以及所述负样本对所述人脸识别网络进行优化,得到人脸识别模型。
一种基于深度学习的1:N人脸比对方法,所述方法的比对流程包括:
步一:利用人脸检测和对齐方法对所述样本数据进行对齐处理,利用所述人脸识别模型获取所述样本数据中的人脸特征,得到人脸特征库;
步二:获取待识别图像,对所述待识别图像进行质量评估,所述质量评估包含人脸分辨率评估、人脸亮度评估、人脸清晰度评估以及人脸姿态评估;
步三:利用所述人脸检测和对齐方法将符合质量评估的所述待识别图像进行对齐处理,获取对齐处理的所述待识别图像中的人脸特征;
步四:计算所述人脸特征与所述人脸特征库中人脸特征的余弦相似度,将所述余弦相似度进行降序排列,得到识别结果。
优选的,所述利用人脸检测和对齐方法对所述样本数据进行对齐处理,包括:
利用基于卷积神经网络的人脸检测和对齐方法对所述样本数据进行对齐处理。
优选的,所述对所述待识别图像进行质量评估,所述质量评估包含人脸分辨率评估、人脸亮度评估、人脸清晰度评估以及人脸姿态评估,其中,
所述人脸分辨率评估用于通过所述待识别图像的人脸区域长度和宽度与预设值进行对比,若所述人脸区域长度和宽度均不小于所述预设值,则评估所述待识别图像的分辨率高;否则,评估所述待识别图像的分辨率低;
所述人脸亮度评估用于获取所述待识别图像的灰度值,计算所述灰度值的平均值,判断所述平均值是否属于预设的标准值范围;若所述平均值属于预设的标准值范围,则评估所述待识别图像的亮度高;否则,评估所述待识别图像的亮度低;
所述人脸清晰度评估用于根据所述待识别图像的梯度信息损失程度来获取人脸原始图像的清晰度,判断所述清晰度是否属于预设的标准值范围;若所述清晰度属于预设的标准值范围,则评估所述待识别图像的清晰度高;否则,评估所述待识别图像的清晰度低;
所述人脸姿态评估用于获取所述待识别图像的关键点之间的水平夹角、距离以及投影位置,将所述水平夹角、所述距离以及所述投影位置分别与预设的标准值范围进行判断,若三项均属于预设的标准值范围,则评估所述待识别图像的姿态小;否则,评估所述待识别图像的姿态大。
优选的,所述方法包括样本获取模块、校准归一模块、构建模块、优化模块;
所述样本获取模块用于获取样本数据,确定所述样本数据中的人脸特征范围,将所述样本数据中非人脸特征范围的数据进行过滤,得到过滤数据集;
所述校准归一模块用于将所述过滤数据集通过人脸检测和对齐算法校准,将校准后的所述过滤数据集归一化到预设尺寸的彩色图像上;
所述构建模块用于利用深度学习神经网络对校准后的所述过滤数据集进行训练,构建人脸识别网络;
所述优化模块用于对所述人脸识别网络进行优化,得到人脸识别模型。
优选的,所述方法包括构建人脸特征库模块、评估模块、处理模块、结果模块;
所述构建人脸特征库模块用于利用人脸检测和对齐方法对所述样本数据进行对齐处理,利用所述人脸识别模型获取所述样本数据中的人脸特征,得到人脸特征库;
所述评估模块用于获取待识别图像,对所述待识别图像进行质量评估,所述质量评估包含人脸分辨率评估、人脸亮度评估、人脸清晰度评估以及人脸姿态评估;
所述处理模块用于利用所述人脸检测和对齐方法将符合质量评估的所述待识别图像进行对齐处理,获取对齐处理的所述待识别图像中的人脸特征;
所述结果模块用于计算所述人脸特征与所述人脸特征库中人脸特征的余弦相似度,将所述余弦相似度进行降序排列,得到识别结果。
本发明的有益效果为:
(1)本发明通过获取样本数据,确定所述样本数据中的人脸特征范围,将所述样本数据中非人脸特征范围的数据进行过滤,得到过滤数据集,通过前期对样本数据的获取和过滤,提高了样本数据特征的精确度;将所述过滤数据集通过人脸检测和对齐算法校准,将校准后的所述过滤数据集归一化到预设尺寸的彩色图像上;利用深度学习神经网络对校准后的所述过滤数据集进行训练,构建人脸识别网络;对所述人脸识别网络进行优化,得到人脸识别模型;通过人脸识别模型可以快速对待识别图像进行训练,可以有效提高训练待识别图像的效率,解决了现有技术方案中人脸比对结果不佳的问题;
(2)本发明通过人脸检测和对齐方法对所述样本数据进行对齐处理,利用所述人脸识别模型获取所述样本数据中的人脸特征,得到人脸特征库,通过前期构建的人脸特征库为提高人脸比对的准确率建立基础,解决了现有技术方案中样本数据不可靠导致最终的识别结果误差大的问题;获取待识别图像,对所述待识别图像进行质量评估,所述质量评估包含人脸分辨率评估、人脸亮度评估、人脸清晰度评估以及人脸姿态评估;利用所述人脸检测和对齐方法将符合质量评估的所述待识别图像进行对齐处理,获取对齐处理的所述待识别图像中的人脸特征,通过对待识别图像的评估,可以有效提高人脸识别的效率和准确率;计算所述人脸特征与所述人脸特征库中人脸特征的余弦相似度,将所述余弦相似度进行降序排列,可以快速得到人脸识别的结果,解决了现有技术方案中人脸识别结果效率低的问题。
附图说明
为了便于本领域技术人员理解,下面结合附图对本发明作进一步的说明。
图1为本发明一种基于深度学习的1:N人脸比对方法的整体结构原理框图;
图2为本发明一种基于深度学习的1:N人脸比对方法的识别流程整体结构原理框图。
具体实施方式
下面将结合实施例对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅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作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
请参阅图1-2所示,一种基于深度学习的1:N人脸比对方法,方法的具体步骤包括:
步骤一:获取样本数据,确定所述样本数据中的人脸特征范围,将所述样本数据中非人脸特征范围的数据进行过滤,得到过滤数据集;
步骤二:将所述过滤数据集通过人脸检测算法校准,将校准后的所述过滤数据集归一化到预设尺寸的彩色图像上;
步骤三:利用深度学习神经网络对校准后的所述过滤数据集进行训练,构建人脸识别网络;
步骤四:对所述人脸识别网络进行优化,得到人脸识别模型。
所述将所述过滤数据集中的人脸特征通过人脸检测和对齐算法校准,包括:
S21:利用第一卷积神经网络获取所述过滤数据集中的候选窗体和边界框回归向量;
S22:利用非极大值抑制去除所述候选窗体中的重叠窗体,得到过滤候选窗体;
S23:利用第二卷积神经网络对所述过滤候选窗体进行训练,利用全连接网络对训练后的所述过滤候选窗体进行分类,得到分类候选窗体;
S24:利用非极大值抑制去除所述分类候选窗体中的重叠窗体,得到过滤分类候选窗体;
S25:利用第三卷积神经网络标定所述过滤分类候选窗体中人脸的关键点,所述关键点包括左眼、右眼、鼻尖、左嘴角、右嘴角。
所述利用深度学习神经网络对校准后的所述过滤数据集进行训练,构建人脸识别网络包括:
S31:获取所述过滤数据集中图像数目较多的人脸数据,得到拟合数据集;
S32:利用深度可分离卷积结构建立深度卷积神经网络;
S33:基于所述拟合数据集通过梯度下降算法更新所述深度卷积神经网络中的参数;
S34、将所述参数更新至预设的收敛条件,完成人脸识别网络的构建。
所述对所述人脸识别网络进行优化,得到人脸识别模型包括:
S41:获取校准后的所述过滤数据集中图像数目较少的人脸数据,得到筛选集;
S42:获取所述筛选集中的锚定图像,利用所述锚定图像在所述筛选集中获取与所述锚定图像同类型的正样本以及与所述锚定图像不同类型的负样本;
S43:通过度量学习将所述锚定图像、所述正样本以及所述负样本对所述人脸识别网络进行优化,得到人脸识别模型。
所述方法的比对流程包括:
步一:利用人脸检测和对齐方法对所述样本数据进行对齐处理,利用所述人脸识别模型获取所述样本数据中的人脸特征,得到人脸特征库;
步二:获取待识别图像,对所述待识别图像进行质量评估,所述质量评估包含人脸分辨率评估、人脸亮度评估、人脸清晰度评估以及人脸姿态评估;
步三:利用所述人脸检测和对齐方法将符合质量评估的所述待识别图像进行对齐处理,获取对齐处理的所述待识别图像中的人脸特征;
步四:计算所述人脸特征与所述人脸特征库中人脸特征的余弦相似度,将所述余弦相似度进行降序排列,得到识别结果。
所述利用人脸检测和对齐方法对所述样本数据进行对齐处理,包括:
利用基于卷积神经网络的人脸检测和对齐方法对所述样本数据进行对齐处理。
所述对所述待识别图像进行质量评估,所述质量评估包含人脸分辨率评估、人脸亮度评估、人脸清晰度评估以及人脸姿态评估,其中,
所述人脸分辨率评估用于通过所述待识别图像的人脸区域长度和宽度与预设值进行对比,若所述人脸区域长度和宽度均不小于所述预设值,则评估所述待识别图像的分辨率高;否则,评估所述待识别图像的分辨率低;
所述人脸亮度评估用于获取所述待识别图像的灰度值,计算所述灰度值的平均值,判断所述平均值是否属于预设的标准值范围;若所述平均值属于预设的标准值范围,则评估所述待识别图像的亮度高;否则,评估所述待识别图像的亮度低;
所述人脸清晰度评估用于根据所述待识别图像的梯度信息损失程度来获取人脸原始图像的清晰度,判断所述清晰度是否属于预设的标准值范围;若所述清晰度属于预设的标准值范围,则评估所述待识别图像的清晰度高;否则,评估所述待识别图像的清晰度低;
所述人脸姿态评估用于获取所述待识别图像的关键点之间的水平夹角、距离以及投影位置,将所述水平夹角、所述距离以及所述投影位置分别与预设的标准值范围进行判断,若三项均属于预设的标准值范围,则评估所述待识别图像的姿态小;否则,评估所述待识别图像的姿态大。
所述方法包括样本获取模块、校准归一模块、构建模块、优化模块;
所述样本获取模块用于获取样本数据,确定所述样本数据中的人脸特征范围,将所述样本数据中非人脸特征范围的数据进行过滤,得到过滤数据集;
所述校准归一模块用于将所述过滤数据集通过人脸检测算法校准,将校准后的所述过滤数据集归一化到预设尺寸的彩色图像上;
所述构建模块用于利用深度学习神经网络对校准后的所述过滤数据集进行训练,构建人脸识别网络;
所述优化模块用于对所述人脸识别网络进行优化,得到人脸识别模型。
所述方法包括构建人脸特征库模块、评估模块、处理模块、结果模块;
所述构建人脸特征库模块用于利用人脸检测和对齐方法对所述样本数据进行对齐处理,利用所述人脸识别模型获取所述样本数据中的人脸特征,得到人脸特征库;
所述评估模块用于获取待识别图像,对所述待识别图像进行质量评估,所述质量评估包含人脸分辨率评估、人脸亮度评估、人脸清晰度评估以及人脸姿态评估;
所述处理模块用于利用所述人脸检测和对齐方法将符合质量评估的所述待识别图像进行对齐处理,获取对齐处理的所述待识别图像中的人脸特征;
所述结果模块用于计算所述人脸特征与所述人脸特征库中人脸特征的余弦相似度,将所述余弦相似度进行降序排列,得到识别结果。
一种基于深度学习的1:N人脸比对方法:获取样本数据,确定所述样本数据中的人脸特征范围,将所述样本数据中非人脸特征范围的数据进行过滤,得到过滤数据集;将所述过滤数据集通过人脸检测算法校准,利用第一卷积神经网络获取所述过滤数据集中的候选窗体和边界框回归向量,所述第一卷积神经网络为P-Net卷积神经网络;利用非极大值抑制去除所述候选窗体中的重叠窗体,得到过滤候选窗体;利用第二卷积神经网络对所述过滤候选窗体进行训练,利用全连接网络对训练后的所述过滤候选窗体进行分类,得到分类候选窗体,所述第二卷积神经网络为R-Net卷积神经网络;利用非极大值抑制去除所述分类候选窗体中的重叠窗体,得到过滤分类候选窗体;利用第三卷积神经网络标定所述过滤分类候选窗体中人脸特征的关键点,所述关键点包括左眼、右眼、鼻尖、左嘴角、右嘴角将校准后的所述过滤数据集归一化到预设尺寸的彩色图像上,所述第三卷积神经网络为Onet卷积神经网络;利用深度学习神经网络对校准后的所述过滤数据集进行训练,获取所述过滤数据集中图像数目较多的人脸数据,得到拟合数据集;利用深度可分离卷积结构建立深度卷积神经网络,引入残差结构和Bottleneck层,并使用线性全局逐深度卷积层作为特征输出层,所述深度可分离卷积结构相对于传统卷积神经网络可进一步减少参数量和计算量,网络的设计更加紧凑高效,所述卷积神经网络通过损失函数实现对深度卷积神经网络的更新,本发明中的损失函数为Combined Margin Softmax损失函数;基于所述拟合数据集通过梯度下降算法更新所述深度卷积神经网络中的参数,所述梯度下降算法是迭代法的一种,可以用于求解最小二乘问题;将所述参数更新至预设的收敛条件,完成人脸识别网络的构建;对所述人脸识别网络进行优化,得到人脸识别模型;利用人脸检测和对齐方法对所述样本数据进行对齐处理,利用所述人脸识别模型获取所述样本数据中的人脸特征,得到人脸特征库;
获取待识别图像,对所述待识别图像进行质量评估,所述质量评估包含人脸分辨率评估、人脸亮度评估、人脸清晰度评估以及人脸姿态评估;利用所述人脸检测和对齐方法将符合质量评估的所述待识别图像进行对齐处理,获取对齐处理的所述待识别图像中的人脸特征;计算所述人脸特征与所述人脸特征库中人脸特征的余弦相似度,将所述余弦相似度进行降序排列,得到识别结果。
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节,也不限制该发明仅为的具体实施方式。显然,根据本说明书的内容,可作很多的修改和变化。本说明书选取并具体描述这些实施例,是为了更好地解释本发明的原理和实际应用,从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。
Claims (9)
1.一种基于深度学习的1:N人脸比对方法,其特征在于,所述方法的具体步骤包括:
步骤一:获取样本数据,确定所述样本数据中的人脸特征范围,将所述样本数据中非人脸特征范围的数据进行过滤,得到过滤数据集;
步骤二:将所述过滤数据集通过人脸检测和对齐算法校准,将校准后的所述过滤数据集归一化到预设尺寸的彩色图像上;
步骤三:利用深度学习神经网络对校准后的所述过滤数据集进行训练,构建人脸识别网络;
步骤四:对所述人脸识别网络进行优化,得到人脸识别模型。
2.根据权利要求1所述的基于深度学习的1:N人脸比对方法,其特征在于,所述将所述过滤数据集中的人脸特征通过人脸检测和对齐算法校准,包括:
S21:利用第一卷积神经网络获取所述过滤数据集中的候选窗体和边界框回归向量;
S22:利用非极大值抑制去除所述候选窗体中的重叠窗体,得到过滤候选窗体;
S23:利用第二卷积神经网络对所述过滤候选窗体进行训练,利用全连接网络对训练后的所述过滤候选窗体进行分类,得到分类候选窗体;
S24:利用非极大值抑制去除所述分类候选窗体中的重叠窗体,得到过滤分类候选窗体;
S25:利用第三卷积神经网络标定所述过滤分类候选窗体中人脸特征的关键点,所述关键点包括左眼、右眼、鼻尖、左嘴角、右嘴角。
3.根据权利要求1所述的基于深度学习的1:N人脸比对方法,其特征在于,所述利用深度学习神经网络对校准后的所述过滤数据集进行训练,构建人脸识别网络包括:
S31:获取所述过滤数据集中图像数目较多的人脸数据,得到拟合数据集;
S32:利用深度可分离卷积结构建立深度卷积神经网络;
S33:基于所述拟合数据集通过梯度下降算法更新所述深度卷积神经网络中的参数;
S34、将所述参数更新至预设的收敛条件,完成人脸识别网络的构建。
4.根据权利要求1所述的基于深度学习的1:N人脸比对方法,其特征在于,所述对所述人脸识别网络进行优化,得到人脸识别模型包括:
S41:获取校准后的所述过滤数据集中图像数目较少的人脸数据,得到筛选集;
S42:获取所述筛选集中的锚定图像,利用所述锚定图像在所述筛选集中获取与所述锚定图像同类型的正样本以及与所述锚定图像不同类型的负样本;
S43:通过度量学习将所述锚定图像、所述正样本以及所述负样本对所述人脸识别网络进行优化,得到人脸识别模型。
5.根据权利要求1所述的基于深度学习的1:N人脸比对方法,其特征在于,所述方法的比对流程包括:
步一:利用人脸检测和对齐方法对所述样本数据进行对齐处理,利用所述人脸识别模型获取所述样本数据中的人脸特征,得到人脸特征库;
步二:获取待识别图像,对所述待识别图像进行质量评估,所述质量评估包含人脸分辨率评估、人脸亮度评估、人脸清晰度评估以及人脸姿态评估;
步三:利用所述人脸检测和对齐方法将符合质量评估的所述待识别图像进行对齐处理,获取对齐处理的所述待识别图像中的人脸特征;
步四:计算所述人脸特征与所述人脸特征库中人脸特征的余弦相似度,将所述余弦相似度进行降序排列,得到识别结果。
6.根据权利要求5所述的基于深度学习的1:N人脸比对方法,其特征在于,所述利用人脸检测和对齐方法对所述样本数据进行对齐处理,包括:
利用基于卷积神经网络的人脸检测和对齐方法对所述样本数据进行对齐处理。
7.根据权利要求5所述的基于深度学习的1:N人脸比对方法,其特征在于,所述对所述待识别图像进行质量评估,所述质量评估包含人脸分辨率评估、人脸亮度评估、人脸清晰度评估以及人脸姿态评估,其中,
所述人脸分辨率评估用于通过所述待识别图像的人脸区域长度和宽度与预设值进行对比,若所述人脸区域长度和宽度均不小于所述预设值,则评估所述待识别图像的分辨率高;否则,评估所述待识别图像的分辨率低;
所述人脸亮度评估用于获取所述待识别图像的灰度值,计算所述灰度值的平均值,判断所述平均值是否属于预设的标准值范围;若所述平均值属于预设的标准值范围,则评估所述待识别图像的亮度高;否则,评估所述待识别图像的亮度低;
所述人脸清晰度评估用于根据所述待识别图像的梯度信息损失程度来获取人脸原始图像的清晰度,判断所述清晰度是否属于预设的标准值范围;若所述清晰度属于预设的标准值范围,则评估所述待识别图像的清晰度高;否则,评估所述待识别图像的清晰度低;
所述人脸姿态评估用于获取所述待识别图像的关键点之间的水平夹角、距离以及投影位置,将所述水平夹角、所述距离以及所述投影位置分别与预设的标准值范围进行判断,若三项均属于预设的标准值范围,则评估所述待识别图像的姿态小;否则,评估所述待识别图像的姿态大。
8.根据权利要求1所述的基于深度学习的1:N人脸比对方法,其特征在于,所述方法包括样本获取模块、校准归一模块、构建模块、优化模块;
所述样本获取模块用于获取样本数据,确定所述样本数据中的人脸特征范围,将所述样本数据中非人脸特征范围的数据进行过滤,得到过滤数据集;
所述校准归一模块用于将所述过滤数据集通过人脸检测和对齐算法校准,将校准后的所述过滤数据集归一化到预设尺寸的彩色图像上;
所述构建模块用于利用深度学习神经网络对校准后的所述过滤数据集进行训练,构建人脸识别网络;
所述优化模块用于对所述人脸识别网络进行优化,得到人脸识别模型。
9.根据权利要求5所述的基于深度学习的1:N人脸比对方法,其特征在于,所述方法包括构建人脸特征库模块、评估模块、处理模块、结果模块;
所述构建人脸特征库模块用于利用人脸检测和对齐方法对所述样本数据进行对齐处理,利用所述人脸识别模型获取所述样本数据中的人脸特征,得到人脸特征库;
所述评估模块用于获取待识别图像,对所述待识别图像进行质量评估,所述质量评估包含人脸分辨率评估、人脸亮度评估、人脸清晰度评估以及人脸姿态评估;
所述处理模块用于利用所述人脸检测和对齐方法将符合质量评估的所述待识别图像进行对齐处理,获取对齐处理的所述待识别图像中的人脸特征;
所述结果模块用于计算所述人脸特征与所述人脸特征库中人脸特征的余弦相似度,将所述余弦相似度进行降序排列,得到识别结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010307748.1A CN111652048A (zh) | 2020-04-17 | 2020-04-17 | 一种基于深度学习的1:n人脸比对方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010307748.1A CN111652048A (zh) | 2020-04-17 | 2020-04-17 | 一种基于深度学习的1:n人脸比对方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111652048A true CN111652048A (zh) | 2020-09-11 |
Family
ID=72350481
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010307748.1A Pending CN111652048A (zh) | 2020-04-17 | 2020-04-17 | 一种基于深度学习的1:n人脸比对方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111652048A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112800950A (zh) * | 2021-01-21 | 2021-05-14 | 合肥品恩智能科技有限公司 | 一种基于深度学习的大型安保活动人脸搜索方法 |
CN113743176A (zh) * | 2021-01-29 | 2021-12-03 | 北京沃东天骏信息技术有限公司 | 一种图像识别方法、设备和计算机可读存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108256459A (zh) * | 2018-01-10 | 2018-07-06 | 北京博睿视科技有限责任公司 | 基于多摄像机融合的安检门人脸识别和人脸自动建库算法 |
WO2019033574A1 (zh) * | 2017-08-17 | 2019-02-21 | 平安科技(深圳)有限公司 | 电子装置、动态视频人脸识别的方法、系统及存储介质 |
CN109784219A (zh) * | 2018-12-28 | 2019-05-21 | 广州海昇计算机科技有限公司 | 一种基于集中协调学习的人脸识别方法、系统及装置 |
CN109829354A (zh) * | 2018-11-29 | 2019-05-31 | 四川商通实业有限公司 | 一种基于深度学习的人脸识别方法 |
CN110728234A (zh) * | 2019-10-12 | 2020-01-24 | 爱驰汽车有限公司 | 驾驶员人脸识别方法、系统、设备及介质 |
-
2020
- 2020-04-17 CN CN202010307748.1A patent/CN111652048A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019033574A1 (zh) * | 2017-08-17 | 2019-02-21 | 平安科技(深圳)有限公司 | 电子装置、动态视频人脸识别的方法、系统及存储介质 |
CN108256459A (zh) * | 2018-01-10 | 2018-07-06 | 北京博睿视科技有限责任公司 | 基于多摄像机融合的安检门人脸识别和人脸自动建库算法 |
CN109829354A (zh) * | 2018-11-29 | 2019-05-31 | 四川商通实业有限公司 | 一种基于深度学习的人脸识别方法 |
CN109784219A (zh) * | 2018-12-28 | 2019-05-21 | 广州海昇计算机科技有限公司 | 一种基于集中协调学习的人脸识别方法、系统及装置 |
CN110728234A (zh) * | 2019-10-12 | 2020-01-24 | 爱驰汽车有限公司 | 驾驶员人脸识别方法、系统、设备及介质 |
Non-Patent Citations (1)
Title |
---|
张枫: "基于机器视觉的人脸检测与识别算法研究及手扶电梯场景下的实现" * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112800950A (zh) * | 2021-01-21 | 2021-05-14 | 合肥品恩智能科技有限公司 | 一种基于深度学习的大型安保活动人脸搜索方法 |
CN113743176A (zh) * | 2021-01-29 | 2021-12-03 | 北京沃东天骏信息技术有限公司 | 一种图像识别方法、设备和计算机可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108960245B (zh) | 轮胎模具字符的检测与识别方法、装置、设备及存储介质 | |
CN106778586B (zh) | 离线手写签名鉴别方法及系统 | |
CN106875381B (zh) | 一种基于深度学习的手机外壳缺陷检测方法 | |
CN106875373B (zh) | 基于卷积神经网络剪枝算法的手机屏幕mura缺陷检测方法 | |
CN110717481B (zh) | 一种利用级联卷积神经网络实现人脸检测的方法 | |
CN110728225B (zh) | 一种用于考勤的高速人脸搜索方法 | |
US11194997B1 (en) | Method and system for thermal infrared facial recognition | |
CN111814850A (zh) | 缺陷检测模型训练方法、缺陷检测方法及相关装置 | |
CN106650574A (zh) | 基于PCANet的人脸识别方法 | |
CN113869162A (zh) | 一种基于人工智能的违章识别方法及系统 | |
CN111368682A (zh) | 一种基于faster RCNN台标检测与识别的方法及系统 | |
CN111652048A (zh) | 一种基于深度学习的1:n人脸比对方法 | |
CN114445879A (zh) | 一种高精度人脸识别方法及人脸识别设备 | |
CN111274895A (zh) | 基于空洞卷积的cnn微表情识别方法 | |
CN115995056A (zh) | 一种基于深度学习的桥梁病害自动识别方法 | |
CN113421223B (zh) | 基于深度学习和高斯混合的工业产品表面缺陷检测方法 | |
CN105631410B (zh) | 一种基于智能视频处理技术的课堂检测方法 | |
CN112784494B (zh) | 假阳性识别模型的训练方法、目标识别方法及装置 | |
CN113947714A (zh) | 一种视频监控和遥感的多模态协同优化方法及系统 | |
CN116843677A (zh) | 钣金件的外观质量检测系统及其方法 | |
Pei et al. | Convolutional neural networks for class attendance | |
CN112801013B (zh) | 一种基于关键点识别校验的人脸识别方法、系统及装置 | |
CN113269136B (zh) | 一种基于triplet loss的离线签名验证方法 | |
CN113673534B (zh) | 一种基于Faster RCNN的RGB-D图像果实检测方法 | |
CN111402185A (zh) | 一种图像检测方法及装置 |
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 |