CN111723612A - 人脸识别和人脸识别网络的训练方法和装置、存储介质 - Google Patents

人脸识别和人脸识别网络的训练方法和装置、存储介质 Download PDF

Info

Publication number
CN111723612A
CN111723612A CN201910214176.XA CN201910214176A CN111723612A CN 111723612 A CN111723612 A CN 111723612A CN 201910214176 A CN201910214176 A CN 201910214176A CN 111723612 A CN111723612 A CN 111723612A
Authority
CN
China
Prior art keywords
face
image
sample
segmentation
face recognition
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
Application number
CN201910214176.XA
Other languages
English (en)
Inventor
于志鹏
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.)
Beijing Sensetime Technology Development Co Ltd
Original Assignee
Beijing Sensetime Technology Development 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 Beijing Sensetime Technology Development Co Ltd filed Critical Beijing Sensetime Technology Development Co Ltd
Priority to CN201910214176.XA priority Critical patent/CN111723612A/zh
Publication of CN111723612A publication Critical patent/CN111723612A/zh
Pending legal-status Critical Current

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
    • G06V40/168—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
    • G06N3/04—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
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Multimedia (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)
  • Life Sciences & Earth Sciences (AREA)
  • Human Computer Interaction (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)

Abstract

本公开实施例公开了一种人脸识别和人脸识别网络的训练方法和装置、存储介质，其中，人脸识别方法，包括：获取第一人脸图像的特征数据；对第一人脸图像的特征数据进行分割处理，得到多个分割特征；基于多个分割特征，确定数据库中的至少一个人脸模板中与第一人脸图像匹配的人脸模板，基于分割特征实现人脸模板的匹配，提高了人脸特别是存在部分遮挡的人脸的识别准确度。

Description

人脸识别和人脸识别网络的训练方法和装置、存储介质
技术领域
本公开涉及计算机视觉技术，尤其是一种人脸识别和人脸识别网络的训练方法和装置、存储介质。
背景技术
人脸识别是计算机视觉中的一个经典问题，在身份认证、智能安防等场景发挥着广泛的作用。目前，人脸识别在各公开数据集上已经达到了较好的效果，但在现实场景中，可能出现由于人脸的部分遮挡而造成的拒识别和误识别。
发明内容
本公开实施例提供的一种人脸识别及人脸识别网络的训练技术。
根据本公开实施例的一个方面，提供的一种人脸识别方法，包括：
获取第一人脸图像的特征数据；
对所述第一人脸图像的特征数据进行分割处理，得到多个分割特征；
基于所述多个分割特征，确定数据库中的至少一个人脸模板中与所述第一人脸图像匹配的人脸模板。
可选地，在本公开上述任一方法实施例中，所述获取第一人脸图像的特征数据，包括：
获取第一人脸图像；
对所述第一人脸图像进行特征提取处理，得到所述第一人脸图像的特征数据。
可选地，在本公开上述任一方法实施例中，所述对所述第一人脸图像的特征数据进行分割处理，得到多个分割特征，包括：
利用分割神经网络对所述第一人脸图像的特征数据进行分割处理，获得所述多个分割特征。
可选地，在本公开上述任一方法实施例中，所述对所述第一人脸图像的特征数据进行分割处理，得到多个分割特征，包括：
对所述第一人脸图像的特征数据进行至少两个不同尺度的分割处理，获得至少两组分割特征组，其中，每组所述分割特征组包括多个分割特征。
可选地，在本公开上述任一方法实施例中，所述第一人脸图像的特征数据包括人脸特征图；
所述对所述第一人脸图像的特征数据进行分割处理，得到多个分割特征，包括：
对所述第一人脸图像的人脸特征图在高度上进行分割处理，得到多个分割特征图。
可选地，在本公开上述任一方法实施例中，所述基于所述多个分割特征，确定数据库中的至少一个人脸模板中与所述第一人脸图像匹配的人脸模板，包括：
对所述多个分割特征中的每个分割特征进行非线性映射处理，得到所述每个分割特征对应的处理特征数据；
对所述多个分割特征中每个分割特征对应的处理特征数据进行融合处理，得到融合特征数据；
基于所述融合特征数据，确定数据库中的至少一个人脸模板中与所述第一人脸图像匹配的人脸模板。
可选地，在本公开上述任一方法实施例中，所述基于所述融合特征数据，确定数据库中的至少一个人脸模板中与所述第一人脸图像匹配的人脸模板，包括：
获取所述至少一个人脸模板中每个人脸模板对应的参考融合数据，其中，所述人脸模板对应的参考融合数据是基于所述人脸模板对应的多个参考分割特征得到的；
基于所述融合特征数据和所述至少一个人脸模板中每个人脸模板对应的参考融合数据之间的相似度，确定所述至少一个人脸模板中与所述第一人脸图像匹配的人脸模板。
可选地，在本公开上述任一方法实施例中，所述获取所述至少一个人脸模板中每个人脸模板对应的参考融合数据，包括：
对所述人脸模板包括的参考人脸图像进行特征提取处理，获得参考特征数据；
对所述参考特征数据进行分割处理，得到多个参考分割特征；
基于所述多个参考分割特征，得到所述参考融合数据。
可选地，在本公开上述任一方法实施例中，所述第一人脸图像中的部分人脸被遮挡。
可选地，在本公开上述任一方法实施例中，所述方法通过人脸识别网络实现；
在获取第一人脸图像的特征数据之前，还包括：
获取样本人脸图像的样本图像特征；
利用所述人脸识别网络对所述样本图像特征进行至少一种尺度的分割处理，获得所述样本图像对应的多个样本分割特征；
利用所述人脸识别网络对所述多个样本分割特征中的每个样本分割特征进行分类处理，获得所述每个样本分割特征的预测类别；
基于所述多个样本分割特征对应的预测类别，调整所述人脸识别网络的网络参数。
可选地，在本公开上述任一方法实施例中，在获取样本人脸图像的样本图像特征之前，还包括：
基于采集的原始图像获得样本人脸图像，所述原始图像中包括完整人脸。
可选地，在本公开上述任一方法实施例中，所述基于采集的原始图像获得样本人脸图像，包括：
对所述原始图像进行至少一种部分人脸遮挡处理，获得至少一个部分人脸被遮挡的遮挡图像，所述每种部分人脸遮挡处理遮挡不同的人脸部分；
将所述原始图像和所述获得的至少一个遮挡图像分别作为样本人脸图像。
可选地，在本公开上述任一方法实施例中，所述对所述原始图像进行至少一种部分人脸遮挡处理，获得至少一个部分人脸被遮挡的遮挡图像，包括：
针对每种部分人脸遮挡处理，利用任意像素替换所述原始图像中的部分人脸，获得部分人脸被遮挡的遮挡图像。
可选地，在本公开上述任一方法实施例中，在对所述原始图像进行至少一种部分人脸遮挡处理，获得至少一个部分人脸被遮挡的遮挡图像之前，还包括：
获取原始遮挡图像，所述原始遮挡图像中的部分人脸被遮挡物遮挡；
获取所述原始遮挡图像中的所述遮挡物对应的遮挡物图像；
所述对所述原始图像进行至少一种部分人脸遮挡处理，获得至少一个部分人脸被遮挡的遮挡图像，包括：
针对每种部分人脸遮挡处理，利用所述遮挡物图像替换所述原始图像中的部分人脸，获得部分人脸被遮挡的遮挡图像。
可选地，在本公开上述任一方法实施例中，所述利用所述遮挡物图像替换所述原始图像中的部分人脸，获得部分人脸被遮挡的遮挡图像之前，还包括：
对所述遮挡物图像执行缩放处理，获得缩放处理后的遮挡物图像；
所述利用所述遮挡物图像替换所述原始图像中的部分人脸，获得部分人脸被遮挡的遮挡图像，包括：
利用所述缩放处理后的遮挡物图像替换所述原始图像中与所述遮挡物图像中遮挡物对应的人脸部分，获得部分人脸被遮挡的遮挡图像。
根据本公开实施例的另一方面，提供的人脸识别网络的训练方法，包括：
获取样本人脸图像的样本图像特征；
利用所述人脸识别网络对所述样本图像特征进行至少一种尺度的分割处理，获得所述样本图像对应的多个样本分割特征；
利用所述人脸识别网络对所述多个样本分割特征中的每个样本分割特征进行分类处理，获得所述每个样本分割特征的预测类别；
基于所述多个样本分割特征对应的预测类别，调整所述人脸识别网络的网络参数。
可选地，在本公开上述任一方法实施例中，在获取样本人脸图像的样本图像特征之前，还包括：
基于采集的原始图像获得样本人脸图像，所述原始图像中包括完整人脸。
可选地，在本公开上述任一方法实施例中，所述基于采集的原始图像获得样本人脸图像，包括：
对所述原始图像进行至少一种部分人脸遮挡处理，获得至少一个部分人脸被遮挡的遮挡图像，所述每种部分人脸遮挡处理遮挡不同的人脸部分；
将所述原始图像和所述获得的至少一个遮挡图像分别作为样本人脸图像。
可选地，在本公开上述任一方法实施例中，所述对所述原始图像进行至少一种部分人脸遮挡处理，获得至少一个部分人脸被遮挡的遮挡图像，包括：
针对每种部分人脸遮挡处理，利用任意像素替换所述原始图像中的部分人脸，获得部分人脸被遮挡的遮挡图像。
可选地，在本公开上述任一方法实施例中，在对所述原始图像进行至少一种部分人脸遮挡处理，获得至少一个部分人脸被遮挡的遮挡图像之前，还包括：
获取原始遮挡图像，所述原始遮挡图像中的部分人脸被遮挡物遮挡；
获取所述原始遮挡图像中的所述遮挡物对应的遮挡物图像；
所述对所述原始图像进行至少一种部分人脸遮挡处理，获得至少一个部分人脸被遮挡的遮挡图像，包括：
针对每种部分人脸遮挡处理，利用所述遮挡物图像替换所述原始图像中的部分人脸，获得部分人脸被遮挡的遮挡图像。
可选地，在本公开上述任一方法实施例中，所述利用所述遮挡物图像替换所述原始图像中的部分人脸，获得部分人脸被遮挡的遮挡图像之前，还包括：
对所述遮挡物图像执行缩放处理，获得缩放处理后的遮挡物图像；
所述利用所述遮挡物图像替换所述原始图像中的部分人脸，获得部分人脸被遮挡的遮挡图像，包括：
利用所述缩放处理后的遮挡物图像替换所述原始图像中与所述遮挡物图像中遮挡物对应的人脸部分，获得部分人脸被遮挡的遮挡图像。
根据本公开实施例的又一方面，提供的人脸识别网络的训练方法，包括：
获取包括完整人脸的原始图像；
对所述原始图像进行至少一种部分人脸遮挡处理，获得至少一个部分人脸被遮挡的遮挡图像，所述每种部分人脸遮挡处理遮挡不同的人脸部分；
将所述原始图像和所述获得的至少一个遮挡图像分别作为样本人脸图像；
获取所述样本人脸图像的样本图像特征；
利用所述人脸识别网络对所述样本图像特征进行至少一种尺度的分割处理，获得所述样本图像对应的多个样本分割特征；
利用所述人脸识别网络对所述多个样本分割特征中的每个样本分割特征进行分类处理，获得所述每个样本分割特征的预测类别；
基于所述多个样本分割特征对应的预测类别，调整所述人脸识别网络的网络参数。
可选地，在本公开上述任一方法实施例中，所述对所述原始图像进行至少一种部分人脸遮挡处理，获得至少一个部分人脸被遮挡的遮挡图像，包括：
针对每种部分人脸遮挡处理，利用任意像素替换所述原始图像中的部分人脸，获得部分人脸被遮挡的遮挡图像。
可选地，在本公开上述任一方法实施例中，在对所述原始图像进行至少一种部分人脸遮挡处理，获得至少一个部分人脸被遮挡的遮挡图像之前，还包括：
获取原始遮挡图像，所述原始遮挡图像中的部分人脸被遮挡物遮挡；
获取所述原始遮挡图像中的所述遮挡物对应的遮挡物图像；
所述对所述原始图像进行至少一种部分人脸遮挡处理，获得至少一个部分人脸被遮挡的遮挡图像，包括：
针对每种部分人脸遮挡处理，利用所述遮挡物图像替换所述原始图像中的部分人脸，获得部分人脸被遮挡的遮挡图像。
可选地，在本公开上述任一方法实施例中，所述利用所述遮挡物图像替换所述原始图像中的部分人脸，获得部分人脸被遮挡的遮挡图像之前，还包括：
对所述遮挡物图像执行缩放处理，获得缩放处理后的遮挡物图像；
所述利用所述遮挡物图像替换所述原始图像中的部分人脸，获得部分人脸被遮挡的遮挡图像，包括：
利用所述缩放处理后的遮挡物图像替换所述原始图像中与所述遮挡物图像中遮挡物对应的人脸部分，获得部分人脸被遮挡的遮挡图像。
根据本公开实施例的还一方面，提供的人脸识别方法，包括：
获取第一人脸图像；
利用人脸识别网络对所述第一人脸图像进行处理，得到所述第一人脸图像的识别结果，其中，所述人脸识别网络是通过上述任意一项实施例所述的人脸识别网络的训练方法训练得到的。
根据本公开实施例的再一方面，提供的一种人脸识别装置，包括：
特征获取单元，用于获取第一人脸图像的特征数据；
分割处理单元，用于对所述第一人脸图像的特征数据进行分割处理，得到多个分割特征；
人脸匹配单元，用于基于所述多个分割特征，确定数据库中的至少一个人脸模板中与所述第一人脸图像匹配的人脸模板。
可选地，在本公开上述任一装置实施例中，所述特征获取单元，具体用于获取第一人脸图像；对所述第一人脸图像进行特征提取处理，得到所述第一人脸图像的特征数据。
可选地，在本公开上述任一装置实施例中，所述分割处理单元，用于利用分割神经网络对所述第一人脸图像的特征数据进行分割处理，获得所述多个分割特征。
可选地，在本公开上述任一装置实施例中，所述分割处理单元，用于对所述第一人脸图像的特征数据进行至少两个不同尺度的分割处理，获得至少两组分割特征组，其中，每组所述分割特征组包括多个分割特征。
可选地，在本公开上述任一装置实施例中，所述第一人脸图像的特征数据包括人脸特征图；
所述分割处理单元，用于对所述第一人脸图像的人脸特征图在高度上进行分割处理，得到多个分割特征图。
可选地，在本公开上述任一装置实施例中，所述人脸匹配单元，包括：
映射处理模块，用于对所述多个分割特征中的每个分割特征进行非线性映射处理，得到所述每个分割特征对应的处理特征数据；
融合处理模块，用于对所述多个分割特征中每个分割特征对应的处理特征数据进行融合处理，得到融合特征数据；
匹配人脸模块，用于基于所述融合特征数据，确定数据库中的至少一个人脸模板中与所述第一人脸图像匹配的人脸模板。
可选地，在本公开上述任一装置实施例中，所述匹配人脸模块，具体用于获取所述至少一个人脸模板中每个人脸模板对应的参考融合数据，其中，所述人脸模板对应的参考融合数据是基于所述人脸模板对应的多个参考分割特征得到的；基于所述融合特征数据和所述至少一个人脸模板中每个人脸模板对应的参考融合数据之间的相似度，确定所述至少一个人脸模板中与所述第一人脸图像匹配的人脸模板。
可选地，在本公开上述任一装置实施例中，所述匹配人脸模块在获取所述至少一个人脸模板中每个人脸模板对应的参考融合数据时，用于对所述人脸模板包括的参考人脸图像进行特征提取处理，获得参考特征数据；对所述参考特征数据进行分割处理，得到多个参考分割特征；基于所述多个参考分割特征，得到所述参考融合数据。
可选地，在本公开上述任一装置实施例中，所述第一人脸图像中的部分人脸被遮挡。
可选地，在本公开上述任一装置实施例中，所述装置利用人脸识别网络实现；
所述装置还包括：
样本特征获取单元，用于获取样本人脸图像的样本图像特征；
样本分割单元，用于利用所述人脸识别网络对所述样本图像特征进行至少一种尺度的分割处理，获得所述样本图像对应的多个样本分割特征；
类别预测单元，用于利用所述人脸识别网络对所述多个样本分割特征中的每个样本分割特征进行分类处理，获得所述每个样本分割特征的预测类别；
网络训练单元，用于基于所述多个样本分割特征对应的预测类别，调整所述人脸识别网络的网络参数。
可选地，在本公开上述任一装置实施例中，所述装置还包括：
样本图像获取单元，用于基于采集的原始图像获得样本人脸图像，所述原始图像中包括完整人脸。
可选地，在本公开上述任一装置实施例中，所述样本图像获取单元，包括：
遮挡处理模块，用于对所述原始图像进行至少一种部分人脸遮挡处理，获得至少一个部分人脸被遮挡的遮挡图像，所述每种部分人脸遮挡处理遮挡不同的人脸部分；
样本获得模块，用于将所述原始图像和所述获得的至少一个遮挡图像分别作为样本人脸图像。
可选地，在本公开上述任一装置实施例中，所述遮挡处理模块，用于针对每种部分人脸遮挡处理，利用任意像素替换所述原始图像中的部分人脸，获得部分人脸被遮挡的遮挡图像。
可选地，在本公开上述任一装置实施例中，所述样本图像获取单元，还包括：
遮挡物获取模块，用于获取原始遮挡图像，所述原始遮挡图像中的部分人脸被遮挡物遮挡；获取所述原始遮挡图像中的所述遮挡物对应的遮挡物图像；
所述遮挡处理模块，用于针对每种部分人脸遮挡处理，利用所述遮挡物图像替换所述原始图像中的部分人脸，获得部分人脸被遮挡的遮挡图像。
可选地，在本公开上述任一装置实施例中，所述遮挡处理模块，还用于对所述遮挡物图像执行缩放处理，获得缩放处理后的遮挡物图像；利用所述缩放处理后的遮挡物图像替换所述原始图像中与所述遮挡物图像中遮挡物对应的人脸部分，获得部分人脸被遮挡的遮挡图像。
根据本公开实施例的另一方面，提供的一种人脸识别网络的训练装置，包括：
样本特征获取单元，用于获取样本人脸图像的样本图像特征；
样本分割单元，用于利用所述人脸识别网络对所述样本图像特征进行至少一种尺度的分割处理，获得所述样本图像对应的多个样本分割特征；
类别预测单元，用于利用所述人脸识别网络对所述多个样本分割特征中的每个样本分割特征进行分类处理，获得所述每个样本分割特征的预测类别；
网络训练单元，用于基于所述多个样本分割特征对应的预测类别，调整所述人脸识别网络的网络参数。
可选地，在本公开上述任一装置实施例中，所述装置还包括：
样本图像获取单元，用于基于采集的原始图像获得样本人脸图像，所述原始图像中包括完整人脸。
可选地，在本公开上述任一装置实施例中，样本图像获取单元，包括：
遮挡处理模块，用于对所述原始图像进行至少一种部分人脸遮挡处理，获得至少一个部分人脸被遮挡的遮挡图像，所述每种部分人脸遮挡处理遮挡不同的人脸部分；
样本获得模块，用于将所述原始图像和所述获得的至少一个遮挡图像分别作为样本人脸图像。
可选地，在本公开上述任一装置实施例中，所述遮挡处理模块，用于针对每种部分人脸遮挡处理，利用任意像素替换所述原始图像中的部分人脸，获得部分人脸被遮挡的遮挡图像。
可选地，在本公开上述任一装置实施例中，所述样本图像获取单元，还包括：
遮挡物获取模块，用于获取原始遮挡图像，所述原始遮挡图像中的部分人脸被遮挡物遮挡；获取所述原始遮挡图像中的所述遮挡物对应的遮挡物图像；
所述遮挡处理模块，用于针对每种部分人脸遮挡处理，利用所述遮挡物图像替换所述原始图像中的部分人脸，获得部分人脸被遮挡的遮挡图像。
可选地，在本公开上述任一装置实施例中，所述遮挡处理模块，还用于对所述遮挡物图像执行缩放处理，获得缩放处理后的遮挡物图像；利用所述缩放处理后的遮挡物图像替换所述原始图像中与所述遮挡物图像中遮挡物对应的人脸部分，获得部分人脸被遮挡的遮挡图像。
根据本公开实施例的又一方面，提供的一种人脸识别网络的训练装置，包括：
原始图像采集单元，用于获取包括完整人脸的原始图像；
遮挡处理单元，用于对所述原始图像进行至少一种部分人脸遮挡处理，获得至少一个部分人脸被遮挡的遮挡图像，所述每种部分人脸遮挡处理遮挡不同的人脸部分；
样本获得单元，用于将所述原始图像和所述获得的至少一个遮挡图像分别作为样本人脸图像；
样本特征获取单元，用于获取所述样本人脸图像的样本图像特征；
样本分割单元，用于利用所述人脸识别网络对所述样本图像特征进行至少一种尺度的分割处理，获得所述样本图像对应的多个样本分割特征；
类别预测单元，用于利用所述人脸识别网络对所述多个样本分割特征中的每个样本分割特征进行分类处理，获得所述每个样本分割特征的预测类别；
网络训练单元，用于基于所述多个样本分割特征对应的预测类别，调整所述人脸识别网络的网络参数。
可选地，在本公开上述任一装置实施例中，所述遮挡处理单元，用于针对每种部分人脸遮挡处理，利用任意像素替换所述原始图像中的部分人脸，获得部分人脸被遮挡的遮挡图像。
可选地，在本公开上述任一装置实施例中，所述装置还包括：
遮挡物获取单元，用于获取原始遮挡图像，所述原始遮挡图像中的部分人脸被遮挡物遮挡；获取所述原始遮挡图像中的所述遮挡物对应的遮挡物图像；
所述遮挡处理单元，用于针对每种部分人脸遮挡处理，利用所述遮挡物图像替换所述原始图像中的部分人脸，获得部分人脸被遮挡的遮挡图像。
可选地，在本公开上述任一装置实施例中，所述遮挡处理单元，还用于对所述遮挡物图像执行缩放处理，获得缩放处理后的遮挡物图像；利用所述缩放处理后的遮挡物图像替换所述原始图像中与所述遮挡物图像中遮挡物对应的人脸部分，获得部分人脸被遮挡的遮挡图像。
根据本公开实施例的还一方面，提供的一种人脸识别装置，包括：
图像获取单元，用于获取第一人脸图像；
人脸识别单元，用于利用人脸识别网络对所述第一人脸图像进行处理，得到所述第一人脸图像的识别结果，其中，所述人脸识别网络是通过上述任意一项实施例所述的人脸识别网络的训练方法训练得到的。
根据本公开实施例的再一方面，提供的一种电子设备，包括处理器，所述处理器包括上述任意一项实施例所述的人脸识别装置，或包括上述任意一项实施例所述的人脸识别网络的训练装置。
根据本公开实施例的再一方面，提供的一种电子设备，包括：存储器，用于存储可执行指令；
以及处理器，用于与所述存储器通信以执行所述可执行指令从而完成上述任意一项实施例所述的人脸识别方法的操作，或者完成上述任意一项实施例所述的人脸识别网络的训练方法的操作。
根据本公开实施例的还一方面，提供的一种计算机可读存储介质，用于存储计算机可读取的指令，所述指令被执行时执行上述任意一项实施例所述的人脸识别方法的操作，或者完成上述任意一项实施例所述的人脸识别网络的训练方法的操作。
根据本公开实施例的再一方面，提供的一种计算机程序产品，包括计算机可读代码，当所述计算机可读代码在设备上运行时，所述设备中的处理器执行用于实现上述任意一项实施例所述的人脸识别方法的指令，或者完成上述任意一项实施例所述的人脸识别网络的训练方法的指令。
根据本公开实施例的再一个方面，提供的另一种计算机程序产品，用于存储计算机可读指令，所述指令被执行时使得计算机执行上述任一可能的实现方式中所述人脸识别方法或人脸识别网络的训练方法的操作。
在一个可选实施方式中，所述计算机程序产品具体为计算机存储介质，在另一个可选实施方式中，所述计算机程序产品具体为软件产品，例如SDK等。
根据本公开实施例还提供了另一种人脸识别及人脸识别网络的训练方法和装置、电子设备、计算机存储介质、计算机程序产品，其中，获取样本人脸图像的样本图像特征；利用所述人脸识别网络对所述样本图像特征进行至少一种尺度的分割处理，获得所述样本图像对应的多个样本分割特征；利用所述人脸识别网络对所述多个样本分割特征中的每个样本分割特征进行分类处理，获得所述每个样本分割特征的预测类别；基于所述多个样本分割特征对应的预测类别，调整所述人脸识别网络的网络参数。
基于本公开上述实施例提供的一种人脸识别和人脸识别网络的训练方法和装置、存储介质，获取第一人脸图像的特征数据；对第一人脸图像的特征数据进行分割处理，得到多个分割特征；基于多个分割特征，确定数据库中的至少一个人脸模板中与第一人脸图像匹配的人脸模板，基于分割特征实现人脸模板的匹配，提高了人脸特别是存在部分遮挡的人脸的识别准确度。
下面通过附图和实施例，对本公开的技术方案做进一步的详细描述。
附图说明
构成说明书的一部分的附图描述了本公开的实施例，并且连同描述一起用于解释本公开的原理。
参照附图，根据下面的详细描述，可以更加清楚地理解本公开，其中：
图1为本公开实施例提供的人脸识别方法的一个流程示意图。
图2为本公开实施例提供的人脸识别方法的另一流程示意图。
图3为本公开实施例提供的人脸识别装置的结构示意图。
图4为本公开实施例提供的人脸识别网络的训练方法的一个流程示意图。
图5为本公开实施例提供的人脸识别网络的训练装置的结构示意图。
图6为本公开实施例提供的人脸识别网络的训练方法的另一流程示意图。
图7为本公开实施例提供的人脸识别网络的训练方法的一个网络结构示意图。
图8为本公开实施例提供的人脸识别网络的训练装置的结构示意图。
图9示出了适于用来实现本公开实施例的终端设备或服务器的电子设备的结构示意图。
具体实施方式
现在将参照附图来详细描述本公开的各种示例性实施例。应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本公开的范围。
同时，应当明白，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。
以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本公开及其应用或使用的任何限制。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为说明书的一部分。
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讨论。
图1为本公开实施例提供的人脸识别方法的一个流程示意图。
步骤110，获取第一人脸图像的特征数据。
可选地，本公开实施例提供的第一人脸图像中可能包括全部人脸或部分人脸，包括部分人脸的情况包括遮挡了部分人脸的情况，可选地，遮挡部分人脸可以是通过遮挡物实现的，或者是通过人脸剪裁在第一人脸图像中仅显示部分人脸实现的，本公开实施例不限制遮挡部分人脸的具体方式；其中，遮挡物可以包括帽子、眼镜、口罩等，本公开实施例不限制遮挡人脸的遮挡物种类。
步骤120，对第一人脸图像的特征数据进行分割处理，得到多个分割特征。
可选地，由于第一人脸图像中可能存在部分人脸被遮挡的现象，为了对第一人脸图像中的人脸进行准确的匹配，可基于第一人脸图像中未被遮挡的部分与其他人脸图像中相应的部分进行匹配，例如，当第一人脸图像中的人脸带有口罩，由于口罩遮挡了人脸的下半部分，那么对于人脸识别(例如基于关键点识别)需要基于人脸的上半部分进行；本公开实施例通过对第一人脸图像的特征数据进行分割处理实现将第一人脸图像中的人脸中可识别的部分的特征数据分割出来，得到分割特征，以分割特征实现人脸匹配，提高了遮挡部分人脸的人脸图像的识别准确度。
步骤130，基于多个分割特征，确定数据库中的至少一个人脸模板中与第一人脸图像匹配的人脸模板。
其中，数据库中包括至少一个人脸模板，可选地，每个人脸模板中可能包括完整人脸或部分被遮挡的人脸，通过分割特征可以实现将第一人脸图像中的部分人脸与人脸模板中的对应部分进行匹配，进而确定匹配的人脸模板，可选地，本公开实施例提供的人脸识别方法可以应用于遮挡部分人脸的人脸图像的身份识别，此时，在数据库中，还保存有每个人脸模板对应的身份信息，在获得匹配的人脸模板之后，即可确定第一人脸图像的身份信息，例如，在对采集到的戴口罩的人脸图像时，为了实现对其身份的识别，基于本公开实施例提供的人脸识别方法，从数据库中获取与该人脸图像中未被遮挡的人脸部分匹配的人脸模板，并获得匹配的人脸模板的身份信息作为该戴口罩的人脸图像的身份信息。本公开实施例提供的人脸识别方法还可以应用于其他涉及到需要应用人脸识别的领域。
本公开上述实施例提供的一种人脸识别方法，获取第一人脸图像的特征数据；对第一人脸图像的特征数据进行分割处理，得到多个分割特征；基于多个分割特征，确定数据库中的至少一个人脸模板中与第一人脸图像匹配的人脸模板，基于分割特征实现人脸模板的匹配，提高了人脸特别是存在部分遮挡的人脸的识别准确度。
在一个或多个可选的实施例中，步骤110包括：
获取第一人脸图像；
对第一人脸图像进行特征提取处理，得到第一人脸图像的特征数据。
可选地，本公开实施例获取第一人脸图像可以是通过摄像设备采集的图像或者从其他设备或本地存储单元中获取的图像，本公开实施例对获取第一人脸图像的具体方式不做限定；可选地，可通过深度神经网络对第一人脸图像进行特征提取处理，由于人脸图像之间的匹配可以基于人脸关键点进行匹配，因此，对第一人脸图像进行特征提取的网络可以是人脸关键点提取网络，或其他任意可实现特征提取的网络，例如，Mobile Net等，本公开实施例不限制获得特征数据的具体方式。
步骤120包括：利用分割神经网络对第一人脸图像的特征数据进行分割处理，获得多个分割特征。
本公开实施例通过分割神经网络实现对特征数据的分割处理，可选地，该分割神经网络可以包括一个或多个分割分支，每个分割部分对第一人脸图像的特征数据进行一个尺度的切分，例如，分割神经网络包括2个分割分支，一个分割分支将第一人脸图像的特征数据分割为大小相同的2个第一分割特征，另一个分割分支将第一人脸图像的特征数据分割为大小相同的3个第二分割特征；通过分割神经网络将对应第一人脸图像的特征数据分割为多个分割特征，每个分割特征将对应部分的人脸，这些分割特征对应的部分人脸中，可能存在被遮挡的人脸部分，此时，该分割特征将不能为人脸识别做出贡献，本公开实施例将以其他对应未被遮挡的人脸部分的分割特征实现人脸识别；通过利用分割神经网络获得分割特征的方式，将人脸识别的基础集中在人脸中未被遮挡的部分，提高了人脸特别是部分人脸被遮挡的人脸图像的识别准确性。
在一个或多个可选的实施例中，步骤120可以包括：
对第一人脸图像的特征数据进行至少两个不同尺度的分割处理，获得至少两组分割特征组。
其中，每组分割特征组包括多个分割特征。
可选地，由于人脸中每个部分的大小不同，例如，眼睛和鼻子在图像中的大小(例如，高度)不同，为了将不同大小的特征部位识别出来，本公开实施例通过至少两个不同尺度对第一人脸图像的特征数据进行分割处理，获得的每组分割特征组中包括的分割特征分别对应不同大小的人脸部位，提高了对人脸中每个部位的识别准确率。
本公开实施例进行至少一个尺度的切分处理时可以有较多的变形方式。例如，局部特征的粒度大小，可随遮挡类型变化，也可同时采用不同粒度尺度进行融合。
在一个或多个可选的实施例中，第一人脸图像的特征数据包括人脸特征图；步骤120包括：
对第一人脸图像的人脸特征图在高度上进行分割处理，得到多个分割特征图。
由于人脸具有对称的特征，并且，人脸特征点的分布通常在高度上有明显区分特征，例如，眼睛、鼻子、嘴分别分布在人脸的不同高度。为了提高效率，本公开实施例将人脸特征图仅在高度上进行分割，而不在宽度上进行分割；可选地，部分人脸被遮挡的人脸图像中通常遮挡的部分也是分布在不同高度上，例如：用口罩遮挡了嘴部和鼻子，用眼镜遮挡了眼睛部分，因此，本公开实施例通过在不同高度上对人脸特征图进行分割，由于人脸的对称性，本公开实施例中的分割部分仅在一个维度(例如，对应人脸纵轴方向的维度)上对全局特征进行切分，即简化了切分过程，提高了对部分人脸被遮挡的人脸图像的识别效率。
图2为本公开实施例提供的人脸识别方法的另一流程示意图。
步骤210，获取第一人脸图像的特征数据。
步骤220，对第一人脸图像的特征数据进行分割处理，得到多个分割特征。
可选地，本公开实施例可通过上述实施例任意一项提供的分割方法对第一人脸图像的特征数据进行分割处理，获得分割特征，以分割特征进行人脸识别，提高了人脸识别的效率和准确性。
步骤230，对多个分割特征中的每个分割特征进行非线性映射处理，得到每个分割特征对应的处理特征数据。
可选地，可以对至少一个分割特征进行自适应池化操作，获得多个分割特征可能是基于多个不同尺度的分割获得的，即，多个分割特征包括至少两种不同大小，为了实现多个分割特征之间的融合(例如，合并或连接等)处理，通过本公开实施例的自适应池化操作(adaptive pooling)将所有分割特征处理为相同大小。
步骤240，对多个分割特征中每个分割特征对应的处理特征数据进行融合处理，得到融合特征数据。
可选地，融合特征数据可以是特征数据，例如，是网络的倒数第二层输出的特征数据，最后一层用于concat。通过将处理特征数据进行融合处理，获得融合特征数据，其中，融合处理可以是连接处理或合并处理，本公开实施例不限制获得融合特征数据的具体方式。本公开实施例将第一人脸图像对应的所有操作后相同大小的分割特征进行合并，可选地，可以在维度上进行拼接，例如，将两个3维分割特征合并为6维的融合特征数据。
步骤250，基于融合特征数据，确定数据库中的至少一个人脸模板中与第一人脸图像匹配的人脸模板。
可选地，数据库中保存了多个人脸模板及其对应的经过处理的特征数据，通过融合特征数据与数据库中保存的特征数据进行相似度比较(例如，基于融合特征户籍与保存的特征数据之间的距离确定相似度，其中距离可以为欧式距离或余弦距离等)，基于相似度从数据库中筛选获得与融合特征数据匹配的特征数据，并基于特征数据获得对应的人脸模板。可选地，数据库中还可能仅保存了多个人脸模板，此时，在确定与第一人脸图像匹配的人脸模板之前，需要对人脸模板进行特征提取，特征分割处理，和分割处理后的特征的融合处理，获得对应人脸模板的特征数据，基于特征数据与融合特征数据之间的相似度确定与第一人脸图像匹配的人脸模板。
可选地，步骤250包括：
获取至少一个人脸模板中每个人脸模板对应的参考融合数据。
基于融合特征数据和至少一个人脸模板中每个人脸模板对应的参考融合数据之间的相似度，确定至少一个人脸模板中与第一人脸图像匹配的人脸模板。
其中，人脸模板对应的参考融合数据是基于人脸模板对应的多个参考分割特征得到的。
本公开实施例对应数据库中仅保存人脸模板的情况，此时，为了实现从多个人脸模板中筛选获得与第一人脸图像匹配的人脸模板，需要对人脸模板进行处理，以获得与融合特征数据能够进行相似度处理的参考融合数据，由于人脸模板中包括部分或全部人脸，因此，在获得参考融合数据时，同样需要对人脸模板进行处理，获得多个参考分割特征，基于多个参考分割特征才能确定人脸模板中具有标志性的人脸特征，以提高人脸模板匹配的准确性。
可选地，获取至少一个人脸模板中每个人脸模板对应的参考融合数据，包括：
对人脸模板包括的参考人脸图像进行特征提取处理，获得参考特征数据；
对参考特征数据进行分割处理，得到多个参考分割特征；
基于多个参考分割特征，得到参考融合数据。
本公开实施例中，对人脸模板的处理与对第一人脸图像的处理类似，需要对人脸模板包括的参考人脸图像进行特征提取处理，可选地，该特征提取处理可以与对第一人脸图像进行特征提取采用相同或相似的特征提取网络，或其他可实现特征提取的神经网络，本公开实施例不限制获得参考特征数据的具体方式。可选地，对参考特征数据进行分割处理的方式可参照上述对第一人脸图像的特征数据的分割处理方法，可选地，将多个参考分割特征进行融合处理，获得参考融合数据，融合处理可参照对第一人脸图像的多个分割特征的融合处理或其他融合处理方式。
可选地，采用相同结构的深度神经网络对第一人脸图像和人脸模板进行处理，实现，第一人脸图像经过处理获得的分割特征的数量和每个人脸模板经过处理获得的参考分割特征的数量相同，例如，通过第一神经网络对第一人脸图像进行处理，获得5个分割特征，通过第一神经网络对3个人脸模板分别进行处理，获得15个参考分割特征，每个人脸模板对应5个参考分割特征。
在一个或多个可选的实施例中，第一人脸图像中的部分人脸被遮挡。
本公开实施例对于部分人脸被遮挡的人脸图像具有更好的识别效果，即，当第一人脸图像中的部分人脸被遮挡时，通过对第一人脸图像的特征数据进行分割，实现了将识别重点放在未被遮挡的部分，提高了部分人脸被遮挡的人脸图像的识别准确性。
在一个或多个可选的实施例中，本公开实施例提供的人脸识别方法通过人脸识别网络实现；
在执行步骤110之前，还包括：
获取样本人脸图像的样本图像特征；
利用人脸识别网络对样本图像特征进行至少一种尺度的分割处理，获得样本图像对应的多个样本分割特征；
利用人脸识别网络对多个样本分割特征中的每个样本分割特征进行分类处理，获得每个样本分割特征的预测类别；
基于多个样本分割特征对应的预测类别，调整人脸识别网络的网络参数。
为了使人脸识别网络能更准确快速的实现人脸识别，本公开实施例通过样本图像对人脸识别网络进行训练，其中，可选地，样本图像中包括具有部分人脸的样本图像和具有全部人脸的样本图像，使训练得到的人脸识别网络对具有部分人脸的人脸图像具有更好的识别效果，可选地，本公开实施例中每个样本图像包括标注类别，其标注类别可以是标注的对应人的身份ID等用于识别属于不同人的信息，即本公开实施例将每个人作为一个类别，可以对每个人设置不同的编号或身份ID等识别信息，可利用这些识别信息对多个人进行分类；在训练之前对于样本图像集是已知对应的人的数量的，即已知分类类别，例如，100个样本图像对应10个人，即包括10个分类类别。
一个或多个可选的实施例中，基于多个样本分割特征对应的预测类别，调整人脸识别网络的网络参数，包括：
基于多个样本分割特征对应的预测类别和样本人脸图像对应的标注类别获得多个损失；
基于多个损失调整人脸识别网络的网络参数。
本公开实施例中多个预测类别中的每个预测类别和标注类别都可获得一个损失，这些损失分别对应样本人脸图像中的部分人脸，为了达到训练人脸识别网络的目的，需要结合所有损失对第一神经网络进行训练。可选地，对多个损失求和，获得网络损失；基于网络损失调整人脸识别网络的网络参数。为了提高训练速度和训练效果，可选地，通过对对应所有预测类别的损失进行求和，以获得的和作为网络损失对人脸识别网络进行参数调整，可选地，对对应所有分类结果的损失进行求和可基于以下公式(1)实现：
Figure BDA0002001492320000131
其中：S表示切分尺度，Ps表示切分尺度为s时的所有局部部分；C表示总的类别数；xi表示一个输入样本，yi,c表示xi是否属于类c的类别标记，当xi属于类c时yi,c＝1，否则yi,c＝0；
Figure BDA0002001492320000132
表示在输入为xi时模型输出s尺度下p部分属于类c的概率得分，范围在0到1之间。
在一个或多个可选的实施例中，在获取样本人脸图像的样本图像特征之前，还包括：
基于采集的原始图像集获得样本人脸图像。
其中，原始图像中包括完整人脸。
为了克服现有技术中在仅拥有正常无遮挡数据的情况下，需要额外获取带有特定遮挡类型的数据，才能完成针对遮挡场景的特定模型训练的问题，本公开实施例基于采集获得具有完整人脸(无遮挡)的原始图像经过处理获得多个具有完整人脸和具有部分人脸(有特征遮挡)的样本人脸图像，解决了样本人脸图像难以获取或数量较少的问题，提高了训练效果。
可选地，基于采集的原始图像获得样本人脸图像，包括：
对原始图像进行至少一种部分人脸遮挡处理，获得至少一个部分人脸被遮挡的遮挡图像，每种部分人脸遮挡处理遮挡不同的人脸部分；
将原始图像和获得的至少一个遮挡图像分别作为样本人脸图像。
本公开实施例可以将任意的正常人脸图像(包括全部人脸，对应本公开实施例的原始图像)转化为含有特定遮挡的遮挡图像(包括部分人脸)。对于一张正常无遮挡的正常人脸图像，可选地，利用人脸关键点检测技术可以获取人脸图像中关键部件(眼部、口部等)的位置，在相应部位生成特定的遮挡，即获得遮挡图像，例如，例如人脸关键词检测技术获得原始图像中的眼部的位置，对应的，在眼部位置生成眼镜进行遮挡原始图像中人脸的眼部位置，获得眼部被遮挡的遮挡图像。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
图3为本公开实施例提供的人脸识别装置的结构示意图。可选地，该装置可用于实现本公开上述各方法实施例。如图3所示，该装置包括：
特征获取单元31，用于获取第一人脸图像的特征数据。
分割处理单元32，用于对第一人脸图像的特征数据进行分割处理，得到多个分割特征。
人脸匹配单元33，用于基于多个分割特征，确定数据库中的至少一个人脸模板中与第一人脸图像匹配的人脸模板。
本公开上述实施例提供的一种人脸识别装置，获取第一人脸图像的特征数据；对第一人脸图像的特征数据进行分割处理，得到多个分割特征；基于多个分割特征，确定数据库中的至少一个人脸模板中与第一人脸图像匹配的人脸模板，基于分割特征实现人脸模板的匹配，提高了人脸特别是存在部分遮挡的人脸的识别准确度。
可选地，特征获取单元31，具体用于获取第一人脸图像；对第一人脸图像进行特征提取处理，得到第一人脸图像的特征数据。
在一个或多个可选的实施例中，分割处理单元32，用于利用分割神经网络对第一人脸图像的特征数据进行分割处理，获得多个分割特征。
可选地，分割处理单元32，用于对第一人脸图像的特征数据进行至少两个不同尺度的分割处理，获得至少两组分割特征组。
其中，每组分割特征组包括多个分割特征。
在一个或多个可选的实施例中，第一人脸图像的特征数据包括人脸特征图；
分割处理单元32，用于对第一人脸图像的人脸特征图在高度上进行分割处理，得到多个分割特征图。
在一个或多个可选的实施例中，人脸匹配单元33，包括：
映射处理模块，用于对多个分割特征中的每个分割特征进行非线性映射处理，得到每个分割特征对应的处理特征数据；
融合处理模块，用于对多个分割特征中每个分割特征对应的处理特征数据进行融合处理，得到融合特征数据；
匹配人脸模块，用于基于融合特征数据，确定数据库中的至少一个人脸模板中与第一人脸图像匹配的人脸模板。
可选地，数据库中保存了多个人脸模板及其对应的经过处理的特征数据，通过融合特征数据与数据库中保存的特征数据进行相似度比较(例如，基于融合特征户籍与保存的特征数据之间的距离确定相似度，其中距离可以为欧式距离或余弦距离等)，基于相似度从数据库中筛选获得与融合特征数据匹配的特征数据，并基于特征数据获得对应的人脸模板。可选地，数据库中还可能仅保存了多个人脸模板，此时，在确定与第一人脸图像匹配的人脸模板之前，需要对人脸模板进行特征提取，特征分割处理，和分割处理后的特征的融合处理，获得对应人脸模板的特征数据，基于特征数据与融合特征数据之间的相似度确定与第一人脸图像匹配的人脸模板。
可选地，匹配人脸模块，具体用于获取至少一个人脸模板中每个人脸模板对应的参考融合数据，其中，人脸模板对应的参考融合数据是基于人脸模板对应的多个参考分割特征得到的；基于融合特征数据和至少一个人脸模板中每个人脸模板对应的参考融合数据之间的相似度，确定至少一个人脸模板中与第一人脸图像匹配的人脸模板。
可选地，匹配人脸模块在获取至少一个人脸模板中每个人脸模板对应的参考融合数据时，用于对人脸模板包括的参考人脸图像进行特征提取处理，获得参考特征数据；对参考特征数据进行分割处理，得到多个参考分割特征；基于多个参考分割特征，得到参考融合数据。
可选地，第一人脸图像中的部分人脸被遮挡。
可选地，本申请实施例提供的装置利用人脸识别网络实现；
本申请实施例提供的装置还包括：
样本特征获取单元，用于获取样本人脸图像的样本图像特征；
样本分割单元，用于利用人脸识别网络对样本图像特征进行至少一种尺度的分割处理，获得样本图像对应的多个样本分割特征；
类别预测单元，用于利用人脸识别网络对多个样本分割特征中的每个样本分割特征进行分类处理，获得每个样本分割特征的预测类别；
网络训练单元，用于基于多个样本分割特征对应的预测类别，调整人脸识别网络的网络参数。
可选地，本申请实施例提供的装置还包括：
样本图像获取单元，用于基于采集的原始图像获得样本人脸图像，原始图像中包括完整人脸。
可选地，样本图像获取单元，包括：
遮挡处理模块，用于对原始图像进行至少一种部分人脸遮挡处理，获得至少一个部分人脸被遮挡的遮挡图像，每种部分人脸遮挡处理遮挡不同的人脸部分；
样本获得模块，用于将原始图像和获得的至少一个遮挡图像分别作为样本人脸图像。
可选地，遮挡处理模块，用于针对每种部分人脸遮挡处理，利用任意像素替换原始图像中的部分人脸，获得部分人脸被遮挡的遮挡图像。
可选地，样本图像获取单元，还包括：
遮挡物获取模块，用于获取原始遮挡图像，原始遮挡图像中的部分人脸被遮挡物遮挡；获取原始遮挡图像中的遮挡物对应的遮挡物图像；
遮挡处理模块，用于针对每种部分人脸遮挡处理，利用遮挡物图像替换原始图像中的部分人脸，获得部分人脸被遮挡的遮挡图像。
可选地，遮挡处理模块，还用于对遮挡物图像执行缩放处理，获得缩放处理后的遮挡物图像；利用缩放处理后的遮挡物图像替换原始图像中与遮挡物图像中遮挡物对应的人脸部分，获得部分人脸被遮挡的遮挡图像。
本申请上述实施例提供的人脸识别装置所执行的操作，可以参见上述人脸识别方法实施方式中的描述。在此不再重复说明。
图4为本公开实施例提供的人脸识别网络的训练方法的一个流程示意图。
步骤410，获取样本人脸图像的样本图像特征。
可选地，本公开实施例可通过人脸识别网络中的特征提取部分对样本疼了图像实现特征提取，获得样本图像特征，该特征提取部分的结构可以采用任意可实现图像特征提取的深度神经网络的结构，本公开不限制人脸识别网络中特征提取部分的具体结构。
步骤420，利用人脸识别网络对样本图像特征进行至少一种尺度的分割处理，获得样本图像对应的多个样本分割特征。
可选地，由于样本人脸图像中可能包括完整人脸或部分人脸，即可能存在部分人脸被遮挡的现象，为了对样本人脸图像中的人脸进行准确的分类，将样本人脸图像分割为多个样本分割特征，并分别基于每个样本分割特征对样本人脸图像中的人脸进行分类。
步骤430，利用人脸识别网络对多个样本分割特征中的每个样本分割特征进行分类处理，获得每个样本分割特征的预测类别。
本公开通过分别对多个样本分割特征进行类别预测，获得多个预测类别，实现对每个样本图像特征进行分割的网络部分进行训练，以提高后续使用人脸识别网络时，对人脸图像更有效的分割。
步骤440，基于多个样本分割特征对应的预测类别，调整人脸识别网络的网络参数。
可选地，每个样本人脸图像包括多个标注类别，可基于多个预测类别和多个标注类别对人脸识别网络进行参数调整，可选地，多个预测类别中的每个预测类别和标注类别都可获得一个损失，这些损失分别对应样本人脸图像中的部分人脸，为了达到训练人脸识别网络的目的，需要结合所有损失对第一神经网络进行训练。可选地，对多个损失求和，获得网络损失；基于网络损失调整人脸识别网络的网络参数。为了提高训练速度和训练效果，可选地，通过对对应所有预测类别的损失进行求和，以获得的和作为网络损失对人脸识别网络进行参数调整。
通过本公开实施例提供的人脸识别网络的训练方法获得的人脸识别网络，可将人脸图像进行分割，以分割特征作为人脸识别的基础，提高了对部分人脸被遮挡的人脸图像的人脸识别准确性。
可选地，在获取样本人脸图像的样本图像特征之前，还包括：
基于采集的原始图像获得样本人脸图像。
其中，原始图像中包括完整人脸。
为了克服现有技术中在仅拥有正常无遮挡数据的情况下，需要额外获取带有特定遮挡类型的数据，才能完成针对遮挡场景的特定模型训练的问题，本公开实施例基于采集获得具有完整人脸(无遮挡)的原始图像经过处理获得多个具有完整人脸和具有部分人脸(有特征遮挡)的样本人脸图像，解决了样本人脸图像难以获取或数量较少的问题，提高了训练效果。
可选地，基于采集的原始图像获得样本人脸图像，包括：
对原始图像进行至少一种部分人脸遮挡处理，获得至少一个部分人脸被遮挡的遮挡图像，每种部分人脸遮挡处理遮挡不同的人脸部分；
将原始图像和获得的至少一个遮挡图像分别作为样本人脸图像。
本公开实施例可以将任意的正常人脸图像(包括全部人脸，对应本公开实施例的原始图像)转化为含有特定遮挡的遮挡图像(部分人脸被遮挡)。对于一张正常无遮挡的正常人脸图像，可选地，利用人脸关键点检测技术可以获取人脸图像中关键部件(眼部、口部等)的位置，在相应部位生成特定的遮挡，即获得遮挡图像，例如，例如人脸关键词检测技术获得原始图像中的眼部的位置，对应的，在眼部位置生成眼镜进行遮挡原始图像中人脸的眼部位置，获得眼部被遮挡的遮挡图像。
可选的，对原始图像进行至少一种部分人脸遮挡处理，获得至少一个部分人脸被遮挡的遮挡图像，包括：
针对每种部分人脸遮挡处理，利用任意像素替换原始图像中的部分人脸，获得部分人脸被遮挡的遮挡图像。
可选地，对原始图像中的部分人脸进行遮挡的生成有两种方式，一种是使用随机填充的方式，替换原图中相应位置的像素，本公开实施例不限制具体填充的方式，例如，可通过将需要填充的位置用黑色进行填充，实现遮挡。
另一种是利用已有的从真实场景中获取的遮挡物模板(帽子、墨镜、口罩等)，采用贴图的方式更真实地模拟实际场景下的遮挡数据。遮挡物的适配以一定的随机性进行细微的位置变化和尺寸变化，用以增加遮挡数据的多样性。可选地，获取原始遮挡图像，获取原始遮挡图像中的遮挡物对应的遮挡物图像；针对每种部分人脸遮挡处理，利用遮挡物图像替换原始图像中的部分人脸，获得部分人脸被遮挡的遮挡图像。
其中，原始遮挡图像中的部分人脸被遮挡物遮挡。
本公开实施例通过在实际场景中获取遮挡物图像，该遮挡物通常从原始遮挡图像中获取，这些原始遮挡图像对应一些采集到的包括部分人脸和遮挡物的人脸图像，可选地，通过对原始遮挡图像中的遮挡物进行分割，获得遮挡物图像，以遮挡物作为填充替换原始图像中的部分人脸，实现对原始图像中部分人脸的遮挡，获得遮挡图像。
可选地，利用遮挡物图像替换原始图像中的部分人脸，获得部分人脸被遮挡的遮挡图像之前，还包括：
对遮挡物图像执行缩放处理，获得缩放处理后的遮挡物图像；
利用遮挡物图像替换原始图像中的部分人脸，获得部分人脸被遮挡的遮挡图像，包括：
利用缩放处理后的遮挡物图像替换原始图像中与遮挡物图像中遮挡物对应的人脸部分，获得部分人脸被遮挡的遮挡图像。
由于遮挡部分人脸的原始遮挡图像较难获得，因此，如果基于每个遮挡物图像对每个原始图像生成一个遮挡图像，将导致遮挡图像的比例不能达到训练需求，本公开实施例通过对遮挡物图像进行缩放处理，获得不同尺寸的多个遮挡物图像，以不同尺寸的遮挡物图像对原始图像进行部分人脸替换，将获得更多适用更多场景的遮挡图像，可提高第一神经网络的训练效果。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
图5为本公开实施例提供的人脸识别网络的训练装置的结构示意图。可选地，该装置可用于实现本公开上述各方法实施例。如图5所示，该装置包括：
样本特征获取单元51，用于获取样本人脸图像的样本图像特征。
样本分割单元52，用于利用人脸识别网络对样本图像特征进行至少一种尺度的分割处理，获得样本图像对应的多个样本分割特征。
类别预测单元53，用于利用人脸识别网络对多个样本分割特征中的每个样本分割特征进行分类处理，获得每个样本分割特征的预测类别。
网络训练单元54，用于基于多个样本分割特征对应的预测类别，调整人脸识别网络的网络参数。
本公开通过分别对多个样本分割特征进行类别预测，获得多个预测类别，实现对每个样本图像特征进行分割的网络部分进行训练，以提高后续使用人脸识别网络时，对人脸图像更有效的分割。可选地，每个样本人脸图像包括多个标注类别，可基于多个预测类别和多个标注类别对人脸识别网络进行参数调整，可选地，多个预测类别中的每个预测类别和标注类别都可获得一个损失，这些损失分别对应样本人脸图像中的部分人脸，为了达到训练人脸识别网络的目的，需要结合所有损失对第一神经网络进行训练。可选地，对多个损失求和，获得网络损失；基于网络损失调整人脸识别网络的网络参数。为了提高训练速度和训练效果，可选地，通过对对应所有预测类别的损失进行求和，以获得的和作为网络损失对人脸识别网络进行参数调整。
可选地，本申请实施例提供的装置还包括：
样本图像获取单元，用于基于采集的原始图像获得样本人脸图像，原始图像中包括完整人脸。
可选地，样本图像获取单元51，包括：
遮挡处理模块，用于对原始图像进行至少一种部分人脸遮挡处理，获得至少一个部分人脸被遮挡的遮挡图像，每种部分人脸遮挡处理遮挡不同的人脸部分；
样本获得模块，用于将原始图像和获得的至少一个遮挡图像分别作为样本人脸图像。
可选地，遮挡处理模块，用于针对每种部分人脸遮挡处理，利用任意像素替换原始图像中的部分人脸，获得部分人脸被遮挡的遮挡图像。
可选地，样本图像获取单元51，还包括：
遮挡物获取模块，用于获取原始遮挡图像，原始遮挡图像中的部分人脸被遮挡物遮挡；获取原始遮挡图像中的遮挡物对应的遮挡物图像；
遮挡处理模块，用于针对每种部分人脸遮挡处理，利用遮挡物图像替换原始图像中的部分人脸，获得部分人脸被遮挡的遮挡图像。
可选地，遮挡处理模块，还用于对遮挡物图像执行缩放处理，获得缩放处理后的遮挡物图像；利用缩放处理后的遮挡物图像替换原始图像中与遮挡物图像中遮挡物对应的人脸部分，获得部分人脸被遮挡的遮挡图像。
本申请上述实施例提供的人脸识别网络的训练装置所执行的操作，可以参见上述人脸识别网络的训练方法实施方式中的描述。在此不再重复说明。
图6为本公开实施例提供的人脸识别网络的训练方法的另一流程示意图。
步骤610，获取包括完整人脸的原始图像。
可选地，获取原始图像的方法可以是通过摄像装置进行采集，或从相册或其他图像数据库中获取原始图像，本公开实施例不限制获取原始图像的具体方式。
步骤620，对原始图像进行至少一种部分人脸遮挡处理，获得至少一个部分人脸被遮挡的遮挡图像。
其中，每种部分人脸遮挡处理遮挡不同的人脸部分。
本公开实施例通过遮挡部分人脸，获得含有特定遮挡的遮挡图像(部分人脸被遮挡)，以提高训练的人脸识别网络对部分人脸被遮挡的人脸图像的识别准确率，并且，每种部分人脸遮挡处理遮挡不同的人脸部分，提高了人脸识别网络的适用范围，具有更强的实用性。
步骤630，将原始图像和获得的至少一个遮挡图像分别作为样本人脸图像。
本公开实施例基于原始图像经过处理获得多个具有完整人脸和具有部分人脸(有特征遮挡)的样本人脸图像，解决了样本人脸图像难以获取或数量较少的问题，提高了训练效果。
步骤640，获取样本人脸图像的样本图像特征。
步骤650，利用人脸识别网络对样本图像特征进行至少一种尺度的分割处理，获得样本图像对应的多个样本分割特征。
步骤660，利用人脸识别网络对多个样本分割特征中的每个样本分割特征进行分类处理，获得每个样本分割特征的预测类别。
步骤670，基于多个样本分割特征对应的预测类别，调整人脸识别网络的网络参数。
本公开上述实施例提供的人脸识别网络的训练方法，其样本人脸图像是基于包括完整人脸的原始图像获得的，无需在实际中采集大量具有遮挡物的样本人脸图像，减少了获取样本人脸图像的难度，解决了样本人脸图像难以获取或数量较少的问题，并且，通过对原始图像进行部分人脸遮挡，获得多种不同部分被遮挡的遮挡图像，使训练得到的人脸识别网络同时适用于对包括完整人脸和部分人脸的人脸图像进行识别，特别是对部分人脸部分被遮挡的人脸图像具有更好的识别效果。
可选的，对原始图像进行至少一种部分人脸遮挡处理，获得至少一个部分人脸被遮挡的遮挡图像，包括：
针对每种部分人脸遮挡处理，利用任意像素替换原始图像中的部分人脸，获得部分人脸被遮挡的遮挡图像。
可选地，对原始图像中的部分人脸进行遮挡的生成有两种方式，一种是使用随机填充的方式，替换原图中相应位置的像素，本公开实施例不限制具体填充的方式，例如，可通过将需要填充的位置用黑色进行填充，实现遮挡。
另一种是利用已有的从真实场景中获取的遮挡物模板(帽子、墨镜、口罩等)，采用贴图的方式更真实地模拟实际场景下的遮挡数据。遮挡物的适配以一定的随机性进行细微的位置变化和尺寸变化，用以增加遮挡数据的多样性。可选地，获取原始遮挡图像，获取原始遮挡图像中的遮挡物对应的遮挡物图像；针对每种部分人脸遮挡处理，利用遮挡物图像替换原始图像中的部分人脸，获得部分人脸被遮挡的遮挡图像。
其中，原始遮挡图像中的部分人脸被遮挡物遮挡。
本公开实施例通过在实际场景中获取遮挡物图像，该遮挡物通常从原始遮挡图像中获取，这些原始遮挡图像对应一些采集到的包括部分人脸和遮挡物的人脸图像，可选地，通过对原始遮挡图像中的遮挡物进行分割，获得遮挡物图像，以遮挡物作为填充替换原始图像中的部分人脸，实现对原始图像中部分人脸的遮挡，获得遮挡图像。
可选地，利用遮挡物图像替换原始图像中的部分人脸，获得部分人脸被遮挡的遮挡图像之前，还包括：
对遮挡物图像执行缩放处理，获得缩放处理后的遮挡物图像；
利用遮挡物图像替换原始图像中的部分人脸，获得部分人脸被遮挡的遮挡图像，包括：
利用缩放处理后的遮挡物图像替换原始图像中与遮挡物图像中遮挡物对应的人脸部分，获得部分人脸被遮挡的遮挡图像。
由于遮挡部分人脸的原始遮挡图像较难获得，因此，如果基于每个遮挡物图像对每个原始图像生成一个遮挡图像，将导致遮挡图像的比例不能达到训练需求，本公开实施例通过对遮挡物图像进行缩放处理，获得不同尺寸的多个遮挡物图像，以不同尺寸的遮挡物图像对原始图像进行部分人脸替换，将获得更多适用更多场景的遮挡图像，可提高第一神经网络的训练效果。
图7为本公开实施例提供的人脸识别网络的训练方法的一个网络结构示意图。如图7所示，训练方法包括以下步骤：
1)基础模型部分(对应本公开上述实施例的特征提取部分)可以采用已有的网络(如Mobile Net等)，可调整相应的网络结构提取合适大小(这里的大小可通过在输入人脸图片是对人脸图片进行缩放处理，获得相同大小的人脸图片)的全局特征。
2)获取全局特征后在特征图的“高”(对应人脸在纵向坐标方向)这一维度上进行细粒度(对应上述实施例的切分尺度)的切分；考虑到人脸的对称性，不进行“宽”这一维度的切分。
3)切分粒度的选择根据实际效果进行经验调整，切分块数越多，越能获取细粒度的局部特征；可同时进行多个粒度(对应多不不同的分割部分)的切割，例如，同时分为上下2块和3块；
4)对切分出的多尺度细粒度特征(对应上述实施例中的样本分割特征)分别输入分类器进行分类，分类结果均与输入图片的个体类别数量保持一致；基于各切分尺度下各部分样本分割特征经过分类损失函数的和作为第一神经网络的网络损失。
利用正常无遮挡数据来生成特定遮挡数据的生成方式，并使用特殊设计的网络结构促进模型训练过程中局部特征的提取。数据生成方式大致如下：首先基于人脸关键点检测的方法，检测出人脸中关键部位(眼部、鼻部、口部)，并将虚拟的帽子、口罩，墨镜等部件进行相应的变换附加到原始图片上，最终合成带有相应遮挡物的人脸图片。在模型训练过程中，在已有的神经网络模型的基础上，对相应层的输出特征进行多粒度的分割，并对分割出的各粒度下的局部特征引入分类损失函数。本公开实施例提高了遮挡条件下的人脸识别的鲁棒性。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
图8为本公开实施例提供的人脸识别网络的训练装置的结构示意图。可选地，该装置可用于实现本公开上述各方法实施例。如图8所示，该装置包括：
原始图像采集单元81，用于获取包括完整人脸的原始图像。
遮挡处理单元82，用于对原始图像进行至少一种部分人脸遮挡处理，获得至少一个部分人脸被遮挡的遮挡图像，每种部分人脸遮挡处理遮挡不同的人脸部分。
样本获得单元83，用于将原始图像和获得的至少一个遮挡图像分别作为样本人脸图像。
样本特征获取单元84，用于获取样本人脸图像的样本图像特征。
样本分割单元85，用于利用人脸识别网络对样本图像特征进行至少一种尺度的分割处理，获得样本图像对应的多个样本分割特征。
类别预测单元86，用于利用人脸识别网络对多个样本分割特征中的每个样本分割特征进行分类处理，获得每个样本分割特征的预测类别。
网络训练单元87，用于基于多个样本分割特征对应的预测类别，调整人脸识别网络的网络参数。
本公开上述实施例提供的人脸识别网络的训练装置，其样本人脸图像是基于包括完整人脸的原始图像获得的，无需在实际中采集大量具有遮挡物的样本人脸图像，减少了获取样本人脸图像的难度，解决了样本人脸图像难以获取或数量较少的问题，并且，通过对原始图像进行部分人脸遮挡，获得多种不同部分被遮挡的遮挡图像，使训练得到的人脸识别网络同时适用于对包括完整人脸和部分人脸的人脸图像进行识别，特别是对部分人脸部分被遮挡的人脸图像具有更好的识别效果。
可选地，遮挡处理单元82，用于针对每种部分人脸遮挡处理，利用任意像素替换原始图像中的部分人脸，获得部分人脸被遮挡的遮挡图像。
可选地，本申请实施例提供的装置还包括：
遮挡物获取单元，用于获取原始遮挡图像，原始遮挡图像中的部分人脸被遮挡物遮挡；获取原始遮挡图像中的遮挡物对应的遮挡物图像；
遮挡处理单元，用于针对每种部分人脸遮挡处理，利用遮挡物图像替换原始图像中的部分人脸，获得部分人脸被遮挡的遮挡图像。
可选地，遮挡处理单元，还用于对遮挡物图像执行缩放处理，获得缩放处理后的遮挡物图像；利用缩放处理后的遮挡物图像替换原始图像中与遮挡物图像中遮挡物对应的人脸部分，获得部分人脸被遮挡的遮挡图像。
根据本公开实施例的另一方面，提供了一种人脸识别方法，包括：
获取第一人脸图像；
利用人脸识别网络对第一人脸图像进行处理，得到第一人脸图像的识别结果。
其中，人脸识别网络是通过上述任一实施例提供的人脸识别网络的训练方法训练得到的。
根据本公开实施例的另一方面，还提供了一种人脸识别装置，包括：
图像获取单元，用于获取第一人脸图像；
人脸识别单元，用于利用人脸识别网络对所述第一人脸图像进行处理，得到所述第一人脸图像的识别结果。
其中，人脸识别网络是通过上述任一实施例提供的人脸识别网络的训练方法训练得到的。
根据本公开实施例的又一方面，提供的一种电子设备，包括处理器，所述处理器包括上述任意一项实施例所述的人脸识别装置，或包括上述任意一项实施例所述的人脸识别网络的训练装置。
根据本公开实施例的还一方面，提供的一种电子设备，包括：存储器，用于存储可执行指令；
以及处理器，用于与所述存储器通信以执行所述可执行指令从而完成上述任意一项实施例所述的人脸识别方法的操作，或者完成上述任意一项实施例所述的人脸识别网络的训练方法的操作。
根据本公开实施例的再一方面，提供的一种计算机可读存储介质，用于存储计算机可读取的指令，所述指令被执行时执行上述任意一项实施例所述的人脸识别方法的操作，或者完成上述任意一项实施例所述的人脸识别网络的训练方法的操作。
根据本公开实施例的再一方面，提供的一种计算机程序产品，包括计算机可读代码，当所述计算机可读代码在设备上运行时，所述设备中的处理器执行用于实现上述任意一项实施例所述的人脸识别方法的指令，或者完成上述任意一项实施例所述的人脸识别网络的训练方法的指令。
根据本公开实施例的再一个方面，提供的另一种计算机程序产品，用于存储计算机可读指令，所述指令被执行时使得计算机执行上述任一可能的实现方式中所述人脸识别方法或人脸识别网络的训练方法的操作。
该计算机程序产品可以具体通过硬件、软件或其结合的方式实现。在一个可选例子中，所述计算机程序产品具体体现为计算机存储介质，在另一个可选例子中，计算机程序产品具体体现为软件产品，例如软件开发包(Software Development Kit，SDK)等等。
根据本公开实施例还提供了另一种人脸识别及人脸识别网络的训练方法和装置、电子设备、计算机存储介质、计算机程序产品，其中，获取样本人脸图像的样本图像特征；利用所述人脸识别网络对所述样本图像特征进行至少一种尺度的分割处理，获得所述样本图像对应的多个样本分割特征；利用所述人脸识别网络对所述多个样本分割特征中的每个样本分割特征进行分类处理，获得所述每个样本分割特征的预测类别；基于所述多个样本分割特征对应的预测类别，调整所述人脸识别网络的网络参数。
应理解，本公开实施例中的“第一”、“第二”等术语仅仅是为了区分，而不应理解成对本公开实施例的限定。
还应理解，在本公开中，“多个”可以指两个或两个以上，“至少一个”可以指一个、两个或两个以上。
还应理解，对于本公开中提及的任一部件、数据或结构，在没有明确限定或者在前后文给出相反启示的情况下，一般可以理解为一个或多个。
还应理解，本公开对各个实施例的描述着重强调各个实施例之间的不同之处，其相同或相似之处可以相互参考，为了简洁，不再一一赘述。
本公开实施例还提供了一种电子设备，例如可以是移动终端、个人计算机(PC)、平板电脑、服务器等。下面参考图9，其示出了适于用来实现本公开实施例的终端设备或服务器的电子设备900的结构示意图：如图9所示，电子设备900包括一个或多个处理器、通信部等，所述一个或多个处理器例如：一个或多个中央处理单元(CPU)901，和/或一个或多个图像处理器(GPU)913等，处理器可以根据存储在只读存储器(ROM)902中的可执行指令或者从存储部分908加载到随机访问存储器(RAM)903中的可执行指令而执行各种适当的动作和处理。通信部912可包括但不限于网卡，所述网卡可包括但不限于IB(Infiniband)网卡。
处理器可与只读存储器902和/或随机访问存储器903中通信以执行可执行指令，通过总线904与通信部912相连、并经通信部912与其他目标设备通信，从而完成本公开实施例提供的任一项方法对应的操作，例如，获取第一人脸图像的特征数据；对第一人脸图像的特征数据进行分割处理，得到多个分割特征；基于多个分割特征，确定数据库中的至少一个人脸模板中与第一人脸图像匹配的人脸模板。或者，获取样本人脸图像的样本图像特征；利用人脸识别网络对样本图像特征进行至少一种尺度的分割处理，获得样本图像对应的多个样本分割特征；利用人脸识别网络对多个样本分割特征中的每个样本分割特征进行分类处理，获得每个样本分割特征的预测类别；基于多个样本分割特征对应的预测类别，调整人脸识别网络的网络参数。
此外，在RAM 903中，还可存储有装置操作所需的各种程序和数据。CPU901、ROM902以及RAM903通过总线904彼此相连。在有RAM903的情况下，ROM902为可选模块。RAM903存储可执行指令，或在运行时向ROM902中写入可执行指令，可执行指令使中央处理单元901执行上述通信方法对应的操作。输入/输出(I/O)接口905也连接至总线904。通信部912可以集成设置，也可以设置为具有多个子模块(例如多个IB网卡)，并在总线链接上。
以下部件连接至I/O接口905：包括键盘、鼠标等的输入部分906；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分907；包括硬盘等的存储部分908；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分909。通信部分909经由诸如因特网的网络执行通信处理。驱动器910也根据需要连接至I/O接口905。可拆卸介质911，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器910上，以便于从其上读出的计算机程序根据需要被安装入存储部分908。
需要说明的，如图9所示的架构仅为一种可选实现方式，在具体实践过程中，可根据实际需要对上述图9的部件数量和类型进行选择、删减、增加或替换；在不同功能部件设置上，也可采用分离设置或集成设置等实现方式，例如GPU913和CPU901可分离设置或者可将GPU913集成在CPU901上，通信部可分离设置，也可集成设置在CPU901或GPU913上，等等。这些可替换的实施方式均落入本公开公开的保护范围。
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，其包括有形地包含在机器可读介质上的计算机程序，计算机程序包含用于执行流程图所示的方法的程序代码，程序代码可包括对应执行本公开实施例提供的方法步骤对应的指令，例如，获取第一人脸图像的特征数据；对第一人脸图像的特征数据进行分割处理，得到多个分割特征；基于多个分割特征，确定数据库中的至少一个人脸模板中与第一人脸图像匹配的人脸模板。或者，获取样本人脸图像的样本图像特征；利用人脸识别网络对样本图像特征进行至少一种尺度的分割处理，获得样本图像对应的多个样本分割特征；利用人脸识别网络对多个样本分割特征中的每个样本分割特征进行分类处理，获得每个样本分割特征的预测类别；基于多个样本分割特征对应的预测类别，调整人脸识别网络的网络参数。在这样的实施例中，该计算机程序可以通过通信部分909从网络上被下载和安装，和/或从可拆卸介质911被安装。在该计算机程序被中央处理单元(CPU)901执行时，执行本公开的方法中限定的上述功能的操作。
可能以许多方式来实现本公开的方法和装置。例如，可通过软件、硬件、固件或者软件、硬件、固件的任何组合来实现本公开的方法和装置。用于所述方法的步骤的上述顺序仅是为了进行说明，本公开的方法的步骤不限于以上具体描述的顺序，除非以其它方式特别说明。此外，在一些实施例中，还可将本公开实施为记录在记录介质中的程序，这些程序包括用于实现根据本公开的方法的机器可读指令。因而，本公开还覆盖存储用于执行根据本公开的方法的程序的记录介质。
本公开的描述是为了示例和描述起见而给出的，而并不是无遗漏的或者将本公开限于所公开的形式。很多修改和变化对于本领域的普通技术人员而言是显然的。选择和描述实施例是为了更好说明本公开的原理和实际应用，并且使本领域的普通技术人员能够理解本公开从而设计适于特定用途的带有各种修改的各种实施例。

Claims (10)

1.一种人脸识别方法，其特征在于，包括：
获取第一人脸图像的特征数据；
对所述第一人脸图像的特征数据进行分割处理，得到多个分割特征；
基于所述多个分割特征，确定数据库中的至少一个人脸模板中与所述第一人脸图像匹配的人脸模板。
2.一种人脸识别网络的训练方法，其特征在于，包括：
获取样本人脸图像的样本图像特征；
利用所述人脸识别网络对所述样本图像特征进行至少一种尺度的分割处理，获得所述样本图像对应的多个样本分割特征；
利用所述人脸识别网络对所述多个样本分割特征中的每个样本分割特征进行分类处理，获得所述每个样本分割特征的预测类别；
基于所述多个样本分割特征对应的预测类别，调整所述人脸识别网络的网络参数。
3.一种人脸识别网络的训练方法，其特征在于，包括：
获取包括完整人脸的原始图像；
对所述原始图像进行至少一种部分人脸遮挡处理，获得至少一个部分人脸被遮挡的遮挡图像，所述每种部分人脸遮挡处理遮挡不同的人脸部分；
将所述原始图像和所述获得的至少一个遮挡图像分别作为样本人脸图像；
获取所述样本人脸图像的样本图像特征；
利用所述人脸识别网络对所述样本图像特征进行至少一种尺度的分割处理，获得所述样本图像对应的多个样本分割特征；
利用所述人脸识别网络对所述多个样本分割特征中的每个样本分割特征进行分类处理，获得所述每个样本分割特征的预测类别；
基于所述多个样本分割特征对应的预测类别，调整所述人脸识别网络的网络参数。
4.一种人脸识别方法，其特征在于，包括：
获取第一人脸图像；
利用人脸识别网络对所述第一人脸图像进行处理，得到所述第一人脸图像的识别结果，其中，所述人脸识别网络是通过权利要求2或3所述的方法训练得到的。
5.一种人脸识别装置，其特征在于，包括：
特征获取单元，用于获取第一人脸图像的特征数据；
分割处理单元，用于对所述第一人脸图像的特征数据进行分割处理，得到多个分割特征；
人脸匹配单元，用于基于所述多个分割特征，确定数据库中的至少一个人脸模板中与所述第一人脸图像匹配的人脸模板。
6.一种人脸识别网络的训练装置，其特征在于，包括：
样本特征获取单元，用于获取样本人脸图像的样本图像特征；
样本分割单元，用于利用所述人脸识别网络对所述样本图像特征进行至少一种尺度的分割处理，获得所述样本图像对应的多个样本分割特征；
类别预测单元，用于利用所述人脸识别网络对所述多个样本分割特征中的每个样本分割特征进行分类处理，获得所述每个样本分割特征的预测类别；
网络训练单元，用于基于所述多个样本分割特征对应的预测类别，调整所述人脸识别网络的网络参数。
7.一种电子设备，其特征在于，包括处理器，所述处理器包括权利要求5所述的人脸识别装置，或包括权利要求6所述的人脸识别网络的训练装置。
8.一种电子设备，其特征在于，包括：存储器，用于存储可执行指令；
以及处理器，用于与所述存储器通信以执行所述可执行指令从而完成权利要求1或4所述人脸识别方法的操作，或者完成权利要求2或3所述人脸识别网络的训练方法的操作。
9.一种计算机可读存储介质，用于存储计算机可读取的指令，其特征在于，所述指令被执行时执行权利要求1或4所述人脸识别方法的操作，或者完成权利要求2或3所述人脸识别网络的训练方法的操作。
10.一种计算机程序产品，包括计算机可读代码，其特征在于，当所述计算机可读代码在设备上运行时，所述设备中的处理器执行用于实现权利要求1或4所述人脸识别方法的指令，或者完成权利要求2或3所述人脸识别网络的训练方法的指令。
CN201910214176.XA 2019-03-20 2019-03-20 人脸识别和人脸识别网络的训练方法和装置、存储介质 Pending CN111723612A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910214176.XA CN111723612A (zh) 2019-03-20 2019-03-20 人脸识别和人脸识别网络的训练方法和装置、存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910214176.XA CN111723612A (zh) 2019-03-20 2019-03-20 人脸识别和人脸识别网络的训练方法和装置、存储介质

Publications (1)

Publication Number Publication Date
CN111723612A true CN111723612A (zh) 2020-09-29

Family

ID=72563111

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910214176.XA Pending CN111723612A (zh) 2019-03-20 2019-03-20 人脸识别和人脸识别网络的训练方法和装置、存储介质

Country Status (1)

Country Link
CN (1) CN111723612A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113628183A (zh) * 2021-08-06 2021-11-09 青岛海信医疗设备股份有限公司 一种超声检测对象的容积确定方法及超声设备

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004272326A (ja) * 2003-03-05 2004-09-30 Matsushita Electric Ind Co Ltd 部分空間成分特徴を用いた顔面描写および認識用の確率的顔面成分融合方法
JP2006024219A (ja) * 2004-07-07 2006-01-26 Samsung Electronics Co Ltd 映像認識システム、映像認識方法、映像補正システムおよび映像補正方法
US20110026781A1 (en) * 2009-07-02 2011-02-03 Carmel-Haifa University Economic Corporation Ltd. System for secure face identification (scifi) and methods useful in conjunction therewith
KR101089287B1 (ko) * 2010-06-09 2011-12-05 한국과학기술원 다중 얼굴 특징 정보 융합 기반 자동 얼굴 인식 장치 및 방법
CN104346602A (zh) * 2013-08-07 2015-02-11 上海贯城信息科技有限公司 一种基于特征向量的人脸识别方法及装置
CN107169455A (zh) * 2017-05-16 2017-09-15 中山大学 基于深度局部特征的人脸属性识别方法
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
CN108021933A (zh) * 2017-11-23 2018-05-11 深圳市华尊科技股份有限公司 神经网络识别模型及识别方法
CN108052867A (zh) * 2017-11-20 2018-05-18 河海大学 一种基于词袋模型的单样本人脸识别方法
CN108171157A (zh) * 2017-12-27 2018-06-15 南昌大学 基于多尺度局部块LBP直方图特征与Co-HOG特征相结合的人眼检测算法
CN108596011A (zh) * 2017-12-29 2018-09-28 中国电子科技集团公司信息科学研究院 一种基于组合深度网络的人脸属性识别方法和装置
CN108805040A (zh) * 2018-05-24 2018-11-13 复旦大学 一种基于分块的有遮挡人脸识别算法
CN109034133A (zh) * 2018-09-03 2018-12-18 北京诚志重科海图科技有限公司 一种人脸识别方法及装置

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004272326A (ja) * 2003-03-05 2004-09-30 Matsushita Electric Ind Co Ltd 部分空間成分特徴を用いた顔面描写および認識用の確率的顔面成分融合方法
JP2006024219A (ja) * 2004-07-07 2006-01-26 Samsung Electronics Co Ltd 映像認識システム、映像認識方法、映像補正システムおよび映像補正方法
US20110026781A1 (en) * 2009-07-02 2011-02-03 Carmel-Haifa University Economic Corporation Ltd. System for secure face identification (scifi) and methods useful in conjunction therewith
KR101089287B1 (ko) * 2010-06-09 2011-12-05 한국과학기술원 다중 얼굴 특징 정보 융합 기반 자동 얼굴 인식 장치 및 방법
CN104346602A (zh) * 2013-08-07 2015-02-11 上海贯城信息科技有限公司 一种基于特征向量的人脸识别方法及装置
CN107169455A (zh) * 2017-05-16 2017-09-15 中山大学 基于深度局部特征的人脸属性识别方法
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
CN108052867A (zh) * 2017-11-20 2018-05-18 河海大学 一种基于词袋模型的单样本人脸识别方法
CN108021933A (zh) * 2017-11-23 2018-05-11 深圳市华尊科技股份有限公司 神经网络识别模型及识别方法
CN108171157A (zh) * 2017-12-27 2018-06-15 南昌大学 基于多尺度局部块LBP直方图特征与Co-HOG特征相结合的人眼检测算法
CN108596011A (zh) * 2017-12-29 2018-09-28 中国电子科技集团公司信息科学研究院 一种基于组合深度网络的人脸属性识别方法和装置
CN108805040A (zh) * 2018-05-24 2018-11-13 复旦大学 一种基于分块的有遮挡人脸识别算法
CN109034133A (zh) * 2018-09-03 2018-12-18 北京诚志重科海图科技有限公司 一种人脸识别方法及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
YONG LI ED.: "Occlusion Aware Facial Expression Recognition Using CNN With Attention Mechanism", IEEE, pages 2439 - 2450 *
胡正平;何薇;王蒙;孙哲;: "多层次深度网络融合人脸识别算法", 模式识别与人工智能, no. 05, pages 66 - 73 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113628183A (zh) * 2021-08-06 2021-11-09 青岛海信医疗设备股份有限公司 一种超声检测对象的容积确定方法及超声设备

Similar Documents

Publication Publication Date Title
US10133921B2 (en) Methods and apparatus for capturing, processing, training, and detecting patterns using pattern recognition classifiers
CN108334848B (zh) 一种基于生成对抗网络的微小人脸识别方法
Lin Face detection in complicated backgrounds and different illumination conditions by using YCbCr color space and neural network
CN106960202B (zh) 一种基于可见光与红外图像融合的笑脸识别方法
Zhang et al. Fast and robust occluded face detection in ATM surveillance
CN103902977B (zh) 基于Gabor二值模式的人脸识别方法及装置
CN110569756B (zh) 人脸识别模型构建方法、识别方法、设备和存储介质
WO2021139324A1 (zh) 图像识别方法、装置、计算机可读存储介质及电子设备
CN112686812B (zh) 银行卡倾斜矫正检测方法、装置、可读存储介质和终端
WO2019061658A1 (zh) 眼镜定位方法、装置及存储介质
CN109740572B (zh) 一种基于局部彩色纹理特征的人脸活体检测方法
US20130259374A1 (en) Image segmentation
Hebbale et al. Real time COVID-19 facemask detection using deep learning
WO2021139171A1 (zh) 人脸增强识别方法、装置、设备及存储介质
CN112101208A (zh) 高龄老人特征串联融合手势识别方法及装置
Barbu An automatic face detection system for RGB images
KR101727833B1 (ko) 얼굴인식을 위한 판별분석 기반의 복합 특징 벡터 생성 장치 및 방법
CN114782979A (zh) 一种行人重识别模型的训练方法、装置、存储介质及终端
CN111723612A (zh) 人脸识别和人脸识别网络的训练方法和装置、存储介质
CN111753618A (zh) 图像识别方法、装置、计算机设备及计算机可读存储介质
Hassan et al. Facial image detection based on the Viola-Jones algorithm for gender recognition
JP3962517B2 (ja) 顔面検出方法及びその装置、コンピュータ可読媒体
CN113468954B (zh) 基于多通道下局部区域特征的人脸伪造检测方法
CN112232162B (zh) 一种基于多特征融合级联分类器的行人检测方法及装置
Lin et al. Face detection algorithm based on multi-orientation gabor filters and feature fusion

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