CN111832364B - 一种人脸识别方法及装置 - Google Patents
一种人脸识别方法及装置 Download PDFInfo
- Publication number
- CN111832364B CN111832364B CN201910322661.9A CN201910322661A CN111832364B CN 111832364 B CN111832364 B CN 111832364B CN 201910322661 A CN201910322661 A CN 201910322661A CN 111832364 B CN111832364 B CN 111832364B
- Authority
- CN
- China
- Prior art keywords
- resolution
- network
- face recognition
- training sample
- scene
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000012549 training Methods 0.000 claims abstract description 224
- 238000000605 extraction Methods 0.000 claims abstract description 162
- 238000005286 illumination Methods 0.000 claims abstract description 79
- 238000013527 convolutional neural network Methods 0.000 claims description 32
- 230000004927 fusion Effects 0.000 claims description 29
- 230000006835 compression Effects 0.000 claims description 20
- 238000007906 compression Methods 0.000 claims description 20
- 238000003062 neural network model Methods 0.000 claims description 18
- 238000011084 recovery Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 6
- 238000010586 diagram Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/172—Classification, e.g. identification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
Abstract
本发明实施例公开一种人脸识别方法及装置。其中,所述方法包括:获取待识别对象的场景照,场景照包括待识别对象的人脸图像;将待识别对象的场景照输入到人脸识别模型的场景照识别分支网络,获得场景照特征;其中,人脸识别模型是基于第一训练样本数据、第二训练样本数据和第三训练样本数据训练获得的;根据场景照特征以及各个比较对象的证件照特征,获得待识别对象的人脸识别结果;其中,每个比较对象的证件照特征是根据每个比较对象的证件照以及第一分辨率特征提取分支网络或第二分辨率特征提取分支网络预先获得的。所述装置用于执行上述方法。本发明实施例提供的人脸识别方法及装置,提高了人脸识别的准确性。
Description
技术领域
本发明涉及人工智能技术领域,具体涉及一种人脸识别方法及装置。
背景技术
随着深度学习技术的飞速发展及其在人脸识别在应用上的便捷性,基于深度学习的人脸识别技术已经应用在公安、政府、金融、教育、医疗等众多领域。
目前在实际应用场景中,人脸识别的效果还受到很多因素的影响,尤其是利用证照件与现场场景照片进行对比进行人脸识别存在很多问题。由身份证获取到的芯片照压缩比大并且分辨率低,而常规证件照分辨率较高,同时证件照的年龄跨度等问题造成证件照与现场照差别较大,导致以证件照为底库模板的人脸识别方法的准确性较低。
因此,如何提出一种人脸识别方法,能够基于证件照和现场照对人脸进行识别,以提高人脸识别的准确性成为业界亟待解决的重要课题。
发明内容
针对现有技术存在的问题,本发明实施例提供一种人脸识别方法及装置。
一方面,本发明实施例提出一种人脸识别方法,包括:
获取待识别对象的场景照,所述场景照包括所述待识别对象的人脸图像;
将所述待识别对象的场景照输入到人脸识别模型的场景照识别分支网络,获得所述待识别对象的场景照特征;其中,所述人脸识别模型是基于第一训练样本数据、第二训练样本数据和第三训练样本数据训练获得的;
根据所述待识别对象的场景照特征以及各个比较对象的证件照特征,获得所述待识别对象的人脸识别结果;其中,每个所述比较对象的证件照特征是根据每个所述比较对象的证件照以及所述人脸识别模型的第一分辨率特征提取分支网络或第二分辨率特征提取分支网络预先获得的。
另一方面,本发明实施例提供一种人脸识别装置,包括:
获取单元,用于获取待识别对象的场景照,所述场景照包括所述待识别对象的人脸图像;
特征获得单元,用于将所述待识别对象的场景照输入到人脸识别模型的场景照识别分支网络,获得所述待识别对象的场景照特征;其中,所述人脸识别模型是基于第一训练样本数据、第二训练样本数据和第三训练样本数据训练获得的;
人脸识别单元,用于根据所述待识别对象的场景照特征以及各个比较对象的证件照特征以及所述人脸识别模型,获得所述待识别对象的人脸识别结果;其中,每个所述比较对象的证件照特征是根据每个所述比较对象的证件照以及所述人脸识别模型的第一分辨率特征提取分支网络或第二分辨率特征提取网络预先获得的;
输出单元,用于输出所述待识别对象的人脸识别结果。
再一方面,本发明实施例提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述任一实施例所述人脸识别方法的步骤。
又一方面,本发明实施例提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述任一实施例所述人脸识别方法的步骤。
本发明实施例提供的人脸识别方法及装置,由于根据待识别对象的场景照进行人脸识别时,能够根据场景照和人脸识别模型的场景照识别分支网络,获得待识别对象的场景照特征,然后根据场景照特征和各个比较对象的证件照以及人脸识别模型的第一分辨率特征提取分支网络或第二分辨率特征提取网络预先获得的各个比较对象的证件照特征,获得待比较对象的人脸识别结果,由于采用第一分辨率特征提取分支网络或第二分辨率特征提取网络提取证件照特征,能够缩小待识别对象的场景照特征和证件照特征之间的差异,提高了人脸识别的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,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他的附图。
图1为本发明第一实施例提供的人脸识别方法的流程示意图;
图2为本发明第二实施例提供的人脸识别方法的流程示意图;
图3为本发明第三实施例提供的人脸识别方法的流程示意图;
图4为本发明第四实施例提供的原始第一分辨率特征提取分支网络的结构示意图;
图5为本发明第五实施例提供的人脸识别方法的流程示意图;
图6为本发明第六实施例提供的原始第二分辨率特征提取分支网络的结构示意图;
图7为本发明第七实施例提供的人脸识别方法的流程示意图;
图8a为本发明第八实施例提供的人脸识别过程示意图;
图8b为本发明第九实施例提供的人脸识别模型的结构示意图;
图9为本发明第十实施例提供的人脸识别装置的结构示意图;
图10为本发明第十一实施例提供的电子设备的实体结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚地描述,显然,所描述的实施例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做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
图1为本发明第一实施例提供的人脸识别方法的流程示意图,如图1所示,本发明提供的人脸识别方法,包括:
S101、获取待识别对象的场景照,所述场景照包括所述待识别对象的人脸图像;
具体地,待识别对象为个人,当需要对所述待识别对象进行人脸识别时,人脸识别装置可以获取所述待识别对象的场景照,例如所述人脸识别装置可以通过摄像头现场拍摄所述待识别对象,获得所述待识别对象的场景照,或者通过扫描仪扫描所述待识别对象的场景照,获得所述待识别对象的场景照。其中,所述场景照包括所述待识别对象的人脸图像。在本发明实施例中,所述场景照与证件照不同,是指所述个人在某一个现场拍摄的包括人脸的照片。
S102、将所述待识别对象的场景照输入到人脸识别模型的场景照识别分支网络,获得所述待识别对象的场景照特征;其中,所述人脸识别模型是基于第一训练样本数据、第二训练样本数据和第三训练样本数据训练获得的;
具体地,所述人脸识别装置在获得所述待识别对象的场景照之后,将所述待识别对象的场景照输入到人脸识别模型的场景照识别分支网络,可以获得所述待识别对象的场景照特征。其中,所述人脸识别模型是基于第一训练样本数据、第二训练样本数据和第三训练样本数据训练获得的,所述人脸识别模型包括场景照识别分支网络、第一分辨率特征提取分支网络和第二分辨率特征提取分支网络。
S103、根据所述待识别对象的场景照特征以及各个比较对象的证件照特征,获得所述待识别对象的人脸识别结果;其中,每个所述比较对象的证件照特征是根据每个所述比较对象的证件照以及所述人脸识别模型的第一分辨率特征提取分支网络或第二分辨率特征提取分支网络预先获得的;
具体地,所述人脸识别装置在获得所述待识别对象的场景照特征之后,可以根据所述待识别对象的场景照特征和各个比较对象的证件照特征,得到所述待识别对象的人脸识别结果,即从各个比较对象的证件照特征中获得与所述场景照特征最接近的证件照特征,获得最接近的证件照特征对应的比较对象的信息作为所述待识别对象的人脸识别结果。为了提高人脸识别的效率,可以预先获得各个所述比较对象的证件照特征,形成底库特征数据库,所述底库特征数据库包括各个所述比较对象以及各自对应的证件照特征,方便在进行人脸识别的时候调用。所述人脸识别装置可以根据每个所述比较对象的证件照以及所述人脸识别模型的第一分辨率特征提取分支网络或第二分辨率特征提取分支网络获得每个所述比较对象的证件照特征。其中,每个所述比较对象的证件照可以来源于公安系统存储的证件照或者经过授权的第三方机构存储证件照。可以理解的是,所述人脸识别装置在获得所述待识别对象的人脸识别结果,可以将所述待识别对象的人脸识别结果输出显示。
例如,所述人脸识别装置将所述待识别对象的场景照特征和各个比较对象的证件照特征输入到所述人脸识别模型,计算所述待识别对象的场景照特征与每个所述比较对象的证件照特征之间的距离。所述人脸识别装置在获得各个所述距离之后,可以从各个所述距离中获得最小距离,将所述最小距离对应的比较对象的信息作为所述待识别对象的人脸识别结果。其中,所述比较对象是指与每个证件照对应的个人。
本发明实施例提供的人脸识别方法,由于根据待识别对象的场景照进行人脸识别时,能够根据场景照和人脸识别模型的场景照识别分支网络,获得待识别对象的场景照特征,然后根据场景照特征和各个比较对象的证件照以及人脸识别模型的第一分辨率特征提取分支网络或第二分辨率特征提取网络预先获得的各个比较对象的证件照特征,获得待比较对象的人脸识别结果,由于采用第一分辨率特征提取分支网络或第二分辨率特征提取网络提取证件照特征,能够缩小待识别对象的场景照特征和证件照特征之间的差异,提高了人脸识别的准确性。
图2为本发明第二实施例提供的人脸识别方法的流程示意图,如图2所示,在上述各实施例的基础上,进一步地,基于所述第一训练样本数据、所述第二训练样本数据和所述第三训练样本数据训练获得所述人脸识别模型的步骤包括:
S201、根据第一训练样本数据对第一卷积神经网络模型进行训练,获得所述人脸识别模型的基础特征提取网络;其中,所述第一训练样本数据包括第一预设数量的第一训练样本以及与每个所述第一训练样本对应的识别标识;
具体地,所述人脸识别装置可以利用第一训练样本数据对第一卷积神经网络模型进行训练,将训练后获得的第一卷积神经网络模型的特征提取层作为所述人脸识别模型的基础特征提取网络。其中,所述第一训练样本数据包括第一预设数量的第一分辨率训练样本以及与每个所述第一分辨率训练样本对应的识别标识,所述第一分辨率训练样本为分辨率小于分辨率阈值的证件照,例如芯片证件照,所述识别标识用于标识所述证件照对应的个人;所述第一预设数量根据实际经验进行设置,本发明实施例不做限定;所述分辨率阈值根据实际经验进行设置,本发明实施例不做限定。所述第一神经网络模型可以是Inception-Resnet或VGG等神经网络模型,根据实际需要进行选择,本发明实施例不做限定。
在所述第一卷积神经网络模型的训练中,为了保证人脸识别过程中增大不同人的类间距离并缩小同一个人的类内距离,损失函数loss可以采用softmax与centerloss相结合的方式,所述损失函数的具体公式为:
L0=Ls+λLc
其中,xi为第i个第一分辨率训练样本所对应的深度特征,yi为第i个所述第一分辨率训练样本对应的识别标识,Wj为第j个网络层所对应权重参数,bj为第j个网络层所对应偏置参数,λ为Lc对应的权重参数,m为所述第一分辨率训练样本的数量,n为所述第一分辨率训练样本对应的识别标识的数量,i和j为正整数。
S202、根据所述第二训练样本数据对第二卷积神经网络模型进行训练,获得所述人脸识别模型的第一分辨率像素恢复网络;其中,所述第二训练样本数据包括第二预设数量第一分辨率训练样本及与每个所述第一分辨率训练样本一一对应的第二分辨率训练样本,所述第一分辨率训练样本作为所述第二卷积神经网络模型的输入,所述第二分辨率训练样本作为对应的所述第一分辨率训练样本的识别标识;
具体地,所述人脸识别装置可以利用第二训练样本数据对第二卷积神经网络模型进行训练,将训练后获得的第二卷积神经网络模型作为所述人脸识别模型的第一分辨率像素恢复网络。其中,所述第二训练样本数据包括第二预设数量第一分辨率训练样本及与每个所述第一分辨率训练样本一一对应的第二分辨率训练样本,所述第一分辨率训练样本和对应的所述第二分辨率训练样本是同一个人的不同分辨率的证件照,所述第一分辨率训练样本的分辨率小于所述分辨率阈值,所述第二分辨率训练样本的分辨率大于或者等于所述分辨率阈值。
在对所述第二卷积神经网络模型进行训练时,将所述第一分辨率训练样本作为所述第二卷积神经网络模型的输入,获得与所述第一分辨率训练样本对应的提取特征,根据所述第二分辨率训练样本可以获得所述第二分辨率训练样本的原始特征,所述原始特征例如直接从所述第二分辨率训练样本获得的像素特征,然后利用第一损失函数获得所述第一分辨率训练样本对应的提取特征和所述第二分辨率训练样本的原始特征之间的第一距离,根据上述第一距离调整所述第二卷积神经网络模型的参数。所述第二预设数量根据实际经验进行设置,本发明实施例不做限定;所述第二卷积神经网络模型的卷积层可以是少于5层的逆向传播(Back Propagation,简称BP)神经网络模型,所述第二卷积神经网络模型根据实际需要进行选择,本发明实施例不做限定。
其中,为缩小所述第二分辨率训练样本的原始特征与对应的所述第一分辨率训练样本对应的提取特征差距,达到对所述第一分辨率训练样本进行恢复的目的,在所述第二卷积神经网络模型的训练过程中,采用以下形式第一损失函数:
其中,表示第i个第二分辨率训练样本的原始特征,/>表示第i个第一分辨率训练样本的提取特征,第i个第二分辨率训练样本与第i个第一分辨率训练样本对应,p为所述第二预设数量,i为正整数且i小于或者等于p。
S203、根据所述第二训练样本数据对第三卷积神经网络模型进行训练,获得所述人脸识别模型的第二分辨率像素压缩网络;其中,所述第二分辨率训练样本作为所述第三卷积神经网络模型的输入,所述第一分辨率训练样本作为对应的所述第二分辨率训练样本的识别标识;
具体地,所述人脸识别装置可以利用第二训练样本数据对第三卷积神经网络模型进行训练,将训练后获得的第三卷积神经网络模型作为所述人脸识别模型的第二分辨率像素压缩网络。其中,所述第二训练样本数据包括第二预设数量第一分辨率训练样本及与每个所述第一分辨率训练样本一一对应的第二分辨率训练样本,所述第一分辨率训练样本和对应的所述第二分辨率训练样本是同一个人的不同分辨率的证件照,所述第一分辨率训练样本的分辨率小于所述分辨率阈值,所述第二分辨率训练样本的分辨率大于或者等于所述分辨率阈值。
在对所述第三卷积神经网络模型进行训练时,将所述第二分辨率训练样本作为所述第二卷积神经网络模型的输入,获得与所述第二分辨率训练样本对应的提取特征,根据所述第一分辨率训练样本可以获得所述第一分辨率训练样本的原始特征,上述原始特征例如直接从所述第一分辨率训练样本获得的像素特征,然后利用第二损失函数获得所述第二分辨率训练样本对应的提取特征和所述第一分辨率训练样本的原始特征之间的第二距离,根据上述第二距离调整所述第三卷积神经网络模型的参数。所述第三卷积神经网络模型的卷积层可以是少于5层的BP神经网络模型,所述第三卷积神经网络模型根据实际需要进行选择,本发明实施例不做限定。
其中,为缩小所述第一分辨率训练样本的原始特征与对应的所述第二分辨率训练样本对应的提取特征的差距,达到对所述第二分辨率训练样本进行压缩的目的,所述第三卷积神经网络模型的训练过程中,采用以下形式的第二损失函数:
其中,表示第i个第一分辨率训练样本的原始特征,/>表示第i个第二分辨率训练样本的提取特征,第i个第二分辨率训练样本与第i个第一分辨率训练样本对应,q为所述第二预设数量,i为正整数且i小于或者等于n。
S204、基于所述基础特征提取网络和所述第一分辨率像素恢复网络构建原始第一分辨率特征提取分支网络,基于所述基础特征提取网络和所述第二分辨率像素压缩网络构建原始第二分辨率特征提取分支网络,并基于所述基础特征提取网络构建原始场景照识别分支网络;
具体地,所述人脸识别装置在获得所述基础特征提取网络、所述第一分辨率像素恢复网络和所述第二分辨率像素压缩网络之后,可以基于所述第一分辨率像素恢复网络和所述基础特征提取网络构建原始第一分辨率特征提取分支网络,基于所述第二分辨率像素压缩网络和所述基础特征提取网络构建原始第二分辨率特征提取分支网络,并基于所述基础特征提取网络构建原始场景照识别分支网络。所述原始第一分辨率特征提取分支网络、所述原始第二分辨率特征提取分支网络和所述原始场景照识别分支网络的构建过程见下文所述,此处不进行赘述。
S205、基于所述原始场景照识别分支网络、所述原始第一分辨率特征提取分支网络和所述原始第二分辨率特征提取分支网络,建立多分支神经网络模型;
具体地,所述人脸识别装置获得所述原始场景照识别分支网络、所述原始第一分辨率特征提取分支网络和所述原始第二分辨率特征提取分支网络之后,可以根据所述原始场景照识别分支网络、所述原始第一分辨率特征提取分支网络和所述原始第二分辨率特征提取分支网络建立多分支神经网络模型,即将所述原始场景照识别分支网络、所述原始第一分辨率特征提取分支网络和所述原始第二分辨率特征提取分支网络作为三支并行的网络,所述原始第一分辨率特征提取分支网络用于对第一分辨率证件照进行特征提取,获得特征输出N1;所述原始第二分辨率特征提取分支网络用于对第二分辨率证件照进行特征提取,获得特征输出N2;所述原始场景照识别分支网络用于对场景照进行特征提取,获得特征输入N3。其中,所述第一分辨率证件照,即分辨率小于所述分辨率阈值的证件照;所述第二分辨率证件照,即分辨率大于或者等于所述分辨率阈值的证件照。
S206、基于所述第三训练样本数据对所述多分支神经网络模型进行训练,获得所述人脸识别模型;其中,所述第三训练样本数据包括第三预设数量组第三训练样本,每组所述第三训练样本包括一个所述第一分辨率训练样本、一个所述第二分辨率训练样本和至少一个场景照训练样本。
具体地,所述人脸识别装置在获得所述多分支神经网络模型之后,可以基于所述第三训练样本数据对所述多分支神经网络模型进行训练,获得所述人脸识别模型。所述第三训练样本数据包括第三预设数量组第三训练样本以及与每组第三训练样本对应的识别标识,每组所述第三训练样本包括一个所述第一分辨率训练样本、一个所述第二分辨率训练样本和至少一个场景照训练样本,在对所述多分支神经网络模型的训练过程中,将所述第一分辨率训练样本输入到所述原始第一分辨率特征提取分支网络,获得特征输出N1,将所述第二分辨率训练样本输入到所述原始第二分辨率特征提取分支网络,获得特征输出N2,将所述至少一个场景照训练样本输入到所述原始场景照识别分支网络,获得至少一个特征输出N3,然后根据特征输出N1、特征输出N2、特征输出N3以及预设的第三损失函数获得第三距离,根据第三距离对所述多分支神经网络模型的参数进行调整,最终可以获得所述人脸识别模型,所述人脸识别模型包括所述场景照识别分支网络、所述第一分辨率特征提取分支网络和所述第二分辨率特征提取网络,经过参数调整的所述原始第一分辨率特征提取分支网络成为第一分辨率特征提取分支网络,经过参数调整的原始第二分辨率特征提取分支网络成为第二分辨率特征提取分支网络,经过参数调整的所述原始场景照识别分支网络成为场景照识别分支网络。其中,所述第三预设数量根据实际经验进行设置,本发明实施例不做限定。
其中,所述预设的第三损失函数为:
其中,为所述场景照训练样本输入到所述原始场景照识别分支网后的特征输出,/>为所述第一分辨率训练样本输入到所述原始第一分辨率特征提取分支网络后的特征输出,/>为所述第二分辨率训练样本输入到所述原始第二分辨率特征提取分支网络后的特征输出。
本发明实施例提供的人脸识别方法,所述人脸识别模型采用多分支神经网络结构,基于特征融合与迁移学习,能够缩短模型训练的时间,可以采用少量的训练数据进行人脸识别模型的训练,提高了模型的获取效率。
图3为本发明第三实施例提供的人脸识别方法的流程示意图,如图3所示,在上述各实施例的基础上,进一步地,所述基于所述基础特征提取网络和所述第一分辨率像素恢复网络构建原始第一分辨率特征提取分支网络包括:
S301、设置第一分支网络和第二分支网络具有共同的输入;其中,所述第一分支网络包括所述基础特征提取网络,所述第二分支网络包括所述第一分辨率像素恢复网络和所述基础特征提取网络,所述第一分辨率像素恢复网络的输出作为所述基础特征提取网络的输入;
具体地,所述原始第一分辨率特征提取分支网络的第一分支网络包括所述基础特征提取网络,所述原始第一分辨率特征提取分支网络的第二分支网络包括所述第一分辨率像素恢复网络和所述基础特征提取网络,将所述第一分辨率像素恢复网络的输出作为所述第二分支网络包括的基础特征提取网络的输入,并设置所述第一分支网络和所述第二分支网络具有共同的输入,即所述第一分支网络的基础特征提取网络和所述第二分支网络的第一分辨率像素恢复网络具有共同的输入。
S302、将所述第一分支网络的输出和所述第二分支网络的输出作为第一特征融合层的输入;
具体地,所述人脸识别装置将所述第一分支网络的输出和所述第二分支网络的输出作为第一特征融合层的输入。其中,所述第一特征融合层根据实际需要进行设置,本发明实施例不做限定。
例如,所述第一特征融合层采用加权的方式将所述第一分支网络的输出和第二分支网络的输出进行融合。假设所述第一分支网络的输出为A,所述第二分支网络的输出为B,那么所述第一特征融合层的输出可以为a*A+b*B,其中,a为所述第一分支网络的输出对应的权重,b为所述第二分支网络的输出对应的权重。
S303、将所述第一特征融合层的输出作为第一全连接层的输入。
具体地,所述人脸识别装置将所述第一特征融合层的输出作为所述原始第一分辨率特征提取分支网络的全连接层的输入,所述原始第一分辨率特征提取分支网络的全连接层即第一全连接层。其中,所述第一全连接层根据实际经验进行设置,本发明实施例不做限定。
图4为本发明第四实施例提供的原始第一分辨率特征提取分支网络的结构示意图,如图4所示,所述原始第一分辨率特征提取分支网络包括所述第一分支网络、所述第二分支网络、所述第一特征融合层和所述第一全连接层。所述第一分辨率训练样本分别输入到所述第一分支网络的基础特征提取网络和所述第二分支网络的第一分辨率像素恢复网络,所述第一分辨率像素恢复网络的输出作为所述第二分支网络的基础特征提取网络的输入。所述第一分辨率训练样本经过所述第一分支网络处理之后得到第一特征,所述第一分辨率训练样本经过所述第二分支网络处理之后得到第二特征,所述第一特征和所述第二特征输入所述第一特征融合层,经过所述第一特征融合层的处理之后获得第一融合特征。所述第一融合特征输入到所述第一全连接层,可以得到输出特征N1。
图5为本发明第五实施例提供的人脸识别方法的流程示意图,如图5所示,在上述各实施例的基础上,进一步地,所述基于所述基础特征提取网络和所述第二分辨率像素压缩网络构建原始第二分辨率特征提取分支网络包括:
S501、设置第三分支网络和第四分支网络具有共同的输入;其中,所述第三分支网络包括所述基础特征提取网络,所述第四分支网络包括所述第二分辨率像素压缩网络和所述基础特征提取网络,所述第二分辨率像素压缩网络的输出作为所述基础特征提取网络的输入;
具体地,所述原始第二分辨率特征提取分支网络的第三分支网络包括所述基础特征提取网络,所述原始第二分辨率特征提取分支网络的第四分支网络包括所述第二分辨率像素压缩网络和所述基础特征提取网络,将所述第二分辨率像素压缩网络的输出作为所述第四分支网络包括的基础特征提取网络的输入,并设置所述第三分支网络和所述第四分支网络具有共同的输入,即所述第三分支网络的基础特征提取网络和所述第四分支网络的第二分辨率像素压缩网络具有共同的输入。
S502、将所述第三分支网络的输出和所述第四分支网络的输出作为第二特征融合层的输入;
具体地,所述人脸识别装置将所述第三分支网络的输出和所述第四分支网络的输出作为第二特征融合层的输入。其中,所述第二特征融合层根据实际需要进行设置,本发明实施例不做限定。
例如,所述第二特征融合层采用加权的方式将所述第三分支网络的输出和第四分支网络的输出进行融合。假设所述第三分支网络的输出为C,所述第四分支网络的输出为D,那么所述第二特征融合层的输出可以为c*C+d*D,其中,c为所述第三分支网络的输出对应的权重,d为所述第四分支网络的输出对应的权重。
S503、将所述第二特征融合层的输出作为第二全连接层的输入。
具体地,所述人脸识别装置将所述第二特征融合层的输出作为所述原始第二分辨率特征提取分支网络的全连接层的输入,所述原始第二分辨率特征提取分支网络的全连接层即第二全连接层。其中,所述第二全连接层根据实际经验进行设置,本发明实施例不做限定。
图6为本发明第六实施例提供的原始第二分辨率特征提取分支网络的结构示意图,如图6所示,所述原始第二分辨率特征提取分支网络包括所述第三分支网络、所述第四分支网络、所述第二特征融合层和所述第二全连接层。所述第二分辨率训练样本分别输入到所述第三分支网络的基础特征提取网络和所述第四分支网络的第二分辨率像素压缩网络,所述第二分辨率像素压缩网络的输出作为所述第四分支网络的基础特征提取网络的输入。所述第二分辨率训练样本经过所述第三分支网络处理之后得到第三特征,所述第二分辨率训练样本经过所述第四分支网络处理之后得到第四特征,所述第三特征和所述第四特征输入到所述第二特征融合层,经过所述第二特征融合层的处理之后获得第二融合特征。所述第二融合特征输入到所述第二全连接层,可以得到输出特征N2。
在上述各实施例的基础上,进一步地,所述基于所述基础特征提取网络构建原始场景照识别分支网络包括:
将所述基础特征提取网络的输出作为第三全连接层的输入;其中,所述原始场景照识别分支网络包括所述基础特征提取网络和所述第三全连接层。
具体地,所述原始场景照识别分支网络包括所述基础特征提取网络和第三全连接层,所述人脸识别装置将所述原始场景照识别分支网络包括的基础特征提取网络的输出作为所述第三全连接层的输入。其中,所述第三全连接层根据实际经验进行设置,本发明实施例不做限定。
例如,所述人脸识别装置将所述场景照训练样本输入到所述原始场景照识别分支网络包括的基础特征提取网络,获得第五特征,然后将所述第五特征输入到所述第三全连接层,经过所述第三全连接层的处理,得到输出特征N3。
在上述各实施例的基础上,进一步地,根据每个所述比较对象的证件照以及所述人脸识别模型的第一分辨率特征提取分支网络或第二分辨率特征提取网络预先获得所述每个所述比较对象的证件照特征的步骤包括:
若判断获知所述比较对象的证件照的分辨率小于分辨率阈值,则根据所述比较对象的证件照以及所述第一分辨率特征提取分支网络,获得所述比较对象的证件照特征;或
若判断获知所述比较对象的证件照的分辨率大于或者等于所述分辨率阈值,则根据所述比较对象的证件照以及所述第二分辨率特征提取网络,获得所述比较对象的证件照特征。
具体地,所述人脸识别装置可以获得每个所述比较对象的证件照的分辨率,然后将每个所述比较对象的证件照的分辨率与分辨率阈值进行比较。如果所述比较对象的证件照的分辨率小于所述分辨率阈值,那么将所述比较对象的证件照输入到所述第一分辨率特征提取分支网络,可以得到所述比较对象的证件照特征。如果所述比较对象的证件照的分辨率大于或者等于所述分辨率阈值,那么将所述比较对象的证件照输入到所述第二分辨率特征提取分支网络,可以得到所述比较对象的证件照特征。对于每个所述比较对象的证件照,可以进行上述过程,从而得到各个所述比较对象的证件照特征。其中,所述分辨率阈值根据实际经验进行设置,本发明实施例不做限定。预先获得各个比较对象的证件照特征,可以在进行人脸识别时,直接利用预先获得的证件照特征,提高了人脸识别的效率。
图7为本发明第七实施例提供的人脸识别方法的流程示意图,如7所示,在上述各实施例的基础上,进一步地,所述根据所述待识别对象的场景照特征以及各个比较对象的证件照特征,获得所述待识别对象的人脸识别结果包括:
S701、计算所述待识别对象的场景照特征与每个所述比较对象的证件照特征之间的距离;
具体地,所述人脸识别装置在获得所述待识别对象的场景照特征之后,可以逐一地计算所述场景照特征与每个所述比较对象的证件照特征之间的距离。
例如,所述人脸识别装置根据公式Sk=E(||T-Fk||2),计算获得第k个比较对象的证件照特征Fk与场景照特征T之间的距离Sk,其中,k为正整数。
S702、获取各个所述比较对象对应的特征距离中最小距离;
具体地,所述人脸识别装置在获得所述待识别对象的场景照特征与每个所述比较对象的证件照特征之间的距离之后,将所述待识别对象的场景照特征与各个所述比较对象的证件照特征之间的距离进行比较,可以获得所述场景照特征与各个所述比较对象的证件照特征之间的距离中的最小距离。
S703、将所述最小距离对应的比较对象的信息作为所述待识别对象的人脸识别结果。
具体地,所述人脸识别装置获得所述最小距离之后,可以获得与所述最小距离对应的比较对象,并获取该比较对象的信息,例如姓名、年龄、籍贯等个人信息,将所述最小距离对应的比较对象的信息作为所述待识别对象的人脸识别结果。其中,所述比较对象的信息根据实际需要进行设置,本发明实施例不做限定。
图8a为本发明第八实施例提供的人脸识别过程示意图,如图8a所示,利用本发明实施例提供的人脸识别方法对张三进行人脸识别的过程如下:
第一步、获取场景照:所述人脸识别装置通过摄像机现场拍摄张三的脸部照片,获取张三的场景照;
第二步、提取场景照特征:所述人脸识别装置将张三的场景照输入到所述场景照识别分支网络,得到张三的场景照特征;
第三步、进行人脸识别:所述人脸识别装置从预先建立的底库特征数据库中获取所有人的证件照特征,然后计算张三的场景照特征与每个人的证件照特征之间的距离,将最小距离对应的个人信息作为张三的人脸识别结果。其中,所述底库特征数据库存储有所有人的证件照特征,以及与每个所述证件照特征对应的个人信息,个人信息例如姓名、年龄、身高、籍贯等信息。所有人的证件照特征是根据所述第一分辨率特征提取分支网络或所述第二分辨率特征提取分支网络预先获得的。
第四步、输出识别结果:输出最小距离所对应的个人信息作为张三的人脸识别结果。
图8b为本发明第九实施例提供的人脸识别模型的结构示意图,如图8b所示,图8a所示的人脸识别过程可以采用图8b所示的人脸识别模型,所述人脸识别模型包括场景照识别分支网络、第一分辨率特征提取分支网络和第二分辨率特征提取分支网络。所述场景照识别分支网络包括所述基础特征提取网络和第三全连接层;所述第一分辨率特征提取分支网络参见附图4;所述第二分辨率特征提取分支网络参见附图6。
将所述场景照输入到所述场景照识别分支网络,可以获得场景照特征。将第一分辨率证件照,即分辨率低于所述分辨率阈值的证件照,输入到第一分辨率特征提取分支网络,可以获得对应的证件照特征,将第二分辨率证件照,即分辨率高于或者等于所述分辨率阈值的证件照输入到第二分辨率特征提取分支网络,可以获得对应的证件照特征。
图9为本发明第十实施例提供的人脸识别装置的结构示意图,如图9所示,本发明实施例提供的人脸识别装置,包括获取单元901、特征获得单元902和人脸识别单元903,其中:
获取单元901用于获取待识别对象的场景照,所述场景照包括所述待识别对象的人脸图像;特征获得单元902用于将所述待识别对象的场景照输入到人脸识别模型的场景照识别分支网络,获得所述待识别对象的场景照特征;其中,所述人脸识别模型是基于第一训练样本数据、第二训练样本数据和第三训练样本数据训练获得的;人脸识别单元903用于根据所述待识别对象的场景照特征以及各个比较对象的证件照特征以及所述人脸识别模型,获得所述待识别对象的人脸识别结果;其中,每个所述比较对象的证件照特征是根据每个所述比较对象的证件照以及所述人脸识别模型的第一分辨率特征提取分支网络或第二分辨率特征提取网络预先获得的。
具体地,待识别对象为个人,当需要对所述待识别对象进行人脸识别时,获取单元901可以获取所述待识别对象的场景照,例如获取单元901可以通过摄像头现场拍摄所述待识别对象,获得所述待识别对象的场景照,或者通过扫描仪扫描所述待识别对象的场景照,获得所述待识别对象的场景照。其中,所述场景照包括所述待识别对象的人脸图像。在本发明实施例中,所述场景照与证件照不同,是指所述个人在某一个现场拍摄的包括人脸照片。
在获得所述待识别对象的场景照之后,特征获得单元902将所述待识别对象的场景照输入到人脸识别模型的场景照识别分支网络,可以获得所述待识别对象的场景照特征。其中,所述人脸识别模型是基于第一训练样本数据、第二训练样本数据和第三训练样本数据训练获得的,所述人脸识别模型包括场景照识别分支网络、第一分辨率特征提取分支网络和第二分辨率特征提取分支网络。
在获得所述待识别对象的场景照特征之后,人脸识别单元903可以根据所述待识别对象的场景照特征和各个比较对象的证件照特征,得到所述待识别对象的人脸识别结果,即从各个比较对象的证件照特征中获得与所述场景照特征最接近的证件照特征,获得最接近的证件照特征对应的比较对象的信息作为所述待识别对象的人脸识别结果。为了提高人脸识别的效率,可以预先获得各个所述比较对象的证件照特征,形成底库特征数据库,所述底库特征数据库包括各个所述比较对象以及各自对应的证件照特征,方便在进行人脸识别的时候调用。所述人脸识别装置可以根据每个所述比较对象的证件照以及所述人脸识别模型的第一分辨率特征提取分支网络或第二分辨率特征提取分支网络获得每个所述比较对象的证件照特征。其中,每个所述比较对象的证件照可以来源于公安系统存储的证件照或者经过授权的第三方机构存储证件照。
本发明实施例提供的人脸识别装置,由于根据待识别对象的场景照进行人脸识别时,能够根据场景照和人脸识别模型的场景照识别分支网络,获得待识别对象的场景照特征,然后根据场景照特征和各个比较对象的证件照以及人脸识别模型的第一分辨率特征提取分支网络或第二分辨率特征提取网络预先获得的各个比较对象的证件照特征,获得待比较对象的人脸识别结果,由于采用第一分辨率特征提取分支网络或第二分辨率特征提取网络提取证件照特征,能够缩小待识别对象的场景照特征和证件照特征之间的差异,提高了人脸识别的准确性。
本发明实施例提供的装置的实施例具体可以用于执行上述各方法实施例的处理流程,其功能在此不再赘述,可以参照上述方法实施例的详细描述。
图10为本发明第十一实施例提供的电子设备的实体结构示意图,如图10所示,该电子设备可以包括:处理器(processor)1010、通信接口(Communications Interface)1020、存储器(memory)1030和通信总线1040,其中,处理器1010,通信接口1020,存储器1030通过通信总线1040完成相互间的通信。处理器1010可以调用存储器1030中的逻辑指令,以执行如下方法:获取待识别对象的场景照,所述场景照包括所述待识别对象的人脸图像;将所述待识别对象的场景照输入到人脸识别模型的场景照识别分支网络,获得所述待识别对象的场景照特征;其中,所述人脸识别模型是基于第一训练样本数据、第二训练样本数据和第三训练样本数据训练获得的;根据所述待识别对象的场景照特征以及各个比较对象的证件照特征,获得所述待识别对象的人脸识别结果;其中,每个所述比较对象的证件照特征是根据每个所述比较对象的证件照以及所述人脸识别模型的第一分辨率特征提取分支网络或第二分辨率特征提取分支网络预先获得的。
此外,上述的存储器930中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本实施例公开一种计算机程序产品,所述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机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各方法实施例所提供的方法,例如包括:获取待识别对象的场景照,所述场景照包括所述待识别对象的人脸图像;将所述待识别对象的场景照输入到人脸识别模型的场景照识别分支网络,获得所述待识别对象的场景照特征;其中,所述人脸识别模型是基于第一训练样本数据、第二训练样本数据和第三训练样本数据训练获得的;根据所述待识别对象的场景照特征以及各个比较对象的证件照特征,获得所述待识别对象的人脸识别结果;其中,每个所述比较对象的证件照特征是根据每个所述比较对象的证件照以及所述人脸识别模型的第一分辨率特征提取分支网络或第二分辨率特征提取分支网络预先获得的。
本实施例提供一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机程序,所述计算机程序使所述计算机执行上述各方法实施例所提供的方法,例如包括:获取待识别对象的场景照,所述场景照包括所述待识别对象的人脸图像;将所述待识别对象的场景照输入到人脸识别模型的场景照识别分支网络,获得所述待识别对象的场景照特征;其中,所述人脸识别模型是基于第一训练样本数据、第二训练样本数据和第三训练样本数据训练获得的;根据所述待识别对象的场景照特征以及各个比较对象的证件照特征,获得所述待识别对象的人脸识别结果;其中,每个所述比较对象的证件照特征是根据每个所述比较对象的证件照以及所述人脸识别模型的第一分辨率特征提取分支网络或第二分辨率特征提取分支网络预先获得的。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (9)
1.一种人脸识别方法,其特征在于,包括:
获取待识别对象的场景照,所述场景照包括所述待识别对象的人脸图像;
将所述待识别对象的场景照输入到人脸识别模型的场景照识别分支网络,获得所述待识别对象的场景照特征;其中,所述人脸识别模型是基于第一训练样本数据、第二训练样本数据和第三训练样本数据训练获得的;
根据所述待识别对象的场景照特征以及各个比较对象的证件照特征,获得所述待识别对象的人脸识别结果;其中,每个所述比较对象的证件照特征是根据每个所述比较对象的证件照以及所述人脸识别模型的第一分辨率特征提取分支网络或第二分辨率特征提取分支网络预先获得的;
基于所述第一训练样本数据、所述第二训练样本数据和所述第三训练样本数据训练获得所述人脸识别模型的步骤包括:
根据第一训练样本数据对第一卷积神经网络模型进行训练,获得所述人脸识别模型的基础特征提取网络;其中,所述第一训练样本数据包括第一预设数量的第一训练样本以及与每个所述第一训练样本对应的识别标识;
根据所述第二训练样本数据对第二卷积神经网络模型进行训练,获得所述人脸识别模型的第一分辨率像素恢复网络;其中,所述第二训练样本数据包括第二预设数量第一分辨率训练样本及与每个所述第一分辨率训练样本一一对应的第二分辨率训练样本,所述第一分辨率训练样本作为所述第二卷积神经网络模型的输入,所述第二分辨率训练样本作为对应的所述第一分辨率训练样本的识别标识;
根据所述第二训练样本数据对第三卷积神经网络模型进行训练,获得所述人脸识别模型的第二分辨率像素压缩网络;其中,所述第二分辨率训练样本作为所述第三卷积神经网络模型的输入,所述第一分辨率训练样本作为对应的所述第二分辨率训练样本的识别标识;
基于所述基础特征提取网络和所述第一分辨率像素恢复网络构建原始第一分辨率特征提取分支网络,基于所述基础特征提取网络和所述第二分辨率像素压缩网络构建原始第二分辨率特征提取分支网络,并基于所述基础特征提取网络构建原始场景照识别分支网络;
基于所述原始场景照识别分支网络、所述原始第一分辨率特征提取分支网络和所述原始第二分辨率特征提取分支网络,建立多分支神经网络模型;
基于所述第三训练样本数据对所述多分支神经网络模型进行训练,获得所述人脸识别模型;其中,所述第三训练样本数据包括第三预设数量组第三训练样本,每组所述第三训练样本包括一个所述第一分辨率训练样本、一个所述第二分辨率训练样本和至少一个场景照训练样本。
2.根据权利要求1所述的人脸识别方法,其特征在于,所述基于所述基础特征提取网络和所述第一分辨率像素恢复网络构建原始第一分辨率特征提取分支网络包括:
设置第一分支网络和第二分支网络具有共同的输入;其中,所述第一分支网络包括所述基础特征提取网络,所述第二分支网络包括所述第一分辨率像素恢复网络和所述基础特征提取网络,所述第一分辨率像素恢复网络的输出作为所述基础特征提取网络的输入;
将所述第一分支网络的输出和所述第二分支网络的输出作为第一特征融合层的输入;
将所述第一特征融合层的输出作为第一全连接层的输入。
3.根据权利要求1所述的人脸识别方法,其特征在于,所述基于所述基础特征提取网络和所述第二分辨率像素压缩网络构建原始第二分辨率特征提取分支网络包括:
设置第三分支网络和第四分支网络具有共同的输入;其中,所述第三分支网络包括所述基础特征提取网络,所述第四分支网络包括所述第二分辨率像素压缩网络和所述基础特征提取网络,所述第二分辨率像素压缩网络的输出作为所述基础特征提取网络的输入;
将所述第三分支网络的输出和所述第四分支网络的输出作为第二特征融合层的输入;
将所述第二特征融合层的输出作为第二全连接层的输入。
4.根据权利要求1所述的人脸识别方法,其特征在于,所述基于所述基础特征提取网络构建原始场景照识别分支网络包括:
将所述基础特征提取网络的输出作为第三全连接层的输入;其中,所述原始场景照识别分支网络包括所述基础特征提取网络和所述第三全连接层。
5.根据权利要求1所述的人脸识别方法,其特征在于,根据每个所述比较对象的证件照以及所述人脸识别模型的第一分辨率特征提取分支网络或第二分辨率特征提取网络预先获得所述每个所述比较对象的证件照特征的步骤包括:
若判断获知所述比较对象的证件照的分辨率小于分辨率阈值,则根据所述比较对象的证件照以及所述第一分辨率特征提取分支网络,获得所述比较对象的证件照特征;或
若判断获知所述比较对象的证件照的分辨率大于或者等于所述分辨率阈值,则根据所述比较对象的证件照以及所述第二分辨率特征提取网络,获得所述比较对象的证件照特征。
6.根据权利要求1至5任一项所述的人脸识别方法,其特征在于,所述根据所述待识别对象的场景照特征以及各个比较对象的证件照特征,获得所述待识别对象的人脸识别结果包括:
计算所述待识别对象的场景照特征与每个所述比较对象的证件照特征之间的距离;
获取所述场景照特征与各个所述比较对象的证件照特征之间的距离中的最小距离;
将所述最小距离对应的比较对象的信息作为所述待识别对象的人脸识别结果。
7.一种人脸识别装置,其特征在于,包括:
获取单元,用于获取待识别对象的场景照,所述场景照包括所述待识别对象的人脸图像;
特征获得单元,用于将所述待识别对象的场景照输入到人脸识别模型的场景照识别分支网络,获得所述待识别对象的场景照特征;其中,所述人脸识别模型是基于第一训练样本数据、第二训练样本数据和第三训练样本数据训练获得的;
人脸识别单元,用于根据所述待识别对象的场景照特征以及各个比较对象的证件照特征以及所述人脸识别模型,获得所述待识别对象的人脸识别结果;其中,每个所述比较对象的证件照特征是根据每个所述比较对象的证件照以及所述人脸识别模型的第一分辨率特征提取分支网络或第二分辨率特征提取网络预先获得的;
基于所述第一训练样本数据、所述第二训练样本数据和所述第三训练样本数据训练获得所述人脸识别模型的步骤包括:
根据第一训练样本数据对第一卷积神经网络模型进行训练,获得所述人脸识别模型的基础特征提取网络;其中,所述第一训练样本数据包括第一预设数量的第一训练样本以及与每个所述第一训练样本对应的识别标识;
根据所述第二训练样本数据对第二卷积神经网络模型进行训练,获得所述人脸识别模型的第一分辨率像素恢复网络;其中,所述第二训练样本数据包括第二预设数量第一分辨率训练样本及与每个所述第一分辨率训练样本一一对应的第二分辨率训练样本,所述第一分辨率训练样本作为所述第二卷积神经网络模型的输入,所述第二分辨率训练样本作为对应的所述第一分辨率训练样本的识别标识;
根据所述第二训练样本数据对第三卷积神经网络模型进行训练,获得所述人脸识别模型的第二分辨率像素压缩网络;其中,所述第二分辨率训练样本作为所述第三卷积神经网络模型的输入,所述第一分辨率训练样本作为对应的所述第二分辨率训练样本的识别标识;
基于所述基础特征提取网络和所述第一分辨率像素恢复网络构建原始第一分辨率特征提取分支网络,基于所述基础特征提取网络和所述第二分辨率像素压缩网络构建原始第二分辨率特征提取分支网络,并基于所述基础特征提取网络构建原始场景照识别分支网络;
基于所述原始场景照识别分支网络、所述原始第一分辨率特征提取分支网络和所述原始第二分辨率特征提取分支网络,建立多分支神经网络模型;
基于所述第三训练样本数据对所述多分支神经网络模型进行训练,获得所述人脸识别模型;其中,所述第三训练样本数据包括第三预设数量组第三训练样本,每组所述第三训练样本包括一个所述第一分辨率训练样本、一个所述第二分辨率训练样本和至少一个场景照训练样本。
8.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至6任一项所述人脸识别方法的步骤。
9.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1至6任一项所述人脸识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910322661.9A CN111832364B (zh) | 2019-04-22 | 2019-04-22 | 一种人脸识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910322661.9A CN111832364B (zh) | 2019-04-22 | 2019-04-22 | 一种人脸识别方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111832364A CN111832364A (zh) | 2020-10-27 |
CN111832364B true CN111832364B (zh) | 2024-04-23 |
Family
ID=72912425
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910322661.9A Active CN111832364B (zh) | 2019-04-22 | 2019-04-22 | 一种人脸识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111832364B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107516076A (zh) * | 2017-08-10 | 2017-12-26 | 苏州妙文信息科技有限公司 | 人像识别方法及装置 |
CN108009528A (zh) * | 2017-12-26 | 2018-05-08 | 广州广电运通金融电子股份有限公司 | 基于Triplet Loss的人脸认证方法、装置、计算机设备和存储介质 |
CN109508625A (zh) * | 2018-09-07 | 2019-03-22 | 咪咕文化科技有限公司 | 一种情感数据的分析方法及装置 |
-
2019
- 2019-04-22 CN CN201910322661.9A patent/CN111832364B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107516076A (zh) * | 2017-08-10 | 2017-12-26 | 苏州妙文信息科技有限公司 | 人像识别方法及装置 |
CN108009528A (zh) * | 2017-12-26 | 2018-05-08 | 广州广电运通金融电子股份有限公司 | 基于Triplet Loss的人脸认证方法、装置、计算机设备和存储介质 |
CN109508625A (zh) * | 2018-09-07 | 2019-03-22 | 咪咕文化科技有限公司 | 一种情感数据的分析方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN111832364A (zh) | 2020-10-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
RU2697638C1 (ru) | Способ и устройство для автономной аутентификации личности | |
WO2020098250A1 (zh) | 字符识别方法、服务器及计算机可读存储介质 | |
US10262190B2 (en) | Method, system, and computer program product for recognizing face | |
EP3229171A1 (en) | Method and device for determining identity identifier of human face in human face image, and terminal | |
CN112801054B (zh) | 人脸识别模型的处理方法、人脸识别方法及装置 | |
CN107545277B (zh) | 模型训练、身份验证方法、装置、存储介质和计算机设备 | |
CN109190470B (zh) | 行人重识别方法及装置 | |
JP2022532177A (ja) | 偽造された顔の認識方法、装置、および非一時的コンピュータ可読記憶媒体 | |
CN110570443B (zh) | 一种基于结构约束条件生成模型的图像线状目标提取方法 | |
JP2021089730A (ja) | 畳み込みニューラルネットワークによって、入力画像内で可視である少なくとも1つの対象要素を検出する方法 | |
CN112132167B (zh) | 图像生成和神经网络训练方法、装置、设备和介质 | |
CN104168112A (zh) | 一种基于多模态生物特征的密钥生成方法 | |
CN111860496A (zh) | 车牌识别方法、装置、设备及计算机可读存储介质 | |
KR20210100592A (ko) | 휴리스틱 가우스 클라우드 변환에 기반하는 얼굴인식 기술 | |
CN111178130A (zh) | 一种基于深度学习的人脸识别方法、系统和可读存储介质 | |
CN111695502A (zh) | 用于人脸识别的特征更新方法、装置和计算机设备 | |
CN113642639B (zh) | 活体检测方法、装置、设备和存储介质 | |
CN108090488A (zh) | 一种基于大数据ocr物联网的人工智能工会信息录入系统 | |
CN110942067A (zh) | 文本识别方法、装置、计算机设备和存储介质 | |
CN111832364B (zh) | 一种人脸识别方法及装置 | |
CN112613471A (zh) | 人脸活体检测方法、装置及计算机可读存储介质 | |
CN116229528A (zh) | 一种活体掌静脉检测方法、装置、设备及存储介质 | |
CN113807237B (zh) | 活体检测模型的训练、活体检测方法、计算机设备及介质 | |
CN114882582A (zh) | 基于联邦学习模式的步态识别模型训练方法与系统 | |
CN115115552A (zh) | 图像矫正模型训练及图像矫正方法、装置和计算机设备 |
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 | ||
GR01 | Patent grant |