CN111914628A - 人脸识别模型的训练方法和装置 - Google Patents

人脸识别模型的训练方法和装置 Download PDF

Info

Publication number
CN111914628A
CN111914628A CN202010564107.4A CN202010564107A CN111914628A CN 111914628 A CN111914628 A CN 111914628A CN 202010564107 A CN202010564107 A CN 202010564107A CN 111914628 A CN111914628 A CN 111914628A
Authority
CN
China
Prior art keywords
image
face
training
occlusion
face image
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.)
Granted
Application number
CN202010564107.4A
Other languages
English (en)
Other versions
CN111914628B (zh
Inventor
范彦文
余席宇
张刚
刘经拓
王海峰
丁二锐
韩钧宇
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 Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and Technology 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 Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN202010564107.4A priority Critical patent/CN111914628B/zh
Priority to PCT/CN2020/117009 priority patent/WO2021253665A1/zh
Publication of CN111914628A publication Critical patent/CN111914628A/zh
Priority to US18/083,313 priority patent/US20230120985A1/en
Application granted granted Critical
Publication of CN111914628B publication Critical patent/CN111914628B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06V40/166—Detection; Localisation; Normalisation using acquisition arrangements
    • 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
    • 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
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/24—Aligning, centring, orientation detection or correction of the image
    • G06V10/247—Aligning, centring, orientation detection or correction of the image by affine transforms, e.g. correction due to perspective effects; Quadrilaterals, e.g. trapezoids
    • 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
    • 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
    • G06V10/273—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 removing elements interfering with the pattern to be recognised
    • 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
    • G06V10/34—Smoothing or thinning of the pattern; Morphological operations; Skeletonisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/72—Data preparation, e.g. statistical preprocessing of image or video features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/7715—Feature extraction, e.g. by transforming the feature space, e.g. multi-dimensional scaling [MDS]; Mappings, e.g. subspace 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
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of 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
    • G06V40/161—Detection; Localisation; Normalisation
    • G06V40/162—Detection; Localisation; Normalisation using pixel segmentation or colour matching
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

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

Abstract

本申请公开了一种人脸识别模型的训练方法和装置，涉及人工智能、深度学习及计算机视觉技术领域，具体涉及人脸识别技术领域。具体实现方案为：获取第一训练图像，第一训练图像为未遮挡人脸图像，并获取多个遮挡物图像后，将多个遮挡物图像分别融合至未遮挡人脸图像，以生成多个第二训练图像，将第一训练图像和第二训练图像输入人脸识别模型，以对人脸识别模型进行训练。由此，采用未遮挡人脸图像和融合得到的多个第二训练图像对人脸识别模型进行训练，使得训练后的人脸识别模型能够同时准确识别出未遮挡人脸图像和遮挡人脸图像，解决了现有的人脸识别模型对存在遮挡物的人脸图像识别时精确率较低，甚至无法识别存在遮挡物的人脸图像的技术问题。

Description

人脸识别模型的训练方法和装置
技术领域
本申请涉及人工智能、深度学习以及计算机视觉，具体涉及人脸识别技术领域，尤其涉及一种人脸识别模型的训练方法和装置。
背景技术
目前，人脸识别技术已经被广泛应用到视频监控、安防以及金融支付等场合。在实际自然场景中的人脸识别，由于人脸可能会被口罩、围巾等遮挡物大面积遮挡，从而导致人的脸部特征大量丢失的情况。
现有的人脸识别技术中，可以根据采集到的人脸识别图像，准确地识别得到人脸识别结果。但是，当前的人脸识别技术中不能同时识别出标准人脸图像和有遮挡物的人脸图像，存在对人脸上有遮挡物的人脸图像进行识别的精确度较低，甚至无法识别的问题。
发明内容
本申请提供了一种人脸识别模型的训练方法、装置、电子设备以及存储介质。
本申请第一方面实施例提供了人脸识别模型的训练方法，包括：
获取第一训练图像，所述第一训练图像为未遮挡人脸图像，并获取多个遮挡物图像；
将所述多个遮挡物图像分别融合至所述未遮挡人脸图像，以生成所述多个第二训练图像；以及
将所述第一训练图像和所述第二训练图像输入人脸识别模型，以对所述人脸识别模型进行训练。
本申请第二方面实施例提供的人脸识别模型的训练装置，包括：
获取模块，用于获取第一训练图像，所述第一训练图像为未遮挡人脸图像，并获取多个遮挡物图像；
生成模块，用于将所述多个遮挡物图像分别融合至所述未遮挡人脸图像，以生成所述多个第二训练图像；以及
训练模块，用于将所述第一训练图像和所述第二训练图像输入人脸识别模型，以对所述人脸识别模型进行训练。
本申请第三方面实施例提供了一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行第一方面实施例的人脸识别模型的训练方法。
本申请第四方面实施例提供了一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行第一方面实施例的人脸识别模型的训练方法。
上述申请中的一个实施例具有如下优点或有益效果：通过未遮挡人脸图像以及将多个遮挡物融合至未遮挡人脸图像得到的多个第二训练图像，对人脸识别模型进行训练，使得训练后的人脸识别模型能够同时准确识别出未遮挡人脸图像和遮挡人脸图像，解决了现有的人脸识别模型对存在遮挡物的人脸图像进行识别时精确率较低，甚至无法识别存在遮挡物的人脸图像的技术问题。
应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案，不构成对本申请的限定。其中：
图1为本申请实施例一提供的人脸识别模型的训练方法的流程示意图；
图2为本申请实施例二提供的用于获取遮挡物图像的子流程示意图；
图3为本申请实施例三提供的用于生成第二训练图像的子流程示意图；
图4为本申请实施例四提供的人脸识别模型的训练装置的结构示意图；
图5是用来实现本申请实施例的人脸识别模型的训练方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
相关技术中的有的人脸识别模型，没有遮挡人脸的识别能力，或者遮挡人脸的识别率很低，那么不能满足遮挡的人脸识别场景。但是，部分有遮挡人脸识别能力的模型，为了提高遮挡物识别效果，而牺牲了未被遮挡的标准人脸的识别率。
针对上述现有的人脸识别模型无法同时准确的对遮挡的人脸和未遮挡人脸进行识别的技术问题，本申请提出了一种人脸识别模型的训练方法，根据未遮挡人脸图像和遮挡的人脸图像对人脸识别模型进行训练，从而使得训练后的模型能够准确识别出未遮挡人脸和遮挡的人脸，解决了现有的人脸识别模型对存在遮挡物的人脸图像进行识别时精确率较低，甚至无法识别存在遮挡物的人脸图像的技术问题。
下面参考附图描述本申请实施例的人脸识别模型的训练方法、装置、电子设备和存储介质。
图1为本申请实施例一提供的人脸识别模型的训练方法的流程示意图。
本申请实施例以该人脸识别模型的训练方法被配置于人脸识别模型的训练装置中来举例说明，该人脸识别模型的训练装置可以应用于任一电子设备中，以使该电子设备可以执行人脸识别模型的训练功能。
其中，电子设备可以为个人电脑(Personal Computer，简称PC)、云端设备、移动设备等，移动设备例如可以为手机、平板电脑、个人数字助理、穿戴式设备、车载设备等具有各种操作系统、显示屏/触摸屏的硬件设备。
作为一种可能的情况，该人脸识别模型的训练方法还可以在服务器端执行，服务器可以为云服务器，可以在云端执行人脸识别模型的训练方法。
如图1所示，该人脸识别模型的训练方法，可以包括以下步骤：
步骤101，获取第一训练图像，第一训练图像为未遮挡人脸图像，并获取多个遮挡物图像。
其中，第一训练图像为未遮挡人脸图像，也就是未被任何遮挡物遮挡的标准人脸图像。
作为一种可能的实现方式，第一训练图像，可以为由终端设备采集的图像，或者通过电子设备输入的未遮挡的人脸图像，也可以为从服务器下载的未遮挡的人脸图像，等等，在此不做限定。
例如，小区门口的摄像头或者终端采集到的未遮挡的人脸图像，用户进行刷脸支付时，终端设备采集的未遮挡的人脸图像，还可以为公司或学校的考勤系统采集的未遮挡的人脸图像，等等。
本申请中的遮挡物，可以为遮挡住人脸的物品，可以为口罩、面纱、面罩、围巾等等。遮挡物图像，可以为遮挡物对应的图像，例如，各种口罩图像。
作为一种可能的情况，遮挡物图像，可以通过终端设备采集的独立放置的遮挡物得到的，还可以为对终端设备采集的佩戴有遮挡物的人脸图像进行图像分割得到的，等等，在此不做限定。
需要说明的是，对多个不同的遮挡物进行拍摄时，可以采集得到多个类型不同的遮挡物图像。例如，假设遮挡物可以为口罩，可以采集不同类型的口罩图像，以得到多个遮挡物图像。
步骤102，将多个遮挡物图像分别融合至未遮挡人脸图像，以生成多个第二训练图像。
其中，第二训练图像，是指被遮挡物遮挡的人脸图像。例如，戴口罩的人脸图像，戴面罩的人脸图像，等等。为了便于与未遮挡人脸图像进行区分，本申请中将用于训练人脸识别模型的遮挡的人脸图像命名为第二训练图像，当然也可以采用其他的命名方式，在此不做限定。
本申请实施例中，在获取到未遮挡人脸图像和多个遮挡物图像后，可以将多个遮挡物图像分别融合至未遮挡人脸图像的指定位置，以生成多个第二训练图像。
作为一种可能的实现方式，可以分别将多个遮挡物图像融合至未遮挡图像的指定位置，以进行融合，得到多个第二训练图像。例如，假设遮挡物图像为口罩图像，可以将多个遮挡物图像融合至未遮挡人脸图像的戴口罩位置，以遮挡住人脸的鼻子、嘴巴以及下巴等部位，然后，通过图像融合，得到多个第二训练图像。
步骤103，将第一训练图像和第二训练图像输入人脸识别模型，以对人脸识别模型进行训练。
其中，人脸识别模型，可以为现有的能够对采集得到的未遮挡人脸图像的进行准确识别的模型。
本申请实施例中，在获取到第一训练图像和第二训练图像后，可以将第一训练图像和第二训练图像输入人脸识别模型，通过对人脸识别模型的参数进行调整，使得调整参数后的人脸识别以对人脸识别模型进行训练，使得训练后的人脸识别模型能够准确识别出遮挡人脸图像和未遮挡人脸图像。
需要说明的是，为了使得训练后的人脸识别模型，能够同时精确的识别出未遮挡人脸和遮挡人脸，可以将输入人脸识别模型的第一训练图像和第二训练图像设置为相同的数量。例如，输入人脸识别模型的第一训练图像可以为1000张，第二训练图像同样为1000张。
作为本申请实施例的一种可能的情况，人脸识别模型，可以包括特征提取网络和识别模块，将第一训练图像和第二训练图像输入人脸识别模型后，特征提取网络可以根据预设的特征提取权重，对输入的图像进行特征提取，以得到人脸图像的特征图。进一步的，将提取得到的人脸图像的特征图与模型库中预先存储的特征图进行比较，以根据比较结果对人脸识别模型的参数进行调整，从而得到能够准确识别出未遮挡人脸图像和遮挡人脸图像的人脸识别模型。
可以理解的是，遮挡人脸图像中大多是对人脸的鼻子、嘴巴、下巴等部位进行遮挡，为了加强对遮挡人脸图像和未遮挡人脸图像的共有区域的特征学习，提高人脸识别模型对遮挡人脸图像的识别效果，同时解决支持遮挡人脸图像的人脸识别后，未遮挡人脸图像的人脸识别的准确率下降的问题。现有的人脸识别模型，会相对均匀的提取到人脸图像中的各个区域的特征信息，比如眼睛、嘴巴、鼻子等，然后用这些特征作比对。但是脸部被遮挡后，如嘴巴、鼻子等位置被遮挡，无法正常提取到相应的特征，导致特征信息损失很大。
因此，本申请中可以通过设定特征提取权重，以根据预设的特征提取权重，对人脸图像进行特征提取。作为一种可能的实现方式，可以通过加强对眼睛区域的特征提取，同时主动弱化遮挡区域的特征重要性，这样对未遮挡人脸图像，人脸下半部分的特征提取能力虽然弱化，但因为本身的重要性低，因此对识别效果影响不大。
本申请实施例的人脸识别模型的训练方法，通过未遮挡人脸图像以及将多个遮挡物融合至未遮挡人脸图像得到的多个第二训练图像，对人脸识别模型进行训练，使得训练后的人脸识别模型能够同时准确识别出未遮挡人脸图像和遮挡人脸图像，解决了现有的人脸识别模型对存在遮挡物的人脸图像进行识别时精确率较低，甚至无法识别存在遮挡物的人脸图像的技术问题。
在上述实施例的基础上，为了提高获取到的遮挡物图像与人脸佩戴遮挡物后人脸图像中的遮挡物对应的图像区域更加匹配，可以从佩戴有遮挡物的人脸图像中提取出多个遮挡物图像。下面结合图2对上述过程进行详细介绍，图2为本申请实施例二提供的用于获取遮挡物图像的子流程示意图。
如图2所示，上述步骤101还可以包括以下步骤：
步骤201，获取多个遮挡样本人脸图像，其中，遮挡样本人脸图像中标注有遮挡区域的边界坐标。
其中，遮挡样本人脸图像，可以为佩戴有遮挡物的人脸图像，并且遮挡样本人脸图像中标注有遮挡区域的边界坐标。其中，遮挡区域，是指人脸图像中遮挡物对应的图像区域。
本申请实施例中，遮挡样本人脸图像，可以为由终端设备采集的图像，或者由电子设备输入的遮挡的人脸图像，也可以为从服务器下载的遮挡的人脸图像，等等，在此不做限定。
步骤202，分别获取多个遮挡样本人脸图像之中对应遮挡区域的边界坐标。
本申请中，由于遮挡样本人脸图像中标注有遮挡区域的边界坐标，因此，在获取到多个遮挡样本人脸图像后，可以分别获取到多个遮挡样本人脸图像之中对应遮挡区域的边界坐标。
举例来说，假设遮挡物为口罩，可以预先在遮挡样本人脸图像中标注有戴口罩区域对应的边界坐标，进而可以获取到遮挡样本人脸图像中对应口罩区域的边界坐标。
步骤203，根据遮挡区域的边界坐标，从多个遮挡样本人脸图像之中提取得到多个遮挡物图像。
其中，遮挡物图像，可以为遮挡物对应的图像，例如，各种口罩图像。
本申请实施例中，确定每一个遮挡样本人脸图像中对应遮挡区域的边界坐标后，可以根据遮挡区域的边界坐标，从多个遮挡样本人脸图像中提取得到多个遮挡物图像。
作为一种可能的实现方式，确定每一个遮挡样本人脸图像中对应遮挡区域的边界坐标后，可以根据遮挡区域的边界坐标，从遮挡样本人脸图像中相应边界坐标处做分割处理，以得到对应的遮挡物图像。
本申请实施例中，通过多个遮挡样本人脸图像中标注有遮挡区域的边界坐标，可以从多个遮挡样本人脸图像之中提取得到多个遮挡物图像。由此，使得获取到的遮挡物图像与人脸佩戴遮挡物后人脸图像中的遮挡物对应的图像区域更加匹配，从而有利于提高训练后的人脸识别模型对遮挡人脸图像的人脸能力。
在上述实施例的基础上，作为一种可能的情况，为了使得训练后的人脸识别模型，同时具备识别未遮挡人脸图像和遮挡人脸图像的识别能力，可以生成更加真实的遮挡人脸图像，也就是第二训练图像。下面结合图3对上述过程进行详细介绍，图3为本申请实施例三提供的用于生成第二训练图像的子方法的流程示意图。
如图3所示，上述步骤102，还可以包括以下子步骤：
步骤301，获取每个遮挡物图像对应位置的人脸关键点，并根据每个遮挡物图像对应位置的人脸关键点将每个遮挡物图像划分为多个第一三角区域。
在一种可能的情况下，每一个遮挡样本人脸图像中标注有人脸的关键点，在获取到多个遮挡物图像后，可以获取到遮挡物图像对应位置的人脸关键点。进一步的，根据每个遮挡物图像对应位置的人脸关键点，对每个遮挡物图像进行三角剖分，以将每个遮挡物图像划分为多个第一三角区域。
其中，三角剖分，是指对任意多的关键点点，分割为多个三角形，任意一个三角形的外接圆都不应该包含其它顶点，如果包含则继续寻找组合，直到遮挡物图像中的所有关键点满足此条件，最终得到多个三角形。
本申请实施例中，为了便于区域对未遮挡人脸图像进行三角剖分得到的多个三角区域，在此将对每个遮挡物图像进行三角剖分得到的三角形区域，命名为第一三角区域。
作为一种示例，在获取到每个遮挡物图像的关键点后，可以根据每个遮挡物图像的关键点，将每个遮挡物图像划分为51个三角区域。
步骤302，获取未遮挡人脸图像的关键点，并根据未遮挡人脸图像的关键点将未遮挡人脸图像划分为多个第二三角区域。
本申请实施例中，获取到未遮挡人脸图像后，对未遮挡人脸图像进行关键点提取，以获取到未遮挡人脸图像的关键点。作为一种可能的实现方式，可以将未遮挡人脸图像输入已经经过训练的关键点提取模型，以根据模型的输出确定未遮挡人脸图像的关键点。其中，未遮挡人脸图像的关键点，可以包括嘴巴、鼻子、眼睛、眉毛等关键点。
本申请实施例中，获取到未遮挡人脸图像的关键点后，可以根据未遮挡人脸图像的关键点，对未遮挡人脸图像进行三角剖分，以将未遮挡人脸图像划分为多个第二三角区域。
步骤303，获取多个第一三角区域和多个第二三角区域之间的映射关系。
本申请实施例中，遮挡物图像和未遮挡人脸图像中存在相同的关键点，可以根据遮挡物图像和未遮挡人脸图像中存在的相同关键点对应的位置，建立多个第一三角区域和多个第二三角区域之间的映射关系。
步骤304，根据映射关系将遮挡物图像仿射至未遮挡人脸图像，以得到第一候选遮挡人脸图像。
本申请实施例中，可以根据遮挡物图像中的多个第一三角区域和未遮挡人脸图像中多个第二三角区域之间的映射关系，将遮挡物图像仿射至未遮挡人脸图像，以得到第一候选遮挡人脸图像。
可以理解为，可以将遮挡物图像仿射至未遮挡人脸图像，从而使得未遮挡人脸图像佩戴有遮挡物，成为遮挡人脸图像。
作为一种示例，假设遮挡物图像为口罩图像，将口罩图像仿射至未佩戴口罩的人脸图像，可以得到佩戴有口罩的遮挡人脸图像。
步骤305，根据第一候选遮挡人脸图像生成第二训练图像。
作为一种可能的情况，将遮挡物图像仿射至未遮挡人脸图像，得到的第一候选遮挡人脸图像为标准佩戴遮挡物的人脸图像，此时，可以将第一候选遮挡人脸图像作为第二训练图像，以根据生成的第二训练图像对人脸识别模型进行训练。由此，可以得到佩戴遮挡物标准的遮挡人脸图像，从而在对人脸识别模型进行训练后，有利于提高模型识别的准确率。
作为另一种可能的情况，将遮挡物图像仿射至未遮挡人脸图像，得到的第一候选遮挡人脸图像中可能存在遮挡物佩戴不规范的情况。例如，用户佩戴口罩时，戴的比较低导致鼻子未被遮挡，这是根据遮挡区域的边界坐标提取得到的遮挡物图像中会包含有鼻子部分，从而导致将遮挡物图像仿射至未遮挡人脸图像时，鼻子部分也被仿射至未遮挡人脸图像中。这种情况下，生成的第一候选遮挡人脸图像中包含有鼻子部分。为了得到标准的遮挡人脸图像，可以将遮挡区域的边界坐标仿射至未遮挡人脸图像坐标，得到第二候选遮挡人脸图像的坐标，进而，根据第二候选遮挡人脸图像的坐标，去除第一候选遮挡人脸图像中的未遮挡区域，以得到仿射遮挡物图像，最终，将仿射遮挡物图像与未遮挡人脸图像进行融合，得到第二训练图像。
需要说明的是，将仿射遮挡物图像与未遮挡人脸图像进行融合时，为了提高生成的第二训练图像的质量，可以对融合的边界进行平滑处理，以得到较高质量的第二训练图像。
作为一种可能的情况，上述实施例中的人脸识别模型可以包括特征提取网络和识别模块。
其中，特征提取网络，用于根据预设的特征提取权重，获取人脸图像的特征图。
可以理解的是，相关技术中的人脸识别模型，会相对均匀的提取到人脸中各个区域的特征信息，比如眼睛、嘴巴、鼻子等，然后用这些特征作比对。但是戴口罩后，嘴巴鼻子等位置遮挡，无法正常提取到特征，特征信息损失很大。为了提高人脸识别模型的识别准确率，同时保证模型能够识别出未遮挡人脸图像和人脸遮挡图像，可以在特征提取时，加强眼睛区域的特征提取。也就是说，可以将眼睛区域设置较高的提取权重，从而获取到根据预设的特征提取权重，提取到的人脸图像的特征图。
识别模块，用于将人脸图像的特征图与模型库中预先存储的特征图进行比较，以根据比较结果确定人脸识别结果。
可以理解为，人脸识别模型中包含有未遮挡图像对应的特征图的模型库，以及遮挡图像对应的特征图的模型库，在特征提取网络提取到人脸图像的特征图后，可以将人脸图像的特征图与模型库中预先存储的特征图进行比较，以根据比较结果确定人脸识别结果。
为了实现上述实施例，本申请提出了一种人脸识别模型的训练装置。
图4为本申请实施例四提供的人脸识别模型的训练装置的结构示意图。
如图4所示，该人脸识别模型的训练装置400，可以包括：获取模块410、生成模块420以及训练模块430。
其中，获取模块410，用于获取第一训练图像，第一训练图像为未遮挡人脸图像，并获取多个遮挡物图像。
生成模块420，用于将多个遮挡物图像分别融合至未遮挡人脸图像，以生成多个第二训练图像；以及
训练模块430，用于将第一训练图像和第二训练图像输入人脸识别模型，以对人脸识别模型进行训练。
作为一种可能的情况，获取模块410，还可以包括：
第一获取单元，用于获取多个遮挡样本人脸图像，其中，遮挡样本人脸图像中标注有遮挡区域的边界坐标；
第二获取单元，用于分别获取多个遮挡样本人脸图像之中对应遮挡区域的边界坐标；以及
提取单元，用于根据遮挡区域的边界坐标，从多个遮挡样本人脸图像之中提取得到多个遮挡物图像。
作为另一种可能的情况，遮挡样本人脸图像中标注有人脸关键点，生成模块420，可以包括：
第一划分单元，用于获取每个遮挡物图像对应位置的人脸关键点，并根据每个遮挡物图像对应位置的人脸关键点将每个遮挡物图像划分为多个第一三角区域。
第二划分单元，用于获取未遮挡人脸图像的关键点，并根据未遮挡人脸图像的关键点将未遮挡人脸图像划分为多个第二三角区域。
第三获取单元，用于获取多个第一三角区域和多个第二三角区域之间的映射关系。
仿射单元，用于根据映射关系将遮挡物图像仿射至未遮挡人脸图像，以得到第一候选遮挡人脸图像。
生成单元，用于根据第一候选遮挡人脸图像生成第二训练图像。
作为另一种可能的情况，生成单元，还可以用于：
将遮挡区域的边界坐标仿射至未遮挡人脸图像坐标，得到第二候选遮挡人脸图像的坐标；
根据第二候选遮挡人脸图像的坐标，去除第一候选遮挡人脸图像中的未遮挡区域，以得到仿射遮挡物图像；
将仿射遮挡物图像与未遮挡人脸图像进行融合，得到第二训练图像。
作为另一种可能的情况，人脸识别模型包括特征提取网络和识别网络；
特征提取网络，用于根据预设的特征提取权重，获取人脸图像的特征图；
识别模块，用于将人脸图像的特征图与模型库中预先存储的特征图进行比较，以根据比较结果确定人脸识别结果。
作为另一种可能的情况，输入人脸识别模型的第一训练图像和第二训练图像的数量级相同。
需要说明的是，前述对人脸识别模型的训练方法实施例的解释说明也适用于该实施例的人脸识别模型的训练装置，此处不再赘述。
本申请实施例的人脸识别模型的训练装置，通过未遮挡人脸图像以及将多个遮挡物融合至未遮挡人脸图像得到的多个第二训练图像，对人脸识别模型进行训练，使得训练后的人脸识别模型能够同时准确识别出未遮挡人脸图像和遮挡人脸图像，解决了现有的人脸识别模型对存在遮挡物的人脸图像进行识别时精确率较低，甚至无法识别存在遮挡物的人脸图像的技术问题。
为了实现上述实施例，本申请提出了一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述实施例所述的人脸识别模型的训练方法。
为了实现上述实施例，本申请提出了一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行上述实施例所述的人脸识别模型的训练。
根据本申请的实施例，本申请还提供了一种电子设备和一种可读存储介质。
如图5所示，是根据本申请实施例的人脸识别模型的训练方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图5所示，该电子设备包括：一个或多个处理器501、存储器502，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个电子设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图5中以一个处理器501为例。
存储器502即为本申请所提供的非瞬时计算机可读存储介质。其中，所述存储器存储有可由至少一个处理器执行的指令，以使所述至少一个处理器执行本申请所提供的人脸识别模型的训练方法。本申请的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本申请所提供的人脸识别模型的训练方法。
存储器502作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本申请实施例中的人脸识别模型的训练方法对应的程序指令/模块(例如，附图4所示的获取模块410、生成模块420以及训练模块430)。处理器501通过运行存储在存储器502中的非瞬时软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例中的人脸识别模型的训练方法。
存储器502可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据电子设备的使用所创建的数据等。此外，存储器502可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器502可选包括相对于处理器501远程设置的存储器，这些远程存储器可以通过网络连接至电子设备。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。
电子设备还可以包括：输入装置503和输出装置504。处理器501、存储器502、输入装置503和输出装置504可以通过总线或者其他方式连接，图5中以通过总线连接为例。
输入装置503可接收输入的数字或字符信息，以及产生与电子设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置504可以包括显示设备、辅助照明装置(例如，LED)和触觉反馈装置(例如，振动电机)等。该显示设备可以包括但不限于，液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中，显示设备可以是触摸屏。
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令，并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置(PLD))，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。
根据本申请实施例的技术方案，通过未遮挡人脸图像以及将多个遮挡物融合至未遮挡人脸图像得到的多个第二训练图像，对人脸识别模型进行训练，使得训练后的人脸识别模型能够同时准确识别出未遮挡人脸图像和遮挡人脸图像，解决了现有的人脸识别模型对存在遮挡物的人脸图像进行识别时精确率较低，甚至无法识别存在遮挡物的人脸图像的技术问题。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。

Claims (14)

1.一种人脸识别模型的训练方法，所述方法包括：
获取第一训练图像，所述第一训练图像为未遮挡人脸图像，并获取多个遮挡物图像；
将所述多个遮挡物图像分别融合至所述未遮挡人脸图像，以生成所述多个第二训练图像；以及
将所述第一训练图像和所述第二训练图像输入人脸识别模型，以对所述人脸识别模型进行训练。
2.如权利要求1所述的训练方法，其中，所述获取多个遮挡物图像，包括：
获取多个遮挡样本人脸图像，其中，所述遮挡样本人脸图像中标注有遮挡区域的边界坐标；
分别获取所述多个遮挡样本人脸图像之中对应遮挡区域的边界坐标；以及
根据所述遮挡区域的边界坐标，从多个遮挡样本人脸图像之中提取得到所述多个遮挡物图像。
3.如权利要求2所述的训练方法，其中，所述遮挡样本人脸图像中标注有人脸关键点，所述将所述多个遮挡物图像分别融合至所述未遮挡人脸图像，以生成多个第二训练图像，包括：
获取所述每个遮挡物图像对应位置的人脸关键点，并根据所述每个遮挡物图像对应位置的人脸关键点将所述每个遮挡物图像划分为多个第一三角区域；
获取所述未遮挡人脸图像的关键点，并根据所述未遮挡人脸图像的关键点将所述未遮挡人脸图像划分为多个第二三角区域；
获取所述多个第一三角区域和所述多个第二三角区域之间的映射关系；
根据所述映射关系将所述遮挡物图像仿射至所述未遮挡人脸图像，以得到第一候选遮挡人脸图像；以及
根据所述第一候选遮挡人脸图像生成所述第二训练图像。
4.如权利要求3所述的训练方法，其中，所述根据所述第一候选遮挡人脸图像生成所述第二训练图像，包括：
将所述遮挡区域的边界坐标仿射至所述未遮挡人脸图像坐标，得到第二候选遮挡人脸图像的坐标；
根据所述第二候选遮挡人脸图像的坐标，去除第一候选遮挡人脸图像中的未遮挡区域，以得到仿射遮挡物图像；
将所述仿射遮挡物图像与所述未遮挡人脸图像进行融合，得到所述第二训练图像。
5.如权利要求1-4任一项所述的训练方法，其中，所述人脸识别模型包括特征提取网络和识别模块；
所述特征提取网络，用于根据预设的特征提取权重，获取人脸图像的特征图；
所述识别模块，用于将所述人脸图像的特征图与模型库中预先存储的特征图进行比较，以根据比较结果确定人脸识别结果。
6.如权利要求1-4任一项所述的训练方法，其中，输入所述人脸识别模型的第一训练图像和第二训练图像的数量级相同。
7.一种人脸识别模型的训练装置，所述装置包括：
获取模块，用于获取第一训练图像，所述第一训练图像为未遮挡人脸图像，并获取多个遮挡物图像；
生成模块，用于将所述多个遮挡物图像分别融合至所述未遮挡人脸图像，以生成所述多个第二训练图像；以及
训练模块，用于将所述第一训练图像和所述第二训练图像输入人脸识别模型，以对所述人脸识别模型进行训练。
8.如权利要求7所述的训练装置，其中，所述获取模块，还包括：
第一获取单元，用于获取多个遮挡样本人脸图像，其中，所述遮挡样本人脸图像中标注有遮挡区域的边界坐标；
第二获取单元，用于分别获取所述多个遮挡样本人脸图像之中对应遮挡区域的边界坐标；以及
提取单元，用于根据所述遮挡区域的边界坐标，从多个遮挡样本人脸图像之中提取得到所述多个遮挡物图像。
9.如权利要求8所述的训练装置，其中，所述遮挡样本人脸图像中标注有人脸关键点，所述生成模块，包括：
第一划分单元，用于获取所述每个遮挡物图像对应位置的人脸的关键点，并根据所述每个遮挡物图像对应位置的人脸关键点将所述每个遮挡物图像划分为多个第一三角区域；
第二划分单元，用于获取所述未遮挡人脸图像的关键点，并根据所述未遮挡人脸图像的关键点将所述未遮挡人脸图像划分为多个第二三角区域；
第三获取单元，用于获取所述多个第一三角区域和所述多个第二三角区域之间的映射关系；
仿射单元，用于根据所述映射关系将所述遮挡物图像仿射至所述未遮挡人脸图像，以得到第一候选遮挡人脸图像；以及
生成单元，用于根据所述第一候选遮挡人脸图像生成所述第二训练图像。
10.如权利要求9所述的训练装置，其中，所述生成单元，还用于：
将所述遮挡区域的边界坐标仿射至所述未遮挡人脸图像坐标，得到第二候选遮挡人脸图像的坐标；
根据所述第二候选遮挡人脸图像的坐标，去除第一候选遮挡人脸图像中的未遮挡区域，以得到仿射遮挡物图像；
将所述仿射遮挡物图像与所述未遮挡人脸图像进行融合，得到所述第二训练图像。
11.如权利要求7-10任一项所述的训练装置，其中，所述人脸识别模型包括特征提取网络和识别模块；
所述特征提取网络，用于根据预设的特征提取权重，获取人脸图像的特征图；
所述识别模块，用于将所述人脸图像的特征图与模型库中预先存储的特征图进行比较，以根据比较结果确定人脸识别结果。
12.如权利要求7-10任一项所述的训练装置，其中，输入所述人脸识别模型的第一训练图像和第二训练图像的数量级相同。
13.一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-6中任一项所述的人脸识别模型的训练方法。
14.一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行权利要求1-6中任一项所述的人脸识别模型的训练方法。
CN202010564107.4A 2020-06-19 2020-06-19 人脸识别模型的训练方法和装置 Active CN111914628B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202010564107.4A CN111914628B (zh) 2020-06-19 2020-06-19 人脸识别模型的训练方法和装置
PCT/CN2020/117009 WO2021253665A1 (zh) 2020-06-19 2020-09-23 人脸识别模型的训练方法和装置
US18/083,313 US20230120985A1 (en) 2020-06-19 2022-12-16 Method for training face recognition model

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010564107.4A CN111914628B (zh) 2020-06-19 2020-06-19 人脸识别模型的训练方法和装置

Publications (2)

Publication Number Publication Date
CN111914628A true CN111914628A (zh) 2020-11-10
CN111914628B CN111914628B (zh) 2023-06-20

Family

ID=73237956

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010564107.4A Active CN111914628B (zh) 2020-06-19 2020-06-19 人脸识别模型的训练方法和装置

Country Status (3)

Country Link
US (1) US20230120985A1 (zh)
CN (1) CN111914628B (zh)
WO (1) WO2021253665A1 (zh)

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112070015A (zh) * 2020-09-08 2020-12-11 广州云从博衍智能科技有限公司 一种融合遮挡场景的人脸识别方法、系统、设备及介质
CN112258619A (zh) * 2020-12-22 2021-01-22 北京沃东天骏信息技术有限公司 一种图像处理方法和装置
CN112560683A (zh) * 2020-12-16 2021-03-26 平安科技（深圳）有限公司 一种翻拍图像识别方法、装置、计算机设备及存储介质
CN112597913A (zh) * 2020-12-26 2021-04-02 中国农业银行股份有限公司 一种人脸标注方法及装置
CN112598055A (zh) * 2020-12-21 2021-04-02 电子科技大学 头盔佩戴检测方法、计算机可读存储介质和电子设备
CN112766208A (zh) * 2021-01-28 2021-05-07 北京三快在线科技有限公司 一种模型训练的方法及装置
CN113011277A (zh) * 2021-02-25 2021-06-22 日立楼宇技术（广州）有限公司 基于人脸识别的数据处理方法、装置、设备及介质
CN113168573A (zh) * 2021-03-02 2021-07-23 深圳市锐明技术股份有限公司 一种模型的训练方法、装置、终端设备及存储介质
CN113221767A (zh) * 2021-05-18 2021-08-06 北京百度网讯科技有限公司 训练活体人脸识别模型、识别活体人脸的方法及相关装置
CN113536953A (zh) * 2021-06-22 2021-10-22 浙江吉利控股集团有限公司 一种人脸识别方法、装置、电子设备及存储介质
CN113706428A (zh) * 2021-07-02 2021-11-26 杭州海康威视数字技术股份有限公司 一种图像生成方法及装置
CN114266946A (zh) * 2021-12-31 2022-04-01 智慧眼科技股份有限公司 遮挡条件下的特征识别方法、装置、计算机设备及介质
CN114519378A (zh) * 2021-12-24 2022-05-20 浙江大华技术股份有限公司 特征提取单元的训练方法、人脸识别方法及装置
CN114693950A (zh) * 2022-04-22 2022-07-01 北京百度网讯科技有限公司 一种图像特征提取网络的训练方法、装置及电子设备
CN114937300A (zh) * 2022-05-20 2022-08-23 北京数美时代科技有限公司 一种遮挡人脸识别方法和系统
CN116503932A (zh) * 2023-05-24 2023-07-28 北京万里红科技有限公司 重点区域加权的眼周特征提取方法、系统及存储介质

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115273184B (zh) * 2022-07-15 2023-05-05 北京百度网讯科技有限公司 人脸活体检测模型训练方法及装置

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104424721A (zh) * 2013-08-22 2015-03-18 辽宁科大聚龙集团投资有限公司 一种结合atm机的脸部遮挡识别方法
CN107609481A (zh) * 2017-08-14 2018-01-19 百度在线网络技术（北京）有限公司 为人脸识别生成训练数据的方法、装置和计算机存储介质
WO2019153175A1 (zh) * 2018-02-08 2019-08-15 国民技术股份有限公司 基于机器学习的遮挡人脸识别系统、方法及存储介质
CN110443132A (zh) * 2019-07-02 2019-11-12 南京理工大学 一种基于深度学习的人脸检测及面部多属性融合分析方法
WO2020015477A1 (zh) * 2018-07-16 2020-01-23 阿里巴巴集团控股有限公司 一种人脸识别方法及终端设备
CN110909690A (zh) * 2019-11-26 2020-03-24 电子科技大学 一种基于区域生成的遮挡人脸图像检测方法
JP2020071615A (ja) * 2018-10-30 2020-05-07 富士通株式会社 検出方法、検出プログラムおよび検出装置
CN111191616A (zh) * 2020-01-02 2020-05-22 广州织点智能科技有限公司 一种人脸遮挡检测方法、装置、设备及存储介质

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB201711353D0 (en) * 2017-07-14 2017-08-30 Idscan Biometrics Ltd Improvements relating to face recognition
CN108229348B (zh) * 2017-12-21 2020-04-28 中国科学院自动化研究所 遮挡人脸图像的识别装置
CN110334615A (zh) * 2019-06-20 2019-10-15 湖北亮诚光电科技有限公司 一种有遮挡的人脸识别的方法
CN110569756B (zh) * 2019-08-26 2022-03-22 长沙理工大学 人脸识别模型构建方法、识别方法、设备和存储介质
CN110705353A (zh) * 2019-08-29 2020-01-17 北京影谱科技股份有限公司 基于注意力机制的遮挡人脸的识别方法和装置

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104424721A (zh) * 2013-08-22 2015-03-18 辽宁科大聚龙集团投资有限公司 一种结合atm机的脸部遮挡识别方法
CN107609481A (zh) * 2017-08-14 2018-01-19 百度在线网络技术（北京）有限公司 为人脸识别生成训练数据的方法、装置和计算机存储介质
WO2019153175A1 (zh) * 2018-02-08 2019-08-15 国民技术股份有限公司 基于机器学习的遮挡人脸识别系统、方法及存储介质
WO2020015477A1 (zh) * 2018-07-16 2020-01-23 阿里巴巴集团控股有限公司 一种人脸识别方法及终端设备
JP2020071615A (ja) * 2018-10-30 2020-05-07 富士通株式会社 検出方法、検出プログラムおよび検出装置
CN110443132A (zh) * 2019-07-02 2019-11-12 南京理工大学 一种基于深度学习的人脸检测及面部多属性融合分析方法
CN110909690A (zh) * 2019-11-26 2020-03-24 电子科技大学 一种基于区域生成的遮挡人脸图像检测方法
CN111191616A (zh) * 2020-01-02 2020-05-22 广州织点智能科技有限公司 一种人脸遮挡检测方法、装置、设备及存储介质

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
周孝佳;朱允斌;张跃;: "基于分块的有遮挡人脸识别算法", 计算机应用与软件, no. 02 *
唐凤;朱重龙;漆艺;: "多因素影响下的人脸识别综述", 电脑编程技巧与维护, no. 04 *
衣帅等: "铁路刷脸场景下基于MTCNN的人脸遮挡识别研究", 计算机仿真, vol. 37, no. 5 *

Cited By (25)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112070015B (zh) * 2020-09-08 2021-05-18 广州云从博衍智能科技有限公司 一种融合遮挡场景的人脸识别方法、系统、设备及介质
CN112070015A (zh) * 2020-09-08 2020-12-11 广州云从博衍智能科技有限公司 一种融合遮挡场景的人脸识别方法、系统、设备及介质
CN112560683A (zh) * 2020-12-16 2021-03-26 平安科技（深圳）有限公司 一种翻拍图像识别方法、装置、计算机设备及存储介质
CN112598055B (zh) * 2020-12-21 2022-06-17 电子科技大学 头盔佩戴检测方法、计算机可读存储介质和电子设备
CN112598055A (zh) * 2020-12-21 2021-04-02 电子科技大学 头盔佩戴检测方法、计算机可读存储介质和电子设备
CN112258619A (zh) * 2020-12-22 2021-01-22 北京沃东天骏信息技术有限公司 一种图像处理方法和装置
CN112597913A (zh) * 2020-12-26 2021-04-02 中国农业银行股份有限公司 一种人脸标注方法及装置
CN112766208A (zh) * 2021-01-28 2021-05-07 北京三快在线科技有限公司 一种模型训练的方法及装置
CN113011277A (zh) * 2021-02-25 2021-06-22 日立楼宇技术（广州）有限公司 基于人脸识别的数据处理方法、装置、设备及介质
CN113011277B (zh) * 2021-02-25 2023-11-21 日立楼宇技术（广州）有限公司 基于人脸识别的数据处理方法、装置、设备及介质
CN113168573A (zh) * 2021-03-02 2021-07-23 深圳市锐明技术股份有限公司 一种模型的训练方法、装置、终端设备及存储介质
CN113168573B (zh) * 2021-03-02 2024-04-16 深圳市锐明技术股份有限公司 一种模型的训练方法、装置、终端设备及存储介质
CN113221767A (zh) * 2021-05-18 2021-08-06 北京百度网讯科技有限公司 训练活体人脸识别模型、识别活体人脸的方法及相关装置
CN113221767B (zh) * 2021-05-18 2023-08-04 北京百度网讯科技有限公司 训练活体人脸识别模型、识别活体人脸的方法及相关装置
CN113536953A (zh) * 2021-06-22 2021-10-22 浙江吉利控股集团有限公司 一种人脸识别方法、装置、电子设备及存储介质
CN113536953B (zh) * 2021-06-22 2024-04-19 浙江吉利控股集团有限公司 一种人脸识别方法、装置、电子设备及存储介质
CN113706428B (zh) * 2021-07-02 2024-01-05 杭州海康威视数字技术股份有限公司 一种图像生成方法及装置
CN113706428A (zh) * 2021-07-02 2021-11-26 杭州海康威视数字技术股份有限公司 一种图像生成方法及装置
CN114519378A (zh) * 2021-12-24 2022-05-20 浙江大华技术股份有限公司 特征提取单元的训练方法、人脸识别方法及装置
CN114519378B (zh) * 2021-12-24 2023-05-30 浙江大华技术股份有限公司 特征提取单元的训练方法、人脸识别方法及装置
CN114266946A (zh) * 2021-12-31 2022-04-01 智慧眼科技股份有限公司 遮挡条件下的特征识别方法、装置、计算机设备及介质
CN114693950B (zh) * 2022-04-22 2023-08-25 北京百度网讯科技有限公司 一种图像特征提取网络的训练方法、装置及电子设备
CN114693950A (zh) * 2022-04-22 2022-07-01 北京百度网讯科技有限公司 一种图像特征提取网络的训练方法、装置及电子设备
CN114937300A (zh) * 2022-05-20 2022-08-23 北京数美时代科技有限公司 一种遮挡人脸识别方法和系统
CN116503932A (zh) * 2023-05-24 2023-07-28 北京万里红科技有限公司 重点区域加权的眼周特征提取方法、系统及存储介质

Also Published As

Publication number Publication date
CN111914628B (zh) 2023-06-20
WO2021253665A1 (zh) 2021-12-23
US20230120985A1 (en) 2023-04-20

Similar Documents

Publication Publication Date Title
CN111914628B (zh) 人脸识别模型的训练方法和装置
CN111598818B (zh) 人脸融合模型训练方法、装置及电子设备
CN111783647B (zh) 人脸融合模型的训练方法、人脸融合方法、装置及设备
CN111259751B (zh) 基于视频的人体行为识别方法、装置、设备及存储介质
CN111783605B (zh) 一种人脸图像识别方法、装置、设备及存储介质
CN111767858B (zh) 图像识别方法、装置、设备和计算机存储介质
CN110659600B (zh) 物体检测方法、装置及设备
CN111598164A (zh) 识别目标对象的属性的方法、装置、电子设备和存储介质
CN111709875B (zh) 图像处理方法、装置、电子设备及存储介质
CN112270745B (zh) 一种图像生成方法、装置、设备以及存储介质
CN112102153A (zh) 图像的卡通化处理方法、装置、电子设备和存储介质
CN112116525B (zh) 换脸识别方法、装置、设备和计算机可读存储介质
CN112001248A (zh) 主动交互的方法、装置、电子设备和可读存储介质
CN111914630A (zh) 为人脸识别生成训练数据的方法、装置、设备和存储介质
CN111783639A (zh) 图像检测方法、装置、电子设备及可读存储介质
CN111178323B (zh) 基于视频的群体行为识别方法、装置、设备及存储介质
CN111783619A (zh) 人体属性的识别方法、装置、设备及存储介质
CN113628239B (zh) 显示优化方法、相关装置及计算机程序产品
CN111768485B (zh) 三维图像的关键点标注方法、装置、电子设备及存储介质
CN112561053B (zh) 图像处理方法、预训练模型的训练方法、装置和电子设备
CN112270303A (zh) 图像识别方法、装置以及电子设备
CN111783600A (zh) 一种人脸识别模型训练方法、装置、设备及介质
CN111861954A (zh) 编辑人脸的方法、装置、电子设备和可读存储介质
CN114387651B (zh) 一种人脸识别方法、装置、设备及存储介质
CN115273184B (zh) 人脸活体检测模型训练方法及装置

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
GR01 Patent grant
GR01 Patent grant