CN111931628B - 人脸识别模型的训练方法、装置及相关设备 - Google Patents
人脸识别模型的训练方法、装置及相关设备 Download PDFInfo
- Publication number
- CN111931628B CN111931628B CN202010773454.8A CN202010773454A CN111931628B CN 111931628 B CN111931628 B CN 111931628B CN 202010773454 A CN202010773454 A CN 202010773454A CN 111931628 B CN111931628 B CN 111931628B
- Authority
- CN
- China
- Prior art keywords
- model
- target
- face recognition
- occluded
- mask
- 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
- 238000012549 training Methods 0.000 title claims abstract description 80
- 238000000034 method Methods 0.000 title claims abstract description 59
- 230000001815 facial effect Effects 0.000 claims abstract description 166
- 238000000605 extraction Methods 0.000 claims abstract description 58
- 238000010801 machine learning Methods 0.000 claims description 92
- 238000013145 classification model Methods 0.000 claims description 20
- 238000004080 punching Methods 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 11
- 230000008676 import Effects 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 10
- 208000006440 Open Bite Diseases 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 21
- 238000005516 engineering process Methods 0.000 description 13
- 238000013473 artificial intelligence Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 4
- 238000012795 verification Methods 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000003252 repetitive effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 241000711573 Coronaviridae Species 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000002123 temporal effect Effects 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
- G06V40/168—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
-
- 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)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Human Computer Interaction (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本公开提供一种人脸识别模型的训练方法、装置以及电子设备和计算机可读存储介质，该方法包括：获取第一对象的无遮挡面部图像；利用所述第一对象的无遮挡面部图像训练特征提取模型；获取第二对象的有遮挡面部图像，所述第一对象包括所述第二对象；通过所述特征提取模型对所述第二对象的有遮挡面部图像进行特征提取，以获得所述第二对象的有遮挡面部特征；根据所述有遮挡面部特征训练目标人脸识别模型，所述目标人脸识别模型用于对所述第二对象有遮挡人脸图像进行识别。通过本公开实施例提供的目标人脸识别模型，可以对第二对象的有遮挡人脸图像进行人脸识别。
Description
技术领域
本公开涉及人工智能技术领域，尤其涉及一种人脸识别模型的训练方法及装置、电子设备和计算机可读存储介质。
背景技术
随着人类社会的不断发展，人脸识别在安保、交通稽查等多个领域具有广泛应用。
相关技术中，人脸识别技术通常是对目标人群的无遮挡面部图像进行识别，以在目标人群中确定待识别对象。但是，随着目标疫情(例如新冠状病毒)的出现，人们在越来越多的场合戴起了口罩。由于口罩的遮挡，相关技术中将无法实现对人脸的识别。
因此，一种可以对戴口罩人脸图像进行识别的方法对于人脸识别技术领域十分重要。
需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解。
发明内容
本公开实施例提供一种人脸识别模型的训练方法及装置、电子设备和计算机可读存储介质，可以提供一种能够对有遮挡人脸图像进行识别的目标人脸识别模型。
本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。
本公开实施例提出一种人脸识别模型的训练方法，该方法包括：获取第一对象的无遮挡面部图像；利用所述第一对象的无遮挡面部图像训练特征提取模型；获取第二对象的有遮挡面部图像，所述第一对象包括所述第二对象；通过所述特征提取模型对所述第二对象的有遮挡面部图像进行特征提取，以获得所述第二对象的有遮挡面部特征；根据所述有遮挡面部特征训练目标人脸识别模型，所述目标人脸识别模型用于对所述第二对象有遮挡人脸图像进行识别。
本公开实施例提供了一种人脸识别模型的训练装置，所述人脸识别模型的训练装置可以包括：无遮挡面部图像获取模块、特征提取模型训练模块、有遮挡面部图像获取模块、有遮挡面部特征提取模块以及目标人脸识别模型确定模块。
其中，所述无遮挡面部图像获取模块可以配置为获取第一对象的无遮挡面部图像。所述特征提取模型训练模块可以配置为利用所述第一对象的无遮挡面部图像训练特征提取模型。所述有遮挡面部图像获取模块可以配置为获取第二对象的有遮挡面部图像，所述第一对象包括所述第二对象。所述有遮挡面部特征提取模块可以配置为通过所述特征提取模型对所述第二对象的有遮挡面部图像进行特征提取，以获得所述第二对象的有遮挡面部特征。所述目标人脸识别模型确定模块可以配置为根据所述有遮挡面部特征训练目标人脸识别模型，所述目标人脸识别模型用于对所述第二对象有遮挡人脸图像进行识别。
在一些实施例中，所述目标人脸识别模型确定模块可以包括：多个模型训练单元、人脸识别单元、识别准确率确定单元以及目标人脸识别模型确定单元。
其中，所述多个模型训练单元可以配置为根据所述第二对象的所述有遮挡面部特征对至少一个目标机器学习模型进行训练。所述人脸识别单元可以配置为通过训练完成的所述至少一个目标机器学习模型对所述第二对象的有遮挡人脸图像进行人脸识别。所述识别准确率确定单元可以配置为获取所述至少一个目标机器学习模型对所述第二对象的有遮挡人脸图像的识别准确率。所述目标人脸识别模型确定单元可以配置为根据所述识别准确率在所述至少一个目标机器学习模型中确定所述目标人脸识别模型。
在一些实施例中，所述目标人脸识别模型确定模块可以包括：第一显示单元、文件导入单元、第二显示单元以及目标机器学习模型确定单元。
其中，所述第一显示单元可以配置为显示文件导入界面。所述文件导入单元可以配置为通过所述文件导入界面导入所述第二对象的有遮挡面部特征。所述第二显示单元可以配置为显示模型选择界面。所述目标机器学习模型确定单元可以配置为根据所述第二对象、在所述模型选择界面确定目标机器学习模型，以便根据所述有遮挡面部特征训练所述目标机器学习模型以获得所述目标人脸识别模型。
在一些实施例中，所述模型选择界面包括二分类模型和多分类模型。
在一些实施例中，所述目标机器学习模型确定单元可以包括：二分类模型确定子单元和多分类模型确定子单元。
其中，所述二分类模型确定子单元可以配置为若所述第二对象包括一个对象，则在所述模型选择界面选择所述二分类模型以确定所述目标机器学习模型。所述多分类模型确定子单元可以配置为若所述第二对象包括至少两个对象，则在所述模型选择界面选择所述多分类模型以确定所述目标机器学习模型。
在一些实施例中，所述特征提取模型在第一设备中训练，所述目标人脸识别模型在第二设备中训练。
在一些实施例中，所述有遮挡面部特征提取模块可以包括：存储单元和发送单元。
其中，所述存储单元可以配置为将所述第二对象的有遮挡面部特征存储在目标文件中。所述发送单元可以配置为将所述目标文件发送给所述第二设备，以便完成对所述目标人脸识别模型的训练。
在一些实施例中，所述有遮挡面部图像为戴口罩面部图像。
在一些实施例中，所述人脸识别模型的训练装置还可以包括：戴口罩面部图像获取模块和戴口罩面部识别模块。
其中，所述戴口罩面部图像获取模块可以配置为通过图像采集设备对目标场景中各个戴口罩对象进行图像采集，获得各个戴口罩对象的戴口罩面部图像。所述戴口罩面部识别模块可以配置为通过所述目标人脸识别模型对各个戴口罩对象的戴口罩面部图像进行处理，以在各个戴口罩对象的戴口罩面部图像中确定所述第二对象的戴口罩面部图像。
在一些实施例中，所述目标场景为打卡场景。
在一些实施例中，所述人脸识别模型的训练装置还可以包括：打卡记录模块。
其中，所述打卡记录模块可以配置为在所述第二对象的戴口罩面部图像确定后，记录所述第二对象的打卡信息以完成打卡。
在一些实施例中，所述戴口罩面部图像获取模块可以包括：图像采集单元和戴口罩面部图像获取单元。
其中，所述图像采集单元可以配置为通过图像采集设备对目标场景中各个戴口罩对象进行图像采集，以获得各个戴口罩对象的戴口罩图像。所述戴口罩面部图像获取单元可以配置为对各个戴口罩对象的戴口罩图像进行人脸对齐处理，以确定各个戴口罩对象的戴口罩面部图像。
本公开实施例提出一种电子设备，该电子设备包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现上述任一项所述的人脸识别模型的训练方法。
本公开实施例提出一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现如上述任一项所述的人脸识别模型的训练方法。
本公开实施例提出一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述提供的人脸识别模型的训练方法。
本公开实施例提供的人脸识别模型的训练方法、装置及电子设备和计算机可读存储介质，一方面，通过第一对象的无遮挡面部图像训练了可以对第一对象的面部特征进行特征提取的特征提取模型；另一方面，基于特征提取模型从第二对象(包括于第一对象)的有遮挡面部图像中提取出了第二对象的有遮挡面部特征；另外，还基于第二对象的有遮挡面部图像训练了可以对第二对象的有遮挡人脸图像进行识别的目标人脸识别模型。根据本公开实施例提供的目标人脸识别模型可以实现对第二对象的有遮挡人脸图像的识别。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性的，并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。下面描述的附图仅仅是本公开的一些实施例，对于本领域的普通技术人员来讲，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示出了应用于本公开实施例的人脸识别模型的训练方法或人脸识别模型的训练装置的示例性系统架构的示意图。
图2是根据一示例性实施例示出的一种应用于人脸识别模型的训练装置的计算机系统的结构示意图。
图3是根据一示例性实施例示出的一种人脸识别模型的训练方法的流程图。
图4是根据一示例性实施例示出的一种无遮挡面部图像获取示意图。
图5是根据一示例性实施例示出的一种有遮挡面部图像获取示意图。
图6是根据一示例性实施例示出的一种训练目标人脸识别模型的方法。
图7～图9是根据一示例性实施例示出的一种目标机器学习模型配置界面。
图10是图3中步骤S5在一示例性实施例中的流程图。
图11是根据一示例性实施例示出的一种人脸识别方法流程图。
图12是根据一示例性实施例示出的一种人脸识别模型的训练装置的框图。
具体实施方式
现在将参考附图更全面地描述示例实施例。然而，示例实施例能够以多种形式实施，且不应被理解为限于在此阐述的实施例；相反，提供这些实施例使得本公开将全面和完整，并将示例实施例的构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。
本公开所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中，提供许多具体细节从而给出对本公开的实施方式的充分理解。然而，本领域技术人员将意识到，可以实践本公开的技术方案而省略特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知方法、装置、实现或者操作以避免模糊本公开的各方面。
附图仅为本公开的示意性图解，图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和步骤，也不是必须按所描述的顺序执行。例如，有的步骤还可以分解，而有的步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。
本说明书中，用语“一个”、“一”、“该”、“所述”和“至少一个”用以表示存在一个或多个要素/组成部分/等；用语“包含”、“包括”和“具有”用以表示开放式的包括在内的意思并且是指除了列出的要素/组成部分/等之外还可存在另外的要素/组成部分/等；用语“第一”、“第二”和“第三”等仅作为标记使用，不是对其对象的数量限制。
下面结合附图对本公开示例实施方式进行详细说明。
图1示出了可以应用于本公开实施例的人脸识别模型的训练方法或人脸识别模型的训练装置的示例性系统架构的示意图。
如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。其中，终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机、台式计算机、可穿戴设备、虚拟现实设备、智能家居等等。
服务器105可以是提供各种服务的服务器，例如对用户利用终端设备101、102、103所进行操作的装置提供支持的后台管理服务器。后台管理服务器可以对接收到的请求等数据进行分析等处理，并将处理结果反馈给终端设备。
服务器105可例如获取第一对象的无遮挡面部图像；服务器105可例如利用所述第一对象的无遮挡面部图像训练特征提取模型；服务器105可例如获取第二对象的有遮挡面部图像，所述第一对象包括所述第二对象；服务器105可例如通过所述特征提取模型对所述第二对象的有遮挡面部图像进行特征提取，以获得所述第二对象的有遮挡面部特征；服务器105可例如根据所述有遮挡面部特征训练目标人脸识别模型，所述目标人脸识别模型用于对所述第二对象有遮挡人脸图像进行识别。
应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的，服务器105可以是一个实体的服务器，还可以为多个服务器组成，根据实际需要，可以具有任意数目的终端设备、网络和服务器。
下面参考图2，其示出了适于用来实现本申请实施例的终端设备的计算机系统200的结构示意图。图2示出的终端设备仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
如图2所示，计算机系统200包括中央处理单元(CPU)201，其可以根据存储在只读存储器(ROM)202中的程序或者从储存部分208加载到随机访问存储器(RAM)203中的程序而执行各种适当的动作和处理。在RAM 203中，还存储有系统200操作所需的各种程序和数据。CPU 201、ROM 202以及RAM 203通过总线204彼此相连。输入/输出(I/O)接口205也连接至总线204。
以下部件连接至I/O接口205：包括键盘、鼠标等的输入部分206；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207；包括硬盘等的储存部分208；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209。通信部分209经由诸如因特网的网络执行通信处理。驱动器210也根据需要连接至I/O接口205。可拆卸介质211，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210上，以便于从其上读出的计算机程序根据需要被安装入储存部分208。
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，其包括承载在计算机可读存储介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分209从网络上被下载和安装，和/或从可拆卸介质211被安装。在该计算机程序被中央处理单元(CPU)201执行时，执行本申请的系统中限定的上述功能。
需要说明的是，本申请所示的计算机可读存储介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读存储介质，该计算机可读存储介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。
附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的模块和/或单元和/或子单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的模块和/或单元和/或子单元也可以设置在处理器中，例如，可以描述为：一种处理器包括发送单元、获取单元、确定单元和第一处理单元。其中，这些模块和/或单元和/或子单元的名称在某种情况下并不构成对该模块和/或单元和/或子单元本身的限定。
作为另一方面，本申请还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中描述的设备中所包含的；也可以是单独存在，而未装配入该设备中。上述计算机可读存储介质承载有一个或者多个程序，当上述一个或者多个程序被一个该设备执行时，使得该设备可实现功能包括：获取第一对象的无遮挡面部图像；利用所述第一对象的无遮挡面部图像训练特征提取模型；获取第二对象的有遮挡面部图像，所述第一对象包括所述第二对象；通过所述特征提取模型对所述第二对象的有遮挡面部图像进行特征提取，以获得所述第二对象的有遮挡面部特征；根据所述有遮挡面部特征训练目标人脸识别模型，所述目标人脸识别模型用于对所述第二对象有遮挡人脸图像进行识别。
人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说，人工智能是计算机科学的一个综合技术，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。
人工智能技术是一门综合学科，涉及领域广泛，既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
其中，机器学习(Machine Learning，ML)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、式教学习等技术。
本申请实施例提供的技术方案涉及人工智能的机器学习等技术，具体通过如下实施例进行说明。
图3是根据一示例性实施例示出的一种人脸识别模型的训练方法的流程图。本公开实施例所提供的方法可以由任意具备计算处理能力的电子设备处理，例如上述图1实施例中的服务器105和/或终端设备102、103，在下面的实施例中，以服务器105为执行主体为例进行举例说明，但本公开并不限定于此。
在步骤S1中，获取第一对象的无遮挡面部图像。
在一些实施例中，无遮挡面部图像可以指的是面部信息(例如眼睛、鼻子、嘴巴等面部关键位置处均无遮挡)没有被遮挡的面部图像。
在一些实施例中，可以获取如图4左侧图像所示的包括第一对象的第一目标图像，并通过人脸对齐技术从第一目标图像中截取如图4右侧图像所示的第一对象的无遮挡面部图像。
其中，人脸对齐技术可以指的是从目标图像中截取出第一对象的脸部图像的技术。在一些实施例中，可例如通过FaceNet(一种开源的人脸识别模型)对图4左图所示的第一目标图像进行人脸对齐操作，以获取如图4右图所示的第一对象的无遮挡面部图像。
在一些实施例中，可以将第一对象的无遮挡面部图像处理成保留人脸并且图片大小为184像素*184像素大小的图片。
在步骤S2中，利用所述第一对象的无遮挡面部图像训练特征提取模型。
在一些实施例中，可以利用第一对象的无遮挡面部图像对特征提取机器学习模型进行训练，以获得特征提取模型。
其中，特征提取机器学习模型可以指的是一些可以实现分类的机器学习模型，例如FaceNet、SVC(Support Vector Classification，用于分类的支持向量机)、GBDT(Gradient Boosting Decision Tree，梯度提升决策树)或XGBoost(eXtreme GradientBoosting，极端梯度提升)等机器学习模型。可以理解的是任意可以实现分类功能的机器学习模型均在本公开的保护范围内，本公开对此不做限制。
其中，FaceNet网络模型可以直接将人脸图像映射到欧几里得空间，空间距离的长度代表了人脸图像的相似性。只要该映射空间生成，人脸识别，验证和聚类等任务就可以轻松完成。
在一些实施例中，特征提取模型可以对第一对象的面部图像进行特征提取，以获得第一对象的面部特征(例如眼睛、鼻子、嘴巴等位置处具有辨别性特征的关键点特征)。
在步骤S3中，获取第二对象的有遮挡面部图像，所述第一对象包括所述第二对象。
在一些实施例中，有遮挡面部图像可以指的是面部信息部分被遮挡(例如眼睛、鼻子或嘴巴等部分面部关键位置被无遮挡)的面部图像。
可以理解的是，戴口罩的面部图像就是一种有遮挡的面部图像。
在一些实施例中，可以获取如图5左图所示的包括第二对象的第二目标图像，并通过人脸对齐技术从第二目标图像中截取了如图5右图所示的第二对象的有遮挡面部图像。
在一些实施例中，可以将第二对象的有遮挡面部图像处理成保留人脸并且图片大小为164像素*164像素大小的图片。
在步骤S4中，通过所述特征提取模型对所述第二对象的有遮挡面部图像进行特征提取，以获得所述第二对象的有遮挡面部特征。
在一些实施例中，通过训练完成的特征提取模型可以实现对第二对象(包括于第一对象)的面部图像中关键点(例如，鼻子、眼睛、嘴巴等)位置处的特征提取，以从该有遮挡面部图像中比较准确的提取出未被遮挡的关键点处的特征。
在步骤S5中，根据所述有遮挡面部特征训练目标人脸识别模型，所述目标人脸识别模型用于对所述第二对象有遮挡人脸图像进行识别。
在一些实施例中，可以通过第二对象的有遮挡面部特征对选定的目标机器学习模型进行训练，以确定该目标人脸识别模型。
在一些实施例中，该目标机器学习模型可以指的是人脸识别模型FaceNet、SVC、GBDT、XGBoost等各种可以实现分类的机器学习模型，本公开对此不做限制。
需要注意的是，为了更加准确地从第二对象的有遮挡面部图像中提取出面部图像的关键点特征，待识别的第二对象需要包含于用于特征提取模型训练的第一对象，即第二对象既可以与第一对象完全相同，也可以包含于第一对象，本公开对此不做限制。
本公开实施例提供的技术方案，一方面通过第一对象的无遮挡面部对象训练了可以对面部特征进行提取的特征提取模型，另一方面通过可以对面部特征进行提取的特征提取模型从第二对象的有遮挡面部图像准确的提取出辨别度较高的有遮挡面部特征；最后根据第二对象的有遮挡面部特征训练了可以用于对第二对象的有遮挡人脸图像进行识别的目标人脸识别模型，该目标人脸识别模型可以对第二对象的有遮挡面部图像进行准确的识别。
在一些实施例中，人脸识别可能会应用在不同的场景。例如应用在某机关管理部门(例如交通管理部门)以对目标人物进行搜索；例如应用在公司内部以帮助公司内部人员进行打卡。
可以理解的是，无论是机关管理部门还是公司单位，可能都缺乏技术人员进行图像处理、机器学习模型训练等专业性较强的工作。
如果每当待识别的第二对象发生变化，就邀请专业人员前来进行目标人脸识别模型的训练，既不能保证模型训练的及时性，也极大的浪费了资源。
因此，本公开实施例提供了一种目标人脸识别模型的训练方法，以帮助目标用户(例如缺乏技术人员的机关管理部门、公司单位等)快速、便捷、低成本的构建目标人脸识别模型。
在一些实施例中，可以将图3实施例提供的技术方案分为两部分完成，前半部分(例如特征提取模型以及第二对象的有遮挡面部特征提取部分)可以由专业的技术人员在第一设备中完成，并将第二对象的有遮挡面部特征存储在目标文件中发送给目标用户；后半部分的目标人脸识别模型的训练可以由目标用户在具备机器学习模型自动训练功能的第二设备中完成。由于前半部分(例如特征提取模型以及第二对象的有遮挡面部特征提取部分)对于本领域技术人员来说简单易懂，本实施例对此不再赘述。对于后半部分目标人脸识别模型的训练，本实施例将通过图6进行详细说明。
图6是根据一示例性实施例示出的一种训练目标人脸识别模型的方法。
在步骤S51中，显示文件导入界面。
在一些实施例中，需要进行目标人脸识别模型的训练时，可以进入如图7所示的文件导入界面。
在步骤S52中，通过所述文件导入界面导入所述第二对象的有遮挡面部特征。
在一些实施例中，当目标用户接收到存储有第二对象有遮挡面部特征的目标文件时，可以通过如图7所示的文件导入界面该目标文件，以获取第二对象的有遮挡面部特征。
在一些实施例中，若第二对象包括不仅一个对象，还可以通过图7所示“分隔符”行确定第二对象中各个对象的数据之间的分隔符。在图7中，“数据结构配置”、“主键字段”以及“数据表名”均可以根据实际需要进行配置，本公开对此不做限制。
在步骤S53中，显示模型选择界面。
在一些实施例中，当第二对象的有遮挡面部数据导入之后，目标用户还需要在图8所示的模型选择界面中点击“新增模型”按钮，以显示进入如图8所示的“输入模型信息”界面。
在步骤S54中，根据所述第二对象、在所述模型选择界面确定目标机器学习模型，以便根据所述有遮挡面部特征训练所述目标机器学习模型以获得所述目标人脸识别模型。
在一些实施例中，目标用户还可以根据待识别的第二对象选择合适的目标模型类别进行训练。例如若第二对象只包括一个对象，则可以在如图8所示的模型选择界面中选择二分类模型以确定目标机器学习模型，若第二对象包括至少两个对象，则可以在如图8所示的模型选择界面选择多分类模型以确定目标机器学习模型。
在一些实施例中，当目标机器学习模型选择完成后还需要确定目标机器学习模型的训练策略，例如可以通过如图9所示的界面确定目标机器学习模型的训练策略。例如可以确定目标机器学习模型的停止策略、探索算法、作业调度、数据范围数据集比例等。
其中，作业调度中可以包括“一次性作业”和“周期性作业”，其中“周期性”作业可以代表每隔一定的时间(例如一周)就更新训练一次目标人脸识别模型。
另外，还可以通过如图9所示的界面调整训练集、验证集以及预测集在第二对象有遮挡面部特征数据集中的占比。其中，训练集可以用来训练目标人脸识别模型，验证集可以用来对目标人脸识别模型进行验证，预测集可以用来预测目标人脸识别模型的识别准确率。
本实施例提供的技术方案，可以通过显示界面便捷且简单地实现对待训练目标机器学习模型的配置，降低了目标人脸识别模型的训练难度，提高了目标人脸识别模型的训练速度。
在一些实施例中，由于通过不同机器学习模型可能会训练出识别精度不同的人脸识别模型。因此，本公开实施例提供了一种技术方案，以获得人脸识别精度较高的目标人脸识别模型。
在步骤S55中，根据所述第二对象的所述有遮挡面部特征对至少一个目标机器学习模型进行训练。
在一些实施例中，可以根据第二对象的有遮挡面部特征对至少一个机器学习模型进行训练，其中至少一个机器学习模型可以包括FaceNet机器学习模型、SVC机器学习模型、GBDT机器学习模型以及XGBoost机器学习模型等机器学习模型，本公开对此不做限制。
在步骤S56中，通过训练完成的所述至少一个目标机器学习模型对所述第二对象的有遮挡人脸图像进行人脸识别。
在一些实施例中，当上述至少一个目标机器学习模型训练完成后，可以使用该至少一个目标机器学习模型对第二对象的有遮挡人脸图像进行识别，并根据识别结果确定该至少一个目标机器学习模型的识别准确率。
在步骤S57中，获取所述至少一个目标机器学习模型对所述第二对象的有遮挡人脸图像的识别准确率。
在一些实施例中，可以将训练完成的至少一个目标机器学习模型对有遮挡人脸图像的识别结果与该有遮挡人脸图像对应的第二对象进行比对，以确定至少一个目标机器学习模型的识别准确率。
在步骤S58中，根据所述识别准确率在所述至少一个目标机器学习模型中确定所述目标人脸识别模型。
在一些实施例中，可以在上述训练完成的至少一个目标机器学习模型中选择一个识别准确率最高的目标机器学习模型作为目标人脸识别模型。
例如，若至少一个目标机器学习模型包括SVC机器学习模型和GBDT机器学习模型。其中训练完成的SVC机器学习模型对有遮挡的人脸图像进行识别的识别准确率可能为0.867，训练完成的GBDT机器学习模型对有遮挡的人脸图像进行识别的识别准确率可能为0.200，那么可以选择识别准确率较高的SVC机器学习模型作为最终的目标人脸识别模型。
本公开实施例提供的技术方案，可以将识别准确率最高的目标机器学习模型作为目标人脸识别模型，提高了目标人脸识别模型的识别准确率。
在一些实施例中，第二对象的有遮挡面部图像可以为第二对象的戴口罩面部图像。图11提供的技术方案，训练了一种可以对第二对象戴口罩面部图像进行识别的目标人脸识别模型，并将该目标人脸识别模型应用在了目标场景中。
图11是根据一示例性实施例示出的一种人脸识别方法流程图。
参考图11，上述人脸识别方法可以包括以下步骤。
在步骤S6中，通过图像采集设备对目标场景中各个戴口罩对象进行图像采集，以获得各个戴口罩对象的戴口罩图像。
在一些实施例中，图像采集设备可以指的是平板电脑、手机、摄像机等可以进行图像采集的设备，本公开对此不做限制。
在一些实施例中，当目标人脸识别模型训练完成后，可以将该目标人脸识别模型应用在目标场景中。该目标应用场景可例如是疫情期间在交通要道对在逃人员进行识别；该目标应用场景可例如是疫情期间在商场门口对来自疫情高风险人员进行识别；该目标应用场景可例如是疫情期间某公司员工通过面部识别进行打卡等，本公开对此不做限制。
在一些实施例中，可以通过图像采集设备对目标场景中各个戴口罩对象进行图像采集，以获得各个戴口罩对象的戴口罩图像。
在步骤S7中，对各个戴口罩对象的戴口罩图像进行人脸对齐处理，以确定各个戴口罩对象的戴口罩面部图像。
在一些实施例中，各个目标场景中各个戴口罩对象的戴口罩图像中可能不仅会包括各个戴口罩对象的面部信息，还可能会包括戴口罩对象的身体信息以及一些背景信息。因此可以对各个戴口罩对象的戴口罩图像进行人脸对齐处理，以确定各个戴口罩对象的戴口罩面部图像。
在一些实施例中，若第二对象的戴口罩面部图像在多个戴口罩面部图像中被确定之后，可以在显示第二对象的戴口罩面部图像的同时，显示(或发出)目标提示信息。
在一些实施例中，若目标场景为员工打卡场景，那么在确定了第二对象的戴口罩面部图像后，还需要记录所述第二对象的打卡信息(例如第二对象的身份信息以及打卡时间信息等)以完成打卡。
本公开实施例提供的技术方案，通过目标人脸识别模型实现了对戴口罩面部图像的识别，能够从多个戴口罩对象中准确的识别出第二对象。
图12是根据一示例性实施例示出的一种人脸识别模型的训练装置的框图。参照图12，本公开实施例提供的人脸识别模型的训练装置1200可以包括：无遮挡面部图像获取模块1201、特征提取模型训练模块1202、有遮挡面部图像获取模块1203、有遮挡面部特征提取模块1204以及目标人脸识别模型确定模块1205。
其中，所述无遮挡面部图像获取模块1201可以配置为获取第一对象的无遮挡面部图像。所述特征提取模型训练模块1202可以配置为利用所述第一对象的无遮挡面部图像训练特征提取模型。所述有遮挡面部图像获取模块1203可以配置为获取第二对象的有遮挡面部图像，所述第一对象包括所述第二对象。所述有遮挡面部特征提取模块1204可以配置为通过所述特征提取模型对所述第二对象的有遮挡面部图像进行特征提取，以获得所述第二对象的有遮挡面部特征。所述目标人脸识别模型确定模块1205可以配置为根据所述有遮挡面部特征训练目标人脸识别模型，所述目标人脸识别模型用于对所述第二对象有遮挡人脸图像进行识别。
在一些实施例中，所述目标人脸识别模型确定模块1205可以包括：多个模型训练单元、人脸识别单元、识别准确率确定单元以及目标人脸识别模型确定单元。
其中，所述多个模型训练单元可以配置为根据所述第二对象的所述有遮挡面部特征对至少一个目标机器学习模型进行训练。所述人脸识别单元可以配置为通过训练完成的所述至少一个目标机器学习模型对所述第二对象的有遮挡人脸图像进行人脸识别。所述识别准确率确定单元可以配置为获取所述至少一个目标机器学习模型对所述第二对象的有遮挡人脸图像的识别准确率。所述目标人脸识别模型确定单元可以配置为根据所述识别准确率在所述至少一个目标机器学习模型中确定所述目标人脸识别模型。
在一些实施例中，所述目标人脸识别模型确定模块1205可以包括：第一显示单元、文件导入单元、第二显示单元以及目标机器学习模型确定单元。
其中，所述第一显示单元可以配置为显示文件导入界面。所述文件导入单元可以配置为通过所述文件导入界面导入所述第二对象的有遮挡面部特征。所述第二显示单元可以配置为显示模型选择界面。所述目标机器学习模型确定单元可以配置为根据所述第二对象、在所述模型选择界面确定目标机器学习模型，以便根据所述有遮挡面部特征训练所述目标机器学习模型以获得所述目标人脸识别模型。
在一些实施例中，所述模型选择界面包括二分类模型和多分类模型。
在一些实施例中，所述目标机器学习模型确定单元可以包括：二分类模型确定子单元和多分类模型确定子单元。
其中，所述二分类模型确定子单元可以配置为若所述第二对象包括一个对象，则在所述模型选择界面选择所述二分类模型以确定所述目标机器学习模型。所述多分类模型确定子单元可以配置为若所述第二对象包括至少两个对象，则在所述模型选择界面选择所述多分类模型以确定所述目标机器学习模型。
在一些实施例中，所述特征提取模型在第一设备中训练，所述目标人脸识别模型在第二设备中训练。
在一些实施例中，所述有遮挡面部特征提取模块1204可以包括：存储单元和发送单元。
其中，所述存储单元可以配置为将所述第二对象的有遮挡面部特征存储在目标文件中。所述发送单元可以配置为将所述目标文件发送给所述第二设备，以便完成对所述目标人脸识别模型的训练。
在一些实施例中，所述有遮挡面部图像为戴口罩面部图像。
在一些实施例中，所述人脸识别模型的训练装置1200还可以包括：戴口罩面部图像获取模块和戴口罩面部识别模块。
其中，所述戴口罩面部图像获取模块可以配置为通过图像采集设备对目标场景中各个戴口罩对象进行图像采集，获得各个戴口罩对象的戴口罩面部图像。所述戴口罩面部识别模块可以配置为通过所述目标人脸识别模型对各个戴口罩对象的戴口罩面部图像进行处理，以在各个戴口罩对象的戴口罩面部图像中确定所述第二对象的戴口罩面部图像。
在一些实施例中，所述目标场景为打卡场景。
在一些实施例中，所述人脸识别模型的训练装置1200还可以包括：打卡记录模块。
其中，所述打卡记录模块可以配置为在所述第二对象的戴口罩面部图像确定后，记录所述第二对象的打卡信息以完成打卡。
在一些实施例中，所述戴口罩面部图像获取模块可以包括：图像采集单元和戴口罩面部图像获取单元。
其中，所述图像采集单元可以配置为通过图像采集设备对目标场景中各个戴口罩对象进行图像采集，以获得各个戴口罩对象的戴口罩图像。所述戴口罩面部图像获取单元可以配置为对各个戴口罩对象的戴口罩图像进行人脸对齐处理，以确定各个戴口罩对象的戴口罩面部图像。
由于本公开的示例实施例的人脸识别模型的训练装置1200的各个功能模块与上述人脸识别模型的训练方法的示例实施例的步骤对应，因此在此不再赘述。
通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，本公开实施例的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中，包括若干指令用以使得一台计算设备(可以是个人计算机、服务器、移动终端、或者智能设备等)执行根据本公开实施例的方法，例如图3的一个或多个所示的步骤。
此外，上述附图仅是根据本公开示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。
本领域技术人员在考虑说明书及实践这里公开的公开后，将容易想到本公开的其他实施例。本公开旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未申请的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由权利要求指出。
应当理解的是，本公开并不限于这里已经示出的详细结构、附图方式或实现方法，相反，本公开意图涵盖包含在所附权利要求的精神和范围内的各种修改和等效设置。
Claims (16)
1.一种人脸识别模型的训练方法，其特征在于，包括：
获取第一对象的无遮挡面部图像；
利用所述第一对象的无遮挡面部图像训练特征提取模型；
获取第二对象的有遮挡面部图像，所述第一对象包括所述第二对象；
通过所述特征提取模型对所述第二对象的有遮挡面部图像进行特征提取，以获得所述第二对象的有遮挡面部特征；
根据所述有遮挡面部特征训练目标人脸识别模型，所述目标人脸识别模型用于对所述第二对象有遮挡人脸图像进行识别；
其中，根据所述有遮挡面部特征训练目标人脸识别模型，所述目标人脸识别模型用于对所述第二对象有遮挡人脸图像进行识别，包括：
根据所述第二对象的所述有遮挡面部特征对至少一个目标机器学习模型进行训练；
通过训练完成的所述至少一个目标机器学习模型对所述第二对象的有遮挡人脸图像进行人脸识别；
获取所述至少一个目标机器学习模型对所述第二对象的有遮挡人脸图像的识别准确率；
根据所述识别准确率在所述至少一个目标机器学习模型中确定所述目标人脸识别模型。
2.根据权利要求1所述方法，其特征在于，根据所述有遮挡面部特征训练目标人脸识别模型，所述目标人脸识别模型用于对所述第二对象有遮挡人脸图像进行识别，包括：
显示文件导入界面；
通过所述文件导入界面导入所述第二对象的有遮挡面部特征；
显示模型选择界面；
根据所述第二对象、在所述模型选择界面确定目标机器学习模型，以便根据所述有遮挡面部特征训练所述目标机器学习模型，获得所述目标人脸识别模型。
3.根据权利要求2所述方法，其特征在于，所述模型选择界面包括二分类模型和多分类模型；根据所述第二对象、在所述模型选择界面确定目标机器学习模型，包括：
若所述第二对象包括一个对象，则在所述模型选择界面选择所述二分类模型以确定所述目标机器学习模型；
若所述第二对象包括至少两个对象，则在所述模型选择界面选择所述多分类模型以确定所述目标机器学习模型。
4.根据权利要求2所述方法，其特征在于，所述特征提取模型在第一设备中训练，所述目标人脸识别模型在第二设备中训练；其中，通过所述特征提取模型对所述第二对象的有遮挡面部图像进行特征提取，以获得所述第二对象的有遮挡面部特征，包括：
将所述第二对象的有遮挡面部特征存储在目标文件中；
将所述目标文件发送给所述第二设备，以便完成对所述目标人脸识别模型的训练。
5.根据权利要求1所述方法，其特征在于，所述有遮挡面部图像为戴口罩面部图像；其中，所述方法还包括：
通过图像采集设备对目标场景中各个戴口罩对象进行图像采集，获得各个戴口罩对象的戴口罩面部图像；
通过所述目标人脸识别模型对各个戴口罩对象的戴口罩面部图像进行处理，以在各个戴口罩对象的戴口罩面部图像中确定所述第二对象的戴口罩面部图像。
6.根据权利要求5所述方法，其特征在于，所述目标场景为打卡场景；其中，所述方法还包括：
在所述第二对象的戴口罩面部图像确定后，记录所述第二对象的打卡信息以完成打卡。
7.根据权利要求5所述方法，其特征在于，通过图像采集设备对目标场景中各个戴口罩对象进行图像采集，获得各个戴口罩对象的戴口罩面部图像，包括：
通过图像采集设备对目标场景中各个戴口罩对象进行图像采集，以获得各个戴口罩对象的戴口罩图像；
对各个戴口罩对象的戴口罩图像进行人脸对齐处理，以确定各个戴口罩对象的戴口罩面部图像。
8.一种人脸识别模型的训练装置，其特征在于，包括：
无遮挡面部图像获取模块，配置为获取第一对象的无遮挡面部图像；
特征提取模型训练模块，配置为利用所述第一对象的无遮挡面部图像训练特征提取模型；
有遮挡面部图像获取模块，配置为获取第二对象的有遮挡面部图像，所述第一对象包括所述第二对象；
有遮挡面部特征提取模块，配置为通过所述特征提取模型对所述第二对象的有遮挡面部图像进行特征提取，以获得所述第二对象的有遮挡面部特征；
目标人脸识别模型确定模块，配置为根据所述有遮挡面部特征训练目标人脸识别模型，所述目标人脸识别模型用于对所述第二对象有遮挡人脸图像进行识别；
其中，根据所述有遮挡面部特征训练目标人脸识别模型，所述目标人脸识别模型用于对所述第二对象有遮挡人脸图像进行识别，包括：
根据所述第二对象的所述有遮挡面部特征对至少一个目标机器学习模型进行训练；
通过训练完成的所述至少一个目标机器学习模型对所述第二对象的有遮挡人脸图像进行人脸识别；
获取所述至少一个目标机器学习模型对所述第二对象的有遮挡人脸图像的识别准确率；
根据所述识别准确率在所述至少一个目标机器学习模型中确定所述目标人脸识别模型。
9.根据权利要求8所述装置，其特征在于，所述目标人脸识别模型确定模块包括：
第一显示单元，配置为显示文件导入界面；
文件导入单元，配置为通过所述文件导入界面导入所述第二对象的有遮挡面部特征；
第二显示单元，配置为显示模型选择界面；
目标机器学习模型确定单元，配置为根据所述第二对象、在所述模型选择界面确定目标机器学习模型，以便根据所述有遮挡面部特征训练所述目标机器学习模型以获得所述目标人脸识别模型。
10.根据权利要求9所述装置，其特征在于，所述模型选择界面包括二分类模型和多分类模型；其中，所述目标机器学习模型确定单元包括：
二分类模型确定子单元，配置为若所述第二对象包括一个对象，则在所述模型选择界面选择所述二分类模型以确定所述目标机器学习模型；
多分类模型确定子单元，配置为若所述第二对象包括至少两个对象，则在所述模型选择界面选择所述多分类模型以确定所述目标机器学习模型。
11.根据权利要求9所述装置，其特征在于，所述特征提取模型在第一设备中训练，所述目标人脸识别模型在第二设备中训练；其中，所述有遮挡面部特征提取模块包括：
存储单元，配置为将所述第二对象的有遮挡面部特征存储在目标文件中；
发送单元，配置为将所述目标文件发送给所述第二设备，以便完成对所述目标人脸识别模型的训练。
12.根据权利要求8所述装置，其特征在于，所述有遮挡面部图像为戴口罩面部图像；其中，所述人脸识别模型的训练装置还包括
戴口罩面部图像获取模块，配置为通过图像采集设备对目标场景中各个戴口罩对象进行图像采集，获得各个戴口罩对象的戴口罩面部图像；
戴口罩面部识别模块，配置为通过所述目标人脸识别模型对各个戴口罩对象的戴口罩面部图像进行处理，以在各个戴口罩对象的戴口罩面部图像中确定所述第二对象的戴口罩面部图像。
13.根据权利要求12所述装置，其特征在于，所述目标场景为打卡场景；其中，所述人脸识别模型的训练装置还包括：
打卡记录模块，配置为在所述第二对象的戴口罩面部图像确定后，记录所述第二对象的打卡信息以完成打卡。
14.根据权利要求12所述装置，其特征在于，所述戴口罩面部图像获取模块包括：
图像采集单元，配置为通过图像采集设备对目标场景中各个戴口罩对象进行图像采集，以获得各个戴口罩对象的戴口罩图像；
戴口罩面部图像获取单元，配置为对各个戴口罩对象的戴口罩图像进行人脸对齐处理，以确定各个戴口罩对象的戴口罩面部图像。
15.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一项所述的方法。
16.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1-7中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010773454.8A CN111931628B (zh) | 2020-08-04 | 2020-08-04 | 人脸识别模型的训练方法、装置及相关设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010773454.8A CN111931628B (zh) | 2020-08-04 | 2020-08-04 | 人脸识别模型的训练方法、装置及相关设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111931628A CN111931628A (zh) | 2020-11-13 |
| CN111931628B true CN111931628B (zh) | 2023-10-24 |
Family
ID=73307646
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010773454.8A Active CN111931628B (zh) | 2020-08-04 | 2020-08-04 | 人脸识别模型的训练方法、装置及相关设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111931628B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112418190B (zh) * | 2021-01-21 | 2021-04-02 | 成都点泽智能科技有限公司 | 移动端医学防护遮蔽人脸识别方法、装置、系统及服务器 |
| CN113255617B (zh) * | 2021-07-07 | 2021-09-21 | 腾讯科技（深圳）有限公司 | 图像识别方法、装置、电子设备和计算机可读存储介质 |
| CN116092166B (zh) * | 2023-03-06 | 2023-06-20 | 深圳市慧为智能科技股份有限公司 | 口罩人脸识别方法、装置、计算机设备及存储介质 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102855496A (zh) * | 2012-08-24 | 2013-01-02 | 苏州大学 | 遮挡人脸认证方法及系统 |
| WO2015165365A1 (zh) * | 2014-04-29 | 2015-11-05 | 华为技术有限公司 | 一种人脸识别方法及系统 |
| CN106372603A (zh) * | 2016-08-31 | 2017-02-01 | 重庆大学 | 遮挡人脸识别方法及装置 |
| CN107909065A (zh) * | 2017-12-29 | 2018-04-13 | 百度在线网络技术（北京）有限公司 | 用于检测人脸遮挡的方法及装置 |
| CN108509915A (zh) * | 2018-04-03 | 2018-09-07 | 百度在线网络技术（北京）有限公司 | 人脸识别模型的生成方法和装置 |
| EP3428843A1 (en) * | 2017-07-14 | 2019-01-16 | GB Group plc | Improvements relating to face recognition |
| CN111274916A (zh) * | 2020-01-16 | 2020-06-12 | 华为技术有限公司 | 人脸识别方法和人脸识别装置 |
| WO2020134478A1 (zh) * | 2018-12-29 | 2020-07-02 | 北京灵汐科技有限公司 | 一种人脸识别方法、特征提取模型的训练方法及其装置 |
| CN111460962A (zh) * | 2020-03-27 | 2020-07-28 | 武汉大学 | 一种口罩人脸识别方法及系统 |
-
2020
- 2020-08-04 CN CN202010773454.8A patent/CN111931628B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102855496A (zh) * | 2012-08-24 | 2013-01-02 | 苏州大学 | 遮挡人脸认证方法及系统 |
| WO2015165365A1 (zh) * | 2014-04-29 | 2015-11-05 | 华为技术有限公司 | 一种人脸识别方法及系统 |
| CN106372603A (zh) * | 2016-08-31 | 2017-02-01 | 重庆大学 | 遮挡人脸识别方法及装置 |
| EP3428843A1 (en) * | 2017-07-14 | 2019-01-16 | GB Group plc | Improvements relating to face recognition |
| CN107909065A (zh) * | 2017-12-29 | 2018-04-13 | 百度在线网络技术（北京）有限公司 | 用于检测人脸遮挡的方法及装置 |
| CN108509915A (zh) * | 2018-04-03 | 2018-09-07 | 百度在线网络技术（北京）有限公司 | 人脸识别模型的生成方法和装置 |
| WO2020134478A1 (zh) * | 2018-12-29 | 2020-07-02 | 北京灵汐科技有限公司 | 一种人脸识别方法、特征提取模型的训练方法及其装置 |
| CN111274916A (zh) * | 2020-01-16 | 2020-06-12 | 华为技术有限公司 | 人脸识别方法和人脸识别装置 |
| CN111460962A (zh) * | 2020-03-27 | 2020-07-28 | 武汉大学 | 一种口罩人脸识别方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| 基于深度学习的部分遮挡人脸识别;王振华;苏金善;仝琼琳;;电子技术与软件工程(第02期);151-153 * |
| 王振华 ; 苏金善 ; 仝琼琳 ; .基于深度学习的部分遮挡人脸识别.电子技术与软件工程.2020,(第02期),151-153. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111931628A (zh) | 2020-11-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11487995B2 (en) | Method and apparatus for determining image quality | |
| CN108427939B (zh) | 模型生成方法和装置 | |
| CN111931628B (zh) | 人脸识别模型的训练方法、装置及相关设备 | |
| CN108197618B (zh) | 用于生成人脸检测模型的方法和装置 | |
| CN109034069B (zh) | 用于生成信息的方法和装置 | |
| US20220172518A1 (en) | Image recognition method and apparatus, computer-readable storage medium, and electronic device | |
| CN109325148A (zh) | 生成信息的方法和装置 | |
| CN109993150B (zh) | 用于识别年龄的方法和装置 | |
| CN108509915A (zh) | 人脸识别模型的生成方法和装置 | |
| CN111914812B (zh) | 图像处理模型训练方法、装置、设备及存储介质 | |
| US20190087683A1 (en) | Method and apparatus for outputting information | |
| CN110796089B (zh) | 用于训练换脸模型的方法和设备 | |
| CN110163096B (zh) | 人物识别方法、装置、电子设备和计算机可读介质 | |
| CN108280477A (zh) | 用于聚类图像的方法和装置 | |
| CN108549848B (zh) | 用于输出信息的方法和装置 | |
| CN108229375B (zh) | 用于检测人脸图像的方法和装置 | |
| CN111626126A (zh) | 一种人脸情绪识别的方法、装置、介质及电子设备 | |
| CN108491812B (zh) | 人脸识别模型的生成方法和装置 | |
| CN108509921B (zh) | 用于生成信息的方法和装置 | |
| CN110866469A (zh) | 一种人脸五官识别方法、装置、设备及介质 | |
| CN109871791A (zh) | 图像处理方法和装置 | |
| CN109285181A (zh) | 用于识别图像的方法和装置 | |
| CN116824278A (zh) | 图像内容分析方法、装置、设备和介质 | |
| CN110298850A (zh) | 眼底图像的分割方法和装置 | |
| CN110427915A (zh) | 用于输出信息的方法和装置 |
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 |