CN112069887B - 一种人脸识别方法、装置、终端设备及存储介质 - Google Patents
一种人脸识别方法、装置、终端设备及存储介质 Download PDFInfo
- Publication number
- CN112069887B CN112069887B CN202010757447.9A CN202010757447A CN112069887B CN 112069887 B CN112069887 B CN 112069887B CN 202010757447 A CN202010757447 A CN 202010757447A CN 112069887 B CN112069887 B CN 112069887B
- Authority
- CN
- China
- Prior art keywords
- face
- face image
- image
- quality
- evaluation result
- 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 60
- 238000013441 quality evaluation Methods 0.000 claims abstract description 84
- 238000003062 neural network model Methods 0.000 claims abstract description 46
- 238000001514 detection method Methods 0.000 claims abstract description 34
- 238000012545 processing Methods 0.000 claims abstract description 22
- 238000004590 computer program Methods 0.000 claims description 24
- 230000009466 transformation Effects 0.000 claims description 21
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 16
- 238000003384 imaging method Methods 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 7
- 230000008569 process Effects 0.000 abstract description 17
- 238000011156 evaluation Methods 0.000 abstract description 13
- 238000012549 training Methods 0.000 description 18
- 230000006870 function Effects 0.000 description 12
- 238000013527 convolutional neural network Methods 0.000 description 8
- 239000013598 vector Substances 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000012544 monitoring process Methods 0.000 description 6
- 230000004044 response Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 239000000427 antigen Substances 0.000 description 1
- 102000036639 antigens Human genes 0.000 description 1
- 108091007433 antigens Proteins 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 210000000887 face Anatomy 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000013519 translation 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
- G06V40/161—Detection; Localisation; Normalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/98—Detection or correction of errors, e.g. by rescanning the pattern or by human intervention; Evaluation of the quality of the acquired patterns
- G06V10/993—Evaluation of the quality of the acquired pattern
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/168—Feature extraction; Face representation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/172—Classification, e.g. identification
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Oral & Maxillofacial Surgery (AREA)
- General Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本申请适用于机器视觉技术领域，提供了一种人脸识别方法、装置、终端设备及存储介质，其中，方法包括：对目标图像进行人脸检测；当目标图像包含人脸图像时，将人脸图像输入预训练的第一神经网络模型进行多维度的质量评价，获得质量评价结果；根据质量评价结果，对人脸图像进行对应的处理，得到目标人脸图像，将目标人脸图像输入预训练的第二神经网络模型进行人脸特征提取，获得人脸特征信息；将人脸特征信息输入预训练的人脸分类器进行人脸识别，获得人脸识别结果。可从多个维度对图像质量进行评价，并根据评价结果对人脸图像处理得到目标人脸图像，再进行人脸识别，即使在被识别人员没有主动配合的场景下，也能提高人脸识别的准确率和覆盖率。
Description
技术领域
本申请属于机器视觉技术领域，尤其涉及一种人脸识别方法、装置、终端设备及存储介质。
背景技术
随着人工智能和机器视觉技术的快速发展，各种基于机器视觉的智能产品顺应而生，安防机器人作为智能产品的一种，具备自主巡逻、图像监控、异常检测、自动报警与远程操控等功能，从而可用于协助视频监控和保安人员进行日常的安防任务。
为了实现安防机器人的智能性，对安防机器人的智能感知提出了更高的要求，要求安防机器人可以对人脸进行识别，传统的人脸识别需要被识别人员主动配合人脸采集设备进行人脸图像的采集才能达到较好的识别准确性。而安防机器人在移动过程中获取的图像，导致图像质量不稳定，对低质量图像进行识别的准确率低，如将其认定为无效图像，直接拒识，又会造成识别覆盖率过低。
发明内容
本申请实施例提供了一种人脸识别方法、装置、终端设备及存储介质，旨在解决现有在被识别人员没主动配合的场景下，人脸识别准确率和覆盖率低的问题。
第一方面，本申请实施例提供了一种人脸识别方法，包括：
对目标图像进行人脸检测；
当所述目标图像包含人脸图像时，将所述人脸图像输入预训练的第一神经网络模型进行多维度的质量评价，获得质量评价结果；
根据所述质量评价结果，对所述人脸图像进行对应的处理，得到目标人脸图像；
当所述目标人脸图像的所有维度都满足对应的质量要求时，将所述人脸图像输入预训练的第二神经网络模型进行人脸特征提取，获得人脸特征信息；
将所述人脸特征信息输入预训练的人脸分类器进行人脸识别，获得人脸识别结果。
第二方面，本申请实施例提供了一种人脸识别装置，包括：
检测模块，用于对目标图像进行人脸检测；
第一获得模块，用于当所述目标图像包含人脸图像时，将所述人脸图像输入预训练的第一神经网络模型进行多维度的质量评价，获得质量评价结果；
处理模块，用于根据所述质量评价结果，对所述人脸图像进行对应的处理，得到目标人脸图像；
第二获得模块，用于当所述目标人脸图像的所有维度都满足对应的质量要求时，将所述人脸图像输入预训练的第二神经网络模型进行人脸特征提取，获得人脸特征信息；
第三获得模块，用于将所述人脸特征信息输入预训练的人脸分类器进行人脸识别，获得人脸识别结果。
第三方面，本申请实施例提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述人脸识别方法的步骤。
第四方面，本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，上述计算机程序被处理器执行时实现上述人脸识别方法的步骤。
第五方面，本申请实施例提供了一种计算机程序产品，当计算机程序产品在电子设备上运行时，使得电子设备执行上述现上述人脸识别方法的步骤。
本申请实施例与现有技术相比存在的有益效果是：本申请实施例可在目标图像包含人脸图像时，通过第一神经网络模型从多个维度对人脸图像进行评价，获得质量评价结果；根据质量评价结果，对所述人脸图像进行对应的处理，得到目标人脸图像，将所述目标人脸图像输入预训练的第二神经网络模型进行人脸特征提取，获得人脸特征信息；将所述人脸特征信息输入预训练的人脸分类器进行人脸识别，获得人脸识别结果。可从多个维度对图像质量进行评价，并根据评价结果对人脸图像进行处理得到目标人脸图像，最后再对目标人脸图像进行人脸识别，即使在被识别人员没有主动配合的场景下，也能提高人脸识别的准确率和覆盖率。
可以理解的是，上述第二方面至第五方面的有益效果可以参见上述第一方面中的相关描述，在此不再赘述。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，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是本申请实施例一提供的人脸识别方法的流程示意图；
图2是本申请实施例一提供的一个卷积神经网络模型的示意图；
图3是本申请实施例一提供的步骤S103的一个具体流程示意图；
图4是本申请实施例一提供的第一生成式对抗网络训练过程的示意图；
图5是本申请实施例一提供的第二生成式对抗网络训练过程的示意图；
图6是本申请实施例二提供的人脸识别方法的流程示意图；
图7是本申请实施例三提供的人脸识别方法的流程示意图；
图8是本申请实施例四提供的人脸识别装置的结构示意图；
图9是本申请实施例五提供的终端设备的结构示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
应当理解，当在本申请说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
如在本申请说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外，在本申请说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
本申请实施例提供的人脸识别方法，可以应用于机器人，监控设备等终端设备，所述机器人具体可以是安防机器人，所述监控设备具体可以是用于安防的监控设备，本申请实施例对机器人和监控设备的具体类型不做任何限制。
为了说明本申请所述的技术方案，下面通过以下实施例来进行说明。
实施例一
请参阅图1，本申请实施例提供的一种人脸识别方法，包括：
步骤S101，对目标图像进行人脸检测。
在应用中，通过图像检测设备获取待检测的目标图像，如图像检测设备是摄像头。可获取通过摄像头拍摄的目标图像，并对目标图像通过人脸检测算法进行人脸检测。
在一个实施例中，所述对目标图像进行人脸检测，包括：通过预设轻量级人脸检测网络对所述目标图像进行人脸检测。在应用中具体可通过预设轻量级卷积神经网络对目标图像进行人脸检测，提高网络的检测速度。如可采用RetinaFace，LFFD等轻量级神经网络进行人脸检测。
步骤S102，当所述目标图像包含人脸图像时，将所述人脸图像输入预训练的第一神经网络模型进行多维度的质量评价，获得质量评价结果。
在应用中，在检测到目标图像存在人脸图像时，获取所述人脸图像。预训练的第一神经网络模型可为预训练好的卷积神经网络模型，用于对人脸图像从N个维度进行质量评价，质量评价可以是判断图像质量是否满足预设要求，并输出评价结果。其中，N大于等于2且为整数。
在一个实施例中，对人脸图像从N个维度进行质量评价，可从以下五个维度对图像质量进行评价：人脸图像的水平旋转角度是否低于预设旋转角度(如预设旋转角度为45度或其它角度)、人脸图像光线是否大于第一预设光线强度值、人脸图像光线是否小于第二预设光线强度值、人脸图像中遮挡度是否在预设遮挡范围内、人脸图像的清晰度是否满足预设清晰度要求。如第一神经网络模型是对人脸图像的5个维度进行评价，将人脸图像输入至第一神经网络模型，输出一个5×1的向量表示评价结果，若输出向量中某个维度的值为1，则表示该维度对应的图像质量不满足要求；若输出向量中某个维度的值为0，则表示该维度对应的图像质量满足要求。
在一个实施例中，第一神经网络模型可通过卷积神经网络模型进行实现。如图2所示，具体可通过包含五个卷积层，三个全连接层的卷积神经网络实现，前五层为卷积层对输入的人脸图像进行特征提取，由此将图像的显性特性映射到了隐性特征空间，卷积层后接两层全连接层对特征进行加权，并将二维的特征空间变换到一维的特征空间，再最后的一个全连接层使用softmax激活函数。
在一个实施例中，通过预训练的第一神经网络模型进行多维度的质量评价之前要进行训练，将训练好的第一神经网络模型作为预训练的第一神经网络模型。第一神经网络模型的训练过程包括：预先准备好大量的人脸图像，并对每个人脸图像从多个维度进行质量标注。如人脸图像1的水平旋转角度是低于预设旋转角度、人脸图像光线大于第一预设光线强度值、人脸图像光线未小于第二预设光线强度值，人脸图像中遮挡度在预设遮挡范围内、人脸图像的清晰度满足预设清晰度要求，则对图像1标注的向量为(01000)T。准备好的大量人脸图像和对应标记好的期望输出向量，将人脸图像输入至第一神经网络模型，根据标记好的期望输出向量不断调整优化所述第一网络模型中的参数，直至第一神经网络模型的输出结果与对应期望输出向量的相匹配，当经过大量的人脸图像训练后，在匹配率大于预设匹配率，则将此时对应的第一神经网络模型做为预训练的神经网络模型。
步骤S103，根据所述质量评价结果，对所述人脸图像进行对应的处理，得到目标人脸图像。
在应用中，根据评价结果从多个维度判定人脸图像的质量是否满足对应要求。当所述质量评价结果指示所述人脸图像中有维度不满足对应的质量要求时，对所述不满足对应的质量要求的维度进行质量调整，得到目标人脸图像。当质量评价结果指示所述人脸图像中所有的维度都满足对应的质量要求时，直接将该人脸图像作为目标人脸图像。
在一个实施例中，如图3所示，步骤S103包括步骤S1031和步骤S1032：
步骤S1031，当所述质量评价结果指示所述人脸图像中有维度不满足对应的质量要求时，对所述不满足对应质量要求的维度进行质量调整。
在应用中，根据第一神经网络模型输出的评价结果从多个维度判断人脸图像的质量是否满足对应要求，并对不满足质量要求的维度进行质量调整。如评价结果指示人脸图像质量的一个维度不满足预设要求，则对该维度通过对应的预设算法进行图像质量调整。如果评价结果指示人脸图像质量多个维度中M个维度不满足预设要求，则根据预先设置的顺序按顺序调整人脸图像质量。其中，M大于或等于2。
在一个实施例中，当所述质量评价结果指示所述人脸图像中有维度不满足对应的质量要求时，对所述不满足对应质量要求的维度进行质量调整，包括：当所述质量评价结果指示所述人脸图像中有维度不满足对应的质量要求时，按照预设顺序对所述不满足对应质量要求的维度进行质量调整。
在应用中，如第一神经网络模型输出的评价结果是从五个维度判断人脸图像质量是否满足对应要求，上述预设顺序可以是预先设置所述五个维度的进行质量调整的先后顺序。
在一个实施例中，如第一神经网络模型输出的评价结果是从五个维度判断人脸图像质量是否满足对应要求。如五个维度的评价结果为(01000)T，则可指示水平旋转角度是低于预设旋转角度、人脸图像光线大于第一预设光线强度值、人脸图像光线未小于第二预设光线强度值，人脸图像中遮挡度在预设遮挡范围内和人脸图像的清晰度满足预设清晰度要求。
在一个实施例中，当所述质量评价结果指示所述人脸图像中有维度不满足对应的质量要求时，对所述不满足对应质量要求的维度进行质量调整包括：当质量评价结果指示人脸图像中人脸的遮挡程度不在预设人脸遮挡程度范围内时，丢弃所述人脸图像，即不对人脸图像进行识别。
在一个实施例中，当所述质量评价结果指示所述人脸图像中有维度不满足对应的质量要求时，对所述不满足对应质量要求的维度进行质量调整还包括：当质量评价结果指示人脸图像中的光线强度不在预设光线强度范围内时，通过高动态范围成像算法对所述人脸图像进行处理，得到高动态范围成像的人脸图像。高动态范围成像算法可对于过暗或者过亮的图像，可以将亮度区间拉伸，恢复到较正常的亮度水平，从而得到高动态范围成像的人脸图像。
在一个实施例中，当所述质量评价结果指示所述人脸图像中有维度不满足对应的质量要求时，对所述不满足对应质量要求的维度进行质量调整还包括：当评价结果指示人脸图像的水平旋转角度大于预设旋转角度时，如预设旋转角度为45度，此时人脸图像视为侧脸角度，则将人脸图像输入至预训练的第一生成式对抗网络的生成器进行人脸角度调整，获得人脸角度调整后的人脸图像。其中，第一生成式对抗网络生成器用于根据侧脸生成正脸。
在应用中，通过预训练的第一生成式对抗网络生成器进行人脸角度调整，在使用第一生成式对抗网络生成器之前，要对第一生成式对抗网络进行训练。该生成式对抗网络包括生成器和判别器，生成器和判别器在训练的过程中用对抗的方式进行学习，生成器用来将输入的侧脸图像生成正脸图像，判别器会判断输入的图像是真实的正脸图像还是生成器生成的正脸图像，判别器希望尽量提高自己的正确率来分辨真实的正脸，生成器希望尽量产生逼真的正脸图像来误导判别器，在二者不断对抗的过程中，可以训练得到一个质量较高的生成器。在实际使用时只用生成器部分。
在应用中，对第一生成式对抗网络进行训练之前，预先采集大量的人脸图像，具体可通过多位机对人脸进行正面、侧面和右侧的人脸图像采集。参照图4为对第一生成式对抗网络进行训练的示意图，在初次训练时，用侧脸图像(不同角度的左侧脸和右侧脸等)和对应的正脸图像一起输入判别器，侧脸图像对应标签设为0，正脸图像对应标签设为1，判别器对图像打分进行区分侧脸图像和正脸图像，并通过最小化判别器的损失函数，可得到初代判别器，此时固定判别器，训练生成器，输入侧脸图像，让生成器产生的正脸图尽量能欺骗判别器，直到判别器无法区别第二代生成器产生的正脸图和真实正脸图像时，固定生成器，训练第三代判别器，直到其能区分第二代生成器产生的正脸图像和真实的正脸图像，再次固定判别器，训练生成器，如此循环直到生成器产生的正脸图像和真实的正脸图像相差无几。
在一个实施例中，当所述质量评价结果指示所述人脸图像中有维度不满足对应的质量要求时，对所述不满足对应质量要求的维度进行质量调整还包括：当质量评价结果指示所述人脸图像的清晰度小于预设清晰度时，将人脸图像输入至预训练的第二生成式对抗网络的生成器进行清晰度调整，获得清晰度调整后的人脸图像。其中，第二生成式对抗网络生成器用于根据模糊图像生成清晰图像。
在应用中，通过预训练的第二生成式对抗网络生成器进行图像清晰度调整，在使用第二生成式对抗网络生成器之前，要对第二生成式对抗网络进行训练。该生成式对抗网络包括生成器和判别器，生成器和判别器在训练的过程中用对抗的方式进行学习，生成器用来将输入的模糊图像生成清晰图像，判别器会判断输入的图像是真实的清晰图像还是生成器生成的清晰图像，判别器希望尽量提高自己的正确率来分辨真实的清晰图像，生成器希望尽量产生逼真的清晰图像来误导判别器，在二者不断对抗的过程中，可以训练得到一个质量较高的生成器。在实际使用时只用生成器部分。
在应用中，第二生成式对抗网络进行训练之前，预先采集大量的模糊人脸图像和清晰人脸图像，其中模糊图像具体可使用模糊退化模型对清晰图像进行处理后得到模糊图像，例如缩小图像8倍，4倍等，再还原至原图大小。请参阅图5，为对第二神经网络进行训练的示意图，在初次训练时，将模糊图像和对应的清晰图像一起输入判别器，模糊图像对应标签设为0，清晰图像对应标签设为1，判别器对图像进行打分进行区分模糊图像和清晰图像，并通过最小化判别器的损失函数，可得到初代判别器，此时固定判别器，训练生成器，输入模糊图像，让生成器产生的正脸图尽量能欺骗判别器，直到判别器无法区别第二代生成器产生的清晰图像和真实清晰图像时，固定生成器，训练第三代判别器，直到其能区分第二代生成器产生的清晰图像和真实清晰图像，再次固定判别器，训练生成器，如此循环直到生成器产生的清晰图像和真实清晰图像相差无几。
步骤S1032，获取所述进行质量调整后的人脸图像，并将进行质量调整后的人脸图像作为目标人脸图像。
在应用中，经过上述步骤S1031的质量调整后，获取进行质量调整后的人脸图像，若能获取到质量调整后的人脸图像，则将获取到的质量调整后的人脸图像作为目标人脸图像。若在质量调整的过程中丢弃了人脸图像，则不执行后续步骤。
在一个实施例中，步骤S103还包括：当所述质量评价结果指示所述人脸图像中所有维度都满足对应的质量要求时，将所述人脸图像作为目标人脸图像。即对所有维度都满足对应的质量要求的人脸图像，不对该人脸图像进行质量调整，直接将该人脸图像作为目标人脸图像。
步骤S104，将所述目标人脸图像输入预训练的第二神经网络模型进行人脸特征提取，获得人脸特征信息。
在应用中，将目标脸图像输入预训练的第二神经网络模型。通过预训练的第二神经网络模型进行人脸特征提取，获得人脸特征信息。
在一个实施例中，上述第二神经网络模型是对人脸图像进行特征提取的卷积神经网络模型。预先将该卷积神经网络模型当做一个分类网络进行训练，每个不同人的人脸图像都是一个独立的类别，该卷积神经网络模型包括卷积层，全连接层，最后一层全连接层可采用的是激活函数(如softmax)进行分类。在训练完成后，去除最后一层softmax分类层，用倒数第二层全连接层的输出做为提取的特征向量。分类网络可以采用VGGNet、ResNet等，具体根据实际情况进行选择，此处不做限定。
步骤S105，将所述人脸特征信息输入预训练的人脸分类器进行人脸识别，获得人脸识别结果。
在应用中，根据人脸特征信息，通过预先已预训练好的人脸分类器识别对应的人脸，可通过建立支持向量机(Support Vector Machine，SVM)分类器进行人脸识别，并获得对应的人脸识别结果，所述人脸识别结果可以是对应的身份信息。
在一个实施例中，SVM分类器可通过一对多方法进行构建。如人脸底库中图片均由正脸无遮挡的人脸图像构成。假设底库有K个人的人脸图像，则构建K个SVM分类器，每个分类器区分一种人脸和其他人脸。测试图像输入到这K个分类器，将得分最高的分类器的类别确定为测试图像的类别。预先设定一个阈值，若最高得分仍小于这个阈值，则认为该测试图像的人脸不存在于底库中。采用这种一对多方法一共只需构造K个分类器，对人脸识别的决策过程较快且性能稳定。
本申请实施例可在目标图像包含人脸图像时，通过第一神经网络模型从多个维度对人脸图像进行评价，获得质量评价结果；根据质量评价结果，对所述人脸图像进行对应的处理，得到目标人脸图像，将所述目标人脸图像输入预训练的第二神经网络模型进行人脸特征提取，获得人脸特征信息；将所述人脸特征信息输入预训练的人脸分类器进行人脸识别，获得人脸识别结果。可从多个维度对图像质量进行评价，并根据评价结果对人脸图像进行处理得到目标人脸图像，最后再对目标人脸图像进行人脸识别，即使在被识别人员没有主动配合的场景下，也能提高人脸识别的准确率和覆盖率。
实施例二
本申请实施例提供一种人脸识别方法，包括实施例一中的步骤，本实施例是对实施例一的进一步说明，与实施例一相同或相似的地方，具体可参见实施例一的相关描述，此处不再赘述。请参阅图6，上述步骤S102包括步骤S602至步骤S604，本实施例中的人脸识别方法包括：
步骤S601，对目标图像进行人脸检测。
在本申请实施例中，上述步骤S601与上述步骤S101相同或相似的地方，具体可参见步骤S101的相关描述，此处不再赘述。
步骤S602，当所述目标图像包含人脸图像时，对所述人脸图像进行关键点检测，确定所述人脸图像的关键点的坐标位置。
在应用中，对人脸图像进行关键点检测中关键点可以是眼睛、鼻子、嘴巴等关键位置中若干个特征点。如特征点可以是左内眼角、右内眼角、鼻尖、左嘴角和右嘴角等具体位置提取的特征点位置。在检测到关键点之后并确定对应关键点的坐标位置。
步骤S603，当所述人脸图像的关键点的坐标位置与预设标准人脸图像的关键点的坐标位置不相符时，根据所述人脸图像关键点的坐标位置确定变换矩阵，并根据所述变换矩阵对所述人脸图像进行仿射变换。
在应用中，预设标准人脸图像的关键点的坐标位置范围是预先已知的，当检测到的人脸图像中关键点的位置不在预设标准人脸关键点位置的范围内时，需要先对人脸图像进行校正。具体通过OpenCV的仿射变换函数对人脸特征点坐标进行仿射变换，仿射变换包括对人脸图像的缩放变换和平移变换，以实现对人脸图像的矫正。
在一个实施例中，仿射变换还包括旋转变换，仿射变换对人脸水平旋转(即侧脸)有一定的改变，但改变对识别没有实质作用，举个例子如果是侧脸大于45度的图仿射变换调整的效果不大。
在一个实施例中，可根据人脸图像关键点的坐标位置计算质心位置坐标，旋转角度以及自适应缩放因子；根据所述质心坐标，旋转角度以及自适应缩放因子，确定所述变换矩阵。质心位置坐标可以是眼睛、鼻子、嘴巴等关键位置的质心位置坐标。
步骤S604，将仿射变换后的所述人脸图像输入预训练的第一神经网络模型进行多维度的质量评价，获得质量评价结果。
在应用中，若人脸图像进行仿射变换后，则将仿射变换后的人脸图像输入预训练的第一神经网络模型进行多维度的质量评价。若人脸图像没有进行仿射变换，则直接将获取到的人脸图像输入至预训练的第一神经网络模型进行多维度的质量评价。
步骤S605，根据所述质量评价结果，对所述人脸图像进行对应的处理，得到目标人脸图像。
在应用中，步骤S605中的对所述人脸图像进行对应的处理是对仿射变换后的人脸图像进行对应的处理，从而得到目标人脸图像。
步骤S606，将所述目标人脸图像输入预训练的第二神经网络模型进行人脸特征提取，获得人脸特征信息；
步骤S607，将所述人脸特征信息输入预训练的人脸分类器进行人脸识别，获得人脸识别结果。
在本申请实施例中，上述步骤S604、S605、S606和S607分别与上述步骤S102、S103、S104和S105相同或相似的地方，具体可参见步骤S102至步骤S105的相关描述，此处不再赘述。
本申请实施例可先对人脸图像进行仿射变换，再从多个维度对图像质量进行评价，并对所述不满足对应的质量要求的维度进行质量调整，最后再进行人脸识别，进一步提高了识别的准确率和识别覆盖率。
实施例三
本实施例是对实施例一或实施例二的进一步说明，与实施例一或实施例二相同或相似的地方，具体可参见实施例一或者实施例二的相关描述，此处不再赘述。请参阅图7，上述实施例一或实施例二中当所述质量评价结果指示所述人脸图像中有维度不满足对应的质量要求时，按照预设顺序对所述不满足对应质量要求的维度按照进行质量调整的步骤，包括：
步骤S701，根据质量评价结果判断人脸图像中人脸的遮挡程度是否在预设人脸遮挡程度范围内。
在应用中，当所述质量评价结果指示所述人脸图像中人脸的遮挡程度不在预设人脸遮挡程度范围内时，直接进入步骤S702丢弃人脸图像。当所述质量评价结果指示所述人脸图像中人脸的遮挡程度在预设人脸遮挡程度范围内时，直接进入步骤S703。
步骤S702，丢弃人脸图像。
在应用中，丢弃人脸图像后，不执行步骤S702后续步骤。
步骤S703，根据质量评价结果判断人脸图像的光线强度是否在预设光线强度范围内。
在应用中，当所述质量评价结果指示所述人脸图像的光线强度不在预设光线强度范围内时，进入步骤S704通过高动态范围成像算法对人脸图像进行处理。当所述质量评价结果指示所述人脸图像的光线强度在预设光线强度范围内时，直接进入步骤S705。
步骤S704，通过高动态范围成像算法对人脸图像进行处理。
在应用中，通过高动态范围成像算法对所述人脸图像进行处理，可将人脸图像的光线强度调整至正常光线强度后，进入步骤S705。
步骤S705，根据质量评价结果判断人脸图像中人脸的旋转角度是否大于预设角度。
在应用中，当所述质量评价结果指示所述人脸图像中人脸的旋转角度大于预设角度时，进入步骤S706将人脸图像输入至预训练的第一生成式对抗网络的生成器进行人脸角度调整。当所述质量评价结果指示所述人脸图像中人脸的旋转角度小于等于预设角度时，直接进入步骤S707。
步骤S706，将人脸图像输入至预训练的第一生成式对抗网络的生成器进行人脸角度调整。
在应用中，将人脸图像输入至预训练的第一生成式对抗网路的生成器进行人脸角度调整，可将人脸图像的侧脸生成正脸后，进入步骤S707。
步骤S707，根据质量评价结果判断人脸图像的清晰度是否小于预设清晰度。
在应用中，当所述质量评价结果指示所述人脸图像的清晰度小于预设清晰度时，进入步骤S708将人脸图像输入至预训练的第二生成式对抗网络的生成器进行清晰度调整。当所述质量评价结果指示所述人脸图像的清晰度大于等于预设清晰度时，直接进入步骤S709。
步骤S708，将人脸图像输入至预训练的第二生成式对抗网络的生成器进行清晰度调整。
在应用中，将人脸图像输入至预训练的第二生成式对抗网络的生成器进行清晰度调整，可对人脸图像进行去模糊处理后，进入步骤S709。
步骤S709，获取进行质量调整后的人脸图像，并将进行质量调整后的人脸图像作为目标人脸图像。
在应用中，经过步骤S701至步骤S708一步步对人脸图像进行对应质量调整后，获取进行质量调整后的人脸图像，并作为目标人脸图像，得到目标图像后进入进入实施例一中的步骤S104或实施例二种的步骤S606。
本申请实施例，可从多个维度对图像质量进行评价，并对不满足对应的质量要求的维度对质量一步一步进行调整，最后再进行人脸识别，即使在被识别人员没有主动配合的场景下，也能提高人脸识别的准确率和覆盖率。
实施例四
对应于上文实施例所述的人脸识别方法，图8示出了本申请实施例提供的人脸识别装置的结构框图，为了便于说明，仅示出了与本申请实施例相关的部分。参照图8，该装置包括：
检测模块801，用于对目标图像进行人脸检测；
第一获得模块802，用于当所述目标图像包含人脸图像时，将所述人脸图像输入预训练的第一神经网络模型进行多维度的质量评价，获得质量评价结果；
处理模块803，用于根据所述质量评价结果，对所述人脸图像进行对应的处理，得到目标人脸图像；
第二获得模块804，用于将所述目标人脸图像输入预训练的第二神经网络模型进行人脸特征提取，获得人脸特征信息；
第三获得模块805，用于将所述人脸特征信息输入预训练的人脸分类器进行人脸识别，获得人脸识别结果。
在一个实施例中，所述处理模块包括：
第一调整单元，用于当所述质量评价结果指示所述人脸图像中有维度不满足对应的质量要求时，对所述不满足对应质量要求的维度进行质量调整；
第一作为单元，用于获取所述进行质量调整后的人脸图像，并将进行质量调整后的人脸图像作为目标人脸图像。
在一个实施例中，第一调整单元具体用于：当所述质量评价结果指示所述人脸图像中有维度不满足对应的质量要求时，按照预设顺序对所述不满足对应质量要求的维度顺序进行质量调整。
在一个实施例中，所述处理模块还包括：
第二作为单元，用于当所述质量评价结果指示所述人脸图像中所有维度都满足对应的质量要求时，将所述人脸图像作为目标人脸图像。
在一个实施例中，所述第一获得模块802包括：
第一确定单元，用于当所述目标图像包含人脸图像时，对所述人脸图像进行关键点检测，确定所述人脸图像的关键点的坐标位置；
仿射单元，用于当所述人脸图像的关键点的坐标位置与预设标准人脸图像的关键点的坐标位置不相符时，根据所述人脸图像关键点的坐标位置确定变换矩阵，并根据所述变换矩阵对所述人脸图像进行仿射变换；
质量评价单元，用于将仿射变换后的所述人脸图像输入预训练的第一神经网络模型进行多维度的质量评价，获得质量评价结果。
在一个实施例中，所述第一调整单元包括：
第一调整子单元，用于当所述质量评价结果指示所述人脸图像中人脸的遮挡程度不在预设人脸遮挡程度范围内时，丢弃所述人脸图像。
在一个实施例中，所述第一调整单元还包括：
第二调整子单元，用于当所述质量评价结果指示所述人脸图像的光线强度不在预设光线强度范围内时，通过高动态范围成像算法对所述人脸图像进行处理，得到高动态范围成像的人脸图像。
在一个实施例中，所述第一调整单元还包括：
第三调整子单元，用于当所述质量评价结果指示所述人脸图像中人脸的旋转角度大于预设角度时，将所述人脸图像输入至预训练的第一生成式对抗网络的生成器进行人脸角度调整，获得人脸角度调整后的人脸图像。
在一个实施例中，所述第一调整单元还包括：
第四调整子单元，用于当所述质量评价结果指示所述人脸图像的清晰度小于预设清晰度时，将所述人脸图像输入至预训练的第二生成式对抗网络的生成器进行清晰度调整，获得清晰度调整后的人脸图像。
在一个实施例中，所述检测模块801具体用于：通过预设轻量级人脸检测网络对所述目标图像进行人脸检测。
本申请实施例，可在目标图像包含人脸图像时，通过第一神经网络模型从多个维度对人脸图像进行评价，获得质量评价结果；根据质量评价结果，对所述人脸图像进行对应的处理，得到目标人脸图像，将所述目标人脸图像输入预训练的第二神经网络模型进行人脸特征提取，获得人脸特征信息；将所述人脸特征信息输入预训练的人脸分类器进行人脸识别，获得人脸识别结果。可从多个维度对图像质量进行评价，并根据评级结果对人脸图像进行处理得到目标人脸图像，最后再对目标人脸图像进行人脸识别，即使在被识别人员没有主动配合的场景下，也能提高人脸识别的准确率和覆盖率。
实施例五
如图9所示，本发明的一个实施例还提供一种终端设备900包括：处理器901，存储器902以及存储在所述存储器902中并可在所述处理器901上运行的计算机程序903，例如人脸识别程序。所述处理器901执行所述计算机程序903时实现上述各个人脸识别方法实施例中的步骤，例如实施例一，实施例二，和/或实施例三中的方法步骤。所述处理器901执行所述计算机程序903时实现上述各装置实施例中各模块的功能，例如图8所示模块801至805的功能。
示例性的，所述计算机程序903可以被分割成一个或多个模块，所述一个或者多个模块被存储在所述存储器902中，并由所述处理器901执行，以完成本发明。所述一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序903在所述终端设备900中的执行过程。例如，所述计算机程序903可以被分割成检测模块，第一获得模块，处理模块，第二获得模块，第三获得模块，各模块具体功能在上述实施例四中已有描述，此处不再赘述。
所述终端设备900可以是机器人，监控设备等终端设备，或者桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括，但不仅限于，处理器901，存储器902。本领域技术人员可以理解，图9仅仅是终端设备900的示例，并不构成对终端设备900的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器901可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器902可以是所述终端设备900的内部存储单元，例如终端设备900的硬盘或内存。所述存储器902也可以是所述终端设备900的外部存储设备，例如所述终端设备900上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(SecureDigital，SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器902还可以既包括所述终端设备900的内部存储单元也包括外部存储设备。所述存储器902用于存储所述计算机程序以及所述终端设备所需的其他程序和数据。所述存储器902还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
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单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的模块如果以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，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，RandomAccess Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
以上所述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，均应包含在本发明的保护范围之内。
Claims (11)
1.一种人脸识别方法，其特征在于，包括：
对目标图像进行人脸检测；
当所述目标图像包含人脸图像时，将所述人脸图像输入预训练的第一神经网络模型进行多维度的质量评价，获得质量评价结果；
当所述质量评价结果指示所述人脸图像中有维度不满足对应的质量要求时，按照预设顺序对所述不满足对应质量要求的维度进行质量调整，所述预设顺序为遮挡程度、光线强度、旋转角度以及清晰度的顺序；
获取所述进行质量调整后的人脸图像，并将进行质量调整后的人脸图像作为目标人脸图像；
将所述目标人脸图像输入预训练的第二神经网络模型进行人脸特征提取，获得人脸特征信息；
将所述人脸特征信息输入预训练的人脸分类器进行人脸识别，获得人脸识别结果。
2.根据权利要求1所述的人脸识别方法，其特征在于，还包括：
当所述质量评价结果指示所述人脸图像中所有维度都满足对应的质量要求时，将所述人脸图像作为目标人脸图像。
3.根据权利要求1所述的人脸识别方法，其特征在于，所述当所述目标图像包含人脸图像时，将所述人脸图像输入预训练的第一神经网络模型进行多维度的质量评价，获得质量评价结果，包括：
当所述目标图像包含人脸图像时，对所述人脸图像进行关键点检测，确定所述人脸图像的关键点的坐标位置；
当所述人脸图像的关键点的坐标位置与预设标准人脸图像的关键点的坐标位置不相符时，根据所述人脸图像关键点的坐标位置确定变换矩阵，并根据所述变换矩阵对所述人脸图像进行仿射变换；
将仿射变换后的所述人脸图像输入预训练的第一神经网络模型进行多维度的质量评价，获得质量评价结果。
4.根据权利要求1所述的人脸识别方法，其特征在于，所述当所述质量评价结果指示所述人脸图像中有维度不满足对应的质量要求时，按照预设顺序对所述不满足对应的质量要求的维度进行质量调整，包括：
当所述质量评价结果指示所述人脸图像中人脸的遮挡程度不在预设人脸遮挡程度范围内时，丢弃所述人脸图像。
5.根据权利要求1所述的人脸识别方法，其特征在于，所述当所述质量评价结果指示所述人脸图像中有维度不满足对应的质量要求时，按照预设顺序对所述不满足对应的质量要求的维度进行质量调整，还包括：
当所述质量评价结果指示所述人脸图像的光线强度不在预设光线强度范围内时，通过高动态范围成像算法对所述人脸图像进行处理，得到高动态范围成像的人脸图像。
6.根据权利要求1所述的人脸识别方法，其特征在于，所述当所述质量评价结果指示所述人脸图像中有维度不满足对应的质量要求时，按照预设顺序对所述不满足对应的质量要求的维度进行质量调整，还包括：
当所述质量评价结果指示所述人脸图像中人脸的旋转角度大于预设角度时，将所述人脸图像输入至预训练的第一生成式对抗网络的生成器进行人脸角度调整，获得人脸角度调整后的人脸图像。
7.根据权利要求1所述的人脸识别方法，其特征在于，所述当所述质量评价结果指示所述人脸图像中有维度不满足对应的质量要求时，按照预设顺序对所述不满足对应的质量要求的维度进行质量调整，还包括：
当所述质量评价结果指示所述人脸图像的清晰度小于预设清晰度时，将所述人脸图像输入至预训练的第二生成式对抗网络的生成器进行清晰度调整，获得清晰度调整后的人脸图像。
8.根据权利要求1至7任一项所述的人脸识别方法，其特征在于，所述对目标图像进行人脸检测，包括：
通过预设轻量级人脸检测网络对所述目标图像进行人脸检测。
9.一种人脸识别装置，其特征在于，包括：
检测模块，用于对目标图像进行人脸检测；
第一获得模块，用于当所述目标图像包含人脸图像时，将所述人脸图像输入预训练的第一神经网络模型进行多维度的质量评价，获得质量评价结果；
第一调整单元，用于：当所述质量评价结果指示所述人脸图像中有维度不满足对应的质量要求时，按照预设顺序对所述不满足对应质量要求的维度顺序进行质量调整，所述预设顺序为遮挡程度、光线强度、旋转角度以及清晰度的顺序；
第一作为单元，用于获取所述进行质量调整后的人脸图像，并将进行质量调整后的人脸图像作为目标人脸图像；
第二获得模块，用于将所述目标人脸图像输入预训练的第二神经网络模型进行人脸特征提取，获得人脸特征信息；
第三获得模块，用于将所述人脸特征信息输入预训练的人脸分类器进行人脸识别，获得人脸识别结果。
10.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述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计算机程序时实现如权利要求1至8任一项所述的方法。
11.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至8任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010757447.9A CN112069887B (zh) | 2020-07-31 | 2020-07-31 | 一种人脸识别方法、装置、终端设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010757447.9A CN112069887B (zh) | 2020-07-31 | 2020-07-31 | 一种人脸识别方法、装置、终端设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112069887A CN112069887A (zh) | 2020-12-11 |
| CN112069887B true CN112069887B (zh) | 2023-12-29 |
Family
ID=73656741
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010757447.9A Active CN112069887B (zh) | 2020-07-31 | 2020-07-31 | 一种人脸识别方法、装置、终端设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112069887B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112800853A (zh) * | 2020-12-30 | 2021-05-14 | 广东智媒云图科技股份有限公司 | 一种玩具的初始化方法、装置及玩具 |
| CN112883918B (zh) * | 2021-03-22 | 2024-03-19 | 深圳市百富智能新技术有限公司 | 人脸检测方法、装置、终端设备及计算机可读存储介质 |
| CN113422967B (zh) * | 2021-06-07 | 2023-01-17 | 深圳康佳电子科技有限公司 | 一种投屏显示控制方法、装置、终端设备及存储介质 |
| CN113378715B (zh) * | 2021-06-10 | 2024-01-05 | 北京华捷艾米科技有限公司 | 一种基于彩色人脸图像的活体检测方法及相关设备 |
| CN118116088B (zh) * | 2024-04-30 | 2024-08-02 | 交通银行股份有限公司江西省分行 | 银行业务处理方法、电子设备以及存储介质 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108446651A (zh) * | 2018-03-27 | 2018-08-24 | 百度在线网络技术（北京）有限公司 | 人脸识别方法和装置 |
| CN108960087A (zh) * | 2018-06-20 | 2018-12-07 | 中国科学院重庆绿色智能技术研究院 | 一种基于多维度评估标准的人脸图像质量评估方法及系统 |
| CN109117797A (zh) * | 2018-08-17 | 2019-01-01 | 浙江捷尚视觉科技股份有限公司 | 一种基于人脸质量评价的人脸抓拍识别方法 |
| WO2019127273A1 (zh) * | 2017-12-28 | 2019-07-04 | 深圳市锐明技术股份有限公司 | 一种多人脸检测方法、装置、服务器、系统及存储介质 |
| CN110879981A (zh) * | 2019-11-14 | 2020-03-13 | 深圳市华付信息技术有限公司 | 人脸关键点质量评估方法、装置、计算机设备及存储介质 |
| CN111368685A (zh) * | 2020-02-27 | 2020-07-03 | 北京字节跳动网络技术有限公司 | 关键点的识别方法、装置、可读介质和电子设备 |
| CN111460939A (zh) * | 2020-03-20 | 2020-07-28 | 深圳市优必选科技股份有限公司 | 一种去模糊的人脸识别方法、系统和一种巡检机器人 |
-
2020
- 2020-07-31 CN CN202010757447.9A patent/CN112069887B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019127273A1 (zh) * | 2017-12-28 | 2019-07-04 | 深圳市锐明技术股份有限公司 | 一种多人脸检测方法、装置、服务器、系统及存储介质 |
| CN108446651A (zh) * | 2018-03-27 | 2018-08-24 | 百度在线网络技术（北京）有限公司 | 人脸识别方法和装置 |
| CN108960087A (zh) * | 2018-06-20 | 2018-12-07 | 中国科学院重庆绿色智能技术研究院 | 一种基于多维度评估标准的人脸图像质量评估方法及系统 |
| CN109117797A (zh) * | 2018-08-17 | 2019-01-01 | 浙江捷尚视觉科技股份有限公司 | 一种基于人脸质量评价的人脸抓拍识别方法 |
| CN110879981A (zh) * | 2019-11-14 | 2020-03-13 | 深圳市华付信息技术有限公司 | 人脸关键点质量评估方法、装置、计算机设备及存储介质 |
| CN111368685A (zh) * | 2020-02-27 | 2020-07-03 | 北京字节跳动网络技术有限公司 | 关键点的识别方法、装置、可读介质和电子设备 |
| CN111460939A (zh) * | 2020-03-20 | 2020-07-28 | 深圳市优必选科技股份有限公司 | 一种去模糊的人脸识别方法、系统和一种巡检机器人 |
Non-Patent Citations (1)
| Title |
|---|
| 基于CNN的人脸图像亮度和清晰度质量评价;黄法秀;高翔;吴志红;陈虎;;计算机工程与设计(07);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112069887A (zh) | 2020-12-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112069887B (zh) | 一种人脸识别方法、装置、终端设备及存储介质 | |
| CN110378235B (zh) | 一种模糊人脸图像识别方法、装置及终端设备 | |
| CN109558764A (zh) | 人脸识别方法及装置、计算机设备 | |
| CN108764071B (zh) | 一种基于红外和可见光图像的真实人脸检测方法及装置 | |
| EP2339537B1 (en) | Method of determining reference features for use in an optical object initialization tracking process and object initialization tracking method | |
| CN113011385B (zh) | 人脸静默活体检测方法、装置、计算机设备及存储介质 | |
| CN111652082B (zh) | 人脸活体检测方法和装置 | |
| CN110852310B (zh) | 三维人脸识别方法、装置、终端设备及计算机可读介质 | |
| CN111967319B (zh) | 基于红外和可见光的活体检测方法、装置、设备和存储介质 | |
| JP2017062778A (ja) | 画像のオブジェクトを分類するための方法およびデバイスならびに対応するコンピュータプログラム製品およびコンピュータ可読媒体 | |
| CN113128428B (zh) | 基于深度图预测的活体检测方法和相关设备 | |
| CN110046574A (zh) | 基于深度学习的安全帽佩戴识别方法及设备 | |
| CN111598065B (zh) | 深度图像获取方法及活体识别方法、设备、电路和介质 | |
| CN110781770B (zh) | 基于人脸识别的活体检测方法、装置及设备 | |
| CN113298158B (zh) | 数据检测方法、装置、设备及存储介质 | |
| CN111695462A (zh) | 一种人脸识别方法、装置、存储介质和服务器 | |
| CN107832721B (zh) | 用于输出信息的方法和装置 | |
| CN106881716A (zh) | 基于3d摄像头机器人的人体跟随方法及系统 | |
| CN111274851A (zh) | 一种活体检测方法及装置 | |
| Zhang et al. | A novel efficient method for abnormal face detection in ATM | |
| Liu et al. | Implementation System of Human Eye Tracking Algorithm Based on FPGA. | |
| WO2021026281A1 (en) | Adaptive hand tracking and gesture recognition using face-shoulder feature coordinate transforms | |
| CN117115854A (zh) | 人脸动作识别方法、装置、电子设备及存储介质 | |
| CN110059742A (zh) | 基于深度学习的安全护具穿戴识别方法及设备 | |
| Ahmad et al. | Convolutional neural network based algoritm for eye center localization |
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 |