CN112070744B - 一种人脸识别的方法、系统、设备及可读存储介质 - Google Patents
一种人脸识别的方法、系统、设备及可读存储介质 Download PDFInfo
- Publication number
- CN112070744B CN112070744B CN202010934779.XA CN202010934779A CN112070744B CN 112070744 B CN112070744 B CN 112070744B CN 202010934779 A CN202010934779 A CN 202010934779A CN 112070744 B CN112070744 B CN 112070744B
- Authority
- CN
- China
- Prior art keywords
- picture
- training
- enhancement processing
- processing operation
- face recognition
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30168—Image quality inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30196—Human being; Person
- G06T2207/30201—Face
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Multimedia (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种人脸识别的方法,包括:获取原始图片,并利用质量网络模型计算原始图片的质量分数;根据质量分数对原始图片进行图片增强处理得到增强图片,并根据增强图片建立第一训练集;利用第一训练集对预设模型进行训练得到人脸识别模型,并利用人脸识别模型进行人脸识别。本申请使得利用增强图片建立得到的第一训练集中质量差的图片可以被保留,但避免了低质量图像过度增强导致的身份信息丢失,进而提高了训练得到的人脸识别模型的准确度;同时,质量好的图片可以产生更多的增强数据,进而能够实现对更多场景的模拟,提高了数据的利用率。本申请同时还提供了一种人脸识别的系统、设备及可读存储介质,具有上述有益效果。
Description
技术领域
本申请涉及人脸识别领域,特别涉及一种人脸识别的方法、系统、设备及可读存储介质。
背景技术
人脸识别是当前深度学习领域的一个热门分支,它已被广泛用于公共安全、金融等多个领域。人脸识别利用神经网络提取人脸图像的特征,再利用特征的相似度完成身份验证,一个训练良好的人脸识别模型可以保证同一个人的人脸特征相似度高,不同人的人脸特征相似度低。
通常在训练人脸识别模型时需要大量数据,这些数据需要进行标注,每个人的照片作为一个类,再利用softmax或triplet等损失函数进行训练,训练数据的图片越多、人数越多、包含的场景越丰富,神经网络的识别能力越强。由于训练数据采集成本高,并且需要大量的人力去标注,通常会使用图像增强来模拟现实中的一些环境变化来扩充训练数据,提高模型的鲁棒性。
然而,传统的数据增强方法在人脸识别任务中对图像预处理时不考虑图像质量,对所有质量的图像用相同的增强方法和强度,造成低质量图像过度增强导致身份信息丢失,导致训练得到的人脸识别模型的准确度较低。
因此,如何提高人脸识别模型的准确度是本领域技术人员目前需要解决的技术问题。
发明内容
本申请的目的是提供一种人脸识别的方法、系统、设备及可读存储介质,用于提高人脸识别模型的准确度。
为解决上述技术问题,本申请提供一种人脸识别的方法,该方法包括:
获取原始图片,并利用质量网络模型计算所述原始图片的质量分数;
根据所述质量分数对所述原始图片进行图片增强处理得到增强图片,并根据所述增强图片建立第一训练集;
利用所述第一训练集对预设模型进行训练得到人脸识别模型,并利用所述人脸识别模型进行人脸识别。
可选的,在利用质量网络模型计算所述原始图片的质量分数之前,还包括:
获取第二训练集,所述第二训练集中具有至少一张训练图片,以及与所述训练图片唯一对应的标准图片;
利用基础识别模型提取每张所述训练图片的特征值,并计算所述训练图片的特征值与对应的标准图片的特征值的余弦相似度;
将所述余弦相似度作为标签对所述第二训练集中对应的训练图片进行标记;
构建初始质量网络模型,并利用标记后的所述第二训练集对所述初始质量网络模型进行训练,得到所述质量网络模型。
可选的,在利用所述第一训练集对预设模型进行训练得到人脸识别模型之后,还包括:
利用人脸识别模型提取每张所述训练图片的特征值,并返回执行根据所述特征值计算所述训练图片与对应的标准图片的余弦相似度的步骤。
可选的,利用标记后的所述第二训练集对所述初始质量网络模型进行训练,得到所述质量网络模型,包括:
利用均方误差采用带动量随机梯度下降算法用标记后的所述第二训练集对所述初始质量网络模型进行训练,得到所述质量网络模型。
可选的,根据所述质量分数对所述原始图片进行图片增强处理得到增强图片,包括:
获取每张原始图片的增强处理操作的种类数和每种增强处理操作对应的应用概率及处理等级;
根据公式Pi j=P′i+(Pi-P′i)·q′j计算第j张原始图片使用第i个增强处理操作的概率;
根据公式nj=n′+(n-n′)·q′j计算所述第j张原始图片使用所述增强处理操作的种类数;
其中,Pi j为所述第j张原始图片使用所述第i个增强处理操作的概率,Pi为所述第i个增强处理操作的最大应用概率,P′i为所述第i个增强处理操作的最小应用概率,且P′i=λp·Pi,λp为概率调整参数,q′j为所述第j张原始图片的归一化质量分数,为所述第j张原始图片使用所述第i个增强处理操作进行处理的处理等级,Si为所述第i个增强处理操作的最大处理等级,Si′为所述第i个增强处理操作的最小处理等级,且Si′=λs·Si,λs为等级调整参数,nj所述第j张原始图片使用所述增强处理操作的种类数,n为使用所述增强处理操作的最大种类数,n′为使用所述增强处理操作的最小种类数,且n′=λn·n,λn为数量调整参数。
本申请还提供一种人脸识别的系统,该系统包括:
第一获取模块,用于获取原始图片,并利用质量网络模型计算所述原始图片的质量分数;
图片增强模块,用于根据所述质量分数对所述原始图片进行图片增强处理得到增强图片,并根据所述增强图片建立第一训练集;
人脸识别模块,用于利用所述第一训练集对预设模型进行训练得到人脸识别模型,并利用所述人脸识别模型进行人脸识别。
可选的,还包括:
第二获取模块,用于获取第二训练集,所述第二训练集中具有至少一张训练图片,以及与所述训练图片唯一对应的标准图片;
特征提取模块,用于利用基础识别模型提取每张所述训练图片的特征值,并计算所述训练图片的特征值与对应的标准图片的特征值的余弦相似度;
标记模块,用于将所述余弦相似度作为标签对所述第二训练集中对应的训练图片进行标记;
训练模块,用于构建初始质量网络模型,并利用标记后的所述第二训练集对所述初始质量网络模型进行训练,得到所述质量网络模型。
可选的,还包括:
返回模块,用于在利用所述第一训练集对预设模型进行训练得到人脸识别模型之后,利用人脸识别模型提取每张所述训练图片的特征值,并返回执行根据所述特征值计算所述训练图片与对应的标准图片的余弦相似度的步骤。
本申请还提供一种人脸识别设备,该人脸识别设备包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如上述任一项所述人脸识别的方法的步骤。
本申请还提供一种可读存储介质,所述可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如上述任一项所述人脸识别的方法的步骤。
本申请所提供人脸识别的方法,包括:获取原始图片,并利用质量网络模型计算原始图片的质量分数;根据质量分数对原始图片进行图片增强处理得到增强图片,并根据增强图片建立第一训练集;利用第一训练集对预设模型进行训练得到人脸识别模型,并利用人脸识别模型进行人脸识别。
本申请所提供的技术方案,通过利用质量网络模型计算原始图片的质量分数,然后根据质量分数对原始图片进行图片增强处理得到增强图片,使得利用增强图片建立得到的第一训练集中质量差的图片可以被保留,但避免了低质量图像过度增强导致的身份信息丢失,进而提高了训练得到的人脸识别模型的准确度;同时,质量好的图片可以产生更多的增强数据,进而能够实现对更多场景的模拟,提高了数据的利用率。本申请同时还提供了一种人脸识别的系统、设备及可读存储介质,具有上述有益效果,在此不再赘述。
附图说明
为了更清楚地说明本申请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,还可以根据提供的附图获得其他的附图。
图1为本申请实施例所提供的一种人脸识别的方法的流程图;
图2为本申请实施例所提供的一种人脸识别的方法中质量网络模型训练的流程图;
图3为本申请实施例所提供的一种人脸识别的系统的结构图;
图4为本申请实施例所提供的一种人脸识别设备的结构图。
具体实施方式
本申请的核心是提供一种人脸识别的方法、系统、设备及可读存储介质,用于提高人脸识别模型的准确度。
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
当前图像增强主要研究方向包括研究新的预处理方法、尝试不同方法的组合、调整预处理方法的概率和参数等,现有的这些方法多用于图像分类任务,并且采用固定概率和参数,但由于人脸识别应用场景通常具有数千万量级的标签,导致训练集中总会有一些质量差的图像,如果用现有的这些方法对这些图像进行高强度的处理会抹去图像中的身份信息,会对网络训练造成干扰,即传统的数据增强方法在人脸识别任务中对图像预处理时不考虑图像质量,对所有质量的图像用相同的概率和等级,造成低质量图像过度增强导致身份信息丢失,导致训练得到的人脸识别模型的准确度较低,故本申请提供了一种人脸识别的方法,用于解决上述问题。
请参考图1,图1为本申请实施例所提供的一种人脸识别的方法的流程图。
其具体包括如下步骤:
S101:获取原始图片,并利用质量网络模型计算原始图片的质量分数;
在本步骤中,原始图片即为对人脸识别模型进行训练的图片,利用质量网络模型计算原始图片的质量分数的目的在于,根据质量分数对原始图片进行图片增强处理得到增强图片,避免了对所有质量的图像用相同的概率和等级进行图像增强,进而避免了低质量图像过度增强导致身份信息丢失的情况。
S102:根据质量分数对原始图片进行图片增强处理得到增强图片,并根据增强图片建立第一训练集;
由于训练数据采集成本高,并且需要大量的人力去标注,因此需要使用图像增强来模拟现实中的一些环境变化来扩充训练数据,在本步骤中,根据质量分数对原始图片进行图片增强处理得到增强图片,并根据增强图片建立第一训练集的目的在于,在实现扩充训练数据的同时,避免对所有质量的图像用相同的概率和等级进行图像增强,而是根据原始图像的质量分数对原始图片进行有针对性的图片增强处理,可以根据人脸图像的质量动态调整各种增强的参数和概率,从而提高人脸识别模型的效果。
可选的,这里提到的根据质量分数对原始图片进行图片增强处理得到增强图片,其具体可以通过执行如下步骤实现:
获取每张原始图片的增强处理操作的种类数和每种增强处理操作对应的应用概率及处理等级;
根据公式Pi j=P′i+(Pi-P′i)·q′j计算第j张原始图片使用第i个增强处理操作的概率;
根据公式nj=n′+(n-n′)·q′j计算第j张原始图片使用增强处理操作的种类数;
其中,Pi j为第j张原始图片使用第i个增强处理操作的概率,Pi为第i个增强处理操作的最大应用概率,P′i为第i个增强处理操作的最小应用概率,且P′i=λp·Pi,λp为概率调整参数,q′j为第j张原始图片的归一化质量分数,为第j张原始图片使用第i个增强处理操作进行处理的处理等级,Si为第i个增强处理操作的最大处理等级,Si′为第i个增强处理操作的最小处理等级,且Si′=λs·Si,λs为等级调整参数,nj第j张原始图片使用增强处理操作的种类数,n为使用增强处理操作的最大种类数,n′为使用增强处理操作的最小种类数,且n′=λn·n,λn为数量调整参数;
在一个具体实施例中,用户或相关技术人员可以根据经验提前确定N种增强处理操作{M1,M2,...,MN},每种增强处理操作Mi对应的应用概率为Pi,处理等级为Si,在获取到上述参数之后,系统根据质量分数动态计算每张原始图片的Pi j、和nj,根据Pi j和nj确定第j张原始图片的待使用增强处理操作,并对第j张原始图片进行处理等级为的待使用增强处理操作,进而降低了对低质量图片进行增强处理的概率和等级,提高了对高质量图片进行增强处理的概率和等级,避免了低质量图像过度增强导致的身份信息丢失,同时质量好的图片可以产生更多的增强数据,进而能够实现对更多场景的模拟,提高了数据的利用率。
S103:利用第一训练集对预设模型进行训练得到人脸识别模型,并利用人脸识别模型进行人脸识别。
基于上述技术方案,本申请所提供的一种人脸识别的方法,通过利用质量网络模型计算原始图片的质量分数,然后根据质量分数对原始图片进行图片增强处理得到增强图片,使得利用增强图片建立得到的第一训练集中质量差的图片可以被保留,但避免了低质量图像过度增强导致的身份信息丢失,进而提高了训练得到的人脸识别模型的准确度;同时,质量好的图片可以产生更多的增强数据,进而能够实现对更多场景的模拟,提高了数据的利用率。
可选的,在利用质量网络模型计算原始图片的质量分数之前,还可以执行图2所示的步骤完成对质量网络模型的构建及训练,下面结合图2进行说明。
请参考图2,图2为本申请实施例所提供的一种人脸识别的方法中质量网络模型训练的流程图。
其具体包括如下步骤:
S201:获取第二训练集,第二训练集中具有至少一张训练图片,以及与训练图片唯一对应的标准图片;
在一个具体实施例中,考虑到质量网络模型主要用于人脸识别网络的训练,在人脸识别系统中,通常会事先录入一批每人一张的标准照片作为底库,这些照片通常为近距离正脸采集,质量较好。日常使用时相机等设备采集的抓拍照先经过识别网络提取特征,然后特征分别与底库特征进行对比,如果相似度大于一个阈值,则表示该抓拍照与该底库照片为同一人。当一个人的底库照片与测试照片年龄相差不大时,影响相似度的主要因素是抓拍照的质量(如人脸离镜头的距离,人脸的偏转角度,是否被遮挡等),相似度与图像的质量呈正相关,因此,本申请实施例根据这一点对质量网络模型进行训练,使得得到的质量网络模型与人脸识别模型的训练契合度更高,进而使得人脸识别模型的精度更高且对数据要求更低。
S202:利用基础识别模型提取每张训练图片的特征值,并计算训练图片的特征值与对应的标准图片的特征值的余弦相似度;
S203:将余弦相似度作为标签对第二训练集中对应的训练图片进行标记;
S204:构建初始质量网络模型,并利用标记后的第二训练集对初始质量网络模型进行训练,得到质量网络模型。
可选的,在上一实施例的基础上,在执行完步骤S103利用训练集对预设模型进行训练得到人脸识别模型之后,还可以利用人脸识别模型提取每张训练图片的特征值,并返回执行步骤S202中根据特征值计算训练图片与对应的标准图片的余弦相似度的步骤及后续步骤,即将基础识别模型替换为动态增强训练后的人脸识别模型迭代训练质量网络和人脸识别网络,同时提高质量网络和人脸识别网络的指标,即每次训练可生成一个更好的识别模型,把该识别模型当成基础识别模型训练新的质量模型,进而提高训练效果。
可选的,步骤S204中提到的利用标记后的第二训练集对初始质量网络模型进行训练,得到质量网络模型,其具体可以为:
利用均方误差采用带动量随机梯度下降算法用标记后的第二训练集对初始质量网络模型进行训练,得到质量网络模型;
在一个具体实施例中,可以每次迭代随机采样64人的照片,其中每个人具有8张照片,1张照片为标准照,其余7张照片为抓拍照,质量分数作为抓拍照的标签,进而能够最大程度的保证质量网络模型计算原始图片的质量分数的精度。
请参考图3,图3为本申请实施例所提供的一种人脸识别的系统的结构图。
该系统可以包括:
第一获取模块100,用于获取原始图片,并利用质量网络模型计算原始图片的质量分数;
图片增强模块200,用于根据质量分数对原始图片进行图片增强处理得到增强图片,并根据增强图片建立第一训练集;
人脸识别模块300,用于利用第一训练集对预设模型进行训练得到人脸识别模型,并利用人脸识别模型进行人脸识别。
在上述实施例的基础上,在一个具体实施例中,该系统还可以包括:
第二获取模块,用于获取第二训练集,第二训练集中具有至少一张训练图片,以及与训练图片唯一对应的标准图片;
特征提取模块,用于利用基础识别模型提取每张训练图片的特征值,并计算训练图片的特征值与对应的标准图片的特征值的余弦相似度;
标记模块,用于将余弦相似度作为标签对第二训练集中对应的训练图片进行标记;
训练模块,用于构建初始质量网络模型,并利用标记后的第二训练集对初始质量网络模型进行训练,得到质量网络模型。
在上述实施例的基础上,在一个具体实施例中,该系统还可以包括:
返回模块,用于在利用第一训练集对预设模型进行训练得到人脸识别模型之后,利用人脸识别模型提取每张训练图片的特征值,并返回执行根据特征值计算训练图片与对应的标准图片的余弦相似度的步骤。
在上述实施例的基础上,在一个具体实施例中,该训练模块可以包括:
训练子模块,用于利用均方误差采用带动量随机梯度下降算法用标记后的第二训练集对初始质量网络模型进行训练,得到质量网络模型。
在上述实施例的基础上,在一个具体实施例中,该图片增强模块可以包括:
获取子模块,用于获取每张原始图片的增强处理操作的种类数和每种增强处理操作对应的应用概率及处理等级;
第一计算子模块,用于根据公式Pi j=P′i+(Pi-P′i)·q′j计算第j张原始图片使用第i个增强处理操作的概率;
第三计算子模块,用于根据公式nj=n′+(n-n′)·q′j计算第j张原始图片使用增强处理操作的种类数;
其中,Pi j为第j张原始图片使用第i个增强处理操作的概率,Pi为第i个增强处理操作的最大应用概率,P′i为第i个增强处理操作的最小应用概率,且P′i=λp·Pi,λp为概率调整参数,q′j为第j张原始图片的归一化质量分数,为第j张原始图片使用第i个增强处理操作进行处理的处理等级,Si为第i个增强处理操作的最大处理等级,Si′为第i个增强处理操作的最小处理等级,且Si′=λs·Si,λs为等级调整参数,nj第j张原始图片使用增强处理操作的种类数,n为使用增强处理操作的最大种类数,n′为使用增强处理操作的最小种类数,且n′=λn·n,λn为数量调整参数。
由于系统部分的实施例与方法部分的实施例相互对应,因此系统部分的实施例请参见方法部分的实施例的描述,这里暂不赘述。
请参考图4,图4为本申请实施例所提供的一种人脸识别设备的结构图。
该人脸识别设备400可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上处理器(central processing units,CPU)422(例如,一个或一个以上处理器)和存储器432,一个或一个以上存储应用程序442或数据444的存储介质430(例如一个或一个以上海量存储设备)。其中,存储器432和存储介质430可以是短暂存储或持久存储。存储在存储介质430的程序可以包括一个或一个以上模块(图示没标出),每个模块可以包括对装置中的一系列指令操作。更进一步地,处理器422可以设置为与存储介质430通信,在人脸识别设备400上执行存储介质430中的一系列指令操作。
人脸识别设备400还可以包括一个或一个以上电源424,一个或一个以上有线或无线网络接口450,一个或一个以上输入输出接口458,和/或,一个或一个以上操作系统441,例如Windows ServerTM,Mac OS XTM,UnixTM,LinuxTM,FreeBSDTM等等。
上述图1至图2所描述的人脸识别的方法中的步骤由人脸识别设备基于该图4所示的结构实现。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和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。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置、设备和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,模块的划分,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,例如多个模块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信连接可以是通过一些接口,装置或模块的间接耦合或通信连接,可以是电性,机械或其它的形式。
作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理模块,即可以位于一个地方,或者也可以分布到多个网络模块上。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。
另外,在本申请各个实施例中的各功能模块可以集成在一个处理模块中,也可以是各个模块单独物理存在,也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。
集成的模块如果以软件功能模块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,本申请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全部或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,功能调用装置,或者网络设备等)执行本申请各个实施例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(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上对本申请所提供的一种人脸识别的方法、系统、设备及可读存储介质进行了详细介绍。本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想。应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以对本申请进行若干改进和修饰,这些改进和修饰也落入本申请权利要求的保护范围内。
还需要说明的是,在本说明书中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。
Claims (9)
1.一种人脸识别的方法,其特征在于,包括:
获取原始图片,并利用质量网络模型计算所述原始图片的质量分数;
根据所述质量分数对所述原始图片进行图片增强处理得到增强图片,并根据所述增强图片建立第一训练集;
利用所述第一训练集对预设模型进行训练得到人脸识别模型,并利用所述人脸识别模型进行人脸识别;
所述根据所述质量分数对所述原始图片进行图片增强处理得到增强图片包括:
获取每张原始图片的增强处理操作的种类数和每种增强处理操作对应的应用概率及处理等级;
所述获取每张原始图片的增强处理操作的种类数和每种增强处理操作对应的应用概率及处理等级包括:
根据公式Pi j=P′i+(Pi-P′i)·q′j计算第j张原始图片使用第i个增强处理操作的概率;
根据公式nj=n′+(n-n′)·q′j计算所述第j张原始图片使用所述增强处理操作的种类数;
其中,Pi j为所述第j张原始图片使用所述第i个增强处理操作的概率,Pi为所述第i个增强处理操作的最大应用概率,Pi′为所述第i个增强处理操作的最小应用概率,且P′i=λp·Pi,λp为概率调整参数,q′j为所述第j张原始图片的归一化质量分数,为所述第j张原始图片使用所述第i个增强处理操作进行处理的处理等级,Si为所述第i个增强处理操作的最大处理等级,Si′为所述第i个增强处理操作的最小处理等级,且Si′=λs·Si,λs为等级调整参数,nj所述第j张原始图片使用所述增强处理操作的种类数,n为使用所述增强处理操作的最大种类数,n′为使用所述增强处理操作的最小种类数,且n′=λn·n,λn为数量调整参数。
2.根据权利要求1所述的方法,其特征在于,在利用质量网络模型计算所述原始图片的质量分数之前,还包括:
获取第二训练集,所述第二训练集中具有至少一张训练图片,以及与所述训练图片唯一对应的标准图片;
利用基础识别模型提取每张所述训练图片的特征值,并计算所述训练图片的特征值与对应的标准图片的特征值的余弦相似度;
将所述余弦相似度作为标签对所述第二训练集中对应的训练图片进行标记;
构建初始质量网络模型,并利用标记后的所述第二训练集对所述初始质量网络模型进行训练,得到所述质量网络模型。
3.根据权利要求2所述的方法,其特征在于,在利用所述第一训练集对预设模型进行训练得到人脸识别模型之后,还包括:
利用人脸识别模型提取每张所述训练图片的特征值,并返回执行根据所述特征值计算所述训练图片与对应的标准图片的余弦相似度的步骤。
4.根据权利要求2所述的方法,其特征在于,利用标记后的所述第二训练集对所述初始质量网络模型进行训练,得到所述质量网络模型,包括:
利用均方误差采用带动量随机梯度下降算法用标记后的所述第二训练集对所述初始质量网络模型进行训练,得到所述质量网络模型。
5.一种人脸识别的系统,其特征在于,包括:
第一获取模块,用于获取原始图片,并利用质量网络模型计算所述原始图片的质量分数;
图片增强模块,用于根据所述质量分数对所述原始图片进行图片增强处理得到增强图片,并根据所述增强图片建立第一训练集;
人脸识别模块,用于利用所述第一训练集对预设模型进行训练得到人脸识别模型,并利用所述人脸识别模型进行人脸识别;
所述根据所述质量分数对所述原始图片进行图片增强处理得到增强图片包括:
获取每张原始图片的增强处理操作的种类数和每种增强处理操作对应的应用概率及处理等级;
所述获取每张原始图片的增强处理操作的种类数和每种增强处理操作对应的应用概率及处理等级包括:
根据公式Pi j=P′i+(Pi-P′i)·q′j计算第j张原始图片使用第i个增强处理操作的概率;
根据公式nj=n′+(n-n′)·q′j计算所述第j张原始图片使用所述增强处理操作的种类数;
其中,Pi j为所述第j张原始图片使用所述第i个增强处理操作的概率,Pi为所述第i个增强处理操作的最大应用概率,Pi′为所述第i个增强处理操作的最小应用概率,且P′i=λp·Pi,λp为概率调整参数,q′j为所述第j张原始图片的归一化质量分数,为所述第j张原始图片使用所述第i个增强处理操作进行处理的处理等级,Si为所述第i个增强处理操作的最大处理等级,Si′为所述第i个增强处理操作的最小处理等级,且Si′=λs·Si,λs为等级调整参数,nj所述第j张原始图片使用所述增强处理操作的种类数,n为使用所述增强处理操作的最大种类数,n′为使用所述增强处理操作的最小种类数,且n′=λn·n,λn为数量调整参数。
6.根据权利要求5所述的系统,其特征在于,还包括:
第二获取模块,用于获取第二训练集,所述第二训练集中具有至少一张训练图片,以及与所述训练图片唯一对应的标准图片;
特征提取模块,用于利用基础识别模型提取每张所述训练图片的特征值,并计算所述训练图片的特征值与对应的标准图片的特征值的余弦相似度;
标记模块,用于将所述余弦相似度作为标签对所述第二训练集中对应的训练图片进行标记;
训练模块,用于构建初始质量网络模型,并利用标记后的所述第二训练集对所述初始质量网络模型进行训练,得到所述质量网络模型。
7.根据权利要求6所述的系统,其特征在于,还包括:
返回模块,用于在利用所述第一训练集对预设模型进行训练得到人脸识别模型之后,利用人脸识别模型提取每张所述训练图片的特征值,并返回执行根据所述特征值计算所述训练图片与对应的标准图片的余弦相似度的步骤。
8.一种人脸识别设备,其特征在于,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如权利要求1至4任一项所述人脸识别的方法的步骤。
9.一种可读存储介质,其特征在于,所述可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至4任一项所述人脸识别的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010934779.XA CN112070744B (zh) | 2020-09-08 | 2020-09-08 | 一种人脸识别的方法、系统、设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010934779.XA CN112070744B (zh) | 2020-09-08 | 2020-09-08 | 一种人脸识别的方法、系统、设备及可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112070744A CN112070744A (zh) | 2020-12-11 |
CN112070744B true CN112070744B (zh) | 2022-11-22 |
Family
ID=73664295
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010934779.XA Active CN112070744B (zh) | 2020-09-08 | 2020-09-08 | 一种人脸识别的方法、系统、设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112070744B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113486858B (zh) * | 2021-08-03 | 2024-01-23 | 济南博观智能科技有限公司 | 一种人脸识别模型训练方法、装置、电子设备及存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109493297A (zh) * | 2018-11-01 | 2019-03-19 | 重庆中科云丛科技有限公司 | 低质量人脸图像增强方法、系统、设备及存储介质 |
CN109598304A (zh) * | 2018-12-04 | 2019-04-09 | 北京字节跳动网络技术有限公司 | 分类模型校准方法、装置、设备及可读介质 |
CN109977887A (zh) * | 2019-01-30 | 2019-07-05 | 四川电科维云信息技术有限公司 | 一种抗年龄干扰的人脸识别方法 |
CN110796624A (zh) * | 2019-10-31 | 2020-02-14 | 北京金山云网络技术有限公司 | 一种图像生成方法、装置及电子设备 |
CN110956202A (zh) * | 2019-11-13 | 2020-04-03 | 重庆大学 | 基于分布式学习的图像训练方法、系统、介质及智能设备 |
CN111340213A (zh) * | 2020-02-19 | 2020-06-26 | 浙江大华技术股份有限公司 | 神经网络的训练方法、电子设备、存储介质 |
CN111583146A (zh) * | 2020-04-30 | 2020-08-25 | 济南博观智能科技有限公司 | 一种基于改进多尺度循环网络的人脸图像去模糊方法 |
CN111582150A (zh) * | 2020-05-07 | 2020-08-25 | 江苏日颖慧眼智能设备有限公司 | 一种人脸质量评估的方法、装置和计算机存储介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7545985B2 (en) * | 2005-01-04 | 2009-06-09 | Microsoft Corporation | Method and system for learning-based quality assessment of images |
US11069030B2 (en) * | 2018-03-22 | 2021-07-20 | Adobe, Inc. | Aesthetics-guided image enhancement |
-
2020
- 2020-09-08 CN CN202010934779.XA patent/CN112070744B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109493297A (zh) * | 2018-11-01 | 2019-03-19 | 重庆中科云丛科技有限公司 | 低质量人脸图像增强方法、系统、设备及存储介质 |
CN109598304A (zh) * | 2018-12-04 | 2019-04-09 | 北京字节跳动网络技术有限公司 | 分类模型校准方法、装置、设备及可读介质 |
CN109977887A (zh) * | 2019-01-30 | 2019-07-05 | 四川电科维云信息技术有限公司 | 一种抗年龄干扰的人脸识别方法 |
CN110796624A (zh) * | 2019-10-31 | 2020-02-14 | 北京金山云网络技术有限公司 | 一种图像生成方法、装置及电子设备 |
CN110956202A (zh) * | 2019-11-13 | 2020-04-03 | 重庆大学 | 基于分布式学习的图像训练方法、系统、介质及智能设备 |
CN111340213A (zh) * | 2020-02-19 | 2020-06-26 | 浙江大华技术股份有限公司 | 神经网络的训练方法、电子设备、存储介质 |
CN111583146A (zh) * | 2020-04-30 | 2020-08-25 | 济南博观智能科技有限公司 | 一种基于改进多尺度循环网络的人脸图像去模糊方法 |
CN111582150A (zh) * | 2020-05-07 | 2020-08-25 | 江苏日颖慧眼智能设备有限公司 | 一种人脸质量评估的方法、装置和计算机存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112070744A (zh) | 2020-12-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10713532B2 (en) | Image recognition method and apparatus | |
US10635890B2 (en) | Facial recognition method and apparatus, electronic device, and storage medium | |
CN109117808B (zh) | 面部识别方法、装置、电子设备及计算机可读介质 | |
US10402627B2 (en) | Method and apparatus for determining identity identifier of face in face image, and terminal | |
WO2019119505A1 (zh) | 人脸识别的方法和装置、计算机装置及存储介质 | |
CN110348362B (zh) | 标签生成、视频处理方法、装置、电子设备及存储介质 | |
CN111310705A (zh) | 图像识别方法、装置、计算机设备及存储介质 | |
CN111814620A (zh) | 人脸图像质量评价模型建立方法、优选方法、介质及装置 | |
WO2018196718A1 (zh) | 图像消歧方法、装置、存储介质和电子设备 | |
CN112395979B (zh) | 基于图像的健康状态识别方法、装置、设备及存储介质 | |
CN107911643B (zh) | 一种视频通信中展现场景特效的方法和装置 | |
CN105740808B (zh) | 人脸识别方法和装置 | |
CN112818995B (zh) | 图像分类方法、装置、电子设备及存储介质 | |
CN113449704B (zh) | 人脸识别模型训练方法、装置、电子设备及存储介质 | |
CN111291887A (zh) | 神经网络的训练方法、图像识别方法、装置及电子设备 | |
CN111414803A (zh) | 人脸识别方法、装置、电子设备 | |
CN113255557A (zh) | 一种基于深度学习的视频人群情绪分析方法及系统 | |
CN112926379A (zh) | 一种构建人脸识别模型的方法及装置 | |
CN112070744B (zh) | 一种人脸识别的方法、系统、设备及可读存储介质 | |
TW201828156A (zh) | 圖像識別方法、度量學習方法、圖像來源識別方法及裝置 | |
CN113706550A (zh) | 图像场景识别和模型训练方法、装置和计算机设备 | |
CN114943549A (zh) | 一种广告投放方法及装置 | |
CN113269125B (zh) | 一种人脸识别方法、装置、设备及存储介质 | |
CN111428670B (zh) | 人脸检测方法、装置、存储介质及设备 | |
CN114067394A (zh) | 人脸活体检测方法、装置、电子设备及存储介质 |
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 |