CN112200147A - 一种人脸识别方法、装置、计算机设备以及可存储介质 - Google Patents
一种人脸识别方法、装置、计算机设备以及可存储介质 Download PDFInfo
- Publication number
- CN112200147A CN112200147A CN202011216291.XA CN202011216291A CN112200147A CN 112200147 A CN112200147 A CN 112200147A CN 202011216291 A CN202011216291 A CN 202011216291A CN 112200147 A CN112200147 A CN 112200147A
- Authority
- CN
- China
- Prior art keywords
- face recognition
- face image
- state
- preset
- face
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 40
- 238000012549 training Methods 0.000 claims abstract description 25
- 238000012545 processing Methods 0.000 claims abstract description 14
- 239000013598 vector Substances 0.000 claims description 37
- 238000004590 computer program Methods 0.000 claims description 13
- 230000004044 response Effects 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 230000001815 facial effect Effects 0.000 description 22
- 230000006870 function Effects 0.000 description 8
- 230000008859 change Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 210000004209 hair Anatomy 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 239000002537 cosmetic Substances 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000008921 facial expression Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 210000004709 eyebrow Anatomy 0.000 description 2
- 238000011478 gradient descent method Methods 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000012790 confirmation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- General Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明适用于计算机技术领域，提供了一种人脸识别方法、装置、计算机设备以及可存储介质，其中，所述人脸识别方法包括：响应于人脸识别请求操作，在预设周期内持续采集目标用户的人脸图像信息；根据预设的仪态识别规则对所述人脸图像信息进行识别处理，生成多状态人脸图像信息；根据所述多状态人脸图像以及预设的目标人脸识别模型，生成人脸识别结果；由于预设的目标人脸识别模型是基于预先采集的若干多状态人脸图像样本数据集经卷积神经网络训练生成，可以用于表达多状态人脸图像信息与目标图像信息之间的隐含关系，识别精度以及处理效率高，能够避免因不同状态下的人脸图像的采集差异性而产生识别错误的问题，满足实际使用需求。
Description
技术领域
本发明属于计算机技术领域，尤其涉及一种人脸识别方法、装置、计算机设备以及可存储介质。
背景技术
随着计算机技术的发展，八十年代后，人脸识别技术得到了很大进步并进入了实际应用领域。人脸识别实际包括构建人脸识别系统的一系列相关技术，如人脸图像采集、定位、身份确认以及查找等；人脸识别是模式识别和机器视觉领域中的一个热门课题，计算机通过对图像中的信息进行处理以通过提取人脸的特征来达到识别人的身份的目的，对人类而言，识别人脸是极其简单的事情，但要使计算机实现同样功能，则较为困难。
然而，现有的人脸识别方法需要在海量的图像信息中一一进行匹配对比，存在识别速度慢、识别准确度低、程序维护难度大，以及搜索海量图片的响应速率无法跟上实际使用需求等问题，尤其地，其使用性能的提高往往取决于硬件性能，并且需求服务器数量大，促使成本激增。
发明内容
本发明实施例的目的在于提供一种人脸识别方法，旨在解决现有的人脸识别方法需要在海量的图像信息中一一进行匹配对比，存在识别速度慢、识别准确度低、程序维护难度大以及成本高昂，无法跟上实际使用需求的问题。
本发明实施例是这样实现的，一种人脸识别方法，包括：
响应于人脸识别请求操作，在预设周期内持续采集目标用户的人脸图像信息；
根据预设的仪态识别规则对所述人脸图像信息进行识别处理，生成多状态人脸图像信息；
根据所述多状态人脸图像以及预设的目标人脸识别模型，生成人脸识别结果；所述预设的目标人脸识别模型是基于预先采集的若干多状态人脸图像样本数据集经卷积神经网络训练生成。
本发明实施例的另一目的在于一种人脸识别装置，包括：
人脸图像信息采集单元，用于响应于人脸识别请求操作，在预设周期内持续采集目标用户的人脸图像信息；
多状态人脸图像信息生成单元，用于根据预设的仪态识别规则对所述人脸图像信息进行识别处理，生成多状态人脸图像信息；以及
人脸识别结果生成单元，用于根据所述多状态人脸图像以及预设的目标人脸识别模型，生成人脸识别结果；所述预设的目标人脸识别模型是基于预先采集的若干多状态人脸图像样本数据集经卷积神经网络训练生成。
本发明实施例的另一目的在于一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行所述人脸识别方法的步骤。
本发明实施例的另一目的在于一种计算机可读存储介质，所述计算机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，使得所述处理器执行所述人脸识别方法的步骤。
本发明实施例提供的人脸识别方法，响应于人脸识别请求操作，在预设周期内持续采集目标用户的人脸图像信息；根据预设的仪态识别规则对所述人脸图像信息进行识别处理，生成多状态人脸图像信息；根据所述多状态人脸图像以及预设的目标人脸识别模型，生成人脸识别结果；由于预设的目标人脸识别模型是基于预先采集的若干多状态人脸图像样本数据集经卷积神经网络训练生成，可以用于表达多状态人脸图像信息与目标图像信息之间的隐含关系，识别精度以及处理效率高，能够避免因不同状态下的人脸图像的采集差异性而产生识别错误的问题，满足实际使用需求。
附图说明
图1为本发明实施例提供的一种人脸识别方法的实现流程图；
图2为本发明实施例提供的另一种人脸识别方法的实现流程图；
图3为本发明实施例提供的又一种人脸识别方法的实现流程图；
图4为本发明实施例提供的生成预设的基于卷积神经网络建立的目标人脸识别模型的步骤流程图；
图5为本发明实施例提供的再一种人脸识别方法的实现流程图；
图6为本发明实施例提供的一种人脸识别装置的结构框图；
图7为本发明实施例提供的另一种人脸识别装置的结构框图；
图8为本发明实施例提供的又一种人脸识别装置的结构框图；
图9为一个实施例中计算机设备的内部结构框图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解，尽管在本发明实施例中可能采用术语第一、第二等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。
本发明实施例为解决现有技术中的人脸识别方法需要在海量的图像信息中一一进行匹配对比，存在识别速度慢、识别准确度低、程序维护难度大以及成本高昂，无法跟上实际使用需求的问题，提供了一种人脸识别方法，响应于人脸识别请求操作，在预设周期内持续采集目标用户的人脸图像信息；根据预设的仪态识别规则对所述人脸图像信息进行识别处理，生成多状态人脸图像信息；根据所述多状态人脸图像以及预设的目标人脸识别模型，生成人脸识别结果；由于预设的目标人脸识别模型是基于预先采集的若干多状态人脸图像样本数据集经卷积神经网络训练生成，可以用于表达多状态人脸图像信息与目标图像信息之间的隐含关系，识别精度以及处理效率高，能够避免因不同状态下的人脸图像的采集差异性而产生识别错误的问题，满足实际使用需求。
为了进一步阐述本发明为实现预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明的具体实施方式、结构、特征及其功效，详细说明如下。
如图1所示，在一个实施例中，提出了一种人脸识别方法，为了便于说明，仅示出与本发明实施例相关的部分，详述如下，一种人脸识别方法，具体可以包括以下步骤：
步骤S101，响应于人脸识别请求操作，在预设周期内持续采集目标用户的人脸图像信息。
在本发明实施例中，预设周期可以在具体实现时，根据终端性能和/或实现需求等自行设定，本发明实施例对上述预设数量阈值的大小不作具体限定。
在本发明实施例中，预设周期内持续采集到的目标用户的人脸图像信息是指一系列目标用户的人脸图像片段，且每一人脸图像片段均涉及不同面目状态下人脸图像，如不同面部表情。
步骤S102，根据预设的仪态识别规则对所述人脸图像信息进行识别处理，生成多状态人脸图像信息。
在本发明实施例中，预设的仪态识别规则包含人脸面部特征如眼睛、鼻子、嘴巴、眉毛、面部结构、轮廓、纹理以及颜色特征等等的常规趋势变化要求，由于上述预设周期内所采集到目标用户的人脸图像信息往往只是细微不齐全片段，通过预设的仪态识别规则可以对上述采集到目标用户的人脸图像信息进行识别处理，即对人脸面部特征按照常规趋势变化要求处理，生成该目标用户的一系列多状态人脸图像信息，也在一定程度上对目标图像进行扩展处理。
在本发明实施例中，预设的仪态识别规则也可以是使用现有技术预先通过深度神经网络训练得到的仪态识别模型，进而基于该仪态识别模型对指定人脸图像信息进行识别处理，生成多状态人脸图像信息。
步骤S103，根据所述多状态人脸图像以及预设的目标人脸识别模型，生成人脸识别结果。
在本发明实施例中，所述预设的目标人脸识别模型是基于预先采集的若干多状态人脸图像样本数据集经卷积神经网络训练生成。具体为，预先获取大量人脸图像样本数据集，且每张目标人脸尽可能地包含各种不同状态下人脸图像样本，或者基于上述仪态识别规则/模型对每一目标人脸面部特征按照常规趋势变化要求处理，另外，还对目标人脸的穿戴、发型进行调整，生成该目标人脸的一系列多状态人脸图像信息，以作为该目标人脸识别模型的训练样本，进一步扩展训练样本数量，避免因目标用户因穿戴、发型、面部表情伪装等而出现识别错误的情形发生。
在本发明实施例中，所述通过预先采集的若干多状态人脸图像样本数据集经卷积神经网络训练生成目标人脸识别模型的步骤请参阅图4。
作为本发明的一个优选实施例，为解决样本数量少的技术问题，本发明还支持将原始人脸图像样本进行随机水平镜像、灰度拉伸等方法进行修改，从而扩大图像样本的数量，同时也提高了图像样本的泛化，防止了过度拟合，进一步使得建立的目标人脸识别模型的鲁棒性也更强。
本发明实施例提供的人脸识别方法，响应于人脸识别请求操作，在预设周期内持续采集目标用户的人脸图像信息；根据预设的仪态识别规则对所述人脸图像信息进行识别处理，生成多状态人脸图像信息；根据所述多状态人脸图像以及预设的目标人脸识别模型，生成人脸识别结果；由于预设的目标人脸识别模型是基于预先采集的若干多状态人脸图像样本数据集经卷积神经网络训练生成，可以用于表达多状态人脸图像信息与目标图像信息之间的隐含关系，识别精度以及处理效率高，能够避免因不同状态下的人脸图像的采集差异性而产生识别错误的问题，满足实际使用需求。
在一个实施例中，如图2所示，步骤S103具体可以包括以下步骤：
步骤S201，根据预设的卷积神经网络算法对所述多状态人脸图像信息进行处理，生成高维向量。
在本发明实施例中，所述预设的卷积神经网络算法为现有常规算法，经该卷积神经网络算法对各个状态人脸图像信息进行处理后，可生成各个状态下的高维向量，即每一状态人脸图像信息对应一高维向量，该高维向量可以为512维或者1024维。
步骤S202，根据所述高维向量以及预设的目标人脸识别模型，生成人脸识别结果。
在本发明实施例中，所述预设的目标人脸识别模型包含若干多状态人脸图像样本数据集的高维向量的数据库；即可以为预先通过现有卷积神经网络算法对若干多状态人脸图像样本数据集进行处理后生成若干512维或者1024维的高危向量，并存储至数据库中，向量中各个维度上的数据都是32位浮点数。
在本发明一个优选实施例中，如图3所示，所述步骤S202，包括：
步骤S301，在所述若干多状态人脸图像样本数据集的高维向量的数据库中对所述高维向量进行比对处理，确定欧式距离值最小的高维向量。
在本发明实施例中，所述若干多状态人脸图像样本数据集的高维向量X与根据预设的卷积神经网络算法对所述多状态人脸图像信息进行处理生成的高维向量Y，即待识别多状态人脸图像信息的高维向量Y之间的欧式距离计算公式为
在本发明一个优选的实施例中，利用现有汉明编码算法在高维空间中随机均匀分出若干个平面，如q个平面，而高维空间中每一个点都与这q个平面具有对应的位置划分关系，如点在平面上对应着1，点在平面下对应着0，故每个点会形成一个长度为q的且由0、1组成的二进制汉明编码，将每个二进制汉明编码当做为一个集合，进而将高维空间中的相近似点都一个大概率映射到同一集合中，即将待识别多状态人脸图像信息的高维向量归类到各个集合中，进行哈希计算，以达到分散到多个数据库目的，相当于包含有多个桶ID的分布式数据库，以每个桶ID下存放相似图片的高维向量。索引时按照目标人脸图像信息的高维向量以桶ID快速索引至相似的高维向量进行比对，有利大幅度提高人脸图像的查找速率。
步骤S302，获取与所述欧式距离值最小的高维向量对应的多状态人脸图像信息，生成人脸识别结果。
在本发明实施例中，在所述若干多状态人脸图像样本数据集的高维向量的数据库中找到与需比对向量之间欧式距离最小的向量即为比对成功，进而输出对应相似度最高的图像信息，即在所有相似图像的dist值中选取最接近0的图像信息，生成人脸识别结果。
本发明实施例提供的人脸识别方法，根据预设的卷积神经网络算法对所述多状态人脸图像信息进行处理，生成高维向量；在所述若干多状态人脸图像样本数据集的高维向量的数据库中对所述高维向量进行比对处理，确定欧式距离值最小的高维向量；获取与所述欧式距离值最小的高维向量对应的多状态人脸图像信息，生成人脸识别结果。本发明得以实现对海量向量图片进行查询，且处理效率高，程序设计简单鲜明，可维护性强。
图4为本发明实施例中生成预设的基于卷积神经网络建立的目标人脸识别模型的步骤流程图，详述如下。
步骤S401，获取若干多状态人脸图像样本数据集。
在本发明实施例中，人脸图像样本可以是通过现有人脸监控大数据系统中采集得到，而在采集的图像样本数量偏少时，也可以将采集的图像样本进行随机水平镜像、灰度拉伸，从而提高样本数量。
步骤S402，根据所述第一多状态人脸图像样本以及含有可变参数的卷积神经网络模型确定所述第一多状态人脸图像样本的第一响应人脸识别结果。
在本发明实施例中，所述卷积神经网络模型的结构包括一个输入层、多个卷积层、多个池化层、至少一个全连接层以及一个输出层，其中所述多个卷积层、多个全连接层中存在可变参数。
在本发明实施例中，当所述多个卷积层、多个全连接层中的可变参数改变时，则对于同样的图像样本输入，输出的响应人脸识别结果不同。
步骤S403，计算所述第一响应人脸识别结果以及与所述第一多状态人脸图像样本对应的第一目标人脸识别结果之间的第一损失差异。
在本发明实施例中，响应人脸识别结果以及对应的目标人脸识别结果之间的损失差异可通过损失函数计算，如常用的损失函数有平均绝对误差(MAE)与均方误差(MSE)。
步骤S404，判断若干多状态人脸图像样本的损失差异是否满足预设的条件，若否，则进入步骤S405中；若是，则进入步骤S406中。
步骤S405，调整所述卷积神经网络模型中的可变参数，并返回至所述步骤S402中。
在本发明实施例中，可以根据随机梯度下降法、或者动量梯度下降法、或者动量随机梯度下降法、或者反向传播算法，调整所述卷积神经网络模型中的可变参数，但调整所述可变参数后，返回至所述根据所述第一多状态人脸图像样本以及含有可变参数的卷积神经网络模型确定所述第一多状态人脸图像样本的第一响应人脸识别结果的步骤，重新计算损失差异。
步骤S406，将当前所述含有可变参数的卷积神经网络模型确定为预设的基于卷积神经网络建立的目标人脸识别模型。
在本发明实施例中，为获取目标人脸识别模型，即获取多状态人脸图像信息与目标图像信息之间的隐含关系，需要通过若干多状态人脸图像样本数据集，计算在当前目标人脸识别模型下，输出的响应人脸识别结果与目标人脸识别结果之间的损失差异，不断反馈调整目标人脸识别模型中的可变参数，直到在某个目标人脸识别模型下，输出的响应人脸识别结果与目标人脸识别结果之间的损失差异满足预设的条件，此时，所述目标人脸识别模型即为所需的预设的基于卷积神经网络建立的目标人脸识别模型。
在一个实施例中，如图5所示，一种人脸识别方法，其与图1所示的方法相比，区别在于，所述人脸识别结果携带有身份信息以及仪容仪表信息；所述人脸识别方法还包括以下步骤：
步骤S501，当根据所述仪容仪表信息判断所述目标用户的仪容仪表不符合预设的仪容仪表要求规则时，则生成仪容仪表警示信息。
在本发明实施例中，预设的仪容仪表要求规则可以在具体实现时，根据实现需求自行设定，如该人脸识别方法应用于学校系统时，则对应的仪容仪表要求规则为学校规章制度中对师生的仪容仪表规范制度，如包括对发型、头发长短、穿着、配饰等的规范要求；当目标用户的仪容仪表存在不符合预设仪容仪表要求规则时，则将不符合要求规则处生成仪容仪表警示信息；当目标用户的仪容仪表完全符合预设仪容仪表要求规则时，则不会生成仪容仪表警示信息。
步骤S502，根据所述仪容仪表警示信息以及身份信息，生成二维码；所述二维码用于供所述身份信息对应的目标用户以智能终端扫描获取所述仪容仪表警示信息。
在本发明实施例中，为了保护目标用户的隐私，将仪容仪表警示信息以二维码形式呈现，只有符合对应身份信息的目标用户才能通过智能终端扫码获取该仪容仪表警示信息，若非对应身份信息的用户以智能终端进行二维码扫码时，则显示为空白页面或者提示为身份不符信息页面。
在本发明实施例中，智能终端是指具有二维码扫码功能且具有信息显示功能的终端设备，可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表等，但并不局限于此。
本发明实施例提供的人脸识别方法，当根据所述仪容仪表信息判断所述目标用户的仪容仪表不符合预设的仪容仪表要求规则时，则生成仪容仪表警示信息；根据所述仪容仪表警示信息以及身份信息，生成二维码；所述二维码用于供所述身份信息对应的目标用户以智能终端扫描获取所述仪容仪表警示信息。本发明在对目标用户进行人脸识别的基础上还增加了仪容仪表检查功能，实时监控用户的仪容仪表，高效便捷，使用领域广泛且实用性强，同时将仪容仪表警示信息以二维码形式呈现，增强了对用户的隐私保护效果。
如图6所示，在一个实施例中，提供了一种人脸识别装置，具体可以包括人脸图像信息采集单元610、多状态人脸图像信息生成单元620以及人脸识别结果生成单元630。
人脸图像信息采集单元610，用于响应于人脸识别请求操作，在预设周期内持续采集目标用户的人脸图像信息。
在本发明实施例中，预设周期可以在具体实现时，根据终端性能和/或实现需求等自行设定，本发明实施例对上述预设数量阈值的大小不作具体限定。
在本发明实施例中，预设周期内持续采集到的目标用户的人脸图像信息是指一系列目标用户的人脸图像片段，且每一人脸图像片段均涉及不同面目状态下人脸图像，如不同面部表情。
多状态人脸图像信息生成单元620，用于根据预设的仪态识别规则对所述人脸图像信息进行识别处理，生成多状态人脸图像信息。
在本发明实施例中，预设的仪态识别规则包含人脸面部特征如眼睛、鼻子、嘴巴、眉毛、面部结构、轮廓、纹理以及颜色特征等等的常规趋势变化要求，由于上述预设周期内所采集到目标用户的人脸图像信息往往只是细微不齐全片段，通过预设的仪态识别规则可以对上述采集到目标用户的人脸图像信息进行识别处理，即对人脸面部特征按照常规趋势变化要求处理，生成该目标用户的一系列多状态人脸图像信息，也在一定程度上对目标图像进行扩展处理。
在本发明实施例中，预设的仪态识别规则也可以是使用现有技术预先通过深度神经网络训练得到的仪态识别模型，进而基于该仪态识别模型对指定人脸图像信息进行识别处理，生成多状态人脸图像信息。
人脸识别结果生成单元630，用于根据所述多状态人脸图像以及预设的目标人脸识别模型，生成人脸识别结果。
在本发明实施例中，所述预设的目标人脸识别模型是基于预先采集的若干多状态人脸图像样本数据集经卷积神经网络训练生成。具体为，预先获取大量人脸图像样本数据集，且每张目标人脸尽可能地包含各种不同状态下人脸图像样本，或者基于上述仪态识别规则/模型对每一目标人脸面部特征按照常规趋势变化要求处理，另外，还对目标人脸的穿戴、发型进行调整，生成该目标人脸的一系列多状态人脸图像信息，以作为该目标人脸识别模型的训练样本，进一步扩展训练样本数量，避免因目标用户因穿戴、发型、面部表情伪装等而出现识别错误的情形发生。
在本发明实施例中，所述通过预先采集的若干多状态人脸图像样本数据集经卷积神经网络训练生成目标人脸识别模型的步骤请参阅图4。
作为本发明的一个优选实施例，为解决样本数量少的技术问题，本发明还支持将原始人脸图像样本进行随机水平镜像、灰度拉伸等方法进行修改，从而扩大图像样本的数量，同时也提高了图像样本的泛化，防止了过度拟合，进一步使得建立的目标人脸识别模型的鲁棒性也更强。
本发明实施例提供的人脸识别装置，响应于人脸识别请求操作，在预设周期内持续采集目标用户的人脸图像信息；根据预设的仪态识别规则对所述人脸图像信息进行识别处理，生成多状态人脸图像信息；根据所述多状态人脸图像以及预设的目标人脸识别模型，生成人脸识别结果；由于预设的目标人脸识别模型是基于预先采集的若干多状态人脸图像样本数据集经卷积神经网络训练生成，可以用于表达多状态人脸图像信息与目标图像信息之间的隐含关系，识别精度以及处理效率高，能够避免因不同状态下的人脸图像的采集差异性而产生识别错误的问题，满足实际使用需求。
如图7所示，在一个实施例中，提供了一种人脸识别装置，其与图6所示的装置的区别在于，还包括模型训练单元710，用于通过预先采集的若干多状态人脸图像样本数据集经卷积神经网络训练生成预设的目标人脸识别模型。
如图8所示，在一个实施例中，提供了一种人脸识别装置，其与图6所示的装置的区别在于，所述人脸识别结果携带有身份信息以及仪容仪表信息；所述人脸识别装置还包括仪容仪表警示信息生成单元810以及二维码生成单元820。
仪容仪表警示信息生成单元810，用于当根据所述人脸识别结果判断所述目标用户的仪容仪表不符合预设的仪容仪表要求规则时，则生成仪容仪表警示信息。
在本发明实施例中，预设的仪容仪表要求规则可以在具体实现时，根据实现需求自行设定，如该人脸识别方法应用于学校系统时，则对应的仪容仪表要求规则为学校规章制度中对师生的仪容仪表规范制度，如包括对发型、头发长短、穿着、配饰等的规范要求；当目标用户的仪容仪表存在不符合预设仪容仪表要求规则时，则将不符合要求规则处生成仪容仪表警示信息；当目标用户的仪容仪表完全符合预设仪容仪表要求规则时，则不会生成仪容仪表警示信息。
二维码生成单元820，用于根据所述仪容仪表警示信息以及人脸识别结果，生成二维码；所述二维码用于供所述人脸识别结果对应的目标用户以智能终端扫描获取所述仪容仪表警示信息。
在本发明实施例中，为了保护目标用户的隐私，将仪容仪表警示信息以二维码形式呈现，只有符合对应身份信息的目标用户才能通过智能终端扫码获取该仪容仪表警示信息，若非对应身份信息的用户以智能终端进行二维码扫码时，则显示为空白页面或者提示为身份不符信息页面。
在本发明实施例中，智能终端是指具有二维码扫码功能且具有信息显示功能的终端设备，可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表等，但并不局限于此。
本发明实施例提供的人脸识别装置，当根据所述仪容仪表信息判断所述目标用户的仪容仪表不符合预设的仪容仪表要求规则时，则生成仪容仪表警示信息；根据所述仪容仪表警示信息以及身份信息，生成二维码；所述二维码用于供所述身份信息对应的目标用户以智能终端扫描获取所述仪容仪表警示信息。本发明在对目标用户进行人脸识别的基础上还增加了仪容仪表检查功能，实时监控用户的仪容仪表，高效便捷，使用领域广泛且实用性强，同时将仪容仪表警示信息以二维码形式呈现，增强了对用户的隐私保护效果。
图9示出了一个实施例中计算机设备的内部结构图。如图9所示，该计算机设备包括该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、输入装置和显示屏。其中，存储器包括非易失性存储介质和内存储器。该计算机设备的非易失性存储介质存储有操作系统，还可存储有计算机程序，该计算机程序被处理器执行时，可使得处理器实现人脸识别方法。该内存储器中也可储存有计算机程序，该计算机程序被处理器执行时，可使得处理器执行人脸识别方法。计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图9中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，本申请提供的人脸识别装置可以实现为一种计算机程序的形式，计算机程序可在如图9所示的计算机设备上运行。计算机设备的存储器中可存储组成该人脸识别装置的各个程序模块，比如，图6所示的人脸图像信息采集单元610、多状态人脸图像信息生成单元620以及人脸识别结果生成单元630。各个程序模块构成的计算机程序使得处理器执行本说明书中描述的本申请各个实施例的人脸识别方法中的步骤。
例如，图9所示的计算机设备可以通过如图6所示的人脸识别装置中的人脸图像信息采集单元610执行步骤S101。计算机设备可多状态人脸图像信息生成单元620执行步骤S102。计算机设备可通过人脸识别结果生成单元630执行步骤S103。
在一个实施例中，提出了一种计算机设备，所述计算机设备包括存储器、处理器及存储在所述存储器上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以下步骤：
响应于人脸识别请求操作，在预设周期内持续采集目标用户的人脸图像信息；
根据预设的仪态识别规则对所述人脸图像信息进行识别处理，生成多状态人脸图像信息；
根据所述多状态人脸图像以及预设的目标人脸识别模型，生成人脸识别结果；所述预设的目标人脸识别模型是基于预先采集的若干多状态人脸图像样本数据集经卷积神经网络训练生成。
在一个实施例中，提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时，使得处理器执行以下步骤：
响应于人脸识别请求操作，在预设周期内持续采集目标用户的人脸图像信息；
根据预设的仪态识别规则对所述人脸图像信息进行识别处理，生成多状态人脸图像信息；
根据所述多状态人脸图像以及预设的目标人脸识别模型，生成人脸识别结果；所述预设的目标人脸识别模型是基于预先采集的若干多状态人脸图像样本数据集经卷积神经网络训练生成。
应该理解的是，虽然本发明各实施例的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，各实施例中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一非易失性计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种人脸识别方法，其特征在于，包括：
响应于人脸识别请求操作，在预设周期内持续采集目标用户的人脸图像信息；
根据预设的仪态识别规则对所述人脸图像信息进行识别处理，生成多状态人脸图像信息；
根据所述多状态人脸图像以及预设的目标人脸识别模型，生成人脸识别结果；所述预设的目标人脸识别模型是基于预先采集的若干多状态人脸图像样本数据集经卷积神经网络训练生成。
2.根据权利要求1所述的人脸识别方法，其特征在于，所述根据所述多状态人脸图像以及预设的目标人脸识别模型，生成人脸识别结果的步骤，包括：
根据预设的卷积神经网络算法对所述多状态人脸图像信息进行处理，生成高维向量；
根据所述高维向量以及预设的目标人脸识别模型，生成人脸识别结果；所述预设的目标人脸识别模型包含若干多状态人脸图像样本数据集的高维向量的数据库。
3.根据权利要求2所述的人脸识别方法，其特征在于，所述根据所述高维向量以及预设的目标人脸识别模型，生成人脸识别结果的步骤，包括：
在所述若干多状态人脸图像样本数据集的高维向量的数据库中对所述高维向量进行比对处理，确定欧式距离值最小的高维向量；
获取与所述欧式距离值最小的高维向量对应的多状态人脸图像信息，生成人脸识别结果。
4.根据权利要求1所述的人脸识别方法，其特征在于，所述生成预设的基于卷积神经网络建立的目标人脸识别模型的步骤，具体包括：
获取若干多状态人脸图像样本数据集；
根据所述第一多状态人脸图像样本以及含有可变参数的卷积神经网络模型确定所述第一多状态人脸图像样本的第一响应人脸识别结果；
计算所述第一响应人脸识别结果以及与所述第一多状态人脸图像样本对应的第一目标人脸识别结果之间的第一损失差异；
判断若干多状态人脸图像样本的损失差异是否满足预设的条件；
当判断所述若干多状态人脸图像样本的损失差异不满足预设的条件时，调整所述卷积神经网络模型中的可变参数，并返回至所述根据所述第一多状态人脸图像样本以及含有可变参数的卷积神经网络模型确定所述第一多状态人脸图像样本的第一响应人脸识别结果的步骤；
当判断所述若干多状态人脸图像样本的损失差异满足预设的条件时，将当前所述含有可变参数的卷积神经网络模型确定为预设的基于卷积神经网络建立的目标人脸识别模型。
5.根据权利要求1所述的人脸识别方法，其特征在于，所述人脸识别结果携带有身份信息以及仪容仪表信息；
所述人脸识别方法还包括：
当根据所述仪容仪表信息判断所述目标用户的仪容仪表不符合预设的仪容仪表要求规则时，则生成仪容仪表警示信息；
根据所述仪容仪表警示信息以及身份信息，生成二维码；所述二维码用于供所述身份信息对应的目标用户以智能终端扫描获取所述仪容仪表警示信息。
6.一种人脸识别装置，其特征在于，包括：
人脸图像信息采集单元，用于响应于人脸识别请求操作，在预设周期内持续采集目标用户的人脸图像信息；
多状态人脸图像信息生成单元，用于根据预设的仪态识别规则对所述人脸图像信息进行识别处理，生成多状态人脸图像信息；以及
人脸识别结果生成单元，用于根据所述多状态人脸图像以及预设的目标人脸识别模型，生成人脸识别结果；所述预设的目标人脸识别模型是基于预先采集的若干多状态人脸图像样本数据集经卷积神经网络训练生成。
7.根据权利要求6所述的人脸识别装置，其特征在于，所述人脸识别装置还包括：
模型训练单元，用于通过预先采集的若干多状态人脸图像样本数据集经卷积神经网络训练生成预设的目标人脸识别模型。
8.根据权利要求6所述的人脸识别装置，其特征在于，所述人脸识别装置还包括：
仪容仪表警示信息生成单元，用于当根据所述人脸识别结果判断所述目标用户的仪容仪表不符合预设的仪容仪表要求规则时，则生成仪容仪表警示信息；以及
二维码生成单元，用于根据所述仪容仪表警示信息以及人脸识别结果，生成二维码；所述二维码用于供所述人脸识别结果对应的目标用户以智能终端扫描获取所述仪容仪表警示信息。
9.一种计算机设备，其特征在于，包括存储器和处理器，所述存储器中存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行权利要求1至5中任一项权利要求所述人脸识别方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机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，使得所述处理器执行权利要求1至5中任一项权利要求所述人脸识别方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011216291.XA CN112200147A (zh) | 2020-11-04 | 2020-11-04 | 一种人脸识别方法、装置、计算机设备以及可存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011216291.XA CN112200147A (zh) | 2020-11-04 | 2020-11-04 | 一种人脸识别方法、装置、计算机设备以及可存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112200147A true CN112200147A (zh) | 2021-01-08 |
Family
ID=74033221
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011216291.XA Pending CN112200147A (zh) | 2020-11-04 | 2020-11-04 | 一种人脸识别方法、装置、计算机设备以及可存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112200147A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113011544A (zh) * | 2021-04-08 | 2021-06-22 | 河北工业大学 | 基于二维码的人脸生物信息识别方法、系统、终端、介质 |
| CN113128429A (zh) * | 2021-04-24 | 2021-07-16 | 新疆爱华盈通信息技术有限公司 | 基于立体视觉的活体检测方法和相关设备 |
| CN113343018A (zh) * | 2021-06-17 | 2021-09-03 | 浙江大华技术股份有限公司 | 图像的特征值的确定方法及装置、存储介质、电子装置 |
-
2020
- 2020-11-04 CN CN202011216291.XA patent/CN112200147A/zh active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113011544A (zh) * | 2021-04-08 | 2021-06-22 | 河北工业大学 | 基于二维码的人脸生物信息识别方法、系统、终端、介质 |
| CN113128429A (zh) * | 2021-04-24 | 2021-07-16 | 新疆爱华盈通信息技术有限公司 | 基于立体视觉的活体检测方法和相关设备 |
| CN113343018A (zh) * | 2021-06-17 | 2021-09-03 | 浙江大华技术股份有限公司 | 图像的特征值的确定方法及装置、存储介质、电子装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10713532B2 (en) | Image recognition method and apparatus | |
| Liu et al. | Multi-modal clique-graph matching for view-based 3D model retrieval | |
| Xiao et al. | Robust kernel low-rank representation | |
| Yan et al. | Ranking with uncertain labels | |
| US20210158023A1 (en) | System and Method for Generating Image Landmarks | |
| Deng et al. | M3 csr: Multi-view, multi-scale and multi-component cascade shape regression | |
| CN112200147A (zh) | 一种人脸识别方法、装置、计算机设备以及可存储介质 | |
| Liu et al. | Generalized higher order orthogonal iteration for tensor learning and decomposition | |
| Geng et al. | Head pose estimation based on multivariate label distribution | |
| CN109271917B (zh) | 人脸识别方法、装置、计算机设备和可读存储介质 | |
| CN110826395A (zh) | 人脸旋转模型的生成方法、装置、计算机设备及存储介质 | |
| Bouzas et al. | Graph embedded nonparametric mutual information for supervised dimensionality reduction | |
| Gao et al. | Joint metric learning-based class-specific representation for image set classification | |
| Liang et al. | Multi-task GLOH feature selection for human age estimation | |
| Liu et al. | Multitask feature selection by graph-clustered feature sharing | |
| Wang et al. | Fusion network for face-based age estimation | |
| Yan et al. | Efficient semidefinite spectral clustering via Lagrange duality | |
| Yan et al. | A parameter-free framework for general supervised subspace learning | |
| Ji et al. | Angular-similarity-preserving binary signatures for linear subspaces | |
| CN110163369B (zh) | 图像识别与神经网络模型的训练方法、装置和系统 | |
| CN117037244A (zh) | 人脸安全检测方法、装置、计算机设备和存储介质 | |
| CN109934926B (zh) | 模型数据处理方法、装置、可读存储介质和设备 | |
| Gona et al. | Multimodal biometric reorganization system using deep learning convolutional neural network | |
| Feng et al. | Adaptive weighted dictionary representation using anchor graph for subspace clustering | |
| Karmakar et al. | Generation of new points for training set and feature-level fusion in multimodal biometric identification |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20210108 |
|
| WD01 | Invention patent application deemed withdrawn after publication |