CN112241689A - 人脸识别方法、装置、电子设备及计算机可读存储介质 - Google Patents
人脸识别方法、装置、电子设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN112241689A CN112241689A CN202011017626.5A CN202011017626A CN112241689A CN 112241689 A CN112241689 A CN 112241689A CN 202011017626 A CN202011017626 A CN 202011017626A CN 112241689 A CN112241689 A CN 112241689A
- Authority
- CN
- China
- Prior art keywords
- face
- features
- global
- lower half
- image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000000605 extraction Methods 0.000 claims description 195
- 238000012549 training Methods 0.000 claims description 61
- 238000013136 deep learning model Methods 0.000 claims description 33
- 208000006440 Open Bite Diseases 0.000 claims description 21
- 238000004590 computer program Methods 0.000 claims description 15
- 230000001815 facial effect Effects 0.000 description 13
- 238000007781 pre-processing Methods 0.000 description 13
- 238000001514 detection method Methods 0.000 description 10
- 238000012545 processing Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 4
- 238000003062 neural network model Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000012847 principal component analysis method Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 210000005069 ears Anatomy 0.000 description 1
- 210000004709 eyebrow Anatomy 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000013589 supplement Substances 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
- G06V40/168—Feature extraction; Face representation
- G06V40/169—Holistic features and representations, i.e. based on the facial image taken as a whole
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/51—Indexing; Data structures therefor; Storage structures
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Collating Specific Patterns (AREA)
- Image Analysis (AREA)
Abstract
本公开提供了人脸识别方法、装置、电子设备及计算机可读存储介质。该方法的一具体实施方式包括：获取待识别人脸图像；提取待识别人脸图像的上半部人脸特征和下半部人脸特征以及可选的全局人脸特征，得到目标上半部人脸特征、目标下半部人脸特征以及目标全局人脸特征；使用目标上半部人脸特征和/或目标下半部人脸特征、以及目标全局人脸特征分别在预先建立的上半部人脸特征库和/或下半部人脸特征库、以及全局人脸特征库中进行特征比对，分别得到对应的符合预设比对条件的比对分数和关联的人脸身份标识；将各比对分数中最高者所关联的人脸身份标识确定为待识别人脸图像的人脸识别结果。该实施方式提高了人脸识别的准确性和鲁棒性。
Description
技术领域
本公开涉及图像识别应用技术领域，具体涉及人脸识别方法、装置、电子设备及计算机可读存储介质。
背景技术
人脸识别是基于人的脸部特征信息进行身份识别的一种生物识别技术。人脸识别作为重要的计算机视觉技术，在人工智能领域发挥重大作用。
目前，人脸识别技术已被广泛应用于门禁管理、身份核验、智慧零售以及社交娱乐等应用场景。
发明内容
本公开提出了人脸识别方法、装置、电子设备及计算机可读存储介质。
第一方面，本公开提供了一种人脸识别方法，该方法包括：获取待识别人脸图像；提取待识别人脸图像的上半部人脸特征和下半部人脸特征以及可选的全局人脸特征，得到目标上半部人脸特征、目标下半部人脸特征以及目标全局人脸特征；使用目标上半部人脸特征和/或目标下半部人脸特征、以及目标全局人脸特征分别在预先建立的上半部人脸特征库和/或下半部人脸特征库、以及全局人脸特征库中进行特征比对，分别得到对应的符合预设比对条件的比对分数和关联的人脸身份标识，其中，上半部人脸特征库中存储有至少一个上半部人脸特征和对应的人脸身份标识，下半部人脸特征库中存储有至少一个下半部人脸特征和对应的人脸身份标识，全局人脸特征库中存储有至少一个全局人脸特征和对应的人脸身份标识；将各比对分数中最高者所关联的人脸身份标识确定为待识别人脸图像的人脸识别结果。
其中，本领域技术人员可以理解的是，提取待识别人脸图像的上半部人脸特征和下半部人脸特征以及可选的全局人脸特征，得到目标上半部人脸特征、目标下半部人脸特征以及目标全局人脸特征，可以包括：情况(1)提取待识别人脸图像的上半部人脸特征和下半部人脸特征，得到目标上半部人脸特征、目标下半部人脸特征以及目标全局人脸特征；或者包括情况(2)提取待识别人脸图像的上半部人脸特征和下半部人脸特征以及全局人脸特征，得到目标上半部人脸特征、目标下半部人脸特征以及目标全局人脸特征。
在一些可选的实施方式中，提取待识别人脸图像的上半部人脸特征和下半部人脸特征以及可选的全局人脸特征，得到目标上半部人脸特征、目标下半部人脸特征以及目标全局人脸特征，包括：将待识别人脸图像分为上半部人脸图像和下半部人脸图像；利用人脸特征提取模型分别对上半部人脸图像和下半部人脸图像进行特征提取，得到目标上半部人脸特征和目标下半部人脸特征；将目标上半部人脸特征和目标下半部人脸特征进行特征拼接，或者利用全局人脸特征提取模型提取待识别人脸图像的全局人脸特征，得到目标全局人脸特征。
在一些可选的实施方式中，提取待识别人脸图像的上半部人脸特征和下半部人脸特征以及可选的全局人脸特征，得到目标上半部人脸特征、目标下半部人脸特征以及目标全局人脸特征，包括：利用上半部人脸特征提取模型提取待识别人脸图像的上半部人脸特征，得到目标上半部人脸特征；利用下半部人脸特征提取模型提取待识别人脸图像的下半部人脸特征，得到目标下半部人脸特征；利用全局人脸特征提取模型提取待识别人脸图像的全局人脸特征，或者将目标上半部人脸特征和目标下半部人脸特征进行特征拼接，得到目标全局人脸特征。
在一些可选的实施方式中，人脸特征提取模型是通过如下步骤预先训练得到的：获取第一样本集，其中，第一样本集中的第一样本包括无遮挡人脸图像和对应的上半部人脸特征、下半部人脸特征以及全局人脸特征；确定初始人脸特征提取模型的模型结构；初始化初始人脸特征提取模型的模型参数；调整初始人脸特征提取模型的模型参数。
优选地，调整初始人脸特征提取模型的模型参数，包括：对于第一样本集中的第一样本，执行以下模型调整操作，直到满足预设训练结束条件：将第一样本中的无遮挡人脸图像分为上半部人脸图像和下半部人脸图像；使用初始人脸特征提取模型分别对上半部人脸图像和下半部人脸图像进行特征提取，得到实际上半部人脸特征和实际下半部人脸特征；将所得到的实际上半部人脸特征和实际下半部人脸特征进行特征拼接，得到实际全局人脸特征；基于所得到的实际上半部人脸特征与该第一样本中的上半部人脸特征之间的差异、所得到的实际下半部人脸特征与该第一样本中的下半部人脸特征之间的差异以及所得到的实际全局人脸特征与该第一样本中的全局人脸特征之间的差异，调整初始人脸特征提取模型的模型参数。
在一些可选的实施方式中，上半部人脸特征提取模型是通过如下步骤预先训练得到的：获取第二样本集，其中，第二样本集中的第二样本包括下半部人脸遮挡图像和对应的上半部人脸特征；对于第二样本集中的第二样本，将该第二样本中的下半部人脸遮挡图像作为输入，将该第二样本中的上半部人脸特征作为期望输出，训练第一初始深度学习模型，得到上半部人脸特征提取模型。
在一些可选的实施方式中，下半部人脸特征提取模型是通过如下步骤预先训练得到的：获取第三样本集，其中，第三样本集中的第三样本包括上半部人脸遮挡图像和对应的下半部人脸特征；对于第三样本集中的第三样本，将该第三样本中的上半部人脸遮挡图像作为输入，将该第三样本中的下半部人脸特征作为期望输出，训练第二初始深度学习模型，得到下半部人脸特征提取模型。
在一些可选的实施方式中，全局人脸特征提取模型是通过如下步骤预先训练得到的：获取第四样本集，其中，第四样本集中的第四样本包括无遮挡人脸图像和对应的全局人脸特征；对于第四样本集中的第四样本，将该第四样本中的无遮挡人脸图像作为输入，将该第四样本中的全局人脸特征作为期望输出，训练第三初始深度学习模型，得到全局人脸特征提取模型。
在一些可选的实施方式中，上半部人脸特征库、下半部人脸特征库以及全局人脸特征库是通过如下步骤预先建立的：获取至少一个人脸身份标识与对应的无遮挡人脸图像；对所获取的每个无遮挡人脸图像，执行以下特征关联存储操作：将无遮挡人脸图像分为上半部人脸图像和下半部人脸图像；利用人脸特征提取模型提取上半部人脸图像的上半部人脸特征和下半部人脸图像的下半部人脸特征；将所提取的上半部人脸特征和下半部人脸特征进行特征拼接，得到全局人脸特征，或者利用全局人脸特征提取模型提取无遮挡人脸图像的全局人脸特征；分别将所得到的上半部人脸特征、下半部人脸特征和全局人脸特征与对应的人脸身份标识关联存储至上半部人脸特征库、下半部人脸特征库和全局人脸特征库。
在一些可选的实施方式中，上半部人脸特征库是通过如下步骤预先建立的：获取至少一个人脸身份标识与对应的第一人脸图像，第一人脸图像为下半部人脸遮挡图像和/或无遮挡人脸图像；使用上半部人脸特征提取模型提取各第一人脸图像的上半部人脸特征；将各第一人脸图像对应的上半部人脸特征与对应的人脸身份标识关联存储至上半部人脸特征库。
在一些可选的实施方式中，下半部人脸特征库是通过如下步骤预先建立的：获取至少一个人脸身份标识与对应的第二人脸图像，第二人脸图像为上半部人脸遮挡图像和/或无遮挡人脸图像；使用下半部人脸特征提取模型提取各第二人脸图像的下半部人脸特征；将各第二人脸图像对应的下半部人脸特征与对应的人脸身份标识关联存储至下半部人脸特征库。
在一些可选的实施方式中，全局人脸特征库是通过如下步骤预先建立的：获取至少一个人脸身份标识与对应的第三人脸图像，第三人脸图像为无遮挡人脸图像；使用全局人脸特征提取模型提取各第三人脸图像的全局人脸特征；将各第三人脸图像对应的全局人脸特征与对应的人脸身份标识关联存储至全局人脸特征库。
第二方面，本公开提供了一种人脸识别装置，该装置包括：获取单元，被配置为获取待识别人脸图像；提取单元，被配置为提取待识别人脸图像的上半部人脸特征和下半部人脸特征以及可选的全局人脸特征，得到目标上半部人脸特征、目标下半部人脸特征以及目标全局人脸特征；比对单元，被配置为使用目标上半部人脸特征和/或目标下半部人脸特征、以及目标全局人脸特征分别在预先建立的上半部人脸特征库和/或下半部人脸特征库、以及全局人脸特征库中进行特征比对，分别得到对应的符合预设比对条件的比对分数和关联的人脸身份标识，其中，上半部人脸特征库中存储有至少一个上半部人脸特征和对应的人脸身份标识，下半部人脸特征库中存储有至少一个下半部人脸特征和对应的人脸身份标识，全局人脸特征库中存储有至少一个全局人脸特征和对应的人脸身份标识；确定单元，被配置为将各比对分数中最高者所关联的人脸身份标识确定为待识别人脸图像的人脸识别结果。
在一些可选的实施方式中，提取单元进一步被配置为：将待识别人脸图像分为上半部人脸图像和下半部人脸图像；利用人脸特征提取模型分别对上半部人脸图像和下半部人脸图像进行特征提取，得到目标上半部人脸特征和目标下半部人脸特征；将目标上半部人脸特征和目标下半部人脸特征进行特征拼接，或者利用全局人脸特征提取模型提取待识别人脸图像的全局人脸特征，得到目标全局人脸特征。
在一些可选的实施方式中，提取单元进一步被配置为：利用上半部人脸特征提取模型提取待识别人脸图像的上半部人脸特征，得到目标上半部人脸特征；利用下半部人脸特征提取模型提取待识别人脸图像的下半部人脸特征，得到目标下半部人脸特征；利用全局人脸特征提取模型提取待识别人脸图像的全局人脸特征，或者将目标上半部人脸特征和目标下半部人脸特征进行特征拼接，得到目标全局人脸特征。
在一些可选的实施方式中，人脸特征提取模型是通过如下步骤预先训练得到的：获取第一样本集，其中，第一样本集中的第一样本包括无遮挡人脸图像和对应的上半部人脸特征、下半部人脸特征以及全局人脸特征；确定初始人脸特征提取模型的模型结构；初始化初始人脸特征提取模型的模型参数；调整初始人脸特征提取模型的模型参数。
优选地，调整初始人脸特征提取模型的模型参数，包括：对于第一样本集中的第一样本，执行以下模型调整操作，直到满足预设训练结束条件：将第一样本中的无遮挡人脸图像分为上半部人脸图像和下半部人脸图像；使用初始人脸特征提取模型分别对上半部人脸图像和下半部人脸图像进行特征提取，得到实际上半部人脸特征和实际下半部人脸特征；将所得到的实际上半部人脸特征和实际下半部人脸特征进行特征拼接，得到实际全局人脸特征；基于所得到的实际上半部人脸特征与该第一样本中的上半部人脸特征之间的差异、所得到的实际下半部人脸特征与该第一样本中的下半部人脸特征之间的差异以及所得到的实际全局人脸特征与该第一样本中的全局人脸特征之间的差异，调整初始人脸特征提取模型的模型参数。
相应地，该人脸识别装置还可以包括：人脸特征提取模型预先训练单元，被配置为预先训练人脸特征提取模型，包括：第一获取单元，被配置为获取第一样本集，其中，第一样本集中的第一样本包括无遮挡人脸图像和对应的上半部人脸特征、下半部人脸特征以及全局人脸特征；第一确定单元，被配置为确定初始人脸特征提取模型的模型结构；初始化单元，被配置为初始化初始人脸特征提取模型的模型参数；调整单元，被配置为调整初始人脸特征提取模型的模型参数。
优选地，调整单元进一步被配置为：对于第一样本集中的第一样本，执行以下模型调整操作，直到满足预设训练结束条件：将第一样本中的无遮挡人脸图像分为上半部人脸图像和下半部人脸图像；使用初始人脸特征提取模型分别对上半部人脸图像和下半部人脸图像进行特征提取，得到实际上半部人脸特征和实际下半部人脸特征；将所得到的实际上半部人脸特征和实际下半部人脸特征进行特征拼接，得到实际全局人脸特征；基于所得到的实际上半部人脸特征与该第一样本中的上半部人脸特征之间的差异、所得到的实际下半部人脸特征与该第一样本中的下半部人脸特征之间的差异以及所得到的实际全局人脸特征与该第一样本中的全局人脸特征之间的差异，调整初始人脸特征提取模型的模型参数。
在一些可选的实施方式中，上半部人脸特征提取模型是通过如下步骤预先训练得到的：获取第二样本集，其中，第二样本集中的第二样本包括下半部人脸遮挡图像和对应的上半部人脸特征；对于第二样本集中的第二样本，将该第二样本中的下半部人脸遮挡图像作为输入，将该第二样本中的上半部人脸特征作为期望输出，训练第一初始深度学习模型，得到上半部人脸特征提取模型。
相应地，该人脸识别装置还可以包括：上半部人脸特征提取模型预先训练单元，被配置为预先训练上半部人脸特征提取模型，包括：第二获取单元，被配置为获取第二样本集，其中，第二样本集中的第二样本包括下半部人脸遮挡图像和对应的上半部人脸特征；第一训练单元，被配置为对于第二样本集中的第二样本，将该第二样本中的下半部人脸遮挡图像作为输入，将该第二样本中的上半部人脸特征作为期望输出，训练第一初始深度学习模型，得到上半部人脸特征提取模型。
在一些可选的实施方式中，下半部人脸特征提取模型是通过如下步骤预先训练得到的：获取第三样本集，其中，第三样本集中的第三样本包括上半部人脸遮挡图像和对应的下半部人脸特征；对于第三样本集中的第三样本，将该第三样本中的上半部人脸遮挡图像作为输入，将该第三样本中的下半部人脸特征作为期望输出，训练第二初始深度学习模型，得到下半部人脸特征提取模型。
相应地，该人脸识别装置还可以包括：下半部人脸特征提取模型预先训练单元，被配置为预先训练下半部人脸特征提取模型，包括：第三获取单元，被配置为获取第三样本集，其中，第三样本集中的第三样本包括上半部人脸遮挡图像和对应的下半部人脸特征；第二训练单元，被配置为对于第三样本集中的第三样本，将该第三样本中的上半部人脸遮挡图像作为输入，将该第三样本中的下半部人脸特征作为期望输出，训练第二初始深度学习模型，得到下半部人脸特征提取模型。
在一些可选的实施方式中，全局人脸特征提取模型是通过如下步骤预先训练得到的：获取第四样本集，其中，第四样本集中的第四样本包括无遮挡人脸图像和对应的全局人脸特征；对于第四样本集中的第四样本，将该第四样本中的无遮挡人脸图像作为输入，将该第四样本中的全局人脸特征作为期望输出，训练第三初始深度学习模型，得到全局人脸特征提取模型。
相应地，该人脸识别装置还可以包括：全局人脸特征提取模型预先训练单元，被配置为预先训练全局人脸特征提取模型，包括：第四获取单元，被配置为获取第四样本集，其中，第四样本集中的第四样本包括无遮挡人脸图像和对应的全局人脸特征；第三训练单元，被配置为对于第四样本集中的第四样本，将该第四样本中的无遮挡人脸图像作为输入，将该第四样本中的全局人脸特征作为期望输出，训练第三初始深度学习模型，得到全局人脸特征提取模型。
在一些可选的实施方式中，上半部人脸特征库、下半部人脸特征库以及全局人脸特征库是通过如下步骤预先建立的：获取至少一个人脸身份标识与对应的无遮挡人脸图像；对所获取的每个无遮挡人脸图像，执行以下特征关联存储操作：将无遮挡人脸图像分为上半部人脸图像和下半部人脸图像；利用人脸特征提取模型提取上半部人脸图像的上半部人脸特征和下半部人脸图像的下半部人脸特征；将所提取的上半部人脸特征和下半部人脸特征进行特征拼接，得到全局人脸特征，或者利用全局人脸特征提取模型提取无遮挡人脸图像的全局人脸特征；分别将所得到的上半部人脸特征、下半部人脸特征和全局人脸特征与对应的人脸身份标识关联存储至上半部人脸特征库、下半部人脸特征库和全局人脸特征库。
相应地，该人脸识别装置还可以包括：人脸特征库预先建立单元，被配置为预先建立上半部人脸特征库、下半部人脸特征库以及全局人脸特征库，包括：第五获取单元，被配置为获取至少一个人脸身份标识与对应的无遮挡人脸图像；存储单元，被配置为对所获取的每个无遮挡人脸图像，执行以下特征关联存储操作：将无遮挡人脸图像分为上半部人脸图像和下半部人脸图像；利用人脸特征提取模型提取上半部人脸图像的上半部人脸特征和下半部人脸图像的下半部人脸特征；将所提取的上半部人脸特征和下半部人脸特征进行特征拼接，得到全局人脸特征，或者利用全局人脸特征提取模型提取无遮挡人脸图像的全局人脸特征；分别将所得到的上半部人脸特征、下半部人脸特征和全局人脸特征与对应的人脸身份标识关联存储至上半部人脸特征库、下半部人脸特征库和全局人脸特征库。
在一些可选的实施方式中，上半部人脸特征库是通过如下步骤预先建立的：获取至少一个人脸身份标识与对应的第一人脸图像，第一人脸图像为下半部人脸遮挡图像和/或无遮挡人脸图像；使用上半部人脸特征提取模型提取各第一人脸图像的上半部人脸特征；将各第一人脸图像对应的上半部人脸特征与对应的人脸身份标识关联存储至上半部人脸特征库。
相应地，该人脸识别装置还可以包括：上半部人脸特征库预先建立单元，被配置为预先建立上半部人脸特征库，包括：第六获取单元，被配置为获取至少一个人脸身份标识与对应的第一人脸图像，第一人脸图像为下半部人脸遮挡图像和/或无遮挡人脸图像；第一提取单元，被配置为使用上半部人脸特征提取模型提取各第一人脸图像的上半部人脸特征；第一存储单元，被配置为将各第一人脸图像对应的上半部人脸特征与对应的人脸身份标识关联存储至上半部人脸特征库。
在一些可选的实施方式中，下半部人脸特征库是通过如下步骤预先建立的：获取至少一个人脸身份标识与对应的第二人脸图像，第二人脸图像为上半部人脸遮挡图像和/或无遮挡人脸图像；使用下半部人脸特征提取模型提取各第二人脸图像的下半部人脸特征；将各第二人脸图像对应的下半部人脸特征与对应的人脸身份标识关联存储至下半部人脸特征库。
相应地，该人脸识别装置还可以包括：下半部人脸特征库预先建立单元，被配置为预先建立下半部人脸特征库，包括：第七获取单元，被配置为获取至少一个人脸身份标识与对应的第二人脸图像，第二人脸图像为上半部人脸遮挡图像和/或无遮挡人脸图像；第二提取单元，被配置为使用下半部人脸特征提取模型提取各第二人脸图像的下半部人脸特征；第二存储单元，被配置为将各第二人脸图像对应的下半部人脸特征与对应的人脸身份标识关联存储至下半部人脸特征库。
在一些可选的实施方式中，全局人脸特征库是通过如下步骤预先建立的：获取至少一个人脸身份标识与对应的第三人脸图像，第三人脸图像为无遮挡人脸图像；使用全局人脸特征提取模型提取各第三人脸图像的全局人脸特征；将各第三人脸图像对应的全局人脸特征与对应的人脸身份标识关联存储至全局人脸特征库。
相应地，该人脸识别装置还可以包括：全局人脸特征库预先建立单元，被配置为预先建立全局人脸特征库，包括：第八获取单元，被配置为获取至少一个人脸身份标识与对应的第三人脸图像，第三人脸图像为无遮挡人脸图像；第三提取单元，被配置为使用全局人脸特征提取模型提取各第三人脸图像的全局人脸特征；第三存储单元，被配置为将各第三人脸图像对应的全局人脸特征与对应的人脸身份标识关联存储至全局人脸特征库。
第三方面，本公开提供了一种电子设备，包括：存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现如第一方面中任一实现方式描述的方法。
第四方面，本公开提供了一种计算机可读存储介质，其上存储有计算机程序，其中，该计算机程序被一个或多个处理器执行时实现如第一方面中任一实现方式描述的方法。
本公开提供的人脸识别方法、装置、电子设备及计算机可读存储介质，首先获取待识别人脸图像，然后提取待识别人脸图像的上半部人脸特征和下半部人脸特征以及可选的全局人脸特征，得到目标上半部人脸特征、目标下半部人脸特征以及目标全局人脸特征，进而使用目标上半部人脸特征和/或目标下半部人脸特征、以及目标全局人脸特征分别在预先建立的上半部人脸特征库和/或下半部人脸特征库、以及全局人脸特征库中进行特征比对，分别得到对应的符合预设比对条件的比对分数和关联的人脸身份标识，最后将各比对分数中最高者所关联的人脸身份标识确定为待识别人脸图像的人脸识别结果。
在人脸被遮挡物遮挡的情况下，在人脸识别的过程中，遮挡物破坏了人脸固有结构和几何特征，导致通用的人脸识别算法无法准确识别出人脸。遮挡人脸图像将会引入遮挡物带来的局部特征，这些局部特征的影响能力与人脸区域遮挡比例呈正比。随着人脸区域遮挡比例的上升，人脸识别算法的准确性会大幅度下降。遮挡人脸图像由于不完整的人脸特征造成人脸识别的不准确。目前，对于遮挡人脸的人脸识别研究，多集中在遮挡人脸的表达和重构两个方向，且都需要以判断人脸是存在遮挡为前提，人脸遮挡判定需要耗费一定时间。
在实际场景中，对于无遮挡人脸图像，其全局人脸特征更具有代表性，而对于上半部遮挡人脸图像，其上半部人脸细节缺失，其下半部人脸特征更具有代表性，对于下半部遮挡人脸图像，其下半部人脸细节缺失，其上半部人脸特征更具有代表性，本公开无需提前进行人脸遮挡判断，避免耗费时间进行人脸遮挡判断，从而减少了整个人脸识别的时间，并且直接分别提取更为丰富的待识别人脸图像的上半部人脸特征、下半部人脸特征以及全局人脸特征，并分别与对应的人脸特征库进行人脸比对，进而从各人脸比对结果中确定出匹配度最高的人脸身份标识，提高了人脸识别的准确性和鲁棒性。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本公开的其它特征、目的和优点将会变得更明显：
图1是本公开的一个实施例可以应用于其中的示例性系统架构图；
图2是根据本公开的人脸识别方法的一个实施例的流程图；
图3是根据本公开的人脸识别装置的一个实施例的结构示意图；
图4是适于用来实现本公开的电子设备的计算机系统的结构示意图。
具体实施方式
下面结合附图和实施例对本公开作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。
需要说明的是，在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。
图1示出了可以应用本公开的人脸识别方法或人脸识别装置的实施例的示例性系统架构100。
如图1所示，系统架构100可以包括终端设备101、网络102、网络104、人脸识别服务器103、全局人脸特征库服务器105、上半部人脸特征库服务器106以及下半部人脸特征库服务器107。网络102用以在终端设备101和人脸识别服务器103之间提供通信链路的介质。网络104用以在人脸识别服务器103和全局人脸特征库服务器105、上半部人脸特征库服务器106以及下半部人脸特征库服务器107之间提供通信链路的介质。网络102、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通过网络102与人脸识别服务器103交互，以接收或发送消息等。终端设备101上可以安装有各种通讯客户端应用，例如图像采集类应用、图像处理类应用、人脸识别类应用、搜索类应用等。
终端设备101可以是硬件，也可以是软件。当终端设备101为硬件时，可以是具有图像采集装置的各种电子设备，例如可以是运行在闸机上的待识别人脸图像采集设备，待识别人脸图像采集设备可以包括人脸采集摄像头、引导显示屏(用于引导用户将人脸对准人脸采集摄像头)、补光灯等。当终端设备101为软件时，可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供人脸图像采集服务)，也可以实现成单个软件或软件模块。在此不做具体限定。
人脸识别服务器103可以是提供各种服务的服务器，例如对终端设备101发送的待识别人脸图像提供人脸识别服务的后台服务器。后台服务器可以对接收到的待识别人脸图像进行分析等处理，并将处理结果(例如人脸识别结果)反馈给终端设备101。
全局人脸特征库服务器105可以是向人脸识别服务器103提供数据支持的数据库服务器。全局人脸特征库服务器105可以是一个存储服务器，可以对应存储至少一个人脸身份标识和对应的全局人脸特征。人脸识别服务器103可以从全局人脸特征库服务器105中获取与待识别人脸图像的目标全局人脸特征匹配的全局人脸特征和所关联的人脸身份标识。
上半部人脸特征库服务器106可以是向人脸识别服务器103提供数据支持的数据库服务器。上半部人脸特征库服务器106可以是一个存储服务器，可以对应存储至少一个人脸身份标识和对应的上半部人脸特征。人脸识别服务器103可以从上半部人脸特征库服务器106中获取与待识别人脸图像的目标上半部人脸特征匹配的上半部人脸特征和所关联的人脸身份标识。
下半部人脸特征库服务器107可以是向人脸识别服务器103提供数据支持的数据库服务器。下半部人脸特征库服务器107可以是一个存储服务器，可以对应存储至少一个人脸身份标识和对应的下半部人脸特征。人脸识别服务器103可以从下半部人脸特征库服务器107中获取与待识别人脸图像的目标下半部人脸特征匹配的下半部人脸特征和所关联的人脸身份标识。
在一些情况下，本公开所提供的人脸识别方法可以由人脸识别服务器103执行，相应地，人脸识别装置也可以设置于人脸识别服务器103中。
在一些情况下，人脸识别服务器103的本地可以直接存储全局人脸特征库、上半部人脸特征库以及下半部人脸特征库，人脸识别服务器103可以直接从本地的全局人脸特征库中获取与待识别人脸图像的目标全局人脸特征匹配的全局人脸特征和所关联的人脸身份标识、也可以直接从本地的上半部人脸特征库中获取与待识别人脸图像的目标上半部人脸特征匹配的上半部人脸特征和所关联的人脸身份标识，也可以直接从本地的下半部人脸特征库中获取与待识别人脸图像的目标下半部人脸特征匹配的下半部人脸特征和所关联的人脸身份标识。此时，示例性系统架构100可以不包括网络104、全局人脸特征库服务器105、上半部人脸特征库服务器106以及下半部人脸特征库服务器107。
在一些情况下，本公开所提供的人脸识别方法可以由终端设备101执行，相应地，人脸识别装置也可以设置于终端设备101中。
在一些情况下，终端设备101的本地可以直接存储全局人脸特征库、上半部人脸特征库以及下半部人脸特征库，终端设备101可以直接从本地的全局人脸特征库中获取与待识别人脸图像的目标全局人脸特征匹配的全局人脸特征和所关联的人脸身份标识、也可以直接从本地的上半部人脸特征库中获取与待识别人脸图像的目标上半部人脸特征匹配的上半部人脸特征和所关联的人脸身份标识，也可以直接从本地的下半部人脸特征库中获取与待识别人脸图像的目标下半部人脸特征匹配的下半部人脸特征和所关联的人脸身份标识。此时，示例性系统架构100可以不包括网络102、网络104、人脸识别服务器103、全局人脸特征库服务器105、上半部人脸特征库服务器106以及下半部人脸特征库服务器107。
需要说明的是，人脸识别服务器103可以是硬件，也可以是软件。当人脸识别服务器103为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当人脸识别服务器103为软件时，可以实现成多个软件或软件模块(例如用来提供人脸识别服务)，也可以实现成单个软件或软件模块。在此不做具体限定。
应该理解，图1中的终端设备、网络、人脸识别服务器、全局人脸特征库服务器、上半部人脸特征库服务器以及下半部人脸特征库服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络、人脸识别服务器、全局人脸特征库服务器、上半部人脸特征库服务器以及下半部人脸特征库服务器。
继续参考图2，其示出了根据本公开的人脸识别方法的一个实施例的流程200。该人脸识别方法，包括以下步骤：
步骤201，获取待识别人脸图像。
在本实施例中，上述人脸识别方法的执行主体(例如图1所示的人脸识别服务器103)可以远程地从与上述执行主体网络连接的其他电子设备(例如图1所示的终端设备101)获取待识别人脸图像，或者上述执行主体也可以从与上述主体通信连接的图像采集设备(例如相机、摄像头等)获取待识别人脸图像。待识别人脸图像中所显示的人脸可以是全人脸(正面无遮挡人脸)，也可以是局部人脸(上半部遮挡的人脸、下半部遮挡的人脸)。在实践中，用户可能会佩戴墨镜等遮挡物，导致上半部人脸被遮挡，用户可能会佩戴口罩、面纱等遮挡物，导致下半部人脸被遮挡。
在实践中，当用户到达运行人脸识别系统的闸机时，需要通过人脸识别进行身份验证后通过闸机。具体地，可以通过运行在闸机上的待识别人脸图像采集设备，引导用户将人脸对准摄像头进行拍摄，以完成待识别人脸图像的采集。
步骤202，提取待识别人脸图像的上半部人脸特征，得到目标上半部人脸特征。
在本实施例中，上述执行主体可以采用各种特征提取方法提取待识别人脸图像的上半部人脸特征，再将所提取的上半部人脸特征确定为目标上半部人脸特征。特征提取方法例如可以是主成分分析方法、卷积神经网络模型等。作为示例，待识别人脸图像的上半部人脸特征可以包括脸部的眼睛和眉毛区域的形状、颜色、位置以及比例特征等。
步骤203，使用目标上半部人脸特征在预先建立的上半部人脸特征库进行特征比对，得到符合预设比对条件的比对分数和关联的人脸身份标识。
在本实施例中，上半部人脸特征库中存储有至少一个上半部人脸特征和对应的人脸身份标识。这里，预设比对条件可以是目标上半部人脸特征与上半部人脸特征之间的第一相似度大于第一相似度阈值。人脸身份标识可以用于标识不同用户的标识信息，例如用户的手机号码、身份证号、姓名等。
在一些可选的实施方式中，上述执行主体可以通过各种相似度计算方法计算得到第一相似度，例如欧氏距离、曼哈顿距离等。第一相似度越高，表明目标上半部人脸特征与上半部人脸特征数据库中对应的上半部人脸特征越相似。
步骤204，提取待识别人脸图像的下半部人脸特征，得到目标下半部人脸特征。
在本实施例中，上述执行主体可以采用各种特征提取方法提取待识别人脸图像的下半部人脸特征，再将所提取的下半部人脸特征确定为目标下半部人脸特征。特征提取方法例如可以是主成分分析方法、卷积神经网络模型等。作为示例，待识别人脸图像的下半部人脸特征可以包括下半部人脸轮廓特征、脸部的耳朵、鼻子、嘴巴的形状、颜色、位置以及比例特征等。
步骤205，使用目标下半部人脸特征在预先建立的下半部人脸特征库中进行特征比对，得到符合预设比对条件的比对分数和关联的人脸身份标识。
在本实施例中，下半部人脸特征库中存储有至少一个下半部人脸特征和对应的人脸身份标识。这里，预设比对条件可以是目标下半部人脸特征与下半部人脸特征之间的第二相似度大于第二相似度阈值。
在一些可选的实施方式中，上述执行主体可以通过各种相似度计算方法计算得到第二相似度，例如欧氏距离、曼哈顿距离等。第二相似度越高，表明目标下半部人脸特征与下半部人脸特征数据库中对应的下半部人脸特征越相似。
步骤206，提取待识别人脸图像的全局人脸特征，得到目标全局人脸特征。
在本实施例中，上述执行主体可以采用各种特征提取方法提取待识别人脸图像的全局人脸特征，再将所提取的全局人脸特征确定为目标全局人脸特征。特征提取方法例如可以是主成分分析方法、卷积神经网络模型等。待识别人脸图像的全局人脸特征可以包括脸型轮廓特征、脸部的五官区域的形状、颜色、位置以及比例特征等。
步骤207，使用目标全局人脸特征分别在预先建立的全局人脸特征库中进行特征比对，得到符合预设比对条件的比对分数和关联的人脸身份标识。
在本实施例中，全局人脸特征库中存储有至少一个全局人脸特征和对应的人脸身份标识。这里，预设比对条件可以是目标全局人脸特征与全局人脸特征之间的第三相似度大于第三相似度阈值。
在一些可选的实施方式中，上述执行主体可以通过各种相似度计算方法计算得到第三相似度，例如马氏距离、夹角余弦距离等。第三相似度越高，表明目标全局人脸特征与全局人脸特征数据库中对应的全局人脸特征越相似。
需要说明的是，上述执行主体可以在执行完步骤201之后，执行步骤202到步骤203在上半部人脸特征库中确定出符合预设比对条件的比对分数和关联的人脸身份标识，以及执行步骤206到步骤207在全局人脸特征库中确定出符合预设比对条件的比对分数和关联的人脸身份标识，在分别在上半部人脸特征库以及全局人脸特征库中确定出对应的符合预设比对条件的比对分数和关联的人脸身份标识之后，转到步骤208执行。
上述执行主体也可以在执行完步骤201之后，执行步骤204到步骤205在下半部人脸特征库中确定出符合预设比对条件的比对分数和关联的人脸身份标识，以及执行步骤206到步骤207在全局人脸特征库中确定出符合预设比对条件的比对分数和关联的人脸身份标识，在分别在下半部人脸特征库以及全局人脸特征库中确定出对应的符合预设比对条件的比对分数和关联的人脸身份标识之后，转到步骤208执行。
上述执行主体还可以在执行完步骤201之后，执行步骤202到步骤203在上半部人脸特征库中确定出符合预设比对条件的比对分数和关联的人脸身份标识，执行步骤204到步骤205在下半部人脸特征库中确定出符合预设比对条件的比对分数和关联的人脸身份标识，以及执行步骤206到步骤207在全局人脸特征库中确定出符合预设比对条件的比对分数和关联的人脸身份标识，在分别在上半部人脸特征库、下半部人脸特征库以及全局人脸特征库中确定出对应的符合预设比对条件的比对分数和关联的人脸身份标识之后，转到步骤208执行。这里，步骤202到步骤203、步骤204到步骤205以及步骤206到步骤207可以先后执行，也可以同步执行。
步骤208，将各比对分数中最高者所关联的人脸身份标识确定为待识别人脸图像的人脸识别结果。
在本实施例中，上述执行主体可以对步骤203中在上半部人脸特征库中确定出符合预设比对条件的比对分数和关联的人脸身份标识、步骤205中在下半部人脸特征库中确定出符合预设比对条件的比对分数和关联的人脸身份标识以及步骤207中在全局人脸特征库中确定出符合预设比对条件的比对分数和关联的人脸身份标识进行比较，确定出各比对分数中的最高者，最后将各比对分数中最高者所关联的人脸身份标识确定为待识别人脸图像的人脸识别结果。
在实践中，通过对用户的人脸特征与人脸特征库中的人脸特征进行特征比对，根据人脸特征库中与用户人脸特征匹配的人脸特征所关联的人脸身份标识进行身份核验，允许验证通过人员进入，拒绝非验证通过人员进入。
在一些可选的实施方式中，上述执行主体可以通过如下步骤得到目标上半部人脸特征、目标下半部人脸特征以及目标全局人脸特征：将待识别人脸图像分为上半部人脸图像和下半部人脸图像；利用人脸特征提取模型分别对上半部人脸图像和下半部人脸图像进行特征提取，得到目标上半部人脸特征和目标下半部人脸特征；将目标上半部人脸特征和目标下半部人脸特征进行特征拼接，或者利用全局人脸特征提取模型提取待识别人脸图像的全局人脸特征，得到目标全局人脸特征。
这里，上述执行主体将待识别人脸图像输入人脸特征提取模型之前，可以按照预设比例对待识别人脸图像进行裁剪处理，得到包括上半部人脸区域的上半部人脸图像和包括下半部人脸区域的下半部人脸图像，该上半部人脸图像与下半部人脸图像满足人脸特征提取模型的输入尺寸。上述执行主体可以在对待识别人脸图像进行裁剪处理之前，对待识别人脸图像进行人脸检测和人脸对齐。
这里，上述执行主体将待识别人脸图像输入全局人脸特征之前，可以对待识别图像进行预处理，该预处理后的待识别人脸图像满足全局人脸特征提取模型的输入尺寸。上述执行主体可以在对待识别人脸图像进行预处理之前，对待识别人脸图像进行人脸检测和人脸对齐。
这里，上述执行主体可以将目标上半部人脸特征和目标下半部人脸特征进行特征拼接融合，得到目标全局人脸特征，加强了局部人脸特征(目标上半部人脸特征、目标下半部人脸特征)对全局人脸特征的影响，使全局人脸特征更具代表性。
作为示例，人脸特征提取模型可以是通过如下步骤预先训练得到的：获取第一样本集，其中，第一样本集中的第一样本包括无遮挡人脸图像和对应的上半部人脸特征、下半部人脸特征以及全局人脸特征；确定初始人脸特征提取模型的模型结构；初始化初始人脸特征提取模型的模型参数；调整初始人脸特征提取模型的模型参数。
进一步地，上述执行主体也可以通过如下步骤调整初始人脸特征提取模型的模型参数：对于第一样本集中的第一样本，执行以下模型调整操作，直到满足预设训练结束条件：将第一样本中的无遮挡人脸图像分为上半部人脸图像和下半部人脸图像；使用初始人脸特征提取模型分别对上半部人脸图像和下半部人脸图像进行特征提取，得到实际上半部人脸特征和实际下半部人脸特征；将所得到的实际上半部人脸特征和实际下半部人脸特征进行特征拼接，得到实际全局人脸特征；基于所得到的实际上半部人脸特征与该第一样本中的上半部人脸特征之间的差异、所得到的实际下半部人脸特征与该第一样本中的下半部人脸特征之间的差异以及所得到的实际全局人脸特征与该第一样本中的全局人脸特征之间的差异，调整初始人脸特征提取模型的模型参数。
这里，上述执行主体可以按照预设比例对第一样本中的无遮挡人脸图像进行裁剪处理，得到包括上半部人脸区域的上半部人脸图像和包括下半部人脸区域的下半部人脸图像，该上半部人脸图像与下半部人脸图像满足人脸特征提取模型的输入尺寸。上述执行主体可以在对第一样本中的无遮挡人脸图像进行裁剪处理之前，对第一样本中的无遮挡人脸图像进行人脸检测和人脸对齐。
这里，初始人脸特征提取模型可以是预先搭建的各种神经网络模型。预设训练结束条件可以是各差异小于预设差异阈值/训练次数达到预设次数/训练时间达到预设时长。
作为示例，全局人脸特征提取模型是通过如下步骤预先训练得到的：获取第四样本集，其中，第四样本集中的第四样本包括无遮挡人脸图像和对应的全局人脸特征；对于第四样本集中的第四样本，将该第四样本中的无遮挡人脸图像作为输入，将该第四样本中的全局人脸特征作为期望输出，训练第三初始深度学习模型，得到全局人脸特征提取模型。
这里，上述执行主体可以对第四样本中的无遮挡人脸图像进行预处理，该预处理后的第四样本中的无遮挡人脸图像满足全局人脸特征提取模型的输入尺寸。上述执行主体可以在对第四样本中的无遮挡人脸图像进行预处理之前，对第四样本中的无遮挡人脸图像进行人脸检测和人脸对齐。
这里，第三初始深度学习模型可以是预先搭建的各种神经网络模型。作为一种示例，在该第三初始深度学习模型训练的过程中，可以使用第三初始深度学习模型对第四样本中的无遮挡人脸图像进行特征提取得到实际全局人脸特征，然后可以利用预设的损失函数计算实际全局人脸特征与第四样本中的全局人脸特征之间的第三差异，调整第三初始深度学习模型的网络参数，当确定当前第三初始深度学习模型满足预设训练完成条件(第三差异小于第三预设差异阈值/训练次数达到第三预设次数/训练时间达到第三预设时长)，得到全局人脸特征提取模型。
该实施方式可以使用同一个人脸特征提取模型得到待识别人脸图像的上半部人脸特征、下半部人脸特征以及全局人脸特征，同一个人脸特征提取模型可以降低内存资源的占用，即在内存有限的情况下，可以使用同一个人脸特征提取模型获取更丰富的人脸特征。同一个人脸特征提取模型不仅可以适用于无遮挡人脸的人脸识别场景，也可以适用于上半部遮挡人脸和下半部遮挡人脸的人脸识别场景，拓展了人脸特征提取模型的使用范围和应用场景。
相应的，上半部人脸特征库、下半部人脸特征库以及全局人脸特征库可以是通过如下步骤预先建立的：获取至少一个人脸身份标识与对应的无遮挡人脸图像；对所获取的每个无遮挡人脸图像，执行以下特征关联存储操作：将无遮挡人脸图像分为上半部人脸图像和下半部人脸图像；利用人脸特征提取模型提取上半部人脸图像的上半部人脸特征和下半部人脸图像的下半部人脸特征；将所提取的上半部人脸特征和下半部人脸特征进行特征拼接，得到全局人脸特征，或者利用全局人脸特征提取模型提取无遮挡人脸图像的全局人脸特征；分别将所得到的上半部人脸特征、下半部人脸特征和全局人脸特征与对应的人脸身份标识关联存储至上半部人脸特征库、下半部人脸特征库和全局人脸特征库。
这里，上述执行主体将无遮挡人脸图像输入人脸特征提取模型之前，可以按照预设比例对无遮挡人脸图像进行裁剪处理，得到包括上半部人脸区域的上半部人脸图像和包括下半部人脸区域的下半部人脸图像，该上半部人脸图像与下半部人脸图像满足人脸特征提取模型的输入尺寸。上述执行主体可以在对无遮挡人脸图像进行裁剪处理之前，对待识别人脸图像进行人脸检测和人脸对齐。
这样，可以使用同一个人脸特征提取模型分别构建上半部人脸特征库、下半部人脸特征库以及全局人脸特征库，并且将使用同一个人脸特征提取模型得到的待识别人脸图像的目标上半部人脸特征、目标下半部人脸特征以及目标全局人脸特征与对应的人脸特征数据库中的人脸特征进行特征比对，评价尺度保持一致性，进而保证人脸特征比对结果更加合理有效，从而提高了人脸识别的准确性和鲁棒性。
在一些可选的实施方式中，上述执行主体也可以通过如下步骤得到目标上半部人脸特征、目标下半部人脸特征以及目标全局人脸特征：利用上半部人脸特征提取模型提取待识别人脸图像的上半部人脸特征，得到目标上半部人脸特征；利用下半部人脸特征提取模型提取待识别人脸图像的下半部人脸特征，得到目标下半部人脸特征；利用全局人脸特征提取模型提取待识别人脸图像的全局人脸特征，或者将目标上半部人脸特征和目标下半部人脸特征进行特征拼接，得到目标全局人脸特征。
作为示例，上半部人脸特征提取模型可以是通过如下步骤预先训练得到的：获取第二样本集，其中，第二样本集中的第二样本包括下半部人脸遮挡图像和对应的上半部人脸特征；对于第二样本集中的第二样本，将该第二样本中的下半部人脸遮挡图像作为输入，将该第二样本中的上半部人脸特征作为期望输出，训练第一初始深度学习模型，得到上半部人脸特征提取模型。
这里，上述执行主体可以对第二样本中的下半部人脸遮挡图像进行预处理，该预处理后的第二样本中的下半部人脸遮挡图像包括上半部人脸区域并且满足上半部人脸特征提取模型的输入尺寸。上述执行主体可以在对第二样本中的下半部人脸遮挡图像进行预处理之前，对第二样本中的下半部人脸遮挡图像进行人脸检测和人脸对齐。
这里，第一初始深度学习模型可以是预先搭建的各种神经网络模型。作为一种示例，在该第一初始深度学习模型训练的过程中，可以使用第一初始深度学习模型对第二样本中的下半部人脸遮挡图像进行特征提取，得到实际上半部人脸特征，然后可以利用预设的损失函数计算实际上半部人脸特征与第二样本中的上半部人脸特征之间的第一差异，调整第一初始深度学习模型的网络参数，当确定当前第一初始深度学习模型满足预设训练完成条件(第一差异小于第一预设差异阈值/训练次数达到第一预设次数/训练时间达到第一预设时长)，得到上半部人脸特征提取模型。
作为示例，下半部人脸特征提取模型是通过如下步骤预先训练得到的：获取第三样本集，其中，第三样本集中的第三样本包括上半部人脸遮挡图像和对应的下半部人脸特征；对于第三样本集中的第三样本，将该第三样本中的上半部人脸遮挡图像作为输入，将该第三样本中的下半部人脸特征作为期望输出，训练第二初始深度学习模型，得到下半部人脸特征提取模型。
这里，上述执行主体可以对第三样本中的上半部人脸遮挡图像进行预处理，该预处理后的第三样本中的上半部人脸遮挡图像包括下半部人脸区域并且满足下半部人脸特征提取模型的输入尺寸。上述执行主体可以在对第三样本中的上半部人脸遮挡图像进行预处理之前，对第三样本中的上半部人脸遮挡图像进行人脸检测和人脸对齐。
这里，第二初始深度学习模型可以是预先搭建的各种神经网络模型。作为一种示例，在该第二初始深度学习模型训练的过程中，可以使用第二初始深度学习模型对第三样本中的上半部人脸遮挡图像进行特征提取得到实际下半部人脸特征，然后可以利用预设的损失函数计算实际下半部人脸特征与第三样本中的下半部人脸特征之间的第二差异，调整第二初始深度学习模型的网络参数，当确定当前第二初始深度学习模型满足预设训练完成条件(第二差异小于第二预设差异阈值/训练次数达到第二预设次数/训练时间达到第二预设时长)，得到下半部人脸特征提取模型。
该实施方式可以分别使用上半部人脸特征提取模型提取待识别人脸图像的上半部人脸特征、使用下半部人脸特征提取模型提取待识别人脸图像的下半部人脸特征、使用全局人脸特征提取模型提取待识别人脸图像的全局人脸特征，分别采用不同的特征提取模型分别提取待识别人脸图像的上半部人脸特征、下半部人脸特征以及全局人脸特征，提高了人脸特征提取的精准度，进而可以提高人脸识别的准确性和鲁棒性。
相应的，上半部人脸特征库是通过如下步骤预先建立的：获取至少一个人脸身份标识与对应的第一人脸图像，第一人脸图像为下半部人脸遮挡图像和/或无遮挡人脸图像；使用上半部人脸特征提取模型提取各第一人脸图像的上半部人脸特征；将各第一人脸图像对应的上半部人脸特征与对应的人脸身份标识关联存储至上半部人脸特征库。
这里，上述执行主体可以对第一人脸图像进行预处理，该预处理后的第一人脸图像包括上半部人脸区域并且满足上半部人脸特征提取模型的输入尺寸。上述执行主体可以在对第一人脸图像进行预处理之前，对第一人脸图像进行人脸检测和人脸对齐。
相应的，下半部人脸特征库是通过如下步骤预先建立的：获取至少一个人脸身份标识与对应的第二人脸图像，第二人脸图像为上半部人脸遮挡图像和/或无遮挡人脸图像；使用下半部人脸特征提取模型提取各第二人脸图像的下半部人脸特征；将各第二人脸图像对应的下半部人脸特征与对应的人脸身份标识关联存储至下半部人脸特征库。
这里，上述执行主体可以对第二人脸图像进行预处理，该预处理后的第二人脸图像包括下半部人脸区域并且满足下半部人脸特征提取模型的输入尺寸。上述执行主体可以在对第二人脸图像进行预处理之前，对第二人脸图像进行人脸检测和人脸对齐。
相应的，全局人脸特征库是通过如下步骤预先建立的：获取至少一个人脸身份标识与对应的第三人脸图像，第三人脸图像为无遮挡人脸图像；使用全局人脸特征提取模型提取各第三人脸图像的全局人脸特征；将各第三人脸图像对应的全局人脸特征与对应的人脸身份标识关联存储至全局人脸特征库。
这里，上述执行主体可以对第三人脸图像进行预处理，该预处理后的第三人脸图像满足全局人脸特征提取模型的输入尺寸。上述执行主体可以在对第三人脸图像进行预处理之前，对第三人脸图像进行人脸检测和人脸对齐。
这样，可以分别使用上半部人脸特征提取模型构建上半部人脸特征库、使用下半部人脸特征提取模型构建下半部人脸特征库以及使用全局人脸特征提取模型构建全局人脸特征库，并且将上半部人脸特征提取模型得到的待识别人脸图像的目标上半部人脸特征、下半部人脸特征提取模型得到的目标下半部人脸特征以及全局人脸特征提取模型得到的目标全局人脸特征与对应的人脸特征数据库中的人脸特征进行特征比对，评价尺度保持一致性，进而保证人脸特征比对结果更加合理有效，从而提高了人脸识别的准确性和鲁棒性。
本公开的上述实施例提供的方法，无需提前进行人脸遮挡判断，避免耗费时间进行人脸遮挡判断，从而减少了整个人脸识别的时间，并且直接分别提取更为丰富的待识别人脸图像的上半部人脸特征、下半部人脸特征以及全局人脸特征，并分别与对应的人脸特征库进行人脸比对，进而从各人脸比对结果中确定出匹配度最高的人脸身份标识，提高了人脸识别的准确性和鲁棒性。并且分别专门构建上半部人脸特征库、下半部人脸特征库以及全局人脸特征库，可以保证存储了同一用户的上半部人脸特征库、下半部人脸特征库以及全局人脸特征，丰富了同一用户的人脸特征，使其可以适用于不同的人脸识别应用场景。
进一步参考图3，作为对上述各图所示方法的实现，本公开提供了一种人脸识别装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图3所示，本实施例的人脸识别装置300包括：获取单元301，被配置为获取待识别人脸图像；提取单元302，被配置为提取待识别人脸图像的上半部人脸特征和下半部人脸特征以及可选的全局人脸特征，得到目标上半部人脸特征、目标下半部人脸特征以及目标全局人脸特征；比对单元303，被配置为使用目标上半部人脸特征和/或目标下半部人脸特征、以及目标全局人脸特征分别在预先建立的上半部人脸特征库和/或下半部人脸特征库、以及全局人脸特征库中进行特征比对，分别得到对应的符合预设比对条件的比对分数和关联的人脸身份标识，其中，上半部人脸特征库中存储有至少一个上半部人脸特征和对应的人脸身份标识，下半部人脸特征库中存储有至少一个下半部人脸特征和对应的人脸身份标识，全局人脸特征库中存储有至少一个全局人脸特征和对应的人脸身份标识；确定单元304，被配置为将各比对分数中最高者所关联的人脸身份标识确定为待识别人脸图像的人脸识别结果。
在本实施例中，人脸识别装置300的获取单元301、提取单元302、比对单元303和确定单元304的具体处理及其所带来的技术效果可分别参考图2对应实施例中步骤201、步骤202、步骤203和步骤204的相关说明，在此不再赘述。
在一些可选的实施方式中，提取单元302可以进一步被配置为：将待识别人脸图像分为上半部人脸图像和下半部人脸图像；利用人脸特征提取模型分别对上半部人脸图像和下半部人脸图像进行特征提取，得到目标上半部人脸特征和目标下半部人脸特征；将目标上半部人脸特征和目标下半部人脸特征进行特征拼接，或者利用全局人脸特征提取模型提取待识别人脸图像的全局人脸特征，得到目标全局人脸特征；或者，提取单元302进一步被配置为：利用上半部人脸特征提取模型提取待识别人脸图像的上半部人脸特征，得到目标上半部人脸特征；利用下半部人脸特征提取模型提取待识别人脸图像的下半部人脸特征，得到目标下半部人脸特征；利用全局人脸特征提取模型提取待识别人脸图像的全局人脸特征，或者将目标上半部人脸特征和目标下半部人脸特征进行特征拼接，得到目标全局人脸特征。
在一些可选的实施方式中，该人脸识别装置及其对应方法还可以包括：人脸特征提取模型预先训练单元(图中未示出)，被配置为预先训练人脸特征提取模型，包括：第一获取单元(图中未示出)，被配置为获取第一样本集，其中，第一样本集中的第一样本包括无遮挡人脸图像和对应的上半部人脸特征、下半部人脸特征以及全局人脸特征；第一确定单元(图中未示出)，被配置为确定初始人脸特征提取模型的模型结构；初始化单元(图中未示出)，被配置为初始化初始人脸特征提取模型的模型参数；调整单元(图中未示出)，被配置为调整初始人脸特征提取模型的模型参数。
优选地，调整单元(图中未示出)可以进一步被配置为：对于第一样本集中的第一样本，执行以下模型调整操作，直到满足预设训练结束条件：将第一样本中的无遮挡人脸图像分为上半部人脸图像和下半部人脸图像；使用初始人脸特征提取模型分别对上半部人脸图像和下半部人脸图像进行特征提取，得到实际上半部人脸特征和实际下半部人脸特征；将所得到的实际上半部人脸特征和实际下半部人脸特征进行特征拼接，得到实际全局人脸特征；基于所得到的实际上半部人脸特征与该第一样本中的上半部人脸特征之间的差异、所得到的实际下半部人脸特征与该第一样本中的下半部人脸特征之间的差异以及所得到的实际全局人脸特征与该第一样本中的全局人脸特征之间的差异，调整初始人脸特征提取模型的模型参数。
在一些可选的实施方式中，该人脸识别装置及其对应方法还可以包括：上半部人脸特征提取模型预先训练单元(图中未示出)，被配置为预先训练上半部人脸特征提取模型，包括：第二获取单元(图中未示出)，被配置为获取第二样本集，其中，第二样本集中的第二样本包括下半部人脸遮挡图像和对应的上半部人脸特征；第一训练单元(图中未示出)，被配置为对于第二样本集中的第二样本，将该第二样本中的下半部人脸遮挡图像作为输入，将该第二样本中的上半部人脸特征作为期望输出，训练第一初始深度学习模型，得到上半部人脸特征提取模型。
和/或该人脸识别装置及其对应方法还可以包括：下半部人脸特征提取模型预先训练单元(图中未示出)，被配置为预先训练下半部人脸特征提取模型，包括：第三获取单元(图中未示出)，被配置为获取第三样本集，其中，第三样本集中的第三样本包括上半部人脸遮挡图像和对应的下半部人脸特征；第二训练单元(图中未示出)，被配置为对于第三样本集中的第三样本，将该第三样本中的上半部人脸遮挡图像作为输入，将该第三样本中的下半部人脸特征作为期望输出，训练第二初始深度学习模型，得到下半部人脸特征提取模型。
和/或该人脸识别装置及其对应方法还可以包括：全局人脸特征提取模型预先训练单元(图中未示出)，被配置为预先训练全局人脸特征提取模型，包括：第四获取单元(图中未示出)，被配置为获取第四样本集，其中，第四样本集中的第四样本包括无遮挡人脸图像和对应的全局人脸特征；第三训练单元(图中未示出)，被配置为对于第四样本集中的第四样本，将该第四样本中的无遮挡人脸图像作为输入，将该第四样本中的全局人脸特征作为期望输出，训练第三初始深度学习模型，得到全局人脸特征提取模型。
在一些可选的实施方式中，该人脸识别装置及其对应方法还可以包括：人脸特征库预先建立单元(图中未示出)，被配置为预先建立上半部人脸特征库、下半部人脸特征库以及全局人脸特征库，包括：第五获取单元(图中未示出)，被配置为获取至少一个人脸身份标识与对应的无遮挡人脸图像；存储单元(图中未示出)，被配置为对所获取的每个无遮挡人脸图像，执行以下特征关联存储操作：将无遮挡人脸图像分为上半部人脸图像和下半部人脸图像；利用人脸特征提取模型提取上半部人脸图像的上半部人脸特征和下半部人脸图像的下半部人脸特征；将所提取的上半部人脸特征和下半部人脸特征进行特征拼接，得到全局人脸特征，或者利用全局人脸特征提取模型提取无遮挡人脸图像的全局人脸特征；分别将所得到的上半部人脸特征、下半部人脸特征和全局人脸特征与对应的人脸身份标识关联存储至上半部人脸特征库、下半部人脸特征库和全局人脸特征库。
在一些可选的实施方式中，该人脸识别装置及其对应方法还可以包括：上半部人脸特征库预先建立单元(图中未示出)，被配置为预先建立上半部人脸特征库，包括：第六获取单元(图中未示出)，被配置为获取至少一个人脸身份标识与对应的第一人脸图像，第一人脸图像为下半部人脸遮挡图像和/或无遮挡人脸图像；第一提取单元(图中未示出)，被配置为使用上半部人脸特征提取模型提取各第一人脸图像的上半部人脸特征；第一存储单元(图中未示出)，被配置为将各第一人脸图像对应的上半部人脸特征与对应的人脸身份标识关联存储至上半部人脸特征库。
和/或该人脸识别装置及其对应方法还可以包括：下半部人脸特征库预先建立单元(图中未示出)，被配置为预先建立下半部人脸特征库，包括：第七获取单元(图中未示出)，被配置为获取至少一个人脸身份标识与对应的第二人脸图像，第二人脸图像为上半部人脸遮挡图像和/或无遮挡人脸图像；第二提取单元(图中未示出)，被配置为使用下半部人脸特征提取模型提取各第二人脸图像的下半部人脸特征；第二存储单元(图中未示出)，被配置为将各第二人脸图像对应的下半部人脸特征与对应的人脸身份标识关联存储至下半部人脸特征库。
和/或该人脸识别装置及其对应方法还可以包括：全局人脸特征库预先建立单元(图中未示出)，被配置为预先建立全局人脸特征库，包括：第八获取单元(图中未示出)，被配置为获取至少一个人脸身份标识与对应的第三人脸图像，第三人脸图像为无遮挡人脸图像；第三提取单元(图中未示出)，被配置为使用全局人脸特征提取模型提取各第三人脸图像的全局人脸特征；第三存储单元(图中未示出)，被配置为将各第三人脸图像对应的全局人脸特征与对应的人脸身份标识关联存储至全局人脸特征库。
需要说明的是，本公开提供的人脸识别装置中各单元的实现细节和技术效果可以参考本公开中其它实施例的说明，在此不再赘述。
下面参考图4，其示出了适于用来实现本公开的电子设备的计算机系统400的结构示意图。图4示出的电子设备仅仅是一个示例，不应对本公开的功能和使用范围带来任何限制。
如图4所示，计算机系统400包括中央处理单元(CPU，Central Processing Unit)401，其可以根据存储在只读存储器(ROM，Read Only Memory)402中的程序或者从存储部分408加载到随机访问存储器(RAM，Random Access Memory)403中的程序而执行各种适当的动作和处理。在RAM 403中，还存储有系统400操作所需的各种程序和数据。CPU 401、ROM402以及RAM 403通过总线404彼此相连。输入/输出(I/O，Input/Output)接口405也连接至总线404。
以下部件连接至I/O接口405：包括触控屏、手写板、键盘或鼠标等的输入部分406；包括诸如阴极射线管(CRT，Cathode Ray Tube)、液晶显示器(LCD，Liquid CrystalDisplay)等以及扬声器等的输出部分407；包括硬盘等的存储部分408；以及包括诸如LAN(局域网，Local Area Network)卡、调制解调器等的网络接口卡的通信部分409。通信部分409经由诸如因特网的网络执行通信处理。
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409从网络上被下载和安装。在该计算机程序被中央处理单元(CPU)401执行时，执行本公开的方法中限定的上述功能。需要说明的是，本公开的计算机可读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。在本公开中，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。而在本公开中，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介质，该计算机可读介质可以发送、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。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++、Python，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、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，该模块、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，框图和/或流程图中的每个方框、以及框图和/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。
描述于本公开中所涉及到的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：一种处理器包括获取单元、提取单元、比对单元和确定单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，获取单元还可以被描述为“获取待识别人脸图像的单元”。
作为另一方面，本公开还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的装置中所包含的；也可以是单独存在，而未装配入该装置中。上述计算机可读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该装置执行时，使得该装置：获取待识别人脸图像；提取待识别人脸图像的上半部人脸特征和下半部人脸特征以及可选的全局人脸特征，得到目标上半部人脸特征、目标下半部人脸特征以及目标全局人脸特征；使用目标上半部人脸特征和/或目标下半部人脸特征、以及目标全局人脸特征分别在预先建立的上半部人脸特征库和/或下半部人脸特征库、以及全局人脸特征库中进行特征比对，分别得到对应的符合预设比对条件的比对分数和关联的人脸身份标识，其中，上半部人脸特征库中存储有至少一个上半部人脸特征和对应的人脸身份标识，下半部人脸特征库中存储有至少一个下半部人脸特征和对应的人脸身份标识，全局人脸特征库中存储有至少一个全局人脸特征和对应的人脸身份标识；将各比对分数中最高者所关联的人脸身份标识确定为待识别人脸图像的人脸识别结果。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (9)
1.一种人脸识别方法，包括：
获取待识别人脸图像；
提取所述待识别人脸图像的上半部人脸特征和下半部人脸特征以及可选的全局人脸特征，得到目标上半部人脸特征、目标下半部人脸特征以及目标全局人脸特征；
使用所述目标上半部人脸特征和/或所述目标下半部人脸特征、以及所述目标全局人脸特征分别在预先建立的上半部人脸特征库和/或下半部人脸特征库、以及全局人脸特征库中进行特征比对，分别得到对应的符合预设比对条件的比对分数和关联的人脸身份标识，其中，所述上半部人脸特征库中存储有至少一个上半部人脸特征和对应的人脸身份标识，所述下半部人脸特征库中存储有至少一个下半部人脸特征和对应的人脸身份标识，全局人脸特征库中存储有至少一个全局人脸特征和对应的人脸身份标识；
将各所述比对分数中最高者所关联的人脸身份标识确定为所述待识别人脸图像的人脸识别结果。
2.根据权利要求1所述的方法，其中，所述提取所述待识别人脸图像的上半部人脸特征和下半部人脸特征以及可选的全局人脸特征，得到目标上半部人脸特征、目标下半部人脸特征以及目标全局人脸特征，包括：
将所述待识别人脸图像分为上半部人脸图像和下半部人脸图像；
利用人脸特征提取模型分别对所述上半部人脸图像和所述下半部人脸图像进行特征提取，得到所述目标上半部人脸特征和所述目标下半部人脸特征；
将所述目标上半部人脸特征和所述目标下半部人脸特征进行特征拼接，或者利用全局人脸特征提取模型提取所述待识别人脸图像的全局人脸特征，得到所述目标全局人脸特征；
或者，
所述提取所述待识别人脸图像的上半部人脸特征和下半部人脸特征以及可选的全局人脸特征，得到目标上半部人脸特征、目标下半部人脸特征以及目标全局人脸特征，包括：
利用上半部人脸特征提取模型提取所述待识别人脸图像的上半部人脸特征，得到所述目标上半部人脸特征；
利用下半部人脸特征提取模型提取所述待识别人脸图像的下半部人脸特征，得到所述目标下半部人脸特征；
利用全局人脸特征提取模型提取所述待识别人脸图像的全局人脸特征，或者将所述目标上半部人脸特征和所述目标下半部人脸特征进行特征拼接，得到所述目标全局人脸特征。
3.根据权利要求2所述的方法，其中，所述人脸特征提取模型是通过如下步骤预先训练得到的：
获取第一样本集，其中，所述第一样本集中的第一样本包括无遮挡人脸图像和对应的上半部人脸特征、下半部人脸特征以及全局人脸特征；
确定初始人脸特征提取模型的模型结构；
初始化所述初始人脸特征提取模型的模型参数；
调整所述初始人脸特征提取模型的模型参数；
优选地，所述调整所述初始人脸特征提取模型的模型参数，包括：对于所述第一样本集中的第一样本，执行以下模型调整操作，直到满足预设训练结束条件：
将所述第一样本中的无遮挡人脸图像分为上半部人脸图像和下半部人脸图像；
使用初始人脸特征提取模型分别对所述上半部人脸图像和所述下半部人脸图像进行特征提取，得到实际上半部人脸特征和实际下半部人脸特征；
将所得到的实际上半部人脸特征和实际下半部人脸特征进行特征拼接，得到实际全局人脸特征；
基于所得到的实际上半部人脸特征与该第一样本中的上半部人脸特征之间的差异、所得到的实际下半部人脸特征与该第一样本中的下半部人脸特征之间的差异以及所得到的实际全局人脸特征与该第一样本中的全局人脸特征之间的差异，调整所述初始人脸特征提取模型的模型参数。
4.根据权利要求2所述的方法，其中，所述上半部人脸特征提取模型是通过如下步骤预先训练得到的：
获取第二样本集，其中，所述第二样本集中的第二样本包括下半部人脸遮挡图像和对应的上半部人脸特征；
对于所述第二样本集中的第二样本，将该第二样本中的下半部人脸遮挡图像作为输入，将该第二样本中的上半部人脸特征作为期望输出，训练第一初始深度学习模型，得到所述上半部人脸特征提取模型；
和/或
所述下半部人脸特征提取模型是通过如下步骤预先训练得到的：
获取第三样本集，其中，所述第三样本集中的第三样本包括上半部人脸遮挡图像和对应的下半部人脸特征；
对于所述第三样本集中的第三样本，将该第三样本中的上半部人脸遮挡图像作为输入，将该第三样本中的下半部人脸特征作为期望输出，训练第二初始深度学习模型，得到所述下半部人脸特征提取模型；
和/或
所述全局人脸特征提取模型是通过如下步骤预先训练得到的：
获取第四样本集，其中，所述第四样本集中的第四样本包括无遮挡人脸图像和对应的全局人脸特征；
对于所述第四样本集中的第四样本，将该第四样本中的无遮挡人脸图像作为输入，将该第四样本中的全局人脸特征作为期望输出，训练第三初始深度学习模型，得到所述全局人脸特征提取模型。
5.根据权利要求2或3所述的方法，其中，所述上半部人脸特征库、所述下半部人脸特征库以及所述全局人脸特征库是通过如下步骤预先建立的：
获取至少一个人脸身份标识与对应的无遮挡人脸图像；
对所获取的每个无遮挡人脸图像，执行以下特征关联存储操作：
将所述无遮挡人脸图像分为上半部人脸图像和下半部人脸图像；
利用所述人脸特征提取模型提取所述上半部人脸图像的上半部人脸特征和所述下半部人脸图像的下半部人脸特征；
将所提取的上半部人脸特征和下半部人脸特征进行特征拼接，得到全局人脸特征，或者利用所述全局人脸特征提取模型提取所述无遮挡人脸图像的全局人脸特征；
分别将所得到的上半部人脸特征、下半部人脸特征和全局人脸特征与对应的人脸身份标识关联存储至所述上半部人脸特征库、所述下半部人脸特征库和所述全局人脸特征库。
6.根据权利要求2或4所述的方法，其中，所述上半部人脸特征库是通过如下步骤预先建立的：
获取至少一个人脸身份标识与对应的第一人脸图像，所述第一人脸图像为下半部人脸遮挡图像和/或无遮挡人脸图像；
使用所述上半部人脸特征提取模型提取各所述第一人脸图像的上半部人脸特征；
将各第一人脸图像对应的上半部人脸特征与对应的人脸身份标识关联存储至所述上半部人脸特征库；
和/或
所述下半部人脸特征库是通过如下步骤预先建立的：
获取至少一个人脸身份标识与对应的第二人脸图像，所述第二人脸图像为上半部人脸遮挡图像和/或无遮挡人脸图像；
使用所述下半部人脸特征提取模型提取各所述第二人脸图像的下半部人脸特征；
将各第二人脸图像对应的下半部人脸特征与对应的人脸身份标识关联存储至所述下半部人脸特征库；
和/或
所述全局人脸特征库是通过如下步骤预先建立的：
获取至少一个人脸身份标识与对应的第三人脸图像，所述第三人脸图像为无遮挡人脸图像；
使用所述全局人脸特征提取模型提取各所述第三人脸图像的全局人脸特征；
将各第三人脸图像对应的全局人脸特征与对应的人脸身份标识关联存储至所述全局人脸特征库。
7.一种人脸识别装置，包括：
获取单元，被配置为获取待识别人脸图像；
提取单元，被配置为提取所述待识别人脸图像的上半部人脸特征和下半部人脸特征以及可选的全局人脸特征，得到目标上半部人脸特征、目标下半部人脸特征以及目标全局人脸特征；
比对单元，被配置为使用所述目标上半部人脸特征和/或所述目标下半部人脸特征、以及所述目标全局人脸特征分别在预先建立的上半部人脸特征库和/或下半部人脸特征库、以及全局人脸特征库中进行特征比对，分别得到对应的符合预设比对条件的比对分数和关联的人脸身份标识，其中，所述上半部人脸特征库中存储有至少一个上半部人脸特征和对应的人脸身份标识，所述下半部人脸特征库中存储有至少一个下半部人脸特征和对应的人脸身份标识，全局人脸特征库中存储有至少一个全局人脸特征和对应的人脸身份标识；
确定单元，被配置为将各所述比对分数中最高者所关联的人脸身份标识确定为所述待识别人脸图像的人脸识别结果。
8.一种电子设备，包括：
存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现如权利要求1-6中任一项所述的方法。
9.一种计算机可读存储介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现如权利要求1-6中任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011017626.5A CN112241689A (zh) | 2020-09-24 | 2020-09-24 | 人脸识别方法、装置、电子设备及计算机可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011017626.5A CN112241689A (zh) | 2020-09-24 | 2020-09-24 | 人脸识别方法、装置、电子设备及计算机可读存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112241689A true CN112241689A (zh) | 2021-01-19 |
Family
ID=74171674
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011017626.5A Pending CN112241689A (zh) | 2020-09-24 | 2020-09-24 | 人脸识别方法、装置、电子设备及计算机可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112241689A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112800922A (zh) * | 2021-01-22 | 2021-05-14 | 杭州海康威视数字技术股份有限公司 | 一种人脸识别方法、装置、电子设备及存储介质 |
| CN113705469A (zh) * | 2021-08-30 | 2021-11-26 | 平安科技（深圳）有限公司 | 人脸识别方法、装置、电子设备及计算机可读存储介质 |
| WO2022156280A1 (zh) * | 2021-01-25 | 2022-07-28 | 深圳市优必选科技股份有限公司 | 一种嵌入式终端的图像分类方法、装置及嵌入式终端 |
| WO2022213349A1 (zh) * | 2021-04-09 | 2022-10-13 | 鸿富锦精密工业(武汉)有限公司 | 戴口罩人脸识别方法、装置、计算机存储介质 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105956518A (zh) * | 2016-04-21 | 2016-09-21 | 腾讯科技（深圳）有限公司 | 一种人脸识别方法、装置和系统 |
| CN108829900A (zh) * | 2018-07-31 | 2018-11-16 | 成都视观天下科技有限公司 | 一种基于深度学习的人脸图像检索方法、装置及终端 |
| CN109145720A (zh) * | 2018-07-06 | 2019-01-04 | 阿里巴巴集团控股有限公司 | 一种人脸识别方法和装置 |
| CN109376596A (zh) * | 2018-09-14 | 2019-02-22 | 广州杰赛科技股份有限公司 | 人脸匹配方法、装置、设备及存储介质 |
| CN109886167A (zh) * | 2019-02-01 | 2019-06-14 | 中国科学院信息工程研究所 | 一种遮挡人脸识别方法及装置 |
| CN110232369A (zh) * | 2019-06-20 | 2019-09-13 | 深圳和而泰家居在线网络科技有限公司 | 一种人脸识别方法和电子设备 |
| CN110569731A (zh) * | 2019-08-07 | 2019-12-13 | 北京旷视科技有限公司 | 一种人脸识别方法、装置及电子设备 |
| CN110866469A (zh) * | 2019-10-30 | 2020-03-06 | 腾讯科技（深圳）有限公司 | 一种人脸五官识别方法、装置、设备及介质 |
| CN111523431A (zh) * | 2020-04-16 | 2020-08-11 | 支付宝(杭州)信息技术有限公司 | 一种面部识别的方法、装置及设备 |
| CN111626243A (zh) * | 2020-05-28 | 2020-09-04 | 上海锘科智能科技有限公司 | 口罩遮挡人脸的身份识别方法、装置及存储介质 |
| CN111639545A (zh) * | 2020-05-08 | 2020-09-08 | 浙江大华技术股份有限公司 | 一种人脸识别方法、装置、设备及介质 |
| CN112115866A (zh) * | 2020-09-18 | 2020-12-22 | 北京澎思科技有限公司 | 人脸识别方法、装置、电子设备及计算机可读存储介质 |
-
2020
- 2020-09-24 CN CN202011017626.5A patent/CN112241689A/zh active Pending
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105956518A (zh) * | 2016-04-21 | 2016-09-21 | 腾讯科技（深圳）有限公司 | 一种人脸识别方法、装置和系统 |
| CN109145720A (zh) * | 2018-07-06 | 2019-01-04 | 阿里巴巴集团控股有限公司 | 一种人脸识别方法和装置 |
| CN108829900A (zh) * | 2018-07-31 | 2018-11-16 | 成都视观天下科技有限公司 | 一种基于深度学习的人脸图像检索方法、装置及终端 |
| CN109376596A (zh) * | 2018-09-14 | 2019-02-22 | 广州杰赛科技股份有限公司 | 人脸匹配方法、装置、设备及存储介质 |
| CN109886167A (zh) * | 2019-02-01 | 2019-06-14 | 中国科学院信息工程研究所 | 一种遮挡人脸识别方法及装置 |
| CN110232369A (zh) * | 2019-06-20 | 2019-09-13 | 深圳和而泰家居在线网络科技有限公司 | 一种人脸识别方法和电子设备 |
| CN110569731A (zh) * | 2019-08-07 | 2019-12-13 | 北京旷视科技有限公司 | 一种人脸识别方法、装置及电子设备 |
| CN110866469A (zh) * | 2019-10-30 | 2020-03-06 | 腾讯科技（深圳）有限公司 | 一种人脸五官识别方法、装置、设备及介质 |
| CN111523431A (zh) * | 2020-04-16 | 2020-08-11 | 支付宝(杭州)信息技术有限公司 | 一种面部识别的方法、装置及设备 |
| CN111639545A (zh) * | 2020-05-08 | 2020-09-08 | 浙江大华技术股份有限公司 | 一种人脸识别方法、装置、设备及介质 |
| CN111626243A (zh) * | 2020-05-28 | 2020-09-04 | 上海锘科智能科技有限公司 | 口罩遮挡人脸的身份识别方法、装置及存储介质 |
| CN112115866A (zh) * | 2020-09-18 | 2020-12-22 | 北京澎思科技有限公司 | 人脸识别方法、装置、电子设备及计算机可读存储介质 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112800922A (zh) * | 2021-01-22 | 2021-05-14 | 杭州海康威视数字技术股份有限公司 | 一种人脸识别方法、装置、电子设备及存储介质 |
| WO2022156280A1 (zh) * | 2021-01-25 | 2022-07-28 | 深圳市优必选科技股份有限公司 | 一种嵌入式终端的图像分类方法、装置及嵌入式终端 |
| WO2022213349A1 (zh) * | 2021-04-09 | 2022-10-13 | 鸿富锦精密工业(武汉)有限公司 | 戴口罩人脸识别方法、装置、计算机存储介质 |
| CN113705469A (zh) * | 2021-08-30 | 2021-11-26 | 平安科技（深圳）有限公司 | 人脸识别方法、装置、电子设备及计算机可读存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112115866A (zh) | 人脸识别方法、装置、电子设备及计算机可读存储介质 | |
| CN109359548B (zh) | 多人脸识别监控方法及装置、电子设备及存储介质 | |
| US11487995B2 (en) | Method and apparatus for determining image quality | |
| US11436739B2 (en) | Method, apparatus, and storage medium for processing video image | |
| CN108701216B (zh) | 一种人脸脸型识别方法、装置和智能终端 | |
| CN112241689A (zh) | 人脸识别方法、装置、电子设备及计算机可读存储介质 | |
| CN110728255B (zh) | 图像处理方法、装置、电子设备及存储介质 | |
| WO2020078119A1 (zh) | 模拟用户穿戴服装饰品的方法、装置和系统 | |
| CN108197592B (zh) | 信息获取方法和装置 | |
| WO2022041830A1 (zh) | 行人重识别方法和装置 | |
| CN111054080A (zh) | 智能检测透视外挂方法、装置、设备及其存储介质 | |
| CN108133197B (zh) | 用于生成信息的方法和装置 | |
| CN108229375B (zh) | 用于检测人脸图像的方法和装置 | |
| CN110941978B (zh) | 一种未识别身份人员的人脸聚类方法、装置及存储介质 | |
| CN113365147A (zh) | 基于音乐卡点的视频剪辑方法、装置、设备及存储介质 | |
| CN108388889B (zh) | 用于分析人脸图像的方法和装置 | |
| CN112446322B (zh) | 眼球特征检测方法、装置、设备及计算机可读存储介质 | |
| CN113343826A (zh) | 人脸活体检测模型的训练方法、人脸活体检测方法及装置 | |
| CN110796101A (zh) | 一种嵌入式平台的人脸识别方法及系统 | |
| CN111931628B (zh) | 人脸识别模型的训练方法、装置及相关设备 | |
| CN113657195A (zh) | 人脸图像识别方法、设备、电子装置和存储介质 | |
| CN116311400A (zh) | 掌纹图像的处理方法、电子设备及存储介质 | |
| CN114783070A (zh) | 活体检测模型的训练方法、装置、电子设备及存储介质 | |
| CN111783677B (zh) | 人脸识别方法、装置、服务器和计算机可读介质 | |
| CN112633222A (zh) | 基于对抗网络的步态识别方法、装置、设备及介质 |
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 |