CN112270303A - 图像识别方法、装置以及电子设备 - Google Patents

图像识别方法、装置以及电子设备 Download PDF

Info

Publication number
CN112270303A
CN112270303A CN202011285559.5A CN202011285559A CN112270303A CN 112270303 A CN112270303 A CN 112270303A CN 202011285559 A CN202011285559 A CN 202011285559A CN 112270303 A CN112270303 A CN 112270303A
Authority
CN
China
Prior art keywords
face
face image
image
depth information
shielded
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
Application number
CN202011285559.5A
Other languages
English (en)
Inventor
金国敬
雷宇
商兴奇
左雄
陈岩
郜思睿
于源拓
姜康历
王亚伟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Apollo Intelligent Connectivity Beijing Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN202011285559.5A priority Critical patent/CN112270303A/zh
Publication of CN112270303A publication Critical patent/CN112270303A/zh
Priority to KR1020210082775A priority patent/KR20210089115A/ko
Priority to KR1020210148824A priority patent/KR20210154774A/ko
Priority to EP21206273.1A priority patent/EP3929810A3/en
Priority to US17/454,472 priority patent/US20220067350A1/en
Priority to JP2021186127A priority patent/JP7242812B2/ja
Pending legal-status Critical Current

Links

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
    • G06V40/172—Classification, e.g. identification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/168—Feature extraction; Face representation
    • G06V40/171—Local features and components; Facial parts ; Occluding parts, e.g. glasses; Geometrical relationships
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • 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
    • 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
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/50—Depth or shape recovery
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/94—Hardware or software architectures specially adapted for image or video understanding
    • G06V10/95—Hardware or software architectures specially adapted for image or video understanding structured as a network, e.g. client-server architectures
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Human Computer Interaction (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Medical Informatics (AREA)
  • Image Analysis (AREA)
  • Collating Specific Patterns (AREA)

Abstract

本公开公开了图像识别方法、装置以及电子设备，涉及图像识别技术领域。具体实现方案为：获取第一人脸图像，所述第一人脸图像为单张人脸图像；获取所述第一人脸图像的人脸深度信息；根据所述人脸深度信息识别所述第一人脸图像中的人脸是否被遮挡。上述中，根据单张人脸图像的人脸深度信息来对第一人脸图像中的人脸是否被遮挡进行识别，提高识别的准确率。

Description

图像识别方法、装置以及电子设备
技术领域
本公开涉及计算机领域中的图像识别技术领域。具体地，提供了一种图像识别方法、装置以及电子设备。
背景技术
人脸识别技术在支付、门禁、注册等领域广泛被使用，便利了我们的工作和生活。为保障人脸识别的成功率，需要对用户面部进行遮挡判断，在人脸有遮挡的情况下提醒用户移除遮挡物。人脸遮挡识别在人脸底库录入时尤为重要，若录入底库的人脸有遮挡，将大大降低之后人脸识别的准确率。
发明内容
本公开提供了一种图像识别方法、装置以及电子设备。
根据本公开的第一方面，提供了一种图像识别方法，包括：
获取第一人脸图像，所述第一人脸图像为单张人脸图像；
获取所述第一人脸图像的人脸深度信息；
根据所述人脸深度信息识别所述第一人脸图像中的人脸是否被遮挡。
根据本公开的第二方面，提供了一种图像识别装置，包括：
第一获取模块，用于获取第一人脸图像，所述第一人脸图像为单张人脸图像；
第二获取模块，用于获取所述第一人脸图像的人脸深度信息；
识别模块，用于根据所述人脸深度信息识别所述第一人脸图像中的人脸是否被遮挡。
根据本公开的第三方面，提供了一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行第一方面任一项所述的方法。
根据本公开的第四方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行第一方面任一项所述的方法。
应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案，不构成对本公开的限定。其中：
图1是本公开实施例提供的图像识别方法的流程图；
图2是本公开实施例提供的图像识别装置的结构图；
图3是用来实现本公开实施例的图像识别方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
参见图1，图1是本公开实施例提供的图像识别方法的流程图，如图1所示，本实施例提供一种图像识别方法，包括以下步骤：
步骤101、获取第一人脸图像，所述第一人脸图像为单张人脸图像。
第一人脸图像可以通过摄像头获取，例如，通过摄像头对人脸进行拍摄获取，或者通过摄像头对人进行拍摄后，从获得的拍摄图像中对人脸进行截取获得，在此不做限定。第一人脸图像为单张人脸图像。第一人脸图像可为RGB图像(其中，R表示红、G表示绿、B表示蓝)，或者红外线(Infrared Radiation，IR)图像。
步骤102、获取所述第一人脸图像的人脸深度信息。
可采用计算机视觉的算法，或者使用深度学习算法来获取第一人脸图像的人脸深度信息。人脸深度信息可以理解为第一人脸图像的深度信息，或者第一人脸图像中人脸的深度信息。
步骤103、根据所述人脸深度信息识别所述第一人脸图像中的人脸是否被遮挡。
在根据人脸深度信息进行识别时，可与参照图像的人脸深度信息做比对，参照图像可为人脸被遮挡的人脸图像，或者人脸未被遮挡的人脸图像。若参照图像为人脸未被遮挡的人脸图像，第一图像的人脸深度信息与参照图像的人脸深度信息匹配度大于预设阈值，则判定第一图像中的人脸未被遮挡；若第一图像的人脸深度信息与参照图像的人脸深度信息匹配度不大于预设阈值，则判定第一图像中的人脸被遮挡。
若参照图像为人脸被遮挡的人脸图像，第一图像的人脸深度信息与参照图像的人脸深度信息匹配度大于预设阈值，则判定第一图像中的人脸被遮挡；若第一图像的人脸深度信息与参照图像的人脸深度信息匹配度不大于预设阈值，则判定第一图像中的人脸未被遮挡。
也可以采用计算机视觉的算法，或者使用深度学习算法来根据第一图像的人脸深度信息识别所述第一人脸图像中的人脸是否被遮挡，例如，图像中的人脸在有遮挡物的情况下，人脸深度信息会不连接，通过训练一个识别模型，来对第一图像的人脸深度信息进行识别，获得第一人脸图像中的人脸是否被遮挡的识别结果。
本实施例中，获取第一人脸图像，所述第一人脸图像为单张人脸图像；获取所述第一人脸图像的人脸深度信息；根据所述人脸深度信息识别所述第一人脸图像中的人脸是否被遮挡。上述中，根据单张人脸图像的人脸深度信息来对第一人脸图像中的人脸是否被遮挡进行识别，提高识别的准确率，降低误识别概率，另外，由于只需要基于单张人脸图像进行识别，可简化识别过程，提高识别效率。
上述中，在所述根据所述人脸深度信息识别所述第一人脸图像中的人脸是否被遮挡之后，所述方法还包括：
在识别所述第一人脸图像中的人脸未被遮挡的情况下，获取第二人脸图像，并根据所述第二人脸图像进行人脸识别或者人脸注册，其中，所述第二人脸图像包括在采集所述第一人脸图像之后采集到的人脸图像。
第二人脸图像可通过摄像头采集获得，例如，在摄像头采集第一人脸图像之后，若识别到第一人脸图像中的人脸未被遮挡，则电子设备(本公开中的方法可应用在电子设备中)通过摄像头采集的第二人脸图像进行人脸识别或者人脸注册，即第二人脸图像为在采集所述第一人脸图像之后采集到的人脸图像。第二人脸图像可为一张人脸图像或者多张人脸图像，具体可根据实际需求确定。在识别所述第一人脸图像中的人脸未被遮挡的情况下，第二人脸图像也可包括第一人脸图像。
在识别到第一人脸图像中的人脸未被遮挡的情况下，认为此时的人脸是有效的，可通过摄像头继续获取人脸图像，即获取第二人脸图像，并基于第二人脸图像进行人脸识别或者人脸注册，通过上述识别过程，可避免采用人脸存在遮挡的人脸图像进行人脸识别或人脸注册，影响人脸识别的准确率。
本实施例中，在所述根据所述人脸深度信息识别所述第一人脸图像中的人脸是否被遮挡之后，在识别所述第一人脸图像中的人脸未被遮挡的情况下，获取第二人脸图像，并根据所述第二人脸图像进行人脸识别或者人脸注册，其中，所述第二人脸图像包括在采集所述第一人脸图像之后采集到的人脸图像，可避免采用存在遮挡的人脸图像进行人脸识别或人脸注册，影响人脸识别的准确率。
上述中，在所述根据所述人脸深度信息识别所述第一人脸图像中的人脸是否被遮挡之后，所述方法还包括：
在识别所述第一人脸图像中的人脸被遮挡的情况下，输出提示信息，所述提示信息用于提醒用户移除遮挡物。
在识别所述第一人脸图像中的人脸被遮挡的情况下，输出提示信息，以提示用户移除遮挡物。第一电子设备上的摄像头可每隔第一预设时间采集人脸图像，并对图像中的人脸是否有遮挡进行识别，在识别到图像中的人脸未被遮挡的情况下，不显示提示信息，并执行在识别所述第一人脸图像中的人脸未被遮挡的情况下，获取第二人脸图像，并根据所述第二人脸图像进行人脸识别或者人脸注册的步骤。第一预设时间可为1秒或者0.5秒，在此不做限定。
提示信息也可在显示第二预设时间之后取消显示，例如，显示5秒之后，取消显示。
进一步的，在识别第一人脸图像中的人脸被遮挡的情况下，还可以对被遮挡位置进行判定，例如，被遮挡部位为额头、左脸、嘴角或者下巴等等，并在提示信息添加遮挡部位，以提示用户遮挡物位于脸部的哪个部位。
本实施例中，在识别所述第一人脸图像中的人脸被遮挡的情况下，输出提示信息，所述提示信息用于提醒用户移除遮挡物，以及时提醒用户电子设备当前获取的人脸图像中存在遮挡物，需要移除遮挡物，可以提高合格的人脸图像获取的效率，合格的人脸图像即人脸未被遮挡的人脸图像。
上述中，所述获取所述第一人脸图像的人脸深度信息，包括：
将所述第一人脸图像输入到第一网络模型，获得所述第一人脸图像的人脸深度信息；
所述根据所述人脸深度信息识别所述第一人脸图像中的人脸是否被遮挡，包括：
将所述第一人脸图像和所述人脸深度信息输入到第二网络模型，获得所述第一人脸图像中的人脸是否被遮挡的识别结果，其中，所述第二网络模型为输入包括人脸深度信息，输出包括人脸是否被遮挡的识别结果的端到端模型。
本实施例中，采用第一网络模型来获取第一人脸图像的人脸深度信息，采用第二网络模型来基于人脸深度信息对人脸是否被遮挡进行识别。
第一网络模型和第二网络模型在使用之前，需要先采用样本进行训练。其中，所述第一网络模型的训练过程包括：
获取第一样本图像和第一样本图像对应的第一人脸深度信息；将所述第一样本图像输入至第一基础网络模型，获得预测人脸深度信息；根据所述第一人脸深度信息和所述预测人脸深度信息，确定损失函数；基于所述损失函数，对所述第一基础网络模型的参数进行调整，获得所述第一网络模型。
第一人脸深度信息可以采用计算机视觉算法获得，第一基础网络模型可为深度学习模型。通过第一样本图像和第一人脸深度信息对第一基础网络模型进行训练，获得第一网络模型。
所述第二网络模型的训练过程包括：获取第二样本图像对应的第二人脸深度信息，所述第二样本图像包括标记为遮挡的第一图像和标记为未遮挡的第二图像；利用所述第二样本图像和第二人脸深度信息对第二基础网络模型进行训练，获得所述第二网络模型。
第二人脸深度信息可通过第一网络模型来确定，例如，将第二样本图像输入至第一网络模型，获得第二人脸深度信息。将第二样本图像和其对应的第二人脸深度信息对第二基础网络模型进行训练，获得第二网络模型，第二网络模型输出图片中是否存储遮挡的识别结果。第二基础网络模型可为神经网络模型。
上述中，第一样本图像和第二样本图像均为人脸图像。第一人脸深度信息和第二人脸深度信息均可为深度图。
在第一网络模型和第二网络模型训练完成之后，可将第一人脸图像的人脸深度信息输入至第一网络模型中，获得第一人脸图像的人脸深度信息，例如，获得人脸图像的深度图。然后将第一人脸图像和人脸深度信息输入至第二网络模型中，获得第一人脸图像中的人脸是否被遮挡的识别结果。
本实施例中，通过第一网络模型获取第一人脸图像的人脸深度信息，然后通过第二网络模型基于人脸深度信息对第一人脸图像中的人脸是否有遮挡进行识别，实现基于单张人脸图像来判定人脸图像中的人脸是否存在遮挡的目的，简化了识别过程，提高了识别效率。
参见图2，图2是本公开实施例提供的图像识别装置的结构图，如图2所示，本实施例提供一种图像识别装置200，包括：
第一获取模块201，用于获取第一人脸图像，所述第一人脸图像为单张人脸图像；
第二获取模块202，用于获取所述第一人脸图像的人脸深度信息；
识别模块203，用于根据所述人脸深度信息识别所述第一人脸图像中的人脸是否被遮挡。
进一步的，图像识别装置200还包括：
第三获取模块，用于在识别所述第一人脸图像中的人脸未被遮挡的情况下，获取第二人脸图像，并根据所述第二人脸图像进行人脸识别或者人脸注册，其中，所述第二人脸图像包括在采集所述第一人脸图像之后采集到的人脸图像。
进一步的，图像识别装置200还包括：
提示模块，用于在识别所述第一人脸图像中的人脸被遮挡的情况下，输出提示信息，所述提示信息用于提醒用户移除遮挡物。
进一步的，所述第二获取模块202，包括：用于将所述第一人脸图像输入到第一网络模型，获得所述第一人脸图像的人脸深度信息；
所述识别模块，用于将所述第一人脸图像和所述人脸深度信息输入到第二网络模型，获得所述第一人脸图像中的人脸是否被遮挡的识别结果。
本公开实施例的图像识别装置200，获取第一人脸图像，所述第一人脸图像为单张人脸图像；获取所述第一人脸图像的人脸深度信息；根据所述人脸深度信息识别所述第一人脸图像中的人脸是否被遮挡。上述中，根据单张人脸图像的人脸深度信息来对第一人脸图像中的人脸是否被遮挡进行识别，提高识别的准确率，降低误识别概率。
根据本公开的实施例，本公开还提供了一种电子设备和一种可读存储介质。
如图3所示，是根据本公开实施例的图像识别的方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图3所示，该电子设备包括：一个或多个处理器501、存储器502，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个电子设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图3中以一个处理器501为例。
存储器502即为本公开所提供的非瞬时计算机可读存储介质。其中，所述存储器存储有可由至少一个处理器执行的指令，以使所述至少一个处理器执行本公开所提供的图像识别的方法。本公开的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本公开所提供的图像识别的方法。
存储器502作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本公开实施例中的图像识别的方法对应的程序指令/模块(例如，附图2所示的第一获取模块201、第二获取模块202和识别模块203)。处理器501通过运行存储在存储器502中的非瞬时软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例中的图像识别的方法。
存储器502可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据图像识别的电子设备的使用所创建的数据等。此外，存储器502可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器502可选包括相对于处理器501远程设置的存储器，这些远程存储器可以通过网络连接至图像识别的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
图像识别的方法的电子设备还可以包括：输入装置503和输出装置504。处理器501、存储器502、输入装置503和输出装置504可以通过总线或者其他方式连接，图3中以通过总线连接为例。
输入装置503可接收输入的数字或字符信息，以及产生与图像识别的电子设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置504可以包括显示设备、辅助照明装置(例如，LED)和触觉反馈装置(例如，振动电机)等。该显示设备可以包括但不限于，液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中，显示设备可以是触摸屏。
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令，并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置(PLD))，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
本公开中，获取第一人脸图像，所述第一人脸图像为单张人脸图像；获取所述第一人脸图像的人脸深度信息；根据所述人脸深度信息识别所述第一人脸图像中的人脸是否被遮挡。上述中，根据单张人脸图像的人脸深度信息来对第一人脸图像中的人脸是否被遮挡进行识别，提高识别的准确率，降低误识别概率。
在所述根据所述人脸深度信息识别所述第一人脸图像中的人脸是否被遮挡之后，在识别所述第一人脸图像中的人脸未被遮挡的情况下，获取第二人脸图像，并根据所述第二人脸图像进行人脸识别或者人脸注册，其中，所述第二人脸图像包括在采集所述第一人脸图像之后采集到的人脸图像，可避免采用存在遮挡的人脸图像进行人脸识别或人脸注册，影响人脸识别的准确率。
在识别所述第一人脸图像中的人脸被遮挡的情况下，输出提示信息，所述提示信息用于提醒用户移除遮挡物，以及时提醒用户电子设备当前获取的人脸图像中存在遮挡物，需要移除遮挡物，可以提高合格的人脸图像获取的效率，合格的人脸图像即人脸未被遮挡的人脸图像。
通过第一网络模型获取第一人脸图像的人脸深度信息，然后通过第二网络模型基于人脸深度信息对第一人脸图像中的人脸是否有遮挡进行识别，实现基于单张人脸图像来判定人脸图像中的人脸是否存在遮挡的目的，简化了识别过程，提高了识别效率。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。

Claims (10)

1.一种图像识别方法，包括：
获取第一人脸图像，所述第一人脸图像为单张人脸图像；
获取所述第一人脸图像的人脸深度信息；
根据所述人脸深度信息识别所述第一人脸图像中的人脸是否被遮挡。
2.根据权利要求1所述的方法，其中，在所述根据所述人脸深度信息识别所述第一人脸图像中的人脸是否被遮挡之后，所述方法还包括：
在识别所述第一人脸图像中的人脸未被遮挡的情况下，获取第二人脸图像，并根据所述第二人脸图像进行人脸识别或者人脸注册，其中，所述第二人脸图像包括在采集所述第一人脸图像之后采集到的人脸图像。
3.根据权利要求1或2所述的方法，其中，在所述根据所述人脸深度信息识别所述第一人脸图像中的人脸是否被遮挡之后，所述方法还包括：
在识别所述第一人脸图像中的人脸被遮挡的情况下，输出提示信息，所述提示信息用于提醒用户移除遮挡物。
4.根据权利要求1或2所述的方法，其中，所述获取所述第一人脸图像的人脸深度信息，包括：
将所述第一人脸图像输入到第一网络模型，获得所述第一人脸图像的人脸深度信息；
所述根据所述人脸深度信息识别所述第一人脸图像中的人脸是否被遮挡，包括：
将所述第一人脸图像和所述人脸深度信息输入到第二网络模型，获得所述第一人脸图像中的人脸是否被遮挡的识别结果。
5.一种图像识别装置，包括：
第一获取模块，用于获取第一人脸图像，所述第一人脸图像为单张人脸图像；
第二获取模块，用于获取所述第一人脸图像的人脸深度信息；
识别模块，用于根据所述人脸深度信息识别所述第一人脸图像中的人脸是否被遮挡。
6.根据权利要求5所述的装置，其中，所述装置还包括：
第三获取模块，用于在识别所述第一人脸图像中的人脸未被遮挡的情况下，获取第二人脸图像，并根据所述第二人脸图像进行人脸识别或者人脸注册，其中，所述第二人脸图像包括在采集所述第一人脸图像之后采集到的人脸图像。
7.根据权利要求5或6所述的装置，其中，所述装置还包括：
提示模块，用于在识别所述第一人脸图像中的人脸被遮挡的情况下，输出提示信息，所述提示信息用于提醒用户移除遮挡物。
8.根据权利要求5或6所述的装置，其中，所述第二获取模块，包括：用于将所述第一人脸图像输入到第一网络模型，获得所述第一人脸图像的人脸深度信息；
所述识别模块，用于将所述第一人脸图像和所述人脸深度信息输入到第二网络模型，获得所述第一人脸图像中的人脸是否被遮挡的识别结果。
9.一种电子设备，其中，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-4中任一项所述的方法。
10.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行权利要求1-4中任一项所述的方法。
CN202011285559.5A 2020-11-17 2020-11-17 图像识别方法、装置以及电子设备 Pending CN112270303A (zh)

Priority Applications (6)

Application Number Priority Date Filing Date Title
CN202011285559.5A CN112270303A (zh) 2020-11-17 2020-11-17 图像识别方法、装置以及电子设备
KR1020210082775A KR20210089115A (ko) 2020-11-17 2021-06-25 이미지 식별 방법, 장치, 전자 기기 및 컴퓨터 프로그램
KR1020210148824A KR20210154774A (ko) 2020-11-17 2021-11-02 이미지 식별 방법, 장치, 전자 기기 및 컴퓨터 프로그램
EP21206273.1A EP3929810A3 (en) 2020-11-17 2021-11-03 Method and apparatus for identifying image and electronic device
US17/454,472 US20220067350A1 (en) 2020-11-17 2021-11-10 Method and apparatus for identifying image and electronic device
JP2021186127A JP7242812B2 (ja) 2020-11-17 2021-11-16 画像認識方法、装置及び電子機器

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011285559.5A CN112270303A (zh) 2020-11-17 2020-11-17 图像识别方法、装置以及电子设备

Publications (1)

Publication Number Publication Date
CN112270303A true CN112270303A (zh) 2021-01-26

Family

ID=74340125

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011285559.5A Pending CN112270303A (zh) 2020-11-17 2020-11-17 图像识别方法、装置以及电子设备

Country Status (5)

Country Link
US (1) US20220067350A1 (zh)
EP (1) EP3929810A3 (zh)
JP (1) JP7242812B2 (zh)
KR (2) KR20210089115A (zh)
CN (1) CN112270303A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114093012A (zh) * 2022-01-18 2022-02-25 荣耀终端有限公司 人脸遮挡的检测方法和检测装置

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111797746B (zh) * 2020-06-28 2024-06-14 北京小米松果电子有限公司 人脸识别方法、装置及计算机可读存储介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109639896A (zh) * 2018-12-19 2019-04-16 Oppo广东移动通信有限公司 遮挡物检测方法、装置、存储介质及移动终端
CN109635770A (zh) * 2018-12-20 2019-04-16 上海瑾盛通信科技有限公司 活体检测方法、装置、存储介质及电子设备

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR2979728B1 (fr) * 2011-09-01 2016-05-13 Morpho Detection de fraude pour systeme de controle d'acces de type biometrique
JP6993124B2 (ja) * 2016-12-28 2022-01-13 グローリー株式会社 顔照合装置及び顔照合方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109639896A (zh) * 2018-12-19 2019-04-16 Oppo广东移动通信有限公司 遮挡物检测方法、装置、存储介质及移动终端
CN109635770A (zh) * 2018-12-20 2019-04-16 上海瑾盛通信科技有限公司 活体检测方法、装置、存储介质及电子设备

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114093012A (zh) * 2022-01-18 2022-02-25 荣耀终端有限公司 人脸遮挡的检测方法和检测装置
CN114093012B (zh) * 2022-01-18 2022-06-10 荣耀终端有限公司 人脸遮挡的检测方法和检测装置

Also Published As

Publication number Publication date
EP3929810A2 (en) 2021-12-29
KR20210089115A (ko) 2021-07-15
US20220067350A1 (en) 2022-03-03
EP3929810A3 (en) 2022-05-18
JP2022024070A (ja) 2022-02-08
JP7242812B2 (ja) 2023-03-20
KR20210154774A (ko) 2021-12-21

Similar Documents

Publication Publication Date Title
CN111767858B (zh) 图像识别方法、装置、设备和计算机存储介质
CN110659600B (zh) 物体检测方法、装置及设备
CN111259751A (zh) 基于视频的人体行为识别方法、装置、设备及存储介质
CN111914628A (zh) 人脸识别模型的训练方法和装置
CN111783870A (zh) 人体属性的识别方法、装置、设备及存储介质
CN111722245B (zh) 定位方法、定位装置和电子设备
CN112528850A (zh) 人体识别方法、装置、设备和存储介质
CN111178323B (zh) 基于视频的群体行为识别方法、装置、设备及存储介质
CN111709875B (zh) 图像处理方法、装置、电子设备及存储介质
CN111709288B (zh) 人脸关键点检测方法、装置以及电子设备
CN112241716B (zh) 训练样本的生成方法和装置
CN112116525B (zh) 换脸识别方法、装置、设备和计算机可读存储介质
CN111783606A (zh) 一种人脸识别网络的训练方法、装置、设备及存储介质
CN112270303A (zh) 图像识别方法、装置以及电子设备
CN112215243A (zh) 图像特征提取方法、装置、设备及存储介质
CN112949467B (zh) 人脸检测方法、装置、电子设备和存储介质
CN111783644B (zh) 检测方法、装置、设备和计算机存储介质
CN112016523B (zh) 跨模态人脸识别的方法、装置、设备和存储介质
CN111563541B (zh) 图像检测模型的训练方法和装置
CN112561059A (zh) 用于模型蒸馏的方法和装置
CN112560772A (zh) 人脸的识别方法、装置、设备及存储介质
CN111783600A (zh) 一种人脸识别模型训练方法、装置、设备及介质
CN110889392A (zh) 人脸图像处理的方法及装置
CN113313048B (zh) 脸部表情识别方法和装置
CN113780045A (zh) 用于训练距离预测模型的方法和装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20211013

Address after: 100176 101, floor 1, building 1, yard 7, Ruihe West 2nd Road, Beijing Economic and Technological Development Zone, Daxing District, Beijing

Applicant after: Apollo Intelligent Connectivity (Beijing) Technology Co., Ltd.

Address before: 2 / F, baidu building, 10 Shangdi 10th Street, Haidian District, Beijing 100085

Applicant before: BEIJING BAIDU NETCOM SCIENCE AND TECHNOLOGY Co.,Ltd.