CN112270747A - 一种人脸识别方法、装置及电子设备 - Google Patents
一种人脸识别方法、装置及电子设备 Download PDFInfo
- Publication number
- CN112270747A CN112270747A CN202011248133.2A CN202011248133A CN112270747A CN 112270747 A CN112270747 A CN 112270747A CN 202011248133 A CN202011248133 A CN 202011248133A CN 112270747 A CN112270747 A CN 112270747A
- Authority
- CN
- China
- Prior art keywords
- image
- face
- interference
- features
- user
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- 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
- 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
- G06T15/00—3D [Three Dimensional] image rendering
- G06T15/005—General purpose rendering architectures
-
- 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
Abstract
本申请实施例提供了一种人脸识别方法、装置及电子设备,涉及图像处理技术领域,包括:获得待识别人脸图像;对所述待识别人脸图像中的干扰特征进行去干扰处理,并根据处理结果获得目标图像,其中,所述干扰特征为:图像中对用户的面部识别特征产生干扰的特征;基于预设的参考人脸图像对所述目标图像进行人脸识别,并将识别结果确定为所述待识别人脸图像的人脸识别结果。应用本申请实施例提供的方案,可以提高人脸识别的准确度。
Description
技术领域
本申请涉及图像处理技术领域,特别是涉及一种人脸识别方法、装置及电子设备。
背景技术
近年来人脸识别技术的应用越来越广泛。相关技术中,通常预先获得用户注册的人脸图像,作为参考人脸图像。在进行人脸识别时,获得待进行人脸识别的用户的人脸图像,作为待识别人脸图像,然后对待识别人脸图像与参考人脸图像进行对比,实现对用户的人脸识别。在对比结果表征待识别人脸图像中人脸与参考人脸图像中人脸相似时,可以认为待进行人脸识别的用户与注册的用户为同一用户。
应用上述方案虽然可以实现对人脸的识别,但是在采集待识别人脸图像时,所采集的人脸图像容易受到用户的面部动作、环境中光照强度等因素的干扰,进而在对待识别人脸图像与参考人脸图像进行对比时,对比结果容易受到干扰,使得人脸识别的准确度低。
发明内容
本申请实施例的目的在于提供一种人脸识别方法、装置及电子设备,以提高人脸识别的准确度。具体技术方案如下:
第一方面,本申请实施例提供了一种人脸识别方法,所述方法包括:
获得待识别人脸图像;
对所述待识别人脸图像中的干扰特征进行去干扰处理,并根据处理结果获得目标图像,其中,所述干扰特征为:图像中对用户的面部识别特征产生干扰的特征;
基于预设的参考人脸图像对所述目标图像进行人脸识别,并将识别结果确定为所述待识别人脸图像的人脸识别结果。
本申请的一个实施例中,所述对所述待识别人脸图像中的干扰特征进行去干扰处理,并根据处理结果获得目标图像,包括:
去除所述待识别人脸图像中的干扰特征,将去除干扰特征后的图像作为目标图像;或
去除所述待识别人脸图像中的干扰特征,在去除干扰特征后的图像中增加预设的干扰特征,得到目标图像;或
获得所述待识别人脸图像中用户的面部识别特征,作为目标特征,利用所述目标特征和预设的干扰特征生成目标图像。
本申请的一个实施例中,所述获得所述待识别人脸图像中用户的面部识别特征,作为目标特征,包括:
基于所述待识别人脸图像,对所述待识别人脸图像中用户的人脸进行三维建模,得到所构建三维模型的三维模型参数,将所得到的三维模型参数中反映用户面部识别特征的参数,确定为目标特征。
本申请的一个实施例中,所述利用所述目标特征和预设的干扰特征生成目标图像,包括:
基于所述三维模型参数中反映用户面部识别特征的参数,及预设的干扰特征,对人脸进行三维建模,得到三维人脸模型;
将得到的三维人脸模型渲染为二维人脸图像,作为目标图像。
本申请的一个实施例中,所述对所述待识别人脸图像中的干扰特征进行去干扰处理,并根据处理结果获得目标图像,包括:
将所述待识别人脸图像输入预先训练完成的去干扰模型,获得所述去干扰模型输出的目标图像,其中,所述去干扰模型为:采用样本图像训练得到的、用于对图像进行去干扰处理的模型。
本申请的一个实施例中,所述去干扰模型具体用于:
生成去除图像自身的干扰特征、且增加预设的干扰特征后的图像。
本申请的一个实施例中,通过以下方式训练得到所述去干扰模型:
获得样本图像;
对所述样本图像中用户的人脸进行三维建模,得到所构建三维模型的三维模型参数,选择所得到的三维模型参数中反映用户面部识别特征的参数,基于所选择的参数渲染得到二维人脸图像,作为标注图像;
利用所述样本图像及标注图像对所述去干扰模型的初始模型进行训练,得到训练后的去干扰模型。
本申请的一个实施例中,所述去干扰模型具体用于:
利用图像中人脸的面部识别特征,对人脸进行三维建模,得到三维人脸模型,并将得到的三维人脸模型渲染为二维人脸图像,作为生成的图像。
本申请的一个实施例中,通过以下方式获得预设的干扰特征:
获得所述参考人脸图像,基于所述参考人脸图像,对所述参考人脸图像中用户的人脸进行三维建模,得到所构建三维模型的三维模型参数,将所得到的三维模型参数中对用户的面部识别特征产生干扰的参数,确定为预设的干扰特征。
本申请的一个实施例中,图像中的干扰特征包括以下特征中的至少一种:用户表情关联的特征、用户姿态关联的特征、采集图像时环境关联的特征。
第二方面,本申请实施例提供了一种人脸识别装置,所述装置包括:
图像获得模块,用于获得待识别人脸图像;
图像处理模块,用于对所述待识别人脸图像中的干扰特征进行去干扰处理,并根据处理结果获得目标图像,其中,所述干扰特征为:图像中对用户的面部识别特征产生干扰的特征;
人脸识别模块,用于基于预设的参考人脸图像对所述目标图像进行人脸识别,并将识别结果确定为所述待识别人脸图像的人脸识别结果。
本申请的一个实施例中,所述图像处理模块,具体用于:
去除所述待识别人脸图像中的干扰特征,将去除干扰特征后的图像作为目标图像;或
去除所述待识别人脸图像中的干扰特征,在去除干扰特征后的图像中增加预设的干扰特征,得到目标图像;或
获得所述待识别人脸图像中用户的面部识别特征,作为目标特征,利用所述目标特征和预设的干扰特征生成目标图像。
本申请的一个实施例中,所述图像处理模块,包括:
人脸建模单元,用于基于所述待识别人脸图像,对所述待识别人脸图像中用户的人脸进行三维建模,得到所构建三维模型的三维模型参数,将所得到的三维模型参数中反映用户面部识别特征的参数,确定为目标特征;
图像生成单元,用于利用所述目标特征和预设的干扰特征生成目标图像。
本申请的一个实施例中,所述图像生成单元,具体用于:
基于所述三维模型参数中反映用户面部识别特征的参数,及预设的干扰特征,对人脸进行三维建模,得到三维人脸模型;
将得到的三维人脸模型渲染为二维人脸图像,作为目标图像。
本申请的一个实施例中,所述图像处理模块,具体用于:
将所述待识别人脸图像输入预先训练完成的去干扰模型,获得所述去干扰模型输出的目标图像,其中,所述去干扰模型为:采用样本图像训练得到的、用于对图像进行去干扰处理的模型。
本申请的一个实施例中,所述去干扰模型具体用于:
生成去除图像自身的干扰特征、且增加预设的干扰特征后的图像。
本申请的一个实施例中,所述装置还包括模型训练模块,用于通过以下方式训练得到所述去干扰模型:
获得样本图像;
对所述样本图像中用户的人脸进行三维建模,得到所构建三维模型的三维模型参数,选择所得到的三维模型参数中反映用户面部识别特征的参数,基于所选择的参数渲染得到二维人脸图像,作为标注图像;
利用所述样本图像及标注图像对所述去干扰模型的初始模型进行训练,得到训练后的去干扰模型。
本申请的一个实施例中,所述去干扰模型具体用于:
利用图像中人脸的面部识别特征,对人脸进行三维建模,得到三维人脸模型,并将得到的三维人脸模型渲染为二维人脸图像,作为生成的图像。
本申请的一个实施例中,所述装置还包括干扰特征获得模块,用于通过以下方式获得预设的干扰特征:
获得所述参考人脸图像,基于所述参考人脸图像,对所述参考人脸图像中用户的人脸进行三维建模,得到所构建三维模型的三维模型参数,将所得到的三维模型参数中对用户的面部识别特征产生干扰的参数,确定为预设的干扰特征。
本申请的一个实施例中,图像中的干扰特征包括以下特征中的至少一种:用户表情关联的特征、用户姿态关联的特征、采集图像时环境关联的特征。
第三方面,本申请实施例提供了一种电子设备,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现第一方面任一所述的方法步骤。
第四方面,本申请实施例提供了一种计算机可读存储介质,所述计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现第一方面任一所述的方法步骤。
本申请实施例还提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述任一所述的人脸识别方法。
本申请实施例有益效果:
应用本申请实施例提供的方案进行人脸识别时,可以获得待识别人脸图像;对待识别人脸图像中的干扰特征进行去干扰处理,并根据处理结果获得目标图像,其中,干扰特征为:图像中对用户的面部识别特征产生干扰的特征;基于预设的参考人脸图像对目标图像进行人脸识别,并将识别结果确定为待识别人脸图像的人脸识别结果。由于对待识别人脸图像进行了去干扰处理,因此所获得的目标图像中不再包含自身原本存在的干扰特征。这样在基于参考人脸图像对目标图像进行人脸识别时,可以降低原本的待识别人脸图像中的干扰特征对人脸识别结果带来的干扰。由此可见,应用本申请实施例提供的方案,可以提高人脸识别的准确度。
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一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的实施例。
图1为本申请实施例提供的一种人脸识别方法的流程示意图;
图2为本申请实施例提供的另一种人脸识别方法的流程示意图;
图3为本申请实施例提供的一种目标图像获得过程的示意图;
图4为本申请实施例提供的另一种目标图像获得过程的示意图;
图5为本申请实施例提供的一种人脸识别装置的结构示意图;
图6为本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
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,所描述的实施例仅仅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。
为提高人脸识别的准确度,本申请实施例提供了一种人脸识别方法、装置及电子设备,下面分别进行详细介绍。
参见图1,图1为本申请实施例提供的一种人脸识别方法的流程示意图,该方法可以应用于手机、电子计算机、图像采集设备等电子设备。上述人脸识别方法包括如下步骤101至步骤103。
步骤101,获得待识别人脸图像。
其中,上述待识别人脸图像为:对待进行人脸识别的待识别用户进行人脸图像采集,得到的图像。
本申请的一个实施例中,在电子设备具有图像采集功能的情况下,可以由电子设备直接对待识别用户进行人脸图像的采集,从而获得待识别人脸图像。也可以由图像采集设备对待识别用户进行人脸图像的采集,再将采集得到的图像发送至电子设备,电子设备从而获得待识别人脸图像。
步骤102,对待识别人脸图像中的干扰特征进行去干扰处理,并根据处理结果获得目标图像。
其中,干扰特征为:图像中对用户的面部识别特征产生干扰的特征。面部识别特征为:图像内用户的面部特征中反映用户身份的特征。
图像内用户的面部特征可以是用户的面部轮廓特征、五官特征、表情特征、姿态特征等。面部轮廓特征可以包括用户脸的长度、宽度、脸型等。五官特征可以包括嘴巴的大小、眉毛的颜色、鼻子的高度等。表情特征为反映图像中用户表情的特征。用户在发生表情变化的时候,会引起脸部肌肉的局部形变,而脸部肌肉的局部形变会带动用户的五官发生形变。例如,在表情为微笑的情况下,会导致用户的嘴部拉长、嘴角上扬等。这种情况下,表情特征可以包括五官形变的特征。姿态特征为反映图像中用户姿态的特征,上述姿态可以是低头、仰头、歪头等。
上述面部特征中的各种特征并非都能够反映用户的身份,例如面部轮廓特征、五官特征是用户所固有的特征,一般可以反映用户的身份;而表情特征是随着用户表情的变化而变化的,姿态特征是随着用户姿态的变化而变化的,并非用户所固有的特征,所以不能反映用户的身份。
鉴于上述情况,本申请的一个实施例中,面部特征中反映用户身份的面部识别特征可以是面部轮廓特征、五官特征等。
面部识别特征与图像内用户的身份相关,不同用户具有不同的面部识别特征。
例如,以待识别人脸图像中用户的五官特征中眼睛的特征为例,眼睛的特征包括眼睛的长度、宽度、两只眼睛之间的距离、眼睛的角度、眼睛的颜色等特征,不同用户具有不同的眼睛的特征,这些特征与用户的身份相关,因此,上述眼睛的特征可以作为用户的面部识别特征。
与面部识别特征相对应地,本申请的一个实施例中,图像中的干扰特征可以包括以下特征中的至少一种:用户表情关联的特征、用户姿态关联的特征、采集图像时环境关联的特征。
用户的表情可以包括微笑、嘟嘴、皱眉、瞪眼等。用户在做不同的表情时,会导致脸部肌肉产生局部形变,进而带动用户的五官发生形变。因此,图像中的干扰特征可以由用户五官的形变量来表示。例如,在表情为瞪眼的情况下,会导致用户的眼睛的宽度变大、眉毛高度提升。这种情况下,用户表情关联的特征可以包括眼睛宽度变化量、以及眉毛高度变化量。
用户的姿态可以包括低头、仰头、歪头、偏头等,涉及用户的头部在三维垂直坐标系中绕横轴、纵轴、竖轴的角度变化。在不同的姿态下,采集得到的图像中用户的面部轮廓会发生改变。例如,在用户的姿态为低头的情况下,用户的面部在竖轴上的长度会变短,这样对用户进行图像采集时,得到的图像中用户的面部轮廓在竖直方向上的长度会变短。而且,在不同的姿态下,采集得到的图像中用户的面部五官存在部分缺失。因此,用户姿态关联的特征可以包括用户的头部在三维垂直坐标系中旋转的角度等。
采集图像时的环境包括光照强度、光源颜色等。一方面,不同光照强度、光源颜色下,采集得到的人脸图像也不相同,例如,在不同的光源颜色下,人脸图像中眉毛、眼睛的颜色不相同,以及会在人脸部位产生光斑。另一方面,由于人脸为立体结构,光源投射在人脸上会产生不同的阴影,所产生的阴影会减弱图像中人脸的特征,进而对图像中用户的面部识别特征产生干扰。因此,环境关联的特征可以包括采集图像时人脸不同部分的光照强度、光源颜色等。
除此之外,上述干扰特征还可以包括用户面部佩戴的物体关联的特征,上述物体可以是眼镜、耳钉、鼻环等。由于上述物体可以对用户的五官造成遮挡,从而对图像中用户的面部识别特征产生干扰。
具体的,对待识别人脸图像中自身的干扰特征进行去干扰处理,并根据处理结果获得目标图像,从而得到的目标图像中,不包含自身原本携带的干扰特征,实现对待识别人脸图像的去干扰处理。
步骤103,基于预设的参考人脸图像对目标图像进行人脸识别,并将识别结果确定为待识别人脸图像的人脸识别结果。
具体的,可以对参考人脸图像中参考用户的参考人脸,与目标图像中待识别用户的待识别人脸进行对比,在待识别人脸与参考人脸相似的情况下,可以认为待识别用户与参考用户为同一用户;否则,则认为待识别用户与参考用户不为同一用户。
本申请的一个实施例中,可以预先提取参考人脸图像中参考人脸的参考特征,在进行人脸识别时,可以提取目标图像中待识别人脸的待识别特征,然后计算待识别特征与参考特征之间的相似度,在上述相似度达到预设的相似度阈值的情况下,可以认为待识别人脸与参考人脸相似,进而可以认为待识别人脸图像中的用户与参考人脸图像中的用户为同一用户。
其中,可以利用预先训练完成的人脸特征提取模型提取图像中人脸的特征。在计算上述相似度时,可以通过计算待识别特征与参考特征之间的欧氏距离、曼哈顿距离、余弦相似度等得到。
本申请的一个实施例中,在上述步骤103进行人脸识别之前,可以对目标图像的尺寸进行调整,以使得目标图像中人脸的大小与参考人脸图像中人脸的大小一致。这样在进行人脸识别时,可以对目标图像和参考人脸图像中的人脸进行比对,在比对获得目标图像中人脸与参考人脸图像中人脸一致的情况下,可以认为目标图像中用户与参考人脸图像中用户为同一用户。
应用上述实施例提供的方案进行人脸识别时,可以获得待识别人脸图像;对待识别人脸图像中的干扰特征进行去干扰处理,并根据处理结果获得目标图像,其中,干扰特征为:图像中对用户的面部识别特征产生干扰的特征;基于预设的参考人脸图像对目标图像进行人脸识别,并将识别结果确定为待识别人脸图像的人脸识别结果。由于对待识别人脸图像进行了去干扰处理,因此所获得的目标图像中不再包含自身原本存在的干扰特征。这样在基于参考人脸图像对目标图像进行人脸识别时,可以降低原本的待识别人脸图像中的干扰特征对人脸识别结果带来的干扰。由此可见,应用本申请实施例提供的方案,可以提高人脸识别的准确度。
本申请的一个实施例中,对于上述步骤102在对待识别人脸图像进行去干扰处理时,可以有多种实现方式,下面分别进行介绍。
第一种实现方式中,可以直接去除待识别人脸图像中的干扰特征,将去除干扰特征后的图像作为目标图像。
具体的,可以识别待识别人脸图像中的干扰特征,并将识别到的干扰特征去除,得到去除干扰的目标图像。这样在基于目标图像和参考人脸图像进行人脸识别时,由于目标图像中不包含干扰特征,因此可以降低待识别人脸图像中原本的干扰特征对识别结果的影响,从而提高人脸识别的准确度。
例如,在上述干扰特征为采集图像时环境关联的特征的情况下,如光斑,可以从图像中识别出光斑并去除,得到目标图像,从而消除待识别人脸图像中光斑带来的干扰。后续可以基于去除了干扰特征的待识别人脸图像与参考人脸图像进行人脸识别,提高人脸识别的准确度。
除此之外,还可以识别参考人脸图像中的干扰特征并去除,基于目标图像与去除干扰特征后的参考人脸图像进行人脸识别,这样由于两类图像中均不存在干扰特征,可以进一步降低干扰特征对人脸识别结果的影响,进一步提高人脸识别的准确度。
第二种实现方式中,可以去除待识别人脸图像中的干扰特征,在去除干扰特征后的图像中增加预设的干扰特征,得到目标图像。
其中,上述干扰特征可以是参考人脸图像中的干扰特征,还可以是人工设定的干扰特征。
具体的,可以识别待识别人脸图像中的干扰特征并去除,然后在去除干扰特征后的待识别人脸图像中引入预设的干扰特征,得到目标图像,这样目标图像中包含自身原本的面部识别特征和预设的干扰特征。
也可以理解为,将待识别人脸图像中的干扰特征替换为预设的干扰特征。
在上述预设的干扰特征为参考人脸图像中的干扰特征的情况下,在基于目标图像和参考人脸图像进行人脸识别时,由于目标图像中包含的干扰特征与参考人脸图像中的干扰特征一致,因此可以降低待识别人脸图像中原本的干扰特征对识别结果的影响,从而提高人脸识别的准确度。
例如,在上述干扰特征为用户表情关联的特征的情况下,假设上述预设的干扰特征为参考人脸图像中的干扰特征,则可以从待识别人脸图像中去除待识别用户的表情,并加入参考用户的表情,从而使得待识别人脸图像中的表情与参考人脸图像中的表情一致,后续在基于目标图像与参考人脸图像进行人脸识别时,可以降低待识别人脸图像中原本的干扰特征对识别结果的影响,从而提高人脸识别的准确度。
第三种实现方式中,可以获得待识别人脸图像中用户的面部识别特征,作为目标特征,利用目标特征和预设的干扰特征生成目标图像。
具体的,可以识别待识别人脸图像中用户的面部识别特征,作为目标特征,基于目标特征和上述预设的干扰特征,生成目标图像,这样所得到的目标图像中包含待识别人脸图像中的面部识别特征和预设的干扰特征,而不再包含待识别人脸图像中原本的干扰特征。
例如,在上述预设的干扰特征为参考人脸图像中的干扰特征的情况下,假设干扰特征包括用户的姿态特征、表情特征,面部识别特征包括用户的面部轮廓特征、五官特征。这种情况下,基于待识别人脸图像中用户的面部轮廓特征、五官特征,以及参考人脸图像中用户的姿态特征、表情特征,获得目标图像。目标图像中用户的面部轮廓特征、五官特征与待识别人脸图像中用户的面部轮廓特征、五官特征一致,目标图像中用户的姿态特征、表情特征与参考人脸图像中用户的姿态特征、表情特征一致。可以理解为,目标图像中用户的长相与待识别人脸图像中用户的长相一致,目标图像中用户的表情、姿态与参考人脸图像中用户的表情、姿态一致。
具体以上述干扰特征为眼镜为例,则可以预先获得参考人脸图像中眼镜关联的特征,作为预设的干扰特征。然后获得待识别人脸图像中的面部识别特征,并基于上述干扰特征和面部识别特征生成图像,作为目标图像,这样目标图像中待识别用户佩戴有参考用户的眼镜,保证了待识别人脸图像与参考人脸图像中的干扰特征一致。
或者以上述干扰特征为用户表情关联的特征为例,同样可以预先获得参考人脸图像中参考用户表情关联的特征,作为预设的干扰特征。然后获得待识别人脸图像中的面部识别特征,并基于上述干扰特征和面部识别特征生成图像,作为目标图像,这样目标图像中待识别用户具有与参考人脸图像中参考用户同样的表情,保证了待识别人脸图像与参考人脸图像中的干扰特征一致。
在基于目标图像和参考人脸图像进行人脸识别时,由于目标图像中包含的干扰特征与参考人脸图像中的干扰特征一致,这样后续在基于目标图像与参考人脸图像进行人脸识别时,可以降低待识别人脸图像中原本的干扰特征对识别结果的影响,从而提高人脸识别的准确度。
本申请的一个实施例中,针对上述实现方式,在获得待识别人脸图像中的面部识别特征时,也存在多种情况,下面分别进行介绍。
一种情况下,可以对待识别人脸图像中用户的人脸进行特征提取,得到人脸的特征信息,然后从人脸的特征信息中选择可以反映用户的身份的面部轮廓特征、五官特征等,作为目标特征。
另一种情况下,还可以基于待识别人脸图像,对待识别人脸图像中用户的人脸进行三维建模,得到所构建三维模型的三维模型参数,将所得到的三维模型参数中反映用户面部识别特征的参数,确定为目标特征。
具体的,可以获得一帧或多帧待识别人脸图像。基于所获得的待识别人脸图像,对待识别用户的人脸进行三维建模,得到三维模型。所得到的三维模型的模型参数中包括待识别用户的人脸的参数,然后可以从中选择反映用户身份的参数,作为目标特征。
其中,可以预先获得三维模型的模型参数与各个参数所反映的特征之间的对应关系,按照上述对应关系从模型参数中选择反映用户的身份的参数,作为目标特征。
又一种情况下,可以将待识别人脸图像输入训练训练完成的第一特征识别模型,得到上述特征识别模型输出的待识别人脸图像中人脸的面部识别特征。上述第一特征识别模型用于识别图像中人脸的面部识别特征。
相对应地,在获得人脸图像中的干扰特征时,也存在多种情况,下面分别进行介绍。其中,上述人脸图像可以是待识别用户的待识别人脸图像,也可以是参考用户的参考人脸图像,即本申请实施例中的干扰特征获得方式可以用于获得待识别人脸图像中的干扰特征,也可以用于获得参考人脸图像中的干扰特征。
一种情况下,可以预先获得用户的人脸图像,对上述人脸图像进行特征提取,得到图像中所包含内容的信息,然后从提取的信息中选择表情特征、姿态特征、环境特征等对面部识别特征产生干扰的特征,作为上述人脸图像中的干扰特征。
另一种情况下,在获得预设的干扰特征时,可以获得人脸图像,基于上述图像,对人脸图像中用户的人脸进行三维建模,得到所构建三维模型的三维模型参数,将所得到的三维模型参数中对用户的面部识别特征产生干扰的参数,确定为上述人脸图像中的干扰特征。
具体的,可以获得一帧或多帧人脸图像。基于所获得的人脸图像,对用户的人脸进行三维建模,得到三维模型。所得到的三维模型的模型参数中包括用户的人脸的参数,然后可以从中选择对用户的身份信息产生干扰的参数,作为人脸图像中的干扰特征。
其中,可以预先获得三维模型的模型参数与各个参数所反映的特征之间的对应关系,按照上述对应关系从模型参数中选择除反映用户面部识别特征的参数之外的参数,作为人脸图像中的干扰特征。
又一种情况下,也可以将人脸图像输入训练训练完成的第二特征识别模型,得到上述特征识别模型输出的人脸图像中的干扰特征。上述第二特征识别模型用于识别图像中的干扰特征。
本申请的一个实施例中,在基于三维建模的方式获得待识别人脸图像中的面部识别特征的情况下,可以基于三维模型参数中反映用户面部识别特征的参数,及预设的干扰特征,对人脸进行三维建模,得到三维人脸模型,将得到的三维人脸模型渲染为二维人脸图像,作为目标图像。
具体的,可以基于待识别人脸图像中的目标特征和参考人脸图像中的干扰特征,对人脸进行三维建模,得到三维人脸模型。其中,三维人脸模型的参数中,包括待识别人脸图像中用户的面部识别特征,以及参考人脸图像中的干扰特征。之后,可以对三维人脸模型进行图像渲染,得到二维人脸图像,作为目标图像。其中,可以利用Z-Buffer算法等对三维人脸模型进行图像渲染,从而获得目标图像。
例如,假设干扰特征包括用户的姿态特征、表情特征,面部识别特征包括用户的面部轮廓特征、五官特征。这种情况下,基于待识别人脸图像中用户的面部轮廓特征、五官特征,以及参考人脸图像中用户的姿态特征、表情特征,对人脸进行三维建模,得到三维人脸模型。三维人脸模型中用户的面部轮廓特征、五官特征与待识别人脸图像中用户的面部轮廓特征、五官特征一致,三维人脸模型中用户的姿态特征、表情特征与参考人脸图像中用户的姿态特征、表情特征一致。进而对三维人脸模型进行渲染得到目标图像,目标图像中用户的长相与待识别人脸图像中用户的长相一致,目标图像中用户的表情、姿态与参考人脸图像中用户的表情、姿态一致。
本申请的一个实施例中,在获得目标图像时,由于在对待识别人脸图像中用户的人脸进行三维建模时,所得到的三维模型的模型参数中包括面部识别特征和干扰特征,因此可以利用预先获得的参考人脸图像中的干扰特征替换模型参数中的干扰特征,基于信息替换后的模型参数创建三维人脸模型,然后对三维人脸模型进行渲染,获得目标图像。
参见图2,图2为本申请实施例提供的另一种人脸识别方法的流程示意图,该方法包括如下步骤201至步骤204。
步骤201,获得待进行人脸识别的待识别用户的人脸图像,作为待识别人脸图像。
步骤202,基于待识别人脸图像,对待识别人脸图像中用户的人脸进行三维建模,得到所构建三维模型的三维模型参数,将所得到的三维模型参数中反映用户面部识别特征的参数,确定为目标特征。
其中,基于参数化的人脸建模方法对待识别人脸图像中用户的人脸进行三维建模,可以得到关于待识别用户人脸的多个参数,从中选择反映用户身份的参数,作为目标特征。
步骤203,基于三维模型参数中反映用户面部识别特征的参数,及预设的干扰特征,对人脸进行三维建模,得到三维人脸模型,将得到的三维人脸模型渲染为二维人脸图像,作为目标图像。
在获得三维人脸模型时,可以将上述步骤202中获得的目标特征与上述参考人脸图像中的干扰特征相结合,基于结合后的信息进行三维建模,从而得到三维人脸模型,然后将三维人脸模型渲染为二维人脸图像,作为目标图像。
其中,目标图像中的干扰特征与参考人脸图像中干扰特征一致,且所包含用户的面部识别特征与目标特征一致。可以理解为,目标图像中用户的长相与待识别人脸图像中用户的长相一致,目标图像中用户的表情、姿态与参考人脸图像中用户的表情、姿态一致。这样可以消除掉待识别人脸图像中用户的表情、姿态、以及采集待识别人脸图像时环境等对后续进行人脸识别造成的干扰,降低人脸识别的难度,提高人脸识别的准确度。
例如,参见图3,图3为本申请实施例提供的一种目标图像获得过程的示意图。以嘴部为例,可见参考人脸图像内用户的表情中嘴部开口较大,待识别人脸图像内用户的表情中嘴部开口较小,为便于后续进行人脸识别,需要将待识别人脸图像中用户嘴部的表情调整为参考人脸图像中用户嘴部的表情。
因此,可以首先获得参考人脸图像,基于参考人脸图像进行人脸建模,得到参考用户的人脸模型的模型参数;然后获得待识别人脸图像,基于待识别人脸图像进行人脸建模,得到待识别用户的人脸模型的模型参数。然后将待识别用户对应的模型参数中表征嘴部表情的模型参数,替换为参考用户对应的模型参数中表征嘴部表情的模型参数,基于新的模型参数进行三维建模,得到三维人脸模型,再将三维人脸模型渲染为二维人脸图像,作为目标图像。
步骤204,基于预设的参考人脸图像对目标图像进行人脸识别,并将识别结果确定为待识别人脸图像的人脸识别结果。
本申请的一个实施例中,对于上述步骤203,可以预先获得多个参考用户的参考人脸图像,进而得到多个参考人脸图像中的干扰特征。
针对每一参考用户对应的干扰特征,可以基于目标特征与该干扰特征进行三维建模,得到三维人脸模型,进而获得目标图像,然后利用该目标图像与该参考用户的参考人脸图像进行人脸识别。
依次遍历各个参考用户对应的干扰特征,直至识别到与待识别用户为同一用户的参考用户。
本申请的一个实施例中,一个三维人脸模型可以表示为: 其中表示预设的平均脸模型,即为通用的人脸基础模型,Aid表示形状基模型,可以理解为基本的面部形状模型,αid表示形状系数,相当于本申请中的面部识别特征;Aexp表示表情基模型,可以理解为基本的表情模型,αexp表示表情系数,相当于本申请中的干扰特征。除此之外,还可以获得用户的姿态系数和环境系数,即本申请中用户姿态关联的特征和采集图像时环境关联的特征。
本申请的一个实施例中,可以基于上述公式对待识别人脸图像进行三维建模,得到模型输出的[p1,αid1,αexp1],其中p1表示待识别用户的姿态系数,αid1表示待识别用户的身份系数,αexp1表示待识别用户的表情系数。参考人脸图像通过三维建模后的输出为[p2,αid2,αexp2],其中p2表示参考用户的姿态系数,αid2表示参考用户的身份系数,αexp2表示参考用户的表情系数。将参考用户的除身份系数以外的系数、待识别用户的身份系数组合起来,得到[p2,αid1,αexp2],基于上述组合后的系数进行三维建模,得到组合后的三维人脸模型,随后将上述三维人脸模型渲染成二维图像。具体的,可以基于[αid1,αexp2]进行三维人脸建模,在得到三维人脸模型后,基于p2调整上述三维人脸模型的姿态,并在渲染二维图像时引入采集参考人脸图像时环境关联的特征,最终得到目标图像。
参见图4,图4为本申请实施例提供的另一种目标图像获得过程的示意图。分别对待识别人脸图像和参考人脸图像进行三维人脸建模,得到待识别用户和参考用户各自对应的身份系数、环境系数、姿态系数、表情系数,结合待人别用户的身份系数和参考用户的环境系数、姿态系数、表情系数,再次进行人脸建模,对所得到的三维人脸模型进行图像渲染,从而得到目标图像。
本申请的一个实施例中,对于上述步骤102在获得目标图像时,除了上述实施例中借助三维建模的方式得到目标图像之外,还可以利用神经网络模型直接对待识别人脸图像进行处理,从而得到模型输出的目标图像。下面进行详细介绍。
将待识别人脸图像输入预先训练完成的去干扰模型,获得去干扰模型输出的目标图像。
其中,去干扰模型为:采用样本图像训练得到的、用于对图像进行去干扰处理的模型。上述去干扰模型可以是卷积神经网络模型、深度神经网络模型等,本申请并不对此进行限定。
本申请的一个实施例中,去干扰模型可以用于直接去除待识别人脸图像中的干扰特征,将去除干扰特征后的图像作为目标图像。去干扰模型也可以用于生成去除图像自身的干扰特征、且增加预设的干扰特征后的图像。
具体的,去干扰模型可以去除待识别人脸图像中的干扰特征,在去除干扰特征后的图像中增加预设的干扰特征,得到目标图像;还可以获得待识别人脸图像中用户的面部识别特征,作为目标特征,利用目标特征和预设的干扰特征生成目标图像。
本申请的一个实施例中,上述去干扰模型可以包括特征识别层、图像生成层。
一种实现方式中,上述特征识别层可以用于识别待识别人脸图像中的干扰特征;图像生成层用于生成去除了干扰特征的图像,作为目标图像并输出。
另一种实现方式中,上述特征识别层可以用于识别待识别人脸图像中的面部识别特征;图像生成层用于结合上述面部识别特征和预设的干扰特征生成图像,作为目标图像并输出。
本申请的一个实施例中,去干扰模型具体用于利用图像中人脸的面部识别特征,对人脸进行三维建模,得到三维人脸模型,并将得到的三维人脸模型渲染为二维人脸图像,作为生成的图像。
具体的,去干扰模型可以识别图像中人脸的面部识别特征,上述面部识别特征以三维模型参数的形式得到,基于上述特征进行三维建模,从而得到三维人脸模型,并对三维人脸模型进行图像渲染,得到目标图像。
其中,在得到三维人脸模型时,可以直接基于面部识别特征建模得到,也可以基于上述面部识别特征和预设的干扰特征建模得到,上述干扰特征可以是参考人脸图像中的干扰特征。
本申请的一个实施例中,可以通过以下方式训练得到上述去干扰模型:
获得样本图像,对样本图像中用户的人脸进行三维建模,得到所构建三维模型的三维模型参数,选择所得到的三维模型参数中反映用户面部识别特征的参数,基于所选择的参数渲染得到二维人脸图像,作为标注图像,利用样本图像及标注图像对去干扰模型的初始模型进行训练,得到训练后的去干扰模型。
具体的,可以搜集样本图像,样本图像中包含用户的人脸,首先构建样本图像对应的标注图像,可以基于样本图像中用户的人脸进行三维建模,利用三维模型参数中表征用户的面部识别特征的参数再次进行三维建模,并对所得到的三维人脸模型进行图像渲染,从而得到样本图像对应的标注图像,最后可以利用样本图像和标注图像对去干扰模型的初始模型进行训练,直至达到训练结束条件。
其中,上述训练结束条件可以是训练次数达到预设的次数阈值,还可以是模型输出结果的损失小于预设的损失阈值,本申请实施例并不对此进行限定。
参见图5,图5为本申请实施例提供的一种人脸识别装置的结构示意图,所述装置包括:
图像获得模块501,用于获得待识别人脸图像;
图像处理模块502,用于对所述待识别人脸图像中的干扰特征进行去干扰处理,并根据处理结果获得目标图像,其中,所述干扰特征为:图像中对用户的面部识别特征产生干扰的特征;
人脸识别模块503,用于基于预设的参考人脸图像对所述目标图像进行人脸识别,并将识别结果确定为所述待识别人脸图像的人脸识别结果。
本申请的一个实施例中,所述图像处理模块502,具体用于:
去除所述待识别人脸图像中的干扰特征,将去除干扰特征后的图像作为目标图像;或
去除所述待识别人脸图像中的干扰特征,在去除干扰特征后的图像中增加预设的干扰特征,得到目标图像;或
获得所述待识别人脸图像中用户的面部识别特征,作为目标特征,利用所述目标特征和预设的干扰特征生成目标图像。
本申请的一个实施例中,所述图像处理模块502,包括:
人脸建模单元,用于基于所述待识别人脸图像,对所述待识别人脸图像中用户的人脸进行三维建模,得到所构建三维模型的三维模型参数,将所得到的三维模型参数中反映用户面部识别特征的参数,确定为目标特征;
图像生成单元,用于利用所述目标特征和预设的干扰特征生成目标图像。
本申请的一个实施例中,所述图像生成单元,具体用于:
基于所述三维模型参数中反映用户面部识别特征的参数,及预设的干扰特征,对人脸进行三维建模,得到三维人脸模型;
将得到的三维人脸模型渲染为二维人脸图像,作为目标图像。
本申请的一个实施例中,所述图像处理模块502,具体用于:
将所述待识别人脸图像输入预先训练完成的去干扰模型,获得所述去干扰模型输出的目标图像,其中,所述去干扰模型为:采用样本图像训练得到的、用于对图像进行去干扰处理的模型。
本申请的一个实施例中,所述去干扰模型具体用于:
生成去除图像自身的干扰特征、且增加预设的干扰特征后的图像。
本申请的一个实施例中,所述装置还包括模型训练模块,用于通过以下方式训练得到所述去干扰模型:
获得样本图像;
对所述样本图像中用户的人脸进行三维建模,得到所构建三维模型的三维模型参数,选择所得到的三维模型参数中反映用户面部识别特征的参数,基于所选择的参数渲染得到二维人脸图像,作为标注图像;
利用所述样本图像及标注图像对所述去干扰模型的初始模型进行训练,得到训练后的去干扰模型。
本申请的一个实施例中,所述去干扰模型具体用于:
利用图像中人脸的面部识别特征,对人脸进行三维建模,得到三维人脸模型,并将得到的三维人脸模型渲染为二维人脸图像,作为生成的图像。
本申请的一个实施例中,所述装置还包括干扰特征获得模块,用于通过以下方式获得预设的干扰特征:
获得所述参考人脸图像,基于所述参考人脸图像,对所述参考人脸图像中用户的人脸进行三维建模,得到所构建三维模型的三维模型参数,将所得到的三维模型参数中对用户的面部识别特征产生干扰的参数,确定为预设的干扰特征。
本申请的一个实施例中,图像中的干扰特征包括以下特征中的至少一种:用户表情关联的特征、用户姿态关联的特征、采集图像时环境关联的特征。
应用上述实施例提供的方案进行人脸识别时,可以获得待识别人脸图像;对待识别人脸图像中的干扰特征进行去干扰处理,并根据处理结果获得目标图像,其中,干扰特征为:图像中对用户的面部识别特征产生干扰的特征;基于预设的参考人脸图像对目标图像进行人脸识别,并将识别结果确定为待识别人脸图像的人脸识别结果。由于对待识别人脸图像进行了去干扰处理,因此所获得的目标图像中不再包含自身原本存在的干扰特征。这样在基于参考人脸图像对目标图像进行人脸识别时,可以降低原本的待识别人脸图像中的干扰特征对人脸识别结果带来的干扰。由此可见,应用上述实施例提供的方案,可以提高人脸识别的准确度。
本申请实施例还提供了一种电子设备,如图6所示,包括处理器601、通信接口602、存储器603和通信总线604,其中,处理器601,通信接口602,存储器603通过通信总线604完成相互间的通信,
存储器603,用于存放计算机程序;
处理器601,用于执行存储器603上所存放的程序时,实现人脸识别的方法步骤。
上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect,PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture,EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示,图中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory,RAM),也可以包括非易失性存储器(Non-Volatile Memory,NVM),例如至少一个磁盘存储器。可选的,存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(Network Processor,NP)等;还可以是数字信号处理器(Digital SignalProcessing,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
在本申请提供的又一实施例中,还提供了一种计算机可读存储介质,该计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现上述任一人脸识别方法的步骤。
在本申请提供的又一实施例中,还提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述实施例中任一人脸识别方法。
应用上述实施例提供的方案进行人脸识别时,可以获得待识别人脸图像;对待识别人脸图像中的干扰特征进行去干扰处理,并根据处理结果获得目标图像,其中,干扰特征为:图像中对用户的面部识别特征产生干扰的特征;基于预设的参考人脸图像对目标图像进行人脸识别,并将识别结果确定为待识别人脸图像的人脸识别结果。由于对待识别人脸图像进行了去干扰处理,因此所获得的目标图像中不再包含自身原本存在的干扰特征。这样在基于参考人脸图像对目标图像进行人脸识别时,可以降低原本的待识别人脸图像中的干扰特征对人脸识别结果带来的干扰。由此可见,应用上述实施例提供的方案,可以提高人脸识别的准确度。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
需要说明的是,在本文中,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,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置实施例、电子设备实施例、计算机可读存储介质实施例、计算机程序产品实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本申请的较佳实施例,并非用于限定本申请的保护范围。凡在本申请的精神和原则之内所作的任何修改、等同替换、改进等,均包含在本申请的保护范围内。
Claims (12)
1.一种人脸识别方法,其特征在于,所述方法包括:
获得待识别人脸图像;
对所述待识别人脸图像中的干扰特征进行去干扰处理,并根据处理结果获得目标图像,其中,所述干扰特征为:图像中对用户的面部识别特征产生干扰的特征;
基于预设的参考人脸图像对所述目标图像进行人脸识别,并将识别结果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,其特征在于,所述对所述待识别人脸图像中的干扰特征进行去干扰处理,并根据处理结果获得目标图像,包括:
去除所述待识别人脸图像中的干扰特征,将去除干扰特征后的图像作为目标图像;或
去除所述待识别人脸图像中的干扰特征,在去除干扰特征后的图像中增加预设的干扰特征,得到目标图像;或
获得所述待识别人脸图像中用户的面部识别特征,作为目标特征,利用所述目标特征和预设的干扰特征生成目标图像。
3.根据权利要求2所述的方法,其特征在于,所述获得所述待识别人脸图像中用户的面部识别特征,作为目标特征,包括:
基于所述待识别人脸图像,对所述待识别人脸图像中用户的人脸进行三维建模,得到所构建三维模型的三维模型参数,将所得到的三维模型参数中反映用户面部识别特征的参数,确定为目标特征。
4.根据权利要求3所述的方法,其特征在于,所述利用所述目标特征和预设的干扰特征生成目标图像,包括:
基于所述三维模型参数中反映用户面部识别特征的参数,及预设的干扰特征,对人脸进行三维建模,得到三维人脸模型;
将得到的三维人脸模型渲染为二维人脸图像,作为目标图像。
5.根据权利要求1所述的方法,其特征在于,所述对所述待识别人脸图像中的干扰特征进行去干扰处理,并根据处理结果获得目标图像,包括:
将所述待识别人脸图像输入预先训练完成的去干扰模型,获得所述去干扰模型输出的目标图像,其中,所述去干扰模型为:采用样本图像训练得到的、用于对图像进行去干扰处理的模型。
6.根据权利要求5所述的方法,其特征在于,所述去干扰模型具体用于:
生成去除图像自身的干扰特征、且增加预设的干扰特征后的图像。
7.根据权利要求5所述的方法,其特征在于,通过以下方式训练得到所述去干扰模型:
获得样本图像;
对所述样本图像中用户的人脸进行三维建模,得到所构建三维模型的三维模型参数,选择所得到的三维模型参数中反映用户面部识别特征的参数,基于所选择的参数渲染得到二维人脸图像,作为标注图像;
利用所述样本图像及标注图像对所述去干扰模型的初始模型进行训练,得到训练后的去干扰模型。
8.根据权利要求5所述的方法,其特征在于,所述去干扰模型具体用于:
利用图像中人脸的面部识别特征,对人脸进行三维建模,得到三维人脸模型,并将得到的三维人脸模型渲染为二维人脸图像,作为生成的图像。
9.根据权利要求2或6所述的方法,其特征在于,通过以下方式获得预设的干扰特征:
获得所述参考人脸图像,基于所述参考人脸图像,对所述参考人脸图像中用户的人脸进行三维建模,得到所构建三维模型的三维模型参数,将所得到的三维模型参数中对用户的面部识别特征产生干扰的参数,确定为预设的干扰特征。
10.根据权利要求1-8中任一项所述的方法,其特征在于,图像中的干扰特征包括以下特征中的至少一种:用户表情关联的特征、用户姿态关联的特征、采集图像时环境关联的特征。
11.一种人脸识别装置,其特征在于,所述装置包括:
图像获得模块,用于获得待识别人脸图像;
图像处理模块,用于对所述待识别人脸图像中的干扰特征进行去干扰处理,并根据处理结果获得目标图像,其中,所述干扰特征为:图像中对用户的面部识别特征产生干扰的特征;
人脸识别模块,用于基于预设的参考人脸图像对所述目标图像进行人脸识别,并将识别结果确定为所述待识别人脸图像的人脸识别结果。
12.一种电子设备,其特征在于,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现权利要求1-10任一所述的方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011248133.2A CN112270747A (zh) | 2020-11-10 | 2020-11-10 | 一种人脸识别方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011248133.2A CN112270747A (zh) | 2020-11-10 | 2020-11-10 | 一种人脸识别方法、装置及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112270747A true CN112270747A (zh) | 2021-01-26 |
Family
ID=74339418
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011248133.2A Pending CN112270747A (zh) | 2020-11-10 | 2020-11-10 | 一种人脸识别方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112270747A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113361356A (zh) * | 2021-05-28 | 2021-09-07 | 佛山市诚智鑫信息科技有限公司 | 一种复杂环境人脸识别方法及系统 |
CN113673374A (zh) * | 2021-08-03 | 2021-11-19 | 支付宝(杭州)信息技术有限公司 | 一种面部识别方法、装置及设备 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109522812A (zh) * | 2018-10-23 | 2019-03-26 | 青岛小鸟看看科技有限公司 | 人脸识别方法及装置、电子设备 |
CN109902621A (zh) * | 2019-02-26 | 2019-06-18 | 嘉兴学院 | 一种三维人脸识别方法、装置、计算机设备及存储介质 |
CN110969139A (zh) * | 2019-12-11 | 2020-04-07 | 深圳市捷顺科技实业股份有限公司 | 人脸识别模型训练方法及相关装置、人脸识别方法及相关装置 |
CN111222485A (zh) * | 2020-01-15 | 2020-06-02 | 北京明略软件系统有限公司 | 3d人脸识别方法、装置、电子设备和存储介质 |
CN111414858A (zh) * | 2020-03-19 | 2020-07-14 | 北京迈格威科技有限公司 | 人脸识别方法、目标图像的确定方法、装置和电子系统 |
CN111488810A (zh) * | 2020-03-31 | 2020-08-04 | 长沙千视通智能科技有限公司 | 人脸识别方法、装置、终端设备及计算机可读介质 |
CN111695462A (zh) * | 2020-05-29 | 2020-09-22 | 平安科技(深圳)有限公司 | 一种人脸识别方法、装置、存储介质和服务器 |
CN111783593A (zh) * | 2020-06-23 | 2020-10-16 | 中国平安人寿保险股份有限公司 | 基于人工智能的人脸识别方法、装置、电子设备及介质 |
CN111898413A (zh) * | 2020-06-16 | 2020-11-06 | 深圳市雄帝科技股份有限公司 | 人脸识别方法、装置、电子设备和介质 |
-
2020
- 2020-11-10 CN CN202011248133.2A patent/CN112270747A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109522812A (zh) * | 2018-10-23 | 2019-03-26 | 青岛小鸟看看科技有限公司 | 人脸识别方法及装置、电子设备 |
CN109902621A (zh) * | 2019-02-26 | 2019-06-18 | 嘉兴学院 | 一种三维人脸识别方法、装置、计算机设备及存储介质 |
CN110969139A (zh) * | 2019-12-11 | 2020-04-07 | 深圳市捷顺科技实业股份有限公司 | 人脸识别模型训练方法及相关装置、人脸识别方法及相关装置 |
CN111222485A (zh) * | 2020-01-15 | 2020-06-02 | 北京明略软件系统有限公司 | 3d人脸识别方法、装置、电子设备和存储介质 |
CN111414858A (zh) * | 2020-03-19 | 2020-07-14 | 北京迈格威科技有限公司 | 人脸识别方法、目标图像的确定方法、装置和电子系统 |
CN111488810A (zh) * | 2020-03-31 | 2020-08-04 | 长沙千视通智能科技有限公司 | 人脸识别方法、装置、终端设备及计算机可读介质 |
CN111695462A (zh) * | 2020-05-29 | 2020-09-22 | 平安科技(深圳)有限公司 | 一种人脸识别方法、装置、存储介质和服务器 |
CN111898413A (zh) * | 2020-06-16 | 2020-11-06 | 深圳市雄帝科技股份有限公司 | 人脸识别方法、装置、电子设备和介质 |
CN111783593A (zh) * | 2020-06-23 | 2020-10-16 | 中国平安人寿保险股份有限公司 | 基于人工智能的人脸识别方法、装置、电子设备及介质 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113361356A (zh) * | 2021-05-28 | 2021-09-07 | 佛山市诚智鑫信息科技有限公司 | 一种复杂环境人脸识别方法及系统 |
CN113673374A (zh) * | 2021-08-03 | 2021-11-19 | 支付宝(杭州)信息技术有限公司 | 一种面部识别方法、装置及设备 |
CN113673374B (zh) * | 2021-08-03 | 2024-01-30 | 支付宝(杭州)信息技术有限公司 | 一种面部识别方法、装置及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI751161B (zh) | 終端設備、智慧型手機、基於臉部識別的認證方法和系統 | |
EP3885965B1 (en) | Image recognition method based on micro facial expressions, apparatus and related device | |
Rathgeb et al. | Impact and detection of facial beautification in face recognition: An overview | |
JP5895703B2 (ja) | 画像処理装置及び画像処理方法、並びにコンピューター・プログラム | |
US20160162673A1 (en) | Technologies for learning body part geometry for use in biometric authentication | |
CN107590430A (zh) | 活体检测方法、装置、设备及存储介质 | |
US20220148333A1 (en) | Method and system for estimating eye-related geometric parameters of a user | |
CN110807427B (zh) | 一种视线追踪方法、装置、计算机设备和存储介质 | |
KR20170050465A (ko) | 얼굴 인식 장치 및 방법 | |
CN105518708A (zh) | 用于验证活体人脸的方法、设备和计算机程序产品 | |
CN106068514A (zh) | 用于在不受约束的媒体中识别面孔的系统和方法 | |
CN111008935B (zh) | 一种人脸图像增强方法、装置、系统及存储介质 | |
CN111597884A (zh) | 面部动作单元识别方法、装置、电子设备及存储介质 | |
CN112818909A (zh) | 图像更新方法、装置、电子设备及计算机可读介质 | |
CN112052746A (zh) | 目标检测方法、装置、电子设备和可读存储介质 | |
JP2020177615A (ja) | アバター用の3d顔モデルを生成する方法及び関連デバイス | |
CN112270747A (zh) | 一种人脸识别方法、装置及电子设备 | |
CN114283052A (zh) | 妆容迁移及妆容迁移网络的训练方法和装置 | |
CN109858379A (zh) | 笑容真诚度检测方法、装置、存储介质和电子设备 | |
CN109858355B (zh) | 图像处理方法及相关产品 | |
CN111476741B (zh) | 图像的去噪方法、装置、电子设备和计算机可读介质 | |
Kryvonos et al. | Information technology for the analysis of mimic expressions of human emotional states | |
WO2023124869A1 (zh) | 用于活体检测的方法、装置、设备及存储介质 | |
JP7247579B2 (ja) | 情報処理装置、情報処理方法及びプログラム | |
CN111723688A (zh) | 人体动作识别结果的评价方法、装置和电子设备 |
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 |