CN112329726B - 人脸识别方法及装置 - Google Patents

人脸识别方法及装置 Download PDF

Info

Publication number
CN112329726B
CN112329726B CN202011359725.1A CN202011359725A CN112329726B CN 112329726 B CN112329726 B CN 112329726B CN 202011359725 A CN202011359725 A CN 202011359725A CN 112329726 B CN112329726 B CN 112329726B
Authority
CN
China
Prior art keywords
face
depth
model
map
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.)
Active
Application number
CN202011359725.1A
Other languages
English (en)
Other versions
CN112329726A (zh
Inventor
户磊
王亚运
薛远
季栋
曹天宇
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.)
Hefei Dilusense Technology Co Ltd
Original Assignee
Hefei Dilusense 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 Hefei Dilusense Technology Co Ltd filed Critical Hefei Dilusense Technology Co Ltd
Priority to CN202011359725.1A priority Critical patent/CN112329726B/zh
Publication of CN112329726A publication Critical patent/CN112329726A/zh
Application granted granted Critical
Publication of CN112329726B publication Critical patent/CN112329726B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06V40/161—Detection; Localisation; Normalisation
    • G06V40/164—Detection; Localisation; Normalisation using holistic features
    • 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
    • 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)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Computer Interaction (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种人脸识别方法及装置，所述方法包括：将待识别的人脸深度图输入人脸识别模型，获取人脸识别结果；其中，人脸识别模型为以人脸深度样本图为样本训练得到，人脸深度样本图是基于人脸热力权值图评估合格后的图像，由于人脸热力权值图可以表征人脸深度样本图对应区域在人脸识别中与识别率之间的关联性，从而保证评估结果能够准确反映待评估的人脸深度样本图对识别率的影响程度，进而可以精确筛选出质量较高的人脸深度样本图作为人脸识别模型的输入，以减少采集大量人脸深度样本图来测试识别率的时间成本和人力成本，提高了人脸识别效率。

Description

人脸识别方法及装置
技术领域
本发明涉及机器视觉技术领域，尤其涉及一种人脸识别方法及装置。
背景技术
人脸分析和识别系统的性能取决于所采集人脸深度图的质量。现有技术中人脸识别方法为：将待识别的人脸深度图输入人脸识别模型，输出识别结果。其中，现有技术中人脸识别模型是基于人脸深度样本图训练得到的，而人脸深度图样本是基于真值模型评估合格后的图像，具体为：首先将人脸深度图样本转为点云模型，通过配准算法将上述模型对齐到真值模型上，然后计算深度图模型上每个顶点到真值模型上最近邻点的平均欧氏距离，作为衡量深度图质量的精度指标，平均距离越大，则表明深度图质量越差，但采用该方法无法准确对人脸深度样本图进行评估，从而影响人脸识别模型的精度。
发明内容
本发明提供一种人脸识别方法及装置，用以解决现有技术中无法准确对人脸深度图进行质量评估，影响人脸识别模型精度的缺陷。
本发明提供一种人脸识别方法，包括：
获取待识别的人脸深度图；
将所述待识别的人脸深度图输入人脸识别模型，获取人脸识别结果；
其中，所述人脸识别模型为以人脸深度样本图为样本训练得到，所述人脸深度样本图是基于人脸热力权值图评估合格后的图像，所述人脸热力权值图用于表征所述人脸深度样本图对应区域在人脸识别中与识别率之间的关联性。
根据本发明提供一种的人脸识别方法，
所述人脸深度样本图基于如下步骤进行评估：
获取待评估的人脸深度样本图，以及与所述人脸深度样本图对应的正脸投影深度图；
获取所述正脸投影深度图的人脸热力权值图，所述人脸热力权值图包括所述正脸投影深度图中各区域的权值，所述权值表征对应区域在人脸识别中与识别率之间的关联性；
基于所述正脸投影深度图和所述人脸热力权值图，获取人脸真值模型；
基于所述人脸真值模型，以及所述人脸深度样本图对应的人脸深度图模型，获取所述人脸深度样本图的质量评估结果。
根据本发明提供一种的人脸识别方法，获取所述正脸投影深度图的人脸热力权值图，包括：
将所述正脸投影深度图输入初始人脸识别模型，获取基准人脸特征向量；
对所述正脸投影深度图进行弱化处理，并将弱化后的正脸投影深度图输入所述初始人脸识别模型，获取人脸特征向量；
基于所述基准人脸特征向量和所述人脸特征向量，获取人脸热力权值图；
基于所述正脸投影深度图和所述人脸热力权值图，获取人脸真值模型，包括：
基于矩阵变换，将所述正脸投影深度图转换为点云模型；
在所述点云模型中添加所述人脸热力权值图的权重值数据，获取人脸真值模型。
根据本发明提供的一种人脸识别方法，对所述正脸投影深度图进行弱化处理，包括：采用不同尺寸的窗口在所述正脸投影深度图上进行滑动弱化处理；
所述基于所述基准人脸特征向量和所述人脸特征向量，获取人脸热力权值图，包括：
计算所述基准人脸特征向量和所述人脸特征向量之间的人脸特征向量欧氏距离，并计算所述正脸投影深度图与弱化后各窗口的正脸投影深度图的深度变化量；
基于所述人脸特征向量欧氏距离和各窗口的深度变化量，获取各窗口的欧氏距离图；
基于各窗口的尺寸对所述各窗口的欧氏距离图进行权重叠加，并将权重叠加后的欧氏距离图进行归一化处理，获取人脸热力权值图。
根据本发明提供的一种人脸识别方法，在将所述正脸投影深度图输入初始人脸识别模型之前，还包括：将所述正脸投影深度图映射为标准姿态下的深度图；
在对所述正脸投影深度图进行弱化处理之后，还包括：将弱化处理后的正脸投影深度图映射为标准姿态下的深度图。
根据本发明提供的一种人脸识别方法，基于所述人脸真值模型，以及所述人脸深度样本图对应的人脸深度图模型，获取所述人脸深度样本图的质量评估结果，包括：
对所述人脸真值模型和所述人脸深度图模型进行裁剪，将裁剪后的人脸真值模型和人脸深度图模型进行点云数据配准；
基于配准后的人脸真值模型和人脸深度图模型，获取加权欧氏距离指标和加权法向偏差指标；
基于预设权重，对所述加权欧氏距离指标和所述加权法向偏差指标进行权重叠加，获取所述人脸深度样本图的质量评估结果；
所述预设权重是基于如下步骤获取的：
获取多个样本人脸深度图，以及与各样本人脸深度图对应的样本正脸投影深度图，并基于各样本正脸投影深度图及其样本人脸热力权值图，获取各样本人脸真值模型；
基于所述各样本人脸真值模型，以及所述各样本人脸深度图对应的样本人脸深度图模型，获取各样本加权欧氏距离指标和各样本加权法向偏差指标；
基于人脸识别闭集测试，确定各样本人脸深度图的样本人脸识别率；
基于最小二乘法，对各样本人脸识别率、各样本加权欧氏距离指标和各样本加权法向偏差指标进行拟合，获取所述预设权重。
根据本发明提供的一种人脸识别方法，基于配准后的人脸真值模型和人脸深度图模型，获取加权欧氏距离指标和加权法向偏差指标，包括：
以配准后的人脸深度图模型为源点云，以配准后的人脸真值模型为目标点云，计算第一平均欧氏距离和第一法向偏差；
以配准后的人脸深度图模型为目标点云，以配准后的人脸真值模型为源点云，计算第二平均欧氏距离和第二法向偏差；
基于所述第一平均欧氏距离和所述第二平均欧氏距离，获取所述加权欧氏距离指标；
基于所述第一法向偏差和所述第二法向偏差，获取所述加权法向偏差指标。
本发明还提供一种人脸识别装置，包括：
获取单元，用于获取待识别的人脸深度图；
识别单元，用于将所述待识别的人脸深度图输入人脸识别模型，获取人脸识别结果；
其中，所述人脸识别模型为以人脸深度样本图为样本训练得到，所述人脸深度样本图是基于人脸热力权值图评估合格后的图像，所述人脸热力权值图用于表征所述人脸深度样本图对应区域在人脸识别中与识别率之间的关联性。
本发明还提供一种电子设备，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如上述任一种所述人脸识别方法的步骤。
本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述人脸识别方法的步骤。
本发明提供的人脸识别方法及装置，将待识别的人脸深度图输入人脸识别模型，获取人脸识别结果；其中，人脸识别模型为以人脸深度样本图为样本训练得到，人脸深度样本图是是基于人脸热力权值图评估合格后的图像，由于人脸热力权值图可以表征人脸深度样本图对应区域在人脸识别中与识别率之间的关联性，从而保证评估结果能够准确反映待评估的人脸深度样本图对识别率的影响程度，进而可以精确筛选出质量较高的人脸深度样本图作为人脸识别模型的输入，以减少采集大量人脸深度样本图来测试识别率的时间成本和人力成本，提高了人脸识别效率。
附图说明
为了更清楚地说明本发明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一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，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附图。
图1是本发明提供的人脸识别方法的流程示意图；
图2是本发明提供的人脸识别装置的结构示意图；
图3是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
人脸分析和识别系统的性能取决于所采集人脸深度图的质量，现有技术中人脸识别方法为：将待识别的人脸深度图输入人脸识别模型，输出识别结果。其中，现有技术中人脸识别模型是基于人脸深度样本图训练得到的，而人脸深度图样本是基于真值模型评估合格后的图像，具体为：将人脸深度样本图转为点云模型，通过配准算法将上述模型对齐到真值模型上，然后计算深度图模型上每个顶点到真值模型上最近邻点的平均欧氏距离，作为衡量深度图质量的精度指标，平均距离越大，则表明深度图质量越差。然而，上述方法没有考虑人脸各部分区域对识别率影响的权值大小(例如鼻子对识别率影响的权值较大，而头发对识别率影响的权值较小)，而是直接以平均欧氏距离作为人脸深度样本图质量的评估指标，无法准确反映人脸深度图对识别率的影响程度，从而无法准确筛选出高质量的人脸深度样本图作为人脸识别模型的训练集，进而影响人脸识别模型的精度。
对此，本发明提供了一种人脸识别方法。图1是本发明提供的人脸识别方法的流程示意图，如图1所示，该方法包括：
步骤110、获取待识别的人脸深度图；
步骤120、将待识别的人脸深度图输入人脸识别模型，获取人脸识别结果；
其中，人脸识别模型为以人脸深度样本图为样本训练得到，人脸深度样本图是基于人脸热力权值图评估合格后的图像，所述人脸热力权值图用于表征所述人脸深度样本图对应区域在人脸识别中与识别率之间的关联性。
在本实施例中，在需要对待识别的人脸深度图进行人脸识别时，将人脸深度图输入人脸识别模型中，获取识别结果。其中，人脸识别模型为以人脸深度样本图为样本训练得到。由于人脸深度样本图的质量会影响最终人脸识别模型的精度，因此输入人脸识别模型进行训练的人脸深度样本图是经过筛选评估合格的图像，其具体获取方法如下：
获取待进行训练的人脸深度样本初始图对应的人脸热力权值图；人脸热力权值图可以用来表征人脸区域各像素点对识别率的影响大小，即采用人脸热力权值图中人脸各区域的权值表征对应区域在人脸识别中与识别率之间的关联性。例如，鼻子对识别率的影响程度比头发对识别率的影响程度大，因此鼻子在人脸热力权值图中所占权值比头发在人脸热力权值图中所占权值大。由此可见，通过人脸热力权值图，可以定量获取人脸深度样本图各区域对识别率的影响程度。
基于人脸深度样本初始图和人脸热力权值图，评估人脸深度样本初始图，计算人脸深度图质量的评估指标，并将评估合格后的人脸深度样本初始图作为人脸深度样本图。其中，评估指标可以为欧氏距离，也可以为法向偏差，本实施例对此不作具体限定。
由于人脸深度样本初始图的评估指标是根据可以表征人脸各区域在人脸识别中与识别率之间关联性的人脸热力权值图获取的，从而人脸深度样本初始图的质量评估结果可以准确反映人脸深度样本图对识别率的影响程度，进而可以精确筛选出质量较高的人脸深度样本图作为人脸识别模型的输入，以减少采集大量人脸深度样本图来测试识别率的时间成本和人力成本，提高了人脸识别效率。
本发明提供的人脸识别方法，将待识别的人脸深度图输入人脸识别模型，获取人脸识别结果；其中，人脸识别模型为以人脸深度样本图为样本训练得到，人脸深度样本图是基于人脸热力权值图评估合格后的图像，由于人脸热力权值图可以表征人脸深度样本图对应区域在人脸识别中与识别率之间的关联性，从而保证评估结果能够准确反映待评估的人脸深度样本图对识别率的影响程度，进而可以精确筛选出质量较高的人脸深度样本图作为人脸识别模型的输入，以减少采集大量人脸深度样本图来测试识别率的时间成本和人力成本，提高了人脸识别效率。
基于上述实施例，人脸深度样本图基于如下步骤进行评估：
获取待评估的人脸深度样本图，以及与所述人脸深度样本图对应的正脸投影深度图；
获取所述正脸投影深度图的人脸热力权值图，所述人脸热力权值图包括所述正脸投影深度图中各区域的权值，所述权值表征对应区域在人脸识别中与识别率之间的关联性；
基于所述正脸投影深度图和所述人脸热力权值图，获取人脸真值模型；
基于所述人脸真值模型，以及所述人脸深度样本图对应的人脸深度图模型，获取所述人脸深度样本图的质量评估结果。
具体地，深度图也被称为距离影像，是指将从图像采集器到场景中各点的距离(深度)作为像素值的图像，它直接反映了景物可见表面的几何形状，深度图经过坐标转换可以计算为点云数据，本实施例中人脸深度样本图可以使用深度相机采集，从而可以确保与真实人脸形貌一致。与人脸深度样本图对应的正脸投影深度图用于作为评估人脸深度图的基础，因此所采集的正脸投影深度图的精度要比人脸深度样本图的精度更高，本实施例可以基于如下步骤获取：首先使用高精度扫描仪等设备采集原始真实人脸的真值(GroundTruth，GT)模型，保证原始GT模型人脸完整、精度高、无空洞，然后使用仿真程序获取原始GT模型的正脸投影深度图，其中投影使用的参数为深度相机的参数，投影距离为深度相机的最佳成像距离。
人脸热力权值图是根据人脸识别算法原理，通过计算正脸投影深度图单位变化量对应的人脸识别模型输出特征向量的变化量，获取与正脸投影深度图每个像素一一对应的权重数值，可以用来表征人脸区域各像素点对识别率的影响大小。在本步骤中，可以根据训练好的人脸识别模型，获取正脸投影深度图的人脸热力权值图，采用人脸热力权值图中人脸各区域的权值表征对应区域在人脸识别中与识别率之间的关联性。例如，鼻子对识别率的影响程度比头发对识别率的影响程度大，因此鼻子在人脸热力权值图中所占权值比头发在人脸热力权值图中所占权值大。由此可见，通过人脸热力权值图，可以定量获取正脸投影深度图各区域对识别率的影响程度。
人脸真值模型是由正脸投影深度图转换得到点云模型，并在转换得到的点云模型中导入人脸热力权值图的数据后得到的。由于人脸真值模型耦合有可以表征人脸各区域在人脸识别中与识别率之间关联性的人脸热力权值图，从而人脸真值模型可以反映人脸各区域对识别率的影响程度。
人脸深度图模型是由人脸深度样本初始图转换得到点云模型，基于人脸真值模型和人脸深度图模型，可以获取用于评估人脸深度图质量的指标。在本实施例中，可以通过配准算法将人脸深度模型对齐到人脸真值模型，然后计算人脸深度图质量的评估指标。其中，评估指标可以为欧氏距离，也可以为法向偏差，本实施例对此不作具体限定。
由于人脸真值模型耦合有可以表征人脸各区域在人脸识别中与识别率之间关联性的人脸热力权值图，从而基于人脸真值模型和人脸深度模型获取的质量评估结果可以准确反映人脸深度图对识别率的影响程度，进而可以精确筛选出质量较高的人脸深度样本初始图作为人脸识别模型的输入，以减少采集大量人脸深度图来测试识别率的时间成本和人力成本，提高了人脸识别效率。
本发明提供的人脸识别方法，基于正脸投影深度图和人脸热力权值图获取人脸真值模型，基于人脸真值模型以及人脸深度样本图对应的人脸深度图模型，获取人脸深度样本图的质量评估结果，由于人脸热力权值图包括正脸投影深度图中各区域的权值，以表征对应区域在人脸识别中与识别率之间的关联性，使得人脸真值模型中耦合了人脸各部分区域对识别率的影响权值，从而保证评估结果能够准确反映待评估的人脸深度样本图对识别率的影响程度。
基于上述实施例，获取正脸投影深度图的人脸热力权值图，包括：
将正脸投影深度图输入初始人脸识别模型，获取基准人脸特征向量；
对正脸投影深度图进行弱化处理，并将弱化后的正脸投影深度图输入初始人脸识别模型，获取人脸特征向量；
基于基准人脸特征向量和人脸特征向量，获取人脸热力权值图。
具体地，为了使人脸热力权值图能够表征正脸投影深度图对应区域在人脸识别中与识别率之间的关联性，本实施例通过结合初始人脸识别模型，分别将未进行任何弱化处理的正脸投影深度图和弱化处理后的正脸投影深度图输入人脸识别模型，由于弱化处理后的正脸投影深度图可能存在人脸某一区域被置零，如将鼻子对应区域的深度图抠除，则将弱化处理后的正脸投影深度图输入人脸识别模型中后，得到人脸特征向量，与正脸投影深度图输入人脸识别模型后获得的基准人脸特征向量进行比较，可以判断弱化处理区域对人脸识别率的影响，即弱化处理区域在正脸投影深度图中所占权值。在本实施例中，弱化处理可以采用不同大小的窗口在正脸投影深度图上滑动遍历，每次滑动前都对窗口内像素点的深度值进行不同类型和不同程度的弱化(平滑或置零)。
另外，在将正脸投影深度图输入初始人脸识别模型之前，可以预先训练得到初始人脸识别模型，具体可通过如下方式训练得到初始人脸识别模型：首先，收集大量样本人脸深度图，以及通过人工标注得到的样本人脸深度图识别结果。随即，将样本人脸深度图，以及样本人脸深度图识别结果对初始模型进行训练，从而得到初始人脸识别模型。
本发明提供的人脸识别方法，基于基准人脸特征向量和人脸特征向量，获取人脸热力权值图，从而使得人脸热力权值图能够准确表征正脸投影深度图对应区域在人脸识别中与识别率之间的关联性。
基于上述实施例，对正脸投影深度图进行弱化处理，包括：采用不同尺寸的窗口在正脸投影深度图上进行滑动弱化处理；
基于基准人脸特征向量和所述人脸特征向量，获取人脸热力权值图，包括：
计算基准人脸特征向量和所述人脸特征向量之间的人脸特征向量欧氏距离，并计算正脸投影深度图与弱化后的各窗口的正脸投影深度图的深度变化量；
基于人脸特征向量欧氏距离和各窗口的深度变化量，获取各窗口的欧氏距离图；
基于各窗口的尺寸对各窗口的欧氏距离图进行权重叠加，并将权重叠加后的欧氏距离图进行归一化处理，获取人脸热力权值图。
具体地，对正脸投影深度图进行弱化处理时，采用不同大小的窗口在正脸投影深度图上滑动遍历，每次滑动前都对窗口内像素点的深度值进行不同类型和不同程度的弱化(平滑或置零)，并将弱化后的正脸投影深度图输入人脸识别模型，输出人脸特征向量，计算人脸特征向量与基准特征向量之间的欧氏距离，同时计算弱化前后正脸投影深度图的深度变化量(窗口内深度值的变化量求和)，将人脸特征向量与基准特征向量之间的欧氏距离与深度变化量相除，作为窗口内像素点的“单位欧式距离值”，遍历完成后得到某个窗口下的“欧氏距离图”。然后将不同大小窗口滑动后得到的一系列“欧氏距离图”进行加权叠加，得到可以表征人脸各部分区域与识别率相关性的人脸热力图，随后对上述人脸热力图进行归一化处理，获取最后的人脸热力权值图，使得每个像素点的权重数值在[0,1]范围内，从而可以定量表示对识别率的影响程度。
需要说明的是，相较于大尺寸的窗口，小尺寸的窗口由于存在较大的波动干扰，会影响数据的准确性，因此为了减弱小尺寸窗口带来的波动干扰，本实施例基于窗口尺寸对各窗口的欧氏距离图进行权重叠加，即小尺寸窗口所占权值较小，大尺寸窗口所占权值较大，例如可以使用如下公式计算窗口所占权值：1+(w*h)/(W*H)，其中w和h分别表示窗口的宽度及高度，W和H分别表示正脸投影深度图的宽度和高度，然后基于各窗口的尺寸所占权值，对各窗口的欧氏距离图进行权重叠加。
本发明提供的人脸识别方法，采用不同尺寸的窗口在正脸投影深度图上进行滑动弱化处理，然后基于各窗口的尺寸对各窗口的欧氏距离图进行权重叠加，并将权重叠加后的欧氏距离图进行归一化处理，得到人脸热力权值图，从而避免因窗口尺寸大小带来的波动干扰，准确获取人脸热力权值图。
基于上述实施例，在将正脸投影深度图输入初始人脸识别模型之前，还包括：将正脸投影深度图映射为标准姿态下的深度图；
在对正脸投影深度图进行弱化处理之后，还包括：将弱化处理后的正脸投影深度图映射为标准姿态下的深度图。
在本实施例中，需要说明的是，由于摄像角度的不同，获取的正脸投影深度图可能不是标准姿态下的深度图(标准姿态下的深度图包括标准角度下的正脸投影深度图)，进而影响人脸深度图的质量评估结果的稳定性。因此，在将正脸投影深度图输入初始人脸识别模型之前，需要将正脸投影深度图映射为标准姿态下的深度图。具体地，通过采集人脸关键点像素坐标，以及选取标准姿态下的模板人脸深度图，基于透视变换原理并结合人脸关键点，将正脸投影深度图映射到模板人脸深度图上，得到标准姿态下的深度图。同理，在对正脸投影深度图进行弱化处理后，基于透视变换原理并结合人脸关键点，将弱化处理后的正脸投影深度图映射到模板人脸深度图上，得到弱化处理后标准姿态下的深度图。
本发明提供的人脸识别方法，通过将正脸投影深度图映射为标准姿态下的深度图，以及将弱化处理后的正脸投影深度图映射为标准姿态下的深度图，避免由于正脸投影深度图角度不同对质量评估结果造成的波动，保证质量评估结果的稳定性。
基于上述实施例，基于所述人脸真值模型，以及所述人脸深度样本图对应的人脸深度图模型，获取所述人脸深度样本图的质量评估结果，包括：
对人脸真值模型和人脸深度图模型进行裁剪，将裁剪后的人脸真值模型和人脸深度图模型进行点云数据配准；
基于配准后的人脸真值模型和人脸深度图模型，获取加权欧氏距离指标和加权法向偏差指标；
基于预设权重，对加权欧氏距离指标和加权法向偏差指标进行权重叠加，获取人脸深度样本图的质量评估结果。
具体地，点云数据配准是指将源点云通过旋转、平移和缩放转换到目标点云上，使得此时源点云和目标点云之间的距离残差最小。通过人脸点云数据配准，将人脸深度图模型对齐到人脸真值模型上，排除绝对位置和尺度缩放的影响，此时可以专注于人脸深度图模型在局部区域上与人脸真值模型的偏差，从而计算质量评价指标。
由于原始的人脸真值模型和人脸深度图模型包含大量会影响配准精度的冗余区域，例如头发、耳朵、脖子等，因此需要对人脸真值模型和人脸深度图模型进行裁剪，例如可以选用以鼻尖点为中心、以L*W*H为长宽高的立方体框进行人脸点云裁剪，可以得到较为合理的人脸区域。需要说明的是，本实施例可以先对人脸真值模型进行裁剪，然后人脸深度图模型以裁剪后的人脸真值模型作为基准进行裁剪，从而能够进一步准确保证人脸深度图模型可以对齐到人脸真值模型上。
在对人脸真值模型和人脸深度图模型进行裁剪后，将裁剪后的人脸真值模型和人脸深度图模型进行点云数据配准。点云数据配准包括全局粗配准和局部精配准，粗配准是为后续精配准做准备，初步对两片初始点云进行配准，可到平移矩阵和旋转矩阵的初始值，进而将待配准点云数据转换到统一坐标系内，为精配准提供一个较好的初始位置。精配准虽然具有计算简便直观，配准精度高等优点，但其运行速度以及向全局最优化的收敛性在很大程度上依赖于给定的初始变换估计以及在迭代过程中对应关系的确立，所以需要各种粗配准技术为精配准提供较好的位置，在迭代过程中确立正确对应点集能避免迭代陷入局部极值。因此，本实施例在进行局部精配准之前，需要先对人脸深度图模型和人脸真值模型进行全局的粗配准，以得到较好的精配准初始位置，降低精配准失败的概率。
本实施例可以采用快速点云迭代粗配准算法(Super 4-points congruent setsfor robust registration，Super4PCS)进行粗配准，该算法来源于点云粗配准算法(4-Points Congruent Sets，4PCS)，只是对确定对应点对的策略进行了优化，将原本的随机选择三个不同的点修改为以源点云中共面的四点为基准，在目标点云中确定对应的四点，以构成四组对应点，在一定程度上可增强算法的鲁棒性。采用Umeyama对齐算法进行精配准，该算法可以同时对源点云和目标点云之间的旋转、平移和缩放因素进行迭代优化，核心是使用奇异值分解(Singular Value Decomposition，SVD)来求解最小二乘法估计。结合足够精确的粗配准初始位置，通过上述算法，可以获得高精度的配准结果，以便于后续评价指标的计算。
在人脸真值模型和人脸深度图模型配准完成后，基于人脸真值模型中的人脸热力权值，计算加权欧氏距离指标和加权法向偏差指标，分别从空间位置和法线方向两个方面考察人脸深度图的质量精度，使指标更加全面鲁棒，不易受到不确定因素的影响。由此可见，本实施例针对人脸深度图所包含的空间几何信息，除了位置对应的加权欧氏距离指标之外，还考虑了人脸深度图模型每个顶点的法线方向偏差，从而可以更加全面的衡量人脸深度图所反映的质量精度。
此外，由于加权欧氏距离指标和加权法向偏差指标对人脸识别率的影响不同，因此本实施例还考虑了基于预设权重，对加权欧氏距离指标和加权法向偏差指标进行权重叠加，采用权重叠加后的指标评估人脸深度样本图的质量，从而可以进一步提高人脸深度样本图质量评估结果的准确性。
本发明提供的人脸识别方法，对人脸真值模型和人脸深度图模型进行裁剪，将裁剪后的人脸真值模型和人脸深度图模型进行点云数据配准，基于预设权重对加权欧氏距离指标和加权法向偏差指标进行权重叠加，获取人脸深度样本图的质量评估结果，从而能够准确获取人脸深度样本图质量的评估结果。
基于上述实施例，基于配准后的人脸真值模型和人脸深度图模型，获取加权欧氏距离指标和加权法向偏差指标，包括：
以配准后的人脸深度图模型为源点云，以配准后的人脸真值模型为目标点云，计算第一平均欧氏距离和第一法向偏差；
以配准后的人脸深度图模型为目标点云，以配准后的人脸真值模型为源点云，计算第二平均欧氏距离和第二法向偏差；
基于第一平均欧氏距离和第二平均欧氏距离，获取加权欧氏距离指标；
基于第一法向偏差和第二法向偏差，获取加权法向偏差指标。
具体地，本实施例使用人脸真值模型中包含的人脸热力权值，设定人脸深度图模型为源点云，人脸真值模型为目标点云，计算配准后的第一平均欧氏距离Ddepth→GT公式为：
Figure BDA0002803638840000161
其中，(xi,yi,zi)和(Xi,Yi,Zi)分别为人脸深度图模型和人脸真值模型上对应的最近邻点坐标值，Wi为相应点的人脸热力权值，n为人脸深度图模型的有效点数(排除空洞和噪声点)。
在此基础上，根据倒角距离(Chamfer Distance，CD)原理，为了提高指标的鲁棒性和客观性，在上述加权平均距离Ddepth→GT基础上，设定人脸真值模型为源点云，人脸深度图模型为目标点云，重新配准后计算第二平均欧氏距离DGT→depth，则最终的加权欧氏距离指标DCD为：DCD＝(Ddep→GT+DGT→depth)/2。
此外，本实施例还考虑了人脸深度图模型每个顶点的法线方向偏差，通过采用单位法向矢量夹角余弦来定量表征点云法向的偏差程度，设定人脸深度图模型为源点云，人脸真值模型为目标点云，由于法向越接近则夹角余弦值越大，为与加权欧氏距离指标保持趋势一致，则第一法向偏差Ndepth→GT的计算公式为：
Figure BDA0002803638840000162
其中，(ai,bi,ci)和(Ai,Bi,Ci)分别为人脸深度图模型和人脸真值模型上对应的最近邻点法向单位矢量，Wi为相应的区域人脸热力权值，n为人脸深度图点云的有效点数(排除空洞和噪声点)。同样根据倒角距离原理，最终的加权法向偏差指标NCD为：
NCD＝(Ndept→GT+NGT→depth)/2；
其中，Ndept→GT为人脸深度图模型作为源点云、人脸真值模型作为目标点云时的第一法向偏差，NGT→de为人脸真值模型作为源点云、人脸深度图模型作为目标点云时的第二法向偏差。
本发明提供的人脸识别方法，根据倒角距离原理，基于配准后的人脸真值模型和人脸深度图模型，获取加权欧氏距离指标和加权法向偏差指标，从而提高了加权欧氏距离指标和加权法向偏差指标的鲁棒性。
基于上述实施例，预设权重是基于如下步骤获取的：
获取多个样本人脸深度图，以及与各样本人脸深度图对应的样本正脸投影深度图，并基于各样本正脸投影深度图和及其样本人脸热力权值图，获取各样本人脸真值模型；
基于各样本人脸真值模型，以及各样本人脸深度图对应的样本人脸深度图模型，获取各样本加权欧氏距离指标和各样本加权法向偏差指标；
基于人脸识别闭集测试，确定各样本人脸深度图的样本人脸识别率；
基于最小二乘法，对各样本人脸识别率、各样本加权欧氏距离指标和各样本加权法向偏差指标进行拟合，获取预设权重。
具体地，由于加权欧氏距离指标和加权法向偏差指标对人脸识别率的影响程度不同，因此需要基于加权欧氏距离指标权重和加权法向偏差指标权重，即预设权重，获取人脸深度图质量的评估结果。在本实施例中，通过获取多个样本人脸深度图，以及与各样本人脸深度图对应的样本正脸投影深度图作为测试集，并采用上述实施例的方法基于各样本正脸投影深度图和人脸热力权值图，获取各样本人脸真值模型，以及各样本人脸深度图对应的样本人脸深度图模型。随后基于各样本人脸真值模型，以及各样本人脸深度图模型，获取各样本加权欧氏距离指标和各样本加权法向偏差指标。
在获取各样本加权欧氏距离指标和各样本加权法向偏差指标后，采用人脸识别闭集测试方法，根据测试集数据量选择假正例率(False Accept Rate，FAR)对应的真正例率(True Positive Rate，TAR)作为人脸识别率，从而可以针对不同质量的样本人脸深度图测试集，获得多组识别率结果；结合多组指标和识别率结果，依据最终指标与识别率成正相关趋势，通过最小二乘法对各样本加权欧氏距离指标权重和各样本加权法向偏差指标权重进行拟合，其中正相关趋势可以采用线性和非线性等不同关系公式进行求解，最终获取相应的预设权重。
本发明提供的人脸识别方法，通过对各样本人脸识别率、各样本加权欧氏距离指标和各样本加权法向偏差指标进行拟合，构造大量成对的指标与识别率数据，从中拟合出满足正相关趋势的预设权重，更有效确保最终评估指标可以直接反映出人脸识别率水平。
基于上述实施例，基于正脸投影深度图和人脸热力权值图，获取人脸真值模型，包括：
基于矩阵变换，将正脸投影深度图转换为点云模型；
在点云模型中添加人脸热力权值图的权重值数据，获取人脸真值模型。
具体地，人脸真值模型由正脸投影深度图转换得到点云模型，并在点云模型中添加人脸热力权值图的权重值数据得到，其中转换公式为：
x＝(u-cx)*z/fx；
y＝(v-cy)*z/fy；
其中，(u,v)为正脸投影深度图上像素点坐标，(x,y,z)为人脸真值模型中点的空间坐标，(cx,cy)为相机主点坐标，(fx,fy)为相机镜头焦距。为了使人脸真值模型能够反映人脸深度图各区域与人脸识别率的关联性，需要将上述实施例获取的人脸热力权值图的数据导入到人脸真值模型中，由于人脸热力权值图和正脸投影深度图的像素点一一对齐，因此可以直接添加对应的权重值，此时人脸真值模型中点的坐标格式为(x,y,z,w)，其中，w为该点对应的热力权重值。需要说明的是，人脸深度图模型是由人脸深度图采用上述公式转换得到的点云模型。
本发明提供的人脸识别方法，通过在正脸投影深度图转换得到的点云模型中添加人脸热力权值图的权重值数据，得到人脸真值模型，使得人脸真值模型能够反映正脸投影深度图各区域与人脸识别率的关联性，从而能够准确获取人脸深度样本图的质量评估结果。
基于上述实施例，人脸识别方法包括如下步骤：
获取待进行识别的人脸深度图，并将人脸深度图输入人脸识别模型，获取人脸识别结果；其中，人脸识别模型为以人脸深度样本图为样本训练得到，人脸深度样本图通过如下方法获取：
首先使用高精度扫描仪等设备采集真实人脸的GT模型，保证GT模型人脸完整、精度高、无空洞，然后使用仿真程序获取GT模型的正脸投影深度图及人脸关键点像素坐标。准备训练完成的人脸识别模型，输入为固定尺寸的模板人脸深度图，输出为人脸特征向量；基于透视变换原理结合人脸关键点，将前述正脸投影深度图映射到模板人脸深度图上，送入人脸识别模型中获取人脸特征向量，由于此时正脸投影深度图未进行任何弱化操作，故将其作为基准特征向量；使用不同大小的窗口在正脸投影深度图上滑动遍历，每次滑动前都对窗口内像素点的深度值进行不同类型和不同程度的弱化(平滑或置零)，并将弱化后的正脸投影深度图映射到模板人脸深度图上，送入人脸识别模型输出特征向量，计算其与基准特征向量之间的欧氏距离，同时计算弱化前后正脸投影深度图的深度变化量(窗口内深度值的变化量求和)，将人脸识别模型输出特征向量的欧氏距离与深度图变化量相除，作为窗口内像素点的“单位欧式距离值”，遍历完成后得到某个窗口下的“欧氏距离图”；将不同大小窗口滑动后得到的一系列“欧氏距离图”进行加权叠加，得到可以表征人脸各部分区域与识别率相关性的热力图，随后对上述热力图进行归一化处理，获取最后的人脸热力权值图，每个像素点的权重数值在[0,1]范围内，可以定量表示对识别率的影响程度。
然后，将人脸深度样本图转换得到人脸深度图模型，以及在正脸深度图转换得到的点云模型中添加人脸热力图的权重值数据得到人脸真值模型，随后对人脸真值模型和人脸深度图模型进行裁剪，并将裁剪后的人脸真值模型和人脸深度模型进行全局粗配准和局部精配准，在进行局部精确配准之前，需要先对人脸深度图模型和人脸真值模型进行全局的粗配准，以得到较好的精配准初始位置，降低精配准失败的概率。
其次，在人脸深度图模型和人脸真值模型配准完成后，基于人脸真值模型中的人脸热力图中的权重值，分别从空间位置和法线方向两个方面考察人脸深度图的质量精度，计算加权欧氏距离指标和加权法向偏差指标，由于加权欧氏距离指标、加权法向偏差指标的数量级相差较大，最终输出的评价指标需要通过上述两个指标加权获得，计算公式为：
If＝λD*DCD+λN*NCD；
其中λD和λN为“加权欧氏距离指标”和“加权法向偏差指标”对应的权重，上述权重数值需要基于大量成对的两种指标和识别率数据进行拟合得到。
基于上述评价指标，对人脸深度样本图的质量进行评估，评价指标的值越大，说明待评估的人脸深度样本图质量越差。
其中，加权欧氏距离指标和加权法向偏差指标的具体拟合流程为：
①选定一种成熟鲁棒且参数配置丰富的深度成像算法，采集若干组深度相机的正脸散斑图像及对应相机的大规模人脸散斑数据集，通过控制成像算法不同的参数配置及后处理方式，得到多种不同质量的正脸深度图及大规模人脸深度图数据集。
②基于前述方法，获取多种正脸深度图对应真值模型的人脸深度图，并生成人脸热力权值图，随后获取人脸真值模型和人脸深度图模型，计算得到多组加权欧氏距离指标和加权法向偏差指标；
③采用1:1闭集人脸识别率测试方法，根据测试集数据量选择合适的假正例率对应的真正例率作为人脸识别率，针对不同质量的深度图数据集，可以获得多组识别率结果；
④结合多组指标和识别率结果，依据最终指标与识别率成正相关趋势，通过最小二乘法对权值λD和λN进行拟合，其中，正相关趋势可以尝试线性和非线性等不同关系公式进行求解，最终获取相应的权重。
下面对本发明提供的人脸识别装置进行描述，下文描述的人脸识别装置与上文描述的人脸识别方法可相互对应参照。
基于上述实施例，图2是本发明提供的人脸识别装置的结构示意图，如图2所示，该装置包括：
获取单元210，用于获取待识别的人脸深度图；
识别单元220，用于将待识别的人脸深度图输入人脸识别模型，获取人脸识别结果；
其中，人脸识别模型为以人脸深度样本图为样本训练得到，人脸深度样本图是基于人脸热力权值图评估合格后的图像，所述人脸热力权值图用于表征所述人脸深度样本图对应区域在人脸识别中与识别率之间的关联性。
本发明提供的人脸识别装置，将待识别的人脸深度图输入人脸识别模型，获取人脸识别结果；其中，人脸识别模型为以人脸深度样本图为样本训练得到，人脸深度样本图是基于人脸热力权值图评估合格后的图像，由于人脸热力权值图可以表征人脸深度样本图对应区域在人脸识别中与识别率之间的关联性，从而保证评估结果能够准确反映待评估的人脸深度样本图对识别率的影响程度，进而可以精确筛选出质量较高的人脸深度样本图作为人脸识别模型的输入，以减少采集大量人脸深度样本图来测试识别率的时间成本和人力成本，提高了人脸识别效率。
图3是本发明提供的电子设备的结构示意图，如图3所示，该电子设备可以包括：处理器(processor)310、通信接口(Communications Interface)320、存储器(memory)330和通信总线340，其中，处理器310，通信接口320，存储器330通过通信总线340完成相互间的通信。处理器310可以调用存储器330中的逻辑指令，以执行人脸识别方法，该方法包括：获取待识别的人脸深度图；将所述待识别的人脸深度图输入人脸识别模型，获取人脸识别结果；其中，所述人脸识别模型为以人脸深度样本图为样本训练得到，所述人脸深度样本图是基于人脸热力权值图评估合格后的图像，所述人脸热力权值图用于表征所述人脸深度样本图对应区域在人脸识别中与识别率之间的关联性。。
此外，上述的存储器330中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法所提供的人脸识别方法，该方法包括：获取待识别的人脸深度图；将所述待识别的人脸深度图输入人脸识别模型，获取人脸识别结果；其中，所述人脸识别模型为以人脸深度样本图为样本训练得到，所述人脸深度样本图是基于人脸热力权值图评估合格后的图像，所述人脸热力权值图用于表征所述人脸深度样本图对应区域在人脸识别中与识别率之间的关联性。
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各提供的人脸识别方法，该方法包括：获取待识别的人脸深度图；将所述待识别的人脸深度图输入人脸识别模型，获取人脸识别结果；其中，所述人脸识别模型为以人脸深度样本图为样本训练得到，所述人脸深度样本图是基于人脸热力权值图评估合格后的图像，所述人脸热力权值图用于表征所述人脸深度样本图对应区域在人脸识别中与识别率之间的关联性。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (9)

1.一种人脸识别方法，其特征在于，包括：
获取待识别的人脸深度图；
将所述待识别的人脸深度图输入人脸识别模型，获取人脸识别结果；
其中，所述人脸识别模型为以人脸深度样本图为样本训练得到，所述人脸深度样本图是基于人脸热力权值图评估合格后的图像，所述人脸热力权值图用于表征所述人脸深度样本图对应区域在人脸识别中与识别率之间的关联性；
所述人脸深度样本图基于如下步骤进行评估：
获取待评估的人脸深度样本图，以及与所述人脸深度样本图对应的正脸投影深度图；
获取所述正脸投影深度图的人脸热力权值图，所述人脸热力权值图包括所述正脸投影深度图中各区域的权值，所述权值表征对应区域在人脸识别中与识别率之间的关联性；
基于所述正脸投影深度图和所述人脸热力权值图，获取人脸真值模型；
基于所述人脸真值模型，以及所述人脸深度样本图对应的人脸深度图模型，获取所述人脸深度样本图的质量评估结果。
2.根据权利要求1所述的人脸识别方法，其特征在于，获取所述正脸投影深度图的人脸热力权值图，包括：
将所述正脸投影深度图输入初始人脸识别模型，获取基准人脸特征向量；
对所述正脸投影深度图进行弱化处理，并将弱化后的正脸投影深度图输入所述初始人脸识别模型，获取人脸特征向量；
基于所述基准人脸特征向量和所述人脸特征向量，获取人脸热力权值图；
基于所述正脸投影深度图和所述人脸热力权值图，获取人脸真值模型，包括：
基于矩阵变换，将所述正脸投影深度图转换为点云模型；
在所述点云模型中添加所述人脸热力权值图的权重值数据，获取人脸真值模型。
3.根据权利要求2所述的人脸识别方法，其特征在于，对所述正脸投影深度图进行弱化处理，包括：采用不同尺寸的窗口在所述正脸投影深度图上进行滑动弱化处理；
所述基于所述基准人脸特征向量和所述人脸特征向量，获取人脸热力权值图，包括：
计算所述基准人脸特征向量和所述人脸特征向量之间的人脸特征向量欧氏距离，并计算所述正脸投影深度图与弱化后各窗口的正脸投影深度图的深度变化量；
基于所述人脸特征向量欧氏距离和各窗口的深度变化量，获取各窗口的欧氏距离图；
基于各窗口的尺寸对所述各窗口的欧氏距离图进行权重叠加，并将权重叠加后的欧氏距离图进行归一化处理，获取人脸热力权值图。
4.根据权利要求2所述的人脸识别方法，其特征在于，在将所述正脸投影深度图输入初始人脸识别模型之前，还包括：将所述正脸投影深度图映射为标准姿态下的深度图；
在对所述正脸投影深度图进行弱化处理之后，还包括：将弱化处理后的正脸投影深度图映射为标准姿态下的深度图。
5.根据权利要求1所述的人脸识别方法，其特征在于，基于所述人脸真值模型，以及所述人脸深度样本图对应的人脸深度图模型，获取所述人脸深度样本图的质量评估结果，包括：
对所述人脸真值模型和所述人脸深度图模型进行裁剪，将裁剪后的人脸真值模型和人脸深度图模型进行点云数据配准；
基于配准后的人脸真值模型和人脸深度图模型，获取加权欧氏距离指标和加权法向偏差指标；
基于预设权重，对所述加权欧氏距离指标和所述加权法向偏差指标进行权重叠加，获取所述人脸深度样本图的质量评估结果；
所述预设权重是基于如下步骤获取的：
获取多个样本人脸深度图，以及与各样本人脸深度图对应的样本正脸投影深度图，并基于各样本正脸投影深度图及其样本人脸热力权值图，获取各样本人脸真值模型；
基于所述各样本人脸真值模型，以及所述各样本人脸深度图对应的样本人脸深度图模型，获取各样本加权欧氏距离指标和各样本加权法向偏差指标；
基于人脸识别闭集测试，确定各样本人脸深度图的样本人脸识别率；
基于最小二乘法，对各样本人脸识别率、各样本加权欧氏距离指标和各样本加权法向偏差指标进行拟合，获取所述预设权重。
6.根据权利要求5所述的人脸识别方法，其特征在于，基于配准后的人脸真值模型和人脸深度图模型，获取加权欧氏距离指标和加权法向偏差指标，包括：
以配准后的人脸深度图模型为源点云，以配准后的人脸真值模型为目标点云，计算第一平均欧氏距离和第一法向偏差；
以配准后的人脸深度图模型为目标点云，以配准后的人脸真值模型为源点云，计算第二平均欧氏距离和第二法向偏差；
基于所述第一平均欧氏距离和所述第二平均欧氏距离，获取所述加权欧氏距离指标；
基于所述第一法向偏差和所述第二法向偏差，获取所述加权法向偏差指标。
7.一种人脸识别装置，其特征在于，包括：
获取单元，用于获取待识别的人脸深度图；
识别单元，用于将所述待识别的人脸深度图输入人脸识别模型，获取人脸识别结果；
其中，所述人脸识别模型为以人脸深度样本图为样本训练得到，所述人脸深度样本图是基于人脸热力权值图评估合格后的图像，所述人脸热力权值图用于表征所述人脸深度样本图对应区域在人脸识别中与识别率之间的关联性；
所述人脸深度样本图基于如下步骤进行评估：
获取待评估的人脸深度样本图，以及与所述人脸深度样本图对应的正脸投影深度图；
获取所述正脸投影深度图的人脸热力权值图，所述人脸热力权值图包括所述正脸投影深度图中各区域的权值，所述权值表征对应区域在人脸识别中与识别率之间的关联性；
基于所述正脸投影深度图和所述人脸热力权值图，获取人脸真值模型；
基于所述人脸真值模型，以及所述人脸深度样本图对应的人脸深度图模型，获取所述人脸深度样本图的质量评估结果。
8.一种电子设备，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，其特征在于，所述处理器执行所述程序时实现如权利要求1至6任一项所述人脸识别方法的步骤。
9.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述人脸识别方法的步骤。
CN202011359725.1A 2020-11-27 2020-11-27 人脸识别方法及装置 Active CN112329726B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011359725.1A CN112329726B (zh) 2020-11-27 2020-11-27 人脸识别方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011359725.1A CN112329726B (zh) 2020-11-27 2020-11-27 人脸识别方法及装置

Publications (2)

Publication Number Publication Date
CN112329726A CN112329726A (zh) 2021-02-05
CN112329726B true CN112329726B (zh) 2023-01-13

Family

ID=74307821

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011359725.1A Active CN112329726B (zh) 2020-11-27 2020-11-27 人脸识别方法及装置

Country Status (1)

Country Link
CN (1) CN112329726B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113902790B (zh) * 2021-12-09 2022-03-25 北京的卢深视科技有限公司 美容指导方法、装置、电子设备和计算机可读存储介质
CN114267067B (zh) * 2021-12-24 2022-11-04 合肥的卢深视科技有限公司 基于连续帧图像的人脸识别方法、电子设备及存储介质
CN114267068B (zh) * 2021-12-24 2022-11-01 合肥的卢深视科技有限公司 基于连续帧信息的人脸识别方法、电子设备及存储介质

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110175566A (zh) * 2019-05-27 2019-08-27 大连理工大学 一种基于rgbd融合网络的手部姿态估计系统及方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP4131172A1 (en) * 2016-09-12 2023-02-08 Dassault Systèmes Deep convolutional neural network for 3d reconstruction of a real object
CN110838119B (zh) * 2019-11-15 2022-03-04 珠海全志科技股份有限公司 人脸图像质量评估方法、计算机装置及计算机可读存储介质
CN111507298B (zh) * 2020-04-24 2023-12-12 深圳数联天下智能科技有限公司 人脸检测方法、装置、计算机设备和存储介质
CN111680574B (zh) * 2020-05-18 2023-08-04 合肥的卢深视科技有限公司 一种人脸检测方法、装置、电子设备和存储介质
CN111695495B (zh) * 2020-06-10 2023-11-14 杭州萤石软件有限公司 人脸识别方法、电子设备及存储介质

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110175566A (zh) * 2019-05-27 2019-08-27 大连理工大学 一种基于rgbd融合网络的手部姿态估计系统及方法

Also Published As

Publication number Publication date
CN112329726A (zh) 2021-02-05

Similar Documents

Publication Publication Date Title
CN112329726B (zh) 人脸识别方法及装置
CN110363858B (zh) 一种三维人脸重建方法及系统
CN109859305B (zh) 基于多角度二维人脸的三维人脸建模、识别方法及装置
CN107833181B (zh) 一种基于变焦立体视觉的三维全景图像生成方法
CN113177977B (zh) 一种非接触式三维人体尺寸的测量方法
CN106023298B (zh) 基于局部泊松曲面重建的点云刚性配准方法
CN102657532B (zh) 基于人体姿态识别的身高测量方法及装置
CN110544233B (zh) 基于人脸识别应用的深度图像质量评价方法
CN109523595A (zh) 一种建筑工程直线棱角间距视觉测量方法
CN106548462A (zh) 基于薄板样条插值的非线性sar图像几何校正方法
CN105701455A (zh) 基于asm算法的人脸特征点采集及三维人脸建模方法
CN110070610B (zh) 特征点匹配方法、三维重构过程的特征点匹配方法及装置
CN110009667A (zh) 基于罗德里格斯变换的多视点云全局配准方法
CN113393524B (zh) 一种结合深度学习和轮廓点云重建的目标位姿估计方法
CN101996416A (zh) 3d人脸捕获方法和设备
CN111105452B (zh) 基于双目视觉的高低分辨率融合立体匹配方法
CN110009745B (zh) 根据平面基元和模型驱动对点云提取平面的方法
CN109345582A (zh) 基于优化的置信传播算法和稀疏表示的深度图像获取方法
CN113393439A (zh) 一种基于深度学习的锻件缺陷检测方法
CN108615256A (zh) 一种人脸三维重建方法及装置
CN116664394B (zh) 一种三维人眼图像生成方法及装置、电子设备、存储介质
CN112381862A (zh) 一种cad模型与三角网格全自动配准方法和装置
CN110264527A (zh) 基于zynq的实时双目立体视觉输出方法
CN116958419A (zh) 一种基于波前编码的双目立体视觉三维重建系统和方法
CN110349209A (zh) 基于双目视觉的振捣棒定位方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant