CN112507989A - 一种面部识别方法、装置、电子设备及可读存储介质 - Google Patents
一种面部识别方法、装置、电子设备及可读存储介质 Download PDFInfo
- Publication number
- CN112507989A CN112507989A CN202110150498.XA CN202110150498A CN112507989A CN 112507989 A CN112507989 A CN 112507989A CN 202110150498 A CN202110150498 A CN 202110150498A CN 112507989 A CN112507989 A CN 112507989A
- Authority
- CN
- China
- Prior art keywords
- face
- recognition
- area
- training image
- identification
- 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
- 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
-
- 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
Abstract
本申请公开了一种面部识别方法、装置、电子设备及可读存储介质,该面部识别方法包括:获取目标对象的人脸图像,人脸图像包括第一识别区域和第二识别区域;根据预设的面部识别模型对所获取的人脸图像进行识别,获得面部识别结果,面部识别结果表征第一识别区域中的人脸关键点、第二识别区域中的人脸关键点以及第一识别区域与第二识别区域之一是否被遮挡。本申请提高了面部被遮挡时的人脸识别精度。
Description
技术领域
本申请涉及图像处理技术领域,具体而言,涉及一种面部识别方法、装置、电子设备及可读存储介质。
背景技术
传统的人脸识别方法基本上都是基于完整的人脸区域直接训练得到,然而对于人脸区域中的部分区域被遮挡住的情况(例如,戴口罩的情况),如果仍基于传统的人脸识别方法进行人脸识别,易导致对人脸关键点的定位产生偏差,进而影响针对人脸识别结果的后续操作的准确性。
发明内容
本申请实施例的目的在于提供一种面部识别方法、装置、电子设备及可读存储介质,通过对人脸图像的不同区域进行区别处理的方式,来解决传统的人脸识别方法对人脸关键点识别稳定性差的问题。
为了实现上述目的,本申请实施例采用的技术方案如下:
第一方面,本申请实施例提出一种面部识别方法,该面部识别方法包括:获取目标对象的人脸图像,人脸图像包括第一识别区域和第二识别区域;
根据预设的面部识别模型对所获取的人脸图像进行识别,获得面部识别结果,面部识别结果表征第一识别区域中的人脸关键点、第二识别区域中的人脸关键点以及第一识别区域与第二识别区域之一是否被遮挡。
可选地,第一识别区域覆盖所述目标对象的眉毛和眼睛所在区域,第二识别区域覆盖目标对象的鼻子和嘴巴所在区域。
可选地,可通过以下方式对预设的面部识别模型进行训练:获取人脸训练图像;将所获取的人脸训练图像输入初始面部识别模型中,获得训练识别结果,训练识别结果表征人脸训练图像的第一识别区域中的第一人脸候选关键点、人脸训练图像的第二识别区域中的第二人脸候选关键点以及人脸训练图像的第一识别区域与第二识别区域之一是否被遮挡;基于所获得的训练识别结果,确定针对人脸训练图像的第一识别区域的第一识别误差、针对人脸训练图像的第二识别区域的第二识别误差以及用于表征遮挡识别结果准确性的第三识别误差;基于所确定的第一识别误差、第二识别误差以及第三识别误差,对初始面部识别模型进行调整,以获得预设的面部识别模型。
可选地,第一人脸候选关键点可包括多个第一候选关键点,其中,可通过以下方式确定针对人脸训练图像的第一识别区域的第一识别误差:针对每个第一候选关键点,确定通过初始面部识别模型输出的该第一候选关键点与人脸训练图像的第一识别区域对应的标注关键点的第一偏差值;将全部第一候选关键点对应的第一偏差值的绝对值之和,确定为第一识别误差。
可选地,第二人脸候选关键点可包括多个第二候选关键点,其中,可通过以下方式确定针对人脸训练图像的第二识别区域的第二识别误差:针对每个第二候选关键点,确定通过初始面部识别模型输出的该第二候选关键点与人脸训练图像的第二识别区域对应的标注关键点的第二偏差值;将全部第二候选关键点对应的第二偏差值的绝对值之和,确定为第二识别误差。
可选地,可通过以下方式确定用于表征遮挡识别结果准确性的第三识别误差:基于人脸训练图像通过初始面部识别模型输出的候选关键点与人脸训练图像对应的标注关键点,确定通过初始面部识别模型输出的遮挡识别结果与人脸训练图像的遮挡真实结果之间的第三偏差值;将所确定的第三偏差值,确定为第三识别误差。
可选地,基于所确定的第一识别误差、第二识别误差以及第三识别误差,对初始面部识别模型进行调整,以获得预设的面部识别模型的步骤可包括:基于人脸训练图像的遮挡真实结果,确定识别系数;计算人脸训练图像中被遮挡的识别区域的识别误差与所确定的识别系数的乘积;计算人脸训练图像中未被遮挡的识别区域的识别误差与所述乘积的和值;基于第三识别误差和所述和值,获得用于表征所述初始面部识别模型的识别精度的评价指标值;基于所获得的评价指标值,对所述初始面部识别模型进行调整,以获得所述预设的面部识别模型。
第二方面,本申请实施例还提出一种面部识别装置,该面部识别装置包括:
图像获取单元,获取目标对象的人脸图像,人脸图像包括第一识别区域和第二识别区域;
面部识别单元,根据预设的面部识别模型对所获取的人脸图像进行识别,获得面部识别结果,面部识别结果表征第一识别区域中的人脸关键点、第二识别区域中的人脸关键点以及第一识别区域与第二识别区域之一是否被遮挡。
第三方面,本申请实施例还提出一种电子设备,包括:处理器、存储器和总线,存储器存储有处理器可执行的机器可读指令,当电子设备运行时,处理器与存储器之间通过总线通信,处理器执行所述机器可读指令,以实现上述的面部识别方法的步骤。
第四方面,本申请实施例还提出一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,计算机程序被处理器运行时,实现上述的面部识别方法的步骤。
本申请公开了一种面部识别方法、装置、电子设备及可读存储介质,该面部识别方法包括:获取目标对象的人脸图像,所述人脸图像包括第一识别区域和第二识别区域;根据预设的面部识别模型对所获取的人脸图像进行识别,获得面部识别结果,所述面部识别结果表征第一识别区域中的人脸关键点、第二识别区域中的人脸关键点以及第一识别区域与第二识别区域之一是否被遮挡。本申请的技术方案可以有效提高在人脸区域中的部分区域被遮挡时的面部识别精度,还可以不降低在人脸区域未被遮挡时的面部识别精度。
本申请的其他特征和优点将在随后的说明书阐述,并且,部分地从说明书中变得显而易见,或者通过实施本申请实施例了解。本申请的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1示出了本申请实施例所提供的面部识别方法的流程示意图。
图2示出了本申请实施例所提供的对面部识别模型进行训练的步骤的流程示意图。
图3示出了本申请实施例所提供的面部识别模型的示意图。
图4示出了本申请实施例所提供的面部识别装置的框图。
图5示出了本申请实施例所提供的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。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请的实施例,本领域技术人员在没有做出创造性劳动的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。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。同时,在本公开的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
为了提高人脸识别关键点检测的稳定性,本申请提出一种面部识别方法,参见图1,图1是本申请实施例所提供的面部识别方法的流程示意图,该方法包括:
步骤100、获取目标对象的人脸图像。
这里,所获取的目标对象的人脸图像包括第一识别区域和第二识别区域。作为示例,第一识别区域可覆盖目标对象的眉毛和眼睛所在区域,第二识别区域可覆盖目标对象鼻子和嘴巴所在区域。
在本申请实施例中,是针对目标对象的人脸图像的第一识别区域和第二识别区域分别进行面部识别,基于上述面部识别方式,对于第一识别区域和第二识别区域之一被遮挡的情况,仍可以保证针对人脸图像的面部识别具有较高的识别精度。
步骤101、根据预设的面部识别模型对所获取的人脸图像进行识别,获得面部识别结果。
该步骤中,基于预设的面部识别模型获得的面部识别结果表征第一识别区域中的人脸关键点、第二识别区域中的人脸关键点以及第一识别区域与第二识别区域之一是否被遮挡。
在一示例中,上述预设的面部识别模型可以通过预先的训练得到。图2是本申请实施例所提供的对面部识别模型进行训练的步骤的流程示意图。如图2所示,对面部识别模型的训练过程如下:
步骤200、获取人脸训练图像。
在该步骤中,可以通过多种方式来获取多张人脸训练图像,以将获取到的多张人脸训练图像输入到初始面部模型中进行学习。
此外,可还预先确定每张人脸训练图像的第一识别区域对应的标注关键点,每张人脸训练图像的第二识别区域对应的标注关键点。
步骤201、将所获取的人脸训练图像输入初始面部识别模型中,获得训练识别结果。
作为示例,可利用各种方式来搭建初始面部识别模型,例如,可基于神经网络或者决策树等方式来搭建初始面部识别模型,本申请对此不做限定。
在本申请实施例中,训练识别结果可表征人脸训练图像的第一识别区域中的第一人脸候选关键点、人脸训练图像的第二识别区域中的第二人脸候选关键点以及人脸训练图像的第一识别区域与第二识别区域之一是否被遮挡。
也就是说,上述第一人脸候选关键点和第二人脸候选关键点为基于初始面部识别模型所识别出的人脸训练图像的人脸候选关键点。
步骤202、基于所获得的训练识别结果,确定针对人脸训练图像的第一识别区域的第一识别误差、针对人脸训练图像的第二识别区域的第二识别误差以及用于表征遮挡识别结果准确性的第三识别误差。
下面介绍基于训练识别结果中的人脸训练图像的第一识别区域中的第一人脸候选关键点,来确定针对人脸训练图像的第一识别区域的第一识别误差的过程。
作为示例,第一人脸候选关键点可包括多个第一候选关键点。在此情况下,可通过以下方式确定针对人脸训练图像的第一识别区域的第一误差:针对每个第一候选关键点,确定通过初始面部识别模型输出的该第一候选关键点与人脸训练图像的第一识别区域对应的标注关键点的第一偏差值;将全部第一候选关键点对应的第一偏差值的绝对值之和,确定为第一识别误差。
例如,可利用如下公式来确定第一识别误差:
公式(1)中,loss1表示针对人脸训练图像的第一识别区域的第一识别误差,表示通过初始面部模型输出的人脸训练图像的第一识别区域中的第i个第一候选关键点的位置,表示人脸训练图像的第一识别区域与第i个第一候选关键点对应的标注关键点的位置,1≤i≤n,n表示人脸训练图像的第一识别区域中的第一候选关键点的数量。
下面介绍基于训练识别结果中的人脸训练图像的第二识别区域中的第二人脸候选关键点,来确定针对人脸训练图像的第二识别区域的第二识别误差的过程。
作为示例,第二人脸候选关键点可包括多个第二候选关键点。在此情况下,可通过以下方式确定针对人脸训练图像的第二识别区域的第二识别误差:针对每个第二候选关键点,确定通过初始面部识别模型输出的该第二候选关键点与人脸训练图像的第二识别区域对应的标注关键点的第二偏差值;将全部第二候选关键点对应的第二偏差值的绝对值之和,确定为第二识别误差。
例如,可利用如下公式来确定第二识别误差:
公式(2)中,loss2表示针对人脸训练图像的第二识别区域的第二识别误差,表示通过初始面部模型输出的人脸训练图像的第二识别区域中的第j个第二候选关键点的位置,表示人脸训练图像的第二识别区域与第j个第二候选关键点对应的标注关键点的位置,1≤j≤m,m表示人脸训练图像的第二识别区域中的第二候选关键点的数量。
下面介绍基于训练识别结果中的人脸训练图像的第一识别区域与第二识别区域之一是否被遮挡,来确定用于表征遮挡识别结果准确性的第三识别误差的过程。
作为示例,可通过以下方式确定用于表征遮挡识别结果准确性的第三识别误差:基于人脸训练图像通过初始面部识别模型输出的候选关键点与人脸训练图像对应的标注关键点,确定通过初始面部识别模型输出的遮挡识别结果与人脸训练图像的遮挡真实结果之间的第三偏差值;将所确定的第三偏差值,确定为第三识别误差;
这里,上述的候选关键点可包括人脸训练图像的第一识别区域中的第一人脸候选关键点和第二识别区域中的第二人脸候选关键点,上述的标注关键点可包括人脸训练图像的第一识别区域对应的标注关键点和人脸训练图像的第二识别区域对应的标注关键点。
例如,可利用如下公式来确定第三识别误差:
公式(3)中,crossentropy表示用于表征遮挡识别结果准确性的第三识别误差,表示通过初始面部模型输出的第k张人脸训练图像的遮挡识别结果,表示第k张人脸训练图像的遮挡真实结果,1≤k≤R,k表示第k张人脸训练图像,R表示人脸训练图像的数量。
步骤203、基于所确定的第一识别误差、第二识别误差以及第三识别误差,对所述初始面部识别模型进行调整,以获得所述预设的面部识别模型。
例如,在该步骤中,可基于人脸训练图像的遮挡真实结果,确定识别系数;计算人脸训练图像中被遮挡的识别区域的识别误差与所确定的识别系数的乘积;计算人脸训练图像中未被遮挡的识别区域的识别误差与上述乘积的和值;基于第三识别误差和上述和值,获得用于表征初始面部识别模型的识别精度的评价指标值;基于所获得的评价指标值,对初始面部识别模型进行调整,以获得预设的面部识别模型。
在一示例中,可通过以下方式来确定识别系数:如果基于人脸训练图像的遮挡真实结果确定第一识别区域与第二识别区域之一被遮挡,则确定识别系数取第一数值,如果基于人脸训练图像的遮挡真实结果确定第一识别区域与第二识别区域之一未被遮挡,则确定识别系数取第二数值。作为示例,第一数值可为零,第二数值可为非零的数值,例如,第二数值可取1。
根据本发明实施例的一种情况,人脸训练图像中被遮挡的识别区域可为第一识别区域,此时,可计算第一识别区域的第一识别误差与所确定的识别系数的乘积。
根据本发明实施例的另一种情况,人脸训练图像中被遮挡的识别区域可为第二识别区域,此时,可计算第二识别区域的第二识别误差与所确定的识别系数的乘积。
作为示例,可利用如下公式来确定用于表征初始面部识别模型的识别精度的评价指标值:
公式(4)中,loss表示评价指标值,crossentropy表示用于表征遮挡识别结果准确性的第三识别误差,lossrg表示人脸训练图像中未被遮挡的识别区域的识别误差与乘积的和值,loss1表示针对人脸训练图像的第一识别区域的第一识别误差,loss2表示针对人脸训练图像的第二识别区域的第二识别误差,表示第p次训练时的识别系数。作为示例,当第二识别区域被遮挡时,为0,当第二识别区域未被遮挡时,为1。
在确定出用于表征初始面部识别模型的识别精度的评价指标值之后,可以基于该评价指标值与设定阈值的比较结果来对初始面部识别模型进行调整。例如,如果评价指标值不小于(即,大于或者等于)设定阈值,则不对初始面部识别模型进行调整,将当前的初始面部识别模型确定为面部识别模型,即,完成对初始面部识别模型的训练过程。如果评价指标值小于设定阈值,则对初始面部识别模型进行调整,例如,可以调整初始面部识别模型的各项模型参数,以提高初始面部识别模型的识别准确率,并重复上述训练过程,直至评价指标值不小于设定阈值时,完成训练过程。
可选地,图3是本申请实施例所提供的面部识别模型的示意图。在图3所示的示例中,是以基于神经网络来搭建面部识别模型为例来进行阐述的,但本申请不限于此,还可以通过其他方式来搭建面部识别模型。如图3所示,基于该面部识别模型的面部识别过程为:
步骤301、输入目标对象的多张人脸图像。
本实施例中,面部识别模型可包括:输入层、卷积层、最大池化层、数据形状改变层和全链接层,将输入的多张人脸图像经过上述层的处理之后,获得面部识别结果。
假设人脸图像的数量为R,将R张人脸图像输入到输入层,每张人脸图像的尺寸为112*112*3大小。其中,112*112指图像尺寸,3代表图像的通道数,在本示例中具有R通道(红色像素)、G通道(绿色像素)、B通道(蓝色像素)。
步骤302、将输入层输出的112*112*3的图像输入到第一卷积池化层进行计算,输出张量为54*54*16的图像。
作为示例,第一卷积池化层包括卷积层和池化层。
步骤303、将第一卷积池化层输出的54*54*16的图像输入到第二卷积池化层进行计算,输出张量为26*26*32的图像。
作为示例,第二卷积池化层包括卷积层和池化层。
步骤304、将第二卷积池化层输出的26*26*32的图像输入到第三卷积池化层进行计算,输出张量为12*12*64的图像。
作为示例,第三卷积池化层包括卷积层和池化层。
步骤305、将第三卷积池化层输出的12*12*64的图像输入到第四卷积池化层进行计算,输出张量为5*5*64的图像。
作为示例,第四卷积池化层包括卷积层和池化层。
步骤306、将第四卷积池化层输出的5*5*64的图像输入到数据形状改变层进行计算,输出张量为1600的特征图像。
步骤307、将数据形状改变层输出的张量为1600的特征数据输入到链路层(也可称为全链接层)进行计算,输出第一识别区域中的人脸关键点、第二识别区域中的人脸关键点以及第一识别区域与第二识别区域之一是否被遮挡。
基于同一发明构思,本申请实施例中还提供了与图1所示的面部识别方法对应的面部识别装置,由于本申请实施例中的装置解决问题的原理与本申请实施例上述面部识别方法相似,因此装置的实施可以参见方法的实施,重复之处不再赘述。
如图4所示,图4是本申请实施例所提供的面部识别装置的框图。该面部识别装置400包括:图像获取单元401和面部识别单元402。
图像获取单元401,用于获取目标对象的人脸图像,所述人脸图像包括第一识别区域和第二识别区域。
面部识别单元402,用于根据预设的面部识别模型对所获取的人脸图像进行识别,获得面部识别结果,所述面部识别结果表征第一识别区域中的人脸关键点、第二识别区域中的人脸关键点以及第一识别区域与第二识别区域之一是否被遮挡。
请参阅图5,图5为本申请实施例所提供的电子设备的结构示意图。如图5中所示,该电子设备500包括处理器510、存储器520和总线530。
所述存储器520存储有所述处理器510可执行的机器可读指令,当电子设备500运行时,所述处理器510与所述存储器520之间通过总线530通信,所述机器可读指令被所述处理器510执行时,可以执行如上述图1和图2所示方法实施例中的视频播放方法的步骤,具体实现方式可参见方法实施例,在此不再赘述。
本申请实施例还提出一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器读取并运行时,实现上述的面部识别方法方法。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其它变体意在涵盖非排它性的包含,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它要素,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。
最后应说明的是:以上所述实施例,仅为本申请的具体实施方式,用以说明本申请的技术方案,而非对其限制,本申请的保护范围并不局限于此,尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.一种面部识别方法,其特征在于,所述面部识别方法包括:
获取目标对象的人脸图像,所述人脸图像包括第一识别区域和第二识别区域;
根据预设的面部识别模型对所获取的人脸图像进行识别,获得面部识别结果,所述面部识别结果表征所述第一识别区域中的人脸关键点、所述第二识别区域中的人脸关键点以及所述第一识别区域与所述第二识别区域之一是否被遮挡。
2.根据权利要求1所述的面部识别方法,其特征在于,所述第一识别区域覆盖所述目标对象的眉毛和眼睛所在区域,所述第二识别区域覆盖所述目标对象的鼻子和嘴巴所在区域。
3.根据权利要求1所述的面部识别方法,其特征在于,通过以下方式对所述预设的面部识别模型进行训练:
获取人脸训练图像;
将所获取的人脸训练图像输入初始面部识别模型中,获得训练识别结果,所述训练识别结果表征人脸训练图像的所述第一识别区域中的第一人脸候选关键点、人脸训练图像的所述第二识别区域中的第二人脸候选关键点以及人脸训练图像的所述第一识别区域与所述第二识别区域之一是否被遮挡;
基于所获得的训练识别结果,确定针对人脸训练图像的所述第一识别区域的第一识别误差、针对人脸训练图像的所述第二识别区域的第二识别误差以及用于表征遮挡识别结果准确性的第三识别误差;
基于所确定的第一识别误差、第二识别误差以及第三识别误差,对所述初始面部识别模型进行调整,以获得所述预设的面部识别模型。
4.根据权利要求3所述的面部识别方法,其特征在于,所述第一人脸候选关键点包括多个第一候选关键点,
其中,通过以下方式确定针对人脸训练图像的所述第一识别区域的所述第一识别误差:
针对每个第一候选关键点,确定通过所述初始面部识别模型输出的该第一候选关键点与人脸训练图像的所述第一识别区域对应的标注关键点的第一偏差值;
将全部第一候选关键点对应的第一偏差值的绝对值之和,确定为所述第一识别误差。
5.根据权利要求3所述的面部识别方法,其特征在于,所述第二人脸候选关键点包括多个第二候选关键点,
其中,通过以下方式确定针对人脸训练图像的所述第二识别区域的所述第二识别误差:
针对每个第二候选关键点,确定通过所述初始面部识别模型输出的该第二候选关键点与人脸训练图像的所述第二识别区域对应的标注关键点的第二偏差值;
将全部第二候选关键点对应的第二偏差值的绝对值之和,确定为所述第二识别误差。
6.根据权利要求3所述的面部识别方法,其特征在于,通过以下方式确定用于表征遮挡识别结果准确性的第三识别误差:
基于人脸训练图像通过所述初始面部识别模型输出的候选关键点与人脸训练图像对应的标注关键点,确定通过所述初始面部识别模型输出的遮挡识别结果与人脸训练图像的遮挡真实结果之间的第三偏差值;
将所确定的第三偏差值,确定为所述第三识别误差。
7.根据权利要求3所述的面部识别方法,其特征在于,基于所确定的所述第一识别误差、所述第二识别误差以及所述第三识别误差,对所述初始面部识别模型进行调整,以获得所述预设的面部识别模型,包括:
基于人脸训练图像的遮挡真实结果,确定识别系数;
计算人脸训练图像中被遮挡的识别区域的识别误差与所确定的识别系数的乘积;
计算人脸训练图像中未被遮挡的识别区域的识别误差与所述乘积的和值;
基于所述第三识别误差和所述和值,获得用于表征所述初始面部识别模型的识别精度的评价指标值;
基于所获得的评价指标值,对所述初始面部识别模型进行调整,以获得所述预设的面部识别模型。
8.一种面部识别装置,其特征在于,所述面部识别装置包括:
图像获取单元,获取目标对象的人脸图像,所述人脸图像包括第一识别区域和第二识别区域;
面部识别单元,根据预设的面部识别模型对所获取的人脸图像进行识别,获得面部识别结果,所述面部识别结果表征所述第一识别区域中的人脸关键点、所述第二识别区域中的人脸关键点以及所述第一识别区域与所述第二识别区域之一是否被遮挡。
9.一种电子设备,其特征在于,包括:处理器、存储器和总线,所述存储器存储有所述处理器可执行的机器可读指令,当电子设备运行时,所述处理器与所述存储器之间通过总线通信,所述处理器执行所述机器可读指令,以执行如权利要求1至7中的任一项所述的方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器运行时执行如权利要求1至7中的任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110150498.XA CN112507989A (zh) | 2021-02-04 | 2021-02-04 | 一种面部识别方法、装置、电子设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110150498.XA CN112507989A (zh) | 2021-02-04 | 2021-02-04 | 一种面部识别方法、装置、电子设备及可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112507989A true CN112507989A (zh) | 2021-03-16 |
Family
ID=74952464
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110150498.XA Pending CN112507989A (zh) | 2021-02-04 | 2021-02-04 | 一种面部识别方法、装置、电子设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112507989A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015165365A1 (zh) * | 2014-04-29 | 2015-11-05 | 华为技术有限公司 | 一种人脸识别方法及系统 |
CN111428559A (zh) * | 2020-02-19 | 2020-07-17 | 北京三快在线科技有限公司 | 一种口罩佩戴情况检测方法、装置、电子设备及存储介质 |
CN111985454A (zh) * | 2020-09-03 | 2020-11-24 | 深圳壹账通智能科技有限公司 | 人脸识别方法、装置、设备及计算机可读存储介质 |
CN112052772A (zh) * | 2020-08-31 | 2020-12-08 | 福建捷宇电脑科技有限公司 | 一种人脸遮挡检测算法 |
-
2021
- 2021-02-04 CN CN202110150498.XA patent/CN112507989A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015165365A1 (zh) * | 2014-04-29 | 2015-11-05 | 华为技术有限公司 | 一种人脸识别方法及系统 |
CN111428559A (zh) * | 2020-02-19 | 2020-07-17 | 北京三快在线科技有限公司 | 一种口罩佩戴情况检测方法、装置、电子设备及存储介质 |
CN112052772A (zh) * | 2020-08-31 | 2020-12-08 | 福建捷宇电脑科技有限公司 | 一种人脸遮挡检测算法 |
CN111985454A (zh) * | 2020-09-03 | 2020-11-24 | 深圳壹账通智能科技有限公司 | 人脸识别方法、装置、设备及计算机可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111898547B (zh) | 人脸识别模型的训练方法、装置、设备及存储介质 | |
CN110363047B (zh) | 人脸识别的方法、装置、电子设备和存储介质 | |
Zhao et al. | Discriminative feature learning for unsupervised change detection in heterogeneous images based on a coupled neural network | |
CN110147721B (zh) | 一种三维人脸识别方法、模型训练方法和装置 | |
WO2021174819A1 (zh) | 人脸遮挡检测方法及系统 | |
CN108470354A (zh) | 视频目标跟踪方法、装置和实现装置 | |
CN110674874B (zh) | 基于目标精细组件检测的细粒度图像识别方法 | |
CN111310731A (zh) | 基于人工智能的视频推荐方法、装置、设备及存储介质 | |
CN110909618B (zh) | 一种宠物身份的识别方法及装置 | |
JP2007128195A (ja) | 画像処理システム | |
JP2017062778A (ja) | 画像のオブジェクトを分類するための方法およびデバイスならびに対応するコンピュータプログラム製品およびコンピュータ可読媒体 | |
CN110659589A (zh) | 基于姿态和注意力机制的行人再识别方法、系统、装置 | |
CN110111316A (zh) | 基于眼部图像识别弱视的方法及系统 | |
CN108268823A (zh) | 目标再识别方法和装置 | |
CN112200056B (zh) | 人脸活体检测方法、装置、电子设备及存储介质 | |
CN115050064A (zh) | 人脸活体检测方法、装置、设备及介质 | |
US20200005078A1 (en) | Content aware forensic detection of image manipulations | |
US20210019502A1 (en) | Method for extracting a feature vector from an input image representative of an iris by means of an end-to-end trainable neural network | |
CN113312973A (zh) | 一种手势识别关键点特征提取方法及系统 | |
CN111914748A (zh) | 人脸识别方法、装置、电子设备及计算机可读存储介质 | |
CN111382791B (zh) | 深度学习任务处理方法、图像识别任务处理方法和装置 | |
CN112149601A (zh) | 兼容遮挡的面部属性识别方法、装置和电子设备 | |
CN109886206B (zh) | 一种三维物体识别方法及设备 | |
CN110532938A (zh) | 基于Faster-RCNN的纸质作业页码识别方法 | |
CN111723688B (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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210316 |