CN112651342A - 人脸识别方法、装置、电子设备及存储介质 - Google Patents
人脸识别方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN112651342A CN112651342A CN202011581217.8A CN202011581217A CN112651342A CN 112651342 A CN112651342 A CN 112651342A CN 202011581217 A CN202011581217 A CN 202011581217A CN 112651342 A CN112651342 A CN 112651342A
- Authority
- CN
- China
- Prior art keywords
- face
- image set
- feature extraction
- extraction model
- 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
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
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
- 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
Abstract
本发明涉及生物识别领域,揭露了一种人脸识别方法,包括:对获取的训练图像集进行人脸检测、脸部频域变换及人脸对齐,得到目标人脸图像集;利用目标人脸图像集对预构建的服务端人脸特征提取模型进行训练;利用训练完成的服务端人脸特征提取模型对预构建的客户端人脸特征提取模型进行蒸馏训练;利用训练完成的客户端人脸特征提取模型对待识别人脸图像进行特征提取,得到待识别人脸特征图像;利用预设人脸数据库的人脸图像对待识别人脸特征图像进行人脸识别,得到识别结果。此外,本发明还涉及区块链技术,所述待识别人脸特征图像可存储于区块链中。本发明可以降低在人脸识别时占用的网络资源,并同时提高人脸识别的准确性。
Description
技术领域
本发明涉及生物识别领域,尤其涉及一种人脸识别方法、装置、电子设备及计算机可读存储介质。
背景技术
目前人脸识别技术在铁路安防系统、公安机关、考勤广泛应用。人脸识别技术是基于人的脸部特征,对输入的人脸图像或者视频流进行人脸判断,即首先判断其是否存在人脸,如果存在人脸,则进一步的给出每个脸的位置、大小和各个主要面部器官的位置信息,并依据这些信息,进一步提取每个人脸中所蕴涵的身份特征,将其与已知的人脸进行对比,从而识别每个人脸的身份。
由于近些年来深度学习的快速发展,目前常用的人脸识别系统是基于大量的人脸识别训练集训练一个人脸识别模型用于识别。但是若将模型部署在客户端的话,由于客户端算力的限制只能采用较浅模型,模型精度有所限制,从而会影响人脸识别的准确性;若将模型部署在服务端的话,虽然可以采用深模型人脸识别,提高人脸识别的准确性,但是服务端有带宽,容易耗费较多的网络资源,给服务端带来压力。
发明内容
本发明提供一种人脸识别方法、装置、电子设备及计算机可读存储介质,其主要目的在于降低在人脸识别时占用的网络资源,并同时提高人脸识别的准确性。
为实现上述目的,本发明提供的一种人脸识别方法,包括:
获取训练图像集,对所述训练图像集进行人脸检测,得到人脸图像集;
对所述人脸图像进行脸部频域变换,生成标准人脸图像集,利用预设的决策树算法对所述标准人脸图像集进行人脸对齐,得到目标人脸图像集;
利用所述目标人脸图像集对预构建的服务端人脸特征提取模型进行训练,得到训练完成的服务端人脸特征提取模型;
利用所述训练完成的服务端人脸特征提取模型对预构建的客户端人脸特征提取模型进行蒸馏训练,得到训练完成的客户端人脸特征提取模型;
接收待识别人脸图像,利用所述训练完成的客户端人脸特征提取模型对所述待识别人脸图像进行特征提取,得到待识别人脸特征图像;
利用预设人脸数据库中的人脸图像对所述待识别人脸特征图像进行人脸识别,得到识别结果。
可选地,所述对所述训练图像集进行人脸检测,得到人脸图像,包括:
利用预训练好的人脸检测模型中的输入门计算所述训练图像集的状态值,及利用所述人脸检测模型中的遗忘门计算所述训练图像集的激活值;
根据所述状态值和激活值计算所述训练图像集像的状态更新值;
利用所述人脸检测模型中的输出门计算所述状态更新值的人脸位置序列;
利用所述人脸检测模型中的损失函数计算所述人脸位置序列与对应人脸图像标签的损失值,选取损失值小于预设损失值的人脸位置序列,得到人脸图像。
可选地,所述对所述人脸图像集进行脸部频域转换,得到标准人脸图像集,包括:
对所述人脸图像集进行傅里叶变换,得到频域人脸图像集;
过滤所述频域人脸图像集中的环境光,得到标准频域人脸图像集;
对所述标准频域人脸图像集进行傅里叶反变换,得到空间频域人脸图像集;
将所述标准频域人脸图像集与所述空间频域人脸图像集进行通道叠加,得到标准人脸图像集。
可选地,所述利用所述目标人脸图像集对预构建的服务端人脸特征提取模型进行训练,得到训练完成的服务端人脸特征提取模型,包括:
利用所述预构建的服务端人脸特征提取模型对所述目标人脸图像集进行特征提取,得到特征图像集;
利用所述预构建的服务端人脸特征提取模型中的损失函数计算所述特征图像集中的损失值;
根据所述损失值,调整所述服务端人脸特征提取模型的参数,直至所述损失值小于预设阈值时,结束所述参数调整,得到训练完成的服务端人脸特征提取模型。
可选地,所述利用预构建的服务端人脸特征提取模型对所述目标人脸图像集进行特征提取,得到特征图像集,包括:
利用所述服务端人脸特征提取模型中的卷积层对所述目标人脸图像集进行卷积操作,得到卷积图像集;
利用所述服务端人脸特征提取模型中的金字塔池化层对所述卷积图像集进行降维操作,得到标准卷积图像集;
利用所述服务端人脸特征提取模型中的融合层将所述目标人脸图像集的底层特征与所述标准卷积图像集进行融合,得到特征图像集。
可选地,所述损失函数包括:
可选地,所述利用所述训练完成的服务端人脸特征提取模型对预构建的客户端人脸特征提取模型进行蒸馏训练,得到训练完成的客户端人脸特征提取模型,包括:
根据所述训练完成的服务端人脸特征提取模型,构建所述预构建的客户端人脸特征提取模型的蒸馏损失函数;
利用所述蒸馏损失函数对所述预构建的客户端人脸特征提取模型进行蒸馏训练,得到训练完成的客户端人脸特征提取模型。
为了解决上述问题,本发明还提供一种人脸识别装置,所述装置包括:
检测模块,用于获取训练图像集,对所述训练图像集进行人脸检测,得到人脸图像集;
对齐模块,用于对所述人脸图像进行脸部频域变换,生成标准人脸图像集,利用预设的决策树算法对所述标准人脸图像集进行人脸对齐,得到目标人脸图像集;
训练模块,用于利用所述目标人脸图像集对预构建的服务端人脸特征提取模型进行训练,得到训练完成的服务端人脸特征提取模型;
所述训练模块,还用于利用所述训练完成的服务端人脸特征提取模型对预构建的客户端人脸特征提取模型进行蒸馏训练,得到训练完成的客户端人脸特征提取模型;
提取模块,用于接收待识别人脸图像,利用所述训练完成的客户端人脸特征提取模型对所述待识别人脸图像进行特征提取,得到待识别人脸特征图像;
识别模块,用于利用预设人脸数据库中的人脸图像对所述待识别人脸特征图像进行人脸识别,得到识别结果。
为了解决上述问题,本发明还提供一种电子设备,所述电子设备包括:
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计算机程序,所述计算机程序被所述至少一个处理器执行,以实现上述所述的人脸识别方法。
为了解决上述问题,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质中存储有至少一个计算机程序,所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的人脸识别方法。
本发明实施例首先对获取的训练图像集进行人脸检测、脸部频域变换及人脸对齐,得到目标人脸图像集,可以提高后续模型训练的速度;其次,本发明实施例利用目标人脸图像集对预构建的服务端人脸特征提取模型进行训练,及利用训练完成的服务端人脸特征提取模型对预构建的客户端人脸特征提取模型进行蒸馏训练,可以使得客户端学习服务端模型参数,大大提高了客户端人脸特征提取的准确性;进一步地,本发明实施例利用训练完成的客户端人脸特征提取模型对待识别人脸图像进行特征提取,得到待识别人脸特征图像,并利用预设人脸数据库的人脸图像对待识别人脸特征图像进行人脸识别,得到识别结果,可以降低在人脸识别时占用的网络资源。因此,本发明提出的一种人脸识别方法、装置、电子设备以及存储介质可以降低在人脸识别时占用的网络资源,并同时提高人脸识别的准确性。
附图说明
图1为本发明一实施例提供的人脸识别方法的流程示意图;
图2为本发明第一实施例中图1提供的人脸识别方法其中一个步骤的详细流程示意图;
图3为本发明一实施例提供的人脸识别装置的模块示意图;
图4为本发明一实施例提供的实现人脸识别方法的电子设备的内部结构示意图;
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本申请实施例提供一种人脸识别方法。所述人脸识别方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之,所述人脸识别方法可以由安装在终端设备或服务端设备的软件或硬件来执行,所述软件可以是区块链平台。所述服务端包括但不限于:单台服务器、服务器集群、云端服务器或云端服务器集群等。
参照图1所示,为本发明一实施例提供的人脸识别方法的流程示意图。在本发明实施例中,所述人脸识别方法包括:
S1、获取训练图像集,对所述训练图像集进行人脸检测,得到人脸图像集。
本发明实施例中,所述训练图像集包括公开图像集及真实场景图像集。其中,所述公开图像集可通过网页下载得到,其包括:85742id,5822653照片,即平均一人60张左右图片,所述真实场景图像集为学员真实上课打卡照片,其包括100000id,3000000照片,即平均一人30张左右图片。其中,id表示每张训练图像对应的人物信息,如姓名。
进一步地,应该了解,在获取的训练图像集可能会包括人体各个身体部分,为了更加准确的对训练图像集进行分析比对,本发明实施例利用预训练好的人脸检测模型对所述训练图像集进行人脸检测,得到人脸图像。所述人脸检测模型通过长短期记忆网络(LongShort-Term Memory,LSTM)模型组成,是一种时间循环神经网络,包括:输入门、遗忘门以及输出门。在本发明中,所述人脸检测模型用于识别出所述训练图像集的人脸位置序列,以识别出人脸信息,生成人脸图像。
详细地,所述利用预训练好的人脸检测模型对所述训练图像集进行人脸检测,得到人脸图像,包括:利用所述输入门计算所述训练图像集的状态值;利用所述遗忘门计算所述训练图像集的激活值;根据所述状态值和激活值计算所述训练图像集像的状态更新值;利用所述输出门计算所述状态更新值的人脸位置序列;利用所述人脸检测模型中的损失函数计算所述人脸位置序列与对应人脸图像标签的损失值,选取损失值小于预设损失值的人脸位置序列,得到人脸图像。
一个可选实施例中,所述状态值的计算方法包括:
一个可选实施例中,所述激活值的计算方法包括:
一个可选实施例中,所述状态更新值的计算方法包括:
一个可选实施例中,所述人脸位置序列的计算方法包括:
ot=tanh(ct)
其中,ot表示人脸位置序列,tanh表示输出门的激活函数,ct表示状态更新值。
一个可选实施例中,所述损失函数为softmax函数,其中,所述人脸图像标签指的是用户预先在人脸图像中标明的人脸位置序列,进一步地,本发明中,选取损失值小于预设损失值的人脸位置序列作为所述人脸位置序列,以识别出人脸位置信息,生成人脸图像。可选的,所述预设损失值可为0.1,也可设置为其他数值,可根据实际需要设置。
S2、对所述人脸图像进行脸部频域变换,生成标准人脸图像集,利用预设的决策树算法对所述标准人脸图像集进行人脸对齐,得到目标人脸图像集。
由于所述人脸图像对环境光的抗干扰性较差,容易影响人脸活体检测的准确性,因此,本发明实施例对所述人脸图像进行脸部频域转换,以分离出人脸图像的环境光,提高人脸图像的抗干扰性,从而可以大幅度提高人脸识别的准确性。
详细地,所述对所述人脸图像集进行脸部频域转换,得到标准人脸图像集,包括:对所述人脸图像集进行傅里叶变换,得到频域人脸图像集;过滤所述频域人脸图像集中的环境光,得到标准频域人脸图像集;对所述标准频域人脸图像集进行傅里叶反变换,得到空间频域人脸图像集;将所述标准频域人脸图像集与所述空间频域人脸图像集进行通道叠加,得到标准人脸图像集。
其中,所述傅里叶变换用于将所述人脸图像集从空间域转换到频域中,以分析出所述人脸图像集的环境光频段,可选地,本发明实施例利用下述方法对所述人脸图像集进行傅里叶变换:
其中,F(ω)表示频域人脸图像函数集,f(t)表示人脸图像函数,e表示无线不循环小数。
一个可选实施例中,利用下述方法过滤所述频域人脸图像集中的环境光:
Y(n)=αX(n)+(1-α)Y(n-1)
其中,Y(n)表示环境光滤波输出值,α表示滤波系数,X(n)表示人脸图像集的本次环境光过滤采样值,Y(n-1)表示上次人脸图像集的环境光滤波输出值。其中,本发明将人脸图像集的本次环境光过滤采样值与上次滤波输出值进行加权,得到有效滤波值,使得输出对输入有反馈作用,提高人脸图像集的环境光分离效果。
进一步地,本发明实施例将所述标准频域人脸图像集进行傅里叶反变换,以使人脸图像集从频域转换至空间域中,可选地,本发明利用下述方法将所述标准频域人脸图像集进行傅里叶反变换:
其中,f(t)表示空间频域人脸图像函数,F(ω)表示表示频域人脸图像函数,e表示无线不循环小数。
进一步地,本发明实施例将所述标准频域人脸图像集与所述空间频域人脸图像集进行通道叠加,以提取出人脸图像集的频域特性和提高人脸图像集的抗环境光干扰性,从而可以提升人脸反光活体的识别准确率。例如,所述标准频域人脸图像集的频域通道为F,所述空间频域人脸图像集的通道为RGB,则将所述标准频域人脸图像集与所述空间频域人脸图像集按照通道顺序叠加,得到RGBF通道的人脸图像,即所述标准人脸图像。
进一步地,本发明实施例利用预设的决策树算法对所述标准人脸图像集进行人脸对齐,得到目标人脸图像集,以确定所述人脸图像中的人脸形状。
一个可选实施例中,所述预设的决策树算法包括:XGBoost算法,需要声明的是,所述XGBoost算法属于当前较为成熟的技术,在此不做进一步地阐述。
S3、利用所述目标人脸图像集对预构建的服务端人脸特征提取模型进行训练,得到训练完成的服务端人脸特征提取模型。
本发明实施例中,所述预构建的服务端人脸特征提取模型通过resnet50网络在服务端中部署形成,用于提取人脸的特征图像,提高人脸特征图像的提取准确率。进一步地,本发明利用所述目标人脸图像集对预构建的服务端人脸特征提取模型进行训练,得到训练完成的服务端人脸特征提取模型。其中,所述服务端人脸特征提取模型包括:卷积层、金字塔池化层以及融合层等。
详细地,所述利用所述目标人脸图像集对预构建的服务端人脸特征提取模型进行训练,得到训练完成的服务端人脸特征提取模型,包括:利用所述预构建的服务端人脸特征提取模型对所述目标人脸图像集进行特征提取,得到特征图像集,利用所述预构建的服务端人脸特征提取模型中的损失函数计算所述特征图像集中的损失值,根据所述损失值,调整所述服务端人脸特征提取模型的参数,直至所述损失值小于预设阈值时,结束所述参数调整,得到训练完成的服务端人脸特征提取模型。
本发明的其中一个可选实施例中,参阅图2所示,所述利用预构建的服务端人脸特征提取模型对所述目标人脸图像集进行特征提取,得到特征图像集,包括:
S20、利用所述卷积层对所述目标人脸图像集进行卷积操作,得到卷积图像集;
S21、利用所述金字塔池化层(Spatial Pyramid Pooling,简称SPP)对所述卷积图像集进行降维操作,得到标准卷积图像集;
S22、利用所述融合层将所述目标人脸图像集的底层特征与所述标准卷积图像集进行融合,得到特征图像集。
其中,所述卷积层对图像进行卷积操作,可以实现特征提取,所述金字塔池化层可以对所述卷积图像进行尺寸降维操作,可以避免在卷积操作时因裁剪,缩放等问题引起的结节误检,所述融合层将图像的底层特征融合至提取的卷积图像集中,可以减小对不同增益引起的图像灰度变化影响。
一个可选实例中,所述底层特征指的是所述目标人脸图像集中的基本特征,例如、颜色、长度、宽度等等,较佳地,本发明实施例中所述融合通过所述融合层中的CSP(Cross-Stage-Partial-connections跨阶段部分连接)模块实现。
一个可选实例中,所述损失函数包括:
S4、利用所述训练完成的服务端人脸特征提取模型对预构建的客户端人脸特征提取模型进行蒸馏训练,得到训练完成的客户端人脸特征提取模型。
应该了解,所述服务端人脸特征提取模型是基于服务端实现人脸图像的特征提取,由于所述服务端的计算能力较强,但是应用于需要耗费较大的网络资源,这样容易给服务器带来较大的压力,因此,本发明实施例利用所述训练完成的服务端人脸特征提取模型对预构建的客户端人脸特征提取模型进行训练,得到训练完成的客户端人脸特征提取模型,以降低服务器压力的同时提高人脸识别的准确性。其中,所述客户端人脸特征提取模型通过mobilefacenet网络在客户端中部署形成。
详细地,所述利用所述训练完成的服务端人脸特征提取模型对预构建的客户端人脸特征提取模型进行蒸馏训练,得到训练完成的客户端人脸特征提取模型,包括:根据所述训练完成的服务端人脸特征提取模型,构建所述预构建的客户端人脸特征提取模型的蒸馏损失函数,利用所述蒸馏损失函数对所述预构建的客户端人脸特征提取模型进行蒸馏训练,得到训练完成的客户端人脸特征提取模型。
一个可选实施例中,所述根据所述训练完成的服务端人脸特征提取模型,构建所述预构建的客户端人脸特征提取模型的蒸馏损失函数,包括:对所述服务端人脸特征提取模型中的特征图像进行归一化指数处理,得到第一概率分布函数;对所述预构建的客户端人脸特征提取模型中的特征图像进行归一化指数处理,得到第二概率分布函数;计算所述第二概率分布函数与所述第一概率分布函数的最大差异值,生成所述蒸馏损失函数。
一个可选实施例中,所述蒸馏损失函数如下述公式所示:
其中,E表示所述蒸馏损失函数,表示第一概率分布函数,表示第二概率分布函数,n表示服务端人脸特征提取模型中特征图像的数量,xi服务端人脸特征提取模型中第i个特征图像,m表示客户端人脸特征提取模型中特征图像的数量,yj服务端人脸特征提取模型中第j个特征图像,H表示所述蒸馏损失函数的映射空间。
S5、接收待识别人脸图像,利用所述训练完成的客户端人脸特征提取模型对所述待识别人脸图像进行特征提取,得到待识别人脸特征图像。
本发明实施例中,所述待识别人脸图像包括:学生考勤图像、嫌疑犯图像以及网上购票图像等,进一步地,本发明实施例利用所述训练完成的客户端人脸特征提取模型对所述待识别人脸图像进行特征提取,得到待识别人脸特征图像。
进一步地,为保障所述待识别人脸特征图像的隐私性和复用性,所述待识别人脸特征图像还可存储于一区块链节点中。
S6、利用预设人脸数据库中的人脸图像对所述待识别人脸特征图像进行人脸识别,得到识别结果。
本发明实施例利用预设人脸数据库中的人脸图像对所述待识别人脸特征图像进行人脸识别,得到识别结果,即将所述待识别人脸特征图像与人脸数据库中的人脸图像进行匹配,若匹配失败,则所述待识别人脸图像识别失败,若匹配成功,则所述待识别人脸图像识别成功。其中,所述预设人脸数据库通过预先采集的标准人脸图像组合得到,如公安系统的人脸数据库。
一个可选实施例中,利用下述方法将所述待识别人脸特征图像与人脸数据库中的人脸图像进行匹配:
其中,R表示匹配结果,Ai表示第i个待识别人脸特征图像,Bi表示人脸数据库中的第i个人脸图像。
本发明实施例首先对获取的训练图像集进行人脸检测、脸部频域变换及人脸对齐,得到目标人脸图像集,可以提高后续模型训练的速度;其次,本发明实施例利用目标人脸图像集对预构建的服务端人脸特征提取模型进行训练,及利用训练完成的服务端人脸特征提取模型对预构建的客户端人脸特征提取模型进行蒸馏训练,可以使得客户端学习服务端模型参数,大大提高了客户端人脸特征提取的准确性;进一步地,本发明实施例利用训练完成的客户端人脸特征提取模型对待识别人脸图像进行特征提取,得到待识别人脸特征图像,并利用预设人脸数据库的人脸图像对待识别人脸特征图像进行人脸识别,得到识别结果,可以降低在人脸识别时占用的网络资源。因此,本发明提出的一种人脸识别方法、装置、电子设备以及存储介质可以降低在人脸识别时占用的网络资源,并同时提高人脸识别的准确性。
如图3所示,是本发明人脸识别装置的功能模块图。
本发明所述人脸识别装置100可以安装于电子设备中。根据实现的功能,所述人脸识别装置可以包括检测模块101、对齐模块102、训练模块103、提取模块104以及识别模块105。本发所述模块也可以称之为单元,是指一种能够被电子设备处理器所执行,并且能够完成固定功能的一系列计算机程序段,其存储在电子设备的存储器中。
在本实施例中,关于各模块/单元的功能如下:
所述检测模块101,用于获取训练图像集,对所述训练图像集进行人脸检测,得到人脸图像集;
所述对齐模块102,用于对所述人脸图像进行脸部频域变换,生成标准人脸图像集,利用预设的决策树算法对所述标准人脸图像集进行人脸对齐,得到目标人脸图像集;
所述训练模块103,用于利用所述目标人脸图像集对预构建的服务端人脸特征提取模型进行训练,得到训练完成的服务端人脸特征提取模型;
所述训练模块103,还用于利用所述训练完成的服务端人脸特征提取模型对预构建的客户端人脸特征提取模型进行蒸馏训练,得到训练完成的客户端人脸特征提取模型;
所述提取模块104,用于接收待识别人脸图像,利用所述训练完成的客户端人脸特征提取模型对所述待识别人脸图像进行特征提取,得到待识别人脸特征图像;
所述识别模块105,用于利用预设人脸数据库中的人脸图像对所述待识别人脸特征图像进行人脸识别,得到识别结果。
详细地,本发明实施例中所述人脸识别装置100中的所述各模块在使用时采用与上述的图1和图2中所述的人脸识别方法一样的技术手段,并能够产生相同的技术效果,这里不再赘述。
如图4所示,是本发明实现人脸识别方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11和总线,还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序,如人脸识别程序12。
其中,所述存储器11至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如:SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元,例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备,例如电子设备1上配备的插接式移动硬盘、智能存储卡(Smart Media Card,SMC)、安全数字(SecureDigital,SD)卡、闪存卡(Flash Card)等。进一步地,所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据,例如人脸识别的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Processing unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(Control Unit),利用各种接口和线路连接整个电子设备的各个部件,通过运行或执行存储在所述存储器11内的程序或者模块(例如执行人脸识别等),以及调用存储在所述存储器11内的数据,以执行电子设备1的各种功能和处理数据。
所述总线可以是外设部件互连标准(peripheral component interconnect,简称PCI)总线或扩展工业标准结构(extended industry standard architecture,简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
图4仅示出了具有部件的电子设备,本领域技术人员可以理解的是,图4示出的结构并不构成对所述电子设备1的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
例如,尽管未示出,所述电子设备1还可以包括给各个部件供电的电源(比如电池),优选地,电源可以通过电源管理装置与所述至少一个处理器10逻辑相连,从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等,在此不再赘述。
进一步地,所述电子设备1还可以包括网络接口,可选地,所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等),通常用于在该电子设备1与其他电子设备之间建立通信连接。
可选地,该电子设备1还可以包括用户接口,用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard)),可选地,用户接口还可以是标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解,所述实施例仅为说明之用,在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的人脸识别12是多个计算机程序的组合,在所述处理器10中运行时,可以实现:
获取训练图像集,对所述训练图像集进行人脸检测,得到人脸图像集;
对所述人脸图像进行脸部频域变换,生成标准人脸图像集,利用预设的决策树算法对所述标准人脸图像集进行人脸对齐,得到目标人脸图像集;
利用所述目标人脸图像集对预构建的服务端人脸特征提取模型进行训练,得到训练完成的服务端人脸特征提取模型;
利用所述训练完成的服务端人脸特征提取模型对预构建的客户端人脸特征提取模型进行蒸馏训练,得到训练完成的客户端人脸特征提取模型;
接收待识别人脸图像,利用所述训练完成的客户端人脸特征提取模型对所述待识别人脸图像进行特征提取,得到待识别人脸特征图像;
利用预设人脸数据库中的人脸图像对所述待识别人脸特征图像进行人脸识别,得到识别结果。
具体地,所述处理器10对上述计算机程序的具体实现方法可参考图1对应实施例中相关步骤的描述,在此不赘述。
进一步地,所述电子设备1集成的模块/单元如果以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,可以存储在一个非易失性计算机可读取存储介质中。所述计算机可读存储介质可以是易失性的,也可以是非易失性的。例如,所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)。
本发明还提供一种计算机可读存储介质,所述可读存储介质存储有计算机程序,所述计算机程序在被电子设备的处理器所执行时,可以实现:
获取训练图像集,对所述训练图像集进行人脸检测,得到人脸图像集;
对所述人脸图像进行脸部频域变换,生成标准人脸图像集,利用预设的决策树算法对所述标准人脸图像集进行人脸对齐,得到目标人脸图像集;
利用所述目标人脸图像集对预构建的服务端人脸特征提取模型进行训练,得到训练完成的服务端人脸特征提取模型;
利用所述训练完成的服务端人脸特征提取模型对预构建的客户端人脸特征提取模型进行蒸馏训练,得到训练完成的客户端人脸特征提取模型;
接收待识别人脸图像,利用所述训练完成的客户端人脸特征提取模型对所述待识别人脸图像进行特征提取,得到待识别人脸特征图像;
利用预设人脸数据库中的人脸图像对所述待识别人脸特征图像进行人脸识别,得到识别结果。
在本发明所提供的几个实施例中,应该理解到,所揭露的设备,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块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。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称,而并不表示任何特定的顺序。
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限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种人脸识别方法,其特征在于,所述方法包括:
获取训练图像集,对所述训练图像集进行人脸检测,得到人脸图像集;
对所述人脸图像进行脸部频域变换,生成标准人脸图像集,利用预设的决策树算法对所述标准人脸图像集进行人脸对齐,得到目标人脸图像集;
利用所述目标人脸图像集对预构建的服务端人脸特征提取模型进行训练,得到训练完成的服务端人脸特征提取模型;
利用所述训练完成的服务端人脸特征提取模型对预构建的客户端人脸特征提取模型进行蒸馏训练,得到训练完成的客户端人脸特征提取模型;
接收待识别人脸图像,利用所述训练完成的客户端人脸特征提取模型对所述待识别人脸图像进行特征提取,得到待识别人脸特征图像;
利用预设人脸数据库中的人脸图像对所述待识别人脸特征图像进行人脸识别,得到识别结果。
2.如权利要求1所述的人脸识别方法,其特征在于,所述对所述训练图像集进行人脸检测,得到人脸图像,包括:
利用预训练好的人脸检测模型中的输入门计算所述训练图像集的状态值,及利用所述人脸检测模型中的遗忘门计算所述训练图像集的激活值;
根据所述状态值和激活值计算所述训练图像集像的状态更新值;
利用所述人脸检测模型中的输出门计算所述状态更新值的人脸位置序列;
利用所述人脸检测模型中的损失函数计算所述人脸位置序列与对应人脸图像标签的损失值,选取损失值小于预设损失值的人脸位置序列,得到人脸图像。
3.如权利要求1所述的人脸识别方法,其特征在于,所述对所述人脸图像集进行脸部频域转换,得到标准人脸图像集,包括:
对所述人脸图像集进行傅里叶变换,得到频域人脸图像集;
过滤所述频域人脸图像集中的环境光,得到标准频域人脸图像集;
对所述标准频域人脸图像集进行傅里叶反变换,得到空间频域人脸图像集;
将所述标准频域人脸图像集与所述空间频域人脸图像集进行通道叠加,得到标准人脸图像集。
4.如权利要求1所述的人脸识别方法,其特征在于,所述利用所述目标人脸图像集对预构建的服务端人脸特征提取模型进行训练,得到训练完成的服务端人脸特征提取模型,包括:
利用所述预构建的服务端人脸特征提取模型对所述目标人脸图像集进行特征提取,得到特征图像集;
利用所述预构建的服务端人脸特征提取模型中的损失函数计算所述特征图像集中的损失值;
根据所述损失值,调整所述服务端人脸特征提取模型的参数,直至所述损失值小于预设阈值时,结束所述参数调整,得到训练完成的服务端人脸特征提取模型。
5.如权利要求4中所述的人脸识别方法,其特征在于,所述利用预构建的服务端人脸特征提取模型对所述目标人脸图像集进行特征提取,得到特征图像集,包括:
利用所述服务端人脸特征提取模型中的卷积层对所述目标人脸图像集进行卷积操作,得到卷积图像集;
利用所述服务端人脸特征提取模型中的金字塔池化层对所述卷积图像集进行降维操作,得到标准卷积图像集;
利用所述服务端人脸特征提取模型中的融合层将所述目标人脸图像集的底层特征与所述标准卷积图像集进行融合,得到特征图像集。
7.如权利要求1至6中任意一项所述的人脸识别方法,其特征在于,所述利用所述训练完成的服务端人脸特征提取模型对预构建的客户端人脸特征提取模型进行蒸馏训练,得到训练完成的客户端人脸特征提取模型,包括:
根据所述训练完成的服务端人脸特征提取模型,构建所述预构建的客户端人脸特征提取模型的蒸馏损失函数;
利用所述蒸馏损失函数对所述预构建的客户端人脸特征提取模型进行蒸馏训练,得到训练完成的客户端人脸特征提取模型。
8.一种人脸识别装置,其特征在于,所述装置包括:
检测模块,用于获取训练图像集,对所述训练图像集进行人脸检测,得到人脸图像集;
对齐模块,用于对所述人脸图像进行脸部频域变换,生成标准人脸图像集,利用预设的决策树算法对所述标准人脸图像集进行人脸对齐,得到目标人脸图像集;
训练模块,用于利用所述目标人脸图像集对预构建的服务端人脸特征提取模型进行训练,得到训练完成的服务端人脸特征提取模型;
所述训练模块,还用于利用所述训练完成的服务端人脸特征提取模型对预构建的客户端人脸特征提取模型进行蒸馏训练,得到训练完成的客户端人脸特征提取模型;
提取模块,用于接收待识别人脸图像,利用所述训练完成的客户端人脸特征提取模型对所述待识别人脸图像进行特征提取,得到待识别人脸特征图像;
识别模块,用于利用预设人脸数据库中的人脸图像对所述待识别人脸特征图像进行人脸识别,得到识别结果。
9.一种电子设备,其特征在于,所述电子设备包括:
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计算机程序,所述计算机程序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如权利要求1至7中任意一项所述的人脸识别方法。
10.一种计算机可读存储介质,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7中任意一项所述的人脸识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011581217.8A CN112651342A (zh) | 2020-12-28 | 2020-12-28 | 人脸识别方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011581217.8A CN112651342A (zh) | 2020-12-28 | 2020-12-28 | 人脸识别方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112651342A true CN112651342A (zh) | 2021-04-13 |
Family
ID=75363528
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011581217.8A Pending CN112651342A (zh) | 2020-12-28 | 2020-12-28 | 人脸识别方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112651342A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113221766A (zh) * | 2021-05-18 | 2021-08-06 | 北京百度网讯科技有限公司 | 训练活体人脸识别模型、识别活体人脸的方法及相关装置 |
CN113313034A (zh) * | 2021-05-31 | 2021-08-27 | 平安国际智慧城市科技股份有限公司 | 人脸识别方法、装置、电子设备及存储介质 |
CN113808577A (zh) * | 2021-09-18 | 2021-12-17 | 平安银行股份有限公司 | 语音摘要的智能提取方法、装置、电子设备及存储介质 |
CN113822239A (zh) * | 2021-11-22 | 2021-12-21 | 聊城中赛电子科技有限公司 | 一种基于电子围栏的安全监控方法、装置、电子设备 |
CN114241583A (zh) * | 2022-01-19 | 2022-03-25 | 中国平安人寿保险股份有限公司 | 人脸识别方法、装置、电子设备及存储介质 |
-
2020
- 2020-12-28 CN CN202011581217.8A patent/CN112651342A/zh active Pending
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113221766A (zh) * | 2021-05-18 | 2021-08-06 | 北京百度网讯科技有限公司 | 训练活体人脸识别模型、识别活体人脸的方法及相关装置 |
CN113313034A (zh) * | 2021-05-31 | 2021-08-27 | 平安国际智慧城市科技股份有限公司 | 人脸识别方法、装置、电子设备及存储介质 |
CN113313034B (zh) * | 2021-05-31 | 2024-03-22 | 平安国际智慧城市科技股份有限公司 | 人脸识别方法、装置、电子设备及存储介质 |
CN113808577A (zh) * | 2021-09-18 | 2021-12-17 | 平安银行股份有限公司 | 语音摘要的智能提取方法、装置、电子设备及存储介质 |
CN113822239A (zh) * | 2021-11-22 | 2021-12-21 | 聊城中赛电子科技有限公司 | 一种基于电子围栏的安全监控方法、装置、电子设备 |
CN114241583A (zh) * | 2022-01-19 | 2022-03-25 | 中国平安人寿保险股份有限公司 | 人脸识别方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112651342A (zh) | 人脸识别方法、装置、电子设备及存储介质 | |
CN112446025A (zh) | 联邦学习防御方法、装置、电子设备及存储介质 | |
CN106295591A (zh) | 基于人脸图像的性别识别方法及装置 | |
CN112507922B (zh) | 人脸活体检测方法、装置、电子设备及存储介质 | |
CN111523389A (zh) | 情绪智能识别方法、装置、电子设备及存储介质 | |
CN106415594A (zh) | 用于面部验证的方法和系统 | |
CN111310705A (zh) | 图像识别方法、装置、计算机设备及存储介质 | |
CN107967461B (zh) | Svm差分模型训练及人脸验证方法、装置、终端及存储介质 | |
CN113283446B (zh) | 图像中目标物识别方法、装置、电子设备及存储介质 | |
CN112396005A (zh) | 生物特征图像识别方法、装置、电子设备及可读存储介质 | |
CN112507934A (zh) | 活体检测方法、装置、电子设备及存储介质 | |
CN111898538A (zh) | 证件鉴伪方法、装置、电子设备及存储介质 | |
CN113903068A (zh) | 基于人脸特征的陌生人监控方法、装置、设备及存储介质 | |
CN113011387A (zh) | 网络训练及人脸活体检测方法、装置、设备及存储介质 | |
CN112686232B (zh) | 基于微表情识别的教学评价方法、装置、电子设备及介质 | |
CN114639152A (zh) | 基于人脸识别的多模态语音交互方法、装置、设备及介质 | |
CN113705469A (zh) | 人脸识别方法、装置、电子设备及计算机可读存储介质 | |
CN113435335B (zh) | 微观表情识别方法、装置、电子设备及存储介质 | |
CN111626212A (zh) | 图片中对象的识别方法和装置、存储介质及电子装置 | |
CN113887408B (zh) | 活化人脸视频的检测方法、装置、设备及存储介质 | |
CN115471775A (zh) | 基于录屏视频的信息验证方法、装置、设备及存储介质 | |
CN114187476A (zh) | 基于图像分析的车险信息核对方法、装置、设备及介质 | |
CN114066664A (zh) | 基于行为画像的风险等级评估方法、装置、设备及介质 | |
CN114463685A (zh) | 行为识别方法、装置、电子设备及存储介质 | |
CN113869218A (zh) | 人脸活体检测方法、装置、电子设备及可读存储介质 |
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 |