CN112836701A - 人脸识别方法、装置及计算设备 - Google Patents
人脸识别方法、装置及计算设备 Download PDFInfo
- Publication number
- CN112836701A CN112836701A CN201911162828.6A CN201911162828A CN112836701A CN 112836701 A CN112836701 A CN 112836701A CN 201911162828 A CN201911162828 A CN 201911162828A CN 112836701 A CN112836701 A CN 112836701A
- Authority
- CN
- China
- Prior art keywords
- image
- model
- face recognition
- reticulate
- discriminator
- 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
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/273—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion removing elements interfering with the pattern to be recognised
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- Collating Specific Patterns (AREA)
Abstract
本发明实施例涉及人脸识别技术领域,公开了一种人脸识别方法、装置及计算设备。其中,该方法包括:获取第一图像和带网纹的第二图像,其中,第一图像和第二图像属于同一用户;将第二图像输入生成器模型,得到去除网纹的第二图像;将去除网纹的第二图像以及第一图像输入判别器模型,以判断去除网纹的第二图像是否为真实无网纹图像;若判别器模型的判别结果为假,调整生成器模型和判别器模型的参数,直至判别器模型的判别结果为真;通过调整后的生成器模型对库存证件图像进行去除网纹处理,并根据处理后的库存证件图像进行人脸识别。通过上述方式,本发明实施例能够自动去除图像上的网纹,效率较高。
Description
技术领域
本发明实施例涉及人脸识别技术领域,具体涉及一种人脸识别方法、装置及计算设备。
背景技术
随着信息化建设的发展,人脸识别技术被广泛应用。在智慧营业厅的实现过程中,为了主动接触客户并为其提供精准营销、关怀等个性化服务,客户的身份识别是一个核心的技术实现点。
目前人脸识别的方式通常是将用户的现场照与带有网纹的证件照进行对比。但是由于证件照存在网纹,直接将证件照与现场照进行对比,识别的准确率较低。
发明内容
鉴于上述问题,本发明实施例提供了一种人脸识别方法、装置及计算设备,能够提高人脸识别的准确率。
根据本发明实施例的一个方面,提供了一种人脸识别方法,所述方法包括:获取第一图像和带网纹的第二图像,其中,所述第一图像和所述第二图像属于同一用户;将所述第二图像输入生成器模型,得到去除网纹的所述第二图像;将去除网纹的所述第二图像以及所述第一图像输入判别器模型,以判断去除网纹的所述第二图像是否为真实无网纹图像;若所述判别器模型的判别结果为假,调整所述生成器模型和所述判别器模型的参数,直至所述判别器模型的判别结果为真;通过调整后的所述生成器模型对库存证件图像进行去除网纹处理,并根据处理后的库存证件图像进行人脸识别。
在一种可选的方式中,在所述将所述第二图像输入生成器模型之前,所述方法还包括:分别对所述第一图像和所述第二图像进行预处理,其中,所述预处理包括格式转换处理、重采样处理、插值处理中的一种或多种。
在一种可选的方式中,所述将所述第二图像输入生成器模型,得到去除网纹的所述第二图像,进一步包括:所述生成器模型基于U-net网络对所述第二图像进行图像分割和特征提取,确定所述第二图像中的网纹;将所述第二图像中的网纹从所述第二图像中去除,得到去除网纹的所述第二图像。
在一种可选的方式中,所述判别器模型包括若干卷积层和全局池化层。
在一种可选的方式中,所述调整所述生成器模型和所述判别器模型的参数,进一步包括:将去除网纹的所述第二图像与所述第一图像的像素均方差损失作为第一损失函数;将所述判别器模型的分类损失作为第二损失函数;将所述第一损失函数和所述第二损失函数作为目标函数,迭代训练使得所述目标函数下降并收敛。
在一种可选的方式中,所述根据处理后的待识别证件照进行人脸识别,进一步包括:获取待识别照片;将所述待识别照片与处理后的所述库存证件图像输入至预设识别模型;根据所述预设识别模型输出的识别结果,判断所述待识别照片与所述库存证件图像是否属于同一用户。
在一种可选的方式中,所述方法还包括:获取用户的身份信息;从数据库中获取与所述身份信息对应的所述库存证件图像。
根据本发明实施例的另一方面,提供了一种人脸识别装置,所述装置包括:图像获取模块,用于获取第一图像和带网纹的第二图像,其中,所述第一图像和所述第二图像属于同一用户;生成器模块,用于将所述第二图像输入生成器模型,得到去除网纹的所述第二图像;判别器模块,用于将去除网纹的所述第二图像以及所述第一图像输入判别器模型,以判断去除网纹的所述第二图像是否为真实无网纹图像;训练模块,用于若所述判别器模型的判别结果为假,调整所述生成器模型和所述判别器模型的参数,直至所述判别器模型的判别结果为真;识别模块,用于通过调整后的所述生成器模型对库存证件图像进行除网纹处理,并根据处理后的库存证件图像进行人脸识别。
根据本发明实施例的又一方面,提供了一种计算设备,包括:处理器、存储器和通信接口,所述处理器、所述存储器和所述通信接口相互通信;所述存储器用于存放至少一可执行指令,所述可执行指令使所述处理器执行如上所述的人脸识别方法的操作。
根据本发明实施例的另一方面,提供了一种计算机可读存储介质,所述存储介质中存储有至少一可执行指令,所述可执行指令使处理器执行如上所述的人脸识别方法。
本发明实施例通过获取第一图像和带网纹的第二图像,第一图像和第二图像属于同一用户,将第二图像输入生成器模型,得到去除网纹的所述第二图像,将去除网纹的第二图像以及第一图像输入判别器模型,以判断去除网纹的第二图像是否为真实无网纹图像,若判别器模型的判别结果为假,调整生成器模型和判别器模型的参数,直至判别器模型的判别结果为真,通过调整后的生成器模型对库存证件图像进行去除网纹处理,并根据处理后的库存证件图像进行人脸识别,避免直接使用证件照图像进行人脸识别造成的准确率低,能够提高人脸识别的准确率,从而提升智慧营业厅的人脸识别能力,并且,通过统一的模型进行图像处理,能够使处理效果的标准达到一致性,规范了处理效果。
上述说明仅是本发明实施例技术方案的概述,为了能够更清楚了解本发明实施例的技术手段,而可依照说明书的内容予以实施,并且为了让本发明实施例的上述和其它目的、特征和优点能够更明显易懂,以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本发明的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
图1示出了本发明其中一实施例提供的人脸识别方法的流程图;
图2示出了图1中步骤120的流程图;
图3示出了本发明实施例提供的生成器模型的结构示意图;
图4示出了本发明实施例提供的判别器模型的结构示意图;
图5示出了图1中步骤140的流程图;
图6示出了本发明另一实施例提供的人脸识别方法的流程图;
图7示出了本发明实施例提供的人脸识别装置的结构示意图;
图8示出了本发明实施例提供的计算设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例,然而应当理解,可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本发明,并且能够将本发明的范围完整的传达给本领域的技术人员。
图1示出了本发明其中一实施例提供的人脸识别方法的流程图。该方法应用于计算设备中。如图1所示,该方法包括以下步骤:
步骤110、获取第一图像和带网纹的第二图像,其中,第一图像和第二图像属于同一用户。
其中,第一图像和第二图像属于同一用户是指第一图像和第二图像中包含的是同一用户的人脸。例如,第一图像可以为某用户的现场照片,第二图像可以为该用户的身份证照片或者其他带网纹的证件照。获取第一图像和第二图像,具体可以为:从客户管理数据库获取用户第二图像,并对该用户进行现场拍摄,以获取第一图像。
步骤120、将第二图像输入生成器模型,得到去除网纹的所述第二图像。
其中,生成器模型为基于U-net网络结构的模型。生成器模型用于去除图像中的网纹,并输出去除网纹的图像。
具体地,如图2所示,步骤120可以包括:
步骤121、生成器模型基于U-net网络对第二图像进行图像分割和特征提取,确定第二图像中的网纹;
步骤122、将第二图像中的网纹从第二图像中去除,得到去除网纹的第二图像。
具体地,如图3所示,生成器模型主要由卷积、激活、复制、裁剪、池化、反卷积这几个部分构成。通过采用基于U-net网络结构的生成器模型,能够更好的描述图片的细节,并且,具有更深的网络结构,能够提取图片更抽象的特征,从而提高了网纹识别精度。
步骤130、将去除网纹的第二图像以及第一图像输入判别器模型,以判断去除网纹的第二图像是否为真实无网纹图像。
其中,判别器模型用于判断输入的两个图像是否为同一图像,当输入无网纹的第一图像和处理后的第二图像时,判别器模型用于判断第二图像和第二图像是否为同一图像,即判断第二图像是否为真实无网纹图像。
其中,判别器模型包括若干卷积层和全局池化层。具体地,如图4所示,输入3通道的256*256大小矩阵(第一图像或去除网纹后的第二图像),用矩阵表示为[256,256,3],经过第一个卷积层,输出矩阵为[64,64,128],经过第二个卷积层,输出矩阵为[32,32,256],经过第三个卷积层,输出矩阵为[16,16,512],经过第四个卷积层,输出矩阵为[8,8,1024],经过第五个卷积层,输出矩阵为[4,4,2048],经过全局池化层,输出长度为2048,从而对第一图像和第二图像进行判别。例如,计算第一图像和第二图像的相似度,若第一图像和第二图像的相似度小于预设阈值,则判别器模型的判别结果为假,即去除网纹的所述第二图像不为真实无网纹图像,若第一图像和第二图像的相似度大于或者等于预设阈值,则判别器模型的判别结果为真,即去除网纹的所述第二图像为真实无网纹图像。
步骤140、若判别器模型的判别结果为假,调整生成器模型和判别器模型的参数,直至判别器模型的判别结果为真。
其中,调整生成器模型和判别器模型的参数,以进行模型训练。通过优化生成器模型的参数,提高去除网纹的精度,以使得判别器模型最大可能判断生成器模型输出的图像为真;并且,通过优化判别器的模型,使得判别器尽可能判断出真实无网纹图像和生成器模型输出的去除网纹图像。具体地,如图5所示,调整生成器模型和判别器模型的参数,进一步包括:
步骤141、将去除网纹的第二图像与第一图像的像素均方差损失作为第一损失函数;
步骤142、将判别器模型的分类损失作为第二损失函数;
步骤143、将第一损失函数和第二损失函数作为目标函数,迭代训练使得目标函数下降并收敛。
其中,将去除网纹的第二图像与第一图像的像素均方差损失(loss)作为生成器模型的损失函数,即第一损失函数。具体地,可以根据以下公式计算第一损失函数:
其中,L1为第一损失函数,P1表示第一图像,P0表示去除网纹的第二图像,W为图像的宽度,H为图像的高度。
其中,将去除网纹的第二图像与第一图像作为判别器模型的输入,将两者的分类损失(loss)作为判别器模型(D)的损失函数,即第二损失函数。具体地,可以根据以下公式计算第二损失函数:
其中,将像素均方差损失和分类损失的加权损失作为生成对抗模型的目标函数。具体地,可以根据以下公式计算目标函数:
L=βL1+L2
其中,目标函数为L,β为损失系数。
需要说明的是,在进行模型训练时,生成器模型的参数和判别器模型的参数是依次训练的,更新一次生成器模型的参数,就要对应更新一次判别器模型的参数。
步骤150、通过调整后的生成器模型对库存证件图像进行去除网纹处理,并根据处理后的库存证件图像进行人脸识别。
其中,库存证件图像为储存在数据库(例如客户关系管理数据库)中的证件照图像。当需要进行人脸识别时,通过调整后的生成器模型对库存证件图像进行去除网纹处理,得到视觉可以接受的人脸图像,再根据处理后的库存证件图像进行人脸识别,避免直接使用证件照图像进行人脸识别造成的准确率低,从而能够提高人脸识别的准确率。
在一些实施例中,第一图像的数量可以为若干,第二图像的数量可以为若干,第一图像和同属于同一用户的第二图像作为一个图像对,若干个图像对分别输入生成器模型和判别器模型,以调整生成器模型和判别器模型的参数。
本发明实施例通过获取第一图像和带网纹的第二图像,第一图像和第二图像属于同一用户,将第二图像输入生成器模型,得到去除网纹的所述第二图像,将去除网纹的第二图像以及第一图像输入判别器模型,以判断去除网纹的第二图像是否为真实无网纹图像,若判别器模型的判别结果为假,调整生成器模型和判别器模型的参数,直至判别器模型的判别结果为真,通过调整后的生成器模型对库存证件图像进行去除网纹处理,并根据处理后的库存证件图像进行人脸识别,避免直接使用证件照图像进行人脸识别造成的准确率低,能够提高人脸识别的准确率,从而提升智慧营业厅的人脸识别能力,并且,通过统一的模型进行图像处理,能够使处理效果的标准达到一致性,规范了处理效果。
在一些实施例中,在步骤120之前,该方法还包括:
步骤160、分别对第一图像和第二图像进行预处理,其中,预处理包括格式转换处理、重采样处理、插值处理中的一种或多种。
其中,通过进行格式转换处理,可以将图像转换为需要的格式,例如jpg、png、bmp、webp、gif、tiff等;通过进行重采样处理,在对采样后形成的由离散数据组成的数字图像按所需的像元位置或像元间距重新采样,以构成几何变换后的新图像;通过进行插值处理,从而从低分辨率图像生成高分辨率图像。在对图像进行预处理后,将处理后的图像保存为三维数组,以便后续对图像进行处理。
在一些实施例中,如图6所示,在步骤150之前,所述方法还包括:
步骤171、获取用户的身份信息;
步骤172、从数据库中获取与身份信息对应的库存证件图像;
步骤150具体包括:
步骤151、获取待识别照片;
步骤152、将待识别照片与处理后的库存证件图像输入至预设识别模型;
步骤153、根据预设识别模型输出的识别结果,判断待识别照片与库存证件图像是否属于同一用户。
其中,用户的身份信息是指由需要进行人脸识别的用户提供的能够表征其身份的信息,例如可以为身份证号码、手机号码、姓名等等。
在步骤172中,数据库可以为客户关系管理数据库,客户关系管理数据库中储存有身份信息以及该身份信息对应的库存证件图像。例如,假设身份信息为身份证号码,则客户关系管理数据库中储存有身份证号码以及身份证号码对应的身份证证件照。
其中,待识别照片为在现场对用户拍摄的照片。预设识别模型为预先设置的用来进行人脸识别的模型。预设识别模型可以通过若干样本进行训练得到。预设识别模型用于判断待识别照片中的人脸图像是否与库存证件图像中的人脸图像相同,若是,则待识别照片与库存证件图像属于同一用户,即人脸识别通过,若否,则待识别照片与库存证件图像不属于同一用户,即人脸识别不通过。
在实际应用环境中,具体过程可以为:用户到达营业厅办理业务,用户提供本人身份证号码,营业厅工作人员输入用户提供的身份证号码,系统根据身份证号码从客户关系管理数据库中查找与身份证号码对应的身份证照片(库存证件图像),并通过调整后的生成器模型对身份证照片进行去除网纹处理,同时,通过摄像头对用户进行拍摄,获取现场照片(待识别照片),将现场照片与去除网纹的身份证照片输入至预设识别模型,若预设识别模型输出现场照片与去除网纹的身份证照片属于同一用户,则判断现场照片与身份证照片属于同一用户,则系统输出人脸识别通过的结果;若预设识别模型输出现场照片与去除网纹的身份证照片不属于同一用户,则判断现场照片与身份证照片不属于同一用户,则系统输出人脸识别不通过的结果。
本发明实施例通过基于生成对抗网络技术得到的生成器模型对证件照图像进行去网纹处理,并根据去除网纹的证件照与现场照片进行人脸识别,避免直接使用证件照图像进行人脸识别造成的准确率低,能够提高人脸识别的准确率,同时也避免了人工对证件照图像进行去网纹造成的效率低下,能够提高人脸识别的效率,从而提升智慧营业厅的人脸识别能力,并且,通过统一的模型进行图像处理,能够使处理效果的标准达到一致性,规范了处理效果。
图7示出了本发明实施例提供的人脸识别装置的结构示意图。如图7所示,该装置200包括:图像获取模块210、生成器模块220、判别器模块230、训练模块240和识别模块250。
其中,图像获取模块210用于获取第一图像和带网纹的第二图像,其中,所述第一图像和所述第二图像属于同一用户;生成器模块220用于将所述第二图像输入生成器模型,得到去除网纹的所述第二图像;判别器模块230用于将去除网纹的所述第二图像以及所述第一图像输入判别器模型,以判断去除网纹的所述第二图像是否为真实无网纹图像;训练模块240用于若所述判别器模型的判别结果为假,调整所述生成器模型和所述判别器模型的参数,直至所述判别器模型的判别结果为真;识别模块250用于通过调整后的所述生成器模型对库存证件图像进行除网纹处理,并根据处理后的库存证件图像进行人脸识别。
在一种可选的方式中,该装置200还包括:预处理模块。预处理模块用于分别对所述第一图像和所述第二图像进行预处理,其中,所述预处理包括格式转换处理、重采样处理、插值处理中的一种或多种。
在一种可选的方式中,生成器模块220具体用于:所述生成器模型基于U-net网络对所述第二图像进行图像分割和特征提取,确定所述第二图像中的网纹;将所述第二图像中的网纹从所述第二图像中去除,得到去除网纹的所述第二图像。
在一种可选的方式中,所述判别器模型包括若干卷积层和全局池化层。
在一种可选的方式中,训练模块240具体用于:将去除网纹的所述第二图像与所述第一图像的像素均方差损失作为第一损失函数;将所述判别器模型的分类损失作为第二损失函数;将所述第一损失函数和所述第二损失函数作为目标函数,迭代训练使得所述目标函数下降并收敛。
在一种可选的方式中,识别模块350具体用于:获取待识别照片;将所述待识别照片与处理后的所述库存证件图像输入至预设识别模型;根据所述预设识别模型输出的识别结果,判断所述待识别照片与所述库存证件图像是否属于同一用户。
在一种可选的方式中,该装置200还包括:身份信息获取模块和库存证件图像获取模块。身份信息获取模块用于获取用户的身份信息;库存证件图像获取模块用于从数据库中获取与所述身份信息对应的所述库存证件图像。
需要说明的是,本发明实施例提供的人脸识别装置是能够执行上述人脸识别方法的装置,则上述人脸识别方法的所有实施例均适用于该装置,且均能达到相同或相似的有益效果。
本发明实施例通过获取第一图像和带网纹的第二图像,第一图像和第二图像属于同一用户,将第二图像输入生成器模型,得到去除网纹的所述第二图像,将去除网纹的第二图像以及第一图像输入判别器模型,以判断去除网纹的第二图像是否为真实无网纹图像,若判别器模型的判别结果为假,调整生成器模型和判别器模型的参数,直至判别器模型的判别结果为真,通过调整后的生成器模型对库存证件图像进行去除网纹处理,并根据处理后的库存证件图像进行人脸识别,避免直接使用证件照图像进行人脸识别造成的准确率低,能够提高人脸识别的准确率,从而提升智慧营业厅的人脸识别能力,并且,通过统一的模型进行图像处理,能够使处理效果的标准达到一致性,规范了处理效果。
本发明实施例提供了一种计算机可读存储介质,所述存储介质中存储有至少一可执行指令,所述可执行指令使处理器执行上述任意方法实施例中的人脸识别方法。
本发明实施例通过获取第一图像和带网纹的第二图像,第一图像和第二图像属于同一用户,将第二图像输入生成器模型,得到去除网纹的所述第二图像,将去除网纹的第二图像以及第一图像输入判别器模型,以判断去除网纹的第二图像是否为真实无网纹图像,若判别器模型的判别结果为假,调整生成器模型和判别器模型的参数,直至判别器模型的判别结果为真,通过调整后的生成器模型对库存证件图像进行去除网纹处理,并根据处理后的库存证件图像进行人脸识别,避免直接使用证件照图像进行人脸识别造成的准确率低,能够提高人脸识别的准确率,从而提升智慧营业厅的人脸识别能力,并且,通过统一的模型进行图像处理,能够使处理效果的标准达到一致性,规范了处理效果。
本发明实施例提供了一种计算机程序产品,所述计算机程序产品包括存储在计算机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,使所述计算机执行上述任意方法实施例中的人脸识别方法。
本发明实施例通过获取第一图像和带网纹的第二图像,第一图像和第二图像属于同一用户,将第二图像输入生成器模型,得到去除网纹的所述第二图像,将去除网纹的第二图像以及第一图像输入判别器模型,以判断去除网纹的第二图像是否为真实无网纹图像,若判别器模型的判别结果为假,调整生成器模型和判别器模型的参数,直至判别器模型的判别结果为真,通过调整后的生成器模型对库存证件图像进行去除网纹处理,并根据处理后的库存证件图像进行人脸识别,避免直接使用证件照图像进行人脸识别造成的准确率低,能够提高人脸识别的准确率,从而提升智慧营业厅的人脸识别能力,并且,通过统一的模型进行图像处理,能够使处理效果的标准达到一致性,规范了处理效果。
图8示出了本发明实施例提供的计算设备的结构示意图,本发明具体实施例并不对计算设备的具体实现做限定。
如图8所示,该计算设备可以包括:处理器(processor)302、通信接口(Communications Interface)304、存储器(memory)306、以及通信总线308。
其中:处理器302、通信接口304、以及存储器306通过通信总线308完成相互间的通信。通信接口304,用于与其它设备比如客户端或其它服务器等的网元通信。处理器302,用于执行程序310,具体可以执行上述任意方法实施例中的人脸识别方法。
具体地,程序310可以包括程序代码,该程序代码包括计算机操作指令。
处理器302可能是中央处理器CPU,或者是特定集成电路ASIC(ApplicationSpecific Integrated Circuit),或者是被配置成实施本发明实施例的一个或多个集成电路。计算设备包括的一个或多个处理器,可以是同一类型的处理器,如一个或多个CPU;也可以是不同类型的处理器,如一个或多个CPU以及一个或多个ASIC。
存储器306,用于存放程序310。存储器306可能包含高速RAM存储器,也可能还包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。
本发明实施例通过获取第一图像和带网纹的第二图像,第一图像和第二图像属于同一用户,将第二图像输入生成器模型,得到去除网纹的所述第二图像,将去除网纹的第二图像以及第一图像输入判别器模型,以判断去除网纹的第二图像是否为真实无网纹图像,若判别器模型的判别结果为假,调整生成器模型和判别器模型的参数,直至判别器模型的判别结果为真,通过调整后的生成器模型对库存证件图像进行去除网纹处理,并根据处理后的库存证件图像进行人脸识别,避免直接使用证件照图像进行人脸识别造成的准确率低,能够提高人脸识别的准确率,从而提升智慧营业厅的人脸识别能力,并且,通过统一的模型进行图像处理,能够使处理效果的标准达到一致性,规范了处理效果。
在此提供的算法或显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述,构造这类系统所要求的结构是显而易见的。此外,本发明实施例也不针对任何特定编程语言。应当明白,可以利用各种编程语言实现在此描述的本发明的内容,并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
在此处所提供的说明书中,说明了大量具体细节。然而,能够理解,本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。
类似地,应当理解,为了精简本发明并帮助理解各个发明方面中的一个或多个,在上面对本发明的示例性实施例的描述中,本发明实施例的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而,并不应将该公开的方法解释成反映如下意图:即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说,如下面的权利要求书所反映的那样,发明方面在于少于前面公开的单个实施例的所有特征。因此,遵循具体实施方式的权利要求书由此明确地并入该具体实施方式,其中每个权利要求本身都作为本发明的单独实施例。
本领域那些技术人员可以理解,可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件,以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外,可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述,本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外,本领域的技术人员能够理解,尽管在此的一些实施例包括其它实施例中所包括的某些特征而不是其它特征,但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如,在下面的权利要求书中,所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制,并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。上述实施例中的步骤,除有特殊说明外,不应理解为对执行顺序的限定。
Claims (10)
1.一种人脸识别方法,其特征在于,所述方法包括:
获取第一图像和带网纹的第二图像,其中,所述第一图像和所述第二图像属于同一用户;
将所述第二图像输入生成器模型,得到去除网纹的所述第二图像;
将去除网纹的所述第二图像以及所述第一图像输入判别器模型,以判断去除网纹的所述第二图像是否为真实无网纹图像;
若所述判别器模型的判别结果为假,调整所述生成器模型和所述判别器模型的参数,直至所述判别器模型的判别结果为真;
通过调整后的所述生成器模型对库存证件图像进行去除网纹处理,并根据处理后的库存证件图像进行人脸识别。
2.根据权利要求1所述的方法,其特征在于,在所述将所述第二图像输入生成器模型之前,所述方法还包括:
分别对所述第一图像和所述第二图像进行预处理,其中,所述预处理包括格式转换处理、重采样处理、插值处理中的一种或多种。
3.根据权利要求1所述的方法,其特征在于,所述将所述第二图像输入生成器模型,得到去除网纹的所述第二图像,进一步包括:
所述生成器模型基于U-net网络对所述第二图像进行图像分割和特征提取,确定所述第二图像中的网纹;
将所述第二图像中的网纹从所述第二图像中去除,得到去除网纹的所述第二图像。
4.根据权利要求1所述的方法,其特征在于,所述判别器模型包括若干卷积层和全局池化层。
5.根据权利要求1所述的方法,其特征在于,所述调整所述生成器模型和所述判别器模型的参数,进一步包括:
将去除网纹的所述第二图像与所述第一图像的像素均方差损失作为第一损失函数;
将所述判别器模型的分类损失作为第二损失函数;
将所述第一损失函数和所述第二损失函数作为目标函数,迭代训练使得所述目标函数下降并收敛。
6.根据权利要求1-5任一项所述的方法,其特征在于,所述根据处理后的待识别证件照进行人脸识别,进一步包括:
获取待识别照片;
将所述待识别照片与处理后的所述库存证件图像输入至预设识别模型;
根据所述预设识别模型输出的识别结果,判断所述待识别照片与所述库存证件图像是否属于同一用户。
7.根据权利要求6所述的方法,其特征在于,所述方法还包括:
获取用户的身份信息;
从数据库中获取与所述身份信息对应的所述库存证件图像。
8.一种人脸识别装置,其特征在于,所述装置包括:
图像获取模块,用于获取第一图像和带网纹的第二图像,其中,所述第一图像和所述第二图像属于同一用户;
生成器模块,用于将所述第二图像输入生成器模型,得到去除网纹的所述第二图像;
判别器模块,用于将去除网纹的所述第二图像以及所述第一图像输入判别器模型,以判断去除网纹的所述第二图像是否为真实无网纹图像;
训练模块,用于若所述判别器模型的判别结果为假,调整所述生成器模型和所述判别器模型的参数,直至所述判别器模型的判别结果为真;
识别模块,用于通过调整后的所述生成器模型对库存证件图像进行除网纹处理,并根据处理后的库存证件图像进行人脸识别。
9.一种计算设备,其特征在于,包括:处理器、存储器和通信接口,所述处理器、所述存储器和所述通信接口之间相互通信;
所述存储器用于存放至少一可执行指令,所述可执行指令使所述处理器执行如权利要求1-7中任意一项所述的人脸识别方法的操作。
10.一种计算机可读存储介质,其特征在于,所述存储介质中存储有至少一可执行指令,所述可执行指令使处理器执行如权利要求1-7中任意一项所述的人脸识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911162828.6A CN112836701A (zh) | 2019-11-25 | 2019-11-25 | 人脸识别方法、装置及计算设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911162828.6A CN112836701A (zh) | 2019-11-25 | 2019-11-25 | 人脸识别方法、装置及计算设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112836701A true CN112836701A (zh) | 2021-05-25 |
Family
ID=75922867
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911162828.6A Pending CN112836701A (zh) | 2019-11-25 | 2019-11-25 | 人脸识别方法、装置及计算设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112836701A (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105930797A (zh) * | 2016-04-21 | 2016-09-07 | 腾讯科技(深圳)有限公司 | 一种人脸验证方法及装置 |
CN108171032A (zh) * | 2017-12-01 | 2018-06-15 | 平安科技(深圳)有限公司 | 一种身份鉴定方法、电子装置及计算机可读存储介质 |
CN108229349A (zh) * | 2017-12-21 | 2018-06-29 | 中国科学院自动化研究所 | 网纹人脸图像识别装置 |
CN108734673A (zh) * | 2018-04-20 | 2018-11-02 | 平安科技(深圳)有限公司 | 去网纹系统训练方法、去网纹方法、装置、设备及介质 |
US20190108396A1 (en) * | 2017-10-11 | 2019-04-11 | Aquifi, Inc. | Systems and methods for object identification |
CN109785258A (zh) * | 2019-01-10 | 2019-05-21 | 华南理工大学 | 一种基于多判别器生成对抗网络的人脸图像修复方法 |
CN109829894A (zh) * | 2019-01-09 | 2019-05-31 | 平安科技(深圳)有限公司 | 分割模型训练方法、oct图像分割方法、装置、设备及介质 |
CN109840453A (zh) * | 2017-11-28 | 2019-06-04 | 中国移动通信集团浙江有限公司 | 一种人脸匹配方法及装置 |
CN110175961A (zh) * | 2019-05-22 | 2019-08-27 | 艾特城信息科技有限公司 | 一种基于人脸图像分割对抗思想的去网纹方法 |
CN110493242A (zh) * | 2019-08-27 | 2019-11-22 | 上海网达软件股份有限公司 | 基于WGAN-GP和U-net改进的图像增强的方法、装置及存储介质 |
-
2019
- 2019-11-25 CN CN201911162828.6A patent/CN112836701A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105930797A (zh) * | 2016-04-21 | 2016-09-07 | 腾讯科技(深圳)有限公司 | 一种人脸验证方法及装置 |
US20190108396A1 (en) * | 2017-10-11 | 2019-04-11 | Aquifi, Inc. | Systems and methods for object identification |
CN109840453A (zh) * | 2017-11-28 | 2019-06-04 | 中国移动通信集团浙江有限公司 | 一种人脸匹配方法及装置 |
CN108171032A (zh) * | 2017-12-01 | 2018-06-15 | 平安科技(深圳)有限公司 | 一种身份鉴定方法、电子装置及计算机可读存储介质 |
WO2019104930A1 (zh) * | 2017-12-01 | 2019-06-06 | 平安科技(深圳)有限公司 | 一种身份鉴定方法、电子装置及计算机可读存储介质 |
CN108229349A (zh) * | 2017-12-21 | 2018-06-29 | 中国科学院自动化研究所 | 网纹人脸图像识别装置 |
CN108734673A (zh) * | 2018-04-20 | 2018-11-02 | 平安科技(深圳)有限公司 | 去网纹系统训练方法、去网纹方法、装置、设备及介质 |
CN109829894A (zh) * | 2019-01-09 | 2019-05-31 | 平安科技(深圳)有限公司 | 分割模型训练方法、oct图像分割方法、装置、设备及介质 |
CN109785258A (zh) * | 2019-01-10 | 2019-05-21 | 华南理工大学 | 一种基于多判别器生成对抗网络的人脸图像修复方法 |
CN110175961A (zh) * | 2019-05-22 | 2019-08-27 | 艾特城信息科技有限公司 | 一种基于人脸图像分割对抗思想的去网纹方法 |
CN110493242A (zh) * | 2019-08-27 | 2019-11-22 | 上海网达软件股份有限公司 | 基于WGAN-GP和U-net改进的图像增强的方法、装置及存储介质 |
Non-Patent Citations (2)
Title |
---|
W. CHEN等: "\"Introspective Gan for Meshface Recognition\"", 《2019 IEEE INTERNATIONAL CONFERENCE ON IMAGE PROCESSING (ICIP)》 * |
赵凯: "\"基于深度学习的暴恐视频识别关键技术研究\"", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109508681B (zh) | 生成人体关键点检测模型的方法和装置 | |
CN106778928B (zh) | 图像处理方法及装置 | |
JP5451302B2 (ja) | 画像処理装置及び方法、プログラム及び記憶媒体 | |
CN112766083B (zh) | 基于多尺度特征融合的遥感场景分类方法及系统 | |
CN110148117B (zh) | 基于电力图像的电力设备缺陷识别方法、装置与存储介质 | |
CN111640116B (zh) | 基于深层卷积残差网络的航拍图建筑物分割方法及装置 | |
CN110895697B (zh) | 变压器铭牌信息采集方法及智能采集系统 | |
CN107767358B (zh) | 一种图像中物体模糊度确定方法和装置 | |
CN112328715A (zh) | 视觉定位方法及相关模型的训练方法及相关装置、设备 | |
CN113221869B (zh) | 医疗发票结构化信息提取方法、装置设备及存储介质 | |
CN111160114A (zh) | 手势识别方法、装置、设备及计算机可读存储介质 | |
CN111179270A (zh) | 基于注意力机制的图像共分割方法和装置 | |
JP5430636B2 (ja) | データ取得装置、方法及びプログラム | |
CN112085017A (zh) | 基于显著性检测和Grabcut算法的茶叶嫩芽图像分割方法 | |
CN111126296A (zh) | 水果定位方法及装置 | |
CN111563895A (zh) | 一种图片清晰度确定方法、装置、设备及存储介质 | |
CN111414823A (zh) | 人体特征点的检测方法、装置、电子设备以及存储介质 | |
CN116740399A (zh) | 异源图像匹配模型的训练方法、匹配方法及介质 | |
CN112785651A (zh) | 用于确定相对位姿参数的方法和装置 | |
CN112836701A (zh) | 人脸识别方法、装置及计算设备 | |
CN113378864B (zh) | 一种锚框参数的确定方法、装置、设备及可读存储介质 | |
CN115393470A (zh) | 一种文物数字线图的绘制方法、绘制系统及绘制装置 | |
CN112990213B (zh) | 一种基于深度学习的数字万用表字符识别系统和方法 | |
CN116310466A (zh) | 基于局部无关区域筛选图神经网络的小样本图像分类方法 | |
CN114511702A (zh) | 一种基于多尺度分权注意力的遥感图像分割方法和系统 |
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 |