CN113239907A - 一种人脸识别的检测方法、装置、电子设备及存储介质 - Google Patents
一种人脸识别的检测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN113239907A CN113239907A CN202110781580.2A CN202110781580A CN113239907A CN 113239907 A CN113239907 A CN 113239907A CN 202110781580 A CN202110781580 A CN 202110781580A CN 113239907 A CN113239907 A CN 113239907A
- Authority
- CN
- China
- Prior art keywords
- face
- data set
- sample
- neural network
- 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.)
- Granted
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
- 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
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- Evolutionary Computation (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Molecular Biology (AREA)
- Evolutionary Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Image Analysis (AREA)
Abstract
本申请提供了一种人脸识别的检测方法、装置、电子设备及存储介质,属于计算机应用技术领域。检测方法包括:基于样本图像集,对构建好的神经网络进行训练,得到训练好的人脸训练模型;其中,构建好的神经网络包括主网络和辅助网络;将待检测的人脸图像输入训练好的人脸训练模型中的主网络的卷积层中,得到特征数据集,并将特征数据集输入到辅助网络中,得到聚焦特征数据集;基于聚焦特征数据集,确定待检测的人脸图像与训练好的人脸训练模型之间的相似度是否大于相似度阈值,并确定待检测的人脸图像能否通过人脸识别。本申请能够能准确的识别有遮挡的待检测图像。避免了无法对人脸进行识别的状况,并提高了人脸识别识别的准确率。
Description
技术领域
本申请涉及计算机应用技术领域,尤其是涉及一种人脸识别的检测方法、装置、电子设备及存储介质。
背景技术
人类社会正在由以计算机、通信、互联网、大数据等技术支撑的信息社会,迈向以人工智能为关键支撑的智能社会,人类生产生活以及世界发展格局将由此发生更加深刻的改变。人工智能(AI)是指在机器上实现类似乃至超越人类的感知、认知、行为等智能的系统。与人类历史上其他技术革命相比,人工智能对人类社会发展的影响可能位居前列。人脸识别技术是人工智能技术中的重要技术,在现实的应用中,得到了广泛地发展和深入地眼镜,采用人脸识别身份认证信息进行身份鉴别有助于甄别指定操作人员的身份唯一性和准确性,确保数据不被其他人轻易窃取。
随着互联网和人工智能的兴起和快速发展,人脸识别技术经历了较长的研究阶段,应用在很多场景开始落地,然而,至今人脸识别技术还是被认为是生物特征识别技术中较为困难的研究课题之一。人脸识别技术自身是一个复杂的问题,面临一些困难和挑战。
目前,市面上的人脸识别技术一般都是基于人脸关键特征提取对比完成识别的,其中,特征的完整性是算法成败的一个极为关键的因素,但是当受到外界干扰较多,外界的条件发生明显变化的时候,由于传统方法过于依赖明显的、完整的图像特征,一旦由于人脸发生遮挡,造成部分特征的消失,导致人脸图像特征不完整时,疫情期间,遮挡问题成了重要问题,现有的识别人脸特征的识别模型的模型网络无法准确的识别出有遮挡人脸图像,导致无法和库中人脸信息进行对比,造成识别不准确或无法对人脸进行识别。
发明内容
有鉴于此,本申请的目的在于提供一种人脸识别的检测方法、装置、电子设备及存储介质,通过在需要构建的网络模型中添加除主网络外的辅助网络来建立训练好的人脸训练模型,并对有遮挡的待检测的人脸图像进行人脸识别,这样,能够能准确的识别有遮挡的待检测图像,避免了无法对人脸进行识别的状况,并提高了人脸识别识别的准确率。
本申请主要包括以下几个方面:
第一方面,本申请实施例提供了一种人脸识别的训练方法,所述检测方法包括:
基于样本图像集,对构建好的神经网络进行训练,得到训练好的人脸训练模型;其中,所述构建好的神经网络包括主网络和辅助网络;
将待检测的人脸图像输入训练好的人脸训练模型中的主网络的卷积层中,得到特征数据集,并将所述特征数据集输入到辅助网络中,得到聚焦特征数据集;
基于所述聚焦特征数据集,确定所述待检测的人脸图像与所述训练好的人脸训练模型之间的相似度是否大于相似度阈值;
若所述待检测的人脸图像与所述训练好的人脸训练模型之间的相似度不小于相似度阈值,则确定所述待检测的所述人脸图像能通过人脸识别。
在一种可能的实施方式中,所述基于样本图像集,对构建好的神经网络进行训练,得到训练好的人脸训练模型,其中,所述构建好的神经网络包括主网络和辅助网络,包括:
针对样本图像集中的面部特征进行标注,确定面部特征数据集;
针对所述面部特征数据集进行分区域定位以及特征数据对齐处理,得到目标样本集;
基于所述目标样本集,对构建好的神经网络进行训练,得到训练好的人脸训练模型。
在一种可能的实施方式中,所述基于所述目标样本集,对构建好的神经网络进行训练,得到训练好的人脸训练模型,包括:
获取目标样本集,并将所述目标样本集输入到构建好的神经网络的主网络中进行训练,得到样本特征数据集;
将所述样本特征数据集先后输入到构建好的神经网络的辅助网络中的通道注意力机制层以及空间注意力机制层中进行训练,得到聚焦样本特征数据集;
根据所述聚焦样本特征数据集进行训练,确定训练好的人脸训练模型;其中,所述构建好的神经网络包括主网络和辅助网络。
在一种可能的实施方式中,所述将所述样本特征数据集先后输入到构建好的神经网络的辅助网络中的通道注意力机制层以及空间注意力机制层中进行训练,得到聚焦样本特征数据集,包括:
将样本特征数据集输入到构建好的神经网络的辅助网络中的通道注意力机制层,针对所述样本特征数据集进行所述通道的数据加强;
将加强后的所述样本特征数据集输入到构建好的神经网络的辅助网络中的空间注意力机制层中进行训练及卷积,获取所述加强后的所述样本特征数据集在不同区域下的权重;
根据加强后的所述样本特征数据集在不同区域下的权重和所述样本特征数据集,确定聚焦特征数据集。
在一种可能的实施方式中,通过以下方式获取构建好的神经网络:
获取样本图像集中每个样本图像的标签信息;所述标签信息用于表征每个所述样本图像对应的真实人脸特征;
针对样本图像集以及每个样本图像的标签信息,对初始神经网络进行训练,得到构建好的神经网络。
在一种可能的实施方式中,所述针对样本图像集以及每个样本图像的标签信息,对初始神经网络进行训练,得到构建好的神经网络,包括:
将所述样本图像集中的每个样本图像以及每个所述样本图像的标签信息输入初始神经网络,得到每个所述样本图像对应的预测人脸特征;
当每个所述样本图像对应的预测人脸特征与每个所述样本图像对应的真实人脸特征之间的损失值小于预设阈值,训练截止,得到构建好的神经网络;其中,所述损失值利用交叉熵损函数计算得到。
在一种可能的实施方式中,所述基于所述聚焦特征数据集,确定所述待检测的人脸图像与所述训练好的人脸训练模型之间的相似度是否大于相似度阈值,所述检测方法还包括:
若所述待检测的人脸图像与所述训练好的人脸训练模型之间的相似度小于相似度阈值,则确定所述待检测的所述人脸图像不能否通过人脸识别。
第二方面,本申请实施例还提供了一种人脸识别的检测方装置,所检测装置包括:
训练模块,用于基于样本图像集,对构建好的神经网络进行训练,得到训练好的人脸训练模型;其中,所述构建好的神经网络包括主网络和辅助网络;
获取模块,用于将待检测的人脸图像输入训练好的人脸训练模型中的主网络的卷积层中,得到特征数据集,并将所述特征数据集输入到辅助网络中,得到聚焦特征数据集。
判断模块,用于基于所述聚焦特征数据集,确定所述待检测的人脸图像与所述训练好的人脸训练模型之间的相似度是否大于相似度阈值。
第一确定模块,用于若所述待检测的人脸图像与所述训练好的人脸训练模型之间的相似度不小于相似度阈值,则确定所述待检测的所述人脸图像能通过人脸识别。
第三方面,本申请实施例还提供了一种电子设备,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,所述机器可读指令被所述处理器运行时执行上述第一方面中任一种可能的实施方式中所述的人脸识别的检测方法的步骤。
第四方面,本申请实施例还提供一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行述第一方面中任一种可能的实施方式中所述人脸识别的检测方法的步骤。
本申请实施例中,通过在需要构建的网络模型中添加除主网络外的辅助网络来建立训练好的人脸训练模型,并对有遮挡的待检测的人脸图像进行人脸识别,这样,能够能准确的识别有遮挡的待检测图像,避免了无法对人脸进行识别的状况,并提高了人脸识别识别的准确率。
为使本申请的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
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一种人脸识别的训练方法的流程图;
图2示出了本申请实施例所提供的另一种人脸识别的训练方法的流程图;
图3示出了本申请实施例所提供的一种人脸识别的训练装置的结构示意图;
图4示出了本申请实施例所提供的另一种人脸识别的训练装置的结构示意图;
图5示出了本申请实施例所提供的一种电子设备的结构示意图。
主要元件符号说明:
图中:300-检测装置;310-训练模块;320-获取模块;330-判断模块;340-第一确定模块;350-第二确定模块;500-电子设备;510-处理器;520-存储器;530-总线。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,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,应当理解,本申请中的附图仅起到说明和描述的目的,并不用于限定本申请的保护范围。另外,应当理解,示意性的附图并未按实物比例绘制。本申请中使用的流程图示出了根据本申请的一些实施例实现的操作。应当理解,流程图的操作可以不按顺序实现,没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外,本领域技术人员在本申请内容的指引下,可以向流程图添加一个或多个其他操作,也可以从流程图中移除一个或多个操作。
另外,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全部其他实施例,都属于本申请保护的范围。
为了使得本领域技术人员能够使用本申请内容,结合特定应用场景“人脸识别”,给出以下实施方式,对于本领域技术人员来说,在不脱离本申请的精神和范围的情况下,可以将这里定义的一般原理应用于其他实施例和应用场景。
本申请实施例下所述方法、系统、电子设备及存储介质可以应用于任何需要进行人脸识别的场景,本申请实施例并不对具体的应用场景作限制,任何使用本申请实施例提供的人脸识别的训练方法、装置、电子设备及存储介质的方案均在本申请保护范围内。
值得注意的是,经研究发现,在本申请提出之前,市面上的人脸识别技术一般都是基于人脸关键特征提取对比完成识别的,其中,特征的完整性是算法成败的一个极为关键的因素,但是当受到外界干扰较多,外界的条件发生明显变化的时候,由于传统方法过于依赖明显的、完整的图像特征,一旦由于人脸发生遮挡,造成部分特征的消失,导致人脸图像特征不完整时,疫情期间,遮挡问题成了重要问题,现有的识别人脸特征的识别模型的模型网络无法准确的识别出有遮挡人脸图像,导致无法和库中人脸信息进行对比,造成识别不准确或无法对人脸进行识别。
基于此,本申请实施例提供了一种人脸识别的训练方法、装置、电子设备及存储介质,通过在需要构建的网络模型中添加除主网络外的辅助网络来建立训练好的人脸训练模型,并对有遮挡的待检测的人脸图像进行人脸识别,这样,能够能准确的识别有遮挡的待检测图像,避免了无法对人脸进行识别的状况,并提高了人脸识别识别的准确率。
为便于对本申请进行理解,下面结合具体实施例对本申请提供的技术方案进行详细说明。
请参阅图1,图1为本申请实施例所提供的一种人脸识别的训练方法流程示意的流程图。如图1中所示,本申请实施例提供的检测方法,包括以下步骤:
S101、基于样本图像集,对构建好的神经网络进行训练,得到训练好的人脸训练模型;其中,所述构建好的神经网络包括主网络和辅助网络。
该步骤中,通过采集大量的有遮挡(在本申请中,即戴口罩的人脸的)的样本图像集,在对经由初始的神经网络构建过的构建好的神经网络进行训练,生成训练好的人脸训练模型;其中,所述构建好的神经网络包括主网络和辅助网络。
这里,所述初始的神经网络为初始的卷积神经网络,且这里的样本图像集并不是全部由真实的戴口罩的人脸数据生成的。
这样,样本图像集主要是为了进行人脸训练模型训练,用户可通过网络查找戴口罩的人脸数据和不带口罩的人脸数据(由于戴口罩的人脸数据的数量有限)。本申请提供的实施例共采集戴口罩的人脸数据与不带口罩的人脸数据的比例为1:3,具体如下:
将戴口罩的人脸数据与不带口罩的人脸数据分别通过不同的命名柜子进行命名,这样,可以通过不同的数据名称判断所述数据的类型,例如:将戴口罩的人脸数据命名为:mask_x.jpg,将没有佩戴口罩的人脸数据命名为:nomask_x.jpg,且每个人脸数据图片的大小为模型输入的大小112*112。
其中,所述样本图像集为样本中的人脸图像集,本申请提供的实施例通过ssd人脸检测器或缺样本图像集中的人脸框。
ssd人脸检测器涉及的SsD算法是一种直接预测目标类别和边界框的多目标检测算法。
针对不同大小的目标检测,目前,市面上的做法是先将图像转换成不同的规格大小),然后分别检测,最后将结果综合起来,而本申请实施例提供的SSD算法则利用卷积网络中不同卷积层的特征图进行卷积,并检测,同样能够达到同样的效果。
本申请实施例提供的SSD算法的主网络结构是自定义主干,并随后增加了4个卷积层来构造网络结构。对其中6种不同的卷积层的输出特征图分别用两个不同的3×3的卷积核进行卷积,一个输出分类用的置信度,每个默认框生成21个类别置信度;一个输出回归用的位置,每个默认框生成4个坐标值(x, y, w, h)。此外,这5个特征图还经过优先框层生成优先框(生成的是坐标)。上述6个特征图中每一层的默认框的数量是给定的(8732个)。最后将前面三个计算结果分别合并然后传给loss层。
进一步的,通过以下方式获取构建好的神经网络:
获取样本图像集中每个样本图像的标签信息;所述标签信息用于表征每个所述样本图像对应的真实人脸特征。
其中,所述真实人脸特征所述样本图像集中每个样本图像中的任意上的部位特征信息,包括但不限制于眉毛、眼睛、嘴巴、鼻子、耳朵等五官信息以及任何其他部位的信息。
针对样本图像集以及每个样本图像的标签信息,对初始神经网络进行训练,得到构建好的神经网络。
其中,针对样本图像集以及每个样本图像的标签信息,对初始神经网络进行训练,得到构建好的神经网络,包括:
将所述样本图像集中的每个样本图像以及每个所述样本图像的标签信息输入初始神经网络,得到每个所述样本图像对应的预测人脸特征。
当每个所述样本图像对应的预测人脸特征与每个所述样本图像对应的真实人脸特征之间的损失值小于预设阈值,训练截止,得到构建好的神经网络;其中,所述损失值利用交叉熵损失函数计算得到。
其中,所述交叉熵损函数由加性角度间隔损失函数和正负样本损失函数构成,所述交叉熵损失函数有利于样本图像中的人脸特征的学习。
这里,交叉熵损失函数的基础函数公式如下:
其中,所述加性角度间隔损失函数的公式如下:
这里,所述加性角度间隔损失函数为在所述基础交叉熵损失函数的变形,所述加性角度间隔损失函数是对特征向量和权重归一化,是对θ加上角度间隔m,角度间隔比余弦间隔在对角度的影响更加直接。几何上有恒定的线性角度间隔,这里,θ为构建好的神经网络的分类权重与每个所述样本图像对应的真实人脸特征之间的夹角。
在x和W之间的惩罚角度θ上加上角度间隔m,以加法的方式惩罚深度特征与其相应权重之间的角度,从而同时增强了类内紧度和类间差异,其中,惩罚角度θ指的是训练时加上m就会使θ降低。
实施例一:如训练时降到某一固定损失值时,有间隔和无间隔的e指数项是相等的,则有间隔的θ就需要相对的减少了。此时,有间隔的训练就会缩小i类别的输入特征和权重间的夹角θ,从角度的示图中可以看出,间隔把θ挤得更类内聚合了,θ和其他θ类间就更分离了。
加性角度间隔损失函数可通过归一化来修正单个权重||W||=1,还可通过归一化来固定嵌入特征||x_i|,并将其重新缩放成s。特征和权重的归一化步骤使预测仅取决于特征和权重之间的角度。因此,所学的嵌入特征分布在半径为s的超球体上。
由于提出的加性角度间隔惩罚与测地线距离间隔惩罚在归一化的超球面上相等,因此,加性角度间隔损失函数对人脸识别提升有较好效果。
所述正负样本损失函数的公式如下:
这里,普通的交叉熵对于正样本而言,输出概率越大损失越小。对于负样本而言,输出概率越小则损失越小,此时的损失函数在大量简单样本的迭代过程中比较缓慢且可能无法优化至最优,而正负样本损失函数正是为了解决样本图像集中正负样本比例严重失衡的问题,该损失函数降低了大量简单负样本在训练中所占的权重,也可理解为一种困难样本的挖掘。y’是经过激活函数的输出,所以在0-1之间。
有此可见,添加正负样本损失函数到人脸识别中去,可以提升样本的比重,同时,保持容易样本的性能,总体提升技术的性能指标。
本申请结合加性角度间隔损失函数和正负样本损失函数两种损失函数,从不同类别的区分性和难易样本的区分性两个方面对目前市场上的人脸识别进行优化,从而进一步提升技术性。
这里,交叉熵损失函数的基础函数公式如下:
S102、将待检测的人脸图像输入训练好的人脸训练模型中的主网络的卷积层中,得到特征数据集,并将所述特征数据集输入到辅助网络中,得到聚焦特征数据集。
该步骤中,将待检测的人脸图像输入训练好的人脸训练模型中的主网络的卷积层中,对待检测的人脸图像中的人脸的面部特征数据集进行至少一次的卷积处理,得到待检测的人脸图像的特征数据集,在经由所述人脸训练模型中的主网络中的卷积层进行卷积后,将所述特征数据集输入到人脸训练模型中的辅助网络中,辅助网络中包括两个注意力机制层,所述特征数据先后通过两个注意力机制层来确定每个特征数据的权重系数,并将每个所述权重系数与对应的所述特征数据相乘,确定聚焦特征数据集。
这里,所述聚焦特征为所述特征数据进行缩放后得到的新特征。
其中,主网络采用融合主网络,所述融合主网络包括但不限制于采用skipconnection网络融合,融合主网络能够进一步的提高特征数据的多样性,便于提取到更多的浅层的特征数据;所述辅助网络包括两个注意力机制层,所述特征数据先后通过两个注意力机制层拼接的通过后,再经由所述辅助网络中的卷积层特征数据进行进一步卷积,并通过激活函数,生成每个特征数据的权重系数,并确定由聚焦特征数据生成的聚焦特征数据集。
这样,所述主网络中的卷积方式采用分组卷积的方式来对特征数据进行参数删减,减少参数的数量,并提升了执行的速度。
S103、基于所述聚焦特征数据集,确定所述待检测的人脸图像与所述训练好的人脸训练模型之间的相似度是否大于相似度阈值。
该步骤中,基于所述聚焦特征数据集,确定所述训练好的人脸训练模型中的聚焦样本特征数据集与所述聚焦特征数据集之间的相似度,若聚焦样本特征数据集与所述聚焦特征数据集之间的相似度大于相似度阈值,则确定所述待检测的人脸图像与所述训练好的人脸训练模型之间的相似度是否大于相似度阈值。
S104、若所述待检测的人脸图像与所述训练好的人脸训练模型之间的相似度不小于相似度阈值,则确定所述待检测的所述人脸图像能通过人脸识别。
该步骤中,若所述待检测的人脸图像与所述训练好的人脸训练模型之间的相似度不小于相似度阈值,说明训练好的人脸训练模型中的数据库中包含了大量的待检测的所述人脸图像的相关人脸的面部信息及数据,则确定所述待检测的所述人脸图像能够否通过该人脸识别。
进一步的,所述基于所述聚焦特征数据集,确定所述待检测的人脸图像与所述训练好的人脸训练模型之间的相似度是否大于相似度阈值,所述检测方法还包括:
若所述待检测的人脸图像与所述训练好的人脸训练模型之间的相似度小于相似度阈值,则确定所述待检测的所述人脸图像不能否通过人脸识别。
其中,若所述待检测的人脸图像与所述训练好的人脸训练模型之间的相似度小于相似度阈值,则说明训练好的人脸训练模型中的数据库中并没有包含相似度阈值范围内的待检测的所述人脸图像的相关人脸的面部信息及数据,则所述待检测的所述人脸图像不能否通过人脸识别。
本申请提供的人脸识别的检测方法,与现有技术中相比,本申请通过在需要构建的网络模型中添加除主网络外的辅助网络来建立训练好的人脸训练模型,并对有遮挡的待检测的人脸图像进行人脸识别,这样,能够能准确的识别有遮挡的待检测图像,避免了无法对人脸进行识别的状况,并提高了人脸识别识别的准确率。
请参阅图2,图2为本申请实施例所提供的另一种人脸识别的检测方法流程示意的流程图。如图2中所示,本申请实施例提供的检测方法,包括以下步骤:
S201、针对样本图像集中的面部特征进行标注,确定所述面部特征数据集。
该步骤中,或获取所述样本图像集中每个样本图像中的面部特征,并针对样本图像集中的面部特征进行标注,生成所述所述面部特征数据集。
其中,所述面部特征数据集包括但不限制于眉毛数据集、眼睛数据集、嘴巴数据集、鼻子数据集、耳朵数据集等五官数据集以及任何其他部位的数据集。
S202、针对所述面部特征数据集进行分区域定位以及特征数据对齐处理,得到目标样本集。
该步骤中,针对所述面部特征数据集进行分区域定位在因为当前面部特征数据的定位精度低、且当样本图图像存在较大姿态变化时不能在同一人脸训练模型下实现任意姿态的面部特征数据的精确定位,本申请的实施例提出了基于级联形状回归对姿态和遮挡(戴口罩)进行定位的方式,为了提高定位的准确度,本申请按姿态偏转造成的遮挡程度对人脸的区域进行分块,针对每一块分别训练形状估计回归;为了能够在同一人脸训练模型的框架下实现任意姿态的面部特征数据定位,在所述面部特征数据定义中引入面部特征数据的可见/不可见属性。
其中,为了提高该算法的性能,在特征的计算方法和计算策略上分别进行改进.在Multi-PIE、AFLW、COFW和300-W数据库上的实验结果表明,分区域不但对姿态调整、遮挡具有很强的鲁棒性,而且在其他不可控因素影响下取得很好的效果。
这里,遮挡程度是按照遮挡区域的图像像素面积与面部特征的人脸框区域的图像像素面积的比例来判断的,这个遮挡面积占人脸框区域的总面积的比例有三个区间,占比在0.3以下的为遮挡程度较轻,占比在0.3~0.5之间的,遮挡程度为中,占比在0.5以上的,遮挡程度较重。
这样,所述特征数据对齐处理为选取未被遮挡的数据进行口罩的合成,形成戴口罩的样本图像集,本申请提供的实施例选取嘴巴附近的特征点进行口罩的合成,口罩采用3点对齐的方式,口罩被切割成若干三角形,三角形进行以鼻梁为中心的辐射状态进行合成,合成以后的批量样本图像集的准确率在99%以上,公开的贴图数据,一般存在贴图不准确的情况,而且不准确率在10%左右,按照上述三角形的贴图方式进行贴图,不准确率可降低到0.1%左右。这样的贴图数据,既能减少人工筛选的成本,又能保证的样本图像集的准确性,提高人训练好的人脸训练模型的识别精度。
S203、基于所述目标样本集,对构建好的神经网络进行训练,得到训练好的人脸训练模型,其中,所述构建好的神经网络包括主网络和辅助网络。
该步骤中,基于生成的所有戴口罩的样本图像中面部特征,确定目标样本集,并使用目标样本集对构建好的神经网络进行训练,得到训练好的人脸训练模型。
其中,所述构建好的神经网络包括主网络和辅助网络,即所述脸训练模型中包括主网络和辅助网络。
进一步的,所述基于所述目标样本集,对构建好的神经网络进行训练,得到训练好的人脸训练模型,包括:
获取目标样本集,并将所述目标样本集输入到构建好的神经网络的主网络中进行训练,得到样本特征数据集。
其中,样本特征数据集为所述目标样本集经过主网络中的至少一层的卷积层进行的多次卷积后形成的特征数据集。
将所述样本特征数据集先后输入到构建好的神经网络的辅助网络中的通道注意力机制层以及空间注意力机制层中进行训练,得到聚焦样本特征数据集。
其中,所述辅助网络中包括通道注意力机制层以及空间注意力机制层两个注意力机制层,所述道注意力机制层用于对样本特征数据集进行数据增强,提高所述特征数据集的清晰度,所述空间注意力机制层用于对增强清晰度后的特征数据集灰度处理和过滤,得到聚焦样本特征数据集。
进一步的,所述将所述样本特征数据集先后输入到构建好的神经网络的辅助网络中的通道注意力机制层以及空间注意力机制层中进行训练,得到聚焦样本特征数据集,包括:
将样本特征数据集输入到构建好的神经网络的辅助网络中的通道注意力机制层,针对所述样本特征数据集进行所述通道的数据加强。
其中,将样本特征数据集输入到构建好的神经网络的辅助网络中的通道注意力机制层,相当于增强了样本特征数据在该通道的像素点,以此实现了对所述样本特征数据集进行所述通道的数据加强。
将加强后的所述样本特征数据集输入到构建好的神经网络的辅助网络中的空间注意力机制层中进行训练及卷积,获取所述加强后的所述样本特征数据集在不同区域下的权重。
其中,将加强后的所述样本特征数据集输入到构建好的神经网络的辅助网络中的空间注意力机制层中进行特征数据集灰度处理和过滤,并在灰度处理和过滤后进行卷积,确定该样本特征数据种每个样本特征数据的权重系数。
根据加强后的所述样本特征数据集在不同区域下的权重和所述样本特征数据集,确定聚焦特征数据集。
其中,将每个样本特征数据的权重系数和每个所述样本特征数据相乘,得到聚焦特征数据集。
根据所述聚焦样本特征数据集进行训练,确定训练好的人脸训练模型。
S204、将待检测的人脸图像输入训练好的人脸训练模型中的主网络的卷积层中,得到特征数据集,并将所述特征数据集输入到辅助网络中,得到聚焦特征数据集。
S205、基于所述聚焦特征数据集,确定所述待检测的人脸图像与所述训练好的人脸训练模型之间的相似度是否大于相似度阈值。
S206、若所述待检测的人脸图像与所述训练好的人脸训练模型之间的相似度不小于相似度阈值,则确定所述待检测的所述人脸图像能通过人脸识别。
其中,S204至S206的描述可以参照S102至S104的描述,并且能达到相同的技术效果,对此不做赘述。
本申请提供的人脸识别的检测方法,与现有技术中相比,本申请通过在需要构建的网络模型中添加除主网络外的辅助网络来建立训练好的人脸训练模型,并对有遮挡的待检测的人脸图像进行人脸识别,这样,能够能准确的识别有遮挡的待检测图像,避免了无法对人脸进行识别的状况,并提高了人脸识别识别的准确率。
请参阅图3,图3为本申请实施例所提供的一种人脸识别的检测装置的结构示意图,如图3中所示,所述检测装置300包括:
训练模块310,用于基于样本图像集,对构建好的神经网络进行训练,得到训练好的人脸训练模型;其中,所述构建好的神经网络包括主网络和辅助网络。
进一步的,通过以下方式获取构建好的神经网络:
获取样本图像集中每个样本图像的标签信息;所述标签信息用于表征每个所述样本图像对应的真实人脸特征。
针对样本图像集以及每个样本图像的标签信息,对初始神经网络进行训练,得到构建好的神经网络。
进一步的,所述针对样本图像集以及每个样本图像的标签信息,对初始神经网络进行训练,得到构建好的神经网络,包括:
将所述样本图像集中的每个样本图像以及每个所述样本图像的标签信息输入初始神经网络,得到每个所述样本图像对应的预测人脸特征。
当每个所述样本图像对应的预测人脸特征与每个所述样本图像对应的真实人脸特征之间的损失值小于预设阈值,训练截止,得到构建好的神经网络;其中,所述损失值利用交叉熵损函数计算得到。
获取模块320,用于将待检测的人脸图像输入训练好的人脸训练模型中的主网络的卷积层中,得到特征数据集,并将所述特征数据集输入到辅助网络中,得到聚焦特征数据集。
判断模块330,用于基于所述聚焦特征数据集,确定所述待检测的人脸图像与所述训练好的人脸训练模型之间的相似度是否大于相似度阈值。
第一确定模块340,用于若所述待检测的人脸图像与所述训练好的人脸训练模型之间的相似度不小于相似度阈值,则确定所述待检测的所述人脸图像能通过人脸识别。
进一步的,所述训练模块310具体用于:
针对样本图像集中的面部特征进行标注,确定所述面部特征数据集。
针对所述面部特征数据集进行分区域定位以及特征数据对齐处理,得到目标样本集。
基于所述目标样本集,对构建好的神经网络进行训练,得到训练好的人脸训练模型,其中,所述构建好的神经网络包括主网络和辅助网络。
进一步的,基于所述目标样本集,对构建好的神经网络进行训练,得到训练好的人脸训练模型,包括:
获取目标样本集,并将所述目标样本集输入到构建好的神经网络的主网络中进行训练,得到样本特征数据集。
将所述样本特征数据集先后输入到构建好的神经网络的辅助网络中的通道注意力机制层以及空间注意力机制层中进行训练,得到聚焦样本特征数据集。
根据所述聚焦样本特征数据集进行训练,确定训练好的人脸训练模型。
进一步的,所述将所述样本特征数据集先后输入到构建好的神经网络的辅助网络中的通道注意力机制层以及空间注意力机制层中进行训练,得到聚焦样本特征数据集,包括:
将样本特征数据集输入到构建好的神经网络的辅助网络中的通道注意力机制层,针对所述样本特征数据集进行所述通道的数据加强。
将加强后的所述样本特征数据集输入到构建好的神经网络的辅助网络中的空间注意力机制层中进行训练及卷积,获取所述加强后的所述样本特征数据集在不同区域下的权重。
根据加强后的所述样本特征数据集在不同区域下的权重和所述样本特征数据集,确定聚焦特征数据集。
本申请实施例提供的检测装置300,与现有技术中相比,本申请通过在需要构建的网络模型中添加除主网络外的辅助网络来建立训练好的人脸训练模型,并对有遮挡的待检测的人脸图像进行人脸识别,这样,能够能准确的识别有遮挡的待检测图像,避免了无法对人脸进行识别的状况,并提高了人脸识别的准确率。
请参阅图4,图4为本申请实施例所提供的一种人脸识别的检测装置的结构示意图,如图4中所示,所述检测装置300包括:
训练模块310,用于基于样本图像集,对构建好的神经网络进行训练,得到训练好的人脸训练模型;其中,所述构建好的神经网络包括主网络和辅助网络。
获取模块320,用于将待检测的人脸图像输入训练好的人脸训练模型中的主网络的卷积层中,得到特征数据集,并将所述特征数据集输入到辅助网络中,得到聚焦特征数据集。
判断模块330,用于基于所述聚焦特征数据集,确定所述待检测的人脸图像与所述训练好的人脸训练模型之间的相似度是否大于相似度阈值。
第一确定模块340,用于若所述待检测的人脸图像与所述训练好的人脸训练模型之间的相似度不小于相似度阈值,则确定所述待检测的所述人脸图像能通过人脸识别。
第二确定模块350,用于若所述待检测的人脸图像与所述训练好的人脸训练模型之间的相似度小于相似度阈值,则确定所述待检测的所述人脸图像不能否通过人脸识别。
本申请实施例提供的检测装置300,与现有技术中相比,本申请通过在需要构建的网络模型中添加除主网络外的辅助网络来建立训练好的人脸训练模型,并对有遮挡的待检测的人脸图像进行人脸识别,这样,能够能准确的识别有遮挡的待检测图像,避免了无法对人脸进行识别的状况,并提高了人脸识别的准确率。
请参阅图5,图5为本申请实施例所提供的一种电子设备500的结构示意图,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之间通过所述总线530进行通信,所述机器可读指令被所述处理器510运行时执行如上述实施例中任一所述的人脸识别的检测方法的步骤。
具体地,所述机器可读指令被所述处理器510执行时可以执行如下处理:
基于样本图像集,对构建好的神经网络进行训练,得到训练好的人脸训练模型;其中,所述构建好的神经网络包括主网络和辅助网络;
将待检测的人脸图像输入训练好的人脸训练模型中的主网络的卷积层中,得到特征数据集,并将所述特征数据集输入到辅助网络中,得到聚焦特征数据集;
基于所述聚焦特征数据集,确定所述待检测的人脸图像与所述训练好的人脸训练模型之间的相似度是否大于相似度阈值;
若所述待检测的人脸图像与所述训练好的人脸训练模型之间的相似度不小于相似度阈值,则确定所述待检测的所述人脸图像能通过人脸识别。
本申请实施例中,通过在需要构建的网络模型中添加除主网络外的辅助网络来建立训练好的人脸训练模型,并对有遮挡的待检测的人脸图像进行人脸识别,这样,能够能准确的识别有遮挡的待检测图像,避免了无法对人脸进行识别的状况,并提高了人脸识别识别的准确率。
基于同一申请构思,本申请实施例还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上述实施例提供的人脸识别的检测方法的步骤。
具体地,所述存储介质能够为通用的存储介质,如移动磁盘、硬盘等,所述存储介质上的计算机程序被运行时,能够执行上述人脸识别的训练方法,可以通过在需要构建的网络模型中添加除主网络外的辅助网络来建立训练好的人脸训练模型,并对有遮挡的待检测的人脸图像进行人脸识别,这样,能够能准确的识别有遮挡的待检测图像,避免了无法对人脸进行识别的状况,并提高了人脸识别识别的准确率。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统和装置的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。在本申请所提供的几个实施例中,应所述理解到,所揭露的系统、装置和方法,可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,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,又例如,多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
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单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元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。
所述功能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,可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解,本申请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所述技术方案的部分可以以软件产品的形式体现出来,所述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)执行本申请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(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,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,可轻易想到变化或替换,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以权利要求的保护范围为准。
Claims (10)
1.人脸识别的检测方法,其特征在于,所述检测方法包括:
基于样本图像集,对构建好的神经网络进行训练,得到训练好的人脸训练模型;其中,所述构建好的神经网络包括主网络和辅助网络;
将待检测的人脸图像输入训练好的人脸训练模型中的主网络的卷积层中,得到特征数据集,并将所述特征数据集输入到辅助网络中,得到聚焦特征数据集;
基于所述聚焦特征数据集,确定所述待检测的人脸图像与所述训练好的人脸训练模型之间的相似度是否大于相似度阈值;
若所述待检测的人脸图像与所述训练好的人脸训练模型之间的相似度不小于相似度阈值,则确定所述待检测的所述人脸图像能通过人脸识别。
2.根据权利要求1所述的检测方法,其特征在于,所述基于样本图像集,对构建好的神经网络进行训练,得到训练好的人脸训练模型;其中,所述构建好的神经网络包括主网络和辅助网络,包括:
针对样本图像集中的面部特征进行标注,确定面部特征数据集;
针对所述面部特征数据集进行分区域定位以及特征数据对齐处理,得到目标样本集;
基于所述目标样本集,对构建好的神经网络进行训练,得到训练好的人脸训练模型,其中,所述构建好的神经网络包括主网络和辅助网络。
3.根据权利要求2所述的检测方法,其特征在于,所述基于所述目标样本集,对构建好的神经网络进行训练,得到训练好的人脸训练模型,包括:
获取目标样本集,并将所述目标样本集输入到构建好的神经网络的主网络中进行训练,得到样本特征数据集;
将所述样本特征数据集先后输入到构建好的神经网络的辅助网络中的通道注意力机制层以及空间注意力机制层中进行训练,得到聚焦样本特征数据集;
根据所述聚焦样本特征数据集进行训练,确定训练好的人脸训练模型。
4.根据权利要求3所述的检测方法,其特征在于,所述将所述样本特征数据集先后输入到构建好的神经网络的辅助网络中的通道注意力机制层以及空间注意力机制层中进行训练,得到聚焦样本特征数据集,包括:
将样本特征数据集输入到构建好的神经网络的辅助网络中的通道注意力机制层,针对所述样本特征数据集进行所述通道的数据加强;
将加强后的所述样本特征数据集输入到构建好的神经网络的辅助网络中的空间注意力机制层中进行训练及卷积,获取所述加强后的所述样本特征数据集在不同区域下的权重;
根据加强后的所述样本特征数据集在不同区域下的权重和所述样本特征数据集,确定聚焦特征数据集。
5.根据权利要求1所述的检测方法,其特征在于,通过以下方式获取构建好的神经网络:
获取样本图像集中每个样本图像的标签信息;所述标签信息用于表征每个所述样本图像对应的真实人脸特征;
针对样本图像集以及每个样本图像的标签信息,对初始神经网络进行训练,得到构建好的神经网络。
6.根据权利要求5所述的检测方法,其特征在于,所述针对样本图像集以及每个样本图像的标签信息,对初始神经网络进行训练,得到构建好的神经网络,包括:
将所述样本图像集中的每个样本图像以及每个所述样本图像的标签信息输入初始神经网络,得到每个所述样本图像对应的预测人脸特征;
当每个所述样本图像对应的预测人脸特征与每个所述样本图像对应的真实人脸特征之间的损失值小于预设阈值,训练截止,得到构建好的神经网络;其中,所述损失值利用交叉熵损函数计算得到。
7.根据权利要求1所述的检测方法,其特征在于,所述基于所述聚焦特征数据集,确定所述待检测的人脸图像与所述训练好的人脸训练模型之间的相似度是否大于相似度阈值,所述检测方法还包括:
若所述待检测的人脸图像与所述训练好的人脸训练模型之间的相似度小于相似度阈值,则确定所述待检测的所述人脸图像不能否通过人脸识别。
8.一种人脸识别的检测装置,其特征在于,所述检测装置包括:
训练模块,用于基于样本图像集,对构建好的神经网络进行训练,得到训练好的人脸训练模型;其中,所述构建好的神经网络包括主网络和辅助网络;
获取模块,用于将待检测的人脸图像输入训练好的人脸训练模型中的主网络的卷积层中,得到特征数据集,并将所述特征数据集输入到辅助网络中,得到聚焦特征数据集;
判断模块,用于基于所述聚焦特征数据集,确定所述待检测的人脸图像与所述训练好的人脸训练模型之间的相似度是否大于相似度阈值;
第一确定模块,用于若所述待检测的人脸图像与所述训练好的人脸训练模型之间的相似度不小于相似度阈值,则确定所述待检测的所述人脸图像能通过人脸识别。
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,所述机器可读指令被所述处理器运行时执行如上述权利要求1至7中任一所述的检测方法的步骤。
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上述权利要求1至7中任一所述的检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110781580.2A CN113239907B (zh) | 2021-07-12 | 2021-07-12 | 一种人脸识别的检测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110781580.2A CN113239907B (zh) | 2021-07-12 | 2021-07-12 | 一种人脸识别的检测方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113239907A true CN113239907A (zh) | 2021-08-10 |
CN113239907B CN113239907B (zh) | 2021-12-14 |
Family
ID=77135318
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110781580.2A Active CN113239907B (zh) | 2021-07-12 | 2021-07-12 | 一种人脸识别的检测方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113239907B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113420731A (zh) * | 2021-08-23 | 2021-09-21 | 北京的卢深视科技有限公司 | 模型训练方法、电子设备及计算机可读存储介质 |
CN113569818A (zh) * | 2021-09-23 | 2021-10-29 | 湖南星汉数智科技有限公司 | 人脸特征编码方法、装置、计算机设备和存储介质 |
CN113947802A (zh) * | 2021-12-21 | 2022-01-18 | 武汉天喻信息产业股份有限公司 | 有遮挡人脸识别方法、装置、设备及可读存储介质 |
CN113947701A (zh) * | 2021-10-18 | 2022-01-18 | 北京百度网讯科技有限公司 | 训练方法、对象识别方法、装置、电子设备以及存储介质 |
CN113989886A (zh) * | 2021-10-22 | 2022-01-28 | 中远海运科技股份有限公司 | 基于人脸识别的船员身份验证方法 |
WO2023130613A1 (zh) * | 2022-01-10 | 2023-07-13 | 中国民航信息网络股份有限公司 | 人脸识别模型构建方法、人脸识别方法及相关设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111401344A (zh) * | 2020-06-04 | 2020-07-10 | 腾讯科技(深圳)有限公司 | 人脸识别方法和装置及人脸识别系统的训练方法和装置 |
CN111414817A (zh) * | 2020-03-05 | 2020-07-14 | 上海兆芯集成电路有限公司 | 面部识别系统及面部识别方法 |
US20200250226A1 (en) * | 2019-03-28 | 2020-08-06 | Beijing Dajia Internet Information Technology Co., Ltd. | Similar face retrieval method, device and storage medium |
CN112348001A (zh) * | 2021-01-08 | 2021-02-09 | 北京沃东天骏信息技术有限公司 | 表情识别模型的训练方法、识别方法、装置、设备及介质 |
-
2021
- 2021-07-12 CN CN202110781580.2A patent/CN113239907B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200250226A1 (en) * | 2019-03-28 | 2020-08-06 | Beijing Dajia Internet Information Technology Co., Ltd. | Similar face retrieval method, device and storage medium |
CN111414817A (zh) * | 2020-03-05 | 2020-07-14 | 上海兆芯集成电路有限公司 | 面部识别系统及面部识别方法 |
CN111401344A (zh) * | 2020-06-04 | 2020-07-10 | 腾讯科技(深圳)有限公司 | 人脸识别方法和装置及人脸识别系统的训练方法和装置 |
CN112348001A (zh) * | 2021-01-08 | 2021-02-09 | 北京沃东天骏信息技术有限公司 | 表情识别模型的训练方法、识别方法、装置、设备及介质 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113420731A (zh) * | 2021-08-23 | 2021-09-21 | 北京的卢深视科技有限公司 | 模型训练方法、电子设备及计算机可读存储介质 |
CN113569818A (zh) * | 2021-09-23 | 2021-10-29 | 湖南星汉数智科技有限公司 | 人脸特征编码方法、装置、计算机设备和存储介质 |
CN113947701A (zh) * | 2021-10-18 | 2022-01-18 | 北京百度网讯科技有限公司 | 训练方法、对象识别方法、装置、电子设备以及存储介质 |
CN113947701B (zh) * | 2021-10-18 | 2024-02-23 | 北京百度网讯科技有限公司 | 训练方法、对象识别方法、装置、电子设备以及存储介质 |
CN113989886A (zh) * | 2021-10-22 | 2022-01-28 | 中远海运科技股份有限公司 | 基于人脸识别的船员身份验证方法 |
CN113989886B (zh) * | 2021-10-22 | 2024-04-30 | 中远海运科技股份有限公司 | 基于人脸识别的船员身份验证方法 |
CN113947802A (zh) * | 2021-12-21 | 2022-01-18 | 武汉天喻信息产业股份有限公司 | 有遮挡人脸识别方法、装置、设备及可读存储介质 |
CN113947802B (zh) * | 2021-12-21 | 2022-04-01 | 武汉天喻信息产业股份有限公司 | 有遮挡人脸识别方法、装置、设备及可读存储介质 |
WO2023130613A1 (zh) * | 2022-01-10 | 2023-07-13 | 中国民航信息网络股份有限公司 | 人脸识别模型构建方法、人脸识别方法及相关设备 |
Also Published As
Publication number | Publication date |
---|---|
CN113239907B (zh) | 2021-12-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113239907B (zh) | 一种人脸识别的检测方法、装置、电子设备及存储介质 | |
CN111460968B (zh) | 基于视频的无人机识别与跟踪方法及装置 | |
CN103020992B (zh) | 一种基于运动颜色关联的视频图像显著性检测方法 | |
CN109255289B (zh) | 一种基于统一式生成模型的跨衰老人脸识别方法 | |
CN106407911A (zh) | 基于图像的眼镜识别方法及装置 | |
CN110543846A (zh) | 一种基于生成对抗网络的多姿态人脸图像正面化方法 | |
CN111709313B (zh) | 基于局部和通道组合特征的行人重识别方法 | |
CN112446322B (zh) | 眼球特征检测方法、装置、设备及计算机可读存储介质 | |
CN112784810A (zh) | 手势识别方法、装置、计算机设备和存储介质 | |
Tian et al. | Scene Text Detection in Video by Learning Locally and Globally. | |
CN113449704B (zh) | 人脸识别模型训练方法、装置、电子设备及存储介质 | |
CN111444764A (zh) | 一种基于深度残差网络的手势识别方法 | |
JP2022540101A (ja) | ポジショニング方法及び装置、電子機器、コンピュータ読み取り可能な記憶媒体 | |
CN112767447A (zh) | 基于深度霍夫优化投票的时敏单目标跟踪方法、存储介质和终端 | |
CN112836625A (zh) | 人脸活体检测方法、装置、电子设备 | |
CN111126515A (zh) | 基于人工智能的模型训练方法和相关装置 | |
CN113378675A (zh) | 一种同时检测和特征提取的人脸识别方法 | |
Wang et al. | Combining semantic scene priors and haze removal for single image depth estimation | |
CN116310684A (zh) | 基于Transformer的多模态特征融合的三维目标检测方法 | |
CN109697727A (zh) | 基于相关滤波和度量学习的目标跟踪方法、系统及存储介质 | |
Kim et al. | Real-time facial feature extraction scheme using cascaded networks | |
CN116958584A (zh) | 关键点检测方法、回归模型的训练方法、装置及电子设备 | |
CN116912796A (zh) | 一种基于新型动态级联YOLOv8的自动驾驶目标识别方法及装置 | |
CN115830449A (zh) | 显式轮廓引导和空间变化上下文增强的遥感目标检测方法 | |
CN114067394A (zh) | 人脸活体检测方法、装置、电子设备及存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20210810 Assignee: RUN TECHNOLOGIES Co.,Ltd. BEIJING Assignor: Beijing Yuanjian Information Technology Co.,Ltd. Contract record no.: X2022990000776 Denomination of invention: A detection method, device, electronic equipment and storage medium for face recognition Granted publication date: 20211214 License type: Common License Record date: 20221011 |
|
EE01 | Entry into force of recordation of patent licensing contract |