CN113469091B - 人脸识别方法、训练方法、电子设备及存储介质 - Google Patents

人脸识别方法、训练方法、电子设备及存储介质 Download PDF

Info

Publication number
CN113469091B
CN113469091B CN202110780580.0A CN202110780580A CN113469091B CN 113469091 B CN113469091 B CN 113469091B CN 202110780580 A CN202110780580 A CN 202110780580A CN 113469091 B CN113469091 B CN 113469091B
Authority
CN
China
Prior art keywords
face
image
texture image
face image
candidate
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
CN202110780580.0A
Other languages
English (en)
Other versions
CN113469091A (zh
Inventor
保长存
陈智超
朱海涛
江坤
户磊
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
Beijing Dilusense Technology Co Ltd
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 Beijing Dilusense Technology Co Ltd, Hefei Dilusense Technology Co Ltd filed Critical Beijing Dilusense Technology Co Ltd
Priority to CN202110780580.0A priority Critical patent/CN113469091B/zh
Publication of CN113469091A publication Critical patent/CN113469091A/zh
Application granted granted Critical
Publication of CN113469091B publication Critical patent/CN113469091B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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
    • G06N3/047—Probabilistic or stochastic 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
    • G06N3/08—Learning methods
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2200/00—Indexing scheme for image data processing or generation, in general
    • G06T2200/04—Indexing scheme for image data processing or generation, in general involving 3D image data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30196—Human being; Person
    • G06T2207/30201—Face

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Evolutionary Biology (AREA)
  • Image Analysis (AREA)

Abstract

本发明实施例涉及计算机技术领域，公开了一种人脸识别方法、训练方法、电子设备及存储介质。本申请的实施例中，人脸识别方法包括：获取人脸图像的候选纹理图像；人脸图像的候选纹理图像包括人脸图像的左脸区域的参数化纹理图像或人脸图像的右脸区域的参数化纹理图像；根据人脸图像的候选纹理图像，得到待识别的参数化纹理图像；将待识别的参数化纹理图像输入人脸识别模型，进行人脸识别；人脸识别模型为预先训练至收敛的基于参数化纹理图像进行人脸识别的网络模型。本申请实施例提供的技术方案提高了人脸识别准确率。

Description

人脸识别方法、训练方法、电子设备及存储介质
技术领域
本发明实施例涉及计算机技术领域，特别涉及一种人脸识别方法、训练方法、电子设备及存储介质。
背景技术
大角度人脸识别是指用于比对的两张人脸图片存在较大的人脸姿态差异。实际场景中，较常见的一种情况是：入库数据都是小角度图片，测试图片为大角度图片。当测试图片的偏摆(yaw)角或俯仰(pitch)角超过30度时，其和对应正脸情况照片的外观差异非常大，人脸识别准确率下降。因此，大角度人脸识别的准确率一直是比较难提升的方向。
发明内容
本发明实施方式的目的在于提供一种人脸识别方法、训练方法、电子设备及存储介质，提高了人脸识别准确率。
为解决上述技术问题，第一方面，本发明实施例提供了一种人脸识别方法，包括：获取人脸图像的候选纹理图像；人脸图像的候选纹理图像包括人脸图像的左脸区域的参数化纹理图像或人脸图像的右脸区域的参数化纹理图像；根据人脸图像的候选纹理图像，得到待识别的参数化纹理图像；将待识别的参数化纹理图像输入人脸识别模型，进行人脸识别；人脸识别模型为预先训练至收敛的基于参数化纹理图像进行人脸识别的网络模型。
第二方面，本发明实施例提供了一种人脸识别模型的训练方法，包括：获取样本人脸图像的候选纹理图像；样本人脸图像的候选纹理图像包括样本人脸图像的左脸区域的参数化纹理图像或样本人脸图像的右脸区域的参数化纹理图像；根据样本人脸图像的候选纹理图像，得到样本人脸图像对应的参数化纹理图像，作为人脸识别模型的训练数据；基于训练数据，对人脸识别模型进行训练，直至人脸识别模型收敛。
第三方面，本发明实施例提供了一种电子设备，包括：至少一个处理器；以及，与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行：上述实施例提及的人脸识别模型的训练方法，或者，上述实施例提及的人脸识别方法。
第四方面，本发明实施例提供了一种计算机可读存储介质，存储有计算机程序，计算机程序被处理器执行时，实现上述实施例提及的人脸识别模型的训练方法，或者，实现上述实施例提及的人脸识别方法。
本发明实施例相对于现有技术而言，基于人脸图像三维展开的参数化纹理图像进行人脸识别，可以减小不同视角下人脸的外观差异，便于人脸识别模型识别参数化纹理图像中的特征。通过人脸图像中半边人脸的参数化纹理图像来进行人脸识别，可以减小人脸图像和人脸识别模型中的样本人脸图像视角差异大对人脸识别过程的影响，从而提高识别准确率。
在部分实施例中，获取人脸图像的候选纹理图像，包括：判断人脸图像的左脸区域的可见程度是否大于人脸图像的右脸区域的可见程度；若确定是，获取人脸图像的左脸区域的参数化纹理图像作为人脸图像的候选纹理图像；若确定不是，获取人脸图像的右脸区域的参数化纹理图像作为人脸图像的候选纹理图像；或者，判断人脸图像的左脸区域的可见程度是否大于人脸图像的右脸区域的可见程度；若确定是，获取人脸图像的左脸区域的参数化纹理图像作为人脸图像的候选纹理图像；若确定不是，对人脸图像的右脸区域的参数化纹理图像进行镜像处理，将镜像处理后的图像作为人脸图像的候选纹理图像；或者，判断人脸图像的左脸区域的可见程度是否大于人脸图像的右脸区域的可见程度；若确定是，对人脸图像的左脸区域的参数化纹理图像进行镜像处理，将镜像处理后的图像作为人脸图像的候选纹理图像；若确定不是，获取人脸图像的左脸区域的参数化纹理图像作为人脸图像的候选纹理图像。
在部分实施例中，判断人脸图像的左脸区域的可见程度是否大于人脸图像的右脸区域的可见程度，包括：获取人脸图像的人脸姿态角；根据人脸姿态角，判断人脸图像的左脸区域的可见程度是否大于人脸图像的右脸区域的可见程度。
在部分实施例中，获取人脸图像的候选纹理图像，包括：判断人脸图像的左脸区域的可见程度是否大于人脸图像的右脸区域的可见程度；若确定是，获取人脸图像的左脸区域的参数化纹理图像作为人脸图像的候选纹理图像；若确定不是，获取人脸图像的右脸区域的参数化纹理图像作为人脸图像的候选纹理图像；根据人脸图像的候选纹理图像，得到待识别的参数化纹理图像，包括：判断人脸图像的候选纹理图像是否为指定区域的纹理图像，指定区域为左脸区域或右脸区域；若确定是，将人脸图像的候选纹理图像，作为待识别的参数化纹理图像；若确定不是，对人脸图像的候选纹理图像进行镜像处理，将镜像处理后的图像作为待识别的参数化纹理图像。
在部分实施例中，在获取人脸图像的候选纹理图像之前，人脸识别方法还包括：将人脸图像输入三维重建网络，得到人脸图像对应的三维重建模型；根据人脸图像对应的三维重建模型、初始参数化纹理图像，以及预设的三维重建模型与初始参数化纹理图像的映射关系，得到人脸图像的参数化纹理图像。
在部分实施例中，三维重建网络为预先训练至收敛的、基于输入的人脸图像重建得到具有统一的拓扑几何结构的三维重建模型的神经网络。
在部分实施例中，在根据人脸图像对应的三维重建模型、初始参数化纹理图像，以及预设的三维重建模型与初始参数化纹理图像的映射关系，得到人脸图像的参数化纹理图像之前，还包括：根据拓扑几何结构，生成初始参数化纹理图像。
附图说明
一个或多个实施例通过与之对应的附图中的图片进行示例性说明，这些示例性说明并不构成对实施例的限定，附图中具有相同参考数字标号的元件表示为类似的元件，除非有特别申明，附图中的图不构成比例限制。
图1是本申请实施例中人脸识别方法的流程图；
图2是本申请的一个实施例中人脸识别模型的训练方法的流程图；
图3是本申请的另一个实施例中人脸识别方法的流程图；
图4是本申请的又一个实施例中人脸识别方法的流程图；
图5是本申请的还一个实施例中人脸识别方法的流程图；
图6是本申请实施例中的电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的各实施方式进行详细的阐述。然而，本领域的普通技术人员可以理解，在本发明各实施方式中，为了使读者更好地理解本申请而提出了许多技术细节。但是，即使没有这些技术细节和基于以下各实施方式的种种变化和修改，也可以实现本申请所要求保护的技术方案。以下各个实施例的划分是为了描述方便，不应对本发明的具体实现方式构成任何限定，各个实施例在不矛盾的前提下可以相互结合相互引用。
在本发明公开的描述中，需要理解的是，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。此外，在本发明公开的描述中，除非另有说明，“多个”的含义是两个或两个以上。
本申请实施例中，为提高人脸识别准确率，提供了一种人脸识别方法，应用于电子设备，如图1所示，包括如下步骤。
步骤101：获取人脸图像的候选纹理图像。人脸图像的候选纹理图像包括人脸图像的左脸区域的参数化纹理图像(uvmap)或人脸图像的右脸区域的参数化纹理图像。
步骤102：根据人脸图像的候选纹理图像，得到待识别的参数化纹理图像。
步骤103：将待识别的参数化纹理图像输入人脸识别模型，进行人脸识别。人脸识别模型为预先训练至收敛的基于参数化纹理图像进行人脸识别的网络模型。
本申请实施例中，基于人脸图像三维展开的参数化纹理图像进行人脸识别，可以减小不同视角下人脸的外观差异，便于人脸识别模型识别参数化纹理图像中的特征。通过人脸图像中半边人脸的参数化纹理图像来进行人脸识别，可以减小人脸图像和人脸识别模型中的样本人脸图像视角差异大对人脸识别过程的影响，从而提高识别准确率。
以下对获取人脸图像的候选纹理图像的方式进行举例说明。
在第一个例子中，获取人脸图像的候选纹理图像，包括：判断人脸图像的左脸区域的可见程度是否大于人脸图像的右脸区域的可见程度；若确定是，获取人脸图像的左脸区域的参数化纹理图像作为人脸图像的候选纹理图像；若确定不是，获取人脸图像的右脸区域的参数化纹理图像作为人脸图像的候选纹理图像。
在第二个例子中，获取人脸图像的候选纹理图像，包括：判断人脸图像的左脸区域的可见程度是否大于人脸图像的右脸区域的可见程度；若确定是，获取人脸图像的左脸区域的参数化纹理图像作为人脸图像的候选纹理图像；若确定不是，对人脸图像的右脸区域的参数化纹理图像进行镜像处理，将镜像处理后的图像作为人脸图像的候选纹理图像。
在第三个例子中，获取人脸图像的候选纹理图像，包括：判断人脸图像的左脸区域的可见程度是否大于人脸图像的右脸区域的可见程度；若确定是，对人脸图像的左脸区域的参数化纹理图像进行镜像处理，将镜像处理后的图像作为人脸图像的候选纹理图像；若确定不是，获取人脸图像的左脸区域的参数化纹理图像作为人脸图像的候选纹理图像。
在上述例子中，可选择的，判断人脸图像的左脸区域的可见程度是否大于人脸图像的右脸区域的可见程度，包括：获取人脸图像的人脸姿态角；根据人脸姿态角，判断人脸图像的左脸区域的可见程度是否大于人脸图像的右脸区域的可见程度。具体地，人脸具有对称性，因此，可以根据人脸的yaw角，确定是左脸区域的可见程度更大还是右脸区域的可见程度更大。
例如，将人脸的yaw角与预设值进行比较，根据比较结果，确定是左脸区域的可见程度更大还是右脸区域的可见程度更大。如，预设值可以是0。若yaw角大于等于0，说明人脸朝右偏，左脸区域的可见程度大于右脸可见程度；若yaw角小于0，说明人脸朝左偏，右脸区域的可见程度大于左脸区域的可见程度。
需要说明的是，本领域技术人员可以理解，电子设备还可以通过其他方式判断左脸区域的可见程度是否大于右脸区域的可见程度，例如，通过比较左脸区域在人脸图像中的占比和右脸区域在人脸图像中的占比，确定哪个区域的可见程度更大，本实施例仅为举例说明。
在一个例子中，人脸姿态角可以通过三维重建网络得到。具体地，电子设备通过将人脸图像输入三维重建网络，以得到人脸图像对应的参数化纹理图像。该三维重建网络具备识别人脸的三维姿态的功能。电子设备根据三维重建网络输出的人脸的三维姿态，获取人脸姿态角。
需要说明的是，本领域技术人员可以理解，还可以通过其他方式获取人脸姿态角，本实施例仅为举例说明。
以下对根据人脸图像的候选纹理图像，得到待识别的参数化纹理图像的方式进行举例说明。
在一个例子中，获取人脸图像的候选纹理图像，包括：判断人脸图像的左脸区域的可见程度是否大于人脸图像的右脸区域的可见程度；若确定是，获取人脸图像的左脸区域的参数化纹理图像作为人脸图像的候选纹理图像；若确定不是，获取人脸图像的右脸区域的参数化纹理图像作为人脸图像的候选纹理图像。在此情况下，根据人脸图像的候选纹理图像，得到待识别的参数化纹理图像，包括：判断人脸图像的候选纹理图像是否为指定区域的纹理图像，指定区域为左脸区域或右脸区域；若确定是，将人脸图像的候选纹理图像，作为待识别的参数化纹理图像；若确定不是，对人脸图像的候选纹理图像进行镜像处理，将镜像处理后的图像作为待识别的参数化纹理图像。
例如，指定区域为左脸区域，如果左脸区域的可见程度小于等于右脸区域的可见程度，则对截取出的右脸区域的参数化纹理图像进行镜像处理，得到左脸区域的参数化纹理图像，作为人脸图像对应的参数化纹理图像，用于人脸识别。如果左脸区域的可见程度大于右脸区域的可见程度，则将截取出的左脸区域的参数化纹理图像，作为人脸图像对应的参数化纹理图像。由此可见，通过该操作，最终都是将左脸区域的参数化纹理图像用于人脸识别。
公式a：
Figure BDA0003156655150000051
其中，uvmaplast表示用于人脸图像对应的参数化纹理图像，uvmap是一个(h,w,3)维度的张量，w表示uvmap的宽，h表示uvmap的高,half_w表示w的一半，flip(·)表示镜像操作，uvmap(:,0:half_w,:)表示选取uvmap的左半边，即选取左脸区域的参数化纹理图像，uvmap(:,half_w:w,:)选取uvmap的右半边，即选取右脸区域的参数化纹理图像。公式a表示，yaw≥0时，人脸朝右偏，取左脸区域的参数化纹理图像，yaw＜0时，人脸朝左偏，取右脸区域的参数化纹理图像，并基于右脸区域的参数化纹理图像进行镜像操作。
值得一提的是，基于可见程度更大的区域的参数化纹理图像进行人脸识别，使得在识别模型的训练数据中没有大角度图像的情况下，还可以保证识别准确率。
在另一个例子中，根据人脸图像的候选纹理图像，得到待识别的参数化纹理图像，包括：对人脸图像的候选纹理图像进行镜像处理，将人脸图像的候选纹理图像和镜像处理后的图像拼接得到待识别的参数化纹理图像。
值得一提的是，通过镜像处理，可以增加用于训练的参数化纹理图像中的纹理信息，以便更好地训练识别模型人脸识别模型，进一步提高识别模型人脸识别模型的准确率。
需要说明的是，本领域技术人员可以理解，还可以通过其他方式，得到待识别的参数化纹理图像，例如，将人脸图像的候选纹理图像，作为待识别的参数化纹理图像。本实施例仅为举例说明。
在一个实施例中，在获取人脸图像的候选纹理图像之前，人脸识别方法还包括：将人脸图像输入三维重建网络，得到人脸图像对应的三维重建模型；根据人脸图像对应的三维重建模型、初始参数化纹理图像，以及预设的三维重建模型与初始参数化纹理图像的映射关系，得到人脸图像的参数化纹理图像。具体地，对于待识别的人脸图像，利用三维重建网络来进行三维重建，得到三维重建模型，并基于三维重建模型和初始参数化纹理图像的映射关系，将三维重建模型中的纹理映射到参数化纹理图像中，得到人脸图像的参数化纹理图像。
例如，三维重建网络为三维人脸重建网络。针对人脸图像，利用三维人脸重建网络来进行三维重建，得到三维重建模型和三维重建模型上每个面片和输入的人脸图像的对应关系。电子设备再根据初始参数化纹理图像上每个像素和三维重建模型固定的映射关系，可以将输入的人脸图像上的人脸纹理注册到一个统一的呈摊开结构的初始参数化纹理图像上，得到人脸图像的参数化纹理图像。
可选择的，三维重建网络为预先训练至收敛的、基于输入的人脸图像重建得到具有统一的拓扑几何结构的三维重建模型的神经网络。由于得到的三维重建模型具有统一的拓扑几何结构，便于构建三维重建模型和初始参数化纹理图像的映射关系。
可选择的，在根据人脸图像对应的三维重建模型、初始参数化纹理图像，以及预设的三维重建模型与初始参数化纹理图像的映射关系，得到人脸图像的参数化纹理图像之前，还包括：根据拓扑几何结构，生成初始参数化纹理图像。由于预先基于统一的拓扑几何结构生成了初始参数化纹理图像，使得在人脸识别时，可以直接将基于人脸图像重建的三维重建模型映射至初始参数化纹理图像，得到人脸图像的参数化纹理图像。
在一个例子中，三维人脸重建网络为对大角度人脸图像鲁棒的网络。该网络可以是卷积神经网络或其他各类网络。本实施例不对三维人脸重建网络的网络类型进行限制。该三维人脸重建网络具有以下特点：
①可以输出人脸的三维姿态，以便获取人脸姿态角，执行根据人脸姿态角，判断人脸图像的左脸区域的可见程度是否大于人脸图像的右脸区域的可见程度的操作。
②重建后的三维重建模型可以较精准地和人脸图片对应，以避免由于重建的三维重建模型不准确而影响人脸识别模型的准确率。
③重建的三维重建模型有统一的拓扑几何结构，并且具有拓扑结构本身左右对称。由于重建的三维重建模型有统一的拓扑几何结构，便于确定三维重建模型与初始参数化纹理图像的对应关系。
④针对统一的拓扑几何结构，事先生成好一张左右对称的参数化纹理图像，以便后期基于重建的三维重建模型生成人脸图像的参数化纹理图像。
需要说明的是，本领域技术人员可以理解，三维重建网络还可以具备其他特性，例如，重建速度快等，本实施例仅为举例说明，不对三维重建网络的具体形式进行限制。
为解决大角度人脸识别问题，通常采用以下几类方法：
方法1：训练人脸识别模型时，采用多角度人脸训练数据，学习姿态不变的人脸特征。方法1对训练数据有多角度要求，然而，现有的很多人脸数据库基本都是小角度，包含大角度和中角度的人脸数据库较少且数据库规模都相对不大，会导致人脸识别模型的准确率较低；另外，暴力的让网络直接从多角度图片学习姿态不变人脸特征，受限于多视角人脸的外观差异较大，性能通常也不是很高(网络容易对训练集过拟合)。
方法2：入库数据采取多角度人脸数据入库，测试时根据当前人脸姿态去和相近人脸姿态的底库特征去比对。然而，该方法的测试流程较复杂，需要入库时提前录入多角度数据，识别库的存储占用会显著增大。
方法3：训练大角度人脸转正网络，对于测试图片进行人脸转正后再进行人脸特征提取。然而，该方法的识别准确率取决于人脸转正网络的精度。通常，人脸转正容易丢失图像细节，因此，性能往往也不是特别好。
因此，目前的大角度人脸识别往往要求训练数据的规模大，或者，识别准确率低，无法满足业务要求。
基于此，本申请实施例还提供了一种人脸识别模型的训练方法，应用于电子设备，如图2所示，包括如下步骤。
步骤201：获取样本人脸图像的候选纹理图像。样本人脸图像的候选纹理图像包括样本人脸图像的左脸区域的参数化纹理图像或样本人脸图像的右脸区域的参数化纹理图像。
步骤202：根据样本人脸图像的候选纹理图像，得到样本人脸图像对应的参数化纹理图像，作为人脸识别模型的训练数据。
步骤203：基于训练数据，对人脸识别模型进行训练，直至人脸识别模型收敛。
本申请实施例中，在模型训练过程中，基于样本人脸图像三维展开的参数化纹理图像进行人脸识别模型的训练，由于人脸图像三维展开的参数化纹理图像可以显著减小不同视角下的外观差异，使得人脸识别模型更容易学习人脸特征，减少对训练数据规模的要求，提高训练后的人脸识别模型的识别准确率。基于该人脸识别模型进行人脸识别时，识别准确率更高。
需要说明的是，本领域技术人员可以理解，图2所示的人脸识别模型的训练方法中，获取样本人脸图像的候选纹理图像的过程与图1所示的人脸识别方法的获取人脸图像的候选纹理图像的过程大致相同，此处不再赘述。
需要说明的是，本领域技术人员可以理解，图2所示的人脸识别模型的训练方法中，根据样本人脸图像的候选纹理图像，得到样本人脸图像对应的参数化纹理图像的过程与图1所示的人脸识别方法的根据人脸图像的候选纹理图像，得到待识别的参数化纹理图像的过程大致相同，此处不再赘述。
在一个实施例中，人脸识别模型包括识别网络和分类器。基于训练数据，对人脸识别模型进行训练，直至人脸识别模型收敛的过程包括：将训练数据，如用于训练的参数化纹理图像(uvmaplast)送入到识别网络，得到样本人脸图像中的特征后，输入分类器。根据分类器判断的人脸图像的标签(若人脸图像对应的人的标识)和人脸图像的实际类别，计算分类损失。之后通过梯度下降法更新识别网络和分类器使得分类损失减小。其中，识别网络可以是卷积神经网络编码器(Convolutional Neural Networksencode,CNNencode)类型网络，识别网络的网络类型没有具体要求。分类损失可以使用带边界(margin)的指数归一化(softmax)交叉熵分类损失，如CosFace、ArcFace等。例如，电子设备基于公式b-公式d进行人脸识别模型训练。
公式b：featurei＝FRNet(uvmaplasti)；
公式c：logitsi＝Classfier(featurei)；
公式d：Lossclassify＝∑softmax_cross_entropy(logitsi，IDi)；
公式b-公式d中，uvmaplasti表示第i个样本人脸图像对应的训练数据，FRNet(·)表示识别网络，featurei表示第i个样本人脸图像的特征向量，logitsi表示分类器对第i个样本人脸图像预测的属于各个类别的概率向量，Classfier(·)表示分类器，IDi表示第i个样本人脸图像的实际类别，softmax_cross_entropy(·)表示计算softmax交叉熵损失函数。
在一个实施例中，在完成人脸识别模型的训练后，对人脸识别模型进行测试。人脸识别模型的测试过程包括：对于输入的人脸测试图像，先利用三维人脸重建网络来进行三维重建，得到三维重建模型和三维重建模型上每个面片和输入的人脸测试图像的对应关系，再根据初始参数化纹理图像上每个像素和三维重建模型的映射关系，将输入的人脸测试图像上的人脸纹理注册到一个统一的呈摊开结构的初始参数化纹理图像上，得到人脸测试图像的参数化纹理图像。得到人脸测试图像的参数化纹理图像后，根据人脸测试图像的人脸yaw角来确定出哪一侧人脸更可见，截取出人脸测试图像的参数化纹理图像上可见程度更大的区域的参数化纹理图像作为用于测试的参数化纹理图像。具体地，如左脸区域的可见程度更大，将左脸区域的参数化纹理图像作为用于测试的参数化纹理图像，输入训练好的人脸识别模型的识别网络，得到识别特征。如果右脸区域的可见程度更大，截取右脸区域的参数化纹理图像进行镜像处理，将镜像处理后的图像作为用于测试的参数化纹理图像，输入训练好的人脸识别模型的识别网络，得到识别特征。将识别特征输入分类器，基于分类器的分类结果，判断训练好的人脸识别模型是否符合要求。
以上各实施例可以相互结合相互引用，例如下面是各实施例结合后的例子，然并不以此为限；各实施例在不矛盾的前提下可以任意结合成为一个新的实施例。
在一个实施例中，如图3所示为人脸识别模型的训练方法包括如下步骤。
步骤301：判断人脸图像的左脸区域的可见程度是否大于人脸图像的右脸区域的可见程度。若确定是，执行步骤302，否则，执行步骤303。
可选择的，判断人脸图像的左脸区域的可见程度是否大于人脸图像的右脸区域的可见程度，包括：获取人脸图像的人脸姿态角；根据人脸姿态角，判断人脸图像的左脸区域的可见程度是否大于人脸图像的右脸区域的可见程度。
步骤302：获取人脸图像的左脸区域的参数化纹理图像作为人脸图像的候选纹理图像。之后执行步骤304。
步骤303：获取人脸图像的右脸区域的参数化纹理图像作为人脸图像的候选纹理图像。
步骤304：判断人脸图像的候选纹理图像是否为指定区域的纹理图像。指定区域为左脸区域或右脸区域。若确定是，执行步骤1305，否则，执行步骤306。
步骤305：将人脸图像的候选纹理图像，作为待识别的参数化纹理图像。之后执行步骤307。
步骤306：对人脸图像的候选纹理图像进行镜像处理，将镜像处理后的图像作为待识别的参数化纹理图像。
步骤207：将待识别的参数化纹理图像输入人脸识别模型，进行人脸识别。人脸识别模型为预先训练至收敛的基于参数化纹理图像进行人脸识别的网络模型。
可选择的，在获取人脸图像的候选纹理图像之前，人脸识别方法还包括：将人脸图像输入三维重建网络，得到人脸图像对应的三维重建模型；根据人脸图像对应的三维重建模型、初始参数化纹理图像，以及预设的三维重建模型与初始参数化纹理图像的映射关系，得到人脸图像的参数化纹理图像。
可选择的，三维重建网络为预先训练至收敛的、基于输入的人脸图像重建得到具有统一的拓扑几何结构的三维重建模型的神经网络。
可选择的，在根据人脸图像对应的三维重建模型、初始参数化纹理图像，以及预设的三维重建模型与初始参数化纹理图像的映射关系，得到人脸图像的参数化纹理图像之前，还包括：根据拓扑几何结构，生成初始参数化纹理图像。
在一个实施例中，如图4所示为人脸识别模型的训练方法包括如下步骤。
步骤401：判断人脸图像的左脸区域的可见程度是否大于人脸图像的右脸区域的可见程度。若确定是，执行步骤402，否则，执行步骤403。
可选择的，判断人脸图像的左脸区域的可见程度是否大于人脸图像的右脸区域的可见程度，包括：获取人脸图像的人脸姿态角；根据人脸姿态角，判断人脸图像的左脸区域的可见程度是否大于人脸图像的右脸区域的可见程度。
步骤402：获取人脸图像的左脸区域的参数化纹理图像作为人脸图像的候选纹理图像。之后执行步骤404。
步骤403：对人脸图像的右脸区域的参数化纹理图像进行镜像处理，将镜像处理后的图像作为人脸图像的候选纹理图像。
步骤404：将人脸图像的候选纹理图像，作为待识别的参数化纹理图像。
步骤405：将待识别的参数化纹理图像输入人脸识别模型，进行人脸识别。人脸识别模型为预先训练至收敛的基于参数化纹理图像进行人脸识别的网络模型。
可选择的，在获取人脸图像的候选纹理图像之前，人脸识别方法还包括：将人脸图像输入三维重建网络，得到人脸图像对应的三维重建模型；根据人脸图像对应的三维重建模型、初始参数化纹理图像，以及预设的三维重建模型与初始参数化纹理图像的映射关系，得到人脸图像的参数化纹理图像。
可选择的，三维重建网络为预先训练至收敛的、基于输入的人脸图像重建得到具有统一的拓扑几何结构的三维重建模型的神经网络。
可选择的，在根据人脸图像对应的三维重建模型、初始参数化纹理图像，以及预设的三维重建模型与初始参数化纹理图像的映射关系，得到人脸图像的参数化纹理图像之前，还包括：根据拓扑几何结构，生成初始参数化纹理图像。
在一个实施例中，如图5所示为人脸识别模型的训练方法包括如下步骤。
步骤501：判断人脸图像的左脸区域的可见程度是否大于人脸图像的右脸区域的可见程度。若确定是，执行步骤502，否则，执行步骤503。
可选择的，判断人脸图像的左脸区域的可见程度是否大于人脸图像的右脸区域的可见程度，包括：获取人脸图像的人脸姿态角；根据人脸姿态角，判断人脸图像的左脸区域的可见程度是否大于人脸图像的右脸区域的可见程度。
步骤502：对人脸图像的左脸区域的参数化纹理图像进行镜像处理，将镜像处理后的图像作为人脸图像的候选纹理图像。之后执行步骤504。
步骤503：获取人脸图像的左脸区域的参数化纹理图像作为人脸图像的候选纹理图像。
步骤504：将人脸图像的候选纹理图像，作为待识别的参数化纹理图像。
步骤505：将待识别的参数化纹理图像输入人脸识别模型，进行人脸识别。人脸识别模型为预先训练至收敛的基于参数化纹理图像进行人脸识别的网络模型。
可选择的，在获取人脸图像的候选纹理图像之前，人脸识别方法还包括：将人脸图像输入三维重建网络，得到人脸图像对应的三维重建模型；根据人脸图像对应的三维重建模型、初始参数化纹理图像，以及预设的三维重建模型与初始参数化纹理图像的映射关系，得到人脸图像的参数化纹理图像。
可选择的，三维重建网络为预先训练至收敛的、基于输入的人脸图像重建得到具有统一的拓扑几何结构的三维重建模型的神经网络。
可选择的，在根据人脸图像对应的三维重建模型、初始参数化纹理图像，以及预设的三维重建模型与初始参数化纹理图像的映射关系，得到人脸图像的参数化纹理图像之前，还包括：根据拓扑几何结构，生成初始参数化纹理图像。
上面各种方法的步骤划分，只是为了描述清楚，实现时可以合并为一个步骤或者对某些步骤进行拆分，分解为多个步骤，只要包括相同的逻辑关系，都在本专利的保护范围内；对算法中或者流程中添加无关紧要的修改或者引入无关紧要的设计，但不改变其算法和流程的核心设计都在该专利的保护范围内。
本申请实施例还提供一种电子设备，如图6所示，包括：至少一个处理器601；以及与至少一个处理器601通信连接的存储器602；其中，存储器存储有可被至少一个处理器601执行的指令，指令被至少一个处理器601执行，以使至少一个处理器601能够执行上述方法实施例。
其中，存储器602和处理器601采用总线方式连接，总线可以包括任意数量的互联的总线和桥，总线将一个或多个处理器601和存储器602的各种电路连接在一起。总线还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路连接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口在总线和收发机之间提供接口。收发机可以是一个元件，也可以是多个元件，比如多个接收器和发送器，提供用于在传输介质上与各种其他装置通信的单元。经处理器601处理的数据通过天线在无线介质上进行传输，进一步，天线还接收数据并将数据传送给处理器601。
处理器601负责管理总线和通常的处理，还可以提供各种功能，包括定时，外围接口，电压调节、电源管理以及其他控制功能。而存储器602可以被用于存储处理器601在执行操作时所使用的数据。
本申请实施例还提供一种计算机可读存储介质，存储有计算机程序。计算机程序被处理器执行时实现上述方法实施例。
即，本领域技术人员可以理解，实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序存储在一个存储介质中，包括若干指令用以使得一个设备(可以是单片机，芯片等)或处理器(processor)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(ROM，Read-OnlyMemory)、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。
本领域的普通技术人员可以理解，上述各实施方式是实现本发明的具体实施例，而在实际应用中，可以在形式上和细节上对其作各种改变，而不偏离本发明的精神和范围。

Claims (8)

1.一种人脸识别方法，其特征在于，包括：
获取人脸图像的候选纹理图像；所述人脸图像的候选纹理图像包括所述人脸图像的左脸区域的参数化纹理图像或所述人脸图像的右脸区域的参数化纹理图像；
根据所述人脸图像的候选纹理图像，得到待识别的参数化纹理图像；
将所述待识别的参数化纹理图像输入人脸识别模型，进行人脸识别；所述人脸识别模型为预先训练至收敛的基于参数化纹理图像进行人脸识别的网络模型；
在所述获取人脸图像的候选纹理图像之前，还包括：
将所述人脸图像输入三维重建网络，得到所述人脸图像对应的三维重建模型，所述三维重建网络为预先训练至收敛的、基于输入的人脸图像重建得到具有统一的拓扑几何结构的三维重建模型的神经网络；
根据所述人脸图像对应的三维重建模型、初始参数化纹理图像，以及预设的三维重建模型与初始参数化纹理图像的映射关系，得到所述人脸图像的参数化纹理图像。
2.根据权利要求1所述的人脸识别方法，其特征在于，所述获取人脸图像的候选纹理图像，包括：
判断所述人脸图像的左脸区域的可见程度是否大于所述人脸图像的右脸区域的可见程度；若确定是，获取所述人脸图像的左脸区域的参数化纹理图像作为所述人脸图像的候选纹理图像；若确定不是，获取所述人脸图像的右脸区域的参数化纹理图像作为所述人脸图像的候选纹理图像；
或者，
判断所述人脸图像的左脸区域的可见程度是否大于所述人脸图像的右脸区域的可见程度；若确定是，获取所述人脸图像的左脸区域的参数化纹理图像作为所述人脸图像的候选纹理图像；若确定不是，对所述人脸图像的右脸区域的参数化纹理图像进行镜像处理，将镜像处理后的图像作为所述人脸图像的候选纹理图像；
或者，
判断所述人脸图像的左脸区域的可见程度是否大于所述人脸图像的右脸区域的可见程度；若确定是，对所述人脸图像的左脸区域的参数化纹理图像进行镜像处理，将镜像处理后的图像作为所述人脸图像的候选纹理图像；若确定不是，获取所述人脸图像的左脸区域的参数化纹理图像作为所述人脸图像的候选纹理图像。
3.根据权利要求2所述的人脸识别方法，其特征在于，所述判断所述人脸图像的左脸区域的可见程度是否大于所述人脸图像的右脸区域的可见程度，包括：
获取所述人脸图像的人脸姿态角；
根据所述人脸姿态角，判断所述人脸图像的左脸区域的可见程度是否大于所述人脸图像的右脸区域的可见程度。
4.根据权利要求1所述的人脸识别方法，其特征在于，所述获取人脸图像的候选纹理图像，包括：判断所述人脸图像的左脸区域的可见程度是否大于所述人脸图像的右脸区域的可见程度；若确定是，获取所述人脸图像的左脸区域的参数化纹理图像作为所述人脸图像的候选纹理图像；若确定不是，获取所述人脸图像的右脸区域的参数化纹理图像作为所述人脸图像的候选纹理图像；
所述根据所述人脸图像的候选纹理图像，得到待识别的参数化纹理图像，包括：判断所述人脸图像的候选纹理图像是否为指定区域的纹理图像，所述指定区域为左脸区域或右脸区域；若确定是，将所述人脸图像的候选纹理图像，作为所述待识别的参数化纹理图像；若确定不是，对所述人脸图像的候选纹理图像进行镜像处理，将镜像处理后的图像作为所述待识别的参数化纹理图像。
5.根据权利要求1所述的人脸识别方法，其特征在于，在所述根据所述人脸图像对应的三维重建模型、初始参数化纹理图像，以及预设的三维重建模型与初始参数化纹理图像的映射关系，得到所述人脸图像的参数化纹理图像之前，还包括：
根据所述拓扑几何结构，生成所述初始参数化纹理图像。
6.一种人脸识别模型的训练方法，其特征在于，包括：
获取样本人脸图像的候选纹理图像；所述样本人脸图像的候选纹理图像包括所述样本人脸图像的左脸区域的参数化纹理图像或所述样本人脸图像的右脸区域的参数化纹理图像；
根据所述样本人脸图像的候选纹理图像，得到所述样本人脸图像对应的参数化纹理图像，作为人脸识别模型的训练数据；
基于所述训练数据，对所述人脸识别模型进行训练，直至所述人脸识别模型收敛；
在所述获取样本人脸图像的候选纹理图像之前还包括：
将所述样本人脸图像输入三维重建网络，得到所述样本人脸图像对应的三维重建模型，所述三维重建网络为预先训练至收敛的、基于输入的人脸图像重建得到具有统一的拓扑几何结构的三维重建模型的神经网络；
根据所述样本人脸图像对应的三维重建模型、初始参数化纹理图像，以及预设的三维重建模型与初始参数化纹理图像的映射关系，得到所述样本人脸图像的参数化纹理图像。
7.一种电子设备，其特征在于，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指令，所述指令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5中任一项所述的人脸识别方法，或者，如权利要求6所述的人脸识别模型的训练方法。
8.一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5中任一项所述的人脸识别方法，或者，实现如权利要求6所述的人脸识别模型的训练方法。
CN202110780580.0A 2021-07-09 2021-07-09 人脸识别方法、训练方法、电子设备及存储介质 Active CN113469091B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110780580.0A CN113469091B (zh) 2021-07-09 2021-07-09 人脸识别方法、训练方法、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110780580.0A CN113469091B (zh) 2021-07-09 2021-07-09 人脸识别方法、训练方法、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN113469091A CN113469091A (zh) 2021-10-01
CN113469091B true CN113469091B (zh) 2022-03-25

Family

ID=77879693

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110780580.0A Active CN113469091B (zh) 2021-07-09 2021-07-09 人脸识别方法、训练方法、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN113469091B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114882550B (zh) * 2022-04-14 2024-05-14 支付宝(杭州)信息技术有限公司 一种人脸注册留底方法、装置以及设备
CN117671402A (zh) * 2022-08-22 2024-03-08 华为技术有限公司 识别模型训练方法、装置以及可移动智能设备

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101159015A (zh) * 2007-11-08 2008-04-09 清华大学 一种二维人脸图像的识别方法
CN104036546A (zh) * 2014-06-30 2014-09-10 清华大学 一种基于自适应形变模型的任意视角人脸三维重构方法
CN107133928A (zh) * 2017-04-27 2017-09-05 扬州大学 一种基于迭代镜像与注册的人脸对称平面求取方法
CN107194364A (zh) * 2017-06-02 2017-09-22 重庆邮电大学 一种基于分治策略的Huffman‑LBP多姿态人脸识别方法
CN109086692A (zh) * 2018-07-16 2018-12-25 北京建筑大学 一种人脸识别装置和方法
CN110414370A (zh) * 2019-07-05 2019-11-05 深圳云天励飞技术有限公司 人脸脸型识别方法、装置、电子设备及存储介质
CN111325823A (zh) * 2020-02-05 2020-06-23 腾讯科技（深圳）有限公司 人脸纹理图像的获取方法、装置、设备及存储介质

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101199475B1 (ko) * 2008-12-22 2012-11-09 한국전자통신연구원 3차원 모델 생성 방법 및 장치
CN104966316B (zh) * 2015-05-22 2019-03-15 腾讯科技（深圳）有限公司 一种3d人脸重建方法、装置及服务器
CN108335352B (zh) * 2018-01-22 2020-05-19 华中科技大学 一种面向多视图大规模三维重建场景的纹理映射方法
CN109389665B (zh) * 2018-08-24 2021-10-22 先临三维科技股份有限公司 三维模型的纹理获取方法、装置、设备和存储介质
CN111739167B (zh) * 2020-06-16 2023-10-03 北京百度网讯科技有限公司 3d人头重建方法、装置、设备和介质
CN112884881B (zh) * 2021-01-21 2022-09-27 魔珐(上海)信息科技有限公司 三维人脸模型重建方法、装置、电子设备及存储介质

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101159015A (zh) * 2007-11-08 2008-04-09 清华大学 一种二维人脸图像的识别方法
CN104036546A (zh) * 2014-06-30 2014-09-10 清华大学 一种基于自适应形变模型的任意视角人脸三维重构方法
CN107133928A (zh) * 2017-04-27 2017-09-05 扬州大学 一种基于迭代镜像与注册的人脸对称平面求取方法
CN107194364A (zh) * 2017-06-02 2017-09-22 重庆邮电大学 一种基于分治策略的Huffman‑LBP多姿态人脸识别方法
CN109086692A (zh) * 2018-07-16 2018-12-25 北京建筑大学 一种人脸识别装置和方法
CN110414370A (zh) * 2019-07-05 2019-11-05 深圳云天励飞技术有限公司 人脸脸型识别方法、装置、电子设备及存储介质
CN111325823A (zh) * 2020-02-05 2020-06-23 腾讯科技（深圳）有限公司 人脸纹理图像的获取方法、装置、设备及存储介质

Also Published As

Publication number Publication date
CN113469091A (zh) 2021-10-01

Similar Documents

Publication Publication Date Title
JP6807471B2 (ja) セマンティックセグメンテーションモデルの訓練方法および装置、電子機器、ならびに記憶媒体
CN108229296B (zh) 人脸皮肤属性识别方法和装置、电子设备、存储介质
US20210342643A1 (en) Method, apparatus, and electronic device for training place recognition model
CN108280477B (zh) 用于聚类图像的方法和装置
US10380413B2 (en) System and method for pose-invariant face alignment
US7711156B2 (en) Apparatus and method for generating shape model of object and apparatus and method for automatically searching for feature points of object employing the same
CN108399383B (zh) 表情迁移方法、装置存储介质及程序
US20230290120A1 (en) Image classification method and apparatus, computer device, and storage medium
CN111680678B (zh) 目标区域识别方法、装置、设备及可读存储介质
CN110765882B (zh) 一种视频标签确定方法、装置、服务器及存储介质
CN113469091B (zh) 人脸识别方法、训练方法、电子设备及存储介质
US11380061B2 (en) Method and apparatus for three-dimensional (3D) object and surface reconstruction
EP4322056A1 (en) Model training method and apparatus
US20230326173A1 (en) Image processing method and apparatus, and computer-readable storage medium
US11288538B2 (en) Object functionality predication methods, computer device, and storage medium
CN111091010A (zh) 相似度确定、网络训练、查找方法及装置和存储介质
CN112668482A (zh) 人脸识别训练方法、装置、计算机设备及存储介质
EP4220555A1 (en) Training method and apparatus for image segmentation model, image segmentation method and apparatus, and device
CN117372604B (zh) 一种3d人脸模型生成方法、装置、设备及可读存储介质
CN110717405A (zh) 人脸特征点定位方法、装置、介质及电子设备
US20230410465A1 (en) Real time salient object detection in images and videos
CN112183303A (zh) 变电设备图像分类方法、装置、计算机设备和介质
US20230401670A1 (en) Multi-scale autoencoder generation method, electronic device and readable storage medium
CN111860054A (zh) 一种卷积网络训练方法和装置
CN112862840B (zh) 图像分割方法、装置、设备及介质

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
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20230324

Address after: 230091 room 611-217, R & D center building, China (Hefei) international intelligent voice Industrial Park, 3333 Xiyou Road, high tech Zone, Hefei, Anhui Province

Patentee after: Hefei lushenshi Technology Co.,Ltd.

Address before: 100083 room 3032, North B, bungalow, building 2, A5 Xueyuan Road, Haidian District, Beijing

Patentee before: BEIJING DILUSENSE TECHNOLOGY CO.,LTD.

Patentee before: Hefei lushenshi Technology Co.,Ltd.