CN113516002A - 应用智慧社区的基于人脸识别模型的人脸识别方法及装置 - Google Patents

Abstract

本发明公开了一种应用智慧社区的基于人脸识别模型的人脸识别方法、装置、计算机设备和存储介质，所述方法包括：分别将多个人脸特征中的每一个人脸特征与存储数据库中任意一张预存人脸的人脸特征进行特征比对及识别，输出对应的人脸识别结果。因此，采用本申请实施例，由于对源人脸识别模型进行测试及优化，得到优化后的人脸识别模型，优化后的人脸识别模型的人脸识别精准度大于预设人脸识别精准度阈值，并通过该优化后的人脸识别模型对优化后的人脸图像进行特征比对及识别，输出人脸识别结果，这样，大大地提升了人脸识别的识别效率和识别精准度；此外，本申请实施例提供的人脸识别方法还能够对待识别的人脸图像进行预处理，能够避免无效的人脸识别过程。

Description

应用智慧社区的基于人脸识别模型的人脸识别方法及装置

技术领域

本发明涉及人工智能技术领域，特别涉及应用智慧社区的基于人脸识别模型的人脸识别方法及装置。

背景技术

随着人工智能设备的推广和广泛使用，人脸识别技术也得到广泛应用。现有技术中，人脸识别过程包括图像采集、图像预处理、图像特征提取和人脸识别多个步骤。图像采集过程通过电子设备的摄像头对人脸进行拍摄，得到人脸图像；图像预处理过程包括对人脸图像中的无关背景元素进行去除，突出人脸图像的中人脸区域等处理过程；图像特征提取过程包括对预处理得到的人脸图像进行人脸特征提取；人脸识别过程基于现有的人脸特征库中的各种标准人脸特征，对目标人脸提取出的人脸特征进行比对和识别。

现有的人脸识别模型虽然能够对获取的人脸图像中的人脸进行自动识别，但往往基于人脸识别模型本身的识别准确率并不高，因此，基于现有的人脸识别模型对人脸图像中的人脸进行自动识别的准确率并不高。

发明内容

本发明实施例的目的在于提供一种应用智慧社区的基于人脸识别模型的人脸识别方法、装置、计算机设备和存储介质，以解决上述技术问题。

第一方面，本申请实施例提供了一种应用智慧社区的基于人脸识别模型的人脸识别方法，所述方法包括：

通过布设于智慧社区中的用于拍摄人脸图像的多路拍摄装置获取待识别的人脸图像；

对所述待识别的人脸图像进行预处理，得到优化后的人脸图像；

将源训练样本集中的各个训练样本输入至源人脸识别网络中进行训练，得到源人脸识别模型和源人脸识别结果；

将测试集中的各个测试样本输入至所述源人脸识别模型中，根据所述源人脸识别结果对所述源人脸识别模型进行测试及优化，得到优化后的人脸识别模型，所述优化后的人脸识别模型的人脸识别精准度大于预设人脸识别精准度阈值；

将所述优化后的人脸图像输入至所述优化后的人脸识别模型进行特征提取，提取出对应的多个人脸特征；

分别将多个人脸特征中的每一个人脸特征与存储数据库中任意一张预存人脸的人脸特征进行特征比对及识别，输出对应的人脸识别结果。

在一种实施方式中，所述分别将多个人脸特征中的每一个人脸特征与存储数据库中任意一张预存人脸的人脸特征进行特征比对及识别，输出对应的人脸识别结果包括：

分别将多个人脸特征中的每一个人脸特征与所述存储数据库中任意一张预存人脸的人脸特征进行特征比对，得到对应的特征相似度；

判断多个人脸特征中的任意一个人脸特征是否符合第一预设条件，所述第一预设条件包括任意一个人脸特征与所述存储数据库中任意一张预存人脸的人脸特征之间的特征相似度大于或等于第一预设特征相似度阈值、且该人脸特征为至少一项五官特征，则判断符合所述第一预设条件的所述存储数据库中的预存人脸为所述优化后的人脸图像中的第一目标人脸，输出对应的人脸识别结果。

在一种实施方式中，所述分别将多个人脸特征中的每一个人脸特征与存储数据库中任意一张预存人脸的人脸特征进行特征比对及识别，输出对应的人脸识别结果包括：

分别将多个人脸特征中的每一个人脸特征与所述存储数据库中所述预存人脸的人脸特征进行特征比对，得到对应的特征相似度；

若任意一个特征相似度均小于第二预设特征相似度阈值，则判断所述存储数据库中的任意一张预存人脸均不是所述优化后的人脸图像中的第二目标人脸，输出对应的人脸识别结果。

在一种实施方式中，所述对所述待识别的人脸图像进行预处理包括：

对所述待识别的人脸图像进行图像对齐处理；和/或，

对所述待识别的人脸图像进行图像格式转换处理，得到符合预设格式的人脸图像；和/或，

对所述待识别的人脸图像进行图像像素转换处理，得到符合预设尺寸大小的人脸图像；和/或，

对所述待识别的人脸图像中的第三目标人脸的遮挡状态进行去遮挡处理，得到符合第二预设条件的人脸图像，所述第二预设条件包括所述待识别的人脸图像中的所述第三目标人脸处于未遮挡状态、且所述人脸图像为未遮挡所述第三目标人脸五官的正面人脸图像。

在一种实施方式中，所述对所述待识别的人脸图像进行图像对齐处理包括：

判断所述待识别的人脸图像中是否有至少一个目标识别对象、且至少一个目标识别对象对应有同样的人脸识别分类器；若判断出所述待识别的人脸图像中有至少一个目标识别对象、且至少一个目标识别对象具有同样的人脸识别分类器，则对至少一个目标识别对象分别配置对应的检测框，并标识出对应的检测框，其中，每一个目标识别对象与对应的检测框之间具有映射关系；

基于每一个目标识别对象标识出的检测框，对所述待识别的人脸图像中的每一个目标识别对象进行水平方向上的图像对齐处理，其中，不同类别的人脸识别分类器对应于不同地域区域的人脸训练样本集。

在一种实施方式中，所述对所述待识别的人脸图像进行图像对齐处理包括：

判断所述待识别的人脸图像中是否有至少一个目标识别对象、且至少一个目标识别对象对应有同样的人脸识别分类器；若判断出所述待识别的人脸图像中有至少一个目标识别对象、且至少一个目标识别对象具有不同的人脸识别分类器，则对每一类目标识别对象分别配置对应类别的检测框集合，并在每一类别的检测框集合中分别对该类别内的至少一个目标识别对象配置对应的检测框，并标识出对应的检测框，每一类别的人脸识别分类器、对应类别的检测框集合以及对应检测框集合内的至少一个目标识别对象之间均具有映射关系；

基于每一个类别下的每一个目标识别对象标识出的检测框，对所述待识别的人脸图像中的每一个目标识别对象进行水平方向上的图像对齐处理，其中，不同类别的人脸识别分类器对应于不同地域区域的人脸训练样本集。

在一种实施方式中，所述根据所述源人脸识别结果对所述源人脸识别模型进行测试包括：

根据所述源人脸识别结果对所述源人脸识别模型进行测试，测试所述源人脸识别模型的训练精度是否达到预设的训练精度；和/或，

根据所述源人脸识别结果对所述源人脸识别模型进行测试，测试所述源人脸识别模型的迭代次数是否达到预设的迭代次数。

第二方面，本申请实施例提供了一种应用智慧社区的基于人脸识别模型的人脸识别装置，所述装置包括：

获取模块，用于通过布设于智慧社区中的用于拍摄人脸图像的多路拍摄装置获取待识别的人脸图像；

预处理模块，用于对所述获取模块获取的所述待识别的人脸图像进行预处理，得到优化后的人脸图像；

训练模块，用于将源训练样本集中的各个训练样本输入至源人脸识别网络中进行训练，得到源人脸识别模型和源人脸识别结果；

测试及优化模块，用于将测试集中的各个测试样本输入至所述训练模块训练得到的所述源人脸识别模型中，根据所述源人脸识别结果对所述源人脸识别模型进行测试及优化，得到优化后的人脸识别模型，所述优化后的人脸识别模型的人脸识别精准度大于预设人脸识别精准度阈值；

特征提取模块，用于将所述预处理模块得到的所述优化后的人脸图像输入至所述优化后的人脸识别模型进行特征提取，提取出对应的多个人脸特征；

特征比对及识别模块，用于分别将所述特征提取模块提取的多个人脸特征中的每一个人脸特征与存储数据库中任意一张预存人脸的人脸特征进行特征比对及识别，输出对应的人脸识别结果。

第三方面，本申请实施例提供一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，使得所述处理器执行上述的方法步骤。

第四方面，本申请实施例提供一种存储有计算机可读指令的存储介质，所述计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行上述的方法步骤。

本申请实施例提供的技术方案可以包括以下有益效果：

在本申请实施例中，将测试集中的各个测试样本输入至源人脸识别模型中，根据源人脸识别结果对源人脸识别模型进行测试及优化，得到优化后的人脸识别模型，优化后的人脸识别模型的人脸识别精准度大于预设人脸识别精准度阈值；将优化后的人脸图像输入至优化后的人脸识别模型进行特征提取，提取出对应的多个人脸特征；分别将多个人脸特征中的每一个人脸特征与存储数据库中任意一张预存人脸的人脸特征进行特征比对及识别，输出对应的人脸识别结果。因此，采用本申请实施例，由于对源人脸识别模型进行测试及优化，得到优化后的人脸识别模型，优化后的人脸识别模型的人脸识别精准度大于预设人脸识别精准度阈值，并通过该优化后的人脸识别模型对优化后的人脸图像进行特征比对及识别，输出人脸识别结果，这样，大大地提升了人脸识别的识别效率和识别精准度；此外，还能够对待识别的人脸图像进行预处理，得到优化后的人脸图像，这样，能够避免了无效的人脸识别过程，进一步地提高了人脸识别的识别效率。应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。

图1为一个实施例中提供的应用智慧社区的基于人脸识别模型的人脸识别方法的实施环境图；

图2为一个实施例中计算机设备的内部结构框图；

图3是本公开实施例提供的一种应用智慧社区的基于人脸识别模型的人脸识别方法的流程示意图；

图4是本公开实施例提供的一种应用智慧社区的基于人脸识别模型的人脸识别装置的结构示意图。

具体实施方式

以下描述和附图充分地示出本发明的具体实施方案，以使本领域的技术人员能够实践它们。

应当明确，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

下面结合附图详细说明本公开的可选实施例。

图1为一个实施例中提供的一种应用智慧社区的基于人脸识别模型的人脸识别方法的实施环境图，如图1所示，在该实施环境中，包括计算机设备110以及终端120。

需要说明的是，终端120以及计算机设备110可为智能手机、平板电脑、笔记本电脑、台式计算机等，但并不局限于此。计算机设备110以及终端110可以通过蓝牙、USB(Universal Serial Bus，通用串行总线)或者其他通讯连接方式进行连接，本发明在此不做限制。

图2为一个实施例中计算机设备的内部结构示意图。如图2所示，该计算机设备包括通过系统总线连接的处理器、非易失性存储介质、存储器和网络接口。其中，该计算机设备的非易失性存储介质存储有操作系统、数据库和计算机可读指令，数据库中可存储有控件信息序列，该计算机可读指令被处理器执行时，可使得处理器实现一种应用智慧社区的基于人脸识别模型的人脸识别方法。该计算机设备的处理器用于提供计算和控制能力，支撑整个计算机设备的运行。该计算机设备的存储器中可存储有计算机可读指令，该计算机可读指令被处理器执行时，可使得处理器执行一种应用智慧社区的基于人脸识别模型的人脸识别方法。该计算机设备的网络接口用于与终端连接通信。本领域技术人员可以理解，图2中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

如图3所示，本公开实施例提供一种应用智慧社区的基于人脸识别模型的人脸识别方法，该应用智慧社区的基于人脸识别模型的人脸识别方法具体包括以下方法步骤：

S301：通过布设于智慧社区中的用于拍摄人脸图像的多路拍摄装置获取待识别的人脸图像。

在本申请实施例中，可以根据不同应用场景下的智慧社区的人群密集度和人群密集区域，配置不同数量的多路拍摄装置，且布设多路拍摄装置的位置以及数量可以根据不同应用场景的需求进行调整，以使得能够全方位拍摄到待识别的人脸图像的具有高画面品质的清晰图像。

在实际应用中，拍摄装置可以为摄像头，在此，对多路拍摄装置的布设位置以及数量并不做具体限制。

S302：对待识别的人脸图像进行预处理，得到优化后的人脸图像。

在本申请实施例中，对待识别的人脸图像进行预处理包括以下步骤：

对待识别的人脸图像进行图像对齐处理；这样，可以使得不同的人脸图像之间具有同一水平基准面，便于对各个不同人脸图像中的目标人脸进行比对，以确定不同人脸图像中的各个目标人脸是否为同一目标行人的人脸。

在一种可能的实现方式中，对待识别的人脸图像进行图像对齐处理包括以下步骤：

判断待识别的人脸图像中是否有至少一个目标识别对象、且至少一个目标识别对象对应有同样的人脸识别分类器；若判断出待识别的人脸图像中有至少一个目标识别对象、且至少一个目标识别对象具有同样的人脸识别分类器，则对至少一个目标识别对象分别配置对应的检测框，并标识出对应的检测框，其中，每一个目标识别对象与对应的检测框之间具有映射关系；

基于每一个目标识别对象标识出的检测框，对待识别的人脸图像中的每一个目标识别对象进行水平方向上的图像对齐处理，其中，不同类别的人脸识别分类器对应于不同地域区域的人脸训练样本集。

在实际应用场景中，基于不同类别的人脸识别分类器对应于不同地域区域的人脸训练样本集，为了提高人脸识别的精准度，可以针对不同地域区域的人脸训练样本集中的各个训练样本具有不同的人脸特征，可以有针对性地赋予不同类别的人脸识别分类器以不同数值的激活函数，其中，激活函数为ReLU。在此，对不同类别的人脸识别分类器对应的激活函数的具体数值不做具体限制，可以对其数值进行调整，以突出不同地域区域的不同人脸特征，在此不再赘述。

在另一种可能的实现方式中，对待识别的人脸图像进行图像对齐处理包括以下步骤：

判断待识别的人脸图像中是否有至少一个目标识别对象、且至少一个目标识别对象对应有同样的人脸识别分类器；若判断出待识别的人脸图像中有至少一个目标识别对象、且至少一个目标识别对象具有同样的人脸识别分类器，则对至少一个目标识别对象分别配置对应的检测框，并标识出对应的检测框，其中，每一个目标识别对象与对应的检测框之间具有映射关系；

基于每一个目标识别对象标识出的检测框，对待识别的人脸图像中的每一个目标识别对象进行水平方向上的图像对齐处理，其中，不同类别的人脸识别分类器对应于不同地域区域的人脸训练样本集。

在实际应用场景中，基于不同类别的人脸识别分类器对应于不同地域区域的人脸训练样本集，为了提高人脸识别的精准度，可以针对不同地域区域的人脸训练样本集中的各个训练样本具有不同的人脸特征，可以有针对性地赋予不同类别的人脸识别分类器以不同数值的激活函数，其中，激活函数为ReLU。在此，对不同类别的人脸识别分类器对应的激活函数的具体数值不做具体限制，可以对其数值进行调整，以突出不同地域区域的不同人脸特征，在此不再赘述。

在本申请实施例中，对待识别的人脸图像进行预处理还包括以下步骤：

对待识别的人脸图像进行图像格式转换处理，得到符合预设格式的人脸图像。

在本申请实施例中，对人脸图像的预设格式不做具体限制，但为了确保人脸识别方法具有较佳的识别效率，将预设格式设置为具有高分辨率、且具有高压缩率的图像格式，在此不再赘述。

在本申请实施例中，对待识别的人脸图像进行预处理还包括以下步骤：

对待识别的人脸图像进行图像像素转换处理，得到符合预设尺寸大小的人脸图像。

在本申请实施例中，对人脸图像的预设尺寸大小并不做具体限制，但为了确保人脸识别方法具有较佳的识别效率，将预设尺寸大小配置在合理尺寸大小范围内，即：人脸图像即具有高分辨率，又不会尺寸大小太大而导致降低人脸识别效率。

在本申请实施例中，对待识别的人脸图像进行预处理还包括以下步骤：

对待识别的人脸图像中的第三目标人脸的遮挡状态进行去遮挡处理，得到符合第二预设条件的人脸图像，第二预设条件包括待识别的人脸图像中的第三目标人脸处于未遮挡状态、且人脸图像为未遮挡第三目标人脸五官的正面人脸图像；通过上述去遮挡处理，可以有效地提高人脸识别效率和人脸识别精准度。

在本申请实施例中，对待识别的人脸图像的第三目标人脸的遮挡状态进行去遮挡处理为常规方法，例如，根据人脸区域内的各个五官的对称性，基于未被遮挡的任意一个五官，例如，左眼，恢复出对应的右眼，上述仅仅是示例。

S303：将源训练样本集中的各个训练样本输入至源人脸识别网络中进行训练，得到源人脸识别模型和源人脸识别结果。

在本申请实施例中，源人脸识别模型为CNN(Convolutional Neural Network，卷积神经网络)模型。该卷积神经网络为一类特定的深度学习架构，它利用卷积运算来挖掘输入图像中的相关的可解释特征。CNN层之间像前馈神经网络一样互相连接，同时它利用卷积操作来模拟人类识别物体时大脑的工作原理。单个皮层神经元只对空间中某个受限区域的刺激做出反应，这称为感受野。

卷积神经网络中的卷积运算主要目的是从图像中提取信息或特征。任何图像都可以看作一个数值矩阵，而矩阵中一组特定的数值可以构成一个特征。卷积运算的目的是扫描该矩阵，并尝试为图像挖掘相关的或可解释特征。

在本申请实施例中，本申请实施例中的源人脸识别模型所采用的卷积神经网络模型包括输入层、多个卷积层+RelLU激活函数、多个池化层、全连接层、输出层；输入层与卷积层间、卷积层与池化层间、池化层与全连接层间均设有隐藏层。

在本申请实施例中，在某一具体应用场景中，可以配置卷积神经网络模型具体如下所述：

输入层；

卷积层：20个过滤器[5×5]；

最大池化层：[2×2]；

卷积层：50个过滤器[5×5]；

最大池化层：[2×2]；

全连接层。

在上述结构中，输入层单元的数量取决于步长/过滤器大小。因此，首先设置较大的过滤器，然后逐渐减小过滤器的大小。配置卷积层：

设置卷积层的空间排列，然后选择过滤器的数量。

在卷积层中设置超参数的方式决定了输出空间中神经元的数量及其排列方式；以下是关键的超参数：

过滤器大小；

步长；

填充。

针对上述关键的超参数做如下说明：

1、设置过滤器的步长：

对于步长来说，围绕空间维度(宽度、高度)分配深度列。随着步长增大，感受野的重叠变少，并且输出空间变得更小。例如，设置的步长如下所示：

.stride(1,1)

上述设置的步长意味着每次应用过滤器时，过滤器将向右滑动一个输入网格单元和向下滑动一个输入网格单元。如果步长为2，那么过滤器将一次跳跃或滑动两个像素。

步长值超过2

在实践中超过步长2的步长设置并不常见，尤其在过滤器较小时，应该避免设置大于过滤器的步长。

随着步长值的增大，输出空间会变小。实践证明，在卷积层中较小的步长(例如1)能够更好地工作。

这使池化层得以进行下采样工作，并使卷积层将专注于仅转换空间中的深度。

2、使用填充

在某些架构的某些组件中(如Inception)，会保留输入空间的空间大小，因此，使用零填充控制输出空间的大小。在输人空间经常会使用零填充，这样卷积层就不会改变输人的空间维度。零填充也保留了边界附近的输入信息。

3、选择过滤器的数量

每个过滤器可以在输入的训练数据中寻找不同的东西。随着数据的变化和复杂性的增加，逻辑上需要更多过滤器来捕获相关特征。

当网络沿CNN的层前进时，激活映射减小。靠近输人层的层的过滤器往往较少。越接近CNN的输出层，过滤器越多。

4、配置过滤器大小

与较少的卷积层中的大过滤器相比，多个堆叠卷积层中的小过滤器往往表现更好。

随着过滤器的增大，计算成本也随之增加，而且每个过滤器的输入区域也更大。空间过滤器较大(例如，5×5或7×7)的卷积，计算成本往往不成比例地高。例如，对于网格中有n个过滤器的5×5卷积和有m个过滤器的3×3卷积来说，在过滤器数量相同的情况下，前者的计算成本是后者的25/9≈2.78倍。

因此，往往选择一个明显小于输入空间维度，但是又足够大、能够捕获相关特征的特征大小。对于卷积层，使用小的过滤器(3×3或5×5)和值为1的步长。

5、卷积模式与输出空间大小的计算

计算输出空间大小的通用公式如下，它是输入空间大小的函数。

输入空间的大小＝(W-F+2P)/S+1

上述公式中，W为输入空间大小、F为卷积层神经元感受野的大小、S为步长设置和P为零填充设置。

配置池化层：

池化函数用相邻连接的神经元输出的汇总统计值代替特定点的层输出，这有助于模型表示在输入数据有微小变化时保持不变。池化层本身没有参数要处理，因为它们使用固定函数计算输入。零填充通常不用于池化层。

在具体应用场景中，最大池化层往往以下面两个池化层变体的形式出现：

感受野大小为3，步长为2(重叠池)；或者，

感受野大小为2，步长为2(更常见的变体)。

在本申请实施例中，RelLU激活函数用于把所有负的像素值替换为零。，RelLU激活函数用于在输出图像中引入非线性。由于数据通常是非线性的，这样，对于将源训练样本集中的各个训练样本输入至源人脸识别网络中进行训练的训练过程是必要的。

在本申请实施例中，可以根据源人脸识别结果对上述卷积神经网络中的卷积层的数量以及池化层的数量在现有的卷积神经网络模型的基础上进行优化，在此对卷积层的数量和池化层的数量不做具体限制。

S304：将测试集中的各个测试样本输入至源人脸识别模型中，根据源人脸识别结果对源人脸识别模型进行测试及优化，得到优化后的人脸识别模型，优化后的人脸识别模型的人脸识别精准度大于预设人脸识别精准度阈值。

在本申请实施例中，对预设人脸识别精准度阈值不做具体限制，例如，在某一具体应用场景下，可以将该预设人脸识别精准度阈值设置为98％。

除此之外，还可以将预设人脸识别精准度阈值设置在一定的数值范围内，例如，将对应的数值范围设置为85％至99％中的任意一个数值。

在本申请实施例中，根据源人脸识别结果对源人脸识别模型进行测试包括以下步骤：

根据源人脸识别结果对源人脸识别模型进行测试，测试源人脸识别模型的训练精度是否达到预设的训练精度。

在此，对预设的训练精度不做具体限制，例如，将预设的训练精度设置为95％，这里，仅仅是示例，这样，根据源人脸识别结果对源人脸识别模型进行测试，测试源人脸识别模型的训练精度是否达到上述95％，未达到上述95％时，则继续对源人脸识别模型进行迭代训练，直至该源人脸识别模型的训练精度达到上述95％为止。

在本申请实施例中，根据源人脸识别结果对源人脸识别模型进行测试还包括以下步骤：

根据源人脸识别结果对源人脸识别模型进行测试，测试源人脸识别模型的迭代次数是否达到预设的迭代次数。

在此，对预设的迭代次数不做具体限制，该预设的迭代次数往往基于经验值进行配置，在此不再赘述。只有对源人脸识别模型的迭代次数达到预设的迭代次数时，才得到源人脸识别模型。

S305：将优化后的人脸图像输入至优化后的人脸识别模型进行特征提取，提取出对应的多个人脸特征。

在本申请实施例中，可以从优化后的人脸图像中提取出对应的眼睛特征、或者从优化后的人脸图像中提取出对应的鼻子特征等，基于对眼睛特征进行特征提取的方法为常规方法，或者，对鼻子特征进行特征提取的方法为常规方法，在此不再赘述。

S306：分别将多个人脸特征中的每一个人脸特征与存储数据库中任意一张预存人脸的人脸特征进行特征比对及识别，输出对应的人脸识别结果。

在一种可能的实现方式中，分别将多个人脸特征中的每一个人脸特征与存储数据库中任意一张预存人脸的人脸特征进行特征比对及识别，输出对应的人脸识别结果包括以下步骤：

分别将多个人脸特征中的每一个人脸特征与存储数据库中任意一张预存人脸的人脸特征进行特征比对，得到对应的特征相似度；

判断多个人脸特征中的任意一个人脸特征是否符合第一预设条件，第一预设条件包括任意一个人脸特征与存储数据库中任意一张预存人脸的人脸特征之间的特征相似度大于或等于第一预设特征相似度阈值、且该人脸特征为至少一项五官特征，则判断符合第一预设条件的存储数据库中的预存人脸为优化后的人脸图像中的第一目标人脸，输出对应的人脸识别结果。

在本申请实施例中，对第一预设特征相似度阈值不做具体限制，该第一预设特征相似度阈值可以根据不同应用场景的需求进行调整，例如，将第一预设特征相似度阈值配置为96％。在实际应用场景中，配置的第一预设特征相似度阈值越高，输出的人脸识别结果越精准，反之亦然。

在另一种可能的实现方式中，分别将多个人脸特征中的每一个人脸特征与存储数据库中任意一张预存人脸的人脸特征进行特征比对及识别，输出对应的人脸识别结果包括以下步骤：

分别将多个人脸特征中的每一个人脸特征与存储数据库中预存人脸的人脸特征进行特征比对，得到对应的特征相似度；

若任意一个特征相似度均小于第二预设特征相似度阈值，则判断存储数据库中的任意一张预存人脸均不是优化后的人脸图像中的第二目标人脸，输出对应的人脸识别结果。

在本申请实施例中，对第二预设特征相似度阈值不做具体限制，该第二预设特征相似度阈值可以根据不同应用场景的需求进行调整，例如，将第二预设特征相似度阈值配置为98％。在实际应用场景中，配置的第二预设特征相似度阈值越高，输出的人脸识别结果越精准，反之亦然。

在本公开实施例中，将测试集中的各个测试样本输入至源人脸识别模型中，根据源人脸识别结果对源人脸识别模型进行测试及优化，得到优化后的人脸识别模型，优化后的人脸识别模型的人脸识别精准度大于预设人脸识别精准度阈值；将优化后的人脸图像输入至优化后的人脸识别模型进行特征提取，提取出对应的多个人脸特征；分别将多个人脸特征中的每一个人脸特征与存储数据库中任意一张预存人脸的人脸特征进行特征比对及识别，输出对应的人脸识别结果。因此，采用本申请实施例，由于对源人脸识别模型进行测试及优化，得到优化后的人脸识别模型，优化后的人脸识别模型的人脸识别精准度大于预设人脸识别精准度阈值，并通过该优化后的人脸识别模型对优化后的人脸图像进行特征比对及识别，输出人脸识别结果，这样，大大地提升了人脸识别的识别效率和识别精准度；此外，还能够对待识别的人脸图像进行预处理，得到优化后的人脸图像，这样，能够避免了无效的人脸识别过程，进一步地提高了人脸识别的识别效率。

下述为本发明应用智慧社区的基于人脸识别模型的人脸识别装置实施例，可以用于执行本发明应用智慧社区的基于人脸识别模型的人脸识别方法实施例。对于本发明应用智慧社区的基于人脸识别模型的人脸识别装置实施例中未披露的细节，请参照本发明应用智慧社区的基于人脸识别模型的人脸识别方法实施例。

请参见图4，其示出了本发明一个示例性实施例提供的应用智慧社区的基于人脸识别模型的人脸识别装置的结构示意图。该应用智慧社区的基于人脸识别模型的人脸识别装置可以通过软件、硬件或者两者的结合实现成为终端的全部或一部分。该应用智慧社区的基于人脸识别模型的人脸识别装置包括获取模块401、预处理模块402、训练模块403、测试及优化模块404、特征提取模块405和特征比对及识别模块406。

具体而言，获取模块401，用于通过布设于智慧社区中的用于拍摄人脸图像的多路拍摄装置获取待识别的人脸图像；

预处理模块402，用于对获取模块401获取的待识别的人脸图像进行预处理，得到优化后的人脸图像；

训练模块403，用于将源训练样本集中的各个训练样本输入至源人脸识别网络中进行训练，得到源人脸识别模型和源人脸识别结果；

测试及优化模块404，用于将测试集中的各个测试样本输入至训练模块403训练得到的源人脸识别模型中，根据源人脸识别结果对源人脸识别模型进行测试及优化，得到优化后的人脸识别模型，优化后的人脸识别模型的人脸识别精准度大于预设人脸识别精准度阈值；

特征提取模块405，用于将预处理模块402得到的优化后的人脸图像输入至优化后的人脸识别模型进行特征提取，提取出对应的多个人脸特征；

特征比对及识别模块406，用于分别将特征提取模块405提取的多个人脸特征中的每一个人脸特征与存储数据库中任意一张预存人脸的人脸特征进行特征比对及识别，输出对应的人脸识别结果。

可选的，特征比对及识别模块406具体用于：

分别将多个人脸特征中的每一个人脸特征与存储数据库中任意一张预存人脸的人脸特征进行特征比对，得到对应的特征相似度；

判断多个人脸特征中的任意一个人脸特征是否符合第一预设条件，第一预设条件包括任意一个人脸特征与存储数据库中任意一张预存人脸的人脸特征之间的特征相似度大于或等于第一预设特征相似度阈值、且该人脸特征为至少一项五官特征，则判断符合第一预设条件的存储数据库中的预存人脸为优化后的人脸图像中的第一目标人脸，输出对应的人脸识别结果。

可选的，特征比对及识别模块406具体用于：

分别将多个人脸特征中的每一个人脸特征与存储数据库中预存人脸的人脸特征进行特征比对，得到对应的特征相似度；

若任意一个特征相似度均小于第二预设特征相似度阈值，则判断存储数据库中的任意一张预存人脸均不是优化后的人脸图像中的第二目标人脸，输出对应的人脸识别结果。

可选的，预处理模块402用于：

对待识别的人脸图像进行图像对齐处理；和/或，

对待识别的人脸图像进行图像格式转换处理，得到符合预设格式的人脸图像；和/或，

对待识别的人脸图像进行图像像素转换处理，得到符合预设尺寸大小的人脸图像；和/或，

对待识别的人脸图像中的第三目标人脸的遮挡状态进行去遮挡处理，得到符合第二预设条件的人脸图像，第二预设条件包括待识别的人脸图像中的第三目标人脸处于未遮挡状态、且人脸图像为未遮挡第三目标人脸五官的正面人脸图像。

可选的，预处理模块402具体用于：

判断待识别的人脸图像中是否有至少一个目标识别对象、且至少一个目标识别对象对应有同样的人脸识别分类器；若判断出待识别的人脸图像中有至少一个目标识别对象、且至少一个目标识别对象具有同样的人脸识别分类器，则对至少一个目标识别对象分别配置对应的检测框，并标识出对应的检测框，其中，每一个目标识别对象与对应的检测框之间具有映射关系；

基于每一个目标识别对象标识出的检测框，对待识别的人脸图像中的每一个目标识别对象进行水平方向上的图像对齐处理，其中，不同类别的人脸识别分类器对应于不同地域区域的人脸训练样本集。

可选的，预处理模块402具体用于：

判断待识别的人脸图像中是否有至少一个目标识别对象、且至少一个目标识别对象对应有同样的人脸识别分类器；若判断出待识别的人脸图像中有至少一个目标识别对象、且至少一个目标识别对象具有不同的人脸识别分类器，则对每一类目标识别对象分别配置对应类别的检测框集合，并在每一类别的检测框集合中分别对该类别内的至少一个目标识别对象配置对应的检测框，并标识出对应的检测框，每一类别的人脸识别分类器、对应类别的检测框集合以及对应检测框集合内的至少一个目标识别对象之间均具有映射关系；

基于每一个类别下的每一个目标识别对象标识出的检测框，对待识别的人脸图像中的每一个目标识别对象进行水平方向上的图像对齐处理，其中，不同类别的人脸识别分类器对应于不同地域区域的人脸训练样本集。

可选的，测试及优化模块404具体用于：

根据源人脸识别结果对源人脸识别模型进行测试，测试源人脸识别模型的训练精度是否达到预设的训练精度；和/或，

根据源人脸识别结果对源人脸识别模型进行测试，测试源人脸识别模型的迭代次数是否达到预设的迭代次数。

需要说明的是，上述实施例提供的应用智慧社区的基于人脸识别模型的人脸识别装置在执行应用智慧社区的基于人脸识别模型的人脸识别方法时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将设备的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的应用智慧社区的基于人脸识别模型的人脸识别装置与应用智慧社区的基于人脸识别模型的人脸识别方法实施例属于同一构思，其体现实现过程详见应用智慧社区的基于人脸识别模型的人脸识别方法实施例，这里不再赘述。

在本公开实施例中，测试及优化模块用于将测试集中的各个测试样本输入至训练模块训练得到的源人脸识别模型中，根据源人脸识别结果对源人脸识别模型进行测试及优化，得到优化后的人脸识别模型，优化后的人脸识别模型的人脸识别精准度大于预设人脸识别精准度阈值；特征提取模块用于将预处理模块得到的优化后的人脸图像输入至优化后的人脸识别模型进行特征提取，提取出对应的多个人脸特征；以及特征比对及识别模块用于分别将特征提取模块提取的多个人脸特征中的每一个人脸特征与存储数据库中任意一张预存人脸的人脸特征进行特征比对及识别，输出对应的人脸识别结果。因此，采用本申请实施例，由于对源人脸识别模型进行测试及优化，得到优化后的人脸识别模型，优化后的人脸识别模型的人脸识别精准度大于预设人脸识别精准度阈值，并通过该优化后的人脸识别模型对优化后的人脸图像进行特征比对及识别，输出人脸识别结果，这样，大大地提升了人脸识别的识别效率和识别精准度；此外，还能够对待识别的人脸图像进行预处理，得到优化后的人脸图像，这样，能够避免了无效的人脸识别过程，进一步地提高了人脸识别的识别效率。

在一个实施例中，提出了一种计算机设备，计算机设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现以下步骤：通过布设于智慧社区中的用于拍摄人脸图像的多路拍摄装置获取待识别的人脸图像；对待识别的人脸图像进行预处理，得到优化后的人脸图像；将源训练样本集中的各个训练样本输入至源人脸识别网络中进行训练，得到源人脸识别模型和源人脸识别结果；将测试集中的各个测试样本输入至源人脸识别模型中，根据源人脸识别结果对源人脸识别模型进行测试及优化，得到优化后的人脸识别模型，优化后的人脸识别模型的人脸识别精准度大于预设人脸识别精准度阈值；将优化后的人脸图像输入至优化后的人脸识别模型进行特征提取，提取出对应的多个人脸特征；分别将多个人脸特征中的每一个人脸特征与存储数据库中任意一张预存人脸的人脸特征进行特征比对及识别，输出对应的人脸识别结果。

在一个实施例中，提出了一种存储有计算机可读指令的存储介质，该计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行以下步骤：通过布设于智慧社区中的用于拍摄人脸图像的多路拍摄装置获取待识别的人脸图像；对待识别的人脸图像进行预处理，得到优化后的人脸图像；将源训练样本集中的各个训练样本输入至源人脸识别网络中进行训练，得到源人脸识别模型和源人脸识别结果；将测试集中的各个测试样本输入至源人脸识别模型中，根据源人脸识别结果对源人脸识别模型进行测试及优化，得到优化后的人脸识别模型，优化后的人脸识别模型的人脸识别精准度大于预设人脸识别精准度阈值；将优化后的人脸图像输入至优化后的人脸识别模型进行特征提取，提取出对应的多个人脸特征；分别将多个人脸特征中的每一个人脸特征与存储数据库中任意一张预存人脸的人脸特征进行特征比对及识别，输出对应的人脸识别结果。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，该计算机程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)等非易失性存储介质，或随机存储记忆体(Random Access Memory，RAM)等。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种应用智慧社区的基于人脸识别模型的人脸识别方法，其特征在于，所述方法包括：

通过布设于智慧社区中的用于拍摄人脸图像的多路拍摄装置获取待识别的人脸图像；

对所述待识别的人脸图像进行预处理，得到优化后的人脸图像；

将源训练样本集中的各个训练样本输入至源人脸识别网络中进行训练，得到源人脸识别模型和源人脸识别结果；

将测试集中的各个测试样本输入至所述源人脸识别模型中，根据所述源人脸识别结果对所述源人脸识别模型进行测试及优化，得到优化后的人脸识别模型，所述优化后的人脸识别模型的人脸识别精准度大于预设人脸识别精准度阈值；

将所述优化后的人脸图像输入至所述优化后的人脸识别模型进行特征提取，提取出对应的多个人脸特征；

分别将多个人脸特征中的每一个人脸特征与存储数据库中任意一张预存人脸的人脸特征进行特征比对及识别，输出对应的人脸识别结果。

2.根据权利要求1所述的方法，其特征在于，所述分别将多个人脸特征中的每一个人脸特征与存储数据库中任意一张预存人脸的人脸特征进行特征比对及识别，输出对应的人脸识别结果包括：

分别将多个人脸特征中的每一个人脸特征与所述存储数据库中任意一张预存人脸的人脸特征进行特征比对，得到对应的特征相似度；

判断多个人脸特征中的任意一个人脸特征是否符合第一预设条件，所述第一预设条件包括任意一个人脸特征与所述存储数据库中任意一张预存人脸的人脸特征之间的特征相似度大于或等于第一预设特征相似度阈值、且该人脸特征为至少一项五官特征，则判断符合所述第一预设条件的所述存储数据库中的预存人脸为所述优化后的人脸图像中的第一目标人脸，输出对应的人脸识别结果。

3.根据权利要求1所述的方法，其特征在于，所述分别将多个人脸特征中的每一个人脸特征与存储数据库中任意一张预存人脸的人脸特征进行特征比对及识别，输出对应的人脸识别结果包括：

分别将多个人脸特征中的每一个人脸特征与所述存储数据库中所述预存人脸的人脸特征进行特征比对，得到对应的特征相似度；

若任意一个特征相似度均小于第二预设特征相似度阈值，则判断所述存储数据库中的任意一张预存人脸均不是所述优化后的人脸图像中的第二目标人脸，输出对应的人脸识别结果。

4.根据权利要求1所述的方法，其特征在于，所述对所述待识别的人脸图像进行预处理包括：

对所述待识别的人脸图像进行图像对齐处理；和/或，

对所述待识别的人脸图像进行图像格式转换处理，得到符合预设格式的人脸图像；和/或，

对所述待识别的人脸图像进行图像像素转换处理，得到符合预设尺寸大小的人脸图像；和/或，

对所述待识别的人脸图像中的第三目标人脸的遮挡状态进行去遮挡处理，得到符合第二预设条件的人脸图像，所述第二预设条件包括所述待识别的人脸图像中的所述第三目标人脸处于未遮挡状态、且所述人脸图像为未遮挡所述第三目标人脸五官的正面人脸图像。

5.根据权利要求4所述的方法，其特征在于，所述对所述待识别的人脸图像进行图像对齐处理包括：

判断所述待识别的人脸图像中是否有至少一个目标识别对象、且至少一个目标识别对象对应有同样的人脸识别分类器；若判断出所述待识别的人脸图像中有至少一个目标识别对象、且至少一个目标识别对象具有同样的人脸识别分类器，则对至少一个目标识别对象分别配置对应的检测框，并标识出对应的检测框，其中，每一个目标识别对象与对应的检测框之间具有映射关系；

基于每一个目标识别对象标识出的检测框，对所述待识别的人脸图像中的每一个目标识别对象进行水平方向上的图像对齐处理，其中，不同类别的人脸识别分类器对应于不同地域区域的人脸训练样本集。

6.根据权利要求4所述的方法，其特征在于，所述对所述待识别的人脸图像进行图像对齐处理包括：

判断所述待识别的人脸图像中是否有至少一个目标识别对象、且至少一个目标识别对象对应有同样的人脸识别分类器；若判断出所述待识别的人脸图像中有至少一个目标识别对象、且至少一个目标识别对象具有不同的人脸识别分类器，则对每一类目标识别对象分别配置对应类别的检测框集合，并在每一类别的检测框集合中分别对该类别内的至少一个目标识别对象配置对应的检测框，并标识出对应的检测框，每一类别的人脸识别分类器、对应类别的检测框集合以及对应检测框集合内的至少一个目标识别对象之间均具有映射关系；

基于每一个类别下的每一个目标识别对象标识出的检测框，对所述待识别的人脸图像中的每一个目标识别对象进行水平方向上的图像对齐处理，其中，不同类别的人脸识别分类器对应于不同地域区域的人脸训练样本集。

7.根据权利要求1所述的方法，其特征在于，所述根据所述源人脸识别结果对所述源人脸识别模型进行测试包括：

根据所述源人脸识别结果对所述源人脸识别模型进行测试，测试所述源人脸识别模型的训练精度是否达到预设的训练精度；和/或，

根据所述源人脸识别结果对所述源人脸识别模型进行测试，测试所述源人脸识别模型的迭代次数是否达到预设的迭代次数。

8.一种应用智慧社区的基于人脸识别模型的人脸识别装置，其特征在于，所述装置包括：

获取模块，用于通过布设于智慧社区中的用于拍摄人脸图像的多路拍摄装置获取待识别的人脸图像；

预处理模块，用于对所述获取模块获取的所述待识别的人脸图像进行预处理，得到优化后的人脸图像；

训练模块，用于将源训练样本集中的各个训练样本输入至源人脸识别网络中进行训练，得到源人脸识别模型和源人脸识别结果；

测试及优化模块，用于将测试集中的各个测试样本输入至所述训练模块训练得到的所述源人脸识别模型中，根据所述源人脸识别结果对所述源人脸识别模型进行测试及优化，得到优化后的人脸识别模型，所述优化后的人脸识别模型的人脸识别精准度大于预设人脸识别精准度阈值；

特征提取模块，用于将所述预处理模块得到的所述优化后的人脸图像输入至所述优化后的人脸识别模型进行特征提取，提取出对应的多个人脸特征；

特征比对及识别模块，用于分别将所述特征提取模块提取的多个人脸特征中的每一个人脸特征与存储数据库中任意一张预存人脸的人脸特征进行特征比对及识别，输出对应的人脸识别结果。

9.一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，使得所述处理器执行如权利要求1至7中任一项权利要求所述人脸识别方法的步骤。

10.一种存储有计算机可读指令的存储介质，所述计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行如权利要求1至7中任一项权利要求所述人脸识别方法的步骤。

Images