CN113657227A - 人脸识别方法及基于深度学习算法的人脸识别系统 - Google Patents
人脸识别方法及基于深度学习算法的人脸识别系统 Download PDFInfo
- Publication number
- CN113657227A CN113657227A CN202110902367.2A CN202110902367A CN113657227A CN 113657227 A CN113657227 A CN 113657227A CN 202110902367 A CN202110902367 A CN 202110902367A CN 113657227 A CN113657227 A CN 113657227A
- Authority
- CN
- China
- Prior art keywords
- feature
- face
- features
- geometric
- user
- 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
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G06N3/08—Learning methods
Abstract
本发明公开了一种人脸识别方法及基于深度学习算法的人脸识别系统,通过获得用户的人脸图像,所述人脸图像中包含部分人脸或者整张人脸;所述部分人脸的面积至少是整张人脸的二分之一;识别出人脸图像中包含的人脸是部分人脸还是整张人脸;若所述人脸图像中包含的人脸是部分人脸,按照下述方式进行人脸识别:获得所述部分人脸的轮廓特征、纹理特征、几何特征和灰度特征;基于所述轮廓特征、所述几何特征和所述灰度特征,预测出用户的身份信息。第一方面,综合考虑到用户人脸的多维度的特征的特点,从而提高人脸识别的准确性。第二方面,可以仅仅基于包含部分人脸的人脸图像就能准确识别出用户的身份信息,提高了人脸识别的效率。
Description
技术领域
本发明涉及计算机技术领域,具体而言涉及一种人脸识别方法及基于深度学习算法的人脸识别系统。
背景技术
现今,人脸识别广泛应用于生活中的方方面面,地铁、公交、火车、银行、课堂、商场、互联网支付等等场所,涉及金融、教育、医疗等领域,无处不在应用人脸识别技术识别人脸。
人脸识别技术主要依赖于人脸识别算法,目前常用的人脸识别的算法有 4 种:基于人脸特征点的识别算法、基于整幅人脸图像的识别算法、基于模板的识别算法、利用神经网络进行识别的算法。
目前,人脸识别算法主要是依赖于整张人脸图像进行识别,也就是说用来进行人脸识别的图像必须包含整张人脸。但是,在现实生活中,在一些监控场景或者支付场景中,摄像装置拍摄到的图像仅仅包含人脸的一部分,现有的人脸识别算法没法对这样的图像识别出人的身份信息。
发明内容
本发明的目的在于提供了一种人脸识别方法及基于深度学习算法的人脸识别系统,用以解决上述存在的问题。
第一方面,本发明实施例提供了一种人脸识别方法,所述方法包括:
获得用户的人脸图像,所述人脸图像中包含部分人脸或者整张人脸;所述部分人脸的面积至少是整张人脸的二分之一;
识别出人脸图像中包含的人脸是部分人脸还是整张人脸;
若所述人脸图像中包含的人脸是部分人脸,按照下述方式进行人脸识别:
获得所述部分人脸的轮廓特征、纹理特征、几何特征和灰度特征;所述轮廓特征表征部分人脸的外部轮廓的特征;所述几何特征指的是所述部分人脸中包含的眼睛、嘴巴、鼻子、耳朵中的多个的特征点构成之间的几何关系;所述纹理特征表征所述部分人脸中的纹理信息;所述灰度特征指的是所述部分人脸中的灰度信息;
基于所述轮廓特征、所述几何特征和所述灰度特征,预测出用户的身份信息。
可选的,所述基于所述轮廓特征、纹理特征、所述几何特征和所述灰度特征,预测出用户的身份信息,包括:
将所述轮廓特征、所述纹理特征、所述几何特征和所述灰度特征进行融合,得到融合部分人脸特征;
将所述融合部分人脸特征输入预先训练好的人脸识别模型中,人脸识别模型输出用户的身份信息。
可选的,所述人脸识别模型的训练方法包括:
获得人脸特征训练集,所述人脸特征训练集中包括多段特征段;每段特征段表示人脸中部分部位的特征;每段所述特征段预先标注有用户的身份信息以及所述特征段所表示的人脸部位;
将所述人脸特征集输入人脸识别模型的卷积神经网络中,基于所述特征段对卷积神经网络进行有监督学习和分类训练,卷积神经网络训练结束后,卷积神经网络将属于同一个用户的特征段归为一类;
人脸识别模型中的识别网络对属于同一个用户的特征段进行组合,得到用户的人脸特征;将所述用户的人脸特征跟数据库中的用户信息列表进行比对,获得与人脸特征匹配的用户的身份信息。
可选的,所述将所述轮廓特征、所述纹理特征、所述几何特征和所述灰度特征进行融合,得到融合部分人脸特征,包括:
将所述轮廓特征、所述纹理特征、所述几何特征和所述灰度特征映射到所述人脸图像中,得到融合图像;
在所述融合图像中进行特征提取,得到融合部分人脸特征。
可选的,所述轮廓特征中包含多个轮廓特征点,所述纹理特征中包含多个纹理特征点,所述几何特征中包含多个几何特征点以及几何特征点之间的连线,所述灰度特征中包含多个特征点的灰度像素值;所述将所述轮廓特征、所述纹理特征、所述几何特征和所述灰度特征映射到所述人脸图像中,得到融合图像,包括:
对所述人脸图像进行扩展,扩展后的人脸图像中的每个像素点的像素通道包括红色通道、绿色通道、蓝色通道和灰度通道;
将所述轮廓特征点、纹理特征点、几何特征点以及几何特征点之间的连线映射到所述人脸图像中;
将所述灰度特征中的灰度像素值存储在所述灰度通道中。
第二方面,本发明实施例体提供了一种基于深度学习算法的人脸识别系统,所述系统包括:
获得模块,用于获得用户的人脸图像,所述人脸图像中包含部分人脸或者整张人脸;所述部分人脸的面积至少是整张人脸的二分之一;
判断模块,用于识别出人脸图像中包含的人脸是部分人脸还是整张人脸;
识别模块,用于若所述人脸图像中包含的人脸是部分人脸,按照下述方式进行人脸识别:获得所述部分人脸的轮廓特征、纹理特征、几何特征和灰度特征;所述轮廓特征表征部分人脸的外部轮廓的特征;所述几何特征指的是所述部分人脸中包含的眼睛、嘴巴、鼻子、耳朵中的多个的特征点构成之间的几何关系;所述纹理特征表征所述部分人脸中的纹理信息;所述灰度特征指的是所述部分人脸中的灰度信息;基于所述轮廓特征、所述几何特征和所述灰度特征,预测出用户的身份信息。
可选的,所述基于所述轮廓特征、纹理特征、所述几何特征和所述灰度特征,预测出用户的身份信息,包括:
将所述轮廓特征、所述纹理特征、所述几何特征和所述灰度特征进行融合,得到融合部分人脸特征;
将所述融合部分人脸特征输入预先训练好的人脸识别模型中,人脸识别模型输出用户的身份信息。
可选的,所述人脸识别模型的训练方法包括:
获得人脸特征训练集,所述人脸特征训练集中包括多段特征段;每段特征段表示人脸中部分部位的特征;每段所述特征段预先标注有用户的身份信息以及所述特征段所表示的人脸部位;
将所述人脸特征集输入人脸识别模型的卷积神经网络中,基于所述特征段对卷积神经网络进行有监督学习和分类训练,卷积神经网络训练结束后,卷积神经网络将属于同一个用户的特征段归为一类;
人脸识别模型中的识别网络对属于同一个用户的特征段进行组合,得到用户的人脸特征;将所述用户的人脸特征跟数据库中的用户信息列表进行比对,获得与人脸特征匹配的用户的身份信息。
可选的,所述将所述轮廓特征、所述纹理特征、所述几何特征和所述灰度特征进行融合,得到融合部分人脸特征,包括:
将所述轮廓特征、所述纹理特征、所述几何特征和所述灰度特征映射到所述人脸图像中,得到融合图像;
在所述融合图像中进行特征提取,得到融合部分人脸特征。
可选的,所述轮廓特征中包含多个轮廓特征点,所述纹理特征中包含多个纹理特征点,所述几何特征中包含多个几何特征点以及几何特征点之间的连线,所述灰度特征中包含多个特征点的灰度像素值;所述将所述轮廓特征、所述纹理特征、所述几何特征和所述灰度特征映射到所述人脸图像中,得到融合图像,包括:
对所述人脸图像进行扩展,扩展后的人脸图像中的每个像素点的像素通道包括红色通道、绿色通道、蓝色通道和灰度通道;
将所述轮廓特征点、纹理特征点、几何特征点以及几何特征点之间的连线映射到所述人脸图像中;
将所述灰度特征中的灰度像素值存储在所述灰度通道中。
相较于现有技术,本发明实施例达到了以下有益效果:
本发明实施例提供了一种人脸识别方法及基于深度学习算法的人脸识别系统,通过获得用户的人脸图像,所述人脸图像中包含部分人脸或者整张人脸;所述部分人脸的面积至少是整张人脸的二分之一;识别出人脸图像中包含的人脸是部分人脸还是整张人脸;若所述人脸图像中包含的人脸是部分人脸,按照下述方式进行人脸识别:获得所述部分人脸的轮廓特征、纹理特征、几何特征和灰度特征;所述轮廓特征表征部分人脸的外部轮廓的特征;所述几何特征指的是所述部分人脸中包含的眼睛、嘴巴、鼻子、耳朵中的多个的特征点构成之间的几何关系;所述纹理特征表征所述部分人脸中的纹理信息;所述灰度特征指的是所述部分人脸中的灰度信息;基于所述轮廓特征、所述几何特征和所述灰度特征,预测出用户的身份信息。第一方面,因为人脸图像中轮廓特征、纹理特征、几何特征和灰度特征分别表征人脸的不同维度的信息,因此,分别提取出部分人脸的轮廓特征、纹理特征、几何特征和灰度特征,然后再基于所述轮廓特征、所述几何特征和所述灰度特征,预测出用户的身份信息,可以综合考虑到用户人脸的多维度的特征的特点,从而提高人脸识别的准确性。第二方面,通过采用以上方案,可以仅仅基于包含部分人脸的人脸图像就能准确识别出用户的身份信息,提高了人脸识别的效率。
附图说明
图1是本发明实施例提供的一种人脸识别方法流程图。
图2是本发明实施例提供的一种电子设备的方框结构示意图。
图中标记:总线500;接收器501;处理器502;发送器503;存储器504;总线接口505。
具体实施方式
下面结合附图,对本发明作详细的说明。
实施例
现实生活中,人脸的部分特征就具有足以识别出人的身份的特性,例如,我们看到一个人的眼睛,就能知道是谁的眼睛,我们看到一个人的嘴巴就能知道是谁的嘴巴,我们看到一个人的半边脸,就能知道这个人是谁,甚至于,对于熟悉的人,我们看到一个人的后背没看到这个人的脸,就能知道这个人是谁。也就是说,每个人都有自己独特的气质,这个气质体现在这个人的身体姿态、脸部的每个部位的形态上。为此,在足够智能的情况下,人脸识别并不仅仅依赖于整张人脸,还可以仅仅通过部分人脸就可以识别出用户的身份信息。但是,目前并没有任何一个方法可以做到。为此本申请提出了一种基于部分人脸识别用户的身份信息的人脸识别方法。
本发明实施例提供的一种人脸识别方法,如图1所示,所述方法包括:
S101:获得用户的人脸图像。
所述人脸图像中包含部分人脸或者整张人脸;所述部分人脸的面积至少是整张人脸的二分之一。因为是首次提出,本申请目前能做到的,用于识别用户信息的部分人脸的面积不能小于整张人脸的二分之一,因为如果部分人脸面积占比太小,那么其包含的人脸特性特征就少,只有识别的机制足够强大,才能在用户的人脸特征信息极少的情况下识别出用户的身份信息。在本发明实施例中,部分人脸可以是从以鼻子所在的竖线为分割线分割出的左脸或者右脸,也可以是从脸部中间做一横线作为分割线,分割出的人脸包含嘴巴或者眼睛,可以是仅仅包含人脸中间部分的,例如部分人脸仅仅包含眼睛、嘴巴、鼻子,而未包含其他脸部特征。
S102:识别出人脸图像中包含的人脸是部分人脸还是整张人脸。
S103:若所述人脸图像中包含的人脸是部分人脸,按照下述方式进行人脸识别:
S1031:获得所述部分人脸的轮廓特征、纹理特征、几何特征和灰度特征。
其中,所述轮廓特征表征部分人脸的外部轮廓的特征;所述几何特征指的是所述部分人脸中包含的眼睛、嘴巴、鼻子、耳朵中的多个的特征点构成之间的几何关系;所述纹理特征表征所述部分人脸中的纹理信息;所述灰度特征指的是所述部分人脸中的灰度信息。几何特征是指眼睛、鼻子和嘴等面部特征之间的几何关系,如距离、面积和角度等。由于获得几何特征的算法利用了一些直观的特征,因此获得几何特征的计算量小。
S1032:基于所述轮廓特征、所述几何特征和所述灰度特征,预测出用户的身份信息。
通过采用以上方案,第一方面,因为人脸图像中轮廓特征、纹理特征、几何特征和灰度特征分别表征人脸的不同维度的信息,因此,分别提取出部分人脸的轮廓特征、纹理特征、几何特征和灰度特征,然后再基于所述轮廓特征、所述几何特征和所述灰度特征,预测出用户的身份信息,可以综合考虑到用户人脸的多维度的特征的特点,从而提高人脸识别的准确性。第二方面,通过采用以上方案,可以仅仅基于包含部分人脸的人脸图像就能准确识别出用户的身份信息,提高了人脸识别的效率。
在本发明实施例中,所述方法还包括:
S104:若所述人脸图像中包含的人脸是整张人脸,按照下述方式进行人脸识别:
S1041:通过人脸识别卷积神经网络基于所述人脸图像识别出所述用户的身份信息。
具体的,所述的人脸识别卷积神经网络(Convolutional Neural Network,CNN)包括8层网络,具体的:第一、二层(卷积层1、池化层1),输入图片尺寸为64*64*3,输出图片尺寸为32*32*32;第三、四层(卷积层2、池化层2),输入图片尺寸为32*32*32,输出图片尺寸为16*16*64;第五、六层(卷积层3、池化层3),输入图片尺寸为16*16*64,输出图片尺寸为8*8*64。第七层(全连接层),输入图片8*8*64,reshape到1*4096,输出1*512;第八层(输出层),输入1*512,输出1*2。
其中,上述的三层卷积层,卷积核大小为(3,3),卷积步长为[1,1,1,1],即通过卷积层提取特征,增加通道数,图片大小不变。上述的三层池化层采用最大值采样,采样大小为2*2,即把输入的特征图分割成不重叠的2*2大小的矩形,对每个矩形取最大值,所以输出特征图的长和宽均是输入特征图的一半。
而为了增强网络的非线性能力,同时限制网络规模的大小,网络在特征提取层提取特征后,接入一个全连接层(第七层),该层的每一个神经元与前一层的所有神经元互相连接,将图片的卷积输出压扁成一个一维向量,输出1*512。对于第八层,输出神经网络输出的1*2,与预设的输出进行对比,得出损失,损失函数为交叉熵,优化器采用Adan优化器,提高了模型计算准确率。
在卷积神经网络将图片的卷积输出压扁成一个一维向量后,就可以在数据库中找到与这个唯一表示用户的一维向量对应的身份信息,即完成了用户身份信息的识别和提取。
可选的,所述基于所述轮廓特征、纹理特征、所述几何特征和所述灰度特征,预测出用户的身份信息,包括:
将所述轮廓特征、所述纹理特征、所述几何特征和所述灰度特征进行融合,得到融合部分人脸特征;将所述融合部分人脸特征输入预先训练好的人脸识别模型中,人脸识别模型输出用户的身份信息。
其中,所述将所述轮廓特征、所述纹理特征、所述几何特征和所述灰度特征进行融合,得到融合部分人脸特征,包括:将所述轮廓特征、所述纹理特征、所述几何特征和所述灰度特征映射到所述人脸图像中,得到融合图像;在所述融合图像中进行特征提取,得到融合部分人脸特征。
将所述轮廓特征、所述纹理特征、所述几何特征和所述灰度特征映射到所述人脸图像中,对人脸图像的特征进行加强,得到的融合图像更加能够准确反映用户的人脸的特性。将所述轮廓特征、所述纹理特征、所述几何特征和所述灰度特征映射到所述人脸图像中,得到融合图像,具体为:
将轮廓特征中所有轮廓特征点的像素值设置成255,然后映射到所述轮廓特征点在人脸图像中的位置,如此便改变了轮廓特征点再人脸图像中的位置的像素值为255。同样的,将几何特征的特征点的像素值设置成255,然后映射到几何特征点在人脸图像所在的位置,同时,将几何特征点之间的连线也映射到人脸图像中,这样得人脸图像就包含的几何特征就更加突出。将所述灰度特征映射到所述人脸图像中具体为:在所述人脸图像中的像素点设置一个灰度通道,将灰度特征的灰度值赋值给所述灰度通道,灰度通道存储所述灰度特征的灰度值。如此,得到的融合图像中不仅包含红绿蓝三个颜色通道,还包含了一个灰度通道,同时还显现出人脸的轮廓特征、几何特征、纹理特征,使得融合图像中人脸的特性得到了增强。为此,基于融合图像识别人脸的准确性得到了提高。
可选的,所述人脸识别模型的训练方法包括:
获得人脸特征训练集,所述人脸特征训练集中包括多段特征段;每段特征段表示人脸中部分部位的特征;每段所述特征段预先标注有用户的身份信息以及所述特征段所表示的人脸部位;例如用户A,眼睛;或者用户A,鼻子;或者用户A,左眼,右眼;或者用户A,左眼;或者用户A右眼;或者用户A,眼睛、鼻子、嘴巴。
将所述人脸特征集输入人脸识别模型的卷积神经网络中,基于所述特征段对卷积神经网络进行有监督学习和分类训练,卷积神经网络训练结束后,卷积神经网络将属于同一个用户的特征段归为一类;
人脸识别模型中的识别网络对属于同一个用户的特征段进行组合,得到用户的人脸特征;将所述用户的人脸特征跟数据库中的用户信息列表进行比对,获得与人脸特征匹配的用户的身份信息。
因为人脸图像中包含的时部分人脸,所以在所述融合图像中进行特征提取,得到的融合部分人脸特征是人脸的特征段。为此可以直接将融合部分人脸特征输入预先训练好的人脸识别模型中,人脸识别模型输出用户的身份信息。
可选的,所述轮廓特征中包含多个轮廓特征点,所述纹理特征中包含多个纹理特征点,所述几何特征中包含多个几何特征点以及几何特征点之间的连线,所述灰度特征中包含多个特征点的灰度像素值;所述将所述轮廓特征、所述纹理特征、所述几何特征和所述灰度特征映射到所述人脸图像中,得到融合图像,包括:
对所述人脸图像进行扩展,扩展后的人脸图像中的每个像素点的像素通道包括红色通道、绿色通道、蓝色通道和灰度通道;
将所述轮廓特征点、纹理特征点、几何特征点以及几何特征点之间的连线映射到所述人脸图像中;
将所述灰度特征中的灰度像素值存储在所述灰度通道中。
针对上述实施例提供一种人脸识别方法,本申请实施例还对应提供一种用于执行上述的步骤的执行主体,该执行主体可以为基于深度学习算法的人脸识别系统。基于深度学习算法的人脸识别系统包括:
获得模块,用于获得用户的人脸图像,所述人脸图像中包含部分人脸或者整张人脸;所述部分人脸的面积至少是整张人脸的二分之一;
判断模块,用于识别出人脸图像中包含的人脸是部分人脸还是整张人脸;
识别模块,用于若所述人脸图像中包含的人脸是部分人脸,按照下述方式进行人脸识别:获得所述部分人脸的轮廓特征、纹理特征、几何特征和灰度特征;所述轮廓特征表征部分人脸的外部轮廓的特征;所述几何特征指的是所述部分人脸中包含的眼睛、嘴巴、鼻子、耳朵中的多个的特征点构成之间的几何关系;所述纹理特征表征所述部分人脸中的纹理信息;所述灰度特征指的是所述部分人脸中的灰度信息;基于所述轮廓特征、所述几何特征和所述灰度特征,预测出用户的身份信息。
可选的,所述基于所述轮廓特征、纹理特征、所述几何特征和所述灰度特征,预测出用户的身份信息,包括:
将所述轮廓特征、所述纹理特征、所述几何特征和所述灰度特征进行融合,得到融合部分人脸特征;
将所述融合部分人脸特征输入预先训练好的人脸识别模型中,人脸识别模型输出用户的身份信息。
可选的,所述人脸识别模型的训练方法包括:
获得人脸特征训练集,所述人脸特征训练集中包括多段特征段;每段特征段表示人脸中部分部位的特征;每段所述特征段预先标注有用户的身份信息以及所述特征段所表示的人脸部位;
将所述人脸特征集输入人脸识别模型的卷积神经网络中,基于所述特征段对卷积神经网络进行有监督学习和分类训练,卷积神经网络训练结束后,卷积神经网络将属于同一个用户的特征段归为一类;
人脸识别模型中的识别网络对属于同一个用户的特征段进行组合,得到用户的人脸特征;将所述用户的人脸特征跟数据库中的用户信息列表进行比对,获得与人脸特征匹配的用户的身份信息。
可选的,所述将所述轮廓特征、所述纹理特征、所述几何特征和所述灰度特征进行融合,得到融合部分人脸特征,包括:
将所述轮廓特征、所述纹理特征、所述几何特征和所述灰度特征映射到所述人脸图像中,得到融合图像;
在所述融合图像中进行特征提取,得到融合部分人脸特征。
可选的,所述轮廓特征中包含多个轮廓特征点,所述纹理特征中包含多个纹理特征点,所述几何特征中包含多个几何特征点以及几何特征点之间的连线,所述灰度特征中包含多个特征点的灰度像素值;所述将所述轮廓特征、所述纹理特征、所述几何特征和所述灰度特征映射到所述人脸图像中,得到融合图像,包括:
对所述人脸图像进行扩展,扩展后的人脸图像中的每个像素点的像素通道包括红色通道、绿色通道、蓝色通道和灰度通道;
将所述轮廓特征点、纹理特征点、几何特征点以及几何特征点之间的连线映射到所述人脸图像中;
将所述灰度特征中的灰度像素值存储在所述灰度通道中。
关于上述实施例中的系统,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
本发明实施例还提供了一种电子设备,如图2所示,包括存储器504、处理器502及存储在存储器504上并可在处理器502上运行的计算机程序,所述处理器502执行所述程序时实现前文所述人脸识别方法的任一方法的步骤。
其中,在图2中,总线架构(用总线500来代表),总线500可以包括任意数量的互联的总线和桥,总线500将包括由处理器502代表的一个或多个处理器和存储器504代表的存储器的各种电路链接在一起。总线500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链接在一起,这些都是本领域所公知的,因此,本文不再对其进进一步描述。总线接口505在总线500和接收器501和发送器503之间提供接口。接收器501和发送器503可以是同一个元件,即收发机,提供用于在传输介质上与各种其他装置通信的单元。处理器502负责管理总线500和通常的处理,而存储器504可以被用于存储处理器502在执行操作时所使用的数据。
在本发明实施例中,基于深度学习算法的人脸识别系统安装在机器人中,具体的可以软件功能模块的形式存储在存储器中并可以被处理器处理运行。
在此提供的算法和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,为了精简本公开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。
本发明的各个部件实施例可以以硬件实现,或者以在一个或者多个处理器上运行的软件模块实现,或者以它们的组合实现。本领域的技术人员应当理解,可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的装置中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如,计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上,或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到,或者在载体信号上提供,或者以任何其他形式提供。
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。
Claims (10)
1.一种人脸识别方法,其特征在于,所述方法包括:
获得用户的人脸图像,所述人脸图像中包含部分人脸或者整张人脸;所述部分人脸的面积至少是整张人脸的二分之一;
识别出人脸图像中包含的人脸是部分人脸还是整张人脸;
若所述人脸图像中包含的人脸是部分人脸,按照下述方式进行人脸识别:
获得所述部分人脸的轮廓特征、纹理特征、几何特征和灰度特征;所述轮廓特征表征部分人脸的外部轮廓的特征;所述几何特征指的是所述部分人脸中包含的眼睛、嘴巴、鼻子、耳朵中的多个的特征点构成之间的几何关系;所述纹理特征表征所述部分人脸中的纹理信息;所述灰度特征指的是所述部分人脸中的灰度信息;
基于所述轮廓特征、所述几何特征和所述灰度特征,预测出用户的身份信息。
2.根据权利要求1所述的方法,其特征在于,所述基于所述轮廓特征、纹理特征、所述几何特征和所述灰度特征,预测出用户的身份信息,包括:
将所述轮廓特征、所述纹理特征、所述几何特征和所述灰度特征进行融合,得到融合部分人脸特征;
将所述融合部分人脸特征输入预先训练好的人脸识别模型中,人脸识别模型输出用户的身份信息。
3.根据权利要求1所述的方法,其特征在于,所述人脸识别模型的训练方法包括:
获得人脸特征训练集,所述人脸特征训练集中包括多段特征段;每段特征段表示人脸中部分部位的特征;每段所述特征段预先标注有用户的身份信息以及所述特征段所表示的人脸部位;
将所述人脸特征集输入人脸识别模型的卷积神经网络中,基于所述特征段对卷积神经网络进行有监督学习和分类训练,卷积神经网络训练结束后,卷积神经网络将属于同一个用户的特征段归为一类;
人脸识别模型中的识别网络对属于同一个用户的特征段进行组合,得到用户的人脸特征;将所述用户的人脸特征跟数据库中的用户信息列表进行比对,获得与人脸特征匹配的用户的身份信息。
4.根据权利要求2所述的方法,其特征在于,所述将所述轮廓特征、所述纹理特征、所述几何特征和所述灰度特征进行融合,得到融合部分人脸特征,包括:
将所述轮廓特征、所述纹理特征、所述几何特征和所述灰度特征映射到所述人脸图像中,得到融合图像;
在所述融合图像中进行特征提取,得到融合部分人脸特征。
5.根据权利要求4所述的方法,其特征在于,所述轮廓特征中包含多个轮廓特征点,所述纹理特征中包含多个纹理特征点,所述几何特征中包含多个几何特征点以及几何特征点之间的连线,所述灰度特征中包含多个特征点的灰度像素值;所述将所述轮廓特征、所述纹理特征、所述几何特征和所述灰度特征映射到所述人脸图像中,得到融合图像,包括:
对所述人脸图像进行扩展,扩展后的人脸图像中的每个像素点的像素通道包括红色通道、绿色通道、蓝色通道和灰度通道;
将所述轮廓特征点、纹理特征点、几何特征点以及几何特征点之间的连线映射到所述人脸图像中;
将所述灰度特征中的灰度像素值存储在所述灰度通道中。
6.一种基于深度学习算法的人脸识别系统,其特征在于,所述系统包括:
获得模块,用于获得用户的人脸图像,所述人脸图像中包含部分人脸或者整张人脸;所述部分人脸的面积至少是整张人脸的二分之一;
判断模块,用于识别出人脸图像中包含的人脸是部分人脸还是整张人脸;
识别模块,用于若所述人脸图像中包含的人脸是部分人脸,按照下述方式进行人脸识别:获得所述部分人脸的轮廓特征、纹理特征、几何特征和灰度特征;所述轮廓特征表征部分人脸的外部轮廓的特征;所述几何特征指的是所述部分人脸中包含的眼睛、嘴巴、鼻子、耳朵中的多个的特征点构成之间的几何关系;所述纹理特征表征所述部分人脸中的纹理信息;所述灰度特征指的是所述部分人脸中的灰度信息;基于所述轮廓特征、所述几何特征和所述灰度特征,预测出用户的身份信息。
7.根据权利要求6所述的系统,其特征在于,所述基于所述轮廓特征、纹理特征、所述几何特征和所述灰度特征,预测出用户的身份信息,包括:
将所述轮廓特征、所述纹理特征、所述几何特征和所述灰度特征进行融合,得到融合部分人脸特征;
将所述融合部分人脸特征输入预先训练好的人脸识别模型中,人脸识别模型输出用户的身份信息。
8.根据权利要求7所述的系统,其特征在于,所述人脸识别模型的训练方法包括:
获得人脸特征训练集,所述人脸特征训练集中包括多段特征段;每段特征段表示人脸中部分部位的特征;每段所述特征段预先标注有用户的身份信息以及所述特征段所表示的人脸部位;
将所述人脸特征集输入人脸识别模型的卷积神经网络中,基于所述特征段对卷积神经网络进行有监督学习和分类训练,卷积神经网络训练结束后,卷积神经网络将属于同一个用户的特征段归为一类;
人脸识别模型中的识别网络对属于同一个用户的特征段进行组合,得到用户的人脸特征;将所述用户的人脸特征跟数据库中的用户信息列表进行比对,获得与人脸特征匹配的用户的身份信息。
9.根据权利要求7所述的系统,其特征在于,所述将所述轮廓特征、所述纹理特征、所述几何特征和所述灰度特征进行融合,得到融合部分人脸特征,包括:
将所述轮廓特征、所述纹理特征、所述几何特征和所述灰度特征映射到所述人脸图像中,得到融合图像;
在所述融合图像中进行特征提取,得到融合部分人脸特征。
10.根据权利要求9所述的系统,其特征在于,所述轮廓特征中包含多个轮廓特征点,所述纹理特征中包含多个纹理特征点,所述几何特征中包含多个几何特征点以及几何特征点之间的连线,所述灰度特征中包含多个特征点的灰度像素值;所述将所述轮廓特征、所述纹理特征、所述几何特征和所述灰度特征映射到所述人脸图像中,得到融合图像,包括:
对所述人脸图像进行扩展,扩展后的人脸图像中的每个像素点的像素通道包括红色通道、绿色通道、蓝色通道和灰度通道;
将所述轮廓特征点、纹理特征点、几何特征点以及几何特征点之间的连线映射到所述人脸图像中;
将所述灰度特征中的灰度像素值存储在所述灰度通道中。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110902367.2A CN113657227A (zh) | 2021-08-06 | 2021-08-06 | 人脸识别方法及基于深度学习算法的人脸识别系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110902367.2A CN113657227A (zh) | 2021-08-06 | 2021-08-06 | 人脸识别方法及基于深度学习算法的人脸识别系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113657227A true CN113657227A (zh) | 2021-11-16 |
Family
ID=78478579
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110902367.2A Pending CN113657227A (zh) | 2021-08-06 | 2021-08-06 | 人脸识别方法及基于深度学习算法的人脸识别系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113657227A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101770649A (zh) * | 2008-12-30 | 2010-07-07 | 中国科学院自动化研究所 | 一种人脸图像自动合成方法 |
CN102855496A (zh) * | 2012-08-24 | 2013-01-02 | 苏州大学 | 遮挡人脸认证方法及系统 |
CN110383289A (zh) * | 2019-06-06 | 2019-10-25 | 深圳市汇顶科技股份有限公司 | 人脸识别的装置、方法和电子设备 |
CN111274916A (zh) * | 2020-01-16 | 2020-06-12 | 华为技术有限公司 | 人脸识别方法和人脸识别装置 |
-
2021
- 2021-08-06 CN CN202110902367.2A patent/CN113657227A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101770649A (zh) * | 2008-12-30 | 2010-07-07 | 中国科学院自动化研究所 | 一种人脸图像自动合成方法 |
CN102855496A (zh) * | 2012-08-24 | 2013-01-02 | 苏州大学 | 遮挡人脸认证方法及系统 |
CN110383289A (zh) * | 2019-06-06 | 2019-10-25 | 深圳市汇顶科技股份有限公司 | 人脸识别的装置、方法和电子设备 |
CN111274916A (zh) * | 2020-01-16 | 2020-06-12 | 华为技术有限公司 | 人脸识别方法和人脸识别装置 |
Non-Patent Citations (2)
Title |
---|
ALI AHMED ELMAHMUDI 等: "Deep face recognition using imperfect facial data", 《FUTURE GENERATION COMPUTER SYSTEMS》 * |
王亚南等: "基于图像合成的多姿态人脸图像识别方法", 《模式识别与人工智能》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110728209B (zh) | 一种姿态识别方法、装置、电子设备及存储介质 | |
CN112800903B (zh) | 一种基于时空图卷积神经网络的动态表情识别方法及系统 | |
CN110135231B (zh) | 动物面部识别方法、装置、计算机设备和存储介质 | |
CN109902548B (zh) | 一种对象属性识别方法、装置、计算设备及系统 | |
WO2020078119A1 (zh) | 模拟用户穿戴服装饰品的方法、装置和系统 | |
DE112019005671T5 (de) | Bestimmen von assoziationen zwischen objekten und personen unter verwendung von maschinenlernmodellen | |
CN111931764B (zh) | 一种目标检测方法、目标检测框架及相关设备 | |
CN110163111A (zh) | 基于人脸识别的叫号方法、装置、电子设备及存储介质 | |
WO2021047587A1 (zh) | 手势识别方法、电子设备、计算机可读存储介质和芯片 | |
US20230334893A1 (en) | Method for optimizing human body posture recognition model, device and computer-readable storage medium | |
CN111695462A (zh) | 一种人脸识别方法、装置、存储介质和服务器 | |
CN110222718A (zh) | 图像处理的方法及装置 | |
WO2022111387A1 (zh) | 一种数据处理方法及相关装置 | |
CN113688793A (zh) | 人脸模型的训练方法及人脸识别系统 | |
CN113591763A (zh) | 人脸脸型的分类识别方法、装置、存储介质及计算机设备 | |
CN110781760B (zh) | 一种基于空间注意的面部表情识别方法和装置 | |
CN110610131B (zh) | 人脸运动单元的检测方法、装置、电子设备及存储介质 | |
CN112800979B (zh) | 一种基于表征流嵌入网络的动态表情识别方法及系统 | |
WO2019137915A1 (en) | Generating input data for a convolutional neuronal network | |
CN117079339A (zh) | 动物虹膜识别方法、预测模型训练方法、电子设备及介质 | |
CN112016592A (zh) | 基于交叉领域类别感知的领域适应语义分割方法及装置 | |
KR101961462B1 (ko) | 객체 인식 방법 및 장치 | |
CN112329736B (zh) | 人脸识别方法及金融系统 | |
CN113657227A (zh) | 人脸识别方法及基于深度学习算法的人脸识别系统 | |
CN114511877A (zh) | 一种行为识别方法、装置、存储介质及终端 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20211116 |