CN113761997B - 生成半遮挡人脸识别器的方法和装置 - Google Patents
生成半遮挡人脸识别器的方法和装置 Download PDFInfo
- Publication number
- CN113761997B CN113761997B CN202010881289.8A CN202010881289A CN113761997B CN 113761997 B CN113761997 B CN 113761997B CN 202010881289 A CN202010881289 A CN 202010881289A CN 113761997 B CN113761997 B CN 113761997B
- Authority
- CN
- China
- Prior art keywords
- face
- generator
- picture
- face picture
- picture set
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 65
- 238000012549 training Methods 0.000 claims abstract description 45
- 238000005457 optimization Methods 0.000 claims description 18
- 230000014509 gene expression Effects 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 14
- 238000003860 storage Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 9
- 230000015572 biosynthetic process Effects 0.000 claims 1
- 238000003786 synthesis reaction Methods 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 17
- 230000007547 defect Effects 0.000 abstract description 5
- 230000006870 function Effects 0.000 description 59
- 238000010586 diagram Methods 0.000 description 22
- 238000004891 communication Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 4
- 238000005520 cutting process Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000002708 enhancing effect Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000002194 synthesizing effect Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000008485 antagonism Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000001815 facial effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000004080 punching Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 210000000697 sensory organ Anatomy 0.000 description 1
- 101150049349 setA gene Proteins 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Collating Specific Patterns (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了生成半遮挡人脸识别器的方法和装置,涉及计算机技术领域。该方法的一具体实施方式包括:利用预设人脸图片集中图片的第一部分,对判别器进行预训练;利用所述图片的第二部分和白噪声,对生成器进行优化;利用完成优化的生成器和预设人脸图片集合,对完成预训练的判别器进行优化;将完成优化的判别器和完成优化的生成器进行组合,生成半遮挡人脸识别器。该实施方式解决了现有技术存在的当人脸为半遮挡状态时无法对人脸进行识别的技术缺陷,进而达到在人脸处于半遮挡状态时能够正确判别人脸的技术效果。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种生成半遮挡人脸识别器的方法和装置。
背景技术
人脸识别技术现已广泛应用于手机解锁,账号登陆,支付校验,员工打卡等各种场景,成为被大众接受和认可的重要身份验证方式。当前的人脸识别技术通常基于完整二维人脸图像进行识别,因此在戴口罩等遮挡场景下,人脸的部分信息缺失,会导致识别成功率大大降低。
在实现本发明过程中,发明人发现现有技术中至少存在如下问题:
1、现有技术通常采用深度学习算法,对于数据量的需求较为庞大;
2、现有技术仅可用于判别差异性较大的人脸信息,当局部特征差异较小时,则会由于训练样本不足,导致识别准确率大幅下降。
发明内容
有鉴于此,本发明实施例提供一种生成半遮挡人脸识别器的方法和装置生成半遮挡人脸识别器的方法和装置,能够解决现有技术存在的当人脸为半遮挡状态时无法对人脸进行识别的技术缺陷,进而达到在人脸处于半遮挡状态时能够正确判别人脸的技术效果。
为实现上述目的,根据本发明实施例的一个方面,提供了一种生成半遮挡人脸识别器的方法,包括:
利用预设人脸图片集中图片的第一部分,对判别器进行预训练;
利用所述图片的第二部分和白噪声,对生成器进行优化;
利用完成优化的生成器和预设人脸图片集合,对完成预训练的判别器进行优化;
将完成优化的判别器和完成优化的生成器进行组合,生成半遮挡人脸识别器。
可选地,利用预设人脸图片集中图片的第一部分,对判别器进行预训练,包括;
获取预设人脸图片集;
将所述预设人脸图片集中的图片按照预设比例分为第一部分和第二部分;
将所述图片的第一部分,输入到判别器中,利用双约束损失函数对所述判别器进行训练。
可选地,所述双约束损失函数对应的约束条件,包括:
同一人脸对应的不同照片间的差异值表达式;
不同人脸对应的不同照片间的差异值表达式。
可选地,利用所述图片的第二部分和白噪声,对生成器进行优化,包括:
将所述图片的第二部分和白噪声进行拼接,生成输入图片;
将所述输入图片输入至所述生成器中,生成伪人脸图片集;
根据所述伪人脸图片集与预设人脸图片集进行对比,计算交叉熵损失函数;
利用反向传播过程和所述交叉熵损失函数,调整所述生成器的参数;
根据所述调整后的参数,完成对所述生成器的优化。
可选地,根据所述伪人脸图片集与预设人脸图片集进行对比,计算交叉熵损失函数,包括:
确定所述伪人脸图片集中图片的第一部分和第二部分;
根据所述伪人脸图片集中图片的第一部分与预设人脸图片集中图片的第一部分构建第一交叉熵损失函数;
根据所述伪人脸图片集中图片的第二部分与预设人脸图片集中图片的第二部分构建第二交叉熵损失函数。
可选地,对所述生成器的优化,还包括:
根据所述交叉熵损失函数和所述双约束损失函数进行组合,生成组合损失函数;
根据所述组合损失函数,训练所述生成器的参数,完成对所述生成器的优化。
可选地,利用完成优化的生成器和预设人脸图片集合,对完成预训练的判别器进行优化,包括:
利用完成优化的生成器,生成伪人脸图片集合;
将所述伪人脸图片集合中图片的第一部分与所述预设人脸图片集合中图片的第一部分输入至所述判别器中,最大化双约束损失函数,对完成预训练的判别器进行优化。
可选地,将完成优化的判别器和完成优化的生成器进行组合,生成半遮挡人脸识别器之前,包括:
交替优化所述生成器和所述判别器,直至所述生成器和所述判别器收敛。
根据本发明实施例的一个方面,提供了一种对半遮挡人脸识别器调优的方法,包括:
获取真实人脸图片的第一部分和第二部分;
将所述真实人脸图片的第二部分与白噪声拼接,输入至半遮挡人脸识别器的生成器中,获得合成人脸图片;
将所述合成人脸图片的第一部分与所述真实人脸图片集中图片的第一部分输入至所述半遮挡人脸识别器的判别器中,利用双约束损失函数对所述判别器进行优化。
根据本发明实施例的一个方面,提供了一种利用半遮挡人脸识别器进行人脸识别的方法,包括:
采集用户人脸图片的第一部分;
利用半遮挡人脸识别器,计算所述用户人脸图片的第一部分与预先录入的人脸图片集中图片的第一部分之间的判别参数;
判断所述判别参数是否高于预设阈值;若是,则所述预先录入的人脸图片集中图片对应的用户与所述用户为同一身份;若否,则所述预先录入的人脸图片集中图片对应的用户与所述用户不为同一身份。
根据本发明实施例的再一个方面,提供了生成半遮挡人脸识别器的装置,包括:
判别器预训练模块,用于利用预设人脸图片集中图片的第一部分,对判别器进行预训练;
生成器优化模块,用于利用所述图片的第二部分和白噪声,对生成器进行优化;
判别器优化模块,用于利用完成优化的生成器和预设人脸图片集合,对完成预训练的判别器进行优化;
识别器生成模块,用于将完成优化的判别器和完成优化的生成器进行组合,生成半遮挡人脸识别器。
根据本发明实施例的再一个方面,提供了一种对半遮挡人脸识别器调优的装置,包括:
获取模块,用于获取真实人脸图片的第一部分和第二部分;
合成模块,用于将所述真实人脸图片的第二部分与白噪声拼接,输入至半遮挡人脸识别器的生成器中,获得合成人脸图片;
优化模块,用于将所述合成人脸图片的第一部分与所述真实人脸图片集中图片的第一部分输入至所述半遮挡人脸识别器的判别器中,利用双约束损失函数对所述判别器进行优化。
根据本发明实施例的再一个方面,提供了一种利用半遮挡人脸识别器进行人脸识别的装置,包括:
采集模块,用于采集用户人脸图片的第一部分;
计算模块,用于利用半遮挡人脸识别器,计算所述用户人脸图片的第一部分与预先录入的人脸图片集中图片的第一部分之间的判别参数;
判断模块,用于判断所述判别参数是否高于预设阈值;若是,则所述预先录入的人脸图片集中图片对应的用户与所述用户为同一身份;若否,则所述预先录入的人脸图片集中图片对应的用户与所述用户不为同一身份。
根据本发明实施例的另一个方面,提供了一种生成半遮挡人脸识别器的电子设备,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现本发明提供的生成半遮挡人脸识别器的方法。
根据本发明实施例的还一个方面,提供了一种计算机可读介质,其上存储有计算机程序,所述程序被处理器执行时实现本发明提供的生成半遮挡人脸识别器的方法。
上述发明中的一个实施例具有如下优点或有益效果:
本申请可选实施例通过将人脸图片分为两个部分的技术手段,并分别对各个部分进行特征学习、图像生成和身份判别,解决了现有技术存在的当人脸为半遮挡状态时无法对人脸进行识别的技术缺陷,进而达到在人脸处于半遮挡状态时能够正确判别人脸的技术效果。
本申请可选实施例通过设置损失函数对半遮挡人脸识别器进行训练的技术手段,可以使得获得输入半脸数据即可生成伪造的人脸数据的生成半遮挡人脸识别器,进而有利于后续进行半人脸识别操作。
本申请可选实施例通过针对真实图片在线调优的技术手段,使模型对于使用者进行特异性训练,达到强化对特定身份识别能力的技术效果。
上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。
附图说明
附图用于更好地理解本发明,不构成对本发明的不当限定。其中:
图1是根据本发明实施例的一种生成半遮挡人脸识别器的方法的主要流程的示意图;
图2是根据本发明实施例的一种对半遮挡人脸识别器调优的方法的主要流程的示意图;
图3是根据本发明实施例的一种利用半遮挡人脸识别器进行人脸识别的方法的主要流程的示意图;
图4为对半遮挡人脸识别器调优的主要流程示意图;
图5为生成半遮挡人脸识别器和对半遮挡人脸识别器在线调优的步骤流程图;
图6是根据本发明实施例的一种生成半遮挡人脸识别器的方法的装置的主要模块的示意图;
图7是根据本发明实施例的一种对半遮挡人脸识别器调优的方法的装置的主要模块的示意图;
图8是根据本发明实施例的一种利用半遮挡人脸识别器进行人脸识别的方法的装置的主要模块的示意图;
图9是本发明实施例可以应用于其中的示例性系统架构图;
图10是适于用来实现本发明实施例的终端设备或服务器的计算机系统的结构示意图。
具体实施方式
以下结合附图对本发明的示范性实施例做出说明,其中包括本发明实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本发明的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
图1是根据本发明实施例的一种生成半遮挡人脸识别器的方法的主要流程的示意图,如图1所示,包括:
步骤S101、利用预设人脸图片集中图片的第一部分,对判别器进行预训练;
步骤S102、利用所述图片的第二部分和白噪声,对生成器进行优化;
步骤S103、利用完成优化的生成器和预设人脸图片集合,对完成预训练的判别器进行优化;
步骤S104、将完成优化的判别器和完成优化的生成器进行组合,生成半遮挡人脸识别器。
由于现有人脸识别技术在使用中,不能对半遮挡的人脸进行识别,主流的判别器只能对完整的人脸进行判别,无法直接在人脸被部分遮挡的情况下进行判别,进而需要对判别器(简称D)根据部分人脸图片进行预训练。
其中,所述图片的第一部分可以是人脸的上半部分或人脸的下半部分。在大多数情况下,人脸被遮挡住的部分为下半部分,进而在本申请可选实施例中,可以将所述第一部分认为是图片中人脸的上半部分。对于图片中人脸的上半部分和下半部分的分割,可以根据预设比例进行确定,或根据图片中人脸的五官位置进行确定。
下面以一具体实施例说明根据预设比例对图片中的人脸进行分割的方式。
可以采用FaceScrub数据集作为预设人脸图片集,在所述图片集中包含C个人脸身份P1~PC,每张人脸身份包含NC张真实人脸图Fc-1~Fc-N。
进而可以将数据集中的第c个人的第n张人脸图片Fc-n按照4:6的比例进行切割,生成:
Fc-n-u=Fc-n{h∈0.6H~H}
Fc-n-d=Fc-n{h∈0~0.6H}
其中,Fc-n-u和Fc-n-d分别代表人脸上下两部分图片信息,在此可以将Fc-n-u设置为第一部分,将Fc-n-d设置为第二部分;H表示照片的高度。
在本申请中,判别器的作用为判别部分遮挡的人脸图片与预存图片之间是否对应同一人脸。生成器的作用是生成与预存的图片相似的图片,供所述判别器训练,进而达到提高判别器判别效果的技术手段。
当生成器生成图片越接近预存图片时,判别器的判别难度越大,进而利用生成图片和预存图片训练判别器得到的判别效果越理想。
判别器D对应的模型可以选用3层的卷积神经网络实现,其中包含卷积层,池化层以及全连接层。该模型也可替换为其他人脸识别网络模型。
生成器G对应的模型可以选用预训练的VGG网络,该网络结构初步具备对于人脸特征提取和还原的能力。其中,LeNet、AlexNet、NiN网络、GooLeNet网络、ResNet等均可以作为生成器对应的模型,在此不做特殊限定。
可选地,利用预设人脸图片集中图片的第一部分,对判别器进行预训练,包括;
获取预设人脸图片集;
将所述预设人脸图片集中的图片按照预设比例分为第一部分和第二部分;
将所述图片的第一部分,输入到判别器中,利用双约束损失函数对所述判别器进行训练。
其中,所述预设人脸图片集中的图片包括同一人的人脸图片和不同人的人脸图片。
对于同一人的人脸图片,可以通过在损失函数中设置类内差异的相关表达式。通过损失函数的约束,使得判别器的判断结果呈现出类内差异越小越好的效果,也就是判别器在判断同一人不同的图片时,能较为准确地确定两张不同的图片对应同一人。
对于非同一人的人脸照片,可以通过在损失函数中设置类间差异的相关表达式。通过损失函数的约束,使得判别器的判断结果呈现出类间差异越大越好的效果,也就是判别器在判断非同一人不同的图片时,能较为准确地确定两张不同的图片对应不是同一人。
由于判别器需要判断类内和类间两种情况,且每种情况都对应一个具体地约束条件,进而判别器的约束条件为双约束条件。具体地,所述双约束损失函数对应的约束条件,包括:
同一人脸对应的不同照片间的差异值表达式;
不同人脸对应的不同照片间的差异值表达式。
具体地,所述双约束损失函数对应的表达式如下所示:
其中,表示在预设人脸图片集中第c1个人的第n1张人脸图片的第一部分;表示在预设人脸图片集中第c2个人的第n2张人脸图片的第一部分;如果c1=c2,则表示两张照片对应的是同一个人,对应上述类内差异值的表达式;如果c1≠c2,则表示两张照片对应的不是同一个人,对应上述类间差异值的表达式。
通过利用上述双约束损失函数对判别器的训练,直至所述判别器收敛,进而达到该判别器具备一定的判别能力,实现预训练的流程。
通过上述对判别器预训练的流程,可以使得半遮挡人脸识别器具备初步的识别能力。
可选地,利用所述图片的第二部分和白噪声,对生成器进行优化,包括:
将所述图片的第二部分和白噪声进行拼接,生成输入图片;
将所述输入图片输入至所述生成器中,生成伪人脸图片集;
根据所述伪人脸图片集与预设人脸图片集进行对比,计算交叉熵损失函数;
利用反向传播过程和所述交叉熵损失函数,不断调整所述生成器的参数;使得交叉熵函数对应的值最小来保证伪人脸图片与预设人脸图片具备一致性,也就数生成器生成的图片与预设人脸图片更为接近;
根据所述调整后的参数,完成对所述生成器的优化。
所述生成器的作用在于将真实的人脸图片与白噪声进行拼接,生成伪人脸图片。其中,所述生成器的模型可以利用现有技术中已经存在的网络模型,再对现有的网络模型做进一步训练得到。
具体地,将所述图片的第二部分和白噪声进行拼接,生成输入图片时,可以将预设人脸图片集中图片的第二部分与白噪声Fz-i进行拼接得到用于输入至生成器的输入图片/>
将所述输入图片输入到所述生成器中,经过所述生成器多层卷积层和采样层的特征提取和还原,生成伪人脸图像通过将预设人脸图片集中的不同图片执行上述生产伪人脸图像的操作,可以获取伪人脸图片集/>
具体地,根据所述伪人脸图片集与预设人脸图片集进行对比,计算交叉熵损失函数,包括:
将伪人脸图片集中图片按照预设人脸图片集的分割方式进行分割,生成所述伪人脸图片集中图片的第一部分和第二部分/>
根据所述伪人脸图片集中图片的第一部分与预设人脸图片集中图片的第一部分/>构建第一交叉熵损失函数/>
根据所述伪人脸图片集中图片的第二部分与预设人脸图片集中图片的第二部分/>构建第二交叉熵损失函数/>
具体地,第一交叉熵损失函数的表达式为:
第二交叉熵损失函数的表达式为:
设置交叉熵函数的目的在于计算伪人脸图片和预设人脸图片之间的差异。
可选地,对所述生成器的优化,还包括:
根据所述交叉熵损失函数和所述双约束损失函数进行组合,生成组合损失函数;
根据所述组合损失函数,训练所述生成器的参数,完成对所述生成器的优化。
由于在训练阶段,希望生成的伪人脸图片可以尽可能接近预设人脸图片,也就接近真实图像,进而需要设置判别器判别伪人脸图片与预设人脸图片之间的差异,因此生成器对应的组合损失函数表达式如下:
其中,α和β分别代表图片的第一部分与第二部分在训练过程中所占比重,由于图片的第二部分为真实数据输入,因此合成结果可以相似于真实图片,β参数比重可以适当提升。
通过输入不同的伪人脸图片,利用所述组合损失函数反复训练生成器G的参数,进而可以达到提高生成器生成图片能力的技术效果。
可选地,利用完成优化的生成器和预设人脸图片集合,对完成预训练的判别器进行优化,包括:
利用完成优化的生成器,生成伪人脸图片集合;
将所述伪人脸图片集合中图片的第一部分与所述预设人脸图片集合中图片的第一部分/>输入至所述判别器中,最大化双约束损失函数/>对完成预训练的判别器进行优化。
由于生成器生成了与预设人脸图片较为相似的伪人脸图片,进而将相似的图片用于判别器的训练,使得进一步对判别器的参数进行更新,强化判别器对于遮挡人脸图片的判别能力。
综上,约束条件L3是用来训练判别器的,约束条件L1和L2是用来训练生成器的,约束条件Lg是经过调整权重后的三个函数的总和。
可选地,将完成优化的判别器和完成优化的生成器进行组合,生成半遮挡人脸识别器之前,包括:
交替优化所述生成器和所述判别器,直至所述生成器和所述判别器收敛。
在本申请可选实施例中,因为两个优化的方向是相反的,一个是希望判别器判别能力越强越好,可以分辨出真假照片;一个是希望生成器生成照片的能力越强越好,对应判别器能力越弱越好,得到的真假照片难以分辨。进而本申请可选实施例交替进行才能同时强化判别器和生成器的能力。
在本申请可选实施例中,除通过参数作为判断依据外,也可通过人工检查伪人脸图片的质量进行判断,如伪人脸图片质量较低,则无法达到优化生成器能力的技术效果,更不能通过质量较低的伪人脸图片达到提高判别器能力的技术效果,可以通过对判别器继续进行迭代训练进而达到提高判别器判别能力的技术效果,其中训练次数可视情况进行人为调整。
生成模型在训练完成后无需再进行调整,对半遮挡人脸识别器调优目的是在用户真实使用场景下仅输入一张人脸数据,即可生成大量相似伪数据,对用户个人使用的判别器模型进行参数调优,强化对于用户自身的识别准确率。例如,在用户使用手机解锁时,可能佩戴了口罩,进而针对该用户进行识别之前可以对所述半遮挡人脸识别器进行调优,使得识别器能够快速且准确地对该用户进行判断。
根据本发明实施例的一个方面,提供了一种对半遮挡人脸识别器调优的方法,具体地,图2是根据本发明实施例的一种对半遮挡人脸识别器调优的方法的主要流程的示意图,如图2所示,包括:
步骤S201、获取真实人脸图片的第一部分和第二部分;也就是录入用户真实人脸数据并进行预处理。具体地,通过摄像机等设备采集人脸真实二维图片信息Ft,将所述真实的人脸图片进行分割,获得Ft-u和Ft-d。
步骤S202、将所述真实人脸图片的第二部分与白噪声拼接,输入至半遮挡人脸识别器的生成器中,获得合成人脸图片;具体地,通过真实人脸图像作为输入,批量获得合成的人脸图像。可以将下半部分人脸图Ft-d和白噪声图像Fz-u拼接后,输入训练好的生成器G中,通过输入不同的随机噪声,获得多张合成人脸图像Ft-g:
其中,Ft-g=G(Ft-d+Fz-u)
步骤S203、将所述合成人脸图片的第一部分与所述真实人脸图片集中图片的第一部分输入至所述半遮挡人脸识别器的判别器中,利用双约束损失函数对所述判别器进行优化。利用合成人脸图片和真实人脸图片对判别器进行在线调优,具体地,对合成人脸图片Ft-g进行切割,获得第一部分人脸图片Ft-g-u,并与真实人脸图片的第一部分Ft-u一同输入判别器网络D,利用损失函数对网络参数进行调优,强化网络对于当前信息录入的判别能力。
根据本发明实施例的一个方面,提供了一种利用半遮挡人脸识别器进行人脸识别的方法,具体地,图3是根据本发明实施例的一种利用半遮挡人脸识别器进行人脸识别的方法的主要流程的示意图,如图3所示,包括:
步骤S301、采集用户人脸图片的第一部分;
步骤S302、利用半遮挡人脸识别器,计算所述用户人脸图片的第一部分与预先录入的人脸图片集中图片的第一部分之间的判别参数;
步骤S303、判断所述判别参数是否高于预设阈值;若是,则所述预先录入的人脸图片集中图片对应的用户与所述用户为同一身份;若否,则所述预先录入的人脸图片集中图片对应的用户与所述用户不为同一身份。
当用户需要利用设备进行人脸识别时,将当前采集到的人脸信息Ft′进行切割,将未被遮挡的上半部分Ft′-u与预先录入的Ft-i一同输入半遮挡人脸识别器,根据半遮挡人脸识别器预先设置的用于判断的预设阈值τ,高于阈值认为非同一身份,低于阈值认为是同一身份。
其中该预设阈值可以根据用户实际使用过程中进行调整优化,如果用户多次识别失败则可上调阈值。
本申请可选实施例通过将人脸图片分为两个部分的技术手段,并分别对各个部分进行特征学习、图像生成和身份判别,解决了现有技术存在的当人脸为半遮挡状态时无法对人脸进行识别的技术缺陷,进而达到在人脸处于半遮挡状态时能够正确判别人脸的技术效果。
本申请可选实施例通过设置损失函数对半遮挡人脸识别器进行训练的技术手段,可以使得获得输入半脸数据即可生成伪造的人脸数据的生成半遮挡人脸识别器,进而有利于后续进行半人脸识别操作。
本申请可选实施例通过针对真实图片在线调优的技术手段,使模型对于使用者进行特异性训练,达到强化对特定身份识别能力的技术效果。
具体地,本申请提出了一个基于生成对抗网络和在线调优的半遮挡人脸识别模型。利用公开数据训练一个可生成伪人脸数据的生成对抗网络,将判别器的输入修改为局部人脸信息进行训练。实际使用过程中,在设备录入人脸数据后,先在此数据基础上生成对应的人脸伪数据,强化判别器对非本人的相似数据鉴别能力后,再提供给用户进行使用。
下面以一具体实施例详细本申请生成半遮挡人脸识别器和对半遮挡人脸识别器调优的方法。
图4为对半遮挡人脸识别器调优的主要流程示意图;
图5为生成半遮挡人脸识别器和对半遮挡人脸识别器在线调优的步骤流程图。
如图4和图5所示,包括如下步骤:
步骤S501、利用预设人脸图片的第一部分对判别器进行预训练;
步骤S502、根据现有的模型,搭建生成器;
步骤S503、利用预设人脸图片的第二部分和白噪声,对生成器模型进行优化;
步骤S504、利用完成优化的生成器和预设人脸图片集合中的图片,对完成预训练的判别器进行优化;
步骤S505、对生成器和判别器进行优化,直至生成器和判别器收敛。
步骤S506、用户录入真实人脸图片;
步骤S507、根据所述真实人脸图片和噪声,生成用户相似的合成图片;
步骤S508、根据合成图片和真实图片,对判别器进行在线调优;
步骤S509、完成对半遮挡人脸识别器调优。
图6是根据本发明实施例的一种生成半遮挡人脸识别器的方法的装置的主要模块的示意图;如图6所示,提供了生成半遮挡人脸识别器的装置600,包括:
判别器预训练模块601,用于利用预设人脸图片集中图片的第一部分,对判别器进行预训练;
生成器优化模块602,用于利用所述图片的第二部分和白噪声,对生成器进行优化;
判别器优化模块603,用于利用完成优化的生成器和预设人脸图片集合,对完成预训练的判别器进行优化;
识别器生成模块604,用于将完成优化的判别器和完成优化的生成器进行组合,生成半遮挡人脸识别器。
可选地,利用预设人脸图片集中图片的第一部分,对判别器进行预训练,包括;
获取预设人脸图片集;
将所述预设人脸图片集中的图片按照预设比例分为第一部分和第二部分;
将所述图片的第一部分,输入到判别器中,利用双约束损失函数对所述判别器进行训练。
可选地,所述双约束损失函数对应的约束条件,包括:
同一人脸对应的不同照片间的差异值表达式;
不同人脸对应的不同照片间的差异值表达式。
可选地,利用所述图片的第二部分和白噪声,对生成器进行优化,包括:
将所述图片的第二部分和白噪声进行拼接,生成输入图片;
将所述输入图片输入至所述生成器中,生成伪人脸图片集;
根据所述伪人脸图片集与预设人脸图片集进行对比,计算交叉熵损失函数;
利用反向传播过程和所述交叉熵损失函数,调整所述生成器的参数;
根据所述调整后的参数,完成对所述生成器的优化。
可选地,根据所述伪人脸图片集与预设人脸图片集进行对比,计算交叉熵损失函数,包括:
确定所述伪人脸图片集中图片的第一部分和第二部分;
根据所述伪人脸图片集中图片的第一部分与预设人脸图片集中图片的第一部分构建第一交叉熵损失函数;
根据所述伪人脸图片集中图片的第二部分与预设人脸图片集中图片的第二部分构建第二交叉熵损失函数。
可选地,对所述生成器的优化,还包括:
根据所述交叉熵损失函数和所述双约束损失函数进行组合,生成组合损失函数;
根据所述组合损失函数,训练所述生成器的参数,完成对所述生成器的优化。
可选地,利用完成优化的生成器和预设人脸图片集合,对完成预训练的判别器进行优化,包括:
利用完成优化的生成器,生成伪人脸图片集合;
将所述伪人脸图片集合中图片的第一部分与所述预设人脸图片集合中图片的第一部分输入至所述判别器中,最大化双约束损失函数,对完成预训练的判别器进行优化。
可选地,将完成优化的判别器和完成优化的生成器进行组合,生成半遮挡人脸识别器之前,包括:
交替优化所述生成器和所述判别器,直至所述生成器和所述判别器收敛。
图7是根据本发明实施例的一种对半遮挡人脸识别器调优的方法的装置的主要模块的示意图;如图7所示,提供了一种对半遮挡人脸识别器调优的装置,包括:
获取模块701,用于获取真实人脸图片的第一部分和第二部分;
合成模块702,用于将所述真实人脸图片的第二部分与白噪声拼接,输入至半遮挡人脸识别器的生成器中,获得合成人脸图片;
优化模块703,用于将所述合成人脸图片的第一部分与所述真实人脸图片集中图片的第一部分输入至所述半遮挡人脸识别器的判别器中,利用双约束损失函数对所述判别器进行优化。
图8是根据本发明实施例的一种利用半遮挡人脸识别器进行人脸识别的方法的装置的主要模块的示意图;如图8所示,提供了一种利用半遮挡人脸识别器进行人脸识别的装置,包括:
采集模块801,用于采集用户人脸图片的第一部分;
计算模块802,用于利用半遮挡人脸识别器,计算所述用户人脸图片的第一部分与预先录入的人脸图片集中图片的第一部分之间的判别参数;
判断模块803,用于判断所述判别参数是否高于预设阈值;若是,则所述预先录入的人脸图片集中图片对应的用户与所述用户为同一身份;若否,则所述预先录入的人脸图片集中图片对应的用户与所述用户不为同一身份。
图9示出了可以应用本发明实施例的生成半遮挡人脸识别器方法或生成半遮挡人脸识别器装置的示例性系统架构900。
如图9所示,系统架构900可以包括终端设备901、902、903,网络904和服务器905。网络904用以在终端设备901、902、903和服务器905之间提供通信链路的介质。网络904可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备901、902、903通过网络904与服务器905交互,以接收或发送消息等。终端设备901、902、903上可以安装有各种通讯客户端应用,例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。
终端设备901、902、903可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器905可以是提供各种服务的服务器,例如对用户利用终端设备901、902、903所浏览的购物类网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的产品信息查询请求等数据进行分析等处理,并将处理结果(例如目标推送信息、产品信息--仅为示例)反馈给终端设备。
需要说明的是,本发明实施例所提供的生成半遮挡人脸识别器方法一般由服务器905执行,相应地,生成半遮挡人脸识别器装置一般设置于服务器905中。
应该理解,图9中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
下面参考图10,其示出了适于用来实现本发明实施例的终端设备的计算机系统1000的结构示意图。图10示出的终端设备仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图10所示,计算机系统1000包括中央处理单元(CPU)1001,其可以根据存储在只读存储器(ROM)1002中的程序或者从存储部分1008加载到随机访问存储器(RAM)1003中的程序而执行各种适当的动作和处理。在RAM 1003中,还存储有系统1000操作所需的各种程序和数据。CPU 1001、ROM 1002以及RAM 1003通过总线1004彼此相连。输入/输出(I/O)接口1005也连接至总线1004。
以下部件连接至I/O接口1005:包括键盘、鼠标等的输入部分1006;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分1007;包括硬盘等的存储部分1008;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分1009。通信部分1009经由诸如因特网的网络执行通信处理。驱动器1010也根据需要连接至I/O接口1005。可拆卸介质1011,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器1010上,以便于从其上读出的计算机程序根据需要被安装入存储部分1008。
特别地,根据本发明公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本发明公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分1009从网络上被下载和安装,和/或从可拆卸介质1011被安装。在该计算机程序被中央处理单元(CPU)1001执行时,执行本发明的系统中限定的上述功能。
需要说明的是,本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本发明中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本发明实施例中所涉及到的模块可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中,例如,可以描述为:一种处理器包括发送模块、获取模块、确定模块和第一处理模块。其中,这些模块的名称在某种情况下并不构成对该模块本身的限定,例如,发送模块还可以被描述为“向所连接的服务端发送图片获取请求的模块”。
作为另一方面,本发明还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的设备中所包含的;也可以是单独存在,而未装配入该设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被一个该设备执行时,使得该设备包括:
利用预设人脸图片集中图片的第一部分,对判别器进行预训练;
利用所述图片的第二部分和白噪声,对生成器进行优化;
利用完成优化的生成器和预设人脸图片集合,对完成预训练的判别器进行优化;
将完成优化的判别器和完成优化的生成器进行组合,生成半遮挡人脸识别器。
根据本发明实施例的技术方案,可以达到如下有益效果:
本申请可选实施例通过将人脸图片分为两个部分的技术手段,并分别对各个部分进行特征学习、图像生成和身份判别,解决了现有技术存在的当人脸为半遮挡状态时无法对人脸进行识别的技术缺陷,进而达到在人脸处于半遮挡状态时能够正确判别人脸的技术效果。
本申请可选实施例通过设置损失函数对半遮挡人脸识别器进行训练的技术手段,可以使得获得输入半脸数据即可生成伪造的人脸数据的生成半遮挡人脸识别器,进而有利于后续进行半人脸识别操作。
本申请可选实施例通过针对真实图片在线调优的技术手段,使模型对于使用者进行特异性训练,达到强化对特定身份识别能力的技术效果。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,取决于设计要求和其他因素,可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (13)
1.一种生成半遮挡人脸识别器的方法,其特征在于,包括:
利用预设人脸图片集中图片的第一部分,对判别器进行预训练;
利用所述图片的第二部分和白噪声,对生成器进行优化;
利用完成优化的生成器和预设人脸图片集合,对完成预训练的判别器进行优化;
将完成优化的判别器和完成优化的生成器进行组合,生成半遮挡人脸识别器;
利用所述图片的第二部分和白噪声,对生成器进行优化,包括:
将所述图片的第二部分和白噪声进行拼接,生成输入图片;
将所述输入图片输入至所述生成器中,生成伪人脸图片集;
根据所述伪人脸图片集与预设人脸图片集进行对比,计算交叉熵损失函数;
利用反向传播过程和所述交叉熵损失函数,调整所述生成器的参数;
根据所述调整后的参数,完成对所述生成器的优化;
根据所述伪人脸图片集与预设人脸图片集进行对比,计算交叉熵损失函数,包括:
确定所述伪人脸图片集中图片的第一部分和第二部分;
根据所述伪人脸图片集中图片的第一部分与预设人脸图片集中图片的第一部分构建第一交叉熵损失函数;
根据所述伪人脸图片集中图片的第二部分与预设人脸图片集中图片的第二部分构建第二交叉熵损失函数。
2.根据权利要求1所述的方法,其特征在于,利用预设人脸图片集中图片的第一部分,对判别器进行预训练,包括;
获取预设人脸图片集;
将所述预设人脸图片集中的图片按照预设比例分为第一部分和第二部分;
将所述图片的第一部分,输入到判别器中,利用双约束损失函数对所述判别器进行训练。
3.根据权利要求2所述的方法,其特征在于,所述双约束损失函数对应的约束条件,包括:
同一人脸对应的不同照片间的差异值表达式;
不同人脸对应的不同照片间的差异值表达式。
4.根据权利要求1所述的方法,其特征在于,对所述生成器的优化,还包括:
根据所述交叉熵损失函数和双约束损失函数进行组合,生成组合损失函数;
根据所述组合损失函数,训练所述生成器的参数,完成对所述生成器的优化。
5.根据权利要求1所述的方法,其特征在于,利用完成优化的生成器和预设人脸图片集合,对完成预训练的判别器进行优化,包括:
利用完成优化的生成器,生成伪人脸图片集合;
将所述伪人脸图片集合中图片的第一部分与所述预设人脸图片集合中图片的第一部分输入至所述判别器中,最大化双约束损失函数,对完成预训练的判别器进行优化。
6.根据权利要求1-4中任一所述的方法,其特征在于,将完成优化的判别器和完成优化的生成器进行组合,生成半遮挡人脸识别器之前,包括:
交替优化所述生成器和所述判别器,直至所述生成器和所述判别器收敛。
7.一种对半遮挡人脸识别器调优的方法,其特征在于,包括:
获取真实人脸图片的第一部分和第二部分;
将所述真实人脸图片的第二部分与白噪声拼接,输入至半遮挡人脸识别器的生成器中,获得合成人脸图片,所述半遮挡人脸识别器采用权利要求1-6中任一所述的方法生成;
将所述合成人脸图片的第一部分与所述真实人脸图片集中图片的第一部分输入至所述半遮挡人脸识别器的判别器中,利用双约束损失函数对所述判别器进行优化。
8.一种利用半遮挡人脸识别器进行人脸识别的方法,其特征在于,包括:
采集用户人脸图片的第一部分;
利用半遮挡人脸识别器,计算所述用户人脸图片的第一部分与预先录入的人脸图片集中图片的第一部分之间的判别参数,所述半遮挡人脸识别器采用权利要求1-6中任一所述的方法生成;
判断所述判别参数是否高于预设阈值;若是,则所述预先录入的人脸图片集中图片对应的用户与所述用户为同一身份;若否,则所述预先录入的人脸图片集中图片对应的用户与所述用户不为同一身份。
9.一种生成半遮挡人脸识别器的装置,其特征在于,包括:
判别器预训练模块,用于利用预设人脸图片集中图片的第一部分,对判别器进行预训练;
生成器优化模块,用于利用所述图片的第二部分和白噪声,对生成器进行优化;
判别器优化模块,用于利用完成优化的生成器和预设人脸图片集合,对完成预训练的判别器进行优化;
识别器生成模块,用于将完成优化的判别器和完成优化的生成器进行组合,生成半遮挡人脸识别器;
所述生成器优化模块具体用于:
将所述图片的第二部分和白噪声进行拼接,生成输入图片;
将所述输入图片输入至所述生成器中,生成伪人脸图片集;
根据所述伪人脸图片集与预设人脸图片集进行对比,计算交叉熵损失函数;
利用反向传播过程和所述交叉熵损失函数,调整所述生成器的参数;
根据所述调整后的参数,完成对所述生成器的优化;
所述生成器优化模块还用于:
确定所述伪人脸图片集中图片的第一部分和第二部分;
根据所述伪人脸图片集中图片的第一部分与预设人脸图片集中图片的第一部分构建第一交叉熵损失函数;
根据所述伪人脸图片集中图片的第二部分与预设人脸图片集中图片的第二部分构建第二交叉熵损失函数。
10.一种对半遮挡人脸识别器调优的装置,其特征在于,包括:
获取模块,用于获取真实人脸图片的第一部分和第二部分;
合成模块,用于将所述真实人脸图片的第二部分与白噪声拼接,输入至半遮挡人脸识别器的生成器中,获得合成人脸图片,所述半遮挡人脸识别器采用权利要求1-6中任一所述的方法生成;
优化模块,用于将所述合成人脸图片的第一部分与所述真实人脸图片集中图片的第一部分输入至所述半遮挡人脸识别器的判别器中,利用双约束损失函数对所述判别器进行优化。
11.一种利用半遮挡人脸识别器进行人脸识别的装置,其特征在于,包括:
采集模块,用于采集用户人脸图片的第一部分;
计算模块,用于利用半遮挡人脸识别器,计算所述用户人脸图片的第一部分与预先录入的人脸图片集中图片的第一部分之间的判别参数,所述半遮挡人脸识别器采用权利要求1-6中任一所述的方法生成;
判断模块,用于判断所述判别参数是否高于预设阈值;若是,则所述预先录入的人脸图片集中图片对应的用户与所述用户为同一身份;若否,则所述预先录入的人脸图片集中图片对应的用户与所述用户不为同一身份。
12.一种生成半遮挡人脸识别器的电子设备,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-8中任一所述的方法。
13.一种计算机可读介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现如权利要求1-8中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010881289.8A CN113761997B (zh) | 2020-08-27 | 2020-08-27 | 生成半遮挡人脸识别器的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010881289.8A CN113761997B (zh) | 2020-08-27 | 2020-08-27 | 生成半遮挡人脸识别器的方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113761997A CN113761997A (zh) | 2021-12-07 |
CN113761997B true CN113761997B (zh) | 2024-04-09 |
Family
ID=78785774
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010881289.8A Active CN113761997B (zh) | 2020-08-27 | 2020-08-27 | 生成半遮挡人脸识别器的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113761997B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014001610A1 (en) * | 2012-06-25 | 2014-01-03 | Nokia Corporation | Method, apparatus and computer program product for human-face features extraction |
CN108986041A (zh) * | 2018-06-13 | 2018-12-11 | 浙江大华技术股份有限公司 | 一种图像恢复方法、装置、电子设备及可读存储介质 |
CN109145745A (zh) * | 2018-07-20 | 2019-01-04 | 上海工程技术大学 | 一种遮挡情况下的人脸识别方法 |
WO2019015466A1 (zh) * | 2017-07-17 | 2019-01-24 | 广州广电运通金融电子股份有限公司 | 人证核实的方法及装置 |
CN109815928A (zh) * | 2019-01-31 | 2019-05-28 | 中国电子进出口有限公司 | 一种基于对抗学习的人脸图像合成方法和装置 |
CN109886167A (zh) * | 2019-02-01 | 2019-06-14 | 中国科学院信息工程研究所 | 一种遮挡人脸识别方法及装置 |
CN110705353A (zh) * | 2019-08-29 | 2020-01-17 | 北京影谱科技股份有限公司 | 基于注意力机制的遮挡人脸的识别方法和装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101956071B1 (ko) * | 2015-01-13 | 2019-03-08 | 삼성전자주식회사 | 사용자 인증 방법 및 장치 |
-
2020
- 2020-08-27 CN CN202010881289.8A patent/CN113761997B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014001610A1 (en) * | 2012-06-25 | 2014-01-03 | Nokia Corporation | Method, apparatus and computer program product for human-face features extraction |
WO2019015466A1 (zh) * | 2017-07-17 | 2019-01-24 | 广州广电运通金融电子股份有限公司 | 人证核实的方法及装置 |
CN108986041A (zh) * | 2018-06-13 | 2018-12-11 | 浙江大华技术股份有限公司 | 一种图像恢复方法、装置、电子设备及可读存储介质 |
CN109145745A (zh) * | 2018-07-20 | 2019-01-04 | 上海工程技术大学 | 一种遮挡情况下的人脸识别方法 |
CN109815928A (zh) * | 2019-01-31 | 2019-05-28 | 中国电子进出口有限公司 | 一种基于对抗学习的人脸图像合成方法和装置 |
CN109886167A (zh) * | 2019-02-01 | 2019-06-14 | 中国科学院信息工程研究所 | 一种遮挡人脸识别方法及装置 |
CN110705353A (zh) * | 2019-08-29 | 2020-01-17 | 北京影谱科技股份有限公司 | 基于注意力机制的遮挡人脸的识别方法和装置 |
Non-Patent Citations (2)
Title |
---|
Face De-occlusion using 3D Morphable Model and Generative Adversarial Network;Yuan X 等;arXiv;20190906;全文 * |
生成对抗网络进行感知遮挡人脸还原的算法研究;魏赟;孙硕;;小型微型计算机系统;20200215(02);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113761997A (zh) | 2021-12-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108898186B (zh) | 用于提取图像的方法和装置 | |
CN108197618B (zh) | 用于生成人脸检测模型的方法和装置 | |
US20230081645A1 (en) | Detecting forged facial images using frequency domain information and local correlation | |
US8917913B2 (en) | Searching with face recognition and social networking profiles | |
CN106682632B (zh) | 用于处理人脸图像的方法和装置 | |
CN109993150B (zh) | 用于识别年龄的方法和装置 | |
US10635932B2 (en) | Database systems and user interfaces for dynamic and interactive mobile image analysis and identification | |
TW202026948A (zh) | 活體檢測方法、裝置以及儲存介質 | |
US11514263B2 (en) | Method and apparatus for processing image | |
CN109145783B (zh) | 用于生成信息的方法和装置 | |
CN111539903B (zh) | 训练人脸图像合成模型的方法和装置 | |
CN112805722A (zh) | 减少面部识别中的误报的方法和装置 | |
CN110570383B (zh) | 一种图像处理方法、装置、电子设备及存储介质 | |
CN113902956B (zh) | 融合模型的训练方法、图像融合方法、装置、设备及介质 | |
CN114663952A (zh) | 对象分类方法、深度学习模型的训练方法、装置和设备 | |
CN110852193A (zh) | 一种人脸识别的方法和装置 | |
US11659181B2 (en) | Method and apparatus for determining region of interest | |
CN114128255A (zh) | 使用混合边缘/云推理连同机器学习系统的视频会议 | |
CN112633234A (zh) | 人脸去眼镜模型训练、应用方法及其装置、设备和介质 | |
CN114792355B (zh) | 虚拟形象生成方法、装置、电子设备和存储介质 | |
CN113761997B (zh) | 生成半遮挡人脸识别器的方法和装置 | |
CN109034085B (zh) | 用于生成信息的方法和装置 | |
CN108446737B (zh) | 用于识别对象的方法和装置 | |
CN110602405A (zh) | 拍摄方法和装置 | |
CN114926322A (zh) | 图像生成方法、装置、电子设备和存储介质 |
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 |