CN113822256B - 人脸识别方法、电子设备及存储介质 - Google Patents

人脸识别方法、电子设备及存储介质 Download PDF

Info

Publication number
CN113822256B
CN113822256B CN202111398670.XA CN202111398670A CN113822256B CN 113822256 B CN113822256 B CN 113822256B CN 202111398670 A CN202111398670 A CN 202111398670A CN 113822256 B CN113822256 B CN 113822256B
Authority
CN
China
Prior art keywords
face
key point
depth difference
preset
face depth
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
CN202111398670.XA
Other languages
English (en)
Other versions
CN113822256A (zh
Inventor
陈智超
吴坚
朱海涛
李廷照
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 CN202111398670.XA priority Critical patent/CN113822256B/zh
Publication of CN113822256A publication Critical patent/CN113822256A/zh
Application granted granted Critical
Publication of CN113822256B publication Critical patent/CN113822256B/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
    • G06F18/21—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
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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

本申请实施方式涉及人脸识别技术领域，公开了一种人脸识别方法、电子设备及存储介质。人脸识别方法包括：获取待识别的人脸深度图，并根据人脸深度图生成人脸点云图；根据关键点检测模型对人脸点云图进行关键点检测，获取人脸点云图上的各关键点；根据关键点对应关系和各关键点的深度值，生成人脸深度差特征；关键点对应关系包括多个关键点对且每个关键点对包括各关键点中的两个关键点；人脸深度差特征包括各个关键点对的深度差；将人脸深度差特征和预设的人脸数据库中各预置人脸深度差特征进行匹配，并根据匹配结果获取人脸识别结果。通过以人脸深度图为基础进行人脸识别，且人脸数据库中未存储人脸图像，对用户面部隐私有着很好的保护效果。

Description

人脸识别方法、电子设备及存储介质
技术领域
本申请实施方式涉及人脸识别领域，特别涉及一种人脸识别方法、电子设备及存储介质。
背景技术
人脸识别技术已经成为了一种应用广泛的智能生物识别技术，比如在安检、交通、刷脸支付等多个领域均有所应用。人脸识别是基于人脸的面部特征信息进行身份识别的一种生物识别技术，通过利用摄像机或摄像头采集包含有人脸的图像或者视频流数据，根据相应的算法程序进行处理，从而对检测到的人脸进行识别的一系列的活动。目前的人脸识别技术方案，大多数是基于2D(即二维)人脸进行识别，或者以2D人脸为主、辅以其他方案(如3D人脸)综合进行识别。
然而，但无论是采用2D人脸识别还是以2D人脸为主辅以其他技术的方案，都需要采集和存储使用者的人脸图像，对使用者的隐私保护都有一定的缺陷。
发明内容
本申请实施方式的目的在于提供一种人脸识别方法、电子设备及存储介质，使得人脸识别是以人脸深度图为基础进行的，可以对用户面部隐私有着很好的保护效果。
为解决上述技术问题，本申请的实施方式提供了一种人脸识别方法，包括以下步骤：获取待识别的人脸深度图，并根据所述人脸深度图生成人脸点云图；根据预设的关键点检测模型对所述人脸点云图进行关键点检测，获取所述人脸点云图上的各关键点；根据预设的关键点对应关系和所述各关键点的深度值，生成人脸深度差特征，其中，所述关键点对应关系包括多个关键点对且每个关键点对包括所述各关键点中的两个关键点，所述人脸深度差特征包括各个关键点对的深度差；将所述人脸深度差特征和预设的人脸数据库中各预置人脸深度差特征进行匹配，并根据匹配结果获取人脸识别结果。
本申请的实施方式还提供了一种电子设备，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上述人脸识别方法。
本申请的实施方式还提供了一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时实现上述人脸识别方法。
本申请实施方式，在人脸识别的过程中，获取待识别的人脸深度图，并根据人脸深度图生成人脸点云图；根据关键点检测模型对人脸点云图进行关键点检测，获取人脸点云图上的各关键点；根据预设的关键点对应关系和各关键点的深度值，生成人脸深度差特征，其中，关键点对应关系包括多个关键点对且每个关键点对包括各关键点中的两个关键点，人脸深度差特征包括各个关键点对的深度差；将人脸深度差特征和预设的人脸数据库中各预置人脸深度差特征进行匹配，并根据匹配结果获取人脸识别结果。通过以人脸深度图为基础进行人脸识别，且人脸数据库中存储的也是人脸深度差特征而并非人脸图像，避免了采用人脸上如虹膜、面部特征或面部表情等2D数据，因此可以对用户面部隐私有着很好的保护效果，解决了现有技术中采用2D人脸识别或以2D人脸为主辅以其他技术的方案，对使用者的隐私保护都存在缺陷的技术问题。
附图说明
一个或多个实施方式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方式的限定。
图1是本申请实施方式提供的人脸识别方法的流程图；
图1a是本申请实施方式提供的人脸关键点的位置示意图；
图2是本申请实施方式提供的人脸识别方法的流程图；
图3是本申请实施方式提供的人脸识别方法的流程图；
图4是本申请实施方式提供的人脸识别系统的结构示意图；
图5是本申请实施方式提供的电子设备的结构示意图。
具体实施方式
为使本申请实施方式的目的、技术方案和优点更加清楚，下面将结合附图对本申请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，在本申请各实施方式中，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。以下各个实施方式的划分是为了描述方便，不应对本申请的具体实现方式构成任何限定，各个实施方式在不矛盾的前提下可以相互结合相互引用。
本申请的实施方式涉及一种人脸识别方法，应用于电子设备；其中，电子设备可以为终端或服务器，下面对本实施方式的人脸识别方法的实现细节进行具体的说明，以下内容仅为方便理解提供的实现细节，并非实施本方案的必须，如图1所示，具体包括。
步骤101，获取待识别的人脸深度图，并根据人脸深度图生成人脸点云图。
在一示例实施中，通过任意的深度相机获取待识别的人脸深度图，深度相机可以是结构光深度相机、双目视觉深度相机或者飞行时间（Time of flight，简称TOF）深度相机。
在一示例实施中，在获取到人脸深度图的同时也要获取拍摄待识别的人脸深度图的深度相机的相机参数，深度相机的相机参数由深度相机在x轴和y轴上的焦距、深度相机在x轴和y轴上的光圈中心和人脸深度图的缩放因子组成的。在获取到人脸深度图和深度相机的内参矩阵之后，便可以将人脸深度图上的每个像素点（X，Y，Z）从图像坐标系转换到世界坐标系，以此来得到人脸点云图（U，V，D），通过公式U={(X*Fx)/Z}+Cx、V={(X*Fy)/Z}+Cy和D=Z*S对人脸深度图上的每个像素点进行坐标转换，得到人脸点云图；其中，Fx、Fy分别为深度相机在x轴和y轴上的焦距，Cx、Cy分别为深度相机在x轴和y轴上的光圈中心，S为人脸深度图的缩放因子。
步骤102，根据预设的关键点检测模型对人脸点云图进行关键点检测，获取人脸点云图上的各关键点。
在一示例实施中，关键对检测模型可以是基于iss关键点提取或sift关键点提取搭建的神经网络模型，在关键点检测模型的训练过程中，是以人脸彩色图作为监督样本，对人脸点云图的关键点检测进行训练的。
在一示例实施中，在将人脸点云图输入到关键点检测模型之前，还可以对人脸点云图进行人脸区域检测；人脸区域检测的方法包括：使用鼻尖检测算法对人脸点云图进行鼻尖检测，在人脸点云图上标注出鼻尖所在的位置，之后根据鼻尖位置计算人脸点云图上每个像素点属于人脸区域的概率，将所有满足预设概率条件的像素点所组成的区域认定为人脸区域；并在人脸点云图中标注出人脸区域，将标注好人脸区域的人脸点云图输入到关键点检测模型中，进行关键点检测。只对人脸点云图中的人脸区域进行关键点检测，可以减少关键点检测模型的数据处理量，提升对人脸点云图的关键点检测速度。
步骤103，根据预设的关键点对应关系和各关键点的深度值，生成人脸深度差特征，其中，关键点对应关系包括多个关键点对且每个关键点对包括各关键点中的两个关键点，人脸深度差特征包括各个关键点对的深度差。
在一示例实施中，人脸点云图上的关键点可以是如图1a所示的人脸五官位置的48个关键点，而关键点对应关系中的关键点对可以是48个关键点中的任意两个关键点，如关键点11和关键点14构成一个关键点对、关键点3和关键点24构成一个关键点对、关键点8和关键点30构成一个关键点对等。
在一示例实施中，利用根据一个关键点对中两个关键点的深度差值，生成人脸深度差特征，人脸深度差特征可以以人脸点云图的形式存在，也可以以数组的形式存在，人脸深度差特征中还可以包含各关键点的位置信息（即X坐标和Y坐标）；在人脸深度差特征以人脸点云图的形式存在时，各关键点的X坐标和Y坐标保持不变，将Z坐标的深度值替换为该关键点对应的关键点对的深度差值；在人脸深度差特征以数组的形式存在时，一个关键点对需要存储两个关键点的X坐标、Y坐标和关键点对间的深度差值，同时还需要给该关键点对加上标签（如两个关键点的描述信息）。
在一示例实施中，深度图各像素点的深度值的形成与深度相机的相机参数息息相关，不同深度相机在相同的拍摄条件下对同一物体进行拍摄所形成的深度图是不相同的；深度图的不相同会导致所形成的人脸点云图存在差异，若直接使用人脸点云图会影响人脸识别的准确率，而本申请使用的像素点之间的相对深度差，对于同一张人脸来说，无论深度图的质量如何或者无论采用哪个深度相机进行拍摄获取深度图，各像素点间的深度差是恒定不变的，因此，本申请通过采用各像素点的深度差值来进行人脸识别，可以提高人脸识别的准确率。
步骤104，将人脸深度差特征和预设的人脸数据库中各预置人脸深度差特征进行匹配，并根据匹配结果获取人脸识别结果。
在一示例实施中，由于人脸深度差特征中包含了各关键点对的深度差，在进行匹配时，可以计算人脸深度差特征和预置人脸深度差特征中各相同关键点对深度差之间的差值，根据各相同关键点对深度差之间的差值获取人脸深度差特征与预置人脸深度差特征的相似度，将相似度最高的预置人脸深度差特征作为人脸识别结果。
在一示例实施中，相似度可以根据相似关键点对的个数和不相似关键点对的个数的比值获取，其中，当人脸深度差特征和预置人脸深度差特征中一个相同关键点对深度差之间的差值小于预设阈值时，则认为该关键点对是相似关键点对，反之，则是不相似关键点对。
在一示例实施中，还可以对各相同关键点对的差值求和或者平方和，预设有各相同关键点对的差值总和或者各相同关键点对的差值平方和和相似度之间的对应关系，从而获取到各预置人脸深度差特征的相似度。
本申请实施方式，在人脸识别的过程中，获取待识别的人脸深度图，并根据人脸深度图生成人脸点云图；根据关键点检测模型对人脸点云图进行关键点检测，获取人脸点云图上的各关键点；根据预设的关键点对应关系和各关键点的深度值，生成人脸深度差特征；其中，关键点对应关系包括多个关键点对且每个关键点对包括各关键点中的两个关键点；人脸深度差特征包括各个关键点对的深度差；将人脸深度差特征和预设的人脸数据库中各预置人脸深度差特征进行匹配，并根据匹配结果获取人脸识别结果。通过以人脸深度图为基础进行人脸识别，且人脸数据库中存储的也是人脸深度差特征而并非人脸图像，避免了采用人脸上如虹膜、面部特征或面部表情等2D数据，因此可以对用户面部隐私有着很好的保护效果，解决了现有技术中采用2D人脸识别或以2D人脸为主辅以其他技术的方案，对使用者的隐私保护都存在缺陷的技术问题。
本申请的实施方式涉及一种人脸识别方法，应用于电子设备；其中，电子设备可以为终端或服务器，下面对本实施方式的人脸识别方法的实现细节进行具体的说明，以下内容仅为方便理解提供的实现细节，并非实施本方案的必须，如图2所示，具体包括。
步骤201，获取待识别的人脸深度图，并根据人脸深度图生成人脸点云图。
在一示例实施中，本步骤与本申请实施方式的步骤101大致相同，此处不一一赘述。
步骤202，根据预设的关键点检测模型对人脸点云图进行关键点检测，获取人脸点云图上的各关键点。
在一示例实施中，本步骤与本申请实施方式的步骤102大致相同，此处不一一赘述。
步骤203，根据预设的关键点对应关系和各关键点的深度值，生成人脸深度差特征，其中，关键点对应关系包括多个关键点对且每个关键点对包括各关键点中的两个关键点，人脸深度差特征包括各个关键点对的深度差。
在一示例实施中，本步骤与本申请实施方式的步骤103大致相同，此处不一一赘述。
步骤204，根据人脸深度差特征中的至少一指定关键点对的深度差和/或位置信息，确定人脸点云图指示的人脸类型，其中，指定关键点对是多个关键点对中的关键点对。
在一示例实施中，可以根据人脸深度差特征中指定关键对的深度差来确定人脸点云图指示的人脸类型，如由图1a中的关键点11和关键点17组成的关键对的深度差来判断人脸点云图指示的人脸类型是高鼻梁还是低鼻梁，由图1a中的关键点3和关键点24组成的关键对的深度差来判断人脸点云图指示的人脸类型是深眼窝还是浅眼窝等。
在一示例实施中，可以根据人脸深度差特征中指定关键对的位置信息来确定人脸点云图指示的人脸类型（即，确定两个关键点间的直线距离，或者X坐标间的差值，或者Y坐标间的差值），如由图1a中的关键点11和关键点17组成的关键对的深度差来判断人脸点云图指示的人脸类型是长鼻还是短鼻，由图1a中的关键点20和关键点23组成的关键对的深度差来判断人脸点云图指示的人脸类型是长眼型还是短眼型等等。
步骤205，从人脸数据库中确定与人脸点云图指示的人脸类型对应的子数据库，将人脸深度差特征与子数据库中的各预置人脸深度差特征进行匹配，并根据匹配结果获取人脸识别结果。
在一示例实施中，本申请所提及的人脸数据库中包含有各人脸类型对应的子数据库，在将人脸深度差特征与人脸数据库中各预置人脸深度差特征图进行匹配之前，先从人脸数据库中确定与人脸点云图指示的人脸类型对应的子数据库，再将人脸深度差特征与子数据库中的各预置人脸深度差特征进行匹配。
在一示例实施中，人脸深度差特征与子数据库中的各预置人脸深度差特征进行匹配，并根据匹配结果获取人脸识别结果这一步骤与本申请实施方式的步骤104大致相同，此处不一一赘述。
本申请实施方式，在其他实施方式所带来的有益效果的基础之上，还可以在对人脸深度差特征匹配之前，对人脸数据库进行一个筛选，从而缩小人脸深度差特征的匹配范围，减少进行人脸匹配的数据量，提升人脸识别的速度。
本申请的实施方式涉及一种人脸识别方法，应用于电子设备；其中，电子设备可以为终端或服务器，下面对本实施方式的人脸识别方法的实现细节进行具体的说明，以下内容仅为方便理解提供的实现细节，并非实施本方案的必须，如图3所示，具体包括。
步骤301，获取待识别的人脸深度图，并根据人脸深度图生成人脸点云图。
在一示例实施中，本步骤与本申请实施方式的步骤101大致相同，此处不一一赘述。
步骤302，根据预设的关键点检测模型对人脸点云图进行关键点检测，获取人脸点云图上的各关键点。
在一示例实施中，本步骤与本申请实施方式的步骤102大致相同，此处不一一赘述。
步骤303，根据预设的关键点对应关系和各关键点的深度值，生成人脸深度差特征；其中，关键点对应关系包括多个关键点对且每个关键点对包括各关键点中的两个关键点；人脸深度差特征包括各个关键点对的深度差。
在一示例实施中，本步骤与本申请实施方式的步骤103大致相同，此处不一一赘述。
步骤304，将人脸深度差特征和预设的人脸数据库中各预置人脸深度差特征进行匹配，获取根匹配结果。
在一示例实施中，本步骤与本申请实施方式的步骤104提及的进行匹配的方法大致相同，此处不一一赘述。
步骤305，当匹配结果中包含至少两个候选预置人脸深度差特征，则获取人脸深度差特征中若干个指定关键点对的距离，记为第一距离信息，其中，指定关键点对是多个关键点对中的关键点对，候选预置人脸深度差特征是指与人脸深度差特征匹配的预置人脸深度差特征。
在一示例实施中，当根据人脸深度差特征无法准确的从各预置人脸深度差特征中选取最为相似的人脸深度差特征时，也就是说，所得到的匹配结果中包含了多张候选预置人脸深度差特征，此时需要进行二次匹配，来进一步从多张候选预置人脸深度差特征选取出最为相似的人脸深度差特征。此时，需要获取到人脸深度差特征中若干个指定关键点对的距离，记为第一距离信息。
在一示例实施中，可以将指定关键点对中两个关键点间的直线距离，作为指定关键点对的距离。
在一示例实施中，可以对人脸点云图进行三维重建获取三维人脸重建模型，并计算三维人脸重建模型中指定关键点对中两个关键点的测地距离，作为指定关键点对的距离。
步骤306，将第一距离信息和预存的各候选预置人脸深度差特征的第二距离信息进行比较，并根据比较结果选取一个候选预置人脸深度差特征作为人脸识别结果，其中，第二距离信息包括候选预置人脸深度差特征中若干个指定关键点对的距离。
在一示例实施中，对于人脸数据库中存在较为相似的人脸时，可以在生成人脸数据库时，对人脸数据库中的预置人脸深度差特征进行相似度检测，当存在较为相似的人脸时，可以为较为相似的人脸添加第二距离信息；或者说，在生成人脸数据库时，为人脸数据库中的各预置人脸深度差特征添加第二距离信息，用来进行二次匹配。其中，第二距离为直线距离和/或测地距离。
在一示例实施中，由于第一距离信息和第二距离信息中包含了各指定关键点对的距离，在进行比较时，可以计算第一距离信息和第二距离信息中各相同关键点的距离之间的差值，根据各相同关键点的距离之间的差值获取第一距离信息与第二距离信息的相似度，将相似度最高的候选预置人脸深度差特征作为人脸识别结果。
在一示例实施中，相似度可以根据相似关键点对的个数和不相似关键点对的个数的比值获取，其中，当第一距离信息和第二距离信息中一个相同关键点对的距离之间的差值小于预设阈值时，则认为该关键点对是相似关键点对，反之，则是不相似关键点对。
在一示例实施中，还可以对各相同关键点对的距离之间的差值求和或者平方和，预设有各相同关键点对的距离差值总和或者各相同关键点对的距离差值平方和与相似度之间的对应关系，从而获取到各候选预置人脸深度差特征的相似度。
本申请实施方式，在其他实施方式所带来的有益效果的基础之上，还可以在根据关键点对之间的深度差无法准确的判断出人脸识别结果时，可以从人脸深度差特征或者从人脸点云图中提取出第一距离信息，使用第一距离信息和人脸数据库中的第二距离信息进行二次匹配，保证所输出的人脸识别结果的准确性。
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。
本申请实施方式涉及一种人脸识别系统，如图4所示，具体包括：
第一获取模块401，用于获取待识别的人脸深度图，并根据人脸深度图生成人脸点云图。
第二获取模块402，用于根据预设的关键点检测模型对人脸点云图进行关键点检测，获取人脸点云图上的各关键点。
生成模块403，用于根据预设的关键点对应关系和各关键点的深度值，生成人脸深度差特征，其中，关键点对应关系包括多个关键点对且每个关键点对包括各关键点中的两个关键点，人脸深度差特征包括各个关键点对的深度差。
识别模块404，用于将人脸深度差特征和预设的人脸数据库中各预置人脸深度差特征进行匹配，并根据匹配结果获取人脸识别结果。
值得一提的是，本实施方式中所涉及到的各模块均为逻辑模块，在实际应用中，一个逻辑单元可以是一个物理单元，也可以是一个物理单元的一部分，还可以以多个物理单元的组合实现。此外，为了突出本发明的创新部分，本实施方式中并没有将与解决本发明所提出的技术问题关系不太密切的单元引入，但这并不表明本实施方式中不存在其它的单元。
本申请实施方式涉及一种电子设备，如图5所示，包括：至少一个处理器501 ；以及，与所述至少一个处理器501通信连接的存储器502；其中，所述存储器502存储有可被所述至少一个处理器501执行的指令，所述指令被所述至少一个处理器501执行，以使所述至少一个处理器501能够执行上述各实施方式中的人脸识别方法。
其中，存储器和处理器采用总线方式连接，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和存储器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。
处理器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。而存储器可以被用于存储处理器在执行操作时所使用的数据。
本申请实施方式涉及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方式。
即，本领域技术人员可以理解，实现上述实施方式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方式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-OnlyMemory，简称ROM）、随机存取存储器（Random Access Memory，简称RAM）、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申请的具体实施方式，而在实际应用中，可以在形式上和细节上对其作各种改变，而不偏离本申请的精神和范围。

Claims (10)

1.一种人脸识别方法，其特征在于，包括：
获取待识别的人脸深度图，并根据所述人脸深度图生成人脸点云图；
根据预设的关键点检测模型对所述人脸点云图进行关键点检测，获取所述人脸点云图上的各关键点；
根据预设的关键点对应关系和所述各关键点的深度值，生成人脸深度差特征，其中，所述关键点对应关系包括多个关键点对且每个关键点对包括所述各关键点中的两个关键点，所述人脸深度差特征包括各个关键点对的深度差；
将所述人脸深度差特征和预设的人脸数据库中各预置人脸深度差特征进行匹配，并根据匹配结果获取人脸识别结果。
2.根据权利要求1所述的人脸识别方法，其特征在于，所述将所述人脸深度差特征和预设的人脸数据库中各预置人脸深度差特征进行匹配，之前包括：
根据所述人脸深度差特征中的至少一指定关键点对的深度差和/或位置信息，确定所述人脸点云图指示的人脸类型，其中，所述指定关键点对是所述多个关键点对中的关键点对。
3.根据权利要求2所述的人脸识别方法，其特征在于，所述将所述人脸深度差特征和预设的人脸数据库中各预置人脸深度差特征进行匹配，包括：
从所述人脸数据库中确定与所述人脸点云图指示的人脸类型对应的子数据库；
将所述人脸深度差特征与所述子数据库中的各预置人脸深度差特征进行匹配。
4.根据权利要求1至权利要求2中任一项所述的人脸识别方法，其特征在于，所述将所述人脸深度差特征和预设的人脸数据库中各预置人脸深度差特征进行匹配，并根据匹配结果获取人脸识别结果，包括：
计算所述人脸深度差特征和各所述预置人脸深度差特征中各相同关键点对间的差值；
根据所述各相同关键点对间的差值，获取各所述预置人脸深度差特征与所述人脸深度差特征的相似度；
将所述相似度最高的所述预置人脸深度差特征作为所述人脸识别结果。
5.根据权利要求1至权利要求2中任一项所述的人脸识别方法，其特征在于，所述根据匹配结果获取人脸识别结果，包括：
当所述匹配结果中包含至少两个候选预置人脸深度差特征，则获取所述人脸深度差特征中若干个指定关键点对的距离，记为第一距离信息，其中，所述指定关键点对是所述多个关键点对中的关键点对，所述候选预置人脸深度差特征是指与所述人脸深度差特征匹配的预置人脸深度差特征；
将所述第一距离信息和预存的各所述候选预置人脸深度差特征的第二距离信息进行比较，并根据比较结果选取一个所述候选预置人脸深度差特征作为所述人脸识别结果，其中，所述第二距离信息包括所述候选预置人脸深度差特征中若干个所述指定关键点对的距离。
6.根据权利要求5所述的人脸识别方法，其特征在于，所述指定关键点对的距离为所述指定关键点对中两个关键点的直线距离；或者，
所述指定关键点对的距离为所述指定关键点对中两个关键点的测地距离。
7.根据权利要求6所述的人脸识别方法，其特征在于，所述获取所述人脸深度差特征中若干个指定关键点对的距离，记为第一距离信息，包括：
对所述人脸点云图进行三维重建获取三维人脸重建模型，并计算所述三维人脸重建模型中所述指定关键点对中两个关键点的测地距离，记为所述第一距离信息。
8.根据权利要求1至权利要求2中任一项所述的人脸识别方法，其特征在于，所述根据所述人脸深度图生成人脸点云图，包括：
获取拍摄所述人脸深度图时所采用的深度相机的深度相机参数；
根据所述深度相机参数对所述人脸深度图上的各像素点进行坐标转换，生成所述人脸点云图。
9.一种电子设备，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8中任一所述的人脸识别方法。
10.一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权利要求1至8中任一所述的人脸识别方法。
CN202111398670.XA 2021-11-24 2021-11-24 人脸识别方法、电子设备及存储介质 Active CN113822256B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111398670.XA CN113822256B (zh) 2021-11-24 2021-11-24 人脸识别方法、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111398670.XA CN113822256B (zh) 2021-11-24 2021-11-24 人脸识别方法、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN113822256A CN113822256A (zh) 2021-12-21
CN113822256B true CN113822256B (zh) 2022-03-25

Family

ID=78919796

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111398670.XA Active CN113822256B (zh) 2021-11-24 2021-11-24 人脸识别方法、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN113822256B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114267068B (zh) * 2021-12-24 2022-11-01 合肥的卢深视科技有限公司 基于连续帧信息的人脸识别方法、电子设备及存储介质
CN114898431A (zh) * 2022-05-10 2022-08-12 支付宝(杭州)信息技术有限公司 一种刷脸支付意愿识别方法、装置以及设备

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106355138A (zh) * 2016-08-18 2017-01-25 电子科技大学 基于深度学习和关键点特征提取的人脸识别方法
CN110956082A (zh) * 2019-10-17 2020-04-03 江苏科技大学 基于深度学习的人脸关键点检测方法和检测系统

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB201602129D0 (en) * 2016-02-05 2016-03-23 Idscan Biometrics Ltd Method computer program and system for facial recognition
CN108304828B (zh) * 2018-03-08 2021-03-30 西安知微传感技术有限公司 一种三维活体人脸识别装置及方法
CN108615016B (zh) * 2018-04-28 2020-06-19 北京华捷艾米科技有限公司 人脸关键点检测方法和人脸关键点检测装置

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106355138A (zh) * 2016-08-18 2017-01-25 电子科技大学 基于深度学习和关键点特征提取的人脸识别方法
CN110956082A (zh) * 2019-10-17 2020-04-03 江苏科技大学 基于深度学习的人脸关键点检测方法和检测系统

Also Published As

Publication number Publication date
CN113822256A (zh) 2021-12-21

Similar Documents

Publication Publication Date Title
CN111310731B (zh) 基于人工智能的视频推荐方法、装置、设备及存储介质
González et al. On-board object detection: Multicue, multimodal, and multiview random forest of local experts
CN113822256B (zh) 人脸识别方法、电子设备及存储介质
CN112016464A (zh) 检测人脸遮挡的方法、装置、电子设备及存储介质
CN105138954A (zh) 一种图像自动筛选查询识别系统
CN112801054B (zh) 人脸识别模型的处理方法、人脸识别方法及装置
CN111783748A (zh) 人脸识别方法、装置、电子设备及存储介质
CN111027581A (zh) 一种基于可学习编码的3d目标检测方法及系统
CN111144284A (zh) 深度人脸图像的生成方法、装置、电子设备及介质
CN112801945A (zh) 基于双重注意力机制特征提取的深度高斯混合模型颅骨配准方法
CN112528902A (zh) 一种基于3d人脸模型的视频监控动态人脸识别方法及装置
CN115188066A (zh) 基于协同注意力和多尺度融合的运动目标检测系统及方法
CN114821786A (zh) 一种基于人体轮廓和关键点特征融合的步态识别方法
CN111428612B (zh) 行人重识别方法、终端、装置及存储介质
CN106874843A (zh) 一种目标跟踪方法以及设备
CN112749605A (zh) 身份识别方法、系统和设备
Li et al. Feature point extraction and tracking based on a local adaptive threshold
CN114972016A (zh) 图像处理方法、装置、计算机设备、存储介质及程序产品
Zhao et al. Person re-identification with effectively designed parts
CN113837174A (zh) 目标对象识别方法、装置及计算机设备
CN114639132A (zh) 人脸识别场景下的特征提取模型处理方法、装置、设备
Babahenini et al. Using saliency detection to improve multi-focus image fusion
CN115661942B (zh) 基于虚拟现实的动作数据处理方法、系统及云平台
CN116071625B (zh) 深度学习模型的训练方法、目标检测方法及装置
CN112183156B (zh) 一种活体检测方法和设备

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: 20230411

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.