CN113887435A - 人脸图像处理方法、装置、设备、存储介质及程序产品 - Google Patents
人脸图像处理方法、装置、设备、存储介质及程序产品 Download PDFInfo
- Publication number
- CN113887435A CN113887435A CN202111166211.9A CN202111166211A CN113887435A CN 113887435 A CN113887435 A CN 113887435A CN 202111166211 A CN202111166211 A CN 202111166211A CN 113887435 A CN113887435 A CN 113887435A
- Authority
- CN
- China
- Prior art keywords
- matrix
- feature
- map
- graph
- face image
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 19
- 239000011159 matrix material Substances 0.000 claims abstract description 243
- 238000012545 processing Methods 0.000 claims abstract description 59
- 238000000605 extraction Methods 0.000 claims abstract description 58
- 238000000034 method Methods 0.000 claims abstract description 33
- 238000010586 diagram Methods 0.000 claims description 56
- 238000013507 mapping Methods 0.000 claims description 46
- 230000009466 transformation Effects 0.000 claims description 34
- 230000001131 transforming effect Effects 0.000 claims description 25
- 238000004590 computer program Methods 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 11
- 238000003062 neural network model Methods 0.000 claims description 6
- 230000001815 facial effect Effects 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 2
- 238000013473 artificial intelligence Methods 0.000 abstract description 4
- 238000013135 deep learning Methods 0.000 abstract description 3
- 238000004891 communication Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- 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)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Image Analysis (AREA)
Abstract
本公开提供了人脸图像处理方法、装置、设备、存储介质及程序产品,涉及人工智能技术领域,具体为计算机视觉和深度学习技术领域,可应用于人脸图像处理和人脸识别等场景。具体实现方案为:在对输入的人脸图像进行人脸特征提取得到第一特征图之后,通过将第一特征图变换成图空间中的图矩阵,在图空间中对图矩阵进行特征提取,能够提取到人脸图像全局的特征信息,得到包含人脸图像全局的特征信息的特征矩阵;再将特征矩阵逆变换成特征图,得到包含人脸图像全局的特征信息的第二特征图,使得提取到的人脸特征包含更加丰富的全局特征信息,应用于人脸识别场景时能够有效提高人脸识别的精准度。
Description
技术领域
本公开涉及人工智能技术领域,具体为计算机视觉和深度学习技术领域,尤其涉及一种人脸图像处理方法、装置、设备、存储介质及程序产品,可应用于人脸图像处理和人脸识别等场景。
背景技术
在人脸图像处理和人脸识别等场景中,需要提取人脸图像的人脸特征。目前,大多通过卷积神经网络提取人脸图像的人脸特征,但是目前的人脸特征提取的方法,大多仅能提取局部的特征信息,人脸特征提取效果不好。
发明内容
本公开提供了一种人脸图像处理方法、装置、设备、存储介质及程序产品。
根据本公开的第一方面,提供了一种人脸图像处理方法,包括:
对输入的人脸图像进行人脸特征提取,得到第一特征图;
将所述第一特征图变换成图矩阵,所述图矩阵为图的矩阵表示;
使用图变换矩阵对所述图矩阵进行特征提取,得到包含所述人脸图像全局的特征信息的特征矩阵;
将所述特征矩阵逆变换成第二特征图,所述第二特征图包含所述人脸图像全局的特征信息。
根据本公开的第二方面,提供了一种人脸图像处理装置,包括:
第一特征提取模块,用于对输入的人脸图像进行人脸特征提取,得到第一特征图;
变换模块,用于将所述第一特征图变换成图矩阵,所述图矩阵为图的矩阵表示;
第二特征提取模块,用于对所述图矩阵进行特征提取,得到包含所述人脸图像全局的特征信息的特征矩阵;
逆变换模块,用于将所述特征矩阵逆变换成第二特征图,所述第二特征图包含所述人脸图像全局的特征信息。
根据本公开的第三方面,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第一方面所述的方法。
根据本公开的第四方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行第一方面所述的方法。
根据本公开的第五方面,提供了一种计算机程序产品,所述计算机程序产品包括:计算机程序,所述计算机程序存储在可读存储介质中,电子设备的至少一个处理器可以从所述可读存储介质读取所述计算机程序,所述至少一个处理器执行所述计算机程序使得电子设备执行第一方面所述的方法。
根据本公开的技术使得提取到的人脸特征能够包含丰富的全局特征信息。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1是根据本公开实施例的一示例性的场景图;
图2是本公开第一实施例提供的人脸图像处理方法流程图;
图3是本公开第二实施例提供的人脸图像处理方法流程图;
图4是本公开实施例提供的人脸图像处理方法的一种示例框架图;
图5是本公开第三实施例提供的人脸图像处理装置的示意图;
图6是本公开第四实施例提供的人脸图像处理装置的示意图;
图7是用来实现本公开实施例的人脸图像处理方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开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,而不会背离本公开的范围和精神。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。
本公开提供一种人脸图像处理方法、设备、存储介质及程序产品,涉及人工智能技术领域,具体为计算机视觉和深度学习技术领域,可应用于人脸图像处理和人脸识别等场景,以使提取到的人脸特征能够包含更加丰富的全局特征信息,应用于人脸识别场景时能够有效提高人脸识别的精准度。
本公开提供的人脸图像处理方法,执行主体可以具有图像处理能力的电子设备,具体可以应用于如图1所示的人脸识别场景中,如图1所示,电子设备10用于提取人脸图像的包含图像全局特征信息的人脸特征,基于提取的包含图像全局特征信息的人脸特征进行人脸识别,能够有效提高人脸识别的精准度;基于提取的包含图像全局特征信息的人脸特征进行人脸识别模型的训练,能够有效提高训练得到的人脸识别模型的精准度。
另外,基于提取的包含图像全局特征信息的人脸特征进行人脸识别,和/或,基于提取的包含图像全局特征信息的人脸特征进行人脸识别模型的训练,可以由电子设备10执行,也可以由其他电子设备执行,此处不做具体限定。
图2是本公开第一实施例提供的人脸图像处理方法流程图。本实施例提供的人脸图像处理方法具体可以应用于具有图像处理能力的电子设备,该电子设备可以是智能手机、平板电脑等终端设备,也可以是服务器等,在其他实施例中还可以是其他电子设备,本实施例此处不做具体限定。
如图2所示,该方法具体步骤如下:
步骤S201、对输入的人脸图像进行人脸特征提取,得到第一特征图。
该步骤中,可以将输入的人脸图像经过至少一层2维卷积层,对人脸图像进行人脸特征提取,得到第一特征图。
可选地,该步骤可以采用任意一种用于提取人脸图像的人脸特征的特征提取算法,实现对输入的人脸图像进行人脸特征提取得到第一特征图,此处不再赘述。
步骤S202、将第一特征图变换成图矩阵,图矩阵为图的矩阵表示。
在基于特征提取算法提取得到第一特征图之后,第一特征图是基于人脸图像的空间坐标矩阵,该步骤中,将第一特征图变换成图论中图的矩阵表示,也即将第一特征图变换至图空间得到对应的图矩阵。
其中,图论中的图包括节点(也称为顶点)和边,可以以矩阵的方式表示为图矩阵。
步骤S203、对图矩阵进行特征提取,得到包含人脸图像全局的特征信息的特征矩阵。
在将第一特征图变换成图矩阵之后,在图空间中对图矩阵进行特征提取,能够提取到图矩阵全局的特征信息,也即能够提取到人脸图像全局的特征信息,从而得到包含人脸图像全局特征信息的特征矩阵。
步骤S204、将特征矩阵逆变换成第二特征图,第二特征图包含人脸图像全局的特征信息。
在得到包含人脸图像全局的特征信息的特征矩阵之后,将特征矩阵逆变换成空间坐标矩阵,得到包含人脸图像全局的特征信息的第二特征图。第二特征图可以用于进行以下至少一项处理:人脸识别、人脸识别模型的训练
通过本实施例的方法,提取到的人脸图像的第二特征图不仅包含局部特征信息,还包含全局特征信息。
本公开实施例,在对输入的人脸图像进行人脸特征提取得到第一特征图之后,通过将第一特征图变换成图空间中的图矩阵,在图空间中对图矩阵进行特征提取,能够提取到人脸图像全局的特征信息,得到包含人脸图像全局的特征信息的特征矩阵;再将特征矩阵逆变换成特征图,得到包含人脸图像全局的特征信息的第二特征图,使得提取到的人脸特征包含更加丰富的全局特征信息,应用于人脸识别场景时能够有效提高人脸识别的精准度。
图3是本公开第二实施例提供的人脸图像处理方法流程图。在上述第一实施例的基础上,本实施例中,对人脸图像处理的方法的具体实现方式进行详细地示例性地说明。
示例性地,可以预先配置将第一特征图变换成的图矩阵对应图的节点数,以及每一节点的特征维度。本实施例中,用M表示图矩阵对应图的节点数,用S表示每一节点的特征维度,M和S均为正整数,M和S的值可以根据实际应用场景的需要进行配置和调整,此处不做具体限定。
如图3所示,该方法具体步骤如下:
步骤S301、对输入的人脸图像进行人脸特征提取,得到第一特征图。
该步骤中,可以将输入的人脸图像经过多层2维卷积层,对人脸图像进行人脸特征提取,得到第一特征图。
可选地,该步骤具体可以采用如下方式实现:
通过神经网络模型,对人脸图像进行人脸特征提取,得到第三特征图;根据图矩阵对应图的节点数,对第三特征图进行第二卷积处理,得到第一特征图,第二卷积处理对应的输出通道数等于图矩阵对应图的节点数。这样,能够生成通道数等于图矩阵对应图的节点数的第一特征图,便于将第一特征图变换为对应的图矩阵。
其中,神经网络模型可以是任意一种用于人脸图像的人脸特征的神经网络模型,此处不做具体限定。
示例性地,对第三特征图进行第二卷积处理,可以是将第三特征图经过输出通道数为M的2维卷积,得到通道数为M的第一特征图。
第三特征图的维度可以表示为(N,C,H,W),其中,N为输入人脸图像的数量。C为人脸图像的通道数,C也是第三特征图的通道数。H为人脸图像的高度,W为人脸图像的宽度。将第三特征图经过输出通道数为M的2维卷积,得到通道数为M的第一特征图的维度可以表示为(N,M,H,W)。
可选地,该步骤可以采用如下方式实现:
将人脸图片输入至少一层2维卷积层,进行人脸特征提取,得到第三特征图,第三特征图的维度可以表示为(N,C,H,W)。将第三特征图经过至少一层输出通道数为M的2维卷积层,进一步强化人脸特征,得到第一特征图,第一特征图的维度可以记为(N,M,H,W)。
可选地,该步骤还可以采用任意一种用于提取人脸图像的人脸特征的特征提取算法,实现对输入的人脸图像进行人脸特征提取得到第一特征图,此处不再赘述。
在得到人脸图像的第一特征图之后,通过步骤S302-S303,将第一特征图变换成图矩阵,图矩阵为图论中图的矩阵表示,从而将第一特征图变换至图空间中,便于在图空间中提取人脸图像全局的特征信息。
步骤S302、根据图矩阵对应图中每一节点的特征维度,确定第一特征图对应的映射矩阵,映射矩阵的通道数等于图矩阵对应图中每一节点的特征维度。
为了将第一特征图变换成图矩阵,该步骤中,先根据预先配置的图矩阵对应图中每一节点的特征维度S,确定第一特征图对应的映射矩阵,该映射矩阵用于将第一特征图变换成图矩阵。
为了使得变换成的图矩阵对应图中每一节点的特征维度为预先配置的S,需要获取一个通道数等于预先配置的图矩阵对应图中每一节点的特征维度S的映射矩阵。
可选地,该步骤具体可以采用如下方式实现:
对第一特征图进行第一卷积处理,得到映射矩阵,第一卷积处理对应的输出通道数等于图矩阵对应图中每一节点的特征维度。通过对第一特征图进行输出通道数为预先配置的图矩阵对应图中每一节点的特征维度S的第一卷积处理,得到通道数等于S的映射矩阵。
其中,映射矩阵的维度可以表示为(N,S,H,W)。
示例性地,可以将第一特征图经过一层输出通道数为S的2维卷积层,得到通道数等于S的映射矩阵。
步骤S303、根据映射矩阵将第一特征图变换为图矩阵,图矩阵对应图的节点数等于第一特征图的通道数。
在确定映射矩阵之后,可以采用如下公式(1)的方式,根据映射矩阵将第一特征图变换为图矩阵:
G=T*transpose(F)(1)
其中,G为图矩阵,T为映射矩阵,F为第一特征图,transpose(F)为F的转置。符号“*”表示矩阵间的乘法运算。
映射矩阵T的维度可以表示为(N,S,H,W),第一特征图F的维度可以表示为(N,M,H,W),根据公式(1)得到的图矩阵G的维度可以表示为(N,S,M,1)。在图空间中,图矩阵G(N,S,M,1)也即是对应图的特征矩阵,N表示图的数量,M表示图中节点的数量,S表示图中每一节点的特征维度。
由于映射矩阵的通道数等于预先配置的图矩阵对应图中每一节点的特征维度S,根据映射矩阵可以将第一特征图变换为图矩阵,该图矩阵对应图的节点数等于预先配置的节点数M,该图矩阵对应图中每一节点的特征维度等于预先配置的每一节点的特征维度S。
步骤S304、使用图变换矩阵,对图矩阵进行特征提取,得到包含人脸图像全局的特征信息的特征矩阵。
在将第一特征图变换成图矩阵之后,该步骤中,使用图变换矩阵对图矩阵进行特征提取,从而在图空间中实现全局的特征信息的提取,得到包含全局特征信息的特征矩阵。
其中,图变换矩阵可以包括至少一层1维卷积层。
示例性地,该步骤具体可以采用如下方式实现:
使用第一图变换矩阵,对图矩阵进行特征提取,得到第一矩阵;使用第二图变换矩阵,对第一矩阵进行特征提取,得到特征矩阵,第二图变换矩阵对应的输出通道数等于图矩阵的通道数。
其中,第一图变换矩阵可以包含至少一层1维卷积层,通过至少一层1维卷积层,对图矩阵进行特征提取,由于通过1维卷积层对图矩阵进行特征提取时,是对图矩阵进行的整体变换,因此能够提取到全局的特征信息,得到包含全局的特征信息的第一矩阵。
进一步地,第二图变换矩阵可以包含至少一层1维卷积层,且第二图变换矩阵的输出通道数等于图矩阵的通道数,从而将第一矩阵变换为通道数等于图矩阵的通道数的特征矩阵,保持特征矩阵与图矩阵的维度一致,特征矩阵的维度可以表示为(N,S,M,1)。
示例性地,该步骤可以采用如下方式实现:
使用一层1维卷积层,对图矩阵进行特征提取,得到第一矩阵;使用另一层输出通道数等于图矩阵的通道数的1维卷积层,对第一矩阵进行特征提取,得到特征矩阵。
步骤S305、根据映射矩阵,将特征矩阵逆变换成第二特征图。
在图空间中使用图变换矩阵,对图矩阵进行特征提取,得到包含人脸图像全局的特征信息的特征矩阵之后,该步骤中,根据映射矩阵将特征矩阵逆变换成第二特征图,从而得到包含人脸图像全局的特征信息的特征图。
示例性地,该步骤可以采用如下公式(2)的方式实现:
X=transpose(G_2)*T(2)
其中,X为第二特征图,G_2为特征矩阵,T为映射矩阵,transpose(G_2)为G_2的转置。符号“*”表示矩阵间的乘法运算。
特征矩阵G_2的维度可以表示为(N,S,M,1),映射矩阵T的维度可以表示为(N,S,H,W),根据公式(2)得到的第二特征图X的维度可以表示为(N,M,H,W)。
该步骤中,得到的第二特征图与第一特征图的维度一致,但是相较于第一特征图,第二特征图包含更丰富的全局特征信息。
本实施例的一种可选地实施方式中,在得到包含丰富全局特征信息的第二特征图之后,可以根据第二特征图进行人脸识别处理,得到人脸图像对应的人脸识别结果,能够提高人脸识别的精准度。
其中,在应用于人脸识别场景时,输入的人脸图像为待识别的图像,输入的人脸图像通常包括一张图像。
本实施例的一种可选地实施方式中,在得到包含丰富全局特征信息的第二特征图之后,可以根据第二特征图进行人脸识别模型的训练,得到训练好的人脸识别模型,能够有效提高训练得到的人脸识别模型的精准度。
其中,在人脸识别模型训练的场景时,输入的人脸图像可以包括大量的样本图像,输入的人脸图像通常包括多张图像。在得到人脸图像的第二特征图之后,可以将第二特征图输入损失函数中,训练整个人脸识别模型的网络参数。
示例性地,本实施例提供的人脸图像处理方法的一种示例框架如图4所示,对于输入的人脸图像通过至少两个2维卷积进行特征提取,并确定映射矩阵后,使用映射矩阵将提取到的第一特征图变换成图空间中的图矩阵;在图空间中通过至少两个图变换矩阵对图矩阵进行全局特征信息的提取,使用同一映射矩阵将提取得到的包含全局特征信息的特征矩阵反变换成第二特征图;第二特征图输入损失函数中,用于训练整个人脸识别模型的网络参数。
可选地,获取输入的人脸图像的第二特征图的处理过程,可以是人脸识别模型中的一部分,由人脸识别模型中用于提取人脸特征的特征提取模型实现。
可选地,获取输入的人脸图像的第二特征图的处理过程,可以不是人脸识别模型的一部分,而是一个独立的特征提取模型实现,用于各种需要提取人脸图像的人脸特征的场景中。
本公开实施例通过常规特征提取方法提取得到第一特征图之后,根据预先配置的图矩阵对应图中每一节点的特征维度,确定映射矩阵,使用映射矩阵将第一特征图变换成图空间中的图矩阵;在图空间中对图矩阵进行特征提取,能够提取到人脸图像全局的特征信息,得到包含人脸图像全局的特征信息的特征矩阵;再使用同一映射矩阵将特征矩阵逆变换成特征图,得到包含人脸图像全局的特征信息的第二特征图,使得提取到的人脸特征包含更加丰富的全局特征信息,应用于人脸识别场景时能够有效提高人脸识别的精准度,应用于人脸识别模型训练的场景时能够有效提高训练得到的人脸识别模型的精准度。
图5是本公开第三实施例提供的人脸图像处理装置的示意图。本公开实施例提供的人脸图像处理装置可以执行人脸图像处理方法实施例的处理流程。如图5所示,该人脸图像处理装置50包括:第一特征提取模块501,变换模块502,第二特征提取模块503和逆变换模块504。
具体地,第一特征提取模块501,用于对输入的人脸图像进行人脸特征提取,得到第一特征图。
变换模块502,用于将第一特征图变换成图矩阵,图矩阵为图的矩阵表示。
第二特征提取模块503,用于对图矩阵进行特征提取,得到包含人脸图像全局的特征信息的特征矩阵。
逆变换模块504,用于将特征矩阵逆变换成第二特征图,第二特征图包含人脸图像全局的特征信息。
本公开实施例提供的装置可以具体用于执行上述第一实施例所提供的方法流程,所实现具体功能和技术效果此处不再赘述。
图6是本公开第四实施例提供的人脸图像处理装置的示意图。本公开实施例提供的人脸图像处理装置可以执行人脸图像处理方法实施例的处理流程。如图6所示,该人脸图像处理装置60包括:第一特征提取模块601,变换模块602,第二特征提取模块603和逆变换模块604。
具体地,第一特征提取模块601,用于对输入的人脸图像进行人脸特征提取,得到第一特征图。
变换模块602,用于将第一特征图变换成图矩阵,图矩阵为图的矩阵表示。
第二特征提取模块603,用于对图矩阵进行特征提取,得到包含人脸图像全局的特征信息的特征矩阵。
逆变换模块604,用于将特征矩阵逆变换成第二特征图,第二特征图包含人脸图像全局的特征信息。
可选地,如图6所示,变换模块602,包括:
映射矩阵确定单元6021,用于根据图矩阵对应图中每一节点的特征维度,确定第一特征图对应的映射矩阵,映射矩阵的通道数等于图矩阵对应图中每一节点的特征维度。
变换单元6022,用于根据映射矩阵将第一特征图变换为图矩阵,图矩阵对应图的节点数等于第一特征图的通道数。
可选地,映射矩阵确定单元还用于:
对第一特征图进行第一卷积处理,得到映射矩阵,第一卷积处理对应的输出通道数等于图矩阵对应图中每一节点的特征维度。
可选地,逆变换模块还用于:
根据映射矩阵,将特征矩阵逆变换成第二特征图。
可选地,如图6所示,第一特征提取模块601,包括:
第一特征提取单元6011,用于通过神经网络模型,对人脸图像进行人脸特征提取,得到第三特征图。
第二特征提取单元6012,用于根据图矩阵对应图的节点数,对第三特征图进行第二卷积处理,得到第一特征图,第二卷积处理对应的输出通道数等于图矩阵对应图的节点数。
可选地,如图6所示,第二特征提取模块603,包括:
第三特征提取单元6031,用于使用第一图变换矩阵,对图矩阵进行特征提取,得到第一矩阵。
第四特征提取单元6032,用于使用第二图变换矩阵,对第一矩阵进行特征提取,得到特征矩阵,第二图变换矩阵对应的输出通道数等于图矩阵的通道数。
可选地,如图6所示,该人脸图像处理装置60还可以包括:
人脸识别模块605,用于:
根据第二特征图进行人脸识别处理,得到识别结果。
可选地,如图6所示,该人脸图像处理装置60还可以包括:
人脸识别模型训练模块606,用于:
根据第二特征图进行人脸识别模型的训练,得到训练好的人脸识别模型。
本公开实施例提供的装置可以具体用于执行上述第二实施例所提供的方法流程,所实现具体功能和技术效果此处不再赘述。
需要说明的是,本实施例中的人脸识别模型并不是针对某一特定用户的人脸识别模型,并不能反映出某一特定用户的个人信息。需要说明的是,本实施例中的人脸图像来自于公开数据集,或者人脸图像的收集、存储、使用、加工、传输、提供和公开等处理,均符合相关法律法规的规定,且不违背公序良俗。
本公开的技术方案中,所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理,均符合相关法律法规的规定,且不违背公序良俗。
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
根据本公开的实施例,本公开还提供了一种计算机程序产品,计算机程序产品包括:计算机程序,计算机程序存储在可读存储介质中,电子设备的至少一个处理器可以从可读存储介质读取计算机程序,至少一个处理器执行计算机程序使得电子设备执行上述任一实施例提供的方案。
图7示出了可以用来实施本公开的实施例的示例电子设备700的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图7所示,设备700包括计算单元701,其可以根据存储在只读存储器(ROM)702中的计算机程序或者从存储单元708加载到随机访问存储器(RAM)703中的计算机程序,来执行各种适当的动作和处理。在RAM 703中,还可存储设备700操作所需的各种程序和数据。计算单元701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
设备700中的多个部件连接至I/O接口705,包括:输入单元706,例如键盘、鼠标等;输出单元707,例如各种类型的显示器、扬声器等;存储单元708,例如磁盘、光盘等;以及通信单元709,例如网卡、调制解调器、无线通信收发机等。通信单元709允许设备700通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元701可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元701的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元701执行上文所描述的各个方法和处理,例如人脸图像处理。例如,在一些实施例中,人脸图像处理可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元708。在一些实施例中,计算机程序的部分或者全部可以经由ROM 702和/或通信单元709而被载入和/或安装到设备700上。当计算机程序加载到RAM 703并由计算单元701执行时,可以执行上文描述的人脸图像处理的一个或多个步骤。备选地,在其他实施例中,计算单元701可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行人脸图像处理。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务("Virtual Private Server",或简称"VPS")中,存在的管理难度大,业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器,或者是结合了区块链的服务器。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (19)
1.一种人脸图像处理方法,包括:
对输入的人脸图像进行人脸特征提取,得到第一特征图;
将所述第一特征图变换成图矩阵,所述图矩阵为图的矩阵表示;
对所述图矩阵进行特征提取,得到包含所述人脸图像全局的特征信息的特征矩阵;
将所述特征矩阵逆变换成第二特征图,所述第二特征图包含所述人脸图像全局的特征信息。
2.根据权利要求1所述的方法,其中,所述将所述第一特征图变换成图矩阵,包括:
根据所述图矩阵对应图中每一节点的特征维度,确定所述第一特征图对应的映射矩阵,所述映射矩阵的通道数等于所述图矩阵对应图中每一节点的特征维度;
根据所述映射矩阵将所述第一特征图变换为图矩阵,所述图矩阵对应图的节点数等于所述第一特征图的通道数。
3.根据权利要求2所述的方法,其中,所述根据所述图矩阵对应图中每一节点的特征维度,确定所述第一特征图对应的映射矩阵,包括:
对所述第一特征图进行第一卷积处理,得到所述映射矩阵,所述第一卷积处理对应的输出通道数等于所述图矩阵对应图中每一节点的特征维度。
4.根据权利要求2或3所述的方法,其中,所述将所述特征矩阵逆变换成第二特征图,包括:
根据所述映射矩阵,将所述特征矩阵逆变换成第二特征图。
5.根据权利要求1-4中任一项所述的方法,其中,所述对输入的人脸图像进行人脸特征提取,得到第一特征图,包括:
通过神经网络模型,对所述人脸图像进行人脸特征提取,得到第三特征图;
根据所述图矩阵对应图的节点数,对所述第三特征图进行第二卷积处理,得到所述第一特征图,所述第二卷积处理对应的输出通道数等于所述图矩阵对应图的节点数。
6.根据权利要求1-4中任一项所述的方法,其中,所述对所述图矩阵进行特征提取,得到包含全局特征信息的特征矩阵,包括:
使用第一图变换矩阵,对所述图矩阵进行特征提取,得到第一矩阵;
使用第二图变换矩阵,对所述第一矩阵进行特征提取,得到所述特征矩阵,所述第二图变换矩阵对应的输出通道数等于所述图矩阵的通道数。
7.根据权利要求1-6中任一项所述的方法,其中,将所述特征矩阵逆变换成第二特征图之后,还包括:
根据所述第二特征图进行人脸识别处理,得到识别结果。
8.根据权利要求1-6中任一项所述的方法,其中,将所述特征矩阵逆变换成第二特征图之后,还包括:
根据所述第二特征图进行人脸识别模型的训练,得到训练好的人脸识别模型。
9.一种人脸图像处理装置,包括:
第一特征提取模块,用于对输入的人脸图像进行人脸特征提取,得到第一特征图;
变换模块,用于将所述第一特征图变换成图矩阵,所述图矩阵为图的矩阵表示;
第二特征提取模块,用于对所述图矩阵进行特征提取,得到包含所述人脸图像全局的特征信息的特征矩阵;
逆变换模块,用于将所述特征矩阵逆变换成第二特征图,所述第二特征图包含所述人脸图像全局的特征信息。
10.根据权利要求9所述的装置,其中,所述变换模块,包括:
映射矩阵确定单元,用于根据所述图矩阵对应图中每一节点的特征维度,确定所述第一特征图对应的映射矩阵,所述映射矩阵的通道数等于所述图矩阵对应图中每一节点的特征维度;
变换单元,用于根据所述映射矩阵将所述第一特征图变换为图矩阵,所述图矩阵对应图的节点数等于所述第一特征图的通道数。
11.根据权利要求10所述的装置,其中,所述映射矩阵确定单元还用于:
对所述第一特征图进行第一卷积处理,得到所述映射矩阵,所述第一卷积处理对应的输出通道数等于所述图矩阵对应图中每一节点的特征维度。
12.根据权利要求10或11所述的装置,其中,所述逆变换模块还用于:
根据所述映射矩阵,将所述特征矩阵逆变换成第二特征图。
13.根据权利要求9-12中任一项所述的装置,其中,所述第一特征提取模块,包括:
第一特征提取单元,用于通过神经网络模型,对所述人脸图像进行人脸特征提取,得到第三特征图;
第二特征提取单元,用于根据所述图矩阵对应图的节点数,对所述第三特征图进行第二卷积处理,得到所述第一特征图,所述第二卷积处理对应的输出通道数等于所述图矩阵对应图的节点数。
14.根据权利要求9-13中任一项所述的装置,其中,所述第二特征提取模块,包括:
第三特征提取单元,用于使用第一图变换矩阵,对所述图矩阵进行特征提取,得到第一矩阵;
第四特征提取单元,用于使用第二图变换矩阵,对所述第一矩阵进行特征提取,得到所述特征矩阵,所述第二图变换矩阵对应的输出通道数等于所述图矩阵的通道数。
15.根据权利要求9-14中任一项所述的装置,还包括:
人脸识别模块,用于:
根据所述第二特征图进行人脸识别处理,得到识别结果。
16.根据权利要求9-14中任一项所述的装置,还包括:
人脸识别模型训练模块,用于:
根据所述第二特征图进行人脸识别模型的训练,得到训练好的人脸识别模型。
17.一种电子设备,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权利要求1-8中任一项所述的方法。
18.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据权利要求1-8中任一项所述的方法。
19.一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现权利要求1-8中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111166211.9A CN113887435A (zh) | 2021-09-30 | 2021-09-30 | 人脸图像处理方法、装置、设备、存储介质及程序产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111166211.9A CN113887435A (zh) | 2021-09-30 | 2021-09-30 | 人脸图像处理方法、装置、设备、存储介质及程序产品 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113887435A true CN113887435A (zh) | 2022-01-04 |
Family
ID=79005208
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111166211.9A Pending CN113887435A (zh) | 2021-09-30 | 2021-09-30 | 人脸图像处理方法、装置、设备、存储介质及程序产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113887435A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114463551A (zh) * | 2022-02-14 | 2022-05-10 | 北京百度网讯科技有限公司 | 图像处理方法、装置、存储介质及电子设备 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108256426A (zh) * | 2017-12-15 | 2018-07-06 | 安徽四创电子股份有限公司 | 一种基于卷积神经网络的人脸表情识别方法 |
US20190266487A1 (en) * | 2016-07-14 | 2019-08-29 | Google Llc | Classifying images using machine learning models |
CN110472495A (zh) * | 2019-07-08 | 2019-11-19 | 南京邮电大学盐城大数据研究院有限公司 | 一种基于图形推理全局特征的深度学习人脸识别方法 |
CN111353988A (zh) * | 2020-03-03 | 2020-06-30 | 成都大成均图科技有限公司 | Knn动态自适应的双图卷积图像分割方法和系统 |
CN111783748A (zh) * | 2020-08-12 | 2020-10-16 | 汉王科技股份有限公司 | 人脸识别方法、装置、电子设备及存储介质 |
CN111985542A (zh) * | 2020-08-05 | 2020-11-24 | 华中科技大学 | 代表性图结构模型、视觉理解模型的建立方法及应用 |
CN112288626A (zh) * | 2020-10-10 | 2021-01-29 | 武汉大学 | 一种基于双路径深度融合的人脸幻构方法及系统 |
CN112800903A (zh) * | 2021-01-19 | 2021-05-14 | 南京邮电大学 | 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 |
-
2021
- 2021-09-30 CN CN202111166211.9A patent/CN113887435A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190266487A1 (en) * | 2016-07-14 | 2019-08-29 | Google Llc | Classifying images using machine learning models |
CN108256426A (zh) * | 2017-12-15 | 2018-07-06 | 安徽四创电子股份有限公司 | 一种基于卷积神经网络的人脸表情识别方法 |
CN110472495A (zh) * | 2019-07-08 | 2019-11-19 | 南京邮电大学盐城大数据研究院有限公司 | 一种基于图形推理全局特征的深度学习人脸识别方法 |
CN111353988A (zh) * | 2020-03-03 | 2020-06-30 | 成都大成均图科技有限公司 | Knn动态自适应的双图卷积图像分割方法和系统 |
CN111985542A (zh) * | 2020-08-05 | 2020-11-24 | 华中科技大学 | 代表性图结构模型、视觉理解模型的建立方法及应用 |
CN111783748A (zh) * | 2020-08-12 | 2020-10-16 | 汉王科技股份有限公司 | 人脸识别方法、装置、电子设备及存储介质 |
CN112288626A (zh) * | 2020-10-10 | 2021-01-29 | 武汉大学 | 一种基于双路径深度融合的人脸幻构方法及系统 |
CN112800903A (zh) * | 2021-01-19 | 2021-05-14 | 南京邮电大学 | 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 |
Non-Patent Citations (3)
Title |
---|
CHEN, WEN-SHENG: "Local and Non-Local Feature-based Kernel Nonnegative Matrix Factorization Method for Face Recognition", 《IEEE》, 10 May 2017 (2017-05-10) * |
廖良: "基于结构表达与推理的大面积受损图像修复技术研究", 《中国优秀博士学位论文全文数据库(信息科技辑)》, no. 6, 15 June 2020 (2020-06-15) * |
洪新海;宋彦;: "结合CNN不同层信息的全变量建模人脸特征表达学习方法", 信号处理, no. 08, 25 August 2017 (2017-08-25) * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114463551A (zh) * | 2022-02-14 | 2022-05-10 | 北京百度网讯科技有限公司 | 图像处理方法、装置、存储介质及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113343803A (zh) | 模型训练方法、装置、设备和存储介质 | |
CN113963110B (zh) | 纹理图生成方法、装置、电子设备及存储介质 | |
CN113657289B (zh) | 阈值估计模型的训练方法、装置和电子设备 | |
CN113407850B (zh) | 一种虚拟形象的确定和获取方法、装置以及电子设备 | |
CN112488060B (zh) | 目标检测方法、装置、设备和介质 | |
CN113627536B (zh) | 模型训练、视频分类方法,装置,设备以及存储介质 | |
CN114792355B (zh) | 虚拟形象生成方法、装置、电子设备和存储介质 | |
CN114020950A (zh) | 图像检索模型的训练方法、装置、设备以及存储介质 | |
CN113393468A (zh) | 图像处理方法、模型训练方法、装置和电子设备 | |
CN113870399A (zh) | 表情驱动方法、装置、电子设备及存储介质 | |
CN113920313B (zh) | 图像处理方法、装置、电子设备及存储介质 | |
CN113033408B (zh) | 数据队列动态更新方法、装置、电子设备及存储介质 | |
CN114549728A (zh) | 图像处理模型的训练方法、图像处理方法、装置及介质 | |
CN114463551A (zh) | 图像处理方法、装置、存储介质及电子设备 | |
CN114092708A (zh) | 特征图像的处理方法、装置和存储介质 | |
CN113724398A (zh) | 增强现实方法、装置、设备以及存储介质 | |
CN113887435A (zh) | 人脸图像处理方法、装置、设备、存储介质及程序产品 | |
CN115019057A (zh) | 图像特征提取模型确定方法及装置、图像识别方法及装置 | |
CN114943995A (zh) | 人脸识别模型的训练方法、人脸识别方法及装置 | |
CN114842541A (zh) | 模型的训练及人脸识别方法、装置、设备以及存储介质 | |
CN113903071A (zh) | 人脸识别方法、装置、电子设备和存储介质 | |
CN114078097A (zh) | 图像去雾模型的获取方法、装置和电子设备 | |
CN114187318A (zh) | 图像分割的方法、装置、电子设备以及存储介质 | |
CN113556575A (zh) | 用于压缩数据的方法、装置、设备、介质和产品 | |
CN113704256A (zh) | 数据识别方法、装置、电子设备及存储介质 |
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 |