CN113903071A - 人脸识别方法、装置、电子设备和存储介质 - Google Patents

Abstract

本公开提供了一种人脸识别方法，涉及人工智能技术领域，具体为深度学习、计算机视觉技术领域，可用于人脸图像处理、人脸图像识别等场景。具体实现方案为：基于第一特征图中的多个特征点的特征值，得到至少一个特征点集合；基于第一特征图中的每个特征点所在的特征点集合，对每个特征点的特征值进行计算，得到每个特征点的重构特征值；基于每个特征点的重构特征值得到第二特征图，并基于第二特征图得到待识别图像的人脸识别结果。

Description

人脸识别方法、装置、电子设备和存储介质

技术领域

本公开涉及人工智能技术领域，具体为深度学习、计算机视觉技术领域，可用于人脸图像处理、人脸图像识别等场景。

背景技术

随着人脸识别技术的不断发展，该技术逐渐被运用到各个领域。同时，随着高清数据采集器的普及，采集到的人脸图片的质量越来越高。相应的，对人脸识别的准确率要求也随之增加。

发明内容

本公开提供了一种人脸识别方法、装置、电子设备以及存储介质。

根据本公开的一方面，提供了一种人脸识别方法，包括：获取待识别图像的第一特征图；

基于第一特征图中的多个特征点的特征值，得到至少一个特征点集合；

基于第一特征图中的每个特征点所在的特征点集合，对每个特征点的特征值进行计算，得到每个特征点的重构特征值；

基于每个特征点的重构特征值得到第二特征图，并基于第二特征图得到待识别图像的人脸识别结果。

根据本公开的另一方面，提供了人脸识别装置，包括：第一特征图获取模块，用于获取待识别图像的第一特征图；

集合获取模块，用于基于第一特征图中的多个特征点的特征值，得到至少一个特征点集合；

重构特征值计算模块，用于基于第一特征图中的每个特征点所在的特征点集合，对每个特征点的特征值进行计算，得到每个特征点的重构特征值；

识别模块，用于基于每个特征点的重构特征值得到第二特征图，并基于第二特征图得到待识别图像的人脸识别结果。

根据本公开的另一方面，提供了一种电子设备，包括：

至少一个处理器；以及

与该至少一个处理器通信连接的存储器；其中，

该存储器存储有可被该至少一个处理器执行的指令，该指令被该至少一个处理器执行，以使该至少一个处理器能够执行本公开任一实施例中的方法。

根据本公开的另一方面，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，该计算机指令用于使计算机执行本公开任一实施例中的方法。

根据本公开的另一方面，提供了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本公开任一实施例中的方法。

根据本公开的技术，可以通过获取待识别图像的第一特征图后，综合利用哈希映射和自加权得到第一特征图中每个特征点的重构特征值，并基于每个特征点的原始坐标以及重构特征值生成第二特征图。对第二特征图进行人脸识别，可以在常规的人脸识别所能达到的效果基础上，进一步强化对不同位置处关联特征的提取，使得人脸识别更为准确、全面。

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是根据本公开一实施例的人脸识别方法的流程示意图一；

图2是根据本公开一实施例的人脸识别方法的流程示意图二；

图3是根据本公开一实施例的步骤S120的另一种具体实施方式的流程示意图；

图4是根据本公开一实施例的人脸识别方法的流程示意图三；

图5是本公开一实施例的人脸识别模型的训练方法流程框图；

图6是根据本公开一实施例的人脸识别装置示意图一；

图7是根据本公开一实施例的人脸识别装置示意图二；

图8是用来实现本公开实施例的人脸识别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。

图1是根据本公开一实施例的人脸识别方法的流程示意图，包括：

S110，获取待识别图像的第一特征图；

S120，基于第一特征图中的多个特征点的特征值，得到至少一个特征点集合；

S130，基于第一特征图中的每个特征点所在的特征点集合，对每个特征点的特征值进行计算，得到每个特征点的重构特征值；

S140，基于每个特征点的重构特征值得到第二特征图，并基于第二特征图得到待识别图像的人脸识别结果。

示例性地，待识别图像可以是人脸图像，例如智慧城市、智慧金融等场景下的人脸图像。可以采用卷积神经网络，对待识别图像进行特征提取，得到待识别图像的第一特征图。然后，将第一特征图中的每一个像素点视为一个特征点，并基于特征点的特征值，将第一特征图中的特征点划分为不同的特征点集合。

进一步地，对于每个特征点，基于其所在的特征点集合，对其特征值做进一步的计算，得到每个特征点的重构特征值。基于每个特征点的重构特征值，生成第二特征图并对第二特征图进行人脸识别得到人脸识别的最终结果。

在本实施例中，因第二特征图中的每个特征点的重构特征值，也即第二特征图中每一个像素点的重构特征值，都是基于所在的特征点集合进行重构的，因此，每个特征点的重构特征值融合了关联的特征点的信息，所以第二特征图可以体现出不同位置处的关联特征，对第二特征图进行人脸识别，可以在常规的人脸识别所能达到的效果基础上，进一步强化对不同位置处关联特征的提取，使得人脸识别更为准确、全面。

示例性地，如图2所示，步骤S120可以包括：

图2是根据本公开另一实施例的人脸识别方法的流程示意图，包括：

S210，获取待识别图像的第一特征图；

S220，基于第一特征图中的多个特征点的特征值，对第一特征图中的多个特征点进行聚类，得到至少一个特征点集合；

S230，基于第一特征图中的每个特征点所在的特征点集合，对每个特征点的特征值进行计算，得到每个特征点的重构特征值；

S240，基于每个特征点的重构特征值得到第二特征图，并基于第二特征图得到待识别图像的人脸识别结果。

也就是说，基于第一特征图中的多个特征点的特征值，得到至少一个特征点集合，可以包括：基于第一特征图中的多个特征点的特征值，对第一特征图中的多个特征点进行聚类，得到至少一个特征点集合。

根据该实施例方式，基于第一特征图中的多个特征点的特征值，得到至少一个特征点集合的过程实际上是一个聚类的过程，将具有共同点的相似特征点划为一类，组成一个特征点集合。因此，每个特征点的重构特征值是基于相似特征点的特征值得到，如此，可以准确提取关联特征，进一步提高人脸识别的准确率。

在一些实施例中，基于第一特征图中的多个特征点的特征值，得到至少一个特征点集合，也可以如图3所示，包括：

S310，对第一特征图中的多个特征点的特征值分别进行哈希映射，得到每个特征点的映射特征值；

S320，基于每个特征点的映射特征值，得到至少一个特征点集合；其中，同一特征点集合中的特征点的映射特征值相同。

示例性地，可以采用哈希映射函数对第一特征图中的每个特征点的特征值进行哈希映射，得到每个特征点的映射特征值。其中，哈希映射函数如下：

H(x)＝argmax([xR,-xR])； (公式1)

其中R表示随机矩阵，x表示特征点的特征值，H(x)表示特征点的映射特征值。

根据上述公式1，在特征点的映射特征值相同的情况下，这些特征点互为相似特征点，基于此，可以映射特征值相同的特征点划分进同一特征点集合，从而实现将相似特征点划分进同一特征点集合。

在上述实施例中，利用哈希映射将映射特征值相同的特征点即相似特征点划分进同一集合，便于后续在同一集合中相似特征点的基础上对这些特征点的特征值进行计算，得到更为准确的重构特征值，有助于提高最终人脸识别结果的准确性。

在一些实施例中，可以如图4所示，基于第一特征图中的每个特征点所在的特征点集合，对每个特征点的特征值进行计算，得到每个特征点的重构特征值，包括：

S410，将每个特征点的特征值分别与其所在的特征点集合中其他特征点的特征值逐个进行计算，得到每个特征点的自加权信息；

S420，基于每个特征点的自加权信息，得到每个特征点的重构特征值。

示例性地，基于每个特征点的特征值，将其分别与所属特征点集合中的其他特征点的特征值进行计算，得到每个特征点的自加权信息。自加权计算即通过引入相似特征点的特征和当前特征点自身特征进行计算，得到两者之间的交互信息，更好地提取彼此之间的相似信息。

进一步地，每一个特征点的特征值在与其所在的特征点集合中其他特征点的特征值逐个进行计算后，还可以与所在特征点集合中其他所有特征点的特征值共同进行一次整体的计算，有助于更好地捕捉特征的内部相关性以得到每个特征点的重构特征值。

本实施例中，通过自加权计算，在相似特征点的基础上进一步比较了彼此之间的相似度，利用自加权信息得到每个特征点的重构特征值，重构特征值可以更好地体现特征点的特征，有助于后续生成第二特征图后，借助每个特征点的特征值识别提取不同位置处特征关联。

示例性地，基于每个特征点的重构特征值得到第二特征图，并基于第二特征图得到待识别图像的人脸识别结果，包括：

基于每个特征点的重构特征值以及每个特征点的坐标，得到第二特征图。

具体地，在获取每个特征点的重构特征值后，基于每个特征点的原始坐标以及重构特征值生成第二特征图，由于第二特征图中每个特征点具备重构特征值，重构特征值可以更好地反映每个特征点的特征并便于比较每个特征点与其他不同位置处特征点的相似度，在此基础上对第二特征图进行人脸识别，可以获得更加全面、准确的人脸识别结果。

以上从不同角度描述了本申请实施例的具体设置和实现方式。利用上述实施例提供的方法，获取待识别图像的第一特征图后，综合利用哈希映射和自加权得到第一特征图中每个特征点的重构特征值，并基于每个特征点的原始坐标以及重构特征值生成第二特征图。对第二特征图进行人脸识别，可以在常规的人脸识别所能达到的效果基础上，进一步强化对不同位置处关联特征的提取，使得人脸识别更为准确、全面。

需要说明的是，本公开实施例中待识别图像中的人脸图像并不是针对某一特定用户的人脸图像，并不能反映出某一特定用户的个人信息。

本实施例中，人脸识别方法的执行主体可以通过各种公开、合法合规的方式获取目标人脸图像，例如可以是从公开数据集处获取的，或者是经过了用户的授权从用户处获取的。

图5是本公开一实施例的人脸识别模型的训练方法流程框图，具体步骤如下：

将样本人脸图片输入初步识别模型中提取特征获得第一特征图，而后基于哈希映射函数将初步特征图中的每一个特征点进行映射获取不同特征点的哈希编码值，哈希编码值相同的特征点划入同一集合，得到多个相似特征点集合。

进一步地，将同一个特征点集合的特征点的特征值通过自加权模块生成重构特征值，生成过程采用公式如下：

F＝softmax[m*transpose(n)]*m； (公式2)

其中m表示当前计算特征点的特征值，n表示与当前特征点同一特征点集合中的另一个特征点的特征值。

采用公式2可以将每个特征点的特征值分别与其所在的特征点集合中其他特征点的特征值逐个进行计算，最终基于每次计算得到的F生成每个特征点的重构特征值。

将具备重构特征值的特征点按照位置重建生成第二特征图，并将第二特征图输入识别损失函数中监督训练，最终得到具备识别不同位置处特征关联的人脸识别模型。

作为上述各方法的实现，本公开实施例还提供了一种人脸识别装置。图6是根据本公开一实施例的人脸识别装置示意图，该装置包括：

第一特征图获取模块610，用于获取待识别图像的第一特征图；

集合获取模块620，用于基于第一特征图中的多个特征点的特征值，得到至少一个特征点集合；

重构特征值计算模块630，用于基于第一特征图中的每个特征点所在的特征点集合，对每个特征点的特征值进行计算，得到每个特征点的重构特征值；

识别模块640，基于每个特征点的重构特征值得到第二特征图，并基于第二特征图得到待识别图像的人脸识别结果。

其中，集合获取模块620包括：

聚类单元，用于基于第一特征图中的多个特征点的特征值，对第一特征图中的多个特征点进行聚类，得到至少一个特征点集合。

图7是根据本公开一实施例的人脸识别装置示意图，该装置包括：第一特征图获取模块710、集合获取模块720、重构特征值计算模块730和识别模块740。

其中，第一特征图获取模块710、集合获取模块720、重构特征值计算模块730和识别模块740分别与上述实施例中的第一特征图获取模块610、集合获取模块620、重构特征值计算模块630和识别模块640功能相同，此处不再赘述。

如图7所示，集合获取模块720包括：

映射单元721，用于对第一特征图中的多个特征点的特征值分别进行哈希映射，得到每个特征点的映射特征值；

集合获取单元722，用于基于每个特征点的映射特征值，得到至少一个特征点集合；其中，同一特征点集合中的特征点的映射特征值相同。

示例性地，在本公开实施例中，重构特征值计算模块730包括：

自加权信息获取单元731，用于将每个特征点的特征值分别与其所在的特征点集合中其他特征点的特征值逐个进行计算，得到每个特征点的自加权信息；

重构特征值获取单元732，用于基于每个特征点的自加权信息，得到每个特征点的重构特征值。

示例性地，识别模块740包括：

第二特征图获取单元，用于基于每个特征点的重构特征值以及每个特征点的坐标，得到第二特征图。

本公开实施例各装置中的各单元、模块或子模块的功能可以参见上述方法实施例中的对应描述，具备相应的有益效果，在此不再赘述

本公开的技术方案中，所涉及的用户个人信息的获取，存储和应用等，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。

图8示出了可以用来实施本公开的实施例的示例电子设备800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8所示，设备800包括计算单元801，其可以根据存储在只读存储器(ROM)802中的计算机程序或者从存储单元808加载到随机访问存储器(RAM)803中的计算机程序，来执行各种适当的动作和处理。在RAM 803中，还可存储设备800操作所需的各种程序和数据。计算单元801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。

设备800中的多个部件连接至I/O接口805，包括：输入单元806，例如键盘、鼠标等；输出单元807，例如各种类型的显示器、扬声器等；存储单元808，例如磁盘、光盘等；以及通信单元809，例如网卡、调制解调器、无线通信收发机等。通信单元809允许设备800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801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801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801执行上文所描述的各个方法和处理，例如人脸识别方法。例如，在一些实施例中，人脸识别方法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808。在一些实施例中，计算机程序的部分或者全部可以经由ROM 802和/或通信单元809而被载入和/或安装到设备800上。当计算机程序加载到RAM 803并由计算单元801执行时，可以执行上文描述的人脸识别方法的一个或多个步骤。备选地，在其他实施例中，计算单元801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识别方法。

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，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 (13)

1.一种人脸识别方法，包括：

获取待识别图像的第一特征图；

基于所述第一特征图中的多个特征点的特征值，得到至少一个特征点集合；

基于所述第一特征图中的每个特征点所在的特征点集合，对所述每个特征点的特征值进行计算，得到所述每个特征点的重构特征值；

基于所述每个特征点的重构特征值得到第二特征图，并基于所述第二特征图得到所述待识别图像的人脸识别结果。

2.根据权利要求1所述的方法，其中，所述基于所述第一特征图中的多个特征点的特征值，得到至少一个特征点集合，包括：

基于所述第一特征图中的多个特征点的特征值，对所述第一特征图中的多个特征点进行聚类，得到至少一个特征点集合。

3.根据权利要求1所述的方法，其中，所述基于所述第一特征图中的多个特征点的特征值，得到至少一个特征点集合，包括：

对所述第一特征图中的多个特征点的特征值分别进行哈希映射，得到所述每个特征点的映射特征值；

基于所述每个特征点的映射特征值，得到至少一个特征点集合；其中，同一特征点集合中的特征点的映射特征值相同。

4.根据权利要求1-3中任一项所述的方法，其中，所述基于所述第一特征图中的每个特征点所在的特征点集合，对所述每个特征点的特征值进行计算，得到所述每个特征点的重构特征值，包括：

将所述每个特征点的特征值分别与其所在的特征点集合中其他特征点的特征值逐个进行计算，得到所述每个特征点的自加权信息；

基于所述每个特征点的自加权信息，得到所述每个特征点的重构特征值。

5.根据权利要求1-4中任一项所述的方法，其中，所述基于所述每个特征点的重构特征值得到第二特征图，包括：

基于所述每个特征点的重构特征值以及所述每个特征点的坐标，得到第二特征图。

6.一种人脸识别装置，包括：

第一特征图获取模块，用于获取待识别图像的第一特征图；

集合获取模块，用于基于所述第一特征图中的多个特征点的特征值，得到至少一个特征点集合；

重构特征值计算模块，用于基于所述第一特征图中的每个特征点所在的特征点集合，对所述每个特征点的特征值进行计算，得到所述每个特征点的重构特征值；

识别模块，用于基于所述每个特征点的重构特征值得到第二特征图，并基于所述第二特征图得到所述待识别图像的人脸识别结果。

7.根据权利要求6所述的装置，其中，所述集合获取模块用于：

基于所述第一特征图中的多个特征点的特征值，对所述第一特征图中的多个特征点进行聚类，得到至少一个特征点集合。

8.根据权利要求6所述的装置，其中，所述集合获取模块包括：

映射单元，用于对所述第一特征图中的多个特征点的特征值分别进行哈希映射，得到所述每个特征点的映射特征值；

集合获取单元，用于基于所述每个特征点的映射特征值，得到至少一个特征点集合；其中，同一特征点集合中的特征点的映射特征值相同。

9.根据权利要求6-8中任一项所述的装置，其中，所述重构特征值计算模块包括：

自加权信息获取单元，用于将所述每个特征点的特征值分别与其所在的特征点集合中其他特征点的特征值逐个进行计算，得到所述每个特征点的自加权信息；

重构特征值获取单元，用于基于所述每个特征点的自加权信息，得到所述每个特征点的重构特征值。

10.根据权利要求6-9中任一项所述的装置，其中，所述识别模块包括：

第二特征图获取单元，用于基于所述每个特征点的重构特征值以及所述每个特征点的坐标，得到第二特征图。

11.一种电子设备，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1-5中任一项所述的方法。

12.一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1-5中任一项所述的方法。

13.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1-5中任一项所述的方法。

Images