CN113936308A - 人脸识别方法、装置及电子设备 - Google Patents
人脸识别方法、装置及电子设备 Download PDFInfo
- Publication number
- CN113936308A CN113936308A CN202010653082.5A CN202010653082A CN113936308A CN 113936308 A CN113936308 A CN 113936308A CN 202010653082 A CN202010653082 A CN 202010653082A CN 113936308 A CN113936308 A CN 113936308A
- Authority
- CN
- China
- Prior art keywords
- resolution
- face
- low
- image
- sample 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
- 238000000034 method Methods 0.000 title claims abstract description 33
- 230000001815 facial effect Effects 0.000 claims description 19
- 238000005070 sampling Methods 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 16
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 2
- 230000006870 function Effects 0.000 description 12
- 230000004927 fusion Effects 0.000 description 10
- 238000004891 communication Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000012634 optical imaging Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 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
- G06F18/25—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
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)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例提供人脸识别方法、装置及电子设备，所述方法包括：将待识别人脸图像和所述待识别人脸图像的人脸部件解析图输入训练好的低分辨率识别模型，输出所述待识别人脸图像的特征；根据所述待识别人脸图像的特征进行人脸识别。通过将待识别人脸图像的人脸部件解析图作为人脸先验信息输入训练好的低分辨率识别模型，提高了对于低分辨率人脸图像的识别成功率。
Description
技术领域
本发明涉及图像识别领域，尤其涉及人脸识别方法、装置及电子设备。
背景技术
人脸识别系统的研究始于20世纪60年代，80年代后随着计算机技术和光学成像技术的发展得到提高，而真正进入初级的应用阶段则在90年后期，并且以美国、德国和日本的技术实现为主；人脸识别系统成功的关键在于是否拥有尖端的核心算法，并使识别结果具有实用化的识别率和识别速度；“人脸识别系统”集成了人工智能、机器识别、机器学习、模型理论、专家系统、视频图像处理等多种专业技术，同时需结合中间值处理的理论与实现，是生物特征识别的最新应用，其核心技术的实现，展现了弱人工智能向强人工智能的转化。
基于深度学习的通用人脸识别算法在近年来发展非常快，以至于社区内逐步将通用人脸识别任务认为是一个已经解决的问题。我们常见的通用人脸识别往往是在公开数据集上进行训练和测试的，这些公开数据集往往从互联网上使用爬虫爬取到的高清的名人人脸照片。这些图片的质量往往很好，人脸识别算法在这种数据上进行训练和测试的结果也相当优秀。在手机解锁、门禁签到等配合应用场景下，通用人脸识别模型往往有很好的表现。
但是，在实际应用场景中，摄像头很难拍摄到高分辨率的质量极好的人脸图片用于人脸识别任务。在非配合的监控场景下，较远距离拍摄到的人脸图片往往存在着尺寸较小、分辨率较低的问题，同时也伴随着运动模糊和角度过大等情况。在这种情况下，现有的通用人脸识别模型对于这种低分辨率人脸图片识别的性能会出现十分严重的下降，导致识别成功率低。
发明内容
本发明实施例提供人脸识别方法、装置及电子设备，用以解决现有的通用人脸识别模型存在的对于低分辨率人脸图片识别性能低下，及导致识别成功率低的问题。
第一方面，本发明实施例提供一种人脸识别方法，包括：
将待识别人脸图像和所述待识别人脸图像的人脸部件解析图输入训练好的低分辨率识别模型，输出所述待识别人脸图像的特征；
根据所述待识别人脸图像的特征进行人脸识别。
可选地，所述训练好的低分辨率识别模型基于高分辨率样本图像，利用预设的跨分辨率双流训练网络训练得到；所述跨分辨率双流训练网络包括高分辨率识别模型支路和低分辨率识别模型支路；所述高分辨率识别模型支路用于提取高分辨率图像特征，所述低分辨率识别模型支路用于提取低分辨率图像特征；所述高分辨率样本图像为预设的训练集中的分辨率高于第一预设阈值的图像。
可选地，所述将待识别人脸图像和所述待识别人脸图像的人脸部件解析图输入训练好的低分辨率识别模型之前，还包括：
利用预设的面部解析网络对所述待识别人脸图像进行解析，获取所述待识别人脸图像的人脸部件解析图。
可选地，获取所述训练好的低分辨率识别模型的具体步骤如下：
通过所述高分辨率识别模型支路提取所述高分辨率样本图像的特征，对所述高分辨率样本图像进行降采样处理，获取低分辨率样本图像，通过所述低分辨率识别模型支路提取所述低分辨率样本图像的特征；所述低分辨率样本图像为分辨率低于第二预设阈值的图像；
基于所述高分辨率样本图像的特征和所述低分辨率样本图像的特征，生成所述低分辨率识别模型支路中的模型参数，得到所述训练好的低分辨率识别模型。
可选地，所述基于所述高分辨率样本图像的特征和所述低分辨率样本图像的特征，生成所述低分辨率识别模型支路中的模型参数，具体包括：
根据所述高分辨率样本图像的特征和所述低分辨率样本图像的特征获取所述高分辨率样本图像的特征和所述低分辨率样本图像的特征之间的相似性距离度量；
基于所述相似性距离度量，确定所述高分辨率样本图像的特征和所述低分辨率样本图像的特征之间的特征损失；
基于所述特征损失进行梯度回传，确定所述低分辨率识别模型支路中的模型参数。
可选地，所述通过所述低分辨率识别模型支路提取所述低分辨率样本图像的特征，具体包括：
利用预设的面部解析网络对所述低分辨率样本图像进行解析，获取所述低分辨率样本图像的人脸部件解析图；
对所述低分辨率样本图像的人脸部件解析图进行降采样处理；
基于降采样处理后的所述低分辨率样本图像的人脸部件解析图，和所述低分辨率样本图像，获取所述低分辨率样本图像的特征。
可选地，所述获取所述低分辨率样本图像的人脸部件解析图，具体包括：
获取所述低分辨率样本图像的L1损失和结构相似性损失；
赋予所述L1损失和所述结构相似性损失对应的预设权重值，计算所述L1损失和所述结构相似性损失的加权和，根据所述加权和与所述低分辨率样本图像的交叉熵损失获取所述低分辨率样本图像的人脸部件解析图。
可选地，所述根据所述待识别人脸图像的特征进行人脸识别，具体包括：
将所述待识别人脸图像的特征与预设人脸的特征进行对比，当所述待识别人脸图像的特征与所述预设人脸的特征相似度超过第三预设阈值时，判定对所述待识别人脸图像识别成功。
第二方面，本发明实施例提供一种人脸识别装置，包括：
特征获取模块，用于将待识别人脸图像和所述待识别人脸图像的人脸部件解析图输入训练好的低分辨率识别模型，输出所述待识别人脸图像的特征；
识别模块，用于根据所述待识别人脸图像的特征进行人脸识别。
第三方面，本发明实施例提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如第一方面中任一项所述人脸识别方法的步骤。
本发明实施例提供的人脸识别方法、装置及电子设备，通过将待识别人脸图像的人脸部件解析图作为人脸先验信息输入训练好的低分辨率识别模型，提高了对于低分辨率人脸图像的识别成功率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的人脸识别方法的流程示意图；
图2为本发明实施例提供的人脸识别装置的结构示意图；
图3为本发明实施例提供的电子设备的结构示意图；
图4为本发明实施例提供的人脸识别方法的识别架构图；
图5为本发明实施例提供的训练好的低分辨率识别模型整体架构图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图1所示，为本发明实施例提供的人脸识别方法，包括：
将待识别人脸图像和所述待识别人脸图像的人脸部件解析图输入训练好的低分辨率识别模型，输出所述待识别人脸图像的特征；
根据所述待识别人脸图像的特征进行人脸识别。
具体地，待识别人脸图像是指将要被识别的人脸图像，通常是通过图像传感器采集到的人脸图像。待识别人脸图像的人脸部件解析图的获取方式是将待识别人脸图像输入到预设的面部解析网络进行处理获得的，预设的面部解析网络中包括低分辨人脸解析的损失函数。训练好的低分辨率识别模型是基于高分辨率样本图像，利用预设的跨分辨率双流训练网络训练得到，包括高分辨率识别模型支路和低分辨率识别模型支路；其中，高分辨率识别模型支路用于提取高分辨率图像特征，低分辨率识别模型支路用于提取低分辨率图像特征；高分辨率样本图像为预设的训练集中的分辨率高于第一预设阈值的图像。如图4所示，将待识别人脸图像和待识别人脸图像的人脸部件解析图输入到训练好的低分辨率识别模型，输出待识别人脸图像的特征。待识别人脸图像的特征用于与后台数据库中的预设人脸的特征进行对比，实现对待识别人脸图像的判定。
进一步地，对待识别人脸图像的判定方法为，将待识别人脸图像的特征与后台数据库中的预设人脸的特征进行对比，当待识别人脸图像的特征与预设人脸的特征相似度超过预设阈值时，判定对待识别人脸图像识别成功。
作为本发明的一种实施例，所述训练好的低分辨率识别模型基于高分辨率样本图像，利用预设的跨分辨率双流训练网络训练得到；所述跨分辨率双流训练网络包括高分辨率识别模型支路和低分辨率识别模型支路；所述高分辨率识别模型支路用于提取高分辨率图像特征，所述低分辨率识别模型支路用于提取低分辨率图像特征；所述高分辨率样本图像为预设的训练集中的分辨率高于第一预设阈值的图像。
具体地，训练好的低分辨率识别模型包括高分辨率识别模型支路和低分辨率识别模型支路，且训练好的低分辨率识别模型是一个孪生网络。该孪生网络有两个分支，分别为高分辨率识别模型支路和低分辨率识别模型支路，且高分辨率识别模型支路和低分辨率识别模型支路中的网络参数不共享但结构完全相同。高分辨率识别模型支路用于提取高分辨率图像特征，高分辨率识别模型支路在预设的大规模的高分辨率样本图像上进行预训练并保持参数固定。低分辨率识别模型支路用于提取低分辨率图像特征，低分辨率识别模型支路经过与高分辨率识别模型支路中相同的预训练，但低分辨率识别模型支路中的模型参数能够进行更新。
作为本发明的一种实施例，所述将待识别人脸图像和所述待识别人脸图像的人脸部件解析图输入训练好的低分辨率识别模型之前，还包括：
利用预设的面部解析网络对所述待识别人脸图像进行解析，获取所述待识别人脸图像的人脸部件解析图。
具体地，预设的面部解析网络是一种语义分割网络，例如，我们使用BiSeNet作为我们面部解析网络的主干网络。BiSeNet是一种语义分割网络，我们将其拓展到面部解析的任务上来并作如下改进。1、将Context Path的骨架网络由ResNet更改为人脸识别特征提取网络，相应的特征图降采样尺度有所变化。2、将插值的上采样方式更改为参数可学习的Pixel Shuffle上采样方式。预设的面部解析网络中包括低分辨人脸解析的损失函数，我们通过低分辨人脸解析的损失函数获取到待识别人脸图像的人脸部件解析图。
低分辨人脸解析的损失函数为：
其中，LFP为待识别人脸图像的人脸部件解析图，LPWCE为像素级交叉熵分类损失，LL1为超分辨任务中常见的L1损失函数，LSSIM为结构相似性损失函数，λ1和λ2为加权系数。Ifp为解析模型输出的解析图，Igt为像素级标注。
作为本发明的一种实施例，获取所述训练好的低分辨率识别模型的具体步骤如下：
通过所述高分辨率识别模型支路提取所述高分辨率样本图像的特征，对所述高分辨率样本图像进行降采样处理，获取低分辨率样本图像，通过所述低分辨率识别模型支路提取所述低分辨率样本图像的特征；所述低分辨率样本图像为分辨率低于第二预设阈值的图像；
基于所述高分辨率样本图像的特征和所述低分辨率样本图像的特征，生成所述低分辨率识别模型支路中的模型参数，得到所述训练好的低分辨率识别模型。
具体地，低分辨率样本图像通过对高分辨率样本图像进行降采样处理获取，高分辨率识别模型支路用于提取高分辨率图像特征，高分辨率识别模型支路在预设的大规模的高分辨率样本图像上进行预训练并保持参数固定。低分辨率识别模型支路用于提取低分辨率图像特征，低分辨率识别模型支路经过与高分辨率识别模型支路中相同的预训练，但低分辨率识别模型支路中的模型参数能够进行更新，低分辨率样本图像为分辨率低于第二预设阈值的图像；我们通过获取低分辨识别支路中的模型参数就能够得到训练好的低分辨率识别模型。
作为本发明的一种实施例，所述基于所述高分辨率样本图像的特征和所述低分辨率样本图像的特征，生成低分辨率识别模型支路中的模型参数，具体包括：
根据所述高分辨率样本图像的特征和所述低分辨率样本图像的特征获取所述高分辨率样本图像的特征和所述低分辨率样本图像的特征之间的相似性距离度量；
基于所述相似性距离度量，确定所述高分辨率样本图像的特征和所述低分辨率样本图像的特征之间的特征损失；
基于所述特征损失进行梯度回传，确定所述低分辨率识别模型支路中的模型参数。
具体地，如图5所示，我们将高分辨率样本图像的特征与低分辨率样本图像的特征进行相似性距离度量处理，获取高分辨率样本图像的特征和低分辨率样本图像的特征之间的相似性距离度量，使得高分辨率样本图像的特征与低分辨率样本图像的特征在数值上足够接近，即符合：
其中，D[*，*]表示两个特征之间的相似性距离度量，m是预设参数值，N是样本图像的规模，包括高分辨率样本图像的特征与低分辨率样本图像；
进一步地，根据相似性距离度量，我们能够确定高分辨率样本图像的特征和低分辨率样本图像的特征之间的特征损失，获取特征损失的公式为：
其中，LFH为特征损失，
是第i张高分辨率样本图像的特征，
是第i张低分辨率样本图像的特征，m是预设参数值。
最后，将特征损失进行梯度回传处理对低分辨率识别模型支路中的模型参数进行更新，确定低分辨率识别模型支路中的模型参数。
作为本发明的一种实施例，所述通过所述低分辨率识别模型支路提取所述低分辨率样本图像的特征，具体包括：
利用预设的面部解析网络对所述低分辨率样本图像进行解析，获取所述低分辨率样本图像的人脸部件解析图；
对所述低分辨率样本图像的人脸部件解析图进行降采样处理；
基于降采样处理后的所述低分辨率样本图像的人脸部件解析图，和所述低分辨率样本图像，获取所述低分辨率样本图像的特征。
具体地，获取低分辨率样本图像的特征的具体步骤包括：
将低分辨率样本图像的人脸部件解析图降采样至第一预设尺度，将第一预设尺度与低分辨率样本图像的识别特征进行特征融合获取第一融合特征；
将低分辨率样本图像的人脸部件解析图降采样至第二预设尺度，将第二预设尺度与第一融合特征进行特征融合获取第二融合特征；
将低分辨率样本图像的人脸部件解析图降采样至第三预设尺度，将第三预设尺度与第二融合特征进行特征融合获取第三融合特征；
将低分辨率样本图像的人脸部件解析图降采样至第四预设尺度，将第四预设尺度与第三融合特征进行特征融合获取低分辨率样本图像的特征。
作为本发明的一种实施例，所述获取所述低分辨率样本图像的人脸部件解析图，具体包括：
获取所述低分辨率样本图像的L1损失和结构相似性损失；
赋予所述L1损失和所述结构相似性损失对应的预设权重值，计算所述L1损失和所述结构相似性损失的加权和，根据所述加权和与所述低分辨率样本图像的交叉熵损失获取所述低分辨率样本图像的人脸部件解析图。
具体地，我们通过低分辨人脸解析的损失函数获取到待识别人脸图像的人脸部件解析图。
低分辨人脸解析的损失函数为：
其中，LFP为待识别人脸图像的人脸部件解析图，LPWCE为像素级交叉熵分类损失，LL1为超分辨任务中常见的L1损失函数，LSSIM为结构相似性损失函数，λ1和λ2为加权系数。Ifp为解析模型输出的解析图，Igt为像素级标注。
我们通过将超分辨任务中的图像相似性损失函数LSSIM添加到预设的面部解析网络中，优化了对待识别人脸图像的人脸部件解析。
作为本发明的一种实施例，所述根据所述待识别人脸图像的特征进行人脸识别，具体包括：
将所述待识别人脸图像的特征与预设人脸的特征进行对比，当所述待识别人脸图像的特征与所述预设人脸的特征相似度超过第三预设阈值时，判定对所述待识别人脸图像识别成功。
具体地，将待识别人脸图像的特征与预设人脸的特征进行对比，具体对比的算法可根据需要进行预置。其中，预设人脸的特征是预设的作为对比特征的人脸的特征，通常通过采集并存储在后台数据库中，当待识别人脸图像的特征与预设人脸的特征经过对比相似度超过第三预设阈值时，判定对待识别人脸图像识别成功。
如图2所示，为本发明实施例提供的人脸识别装置，包括：
特征获取模块，用于将待识别人脸图像和所述待识别人脸图像的人脸部件解析图输入训练好的低分辨率识别模型，输出所述待识别人脸图像的特征；
识别模块，用于根据所述待识别人脸图像的特征进行人脸识别。
具体地，待识别人脸图像是指将要被识别的人脸图像，通常是通过图像传感器采集到的人脸图像。待识别人脸图像的人脸部件解析图的获取方式是将待识别人脸图像输入到预设的面部解析网络进行处理获得的，预设的面部解析网络中包括低分辨人脸解析的损失函数。训练好的低分辨率识别模型是基于高分辨率样本图像，利用预设的跨分辨率双流训练网络训练得到，包括高分辨率识别模型支路和低分辨率识别模型支路；其中，高分辨率识别模型支路用于提取高分辨率图像特征，低分辨率识别模型支路用于提取低分辨率图像特征；高分辨率样本图像为预设的训练集中的分辨率高于第一预设阈值的图像。特征获取模块用于将待识别人脸图像和待识别人脸图像的人脸部件解析图输入到训练好的低分辨率识别模型，输出待识别人脸图像的特征。
识别模块用于将待识别人脸图像的特征与后台数据库中的预设人脸的特征进行对比，实现对待识别人脸图像的判定。对待识别人脸图像的判定方法为，将待识别人脸图像的特征与后台数据库中的预设人脸的特征进行对比，当待识别人脸图像的特征与预设人脸的特征相似度超过预设阈值时，判定对待识别人脸图像识别成功。
如图3所示，为本发明实施例提供的电子设备，该电子设备可以包括：处理器(processor)301、通信接口(Communications Interface)302、存储器(memory)303和通信总线304，其中，处理器301，通信接口302，存储器303通过通信总线304完成相互间的通信。处理器301可以调用存储器303中的逻辑指令，以执行如下方法：将待识别人脸图像和所述待识别人脸图像的人脸部件解析图输入训练好的低分辨率识别模型，输出所述待识别人脸图像的特征；根据所述待识别人脸图像的特征进行人脸识别。
此外，上述的存储器303中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例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(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.人脸识别方法，其特征在于，包括：
将待识别人脸图像和所述待识别人脸图像的人脸部件解析图输入训练好的低分辨率识别模型，输出所述待识别人脸图像的特征；
根据所述待识别人脸图像的特征进行人脸识别。
2.根据权利要求1所述的人脸识别方法，其特征在于，所述训练好的低分辨率识别模型基于高分辨率样本图像，利用预设的跨分辨率双流训练网络训练得到；所述跨分辨率双流训练网络包括高分辨率识别模型支路和低分辨率识别模型支路；所述高分辨率识别模型支路用于提取高分辨率图像特征，所述低分辨率识别模型支路用于提取低分辨率图像特征；所述高分辨率样本图像为预设的训练集中的分辨率高于第一预设阈值的图像。
3.根据权利要求1所述的人脸识别方法，其特征在于，所述将待识别人脸图像和所述待识别人脸图像的人脸部件解析图输入训练好的低分辨率识别模型之前，还包括：
利用预设的面部解析网络对所述待识别人脸图像进行解析，获取所述待识别人脸图像的人脸部件解析图。
4.根据权利要求2所述的人脸识别方法，其特征在于，获取所述训练好的低分辨率识别模型的具体步骤如下：
通过所述高分辨率识别模型支路提取所述高分辨率样本图像的特征，对所述高分辨率样本图像进行降采样处理，获取低分辨率样本图像，通过所述低分辨率识别模型支路提取所述低分辨率样本图像的特征；所述低分辨率样本图像为分辨率低于第二预设阈值的图像；
基于所述高分辨率样本图像的特征和所述低分辨率样本图像的特征，生成所述低分辨率识别模型支路中的模型参数，得到所述训练好的低分辨率识别模型。
5.根据权利要求4所述的人脸识别方法，其特征在于，所述基于所述高分辨率样本图像的特征和所述低分辨率样本图像的特征，生成所述低分辨率识别模型支路中的模型参数，具体包括：
根据所述高分辨率样本图像的特征和所述低分辨率样本图像的特征获取所述高分辨率样本图像的特征和所述低分辨率样本图像的特征之间的相似性距离度量；
基于所述相似性距离度量，确定所述高分辨率样本图像的特征和所述低分辨率样本图像的特征之间的特征损失；
基于所述特征损失进行梯度回传，确定所述低分辨率识别模型支路中的模型参数。
6.根据权利要求4所述的人脸识别方法，其特征在于，所述通过所述低分辨率识别模型支路提取所述低分辨率样本图像的特征，具体包括：
利用预设的面部解析网络对所述低分辨率样本图像进行解析，获取所述低分辨率样本图像的人脸部件解析图；
对所述低分辨率样本图像的人脸部件解析图进行降采样处理；
基于降采样处理后的所述低分辨率样本图像的人脸部件解析图，和所述低分辨率样本图像，获取所述低分辨率样本图像的特征。
7.根据权利要求6所述的人脸识别方法，其特征在于，所述获取所述低分辨率样本图像的人脸部件解析图，具体包括：
获取所述低分辨率样本图像的L1损失和结构相似性损失；
赋予所述L1损失和所述结构相似性损失对应的预设权重值，计算所述L1损失和所述结构相似性损失的加权和，根据所述加权和与所述低分辨率样本图像的交叉熵损失获取所述低分辨率样本图像的人脸部件解析图。
8.根据权利要求1所述的人脸识别方法，其特征在于，所述根据所述待识别人脸图像的特征进行人脸识别，具体包括：
将所述待识别人脸图像的特征与预设人脸的特征进行对比，当所述待识别人脸图像的特征与所述预设人脸的特征相似度超过第三预设阈值时，判定对所述待识别人脸图像识别成功。
9.人脸识别装置，其特征在于，包括：
特征获取模块，用于将待识别人脸图像和所述待识别人脸图像的人脸部件解析图输入训练好的低分辨率识别模型，输出所述待识别人脸图像的特征；
识别模块，用于根据所述待识别人脸图像的特征进行人脸识别。
10.电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至8任一项所述人脸识别方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010653082.5A CN113936308A (zh) | 2020-07-08 | 2020-07-08 | 人脸识别方法、装置及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010653082.5A CN113936308A (zh) | 2020-07-08 | 2020-07-08 | 人脸识别方法、装置及电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113936308A true CN113936308A (zh) | 2022-01-14 |
Family
ID=79273110
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010653082.5A Pending CN113936308A (zh) | 2020-07-08 | 2020-07-08 | 人脸识别方法、装置及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113936308A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114463862A (zh) * | 2022-02-14 | 2022-05-10 | 北京百度网讯科技有限公司 | 人脸识别方法、装置、电子设备及存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2011070283A (ja) * | 2009-09-24 | 2011-04-07 | Nippon Telegr & Teleph Corp <Ntt> | 顔画像高解像度化装置、及びプログラム |
| CN109002770A (zh) * | 2018-06-25 | 2018-12-14 | 电子科技大学 | 一种低分辨率条件下的人脸识别方法 |
| KR20190119550A (ko) * | 2019-10-02 | 2019-10-22 | 엘지전자 주식회사 | 영상의 해상도를 향상시키기 위한 방법 및 장치 |
| CN110472457A (zh) * | 2018-05-10 | 2019-11-19 | 成都视观天下科技有限公司 | 低分辨率人脸图像识别、还原方法、设备及存储介质 |
| CN110909578A (zh) * | 2018-09-18 | 2020-03-24 | 中国移动通信有限公司研究院 | 一种低分辨率图像识别方法、装置和存储介质 |
-
2020
- 2020-07-08 CN CN202010653082.5A patent/CN113936308A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2011070283A (ja) * | 2009-09-24 | 2011-04-07 | Nippon Telegr & Teleph Corp <Ntt> | 顔画像高解像度化装置、及びプログラム |
| CN110472457A (zh) * | 2018-05-10 | 2019-11-19 | 成都视观天下科技有限公司 | 低分辨率人脸图像识别、还原方法、设备及存储介质 |
| CN109002770A (zh) * | 2018-06-25 | 2018-12-14 | 电子科技大学 | 一种低分辨率条件下的人脸识别方法 |
| CN110909578A (zh) * | 2018-09-18 | 2020-03-24 | 中国移动通信有限公司研究院 | 一种低分辨率图像识别方法、装置和存储介质 |
| KR20190119550A (ko) * | 2019-10-02 | 2019-10-22 | 엘지전자 주식회사 | 영상의 해상도를 향상시키기 위한 방법 및 장치 |
Non-Patent Citations (1)
| Title |
|---|
| YUFEI WANG ET AL.: "GAIT RECONGNITION BASED ON 3D SKELETON JOINTS CAPTURED BY KINECT", 《ICIP 2016》, 31 December 2016 (2016-12-31) * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114463862A (zh) * | 2022-02-14 | 2022-05-10 | 北京百度网讯科技有限公司 | 人脸识别方法、装置、电子设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Li et al. | PDR-Net: Perception-inspired single image dehazing network with refinement | |
| CN111639692B (zh) | 一种基于注意力机制的阴影检测方法 | |
| CN110148085B (zh) | 人脸图像超分辨率重建方法及计算机可读取的存储介质 | |
| CN108921782B (zh) | 一种图像处理方法、装置及存储介质 | |
| CN111950723B (zh) | 神经网络模型训练方法、图像处理方法、装置及终端设备 | |
| CN108230291B (zh) | 物体识别系统训练方法、物体识别方法、装置和电子设备 | |
| CN110807757B (zh) | 基于人工智能的图像质量评估方法、装置及计算机设备 | |
| CN111340758A (zh) | 一种基于深度神经网络的高效虹膜图像质量评价新方法 | |
| CN114898416A (zh) | 一种人脸识别方法、装置、电子设备及可读存储介质 | |
| CN114170537A (zh) | 一种多模态三维视觉注意力预测方法及其应用 | |
| CN116704585A (zh) | 一种基于质量感知的人脸识别方法 | |
| CN116977674A (zh) | 图像匹配方法、相关设备、存储介质及程序产品 | |
| CN113936308A (zh) | 人脸识别方法、装置及电子设备 | |
| CN114005019A (zh) | 一种翻拍图像识别方法及其相关设备 | |
| CN112699836A (zh) | 低空水田图像的分割方法、装置和电子设备 | |
| CN113256643A (zh) | 一种人像分割模型的训练方法、存储介质及终端设备 | |
| CN111611917A (zh) | 模型训练方法、特征点检测方法、装置、设备及存储介质 | |
| CN115984742A (zh) | 视频选帧模型的训练方法、视频处理方法及装置 | |
| CN111126177B (zh) | 人数统计的方法及装置 | |
| CN115311152A (zh) | 图像处理方法、装置、电子设备以及存储介质 | |
| CN114511702A (zh) | 一种基于多尺度分权注意力的遥感图像分割方法和系统 | |
| CN113554685A (zh) | 遥感卫星运动目标检测方法、装置、电子设备及存储介质 | |
| CN112906516A (zh) | 一种基于深度学习的暴力行为识别方法,存储装置及服务器 | |
| CN113627314A (zh) | 人脸图像模糊检测方法、装置、存储介质与电子设备 | |
| CN111475674A (zh) | 用于暴力行为检测的深度学习模型训练数据集构造方法及系统 |
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 |