CN114387651B - 一种人脸识别方法、装置、设备及存储介质 - Google Patents

一种人脸识别方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN114387651B
CN114387651B CN202210032699.4A CN202210032699A CN114387651B CN 114387651 B CN114387651 B CN 114387651B CN 202210032699 A CN202210032699 A CN 202210032699A CN 114387651 B CN114387651 B CN 114387651B
Authority
CN
China
Prior art keywords
image
reference image
feature
fusion
identified
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
CN202210032699.4A
Other languages
English (en)
Other versions
CN114387651A (zh
Inventor
李弼
彭楠
希滕
张刚
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.)
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and 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 Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN202210032699.4A priority Critical patent/CN114387651B/zh
Publication of CN114387651A publication Critical patent/CN114387651A/zh
Priority to JP2023002381A priority patent/JP2023040201A/ja
Priority to US18/153,292 priority patent/US20230147202A1/en
Priority to KR1020230003970A priority patent/KR20230014798A/ko
Application granted granted Critical
Publication of CN114387651B publication Critical patent/CN114387651B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/172—Classification, e.g. identification
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
    • G06F16/71—Indexing; Data structures therefor; Storage structures
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/761—Proximity, similarity or dissimilarity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/772—Determining representative reference patterns, e.g. averaging or distorting patterns; Generating dictionaries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/168—Feature extraction; Face representation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/168—Feature extraction; Face representation
    • G06V40/171—Local features and components; Facial parts ; Occluding parts, e.g. glasses; Geometrical relationships
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30196—Human being; Person
    • G06T2207/30201—Face

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Human Computer Interaction (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Image Analysis (AREA)
  • Collating Specific Patterns (AREA)

Abstract

本公开提供了一种人脸识别方法、装置、设备及存储介质，涉及图像处理技术领域，尤其涉及人脸识别领域。具体实现方案为：获取待识别图像；提取待识别图像的图像特征；获取各个参考图像对应的融合特征；确定该待识别图像的图像特征，与各个参考图像对应的融合特征的相似性，得到相似性确定结果；从而基于所得到的相似性确定结果，确定该待识别图像的人脸识别结果。可见，通过本方案，可以兼顾具有遮挡物和未具有遮挡物的人脸的识别精度。

Description

一种人脸识别方法、装置、设备及存储介质
技术领域
本公开涉及图像处理技术领域，尤其涉及人脸识别领域，具体涉及一种人脸识别方法、装置、设备及存储介质。
背景技术
在对有遮挡物的人脸进行识别时，如戴口罩的人脸，通常将戴口罩的待识别图像和数据库中的参考图像进行特征比对，由此判定待识别图像的类别，即判定待识别图像中的人脸与哪张参考图像中的人脸属于同一人员。
但是数据库中的参考图像为未具有遮挡物的图像，因此，具有遮挡物的待识别图像和未具有遮挡物的参考图像之间特征差异较大。
发明内容
本公开提供了一种用于一种人脸识别方法、装置、设备及存储介质。
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；
提取所述待识别图像的图像特征；
获取各个参考图像对应的融合特征；其中，每一参考图像为数据库中未具有遮挡物的人脸图像，每一参考图像对应的融合特征为将该参考图像和该参考图像对应的增强图像进行图像特征融合后得到的特征，该参考图像对应的增强图像为对该参考图像设置遮挡物后的图像；
确定所述待识别图像的图像特征，与各个参考图像对应的融合特征的相似性，得到相似性确定结果；
基于所得到的相似性确定结果，确定所述待识别图像的人脸识别结果。
根据本公开的另一方面，提供了一种人脸识别装置，包括：
获取模块，用于获取待识别图像；
提取模块，用于提取所述待识别图像的图像特征；
融合模块，用于获取各个参考图像对应的融合特征；其中，每一参考图像为数据库中未具有遮挡物的人脸图像，每一参考图像对应的融合特征为将该参考图像和该参考图像对应的增强图像进行图像特征融合后得到的特征，该参考图像对应的增强图像为对该参考图像设置遮挡物后的图像；
第一确定模块，用于确定所述待识别图像的图像特征，与各个参考图像对应的融合特征的相似性，得到相似性确定结果；
第二确定模块，用于基于所得到的相似性确定结果，确定所述待识别图像的人脸识别结果。
根据本公开的一方面，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上述人脸识别方法。
根据本公开的另一方面，提供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上述人脸识别方法。
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，所述计算机程序在被处理器执行时实现上述人脸识别方法。
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是相关技术中有遮挡物的人脸识别的原理图；
图2是本公开实施例提供的人脸识别方法的流程图；
图3是本公开实施例提供的人脸识别方法的原理图；
图4是本公开实施例提供的人脸识别装置的结构图；
图5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。
在具有遮挡物的人脸识别场景中，如图1所示，以遮挡物是口罩为例，分别提取具有口罩的待识别图像和数据库中参考图像的特征，比对具有口罩的待识别图像的特征和数据库中的参考图像的特征，从而判定该待识别图像的类别，即得到人脸识别结果。由于数据库中的参考图像是未具有口罩的人脸图像，具有口罩的待识别图像和参考图像的特征差异较大，因此，这种方法无法兼顾具有遮挡物和未具有遮挡物的人脸的识别精度。当然，遮挡物除了口罩以外，还可以是墨镜、帽子等影响人脸识别的遮挡物。
并且，相关技术中，针对上述问题，解决办法是，在图像特征提取器的训练过程中，随机挑选未具有遮挡物的参考图像，对所选取的参考图像进行图像增强，即为所选取的参考图像加上遮挡物，然后利用图像增强处理后的参考图像和未增强处理的参考图像进行训练，以期望拉近具有遮挡物和未具有遮挡物图像之间的特征差异。但是，相关技术所提供的该种方法仅仅能够进一步提高图像特征的提取精度，而在人脸识别过程中，具有遮挡物的待识别图像和未具有遮挡物的图像特征的差异实际上并未得到有效减小。
基于上述内容可知，如何兼顾具有遮挡物和未具有遮挡物的人脸的识别精度，是一个亟待解决的问题。
为了解决上述问题，本公开提供了一种人脸识别方法、装置、设备及存储介质。
下面首先对本公开实施例所提供的一种人脸识别方法进行介绍。
本公开实施例所提供的一种人脸识别方法，应用于电子设备中。在实际应用中，该电子设备可以为服务器或终端设备。本公开实施例提供的一种人脸识别方法，可以包括以下步骤：
获取待识别图像；
提取所述待识别图像的图像特征；
获取各个参考图像对应的融合特征；其中，每一参考图像为数据库中未具有遮挡物的人脸图像，每一参考图像对应的融合特征为将该参考图像和该参考图像对应的增强图像进行图像特征融合后得到的特征，该参考图像对应的增强图像为对该参考图像设置遮挡物后的图像；
确定所述待识别图像的图像特征，与各个参考图像对应的融合特征的相似性，得到相似性确定结果；
基于所得到的相似性确定结果，确定所述待识别图像的人脸识别结果。
本公开所提供方案中，在人脸识别过程中，利用待识别图像的图像特征和参考图像对应的融合特征进行相似性分析，从而基于相似性分析结果，确定待识别图像的人脸识别结果。由于参考图像对应的融合特征中，既保留未具有遮挡物的参考图像的图像特征，又存在设置有遮挡物的增强图像的图像特征，这样使得：针对具有遮挡物的待识别图像而言，可以减小待识别图像与参考图像的关于遮挡物的特征差异；而针对未具有遮挡物的待识别图像而言，可以保证待识别图像和参考图像的关于未设遮挡物的特征共性。因此，通过本方案，可以兼顾具有遮挡物和未具有遮挡物的人脸的识别精度。
下面结合附图，对本公开所提供的一种人脸识别方法进行介绍。
如图2所示，本公开实施例所提供的一种人脸识别方法，可以包括如下步骤：
S201，获取待识别图像；
其中，待识别图像可以是任一存在人脸识别需求的图像，并且，待识别图像可以是具有遮挡物的人脸图像，也可以是未具有遮挡物的人脸图像。示例性的，遮挡物可以包括口罩、帽子或者眼镜，等等。
可以理解的是，获取待识别图像的方式可以存在多种。
示例性的，在一种实现方式中，获取待识别图像可以包括：获取图像采集设备上传的待识别图像。此时，待识别图像是由图像采集设备所采集到的人脸图像，并且，图像采集设备采集到待识别图像后，可以即刻上传至该电子设备，当然，也可以定时上传至该电子设备，这都是合理的。示例性的，在另一种实现方式中，获取待识别图像可以包括：获取该电子设备自身的图像采集模块所采集的人脸图像，作为待识别图像。
示例性的，在另一种实现方式中，获取待识别图像可以包括：获取用户通过指定的图像上传界面所上传的人脸图像，作为待识别图像。
需要强调的是，上述的获取待识别图像的实现方式，仅仅作为实例，并不应该构成对本公开实施例的限定。
S202，提取所述待识别图像的图像特征；
可以理解的是，图像特征是某一类对象区别于其他类对象的相应特点或特性，或是这些特点和特性的集合。每一幅图像都具有能够区别于其他类图像的自身特征。通常，会将某一类对象的多个或多种特性组合在一起，形成一个特征向量来代表该类对象。人脸识别实际上是一个分类的过程，为了识别出某图像所属的类别，需要将它与其他不同类别的图像区分开来，因此可以通过提取的特征来区别。基于上述描述，为了实现人脸识别，本公开实施例中，在获取到待识别图像后，可以提取所述待识别图像的图像特征。
其中，提取所述待识别图像的图像特征的实现方式可以存在多种。示例性的，在一种实现方式中，电子设备可以利用预先训练的图像特征提取器，来提取待识别图像的图像特征。示例性的，图像特征提取器可以包括图像特征提取网络，本公开并不对图像特征提取器的训练过程进行限定。
示例性，在另一种实现方式中，电子设备可以通过局部二进制模式(local binarypatterns,LBP)的方法，纹理直方图的方法等得到待识别图像的图像特征。
S203，获取各个参考图像对应的融合特征；其中，每一参考图像为数据库中未具有遮挡物的人脸图像，每一参考图像对应的融合特征为将该参考图像和该参考图像对应的增强图像进行图像特征融合后得到的特征，该参考图像对应的增强图像为对该参考图像设置遮挡物后的图像；
其中，参考图像是未具有遮挡物的人脸图像，预先存储在数据库中，每一参考图像的类别对应着该参考图像中的人脸所属的人员。
由于在人脸识别场景中，待识别图像中可能具有遮挡物，也可能未具有遮挡物，因此，为了兼顾具有遮挡物和未具有遮挡物的人脸的识别精度，本公开所提供方案中，并非直接获取各个参考图像的图像特征，而是获取各个参考图像对应的融合特征，从而后续利用各个参考图像对应的融合特征，进行相似性分析。可以理解的是，为了保证可比性，各个参考图像对应的融合特征的表征形式与待识别图像的图像特征的表征形式相同。
另外，本实施例中所提及的数据库中的参考图片与实际使用场景相关，并且，数据库中的参考图片的收集、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。
需要说明的是，获取各个参考图像对应的融合特征的实现方式可以存在多种。
示例性的，在一种实现方式中，可以预先构建各个参考图像对应的融合图像，这样，在人脸识别时，可以直接获取到预先构建的各个参考图像对应的融合特征。通过该种实现方式，可以具有较高的识别效率。
当然，在其他实现方式中，各个参考图像对应的融合特征可以是在识别过程中所构建的。为了方案清楚以及布局清晰，关于所述获取各个参考图像对应的融合特征的其他实现方式，后续结合其他实施例进行介绍。另外，需要说明的是，预先构建各个参考图像对应的融合图像的具体实现方式，可以参见其他实施例中所述的如何构建参考图像对应的融合特征的实现方式。
S204，确定所述待识别图像的图像特征，与各个参考图像对应的融合特征的相似性，得到相似性确定结果；
本实施例中，利用参考图像对应的融合特征进行相似性分析。而融合特征中，既保留未有遮挡物的参考图像的图像特性，又保留具有遮挡物的增强图像的特性，这样使得：针对具有遮挡物的待识别图像而言，可以减小待识别图像与参考图像的关于遮挡物的特征差异；而针对未具有遮挡物的待识别图像而言，可以保证参考图像与待识别图像的关于未设遮挡物的特征共性。
其中，相似性确定结果包括：每一参考图像的图像特征与待识别图像的图像特征的相似性，即每一参考图像与待识别图像的人脸相似性。并且，相似性可以通过相似度或特征之间的距离，来表征，这都是合理的。
示例性的，在一种实现方式中，待识别图像的图像特征和各个参考图像对应的融合特征通过向量的形式表征，那么，在进行相似性分析时，可以计算待识别图像的图像特征与每一参考图像对应的融合特征的距离，从而基于计算得到的距离，确定相似性确定结果。示例性的，特征之间距离可以包括欧式距离、余弦距离等。
S205，基于所得到的相似性确定结果，确定所述待识别图像的人脸识别结果。
若相似性通过相似度来表征，则在确定出相似性确定结果后，可以从相似度大于预定相似度阈值的融合特征中，确定出相似度最高的目标融合特征；将目标融合特征对应的参考图像的人员信息，作为待识别图像的人脸识别结果。示例性的，预定相似度阈值可以为90％、92％、95％等等。
若相似性通过距离表征，则在确定出相似性确定结果后，可以从距离小于预定距离阈值的融合特征中，确定出距离最短的目标融合特征；将目标融合特征对应的参考图像的人员信息，作为待识别图像的人脸识别结果。
本实施例中，在人脸识别过程中，利用待识别图像的图像特征和参考图像对应的融合特征进行相似性分析，从而基于相似性分析结果，确定待识别图像的人脸识别结果。由于参考图像对应的融合特征中，既保留未具有遮挡物的参考图像的图像特征，又存在设置有遮挡物的增强图像的图像特征，这样使得：针对具有遮挡物的待识别图像而言，可以减小待识别图像与参考图像的关于遮挡物的特征差异；而针对未具有遮挡物的待识别图像而言，可以保证待识别图像和参考图像的关于未设遮挡物的特征共性。因此，通过本方案，可以兼顾具有遮挡物和未具有遮挡物的人脸的识别精度。
可选地，在本公开的另一实施例中，所述获取各个参考图像对应的融合特征，可以包括A1-A3：
步骤A1，针对各个参考图像中的每一参考图像，获取该参考图像的第一图像特征；
即，获取未具有遮挡物的参考图像的图像特征，作为第一图像特征。其中，该参考图像的第一图像特征可以为预先提取的，也可以为在人脸识别过程中，所提取的，这都是合理的。并且，该参考图像的第一图像特征的提取方式可以参见上述的关于待识别图像的图像特征的提取方式，在此不做赘述。
步骤A2，获取该参考图像对应的增强图像的第二图像特征；
其中，增强图像是根据实际场景中遮挡物的类别，如口罩、墨镜或者帽子等，为该参考图像设置遮挡物所得到的图像。
该参考图像对应的增强图像的第二图像特征可以为预先提取的，也可以为在人脸识别过程中所提取的，这都是合理的。
若该参考图像对应的增强图像的第二图像是在人脸识别过程中所提取的，则获取该参考图像对应的增强图像的第二图像特征，包括步骤如下步骤：
生成该参考图像对应的增强图像；
提取该参考图像对应的增强图像的第二图像特征。
为了获得该参考图像对应的增强图像的图像特征，可以在获取该参考图像后，根据实际场景中遮挡物的类别，为该参考图像设置遮挡物，从而生成该参考图像对应的增强图像。具体的生成过程可以参考下文中的步骤C1-C3。
另外，该参考图像对应的增强图像的第二图像特征的提取方式可以参见上述的关于待识别图像的图像特征的提取方式，在此不做赘述。
步骤A3，按照预定的权重比例，对所述第一图像特征和所述第二图像特征进行加权融合，得到该参考图像对应的融合特征。
其中，预定的权重比例可以根据实际应用场景的情况设置。当第一图像特征和第二图像特征通过维度相同的向量来表征时，可以将这两个向量的每一对应维度的值进行加权相加，例如，将第一图像特征和第二图像特征的权重均设置为0.5，每一对应维度的值都乘0.5后再相加，从而得到该参考图像对应的融合特征。具体的设置方法可以参见下文的步骤B1-B2。
本实施例中，在人脸识别过程中，按照预定的权重比例，对各个第一图像特征和相应的第二图像特征进行加权融合，从而得到各个参考图像对应的融合特征。这样，可以得到有效的融合特征，并且无需长时间占用存储空间以存储融合特征。
可选地，在本公开的另一实施例中，为了满足不同的应用场景，在所述按照预定的权重比例，对所述第一图像特征和所述第二图像特征进行加权融合，得到该参考图像对应的融合特征之前，人脸识别方法还可以包括步骤B1-B2：
步骤B1，确定所述待识别图像的目标采集场景；其中，所述目标采集场景为各采集场景中的一场景，各采集场景为基于所述遮挡物的佩戴情况所划分的场景；
待识别图像的目标采集场景可以根据遮挡物的佩戴情况来划分。示例性的，各个采集场景可以包括：佩戴有遮挡物的场景，和未佩戴有遮挡物的场景，其中，在佩戴有遮挡物的场景下，大部分人员会佩戴遮挡物，而在未佩戴有遮挡物的场景下，少部分人会佩戴遮挡物。以墨镜为例，在光线较强的场景下时，人群中墨镜佩戴的比例会更高，而光线较弱的场景下则相反。由于图像的采集场景不同，是否具有遮挡物的可能性的高低也不同，因此，可以基于待识别图像的目标采集场景，来设置第一图像特征和第二图像特征的权重比例，从而在融合特征中更多地保留：与待识别图像的实际特征相匹配的特征内容。
步骤B2，从预先设定的关于各个采集场景与权重比例的对应关系中，确定所述目标采集场景所对应的目标权重比例；其中，每一采集场景对应的权重比例用于表征：在该采集场景下，每一参考图像的图像特征和该参考图像的增强图像的图像特征的权重比例；
在确定出目标采集场景后，可以基于该对应关系，确定出与目标采集场景相匹配的目标权重比例。其中，不同的采集场景，权重比例不同，并且，采集场景中占比较多的人员类别，所对应图像的图像特征的权重更高。
示例性的，各个采集场景与权重比例的对应关系可以包括：
针对佩戴有遮挡物的场景对应有第一权重比例；其中，第一权重比例中，增强图像的第二图像特征的权重高于参考图像的第一图像特征的权重，例如：增强图像的第二图像特征的权重为0.9，参考图像的第一图像特征的权重为0.1，或者，增强图像的第二图像特征的权重为0.8，参考图像的第一图像特征的权重为0.2；
针对未佩戴有遮挡物的场景对应有第二权重比例；其中，第二权重比例中，增强图像的第二图像特征的权重低于参考图像的第一图像特征的权重，例如：增强图像的第二图像特征的权重为0.1，参考图像的第一图像特征的权重为0.9，或者，增强图像的第二图像特征的权重为0.2，参考图像的第一图像特征的权重为0.8。
这样，通过设置权重比例，保留更多的参考图像的特征，或者更多的增强图像的特征，从而让本公开提供的人脸识别方法更好地适应各种采集场景，提高识别精度。
相应的，步骤A3，所述按照预定的权重比例，对所述第一图像特征和所述第二图像特征进行加权融合，得到该参考图像对应的融合特征，可以包括：
按照所述目标权重比例，对所述第一图像特征和所述第二图像特征进行加权融合，得到该参考图像对应的融合特征。
本实施例中，根据实际采集场景设置预定的权重比例，从而使得本公开提供的人脸识别方法更好地适应各种采集场景，进一步提高识别精度。
可选地，在本公开的另一实施例中，所述生成该参考图像对应的增强图像，可以包括步骤C1-C3：
步骤C1，定位该参考图像中针对所述遮挡物的待放置区域；
也就是，根据遮挡物的种类，以及现实情况中该遮挡物所在的人脸的位置，在该参考图像中针对该遮挡物定位待放置区域。例如，遮挡物是口罩，则应该将图像中人脸的下半部分，包括全部嘴巴、鼻孔所在的区域，作为口罩的待放置区域。
步骤C2，确定指定图像中关于所述遮挡物的像素内容；其中，所述指定图像为包含所述遮挡物的图像；
在一种实现方式中，可以预先收集多张包含遮挡物的图像，存储在数据库中，在需要用时，选择包含遮挡物的图像作为指定图像，确定该指定图像中关于该遮挡物的像素内容。
步骤C3，利用关于遮挡物的像素内容，对该参考图像中的所述待放置区域内的像素内容进行替换，得到该参考图像对应的增强图像。
可以理解的是，上述的步骤C1-C3的过程，可以由一个预先训练的人工智能模型来执行，从而提高生成效率。具体地，由人工智能模型先定位该参考图像中针对所述遮挡物的待放置区域，再挑选包含遮挡物的图像作为指定图像，并提取该指定图像中关于所述遮挡物的像素内容，最后对该参考图像中的所述待放置区域内的像素内容进行替换，得到该参考图像对应的增强图像。
本实施例中，先定位该参考图像中针对所述遮挡物的待放置区域；确定指定图像中关于所述遮挡物的像素内容；其中，所述指定图像为包含所述遮挡物的图像；再利用关于遮挡物的像素内容，对该参考图像中的所述待放置区域内的像素内容进行替换，得到该参考图像对应的增强图像。可见，本方案中，通过像素内容替换的方式可以快速获得参考图像对应的增强图像，用于进行后续的特征融合。
为了方便理解，下面结合图3所示的原理图，以口罩为例，对本公开实施例所提供的一种人脸识别方法进行介绍。
如图3所示，首先，提取待识别图像的特征，该待识别图像可以为佩戴口罩的人脸图像，也可以为没有佩戴口罩的人脸图像；
同时，为每一参考图像做口罩增强处理，即用口罩的像素替换对应位置的像素，并提取参考图像和口罩增强图像的特征；
然后，根据采集场景的实际情况设置权重，将参考图像和口罩增强图像的特征进行特征融合，得到各个参考图像的融合特征；
最后，确定各个参考图像的融合特征及待识别图像的特征的相似性确定结果，基于该相似性确定结果得到该待识别图像的人脸识别结果。
可见，本实施例中，确定各个参考图像的融合特征及待识别图像的特征的相似性确定结果，由于融合特征中，既保留未有遮挡物的参考图像的图像特征，因此，通过本方案，针对各类图像，即设有遮挡物和未设遮挡物的待识别图像，均可以保证较高的识别精准度。
需要强调的是，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。
根据本公开的另一方面，提供了一种人脸识别装置，如图4所示，包括：
获取模块410，用于获取待识别图像；
提取模块420，用于提取所述待识别图像的图像特征；
融合模块430，用于获取各个参考图像对应的融合特征；其中，每一参考图像为数据库中未具有遮挡物的人脸图像，每一参考图像对应的融合特征为将该参考图像和该参考图像对应的增强图像进行图像特征融合后得到的特征，该参考图像对应的增强图像为对该参考图像设置遮挡物后的图像；
第一确定模块440，用于确定所述待识别图像的图像特征，与各个参考图像对应的融合特征的相似性，得到相似性确定结果；
第二确定模块450，用于基于所得到的相似性确定结果，确定所述待识别图像的人脸识别结果。
可选地，融合模块430，包括：
第一获取子模块，用于针对各个参考图像中的每一参考图像，获取该参考图像的第一图像特征；
第二获取子模块，用于获取该参考图像对应的增强图像的第二图像特征；
加权子模块，用于按照预定的权重比例，对所述第一图像特征和所述第二图像特征进行加权融合，得到该参考图像对应的融合特征。
可选地，所述第二获取子模块，包括：
生成单元，用于生成该参考图像对应的增强图像；
提取单元，用于提取该参考图像对应的增强图像的第二图像特征。
可选地，所述生成单元，包括：
定位子单元，用于定位该参考图像中针对所述遮挡物的待放置区域；
确定子单元，用于确定指定图像中关于所述遮挡物的像素内容；其中，所述指定图像为包含所述遮挡物的图像；
替换子单元，用于利用关于所述遮挡物的像素内容，对该参考图像中的所述待放置区域内的像素内容进行替换，得到该参考图像对应的增强图像。
可选地，该装置还包括：
场景确定模块，用于在所述加权子模块，按照预定的权重比例，对所述第一图像特征和所述第二图像特征进行加权融合，得到该参考图像对应的融合特征之前，确定所述待识别图像的目标采集场景；其中，所述目标采集场景为各采集场景中的一场景，各采集场景为基于所述遮挡物的佩戴情况所划分的场景；
权重确定模块，用于从预先设定的关于各个采集场景与权重比例的对应关系中，确定所述目标采集场景所对应的目标权重比例；其中，每一采集场景对应的权重比例用于表征：在该采集场景下，每一参考图像的图像特征和该参考图像的增强图像的图像特征的权重比例；
所述加权子模块具体用于：
按照所述目标权重比例，对所述第一图像特征和所述第二图像特征进行加权融合，得到该参考图像对应的融合特征。
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。
本公开实施例所提供的一种电子设备，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。
本公开还提供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上述人脸识别方法。
在本公开还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述实施例中上述的人脸识别方法的步骤。
图5示出了可以用来实施本公开的实施例的示例电子设备500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5所示，设备500包括计算单元501，其可以根据存储在只读存储器(ROM)502中的计算机程序或者从存储单元508加载到随机访问存储器(RAM)503中的计算机程序，来执行各种适当的动作和处理。在RAM 503中，还可存储设备500操作所需的各种程序和数据。计算单元501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口805也连接至总线504。
设备500中的多个部件连接至I/O接口505，包括：输入单元506，例如键盘、鼠标等；输出单元507，例如各种类型的显示器、扬声器等；存储单元508，例如磁盘、光盘等；以及通信单元509，例如网卡、调制解调器、无线通信收发机等。通信单元509允许设备500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501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501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501执行上文所描述的各个方法和处理，例如上述的人脸识别方法。例如，在一些实施例中，上述的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508。在一些实施例中，计算机程序的部分或者全部可以经由ROM 502和/或通信单元509而被载入和/或安装到设备500上。当计算机程序加载到RAM 503并由计算单元501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501可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行上述的人脸识别方法。
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)、复杂可编程逻辑设备(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 (12)

1.一种人脸识别方法，包括：
获取待识别图像；
提取所述待识别图像的图像特征；
获取各个参考图像对应的融合特征；其中，每一参考图像为数据库中未具有遮挡物的人脸图像，每一参考图像对应的融合特征为将该参考图像和该参考图像对应的增强图像进行图像特征融合后得到的特征，该参考图像对应的增强图像为对该参考图像设置遮挡物后的图像；每一参考图像以及对应的增强图像所采用的图像特征提取方式，与所述待识别图像的图像特征提取方式相同；并且，所述图像特征融合为基于加权融合的特征融合方式，在进行图像特征融合时所利用的权重比例是基于所述待识别图像的目标采集场景确定的，所述目标采集场景为各采集场景中的一场景，各采集场景为基于所述遮挡物的佩戴情况所划分的场景；
确定所述待识别图像的图像特征，与各个参考图像对应的融合特征的相似性，得到相似性确定结果；
基于所得到的相似性确定结果，确定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，所述获取各个参考图像对应的融合特征，包括：
针对各个参考图像中的每一参考图像，获取该参考图像的第一图像特征；
获取该参考图像对应的增强图像的第二图像特征；
按照预定的权重比例，对所述第一图像特征和所述第二图像特征进行加权融合，得到该参考图像对应的融合特征。
3.根据权利要求2所述的方法，其中，所述获取该参考图像对应的增强图像的第二图像特征，包括：
生成该参考图像对应的增强图像；
提取该参考图像对应的增强图像的第二图像特征。
4.根据权利要求3所述的方法，其中，所述生成该参考图像对应的增强图像，包括：
定位该参考图像中针对所述遮挡物的待放置区域；
确定指定图像中关于所述遮挡物的像素内容；其中，所述指定图像为包含所述遮挡物的图像；
利用关于遮挡物的像素内容，对该参考图像中的所述待放置区域内的像素内容进行替换，得到该参考图像对应的增强图像。
5.根据权利要求2所述的方法，其中，所述按照预定的权重比例，对所述第一图像特征和所述第二图像特征进行加权融合，得到该参考图像对应的融合特征之前，还包括：
确定所述待识别图像的目标采集场景；从预先设定的关于各个采集场景与权重比例的对应关系中，确定所述目标采集场景所对应的目标权重比例；其中，每一采集场景对应的权重比例用于表征：在该采集场景下，每一参考图像的图像特征和该参考图像的增强图像的图像特征的权重比例；
所述按照预定的权重比例，对所述第一图像特征和所述第二图像特征进行加权融合，得到该参考图像对应的融合特征，包括：
按照所述目标权重比例，对所述第一图像特征和所述第二图像特征进行加权融合，得到该参考图像对应的融合特征。
6.一种人脸识别装置，包括：
获取模块，用于获取待识别图像；
提取模块，用于提取所述待识别图像的图像特征；
融合模块，用于获取各个参考图像对应的融合特征；其中，每一参考图像为数据库中未具有遮挡物的人脸图像，每一参考图像对应的融合特征为将该参考图像和该参考图像对应的增强图像进行图像特征融合后得到的特征，该参考图像对应的增强图像为对该参考图像设置遮挡物后的图像；每一参考图像以及对应的增强图像所采用的图像特征提取方式，与所述待识别图像的图像特征提取方式相同；并且，所述图像特征融合为基于加权融合的特征融合方式，在进行图像特征融合时所利用的权重比例是基于所述待识别图像的目标采集场景确定的，所述目标采集场景为各采集场景中的一场景，各采集场景为基于所述遮挡物的佩戴情况所划分的场景；
第一确定模块，用于确定所述待识别图像的图像特征，与各个参考图像对应的融合特征的相似性，得到相似性确定结果；
第二确定模块，用于基于所得到的相似性确定结果，确定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，所述融合模块，包括：
第一获取子模块，用于针对各个参考图像中的每一参考图像，获取该参考图像的第一图像特征；
第二获取子模块，用于获取该参考图像对应的增强图像的第二图像特征；
加权子模块，用于按照预定的权重比例，对所述第一图像特征和所述第二图像特征进行加权融合，得到该参考图像对应的融合特征。
8.根据权利要求7所述的装置，其中，所述第二获取子模块，包括：
生成单元，用于生成该参考图像对应的增强图像；
提取单元，用于提取该参考图像对应的增强图像的第二图像特征。
9.根据权利要求8所述的装置，其中，所述生成单元，包括：
定位子单元，用于定位该参考图像中针对所述遮挡物的待放置区域；
确定子单元，用于确定指定图像中关于所述遮挡物的像素内容；其中，所述指定图像为包含所述遮挡物的图像；
替换子单元，用于利用关于所述遮挡物的像素内容，对该参考图像中的所述待放置区域内的像素内容进行替换，得到该参考图像对应的增强图像。
10.根据权利要求7所述的装置，所述装置还包括：
场景确定模块，用于在所述加权子模块，按照预定的权重比例，对所述第一图像特征和所述第二图像特征进行加权融合，得到该参考图像对应的融合特征之前，确定所述待识别图像的目标采集场景；
权重确定模块，用于从预先设定的关于各个采集场景与权重比例的对应关系中，确定所述目标采集场景所对应的目标权重比例；其中，每一采集场景对应的权重比例用于表征：在该采集场景下，每一参考图像的图像特征和该参考图像的增强图像的图像特征的权重比例；
所述加权子模块具体用于：
按照所述目标权重比例，对所述第一图像特征和所述第二图像特征进行加权融合，得到该参考图像对应的融合特征。
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。
CN202210032699.4A 2022-01-12 2022-01-12 一种人脸识别方法、装置、设备及存储介质 Active CN114387651B (zh)

Priority Applications (4)

Application Number Priority Date Filing Date Title
CN202210032699.4A CN114387651B (zh) 2022-01-12 2022-01-12 一种人脸识别方法、装置、设备及存储介质
JP2023002381A JP2023040201A (ja) 2022-01-12 2023-01-11 顔認識方法、装置、機器及び記憶媒体
US18/153,292 US20230147202A1 (en) 2022-01-12 2023-01-11 Face recognization
KR1020230003970A KR20230014798A (ko) 2022-01-12 2023-01-11 안면 인식 방법, 장치, 기기 및 저장 매체

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210032699.4A CN114387651B (zh) 2022-01-12 2022-01-12 一种人脸识别方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN114387651A CN114387651A (zh) 2022-04-22
CN114387651B true CN114387651B (zh) 2023-10-20

Family

ID=81202313

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210032699.4A Active CN114387651B (zh) 2022-01-12 2022-01-12 一种人脸识别方法、装置、设备及存储介质

Country Status (4)

Country Link
US (1) US20230147202A1 (zh)
JP (1) JP2023040201A (zh)
KR (1) KR20230014798A (zh)
CN (1) CN114387651B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117056547B (zh) * 2023-10-13 2024-01-26 深圳博十强志科技有限公司 一种基于图像识别的大数据分类方法和系统

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010122993A (ja) * 2008-11-20 2010-06-03 Panasonic Electric Works Co Ltd 顔認証システム
CN104751108A (zh) * 2013-12-31 2015-07-01 汉王科技股份有限公司 人脸图像识别装置和人脸图像识别方法
CN110569731A (zh) * 2019-08-07 2019-12-13 北京旷视科技有限公司 一种人脸识别方法、装置及电子设备
CN110688941A (zh) * 2019-09-25 2020-01-14 支付宝(杭州)信息技术有限公司 人脸图像的识别方法及其装置
CN111814571A (zh) * 2020-06-12 2020-10-23 深圳禾思众成科技有限公司 一种基于背景过滤的口罩人脸识别方法及系统
CN112070015A (zh) * 2020-09-08 2020-12-11 广州云从博衍智能科技有限公司 一种融合遮挡场景的人脸识别方法、系统、设备及介质
CN112801018A (zh) * 2021-02-07 2021-05-14 广州大学 一种跨场景目标自动识别与追踪方法及应用
CN113657187A (zh) * 2021-07-26 2021-11-16 浙江大华技术股份有限公司 一种脸部识别方法、设备和计算机可读存储介质

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102359558B1 (ko) * 2017-03-28 2022-02-09 삼성전자주식회사 얼굴 인증 방법 및 장치
WO2021207378A1 (en) * 2020-04-10 2021-10-14 Realnetworks, Inc. Synthetic masked biometric signatures

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010122993A (ja) * 2008-11-20 2010-06-03 Panasonic Electric Works Co Ltd 顔認証システム
CN104751108A (zh) * 2013-12-31 2015-07-01 汉王科技股份有限公司 人脸图像识别装置和人脸图像识别方法
CN110569731A (zh) * 2019-08-07 2019-12-13 北京旷视科技有限公司 一种人脸识别方法、装置及电子设备
CN110688941A (zh) * 2019-09-25 2020-01-14 支付宝(杭州)信息技术有限公司 人脸图像的识别方法及其装置
CN111814571A (zh) * 2020-06-12 2020-10-23 深圳禾思众成科技有限公司 一种基于背景过滤的口罩人脸识别方法及系统
CN112070015A (zh) * 2020-09-08 2020-12-11 广州云从博衍智能科技有限公司 一种融合遮挡场景的人脸识别方法、系统、设备及介质
CN112801018A (zh) * 2021-02-07 2021-05-14 广州大学 一种跨场景目标自动识别与追踪方法及应用
CN113657187A (zh) * 2021-07-26 2021-11-16 浙江大华技术股份有限公司 一种脸部识别方法、设备和计算机可读存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
GuiLing Wu.Masked Face Recognition Algorithm for a Contactless Distribution Cabinet.《Hindawi》.2021,第1-11页. *
高磊 等.开放场景口罩人脸识别挑战赛冠军技术方案分析.《警察技术》.2021,(第6期),第19-21页. *

Also Published As

Publication number Publication date
CN114387651A (zh) 2022-04-22
JP2023040201A (ja) 2023-03-22
US20230147202A1 (en) 2023-05-11
KR20230014798A (ko) 2023-01-30

Similar Documents

Publication Publication Date Title
CN111914628B (zh) 人脸识别模型的训练方法和装置
CN113379627B (zh) 图像增强模型的训练方法和对图像进行增强的方法
CN113705425A (zh) 活体检测模型的训练方法和活体检测的方法、装置、设备
CN113205041B (zh) 结构化信息提取方法、装置、设备和存储介质
CN112784760B (zh) 人体行为识别方法、装置、设备以及存储介质
CN112561879A (zh) 模糊度评价模型训练方法、图像模糊度评价方法及装置
CN114140320B (zh) 图像迁移方法和图像迁移模型的训练方法、装置
CN115457329B (zh) 图像分类模型的训练方法、图像分类方法和装置
CN113326773A (zh) 识别模型训练方法、识别方法、装置、设备及存储介质
CN113887615A (zh) 图像处理方法、装置、设备和介质
CN114387651B (zh) 一种人脸识别方法、装置、设备及存储介质
CN113553905A (zh) 图像识别方法、装置及系统
CN115116111B (zh) 抗扰动人脸活体检测模型训练方法、装置及电子设备
CN114863450B (zh) 图像处理方法、装置、电子设备及存储介质
CN114973333B (zh) 人物交互检测方法、装置、设备以及存储介质
CN113361455B (zh) 人脸鉴伪模型的训练方法、相关装置及计算机程序产品
CN112991451B (zh) 图像识别方法、相关装置及计算机程序产品
CN114093006A (zh) 活体人脸检测模型的训练方法、装置、设备以及存储介质
CN113657209B (zh) 动作识别方法、装置、电子设备和存储介质
CN114219744B (zh) 图像生成方法、装置、设备及存储介质
CN116189028B (zh) 图像识别方法、装置、电子设备以及存储介质
CN113989903B (zh) 人脸活体检测方法、装置、电子设备及存储介质
CN113570607B (zh) 目标分割的方法、装置及电子设备
CN116071791A (zh) 活体检测模型的训练方法、人脸活体检测方法及电子设备
CN114140319A (zh) 图像迁移方法和图像迁移模型的训练方法、装置

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