CN114821743A - 芯片的3d人脸识别方法、人脸识别芯片、可读存储介质 - Google Patents

芯片的3d人脸识别方法、人脸识别芯片、可读存储介质 Download PDF

Info

Publication number
CN114821743A
CN114821743A CN202210562184.5A CN202210562184A CN114821743A CN 114821743 A CN114821743 A CN 114821743A CN 202210562184 A CN202210562184 A CN 202210562184A CN 114821743 A CN114821743 A CN 114821743A
Authority
CN
China
Prior art keywords
face
layer
rgb
information
contour
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
Application number
CN202210562184.5A
Other languages
English (en)
Inventor
翁国权
柯武生
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.)
SHENZHEN INDREAMCHIP ELECTRONIC TECHNOLOGY CO LTD
Original Assignee
SHENZHEN INDREAMCHIP ELECTRONIC 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 SHENZHEN INDREAMCHIP ELECTRONIC TECHNOLOGY CO LTD filed Critical SHENZHEN INDREAMCHIP ELECTRONIC TECHNOLOGY CO LTD
Priority to CN202210562184.5A priority Critical patent/CN114821743A/zh
Publication of CN114821743A publication Critical patent/CN114821743A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开一种芯片的3D人脸识别方法、一种人脸识别芯片以及一种可读存储介质，包括获取目标人脸的人脸区域RGB深度图像，所述RGB深度图像包含人脸区域的RGB图像信息和深度信息，融合人脸区域的深度信息和RGB图像信息，根据融合的信息识别所述目标人脸是否为3D人脸，当所述目标人脸为3D人脸时，将所述人脸区域RGB图像信息输入至二维人脸识别模型进行人脸识别，当所述目标人脸为非3D人脸时，返回所述获取目标人脸的人脸区域RGB深度图像的步骤，提高了人脸识别的安全性。

Description

芯片的3D人脸识别方法、人脸识别芯片、可读存储介质
技术领域
本发明涉及人脸识别技术领域，具体涉及一种芯片的3D(3Dimensions，三维)人脸识别方法、一种人脸识别芯片以及一种可读存储介质。
背景技术
人脸识别技术是基于人的脸部特征，提取每个人脸中的身份特征，并将其与已知的人脸进行对比，从而识别每个人脸的身份。人脸识别技术广泛应用于解锁、支付等领域。
目前人脸识别技术分采用2D(2Dimensions，二维)人脸识别技术，但由于2D人脸识别只能获取人脸的平面的信息，能够被图片、视频等破解，存在较大的安全隐患。
发明内容
基于此，本发明提供一种芯片的3D人脸识别方法、一种人脸识别芯片以及一种可读存储介质，可以提高人脸识别的安全性。
第一方面，提供一种芯片的3D人脸识别方法，包括：
获取目标人脸的人脸区域RGB深度图像，所述RGB深度图像包含人脸区域的RGB图像信息和深度信息；
融合人脸区域的深度信息和RGB图像信息，根据融合的信息识别所述目标人脸是否为3D人脸；其中，利用所述二合一网络结构进行RGB图像信息和深度信息融合，所述二合一网络结构包括两个加密网络、一个解密网络和一个识别网络，两个加密网络均为CNN卷积神经网络，且权值是共享的，其中一个加密网络用于输入并学习RGB图像信息，另一个加密网络用于输入并学习深度信息；所述解密网络用于对所述两个加密网络的输出信息进行反卷积操作得到输出特征，从而实现RGB图像信息和深度信息的融合，所述识别网络对所述输出特征进行识别，得到3D人脸识别输出结果；
当所述目标人脸为3D人脸时，将所述人脸区域RGB图像信息输入至二维人脸识别模型进行人脸识别，当所述目标人脸为非3D人脸时，返回所述获取目标人脸的人脸区域RGB深度图像的步骤。
其中一个实施例中，当所述3D人脸识别输出结果为0时，所述目标人脸为3D人脸，当输出结果为1时，所述目标人脸为非3D人脸。
其中一个实施例中，所述获取目标人脸的人脸区域RGB深度图像的步骤包括：
获取RGB人脸区域图像，获取所述RGB人脸区域图像中的人脸特征点的二维坐标和三维坐标，所述人脸特征点包括人脸轮廓边缘的特征点，还包括眉毛轮廓特征点、鼻子轮廓特征点、眼睛轮廓特征和/或嘴巴轮廓特征点；
对所述人脸轮廓边缘的特征点进行曲线拟合，从而获取完整的人脸区域RGB图像，并根据所述完整的人脸区域RGB图像获取对应的深度信息，根据所述完整的人脸区域RGB图像以及对应的深度信息得到所述人脸区域RGB深度图像。
其中一个实施例中，所述对所述人脸轮廓边缘的特征点进行曲线拟合的公式为：
Figure BDA0003656675150000021
A是人脸轮廓边缘的每个特征点的2×4仿射变换矩阵，
Figure BDA0003656675150000022
为人脸轮廓边缘的第一特征点集合的三维坐标，
Figure BDA0003656675150000031
为人脸轮廓边缘的的第二特征点集合的二维坐标，其中，第一特征点集合映射到二维空间中，与之最近的特征点作为第二特征点集合，以使得误差D最小。
其中一个实施例中，所述二维人脸识别模型的结构沿数据传输方向依次包括输入层、Conv卷积层、Relu激活函数层、池化层、全连接层以及归一化层，其中，Conv卷积层以及Relu激活函数层均为两个以上，且数量相同，池化层数量比Conv卷积层以及Relu激活函数层少一个，全连接层数量为一个，沿数据传输方向，第一个Conv卷积层用于接入输入层输出的数据，第二个Relu激活函数层输出的数据传输至第一个池化层，再传输至第三个Conv卷积层，最后一个池化层用于将数据输至所述全连接层，所述全连接层用于将数据映射至256维特征空间，并输至归一化层归一化层用于对人脸特征归一化至半径为1的范围中。
其中一个实施例中，各个Conv卷积层的卷积核大小均为3×3，卷积步长为1。
其中一个实施例中，所述二维人脸识别模型训练时采用如下损失函数：
Floss＝κ1F1+κ2F2
Figure BDA0003656675150000032
Figure BDA0003656675150000033
其中，κ1、κ2分别为损失函数F1和F2的权重因子，L1表示每个人脸类别的训练人脸特征距离中心点特征的最远距离，λ为平衡因子，位于0.01-0.1区间内，xi表示第i类训练人脸的特征，pi表示第i类训练人脸的特征中心点，W1为第i类神经元连接权值向量，θ为第i类神经元连接偏移量，W2为第j类神经元连接权值向量，
Figure BDA0003656675150000034
为第j类神经元连接偏移量。
其中一个实施例中，获取目标人脸的人脸区域RGB深度图像的步骤之后，将所述人脸区域RGB图像信息输入至二维人脸识别模型进行人脸识别的步骤之前，对所述人脸区域RGB深度图像进行平滑处理。
第二方面，提出一种人脸识别芯片，包括存储单元及处理单元，所述存储单元中储存有计算机程序，所述计算机程序被所述处理单元执行时，使得所述处理单元执行如上任一实施例中所述的方法的步骤。
第三方面，提出一个或多个存储有计算机可读指令的非易失性可读存储介质，其特征在于，所述计算机可读指令被一个或多个处理器执行时，使得所述一个或多个处理器执行如上任一实施例中所述的方法的步骤。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域技术人员来讲，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为本申请一实施例中芯片的3D人脸识别方法的流程示意图；
图2为本申请一实施例中二合一网络结构的结构示意图；
图3为本申请一实施例中二维人脸识别模型的结构示意图；
图4为本申请一实施例中的人脸识别芯片的结构示意图。
具体实施方式
如背景技术所述，目前人脸识别技术分采用2D(2Dimensions，二维)人脸识别技术，但由于2D人脸识别只能获取人脸的平面的信息，能够被图片、视频等破解，存在较大的安全隐患。
本申请实施例提出一种芯片的3D人脸识别方法、一种人脸识别芯片以及一种可读存储介质，可以提高人脸识别的安全性。
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素，此外，本申请不同实施例中具有同样命名的部件、特征、要素可能具有相同含义，也可能具有不同含义，其具体含义需以其在该具体实施例中的解释或者进一步结合该具体实施例中上下文进行确定。
应当理解，尽管在本文可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本文范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语"如果"可以被解释成为"在……时"或"当……时"或"响应于确定"。再者，如同在本文中所使用的，单数形式“一”、“一个”和“该”旨在也包括复数形式，除非上下文中有相反的指示。应当进一步理解，术语“包含”、“包括”表明存在所述的特征、步骤、操作、元件、组件、项目、种类、和/或组，但不排除一个或多个其他特征、步骤、操作、元件、组件、项目、种类、和/或组的存在、出现或添加。此处使用的术语“或”和“和/或”被解释为包括性的，或意味着任一个或任何组合。因此，“A、B或C”或者“A、B和/或C”意味着“以下任一个：A；B；C；A和B；A和C；B和C；A、B和C”。仅当元件、功能、步骤或操作的组合在某些方式下内在地互相排斥时，才会出现该定义的例外。
应该理解的是，虽然本申请实施例中的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
需要说明的是，在本文中，采用了诸如102、104、106等步骤代号，其目的是为了更清楚简要地表述相应内容，不构成顺序上的实质性限制，本领域技术人员在具体实施时，可能会先执行104后执行102等，但这些均应在本申请的保护范围之内。
图1是本申请一实施例的芯片的3D人脸识别方法的流程示意图，如图1所示，该解密方法包括步骤102至步骤106：
步骤102，获取目标人脸的人脸区域RGB深度图像，所述RGB深度图像包含人脸区域的RGB图像信息和深度信息。
步骤104，融合人脸区域的深度信息和RGB图像信息，根据融合的信息识别所述目标人脸是否为3D人脸。
其中一个实施例中，利用所述二合一网络结构进行RGB图像信息和深度信息融合，如图2所示，所述二合一网络结构包括两个加密网络、一个解密网络和一个识别网络，两个加密网络均为CNN卷积神经网络，且权值是共享的，其中一个加密网络用于输入并学习RGB图像信息，另一个加密网络用于输入并学习深度信息；所述解密网络用于对所述两个加密网络的输出信息进行反卷积操作得到输出特征，从而实现RGB图像信息和深度信息的融合，所述识别网络对所述输出特征进行识别，得到3D人脸识别输出结果，从而实现伪造人脸、非人脸的攻击。
具体的，当所述3D人脸识别输出结果为0时，所述目标人脸为3D人脸，当输出结果为1时，所述目标人脸为非3D人脸。
步骤106，当所述目标人脸为3D人脸时，将所述人脸区域RGB图像信息输入至二维人脸识别模型进行人脸识别，当所述目标人脸为非3D人脸时，返回所述获取目标人脸的人脸区域RGB深度图像的步骤。
本申请实施例通过获取并融合人脸区域的深度信息和RGB图像信息，根据融合的信息识别所述目标人脸是否为3D人脸，从而实现伪造人脸、非人脸的攻击，当所述目标人脸为3D人脸时，将所述人脸区域RGB图像信息输入至二维人脸识别模型进行人脸识别，提高了人脸识别的安全性。
具体地，获取目标人脸的人脸区域RGB深度图像的步骤之后，将所述人脸区域RGB图像信息输入至二维人脸识别模型进行人脸识别的步骤之前，对所述人脸区域RGB深度图像进行平滑处理，以提高识别正确率。
对于步骤102，在一些实施例中，所述获取目标人脸的人脸区域RGB深度图像的步骤包括：获取RGB人脸区域图像，获取所述RGB人脸区域图像中的人脸特征点的二维坐标和三维坐标，所述人脸特征点包括人脸轮廓边缘的特征点，还包括眉毛轮廓特征点、鼻子轮廓特征点、眼睛轮廓特征和/或嘴巴轮廓特征点等五官特征点，不限于此。该些实施例中，人脸特征点还包括眉毛轮廓特征点、鼻子轮廓特征点、眼睛轮廓特征和/或嘴巴轮廓特征点时，则说明获得是人脸区域，而不是非人脸区域，有利于提高人脸识别准确性。
确定获取的是RGB人脸区域而不是非人脸区域图像中的人脸特征点的二维坐标和三维坐标后，对RGB人脸区域的人脸轮廓边缘的特征点进行曲线拟合，从而获取完整的人脸区域RGB图像，并根据所述完整的人脸区域RGB图像获取对应的深度信息，根据所述完整的人脸区域RGB图像以及对应的深度信息得到所述人脸区域RGB深度图像。
具体地，根据所述完整的人脸区域RGB图像获取对应的深度信息，可以是将深度相机采集的深度图像，与该RGB图像进行配准，然后获取配准后的深度图像的深度信息。深度相机可以是独立于RGB相机设置，也可以与RGB相机一体，例如可以采用RGB-D相机，既能获得RGB图像，也能得到深度图像。
具体地，可根据拟合得到的曲线与前述得到的三维坐标的映射关系获取对应的深度信息，从而得到RGB深度图像信息。
在一个实施例中，所述对所述人脸轮廓边缘的特征点进行曲线拟合的公式为：
Figure BDA0003656675150000081
A是人脸轮廓边缘的每个特征点的2×4仿射变换矩阵，
Figure BDA0003656675150000082
为人脸轮廓边缘的第一特征点集合的三维坐标，
Figure BDA0003656675150000083
为人脸轮廓边缘的的第二特征点集合的二维坐标，其中，第一特征点集合映射到二维空间中，与之最近的特征点作为第二特征点集合，以使得误差D最小。
本实施例，人脸轮廓内包括五官特征点使得得到较为准确的人脸区域，进一步的，当误差D最小时，对所述人脸轮廓边缘的特征点进行曲线拟合的效果最好，进一步提高得到的人脸区域的准确性。
在一些实施例中，如图3所示，所述二维人脸识别模型的结构沿数据传输方向依次包括输入层、Conv卷积层、Relu激活函数层、池化层、全连接层以及归一化层，其中，Conv卷积层以及Relu激活函数层均为两个以上，且数量相同，池化层数量比Conv卷积层以及Relu激活函数层少一个，全连接层数量为一个，沿数据传输方向，第一个Conv卷积层用于接入输入层输出的数据，第二个Relu激活函数层输出的数据传输至第一个池化层，再传输至第三个Conv卷积层，最后一个池化层用于将数据输至所述全连接层，所述全连接层用于将数据映射至256维特征空间，并输至归一化层归一化层用于对人脸特征归一化至半径为1的范围中。其中映射的空间不限于256维，也可以是128维。具体地，各个Conv卷积层的卷积核大小均为3×3，卷积步长为1。但不限于此。
在一些实施例中，二维人脸识别模型训练时采用如下损失函数：
Floss＝κ1F1+κ2F2
Figure BDA0003656675150000091
Figure BDA0003656675150000092
其中，κ1、κ2分别为损失函数F1和F2的权重因子，L1表示每个人脸类别的训练人脸特征距离中心点特征的最远距离，λ为平衡因子，位于0.01-0.1区间内，xi表示第i类训练人脸的特征，pi表示第i类训练人脸的特征中心点，W1为第i类神经元连接权值向量，θ为第i类神经元连接偏移量，W2为第j类神经元连接权值向量，
Figure BDA0003656675150000093
为第j类神经元连接偏移量。
该些实施例，考虑多项损失，更加全面，使得训练得到的模型更为准确，将该模型应用于人脸识别时，准确性也会更高。其中，损失函数F1和F2的权重因子可根据训练速度动态调整，以免训练时长过长。
本申请实施例还提出一种人脸识别芯片，如图4所示，该人脸识别芯片400包括存储单元410及处理单元420，所述存储单元410中储存有计算机程序，所述计算机程序被所述处理单元420执行时，使得所述处理单元420执行如上任一实施例中所述的方法的步骤。
本申请实施例还提出一种电子设备，包括本申请实施例的人脸识别芯片。该电子设备可以为包括手机、平板电脑、PDA(Personal Digital Assistant，个人数字助理)、POS(Point ofSales，销售终端)、车载电脑、穿戴式设备等的任意终端设备。
还提出一个或多个存储有计算机可读指令的非易失性可读存储介质，其特征在于，所述计算机可读指令被一个或多个处理器执行时，使得所述一个或多个处理器执行如上任一实施例中所述的方法的步骤。
一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行如上任一实施例中所述的方法。
本申请所使用的对存储器、存储、数据库或其它介质的任何引用可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)，它用作外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDR SDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)。
尽管已经相对于一个或多个实现方式示出并描述了本申请，但是本领域技术人员基于对本说明书和附图的阅读和理解将会想到等价变型和修改。本申请包括所有这样的修改和变型，并且仅由所附权利要求的范围限制。特别地关于由上述组件执行的各种功能，用于描述这样的组件的术语旨在对应于执行所述组件的指定功能(例如其在功能上是等价的)的任意组件(除非另外指示)，即使在结构上与执行本文所示的本说明书的示范性实现方式中的功能的公开结构不等同。此外，尽管本说明书的特定特征已经相对于若干实现方式中的仅一个被公开，但是这种特征可以与如可以对给定或特定应用而言是期望和有利的其他实现方式的一个或多个其他特征组合。而且，就术语“包括”、“具有”、“含有”或其变形被用在具体实施方式或权利要求中而言，这样的术语旨在以与术语“包含”相似的方式包括。进一步地，应当理解的是，在本文中提及的“多个”是指两个或两个以上。对于本文中提及的步骤，其通过数字后缀仅仅是为了清晰表述实施例，便于理解，并不完全代表步骤执行的先后顺序，应当以逻辑关系的先后设定为思考。
以上所述仅为本申请的实施例，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，例如各实施例之间技术特征的相互结合，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。

Claims (10)

1.一种芯片的3D人脸识别方法，其特征在于，包括：
获取目标人脸的人脸区域RGB深度图像，所述RGB深度图像包含人脸区域的RGB图像信息和深度信息；
融合人脸区域的深度信息和RGB图像信息，根据融合的信息识别所述目标人脸是否为3D人脸；其中，利用所述二合一网络结构进行RGB图像信息和深度信息融合，所述二合一网络结构包括两个加密网络、一个解密网络和一个识别网络，两个加密网络均为CNN卷积神经网络，且权值是共享的，其中一个加密网络用于输入并学习RGB图像信息，另一个加密网络用于输入并学习深度信息；所述解密网络用于对所述两个加密网络的输出信息进行反卷积操作得到输出特征，从而实现RGB图像信息和深度信息的融合，所述识别网络对所述输出特征进行识别，得到3D人脸识别输出结果；
当所述目标人脸为3D人脸时，将所述人脸区域RGB图像信息输入至二维人脸识别模型进行人脸识别，当所述目标人脸为非3D人脸时，返回所述获取目标人脸的人脸区域RGB深度图像的步骤。
2.根据权利要求1所述的方法，其特征在于，当所述3D人脸识别输出结果为0时，所述目标人脸为3D人脸，当输出结果为1时，所述目标人脸为非3D人脸。
3.根据权利要求1所述的方法，其特征在于，所述获取目标人脸的人脸区域RGB深度图像的步骤包括：
获取RGB人脸区域图像，获取所述RGB人脸区域图像中的人脸特征点的二维坐标和三维坐标，所述人脸特征点包括人脸轮廓边缘的特征点，还包括眉毛轮廓特征点、鼻子轮廓特征点、眼睛轮廓特征和/或嘴巴轮廓特征点；
对所述人脸轮廓边缘的特征点进行曲线拟合，从而获取完整的人脸区域RGB图像，并根据所述完整的人脸区域RGB图像获取对应的深度信息，根据所述完整的人脸区域RGB图像以及对应的深度信息得到所述人脸区域RGB深度图像。
4.根据权利要求3所述的方法，其特征在于，所述对所述人脸轮廓边缘的特征点进行曲线拟合的公式为：
Figure FDA0003656675140000021
其中，A是人脸轮廓边缘的每个特征点的2×4仿射变换矩阵，
Figure FDA0003656675140000022
为人脸轮廓边缘的第一特征点集合的三维坐标，
Figure FDA0003656675140000023
为人脸轮廓边缘的的第二特征点集合的二维坐标，其中，第一特征点集合映射到二维空间中，与之最近的特征点作为第二特征点集合，以使得误差D最小。
5.根据权利要求1所述的方法，其特征在于，所述二维人脸识别模型的结构沿数据传输方向依次包括输入层、Conv卷积层、Relu激活函数层、池化层、全连接层以及归一化层，其中，Conv卷积层以及Relu激活函数层均为两个以上，且数量相同，池化层数量比Conv卷积层以及Relu激活函数层少一个，全连接层数量为一个，沿数据传输方向，第一个Conv卷积层用于接入输入层输出的数据，第二个Relu激活函数层输出的数据传输至第一个池化层，再传输至第三个Conv卷积层，最后一个池化层用于将数据输至所述全连接层，所述全连接层用于将数据映射至256维特征空间，并输至归一化层归一化层用于对人脸特征归一化至半径为1的范围中。
6.根据权利要求5所述的方法，其特征在于，各个Conv卷积层的卷积核大小均为3×3，卷积步长为1。
7.根据权利要求5所述的方法，其特征在于，所述二维人脸识别模型训练时采用如下损失函数：
Floss＝κ1F1+κ2F2
Figure FDA0003656675140000031
Figure FDA0003656675140000032
其中，κ1、κ2分别为损失函数F1和F2的权重因子，L1表示每个人脸类别的训练人脸特征距离中心点特征的最远距离，λ为平衡因子，位于0.01-0.1区间内，xi表示第i类训练人脸的特征，pi表示第i类训练人脸的特征中心点，W1为第i类神经元连接权值向量，θ为第i类神经元连接偏移量，W2为第j类神经元连接权值向量，
Figure FDA0003656675140000033
为第j类神经元连接偏移量。
8.根据权利要求2所述的方法，其特征在于，获取目标人脸的人脸区域RGB深度图像的步骤之后，将所述人脸区域RGB图像信息输入至二维人脸识别模型进行人脸识别的步骤之前，对所述人脸区域RGB深度图像进行平滑处理。
9.一种人脸识别芯片，其特征在于，包括存储单元及处理单元，所述存储单元中储存有计算机程序，所述计算机程序被所述处理单元执行时，使得所述处理单元执行如权利要求1至8中任一项所述的方法的步骤。
10.一个或多个存储有计算机可读指令的非易失性可读存储介质，所述计算机可读指令被一个或多个处理器执行时，使得所述一个或多个处理器执行如权利要求1至8中任一项所述的方法的步骤。
CN202210562184.5A 2022-05-23 2022-05-23 芯片的3d人脸识别方法、人脸识别芯片、可读存储介质 Pending CN114821743A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210562184.5A CN114821743A (zh) 2022-05-23 2022-05-23 芯片的3d人脸识别方法、人脸识别芯片、可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210562184.5A CN114821743A (zh) 2022-05-23 2022-05-23 芯片的3d人脸识别方法、人脸识别芯片、可读存储介质

Publications (1)

Publication Number Publication Date
CN114821743A true CN114821743A (zh) 2022-07-29

Family

ID=82517141

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210562184.5A Pending CN114821743A (zh) 2022-05-23 2022-05-23 芯片的3d人脸识别方法、人脸识别芯片、可读存储介质

Country Status (1)

Country Link
CN (1) CN114821743A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116994325A (zh) * 2023-07-27 2023-11-03 山东睿芯半导体科技有限公司 一种虹膜识别方法、芯片及终端

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116994325A (zh) * 2023-07-27 2023-11-03 山东睿芯半导体科技有限公司 一种虹膜识别方法、芯片及终端
CN116994325B (zh) * 2023-07-27 2024-02-20 山东睿芯半导体科技有限公司 一种虹膜识别方法、芯片及终端

Similar Documents

Publication Publication Date Title
WO2019100724A1 (zh) 训练多标签分类模型的方法和装置
US11416672B2 (en) Object recognition and tagging based on fusion deep learning models
US10713532B2 (en) Image recognition method and apparatus
Kao et al. Visual aesthetic quality assessment with a regression model
CN111860147B (zh) 行人重识别模型优化处理方法、装置和计算机设备
WO2021051519A1 (zh) 识别模型训练、眼底特征的识别方法、装置、设备及介质
CN110334585A (zh) 表格识别方法、装置、计算机设备和存储介质
CN111709313B (zh) 基于局部和通道组合特征的行人重识别方法
CN106203242A (zh) 一种相似图像识别方法及设备
EP4006776A1 (en) Image classification method and apparatus
CN111476806B (zh) 图像处理方法、装置、计算机设备和存储介质
CN109784415B (zh) 图像识别方法及装置、训练卷积神经网络的方法及装置
CN113449704B (zh) 人脸识别模型训练方法、装置、电子设备及存储介质
CN110909618A (zh) 一种宠物身份的识别方法及装置
CN111783748A (zh) 人脸识别方法、装置、电子设备及存储介质
CN110245621B (zh) 人脸识别装置及图像处理方法、特征提取模型、存储介质
WO2021189959A1 (zh) 大脑中线识别方法、装置、计算机设备及存储介质
WO2023065503A1 (zh) 一种面部表情的分类方法和电子设备
CN113065576A (zh) 一种特征提取的方法以及装置
CN112990010A (zh) 点云数据处理方法、装置、计算机设备和存储介质
CN110458644A (zh) 一种信息处理方法及相关设备
CN114821743A (zh) 芯片的3d人脸识别方法、人脸识别芯片、可读存储介质
CN113111880A (zh) 证件图像校正方法、装置、电子设备及存储介质
CN109784379B (zh) 纺织品图片特征库的更新方法和装置
CN112613445B (zh) 人脸图像生成方法、装置、计算机设备和存储介质

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