CN114842520A - 人脸识别的处理方法、装置、存储介质及处理器 - Google Patents
人脸识别的处理方法、装置、存储介质及处理器 Download PDFInfo
- Publication number
- CN114842520A CN114842520A CN202110059670.0A CN202110059670A CN114842520A CN 114842520 A CN114842520 A CN 114842520A CN 202110059670 A CN202110059670 A CN 202110059670A CN 114842520 A CN114842520 A CN 114842520A
- Authority
- CN
- China
- Prior art keywords
- face
- information
- cost function
- feature information
- pose
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Abstract
本发明公开了一种人脸识别的处理方法、装置、存储介质及处理器。其中,该方法包括:将待识别的图像输入特征提取器进行人脸特征提取,得到人脸特征信息;根据人脸特征信息,确定对抗回归代价函数;通过对抗回归代价函数对特征提取器提取出的人脸特征信息进行处理,得到人脸目标特征信息,其中,人脸目标特征信息中已去除姿态信息;通过人脸目标特征信息对图像进行人脸识别。本发明解决了现有技术中对人脸识别的效果不佳的技术问题。
Description
技术领域
本发明涉及图像处理技术领域,具体而言,涉及一种人脸识别的处理方法、装置、存储介质及处理器。
背景技术
随着技术发展,人脸识别应用越来越广泛。在人脸识别的技术中,用到以下几种方法。一、3D转正的方法,3D模型构建复杂,在前向预测过程中耗时较大。人脸图像在进行3D转正的时候没有考虑到高级语义表达,仅仅停留在底层纹理对齐上,因而对人脸识别结果的准确性较低。二.多任务学习的方法。因为人脸识别本身训练就比较耗时,使用多任务学习之后耗时成本增加。因而造成开发成本高昂,不同任务学习到的人脸特征需要映射到同一个度量空间,这本身难度较大,从而使得性能提升有限。三、基于分类的对抗学习。使用对抗学习,简单来对“正面”和“侧面”进行分类对抗,这类方法简单的将人脸的姿态分为“正面”,“侧面”两类,是离散的多个类别。但姿态本身是一个连续的过程,因此影响计算性能。这类方法需要生成一张正脸图片,这个正脸图片生成过程也是一个费时费力难以训练和控制的过程,因此开发较高。
针对上述的问题,目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种人脸识别的处理方法、装置、存储介质及处理器,以至少解决现有技术中对人脸识别的效果不佳的技术问题。
根据本发明实施例的一个方面,提供了一种人脸识别的处理方法,该方法包括:将待识别的图像输入特征提取器进行人脸特征提取,得到人脸特征信息;根据人脸特征信息,确定对抗回归代价函数;通过对抗回归代价函数对特征提取器提取出的人脸特征信息进行处理,得到人脸目标特征信息,其中,人脸目标特征信息中已去除姿态信息;通过人脸目标特征信息对图像进行人脸识别。
进一步地,根据人脸特征信息,确定对抗回归代价函数包括:将人脸特征信息输入姿态鉴别器进行姿态特征提取,得到姿态信息;通过姿态信息和人脸特征信息,确定对抗回归代价函数。
进一步地,通过姿态信息和人脸特征信息,确定对抗回归代价函数包括:将姿态信息和人脸特征信息输入姿态对抗网络,以确定对抗回归代价函数。
进一步地,将姿态信息和人脸特征信息输入姿态对抗网络,以确定对抗回归代价函数包括:获取图像的人脸真实姿态信息和人脸平均姿态信息;将姿态信息、人脸特征信息、人脸真实姿态信息和人脸平均姿态信息输入姿态对抗网络,以确定对抗回归代价函数。
进一步地,确定出的对抗回归代价函数为:
根据本发明实施例的另一方面,还提供了一种人脸识别的处理方法,其特征在于,包括:接收客户端发送的服务调用请求,其中,所述服务调用请求中携带有待识别的图像;响应所述服务调用请求,在服务器中对所述图像进行人脸识别;输出人脸识别结果。
进一步地,在服务器中对所述图像进行人脸识别包括:在所述服务器中将所述图像输入特征提取器进行人脸特征提取,得到人脸特征信息;根据所述人脸特征信息,确定对抗回归代价函数;通过所述对抗回归代价函数对所述特征提取器提取出的人脸特征信息进行处理,得到人脸目标特征信息,其中,所述人脸目标特征信息中已去除姿态信息;通过所述人脸目标特征信息对所述图像进行人脸识别。
根据本发明实施例的另一方面,还提供了一种人脸识别的处理装置,该装置包括:第一提取单元,用于将待识别的图像输入特征提取器进行人脸特征提取,得到人脸特征信息;第一确定单元,用于根据人脸特征信息,确定对抗回归代价函数;第一处理单元,用于通过对抗回归代价函数对特征提取器提取出的人脸特征信息进行处理,得到人脸目标特征信息,其中,人脸目标特征信息中已去除姿态信息;第一识别单元,用于通过人脸目标特征信息对图像进行人脸识别。
进一步地,第一确定单元还包括:第一获取子单元,用于将人脸特征信息输入姿态鉴别器进行姿态特征提取,得到姿态信息;第一确定子单元,用于通过姿态信息和人脸特征信息,确定对抗回归代价函数。
进一步地,第一确定子单元还包括:第一确定模块,用于将姿态信息和人脸特征信息输入姿态对抗网络,以确定对抗回归代价函数。
进一步地,第一确定模块包括:第一获取子模块,用于获取图像的人脸真实姿态信息和人脸平均姿态信息;第一确定子模块,用于将姿态信息、人脸特征信息、人脸真实姿态信息和人脸平均姿态信息输入姿态对抗网络,以确定对抗回归代价函数。
进一步地,确定出的对抗回归代价函数为:
根据本发明实施例的另一方面,还提供了一种存储介质,所述存储介质包括存储的程序,其中,在所述程序运行时控制所述存储介质所在设备执行上述任意一项所述的方法。
根据本发明实施例的另一方面,还提供了一种处理器,所述处理器用于运行程序,其中,所述程序运行时执行上述任意一项所述的方法。
在本发明实施例中,将待识别的图像输入特征提取器进行人脸特征提取,得到人脸特征信息;根据人脸特征信息,确定对抗回归代价函数;通过对抗回归代价函数对特征提取器提取出的人脸特征信息进行处理,得到人脸目标特征信息,其中,人脸目标特征信息中已去除姿态信息;通过人脸目标特征信息对图像进行人脸识别,解决了现有技术中对人脸识别的效果不佳的技术问题。通过对抗回归代价函数去除人脸特征信息的姿态信息,避免了由于人脸特征信息中存在姿态信息影响人脸识别的准确率和速度的问题,从而通过去除姿态信息的人脸目标特征信息对图像进行人脸识别,提升对人脸识别的准确率和速度,从而提升对人脸识别的效果的技术效果。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是根据本发明实施例的计算机终端的硬件结构框图;
图2是根据本发明实施例一提供的人脸识别的处理方法的流程图;
图3是根据本发明实施例一提供的可选的人脸识别的处理方法的示意图;
图4是根据本申请实施例二提供的人脸识别的处理装置的示意图;
图5是根据本发明实施例三提供的可选的人脸识别的处理方法的示意图;以及
图6是根据本发明实施例的可选的计算机终端的结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,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,所描述的实施例仅仅是本发明一部分的实施例,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做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例1
根据本发明实施例,提供了一种人脸识别的处理方法实施例,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
本申请实施例一所提供的人脸识别的处理方法实施例可以在移动终端、计算机终端或者类似的运算装置中执行。图1示出了一种用于实现人脸识别的处理方法的计算机终端(或移动设备)的硬件结构框图。如图1所示,计算机终端10(或移动设备10)可以包括一个或多个(图中采用102a、102b,……,102n来示出)处理器102(处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)、用于存储数据的存储器104、以及用于通信功能的传输装置。除此以外,还可以包括:显示器、输入/输出接口(I/O接口)、通用串行总线(USB)端口(可以作为I/O接口的端口中的一个端口被包括)、网络接口、电源和/或相机。本领域普通技术人员可以理解,图1所示的结构仅为示意,其并不对上述电子装置的结构造成限定。例如,计算机终端10还可包括比图1中所示更多或者更少的组件,或者具有与图1所示不同的配置。
应当注意到的是上述一个或多个处理器102和/或其他数据处理电路在本文中通常可以被称为“数据处理电路”。该数据处理电路可以全部或部分的体现为软件、硬件、固件或其他任意组合。此外,数据处理电路可为单个独立的处理模块,或全部或部分的结合到计算机终端10(或移动设备)中的其他元件中的任意一个内。如本申请实施例中所涉及到的,该数据处理电路作为一种处理器控制(例如与接口连接的可变电阻终端路径的选择)。
存储器104可用于存储应用软件的软件程序以及模块,如本发明实施例中的人脸识别的处理方法对应的程序指令/数据存储装置,处理器102通过运行存储在存储器104内的软件程序以及模块,从而执行各种功能应用以及数据处理,即实现上述的应用程序的人脸识别的处理方法。存储器104可包括高速随机存储器,还可包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器104可进一步包括相对于处理器102远程设置的存储器,这些远程存储器可以通过网络连接至计算机终端10。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输装置106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括计算机终端10的通信供应商提供的无线网络。在一个实例中,传输装置106包括一个网络适配器(Network Interface Controller,NIC),其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中,传输装置106可以为射频(Radio Frequency,RF)模块,其用于通过无线方式与互联网进行通讯。
显示器可以例如触摸屏式的液晶显示器(LCD),该液晶显示器可使得用户能够与计算机终端10(或移动设备)的用户界面进行交互。
在上述运行环境下,本申请提供了如图2所示的人脸识别的处理方法。图2是根据本发明实施例一的人脸识别的处理方法的流程图。
步骤S101,将待识别的图像输入特征提取器进行人脸特征提取,得到人脸特征信息。
例如,上述提取到的人脸特征信息中包括待识别的图像中人脸的生物特征信息,比如,面相信息,虹膜信息等,人脸特征信息还包括人脸姿态信息,例如,左脸姿态信息和右脸姿态信息等。
步骤S102,根据人脸特征信息,确定对抗回归代价函数。
可选地,在本申请实施例一提供的人脸识别的处理方法中,根据人脸特征信息,确定对抗回归代价函数包括:将人脸特征信息输入姿态鉴别器进行姿态特征提取,得到姿态信息;通过姿态信息和人脸特征信息,确定对抗回归代价函数。
上述的姿态鉴别器会尽可能准确回归姿态,通过将人脸特征信息输入姿态鉴别器进行姿态特征提取,可以得到待识别的图像中人脸的真实姿态信息。通过姿态鉴别器输出的真实姿态信息以及特征提取器输出的人脸特征信息,可以确定出对抗回归代价函数,该对抗回归代价函数对姿态鉴别器输出的真实姿态信息以及特征提取器输出的人脸特征信息是对抗的处理过程。在对抗过程中,特征提取器会逐步消除掉人脸识别特征中的姿态信息,从而使其更加具备姿态鲁棒性。
步骤S103,通过对抗回归代价函数对特征提取器提取出的人脸特征信息进行处理,得到人脸目标特征信息,其中,人脸目标特征信息中已去除姿态信息。
步骤S104,通过人脸目标特征信息对图像进行人脸识别。
通过对抗回归代价函数去除人脸特征信息的姿态信息,避免了由于人脸特征信息中存在姿态信息影响人脸识别的准确率和速度的问题,从而通过去除姿态信息的人脸目标特征信息对图像进行人脸识别,提升对人脸识别的准确率和速度,从而提升对人脸识别的效果的技术效果。
可选地,在本申请实施例一提供的人脸识别的处理方法中,通过姿态信息和人脸特征信息,确定对抗回归代价函数包括:将姿态信息和人脸特征信息输入姿态对抗网络,以确定对抗回归代价函数。
如图3所示,将姿态信息和人脸特征信息输入姿态对抗网络,以确定对抗回归代价函数,通过对抗回归代价函数去除特征提取器输出的人脸特征信息的姿态信息,对去除姿态信息的人脸目标特征信息通过识别分类器以及人脸识别的损失函数进行人脸识别,从而提升人脸识别的准确率和速度。
可选地,在本申请实施例一提供的人脸识别的处理方法中,将姿态信息和人脸特征信息输入姿态对抗网络,以确定对抗回归代价函数包括:获取图像的人脸真实姿态信息和人脸平均姿态信息;将姿态信息、人脸特征信息、人脸真实姿态信息和人脸平均姿态信息输入姿态对抗网络,以确定对抗回归代价函数。
通过上述方法,确定出的对抗回归代价函数为:
通过上述算法可以看出在对抗过程中,特征提取器会逐步消除掉人脸识别特征中的姿态信息,从而使其更加具备姿态鲁棒性。
综上,本申请中的技术方案,无需生成正面人脸。在训练的时候节约了计算资源和开发成本,在预测的时候降低了预测耗时,另外,由于没有使用多任务训练,仅比单任务朴素的人脸识别训练方式多了一个姿态鉴别器,而这个姿态鉴别器的计算量仅为特征提取器的很小比例(例如,5%左右),所以比多任务的方法大幅度的节约了计算量。同时,这里的姿态对抗使用的姿态对抗网络是连续的函数,不是在离散的分类网络,更符合姿态本身就是连续信息的本质,从而具备更强的性能,从而提升人脸识别的准确率和速度。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明并不受所描述的动作顺序的限制,因为依据本发明,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本发明所必须的。
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根据上述实施例的方法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,但很多情况下前者是更佳的实施方式。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(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本发明各个实施例的方法。
实施例2
根据本发明实施例,还提供了一种用于实施上述人脸识别的处理方法的装置,如图4所示,该装置包括:第一提取单元201、第一确定单元202、第一处理单元203、第一识别单元204。
具体的,第一提取单元201,用于将待识别的图像输入特征提取器进行人脸特征提取,得到人脸特征信息;
第一确定单元202,用于根据人脸特征信息,确定对抗回归代价函数;
第一处理单元203,用于通过对抗回归代价函数对特征提取器提取出的人脸特征信息进行处理,得到人脸目标特征信息,其中,人脸目标特征信息中已去除姿态信息;
第一识别单元204,用于通过人脸目标特征信息对图像进行人脸识别。
本申请实施例二提供的人脸识别的处理装置,通过第一提取单元201将待识别的图像输入特征提取器进行人脸特征提取,得到人脸特征信息;第一确定单元202根据人脸特征信息,确定对抗回归代价函数;第一处理单元203通过对抗回归代价函数对特征提取器提取出的人脸特征信息进行处理,得到人脸目标特征信息,其中,人脸目标特征信息中已去除姿态信息;第一识别单元204通过人脸目标特征信息对图像进行人脸识别,解决了现有技术中对人脸识别的效果不佳的技术问题。通过对抗回归代价函数去除人脸特征信息的姿态信息,避免了由于人脸特征信息中存在姿态信息影响人脸识别的准确率和速度的问题,从而通过去除姿态信息的人脸目标特征信息对图像进行人脸识别,提升对人脸识别的准确率和速度,从而提升对人脸识别的效果的技术效果。
可选地,在本申请实施例二提供的人脸识别的处理装置中,第一确定单元202还包括:第一获取子单元,用于将人脸特征信息输入姿态鉴别器进行姿态特征提取,得到姿态信息;第一确定子单元,用于通过姿态信息和人脸特征信息,确定对抗回归代价函数。
可选地,在本申请实施例二提供的人脸识别的处理装置中,第一确定子单元还包括:第一确定模块,用于将姿态信息和人脸特征信息输入姿态对抗网络,以确定对抗回归代价函数。
可选地,在本申请实施例二提供的人脸识别的处理装置中,第一确定模块包括:第一获取子模块,用于获取图像的人脸真实姿态信息和人脸平均姿态信息;第一确定子模块,用于将姿态信息、人脸特征信息、人脸真实姿态信息和人脸平均姿态信息输入姿态对抗网络,以确定对抗回归代价函数。
可选地,在本申请实施例二提供的人脸识别的处理装置中,确定出的对抗回归代价函数为:
此处需要说明的是,上述的第一提取单元201、第一确定单元202、第一处理单元203、第一识别单元204对应于实施例1中的步骤S101至步骤S104,四个单元与对应的步骤所实现的实例和应用场景相同,但不限于上述实施例一所公开的内容。需要说明的是,上述模块作为装置的一部分可以运行在实施例一提供的计算机终端10中。
实施例3
在上述运行环境下,本申请提供了如图5所示的人脸识别的处理方法。图5是根据本发明实施例三的人脸识别的处理方法的流程图。
步骤S501,接收客户端发送的服务调用请求,其中,服务调用请求中携带有待识别的图像。
步骤S502,响应服务调用请求,在服务器中对图像进行人脸识别。
步骤S503,输出人脸识别结果。
通过在服务器中调用服务对图像进行人脸识别,提升对人脸识别的准确率和速度,从而提升对人脸识别的效果的技术效果。
可选地,在本申请实施例三提供的人脸识别的处理方法中,在服务器中对图像进行人脸识别包括:在服务器中将图像输入特征提取器进行人脸特征提取,得到人脸特征信息;根据人脸特征信息,确定对抗回归代价函数;通过对抗回归代价函数对特征提取器提取出的人脸特征信息进行处理,得到人脸目标特征信息,其中,人脸目标特征信息中已去除姿态信息;通过人脸目标特征信息对图像进行人脸识别。
例如,上述提取到的人脸特征信息中包括待识别的图像中人脸的生物特征信息,比如,面相信息,虹膜信息等,人脸特征信息还包括人脸姿态信息,例如,左脸姿态信息和右脸姿态信息等。
通过对抗回归代价函数去除人脸特征信息的姿态信息,避免了由于人脸特征信息中存在姿态信息影响人脸识别的准确率和速度的问题,从而通过去除姿态信息的人脸目标特征信息对图像进行人脸识别,提升对人脸识别的准确率和速度,从而提升对人脸识别的效果的技术效果。
可选地,在本申请实施例三提供的人脸识别的处理方法中,根据人脸特征信息,确定对抗回归代价函数包括:将人脸特征信息输入姿态鉴别器进行姿态特征提取,得到姿态信息;通过姿态信息和人脸特征信息,确定对抗回归代价函数。
上述的姿态鉴别器会尽可能准确回归姿态,通过将人脸特征信息输入姿态鉴别器进行姿态特征提取,可以得到待识别的图像中人脸的真实姿态信息。通过姿态鉴别器输出的真实姿态信息以及特征提取器输出的人脸特征信息,可以确定出对抗回归代价函数,该对抗回归代价函数对姿态鉴别器输出的真实姿态信息以及特征提取器输出的人脸特征信息是对抗的处理过程。在对抗过程中,特征提取器会逐步消除掉人脸识别特征中的姿态信息,从而使其更加具备姿态鲁棒性。
可选地,在本申请实施例三提供的人脸识别的处理方法中,通过姿态信息和人脸特征信息,确定对抗回归代价函数包括:将姿态信息和人脸特征信息输入姿态对抗网络,以确定对抗回归代价函数。
将姿态信息和人脸特征信息输入姿态对抗网络,以确定对抗回归代价函数,通过对抗回归代价函数去除特征提取器输出的人脸特征信息的姿态信息,对去除姿态信息的人脸目标特征信息通过识别分类器以及人脸识别的损失函数进行人脸识别,从而提升人脸识别的准确率和速度。
可选地,在本申请实施例三提供的人脸识别的处理方法中,将姿态信息和人脸特征信息输入姿态对抗网络,以确定对抗回归代价函数包括:获取图像的人脸真实姿态信息和人脸平均姿态信息;将姿态信息、人脸特征信息、人脸真实姿态信息和人脸平均姿态信息输入姿态对抗网络,以确定对抗回归代价函数。
通过上述方法,确定出的对抗回归代价函数为:
通过上述算法可以看出在对抗过程中,特征提取器会逐步消除掉人脸识别特征中的姿态信息,从而使其更加具备姿态鲁棒性。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明并不受所描述的动作顺序的限制,因为依据本发明,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本发明所必须的。
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根据上述实施例的方法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,但很多情况下前者是更佳的实施方式。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(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本发明各个实施例的方法。
实施例4
本发明的实施例可以提供一种计算机终端,该计算机终端可以是计算机终端群中的任意一个计算机终端设备。可选地,在本实施例中,上述计算机终端也可以替换为移动终端等终端设备。
可选地,在本实施例中,上述计算机终端可以位于计算机网络的多个网络设备中的至少一个网络设备。
在本实施例中,上述计算机终端可以执行应用程序的人脸识别的处理方法中以下步骤的程序代码:将待识别的图像输入特征提取器进行人脸特征提取,得到人脸特征信息;根据人脸特征信息,确定对抗回归代价函数;通过对抗回归代价函数对特征提取器提取出的人脸特征信息进行处理,得到人脸目标特征信息,其中,人脸目标特征信息中已去除姿态信息;通过人脸目标特征信息对图像进行人脸识别。
当在数据处理设备上执行时,还适于执行初始化有如下方法步骤的程序:将人脸特征信息输入姿态鉴别器进行姿态特征提取,得到姿态信息;通过姿态信息和人脸特征信息,确定对抗回归代价函数。
当在数据处理设备上执行时,还适于执行初始化有如下方法步骤的程序:将姿态信息和人脸特征信息输入姿态对抗网络,以确定对抗回归代价函数。
当在数据处理设备上执行时,还适于执行初始化有如下方法步骤的程序:获取图像的人脸真实姿态信息和人脸平均姿态信息;将姿态信息、人脸特征信息、人脸真实姿态信息和人脸平均姿态信息输入姿态对抗网络,以确定对抗回归代价函数。
当在数据处理设备上执行时,还适于执行初始化有如下方法步骤的程序:确定出的对抗回归代价函数为:
可选地,图6是根据本发明实施例的一种计算机终端的结构框图。如图6所示,该计算机终端可以包括:一个或多个(图6中仅示出一个)处理器、存储器。
其中,存储器可用于存储软件程序以及模块,如本发明实施例中的人脸识别的处理方法和装置对应的程序指令/模块,处理器通过运行存储在存储器内的软件程序以及模块,从而执行各种功能应用以及数据处理,即实现上述的人脸识别的处理方法。存储器可包括高速随机存储器,还可以包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器可进一步包括相对于处理器远程设置的存储器,这些远程存储器可以通过网络连接至终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
处理器可以通过传输装置调用存储器存储的信息及应用程序,以执行下述步骤:将待识别的图像输入特征提取器进行人脸特征提取,得到人脸特征信息;根据人脸特征信息,确定对抗回归代价函数;通过对抗回归代价函数对特征提取器提取出的人脸特征信息进行处理,得到人脸目标特征信息,其中,人脸目标特征信息中已去除姿态信息;通过人脸目标特征信息对图像进行人脸识别。
处理器执行程序时还实现以下步骤:将人脸特征信息输入姿态鉴别器进行姿态特征提取,得到姿态信息;通过姿态信息和人脸特征信息,确定对抗回归代价函数。
处理器执行程序时还实现以下步骤:将姿态信息和人脸特征信息输入姿态对抗网络,以确定对抗回归代价函数。
处理器执行程序时还实现以下步骤:获取图像的人脸真实姿态信息和人脸平均姿态信息;将姿态信息、人脸特征信息、人脸真实姿态信息和人脸平均姿态信息输入姿态对抗网络,以确定对抗回归代价函数。
处理器执行程序时还实现以下步骤:确定出的对抗回归代价函数为:
采用本发明实施例,提供了一种人脸识别的处理方法的方案。通过将待识别的图像输入特征提取器进行人脸特征提取,得到人脸特征信息;根据人脸特征信息,确定对抗回归代价函数;通过对抗回归代价函数对特征提取器提取出的人脸特征信息进行处理,得到人脸目标特征信息,其中,人脸目标特征信息中已去除姿态信息;通过人脸目标特征信息对图像进行人脸识别,解决了现有技术中对人脸识别的效果不佳的技术问题。通过对抗回归代价函数去除人脸特征信息的姿态信息,避免了由于人脸特征信息中存在姿态信息影响人脸识别的准确率和速度的问题,从而通过去除姿态信息的人脸目标特征信息对图像进行人脸识别,提升对人脸识别的准确率和速度,从而提升对人脸识别的效果的技术效果。
本领域普通技术人员可以理解,图6所示的结构仅为示意,计算机终端也可以是智能手机(如Android手机、iOS手机等)、平板电脑、掌声电脑以及移动互联网设备(MobileInternet Devices,MID)、PAD等终端设备。图6其并不对上述电子装置的结构造成限定。例如,计算机终端10还可包括比图6中所示更多或者更少的组件(如网络接口、显示装置等),或者具有与图6所示不同的配置。
本领域普通技术人员可以理解上述实施例的各种人脸识别的处理方法中的全部或部分步骤是可以通过程序来指令终端设备相关的硬件来完成,该程序可以存储于一计算机可读存储介质中,存储介质可以包括:闪存盘、只读存储器(Read-Only Memory,ROM)、随机存取器(Random Access Memory,RAM)、磁盘或光盘等。
实施例5
本发明的实施例四还提供了一种存储介质。可选地,在本实施例中,上述存储介质可以用于保存上述实施例一所提供的人脸识别的处理方法所执行的程序代码。
可选地,在本实施例中,上述存储介质可以位于计算机网络中计算机终端群中的任意一个计算机终端中,或者位于移动终端群中的任意一个移动终端中。
可选地,在本实施例中,存储介质被设置为存储用于执行以下步骤的程序代码:将待识别的图像输入特征提取器进行人脸特征提取,得到人脸特征信息;根据人脸特征信息,确定对抗回归代价函数;通过对抗回归代价函数对特征提取器提取出的人脸特征信息进行处理,得到人脸目标特征信息,其中,人脸目标特征信息中已去除姿态信息;通过人脸目标特征信息对图像进行人脸识别。
存储介质还被设置为存储用于执行以下步骤的程序代码:根据人脸特征信息,确定对抗回归代价函数包括:将人脸特征信息输入姿态鉴别器进行姿态特征提取,得到姿态信息;通过姿态信息和人脸特征信息,确定对抗回归代价函数。
存储介质还被设置为存储用于执行以下步骤的程序代码:通过姿态信息和人脸特征信息,确定对抗回归代价函数包括:将姿态信息和人脸特征信息输入姿态对抗网络,以确定对抗回归代价函数。
存储介质还被设置为存储用于执行以下步骤的程序代码:将姿态信息和人脸特征信息输入姿态对抗网络,以确定对抗回归代价函数包括:获取图像的人脸真实姿态信息和人脸平均姿态信息;将姿态信息、人脸特征信息、人脸真实姿态信息和人脸平均姿态信息输入姿态对抗网络,以确定对抗回归代价函数。
存储介质还被设置为存储用于执行以下步骤的程序代码:确定出的对抗回归代价函数为:
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
在本发明的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的技术内容,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
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单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
集成的单元如果以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全部或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(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (12)
1.一种人脸识别的处理方法,其特征在于,包括:
将待识别的图像输入特征提取器进行人脸特征提取,得到人脸特征信息;
根据所述人脸特征信息,确定对抗回归代价函数;
通过所述对抗回归代价函数对所述特征提取器提取出的人脸特征信息进行处理,得到人脸目标特征信息,其中,所述人脸目标特征信息中已去除姿态信息;
通过所述人脸目标特征信息对所述图像进行人脸识别。
2.根据权利要求1所述的处理方法,其特征在于,根据所述人脸特征信息,确定对抗回归代价函数包括:
将所述人脸特征信息输入姿态鉴别器进行姿态特征提取,得到姿态信息;
通过所述姿态信息和所述人脸特征信息,确定所述对抗回归代价函数。
3.根据权利要求2所述的处理方法,其特征在于,通过所述姿态信息和所述人脸特征信息,确定所述对抗回归代价函数包括:
将所述姿态信息和所述人脸特征信息输入姿态对抗网络,以确定所述对抗回归代价函数。
4.根据权利要求3所述的处理方法,其特征在于,将所述姿态信息和所述人脸特征信息输入姿态对抗网络,以确定所述对抗回归代价函数包括:
根据所述姿态信息获取所述图像的人脸真实姿态信息和人脸平均姿态信息;
将所述姿态信息、所述人脸特征信息、人脸真实姿态信息和人脸平均姿态信息输入所述姿态对抗网络,以确定所述对抗回归代价函数。
5.一种人脸识别的处理方法,其特征在于,包括:
接收客户端发送的服务调用请求,其中,所述服务调用请求中携带有待识别的图像;
响应所述服务调用请求,在服务器中对所述图像进行人脸识别;
输出人脸识别结果。
6.根据权利要求5所述的方法,其特征在于,在服务器中对所述图像进行人脸识别包括:
在所述服务器中将所述图像输入特征提取器进行人脸特征提取,得到人脸特征信息;
根据所述人脸特征信息,确定对抗回归代价函数;
通过所述对抗回归代价函数对所述特征提取器提取出的人脸特征信息进行处理,得到人脸目标特征信息,其中,所述人脸目标特征信息中已去除姿态信息;
通过所述人脸目标特征信息对所述图像进行人脸识别。
7.一种人脸识别的处理装置,其特征在于,包括:
第一提取单元,用于将待识别的图像输入特征提取器进行人脸特征提取,得到人脸特征信息;
第一确定单元,用于根据所述人脸特征信息,确定对抗回归代价函数;
第一处理单元,用于通过所述对抗回归代价函数对所述特征提取器提取出的人脸特征信息进行处理,得到人脸目标特征信息,其中,所述人脸目标特征信息中已去除姿态信息;
第一识别单元,用于通过所述人脸目标特征信息对所述图像进行人脸识别。
8.根据权利要求7所述的处理装置,其特征在于,所述第一确定单元还包括:
第一获取子单元,用于将所述人脸特征信息输入姿态鉴别器进行姿态特征提取,得到姿态信息;
第一确定子单元,用于通过所述姿态信息和所述人脸特征信息,确定所述对抗回归代价函数。
9.根据权利要求8所述的处理装置,其特征在于,所述第一确定子单元还包括:
第一确定模块,用于将所述姿态信息和所述人脸特征信息输入姿态对抗网络,以确定所述对抗回归代价函数。
10.根据权利要求9所述的处理装置,其特征在于,所述第一确定模块包括:
第一获取子模块,用于根据所述姿态信息获取所述图像的人脸真实姿态信息和人脸平均姿态信息;
第一确定子模块,用于将所述姿态信息、所述人脸特征信息、人脸真实姿态信息和人脸平均姿态信息输入所述姿态对抗网络,以确定所述对抗回归代价函数。
11.一种存储介质,其特征在于,所述存储介质包括存储的程序,其中,在所述程序运行时控制所述存储介质所在设备执行权利要求1至5中任意一项所述的方法,或者,权利要求6至7中任意一项所述的方法。
12.一种处理器,其特征在于,所述处理器用于运行程序,其中,所述程序运行时执行权利要求1至5中任意一项所述的方法,或者,权利要求6至7中任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110059670.0A CN114842520A (zh) | 2021-01-15 | 2021-01-15 | 人脸识别的处理方法、装置、存储介质及处理器 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110059670.0A CN114842520A (zh) | 2021-01-15 | 2021-01-15 | 人脸识别的处理方法、装置、存储介质及处理器 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114842520A true CN114842520A (zh) | 2022-08-02 |
Family
ID=82560793
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110059670.0A Pending CN114842520A (zh) | 2021-01-15 | 2021-01-15 | 人脸识别的处理方法、装置、存储介质及处理器 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114842520A (zh) |
-
2021
- 2021-01-15 CN CN202110059670.0A patent/CN114842520A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107886032B (zh) | 终端设备、智能手机、基于脸部识别的认证方法和系统 | |
CN108681743B (zh) | 图像对象识别方法和装置、存储介质 | |
CN109472240B (zh) | 人脸识别多模型自适应特征融合增强方法和装置 | |
CN108319888B (zh) | 视频类型的识别方法及装置、计算机终端 | |
US20210216913A1 (en) | Prediction method, apparatus, and system for performing an image search | |
WO2018099295A1 (zh) | 基于图片的判别方法及装置和计算设备 | |
US20200211413A1 (en) | Method, apparatus and terminal device for constructing parts together | |
CN112906806A (zh) | 一种基于神经网络的数据优化方法及装置 | |
CN112492383A (zh) | 视频帧的生成方法及装置、存储介质、电子设备 | |
CN111367402B (zh) | 任务触发方法、交互设备及计算机设备 | |
CN111783677A (zh) | 人脸识别方法、装置、服务器和计算机可读介质 | |
CN112560554A (zh) | 基于唇语的活体检测方法、装置以及存储介质 | |
CN114842520A (zh) | 人脸识别的处理方法、装置、存储介质及处理器 | |
CN114970761A (zh) | 模型训练方法及装置、系统 | |
CN110941187A (zh) | 家电控制方法及装置 | |
CN114596453A (zh) | 图像处理方法、装置及计算机可读存储介质 | |
CN116579380A (zh) | 一种数据处理方法以及相关设备 | |
CN110929866B (zh) | 神经网络模型的训练方法、装置和系统 | |
CN112560553A (zh) | 活体检测方法、装置以及存储介质 | |
CN113657135A (zh) | 基于深度学习的活体检测方法、装置及存储介质 | |
CN112560555A (zh) | 扩充关键点的方法、装置以及存储介质 | |
CN110826582A (zh) | 图像特征训练方法、装置和系统 | |
CN110602701A (zh) | 数据处理方法及终端 | |
CN114943868B (zh) | 图像处理方法、装置、存储介质及处理器 | |
CN114022948A (zh) | 唇语预处理方法、装置及存储介质 |
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 |