CN115439917A - 一种人脸识别方法、装置、电子设备及存储介质 - Google Patents
一种人脸识别方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN115439917A CN115439917A CN202211300231.5A CN202211300231A CN115439917A CN 115439917 A CN115439917 A CN 115439917A CN 202211300231 A CN202211300231 A CN 202211300231A CN 115439917 A CN115439917 A CN 115439917A
- Authority
- CN
- China
- Prior art keywords
- face
- face image
- time
- image
- recognized
- 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
- 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
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional 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
- G06V40/161—Detection; Localisation; Normalisation
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Collating Specific Patterns (AREA)
Abstract
本申请提供了一种人脸识别方法、装置、电子设备及存储介质,所述人脸识别方法包括:获取待识别人脸图像;将所述待识别人脸图像输入至人脸特征提取模型之中,对所述待识别人脸图像的无关时间信息的人脸特征进行提取,输出无关时间信息的人脸特征信息;基于所述无关时间信息的人脸特征信息进行人脸识别,确定出人脸识别结果。通过将待识别人脸图像输入至人脸特征提取模型之中,对待识别人脸图像的无关时间信息的人脸特征进行提取,可有效提升因时间变化造成人脸变化带来的人脸误识别问题,从而提高了人脸识别的准确率。
Description
技术领域
本申请涉及人脸识别技术领域,尤其是涉及一种人脸识别方法、装置、电子设备及存储介质。
背景技术
人脸识别广泛应用于各个行业,提升人脸识别的准确率有助于维护人脸识别系统的安全性和可靠性,但是影响人脸识别准确率的因素也较多,比如,人的妆容因素、时间因素等。所以,如何提升人脸识别的准确率,成为了不容小觑的技术问题。
发明内容
有鉴于此,本申请的目的在于提供一种人脸识别方法、装置、电子设备及存储介质,通过将待识别人脸图像输入至人脸特征提取模型之中,对待识别人脸图像的无关时间信息的人脸特征进行提取,可有效提升因时间变化造成人脸变化带来的人脸误识别问题,从而提高了人脸识别的准确率。
本申请实施例提供了一种人脸识别方法,所述人脸识别方法包括:
获取待识别人脸图像;
将所述待识别人脸图像输入至人脸特征提取模型之中,对所述待识别人脸图像的无关时间信息的人脸特征进行提取,输出无关时间信息的人脸特征信息;
基于所述无关时间信息的人脸特征信息进行人脸识别,确定出人脸识别结果。
在一种可能的实施方式中,所述将所述待识别人脸图像输入至人脸特征提取模型之中,对所述待识别人脸图像的无关时间信息的人脸特征进行提取,输出无关时间信息的人脸特征信息,包括:
从人脸图像信息库中调取出与所述待识别人脸图像的标识信息相对应的预设基准人脸图像;
基于所述待识别人脸图像和所述预设基准人脸图像,确定出所述待识别人脸图像的时间迁移指数;
基于所述时间迁移指数和所述待识别人脸图像,确定出所述无关时间信息的人脸特征信息。
在一种可能的实施方式中,所述基于所述待识别人脸图像和所述预设基准人脸图像,确定出所述待识别人脸图像的时间迁移指数,包括:
基于所述待识别人脸图像和所述预设基准人脸图像,确定出时间迁移残差;
基于所述时间迁移残差以及目标三次多项式网络,确定出所述待识别人脸图像的时间迁移指。
在一种可能的实施方式中,所述人脸特征提取模型包括目标三次多项式网络以及特征提取网络,通过以下步骤确定出所述人脸特征提取模型;
获取多个人的样本基准人脸图像、每个人的样本时间迁移人脸图像、以及每个所述样本时间迁移人脸图像相对应的迁移时间标签;
针对于每个人,将该人的所述样本基准人脸图像以及该人的所述样本时间迁移人脸图像,输入至三次多项式网络之中,确定出样本迁移时间;其中,所述样本迁移时间为所述样本时间迁移人脸图像的拍摄时刻与所述样本基准人脸图像的拍摄时刻之间的差值;
基于所述样本迁移时间以及所述样本时间迁移人脸图像相对应的迁移时间标签,优化所述三次多项式网络,生成目标三次多项式网络;
基于所述目标三次多项式网络和所述样本时间迁移人脸图像,对所述特征提取网络进行训练,生成所述人脸特征提取模型。
在一种可能的实施方式中,所述针对于每个人,将该人的所述样本基准人脸图像以及该人的所述样本时间迁移人脸图像,输入至三次多项式网络之中,确定出样本迁移时间,包括:
对所述样本基准人脸图像与所述样本时间迁移人脸图像分别进行人脸剪裁处理以及人脸对齐处理,确定出所述样本基准人脸图像相对应的第一标准人脸图像以及所述样本时间迁移人脸图像相对应的第二标准人脸图像;
将所述第一标准人脸图像中的各个像素与所述第二标准人脸图像对应的像素进行做差处理,确定出样本时间迁移残差;
对所述样本时间迁移残差进行三次多项式线性计算,确定出所述样本迁移时间。
在一种可能的实施方式中,通过以下步骤确定出所述第一标准人脸图像和所述第二标准人脸图像:
从所述样本基准人脸图像之中裁剪出第一人脸区域图像,以及在所述样本时间迁移人脸图像之中裁剪出第二人脸区域图像;
基于所述第一人脸区域图像中的人脸关键点和所述第二人脸区域图像中的人脸关键点,对所述第一人脸区域图像和所述第二人脸区域图像进行对齐,确定出所述第一标准人脸图像和所述第二标准人脸图像。
本申请实施例还提供一种人脸识别装置,所述人脸识别装置包括:
获取模块,用于获取待识别人脸图像;
特征提取模块,用于将所述待识别人脸图像输入至人脸特征提取模型之中,对所述待识别人脸图像的无关时间信息的人脸特征进行提取,输出无关时间信息的人脸特征信息;
确定模块,用于基于所述无关时间信息的人脸特征信息进行人脸识别,确定出人脸识别结果。
在一种可能的实施方式中,所述特征提取模块在用于所述将所述待识别人脸图像输入至人脸特征提取模型之中,对所述待识别人脸图像的无关时间信息的人脸特征进行提取,输出无关时间信息的人脸特征信息时,所述特征提取模块具体用于:
从人脸图像信息库中调取出与所述待识别人脸图像的标识信息相对应的预设基准人脸图像;
基于所述待识别人脸图像和所述预设基准人脸图像,确定出所述待识别人脸图像的时间迁移指数;
基于所述时间迁移指数和所述待识别人脸图像,确定出所述无关时间信息的人脸特征信息。
本申请实施例还提供一种电子设备,包括:处理器、存储器和总线,所述存储器存储有所述处理器可执行的机器可读指令,当电子设备运行时,所述处理器与所述存储器之间通过总线通信,所述机器可读指令被所述处理器执行时执行如上述的人脸识别方法的步骤。
本申请实施例还提供一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行如上述的xx方法的步骤。
本申请实施例提供的一种人脸识别方法、装置、电子设备及存储介质,所述人脸识别方法包括:获取待识别人脸图像;将所述待识别人脸图像输入至人脸特征提取模型之中,对所述待识别人脸图像的无关时间信息的人脸特征进行提取,输出无关时间信息的人脸特征信息;基于所述无关时间信息的人脸特征信息进行人脸识别,确定出人脸识别结果。通过将待识别人脸图像输入至人脸特征提取模型之中,对待识别人脸图像的无关时间信息的人脸特征进行提取,可有效提升因时间变化造成人脸变化带来的人脸误识别问题,从而提高了人脸识别的准确率。
为使本申请的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1为本申请实施例所提供的一种人脸识别方法的流程图之一;
图2为本申请实施例所提供的一种人脸识别方法的流程图之二;
图3为本申请实施例所提供的一种人脸识别装置的结构示意图之一;
图4为本申请实施例所提供的一种人脸识别装置的结构示意图之二;
图5为本申请实施例所提供的一种电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,应当理解,本申请中的附图仅起到说明和描述的目的,并不用于限定本申请的保护范围。另外,应当理解,示意性的附图并未按实物比例绘制。本申请中使用的流程图示出了根据本申请的一些实施例实现的操作。应当理解,流程图的操作可以不按顺序实现,没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外,本领域技术人员在本申请内容的指引下,可以向流程图添加一个或多个其他操作,也可以从流程图中移除一个或多个操作。
另外,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的全部其他实施例,都属于本申请保护的范围。
为了使得本领域技术人员能够使用本申请内容,结合特定应用场景“对人脸进行识别”,给出以下实施方式,对于本领域技术人员来说,在不脱离本申请的精神和范围的情况下,可以将这里定义的一般原理应用于其他实施例和应用场景。
本申请实施例下述方法、装置、电子设备或计算机可读存储介质可以应用于任何需要对人脸进行识别的场景,本申请实施例并不对具体的应用场景作限制,任何使用本申请实施例提供的一种人脸识别方法、装置、电子设备及存储介质的方案均在本申请保护范围内。
首先,对本申请可适用的应用场景进行介绍。本申请可应用于人脸识别技术领域。
经研究发现,人脸识别广泛应用于各个行业,提升人脸识别的准确率有助于维护人脸识别系统的安全性和可靠性,而影响人脸识别准确率的因素之一是时间迁移干扰,即,同一人在不同时间段的人脸图像上所呈现的差异对人脸识别算法的影响,如何消除这种时间迁移差异带来的干扰,从而提升人脸识别的准确率,成为了不容小觑的技术问题。
基于此,本申请实施例提供了一种人脸识别方法,通过将待识别人脸图像输入至人脸特征提取模型之中,对待识别人脸图像的无关时间信息的人脸特征进行提取,可有效提升因时间变化造成人脸变化带来的人脸误识别问题,从而提高了人脸识别的准确率。
请参阅图1,图1为本申请实施例所提供的一种人脸识别方法的流程图之一。如图1中所示,本申请实施例提供的人脸识别方法,包括:
S101:获取待识别人脸图像。
该步骤中,获取待识别人脸图像。
这里,待识别人脸图像可以为经过时间迁移的人脸图像。
其中,时间迁移为两个图像的拍摄时刻之间的差值。
S102:将所述待识别人脸图像输入至人脸特征提取模型之中,对所述待识别人脸图像的无关时间信息的人脸特征进行提取,输出无关时间信息的人脸特征信息。
该步骤中,将待识别人脸图像输入到人脸特征提取模型之中,对待识别人脸图像的无关时间信息的人脸特征进行提取,输出无关时间信息的人脸特征信息。
这里,无关时间信息的人脸特征为没有经过时间迁移的人脸特征,可有效提升因时间变化造成人脸变化带来的人脸误识别问题。
进一步的,请参阅图2,图2为本申请实施例所提供的一种人脸识别方法的流程图之二。如图2中所示,包括:
S201:从人脸图像信息库中调取出与所述待识别人脸图像的标识信息相对应的预设基准人脸图像。
该步骤中,在人脸图像信息库中调取出与待识别人脸图像的标识信息相对应的预设基准人脸图像。
这里,预设基准人脸图像为待识别用户预先录入的未经过时间迁移的人脸图像,用于确定出预设基准人脸图像与当前的待识别人脸图像是否同一用户。如,可以是待识别用户在20岁录入的人脸图像。
在一种可能的实施方式中,对预设基准人脸图像和待识别人脸图像分别进行人脸裁剪与人脸对齐,形成五官关键点一致的标准位置人脸,其中,人脸剪裁由人脸检测算法检测出人脸位置后,将人脸从图像中剪裁,人脸对齐由人脸关键点检测器检测出人脸五官关键点后,由图像仿射变换映射到标准人脸模板上,形成标准位置人脸。
S202:基于所述待识别人脸图像和所述预设基准人脸图像,确定出所述待识别人脸图像的时间迁移指数。
该步骤中,根据待识别人脸图像和预设基准人脸图像,确定出待识别人脸图像的时间迁移指数。
在一种可能的实施方式中,基于所述待识别人脸图像和所述预设基准人脸图像,确定出所述待识别人脸图像的时间迁移指数,包括:
A:基于所述待识别人脸图像以及所述预设基准人脸图像,确定出时间迁移残差。
这里,根据待识别人脸图像和预设基准人脸图像,确定出时间迁移残差。
这里,将待识别人脸图像以及预设基准人脸图像分别进行人脸剪裁和人脸对齐处理后,将待识别人脸图像以及预设基准人脸图像分别得到的标准位置人脸进行像素对应做差处理,得到像素级别的时间迁移残差。
B:基于所述时间迁移残差以及目标三次多项式网络,确定出所述待识别人脸图像的时间迁移指数。
其中,时间迁移指数r的计算方式为:
S203:基于所述时间迁移指数和所述待识别人脸图像,确定出所述无关时间信息的人脸特征信息。
该步骤中,根据时间迁移指数和待识别人脸图像,确定出无关时间信息的人脸特征信息。
这里,待识别人脸图像中的每个人脸特征元素减去时间迁移指数,消除时间迁移量,得到无关时间信息的人脸特征信息。
在具体实施例中,从人脸图像信息库中调取出与待识别人脸图像的标识信息相对应的预设基准人脸图像,对预设基准人脸图像和待识别人脸图像分别进行人脸裁剪与人脸对齐,形成五官关键点一致的标准位置人脸,其中,人脸剪裁由人脸检测算法检测出人脸位置后,将人脸从图像中剪裁,人脸对齐由人脸关键点检测器检测出人脸五官关键点后,由图像仿射变换映射到标准人脸模板上,形成标准位置人脸,将待识别人脸图像以及预设基准人脸图像分别得到的标准位置人脸进行像素对应做差处理,得到像素级别的时间迁移残差。根据时间迁移残差以及目标三次多项式网络,得到待识别人脸图像的时间迁移指数。待识别人脸图像中的每个人脸特征元素减去时间迁移指数,消除时间迁移量,得到无关时间信息的人脸特征信息。
在一种可能的实施方式中,所述人脸特征提取模型包括目标三次多项式网络以及特征提取网络,通过以下步骤确定出所述人脸特征提取模型:
a:获取多个人的样本基准人脸图像、每个人的样本时间迁移人脸图像、以及每个所述样本时间迁移人脸图像相对应的迁移时间标签:
这里,在预先构建的样本基准人脸库和与之对应的时间人脸库中获取到多个人的样本基准人脸图像、每个人的样本时间迁移人脸图像、以及每个所述样本时间迁移人脸图像相对应的迁移时间标签。
通过以下方式构建样本基准人脸库和与之对应的时间人脸库基准人脸库:针对账号信息为i的人脸,随机挑选一张,作为样本基准人脸图片再将此账号信息剩余的人脸图像,按照拍摄时间(相对于样本基准人脸照片的产生时间),进行时间迁移打标,单位为天,可正可负,得到时间人脸库c∈R。如:相较于样本基准人脸图像产生时间为后5天的人脸图像,标签为c=5;相较于样本基准人脸图像产生时间为前3天的人脸图像,标签为c=-3。这样就构建了样本基准人脸库和与之对应的时间人脸库。
b:针对于每个人,将该人的所述样本基准人脸图像以及该人的所述样本时间迁移人脸图像,输入至三次多项式网络之中,确定出样本迁移时间;其中,所述样本迁移时间为所述样本时间迁移人脸图像的拍摄时刻与所述样本基准人脸图像的拍摄时刻之间的差值。
这里,针对于每个人来说,将该人的样本基准人脸图像以及该人的样本时间迁移人脸图像,输入至三次多项式网络之中,确定出样本迁移时间。
其中,样本迁移时间为所述样本时间迁移人脸图像的拍摄时刻与所述样本基准人脸图像的拍摄时刻之间的差值。
在一种可的实施方式中,所述针对于每个人,将该人的所述样本基准人脸图像以及该人的所述样本时间迁移人脸图像,输入至三次多项式网络之中,确定出样本迁移时间,包括:
(1):对所述样本基准人脸图像与所述样本时间迁移人脸图像分别进行人脸剪裁处理以及人脸对齐处理,确定出所述样本基准人脸图像相对应的第一标准人脸图像以及所述样本时间迁移人脸图像相对应的第二标准人脸图像。
这里,在三次多项式网络之中对样本基准人脸图像与样本时间迁移人脸图像分别进行人脸剪裁处理以及人脸对齐处理,确定的出样本基准人脸图像相对应的第一标准人脸图像以及样本时间迁移人脸图像相对应的第二标准人脸图像。
在一种可能的实施方式中,通过以下步骤确定出所述第一标准人脸图像和所述第二标准人脸图像:
I:从所述样本基准人脸图像之中裁剪出第一人脸区域图像,以及在所述样本时间迁移人脸图像之中裁剪出第二人脸区域图像。
这里,从样本基准人脸图像之中裁剪出第一人脸区域图像,以及在样本时间迁移人脸图像之中裁剪出第二人脸区域图像。
II:基于所述第一人脸区域图像中的人脸关键点和所述第二人脸区域图像中的人脸关键点,对所述第一人脸区域图像和所述第二人脸区域图像进行对齐,确定出所述第一标准人脸图像和所述第二标准人脸图像。
这里,利用第一人脸区域图像中的人脸关键点和第二人脸区域图像中的人脸关键点,对第一人脸区域图像和第二人脸区域图像进行对齐,确定出第一标准人脸图像和第二标准人脸图像。
在具体实施例中,对样本基准人脸图像分别进行人脸裁剪与人脸对齐,形成五官关键点一致的标准位置人脸,其中,人脸剪裁由人脸检测算法检测出人脸位置后,将人脸从图像中剪裁,人脸对齐由人脸关键点检测器检测出人脸五官关键点后,由图像仿射变换映射到标准人脸模板上,形成标准位置人脸,这里,第二标准人脸图像的确定方式和上述第一标准人脸图像的确定方式相一致,此部分不再进行赘述。
(2):将所述第一标准人脸图像中各个像素与所述第二标准人脸图像对应的像素进行做差处理,确定出样本时间迁移残差。
这里,将第一标准人脸图像中各个像素与第二标准人脸图像对应的像素进行做差处理,确定出样本时间迁移残差。
(3):对所述样本时间迁移残差进行三次多项式线性计算,确定出所述样本迁移时间。
这里,对样本时间迁移残差进行三次多项式线性计算,确定出样本迁移时间。
c:基于所述样本迁移时间以及所述样本时间迁移人脸图像相对应的迁移时间标签,优化所述三次多项式网络,生成目标三次多项式网络。
这里,根据样本迁移时间以及样本时间迁移人脸图像相对应的迁移时间标签,优化三次多项式网络,生成目标三次多项式网络。
其中,三次多项式网络的表达式为:
f=W1x3+W2x2+W3x+b;
其中:W1,W2,W3,b均为网络参数,x为样本时间迁移残差。
在一种可能的实施方式中,所述基于所述样本迁移时间以及所述样本时间迁移人脸图像相对应的迁移时间标签,优化所述三次多项式网络,生成目标三次多项式网络,包括:
i:检测所述样本迁移时间与所述样本时间迁移人脸图像相对应的迁移时间标签是否一致。
这里,检测样本迁移时间和样本时间迁移人脸图像相对应的迁移时间标签是否一致。
ii:若否,则对所述三次多项式网络中的参数进行更新,直至所述样本迁移时间与所述样本时间迁移人脸图像相对应的迁移时间标签相一致时,则停止参数更新,生成目标三次多项式网络。
这里,若样本迁移时间和样本时间迁移人脸图像相对应的迁移时间标签不相一致,则对三次多项式网络中的参数进行更新,直到样本迁移时间与所述样本时间迁移人脸图像相对应的迁移时间标签相一致时,则停止参数更新,生成目标三次多项式网络。
其中,由于样本迁移时间和样本时间迁移人脸图像相对应的迁移时间标签之间的差距,根据反向梯度传播算法,更新三次多项式网络中的参数进,直到拟合出较正确的样本迁移时间时,得到最终的目标三次多项式网络。
d:基于所述目标三次多项式网络和所述样本时间迁移人脸图像,对所述特征提取网络进行训练,生成所述人脸特征提取模型。
这里,根据目标三次多项式网络、样本时间迁移人脸图像对特征提取网络进行训练,生成人脸特征提取模型。
其中,在人脸提特征网络中,针对非同一人脸对,不增加时间迁移监督学习;而针对同一人脸对,增加这两张人脸图像的时间迁移指数的监督学习,即:对一对人脸在网络卷积层的输出特征图Tb,Tt,计算并将Tt特征中的每个特征元素减去r,消除时间迁移量,使得人脸提取特征的神经网络学习到与时间迁移无关的人脸基础特征提取能力。
这里,在训练人脸特征提取过程中,在多层卷积网络的特征图输出过程中,随机对不同层的特征图每个元素进行减去时间迁移指数的步骤处理,增加网络去除人脸特征中去除时间迁移量的鲁棒性以及泛化能力。
S103:基于所述无关时间信息的人脸特征信息进行人脸识别,确定出人脸识别结果。
该步骤中,根据无关时间信息的人脸特征信息进行人脸识别,确定出人脸识别结果。
再具体实施例中,获取待识别人脸图像,将待识别人脸图像输入至人脸特征提取模型之中,从人脸图像信息库中调取出与待识别人脸图像的标识信息相对应的预设基准人脸图像,对预设基准人脸图像和待识别人脸图像分别进行人脸裁剪与人脸对齐,形成五官关键点一致的标准位置人脸,其中,人脸剪裁由人脸检测算法检测出人脸位置后,将人脸从图像中剪裁,人脸对齐由人脸关键点检测器检测出人脸五官关键点后,由图像仿射变换映射到标准人脸模板上,形成标准位置人脸,将待识别人脸图像以及预设基准人脸图像分别得到的标准位置人脸进行像素对应做差处理,得到像素级别的时间迁移残差。根据时间迁移残差以及目标三次多项式网络,得到待识别人脸图像的时间迁移指数。待识别人脸图像中的每个人脸特征元素减去时间迁移指数,消除时间迁移量,得到无关时间信息的人脸特征信息。根据无关时间信息的人脸特征信息进行人脸识别,确定出人脸识别结果。从而实现了依据时间迁移指数监督各时间段的人脸特征提取模型,并在人脸特征提取模型中增加时间迁移指数引导,将得到的人脸特征与并行的时间指数做差,在特征提取网络层删除对应的时间特征,得到时间无关人脸特征,依据此特征进行人脸识别,可大大提升人脸识别的准确率。
本申请实施例提供的一种人脸识别方法,所述人脸识别方法包括:获取待识别人脸图像;将所述待识别人脸图像输入至人脸特征提取模型之中,对所述待识别人脸图像的无关时间信息的人脸特征进行提取,输出无关时间信息的人脸特征信息;基于所述无关时间信息的人脸特征信息进行人脸识别,确定出人脸识别结果。通过将待识别人脸图像输入至人脸特征提取模型之中,对待识别人脸图像的无关时间信息的人脸特征进行提取,可有效提升因时间变化造成人脸变化带来的人脸误识别问题,从而提高了人脸识别的准确率。
请参阅图3、图4,图3为本申请实施例所提供的一种人脸识别装置的结构示意图之一,为本申请实施例所提供的一种人脸识别装置的结构示意图之二。如图3中所示,所述人脸识别装置300包括:
获取模块310,用于获取待识别人脸图像;
特征提取模块320,用于将所述待识别人脸图像输入至人脸特征提取模型之中,对所述待识别人脸图像的无关时间信息的人脸特征进行提取,输出无关时间信息的人脸特征信息;
确定模块330,用于基于所述无关时间信息的人脸特征信息进行人脸识别,确定出人脸识别结果。
进一步的,所述特征提取模块320在用于所述将所述待识别人脸图像输入至人脸特征提取模型之中,对所述待识别人脸图像的无关时间信息的人脸特征进行提取,输出无关时间信息的人脸特征信息时,所述特征提取模块320具体用于:
从人脸图像信息库中调取出与所述待识别人脸图像的标识信息相对应的预设基准人脸图像;
基于所述待识别人脸图像和所述预设基准人脸图像,确定出所述待识别人脸图像的时间迁移指数;
基于所述时间迁移指数和所述待识别人脸图像,确定出所述无关时间信息的人脸特征信息。
进一步的,所述特征提取模块320在用于所述基于所述待识别人脸图像和所述预设基准人脸图像,确定出所述待识别人脸图像的时间迁移指数时,所述特征提取模块320具体用于:
基于所述待识别人脸图像和所述预设基准人脸图像,确定出时间迁移残差;
基于所述时间迁移残差以及目标三次多项式网络,确定出所述待识别人脸图像的时间迁移指。
进一步的,如图4所示,人脸识别装置300还包括模型训练模块340,所述模型训练模块340通过以下步骤确定出所述人脸特征提取模型;
获取多个人的样本基准人脸图像、每个人的样本时间迁移人脸图像、以及每个所述样本时间迁移人脸图像相对应的迁移时间标签;
针对于每个人,将该人的所述样本基准人脸图像以及该人的所述样本时间迁移人脸图像,输入至三次多项式网络之中,确定出样本迁移时间;其中,所述样本迁移时间为所述样本时间迁移人脸图像的拍摄时刻与所述样本基准人脸图像的拍摄时刻之间的差值;
基于所述样本迁移时间以及所述样本时间迁移人脸图像相对应的迁移时间标签,优化所述三次多项式网络,生成目标三次多项式网络;
基于所述目标三次多项式网络和所述样本时间迁移人脸图像,对所述特征提取网络进行训练,生成所述人脸特征提取模型。
进一步的,所述模型训练模块340在用于所述针对于每个人,将该人的所述样本基准人脸图像以及该人的所述样本时间迁移人脸图像,输入至三次多项式网络之中,确定出样本迁移时间时,所述模型训练模块340具体用于:
对所述样本基准人脸图像与所述样本时间迁移人脸图像分别进行人脸剪裁处理以及人脸对齐处理,确定出所述样本基准人脸图像相对应的第一标准人脸图像以及所述样本时间迁移人脸图像相对应的第二标准人脸图像;
将所述第一标准人脸图像中各个的像素与所述第二标准人脸图像对应的像素进行做差处理,确定出样本时间迁移残差;
对所述样本时间迁移残差进行三次多项式线性计算,确定出所述样本迁移时间。
进一步的,所述模型训练模块340通过以下步骤确定出所述第一标准人脸图像和所述第二标准人脸图像:
从所述样本基准人脸图像之中裁剪出第一人脸区域图像,以及在所述样本时间迁移人脸图像之中裁剪出第二人脸区域图像;
基于所述第一人脸区域图像中的人脸关键点和所述第二人脸区域图像中的人脸关键点,对所述第一人脸区域图像和所述第二人脸区域图像进行对齐,确定出所述第一标准人脸图像和所述第二标准人脸图像。
本申请实施例提供的一种人脸识别装置,所述人脸识别装置包括:获取模块,用于获取待识别人脸图像;特征提取模块,用于将所述待识别人脸图像输入至人脸特征提取模型之中,对所述待识别人脸图像的无关时间信息的人脸特征进行提取,输出无关时间信息的人脸特征信息;确定模块,用于基于所述无关时间信息的人脸特征信息进行人脸识别,确定出人脸识别结果。通过将待识别人脸图像输入至人脸特征提取模型之中,对待识别人脸图像的无关时间信息的人脸特征进行提取,可有效提升因时间变化造成人脸变化带来的人脸误识别问题,从而提高了人脸识别的准确率。
请参阅图5,图5为本申请实施例所提供的一种电子设备的结构示意图。如图5中所示,所述电子设备500包括处理器510、存储器520和总线530。
所述存储器520存储有所述处理器510可执行的机器可读指令,当电子设备500运行时,所述处理器510与所述存储器520之间通过总线530通信,所述机器可读指令被所述处理器510执行时,可以执行如上述图1以及图2所示方法实施例中的人脸识别方法的步骤,具体实现方式可参见方法实施例,在此不再赘述。
本申请实施例还提供一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时可以执行如上述图1以及图2所示方法实施例中的人脸识别方法的步骤,具体实现方式可参见方法实施例,在此不再赘述。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,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,又例如,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通信接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
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单元来实现本实施例方案的目的。
另外,在本申请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。
所述功能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,可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解,本申请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)执行本申请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(Read-OnlyMemory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上所述实施例,仅为本申请的具体实施方式,用以说明本申请的技术方案,而非对其限制,本申请的保护范围并不局限于此,尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种人脸识别方法,其特征在于,所述人脸识别方法包括:
获取待识别人脸图像;
将所述待识别人脸图像输入至人脸特征提取模型之中,对所述待识别人脸图像的无关时间信息的人脸特征进行提取,输出无关时间信息的人脸特征信息;
基于所述无关时间信息的人脸特征信息进行人脸识别,确定出人脸识别结果。
2.根据权利要求1所述的人脸识别方法,其特征在于,所述将所述待识别人脸图像输入至人脸特征提取模型之中,对所述待识别人脸图像的无关时间信息的人脸特征进行提取,输出无关时间信息的人脸特征信息,包括:
从人脸图像信息库中调取出与所述待识别人脸图像的标识信息相对应的预设基准人脸图像;
基于所述待识别人脸图像和所述预设基准人脸图像,确定出所述待识别人脸图像的时间迁移指数;
基于所述时间迁移指数和所述待识别人脸图像,确定出所述无关时间信息的人脸特征信息。
3.根据权利要求2所述的人脸识别方法,其特征在于,所述基于所述待识别人脸图像和所述预设基准人脸图像,确定出所述待识别人脸图像的时间迁移指数,包括:
基于所述待识别人脸图像和所述预设基准人脸图像,确定出时间迁移残差;
基于所述时间迁移残差以及目标三次多项式网络,确定出所述待识别人脸图像的时间迁移指。
4.根据权利要求1所述的人脸识别方法,其特征在于,所述人脸特征提取模型包括目标三次多项式网络以及特征提取网络,通过以下步骤确定出所述人脸特征提取模型:
获取多个人的样本基准人脸图像、每个人的样本时间迁移人脸图像、以及每个所述样本时间迁移人脸图像相对应的迁移时间标签;
针对于每个人,将该人的所述样本基准人脸图像以及该人的所述样本时间迁移人脸图像,输入至三次多项式网络之中,确定出样本迁移时间;其中,所述样本迁移时间为所述样本时间迁移人脸图像的拍摄时刻与所述样本基准人脸图像的拍摄时刻之间的差值;
基于所述样本迁移时间以及所述样本时间迁移人脸图像相对应的迁移时间标签,优化所述三次多项式网络,生成目标三次多项式网络;
基于所述目标三次多项式网络和所述样本时间迁移人脸图像,对所述特征提取网络进行训练,生成所述人脸特征提取模型。
5.根据权利要求4所述的人脸识别方法,其特征在于,所述针对于每个人,将该人的所述样本基准人脸图像以及该人的所述样本时间迁移人脸图像,输入至三次多项式网络之中,确定出样本迁移时间,包括:
对所述样本基准人脸图像与所述样本时间迁移人脸图像分别进行人脸剪裁处理以及人脸对齐处理,确定出所述样本基准人脸图像相对应的第一标准人脸图像以及所述样本时间迁移人脸图像相对应的第二标准人脸图像;
将所述第一标准人脸图像中各个像素与所述第二标准人脸图像对应的像素进行做差处理,确定出样本时间迁移残差;
对所述样本时间迁移残差进行三次多项式线性计算,确定出所述样本迁移时间。
6.根据权利要求5所述的人脸识别方法,其特征在于,通过以下步骤确定出所述第一标准人脸图像和所述第二标准人脸图像:
从所述样本基准人脸图像之中裁剪出第一人脸区域图像,以及在所述样本时间迁移人脸图像之中裁剪出第二人脸区域图像;
基于所述第一人脸区域图像中的人脸关键点和所述第二人脸区域图像中的人脸关键点,对所述第一人脸区域图像和所述第二人脸区域图像进行对齐,确定出所述第一标准人脸图像和所述第二标准人脸图像。
7.一种人脸识别装置,其特征在于,所述人脸识别装置包括:
获取模块,用于获取待识别人脸图像;
特征提取模块,用于将所述待识别人脸图像输入至人脸特征提取模型之中,对所述待识别人脸图像的无关时间信息的人脸特征进行提取,输出无关时间信息的人脸特征信息;
确定模块,用于基于所述无关时间信息的人脸特征信息进行人脸识别,确定出人脸识别结果。
8.根据权利要求7所述的人脸识别装置,其特征在于,所述特征提取模块在用于所述将所述待识别人脸图像输入至人脸特征提取模型之中,对所述待识别人脸图像的无关时间信息的人脸特征进行提取,输出无关时间信息的人脸特征信息时,所述特征提取模块具体用于:
从人脸图像信息库中调取出与所述待识别人脸图像的标识信息相对应的预设基准人脸图像;
基于所述待识别人脸图像和所述预设基准人脸图像,确定出所述待识别人脸图像的时间迁移指数;
基于所述时间迁移指数和所述待识别人脸图像,确定出所述无关时间信息的人脸特征信息。
9.一种电子设备,其特征在于,包括:处理器、存储器和总线,所述存储器存储有所述处理器可执行的机器可读指令,当电子设备运行时,所述处理器与所述存储器之间通过所述总线进行通信,所述机器可读指令被所述处理器运行时执行如权利要求1至6任一所述的人脸识别方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器运行时执行如权利要求1至6任一所述的人脸识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211300231.5A CN115439917A (zh) | 2022-10-24 | 2022-10-24 | 一种人脸识别方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211300231.5A CN115439917A (zh) | 2022-10-24 | 2022-10-24 | 一种人脸识别方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115439917A true CN115439917A (zh) | 2022-12-06 |
Family
ID=84252561
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211300231.5A Pending CN115439917A (zh) | 2022-10-24 | 2022-10-24 | 一种人脸识别方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115439917A (zh) |
-
2022
- 2022-10-24 CN CN202211300231.5A patent/CN115439917A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111310705A (zh) | 图像识别方法、装置、计算机设备及存储介质 | |
CN110674396B (zh) | 文本信息处理方法、装置、电子设备及可读存储介质 | |
JP5234378B2 (ja) | パターン照合システム、パターン照合方法およびパターン照合用プログラム | |
KR102399025B1 (ko) | 개선된 데이터 비교 방법 | |
CN108416343B (zh) | 一种人脸图像识别方法及装置 | |
CN113705792A (zh) | 基于深度学习模型的个性化推荐方法、装置、设备及介质 | |
US20210044864A1 (en) | Method and apparatus for identifying video content based on biometric features of characters | |
CN111783677B (zh) | 人脸识别方法、装置、服务器和计算机可读介质 | |
CN112200109A (zh) | 面部属性识别方法、电子设备以及计算机可读存储介质 | |
CN112257689A (zh) | 人脸识别模型的训练和识别方法、存储介质及相关设备 | |
CN115439917A (zh) | 一种人脸识别方法、装置、电子设备及存储介质 | |
CN112749605A (zh) | 身份识别方法、系统和设备 | |
CN114022684B (zh) | 人体姿态估计方法及装置 | |
CN115019152A (zh) | 一种图像拍摄完整度判定方法及装置 | |
CN112364850B (zh) | 一种视频质检方法、装置、电子设备及存储介质 | |
CN115205619A (zh) | 检测模型的训练方法、检测方法、装置和存储介质 | |
CN110348377B (zh) | 一种指纹识别方法及设备 | |
CN113420699A (zh) | 一种人脸匹配方法、装置及电子设备 | |
CN114067394A (zh) | 人脸活体检测方法、装置、电子设备及存储介质 | |
CN113837930B (zh) | 人脸图像合成方法、装置以及计算机可读存储介质 | |
CN113642415B (zh) | 人脸特征表达方法及人脸识别方法 | |
JP2019121187A (ja) | 画像処理装置、画像処理方法および画像処理プログラム | |
JP5923394B2 (ja) | 認識装置、認識方法及び認識システム | |
CN116168427A (zh) | 一种指静脉识别方法、装置、电子设备及存储介质 | |
CN116977767A (zh) | 图像数据处理方法、装置、设备及存储介质 |
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 |