CN115471893B - 训练人脸识别模型、人脸识别的方法和装置 - Google Patents
训练人脸识别模型、人脸识别的方法和装置 Download PDFInfo
- Publication number
- CN115471893B CN115471893B CN202211130047.0A CN202211130047A CN115471893B CN 115471893 B CN115471893 B CN 115471893B CN 202211130047 A CN202211130047 A CN 202211130047A CN 115471893 B CN115471893 B CN 115471893B
- Authority
- CN
- China
- Prior art keywords
- face
- recognition model
- face recognition
- images
- face images
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 73
- 238000012549 training Methods 0.000 title claims abstract description 54
- 238000001514 detection method Methods 0.000 claims abstract description 20
- 238000000605 extraction Methods 0.000 claims description 4
- 230000004044 response Effects 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims 1
- 238000012545 processing Methods 0.000 abstract description 9
- 238000013473 artificial intelligence Methods 0.000 abstract description 6
- 238000002372 labelling Methods 0.000 abstract description 3
- 238000013135 deep learning Methods 0.000 abstract description 2
- 238000004590 computer program Methods 0.000 description 13
- 238000004891 communication Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 230000001815 facial effect Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 230000037303 wrinkles Effects 0.000 description 1
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
- G06V40/161—Detection; Localisation; Normalisation
-
- 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
-
- 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
-
- 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
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
-
- 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
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
本公开提供了训练人脸识别模型、人脸识别的方法和装置,涉及人工智能技术领域,具体为深度学习、图像处理、计算机视觉技术领域,可应用于人脸等场景。具体实现方案为:获取包括不同年龄段的人脸图像的视频;通过人脸检测模型从所述视频中提取人脸图像集合;通过第一人脸识别模型对所述人脸图像集合进行聚类,得到第一聚类结果;根据所述第一聚类结果,将同一类的人脸图像和不同类的人脸图像分别作为正样本和负样本训练所述第一人脸识别模型,得到训练后的第二人脸识别模型。通过该实施方式能够通过无监督的训练得到跨年龄人脸识别模型,不仅可以节省人工标注成本,还能提高跨年龄人脸识别的准确性。
Description
技术领域
本公开涉及人工智能技术领域,具体为深度学习、图像处理、计算机视觉技术领域,可应用于人脸等场景。
背景技术
人工智能技术无论是在过去、现在还是将来,都是计算机科学的研究热点问题之一。人脸识别技术是人工智能技术中的一个重要分支。其中,在人脸识别的实际应用中,通常会涉及到很多跨年龄人脸识别的场景,比如,长时间间隔下的人脸比对(比如,间隔2年、5年时间的人脸比对)、搜寻被拐卖儿童等。因此,跨年龄人脸识别已经成为人脸识别领域中的研究焦点之一。
相比无差别化的人脸识别算法研究,跨年龄人脸识别领域的研究并不多见,究其原因,在于跨年龄人脸数据的采集难度和成本远远大于常规的人脸数据集,而回归到问题本身,跨年龄人脸的复杂性也超过光照、姿态、表情等带来的外部差异。面部衰老是一个复杂的过程,会影响面部的结构(少年时期和青年时期的面部轮廓差异)和纹理(例如肤色、皱纹)等。由于年龄差异带来的面部结构和纹理的改变显著增加了识别难度,即便对于人类自身而言,识别与年龄相关的面部差异也是很大的挑战。
发明内容
本公开提供了一种训练人脸识别模型、人脸识别的方法、装置、设备、存储介质以及计算机程序产品。
根据本公开的第一方面,提供了一种训练人脸识别模型的方法,包括:获取包括不同年龄段的人脸图像的视频;通过人脸检测模型从所述视频中提取人脸图像集合;通过第一人脸识别模型对所述人脸图像集合进行聚类,得到第一聚类结果;根据所述第一聚类结果,将同一类的人脸图像和不同类的人脸图像分别作为正样本和负样本训练所述第一人脸识别模型,得到训练后的第二人脸识别模型。
根据本公开的第二方面,提供了一种人脸识别方法,包括:获取待识别的两张人脸图像;将所述两张人脸图像输入采用如第一方面所述的方法生成的第二人脸识别模型中,识别出所述两张人脸图像是否为同一人。
根据本公开的第三方面,提供了一种训练人脸识别模型的装置,包括:获取单元,被配置成获取包括不同年龄段的人脸图像的视频;提取单元,被配置成通过人脸检测模型从所述视频中提取人脸图像集合;聚类单元,被配置成通过第一人脸识别模型对所述人脸图像集合进行聚类,得到第一聚类结果;训练单元,被配置成根据所述第一聚类结果,将同一类的人脸图像和不同类的人脸图像分别作为正样本和负样本训练所述第一人脸识别模型,得到训练后的第二人脸识别模型。
根据本公开的第四方面,提供了一种人脸识别装置,包括:获取单元,被配置成获取待识别的两张人脸图像;识别单元,被配置成将所述两张人脸图像输入采用如第三方面所述的装置生成的第二人脸识别模型中,识别出所述两张人脸图像是否为同一人。
根据本公开的第五方面,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第一方面和第二方面所述的方法。
根据本公开的第六方面,提供了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第一方面和第二方面所述的方法。
根据本公开的第七方面,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第一方面和第二方面所述的方法。
本公开实施例提供的训练人脸识别模型和人脸识别的方法和装置,通过从视频中挖掘跨年龄的人脸图像作为训练样本,进行无监督的训练,得到可以跨年龄人脸识别的模型。既减少了人工标注成本,又提高了人脸识别的准确性。
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是本公开可以应用于其中的示例性系统架构图;
图2是根据本公开训练人脸识别模型的方法的一个实施例的流程图;
图3是根据本公开训练人脸识别模型的方法的一个应用场景的示意图;
图4是根据本公开人脸识别的方法的一个实施例的流程图;
图5是根据本公开训练人脸识别模型的装置的一个实施例的结构示意图;
图6是根据本公开人脸识别的装置的一个实施例的结构示意图;
图7是适于用来实现本公开实施例的电子设备的计算机系统的结构示意图。
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。
图1示出了可以应用本公开实施例的训练人脸识别模型的方法、训练人脸识别模型的装置、人脸识别的方法或人脸识别的装置的示例性系统架构100。
如图1所示,系统架构100可以包括终端101、102,网络103、数据库服务器104和服务器105。网络103用以在终端101、102,数据库服务器104与服务器105之间提供通信链路的介质。网络103可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户110可以使用终端101、102通过网络103与服务器105进行交互,以接收或发送消息等。终端101、102上可以安装有各种客户端应用,例如模型训练类应用、人脸检测识别类应用、购物类应用、支付类应用、网页浏览器和即时通讯工具等。
这里的终端101、102可以是硬件,也可以是软件。当终端101、102为硬件时,可以是具有显示屏的各种电子设备,包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving Picture Experts Group Audio Layer III,动态影像专家压缩标准音频层面3)、膝上型便携计算机和台式计算机等等。当终端101、102为软件时,可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务),也可以实现成单个软件或软件模块。在此不做具体限定。
当终端101、102为硬件时,其上还可以安装有图像采集设备。图像采集设备可以是各种能实现采集图像功能的设备,如摄像头、传感器等等。用户110可以利用终端101、102上的图像采集设备,来采集自身或他人的人脸图像。
数据库服务器104可以是提供各种服务的数据库服务器。例如数据库服务器中可以存储有记录了至少一个人在不同年龄段的人脸图像的视频集,例如,成长纪念视频、结婚纪念视频等。可通过视频集提取出样本,每个样本可以包括同一个人在不同年龄段的人脸图像。一个视频中可能出现多个人,提取出多个样本,例如,成长纪念视频中不仅有孩子从出生到成年的人脸图像,还有父母等亲朋好友从年轻到年迈的人脸图像,一个视频中就可提取出多个样本。这样,用户110也可以通过终端101、102,从数据库服务器104所存储的视频集中选取视频。
服务器105也可以是提供各种服务的服务器,例如对终端101、102上显示的各种应用提供支持的后台服务器。后台服务器可以利用终端101、102发送的视频集中的视频,对初始模型进行训练,并可以将训练结果(如生成的人脸识别模型)发送给终端101、102。这样,用户可以应用生成的人脸识别模型进行人脸识别。
这里的数据库服务器104和服务器105同样可以是硬件,也可以是软件。当它们为硬件时,可以实现成多个服务器组成的分布式服务器集群,也可以实现成单个服务器。当它们为软件时,可以实现成多个软件或软件模块(例如用来提供分布式服务),也可以实现成单个软件或软件模块。在此不做具体限定。数据库服务器104和服务器105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。数据库服务器104和服务器105也可以是云服务器,或者是带人工智能技术的智能云计算服务器或智能云主机。
需要说明的是,本公开实施例所提供的训练人脸识别模型的方法或人脸识别的方法一般由服务器105执行。相应地,训练人脸识别模型的装置或人脸识别的装置一般也设置于服务器105中。
需要指出的是,在服务器105可以实现数据库服务器104的相关功能的情况下,系统架构100中可以不设置数据库服务器104。
应该理解,图1中的终端、网络、数据库服务器和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端、网络、数据库服务器和服务器。
继续参见图2,其示出了根据本公开的训练人脸识别模型的方法的一个实施例的流程200。该训练人脸识别模型的方法可以包括以下步骤:
步骤201,获取包括不同年龄段的人脸图像的视频。
在本实施例中,训练人脸识别模型的方法的执行主体(例如图1所示的服务器105)可以通过多种方式来获取包括不同年龄段的人脸图像的视频。该视频中可包括多个人的人脸图像。例如,执行主体可以通过有线连接方式或无线连接方式,从数据库服务器(例如图1所示的数据库服务器104)中获取存储于其中的现有的视频。再例如,用户可以通过终端(例如图1所示的终端101、102)来收集视频。这样,执行主体可以接收终端所收集的视频,并将这些样本存储在本地,从而生成视频集。同一用户可有多个视频来展示其不同年龄段的人脸图像。例如,幼儿园毕业纪念视频、小学毕业纪念视频、中学毕业纪念视频等等。一个视频中的年龄跨度可以是几个月到几年。
本实施例中,训练人脸识别模型的方法的执行主体可以通过各种公开、合法合规的方式获取包含人脸图像的视频,例如可以是从公开数据集处获取的,或者是经过了用户的授权从用户处获取的。
可选地,可从用户授权的视频库中通过一些关键词搜索展示了至少一个人在不同年龄段的人脸图像的视频,例如,“纪念”、“成长”、“memorial”等。
步骤202,通过人脸检测模型从视频中提取人脸图像集合。
在本实施例中,视频中很多帧是不包括人脸图像的,需要过滤出来。通过人脸检测模型将包含人脸图像的视频帧挑选出来组成人脸图像集合。人脸检测模型可以是基于机器学习技术而创建的现有的各种神经网络模型。该神经网络模型可以具有现有的各种神经网络结构(例如DenseBox、VGGNet、ResNet、SegNet等)。
可将人脸检测模型输出的检测结果进行抠图,得到人脸图像集合。检测结果是在原始图像上用检测框圈出人脸,可直接将检测框的内容截取下来作为人脸图像。还可以从一张视频帧中通过检测框得到多张人脸图像。
可选地,可通过关键点检测判断人脸图像是否完整。过滤掉被遮挡的、不完整的人脸图像。虽然可以检测到人脸图像,但如果被其它人、物体遮挡,则将该人脸图像过滤掉,不参与后面的聚类。可选地,如果在样本数量过少的情况下,也可将残缺的人脸图像修复后进行聚类,例如,一个人被遮挡住了右眼角,则可将其左眼角的像素点映射到右侧相应位置。也可通过其它图像提取出该人的完整特征对残缺的人脸图像进行修补。
步骤203,通过第一人脸识别模型对人脸图像集合进行聚类,得到第一聚类结果。
在本实施例中,第一人脸识别模型也是神经网络模型,可提取出不同图像的人脸特征然后根据人脸特征之间的距离判断是不是同一个人。将同一个人的人脸图像聚集在一起。可以两两计算人脸特征之间的距离,也可通过现有的kmeans、dbscan等聚类算法根据人脸特征对人脸图像进行聚类,得到的聚类结果中,每一组都是同一个人的人脸图像。不同组是不同人的人脸图像。步骤204,根据第一聚类结果,将同一类的人脸图像和不同类的人脸图像分别作为正样本和负样本训练第一人脸识别模型,得到训练后的第二人脸识别模型。
在本实施例中,本文中“第一人脸识别模型”和“第二人脸识别模型”具备相同的网络结构,只是网络参数不同,通过命名“第一”和“第二”来表示人脸识别模型的网络参数发生了变化。同一类的人脸图像可以看作是同一个人不同年龄的人脸图像,作为正样本,该类人脸图像输入人脸识别模型后,得到的期望结果为同一个人的概率100%,而人脸识别模型实际预测的概率与期望结果之间的差异如果超过预定值(例如,5%),则说明人脸识别模型准确度不够,需要调整人脸识别模型的网络参数。而不同类的人脸图像输入人脸识别模型后,得到的期望结果为同一个人的概率0%,而人脸识别模型实际预测的概率与期望结果之间的差异如果超过预定值(例如,5%),则说明人脸识别模型准确度不够,需要调整人脸识别模型的网络参数。人脸识别模型实际预测的概率与期望结果之间的差值即为损失值,根据损失值来调整人脸识别模型的网络参数。可反复使用同样的样本来调整人脸识别模型的网络参数。
本实施例中训练人脸识别模型的方法,通过利用大量的视频数据来挖掘跨年龄的人脸图像,由此提升跨年龄人脸识别的算法精度。并且由于不需要人工标注,节省了人力成本。
在本实施例的一些可选地实现方式中,该方法还包括:通过所述第二人脸识别模型对所述人脸图像集合进行聚类,得到第二聚类结果;响应于所述第二聚类结果不同于所述第一聚类结果,基于第二聚类结果训练所述第二人脸识别模型。重复执行该步骤,直到聚类结果不变化。由于训练未完成的人脸识别模型的精确度不够,其聚类结果有误差,因此可使用更新后的人脸识别模型重新对人脸图像聚类能得到更精确的分类结果,提高了样本的准确性。进而提高了人脸识别模型的准确性。
在本实施例的一些可选地实现方式中,该方法还包括:从所述人脸图像集合中提取出包含字幕的目标图像集合;从所述目标图像集合中每个目标图像的字幕中识别人物名称;将具有相同人物名称的目标图像确定为正样本。可通过现有的字幕识别模型从人脸图像中提取字幕。不是每张人脸图像都包含字幕的,通常包含字幕的人脸图像都是重要的图像,字幕中会出现人物名称,例如“宝宝三岁了”、“妞妞100天了”等等。出现相同人物名称的人脸图像中必然属于同一个人。这样可以进一步加快人脸图像聚类,提高聚类的准确性,也提高了样本的准确性,从而提高了人脸识别模型的准确性。
在本实施例的一些可选地实现方式中,该方法还包括:将所述视频的语音帧转换成文本信息集合;从所述文本信息集合中识别出人物名称;根据每个人物名称对应的语音帧在视频中的位置确定每个人物名称对应的人脸图像;将相同人物名称对应的人脸图像确定为正样本。通常录制纪念视频时不仅录了视频还录制了语音,可从语音中获得视频中的一些人物信息,包括人物名称、年龄等。例如,生日会视频的配音“今天宝宝5岁生日”等。可通过语音识别技术将语音转换成文本。这些文本对应的人脸图像可能不只一个,可将人物名称所有涉及的人脸图像都提取出来。这样可以通过语音识别技术快速提取关键人物的人脸图像,提高了样本的准确性并节省了时间。进而也提高了人脸识别模型的准确性。
在本实施例的一些可选地实现方式中,该方法还包括:从所述视频的字幕或语音中提取年龄信息;确定每种年龄信息对应的人脸图像;将正样本和负样本分别添加上年龄信息后训练所述第一人脸识别模型。字幕或语音中可包括年龄关键字,例如“岁”、“天”、“月”。根据关键字与数字的组合确定出人物的年龄。也可通过语义理解模型从字幕或语音中提取年龄信息。可将年龄信息与人脸图像拼接成输入向量后一起输入人脸识别模型,这样人脸识别模型能够提取年龄特征,将年龄特征和人脸特征结合来判断人脸图像是否是同一个人。可以提高人脸识别的准确性。
进一步参见图3,图3是根据本实施例的训练人脸识别模型的方法的一个应用场景的示意图。在图3的应用场景中,服务器可从数据库或用户终端获取到成长纪念视频,视频中可包括一个孩子3岁、10岁、15岁的照片,以及他妈妈30岁、37岁、42岁的照片。将成长纪念视频输入人脸检测模型,可检测每个视频帧中是否包含人脸,如果包含则将该人脸图像筛选出来。然后将人脸图像输入初始的人脸识别模型(即第一人脸识别模型)。初始的人脸识别模型从不同的人脸图像中提取特征然后进行比较,将特征之间距离较近的人脸图像归为一类,得到第一聚类结果。每一类就是初步检测出属于同一个人的人脸图像,图中分为两类,孩子的人脸图像为第一类,妈妈的人脸图像为第二类。将同一类的人脸图像作为正样本,将不同类的人脸图像作为负样本重新训练初始的人脸识别模型,得到更新后的人脸识别模型(即第二人脸识别模型)。例如,人脸图像1和人脸图像2是同一个人,将人脸图像1和人脸图像2输入人脸识别模型后,如果判断是同一个人的概率小于预定阈值(例如95%),则需要调整人脸识别模型的网络结构参数。人脸图像1和人脸图像4不是同一个人,将人脸图像1和人脸图像4输入人脸识别模型后,如果判断是同一个人的概率大于预定阈值(例如5%),则需要调整人脸识别模型的网络结构参数。反复使用第一次分组得到的正样本和负样本对人脸识别模型进行训练,直到损失值收敛。再使用调整后的人脸识别模型对人脸图像集合重新聚类,得到第二聚类结果。如果第二聚类结果与之前的第一聚类结果不同,则需要根据第二聚类结果作为样本重新训练人脸识别模型。例如第一类人脸图像为1、2、4,第二类人脸图像为3、5、6。则正样本变为1和2,1和4,2和4。同理,负样本也相应变化。使用更新后的正样本和负样本来训练人脸识别模型。这批样本使用过后得到人脸识别模型再次对人脸图像集合进行聚类,如果聚类结果不变,则说明人脸识别模型训练完成。如果聚类结果变化,则使用更新后的聚类结果继续训练人脸识别模型。
请参见图4,其示出了本公开提供的人脸识别方法的一个实施例的流程400。该人脸识别方法可以包括以下步骤:
步骤401,获取待识别的两张人脸图像。
在本实施例中,人脸识别方法的执行主体(例如图1所示的服务器105)可以通过多种方式来获取待识别的人脸图像。例如,执行主体可以通过有线连接方式或无线连接方式,从数据库服务器(例如图1所示的数据库服务器104)中获取存储于其中的人脸图像。再例如,执行主体也可以接收终端(例如图1所示的终端101、102)或其他设备采集的人脸图像。也可从监控实时采集的人脸图像与数据库存储的历史失踪人口的人脸图像逐一进行对比。
步骤402,将两张人脸图像输入人脸识别模型中,识别出两张人脸图像是否为同一人。
在本实施例中,执行主体可以将步骤401中获取的人脸图像输入人脸识别模型中,从而生成人脸识别结果。人脸识别结果可以是用于描述两张人脸图像是同一人的概率,如果概率大于预定值(例如90%),则确定为同一人。
在本实施例中,人脸识别模型可以是采用如上述图2实施例所描述的方法而生成的第二人脸识别模型。具体生成过程可以参见图2实施例的相关描述,在此不再赘述。
需要说明的是,本实施例人脸识别方法可以用于测试上述各实施例所生成的人脸识别模型。进而根据测试结果可以不断地优化人脸识别模型。该方法也可以是上述各实施例所生成的人脸识别模型的实际应用方法。采用上述各实施例所生成的人脸识别模型,来进行人脸识别,有助于提高人脸识别的性能。可以跨更多年龄段进行人脸识别,有效提升警察办案效率。
在本实施例的一些可选的实现方式中,该方法还包括:分别获取所述两张人脸图像的年龄信息;将所述两张人脸图像和对应的年龄信息输入人脸识别模型中,识别出所述两张人脸图像是否为同一人。该人脸识别模型是采用如上述图2实施例所描述的方法由添加了年龄信息的样本训练得到的第二人脸识别模型。人脸识别模型可提取人脸特征和年龄特征进行对比,进一步提高了人脸识别的准确性。
继续参见图5,作为对上述各图所示方法的实现,本公开提供了一种训练人脸识别模型的装置的一个实施例。该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图5所示,本实施例的训练人脸识别模型的装置500可以包括:获取单元501、提取单元502、聚类单元503和训练单元504。其中,获取单元501,被配置成获取包括不同年龄段的人脸图像的视频;提取单元502,被配置成通过人脸检测模型从所述视频中提取出人脸图像集合;聚类单元503,被配置成通过第一人脸识别模型对所述人脸图像集合进行聚类,得到第一聚类结果;训练单元504,被配置成根据所述第一聚类结果,将同一类的人脸图像和不同类的人脸图像分别作为正样本和负样本训练所述第一人脸识别模型,得到训练后的第二人脸识别模型。
在本实施例的一些可选的实现方式中,装置500还包括迭代单元(附图中未示出),被配置成:通过所述第二人脸识别模型对所述人脸图像集合进行聚类,得到第二聚类结果;响应于所述第二聚类结果不同于所述第一聚类结果,基于所述第二聚类结果训练所述第二人脸识别模型。
在本实施例的一些可选的实现方式中,聚类单元503进一步被配置成:从所述人脸图像集合中提取出包含字幕的目标图像集合;从所述目标图像集合中每个目标图像的字幕中识别人物名称;将具有相同人物名称的目标图像确定为正样本。
在本实施例的一些可选的实现方式中,聚类单元503进一步被配置成:将所述视频的语音帧转换成文本信息集合;从所述文本信息集合中识别人物名称;根据每个人物名称对应的语音帧在视频中的位置确定每个人物名称对应的人脸图像;将相同人物名称对应的人脸图像确定为正样本。
在本实施例的一些可选的实现方式中,聚类单元503进一步被配置成:从所述视频的字幕或语音中提取年龄信息;确定每种年龄信息对应的人脸图像;将正样本和负样本分别添加上年龄信息后训练所述第一人脸识别模型。
继续参见图6,作为对上述图4所示方法的实现,本公开提供了一种人脸识别装置的一个实施例。该装置实施例与图4所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图6所示,本实施例的人脸识别装置600可以包括:获取单元601和识别单元602。其中,获取单元601,被配置成获取待识别的两张人脸图像;识别单元602,被配置成将所述两张人脸图像输入采用装置500生成的人脸识别模型中,识别出所述两张人脸图像是否为同一人。
在本实施例的一些可选的实现方式中,装置600还包括年龄单元(附图中未示出),被配置成:分别获取所述两张人脸图像的年龄信息;将所述两张人脸图像和对应的年龄信息输入采用装置600生成的人脸识别模型中,识别出所述两张人脸图像是否为同一人。
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。
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流程200或400所述的方法。
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流程200或400所述的方法。
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流程200或400所述的方法。
图7示出了可以用来实施本公开的实施例的示例电子设备700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7所示,设备700包括计算单元701,其可以根据存储在只读存储器(ROM)702中的计算机程序或者从存储单元708加载到随机访问存储器(RAM)703中的计算机程序,来执行各种适当的动作和处理。在RAM703中,还可存储设备700操作所需的各种程序和数据。计算单元701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
设备700中的多个部件连接至I/O接口705,包括:输入单元706,例如键盘、鼠标等;输出单元707,例如各种类型的显示器、扬声器等;存储单元708,例如磁盘、光盘等;以及通信单元709,例如网卡、调制解调器、无线通信收发机等。通信单元709允许设备700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701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701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701执行上文所描述的各个方法和处理,例如训练人脸识别模型的方法。例如,在一些实施例中,训练人脸识别模型的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708。在一些实施例中,计算机程序的部分或者全部可以经由ROM 702和/或通信单元709而被载入和/或安装到设备700上。当计算机程序加载到RAM 703并由计算单元701执行时,可以执行上文描述的训练人脸识别模型的方法的一个或多个步骤。备选地,在其他实施例中,计算单元701可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行训练人脸识别模型的方法。
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)、负载可编程逻辑设备(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,本发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 (14)
1.一种训练人脸识别模型的方法,包括:
获取包括不同年龄段的人脸图像的视频,其中,视频中包括多个人的人脸图像;
通过人脸检测模型从所述视频中将包含人脸图像的视频帧挑选出来,然后进行抠图,得到人脸图像集合,通过关键点检测判断人脸图像是否完整,过滤掉被遮挡的、不完整的人脸图像,或者对被遮挡的、不完整的人脸图像进行修复;
通过第一人脸识别模型对所述人脸图像集合进行聚类,得到第一聚类结果,其中,所述第一人脸识别模型用于提取出不同图像的人脸特征,然后根据人脸特征之间的距离判断是不是同一个人;
根据所述第一聚类结果,将同一类的人脸图像和不同类的人脸图像分别作为正样本和负样本训练所述第一人脸识别模型,得到训练后的第二人脸识别模型;
其中,所述获取包括不同年龄段的人脸图像的视频,包括:
从用户授权的视频库中通过关键词搜索展示了至少一个人在不同年龄段的人脸图像的视频;
其中,所述根据所述第一聚类结果,将同一类的人脸图像和不同类的人脸图像分别作为正样本和负样本训练所述第一人脸识别模型,包括:
将所述视频的语音帧转换成文本信息集合;
从所述文本信息集合中识别人物名称;
根据每个人物名称对应的语音帧在视频中的位置确定每个人物名称对应的人脸图像;
将相同人物名称对应的人脸图像确定为所述正样本。
2.根据权利要求1所述的方法,其中,所述方法还包括:
通过所述第二人脸识别模型对所述人脸图像集合进行聚类,得到第二聚类结果;
响应于所述第二聚类结果不同于所述第一聚类结果,基于所述第二聚类结果训练所述第二人脸识别模型。
3.根据权利要求1所述的方法,其中,所述根据所述第一聚类结果,将同一类的人脸图像和不同类的人脸图像分别作为正样本和负样本训练所述第一人脸识别模型,包括:
从所述人脸图像集合中提取出包含字幕的目标图像集合;
从所述目标图像集合中每个目标图像的字幕中识别人物名称;
将具有相同人物名称的目标图像确定为所述正样本。
4.根据权利要求1所述的方法,其中,所述根据所述第一聚类结果,将同一类的人脸图像和不同类的人脸图像分别作为正样本和负样本训练所述第一人脸识别模型,包括:
从所述视频的字幕或语音中提取年龄信息;
确定每种年龄信息对应的人脸图像;
将正样本和负样本分别添加上年龄信息后训练所述第一人脸识别模型。
5.一种人脸识别方法,包括:
获取待识别的两张人脸图像;
将所述两张人脸图像输入采用如权利要求1-3之一所述的方法生成的第二人脸识别模型中,识别出所述两张人脸图像是否为同一人。
6.根据权利要求5所述的方法,其中,所述方法还包括:
分别获取所述两张人脸图像的年龄信息;
将所述两张人脸图像和对应的年龄信息输入采用如权利要求4所述的方法生成的第二人脸识别模型中,识别出所述两张人脸图像是否为同一人。
7.一种训练人脸识别模型的装置,包括:
获取单元,被配置成获取包括不同年龄段的人脸图像的视频,其中,视频中包括多个人的人脸图像;
提取单元,被配置成通过人脸检测模型从所述视频中将包含人脸图像的视频帧挑选出来,然后进行抠图,得到人脸图像集合,通过关键点检测判断人脸图像是否完整,过滤掉被遮挡的、不完整的人脸图像,或者对被遮挡的、不完整的人脸图像进行修复;
聚类单元,被配置成通过第一人脸识别模型对所述人脸图像集合进行聚类,得到第一聚类结果,其中,所述第一人脸识别模型用于提取出不同图像的人脸特征,然后根据人脸特征之间的距离判断是不是同一个人;
训练单元,被配置成根据所述第一聚类结果,将同一类的人脸图像和不同类的人脸图像分别作为正样本和负样本训练所述第一人脸识别模型,得到训练后的第二人脸识别模型;
其中,所述获取单元进一步被配置成:
从用户授权的视频库中通过关键词搜索展示了至少一个人在不同年龄段的人脸图像的视频;
其中,所述聚类单元进一步被配置成:
将所述视频的语音帧转换成文本信息集合;
从所述文本信息集合中识别人物名称;
根据每个人物名称对应的语音帧在视频中的位置确定每个人物名称对应的人脸图像;
将相同人物名称对应的人脸图像确定为所述正样本。
8.根据权利要求7所述的装置,其中,所述装置还包括迭代单元,被配置成:
通过所述第二人脸识别模型对所述人脸图像集合进行聚类,得到第二聚类结果;
响应于所述第二聚类结果不同于所述第一聚类结果,基于所述第二聚类结果继续所述第二人脸识别模型。
9.根据权利要求7所述的装置,其中,所述聚类单元进一步被配置成:
从所述人脸图像集合中提取出包含字幕的目标图像集合;
从所述目标图像集合中每个目标图像的字幕中识别人物名称;
将具有相同人物名称的目标图像确定为所述正样本。
10.根据权利要求7所述的装置,其中,所述聚类单元进一步被配置成:
从所述视频的字幕或语音中提取年龄信息;
确定每种年龄信息对应的人脸图像;
将正样本和负样本分别添加上年龄信息后训练所述第一人脸识别模型。
11.一种人脸识别装置,包括:
获取单元,被配置成获取待识别的两张人脸图像;
识别单元,被配置成将所述两张人脸图像输入采用如权利要求7-9之一所述的装置生成的第二人脸识别模型中,识别出所述两张人脸图像是否为同一人。
12.根据权利要求11所述的装置,其中,所述装置还包括年龄单元,被配置成:
分别获取所述两张人脸图像的年龄信息;
将所述两张人脸图像和对应的年龄信息输入采用如权利要求10所述的装置生成的第二人脸识别模型中,识别出所述两张人脸图像是否为同一人。
13.一种电子设备,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1-6中任一项所述的方法。
14.一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1-6中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211130047.0A CN115471893B (zh) | 2022-09-16 | 2022-09-16 | 训练人脸识别模型、人脸识别的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211130047.0A CN115471893B (zh) | 2022-09-16 | 2022-09-16 | 训练人脸识别模型、人脸识别的方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115471893A CN115471893A (zh) | 2022-12-13 |
CN115471893B true CN115471893B (zh) | 2023-11-21 |
Family
ID=84332821
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211130047.0A Active CN115471893B (zh) | 2022-09-16 | 2022-09-16 | 训练人脸识别模型、人脸识别的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115471893B (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104408402A (zh) * | 2014-10-29 | 2015-03-11 | 小米科技有限责任公司 | 人脸识别方法及装置 |
CN106022317A (zh) * | 2016-06-27 | 2016-10-12 | 北京小米移动软件有限公司 | 人脸识别方法及装置 |
CN107679451A (zh) * | 2017-08-25 | 2018-02-09 | 百度在线网络技术(北京)有限公司 | 建立人脸识别模型的方法、装置、设备和计算机存储介质 |
CN108229321A (zh) * | 2017-11-30 | 2018-06-29 | 北京市商汤科技开发有限公司 | 人脸识别模型及其训练方法和装置、设备、程序和介质 |
CN110188660A (zh) * | 2019-05-27 | 2019-08-30 | 北京字节跳动网络技术有限公司 | 用于识别年龄的方法和装置 |
CN110598557A (zh) * | 2019-08-13 | 2019-12-20 | 深圳壹账通智能科技有限公司 | 走失人员信息匹配方法、装置、计算机设备和存储介质 |
CN111178403A (zh) * | 2019-12-16 | 2020-05-19 | 北京迈格威科技有限公司 | 训练属性识别模型的方法、装置、电子设备及存储介质 |
WO2020238321A1 (zh) * | 2019-05-27 | 2020-12-03 | 北京字节跳动网络技术有限公司 | 用于识别年龄的方法和装置 |
WO2021047069A1 (zh) * | 2019-09-11 | 2021-03-18 | 深圳传音控股股份有限公司 | 人脸识别方法和电子终端设备 |
CN113205017A (zh) * | 2021-04-21 | 2021-08-03 | 深圳市海清视讯科技有限公司 | 跨年龄人脸识别方法及设备 |
CN113705383A (zh) * | 2021-08-12 | 2021-11-26 | 南京英诺森软件科技有限公司 | 一种基于三元约束的跨年龄人脸识别方法及系统 |
CN113850243A (zh) * | 2021-11-29 | 2021-12-28 | 北京的卢深视科技有限公司 | 模型训练、人脸识别方法、电子设备及存储介质 |
CN114241585A (zh) * | 2022-01-26 | 2022-03-25 | 深圳集智数字科技有限公司 | 一种跨年龄人脸识别模型训练方法、识别方法及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9311564B2 (en) * | 2012-10-05 | 2016-04-12 | Carnegie Mellon University | Face age-estimation and methods, systems, and software therefor |
-
2022
- 2022-09-16 CN CN202211130047.0A patent/CN115471893B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104408402A (zh) * | 2014-10-29 | 2015-03-11 | 小米科技有限责任公司 | 人脸识别方法及装置 |
CN106022317A (zh) * | 2016-06-27 | 2016-10-12 | 北京小米移动软件有限公司 | 人脸识别方法及装置 |
CN107679451A (zh) * | 2017-08-25 | 2018-02-09 | 百度在线网络技术(北京)有限公司 | 建立人脸识别模型的方法、装置、设备和计算机存储介质 |
CN108229321A (zh) * | 2017-11-30 | 2018-06-29 | 北京市商汤科技开发有限公司 | 人脸识别模型及其训练方法和装置、设备、程序和介质 |
CN110188660A (zh) * | 2019-05-27 | 2019-08-30 | 北京字节跳动网络技术有限公司 | 用于识别年龄的方法和装置 |
WO2020238321A1 (zh) * | 2019-05-27 | 2020-12-03 | 北京字节跳动网络技术有限公司 | 用于识别年龄的方法和装置 |
CN110598557A (zh) * | 2019-08-13 | 2019-12-20 | 深圳壹账通智能科技有限公司 | 走失人员信息匹配方法、装置、计算机设备和存储介质 |
WO2021047069A1 (zh) * | 2019-09-11 | 2021-03-18 | 深圳传音控股股份有限公司 | 人脸识别方法和电子终端设备 |
CN111178403A (zh) * | 2019-12-16 | 2020-05-19 | 北京迈格威科技有限公司 | 训练属性识别模型的方法、装置、电子设备及存储介质 |
CN113205017A (zh) * | 2021-04-21 | 2021-08-03 | 深圳市海清视讯科技有限公司 | 跨年龄人脸识别方法及设备 |
CN113705383A (zh) * | 2021-08-12 | 2021-11-26 | 南京英诺森软件科技有限公司 | 一种基于三元约束的跨年龄人脸识别方法及系统 |
CN113850243A (zh) * | 2021-11-29 | 2021-12-28 | 北京的卢深视科技有限公司 | 模型训练、人脸识别方法、电子设备及存储介质 |
CN114241585A (zh) * | 2022-01-26 | 2022-03-25 | 深圳集智数字科技有限公司 | 一种跨年龄人脸识别模型训练方法、识别方法及装置 |
Non-Patent Citations (1)
Title |
---|
视频图像中人脸自动检测与统计算法;杨思燕;苗凯彬;王锋;苗启广;;电子科技(08) * |
Also Published As
Publication number | Publication date |
---|---|
CN115471893A (zh) | 2022-12-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113255694B (zh) | 训练图像特征提取模型和提取图像特征的方法、装置 | |
CN113326764B (zh) | 训练图像识别模型和图像识别的方法和装置 | |
CN109284733B (zh) | 一种基于yolo和多任务卷积神经网络的导购消极行为监控方法 | |
CN111164601A (zh) | 情感识别方法、智能装置和计算机可读存储介质 | |
CN112784778B (zh) | 生成模型并识别年龄和性别的方法、装置、设备和介质 | |
JP7394809B2 (ja) | ビデオを処理するための方法、装置、電子機器、媒体及びコンピュータプログラム | |
CN113313053B (zh) | 图像处理方法、装置、设备、介质及程序产品 | |
CN111814620A (zh) | 人脸图像质量评价模型建立方法、优选方法、介质及装置 | |
US11468296B2 (en) | Relative position encoding based networks for action recognition | |
CN113239807B (zh) | 训练票据识别模型和票据识别的方法和装置 | |
CN114494784A (zh) | 深度学习模型的训练方法、图像处理方法和对象识别方法 | |
WO2023179429A1 (zh) | 一种视频数据的处理方法、装置、电子设备及存储介质 | |
CN112862005A (zh) | 视频的分类方法、装置、电子设备和存储介质 | |
EP4343616A1 (en) | Image classification method, model training method, device, storage medium, and computer program | |
CN110111365B (zh) | 基于深度学习的训练方法和装置以及目标跟踪方法和装置 | |
CN113627361B (zh) | 人脸识别模型的训练方法、装置及计算机程序产品 | |
CN114898266A (zh) | 训练方法、图像处理方法、装置、电子设备以及存储介质 | |
CN112906368B (zh) | 行业文本增量方法、相关装置及计算机程序产品 | |
CN116246287B (zh) | 目标对象识别方法、训练方法、装置以及存储介质 | |
CN116543798A (zh) | 基于多分类器的情感识别方法和装置、电子设备、介质 | |
CN114882334B (zh) | 用于生成预训练模型的方法、模型训练方法及装置 | |
CN115471893B (zh) | 训练人脸识别模型、人脸识别的方法和装置 | |
CN115909357A (zh) | 基于人工智能的目标识别方法、模型训练方法和装置 | |
CN114579876A (zh) | 虚假信息检测方法、装置、设备及介质 | |
CN113806541A (zh) | 情感分类的方法和情感分类模型的训练方法、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 |