CN116342968B - 一种双通道人脸识别方法及装置 - Google Patents

一种双通道人脸识别方法及装置 Download PDF

Info

Publication number
CN116342968B
CN116342968B CN202310100987.3A CN202310100987A CN116342968B CN 116342968 B CN116342968 B CN 116342968B CN 202310100987 A CN202310100987 A CN 202310100987A CN 116342968 B CN116342968 B CN 116342968B
Authority
CN
China
Prior art keywords
face
image
vector
face image
multidimensional
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
CN202310100987.3A
Other languages
English (en)
Other versions
CN116342968A (zh
Inventor
吴筝
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.)
Liulv Technology Co ltd
Original Assignee
Liulv 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 Liulv Technology Co ltd filed Critical Liulv Technology Co ltd
Priority to CN202310100987.3A priority Critical patent/CN116342968B/zh
Publication of CN116342968A publication Critical patent/CN116342968A/zh
Application granted granted Critical
Publication of CN116342968B publication Critical patent/CN116342968B/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
    • 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
    • G06V10/771—Feature selection, e.g. selecting representative features from a multi-dimensional feature space
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/02—Affine transformations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/60—Rotation of whole images or parts thereof
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/73—Deblurring; Sharpening
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/80—Geometric correction
    • 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
    • G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
    • 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
    • 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

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)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Multimedia (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Human Computer Interaction (AREA)
  • Probability & Statistics with Applications (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Image Analysis (AREA)

Abstract

本申请实施例提供一种双通道人脸识别方法及装置，所述方法包括，从动态验证视频获取多张人脸图像；对所述人脸图像进行预处理，获取预处理图像；使用图像分类模型进行特征提取，获取多个多维特征向量；对所述多维特征向量分类，获取特殊多维向量或一般多维向量；标记具有所述特殊多维向量的所述预处理图像为个性脸图像，其余为大众脸图像；使用双通道识别模型识别所述个性脸图像或大众脸图像；所述个性脸图像通过计算所述特殊多维向量与数据库人脸图像的相似度，获取人脸识别结果；所述大众脸图像通过面部特征深度学习，获取人脸识别结果。本申请实施例中，针对不同辨识度的人脸图像，灵活采用不同的人脸识别算法，有利于提高识别效率。

Description

一种双通道人脸识别方法及装置
技术领域
本申请涉及人脸识别技术领域，并且更具体地，涉及一种双通道人脸识别方法及装置。
背景技术
目前人脸识别在日常生活中应用场景相当广泛，是验证个人身份信息的重要手段。人脸识别检测通常是整体识别和特征识别共同作用的结果。对于人来说，识别人脸往往先对人脸轮廓产生模糊的印象，再通过局部特征加强记忆点。根据已有的研究发现，人脸各部位对识别的贡献也不相同，如眼睛和嘴巴的重要程度大于人的鼻子，人脸上半部分的重要性大于人脸下半部分，其中特别的人脸更加容易被人识别记住等。所以，人一般可以很容易记住并且辨别出具有明显面部特征的脸，但是对于五官分布均匀且没有那么多辨识特征的脸则不那么容易被记住和辨认。现有技术的机器人脸识别算法日趋成熟，精准度也在不断提高，但同时会带来人脸图像识别效率不高的问题，而且对设备运行和数据存储空间的要求也比较高。
发明内容
本申请提供了一种双通道人脸识别方法及装置，该技术方案可以针对不同辨识度的人脸图像，灵活采用不同的人脸识别算法，有利于提高识别效率。
第一方面，提供一种双通道人脸识别方法，所述方法包括，从动态验证视频获取多张人脸图像；对所述人脸图像进行预处理，获取预处理图像；
使用预先训练的图像分类模型对所述预处理图像进行特征提取，获取多个多维特征向量；对所述多维特征向量进行分类，获取特殊多维向量或一般多维向量；标记具有所述特殊多维向量的所述预处理图像为个性脸图像，标记不具有所述特殊多维向量的所述预处理图像为大众脸图像；
使用预先训练的双通道识别模型识别所述个性脸图像或所述大众脸图像；所述个性脸图像进入个性脸算法通道，计算所述个性脸图像的所述特殊多维向量与预先存储的数据库人脸图像的相似度，获取人脸识别结果；所述大众脸图像进入大众脸算法通道，对所述大众脸图像进行面部特征深度学习，与预先存储的数据库人脸图像对比，获取人脸识别结果。
结合第一方面，在第一方面的一种可能的实现方式中，所述对多张所述人脸图像进行预处理，包括：对所述人脸图像进行灰度转换、尺度归一化以及对齐处理，获取所述预处理图像；其中，所述灰度转化使得所述人脸图像像素具有在0～255之间的灰度值；所述尺度归一化是将所述人脸图像缩放到规定的尺寸，得到尺寸相同的人脸图像；所述对齐处理是根据检测到所述尺寸相同的人脸图像特征点的坐标位置，将所述尺寸相同的人脸图像旋转到水平并进行仿射变换。
结合第一方面，在第一方面的一种可能的实现方式中，所述对所述人脸图像进行预处理还包括：所述人脸图像的光线补偿、几何校正、滤波以及锐化。
基于本申请实施例，通过对所述人脸图像进行预处理，方便后续提取所述人脸图像的纹理特征。
结合第一方面，在第一方面的一种可能的实现方式中，所述使用预先训练的图像分类模型对所述预处理图像进行特征提取，获取多个多维特征向量，包括：通过局部二值模式算法提取所述预处理图像的特征值，获取多个多维特征向量；其中，至少一个所述预处理图像的特征值作为所述多维特征向量的一个维度。
结合第一方面，在第一方面的一种可能的实现方式中，所述对所述多维特征向量分类，获取特殊多维向量或一般多维向量，包括：将所述预处理图像的面部划分为K个区域，对所述K个区域中的所述多维特征向量分类，K为正整数；其中，所述K个区域至少包括所述预处理图像的上半脸、下半脸、左半脸、右半脸、左眉眼、右眉眼、鼻唇区；
计算每个区域的所述多维特征向量与对应的均值特征向量的距离值；其中，所述均值特征向量由所述图像分类模型根据训练集的数据预先计算所得；所述距离值在预设阈值内的所述多维特征向量标记为所述一般多维向量，所述距离值超出预设阈值的所述多维特征向量标记为所述特殊多维向量。
结合第一方面，在第一方面的一种可能的实现方式中，所述预处理图像的特征值至少包括：脸型长宽比、三庭比、五眼比、左脸长宽比、右脸长宽比、眉毛长宽、眼睛长宽、鼻子长宽、嘴巴长宽、左眉眼距、右眉眼距、眼鼻间距、口鼻间距、明显的痣的长宽及与相邻五官的距离、明显的疤痕的长宽及与相邻五官的距离。
结合第一方面，在第一方面的一种可能的实现方式中，所述特殊多维向量所在的区域为所述预处理图像最具辨识度的区域；统计每个区域中所述特殊多维向量的特征值与所在区域的所述均值特征向量的方差，得到r个方差较大的特征值，r为正整数；其中，所述r个方差较大的特征值表征所述最具辨识度区域中的r个辨识度特征。
第二方面，提供一种图像分类模型的训练方法，其特征在于，包括：准备多张预处理图像样本；通过局部二值模式算法提取所述预处理图像样本的特征值，获取多个多维特征向量；其中，至少一个所述预处理图像样本的特征值作为所述多维特征向量的一个维度；
对所述多维特征向量进行分类，获取特殊多维向量或一般多维向量；标记具有所述特殊多维向量的所述预处理图像样本为个性脸图像，标记不具有所述特殊多维向量的所述预处理图像样本为大众脸图像。
结合第二方面，在第二方面的一种可能的实现方式中，所述对所述多维特征向量进行分类，获取特殊多维向量或一般多维向量，包括：
将所述预处理图像样本的面部划分为K个区域，对所述K个区域中的所述多维特征向量分类，K为正整数；其中，所述K个区域至少包括所述预处理图像的上半脸、下半脸、左半脸、右半脸、左眉眼、右眉眼、鼻唇区；计算多张所述预处理图像样本每个区域的每个所述多维特征向量的平均值，得到多个均值特征向量；
计算每个区域的每个所述多维特征向量与对应的均值特征向量的距离值；所述距离值在预设阈值内的所述多维特征向量标记为所述一般多维向量，所述距离值超出预设阈值的所述多维特征向量标记为所述特殊多维向量。
结合第二方面，在第二方面的一种可能的实现方式中，从所述预处理图像样本中选取多张辨识度低的人脸图像；计算所述辨识度低的人脸图像每个区域的每个所述多维特征向量与对应的均值特征向量的距离值，确定最大距离值为所述预设阈值。
第三方面，提供一种双通道识别模型的训练方法，其特征在于，包括：准备多张经标记的个性脸图像样本和大众脸图像样本；将所述个性脸图像样本和大众脸图像样本作为神经网络的输入，训练识别个性脸标记，使得所述个性脸图像样本进入个性脸算法通道，输出人脸识别结果；训练识别大众脸标记，使得所述大众脸样本进入大众脸算法通道，输出人脸识别结果。
结合第三方面，在第三方面的一种可能的实现方式中，建立所述个性脸算法通道，构建所述个性脸图像样本的特殊多维向量与数据库的人脸图像的多维特征向量的相似度计算；建立大众脸算法通道，构建卷积神经网络模型对面部特征进行深度学习，计算深度学习获取的面部特征向量与数据库的人脸图像的面部特征向量相似度。
第四方面，提供一种双通道人脸识别装置，其特征在于，所述装置包括：
采集模块，用于采集待验证人员的动态验证视频，获取所述动态验证视频的多张人脸图像；
预处理模块，用于对所述多张人脸图像进行预处理，得到预处理图像；
分类模块，用于对所述预处理图像进行特征提取，获取多个多维特征向量；对所述多维特征向量分类，获取特殊多维向量或一般多维向量；标记具有所述特殊多维向量的所述预处理图像为个性脸图像，标记不具有所述特殊多维向量的所述预处理图像为大众脸图像；
双通道识别模块，用于识别所述个性脸图像或大众脸图像；所述个性脸图像进入个性脸算法通道，计算所述个性脸图像的所述特殊多维向量与预先存储的数据库人脸图像的相似度，获取人脸识别结果；所述大众脸图像进入大众脸算法通道，对所述大众脸图像进行面部特征深度学习，与预先存储的数据库人脸图像对比，获取人脸识别结果。
结合第四方面，在第四方面的一种可能的实现方式中，所述预处理模块具体用于：对所述人脸图像进行灰度转换、尺度归一化以及对齐处理，以获得所述预处理图像；其中，所述灰度转化使得所述人脸图像像素具有在0～255之间的灰度值；所述尺度归一化是将所述人脸图像缩放到规定的尺寸，得到尺寸相同的人脸图像；所述对齐处理是根据检测到所述尺寸相同的人脸图像特征点的坐标位置，将所述尺寸相同的人脸图像旋转到水平并进行仿射变换。
结合第四方面，在第四方面的一种可能的实现方式中，所述预处理模块还用于：对所述人脸图像进行光线补偿、几何校正、滤波以及锐化。
结合第四方面，在第四方面的一种可能的实现方式中，所述分类模块具体用于：通过局部二值模式算法提取所述预处理图像的特征值，获取多个多维特征向量；其中，至少一个所述预处理图像的特征值作为所述多维特征向量的一个维度。
结合第四方面，在第四方面的一种可能的实现方式中，所述分类模块具体用于：将所述预处理图像的面部划分为K个区域，对所述K个区域中的所述多维特征向量分类，K为正整数；其中，所述K个区域至少包括所述预处理图像的上半脸、下半脸、左半脸、右半脸、左眉眼、右眉眼、鼻唇区；
计算每个区域的所述多维特征向量与对应的均值特征向量的距离值；其中，所述均值特征向量由所述图像分类模型根据训练集的数据预先计算所得；所述距离值在预设阈值内的所述多维特征向量标记为所述一般多维向量，所述距离值超出预设阈值的所述多维特征向量标记为所述特殊多维向量。
结合第四方面，在第四方面的一种可能的实现方式中，所述预处理图像的特征值包括：脸型长宽比、三庭比、五眼比、左脸长宽比、右脸长宽比、眉毛长宽、眼睛长宽、鼻子长宽、嘴巴长宽、左眉眼距、右眉眼距、眼鼻间距、口鼻间距、明显的痣的长宽及与相邻五官的距离、明显的疤痕的长宽及与相邻五官的距离等。
结合第四方面，在第四方面的一种可能的实现方式中，所述特殊多维向量所在的区域为所述预处理图像最具辨识度的区域；统计每个区域中所述特殊多维向量的特征值与所在区域的所述均值特征向量的方差，得到r个方差较大的特征值，r为正整数；其中，所述r个方差较大的特征值表征所述最具辨识度区域中的r个辨识度特征。
第五方面，提供一种芯片，所述芯片包括处理器与数据接口，所述处理器通过所述数据接口读取存储器上存储的指令，以执行如上述第一方面及其任一种可能的实现方式中所述的双通道人脸识别方法。
第六方面，提供一种计算机设备，其特征在于，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现如上述第一方面及其任一种可能的实现方式中所述的双通道人脸识别方法。
第七方面，提供一种计算机可读存储介质，其上存储有计算机程序或指令，所述计算机程序或指令被执行时，使得如上述第一方面及其任一种可能的实现方式中所述的双通道人脸识别方法被执行。
第八方面，一种计算机程序产品，其特征在于，当所述计算机程序在计算机上执行时，使得所述计算机执行如上述第一方面及其任一种可能的实现方式中所述的双通道人脸识别方法。
附图说明
图1是本申请实施例提供的一种双通道人脸识别方法的示意图。
图2是本申请实施例提供的一种图像分类模型的训练方法的示意图。
图3是本申请实施例提供的一种双通道识别模型的训练方法的示意图。
图4是本申请实施例提供的一种双通道人脸识别装置的示意图。
具体实施方式
下面将结合附图，对本申请实施例中的技术方案进行描述。
人脸识别技术是指利用分析比较的计算机技术识别人脸。人脸识别技术属于生物特征识别技术，是对生物体本身的生物特征来区分生物体个体。包括人脸图像采集、人脸定位、人脸识别预处理、身份确认以及身份查找等；而狭义的人脸识别特指通过人脸进行身份确认或者身份查找的技术或系统。
对于人来说，人一般可以很容易记住并且辨别出具有明显面部特征的个性脸，但是对于五官分布均匀且没有那么多辨识特征的所谓的大众脸则不那么容易被记住和辨认。对于机器识别来说，现有的人脸识别算法基本无差异化地对人脸图像作统一处理，虽然可以保证识别精准度高，但运行起来效率相对低下，对识别设备本身要求也高，相应地成本就会变高。
有鉴于此，本申请实施例提供一种双通道人脸识别方法，该技术方案可以先将人脸图像进行标记，对于特征明显的个性脸选用算法快捷的识别通道，对于特征不明显的大众脸选用深度学习的识别通道，在保证人脸识别准确性的基础上提高识别效率，优化数据的存储空间。
下文将结合图1介绍本申请的技术方案。
图1是本申请实施例提供的一种双通道人脸识别方法的示意图，主要包含以下步骤：
步骤S101，获取动态验证视频，从动态验证视频获取多张人脸图像。
该步骤S101中，可以使用手机摄像头、摄影机等电子设备拍摄的动态验证视频，截取步骤一中获取的动态验证视频的多张人脸图像。其中，动态验证视频为待验证人员根据随机指令拍摄，可应用在医院、社区、移动营业厅等多种场景下。
可选地，对于随机指令是指由待验证人员读出几个字、念出一句话，或者转动头部、注视镜头等，本申请不予限定。
步骤S102，对人脸图像进行预处理。
示例性地，对多张人脸图像进行灰度转换和尺度归一化操作处理，得到尺寸相同的人脸图像，并对所述尺寸相同的人脸图像进行对齐预处理操作，得到预处理后的人脸图像；
一般来说，采集的原始人脸图像由于受到各种条件的限制和随机干扰，往往不能直接使用，必须对其进行图像预处理，使其能够适用于特征提取的过程。
在本申请实施例中，在人脸图像经过灰度转化后，图像的像素可以具有在0～255之间的灰度值；尺度归一化操作处理是将得到的人脸图像缩放到规定的尺寸，得到尺寸相同的人脸图像，并对所述尺寸相同的人脸图像进行对齐预处理操作；对齐预处理操作主要包括检测人脸图像的五个特征点，分别为双眼、鼻子、两个嘴角，然后利用双眼坐标，把人脸图像旋转到水平，利用剩余的三个点的坐标，计算得到仿射矩阵，利用仿射矩阵对图像进行变换，得到预处理后的人脸图像。
可选地，在一些实施例中，人脸图像预处理过程还可以包括人脸图像的光线补偿、几何校正、滤波以及锐化等，本申请不予限定。
步骤S103，输入图像分类模型，用LBP算法提取训练集的多张人脸图像的特征值，生成多个多维特征向量。对所述多维特征向量分类，获取特殊多维向量或一般多维向量；标记具有特殊多维向量的预处理图像为个性脸图像，标记不具有特殊多维向量的预处理图像为大众脸图像。
活体人脸、照片、面具等由于光照反射率不同，会导致它们成像的纹理信息出现差异，本发明实施例利用的纹理信息是局部二值模式(Local Binary Pattern，LBP)特征，它能很好的表征纹理信息并具有一定的光照不变性。LBP是一种用来描述图像局部纹理特征的算子，它具有旋转不变性和灰度不变性等显著的优点，用于纹理特征提取。
该步骤S103中，预先建立图像分类模型，提供了一种图像分类模型的训练方法的示意图，如图2所示。
S201，准备多张预处理图像样本；
S202，通过局部二值模式算法提取预处理图像样本的特征值，获取多个多维特征向量；其中，至少一个预处理图像样本的特征值作为多维特征向量的一个维度；
S203，对多维特征向量进行分类，获取特殊多维向量或一般多维向量；
S204，标记具有特殊多维向量的预处理图像样本为个性脸图像，标记不具有特殊多维向量的预处理图像样本为大众脸图像。
具体地，用LBP算法提取训练集的多张预处理图像的特征值，生成多个多维特征向量的具体步骤为：
示例性地，以像素点为圆心，R为半径，提取半径上P个采样点，进行像素值大小的比较，以中心点的像素值为标准，对比周围点像素值的大小，大于为1，小于为0，得到该点的LBP特征值。其中提取采样点的方法如下：
xt＝d+cos(2πp/P)
yt＝d+sin(2πp/P)
(xt,yt)为某个采样点，(xd,yd)为邻域中心点，p为第P个采样点，P为采样点的个数。得到采样点的坐标可能为小数，改进后的LBP采用双线性插值法进行计算该点的像素值:
本申请实施例LBP特征值包括脸型长宽比、三庭比、五眼比、左脸长宽比、右脸长宽比、眉毛长宽、眼睛长宽、鼻子长宽、嘴巴长宽、左眉眼距、右眉眼距、眼鼻间距、口鼻间距、明显的痣的长宽及与相邻五官的距离、明显的疤痕的长宽及与相邻五官的距离等。
计算LBP特征值的直方图，并将直方图归一化。其中，一个特征值作为多维特征向量的一个维度，每张预处理图像生成多个多维特征向量。
可选地，可以通过HOG算法提取人脸特征，本申请不予限定。
具体地，对所述多维特征向量分类，获取特殊多维向量或一般多维向量的具体步骤为：
在一个实施例中，用图像分块先将预处理图像的面部划分K个区域，统计每个区域包含的多维特征向量。更具体地，K个区域至少包括预处理图像的上半脸、下半脸、左半脸、右半脸、左眉眼、右眉眼、鼻唇区等。计算多张预处理图像每个区域的多维特征向量对应的均值特征向量，计算每个多维特征向量与其均值特征向量的相似度距离。标记相似度距离在一定阈值内的多维特征向量为特殊多维向量，标记相似度距离超出一定阈值的多维特征向量为一般多维向量。特殊多维向量所在的区域表征该预处理图像最具辨识度的区域。对每个区域的特殊多维向量的特征值进行直方图统计，与所在区域的均值特征向量存在r个方差较大的特征值，这r个方差较大的特征值表征该预处理图像最具辨识度区域中的r个辨识度特征。
可选地，计算每个多维特征向量与其均值特征向量的相似度距离，本申请实施例以欧氏距离为例。确定预设阈值更具体地，手动选取多张辨识度低的人脸图像，计算辨识度低的人脸图像的每个区域的多维特征向量与每个区域的均值特征向量的最大距离值，确定为预设阈值。
本申请实施例通过面部区域划分，对预处理图像的多维特征向量分类，标记出预处理图像中最具辨识度的重点区域，以及最具辨识度区域的辨识度特征。
在另一个实施例中，用K聚类算法将面部划分为K个区域。K聚类算法是一种迭代求解的聚类分析算法，训练集由两组数量相同的样本组成，一组为随机人脸图像，一组为大众脸人脸图像。可选地，大众脸图像从现有大众脸模板库中选取或者模拟生成，部分图像可以重复。对全部的人脸图像的特征向量进行聚类，随机选取K个多维特征向量作为初始的聚类中心向量，计算每个多维特征向量与各个聚类中心向量之间的距离，把每个多维特征向量分配给距离它最近的聚类中心向量。聚类中心向量以及分配给它们的多维特征向量就代表一个聚类。一旦全部多维特征向量都被分配了，每个聚类的聚类中心向量会根据聚类中现有的多维特征向量被重新计算。这个过程将不断重复直到满足终止条件。
从每个区域中选取特征向量与每个区域的聚类中心向量的距离值小于预设阈值的一定数量的多维特征向量，对选中的一定数量的多维特征向量标记为一般多维向量，其余离散的特征向量标记为特殊多维向量。特殊多维向量所在的区域表征该人脸图像最具辨识度的区域。对每个区域特殊多维向量的特征值进行直方图统计，与所在区域的聚类中心向量r个方差较大的特征值，r个方差较大的特征值表征该预处理图像最具辨识度区域中的r个辨识度特征。
可选地，确定预设阈值更具体地，用上述K聚类算法对训练集中的大众脸样本进行聚类，计算每个区域的特征向量与每个区域的聚类中心向量的最大距离值，确定为预设阈值。
更进一步地，在图像分类模型中加入验证集，用于验证人脸图像中个性脸或/和大众脸标记的准确性；对预设阈值进行微调，提高人脸图像中个性脸或/和大众脸标记的准确性。
本实施例可以自主完成预处理图像的区域划分，将多张人脸图像的多维特征向量划分为K个区域，对预处理图像标记分类，标记出人脸图像最具辨识度区域的最具辨识度特征。与上一个实施例相比，本实施例的人脸图像的区域划分无需人工参与，但对训练集的质量和数量要求高，数据存储较多。
步骤S104，输入双通道识别模型，识别所述个性脸图像或大众脸图像；所述个性脸图像进入个性脸算法通道，计算所述个性脸图像的所述特殊多维向量与预先存储的数据库人脸图像的相似度，获取人脸识别结果；所述大众脸图像进入大众脸算法通道，对所述大众脸图像进行面部特征深度学习，与预先存储的数据库人脸图像对比，获取人脸识别结果。
该步骤S104中，预先建立双通道识别模型，提供一种双通道识别模型的训练方法的示意图，如图3所示。
S301，准备多张经标记的个性脸图像样本和大众脸图像样本；
S302，将所述个性脸图像样本和大众脸图像样本作为神经网络的输入；
S303，训练识别个性脸标记，使得所述个性脸图像样本进入个性脸算法通道；训练识别大众脸标记，使得所述大众脸样本进入大众脸算法通道；
S304，输出人脸识别结果。
具体地，输入训练集的多张预处理图像，每张预处理图像已经被标记分类为个性脸图像和大众脸图像。个性脸算法通道识别个性脸图像，计算个性脸图像的多维特征向量与预先存储的数据库人脸图像的相似度，得到人脸识别结果。
更具体地，个性脸图像的多维特征向量表示为f(i,j)，数据库预存的人脸图像的纹理特征向量表示为m(i,j)，二者差异度S表示为：
其中，ai表示权重值，人脸的眼睛和嘴巴的重要程度大于人的鼻子，人脸上半部分的重要性大于人脸下半部分，因此权重值更大。如果计算出来的差异度S小于第一阈值，则确认该人脸图像和预存的人脸图像是否属于同一个人。
大众脸算法通道识别大众脸图像，对大众脸图像进行面部特征深度学习。本申请实施例以卷积神经网络算法为例，对大众脸图像进行进一步的特征提取，与数据库人脸图像对比输出人脸识别结果。
可选地，卷积神经网络算法采用CNN前向传播算法；CNN前向传播算法如下：
输入层：输入一个人脸数字图像、CNN模型层数L和所有隐藏层的类型；卷基层定义卷积核的大小K、卷积核子矩阵的维度F、填充大小P、步幅S；池化层定义池化区域大小k和池化标准；全连接层定义激活函数和各层的神经元个数；
输出层：CNN模型的输出值为aL；
A、根据输入层的填充大小P，填充人脸数字图像的边缘得到输入张量al；
B、初始化所有隐藏层的参数W、b；
C、forl＝2toL-1：
(1)如果第一层是卷基层，侧输出为
aL＝σ(zl)＝σ(al-1*Wl+bl)；
(2)如果第一层是池化层，侧输出为
al＝pool(al-1)(pool指按照池化区域大小k和池化标准将输入张量缩小的过程)；
(3)如果第一层是全连接层，则输出为
al＝σ(zl)＝σ(Wlal-1+bl)；
(4)对于输出层第L层：
aL＝σ(ZL)＝σ(WLaL-1+bL)；
其中，上标代表层数，W表示卷积核，b代表偏倚，σ为激活函数ReLU。
可选地，大众脸向量标记的识别通道还可以采用损失函数或三维建模等人脸识别算法，本申请实施例不作限定。
在另一个实施例中，大众脸算法通道还接收所述个性脸通道无法输出唯一的人脸识别结果的个性脸图像，对所述人脸图像进行面部特征深度学习，与预先存储的数据库人脸图像对比，输出人脸识别结果。
在本申请实施例中，可以单独或批量处理人脸图像，完成人脸识别工作；双通道识别模型提供了个性脸算法通道和大众脸算法通道，个性脸算法通道仅需对人脸图像最具辨识度的特征进行相似度比对，大大提高了人脸识别效率；同时，大众脸通道对大众脸人脸图像的特征进行进一步的深度学习，保证人脸识别的准确性。
图2是本申请实施例提供的一种双通道人脸识别装置的示意图，如图4所示，所述装置包括：采集模块401、预处理模块402、分类模块403以及双通道识别模块404，其中：
采集模块401，用于采集待验证人员的动态验证视频，获取动态验证视频的多张人脸图像；
预处理模块402，用于对多张人脸图像进行预处理，得到预处理后的人脸图像；
分类模块403，用于对所述预处理图像进行特征提取，获取多个多维特征向量；对所述多维特征向量分类，获取特殊多维向量或一般多维向量；标记具有所述特殊多维向量的所述预处理图像为个性脸图像，标记不具有所述特殊多维向量的所述预处理图像为大众脸图像；
双通道识别模块404，识别所述个性脸图像或大众脸图像；所述个性脸图像进入个性脸算法通道，计算所述个性脸图像的所述特殊多维向量与预先存储的数据库人脸图像的相似度，获取人脸识别结果；所述大众脸图像进入大众脸算法通道，对所述大众脸图像进行面部特征深度学习，与预先存储的数据库人脸图像对比，获取人脸识别结果。
本申请实施例通过分类模块对人脸图像的纹理特征进行提取，并且将人脸图像的多个多维特征向量标记，通过双通道识别模块对不同标记的人脸图像进行识别，可以通过人脸图像的局部特征迅速处理识别局部辨识度高的人脸图像，同时也能保证人脸识别的准确性。
可选地，采集模块401具体用于：在医院、社区、移动营业厅等多种场景下，使用手机摄像头、摄影机等电子设备拍摄待验证人员根据随机指令生成的动态验证视频。
可选地，预处理模块402具体用于：对多张人脸图像进行灰度转换和尺度归一化操作处理，得到尺寸相同的人脸图像，并对所述尺寸相同的人脸图像进行对齐预处理操作。
具体地，在人脸图像经过灰度转化后，图像的像素可以具有在0～255之间的灰度值；尺度归一化操作处理是将得到的人脸图像缩放到规定的尺寸，得到尺寸相同的人脸图像，并对所述尺寸相同的人脸图像进行对齐预处理操作；对齐预处理操作主要包括检测人脸图像的五个特征点，分别为双眼、鼻子、两个嘴角，然后利用双眼坐标，把人脸图像旋转到水平，利用剩余的三个点的坐标，计算得到仿射矩阵，利用仿射矩阵对图像进行变换，得到预处理后的人脸图像。人脸图像预处理过程还可以包括人脸图像的光线补偿、几何校正、滤波以及锐化等，本申请不予限定。
可选地，分类模块403具体用于：用LBP算法提取训练集的多张人脸图像的特征值，生成多个多维特征向量。对所述多维特征向量分类，获取特殊多维向量或一般多维向量；标记具有所述特殊多维向量的所述预处理图像为个性脸图像，标记不具有所述特殊多维向量的所述预处理图像为大众脸图像；其中，对所述多维特征向量分类还包括，将面部划分为K个区域，对每个区域内的多维特征向量进行分类标记；划分K个区域可以通过手动对人脸图像进行图像分块操作，如上半脸、下半脸、左半脸、右半脸、左眉眼、右眉眼、鼻唇区等，也可以用K聚类算法迭代求解聚类中心向量，自主形成K个聚类，也就是K个区域。更具体的操作此处不再赘述。
可选地，双通道识别模块404，具体用于：输入训练集的多张人脸图像，每张人脸图像已经被标记为个性脸图像或大众脸图像。个性脸算法通道识别个性脸图像，计算个性脸图像的特殊多维向量与预先存储的数据库人脸图像的相似度，得到人脸识别结果。大众脸算法通道识别大众脸图像，对大众脸图像进行面部特征深度学习。本申请实施例以卷积神经网络算法为例，对人脸图像进行进一步的特征提取，与数据库人脸图像对比输出人脸识别结果。
上述装置可应用于需要人脸识别的实际场景，以移动营业厅办卡业务人脸识别为例。
办理业务人员通过双通道人脸识别装置的发出的指令，读出目标指令；双通道人脸识别装置的采集模块通过摄像头采集动态验证视频并截取多张人脸图像，将多张人脸图像传输至预处理模块；预处理模块对多张人脸图像进行预处理，得到多张预处理图像；分类模块对预处理图像进行面部特征提取，获取多个多维特征向量；对预处理图像的面部划分区域，计算每个区域的多维特征向量与对应的均值中心向量的距离值，如果存在距离值超出预设阈值的一个或多个多维特征向量，则标记一个或多个多维特征向量为特殊多维向量，该人脸图像标记为个性脸图像；双通道识别模块识别个性脸图像，计算该个性脸图像的特殊多维向量与预先存储的数据库人脸图像的特征向量的相似度，相似度达到一定阈值则输出人脸识别结果，通过人脸识别验证。如果不存在距离值超出预设阈值的多维特征向量，则标记该人脸图像为大众脸图像；双通道识别模块识别大众脸图像，对面部特征深度学习，提取大众脸图像的特征向量，与预先存储的数据库人脸图像的特征向量对比，输出人脸识别结果，通过人脸识别验证。
上述实施例，可以全部或部分地通过软件、硬件、固件或其他任意组合来实现。当使用软件实现时，上述实施例可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令或计算机程序。在计算机上加载或执行所述计算机指令或计算机程序时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以为通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集合的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质。半导体介质可以是固态硬盘。
应理解，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况，其中A,B可以是单数或者复数。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系，但也可能表示的是一种“和/或”的关系，具体可参考前后文进行理解。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
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。
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、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本发明实施例的具体实施方式，但本发明实施例的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明实施例揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明实施例的保护范围之内。因此，本发明实施例的保护范围应所述以权利要求的保护范围为准。

Claims (17)

1.一种双通道人脸识别方法，其特征在于，包括：
从动态验证视频获取多张人脸图像；
对所述人脸图像进行预处理，获取预处理图像；
使用预先训练的图像分类模型对所述预处理图像进行特征提取，获取多个多维特征向量；对所述多维特征向量进行分类，获取特殊多维向量或一般多维向量；标记具有所述特殊多维向量的所述预处理图像为个性脸图像，标记只具有所述一般多维向量的所述预处理图像为大众脸图像；
使用预先训练的双通道识别模型识别所述个性脸图像或所述大众脸图像；所述个性脸图像进入个性脸算法通道，计算所述个性脸图像的所述特殊多维向量与预先存储的数据库人脸图像的相似度，获取人脸识别结果；所述大众脸图像进入大众脸算法通道，对所述大众脸图像进行面部特征深度学习，与预先存储的数据库人脸图像对比，获取人脸识别结果；
所述使用预先训练的图像分类模型对所述预处理图像进行特征提取，获取多个多维特征向量，包括：
通过局部二值模式算法提取所述预处理图像的特征值，获取多个所述多维特征向量；其中，至少一个所述预处理图像的特征值作为所述多维特征向量的一个维度。
2.根据权利要求1所述的方法，其特征在于，所述对多张所述人脸图像进行预处理，包括：
对所述人脸图像进行灰度转换、尺度归一化以及对齐处理，以获取所述预处理图像；
其中，所述灰度转化使得所述人脸图像像素具有在0～255之间的灰度值；所述尺度归一化是将所述人脸图像缩放到规定的尺寸，得到尺寸相同的人脸图像；所述对齐处理是根据检测到所述尺寸相同的人脸图像特征点的坐标位置，将所述尺寸相同的人脸图像旋转到水平并进行仿射变换。
3.根据权利要求2所述的方法，其特征在于，所述对多张所述人脸图像进行预处理还包括：对所述人脸图像进行光线补偿、几何校正、滤波以及锐化。
4.根据权利要求1-3中任一项所述的方法，其特征在于，所述对所述多维特征向量分类，获取特殊多维向量或一般多维向量，包括：
将所述预处理图像的面部划分为K个区域，对所述K个区域中的所述多维特征向量分类，K为正整数；其中，所述K个区域至少包括所述预处理图像的上半脸、下半脸、左半脸、右半脸、左眉眼、右眉眼、鼻唇区；
计算每个区域的所述多维特征向量与对应的均值特征向量的距离值；其中，所述均值特征向量由所述图像分类模型根据训练集的数据预先计算所得；
所述距离值在预设阈值内的所述多维特征向量标记为所述一般多维向量，所述距离值超出预设阈值的所述多维特征向量标记为所述特殊多维向量。
5.根据权利要求1-3中任一项所述的方法，其特征在于，所述预处理图像的特征值至少包括：脸型长宽比、三庭比、五眼比、左脸长宽比、右脸长宽比、眉毛长宽、眼睛长宽、鼻子长宽、嘴巴长宽、左眉眼距、右眉眼距、眼鼻间距、口鼻间距、明显的痣的长宽及与相邻五官的距离、明显的疤痕的长宽及与相邻五官的距离。
6.根据权利要求4所述的方法，其特征在于，包括：
所述特殊多维向量所在的区域为所述预处理图像最具辨识度的区域；
统计每个区域中所述特殊多维向量的特征值与所在区域的所述均值特征向量的方差，得到r个方差较大的特征值，r为正整数；其中，所述r个方差较大的特征值表征所述最具辨识度区域中的r个辨识度特征。
7.一种图像分类模型的训练方法，其特征在于，包括：
准备多张预处理图像样本；
通过局部二值模式算法提取所述预处理图像样本的特征值，获取多个多维特征向量；其中，至少一个所述预处理图像样本的特征值作为所述多维特征向量的一个维度；
对所述多维特征向量进行分类，获取特殊多维向量或一般多维向量；
标记具有所述特殊多维向量的所述预处理图像样本为个性脸图像，标记只具有所述一般多维向量的所述预处理图像样本为大众脸图像；
所述对所述多维特征向量进行分类，获取特殊多维向量或一般多维向量，包括：
将所述预处理图像样本的面部划分为K个区域，对所述K个区域中的所述多维特征向量分类，K为正整数；其中，所述K个区域至少包括所述预处理图像的上半脸、下半脸、左半脸、右半脸、左眉眼、右眉眼、鼻唇区；
计算多张所述预处理图像样本每个区域的每个所述多维特征向量的平均值，得到多个均值特征向量；
计算每个区域的每个所述多维特征向量与对应的均值特征向量的距离值；
所述距离值在预设阈值内的所述多维特征向量标记为所述一般多维向量，所述距离值超出预设阈值的所述多维特征向量标记为所述特殊多维向量。
8.根据权利要求7所述的方法，其特征在于，包括：
从所述预处理图像样本中选取多张辨识度低的人脸图像；
计算所述辨识度低的人脸图像每个区域的每个所述多维特征向量与对应的均值特征向量的距离值，确定最大距离值为所述预设阈值。
9.一种双通道人脸识别装置，其特征在于，所述装置包括：
采集模块，用于采集待验证人员的动态验证视频，获取所述动态验证视频的多张人脸图像；
预处理模块，用于对所述多张人脸图像进行预处理，得到预处理图像；
分类模块，用于对所述预处理图像进行特征提取，获取多个多维特征向量；对所述多维特征向量分类，获取特殊多维向量或一般多维向量；标记具有所述特殊多维向量的所述预处理图像为个性脸图像，标记只具有所述一般多维向量的所述预处理图像为大众脸图像；
双通道识别模块，用于识别所述个性脸图像或大众脸图像；所述个性脸图像进入个性脸算法通道，计算所述个性脸图像的所述特殊多维向量与预先存储的数据库人脸图像的相似度，获取人脸识别结果；所述大众脸图像进入大众脸算法通道，对所述大众脸图像进行面部特征深度学习，与预先存储的数据库人脸图像对比，获取人脸识别结果；
所述分类模块具体用于：
通过局部二值模式算法提取所述预处理图像的特征值，获取多个多维特征向量；其中，至少一个所述预处理图像的特征值作为所述多维特征向量的一个维度。
10.根据权利要求9所述的装置，其特征在于，所述预处理模块具体用于：
对所述人脸图像进行灰度转换、尺度归一化以及对齐处理，以获得所述预处理图像；
其中，所述灰度转化使得所述人脸图像像素具有在0～255之间的灰度值；所述尺度归一化是将所述人脸图像缩放到规定的尺寸，得到尺寸相同的人脸图像；所述对齐处理是根据检测到所述尺寸相同的人脸图像特征点的坐标位置，将所述尺寸相同的人脸图像旋转到水平并进行仿射变换。
11.根据权利要求10所述的装置，其特征在于所述预处理模块还用于：
对所述人脸图像进行光线补偿、几何校正、滤波以及锐化。
12.根据权利要求9-11中任一项所述的装置，其特征在于，所述分类模块具体用于：
将所述预处理图像的面部划分为K个区域，对所述K个区域中的所述多维特征向量分类，K为正整数；其中，所述K个区域至少包括所述预处理图像的上半脸、下半脸、左半脸、右半脸、左眉眼、右眉眼、鼻唇区；
计算每个区域的所述多维特征向量与对应的均值特征向量的距离值；其中，所述均值特征向量由所述分类模块根据训练集的数据预先计算所得；
所述距离值在预设阈值内的所述多维特征向量标记为所述一般多维向量，所述距离值超出预设阈值的所述多维特征向量标记为所述特殊多维向量。
13.根据权利要求9-11中任一项所述的装置，其特征在于，所述预处理图像的特征值至少包括：脸型长宽比、三庭比、五眼比、左脸长宽比、右脸长宽比、眉毛长宽、眼睛长宽、鼻子长宽、嘴巴长宽、左眉眼距、右眉眼距、眼鼻间距、口鼻间距、明显的痣的长宽及与相邻五官的距离、明显的疤痕的长宽及与相邻五官的距离。
14.根据权利要求12所述的装置，其特征在于，包括：
所述特殊多维向量所在的区域为所述预处理图像最具辨识度的区域；
统计每个区域中所述特殊多维向量的特征值与所在区域的所述均值特征向量的方差，得到r个方差较大的特征值，r为正整数；其中，所述r个方差较大的特征值表征所述最具辨识度区域中的r个辨识度特征。
15.一种芯片，其特征在于，所述芯片包括处理器与数据接口，所述处理器通过所述数据接口读取存储器上存储的指令，以执行如权利要求1至6中任一项所述的方法。
16.一种计算机设备，其特征在于，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至6中任一项所述的方法。
17.一种计算机可读存储介质，其上存储有计算机程序或指令，其特征在于，所述计算机程序或指令被执行时，使得如权利要求1至6中任一项所述的方法被执行。
CN202310100987.3A 2023-01-18 2023-01-18 一种双通道人脸识别方法及装置 Active CN116342968B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310100987.3A CN116342968B (zh) 2023-01-18 2023-01-18 一种双通道人脸识别方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310100987.3A CN116342968B (zh) 2023-01-18 2023-01-18 一种双通道人脸识别方法及装置

Publications (2)

Publication Number Publication Date
CN116342968A CN116342968A (zh) 2023-06-27
CN116342968B true CN116342968B (zh) 2024-03-19

Family

ID=86881277

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310100987.3A Active CN116342968B (zh) 2023-01-18 2023-01-18 一种双通道人脸识别方法及装置

Country Status (1)

Country Link
CN (1) CN116342968B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116912925A (zh) * 2023-09-14 2023-10-20 齐鲁空天信息研究院 人脸识别方法、装置、电子设备及介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105320948A (zh) * 2015-11-19 2016-02-10 北京文安科技发展有限公司 一种基于图像的性别识别方法、装置及系统
CN108416336A (zh) * 2018-04-18 2018-08-17 特斯联（北京）科技有限公司 一种智慧社区人脸识别的方法和系统
CN110472509A (zh) * 2019-07-15 2019-11-19 中国平安人寿保险股份有限公司 基于人脸图像的胖瘦识别方法及装置、电子设备
WO2022127112A1 (zh) * 2020-12-14 2022-06-23 奥比中光科技集团股份有限公司 跨模态人脸识别方法、装置、设备及存储介质
CN115273177A (zh) * 2022-06-29 2022-11-01 中国平安财产保险股份有限公司 异质人脸的人脸类型识别方法、装置、设备及存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105320948A (zh) * 2015-11-19 2016-02-10 北京文安科技发展有限公司 一种基于图像的性别识别方法、装置及系统
CN108416336A (zh) * 2018-04-18 2018-08-17 特斯联（北京）科技有限公司 一种智慧社区人脸识别的方法和系统
CN110472509A (zh) * 2019-07-15 2019-11-19 中国平安人寿保险股份有限公司 基于人脸图像的胖瘦识别方法及装置、电子设备
WO2022127112A1 (zh) * 2020-12-14 2022-06-23 奥比中光科技集团股份有限公司 跨模态人脸识别方法、装置、设备及存储介质
CN115273177A (zh) * 2022-06-29 2022-11-01 中国平安财产保险股份有限公司 异质人脸的人脸类型识别方法、装置、设备及存储介质

Also Published As

Publication number Publication date
CN116342968A (zh) 2023-06-27

Similar Documents

Publication Publication Date Title
CN110751098B (zh) 一种基于光照、姿态生成对抗网络的人脸识别方法
WO2016149944A1 (zh) 用于识别人脸的方法、系统和计算机程序产品
CN102938065B (zh) 基于大规模图像数据的人脸特征提取方法及人脸识别方法
CN104951940B (zh) 一种基于掌纹识别的移动支付验证方法
US10922399B2 (en) Authentication verification using soft biometric traits
KR20080033486A (ko) 서포트 벡터 머신 및 얼굴 인식에 기초한 자동 생체 식별
JPH08339445A (ja) 確率的固有空間解析を用いた複雑な対象物の検出、認識、及び符号化方法及び装置
CN110826408B (zh) 一种分区域特征提取人脸识别方法
JP2005149506A (ja) 対象物自動認識照合方法および装置
CN113591747B (zh) 一种基于深度学习的多场景虹膜识别方法
Vretos et al. 3D facial expression recognition using Zernike moments on depth images
Wang et al. Head pose estimation with combined 2D SIFT and 3D HOG features
CN101131728A (zh) 一种基于Shape Context的人脸形状匹配方法
CN112597812A (zh) 一种基于卷积神经网络和sift算法的手指静脉识别方法及系统
Azam et al. Iris recognition using convolutional neural network
CN109145704B (zh) 一种基于人脸属性的人脸画像识别方法
CN116342968B (zh) 一种双通道人脸识别方法及装置
US20070183686A1 (en) Method and apparatus for estimating object part location in digital image data using feature value analysis
Taha et al. Iris features extraction and recognition based on the local binary pattern technique
Harb et al. Palm print recognition
WO2002080088A1 (fr) Procede d'identification de particularites biologiques chez l'homme
Karungaru et al. Face recognition in colour images using neural networks and genetic algorithms
Jagadeesh et al. DBC based Face Recognition using DWT
Radouane et al. Fusion of Gabor filter and steerable pyramid to improve iris recognition system
Sivasangari et al. Facial recognition system using decision tree algorithm

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