TWI770531B - 人臉識別方法、電子設備和儲存介質 - Google Patents
人臉識別方法、電子設備和儲存介質 Download PDFInfo
- Publication number
- TWI770531B TWI770531B TW109120373A TW109120373A TWI770531B TW I770531 B TWI770531 B TW I770531B TW 109120373 A TW109120373 A TW 109120373A TW 109120373 A TW109120373 A TW 109120373A TW I770531 B TWI770531 B TW I770531B
- Authority
- TW
- Taiwan
- Prior art keywords
- feature
- residual
- target parameter
- face recognition
- face
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 93
- 238000003860 storage Methods 0.000 title claims abstract description 29
- 238000012545 processing Methods 0.000 claims abstract description 162
- 238000012937 correction Methods 0.000 claims abstract description 122
- 238000000605 extraction Methods 0.000 claims abstract description 40
- 230000004913 activation Effects 0.000 claims description 47
- 230000006870 function Effects 0.000 claims description 41
- 230000008569 process Effects 0.000 claims description 27
- 238000004590 computer program Methods 0.000 claims description 13
- 238000001994 activation Methods 0.000 description 43
- 238000010586 diagram Methods 0.000 description 18
- 238000004891 communication Methods 0.000 description 11
- 238000012549 training Methods 0.000 description 10
- 238000004364 calculation method Methods 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 8
- 230000005540 biological transmission Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- KLDZYURQCUYZBL-UHFFFAOYSA-N 2-[3-[(2-hydroxyphenyl)methylideneamino]propyliminomethyl]phenol Chemical compound OC1=CC=CC=C1C=NCCCN=CC1=CC=CC=C1O KLDZYURQCUYZBL-UHFFFAOYSA-N 0.000 description 1
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000001143 conditioned effect Effects 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 201000001098 delayed sleep phase syndrome Diseases 0.000 description 1
- 208000033921 delayed sleep phase type circadian rhythm sleep disease Diseases 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000001815 facial effect Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 229910044991 metal oxide Inorganic materials 0.000 description 1
- 150000004706 metal oxides Chemical class 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
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
- G06V40/171—Local features and components; Facial parts ; Occluding parts, e.g. glasses; Geometrical relationships
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
- G06F18/2193—Validation; Performance evaluation; Active pattern learning techniques based on specific statistical tests
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
- Collating Specific Patterns (AREA)
- Image Processing (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本申請實施例涉及一種人臉識別方法、電子設備和儲存介質。所述方法包括：提取待識別的第一人臉圖像的第一目標參數值；對所述第一人臉圖像進行特徵提取，獲得與所述第一人臉圖像對應的第一特徵；對所述第一特徵和所述第一目標參數值進行處理，獲得所述第一特徵對應的第一校正特徵；基於所述第一校正特徵，獲得所述第一人臉圖像的人臉識別結果。
Description
本申請基於申請號為201911053929.X、申請日為2019年10月31日的中國專利申請提出，並要求該中國專利申請的優先權，該中國專利申請的全部內容在此引入本申請作為參考。本申請實施例涉及電腦視覺技術領域，尤其涉及一種人臉識別方法、電子設備和儲存介質。
人臉識別技術已廣泛應用於安防、金融、資訊、教育等諸多領域。人臉識別基於人臉特徵的提取與對比完成識別，因此，特徵對於識別的準確性影響很大。隨著深度學習技術的發展，人臉識別在人臉圖像符合目標參數條件下的準確性已經達到理想的效果，然而在人臉圖像不符合目標參數條件時，人臉識別的準確性較低。
本申請實施例提出了一種人臉識別方法、電子設備和儲存介質。
本申請實施例提供了一種人臉識別方法，包括：
提取待識別的第一人臉圖像的第一目標參數值；
對所述第一人臉圖像進行特徵提取，獲得與所述第一人臉圖像對應的第一特徵；
對所述第一特徵和所述第一目標參數值進行處理，獲得所述第一特徵對應的第一校正特徵；
基於所述第一校正特徵，獲得所述第一人臉圖像的人臉識別結果。
透過提取待識別的第一人臉圖像的第一目標參數值，對所述第一人臉圖像進行特徵提取，獲得與所述第一人臉圖像對應的第一特徵，對所述第一特徵和所述第一目標參數值進行處理，獲得所述第一特徵對應的第一校正特徵，並基於所述第一校正特徵，獲得所述第一人臉圖像的人臉識別結果，由此能夠對人臉圖像的特徵進行校正，從而能夠提高人臉識別的準確性。
在一些實施例中，所述對所述第一特徵和所述第一目標參數值進行處理，獲得所述第一特徵對應的第一校正特徵，包括：
對所述第一特徵進行處理，獲得所述第一特徵對應的第一殘差特徵；
對所述第一殘差特徵、所述第一目標參數值和所述第一特徵進行處理，獲得所述第一特徵對應的第一校正特徵。
在該實現方式中，透過對所述第一特徵進行處理，獲得所述第一特徵對應的第一殘差特徵，並對所述第一殘差特徵、所述第一目標參數值和所述第一特徵進行處理，獲得所述第一特徵對應的第一校正特徵，由此能夠基於殘差在特徵層面上進行校正。
在一些實施例中，所述對所述第一特徵進行處理，獲得所述第一特徵對應的第一殘差特徵，包括：
對所述第一特徵進行全連接處理和激活處理，獲得所述第一特徵對應的第一殘差特徵。
在該實現方式中，透過對所述第一特徵進行全連接處理和激活處理，獲得所述第一特徵對應的第一殘差特徵，基於由此獲得的第一殘差特徵能夠獲得較為準確的校正特徵。
在一些實施例中，所述對所述第一特徵進行全連接處理和激活處理，獲得所述第一特徵對應的第一殘差特徵，包括：對所述第一特徵進行一級或多級全連接處理和激活處理，獲得所述第一特徵對應的第一殘差特徵。
其中，透過對所述第一特徵進行一級全連接處理和激活處理，獲得所述第一特徵對應的第一殘差特徵，能夠節省計算量，提高計算速度；透過對所述第一特徵進行多級全連接處理和激活處理，獲得所述第一特徵對應的第一殘差特徵，有助於獲得較為準確的校正特徵。
在一些實施例中，對所述第一特徵進行全連接處理獲得的特徵的維數與所述第一特徵的維數相同。
透過使對所述第一特徵進行全連接處理獲得的特徵的維數與所述第一特徵的維數一致，有助於提高所獲得的校正特徵的準確性。
在一些實施例中，所述對所述第一殘差特徵、所述第一目標參數值和所述第一特徵進行處理，獲得所述第一特徵對應的第一校正特徵，包括：根據所述第一殘差特徵和所述第一目標參數值，確定所述第一特徵對應的第一殘差分量；根據所述第一殘差分量和所述第一特徵，確定所述第一特徵對應的第一校正特徵。
透過根據所述第一殘差特徵和所述第一目標參數值，確定所述第一特徵對應的第一殘差分量，由此能夠基於第一目標參數值確定第一校正特徵，從而有助於提高不符合目標參數條件的人臉圖像的人臉識別的準確性，且不影響符合目標參數條件的人臉圖像的人臉識別的準確性。
在一些實施例中，所述根據所述第一殘差特徵和所述第一目標參數值，確定所述第一特徵對應的第一殘差分量，包括：
根據所述第一殘差特徵與所述第一目標參數值的歸一化值的乘積，得到所述第一特徵對應的第一殘差分量。
基於該實現方式，能夠在第一目標參數的取值範圍不為預設區間的情況下準確地確定第一殘差分量。
在一些實施例中，所述根據所述第一殘差分量和所述第一特徵，確定所述第一特徵對應的第一校正特徵，包括：
將所述第一殘差分量與所述第一特徵之和確定為所述第一特徵對應的第一校正特徵。
在該實現方式中，透過將所述第一殘差分量與所述第一特徵之和確定為所述第一特徵對應的第一校正特徵，由此能夠快速準確地確定第一校正特徵。
在一些實施例中，目標參數包括人臉角度、模糊度或者遮擋比例。
根據該實現方式，可以對人臉角度、模糊度或者遮擋比例不符合目標參數條件的人臉圖像的特徵進行校正，由此有助於在人臉大角度、人臉圖像較模糊或者人臉圖像被遮擋的情況下提高人臉識別的準確性。
在一些實施例中，所述對所述第一特徵和所述第一目標參數值進行處理，包括：
透過最佳化後的人臉識別模型對所述第一特徵和所述第一目標參數值進行處理。
在該實現方式中，透過最佳化後的人臉識別模型對所述第一特徵和所述第一目標參數值進行處理，獲得第一校正特徵，並基於由此獲得的第一校正特徵進行人臉識別，能夠提高人臉識別的準確性。
在一些實施例中，在所述透過人臉識別模型對所述第一特徵和所述第一目標參數值進行處理之前，所述方法還包括：
根據任一目標物件的多個人臉圖像確定符合目標參數條件的第二人臉圖像和不符合所述目標參數條件的第三人臉圖像；
分別對所述第二人臉圖像和所述第三人臉圖像進行特徵提取，獲得與所述第二人臉圖像和所述第三人臉圖像分別對應的第二特徵和第三特徵；
根據所述第二特徵和所述第三特徵，獲取損失函數；
基於所述損失函數對人臉識別模型進行反向傳播，得到所述最佳化後的人臉識別模型。
採用該實現方式訓練得到的參數收斂的人臉識別模型能夠將不符合目標參數條件的人臉圖像的特徵進行校正為符合目標參數條件的特徵，由此有助於提高不符合目標參數條件的人臉圖像的人臉識別的準確性。
在一些實施例中，所述根據所述第二特徵和所述第三特徵，獲取損失函數，包括：
透過所述人臉識別模型對所述第三特徵和所述第三人臉圖像的第二目標參數值進行處理，獲得所述第三特徵對應的第二校正特徵；
根據所述第二特徵和所述第二校正特徵，獲取損失函數。
在該實現方式中，在確定第三特徵對應的第二校正特徵時，考慮第三人臉圖像對應的第二目標參數值，由此訓練得到的人臉識別模型有助於提高不符合目標參數條件的人臉圖像的人臉識別的準確性，且不影響符合目標參數條件的人臉圖像的人臉識別的準確性。
在一些實施例中，所述透過所述人臉識別模型對所述第三特徵和所述第三人臉圖像的第二目標參數值進行處理，獲得所述第三特徵對應的第二校正特徵，包括：
透過所述人臉識別模型對所述第三特徵進行處理，獲得所述第三特徵對應的第二殘差特徵；
透過所述人臉識別模型對所述第二殘差特徵、所述第三人臉圖像的第二目標參數值和所述第三特徵進行處理，獲得所述第三特徵對應的第二校正特徵。
在該實現方式中，透過所述人臉識別模型對所述第三特徵進行處理，獲得所述第三特徵對應的第二殘差特徵，並透過所述人臉識別模型對所述第二殘差特徵、所述第三人臉圖像的第二目標參數值和所述第三特徵進行處理，獲得所述第三特徵對應的第二校正特徵，由此能夠使所述人臉識別模型進行殘差學習，從而獲得校正特徵的能力。
在一些實施例中，所述透過所述人臉識別模型對所述第三特徵進行處理，獲得所述第三特徵對應的第二殘差特徵，包括：
透過所述人臉識別模型對所述第三特徵進行全連接處理和激活處理，獲得所述第三特徵對應的第二殘差特徵。
在該實現方式中，透過所述人臉識別模型對所述第三特徵進行全連接處理和激活處理，獲得所述第三特徵對應的第二殘差特徵，基於由此獲得的第二殘差特徵能夠獲得較為準確的校正特徵。
在一些實施例中，所述透過所述人臉識別模型對所述第三特徵進行全連接處理和激活處理，獲得所述第三特徵對應的第二殘差特徵，包括：
透過所述人臉識別模型對所述第三特徵進行一級或多級全連接處理和激活處理，獲得所述第三特徵對應的第二殘差特徵。
在該實現方式中，透過所述人臉識別模型對所述第三特徵進行一級全連接處理和激活處理，獲得所述第三特徵對應的第二殘差特徵，能夠節省計算量，提高計算速度；透過所述人臉識別模型對所述第三特徵進行多級全連接處理和激活處理，獲得所述第三特徵對應的第二殘差特徵，有助於提高所述人臉識別模型的性能。
在一些實施例中，對所述第三特徵進行全連接處理獲得的特徵的維數與所述第三特徵的維數相同。
在該實現方式中，透過使對所述第三特徵進行全連接處理獲得的特徵的維數與所述第三特徵的維數一致，有助於保障訓練得到的人臉識別模型的性能。
在一些實施例中，所述透過所述人臉識別模型對所述第二殘差特徵、所述第三人臉圖像的第二目標參數值和所述第三特徵進行處理，獲得所述第三特徵對應的第二校正特徵，包括：
透過所述人臉識別模型根據所述第二殘差特徵和所述第二目標參數值，確定所述第三特徵對應的第二殘差分量；
透過所述人臉識別模型根據所述第二殘差分量與所述第三特徵，確定所述第三特徵對應的第二校正特徵。
在該實現方式中，透過所述人臉識別模型根據所述第二殘差特徵和所述第二目標參數值，確定所述第三特徵對應的第二殘差分量，由此能夠基於所述第二目標參數值確定第二校正特徵，由此訓練得到的人臉識別模型有助於提高不符合目標參數條件的人臉圖像的人臉識別的準確性，且不影響符合目標參數條件的人臉圖像的人臉識別的準確性。
在一些實施例中，所述透過所述人臉識別模型根據所述第二殘差特徵和所述第二目標參數值，確定所述第三特徵對應的第二殘差分量，包括：
透過所述人臉識別模型確定所述第二殘差特徵與所述第二目標參數值的歸一化值的乘積，得到所述第三特徵對應的第二殘差分量。
基於該實現方式，能夠在所述第二目標參數的取值範圍不為預設區間的情況下，準確地確定第二殘差分量。
在一些實施例中，所述透過所述人臉識別模型根據所述第二殘差分量與所述第三特徵，確定所述第三特徵對應的第二校正特徵，包括：
透過所述人臉識別模型將所述第二殘差分量與所述第三特徵之和確定為所述第三特徵對應的第二校正特徵。
在該實現方式中，透過所述人臉識別模型將所述第二殘差分量與所述第三特徵之和確定為所述第三特徵對應的第二校正特徵，由此能夠快速準確地確定第二校正特徵。
在一些實施例中，所述分別對所述第二人臉圖像和所述第三人臉圖像進行特徵提取，獲得與所述第二人臉圖像和所述第三人臉圖像分別對應的第二特徵和第三特徵，包括：
若存在多個第二人臉圖像，則對所述多個第二人臉圖像分別進行特徵提取，得到所述多個第二人臉圖像對應的多個第四特徵；
根據所述多個第四特徵，獲得所述第二特徵。
在該實現方式中，在存在多個第二人臉圖像的情況下，根據多個第二人臉圖像的特徵獲得第二特徵，由此有助於提高人臉識別模型的穩定性。
在一些實施例中，所述根據所述多個第四特徵，獲得所述第二特徵，包括：
將所述多個第四特徵的平均值確定為所述第二特徵。
在該實現方式中，透過將所述多個第四特徵的平均值確定為所述第二特徵，有助於進一步提高所述人臉識別模型的穩定性。
在一些實施例中，所述根據所述第二特徵和所述第二校正特徵，獲取損失函數，包括：
根據所述第二校正特徵與所述第二特徵的差值，確定所述損失函數。
本申請實施例提供了一種人臉識別裝置，包括：
第一提取模組，配置為提取待識別的第一人臉圖像的第一目標參數值；
第二提取模組，配置為對所述第一人臉圖像進行特徵提取，獲得與所述第一人臉圖像對應的第一特徵；處理模組，配置為對所述第一特徵和所述第一目標參數值進行處理，獲得所述第一特徵對應的第一校正特徵；獲得模組，配置為基於所述第一校正特徵，獲得所述第一人臉圖像的人臉識別結果。
在一些實施例中，所述獲得模組配置為：對所述第一特徵進行處理，獲得所述第一特徵對應的第一殘差特徵；對所述第一殘差特徵、所述第一目標參數值和所述第一特徵進行處理，獲得所述第一特徵對應的第一校正特徵。
在一些實施例中，所述獲得模組配置為：對所述第一特徵進行全連接處理和激活處理，獲得所述第一特徵對應的第一殘差特徵。
在一些實施例中，所述獲得模組配置為：對所述第一特徵進行一級或多級全連接處理和激活處理，獲得所述第一特徵對應的第一殘差特徵。
在一些實施例中，對所述第一特徵進行全連接處理獲得的特徵的維數與所述第一特徵的維數相同。
在一些實施例中，所述獲得模組配置為：根據所述第一殘差特徵和所述第一目標參數值，確定所述第一特徵對應的第一殘差分量；根據所述第一殘差分量和所述第一特徵，確定所述第一特徵對應的第一校正特徵。
在一些實施例中，所述獲得模組配置為：根據所述第一殘差特徵與所述第一目標參數值的歸一化值的乘積，得到所述第一特徵對應的第一殘差分量。
在一些實施例中，所述獲得模組配置為：
將所述第一殘差分量與所述第一特徵之和確定為所述第一特徵對應的第一校正特徵。
在一些實施例中，目標參數包括人臉角度、模糊度或者遮擋比例。
在一些實施例中，所述處理模組配置為：
透過最佳化後的人臉識別模型對所述第一特徵和所述第一目標參數值進行處理。
在一些實施例中，所述裝置還包括：
確定模組，配置為根據任一目標物件的多個人臉圖像確定符合目標參數條件的第二人臉圖像和不符合所述目標參數條件的第三人臉圖像；
第三提取模組，配置為分別對所述第二人臉圖像和所述第三人臉圖像進行特徵提取，獲得與所述第二人臉圖像和所述第三人臉圖像分別對應的第二特徵和第三特徵；
獲取模組，配置為根據所述第二特徵和所述第三特徵，獲取損失函數；
最佳化模組，配置為基於所述損失函數對人臉識別模型進行反向傳播，得到所述最佳化後的人臉識別模型。
在一些實施例中，所述獲取模組配置為：
透過所述人臉識別模型對所述第三特徵和所述第三人臉圖像的第二目標參數值進行處理，獲得所述第三特徵對應的第二校正特徵；
根據所述第二特徵和所述第二校正特徵，獲取損失函數。
在一些實施例中，所述獲取模組配置為：
透過所述人臉識別模型對所述第三特徵進行處理，獲得所述第三特徵對應的第二殘差特徵；
透過所述人臉識別模型對所述第二殘差特徵、所述第三人臉圖像的第二目標參數值和所述第三特徵進行處理，獲得所述第三特徵對應的第二校正特徵。
在一些實施例中，所述獲取模組配置為：
透過所述人臉識別模型對所述第三特徵進行全連接處理和激活處理，獲得所述第三特徵對應的第二殘差特徵。
在一些實施例中，所述獲取模組配置為：
透過所述人臉識別模型對所述第三特徵進行一級或多級全連接處理和激活處理，獲得所述第三特徵對應的第二殘差特徵。
在一些實施例中，對所述第三特徵進行全連接處理獲得的特徵的維數與所述第三特徵的維數相同。
在一些實施例中，所述獲取模組配置為：
透過所述人臉識別模型根據所述第二殘差特徵和所述第二目標參數值，確定所述第三特徵對應的第二殘差分量；
透過所述人臉識別模型根據所述第二殘差分量與所述第三特徵，確定所述第三特徵對應的第二校正特徵。
在一些實施例中，所述獲取模組配置為：
透過所述人臉識別模型確定所述第二殘差特徵與所述第二目標參數值的歸一化值的乘積，得到所述第三特徵對應的第二殘差分量。
在一些實施例中，所述獲取模組配置為：
透過所述人臉識別模型將所述第二殘差分量與所述第三特徵之和確定為所述第三特徵對應的第二校正特徵。
在一些實施例中，所述第三提取模組配置為：
若存在多個第二人臉圖像，則對所述多個第二人臉圖像分別進行特徵提取，得到所述多個第二人臉圖像對應的多個第四特徵；
根據所述多個第四特徵，獲得所述第二特徵。
在一些實施例中，所述第三提取模組配置為：
將所述多個第四特徵的平均值確定為所述第二特徵。
在一些實施例中，所述獲取模組配置為：
根據所述第二校正特徵與所述第二特徵的差值，確定所述損失函數。
本申請實施例提供了一種電子設備，包括：
處理器；
配置為儲存處理器可執行指令的記憶體；
其中，所述處理器被配置為：執行上述方法。
本申請實施例提供了一種電腦可讀儲存介質，其上儲存有電腦程式指令，所述電腦程式指令被處理器執行時實現上述方法。
在本申請實施例中，透過提取待識別的第一人臉圖像的第一目標參數值，對所述第一人臉圖像進行特徵提取，獲得與所述第一人臉圖像對應的第一特徵，對所述第一特徵和所述第一目標參數值進行處理，獲得所述第一特徵對應的第一校正特徵，並基於所述第一校正特徵，獲得所述第一人臉圖像的人臉識別結果，由此能夠對人臉圖像的特徵進行校正，從而能夠提高人臉識別的準確性。
應當理解的是，以上的一般描述和後文的細節描述僅是示例性和解釋性的，而非限制本申請實施例。
根據下面參考附圖對示例性實施例的詳細說明，本申請實施例的其它特徵及方面將變得清楚。
以下將參考附圖詳細說明本申請實施例的各種示例性實施例、特徵和方面。附圖中相同的附圖標記表示功能相同或相似的元件。儘管在附圖中示出了實施例的各種方面，但是除非特別指出，不必按比例繪製附圖。
在這裡專用的詞「示例性」意為「用作例子、實施例或說明性」。這裡作為「示例性」所說明的任何實施例不必解釋為優於或好於其它實施例。
本文中術語「和/或」，僅僅是一種描述關聯物件的關聯關係，表示可以存在三種關係，例如，A和/或B，可以表示：單獨存在A，同時存在A和B，單獨存在B這三種情況。另外，本文中術語「至少一種」表示多種中的任意一種或多種中的至少兩種的任意組合，例如，包括A、B、C中的至少一種，可以表示包括從A、B和C構成的集合中選擇的任意一個或多個元素。
另外，為了更好地說明本申請實施例提供的人臉識別方法、電子設備和儲存介質，在下文的具體實施方式中給出了眾多的具體細節。本領域技術人員應當理解，沒有某些具體細節，本申請實施例同樣可以實施。在一些實例中，對於本領域技術人員熟知的方法、手段、元件和電路未作詳細描述，以便於突顯本申請實施例的主旨。
第1圖示出本申請實施例提供的人臉識別方法的流程圖。所述人臉識別方法的執行主體可以是人臉識別裝置。例如，所述人臉識別方法可以由終端設備或伺服器或其它處理設備執行。其中，終端設備可以是使用者設備移動設備、使用者終端、終端、蜂窩電話、無線電話、個人數位助理、手持設備、計算設備、車載設備或者可穿戴設備等。在一些可能的實現方式中，所述人臉識別方法可以透過處理器調用記憶體中儲存的電腦可讀指令的方式來實現。如第1圖所示，所述人臉識別方法包括步驟S11至步驟S14。
在步驟S11中，提取待識別的第一人臉圖像的第一目標參數值。
在本申請實施例中，目標參數可以為任何可能影響人臉識別準確性的參數。目標參數的數量可以為一個或多個。例如，目標參數可以包括人臉角度、模糊度和遮擋比例等中的一個或多個。例如，目標參數包括人臉角度，人臉角度的取值範圍可以為[-90°，90°]，其中，人臉角度為0時為正臉。又如，目標參數包括模糊度，模糊度的取值範圍可以為[0，1]，其中，模糊度越大則越模糊。又如，目標參數包括遮擋比例，遮擋比例的取值範圍可以為[0，1]，其中，遮擋比例為0表示完全無遮擋，遮擋比例為1表示完全遮擋。
在一個示例中，若目標參數包括人臉角度，則可以透過dlib或者opencv等開源工具分別提取第一人臉圖像的人臉角度值。在該示例中，可以獲得俯仰角（pitch）、翻滾角（roll）和偏航角（yaw）中的一個或多個角度。例如，可以獲得第一人臉圖像中人臉的偏航角作為第一人臉圖像的人臉角度值。
在一些實施例中，若目標參數的取值範圍不為預設區間，則可以對目標參數值進行歸一化處理，以將目標參數值映射到預設區間中。例如，預設區間為[0，1]。在一個示例中，目標參數包括人臉角度，人臉角度的取值範圍[-90°，90°]，預設區間為[0，1]，則可以對人臉角度值進行歸一化處理，以將人臉角度值映射到[0，1]中。例如，可以根據
，對人臉角度值
進行歸一化，得到人臉角度值
對應的歸一化值
。第2圖示出本申請實施例提供的人臉識別方法中將人臉角度值
映射到[0，1]區間中的映射曲線。在第2圖中，橫軸為人臉角度值
，縱軸為人臉角度值
對應的歸一化值
。在第2圖所示的示例中，當人臉角度值小於20°時可以認為接近於正臉，接近於0；當人臉角度值大於或等於50°時可以認為屬於大角度側臉，接近於1。
在步驟S12中，對所述第一人臉圖像進行特徵提取，獲得與所述第一人臉圖像對應的第一特徵。
在一些實施例中，可以透過對第一人臉圖像進行卷積處理，以提取第一人臉圖像對應的第一特徵。
在步驟S13中，對所述第一特徵和所述第一目標參數值進行處理，獲得所述第一特徵對應的第一校正特徵。
在一些實施例中，所述對所述第一特徵和所述第一目標參數值進行處理，獲得所述第一特徵對應的第一校正特徵，包括：對所述第一特徵進行處理，獲得所述第一特徵對應的第一殘差特徵；對所述第一殘差特徵、所述第一目標參數值和所述第一特徵進行處理，獲得所述第一特徵對應的第一校正特徵。
在該實現方式中，透過對所述第一特徵進行處理，獲得所述第一特徵對應的第一殘差特徵，並對所述第一殘差特徵、所述第一目標參數值和所述第一特徵進行處理，獲得所述第一特徵對應的第一校正特徵，由此能夠基於殘差在特徵層面上進行校正。
作為該實現方式的一個示例，所述對所述第一特徵進行處理，獲得所述第一特徵對應的第一殘差特徵，包括：對所述第一特徵進行全連接處理和激活處理，獲得所述第一特徵對應的第一殘差特徵。在該示例中，可以透過全連接層進行全連接處理，可以透過激活層進行激活處理。其中，激活層可以採用ReLu（Rectified Linear Unit，線性整流函數）或者PReLu（Parametric Rectified Linear Unit，參數化線性整流函數）等激活函數。
在該示例中，透過對所述第一特徵進行全連接處理和激活處理，獲得所述第一特徵對應的第一殘差特徵，基於由此獲得的第一殘差特徵能夠獲得較為準確的校正特徵。
在該示例中，所述對所述第一特徵進行全連接處理和激活處理，獲得所述第一特徵對應的第一殘差特徵，可以包括：對所述第一特徵進行一級或多級全連接處理和激活處理，獲得所述第一特徵對應的第一殘差特徵。其中，透過對所述第一特徵進行一級全連接處理和激活處理，獲得所述第一特徵對應的第一殘差特徵，能夠節省計算量，提高計算速度；透過對所述第一特徵進行多級全連接處理和激活處理，獲得所述第一特徵對應的第一殘差特徵，有助於獲得較為準確的校正特徵。
在一個例子中，可以對第一特徵進行兩級全連接處理和激活處理，即，對第一特徵依次進行全連接處理、激活處理、全連接處理和激活處理，獲得所述第一特徵對應的第一殘差特徵。
在一個示例中，對所述第一特徵進行全連接處理獲得的特徵的維數與所述第一特徵的維數相同。在該示例中，透過使對所述第一特徵進行全連接處理獲得的特徵的維數與所述第一特徵的維數一致，有助於提高所獲得的校正特徵的準確性。
在本申請實施例中，不限於對所述第一特徵進行全連接處理和激活處理，還可以透過對所述第一特徵進行其他類型的處理。例如，可以對所述第一特徵進行全卷積處理來替代全連接處理。
作為該實現方式的一個示例，所述對所述第一殘差特徵、所述第一目標參數值和所述第一特徵進行處理，獲得所述第一特徵對應的第一校正特徵，包括：根據所述第一殘差特徵和所述第一目標參數值，確定所述第一特徵對應的第一殘差分量；根據所述第一殘差分量和所述第一特徵，確定所述第一特徵對應的第一校正特徵。
在該示例中，透過根據所述第一殘差特徵和所述第一目標參數值，確定所述第一特徵對應的第一殘差分量，由此能夠基於第一目標參數值確定第一校正特徵，從而有助於提高不符合目標參數條件的人臉圖像的人臉識別的準確性，且不影響符合目標參數條件的人臉圖像的人臉識別的準確性。
在一個示例中，所述根據所述第一殘差特徵和所述第一目標參數值，確定所述第一特徵對應的第一殘差分量，包括：根據所述第一殘差特徵與所述第一目標參數值的歸一化值的乘積，得到所述第一特徵對應的第一殘差分量。在該示例中，若所述第一目標參數的取值範圍不為預設區間，則可以將所述第一殘差特徵與所述第一目標參數值的歸一化值的乘積作為所述第一特徵對應的第一殘差分量，由此能夠準確地確定第一殘差分量。
在一個示例中，所述根據所述第一殘差分量和所述第一特徵，確定所述第一特徵對應的第一校正特徵，包括：將所述第一殘差分量與所述第一特徵之和確定為所述第一特徵對應的第一校正特徵。在該示例中，透過將所述第一殘差分量與所述第一特徵之和確定為所述第一特徵對應的第一校正特徵，由此能夠快速準確地確定第一校正特徵。
在步驟S14中，基於所述第一校正特徵，獲得所述第一人臉圖像的人臉識別結果。
在一些實施例中，所述對所述第一特徵和所述第一目標參數值進行處理，包括：透過最佳化後的人臉識別模型對所述第一特徵和所述第一目標參數值進行處理。在該實現方式中，透過最佳化後的人臉識別模型對所述第一特徵和所述第一目標參數值進行處理，獲得第一校正特徵，並基於由此獲得的第一校正特徵進行人臉識別，能夠提高人臉識別的準確性。
在一些實施例中，在所述透過人臉識別模型對所述第一特徵和所述第一目標參數值進行處理之前，所述方法還包括：根據任一目標物件的多個人臉圖像確定符合目標參數條件的第二人臉圖像和不符合所述目標參數條件的第三人臉圖像；分別對所述第二人臉圖像和所述第三人臉圖像進行特徵提取，獲得與所述第二人臉圖像和所述第三人臉圖像分別對應的第二特徵和第三特徵；根據所述第二特徵和所述第三特徵，獲取損失函數；基於所述損失函數對人臉識別模型進行反向傳播，得到所述最佳化後的人臉識別模型。
在該實現方式中，目標物件可以指用於訓練人臉識別模型的物件。目標物件的數量可以為多個，每個目標物件對應的所有人臉圖像可以為同一個人的人臉圖像。每個目標物件可以對應於多個人臉圖像，每個目標物件對應的多個人臉圖像中可以包括符合目標參數條件的人臉圖像和不符合所述目標參數條件的人臉圖像。
在該實現方式中，根據任一目標物件對應的多個人臉圖像的目標參數值，從所述多個人臉圖像中確定符合目標參數條件的第二人臉圖像和不符合所述目標參數條件的第三人臉圖像。
在該實現方式中，目標參數條件可以為以下任意一項：目標參數值屬於某一指定區間，目標參數值小於或等於某一閾值，目標參數值大於或等於某一閾值，目標參數值的絕對值小於或等於某一閾值，目標參數值的絕對值大於或等於某一閾值。本領域技術人員也可以根據實際應用場景需求靈活設置目標參數條件，本申請實施例對此不作限定。例如，目標參數包括人臉角度，目標參數條件可以包括人臉角度的絕對值小於角度閾值，其中，角度閾值大於或等於0。又如，目標參數包括模糊度，目標參數條件可以包括模糊度小於模糊度閾值，其中，模糊度閾值大於或等於0。又如，目標參數包括遮擋比例，目標參數條件可以包括遮擋比例小於遮擋比例閾值，其中，遮擋比例閾值大於或等於0。
在該實現方式中，在所述根據任一目標物件的多個人臉圖像確定符合目標參數條件的第二人臉圖像和不符合所述目標參數條件的第三人臉圖像之前，可以獲得任一目標物件對應的多個人臉圖像的目標參數值。在一個示例中，若目標參數為人臉角度，則可以透過dlib或者opencv等開源工具分別獲得任一目標物件對應的多個人臉圖像的人臉角度值。在該示例中，可以獲得俯仰角、翻滾角和偏航角中的一個或多個角度。例如，可以獲得人臉圖像中人臉的偏航角作為該人臉圖像的人臉角度值。
在一個示例中，所述分別對所述第二人臉圖像和所述第三人臉圖像進行特徵提取，獲得與所述第二人臉圖像和所述第三人臉圖像分別對應的第二特徵和第三特徵，包括：若存在多個第二人臉圖像，則對所述多個第二人臉圖像分別進行特徵提取，得到所述多個第二人臉圖像對應的多個第四特徵；根據所述多個第四特徵，獲得所述第二特徵。
在該示例中，在存在多個第二人臉圖像的情況下，根據多個第二人臉圖像的特徵獲得第二特徵，由此有助於提高人臉識別模型的穩定性。
在一個示例中，所述根據所述多個第四特徵，獲得所述第二特徵，包括：將所述多個第四特徵的平均值確定為所述第二特徵。在該示例中，透過將所述多個第四特徵的平均值確定為所述第二特徵，有助於進一步提高所述人臉識別模型的穩定性。
在另一個示例中，所述根據所述多個第四特徵，獲得所述第二特徵，包括：根據所述多個第二人臉圖像對應的權重，對所述多個第四特徵進行加權，得到所述第二特徵。在該示例中，任一符合目標參數條件的第二人臉圖像對應的權重可以根據該第二人臉圖像的目標參數值確定，目標參數值越接近於最優目標參數值，則該第二人臉圖像對應的權重越大。例如，若目標參數為人臉角度，則最優人臉角度值可以為0；若目標參數為模糊度，則最優模糊度值可以為0；若目標參數為遮擋比例，則最優遮擋比例值可以為0。
在一個示例中，所述分別對所述第二人臉圖像和所述第三人臉圖像進行特徵提取，獲得與所述第二人臉圖像和所述第三人臉圖像分別對應的第二特徵和第三特徵，包括：若僅存在一個第二人臉圖像，則對所述第二人臉圖像進行特徵提取，並將所述第二人臉圖像對應的特徵作為所述第二特徵。
在一個示例中，在對目標物件的人臉圖像進行特徵提取之後，可以保存提取的特徵，以便後續訓練中重複利用所保存的人臉圖像的特徵，而無需對同一人臉圖像重複進行特徵提取。
在一個示例中，所述根據所述第二特徵和所述第三特徵，獲取損失函數，包括：透過所述人臉識別模型對所述第三特徵和所述第三人臉圖像的第二目標參數值進行處理，獲得所述第三特徵對應的第二校正特徵；根據所述第二特徵和所述第二校正特徵，獲取損失函數。
在該示例中，結合所述第三特徵和所述第三人臉圖像的第二目標參數值，對所述第三特徵進行校正，獲得所述第三特徵對應的第二校正特徵。
在一個示例中，所述透過所述人臉識別模型對所述第三特徵和所述第三人臉圖像的第二目標參數值進行處理，獲得所述第三特徵對應的第二校正特徵，包括：透過所述人臉識別模型對所述第三特徵進行處理，獲得所述第三特徵對應的第二殘差特徵；透過所述人臉識別模型對所述第二殘差特徵、所述第三人臉圖像的第二目標參數值和所述第三特徵進行處理，獲得所述第三特徵對應的第二校正特徵。
在該示例中，透過所述人臉識別模型對所述第三特徵進行處理，獲得所述第三特徵對應的第二殘差特徵，並透過所述人臉識別模型對所述第二殘差特徵、所述第三人臉圖像的第二目標參數值和所述第三特徵進行處理，獲得所述第三特徵對應的第二校正特徵，由此能夠使所述人臉識別模型進行殘差學習，從而獲得校正特徵的能力。
在一個示例中，所述透過所述人臉識別模型對所述第三特徵進行處理，獲得所述第三特徵對應的第二殘差特徵，包括：透過所述人臉識別模型對所述第三特徵進行全連接處理和激活處理，獲得所述第三特徵對應的第二殘差特徵。在該示例中，透過所述人臉識別模型對所述第三特徵進行全連接處理和激活處理，獲得所述第三特徵對應的第二殘差特徵，基於由此獲得的第二殘差特徵能夠獲得較為準確的校正特徵。
在該實現方式中，不限於透過所述人臉識別模型對所述第三特徵進行全連接處理和激活處理，還可以透過所述人臉識別模型對所述第三特徵進行其他類型的處理。例如，可以透過所述人臉識別模型對所述第三特徵進行全卷積處理來替代全連接處理。
在一個示例中，所述透過所述人臉識別模型對所述第三特徵進行全連接處理和激活處理，獲得所述第三特徵對應的第二殘差特徵，包括：透過所述人臉識別模型對所述第三特徵進行一級或多級全連接處理和激活處理，獲得所述第三特徵對應的第二殘差特徵。
在該示例中，透過所述人臉識別模型對所述第三特徵進行一級全連接處理和激活處理，獲得所述第三特徵對應的第二殘差特徵，能夠節省計算量，提高計算速度；透過所述人臉識別模型對所述第三特徵進行多級全連接處理和激活處理，獲得所述第三特徵對應的第二殘差特徵，有助於提高所述人臉識別模型的性能。
在一個例子中，可以透過所述人臉識別模型對所述第三特徵進行兩級全連接處理和激活處理，即，透過所述人臉識別模型對所述第三特徵依次進行全連接處理、激活處理、全連接處理和激活處理，獲得所述第三特徵對應的第二殘差特徵。
在一個示例中，對所述第三特徵進行全連接處理獲得的特徵的維數與所述第三特徵的維數相同。在該示例中，透過使對所述第三特徵進行全連接處理獲得的特徵的維數與所述第三特徵的維數一致，有助於保障訓練得到的人臉識別模型的性能。
在一個示例中，所述透過所述人臉識別模型對所述第二殘差特徵、所述第三人臉圖像的第二目標參數值和所述第三特徵進行處理，獲得所述第三特徵對應的第二校正特徵，包括：透過所述人臉識別模型根據所述第二殘差特徵和所述第二目標參數值，確定所述第三特徵對應的第二殘差分量；透過所述人臉識別模型根據所述第二殘差分量與所述第三特徵，確定所述第三特徵對應的第二校正特徵。
在該示例中，透過所述人臉識別模型根據所述第二殘差特徵和所述第二目標參數值，確定所述第三特徵對應的第二殘差分量，由此能夠基於所述第二目標參數值確定第二校正特徵，由此訓練得到的人臉識別模型有助於提高不符合目標參數條件的人臉圖像的人臉識別的準確性，且不影響符合目標參數條件的人臉圖像的人臉識別的準確性。
在一個示例中，所述透過所述人臉識別模型根據所述第二殘差特徵和所述第二目標參數值，確定所述第三特徵對應的第二殘差分量，包括：透過所述人臉識別模型確定所述第二殘差特徵與所述第二目標參數值的歸一化值的乘積，得到所述第三特徵對應的第二殘差分量。在該示例中，若所述第二目標參數的取值範圍不為預設區間，則可以將所述第二殘差特徵與所述第二目標參數值的歸一化值的乘積作為所述第三特徵對應的第二殘差分量，由此能夠準確地確定第二殘差分量。
在另一個示例中，所述透過所述人臉識別模型根據所述第二殘差特徵和所述第二目標參數值，確定所述第三特徵對應的第二殘差分量，包括：透過所述人臉識別模型確定所述第二殘差特徵與所述第二目標參數值的乘積，得到所述第三特徵對應的第二殘差分量。在該示例中，若所述第二目標參數的取值範圍等於預設區間，則可以將所述第二殘差特徵與所述第二目標參數值的乘積作為所述第三特徵對應的第二殘差分量。
在一個示例中，所述透過所述人臉識別模型根據所述第二殘差分量與所述第三特徵，確定所述第三特徵對應的第二校正特徵，包括：透過所述人臉識別模型將所述第二殘差分量與所述第三特徵之和確定為所述第三特徵對應的第二校正特徵。在該示例中，透過所述人臉識別模型將所述第二殘差分量與所述第三特徵之和確定為所述第三特徵對應的第二校正特徵，由此能夠快速準確地確定第二校正特徵。
在該實現方式中，所述人臉識別模型的訓練目標是使所述第三特徵對應的第二校正特徵趨近於所述第二特徵，因此，在一個示例中，所述根據所述第二特徵和所述第二校正特徵，獲取損失函數，可以包括：根據所述第二校正特徵與所述第二特徵的差值，確定所述損失函數。例如，可以將所述第二校正特徵與所述第二特徵的差值的平方確定為所述損失函數的值。
第3圖示出本申請實施例提供的人臉識別方法中人臉識別模型的訓練過程的示意圖。在第3圖所示的示例中，目標參數為人臉角度，透過所述人臉識別模型對所述第三特徵（f_train）依次進行全連接處理（fc 1）、激活處理（relu 1）、全連接處理（fc 2）和激活處理（relu 2），獲得所述第三特徵對應的第二殘差特徵，透過所述人臉識別模型確定所述第二殘差特徵與所述第三人臉圖像的第二目標參數值（yaw）的歸一化值（yaw_norm）的乘積，得到所述第三特徵對應的第二殘差分量，透過所述人臉識別模型將所述第二殘差分量與所述第三特徵之和確定為所述第三特徵對應的第二校正特徵（f_out）。在目標參數為人臉角度的示例中，當人臉角度值小於20°時，所述第三特徵對應的第二校正特徵接近於所述第三特徵；當人臉角度值大於50°時，第二殘差分量不再接近於0，第三特徵得到了校正。
在該實現方式中，人臉識別模型在特徵層面上進行校正，即，無需獲得校正的圖像（例如無需獲得第三人臉圖像的校正圖像），僅需獲得校正特徵，由此能夠避免獲得校正的圖像的過程中引入的雜訊，從而有助於進一步提高人臉識別準確性。
根據上述實現方式訓練得到的參數收斂的人臉識別模型能夠將不符合目標參數條件的人臉圖像的特徵進行校正為符合目標參數條件的特徵，由此能夠提高不符合目標參數條件的人臉圖像的人臉識別的準確性。
在本申請實施例中，待識別的第一人臉圖像的目標參數值與最優目標參數值的距離越小，則第一特徵對應的第一校正特徵越接近於第一特徵；第一人臉圖像的目標參數值與最優目標參數值的距離越大，則第一特徵對應的第一校正特徵與第一特徵的差別越大。因此，採用本申請實施例提供的人臉識別方法有助於提高不符合目標參數條件的人臉圖像的人臉識別的準確性，且不影響符合目標參數條件的人臉圖像的人臉識別的準確性。
可以理解，本申請實施例提及的上述各個方法實施例，在不違背原理邏輯的情況下，均可以彼此相互結合形成結合後的實施例，限於篇幅，本申請實施例不再贅述。
本領域技術人員可以理解，在具體實施方式的上述方法中，各步驟的撰寫順序並不意味著嚴格的執行順序而對實施過程構成任何限定，各步驟的具體執行順序應當以其功能和可能的內在邏輯確定。
此外，本申請實施例還提供了人臉識別裝置、電子設備、電腦可讀儲存介質、程式，上述均可用來實現本申請實施例提供的任一種人臉識別方法，相應技術方案和描述和參見方法部分的相應記載，不再贅述。
第4圖示出本申請實施例提供的人臉識別裝置的框圖。如第4圖所示，所述人臉識別裝置包括：第一提取模組41，配置為提取待識別的第一人臉圖像的第一目標參數值；第二提取模組42，配置為對所述第一人臉圖像進行特徵提取，獲得與所述第一人臉圖像對應的第一特徵；處理模組43，配置為對所述第一特徵和所述第一目標參數值進行處理，獲得所述第一特徵對應的第一校正特徵；獲得模組44，配置為基於所述第一校正特徵，獲得所述第一人臉圖像的人臉識別結果。
在一些實施例中，所述獲得模組44配置為：對所述第一特徵進行處理，獲得所述第一特徵對應的第一殘差特徵；對所述第一殘差特徵、所述第一目標參數值和所述第一特徵進行處理，獲得所述第一特徵對應的第一校正特徵。
在一些實施例中，所述獲得模組44配置為：對所述第一特徵進行全連接處理和激活處理，獲得所述第一特徵對應的第一殘差特徵。
在一些實施例中，所述獲得模組44配置為：對所述第一特徵進行一級或多級全連接處理和激活處理，獲得所述第一特徵對應的第一殘差特徵。
在一些實施例中，對所述第一特徵進行全連接處理獲得的特徵的維數與所述第一特徵的維數相同。
在一些實施例中，所述獲得模組44配置為：根據所述第一殘差特徵和所述第一目標參數值，確定所述第一特徵對應的第一殘差分量；根據所述第一殘差分量和所述第一特徵，確定所述第一特徵對應的第一校正特徵。
在一些實施例中，所述獲得模組44配置為：根據所述第一殘差特徵與所述第一目標參數值的歸一化值的乘積，得到所述第一特徵對應的第一殘差分量。
在一些實施例中，所述獲得模組44配置為：將所述第一殘差分量與所述第一特徵之和確定為所述第一特徵對應的第一校正特徵。
在一些實施例中，目標參數包括人臉角度、模糊度或者遮擋比例。
在一些實施例中，所述處理模組43配置為：透過最佳化後的人臉識別模型對所述第一特徵和所述第一目標參數值進行處理。
在一些實施例中，所述裝置還包括：確定模組，配置為根據任一目標物件的多個人臉圖像確定符合目標參數條件的第二人臉圖像和不符合所述目標參數條件的第三人臉圖像；第三提取模組，配置為分別對所述第二人臉圖像和所述第三人臉圖像進行特徵提取，獲得與所述第二人臉圖像和所述第三人臉圖像分別對應的第二特徵和第三特徵；獲取模組，配置為根據所述第二特徵和所述第三特徵，獲取損失函數；最佳化模組，配置為基於所述損失函數對人臉識別模型進行反向傳播，得到所述最佳化後的人臉識別模型。
在一些實施例中，所述獲取模組44配置為：透過所述人臉識別模型對所述第三特徵和所述第三人臉圖像的第二目標參數值進行處理，獲得所述第三特徵對應的第二校正特徵；根據所述第二特徵和所述第二校正特徵，獲取損失函數。
在一些實施例中，所述獲取模組44配置為：透過所述人臉識別模型對所述第三特徵進行處理，獲得所述第三特徵對應的第二殘差特徵；透過所述人臉識別模型對所述第二殘差特徵、所述第三人臉圖像的第二目標參數值和所述第三特徵進行處理，獲得所述第三特徵對應的第二校正特徵。
在一些實施例中，所述獲取模組44配置為：透過所述人臉識別模型對所述第三特徵進行全連接處理和激活處理，獲得所述第三特徵對應的第二殘差特徵。
在一些實施例中，所述獲取模組44配置為：透過所述人臉識別模型對所述第三特徵進行一級或多級全連接處理和激活處理，獲得所述第三特徵對應的第二殘差特徵。
在一些實施例中，對所述第三特徵進行全連接處理獲得的特徵的維數與所述第三特徵的維數相同。
在一些實施例中，所述獲取模組44配置為：透過所述人臉識別模型根據所述第二殘差特徵和所述第二目標參數值，確定所述第三特徵對應的第二殘差分量；透過所述人臉識別模型根據所述第二殘差分量與所述第三特徵，確定所述第三特徵對應的第二校正特徵。
在一些實施例中，所述獲取模組44配置為：透過所述人臉識別模型確定所述第二殘差特徵與所述第二目標參數值的歸一化值的乘積，得到所述第三特徵對應的第二殘差分量。
在一些實施例中，所述獲取模組44配置為：透過所述人臉識別模型將所述第二殘差分量與所述第三特徵之和確定為所述第三特徵對應的第二校正特徵。
在一些實施例中，所述第三提取模組配置為：若存在多個第二人臉圖像，則對所述多個第二人臉圖像分別進行特徵提取，得到所述多個第二人臉圖像對應的多個第四特徵；根據所述多個第四特徵，獲得所述第二特徵。
在一些實施例中，所述第三提取模組配置為：將所述多個第四特徵的平均值確定為所述第二特徵。
在一些實施例中，所述獲取模組44配置為：根據所述第二校正特徵與所述第二特徵的差值，確定所述損失函數。
在一些實施例中，本申請實施例提供的裝置具有的功能或包含的模組可以配置為執行上文方法實施例描述的方法，其具體實現可以參照上文方法實施例的描述，為了簡潔，這裡不再贅述。
本申請實施例還提出一種電腦可讀儲存介質，其上儲存有電腦程式指令，所述電腦程式指令被處理器執行時實現上述方法。電腦可讀儲存介質可以是非易失性電腦可讀儲存介質。
本申請實施例還提出一種電子設備，包括：處理器；配置為儲存處理器可執行指令的記憶體；其中，所述處理器被配置為執行上述方法。
電子設備可以被提供為終端、伺服器或其它形態的設備。
第5圖示出本申請實施例提供的一種電子設備800的框圖。例如，電子設備800可以是行動電話、電腦、數位廣播終端、消息收發設備、遊戲控制台、平板設備、醫療設備、健身設備、個人數位助理等終端。
參照第5圖，電子設備800可以包括以下一個或多個元件：處理元件802、記憶體804、電源元件806、多媒體元件808、音訊元件810、輸入/輸出（Input Output，I/O）的介面812、感測器元件814，以及通訊元件816。
處理元件802通常控制電子設備800的整體操作，諸如與顯示，電話呼叫，資料通訊，相機操作和記錄操作相關聯的操作。處理元件802可以包括一個或多個處理器820來執行指令，以完成上述的方法的全部或部分步驟。此外，處理元件802可以包括一個或多個模組，便於處理元件802和其他元件之間的交互。例如，處理元件802可以包括多媒體模組，以方便多媒體元件808和處理元件802之間的交互。
記憶體804被配置為儲存各種類型的資料以支援在電子設備800的操作。這些資料的示例包括用於在電子設備800上操作的任何應用程式或方法的指令、連絡人資料、電話簿資料、消息、圖片、影片等。記憶體804可以由任何類型的易失性或非易失性存放裝置或者它們的組合實現，如靜態隨機存取記憶體（Static Random-Access Memory，SRAM）、電可擦除可程式設計唯讀記憶體（Electrically Erasable Programmable Read Only Memory，EEPROM）、可擦除可程式設計唯讀記憶體（Electrical Programmable Read Only Memory，EPROM）、可程式設計唯讀記憶體（Programmable Read-Only Memory，PROM）、唯讀記憶體（Read-Only Memory，ROM）、磁記憶體、快閃記憶體、磁片或光碟。
電源元件806為電子設備800的各種元件提供電力。電源元件806可以包括電源管理系統，一個或多個電源，及其他與為電子設備800生成、管理和分配電力相關聯的組件。
多媒體元件808包括在所述電子設備800和使用者之間的提供一個輸出介面的螢幕。在一些實施例中，螢幕可以包括液晶顯示器（Liquid Crystal Display，LCD）和觸控面板（Touch Pad，TP）。如果螢幕包括觸控面板，螢幕可以被實現為觸控式螢幕，以接收來自使用者的輸入信號。觸控面板包括一個或多個觸控感測器以感測觸摸、滑動和觸控面板上的手勢。所述觸控感測器可以不僅感測觸摸或滑動動作的邊界，而且還檢測與所述觸摸或滑動操作相關的持續時間和壓力。在一些實施例中，多媒體元件808包括一個前置攝影機和/或後置攝影機。當電子設備800處於操作模式，如拍攝模式或視訊模式時，前置攝影機和/或後置攝影機可以接收外部的多媒體資料。每個前置攝影機和後置攝影機可以是一個固定的光學透鏡系統或具有焦距和光學變焦能力。
音訊元件810被配置為輸出和/或輸入音訊信號。例如，音訊元件810包括一個麥克風（MIC），當電子設備800處於操作模式，如呼叫模式、記錄模式和語音辨識模式時，麥克風被配置為接收外部音訊信號。所接收的音訊信號可以被進一步儲存在記憶體804或經由通訊元件816發送。在一些實施例中，音訊元件810還包括一個揚聲器，用於輸出音訊信號。
I/O介面812為處理元件802和周邊介面模組之間提供介面，上述周邊介面模組可以是鍵盤、點擊輪、按鈕等。這些按鈕可包括但不限於：主頁按鈕、音量按鈕、啟動按鈕和鎖定按鈕。
感測器元件814包括一個或多個感測器，用於為電子設備800提供各個方面的狀態評估。例如，感測器元件814可以檢測到電子設備800的打開/關閉狀態，元件的相對定位，例如所述元件為電子設備800的顯示器和小鍵盤，感測器元件814還可以檢測電子設備800或電子設備800一個元件的位置改變，使用者與電子設備800接觸的存在或不存在，電子設備800方位或加速/減速和電子設備800的溫度變化。感測器元件814可以包括接近感測器，被配置用來在沒有任何的物理接觸時檢測附近物體的存在。感測器元件814還可以包括光感測器，如互補金屬氧化物半導體（Complementary Metal Oxide Semiconductor，CMOS）或電荷耦合器件（Charge Coupled Device，CCD）圖像感測器，用於在成像應用中使用。在一些實施例中，該感測器元件814還可以包括加速度感測器、陀螺儀感測器、磁感測器、壓力感測器或溫度感測器。
通訊元件816被配置為便於電子設備800和其他設備之間有線或無線方式的通訊。電子設備800可以接入基於通訊標準的無線網路，如WiFi、2G或3G，或它們的組合。在一個示例性實施例中，通訊元件816經由廣播通道接收來自外部廣播管理系統的廣播信號或廣播相關資訊。在一個示例性實施例中，所述通訊元件816還包括近場通訊（Near Field Communication，NFC）模組，以促進短程通訊。例如，在NFC模組可基於射頻識別（Radio Frequency Identification，RFID）技術、紅外資料協會（Infrared Data Association，IrDA）技術、超寬頻（Ultra Wide Band，UWB）技術、藍牙（Bluetooth，BT）技術和其他技術來實現。
在示例性實施例中，電子設備800可以被一個或多個應用專用積體電路（Application Specific Integrated Circuit，ASIC）、數位訊號處理器（Digital Signal Processor，DSP）、數位信號處理設備（Digital Signal Process，DSPD）、可程式設計邏輯器件（Programmable Logic Device，PLD）、現場可程式設計閘陣列（Field Programmable Gate Array，FPGA）、控制器、微控制器、微處理器或其他電子元件實現，用於執行上述方法。
在示例性實施例中，還提供了一種非易失性電腦可讀儲存介質，例如包括電腦程式指令的記憶體804，上述電腦程式指令可由電子設備800的處理器820執行以完成上述方法。
第6圖示出根據本申請實施例的另一種電子設備1900的框圖。例如，電子設備1900可以被提供為一伺服器。參照第6圖，電子設備1900包括處理元件1922，其進一步包括一個或多個處理器，以及由記憶體1932所代表的記憶體資源，用於儲存可由處理元件1922的執行的指令，例如應用程式。記憶體1932中儲存的應用程式可以包括一個或一個以上的每一個對應於一組指令的模組。此外，處理元件1922被配置為執行指令，以執行上述方法。
電子設備1900還可以包括一個電源元件1926被配置為執行電子設備1900的電源管理，一個有線或無線網路介面1950被配置為將電子設備1900連接到網路，和一個輸入輸出（I/O）介面1958。電子設備1900可以操作基於儲存在記憶體1932的作業系統，例如Windows Server TM、Mac OS X TM、Unix TM、Linux TM、FreeBSD TM或類似。
在示例性實施例中，還提供了一種非易失性電腦可讀儲存介質，例如包括電腦程式指令的記憶體1932，上述電腦程式指令可由電子設備1900的處理元件1922執行以完成上述方法。
本申請實施例可以是系統、方法和/或電腦程式產品。電腦程式產品可以包括電腦可讀儲存介質，其上載有用於使處理器實現本申請實施例的各個方面的電腦可讀程式指令。
電腦可讀儲存介質可以是可以保持和儲存由指令執行設備使用的指令的有形設備。電腦可讀儲存介質例如可以是――但不限於――電存放裝置、磁存放裝置、光存放裝置、電磁存放裝置、半導體存放裝置或者上述的任意合適的組合。電腦可讀儲存介質的更具體的例子（非窮舉的列表）包括：可攜式電腦盤、硬碟、隨機存取記憶體（RAM）、唯讀記憶體（ROM）、可擦式可程式設計唯讀記憶體（EPROM或快閃記憶體）、靜態隨機存取記憶體（SRAM）、可攜式壓縮磁碟唯讀記憶體（CD-ROM）、數位多功能盤（Digital Video Disc，DVD）、記憶棒、軟碟、機械編碼設備、例如其上儲存有指令的打孔卡或凹槽內凸起結構、以及上述的任意合適的組合。這裡所使用的電腦可讀儲存介質不被解釋為暫態信號本身，諸如無線電波或者其他自由傳播的電磁波、透過波導或其他傳輸媒介傳播的電磁波（例如，透過光纖電纜的光脈衝）、或者透過電線傳輸的電信號。
這裡所描述的電腦可讀程式指令可以從電腦可讀儲存介質下載到各個計算/處理設備，或者透過網路、例如網際網路、區域網路、廣域網路和/或無線網下載到外部電腦或外部存放裝置。網路可以包括銅傳輸電纜、光纖傳輸、無線傳輸、路由器、防火牆、交換機、閘道電腦和/或邊緣伺服器。每個計算/處理設備中的網路介面卡或者網路介面從網路接收電腦可讀程式指令，並轉發該電腦可讀程式指令，以供儲存在各個計算/處理設備中的電腦可讀儲存介質中。
用於執行本申請實施例操作的電腦程式指令可以是彙編指令、指令集架構（ISA）指令、機器指令、機器相關指令、微代碼、韌體指令、狀態設置資料、或者以一種或多種程式設計語言的任意組合編寫的原始程式碼或目標代碼，所述程式設計語言包括物件導向的程式設計語言—諸如Smalltalk、C++等，以及常規的過程式程式設計語言—諸如「C」語言或類似的程式設計語言。電腦可讀程式指令可以完全地在使用者電腦上執行、部分地在使用者電腦上執行、作為一個獨立的套裝軟體執行、部分在使用者電腦上部分在遠端電腦上執行、或者完全在遠端電腦或伺服器上執行。在涉及遠端電腦的情形中，遠端電腦可以透過任意種類的網路—包括區域網路（Local Area Network，LAN）或廣域網路（Wide Area Network，WAN）—連接到使用者電腦，或者，可以連接到外部電腦（例如利用網際網路服務提供者來透過網際網路連接）。在一些實施例中，透過利用電腦可讀程式指令的狀態資訊來個性化定制電子電路，例如可程式設計邏輯電路、現場可程式設計閘陣列（Field Programmable Gate Array，FPGA）或可程式設計邏輯陣列（Programmable Logic Array，PLA），該電子電路可以執行電腦可讀程式指令，從而實現本申請實施例的各個方面。
這裡參照根據本申請實施例的方法、裝置（系統）和電腦程式產品的流程圖和/或框圖描述了本申請實施例的各個方面。應當理解，流程圖和/或框圖的每個方框以及流程圖和/或框圖中各方框的組合，都可以由電腦可讀程式指令實現。
這些電腦可讀程式指令可以提供給通用電腦、專用電腦或其它可程式設計資料處理裝置的處理器，從而生產出一種機器，使得這些指令在透過電腦或其它可程式設計資料處理裝置的處理器執行時，產生了實現流程圖和/或框圖中的一個或多個方框中規定的功能/動作的裝置。也可以把這些電腦可讀程式指令儲存在電腦可讀儲存介質中，這些指令使得電腦、可程式設計資料處理裝置和/或其他設備以特定方式工作，從而，儲存有指令的電腦可讀介質則包括一個製造品，其包括實現流程圖和/或框圖中的一個或多個方框中規定的功能/動作的各個方面的指令。
也可以把電腦可讀程式指令載入到電腦、其它可程式設計資料處理裝置、或其它設備上，使得在電腦、其它可程式設計資料處理裝置或其它設備上執行一系列操作步驟，以產生電腦實現的過程，從而使得在電腦、其它可程式設計資料處理裝置、或其它設備上執行的指令實現流程圖和/或框圖中的一個或多個方框中規定的功能/動作。
附圖中的流程圖和框圖顯示了根據本申請實施例的多個實施例的系統、方法和電腦程式產品的可能實現的體系架構、功能和操作。在這點上，流程圖或框圖中的每個方框可以代表一個模組、程式段或指令的一部分，所述模組、程式段或指令的一部分包含一個或多個用於實現規定的邏輯功能的可執行指令。在有些作為替換的實現中，方框中所標注的功能也可以以不同於附圖中所標注的順序發生。例如，兩個連續的方框實際上可以基本並行地執行，它們有時也可以按相反的循序執行，這依所涉及的功能而定。也要注意的是，框圖和/或流程圖中的每個方框、以及框圖和/或流程圖中的方框的組合，可以用執行規定的功能或動作的專用的基於硬體的系統來實現，或者可以用專用硬體與電腦指令的組合來實現。
以上已經描述了本申請的各實施例，上述說明是示例性的，並非窮盡性的，並且也不限於所披露的各實施例。在不偏離所說明的各實施例的範圍和精神的情況下，對於本技術領域的普通技術人員來說許多修改和變更都是顯而易見的。本文中所用術語的選擇，旨在最好地解釋各實施例的原理、實際應用或對市場中的技術改進，或者使本技術領域的其它普通技術人員能理解本文披露的各實施例。
工業實用性
本申請實施例涉及一種人臉識別方法、電子設備和儲存介質。所述方法包括：提取待識別的第一人臉圖像的第一目標參數值；對所述第一人臉圖像進行特徵提取，獲得與所述第一人臉圖像對應的第一特徵；對所述第一特徵和所述第一目標參數值進行處理，獲得所述第一特徵對應的第一校正特徵；基於所述第一校正特徵，獲得所述第一人臉圖像的人臉識別結果。本申請實施例能夠對人臉圖像的特徵進行校正，從而能夠提高人臉識別的準確性。
S11~S14:步驟
41:第一提取模組
42:第二提取模組
43:處理模組
44:獲得模組
800:電子設備
802:處理元件
804:記憶體
806:電源元件
808:多媒體元件
810:音訊元件
812:輸入/輸出介面
814:感測器元件
816:通訊元件
820:處理器
1922:處理元件
1926:電源元件
1932:記憶體
1950:網路介面
1958:輸入輸出介面
此處的附圖被併入說明書中並構成本說明書的一部分，這些附圖示出了符合本申請的實施例，並與說明書一起用於說明本申請實施例的技術方案。
第1圖示出本申請實施例提供的人臉識別方法的流程圖。
第2圖示出本申請實施例提供的人臉識別方法中將人臉角度值
映射到[0，1]區間中的映射曲線。
第3圖示出本申請實施例提供的人臉識別方法中人臉識別模型的訓練過程的示意圖。
第4圖示出本申請實施例提供的人臉識別裝置的框圖。
第5圖示出本申請實施例提供的一種電子設備800的框圖。
第6圖示出本申請實施例提供的一種電子設備1900的框圖。
S11~S14:步驟
Claims (22)
- 一種人臉識別方法，應用於處理設備，包括：提取待識別的第一人臉圖像的第一目標參數值；對所述第一人臉圖像進行特徵提取，獲得與所述第一人臉圖像對應的第一特徵；對所述第一特徵和所述第一目標參數值進行處理，獲得所述第一特徵對應的第一校正特徵；基於所述第一校正特徵，獲得所述第一人臉圖像的人臉識別結果；所述對所述第一特徵和所述第一目標參數值進行處理，包括：透過最佳化後的人臉識別模型對所述第一特徵和所述第一目標參數值進行處理；在所述透過人臉識別模型對所述第一特徵和所述第一目標參數值進行處理之前，所述方法還包括：根據任一目標物件的多個人臉圖像確定符合目標參數條件的第二人臉圖像和不符合所述目標參數條件的第三人臉圖像；分別對所述第二人臉圖像和所述第三人臉圖像進行特徵提取，獲得與所述第二人臉圖像和所述第三人臉圖像分別對應的第二特徵和第三特徵；根據所述第二特徵和所述第三特徵，獲取損失函數；基於所述損失函數對人臉識別模型進行反向傳播，得到所述最佳化後的人臉識別模型。
- 根據請求項1所述的方法，所述對所述第一特徵和所述第一目標參數值進行處理，獲得所述第一特徵對應的第一校正特徵，包括：對所述第一特徵進行處理，獲得所述第一特徵對應的第一殘差特徵；對所述第一殘差特徵、所述第一目標參數值和所述第一特徵進行處理，獲 得所述第一特徵對應的第一校正特徵。
- 根據請求項2所述的方法，所述對所述第一特徵進行處理，獲得所述第一特徵對應的第一殘差特徵，包括：對所述第一特徵進行全連接處理和激活處理，獲得所述第一特徵對應的第一殘差特徵。
- 根據請求項3所述的方法，所述對所述第一特徵進行全連接處理和激活處理，獲得所述第一特徵對應的第一殘差特徵，包括：對所述第一特徵進行一級或多級全連接處理和激活處理，獲得所述第一特徵對應的第一殘差特徵。
- 根據請求項3或4所述的方法，對所述第一特徵進行全連接處理獲得的特徵的維數與所述第一特徵的維數相同。
- 根據請求項2至4中任意一項所述的方法，所述對所述第一殘差特徵、所述第一目標參數值和所述第一特徵進行處理，獲得所述第一特徵對應的第一校正特徵，包括：根據所述第一殘差特徵和所述第一目標參數值，確定所述第一特徵對應的第一殘差分量；根據所述第一殘差分量和所述第一特徵，確定所述第一特徵對應的第一校正特徵。
- 根據請求項6所述的方法，所述根據所述第一殘差特徵和所述第一目標參數值，確定所述第一特徵對應的第一殘差分量，包括：根據所述第一殘差特徵與所述第一目標參數值的歸一化值的乘積，得到所述第一特徵對應的第一殘差分量。
- 根據請求項6所述的方法，所述根據所述第一殘差分量和所述第一特徵，確定所述第一特徵對應的第一校正特徵，包括： 將所述第一殘差分量與所述第一特徵之和確定為所述第一特徵對應的第一校正特徵。
- 根據請求項1至4中任意一項所述的方法，目標參數包括人臉角度、模糊度或者遮擋比例。
- 根據請求項1所述的方法，所述根據所述第二特徵和所述第三特徵，獲取損失函數，包括：透過所述人臉識別模型對所述第三特徵和所述第三人臉圖像的第二目標參數值進行處理，獲得所述第三特徵對應的第二校正特徵；根據所述第二特徵和所述第二校正特徵，獲取損失函數。
- 根據請求項10所述的方法，所述透過所述人臉識別模型對所述第三特徵和所述第三人臉圖像的第二目標參數值進行處理，獲得所述第三特徵對應的第二校正特徵，包括：透過所述人臉識別模型對所述第三特徵進行處理，獲得所述第三特徵對應的第二殘差特徵；透過所述人臉識別模型對所述第二殘差特徵、所述第三人臉圖像的第二目標參數值和所述第三特徵進行處理，獲得所述第三特徵對應的第二校正特徵。
- 根據請求項11所述的方法，所述透過所述人臉識別模型對所述第三特徵進行處理，獲得所述第三特徵對應的第二殘差特徵，包括：透過所述人臉識別模型對所述第三特徵進行全連接處理和激活處理，獲得所述第三特徵對應的第二殘差特徵。
- 根據請求項12所述的方法，所述透過所述人臉識別模型對所述第三特徵進行全連接處理和激活處理，獲得所述第三特徵對應的第二殘差特徵，包括：透過所述人臉識別模型對所述第三特徵進行一級或多級全連接處理和激活 處理，獲得所述第三特徵對應的第二殘差特徵。
- 根據請求項12所述的方法，對所述第三特徵進行全連接處理獲得的特徵的維數與所述第三特徵的維數相同。
- 根據請求項10所述的方法，所述透過所述人臉識別模型對所述第二殘差特徵、所述第三人臉圖像的第二目標參數值和所述第三特徵進行處理，獲得所述第三特徵對應的第二校正特徵，包括：透過所述人臉識別模型根據所述第二殘差特徵和所述第二目標參數值，確定所述第三特徵對應的第二殘差分量；透過所述人臉識別模型根據所述第二殘差分量與所述第三特徵，確定所述第三特徵對應的第二校正特徵。
- 根據請求項15所述的方法，所述透過所述人臉識別模型根據所述第二殘差特徵和所述第二目標參數值，確定所述第三特徵對應的第二殘差分量，包括：透過所述人臉識別模型確定所述第二殘差特徵與所述第二目標參數值的歸一化值的乘積，得到所述第三特徵對應的第二殘差分量。
- 根據請求項15所述的方法，所述透過所述人臉識別模型根據所述第二殘差分量與所述第三特徵，確定所述第三特徵對應的第二校正特徵，包括：透過所述人臉識別模型將所述第二殘差分量與所述第三特徵之和確定為所述第三特徵對應的第二校正特徵。
- 根據請求項1所述的方法，所述分別對所述第二人臉圖像和所述第三人臉圖像進行特徵提取，獲得與所述第二人臉圖像和所述第三人臉圖像分別對應的第二特徵和第三特徵，包括：若存在多個第二人臉圖像，則對所述多個第二人臉圖像分別進行特徵提 取，得到所述多個第二人臉圖像對應的多個第四特徵；根據所述多個第四特徵，獲得所述第二特徵。
- 根據請求項18所述的方法，所述根據所述多個第四特徵，獲得所述第二特徵，包括：將所述多個第四特徵的平均值確定為所述第二特徵。
- 根據請求項10所述的方法，所述根據所述第二特徵和所述第二校正特徵，獲取損失函數，包括：根據所述第二校正特徵與所述第二特徵的差值，確定所述損失函數。
- 一種電子設備，包括：處理器；配置為儲存處理器可執行指令的記憶體；其中，所述處理器被配置為：執行請求項1至20中任意一項所述的方法。
- 一種電腦可讀儲存介質，其上儲存有電腦程式指令，所述電腦程式指令被處理器執行時實現請求項1至20中任意一項所述的方法。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911053929.X | 2019-10-31 | ||
| CN201911053929.XA CN110826463B (zh) | 2019-10-31 | 2019-10-31 | 人脸识别方法及装置、电子设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| TW202119281A TW202119281A (zh) | 2021-05-16 |
| TWI770531B true TWI770531B (zh) | 2022-07-11 |
Family
ID=69551816
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| TW109120373A TWI770531B (zh) | 2019-10-31 | 2020-06-17 | 人臉識別方法、電子設備和儲存介質 |
Country Status (7)
| Country | Link |
|---|---|
| US (1) | US20210326578A1 (zh) |
| JP (1) | JP7150896B2 (zh) |
| KR (1) | KR20210054522A (zh) |
| CN (1) | CN110826463B (zh) |
| SG (1) | SG11202107252WA (zh) |
| TW (1) | TWI770531B (zh) |
| WO (1) | WO2021082381A1 (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110826463B (zh) * | 2019-10-31 | 2021-08-24 | 深圳市商汤科技有限公司 | 人脸识别方法及装置、电子设备和存储介质 |
| CN112101216A (zh) * | 2020-09-15 | 2020-12-18 | 百度在线网络技术（北京）有限公司 | 人脸识别方法、装置、设备及存储介质 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108229313A (zh) * | 2017-11-28 | 2018-06-29 | 北京市商汤科技开发有限公司 | 人脸识别方法和装置、电子设备和计算机程序及存储介质 |
| CN110163169A (zh) * | 2019-05-27 | 2019-08-23 | 北京达佳互联信息技术有限公司 | 人脸识别方法、装置、电子设备及存储介质 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101475684B1 (ko) * | 2008-10-17 | 2014-12-23 | 삼성전자주식회사 | 디지털 영상 처리기에서 얼굴 영상 개선 장치 및 방법 |
| CN106980831A (zh) * | 2017-03-17 | 2017-07-25 | 中国人民解放军国防科学技术大学 | 基于自编码器的自亲缘关系识别方法 |
| CN109753920B (zh) * | 2018-12-29 | 2021-09-17 | 深圳市商汤科技有限公司 | 一种行人识别方法及装置 |
| CN110826463B (zh) * | 2019-10-31 | 2021-08-24 | 深圳市商汤科技有限公司 | 人脸识别方法及装置、电子设备和存储介质 |
-
2019
- 2019-10-31 CN CN201911053929.XA patent/CN110826463B/zh active Active
-
2020
- 2020-04-30 WO PCT/CN2020/088384 patent/WO2021082381A1/zh active Application Filing
- 2020-04-30 KR KR1020217006942A patent/KR20210054522A/ko unknown
- 2020-04-30 SG SG11202107252WA patent/SG11202107252WA/en unknown
- 2020-04-30 JP JP2020573403A patent/JP7150896B2/ja active Active
- 2020-06-17 TW TW109120373A patent/TWI770531B/zh active
-
2021
- 2021-06-30 US US17/363,074 patent/US20210326578A1/en not_active Abandoned
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108229313A (zh) * | 2017-11-28 | 2018-06-29 | 北京市商汤科技开发有限公司 | 人脸识别方法和装置、电子设备和计算机程序及存储介质 |
| CN110163169A (zh) * | 2019-05-27 | 2019-08-23 | 北京达佳互联信息技术有限公司 | 人脸识别方法、装置、电子设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110826463B (zh) | 2021-08-24 |
| JP7150896B2 (ja) | 2022-10-11 |
| JP2022508990A (ja) | 2022-01-20 |
| US20210326578A1 (en) | 2021-10-21 |
| TW202119281A (zh) | 2021-05-16 |
| SG11202107252WA (en) | 2021-07-29 |
| CN110826463A (zh) | 2020-02-21 |
| WO2021082381A1 (zh) | 2021-05-06 |
| KR20210054522A (ko) | 2021-05-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11532180B2 (en) | Image processing method and device and storage medium | |
| TWI771645B (zh) | 文本識別方法及裝置、電子設備、儲存介質 | |
| TWI766286B (zh) | 圖像處理方法及圖像處理裝置、電子設備和電腦可讀儲存媒介 | |
| US20210012523A1 (en) | Pose Estimation Method and Device and Storage Medium | |
| CN112001321B (zh) | 网络训练、行人重识别方法及装置、电子设备和存储介质 | |
| US11321575B2 (en) | Method, apparatus and system for liveness detection, electronic device, and storage medium | |
| JP7106687B2 (ja) | 画像生成方法および装置、電子機器、並びに記憶媒体 | |
| WO2021031609A1 (zh) | 活体检测方法及装置、电子设备和存储介质 | |
| CN109934275B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
| TWI757668B (zh) | 網路優化方法及裝置、圖像處理方法及裝置、儲存媒體 | |
| WO2022099989A1 (zh) | 活体识别、门禁设备控制方法和装置、电子设备和存储介质、计算机程序 | |
| TWI778313B (zh) | 圖像處理方法、電子設備和儲存介質 | |
| CN111259967A (zh) | 图像分类及神经网络训练方法、装置、设备及存储介质 | |
| CN110781813A (zh) | 图像识别方法及装置、电子设备和存储介质 | |
| TWI770531B (zh) | 人臉識別方法、電子設備和儲存介質 | |
| CN111523599B (zh) | 目标检测方法及装置、电子设备和存储介质 | |
| CN107977636B (zh) | 人脸检测方法及装置、终端、存储介质 | |
| US20220270352A1 (en) | Methods, apparatuses, devices, storage media and program products for determining performance parameters | |
| CN113538310A (zh) | 图像处理方法及装置、电子设备和存储介质 | |
| CN113326938A (zh) | 网络训练、行人重识别方法及装置、电子设备和存储介质 | |
| CN107992893B (zh) | 压缩图像特征空间的方法及装置 | |
| CN117893591B (zh) | 光幕模板识别方法及装置、设备、存储介质和程序产品 |