WO2017215240A1 - 基于神经网络的人脸特征提取建模、人脸识别方法及装置 - Google Patents

基于神经网络的人脸特征提取建模、人脸识别方法及装置 Download PDF

Info

Publication number
WO2017215240A1
WO2017215240A1 PCT/CN2016/113123 CN2016113123W WO2017215240A1 WO 2017215240 A1 WO2017215240 A1 WO 2017215240A1 CN 2016113123 W CN2016113123 W CN 2016113123W WO 2017215240 A1 WO2017215240 A1 WO 2017215240A1
Authority
WO
WIPO (PCT)
Prior art keywords
neural network
face
picture
feature
training
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.)
Ceased
Application number
PCT/CN2016/113123
Other languages
English (en)
French (fr)
Inventor
张玉兵
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.)
Guangzhou Shiyuan Electronics Thecnology Co Ltd
Original Assignee
Guangzhou Shiyuan Electronics Thecnology 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 Guangzhou Shiyuan Electronics Thecnology Co Ltd filed Critical Guangzhou Shiyuan Electronics Thecnology Co Ltd
Publication of WO2017215240A1 publication Critical patent/WO2017215240A1/zh
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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 OR CALCULATING; 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

Definitions

  • the invention relates to the field of face recognition technology, in particular to a neural network based face feature extraction modeling method and device, and a face recognition method and device.
  • Face recognition is a biometric technology based on human facial feature information for identification. Generally, after capturing an image or video stream containing a face with a camera or a camera, the face is automatically detected and tracked in the image. Face recognition of detected faces is also commonly called portrait recognition and face recognition.
  • the general model has a strong dependence on data, the data of a specific application scenario accounts for a small proportion in the general face data set. Therefore, the face recognition accuracy of the general model in a specific face recognition application scenario is not high.
  • Face recognition method and device for face feature model established by modeling method and device.
  • a neural network based face feature extraction modeling method includes:
  • the triplet face image includes a first picture, a second picture, and a third picture under another category in the same category;
  • Performing a face recognition test on the triple deep neural network by using a test set of the preset application scenario, and rooting The test accuracy is determined according to the test result, and the target face feature extraction model is determined according to the test result and the triad deep neural network.
  • a neural network based face feature extraction modeling device comprising:
  • a ternary picture obtaining module configured to obtain a triplet face image from a training set of a preset application scenario; the triplet face image includes a first picture, a second picture, and another category under the same category Third picture
  • a ternary network determining module configured to acquire a trained face recognition neural network, and determine a triple deep neural network according to the face recognition neural network;
  • a loss cost determining module configured to use the triplet face image as an input of the triplet deep neural network to determine a loss cost function value
  • a ternary network training module configured to train the triplet deep neural network on the training set according to the loss cost function value and the training parameter
  • a feature model determining module configured to perform a face recognition test on the triplet deep neural network by using a test set of the preset application scenario, and determine a test accuracy according to the test result, according to the test accuracy and the ternary
  • the group depth neural network determines the target face feature extraction model.
  • the above neural network-based facial feature extraction modeling method and apparatus for training a model, using a triad face image acquired by a training set of a preset application scenario as an input of a triad deep neural network, performing neural network training. Therefore, the modeling method and device can greatly reduce the capacity of the training set, and the training set is a face image of the preset application scenario, and the face feature model obtained by the modeling can be applied to a specific face recognition application scenario. In the middle, the face recognition accuracy is high.
  • a face recognition method includes:
  • a face recognition device comprising:
  • the to-be-identified feature determining module is configured to obtain a to-be-identified image, and use the to-be-identified image as an input of a target facial feature extraction model to determine a feature to be identified;
  • a comparison classification determining module configured to enter the image feature corresponding to the face image in the training set The line is compared, and the classification of the face picture corresponding to the picture feature closest to the feature to be identified is determined as the classification of the picture to be identified.
  • the above-described face recognition method and apparatus since the face feature recognition model is performed based on the target face feature extraction model established by the above-described neural network-based face feature extraction modeling device, the above-described face recognition method and apparatus have high recognition accuracy. .
  • FIG. 1 is a flowchart of a neural network based face feature extraction modeling method according to an embodiment
  • FIG. 2 is a specific flowchart of a step of the neural network based face feature extraction modeling method of FIG. 1;
  • FIG. 3 is a flowchart of a neural network based face feature extraction modeling method according to another embodiment
  • FIG. 4 is a diagram showing an example of a method for modeling facial face extraction in a neural network based face feature extraction modeling method according to an embodiment
  • FIG. 5 is a diagram showing a result of performing face alignment processing on the example diagram of FIG. 4;
  • FIG. 6 is a specific flowchart of another step of the neural network based face feature extraction modeling method of FIG. 1;
  • FIG. 7 is a flowchart of a face recognition method according to an embodiment
  • FIG. 8 is a structural diagram of a neural network based face feature extraction modeling apparatus according to an embodiment
  • FIG. 9 is a structural diagram of a face recognition method according to an embodiment.
  • a neural network based face feature extraction modeling method includes:
  • S140 Obtain a triplet face image from a training set of the preset application scenario.
  • the triplet face image includes a first picture, a second picture, and a third picture under another category in the same category.
  • the preset application scenario may be a scene with high requirements for face recognition accuracy, such as a bank VTM (Virtual Teller Machine) verification, a jewelry store VIP (Very Important Person), and the like.
  • the same category represents the same object, such as the same person.
  • the triplet picture combines the verification information, that is, the first picture and the second picture belong to the same category, and the first picture and the third picture belong to different categories.
  • each person has M face pictures; that is, the number of classifications is N, and there are M face pictures under each category.
  • K individuals are randomly selected from N individuals for training to form a training set, a total of Three triads are used for training. Therefore, using the triplet face image as the input of the neural network training can greatly reduce the capacity of the training set, without preparing a large number of face images for training, and saving resources.
  • S150 Acquire a trained face recognition neural network, and determine a triple deep neural network according to the face recognition neural network.
  • the trained face recognition neural network is a well-trained neural network that uses the prior art for face recognition. In this way, follow-up training is performed on the basis of the trained face recognition neural network without training from zero. Therefore, training time can be saved and the optimal neural network can be found faster.
  • the trained face recognition neural network is a deep neural network.
  • the triad deep neural network is based on the trained face recognition neural network, including the face feature extraction model in three trained face recognition neural networks.
  • the picture features of the first picture, the second picture and the third picture can be respectively determined, thereby determining the loss cost function. value.
  • the loss cost function loss of the triple deep neural network is defined as:
  • the picture features of the first picture, the second picture, and the third picture are respectively;
  • ⁇ is a training parameter, specifically a feature distance threshold.
  • the feature distance threshold is the minimum value of the difference between the feature distance of the face picture identified as the different classification and the feature distance of the face picture identified as the same classification.
  • i is the i-th feature element of the face picture
  • Q is the total number of feature elements of the face picture. In one embodiment, Q is 4096.
  • S170 Train the triad deep neural network on the training set according to the loss cost function value and the training parameter.
  • the triad deep neural network may be trained on the training set using a stochastic gradient descent method based on the loss cost function value and the training parameters.
  • Training parameters include feature distance thresholds and learning rates.
  • the value of the feature distance threshold may be set to 0.2 or 0.25 by default; the value of the learning rate may be set to 0.0001 by default.
  • S180 The triplet deep neural network is tested by using the test set of the preset application scenario, and the test accuracy is determined according to the test result, and the target face is determined according to the test accuracy and the triplet deep neural network.
  • Feature extraction model The triplet deep neural network is tested by using the test set of the preset application scenario, and the test accuracy is determined according to the test result, and the target face is determined according to the test accuracy and the triplet deep neural network.
  • the training of the triple deep neural network can continue unanimously.
  • the triad deep neural network is tested by using the test set of the preset application scenario, and the test accuracy is determined according to the test result.
  • the test accuracy can be determined from the test results in an existing manner.
  • the triad deep neural network is the target triad deep neural network.
  • the target facial feature extraction model can be determined by the target triple deep neural network.
  • the preset accuracy is the precision requirement that the test needs to be set in advance.
  • test set is a collection of face images that do not intersect the training set.
  • the test set is created by dividing the N categories into K categories for making the training set, and the remaining N-K categories of face photos are used to create a test set.
  • the test set consists of randomly extracted face image verification pairs. The extraction rules are as follows:
  • the positive and negative sample pairs here take 3000 pairs, a total of 6000 pairs.
  • the test accuracy is defined as:
  • the preset test accuracy is not preset, and the change process of the preset accuracy is gradually increased first, and a large fluctuation is generated when a certain precision is reached; here, the accuracy is recorded as the maximum stable precision. Therefore, when the test accuracy is no longer steadily improved, that is, when the maximum stability accuracy is reached, the triad deep neural network is no longer trained, and the current ternary deep neural network is the optimal triple deep neural network.
  • the three-dimensional deep neural network is divided into three forward propagation networks. Since the three-dimensional deep neural network has the characteristics of parameter sharing, the three networks and model parameters after the splitting are identical, and the feature layer of any network is extracted. With its corresponding parameters, a new neural network can be determined to determine the final target facial feature extraction model.
  • the above-mentioned neural network-based facial feature extraction modeling method performs neural network training because the trinocular face image acquired by the training set of the preset application scene is used as the input of the triad deep neural network when training the model. Therefore, the modeling method can greatly reduce the capacity of the training set, and the training set is a face image of the preset application scenario, and can be used when applying the modeled facial feature model to a specific face recognition application scenario. The beneficial effect of high face recognition accuracy.
  • the triple deep neural network includes three face feature extraction models of the face recognition neural network.
  • the step of determining the loss cost function value by using the triplet face image as an input of the triplet deep neural network, that is, S160, includes:
  • the first picture, the second picture, and the third picture are respectively used as input of three face feature extraction models in the three-tuple deep neural network, and three picture features are determined respectively. It is a first feature, a second feature, and a third feature.
  • S263 Determine a loss cost function value according to the first feature, the second feature, and the third feature.
  • step S263 includes: determining a similar feature distance according to the first feature and the second feature; determining a heterogeneous feature distance according to the first feature and the third feature; and according to the similar feature distance and heterogeneous feature The difference in distance plus the feature distance threshold determines the loss cost function value.
  • steps S340-S380 are sequentially corresponding to steps S140-S180.
  • the method further includes:
  • S310 Collect a video picture in the preset application scenario, and perform face detection on the video picture to obtain a face picture.
  • the camera is used to capture video images in a preset application scenario and stored in a computer via network transmission and data lines. Face detection is performed on the captured video image by the existing method, and the face image is extracted and stored in the computer hard disk.
  • S320 Acquire classification information for classifying the face image, classify the face image according to the classification information, and perform face alignment processing on the face image to form a training set.
  • the face images detected and extracted are manually classified. Therefore, the computer obtains the manually input classification information and classifies them according to the classification information. Face photos belonging to the same category are put together and marked by classification information.
  • the key point alignment operation of the face image needs to be performed by the existing method. Perform face alignment processing to remove the influence of face angle on face recognition.
  • the key points include the position of the eyes, nose and mouth.
  • a captured face image is an example image before face alignment processing
  • the aligned face image is as shown in FIG. 5.
  • step S170 includes:
  • S671 Acquire an initial training parameter, and train the triad deep neural network on the training set according to the loss cost function value and the initial training parameter.
  • S673 Update training parameters, and train the triad deep neural network on the training set according to the loss cost function value and the updated training parameter.
  • the training parameters of the triad deep neural network are continuously adjusted for training to determine the optimal training parameters.
  • the present invention further provides a face recognition method using the above neural network-based face feature extraction modeling method, including:
  • S740 Acquire a picture to be identified, and use the picture to be identified as an input of a target face feature extraction model to determine a feature to be identified.
  • the target face feature extraction model is a target face feature extraction model established by the above-described neural network based face feature extraction modeling method.
  • the image to be recognized is collected by the camera, and the image to be recognized is transmitted to the computer; the computer acquires the image to be recognized, and inputs the image of the target face feature extracted by the image to be recognized, so as to determine the picture of the image to be recognized.
  • Feature the feature to be identified.
  • S760 comparing the to-be-identified feature with a picture feature corresponding to the face image in the training set, and determining a classification of the face image corresponding to the picture feature closest to the to-be-identified feature as the to-be-identified picture Classification.
  • the picture features of all face images in the training set are determined in advance by the target face feature extraction model. After the feature to be identified is determined, the distance between the feature to be identified and the image feature of each face image in the training set is calculated; the classification of the face image corresponding to the image feature closest to the feature to be identified is the classification of the image to be recognized.
  • the above-described face recognition method since the face feature recognition model is performed based on the target face feature extraction model established by the above-described neural network-based face feature extraction modeling method, the above-described face recognition method has high recognition accuracy.
  • the method further includes:
  • a neural network-based facial feature extraction modeling apparatus of an embodiment includes:
  • the ternary picture obtaining module 840 is configured to obtain a triplet face image from a training set of the preset application scenario; the triplet face image includes a first picture, a second picture, and another category in the same category The third picture below;
  • the ternary network determining module 850 is configured to obtain a trained face recognition neural network, and determine a triple deep neural network according to the face recognition neural network;
  • a loss cost determination module 860 configured to use the triplet face image as an input of the triplet deep neural network to determine a loss cost function value
  • the ternary network training module 870 is configured to train the triplet deep neural network on the training set according to the loss cost function value and the training parameter;
  • the feature model determining module 880 is configured to perform a face recognition test on the triplet deep neural network by using a test set of the preset application scenario, and determine a test accuracy according to the test result, according to the test accuracy and the third
  • the tuple depth neural network determines the target facial feature extraction model.
  • the above-mentioned neural network-based facial feature extraction modeling device performs neural network training because the triad face image acquired by the training set of the preset application scene is used as the input of the triad deep neural network when training the model. Therefore, the modeling device can greatly reduce the capacity of the training set, and the training set is a face image of the preset application scenario, which can be achieved when the modeled facial feature model is applied to a specific face recognition application scenario. The beneficial effect of high face recognition accuracy.
  • the triple depth neural network includes three face feature extraction models of the face recognition neural network; the loss cost determination module 860 includes:
  • a picture feature determining unit 861 configured to use the first picture, the second picture, and the third picture as inputs of three of the facial feature extraction models in the three-dimensional deep neural network, Determining that the three picture features are the first feature, the second feature, and the third feature, respectively;
  • the loss cost determining unit 863 is configured to determine a loss cost function value according to the first feature, the second feature, and the third feature.
  • the method further includes:
  • the picture collection and detection module 810 is configured to collect a video picture in the preset application scenario, and perform face detection on the video picture to obtain a face picture;
  • the image classification alignment module 820 is configured to acquire classification information for classifying the facial image, classify the facial image according to the classification information, and perform face alignment processing on the facial image to form a training. set.
  • the ternary network training module 870 includes:
  • the initial parameter training unit 871 is configured to acquire initial training parameters, and train the triad deep neural network on the training set according to the loss cost function value and the initial training parameter;
  • the update parameter training unit 873 is configured to update the training parameter, and train the triad deep neural network on the training set according to the loss cost function value and the updated training parameter.
  • a face recognition device of an embodiment includes:
  • the to-be-identified feature determining module 940 is configured to obtain a to-be-identified image, and use the to-be-identified image as an input of the target facial feature extraction model to determine a feature to be identified;
  • the comparison classification determining module 960 is configured to compare the feature to be identified with the picture feature corresponding to the face image in the training set, and determine the classification of the face image corresponding to the picture feature closest to the feature to be identified. The classification of the picture to be identified.
  • the face recognition device since the face feature recognition is performed based on the target face feature extraction model established by the above-described neural network-based face feature extraction modeling device, the face recognition device has high recognition accuracy.
  • the method further includes:
  • the feature model obtaining module 920 is configured to acquire a target face feature extraction model.

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Computer Interaction (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明提供一种基于神经网络的人脸特征提取建模方法及装置，从预设应用场景的训练集中获取三元组人脸图片；获取经过训练的人脸识别神经网络，并根据人脸识别神经网络确定三元组深度神经网络；将三元组人脸图片作为三元组深度神经网络的输入，确定损失代价函数值；根据损失代价函数值及训练参数在训练集上训练三元组深度神经网络；通过预设应用场景的测试集对三元组深度神经网络进行人脸识别测试，并根据测试结果确定测试精度，根据测试精度及三元组深度神经网络确定目标人脸特征提取模型。该方法及装置可以达到将建模得到的人脸特征模型应用在特定的人脸识别应用场景中时，人脸识别精度高的有益效果。本发明还提供一种人脸识别方法及装置。

Description

基于神经网络的人脸特征提取建模、人脸识别方法及装置 技术领域
本发明涉及人脸识别技术领域，尤其涉及一种基于神经网络的人脸特征提取建模方法及装置以及一种人脸识别方法及装置。
背景技术
人脸识别，是一种基于人的脸部特征信息进行身份识别的生物识别技术，一般是用摄像机或摄像头采集含有人脸的图像或视频流后，自动在图像中检测和跟踪人脸，进而对检测到的人脸进行脸部识别，通常也叫做人像识别、面部识别。
传统的人脸识别神经网络广泛应用于人脸识别中，但由于传统的人脸识别神经网络中的人脸特征提取模型多是基于在一个很大的人脸数据集(50万以上)上训练，然后作为通用模型应用在各种场景中。
由于通用模型对数据具有很强的依赖性，而特定应用场景的数据在通用人脸数据集中所占的比例较少。因此，通用模型在特定的人脸识别应用场景中的人脸识别精度并不高。
发明内容
基于此，有必要提供一种能够在特定的人脸识别应用场景中提高识别精度的基于神经网络的人脸特征提取建模方法及装置，以及一种应用通过该基于神经网络的人脸特征提取建模方法及装置建立的人脸特征模型的人脸识别方法及装置。
一种基于神经网络的人脸特征提取建模方法，包括：
从预设应用场景的训练集中获取三元组人脸图片；所述三元组人脸图片包括同一分类下的第一图片、第二图片，及另一分类下的第三图片；
获取经过训练的人脸识别神经网络，并根据所述人脸识别神经网络确定三元组深度神经网络；
将所述三元组人脸图片作为所述三元组深度神经网络的输入，确定损失代价函数值；
根据所述损失代价函数值及训练参数在所述训练集上训练所述三元组深度神经网络；
通过所述预设应用场景的测试集对所述三元组深度神经网络进行人脸识别测试，并根 据测试结果确定测试精度，根据所述测试结果及所述三元组深度神经网络确定目标人脸特征提取模型。
一种基于神经网络的人脸特征提取建模装置，包括：
三元图片获取模块，用于从预设应用场景的训练集中获取三元组人脸图片；所述三元组人脸图片包括同一分类下的第一图片、第二图片，及另一分类下的第三图片；
三元网络确定模块，用于获取经过训练的人脸识别神经网络，并根据所述人脸识别神经网络确定三元组深度神经网络；
损失代价确定模块，用于将所述三元组人脸图片作为所述三元组深度神经网络的输入，确定损失代价函数值；
三元网络训练模块，用于根据所述损失代价函数值及训练参数在所述训练集上训练所述三元组深度神经网络；
特征模型确定模块，用于通过所述预设应用场景的测试集对所述三元组深度神经网络进行人脸识别测试，并根据测试结果确定测试精度，根据所述测试精度及所述三元组深度神经网络确定目标人脸特征提取模型。
上述基于神经网络的人脸特征提取建模方法及装置，由于训练模型的时候采用预设应用场景的训练集中获取的三元组人脸图片作为三元组深度神经网络的输入，进行神经网络的训练。因此，该建模方法及装置可以大大降低训练集的容量，且训练集均为预设应用场景的人脸图片，可以达到将建模得到的人脸特征模型应用在特定的人脸识别应用场景中时，人脸识别精度高的有益效果。
一种人脸识别方法，包括：
获取待识别图片，并将所述待识别图片作为目标人脸特征提取模型的输入，确定待识别特征；
将所述待识别特征与训练集中的人脸图片对应的图片特征进行对比，并将与所述待识别特征距离最近的图片特征对应的人脸图片所属的分类确定为所述待识别图片的分类。
一种人脸识别装置，包括：
待识特征确定模块，用于获取待识别图片，并将所述待识别图片作为目标人脸特征提取模型的输入，确定待识别特征；
对比分类确定模块，用于将所述待识别特征与训练集中的人脸图片对应的图片特征进 行对比，并将与所述待识别特征距离最近的图片特征对应的人脸图片所属的分类确定为所述待识别图片的分类。
上述人脸识别方法及装置，由于根据通过上述基于神经网络的人脸特征提取建模装置建立的目标人脸特征提取模型进行人脸特征识别，因此，上述人脸识别方法及装置的识别精度高。
附图说明
图1为一实施例的基于神经网络的人脸特征提取建模方法的流程图；
图2为图1的基于神经网络的人脸特征提取建模方法的一个步骤的具体流程图；
图3为另一实施例的基于神经网络的人脸特征提取建模方法的流程图；
图4为一实施例的基于神经网络的人脸特征提取建模方法中进行人脸对齐处理前的示例图；
图5为图4的示例图进行人脸对齐处理后的结果图；
图6为图1的基于神经网络的人脸特征提取建模方法的另一个步骤的具体流程图；
图7为一实施例的人脸识别方法的流程图；
图8为一实施例的基于神经网络的人脸特征提取建模装置的结构图；
图9为一实施例的人脸识别方法的结构图。
具体实施方式
为了便于理解本发明，下面将参照相关附图对本发明进行更全面的描述。附图中给出了本发明的较佳的实施例。但是，本发明可以以许多不同的形式来实现，并不限于本文所描述的实施例。相反地，提供这些实施例的目的是使对本发明的公开内容的理解更加透彻全面。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。本文所使用的术语“或/和”包括一个或多个相关的所列项目的任意的和所有的组合。
如图1所示，为本发明一个实施例的基于神经网络的人脸特征提取建模方法，包括：
S140：从预设应用场景的训练集中获取三元组人脸图片。所述三元组人脸图片包括同一分类下的第一图片、第二图片，及另一分类下的第三图片。
预设应用场景可以为对人脸识别精度要求较高的场景，如银行VTM(Virtual Teller Machine，远程柜员机)验证、珠宝店VIP(Very Important Person，贵宾)识别等场景。同一分类表示同一个对象，如可以为同一个人。
三元组图片结合了验证信息，即第一图片、第二图片属于同一分类而第一图片与第三图片属于不同分类。
假设总人数为N，每个人有M张人脸图片；即分类数为N，每个分类下面有M张人脸图片。假设从N个人中随机挑选K个人用于训练，形成训练集，则总共可以抽取
Figure PCTCN2016113123-appb-000001
个三元组用于训练。因此，利用三元组人脸图片作为神经网络训练的输入可以大大降低训练集的容量，无需准备大量用于训练的人脸图片，节约资源。
S150：获取经过训练的人脸识别神经网络，并根据所述人脸识别神经网络确定三元组深度神经网络。
经过训练的人脸识别神经网络为采用现有技术进行人脸识别的已经训练好了的神经网络。如此，在经过训练的人脸识别神经网络的基础上进行后续训练，而无需再从零开始训练。因此，可以节约训练时间，更快地找到最优神经网络。优选地，经过训练的人脸识别神经网络为深度神经网络。
三元组深度神经网络以经过训练的人脸识别神经网络为基础，包括三个经过训练的人脸识别神经网络中的人脸特征提取模型。
S160：将所述三元组人脸图片作为所述三元组深度神经网络的输入，确定损失代价函数值。
根据三元组深度神经网络中的三个经过训练的人脸识别神经网络中的人脸特征提取模型可以分别确定第一图片、第二图片及第三图片的图片特征，进而确定损失代价函数的值。三元组深度神经网络的损失代价函数loss定义为：
Figure PCTCN2016113123-appb-000002
其中，
Figure PCTCN2016113123-appb-000003
分别为第一图片、第二图片、第三图片的图片特征；α为训练参数，具体为特征距离阈值。特征距离阈值是认定为不同分类的人脸图片的特征距 离与认定为同一分类的人脸图片的特征距离之差的最小值。式中，+表示[ ]内的值大于零的时候，取该值；[ ]内的值小于零的时候，取零。i为人脸图片的第i个特征元素，Q为人脸图片的特征元素的总数，在一个具体实施例中，Q为4096。式中，
Figure PCTCN2016113123-appb-000004
表示二范数运算。
S170：根据所述损失代价函数值及训练参数在所述训练集上训练所述三元组深度神经网络。
在一个实施例中，可以根据所述损失代价函数值及训练参数采用随机梯度下降法在所述训练集上训练所述三元组深度神经网络。
训练参数包括特征距离阈值及学习速率。在一个较优实施例中，特征距离阈值的值可以默认设置为0.2或0.25；学习速率的值可以默认设置为0.0001。
S180：通过所述预设应用场景的测试集对所述三元组深度神经网络进行测试，并根据测试结果确定测试精度，根据所述测试精度及所述三元组深度神经网络确定目标人脸特征提取模型。
只要测试集的容量足够大，对三元组深度神经网络的训练可以一致持续下去。在本实施例中，每次训练预设时间之后，通过所述预设应用场景的测试集对所述三元组深度神经网络进行测试，并根据测试结果确定测试精度。可以采用现有方式根据测试结果确定测试精度。
当测试精度到达预设精度时，不再继续训练，此时的三元组深度神经网络为目标三元组深度神经网络。通过目标三元组深度神经网络可以确定目标人脸特征提取模型。其中，预设精度为预先设置测试需要达到的精度要求。
在一个较优的实施例中，采用交叉验证的方式进行验证。测试集为与训练集没有交集的人脸图片的集合。
在一个具体的实施例中，测试集制作方式为：将N个分类中除了用于制作训练集的K个分类，剩下的N-K个分类的人脸照片用于制作测试集。测试集由随机抽取的人脸图片验证对组成，抽取规则如下：
第n个分类的第a张人脸图片，第n个分类的第b张人脸图片(正样本对)
...
第i个分类的第c张人脸图片，第j个分类的第d张人脸图片(负样本对)
...
按照国际标准人脸验证测试集的规则，此处正、负样本对各取3000对，共6000对。测试规则为：将正样本对中的两张照片判断成同一个人，则判断正确，即xi＝1；将负样本对中的两张照片判断成不是同一个人，则判断正确，即xi＝1；其它则判断错误，即xi＝0。则测试精度定义为：
Figure PCTCN2016113123-appb-000005
在其中一个实施例中，并不预设设置预设测试精度，预设精度的变化过程为先逐渐提升，当到达某个精度之后将产生较大波动；这里把这个精度记为最大稳定精度。因此，当测试精度不再稳定提升时，即到达最大稳定精度时，不再继续训练三元组深度神经网络，当前三元组深度神经网络即为最优的三元组深度神经网络。将三元组深度神经网络劈分成三个前向传播网络，由于三元组深度神经网络具有参数共享的特性，所以劈分后的三个网络和模型参数完全相同，提取任一网络的特征层及其对应的参数，即可确定新的神经网络，从而确定最终的目标人脸特征提取模型。
上述基于神经网络的人脸特征提取建模方法，由于训练模型的时候采用预设应用场景的训练集中获取的三元组人脸图片作为三元组深度神经网络的输入，进行神经网络的训练。因此，该建模方法可以大大降低训练集的容量，且训练集均为预设应用场景的人脸图片，可以达到将建模得到的人脸特征模型应用在特定的人脸识别应用场景中时，人脸识别精度高的有益效果。
请参阅图2，在其中一个实施例中，所述三元组深度神经网络包括三个所述人脸识别神经网络的人脸特征提取模型。所述将所述三元组人脸图片作为所述三元组深度神经网络的输入，确定损失代价函数值的步骤，即S160，包括：
S261：将所述第一图片、所述第二图片及所述第三图片分别作为所述三元组深度神经网络中的三个所述人脸特征提取模型的输入，确定三个图片特征分别为第一特征、第二特征及第三特征。
S263：根据所述第一特征、所述第二特征及所述第三特征确定损失代价函数值。
具体地，步骤S263包括：根据所述第一特征及所述第二特征确定同类特征距离；根据所述第一特征及所述第三特征确定异类特征距离；根据所述同类特征距离与异类特征距离的差加上特征距离阈值确定损失代价函数值。
请参阅图3，在其中一个实施例中，步骤S340～S380依次对应为步骤S140～S180。所述从预设应用场景的训练集中获取三元组人脸图片的步骤(即步骤S340)之前，还包括：
S310：在所述预设应用场景中采集视频图片，并对所述视频图片进行人脸检测得到人脸图片。
使用摄像头在预设应用场景中采集视频图片，并通过网络传输和数据线存放在计算机中。通过现有方式对采集到的视频图片进行人脸检测，将人脸图片提取出来存储在计算机硬盘中。
S320：获取对所述人脸图片进行分类的分类信息，根据所述分类信息对所述人脸图片进行分类，并将所述人脸图片进行人脸对齐处理，形成训练集。
人工对检测并提取出的人脸图片进行分类，因此，计算机获取人工输入的分类信息，并根据分类信息分类。属于相同分类的人脸照片放在一起并通过分类信息予以标记。
由于人脸图片中的人脸角度和人脸位置是不一致的，为了保证提取到稳定的特征并取得较好的人脸识别效果，需要通过现有方式对人脸图片进行关键点对齐操作，以进行人脸对齐处理，去除人脸角度对人脸识别带来的影响。其中，关键点包括眼睛、鼻尖和嘴角等的位置。如图4所示为一个采集到的人脸图片的，即进行人脸对齐处理前的示例图，对齐后的人脸图片如图5所示。
请参阅图6，在其中一个实施例中，所述根据所述损失代价函数值及训练参数在所述训练集上训练所述三元组深度神经网络的步骤，即步骤S170，包括：
S671：获取初始训练参数，根据所述损失代价函数值及所述初始训练参数在所述训练集上训练所述三元组深度神经网络。
S673：更新训练参数，根据所述损失代价函数值及更新后的所述训练参数在所述训练集上训练所述三元组深度神经网络。
如此，不断调整三元组深度神经网络的训练参数进行训练，确定最优地训练参数。通过大量调试和试验，发现针对本文描述的方法，特征距离阈值α＝0.2且学习速率lr＝0.001 时，能得到最好的算法精度提升。
如图7所示，本发明还提供一种应用上述基于神经网络的人脸特征提取建模方法的人脸识别方法，包括：
S740：获取待识别图片，并将所述待识别图片作为目标人脸特征提取模型的输入，确定待识别特征。
目标人脸特征提取模型为通过上述基于神经网络的人脸特征提取建模方法建立的目标人脸特征提取模型。
通过摄像头采集待识别图片，并将该待识别图片传输至计算机；计算机获取该待识别图片，将该待识别图片输入所建立的目标人脸特征提取模型进行运算，从而可以确定待识别图片的图片特征，即待识别特征。
S760：将所述待识别特征与训练集中的人脸图片对应的图片特征进行对比，并将与所述待识别特征距离最近的图片特征对应的人脸图片所属的分类确定为所述待识别图片的分类。
在本实施例中，预先通过目标人脸特征提取模型确定训练集中所有人脸图片的图片特征。确定待识别特征之后，计算待识别特征与训练集中的各个人脸图片的图片特征的距离；与待识别特征距离最近的图片特征对应的人脸图片所属的分类即为待识别图片的分类。
上述人脸识别方法，由于根据通过上述基于神经网络的人脸特征提取建模方法建立的目标人脸特征提取模型进行人脸特征识别，因此，上述人脸识别方法的识别精度高。
请继续参阅图7，在其中一个实施例中，还包括：
S720：获取目标人脸特征提取模型。
本发明还提供一种与基于神经网络的人脸特征提取建模方法对应的虚拟装置。如图8所示，一个实施例的基于神经网络的人脸特征提取建模装置，包括：
三元图片获取模块840，用于从预设应用场景的训练集中获取三元组人脸图片；所述三元组人脸图片包括同一分类下的第一图片、第二图片，及另一分类下的第三图片；
三元网络确定模块850，用于获取经过训练的人脸识别神经网络，并根据所述人脸识别神经网络确定三元组深度神经网络；
损失代价确定模块860，用于将所述三元组人脸图片作为所述三元组深度神经网络的输入，确定损失代价函数值；
三元网络训练模块870，用于根据所述损失代价函数值及训练参数在所述训练集上训练所述三元组深度神经网络；
特征模型确定模块880，用于通过所述预设应用场景的测试集对所述三元组深度神经网络进行人脸识别测试，并根据测试结果确定测试精度，根据所述测试精度及所述三元组深度神经网络确定目标人脸特征提取模型。
上述基于神经网络的人脸特征提取建模装置，由于训练模型的时候采用预设应用场景的训练集中获取的三元组人脸图片作为三元组深度神经网络的输入，进行神经网络的训练。因此，该建模装置可以大大降低训练集的容量，且训练集均为预设应用场景的人脸图片，可以达到将建模得到的人脸特征模型应用在特定的人脸识别应用场景中时，人脸识别精度高的有益效果。
在其中一个实施例中，所述三元组深度神经网络包括三个所述人脸识别神经网络的人脸特征提取模型；所述损失代价确定模块860，包括：
图片特征确定单元861，用于将所述第一图片、所述第二图片及所述第三图片分别作为所述三元组深度神经网络中的三个所述人脸特征提取模型的输入，确定三个图片特征分别为第一特征、第二特征及第三特征；
损失代价确定单元863，用于根据所述第一特征、所述第二特征及所述第三特征确定损失代价函数值。
在其中一个实施例中，还包括：
图片采集检测模块810，用于在所述预设应用场景中采集视频图片，并对所述视频图片进行人脸检测得到人脸图片；
图片分类对齐模块820，用于获取对所述人脸图片进行分类的分类信息，根据所述分类信息对所述人脸图片进行分类，并将所述人脸图片进行人脸对齐处理，形成训练集。
在其中一个实施例中，所述三元网络训练模块870，包括：
初始参数训练单元871，用于获取初始训练参数，根据所述损失代价函数值及所述初始训练参数在所述训练集上训练所述三元组深度神经网络；
更新参数训练单元873，用于更新训练参数，根据所述损失代价函数值及更新后的所述训练参数在所述训练集上训练所述三元组深度神经网络。
本发明还提供一种与人脸识别方法对应的虚拟装置。如图9所示，一个实施例的人脸识别装置，包括：
待识特征确定模块940，用于获取待识别图片，并将所述待识别图片作为所述目标人脸特征提取模型的输入，确定待识别特征；
对比分类确定模块960，用于将所述待识别特征与训练集中的人脸图片对应的图片特征进行对比，并将与所述待识别特征距离最近的图片特征对应的人脸图片所属的分类确定为所述待识别图片的分类。
上述人脸识别装置，由于根据通过上述基于神经网络的人脸特征提取建模装置建立的目标人脸特征提取模型进行人脸特征识别，因此，上述人脸识别装置的识别精度高。
在其中一个实施例中，还包括：
特征模型获取模块920，用于获取目标人脸特征提取模型。
以上实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出多个变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (10)

  1. 一种基于神经网络的人脸特征提取建模方法，其特征在于，包括：
    从预设应用场景的训练集中获取三元组人脸图片；所述三元组人脸图片包括同一分类下的第一图片、第二图片，及另一分类下的第三图片；
    获取经过训练的人脸识别神经网络，并根据所述人脸识别神经网络确定三元组深度神经网络；
    将所述三元组人脸图片作为所述三元组深度神经网络的输入，确定损失代价函数值；
    根据所述损失代价函数值及训练参数在所述训练集上训练所述三元组深度神经网络；
    通过所述预设应用场景的测试集对所述三元组深度神经网络进行人脸识别测试，并根据测试结果确定测试精度，根据所述测试精度及所述三元组深度神经网络确定目标人脸特征提取模型。
  2. 根据权利要求1所述的基于神经网络的人脸特征提取建模方法，其特征在于，所述三元组深度神经网络包括三个所述人脸识别神经网络的人脸特征提取模型；所述将所述三元组人脸图片作为所述三元组深度神经网络的输入，确定损失代价函数值的步骤包括：
    将所述第一图片、所述第二图片及所述第三图片分别作为所述三元组深度神经网络中的三个所述人脸特征提取模型的输入，确定三个图片特征分别为第一特征、第二特征及第三特征；
    根据所述第一特征、所述第二特征及所述第三特征确定损失代价函数值。
  3. 根据权利要求1所述的基于神经网络的人脸特征提取建模方法，其特征在于，所述从预设应用场景的训练集中获取三元组人脸图片的步骤之前，还包括：
    在所述预设应用场景中采集视频图片，并对所述视频图片进行人脸检测得到人脸图片；
    获取对所述人脸图片进行分类的分类信息，根据所述分类信息对所述人脸图片进行分类，并将所述人脸图片进行人脸对齐处理，形成训练集。
  4. 根据权利要求1所述的基于神经网络的人脸特征提取建模方法，其特征在于，所述根据所述损失代价函数值及训练参数在所述训练集上训练所述三元组深度神经网络的步骤，包括：
    获取初始训练参数，根据所述损失代价函数值及所述初始训练参数在所述训练集上训 练所述三元组深度神经网络；
    更新训练参数，根据所述损失代价函数值及更新后的所述训练参数在所述训练集上训练所述三元组深度神经网络。
  5. 一种人脸识别方法，其特征在于，包括：
    获取待识别图片，并将所述待识别图片作为权利要求1-4任意一项所述的目标人脸特征提取模型的输入，确定待识别特征；
    将所述待识别特征与训练集中的人脸图片对应的图片特征进行对比，并将与所述待识别特征距离最近的图片特征对应的人脸图片所属的分类确定为所述待识别图片的分类。
  6. 一种基于神经网络的人脸特征提取建模装置，其特征在于，包括：
    三元图片获取模块，用于从预设应用场景的训练集中获取三元组人脸图片；所述三元组人脸图片包括同一分类下的第一图片、第二图片，及另一分类下的第三图片；
    三元网络确定模块，用于获取经过训练的人脸识别神经网络，并根据所述人脸识别神经网络确定三元组深度神经网络；
    损失代价确定模块，用于将所述三元组人脸图片作为所述三元组深度神经网络的输入，确定损失代价函数值；
    三元网络训练模块，用于根据所述损失代价函数值及训练参数在所述训练集上训练所述三元组深度神经网络；
    特征模型确定模块，用于通过所述预设应用场景的测试集对所述三元组深度神经网络进行人脸识别测试，并根据测试结果确定测试精度，根据所述测试精度及所述三元组深度神经网络确定目标人脸特征提取模型。
  7. 根据权利要求6所述的基于神经网络的人脸特征提取建模装置，其特征在于，所述三元组深度神经网络包括三个所述人脸识别神经网络的人脸特征提取模型；所述损失代价确定模块，包括：
    图片特征确定单元，用于将所述第一图片、所述第二图片及所述第三图片分别作为所述三元组深度神经网络中的三个所述人脸特征提取模型的输入，确定三个图片特征分别为第一特征、第二特征及第三特征；
    损失代价确定单元，用于根据所述第一特征、所述第二特征及所述第三特征确定损失代价函数值。
  8. 根据权利要求6所述的基于神经网络的人脸特征提取建模装置，其特征在于，还包括：
    图片采集检测模块，用于在所述预设应用场景中采集视频图片，并对所述视频图片进行人脸检测得到人脸图片；
    图片分类对齐模块，用于获取对所述人脸图片进行分类的分类信息，根据所述分类信息对所述人脸图片进行分类，并将所述人脸图片进行人脸对齐处理，形成训练集。
  9. 根据权利要求6所述的基于神经网络的人脸特征提取建模装置，其特征在于，所述三元网络训练模块，包括：
    初始参数训练单元，用于获取初始训练参数，根据所述损失代价函数值及所述初始训练参数在所述训练集上训练所述三元组深度神经网络；
    更新参数训练单元，用于更新训练参数，根据所述损失代价函数值及更新后的所述训练参数在所述训练集上训练所述三元组深度神经网络。
  10. 一种人脸识别装置，其特征在于，包括：
    待识特征确定模块，用于获取待识别图片，并将所述待识别图片作为权利要求6-9任意一项所述的目标人脸特征提取模型的输入，确定待识别特征；
    对比分类确定模块，用于将所述待识别特征与训练集中的人脸图片对应的图片特征进行对比，并将与所述待识别特征距离最近的图片特征对应的人脸图片所属的分类确定为所述待识别图片的分类。
PCT/CN2016/113123 2016-06-14 2016-12-29 基于神经网络的人脸特征提取建模、人脸识别方法及装置 Ceased WO2017215240A1 (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201610415337.8 2016-06-14
CN201610415337.8A CN105975959B (zh) 2016-06-14 2016-06-14 基于神经网络的人脸特征提取建模、人脸识别方法及装置

Publications (1)

Publication Number Publication Date
WO2017215240A1 true WO2017215240A1 (zh) 2017-12-21

Family

ID=57011139

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2016/113123 Ceased WO2017215240A1 (zh) 2016-06-14 2016-12-29 基于神经网络的人脸特征提取建模、人脸识别方法及装置

Country Status (2)

Country Link
CN (1) CN105975959B (zh)
WO (1) WO2017215240A1 (zh)

Cited By (28)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108346208A (zh) * 2018-04-19 2018-07-31 深圳安邦科技有限公司 一种深度学习的人脸识别系统
CN109711356A (zh) * 2018-12-28 2019-05-03 广州海昇教育科技有限责任公司 一种表情识别方法和系统
CN109829354A (zh) * 2018-11-29 2019-05-31 四川商通实业有限公司 一种基于深度学习的人脸识别方法
CN110147712A (zh) * 2019-03-27 2019-08-20 苏州书客贝塔软件科技有限公司 一种行人分析智能云平台
CN110414432A (zh) * 2019-07-29 2019-11-05 腾讯科技（深圳）有限公司 对象识别模型的训练方法、对象识别方法及相应的装置
CN110555338A (zh) * 2018-05-30 2019-12-10 北京三星通信技术研究有限公司 对象识别方法和装置、神经网络生成方法和装置
CN110647840A (zh) * 2019-09-19 2020-01-03 天津天地基业科技有限公司 一种基于改进的mobileNetV3的人脸识别方法
CN111079521A (zh) * 2019-11-04 2020-04-28 杨善棠 三维建模人脸识别方法、存储介质、嵌入式设备及系统
CN111126283A (zh) * 2019-12-25 2020-05-08 创新奇智(广州)科技有限公司 一种自动过滤模糊人脸的快速活体检测方法及系统
CN111160095A (zh) * 2019-11-26 2020-05-15 华东师范大学 基于深度自编码器网络的无偏人脸特征提取分类方法及系统
CN111209860A (zh) * 2020-01-06 2020-05-29 上海海事大学 基于深度学习与强化学习的视频考勤系统及方法
CN111209839A (zh) * 2019-12-31 2020-05-29 上海涛润医疗科技有限公司 人脸识别方法
CN111241992A (zh) * 2020-01-08 2020-06-05 科大讯飞股份有限公司 人脸识别模型构建方法、识别方法、装置、设备及存储介质
CN111582199A (zh) * 2020-05-12 2020-08-25 佛山市玖章智能科技有限公司 一种人脸识别模型训练方法和人脸识别方法
CN111860133A (zh) * 2020-06-08 2020-10-30 华南师范大学 无种族偏见的识别人类的人工智能伦理方法和机器人
CN111898465A (zh) * 2020-07-08 2020-11-06 北京捷通华声科技股份有限公司 一种人脸识别模型的获取方法和装置
CN112001204A (zh) * 2019-05-27 2020-11-27 北京君正集成电路股份有限公司 一种二次人脸检测的网络模型的训练方法
CN112085041A (zh) * 2019-06-12 2020-12-15 北京地平线机器人技术研发有限公司 神经网络的训练方法、训练装置和电子设备
CN112149564A (zh) * 2020-09-23 2020-12-29 上海交通大学烟台信息技术研究院 一种基于小样本学习的面容分类识别系统
CN112364698A (zh) * 2020-10-14 2021-02-12 北京计算机技术及应用研究所 一种基于卷积神经网络的人脸识别方法及装置
CN112613414A (zh) * 2020-12-25 2021-04-06 中用科技有限公司 融合眼部识别模型的局部遮挡人脸识别方法、系统、设备
CN112733632A (zh) * 2020-12-28 2021-04-30 华南理工大学 一种基于人脸识别与手势识别的机器人控制方法
CN113052144A (zh) * 2021-04-30 2021-06-29 平安科技（深圳）有限公司 活体人脸检测模型的训练方法、装置、设备及存储介质
CN113299295A (zh) * 2021-05-11 2021-08-24 支付宝(杭州)信息技术有限公司 声纹编码网络的训练方法及装置
CN113449704A (zh) * 2021-08-31 2021-09-28 北京的卢深视科技有限公司 人脸识别模型训练方法、装置、电子设备及存储介质
CN113591716A (zh) * 2021-07-29 2021-11-02 四川大学 基于分数阶蚁群算法优化神经网络的法庭监控人脸识别方法
CN114463798A (zh) * 2020-10-22 2022-05-10 北京鸿享技术服务有限公司 人脸识别模型的训练方法、装置、设备及存储介质
CN114495220A (zh) * 2022-01-19 2022-05-13 桂林电子科技大学 一种目标身份识别方法、装置以及存储介质

Families Citing this family (25)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105975959B (zh) * 2016-06-14 2019-09-03 广州视源电子科技股份有限公司 基于神经网络的人脸特征提取建模、人脸识别方法及装置
CN108090406B (zh) * 2016-11-23 2022-03-11 浙江宇视科技有限公司 人脸识别方法及系统
CN106778527B (zh) * 2016-11-28 2019-11-12 中通服公众信息产业股份有限公司 一种基于三重损失的改进的神经网络行人再识别方法
CN107016372A (zh) * 2017-04-12 2017-08-04 邹霞 基于神经网络的人脸识别方法
US10579785B2 (en) * 2017-09-29 2020-03-03 General Electric Company Automatic authentification for MES system using facial recognition
CN108875487B (zh) * 2017-09-29 2021-06-15 北京旷视科技有限公司 行人重识别网络的训练及基于其的行人重识别
CN108229532B (zh) * 2017-10-30 2021-02-12 北京市商汤科技开发有限公司 图像识别方法、装置和电子设备
CN108629377A (zh) * 2018-05-10 2018-10-09 北京达佳互联信息技术有限公司 一种分类模型的损失值获取方法及装置
CN108921106B (zh) * 2018-07-06 2021-07-06 重庆大学 一种基于capsule的人脸识别方法
CN110826363A (zh) * 2018-08-09 2020-02-21 阿里巴巴集团控股有限公司 图片指纹生成方法及装置
CN109145991B (zh) * 2018-08-24 2020-07-31 北京地平线机器人技术研发有限公司 图像组生成方法、图像组生成装置和电子设备
WO2020093303A1 (zh) * 2018-11-08 2020-05-14 北京比特大陆科技有限公司 基于人脸识别的处理方法、装置、设备及可读存储介质
CN109583332B (zh) * 2018-11-15 2021-07-27 北京三快在线科技有限公司 人脸识别方法、人脸识别系统、介质及电子设备
CN109657595B (zh) * 2018-12-12 2023-05-02 中山大学 基于堆叠沙漏网络的关键特征区域匹配人脸识别方法
CN109815801A (zh) * 2018-12-18 2019-05-28 北京英索科技发展有限公司 基于深度学习的人脸识别方法及装置
CN109766872B (zh) * 2019-01-31 2021-07-09 广州视源电子科技股份有限公司 图像识别方法和装置
CN111507135B (zh) * 2019-01-31 2025-10-31 北京奇虎科技有限公司 人脸检测方法、装置、计算机设备及存储介质
CN110200468A (zh) * 2019-05-24 2019-09-06 济南浪潮高新科技投资发展有限公司 一种智能窗帘控制方法及系统
CN110889429A (zh) * 2019-10-22 2020-03-17 杭州效准智能科技有限公司 一种基于深度学习的智能菜品匹配识别方法
CN110852733A (zh) * 2019-10-22 2020-02-28 杭州效准智能科技有限公司 一种基于rfid融合菜品图像匹配识别的智能餐饮结算系统
CN111341459A (zh) * 2020-02-28 2020-06-26 上海交通大学医学院附属上海儿童医学中心 分类深度神经网络模型的训练方法、遗传病检测方法
CN111680697B (zh) * 2020-03-17 2024-03-22 北京大学 实现领域自适应的方法、装置、电子设备及介质
CN112069995B (zh) * 2020-09-04 2024-02-27 西安西图之光智能科技有限公司 一种深度域人脸稠密特征提取方法、系统和存储介质
CN113486914B (zh) * 2020-10-20 2024-03-05 腾讯科技（深圳）有限公司 图像特征提取的神经网络训练的方法、装置和存储介质
CN114898454B (zh) * 2022-05-31 2026-01-06 中国第一汽车股份有限公司 一种神经网络模型的训练方法、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
WO2015066628A1 (en) * 2013-11-04 2015-05-07 Facebook, Inc. Systems and methods for facial representation
CN105512273A (zh) * 2015-12-03 2016-04-20 中山大学 一种基于可变长深度哈希学习的图像检索方法
CN105608450A (zh) * 2016-03-01 2016-05-25 天津中科智能识别产业技术研究院有限公司 基于深度卷积神经网络的异质人脸识别方法
CN105975959A (zh) * 2016-06-14 2016-09-28 广州视源电子科技股份有限公司 基于神经网络的人脸特征提取建模、人脸识别方法及装置
CN106203533A (zh) * 2016-07-26 2016-12-07 厦门大学 基于混合训练的深度学习人脸验证方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9390370B2 (en) * 2012-08-28 2016-07-12 International Business Machines Corporation Training deep neural network acoustic models using distributed hessian-free optimization
WO2014181895A1 (ko) * 2013-05-06 2014-11-13 인터월드 코리아 이중보안 및 기록을 위한 장치와 방법
CN105426963B (zh) * 2015-12-01 2017-12-26 北京天诚盛业科技有限公司 用于人脸识别的卷积神经网络的训练方法、装置及应用
CN105404877A (zh) * 2015-12-08 2016-03-16 商汤集团有限公司 基于深度学习和多任务学习的人脸属性预测方法及装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015066628A1 (en) * 2013-11-04 2015-05-07 Facebook, Inc. Systems and methods for facial representation
CN105512273A (zh) * 2015-12-03 2016-04-20 中山大学 一种基于可变长深度哈希学习的图像检索方法
CN105608450A (zh) * 2016-03-01 2016-05-25 天津中科智能识别产业技术研究院有限公司 基于深度卷积神经网络的异质人脸识别方法
CN105975959A (zh) * 2016-06-14 2016-09-28 广州视源电子科技股份有限公司 基于神经网络的人脸特征提取建模、人脸识别方法及装置
CN106203533A (zh) * 2016-07-26 2016-12-07 厦门大学 基于混合训练的深度学习人脸验证方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
SCHROFF, F. ET AL.: "FaceNet: A Unified Embedding for Face Recognition and Clustering", THE IEEE CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION (CVPR, 31 December 2015 (2015-12-31), pages 815 - 823, XP032793492 *

Cited By (41)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108346208A (zh) * 2018-04-19 2018-07-31 深圳安邦科技有限公司 一种深度学习的人脸识别系统
CN110555338A (zh) * 2018-05-30 2019-12-10 北京三星通信技术研究有限公司 对象识别方法和装置、神经网络生成方法和装置
CN109829354A (zh) * 2018-11-29 2019-05-31 四川商通实业有限公司 一种基于深度学习的人脸识别方法
CN109829354B (zh) * 2018-11-29 2023-05-23 四川商通实业有限公司 一种基于深度学习的人脸识别方法
CN109711356A (zh) * 2018-12-28 2019-05-03 广州海昇教育科技有限责任公司 一种表情识别方法和系统
CN109711356B (zh) * 2018-12-28 2023-11-10 广州海昇教育科技有限责任公司 一种表情识别方法和系统
CN110147712A (zh) * 2019-03-27 2019-08-20 苏州书客贝塔软件科技有限公司 一种行人分析智能云平台
CN112001204B (zh) * 2019-05-27 2024-04-02 北京君正集成电路股份有限公司 一种二次人脸检测的网络模型的训练方法
CN112001204A (zh) * 2019-05-27 2020-11-27 北京君正集成电路股份有限公司 一种二次人脸检测的网络模型的训练方法
CN112085041A (zh) * 2019-06-12 2020-12-15 北京地平线机器人技术研发有限公司 神经网络的训练方法、训练装置和电子设备
CN110414432A (zh) * 2019-07-29 2019-11-05 腾讯科技（深圳）有限公司 对象识别模型的训练方法、对象识别方法及相应的装置
CN110414432B (zh) * 2019-07-29 2023-05-16 腾讯科技（深圳）有限公司 对象识别模型的训练方法、对象识别方法及相应的装置
CN110647840A (zh) * 2019-09-19 2020-01-03 天津天地基业科技有限公司 一种基于改进的mobileNetV3的人脸识别方法
CN111079521A (zh) * 2019-11-04 2020-04-28 杨善棠 三维建模人脸识别方法、存储介质、嵌入式设备及系统
CN111160095A (zh) * 2019-11-26 2020-05-15 华东师范大学 基于深度自编码器网络的无偏人脸特征提取分类方法及系统
CN111160095B (zh) * 2019-11-26 2023-04-25 华东师范大学 基于深度自编码器网络的无偏人脸特征提取分类方法及系统
CN111126283A (zh) * 2019-12-25 2020-05-08 创新奇智(广州)科技有限公司 一种自动过滤模糊人脸的快速活体检测方法及系统
CN111209839A (zh) * 2019-12-31 2020-05-29 上海涛润医疗科技有限公司 人脸识别方法
CN111209839B (zh) * 2019-12-31 2023-05-23 上海涛润医疗科技有限公司 人脸识别方法
CN111209860B (zh) * 2020-01-06 2023-04-07 上海海事大学 基于深度学习与强化学习的视频考勤系统及方法
CN111209860A (zh) * 2020-01-06 2020-05-29 上海海事大学 基于深度学习与强化学习的视频考勤系统及方法
CN111241992B (zh) * 2020-01-08 2024-02-20 科大讯飞股份有限公司 人脸识别模型构建方法、识别方法、装置、设备及存储介质
CN111241992A (zh) * 2020-01-08 2020-06-05 科大讯飞股份有限公司 人脸识别模型构建方法、识别方法、装置、设备及存储介质
CN111582199A (zh) * 2020-05-12 2020-08-25 佛山市玖章智能科技有限公司 一种人脸识别模型训练方法和人脸识别方法
CN111582199B (zh) * 2020-05-12 2023-05-23 佛山市玖章智能科技有限公司 一种人脸识别模型训练方法和人脸识别方法
CN111860133A (zh) * 2020-06-08 2020-10-30 华南师范大学 无种族偏见的识别人类的人工智能伦理方法和机器人
CN111898465B (zh) * 2020-07-08 2024-05-14 北京捷通华声科技股份有限公司 一种人脸识别模型的获取方法和装置
CN111898465A (zh) * 2020-07-08 2020-11-06 北京捷通华声科技股份有限公司 一种人脸识别模型的获取方法和装置
CN112149564A (zh) * 2020-09-23 2020-12-29 上海交通大学烟台信息技术研究院 一种基于小样本学习的面容分类识别系统
CN112149564B (zh) * 2020-09-23 2023-01-10 上海交通大学烟台信息技术研究院 一种基于小样本学习的面容分类识别系统
CN112364698A (zh) * 2020-10-14 2021-02-12 北京计算机技术及应用研究所 一种基于卷积神经网络的人脸识别方法及装置
CN114463798A (zh) * 2020-10-22 2022-05-10 北京鸿享技术服务有限公司 人脸识别模型的训练方法、装置、设备及存储介质
CN112613414A (zh) * 2020-12-25 2021-04-06 中用科技有限公司 融合眼部识别模型的局部遮挡人脸识别方法、系统、设备
CN112733632A (zh) * 2020-12-28 2021-04-30 华南理工大学 一种基于人脸识别与手势识别的机器人控制方法
CN113052144A (zh) * 2021-04-30 2021-06-29 平安科技（深圳）有限公司 活体人脸检测模型的训练方法、装置、设备及存储介质
CN113299295B (zh) * 2021-05-11 2022-12-30 支付宝(杭州)信息技术有限公司 声纹编码网络的训练方法及装置
CN113299295A (zh) * 2021-05-11 2021-08-24 支付宝(杭州)信息技术有限公司 声纹编码网络的训练方法及装置
CN113591716B (zh) * 2021-07-29 2023-05-05 四川大学 基于分数阶蚁群算法优化神经网络的法庭监控人脸识别方法
CN113591716A (zh) * 2021-07-29 2021-11-02 四川大学 基于分数阶蚁群算法优化神经网络的法庭监控人脸识别方法
CN113449704A (zh) * 2021-08-31 2021-09-28 北京的卢深视科技有限公司 人脸识别模型训练方法、装置、电子设备及存储介质
CN114495220A (zh) * 2022-01-19 2022-05-13 桂林电子科技大学 一种目标身份识别方法、装置以及存储介质

Also Published As

Publication number Publication date
CN105975959B (zh) 2019-09-03
CN105975959A (zh) 2016-09-28

Similar Documents

Publication Publication Date Title
WO2017215240A1 (zh) 基于神经网络的人脸特征提取建模、人脸识别方法及装置
CN106529571B (zh) 基于神经网络的多层图像特征提取建模、图像识别方法及装置
CN106250866A (zh) 基于神经网络的图像特征提取建模、图像识别方法及装置
CN111460962B (zh) 一种口罩人脸识别方法及系统
WO2020155939A1 (zh) 图像识别方法、装置、存储介质和处理器
WO2019128367A1 (zh) 基于Triplet Loss的人脸认证方法、装置、计算机设备和存储介质
CN109359541A (zh) 一种基于深度迁移学习的素描人脸识别方法
CN110609920A (zh) 一种视频监控场景下的行人混合搜索方法及系统
CN109389185B (zh) 使用三维卷积神经网络的视频烟雾识别方法
WO2020001084A1 (zh) 一种在线学习的人脸识别方法
CN109190475B (zh) 一种人脸识别网络与行人再识别网络协同训练方法
CN109002790A (zh) 一种人脸识别的方法、装置、设备和存储介质
US20220335275A1 (en) Multimodal, dynamic, privacy preserving age and attribute estimation and learning methods and systems
CN114333011A (zh) 网络训练、人脸识别方法、电子设备及存储介质
WO2022268183A1 (zh) 一种基于视频的随机手势认证方法及系统
CN110738071A (zh) 一种基于深度学习和迁移学习的人脸算法模型训练方法
TW201917636A (zh) 一種基於線上學習的人臉辨識方法與系統
CN108549883A (zh) 一种人脸再识别方法
CN105373810B (zh) 一种用于建立动作识别模型的方法及系统
CN106372603A (zh) 遮挡人脸识别方法及装置
CN111968152A (zh) 一种动态身份识别方法及装置
CN204791050U (zh) 身份认证设备
CN110674680A (zh) 活体识别的方法、装置、存储介质
KR20220016217A (ko) 디바이스들의 네트워크에서 사람 인식가능성을 사용하는 시스템 및 방법
CN111783639A (zh) 图像检测方法、装置、电子设备及可读存储介质

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 16905347

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 16905347

Country of ref document: EP

Kind code of ref document: A1