CN107844782A - 一种基于多任务串行深度网络的人脸识别方法 - Google Patents
一种基于多任务串行深度网络的人脸识别方法 Download PDFInfo
- Publication number
- CN107844782A CN107844782A CN201711225933.0A CN201711225933A CN107844782A CN 107844782 A CN107844782 A CN 107844782A CN 201711225933 A CN201711225933 A CN 201711225933A CN 107844782 A CN107844782 A CN 107844782A
- Authority
- CN
- China
- Prior art keywords
- face
- positive
- image
- multitask
- side face
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/161—Detection; Localisation; Normalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/172—Classification, e.g. identification
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- Oral & Maxillofacial Surgery (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Collating Specific Patterns (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种基于多任务串行深度网络的人脸识别方法,涉及计算机识别领域;本发明利用建立的识别模型进行人脸识别:采集图像进行人脸检测,将检测到的人脸图像输入到多任务串行网络中,使用多样性分类任务网络对输入的人脸图像进行分类,若分类结果为正脸,则输出识别结果;若分类结果为侧脸,则将侧脸转化为正脸,再输出识别结果利用上述本发明方法针对非可控自然环境下人脸图像的特点,设计有效的人脸识别方法,使其能够高效地对人脸进行正确识别,可用于金融身份验证、智能安防、电子商务等领域,提高产品竞争力同时,更加有助于公司获得良好的经济效益和社会效益。
Description
技术领域
本发明公开一种人脸识别方法,涉及计算机识别领域,具体地说是一种基于多任务串行深度网络的人脸识别方法。
背景技术
随着科技的发展、人们生活水平的提高,人脸识别在金融、电子商务、安防等领域的应用越来越广,其市场规模达到将近千亿级别。现有的人脸识别方法在可控环境下已经可以达到较高的识别精度,但是在非可控自然环境下,识别性能仍有待提高。不同于可控环境下采集的图像,非可控环境下采集到的人脸图像呈现多样化。例如,在自然环境下采集到的人脸图像存在多种角度。多角度的人脸图像往往造成同类之间较大的多样性,从而降低了传统方法的识别精度。因此,本发明提供一种基于多任务串行深度网络的人脸识别方法,针对非可控自然环境下人脸图像的特点,设计有效的人脸识别方法,使其能够高效地对人脸进行正确识别,可用于金融身份验证、智能安防、电子商务等领域,提高产品竞争力同时,更加有助于公司获得良好的经济效益和社会效益。
发明内容
本发明提供一种基于多任务串行深度网络的人脸识别方法,能够提高侧脸的识别精度,从而可以提高非可控自然场景下的人脸识别精度,具有广阔的应用前景。
本发明提出的具体方案是:
一种基于多任务串行深度网络的人脸识别方法:
将采集到的图像作为训练集,获得检测到的人脸图像,根据训练集的人脸角度进行标记,标记为正脸和侧脸,对正脸和侧脸进行分类训练,
将侧脸转化为正脸,以便对转化后的正脸进行识别,
将所有样本的正脸图像,利用人脸识别模型进行训练,建立识别模型,
再利用识别模型进行人脸识别:采集图像进行人脸检测,将检测到的人脸图像输入到多任务串行网络中,使用多样性分类任务网络对输入的人脸图像进行分类,若分类结果为正脸,则输出识别结果;若分类结果为侧脸,则将侧脸转化为正脸,再输出识别结果。
所述的方法利用MTCNN对采集到的图像进行人脸检测。
所述的方法利用Alexnet结构作为人脸分类任务模型对训练集的人脸进行分类训练。
所述的方法利用TP-GAN将侧脸转化为正脸,以便对转化后的正脸进行识别。
所述的方法利用facenet作为人脸识别模型进行训练,建立识别模型。
本发明的有益之处是:
本发明提供一种基于多任务串行深度网络的人脸识别方法:
将采集到的图像作为训练集,获得检测到的人脸图像,根据训练集的人脸角度进行标记,标记为正脸和侧脸,对正脸和侧脸进行分类训练,
将侧脸转化为正脸,以便对转化后的正脸进行识别,
将所有样本的正脸图像,利用人脸识别模型进行训练,建立识别模型,
再利用识别模型进行人脸识别:采集图像进行人脸检测,将检测到的人脸图像输入到多任务串行网络中,使用多样性分类任务网络对输入的人脸图像进行分类,若分类结果为正脸,则输出识别结果;若分类结果为侧脸,则将侧脸转化为正脸,再输出识别结果。
利用上述本发明方法针对非可控自然环境下人脸图像的特点,设计有效的人脸识别方法,使其能够高效地对人脸进行正确识别,可用于金融身份验证、智能安防、电子商务等领域,提高产品竞争力同时,更加有助于公司获得良好的经济效益和社会效益。
附图说明
图1 本发明人脸识别流程图;
图2本发明方法流程图。
具体实施方式
本发明提供一种基于多任务串行深度网络的人脸识别方法:
将采集到的图像作为训练集,获得检测到的人脸图像,根据训练集的人脸角度进行标记,标记为正脸和侧脸,对正脸和侧脸进行分类训练,
将侧脸转化为正脸,以便对转化后的正脸进行识别,
将所有样本的正脸图像,利用人脸识别模型进行训练,建立识别模型,
再利用识别模型进行人脸识别:采集图像进行人脸检测,将检测到的人脸图像输入到多任务串行网络中,使用多样性分类任务网络对输入的人脸图像进行分类,若分类结果为正脸,则输出识别结果;若分类结果为侧脸,则将侧脸转化为正脸,再输出识别结果。
结合附图对本发明做一步说明。
利用本发明方法,
首先进行网络的训练阶段:
多样性分类任务网络训练:将采集到的图像作为训练集,使用MTCNN对采集到的图像进行人脸检测,获得检测到的人脸图像,根据训练集的人脸角度进行标记,标记为正脸和侧脸,正脸标记为0,侧脸标记为1,利用Alexnet结构作为人脸分类任务模型对人脸的正脸和侧脸进行分类训练,
侧脸处理任务网络训练:对于正脸的识别精度较高,对于侧脸的识别精度较低,为了更好的识别侧脸,利用TP-GAN将侧脸转化为正脸,以便对转化后的正脸进行识别,
将所有样本的正脸图像,利用facenet作为人脸识别模型进行训练,建立本发明的识别模型,
再利用识别模型进行人脸识别:使用MTCNN对采集图像进行人脸检测,将检测到的人脸图像输入到多任务串行网络中,使用多样性分类任务网络对输入的人脸图像进行分类,若分类结果为正脸,则将正脸输入到识别模型内,输出识别结果;若分类结果为侧脸,则将侧脸转化为正脸,将生成的正脸输入到识别模型内,再输出识别结果。
Claims (5)
1.一种基于多任务串行深度网络的人脸识别方法,其特征是
将采集到的图像作为训练集,获得检测到的人脸图像,根据训练集的人脸角度进行标记,标记为正脸和侧脸,对正脸和侧脸进行分类训练,
将侧脸转化为正脸,以便对转化后的正脸进行识别,
将所有样本的正脸图像,利用人脸识别模型进行训练,建立识别模型,
再利用识别模型进行人脸识别:采集图像进行人脸检测,将检测到的人脸图像输入到多任务串行网络中,使用多样性分类任务网络对输入的人脸图像进行分类,若分类结果为正脸,则输出识别结果;若分类结果为侧脸,则将侧脸转化为正脸,再输出识别结果。
2.根据权利要求1所述的方法,其特征是利用MTCNN对采集到的图像进行人脸检测。
3.根据权利要求1或2所述的方法,其特征是利用Alexnet结构作为人脸分类任务模型对训练集的人脸进行分类训练。
4.根据权利要求3所述的方法,其特征是利用TP-GAN将侧脸转化为正脸,以便对转化后的正脸进行识别。
5.根据权利要求4所述的方法,其特征是利用facenet作为人脸识别模型进行训练,建立识别模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711225933.0A CN107844782A (zh) | 2017-11-29 | 2017-11-29 | 一种基于多任务串行深度网络的人脸识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711225933.0A CN107844782A (zh) | 2017-11-29 | 2017-11-29 | 一种基于多任务串行深度网络的人脸识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107844782A true CN107844782A (zh) | 2018-03-27 |
Family
ID=61680485
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711225933.0A Pending CN107844782A (zh) | 2017-11-29 | 2017-11-29 | 一种基于多任务串行深度网络的人脸识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107844782A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109784243A (zh) * | 2018-12-29 | 2019-05-21 | 网易(杭州)网络有限公司 | 身份确定方法及装置、神经网络训练方法及装置、介质 |
CN110197125A (zh) * | 2019-05-05 | 2019-09-03 | 上海资汇信息科技有限公司 | 无约束条件下的人脸识别方法 |
CN110399811A (zh) * | 2019-07-08 | 2019-11-01 | 厦门市美亚柏科信息股份有限公司 | 一种人脸识别方法、装置及存储介质 |
CN110751009A (zh) * | 2018-12-20 | 2020-02-04 | 北京嘀嘀无限科技发展有限公司 | 人脸识别方法、目标识别方法、装置和电子设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105138956A (zh) * | 2015-07-22 | 2015-12-09 | 小米科技有限责任公司 | 人脸检测方法和装置 |
US20160148080A1 (en) * | 2014-11-24 | 2016-05-26 | Samsung Electronics Co., Ltd. | Method and apparatus for recognizing object, and method and apparatus for training recognizer |
CN105654049A (zh) * | 2015-12-29 | 2016-06-08 | 中国科学院深圳先进技术研究院 | 人脸表情识别的方法及装置 |
CN106203395A (zh) * | 2016-07-26 | 2016-12-07 | 厦门大学 | 基于多任务深度学习的人脸属性识别方法 |
CN106650558A (zh) * | 2015-11-04 | 2017-05-10 | 上海市公安局刑事侦查总队 | 人脸识别方法及装置 |
CN107392118A (zh) * | 2017-07-04 | 2017-11-24 | 竹间智能科技(上海)有限公司 | 基于多任务对抗生成网络的强化人脸属性识别方法及*** |
-
2017
- 2017-11-29 CN CN201711225933.0A patent/CN107844782A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160148080A1 (en) * | 2014-11-24 | 2016-05-26 | Samsung Electronics Co., Ltd. | Method and apparatus for recognizing object, and method and apparatus for training recognizer |
CN105138956A (zh) * | 2015-07-22 | 2015-12-09 | 小米科技有限责任公司 | 人脸检测方法和装置 |
CN106650558A (zh) * | 2015-11-04 | 2017-05-10 | 上海市公安局刑事侦查总队 | 人脸识别方法及装置 |
CN105654049A (zh) * | 2015-12-29 | 2016-06-08 | 中国科学院深圳先进技术研究院 | 人脸表情识别的方法及装置 |
CN106203395A (zh) * | 2016-07-26 | 2016-12-07 | 厦门大学 | 基于多任务深度学习的人脸属性识别方法 |
CN107392118A (zh) * | 2017-07-04 | 2017-11-24 | 竹间智能科技(上海)有限公司 | 基于多任务对抗生成网络的强化人脸属性识别方法及*** |
Non-Patent Citations (2)
Title |
---|
RUI HUANG, SHU ZHANG, TIANYU LI, RAN HE: "Beyond Face Rotation: Global and Local Perception GAN for Photorealistic and Identity Preserving Frontal View Synthesis", 《2017 ICCV》 * |
XI YIN, XIAOMING LIU: "Multi-Task Convolutional Neural Network for Pose-Invariant Face Recognition", 《COMPUTER VISION AND PATTERN RECOGNITION》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110751009A (zh) * | 2018-12-20 | 2020-02-04 | 北京嘀嘀无限科技发展有限公司 | 人脸识别方法、目标识别方法、装置和电子设备 |
CN109784243A (zh) * | 2018-12-29 | 2019-05-21 | 网易(杭州)网络有限公司 | 身份确定方法及装置、神经网络训练方法及装置、介质 |
CN109784243B (zh) * | 2018-12-29 | 2021-07-09 | 网易(杭州)网络有限公司 | 身份确定方法及装置、神经网络训练方法及装置、介质 |
CN110197125A (zh) * | 2019-05-05 | 2019-09-03 | 上海资汇信息科技有限公司 | 无约束条件下的人脸识别方法 |
CN110399811A (zh) * | 2019-07-08 | 2019-11-01 | 厦门市美亚柏科信息股份有限公司 | 一种人脸识别方法、装置及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107844782A (zh) | 一种基于多任务串行深度网络的人脸识别方法 | |
CN102521575B (zh) | 基于多方向Gabor和Adaboost虹膜识别方法 | |
CN105718889B (zh) | 基于GB(2D)2PCANet深度卷积模型的人脸身份识别方法 | |
CN103226835B (zh) | 基于在线初始化梯度增强回归树的目标跟踪方法及*** | |
CN110472652B (zh) | 基于语义引导的少量样本分类方法 | |
CN108108674A (zh) | 一种基于关节点分析的行人再识别方法 | |
CN104156707A (zh) | 指纹识别方法及其指纹识别装置 | |
CN109446985B (zh) | 基于矢量神经网络的多角度植物识别方法 | |
Schaefer et al. | Multi-dimensional local binary pattern descriptors for improved texture analysis | |
CN104134061A (zh) | 一种基于特征融合的支持向量机的数字手势识别方法 | |
Hu et al. | Facial expression recognition using fusion features based on center-symmetric local octonary pattern | |
CN102622590A (zh) | 基于人脸—指纹协同的身份识别方法 | |
CN104966101A (zh) | 一种基于LabVIEW的太阳能电池片分类方法 | |
CN106651988A (zh) | 一种人脸线条画的自动绘制*** | |
Vithlani et al. | Structural and statistical feature extraction methods for character and digit recognition | |
Janahiraman et al. | Leaf classification using local binary pattern and histogram of oriented gradients | |
CN106778897B (zh) | 基于余弦距离和中心轮廓距离的两次植物物种识别方法 | |
Azimi et al. | Performance evalution of 3D keypoint detectors and descriptors for plants health classification | |
Xue | Face Database Security Information Verification Based on Recognition Technology. | |
Du et al. | Image retrieval based on colour and improved NMI texture features | |
CN108764116A (zh) | 一种基于深度代价敏感的人脸识别***及方法 | |
Deufemia et al. | Segmentation and recognition of petroglyphs using generic Fourier descriptors | |
CN104104773A (zh) | 利用svm分类器识别手机用户的方法 | |
CN110032662A (zh) | 基于改进的dice损失函数的视频图像失真效应模型构建方法 | |
Kim et al. | A Study on Face Recognition using Support Vector Machine |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180327 |
|
RJ01 | Rejection of invention patent application after publication |