CN110956098A - 图像处理方法及相关设备 - Google Patents
图像处理方法及相关设备 Download PDFInfo
- Publication number
- CN110956098A CN110956098A CN201911109606.8A CN201911109606A CN110956098A CN 110956098 A CN110956098 A CN 110956098A CN 201911109606 A CN201911109606 A CN 201911109606A CN 110956098 A CN110956098 A CN 110956098A
- Authority
- CN
- China
- Prior art keywords
- loss
- data
- preset
- face recognition
- recognition model
- 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.)
- Granted
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 11
- 238000012549 training Methods 0.000 claims abstract description 146
- 238000000034 method Methods 0.000 claims abstract description 81
- 230000006870 function Effects 0.000 claims description 175
- 238000012545 processing Methods 0.000 claims description 25
- 238000004590 computer program Methods 0.000 claims description 13
- 238000002790 cross-validation Methods 0.000 claims description 9
- 230000000694 effects Effects 0.000 description 21
- 239000000284 extract Substances 0.000 description 12
- 238000013459 approach Methods 0.000 description 10
- 238000004364 calculation method Methods 0.000 description 8
- 238000007781 pre-processing Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000013475 authorization Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000036544 posture Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation 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
- G06V40/172—Classification, e.g. identification
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
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)
Abstract
本申请实施例公开了一种图像处理方法及相关设备,该方法包括:迭代执行人脸识别模型的训练流程,直至人脸识别模型对应的损失满足预设条件,训练流程包括:根据人脸识别模型对应的损失调整人脸识别模型;通过调整后的人脸识别模型,从预先选取得到的多张样本图像中,提取多张样本图像各自对应的特征数据;将第一特征数据分别与第一特征数据对应的多项其他特征数据进行组合,以得到第一数据对和第二数据对;根据多项特征数据对应的多个第一数据对各自对应的相似性距离,和,多项特征数据对应的多个第二数据对各自对应的相似性距离,确定人脸识别模型对应的损失。采用本申请实施例,能够通过小规模的数据集来训练人脸识别模型。
Description
技术领域
本申请涉及人脸识别技术领域,尤其涉及一种图像处理方法及相关设备。
背景技术
近几年,人脸识别技术飞速发展,基于数据、模型以及损失函数的各种算法应运而生。很多算法在公开数据集上的测试结果都非常高,接近99%。这些算法大部分都是基于分类的算法,一个人作为一类,在分类的基础上,利用各种方式引导分类,从而增大不同的类之间相似性距离,进而区分不同人。但是,这种方法需要较多人脸数据,基本上百万千万级别。如果应用到某个场景,比如儿童或老人识别,由于公开数据集中含有儿童或老人的数据较少,因此识别效果较差。
发明内容
本申请实施例公开了一种图像处理方法及相关设备,能够通过小规模的数据集来训练人脸识别模型。
第一方面,本申请实施例提供了一种图像处理方法,该方法包括:
迭代执行人脸识别模型的结束训练流程,直至所述人脸识别模型对应的损失满足预设条件,损失满足预设条件时的所述人脸识别模型用于进行人脸识别;
其中,所述人脸识别模型的训练流程包括:
根据所述人脸识别模型对应的损失调整所述人脸识别模型;
通过调整后的所述人脸识别模型,从预先选取得到的多张样本图像中,提取所述多张样本图像各自对应的特征数据,以得到多项特征数据;
将第一特征数据分别与所述第一特征数据对应的多项其他特征数据进行组合,以得到所述第一特征数据对应的第一数据对和所述第一特征数据对应的第二数据对;所述第一特征数据为所述多项特征数据中的任一项特征数据,所述第一特征数据对应的多项其他特征数据为所述多项特征数据中除所述第一特征数据之外的特征数据;所述第一特征数据对应的第一数据对由所述第一特征数据和第二特征数据组成,所述第一特征数据对应的样本图像和所述第二特征数据对应的样本图像为同一人的样本图像;所述第一特征数据对应的第二数据对由所述第一特征数据和第三特征数据组成,所述第一特征数据对应的样本图像和所述第二特征数据对应的样本图像为不同人的样本图像;
根据所述多项特征数据对应的多个第一数据对各自对应的相似性距离,和,所述多项特征数据对应的多个第二数据对各自对应的相似性距离,确定所述人脸识别模型对应的损失。
在上述方法中,将多张样本图像的特征数据两两组合形成两类数据对,两类数据对包括针对同一人的第一数据对和针对不同人的第二数据对,然后迭代进行人脸识别模型训练,使得该人脸识别模型能够用第一数据对的相似性距离和第二数据对的相似性距离来区分同一人和不同人。由于,通过将多张样本图像的特征数据两两组合形成的多个数据对的数量要多于多张样本图像的数量,这样即使在小规模的数据集上也能获得较多的数据对,进而达到很好的训练效果。
结合第一方面,在一种可能的实施方式中,所述预设条件为:目标个数与所述多个第一数据对和所述多个第二数据对的总个数的比值大于第一预设比例,所述目标个数为所述多个第一数据对中相似性距离小于相似性距离阈值的个数与所述多个第二数据对中相似性距离大于所述相似性距离阈值的个数的和。
在本申请实施例中,当目标比例大于第一预设比例时,则使得多个第一数据对的相似性距离小于相似性距离阈值且多个第二数据对的相似性距离大于相似性距离阈值的准确率大于第一预设比例,即准确率较高。此时,结束模型训练,使得人脸识别模型后续在对任意两张图像做处理时,可以确定其符合第一数据对的特征还是符合第二数据对的特征,如果是符合第一数据对的特征,则这两张图像中的人为同一人,如果是符合第二数据对的特征,则这两张图像中的人为不同人。
结合第一方面,在一种可能的实施方式中,所述预设条件为:第一损失函数的损失小于第一预设损失且第二损失函数的损失小于第二预设损失,或者,第一损失函数的损失与第二损失函数的损失的总和小于第三预设损失,其中,所述第一损失函数的损失为所述多个第一数据对的相似性距离与第一预设值之间的损失,所述第二损失函数的损失为所述多个第二数据对的相似性距离与第二预设值之间的损失,所述第一预设值小于所述第二预设值。
在本申请实施例中,当第一损失函数的损失小于第一预设损失且第二损失函数的损失小于第二预设损失,或者第一损失函数的损失与第二损失函数的损失的总和小于第三预设损失时,则代表多个第一数据对的相似性距离均趋近于第一预设值,以及多个第二数据对的相似性距离均趋近于第二预设值,此时,结束模型训练,使得人脸识别模型后续在对任意两张图像做处理时,可以确定其符合第一数据对的特征还是符合第二数据对的特征,如果是符合第一数据对的特征,则这两张图像中的人为同一人,如果是符合第二数据对的特征,则这两张图像中的人为不同人。另外,能够通过将第二预设值设置得很大,来定量的控制第二数据对的相似性距离以明显区别第一数据对的相似性距离,进而达到能够很容易地区分出第一数据对和第二数据对的效果。
结合第一方面,在一种可能的实施方式中,所述预设条件为:在连续预设次数迭代训练中所得到的目标比例小于第一预设比例但大于第二预设比例的情况下,第一损失函数的损失小于第一预设损失且第二损失函数的损失小于第二预设损失,或者第一损失函数的损失与第二损失函数的损失的总和小于第三预设损失,其中,所述第一损失函数的损失为所述多个第一数据对的相似性距离与第一预设值之间的损失,所述第二损失函数的损失为所述多个第二数据对的相似性距离与第二预设值之间的损失,且所述第一预设值小于所述第二预设值,每次迭代训练中所得到的目标比例为目标个数与所述每次迭代训练得到的多个第一数据对和每次迭代训练得到的多个第二数据对的总个数的比值,所述目标个数为所述每次迭代训练得到的多个第一数据对中相似性距离小于相似性距离阈值的个数与每次迭代训练得到的多个第二数据对中相似性距离大于所述相似性距离阈值的个数的和。
在本申请实施例中,当连续预设次数迭代训练中所得到的目标比例小于第一预设比例但大于第二预设比例的情况下时,则根据第一损失函数的损失和第二损失函数的损失来确定多个第一数据对的相似性距离和多个第二数据对的相似性距离的分布是否满足预设条件。若第一损失函数的损失小于第一预设损失且第二损失函数的损失小于第二预设损失,或者第一损失函数的损失与第二损失函数的损失的总和小于第三预设损失,则代表多个第一数据对的相似性距离均趋近于第一预设值,以及多个第二数据对的相似性距离均趋近于第二预设值,此时,结束模型训练,使得人脸识别模型后续在对任意两张图像做处理时,可以确定其符合第一数据对的特征还是符合第二数据对的特征,如果是符合第一数据对的特征,则这两张图像中的人为同一人,如果是符合第二数据对的特征,则这两张图像中的人为不同人。另外,能够通过将第二预设值设置得很大,来定量的控制第二数据对的相似性距离以明显区别第一数据对的相似性距离,进而达到能够很容易地区分出第一数据对和第二数据对的效果。
结合第一方面,在一种可能的实施方式中,所述根据所述多项特征数据对应的多个第一数据对各自对应的相似性距离,和,所述多项特征数据对应的多个第二数据对各自对应的相似性距离,确定所述人脸识别模型对应的损失之后,还包括:
通过交叉验证的方式根据所述多个第一数据对各自对应的相似性距离和所述多个第二数据对各自对应的相似性距离,确定所述相似性距离阈值。
在本申请实施例中,通过交叉验证的方式能够找到一个最优的临界值,以该最优的临界值作为相似性距离阈值,这样多个第一数据对的相似性距离小于相似性距离阈值且多个第二数据对的相似性距离大于相似性距离阈值的准确率就会比较高。
结合第一方面,在一种可能的实施方式中,所述第一损失函数的损失和所述第二损失函数的损失的总和L为:
其中,m为所述多个第一数据对和所述多个第二数据对的总个数,l2 i为第i个数据对的欧氏距离;当第i个数据对为所述第一数据对时,当第i个数据对为所述第二数据对时,a为所述第一预设值,b为所述第二预设值。
在本申请实施例中,将多个第一数据对的欧氏距离与第一预设值之间的差值和作为第一损失函数的损失,并将多个第二数据对的欧氏距离与第二预设值之间的差值和作为第二损失函数的损失,以此来计算第一损失函数的损失与第二损失函数的损失的总和,这样第一损失函数的损失与第二损失函数的损失的总和的计算方法相对较为简单,减小了人脸识别模型训练的计算开销。
结合第一方面,在一种可能的实施方式中,所述多张样本图像中的每张所述样本图像设置有所述身份编号,且针对同一人的多张样本图像的身份编号相同,针对不同人的多张样本图像的身份编号互不相同。
结合第一方面,在一种可能的实施方式中,所述相似性距离为欧氏距离或绝对距离。
结合第一方面,在一种可能的实施方式中,所述迭代执行人脸识别模型的训练流程之后,还包括:
通过所述人脸识别模型从待识别图像中提取特征数据;
若所述待识别图像的特征数据与预设图像的特征数据之间的相似性距离小于相似性距离阈值,则将所述待识别图像标记为所述预设图像代表的人的图像。
在本申请实施例中,使用训练好的人脸识别模型从待识别图像中提取特征数据,若待识别图像的特征数据与预设图像的特征数据之间的相似性距离小于相似性距离阈值,则待识别图像与预设图像代表同一人;若待识别图像的特征数据与预设图像的特征数据之间的相似性距离大于相似性距离阈值,则待识别图像与预设图像代表不同人。
第二方面,本申请实施例提供一种图像处理装置,该图像处理装置包括至少一个处理器和存储器,所述存储器和所述至少一个处理器通过线路互联,所述至少一个存储器中存储有计算机程序;所述计算机程序被所述处理器执行时,实现第一方面,或者第一方面的任一项可能的实现方式所描述的方法。
第三方面,本申请实施例提供一种图像处理装置,该图像处理装置包括实现第一方面,或者第一方面的任一可能的实现方式所描述的方法中的全部或者部分功能模块。
第四方面,本申请实施例提供一种计算机可读存储介质,该计算机可读存储介质中存储有计算机程序,当计算机程序在处理器上运行时,实现第一方面,或者第一方面的任一项可能的实现方式所描述的方法。
通过实施本申请实施例,将多张样本图像的特征数据两两组合形成两类数据对,两类数据对包括针对同一人的第一数据对和针对不同人的第二数据对,然后迭代进行人脸识别模型训练,使得该人脸识别模型能够用第一数据对的相似性距离和第二数据对的相似性距离来区分同一人和不同人。由于,通过将多张样本图像的特征数据两两组合形成的多个数据对的数量要多于多张样本图像的数量,这样即使在小规模的数据集上也能获得较多的数据对,进而达到很好的训练效果。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对本申请实施例或背景技术中所需要使用的附图作简单地介绍。
图1是本申请实施例提供的一种图像处理***的架构示意图;
图2A是本申请实施例提供的一种图像处理方法的流程示意图;
图2B是本申请实施例提供的又一种图像处理方法的流程示意图;
图3是本申请实施例提供的一种图像处理装置的应用场景示意图;
图4是本申请实施例提供的一种图像处理装置的结构示意图;
图5是本申请实施例提供的又一种图像处理装置的结构示意图。
具体实施方式
下面将结合附图对本申请实施例中的技术方案进行描述。
请参见图1,图1是本申请实施例提供的一种图像处理***的架构示意图,该***包括设备101和终端102,其中:
该设备101为具有计算能力的实体,例如,该设备101可以为单个服务器,或者由多个服务器组成的服务器集群,如图1所示,该设备101为服务器集群。本申请实施例中设备101需要执行本申请中所描述的图像处理方法,包括训练得到人脸识别模型,人脸识别模型训练好之后,可以由该设备101自己通过该人脸识别模型进行人脸识别,也可以将该人脸识别模型发送给终端102,由该终端102进行人脸识别。
其中,该终端102可以包括具有无线通信功能的手持设备(例如,手机、平板电脑、掌上电脑等)、车载设备(例如,汽车、自行车、电动车、飞机、船舶等)、可穿戴设备(例如智能手表(如iWatch等)、智能手环、计步器等)、智能家居设备(例如,冰箱、电视、空调、电表等)、智能机器人等等。
请参见图2A,图2A是本申请实施例提供的一种图像处理方法,该方法可以基于图1所示的***架构图来实现,该方法包括但不限于如下步骤:
步骤S20:设备迭代执行人脸识别模型的训练流程。
具体的说,人脸识别通常是通过人脸识别模型从人脸图像提取人脸特征来实现的,而用于进行人脸识别的人脸识别模型是通过迭代训练而得到的。故在进行人脸识别之前,先需要获取训练好的人脸识别模型。设备能够迭代执行人脸识别模型的训练流程,以得到用于进行人脸识别的人脸识别模型。
在本申请实施例中,用于进行人脸识别的人脸识别模型是由卷积神经网络模型训练而得到的,其中,卷积神经网络模型包括但不限于:resnet、vggnet、facenet等等。模型训练是指对人脸识别模型的模型参数进行迭代优化,进而在达到预期的训练效果时,结束模型训练。可选的,请参见图2B,所述设备执行人脸识别模型的训练流程可以通过步骤S201-S204来实现。
S201:设备根据人脸识别模型对应的损失调整人脸识别模型。
具体的说,设备开始对人脸识别模型进行训练时,设备通常设有初始人脸识别模型,例如,设备可以利用常用的resnet50、resnet101等深度卷积网络作为初始人脸识别模型。初始人脸识别模型的模型参数通常为设备随机生成的,当然也可以是人为预先配置的。在人脸识别模型的训练过程中,设备会多次调整人脸识别模型,在本申请实施例中,设备调整人脸识别模型即为调整人脸识别模型的模型参数。在当前的训练周期内,设备会根据上一训练周期的人脸识别模型对应的损失调整人脸识别模型的模型参数。其中,人脸识别模型对应的损失可以通过欧氏距离、绝对距离等用于判定两个图像之间的相似度的相似性距离来衡量。
S202:设备通过调整后的人脸识别模型,从预先选取得到的多张样本图像中,提取所述多张样本图像各自对应的特征数据,以得到多项特征数据。
具体的说,在进行模型训练之前,设备会预先获取样本图像集,样本图像集是由大量的样本图像组成。而样本图像集通常是由公开数据集生成,公开数据集中的图片通常会包括人脸区域和非人脸区域,且不同图片的人脸区域的大小和人脸姿态也可能会存在不同。在本申请实施例中,用于提取特征数据的多张样本图像为尺寸相同且进行过人脸对齐处理的多张人脸图像,也即设备获取的多张样本图像均是经过预处理的。每张样本图像尺寸大小相同且进行过人脸对齐处理,这样能够减少由于人脸姿态的不同和尺寸大小的不同造成的特征差异,多张样本图像可比性强,使得模型训练效果更好。
要对多张样本图像进行预处理可以是由外部装置来执行,然后再将处理好的多张样本图像发送至设备。要对多张样本图像进行预处理也可以是设备来执行,而设备执行对多张样本图像进行预处理可以是在设备迭代执行人脸识别模型的训练流程之前;设备执行对多张样本图像进行预处理也可以属于训练流程之中的一个步骤。可选的,所述设备通过调整后的所述人脸识别模型从多张样本图像中提取多项特征数据之前,设备对多张样本图像进行预处理可以通过执行如下步骤来实现。
首先,所述设备根据多张初始图像生成多张尺寸大小相同的人脸区域图像。
然后,所述设备基于预设基准点对所述多张尺寸大小相同的人脸区域图像进行人脸对齐,以得到多张样本图像。
具体的说,设备可以通过人脸检测的方法从多张初始图像截取出多张人脸区域图像,并将截取到的多张人脸区域图像缩放到相同的尺寸,以得到多张尺寸大小相同的人脸区域图像(例如,每张人脸区域图像的尺寸大小为256×256)。最后,设备通过预设基准点对多张尺寸大小相同的人脸区域图像进行人脸对齐,以得到多张样本图像。可选的,通常采用5点对齐,选取人脸区域图像中的两个眼睛的中心、鼻子尖和两个嘴角的位置作为5个关键点,然后以其中的一张人脸区域图像的5个关键点作为预设基准点,其他的人脸区域图像的5个关键点都通过仿射变换,变化到对应的位置上去。
在模型训练的过程中,设备会从样本图像集中预先选取得到多张样本图像,再通过人脸识别模型从预先选取得到的多张样本图像中提取特征数据,每张样本图像可提取一项特征数据,那么设备能够提取多张样本图像各自对应的特征数据,以得到多项特征数据。设备基于样本图像集中的样本图像对人脸识别模型进行模型训练的过程实质上是梯度下降的过程。设备从样本图像集中选取样本图像可以是将整个样本图像集作为一批,设备每次训练遍历整个样本图像集,这种方法每更新一次模型参数都要把样本图像集中所有的样本图像都看一遍,存在计算量开销大,计算速度慢的问题。设备从样本图像集中选取样本图像也可以是设备每次训练从样本图像集中选取一张样本图像进行训练,这个方法速度比较快,但是收敛性能不太好,可能在最优点附近晃来晃去的情况。设备从样本图像集中选取样本图像还可以是将样本图像集分为若干个批,每批都包括多张样本图像,在模型训练的过程中,小批的梯度下降,按批来更新模型参数,这样一个批中的多张样本图像共同决定了本次梯度的方向,下降起来就不容易跑偏,减少了随机性,另一方面因为一批的样本图像的张数与整个样本图像集相比小了很多,这样计算量也不是很大。
可选的,在本申请实施例中,所述设备通过调整后的所述人脸识别模型从多张样本图像中提取多项特征数据,包括:所述设备从样本图像集中重新选择新的多张样本图像;所述通过调整后的所述人脸识别模型从新得到的多张样本图像中提取多项特征数据。例如,当样本图像集中包括k*n张样本图像,且k和n均为大于1的整数时,每次从样本图像集中选取n张样本图像进行训练。先按顺序从样本图像集的k*n张样本图像中选取n张样本图像进行一次训练,一次训练结束之后再从样本图像集中未被选中(k-1)*n中选取n张样本图像进行一次训练直至整个样本图像集被遍历一遍,然后将样本图像集随机打乱,再重新遍历样本图像集,直到训练结束。
S203:所述设备将第一特征数据分别与所述第一特征数据对应的多项其他特征数据进行组合,以得到第一特征数据对应的第一数据对和第一特征数据对应的第二数据对。
具体的说,设备从多张样本图像中提取多项特征数据,第一特征数据为多项特征数据中的任一项特征数据,第一特征数据对应的多项其他特征数据为多项特征数据中除第一特征数据之外的特征数据。设备能够根据从多张样本图像中提取多项特征数据确定多个数据对,那么多个数据对中的一个数据对会存在包含两项分别从两张针对同一人的样本图像中提取的特征数据,或者包含两项分别从两张针对不同人的样本图像中提取的特征数据的两种情况。因此,根据数据对是否为包含两项分别从两张针对同一人的样本图像中提取的特征数据,可以将多个数据对分为两类,即多个数据对分中包括多个第一数据对和多个第二数据对。其中,第一数据对可以是由第一特征数据和第二特征数据组成,第一特征数据对应的样本图像和第二特征数据对应的样本图像为同一人的样本图像。而第二数据对可以是由第一特征数据和第三特征数据组成,第一特征数据对应的样本图像和第二特征数据对应的样本图像为不同人的样本图像。
设备根据多项特征数据确定得到的多个数据对的具体个数是跟数据对的生成方式相关的。可选的,设备可以将多项特征数据两两组合,以得到多个数据对,例如,设备可以将n项特征数据两两组合,以得到m个数据对,其中,这样通过两两组合的方式最多可以生成个数据对,故即使很小的样本图像集(n少于10万)也能训练出性能不错的人脸识别模型。
可选的,为了便于设备区分第一数据对和第二数据对,在本申请实施例中,所述设备通过调整后的所述人脸识别模型,从预先选取得到的多张样本图像中,提取所述多张样本图像各自对应的特征数据,以得到多项特征数据之前,所述设备可以先识别所述多张样本图像的身份编号。对应的,所述设备将第一特征数据分别与所述第一特征数据对应的多项其他特征数据进行组合,以得到第一特征数据对应的第一数据对和第一特征数据对应的第二数据对,包括:所述设备通过从多个第一样本图像对中提取的特征数据确定新的多个第一数据对,通过从多个第二样本图像对中提取的特征数据确定新的多个第二数据对。
具体的说,每张样本图像设置有身份编号,且针对同一人的多张样本图像的身份编号相同,针对不同人的多张样本图像的身份编号互不相同,一个第一样本图像对包含两张具有相同的身份编号的样本图像,设备从一个第一样本图像对中提取的两项特征数据用于确定新的一个第一数据对,一个第二样本图像对包含两张具有不同的身份编号的样本图像,设备从一个第二样本图像对中提取的两项特征数据用于确定新的一个第二数据对。例如,针对人物A有两张样本图像A1和A2,A1和A2设置相同的身份编号11,针对人物B有两张样本图像B1和B2,B1和B2设置相同的身份编号22。设备根据A1、A2、B1和B2生成了2个数据对C1和C2,C1包含两项分别从A1和A2中提取的特征数据,设备通过识别A1和A2的身份编号,A1和A2的身份编号相同,A1和A2形成第一样本图像对,即可确定C1为第一数据对;C2包含两项分别从A1和B1中提取的特征数据,设备通过识别A1和B1的身份编号,A1和B1的身份编号不相同,A1和B1形成第二样本图像对,即可确定C2为第二数据对。这样通过将同一人的多张样本图像设置相同的身份编号,且将不同人的多张样本图像设置不相同的身份编号,在根据多张样本图像的特征数据确定多个数据对时,能够通过多张样本图像的身份编号,来确定获得的多个数据对中每一个是否包含两项分别从两张针对同一人的样本图像中提取的特征数据,从而区分第一数据对和第二数据对。
进一步,在本申请实施例中,设备区分第一数据对和第二数据对之后,设备还可以给第一数据对和第二数据设置标识,便于后续通过标识来区分第一数据对和第二数据对。例如,设备将第一数据对和第二数据对分别标注为1和0。
S204:设备根据多项特征数据对应的多个第一数据对各自对应的相似性距离,和,多项特征数据对应的多个第二数据对各自对应的相似性距离,确定人脸识别模型对应的损失。
具体的说,设备能够根据从多张样本图像中提取多项特征数据,确定多个第一数据对和多个第二数据对。然后,设备会根据多个第一数据对各自对应的相似性距离和多个第二数据对各自对应的相似性距离,确定人脸识别模型对应的损失,以确定训练效果。如上所介绍的,人脸识别模型对应的损失可以通过欧氏距离、绝对距离等用于判定两个图像之间的相似度的相似性距离来衡量。当通过欧式距离来衡量人脸识别模型对应的损失时,那么设备需要根据多个第一数据对各自对应的欧氏距离和多个第二数据对各自对应的欧氏距离,确定人脸识别模型对应的损失;当通过绝对距离来衡量人脸识别模型对应的损失时,那么设备需要根据多个第一数据对各自对应的绝对距离和多个第二数据对各自对应的绝对距离,确定人脸识别模型对应的损失。
设备会根据多个第一数据对各自对应的相似性距离和多个第二数据对各自对应的相似性距离,来确定训练效果。若未达到预期的训练效果,则继续模型训练;若达到预期的训练效果,则结束模型训练。预期的训练效果是指通过训练好的人脸识别模型能够区分第一数据对和第二数据对。设备要能通过多个第一数据对各自对应的相似性距离和多个第二数据对各自对应的相似性距离来区分第一数据对和第二数据对,那么多个第一数据对各自对应的相似性距离和多个第二数据对各自对应的相似性距离的分布势必是满足一定条件的,也即由多个第一数据对各自对应的相似性距离和多个第二数据对各自对应的相似性距离确定出的人脸识别模型对应的损失是满足一定条件的。故设备可以根据人脸识别模型对应的损失是否满足预设条件,来确定是否达到预期的训练效果,以结束人脸识别模型的训练流程。其中,多个第一数据对各自对应的相似性距离和多个第二数据对各自对应的相似性距离可以是由外部装置计算得到,然后再将计算结果发送给设备;多个第一数据对各自对应的相似性距离和多个第二数据对各自对应的相似性距离也可以是由设备计算得到的。
本申请实施例中,设备根据人脸识别模型对应的损失是否满足预设条件,来确定是否达到预期的训练效果,以结束人脸识别模型的训练流程,其中,预设条件具有下面几种可选的设置方式。
方式一:预设条件为目标个数与多个第一数据对和多个第二数据对的总个数的比值大于第一预设比例。
具体的说,目标个数与多个第一数据对和多个第二数据对的总个数的比值为设备需要获得的目标比例。目标个数为多个第一数据对中相似性距离小于相似性距离阈值的个数与多个第二数据对中相似性距离大于相似性距离阈值的个数的和。而相似性距离阈值可以通过交叉验证的方式根据多个第一数据对各自对应的相似性距离和多个第二数据对各自对应的相似性距离确定的。在模型训练过程中,每次设备会获取多个第一数据对和多个第二数据对,基于该次获取的多个第一数据对各自对应的相似性距离和多个第二数据对各自对应的相似性距离会确定出一个相似性距离阈值。即为一次模型训练对应一个相似性距离阈值和一个目标比例,多次模型训练对应多个相似性距离阈值和多个目标比例。而相似性距离阈值可以是由外部装置来确定,然后将确定结果发送给设备;相似性距离阈值也可以是由设备来确定。可选的,所述设备根据所述多项特征数据对应的多个第一数据对各自对应的相似性距离,和,所述多项特征数据对应的多个第二数据对各自对应的相似性距离,确定所述人脸识别模型对应的损失之后,还包括:所述设备通过交叉验证的方式根据所述多个第一数据对各自对应的相似性距离和所述多个第二数据对各自对应的相似性距离确定所述相似性距离阈值。
具体的说,在设备获取多个第一数据对各自对应的相似性距离和多个第二数据对各自对应的相似性距离的情况下,基于多个第一数据对各自对应的相似性距离和多个第二数据对各自对应的相似性距离是可以确定出一个临界值,使得多个第一数据对的多个相似性距离中小于该临界值且多个第二数据对的多个相似性距离中大于该临界值的比例达到最大,那么该临界值即为相似性距离阈值。例如,多个第一数据对的相似性距离有5个且分别为0.11、0.23、0.34、0.48、0.51,多个第二数据对的相似性距离有5个且分别为0.37、0.50、0.63、0.71、0.86,多个第一数据对和多个第二数据对的总个数为10个。当临界值d1∈(0.37,0.48)时,5个第一数据对的多个相似性距离中小于d1有3个,5个第二数据对的多个相似性距离中大于d1有4个,那么基于d1的目标个数为7,进而算得基于d1的目标比例为70%;当临界值d2∈(0.48,0.50)时,5个第一数据对的多个相似性距离中小于d1有4个,5个第二数据对的多个相似性距离中大于d1有4个,那么基于d2的目标个数为8,进而算得基于d2的目标比例为80%;当临界值d3∈(0.50,0.51)时,5个第一数据对的多个相似性距离中小于d1有4个,5个第二数据对的多个相似性距离中大于d1有3个,那么基于d3的目标个数为7,进而算得基于d3的目标比例为70%。故当临界值取(0.37,0.48)内任意一个值时,使得目标比例达到最大,即可将该临界值作为相似性距离阈值。这样通过交叉验证的方式能够找到一个最优的临界值,以该最优的临界值作为相似性距离阈值,这样多个第一数据对的相似性距离小于相似性距离阈值且多个第二数据对的相似性距离大于相似性距离阈值的准确率就会比较高。
第一预设比例为预先设置的比较值,第一预设比例通常设置为接近100%的一个数值,例如,第一预设比例设置为99%。若目标比例大于第一预设比例,设备确定人脸识别模型对应的损失满足预设条件,即能够通过相似性距离阈值来区分第一数据对和第二数据对,则设备结束模型训练。若目标比例小于第一预设比例,设备确定人脸识别模型对应的损失不满足预设条件,则继续模型训练。若目标比例等于第一预设比例,设备的判定结果可以根据实际需求进行设置,一种情况可以是在目标比例等于第一预设比例时,确定人脸识别模型对应的损失满足预设条件;另外一种情况可以是在目标比例等于第一预设比例时,确定人脸识别模型对应的损失不满足预设条件。
在本申请实施例中,当目标比例大于第一预设比例时,则使得多个第一数据对的相似性距离小于相似性距离阈值且多个第二数据对的相似性距离大于相似性距离阈值的准确率大于第一预设比例,即准确率较高,这样能够通过相似性距离阈值来区分两类数据对。此时,结束模型训练,使得人脸识别模型后续在对任意两张图像做处理时,可以确定其符合第一数据对的特征还是符合第二数据对的特征,如果是符合第一数据对的特征,则这两张图像中的人为同一人,如果是符合第二数据对的特征,则这两张图像中的人为不同人。
方式二:基于方式一的基础上,在实际的模型训练的过程中,会存在连续多次的训练所得到的目标比例都是趋近于第一预设比例的情况,故可以在方式一的基础上结合第一损失函数的损失和第二损失函数的损失,来确定人脸识别模型对应的损失是否满足预设条件。
具体的说,每次迭代训练中都能得到上述的目标比例,每次迭代训练中所得到的目标比例为目标个数与每次迭代训练中得到的多个第一数据对和每次迭代训练中得到的多个第二数据对的总个数的比值,目标个数为每次迭代训练中得到的多个第一数据对中相似性距离中小于相似性距离阈值的个数与每次迭代训练中得到的多个第二数据对中相似性距离中大于相似性距离阈值的个数的和。在实际的模型训练的过程中,会存在连续多次的训练所得到的目标比例都是趋近于第一预设比例的情况,若设备仍然继续执行人脸识别模型的训练流程,可能还是无法使得目标比例大于第一预设比例,进而导致模型训练无法结束。故在连续预设次数迭代训练中所得到的目标比例小于第一预设比例但大于第二预设比例的情况下,设备根据第一损失函数的损失和第二损失函数的损失确定人脸识别模型对应的损失是否满足预设条件,进而确定是否结束模型训练。其中,预设次数是预先设置的一个经验常数,而第二预设比例也是预先设置的且小于第一预设比例的一个对比值。例如,预设次数为5次,第一预设比例为99%,第二预设比例为98%,若连续预设次数迭代训练中所得到的目标比例分别为98.1%、98.1%、98.2%、98.2%、98.2%时,则设备根据第一损失函数的损失和第二损失函数的损失,确定人脸识别模型对应的损失是否满足预设条件,进而确定是否结束模型训练。
第一损失函数的损失为多个第一数据对的相似性距离与第一预设值之间的损失,第二损失函数的损失为多个第二数据对的相似性距离与第二预设值之间的损失,其中,第一预设值和第二预设值为预先设置的常数值,第一预设值通常设置为0,而第二预设值为大于1的常数,第二预设值通常的取值范围为[1,5]。第一损失函数的损失和第二损失函数的损失可以是由外部装置计算得到,然后再将计算结果发送给设备;第一损失函数的损失和第二损失函数的损失也可以是由设备计算得到的。可选的,所述设备根据所述多项特征数据确定新的多个第一数据对和新的多个第二数据对之后,还包括:所述设备确定第一损失函数的损失和第二损失函数的损失。
设备根据第一损失函数的损失和第二损失函数的损失确定是否结束模型训练的方式可以是设备确定训练流程是否达到预设的迭代次数,若达到预设的迭代次数,则结束模型训练;若未达到预设的迭代次数,则继续模型训练。设备根据第一损失函数的损失和第二损失函数的损失确定是否结束模型训练的方式也可以是确定连续预设次数迭代训练中所得到第一损失函数的损失和第二损失函数的降幅是否小于预设幅度,若小于预设幅度,则结束模型训练;若大于预设幅度,则继续模型训练。设备根据第一损失函数的损失和第二损失函数的损失确定是否结束模型训练的方式还可以是确定第一损失函数的损失和第二损失函数的损失是否达到最小,若第一损失函数的损失和第二损失函数的损失达到最小,则结束模型训练;若第一损失函数的损失和第二损失函数的损失未达到最小,则继续模型训练。
可选的,在本申请实施例中,若第一损失函数的损失小于第一预设损失且第二损失函数的损失小于第二预设损失,或者第一损失函数的损失与第二损失函数的损失的总和小于第三预设损失,则人脸识别模型对应的损失满足预设条件。
具体的说,设备确定第一损失函数的损失和第二损失函数的损失来是否达到最小,可以是分别对应第一损失函数的损失和第二损失函数的损失设置阈值来进行对比确定,例如,当第一损失函数的损失小于第一预设损失且第二损失函数的损失小于第二预设损失时,设备确定第一损失函数的损失和第二损失函数的损失达到最小,进而确定人脸识别模型对应的损失满足预设条件。设备还可以是根据第一损失函数的损失和第二损失函数的损失的总和,确定第一损失函数的损失和第二损失函数的损失是否达到最小,例如,当第一损失函数的损失与第二损失函数的损失的总和小于第三预设损失时,设备确定第一损失函数的损失和第二损失函数的损失达到最小,进而确定人脸识别模型对应的损失满足预设条件。可选的,在本申请实施例中,第一损失函数的损失和第二损失函数的损失的总和L为公式1-1所示。
在公式1-1中,m为多个第一数据对和多个第二数据对的总个数,l2 i为第i个数据对的欧氏距离;当第i个数据对为第一数据对时,当第i个数据对为第二数据对时,a为第一预设值,b为第二预设值。将多个第一数据对的欧氏距离与第一预设值之间的差值和作为第一损失函数的损失,并将多个第二数据对的欧氏距离与第二预设值之间的差值和作为第二损失函数的损失,以此来计算第一损失函数的损失与第二损失函数的损失的总和,这样第一损失函数的损失与第二损失函数的损失的总和的计算方法相对较为简单,减小了人脸识别模型训练的计算开销。
在本申请实施例中,当连续预设次数迭代训练中所得到的目标比例小于第一预设比例但大于第二预设比例的情况下时,则根据第一损失函数的损失和第二损失函数的损失来判定人脸识别模型对应的损失是否满足预设条件。若第一损失函数的损失小于第一预设损失且第二损失函数的损失小于第二预设损失,或者第一损失函数的损失与第二损失函数的损失的总和小于第三预设损失,则代表多个第一数据对的相似性距离均趋近于第一预设值,以及多个第二数据对的相似性距离均趋近于第二预设值,此时,结束模型训练,使得人脸识别模型后续在对任意两张图像做处理时,可以确定其符合第一数据对的特征还是符合第二数据对的特征,如果是符合第一数据对的特征,则这两张图像中的人为同一人,如果是符合第二数据对的特征,则这两张图像中的人为不同人。另外,能够通过将第二预设值设置得很大,来定量的控制第二数据对的相似性距离以明显区别第一数据对的相似性距离,进而达到能够很容易地区分出第一数据对和第二数据对的效果。
方式三:只根据第一损失函数的损失和第二损失函数的损失,确定人脸识别模型对应的损失是否满足预设条件。
具体的说,第一损失函数的损失为多个第一数据对的相似性距离与第一预设值之间的损失,第二损失函数的损失为多个第二数据对的相似性距离与第二预设值之间的损失。可选的,所述设备根据所述多项特征数据对应的多个第一数据对各自对应的相似性距离,和,所述多项特征数据对应的多个第二数据对各自对应的相似性距离,确定所述人脸识别模型对应的损失之后,还包括:所述设备确定第一损失函数的损失和第二损失函数的损失。
设备根据第一损失函数的损失和第二损失函数的损失确定人脸识别模型对应的损失是否满足预设条件,进而确定是否结束模型训练的方式可以设备确定训练流程是否达到预设的迭代次数,若达到预设的迭代次数,则结束模型训练;若未达到预设的迭代次数,则继续模型训练。设备根据第一损失函数的损失和第二损失函数的损失确定是否结束模型训练的方式还可以确定第一损失函数的损失和第二损失函数的损失是否达到最小,若第一损失函数的损失和第二损失函数的损失达到最小,则结束模型训练;若第一损失函数的损失和第二损失函数的损失未达到最小,则继续模型训练。可选的,若第一损失函数的损失小于第一预设损失且第二损失函数的损失小于第二预设损失,或者第一损失函数的损失与第二损失函数的损失的总和小于第三预设损失,则人脸识别模型对应的损失满足预设条件。
在本申请实施例中,当第一损失函数的损失小于第一预设损失且第二损失函数的损失小于第二预设损失,或者第一损失函数的损失与第二损失函数的损失的总和小于第三预设损失时,则代表多个第一数据对的相似性距离均趋近于第一预设值,以及多个第二数据对的相似性距离均趋近于第二预设值,此时,结束模型训练,使得人脸识别模型后续在对任意两张图像做处理时,可以确定其符合第一数据对的特征还是符合第二数据对的特征,如果是符合第一数据对的特征,则这两张图像中的人为同一人,如果是符合第二数据对的特征,则这两张图像中的人为不同人。另外,能够通过将第二预设值设置得很大,来定量的控制第二数据对的相似性距离以明显区别第一数据对的相似性距离,进而达到能够很容易地区分出第一数据对和第二数据对的效果。
设备在迭代执行人脸识别模型的训练流程的过程中,会循环执行步骤S201-S204,每次循环设备会通过调整后人脸识别模型得到多个第一数据对和多个第二数据对,然后,再根据多个第一数据对的相似性距离和新得到的多个第二数据对的相似性距离,确定人脸识别模型对应的损失是否继续模型训练,直至人脸识别模型对应的损失满足预设条件,设备才会结束模型训练,以得到用于进行人脸识别的人脸识别模型。可选的,当样本图像集有更新时,设备可以在该用于进行人脸识别的人脸识别模型的基础上,利用上述模型训练方法在新的样本图像集上对人脸识别模型进行微调。
步骤S30:所述设备通过人脸识别模型从待识别图像中提取特征数据。
步骤S40:若所述待识别图像的特征数据与预设图像的特征数据之间的相似性距离小于相似性距离阈值,则所述设备将所述待识别图像标记为所述预设图像代表的人的图像。
具体的说,待识别图像可以是由外部装置获取,然后传送给设备;待识别图像也可以由设备获取。可选的,待识别图像和预设图像为尺寸相同且进行过人脸对齐处理的多张人脸图像,即设备可以采用上述的方法对待识别图像和预设图像进行预处理。设备可以是预先储存有预设图像,在设备使用预设图像时,设备再从预设图像中提取特征数据;设备还可以是在获取预设图像时,就从预设图像中提取并储存特征数据。
可选的,设备可以通过上述方法获得与用于进行人脸识别的人脸识别模型对应的损失阈值。若待识别图像的特征数据和预设图像的特征数据之间的相似性距离小于相似性距离阈值,则设备将待识别图像标记为预设图像代表的人的图像,即待识别图像与预设图像代表同一人。若待识别图像的特征数据与预设图像的特征数据之间的相似性距离大于相似性距离阈值,则待识别图像与预设图像代表不同人,设备可以将待识别图像标记不为预设图像代表的人的图像;设备也可以不进行任何动作;若预设图像有多张时,设备还可以执行计算待识别图像的特征数据和下一张预设图像的特征数据之间的相似性距离的步骤。若待识别图像的特征数据和预设图像的特征数据之间的相似性距离等于相似性距离阈值,设备的识别结果可以根据实际需求进行设置,一种情况可以是在待识别图像的特征数据和预设图像的特征数据之间的相似性距离等于相似性距离阈值时,则设备确定待识别图像与预设图像代表同一人;另外一种情况可以是在待识别图像的特征数据和预设图像的特征数据之间的相似性距离等于相似性距离阈值时,则设备确定待识别图像与预设图像代表不同人。
可选的,步骤20和步骤30可以由其他设备来做,例如,设备是服务器,实际进行人脸识别的执行主体是具有人脸识别功能的识别终端,服务器在训练好人脸识别模型后,将训练好的人脸识别模型发送给识别终端,识别终端利用训练好的人脸识别模型进行人脸识别。
在本申请实施例中,使用训练好的人脸识别模型从待识别图像中提取特征数据,若待识别图像的特征数据与预设图像的特征数据之间的相似性距离小于相似性距离阈值,则待识别图像与预设图像代表同一人;若待识别图像的特征数据与预设图像的特征数据之间的相似性距离大于相似性距离阈值,则待识别图像与预设图像代表不同人。
设备可以用于门禁授权场景、视频监控场景、刷脸支付场景等等。例如,请参见图3,当设备用于大厦的门禁授权场景时,设备可以包括闸机301、摄像头302和控制台303,控制台303电性连接闸机301和摄像头302。闸机301设置在大厦的入口通道处,当闸机301开启时,待识别人员可以进入大厦;当闸机301关闭时,待识别人员无法进入大厦。摄像头302也设置在大厦的入口通道处,摄像头302用于抓拍待识别人员的人脸图像,并将待识别人员的人脸图像发送给控制台303,以生成待识别图像。控制台303设置在大厦内或者与闸机301一体化设置,控制台303设有人脸识别模型,并可以通过人脸识别模型提取人脸图像中的特征数据。控制台303内预先储存有被授权可以通过闸机301进入大厦的人的人脸图像,以作为预设图像。闸机301在常规状态下是关闭的,当有待识别人员要想通过闸机301进入大厦时,摄像头302会抓拍待识别人员的人脸图像,并将待识别人员的人脸图像发送给控制台303,以生成待识别图像。控制台303通过人脸识别模型从待识别图像中提取特征数据,并计算待识别图像的特征数据与预设图像的特征数据之间的相似性距离,若待识别图像的特征数据与预设图像的特征数据之间的相似性距离小于相似性距离阈值,则控制台303确定待识别人员为被授权可以进入大厦的人,进而控制台303控制闸机301开启;若待识别图像的特征数据与预设图像的特征数据之间的相似性距离大于相似性距离阈值,则控制台303确定待识别人员不为被授权可以进入大厦的人,进而控制台303不控制闸机301开启。
在图2A和图2B所描述的方法中,将多张样本图像的特征数据两两组合形成两类数据对,两类数据对包括针对同一人的第一数据对和针对不同人的第二数据对,然后迭代进行人脸识别模型训练,使得该人脸识别模型能够用第一数据对的相似性距离和第二数据对的相似性距离来区分同一人和不同人。由于,通过将多张样本图像的特征数据两两组合形成的多个数据对的数量要多于多张样本图像的数量,这样即使在小规模的数据集上也能获得较多的数据对,进而达到很好的训练效果。
请参见图4,图4是本申请实施例提供的一种图像处理装置40,图像处理装置40可以为执行图2A和图2B所示的方法实施例的图像处理装置。图像处理装置40包括训练模块401,训练模块401包括调整单元4011、提取单元4012、组合单元4013和确定单元4014,图像处理装置40的各个模块和单元的详细描述如下。
训练模块401,用于迭代执行人脸识别模型的结束训练流程,直至所述人脸识别模型对应的损失满足预设条件,损失满足预设条件时的所述人脸识别模型用于进行人脸识别;
其中,所述训练模块401包括:
调整单元4011,用于根据所述人脸识别模型对应的损失调整所述人脸识别模型;
提取单元4012,用于通过调整后的所述人脸识别模型,从预先选取得到的多张样本图像中,提取所述多张样本图像各自对应的特征数据,以得到多项特征数据;
组合单元4013,用于将第一特征数据分别与所述第一特征数据对应的多项其他特征数据进行组合,以得到所述第一特征数据对应的第一数据对和所述第一特征数据对应的第二数据对;所述第一特征数据为所述多项特征数据中的任一项特征数据,所述第一特征数据对应的多项其他特征数据为所述多项特征数据中除所述第一特征数据之外的特征数据;所述第一特征数据对应的第一数据对由所述第一特征数据和第二特征数据组成,所述第一特征数据对应的样本图像和所述第二特征数据对应的样本图像为同一人的样本图像;所述第一特征数据对应的第二数据对由所述第一特征数据和第三特征数据组成,所述第一特征数据对应的样本图像和所述第二特征数据对应的样本图像为不同人的样本图像;
确定单元4014,用于根据所述多项特征数据对应的多个第一数据对各自对应的相似性距离,和,所述多项特征数据对应的多个第二数据对各自对应的相似性距离,确定所述人脸识别模型对应的损失。
在一种可选的方案中,所述预设条件为:目标个数与所述多个第一数据对和所述多个第二数据对的总个数的比值大于第一预设比例,所述目标个数为所述多个第一数据对中相似性距离小于相似性距离阈值的个数与所述多个第二数据对中相似性距离大于所述相似性距离阈值的个数的和。
在一种可选的方案中,所述预设条件为:第一损失函数的损失小于第一预设损失且第二损失函数的损失小于第二预设损失,或者,第一损失函数的损失与第二损失函数的损失的总和小于第三预设损失,其中,所述第一损失函数的损失为所述多个第一数据对的相似性距离与第一预设值之间的损失,所述第二损失函数的损失为所述多个第二数据对的相似性距离与第二预设值之间的损失,所述第一预设值小于所述第二预设值。
在一种可选的方案中,所述预设条件为:在连续预设次数迭代训练中所得到的目标比例小于第一预设比例但大于第二预设比例的情况下,第一损失函数的损失小于第一预设损失且第二损失函数的损失小于第二预设损失,或者第一损失函数的损失与第二损失函数的损失的总和小于第三预设损失,其中,所述第一损失函数的损失为所述多个第一数据对的相似性距离与第一预设值之间的损失,所述第二损失函数的损失为所述多个第二数据对的相似性距离与第二预设值之间的损失,且所述第一预设值小于所述第二预设值,每次迭代训练中所得到的目标比例为目标个数与所述每次迭代训练得到的多个第一数据对和每次迭代训练得到的多个第二数据对的总个数的比值,所述目标个数为所述每次迭代训练得到的多个第一数据对中相似性距离小于相似性距离阈值的个数与每次迭代训练得到的多个第二数据对中相似性距离大于所述相似性距离阈值的个数的和。
在一种可选的方案中,所述训练模块401还包括阀值确定单元,所述阀值确定单元,用于在所述根据所述多项特征数据对应的多个第一数据对各自对应的相似性距离,和,所述多项特征数据对应的多个第二数据对各自对应的相似性距离,确定所述人脸识别模型对应的损失之后,通过交叉验证的方式根据所述多个第一数据对各自对应的相似性距离和所述多个第二数据对各自对应的相似性距离,确定所述相似性距离阈值。
在一种可选的方案中,所述第一损失函数的损失和所述第二损失函数的损失的总和L为:
其中,m为所述多个第一数据对和所述多个第二数据对的总个数,l2 i为第i个数据对的欧氏距离;当第i个数据对为所述第一数据对时,当第i个数据对为所述第二数据对时,a为所述第一预设值,b为所述第二预设值。
在一种可选的方案中,所述多张样本图像中的每张所述样本图像设置有所述身份编号,且针对同一人的多张样本图像的身份编号相同,针对不同人的多张样本图像的身份编号互不相同。
在一种可选的方案中,所述人脸识别模型对应的损失为所述欧氏距离或绝对距离。
在一种可选的方案中,还包括识别模块,所述识别模块,用于在所述迭代执行人脸识别模型的训练流程之后,通过所述人脸识别模型从待识别图像中提取特征数据;若所述待识别图像的特征数据与预设图像的特征数据之间的相似性距离小于相似性距离阈值,则将所述待识别图像标记为所述预设图像代表的人的图像。
图4所示的图像处理装置中各个模块和单元的具体实现及有益效果还可以对应参照图2A和图2B所示的方法实施例的相应描述,此处不再赘述。
请参见图5,图5是本申请实施例提供的一图像处理装置50,图像处理装置50可以为执行图2A和图2B所示的方法实施例的图像处理装置。该图像处理装置50包括处理器501和存储器502,所述处理器501和存储器502通过总线503相互连接。
存储器502包括但不限于是随机存储记忆体(random access memory,RAM)、只读存储器(read-only memory,ROM)、可擦除可编程只读存储器(erasable programmableread only memory,EPROM)、或便携式只读存储器(compact disc read-only memory,CD-ROM),该存储器502用于相关计算机程序及数据。
处理器501可以是一个或多个中央处理器(central processing unit,CPU),在处理器501是一个CPU的情况下,该CPU可以是单核CPU,也可以是多核CPU。
该图像处理装置50中的处理器501用于读取所述存储器502中存储的计算机程序代码,执行以下操作:
迭代执行人脸识别模型的结束训练流程,直至所述人脸识别模型对应的损失满足预设条件,损失满足预设条件时的所述人脸识别模型用于进行人脸识别;
其中,所述人脸识别模型的训练流程包括:
根据所述人脸识别模型对应的损失调整所述人脸识别模型;
通过调整后的所述人脸识别模型,从预先选取得到的多张样本图像中,提取所述多张样本图像各自对应的特征数据,以得到多项特征数据;
将第一特征数据分别与所述第一特征数据对应的多项其他特征数据进行组合,以得到所述第一特征数据对应的第一数据对和所述第一特征数据对应的第二数据对;所述第一特征数据为所述多项特征数据中的任一项特征数据,所述第一特征数据对应的多项其他特征数据为所述多项特征数据中除所述第一特征数据之外的特征数据;所述第一特征数据对应的第一数据对由所述第一特征数据和第二特征数据组成,所述第一特征数据对应的样本图像和所述第二特征数据对应的样本图像为同一人的样本图像;所述第一特征数据对应的第二数据对由所述第一特征数据和第三特征数据组成,所述第一特征数据对应的样本图像和所述第二特征数据对应的样本图像为不同人的样本图像;
根据所述多项特征数据对应的多个第一数据对各自对应的相似性距离,和,所述多项特征数据对应的多个第二数据对各自对应的相似性距离,确定所述人脸识别模型对应的损失。
在上述方法中,将多张样本图像的特征数据两两组合形成两类数据对,两类数据对包括针对同一人的第一数据对和针对不同人的第二数据对,然后迭代进行人脸识别模型训练,使得该人脸识别模型能够用第一数据对的相似性距离和第二数据对的相似性距离来区分同一人和不同人。由于,通过将多张样本图像的特征数据两两组合形成的多个数据对的数量要多于多张样本图像的数量,这样即使在小规模的数据集上也能获得较多的数据对,进而达到很好的训练效果。
在一种可能的实施方式中,所述预设条件为:目标个数与所述多个第一数据对和所述多个第二数据对的总个数的比值大于第一预设比例,所述目标个数为所述多个第一数据对中相似性距离小于相似性距离阈值的个数与所述多个第二数据对中相似性距离大于所述相似性距离阈值的个数的和。
在本申请实施例中,当目标比例大于第一预设比例时,则使得多个第一数据对的相似性距离小于相似性距离阈值且多个第二数据对的相似性距离大于相似性距离阈值的准确率大于第一预设比例,即准确率较高。此时,结束模型训练,使得人脸识别模型后续在对任意两张图像做处理时,可以确定其符合第一数据对的特征还是符合第二数据对的特征,如果是符合第一数据对的特征,则这两张图像中的人为同一人,如果是符合第二数据对的特征,则这两张图像中的人为不同人。
在一种可能的实施方式中,所述预设条件为:第一损失函数的损失小于第一预设损失且第二损失函数的损失小于第二预设损失,或者,第一损失函数的损失与第二损失函数的损失的总和小于第三预设损失,其中,所述第一损失函数的损失为所述多个第一数据对的相似性距离与第一预设值之间的损失,所述第二损失函数的损失为所述多个第二数据对的相似性距离与第二预设值之间的损失,所述第一预设值小于所述第二预设值。
当第一损失函数的损失小于第一预设损失且第二损失函数的损失小于第二预设损失,或者第一损失函数的损失与第二损失函数的损失的总和小于第三预设损失时,则代表多个第一数据对的相似性距离均趋近于第一预设值,以及多个第二数据对的相似性距离均趋近于第二预设值,此时,结束模型训练,使得人脸识别模型后续在对任意两张图像做处理时,可以确定其符合第一数据对的特征还是符合第二数据对的特征,如果是符合第一数据对的特征,则这两张图像中的人为同一人,如果是符合第二数据对的特征,则这两张图像中的人为不同人。另外,能够通过将第二预设值设置得很大,来定量的控制第二数据对的相似性距离以明显区别第一数据对的相似性距离,进而达到能够很容易地区分出第一数据对和第二数据对的效果。
在一种可能的实施方式中,所述预设条件为:在连续预设次数迭代训练中所得到的目标比例小于第一预设比例但大于第二预设比例的情况下,第一损失函数的损失小于第一预设损失且第二损失函数的损失小于第二预设损失,或者第一损失函数的损失与第二损失函数的损失的总和小于第三预设损失,其中,所述第一损失函数的损失为所述多个第一数据对的相似性距离与第一预设值之间的损失,所述第二损失函数的损失为所述多个第二数据对的相似性距离与第二预设值之间的损失,且所述第一预设值小于所述第二预设值,每次迭代训练中所得到的目标比例为目标个数与所述每次迭代训练得到的多个第一数据对和每次迭代训练得到的多个第二数据对的总个数的比值,所述目标个数为所述每次迭代训练得到的多个第一数据对中相似性距离小于相似性距离阈值的个数与每次迭代训练得到的多个第二数据对中相似性距离大于所述相似性距离阈值的个数的和。
在本申请实施例中,当连续预设次数迭代训练中所得到的目标比例小于第一预设比例但大于第二预设比例的情况下时,则根据第一损失函数的损失和第二损失函数的损失来确定多个第一数据对的相似性距离和多个第二数据对的相似性距离的分布是否满足预设条件。若第一损失函数的损失小于第一预设损失且第二损失函数的损失小于第二预设损失,或者第一损失函数的损失与第二损失函数的损失的总和小于第三预设损失,则代表多个第一数据对的相似性距离均趋近于第一预设值,以及多个第二数据对的相似性距离均趋近于第二预设值,此时,结束模型训练,使得人脸识别模型后续在对任意两张图像做处理时,可以确定其符合第一数据对的特征还是符合第二数据对的特征,如果是符合第一数据对的特征,则这两张图像中的人为同一人,如果是符合第二数据对的特征,则这两张图像中的人为不同人。另外,能够通过将第二预设值设置得很大,来定量的控制第二数据对的相似性距离以明显区别第一数据对的相似性距离,进而达到能够很容易地区分出第一数据对和第二数据对的效果。
在一种可能的实施方式中,所述根据所述多项特征数据对应的多个第一数据对各自对应的相似性距离,和,所述多项特征数据对应的多个第二数据对各自对应的相似性距离,确定所述人脸识别模型对应的损失之后,还执行:
通过交叉验证的方式根据所述多个第一数据对各自对应的相似性距离和所述多个第二数据对各自对应的相似性距离,确定所述相似性距离阈值。
在本申请实施例中,通过交叉验证的方式能够找到一个最优的临界值,以该最优的临界值作为相似性距离阈值,这样多个第一数据对的相似性距离小于相似性距离阈值且多个第二数据对的相似性距离大于相似性距离阈值的准确率就会比较高。
在一种可能的实施方式中,所述第一损失函数的损失和所述第二损失函数的损失的总和L为:
其中,m为所述多个第一数据对和所述多个第二数据对的总个数,l2 i为第i个数据对的欧氏距离;当第i个数据对为所述第一数据对时,当第i个数据对为所述第二数据对时,a为所述第一预设值,b为所述第二预设值。
在本申请实施例中,将多个第一数据对的欧氏距离与第一预设值之间的差值和作为第一损失函数的损失,并将多个第二数据对的欧氏距离与第二预设值之间的差值和作为第二损失函数的损失,以此来计算第一损失函数的损失与第二损失函数的损失的总和,这样第一损失函数的损失与第二损失函数的损失的总和的计算方法相对较为简单,减小了人脸识别模型训练的计算开销。
在一种可能的实施方式中,所述多张样本图像中的每张所述样本图像设置有所述身份编号,且针对同一人的多张样本图像的身份编号相同,针对不同人的多张样本图像的身份编号互不相同。
在一种可能的实施方式中,所述人脸识别模型对应的损失为所述欧氏距离或绝对距离。
在一种可能的实施方式中,所述迭代执行人脸识别模型的训练流程之后,还执行:
通过所述人脸识别模型从待识别图像中提取特征数据;
若所述待识别图像的特征数据与预设图像的特征数据之间的相似性距离小于相似性距离阈值,则将所述待识别图像标记为所述预设图像代表的人的图像。
在本申请实施例中,使用训练好的人脸识别模型从待识别图像中提取特征数据,若待识别图像的特征数据与预设图像的特征数据之间的相似性距离小于相似性距离阈值,则待识别图像与预设图像代表同一人;若待识别图像的特征数据与预设图像的特征数据之间的相似性距离大于相似性距离阈值,则待识别图像与预设图像代表不同人。
图5所示的图像处理装置中各个模块的具体实现及有益效果还可以对应参照图2A和图2B所示的方法实施例的相应描述,此处不再赘述。
本申请实施例还提供一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机程序,当计算机程序在图像处理装置上运行时,实现图2A和图2B所示的方法。
综上所述,将多张样本图像的特征数据两两组合形成两类数据对,两类数据对包括针对同一人的第一数据对和针对不同人的第二数据对,然后迭代进行人脸识别模型训练,使得该人脸识别模型能够用第一数据对的相似性距离和第二数据对的相似性距离来区分同一人和不同人。由于,通过将多张样本图像的特征数据两两组合形成的多个数据对的数量要多于多张样本图像的数量,这样即使在小规模的数据集上也能获得较多的数据对,进而达到很好的训练效果。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,可以通过计算机程序来指令相关的硬件来完成,该的程序可存储于计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可存储程序代码的介质。
Claims (10)
1.一种图像处理方法,其特征在于,包括:
迭代执行人脸识别模型的训练流程,直至所述人脸识别模型对应的损失满足预设条件,损失满足预设条件时的所述人脸识别模型用于进行人脸识别;
其中,所述人脸识别模型的训练流程包括:
根据所述人脸识别模型对应的损失调整所述人脸识别模型;
通过调整后的所述人脸识别模型,从预先选取得到的多张样本图像中,提取所述多张样本图像各自对应的特征数据,以得到多项特征数据;
将第一特征数据分别与所述第一特征数据对应的多项其他特征数据进行组合,以得到所述第一特征数据对应的第一数据对和所述第一特征数据对应的第二数据对;所述第一特征数据为所述多项特征数据中的任一项特征数据,所述第一特征数据对应的多项其他特征数据为所述多项特征数据中除所述第一特征数据之外的特征数据;所述第一特征数据对应的第一数据对由所述第一特征数据和第二特征数据组成,所述第一特征数据对应的样本图像和所述第二特征数据对应的样本图像为同一人的样本图像;所述第一特征数据对应的第二数据对由所述第一特征数据和第三特征数据组成,所述第一特征数据对应的样本图像和所述第二特征数据对应的样本图像为不同人的样本图像;
根据所述多项特征数据对应的多个第一数据对各自对应的相似性距离,和,所述多项特征数据对应的多个第二数据对各自对应的相似性距离,确定所述人脸识别模型对应的损失。
2.根据权利要求1所述的方法,其特征在于,所述预设条件为:
目标个数与所述多个第一数据对和所述多个第二数据对的总个数的比值大于第一预设比例,所述目标个数为所述多个第一数据对中相似性距离小于相似性距离阈值的个数与所述多个第二数据对中相似性距离大于所述相似性距离阈值的个数的和。
3.根据权利要求1所述的方法,其特征在于,所述预设条件为:
第一损失函数的损失小于第一预设损失且第二损失函数的损失小于第二预设损失,或者,第一损失函数的损失与第二损失函数的损失的总和小于第三预设损失,其中,所述第一损失函数的损失为所述多个第一数据对的相似性距离与第一预设值之间的损失,所述第二损失函数的损失为所述多个第二数据对的相似性距离与第二预设值之间的损失,所述第一预设值小于所述第二预设值。
4.根据权利要求1所述的方法,其特征在于,所述预设条件为:
在连续预设次数迭代训练中所得到的目标比例小于第一预设比例但大于第二预设比例的情况下,第一损失函数的损失小于第一预设损失且第二损失函数的损失小于第二预设损失,或者第一损失函数的损失与第二损失函数的损失的总和小于第三预设损失,其中,所述第一损失函数的损失为所述多个第一数据对的相似性距离与第一预设值之间的损失,所述第二损失函数的损失为所述多个第二数据对的相似性距离与第二预设值之间的损失,且所述第一预设值小于所述第二预设值,每次迭代训练中所得到的目标比例为目标个数与所述每次迭代训练得到的多个第一数据对和每次迭代训练得到的多个第二数据对的总个数的比值,所述目标个数为所述每次迭代训练得到的多个第一数据对中相似性距离小于相似性距离阈值的个数与每次迭代训练得到的多个第二数据对中相似性距离大于所述相似性距离阈值的个数的和。
5.根据权利要求2或4所述的方法,其特征在于,所述根据所述多项特征数据对应的多个第一数据对各自对应的相似性距离,和,所述多项特征数据对应的多个第二数据对各自对应的相似性距离,确定所述人脸识别模型对应的损失之后,还包括:
通过交叉验证的方式根据所述多个第一数据对各自对应的相似性距离和所述多个第二数据对各自对应的相似性距离,确定所述相似性距离阈值。
7.根据权利要求1所述的方法,其特征在于,所述多张样本图像中的每张所述样本图像设置有所述身份编号,且针对同一人的多张样本图像的身份编号相同,针对不同人的多张样本图像的身份编号互不相同。
8.根据权利要求1所述的方法,其特征在于,所述迭代执行人脸识别模型的训练流程之后,还包括:
通过所述人脸识别模型从待识别图像中提取特征数据;
若所述待识别图像的特征数据与预设图像的特征数据之间的相似性距离小于相似性距离阈值,则将所述待识别图像标记为所述预设图像代表的人的图像。
9.一种图像处理装置,其特征在于,包括至少一个处理器和存储器,所述存储器和所述至少一个处理器通过线路互联,所述至少一个存储器中存储有计算机程序;所述计算机程序被所述处理器执行时,实现权利要求1-8任一项所述的方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有计算机程序,当计算机程序在处理器上运行时,实现权利要求1-8任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911109606.8A CN110956098B (zh) | 2019-11-13 | 2019-11-13 | 图像处理方法及相关设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911109606.8A CN110956098B (zh) | 2019-11-13 | 2019-11-13 | 图像处理方法及相关设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110956098A true CN110956098A (zh) | 2020-04-03 |
CN110956098B CN110956098B (zh) | 2023-05-12 |
Family
ID=69977422
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911109606.8A Active CN110956098B (zh) | 2019-11-13 | 2019-11-13 | 图像处理方法及相关设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110956098B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113870284A (zh) * | 2021-09-29 | 2021-12-31 | 柏意慧心(杭州)网络科技有限公司 | 用于对医学影像进行分割的方法、设备和介质 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040264780A1 (en) * | 2003-06-30 | 2004-12-30 | Lei Zhang | Face annotation for photo management |
KR20070118806A (ko) * | 2006-06-13 | 2007-12-18 | (주)코아정보시스템 | 임베디드 시스템용 안면 검출방법 |
KR20150069989A (ko) * | 2013-12-16 | 2015-06-24 | 한국과학기술원 | 국부 블록 질감 특징 벡터를 이용한 얼굴 검출 및 인식 장치 |
CN106778684A (zh) * | 2017-01-12 | 2017-05-31 | 易视腾科技股份有限公司 | 深度神经网络训练方法及人脸识别方法 |
CN108509915A (zh) * | 2018-04-03 | 2018-09-07 | 百度在线网络技术(北京)有限公司 | 人脸识别模型的生成方法和装置 |
CN108596193A (zh) * | 2018-04-27 | 2018-09-28 | 东南大学 | 一种搭建针对人耳识别的深度学习网络结构的方法及*** |
CN109117801A (zh) * | 2018-08-20 | 2019-01-01 | 深圳壹账通智能科技有限公司 | 人脸识别的方法、装置、终端及计算机可读存储介质 |
JP2019101927A (ja) * | 2017-12-06 | 2019-06-24 | 株式会社日立製作所 | 学習システム及び画像検索システム |
US20190205620A1 (en) * | 2017-12-31 | 2019-07-04 | Altumview Systems Inc. | High-quality training data preparation for high-performance face recognition systems |
WO2019128367A1 (zh) * | 2017-12-26 | 2019-07-04 | 广州广电运通金融电子股份有限公司 | 基于Triplet Loss的人脸认证方法、装置、计算机设备和存储介质 |
CN110232369A (zh) * | 2019-06-20 | 2019-09-13 | 深圳和而泰家居在线网络科技有限公司 | 一种人脸识别方法和电子设备 |
CN110399814A (zh) * | 2019-07-12 | 2019-11-01 | 武汉科技大学 | 一种基于局部线性表示领域适应度量的人脸识别方法 |
US10467526B1 (en) * | 2018-01-17 | 2019-11-05 | Amaon Technologies, Inc. | Artificial intelligence system for image similarity analysis using optimized image pair selection and multi-scale convolutional neural networks |
-
2019
- 2019-11-13 CN CN201911109606.8A patent/CN110956098B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040264780A1 (en) * | 2003-06-30 | 2004-12-30 | Lei Zhang | Face annotation for photo management |
KR20070118806A (ko) * | 2006-06-13 | 2007-12-18 | (주)코아정보시스템 | 임베디드 시스템용 안면 검출방법 |
KR20150069989A (ko) * | 2013-12-16 | 2015-06-24 | 한국과학기술원 | 국부 블록 질감 특징 벡터를 이용한 얼굴 검출 및 인식 장치 |
CN106778684A (zh) * | 2017-01-12 | 2017-05-31 | 易视腾科技股份有限公司 | 深度神经网络训练方法及人脸识别方法 |
JP2019101927A (ja) * | 2017-12-06 | 2019-06-24 | 株式会社日立製作所 | 学習システム及び画像検索システム |
WO2019128367A1 (zh) * | 2017-12-26 | 2019-07-04 | 广州广电运通金融电子股份有限公司 | 基于Triplet Loss的人脸认证方法、装置、计算机设备和存储介质 |
US20190205620A1 (en) * | 2017-12-31 | 2019-07-04 | Altumview Systems Inc. | High-quality training data preparation for high-performance face recognition systems |
US10467526B1 (en) * | 2018-01-17 | 2019-11-05 | Amaon Technologies, Inc. | Artificial intelligence system for image similarity analysis using optimized image pair selection and multi-scale convolutional neural networks |
CN108509915A (zh) * | 2018-04-03 | 2018-09-07 | 百度在线网络技术(北京)有限公司 | 人脸识别模型的生成方法和装置 |
CN108596193A (zh) * | 2018-04-27 | 2018-09-28 | 东南大学 | 一种搭建针对人耳识别的深度学习网络结构的方法及*** |
CN109117801A (zh) * | 2018-08-20 | 2019-01-01 | 深圳壹账通智能科技有限公司 | 人脸识别的方法、装置、终端及计算机可读存储介质 |
CN110232369A (zh) * | 2019-06-20 | 2019-09-13 | 深圳和而泰家居在线网络科技有限公司 | 一种人脸识别方法和电子设备 |
CN110399814A (zh) * | 2019-07-12 | 2019-11-01 | 武汉科技大学 | 一种基于局部线性表示领域适应度量的人脸识别方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113870284A (zh) * | 2021-09-29 | 2021-12-31 | 柏意慧心(杭州)网络科技有限公司 | 用于对医学影像进行分割的方法、设备和介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110956098B (zh) | 2023-05-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102359556B1 (ko) | 지문 영상을 이용한 사용자 인증 방법 및 사용자 인증을 위한 부호화 모델 생성 방법 | |
CN110188641B (zh) | 图像识别和神经网络模型的训练方法、装置和*** | |
CN109190470B (zh) | 行人重识别方法及装置 | |
US7646895B2 (en) | Grouping items in video stream images into events | |
CN102985933B (zh) | 区分真人面部与平坦表面 | |
US9262614B2 (en) | Image processing device, image processing method, and storage medium storing image processing program | |
US11244035B2 (en) | Apparatus and methods for biometric verification | |
CN108230291B (zh) | 物体识别***训练方法、物体识别方法、装置和电子设备 | |
KR102288302B1 (ko) | 적외선 영상을 이용한 사용자 인증 방법 및 장치 | |
KR20180109578A (ko) | 얼굴 인증 방법 및 장치 | |
KR20170016231A (ko) | 사용자 인증을 위한 멀티-모달 퓨전 방법 및 사용자 인증 방법 | |
US10922399B2 (en) | Authentication verification using soft biometric traits | |
CN109800643A (zh) | 一种活体人脸多角度的身份识别方法 | |
CN108108711B (zh) | 人脸布控方法、电子设备及存储介质 | |
US20190347472A1 (en) | Method and system for image identification | |
CN108564040B (zh) | 一种基于深度卷积特征的指纹活性检测方法 | |
Zhang et al. | Robust multimodal recognition via multitask multivariate low-rank representations | |
CN111582027B (zh) | 身份认证方法、装置、计算机设备和存储介质 | |
CN113449704B (zh) | 人脸识别模型训练方法、装置、电子设备及存储介质 | |
CN111104852B (zh) | 一种基于启发式高斯云变换的人脸识别技术 | |
CN114022713A (zh) | 模型训练方法、***、设备及介质 | |
CN111382791B (zh) | 深度学习任务处理方法、图像识别任务处理方法和装置 | |
CN110956098B (zh) | 图像处理方法及相关设备 | |
CN110378414B (zh) | 基于进化策略的多模态生物特征融合的身份识别方法 | |
CN111144240B (zh) | 图像处理方法及相关设备 |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20200413 Address after: 1706, Fangda building, No. 011, Keji South 12th Road, high tech Zone, Yuehai street, Nanshan District, Shenzhen City, Guangdong Province Applicant after: Shenzhen shuliantianxia Intelligent Technology Co.,Ltd. Address before: 518000, building 10, building ten, building D, Shenzhen Institute of Aerospace Science and technology, 6 hi tech Southern District, Nanshan District, Shenzhen, Guangdong 1003, China Applicant before: SHENZHEN H & T HOME ONLINE NETWORK TECHNOLOGY Co.,Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |