CN111783593A - 基于人工智能的人脸识别方法、装置、电子设备及介质 - Google Patents
基于人工智能的人脸识别方法、装置、电子设备及介质 Download PDFInfo
- Publication number
- CN111783593A CN111783593A CN202010585000.8A CN202010585000A CN111783593A CN 111783593 A CN111783593 A CN 111783593A CN 202010585000 A CN202010585000 A CN 202010585000A CN 111783593 A CN111783593 A CN 111783593A
- Authority
- CN
- China
- Prior art keywords
- face
- image
- target
- determining
- features
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/168—Feature extraction; Face representation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06V40/174—Facial expression recognition
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及人工智能,提供一种基于人工智能的人脸识别方法、装置、电子设备及介质。该方法能够提取待识别图像并确定人脸区域,提取人脸特征信息点,基于人脸特征信息点构建待识别图像的三维人脸图像,从三维人脸图像中提取多个目标特征,计算多个目标特征与配置库中的配置特征的相似度,得到多个目标值,基于多个目标值确定待识别图像的目标用户,本发明无需通过摄像设备获取多角度下的多张人脸图像,仅通过一张人脸图像能够确定目标用户,节省设备资源,同时,不仅提高人脸识别的效率,还能够提高人脸识别的精度。此外,本发明还涉及区块链技术,所述三维人脸图像存储于区块链中。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及一种基于人工智能的人脸识别方法、装置、电子设备及介质。
背景技术
人脸识别技术是基于人的脸部特征信息进行身份识别的一种生物识别技术,这项技术实际上是采用摄像设备采集含有人脸的图像或视频流,并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。
目前,在摄像设备及人脸的相对位置的影响下,无法采集到同一用户的多张不同角度的人脸图像,为此,在进行人脸特征比较时,会导致人脸识别精度低,另外,由于配置库中存储的人脸特征是来自比较单一的拍摄角度(例如,正面拍摄)的图像,为此,在进行人脸识别时,要求用户必须以同一拍摄角度拍下待识别图像,这将影响人脸识别效率。
发明内容
鉴于以上内容,有必要提供一种基于人工智能的人脸识别方法、装置、电子设备及介质,不仅能够提高人脸识别的效率,还能够提高人脸识别的精度。
一种基于人工智能的人脸识别方法,所述基于人工智能的人脸识别方法包括:
当接收到人脸识别指令时,从所述人脸识别指令中提取待识别图像,并从所述待识别图像中确定人脸区域;
从所述人脸区域中提取人脸特征信息点;
基于所述人脸特征信息点构建所述待识别图像的三维人脸图像;
从所述三维人脸图像中提取多个目标特征;
计算所述多个目标特征与配置库中的配置特征的相似度,得到多个目标值;
基于所述多个目标值确定所述待识别图像的目标用户。
根据本发明优选实施例,所述从所述待识别图像中确定人脸区域包括:
从所述待识别图像中确定多个肤色区域;
利用检测窗口从所述待识别图像中选取所述多个肤色区域,得到多个待确定区域;
拼接所述多个待确定区域,得到目标图像;
利用预先训练好的人脸检测器检测所述目标图像,得到所述人脸区域。
根据本发明优选实施例,在利用预先训练好的人脸检测器检测所述目标图像之前,所述方法还包括:
获取数据集,所述数据集包括正样本及负样本,所述正样本为人脸图像,所述负样本为背景图像;
划分所述数据集,得到训练样本及测试样本;
提取所述训练样本的像素级差分特征,并根据所述像素级差分特征构建深度二叉树;
采用bootstrap框架对所述深度二叉树进行级联,生成学习器;
利用所述测试样本测试所述学习器;
当检测到所述学习器通过测试时,将所述学习器确定为所述人脸检测器。
根据本发明优选实施例,所述从所述人脸区域中提取人脸特征信息点包括:
对所述人脸区域进行灰度值处理,得到所述人脸区域的多个像素点及每个像素点对应的灰度值;
当检测到任意灰度值大于阈值时,将所述任意灰度值对应的像素点确定为瞳孔边缘点;
根据所述瞳孔边缘点确定所述人脸区域的瞳孔中心作为所述人脸特征信息点,并利用SUSAN算子方法检测出所述人脸区域中的眼角、嘴角及眼部边缘作为所述人脸特征信息点。
根据本发明优选实施例,所述三维人脸图像存储于区块链中,所述基于所述人脸特征信息点构建所述待识别图像的三维人脸图像包括:
获取基准向量及平均脸;
根据所述基准向量及所述平均脸构建目标人脸;
确定所述人脸特征信息点在所述待识别图像中的二维坐标;
对所述二维坐标进行映射处理,得到三维坐标;
根据所述三维坐标调整所述目标人脸,得到所述三维人脸图像。
根据本发明优选实施例,所述计算所述多个目标特征与配置库中的配置特征的相似度,得到多个目标值包括:
对于所述多个目标特征中的任意特征,确定所述任意特征所属的类型,并从配置库中获取与所述类型对应的多个配置特征;
采用余弦距离公式计算所述任意特征与所述多个配置特征的相似度,得到所述任意特征的多个相似距离值;
将所述多个相似距离值中数值最大的相似距离值确定为所述任意特征的目标值;
整合多个所述任意特征的目标值,得到所述多个目标特征对应的多个目标值。
根据本发明优选实施例,所述基于所述多个目标值确定所述待识别图像的目标用户包括:
确定与所述多个目标值对应的配置特征,并确定与该配置特征对应的用户,得到所述多个目标特征对应的用户;
计算与所述用户对应的目标特征的数量,并将数量最多的用户确定为所述目标用户。
一种基于人工智能的人脸识别装置,所述基于人工智能的人脸识别装置包括:
确定单元,用于当接收到人脸识别指令时,从所述人脸识别指令中提取待识别图像,并从所述待识别图像中确定人脸区域;
提取单元,用于从所述人脸区域中提取人脸特征信息点;
构建单元,用于基于所述人脸特征信息点构建所述待识别图像的三维人脸图像;
所述提取单元,还用于从所述三维人脸图像中提取多个目标特征;
计算单元,用于计算所述多个目标特征与配置库中的配置特征的相似度,得到多个目标值;
所述确定单元,还用于基于所述多个目标值确定所述待识别图像的目标用户。
根据本发明优选实施例,所述确定单元从所述待识别图像中确定人脸区域包括:
从所述待识别图像中确定多个肤色区域;
利用检测窗口从所述待识别图像中选取所述多个肤色区域,得到多个待确定区域;
拼接所述多个待确定区域,得到目标图像;
利用预先训练好的人脸检测器检测所述目标图像,得到所述人脸区域。
根据本发明优选实施例,所述装置还包括:
获取单元,用于在利用预先训练好的人脸检测器检测所述目标图像之前,获取数据集,所述数据集包括正样本及负样本,所述正样本为人脸图像,所述负样本为背景图像;
划分单元,用于划分所述数据集,得到训练样本及测试样本;
所述提取单元,还用于提取所述训练样本的像素级差分特征,并根据所述像素级差分特征构建深度二叉树;
生成单元,用于采用bootstrap框架对所述深度二叉树进行级联,生成学习器;
测试单元,用于利用所述测试样本测试所述学习器;
所述确定单元,还用于当检测到所述学习器通过测试时,将所述学习器确定为所述人脸检测器。
根据本发明优选实施例,所述提取单元从所述人脸区域中提取人脸特征信息点包括:
对所述人脸区域进行灰度值处理,得到所述人脸区域的多个像素点及每个像素点对应的灰度值;
当检测到任意灰度值大于阈值时,将所述任意灰度值对应的像素点确定为瞳孔边缘点;
根据所述瞳孔边缘点确定所述人脸区域的瞳孔中心作为所述人脸特征信息点,并利用SUSAN算子方法检测出所述人脸区域中的眼角、嘴角及眼部边缘作为所述人脸特征信息点。
根据本发明优选实施例,所述三维人脸图像存储于区块链中,所述构建单元具体用于:
获取基准向量及平均脸;
根据所述基准向量及所述平均脸构建目标人脸;
确定所述人脸特征信息点在所述待识别图像中的二维坐标;
对所述二维坐标进行映射处理,得到三维坐标;
根据所述三维坐标调整所述目标人脸,得到所述三维人脸图像。
根据本发明优选实施例,所述计算单元具体用于:
对于所述多个目标特征中的任意特征,确定所述任意特征所属的类型,并从配置库中获取与所述类型对应的多个配置特征;
采用余弦距离公式计算所述任意特征与所述多个配置特征的相似度,得到所述任意特征的多个相似距离值;
将所述多个相似距离值中数值最大的相似距离值确定为所述任意特征的目标值;
整合多个所述任意特征的目标值,得到所述多个目标特征对应的多个目标值。
根据本发明优选实施例,所述确定单元基于所述多个目标值确定所述待识别图像的目标用户包括:
确定与所述多个目标值对应的配置特征,并确定与该配置特征对应的用户,得到所述多个目标特征对应的用户;
计算与所述用户对应的目标特征的数量,并将数量最多的用户确定为所述目标用户。
一种电子设备,所述电子设备包括:
存储器,存储至少一个指令;及
处理器,执行所述存储器中存储的指令以实现所述基于人工智能的人脸识别方法。
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至少一个指令,所述至少一个指令被电子设备中的处理器执行以实现所述基于人工智能的人脸识别方法。
由以上技术方案可以看出,本发明无需通过摄像设备获取多角度下的多张人脸图像,仅通过一张人脸图像准确地从配置库中确定出目标用户,节省了设备资源,此外,由于采用一张人脸图像构建三维人脸图像的计算量少,因此,本发明能够提高人脸识别的效率,同时,通过构建三维人脸图像,并将提取到多个三维的目标特征进行检测,能够提高人脸识别的精度。
附图说明
图1是本发明基于人工智能的人脸识别方法的较佳实施例的流程图。
图2是本发明基于人工智能的人脸识别装置的较佳实施例的功能模块图。
图3是本发明实现基于人工智能的人脸识别方法的较佳实施例的电子设备的结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面结合附图和具体实施例对本发明进行详细描述。
如图1所示,是本发明基于人工智能的人脸识别方法的较佳实施例的流程图。根据不同的需求,该流程图中步骤的顺序可以改变,某些步骤可以省略。
所述基于人工智能的人脸识别方法应用于一个或者多个电子设备中,所述电子设备是一种能够按照事先设定或存储的指令,自动进行数值计算和/或信息处理的设备,其硬件包括但不限于微处理器、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程门阵列(Field-Programmable Gate Array,FPGA)、数字处理器(DigitalSignal Processor,DSP)、嵌入式设备等。
所述电子设备可以是任何一种可与用户进行人机交互的电子产品,例如,个人计算机、平板电脑、智能手机、个人数字助理(Personal Digital Assistant,PDA)、游戏机、交互式网络电视(Internet Protocol Television,IPTV)、智能式穿戴式设备等。
所述电子设备还可以包括网络设备和/或用户设备。其中,所述网络设备包括,但不限于单个网络服务器、多个网络服务器组成的服务器组或基于云计算(CloudComputing)的由大量主机或网络服务器构成的云。
所述电子设备所处的网络包括但不限于互联网、广域网、城域网、局域网、虚拟专用网络(Virtual Private Network,VPN)等。
在本发明的至少一个实施例中,本发明应用于人工智能领域。
S10,当接收到人脸识别指令时,从所述人脸识别指令中提取待识别图像,并从所述待识别图像中确定人脸区域。
在本发明的至少一个实施例中,所述人脸识别指令可以是在预设时间内自动触发。
进一步地,所述预设时间可以是一个时间段,例如:所述时间段可以是8小时等。
在本发明的至少一个实施例中,所述人脸识别指令中携带的信息包括,但不限于:所述待识别图像。
在本发明的至少一个实施例中,所述人脸区域是指所述待识别图像中的人的面部区域。
在本发明的至少一个实施例中,所述电子设备从所述待识别图像中确定人脸区域包括:
所述电子设备从所述待识别图像中确定多个肤色区域,进一步地,所述电子设备利用检测窗口从所述待识别图像中选取所述多个肤色区域,得到多个待确定区域,所述电子设备拼接所述多个待确定区域,得到目标图像,所述电子设备利用预先训练好的人脸检测器检测所述目标图像,得到所述人脸区域。
其中,所述肤色区域包括人脸区域及四肢区域。
通过确定所述人脸区域,能够减少对无用区域(例如,身体部位对应的像素)的计算,有助于提高人脸识别的识别速度,同时,去除了身体部位对应的像素的干扰,有助于提高人脸脸型的识别精度。
具体地,所述电子设备从所述待识别图像中确定多个肤色区域包括:
所述电子设备确定所述待识别图像中每个像素的亮度值,并检测每个亮度值是否在预设区间内,当任意像素的亮度值不在所述预设区间内时,将所述任意像素对应的区域确定为非肤色区域,进一步地,所述电子设备从所述待识别图像中将所述非肤色区域剔除,得到所述多个肤色区域。
其中,所述预设区间根据人的肤色确定的,不同的肤色对应的预设区间不同,本发明根据实际情况可以设置多个预设区间,具体的配置值,本发明对此不作限制。
在本发明的至少一个实施例中,在利用预先训练好的人脸检测器检测所述目标图像之前,所述方法还包括:
所述电子设备获取数据集,所述数据集包括正样本及负样本,所述正样本为人脸图像,所述负样本为背景图像,进一步地,所述电子设备划分所述数据集,得到训练样本及测试样本,所述电子设备提取所述训练样本的像素级差分特征,并根据所述像素级差分特征构建深度二叉树,所述电子设备采用bootstrap框架对所述深度二叉树进行级联,生成学习器,更进一步地,所述电子设备利用所述测试样本测试所述学习器,当检测到所述学习器通过测试时,所述电子设备将所述学习器确定为所述人脸检测器。
在本发明的至少一个实施例中,在所述电子设备获取数据集之后,所述方法还包括:
所述电子设备计算所述正样本对应的图像数量,进一步地,所述电子设备检测所述图像数量是否小于预设数量阈值,当所述图像数量小于所述预设数量阈值时,所述电子设备通过扰动法增加与所述图像数量对应的正样本的图像数量。
若正样本的图像数量少于预设数量阈值,可以采用扰动法对正样本的图像进行扰动,以此来增加正样本的图像数量,避免由于正样本的图像数量不足,导致训练得到的人脸检测器对人脸识别的泛化能力较差。关于扰动法为现有技术,本发明在此不再赘述。
具体地,所述电子设备划分所述数据集,得到训练样本及测试样本包括:
所述电子设备将所述数据集按照预设比例随机划分为至少一个数据包,将所述至少一个数据包中的任意一个数据包确定为所述测试样本,其余的数据包确定为所述训练样本,重复上述步骤,直至所有的数据包全都依次被用作为所述测试样本。
其中,所述预设比例可以自定义设置,本发明不作限制。
通过划分所述数据集,使所述数据集中的每个数据均参与训练及测试,由此,提高所述人脸检测器的拟合度。
在其他实施例中,当检测到所述学习器未通过测试时,所述电子设备采用超参数网格搜索方法对所述学习器进行调整,直至所述学习器通过测试,得到所述人脸检测器。
S11,从所述人脸区域中提取人脸特征信息点。
在本发明的至少一个实施例中,所述人脸特征信息点包括眼角、嘴角、瞳孔中心、嘴中心以及眼部边缘。
在本发明的至少一个实施例中,所述电子设备从所述人脸区域中提取人脸特征信息点包括:
所述电子设备对所述人脸区域进行灰度值处理,得到所述人脸区域的多个像素点及每个像素点对应的灰度值,当检测到任意灰度值大于阈值时,所述电子设备将所述任意灰度值对应的像素点确定为瞳孔边缘点,所述电子设备根据所述瞳孔边缘点确定所述人脸区域的瞳孔中心作为所述人脸特征信息点,并利用SUSAN算子方法检测出所述人脸区域中的眼角、嘴角及眼部边缘作为所述人脸特征信息点。
其中,所述SUSAN(Small univalue segment assimilating nucleus)算子是一种基于灰度的特征点获取方法,所述SUSAN算子方法的工作原理如下,采用一种近似圆形的模板,用圆形模板在图像上移动,模板内部每个图像像素点的灰度值均与模板中心像素的灰度值进行比较,若模板内某个像素的灰度与模板中心像素(核)灰度的差值小于一定值,则认为该点与核具有相同(或相近)的灰度。
通过上述实施方式,能够准确确定所述人脸特征信息点。
S12,基于所述人脸特征信息点构建所述待识别图像的三维人脸图像。
需要强调的是,为进一步保证上述三维人脸图像的私密和安全性,上述三维人脸图像还可以存储于一区块链的节点中。
在本发明的至少一个实施例中,基准向量包括3D形变模型的第一特征向量及3D形状融合模型的第二特征向量。其中,所述第一特征向量是指人脸在不同情况下的形状变化的参数,进一步地,所述第二特征向量是指人脸在不同情况下的表情变化的参数。
在本发明的至少一个实施例中,开源的3DMM在发布时会附带平均脸,因此,所述电子设备能够从开源网站上获取所述平均脸。
在本发明的至少一个实施例中,所述电子设备基于所述人脸特征信息点构建所述待识别图像的三维人脸图像包括:
所述电子设备获取基准向量及平均脸,所述电子设备根据所述基准向量及所述平均脸构建目标人脸,进一步地,所述电子设备确定所述人脸特征信息点在所述待识别图像中的二维坐标,所述电子设备对所述二维坐标进行映射处理,得到三维坐标,更进一步地,所述电子设备根据所述三维坐标调整所述目标人脸,得到所述三维人脸图像。
通过所述基准向量及所述平均脸,能够快速确定所述目标人脸,进而快速确定所述三维人脸图像。
具体地,所述电子设备采用深度学习网络对所述二维坐标进行映射处理,得到三维坐标。
S13,从所述三维人脸图像中提取多个目标特征。
在本发明的至少一个实施例中,所述多个目标特征可以包括:眼睛、嘴巴、鼻子等。
在本发明的至少一个实施例中,所述电子设备从所述三维人脸图像中提取多个目标特征的方式与所述电子设备从所述人脸区域中提取人脸特征信息点的方式可以相同,本发明对此不再赘述。
S14,计算所述多个目标特征与配置库中的配置特征的相似度,得到多个目标值。
在本发明的至少一个实施例中,所述电子设备计算所述多个目标特征与配置库中的配置特征的相似度,得到多个目标值包括:
对于所述多个目标特征中的任意特征,所述电子设备从所述三维人脸图像中提取多个目标特征确定所述任意特征所属的类型,并从配置库中获取与所述类型对应的多个配置特征,所述电子设备采用余弦距离公式计算所述任意特征与所述多个配置特征的相似度,得到所述任意特征的多个相似距离值,所述电子设备将所述多个相似距离值中数值最大的相似距离值确定为所述任意特征的目标值,所述电子设备整合多个所述任意特征的目标值,得到所述多个目标特征对应的多个目标值。
S15,基于所述多个目标值确定所述待识别图像的目标用户。
在本发明的至少一个实施例中,所述电子设备基于所述多个目标值确定所述待识别图像的目标用户包括:
所述电子设备确定与所述多个目标值对应的配置特征,并确定与该配置特征对应的用户,得到所述多个目标特征对应的用户,进一步地,所述电子设备计算与所述用户对应的目标特征的数量,并将数量最多的用户确定为所述目标用户。
通过上述实施方式,根据多个目标特征对应的目标值确定目标用户,提高了人脸识别的识别精度。
由以上技术方案可以看出,本发明无需通过摄像设备获取多角度下的多张人脸图像,仅通过一张人脸图像准确地从配置库中确定出目标用户,节省了设备资源,此外,由于采用一张人脸图像构建三维人脸图像的计算量少,因此,本发明能够提高人脸识别的效率,同时,通过构建三维人脸图像,并将提取到多个三维的目标特征进行检测,能够提高人脸识别的精度。
如图2所示,是本发明基于人工智能的人脸识别装置的较佳实施例的功能模块图。所述基于人工智能的人脸识别装置11包括确定单元110、提取单元111、构建单元112、计算单元113、获取单元114、划分单元115、生成单元116、测试单元117、检测单元118、扰动单元119及调整单元120。本发明所称的模块/单元是指一种能够被处理器13所执行,并且能够完成固定功能的一系列计算机程序段,其存储在存储器12中。在本实施例中,关于各模块/单元的功能将在后续的实施例中详述。
当接收到人脸识别指令时,确定单元110从所述人脸识别指令中提取待识别图像,并从所述待识别图像中确定人脸区域。
在本发明的至少一个实施例中,所述人脸识别指令可以是在预设时间内自动触发。
进一步地,所述预设时间可以是一个时间段,例如:所述时间段可以是8小时等。
在本发明的至少一个实施例中,所述人脸识别指令中携带的信息包括,但不限于:所述待识别图像。
在本发明的至少一个实施例中,所述人脸区域是指所述待识别图像中的人的面部区域。
在本发明的至少一个实施例中,所述确定单元110从所述待识别图像中确定人脸区域包括:
所述确定单元110从所述待识别图像中确定多个肤色区域,进一步地,所述确定单元110利用检测窗口从所述待识别图像中选取所述多个肤色区域,得到多个待确定区域,所述确定单元110拼接所述多个待确定区域,得到目标图像,所述确定单元110利用预先训练好的人脸检测器检测所述目标图像,得到所述人脸区域。
其中,所述肤色区域包括人脸区域及四肢区域。
通过确定所述人脸区域,能够减少对无用区域(例如,身体部位对应的像素)的计算,有助于提高人脸识别的识别速度,同时,去除了身体部位对应的像素的干扰,有助于提高人脸脸型的识别精度。
具体地,所述确定单元110从所述待识别图像中确定多个肤色区域包括:
所述确定单元110确定所述待识别图像中每个像素的亮度值,并检测每个亮度值是否在预设区间内,当任意像素的亮度值不在所述预设区间内时,所述确定单元110将所述任意像素对应的区域确定为非肤色区域,进一步地,所述确定单元110从所述待识别图像中将所述非肤色区域剔除,得到所述多个肤色区域。
其中,所述预设区间根据人的肤色确定的,不同的肤色对应的预设区间不同,本发明根据实际情况可以设置多个预设区间,具体的配置值,本发明对此不作限制。
在本发明的至少一个实施例中,在利用预先训练好的人脸检测器检测所述目标图像之前,获取单元114获取数据集,所述数据集包括正样本及负样本,所述正样本为人脸图像,所述负样本为背景图像,进一步地,划分单元115划分所述数据集,得到训练样本及测试样本,更进一步地,提取单元111提取所述训练样本的像素级差分特征,并根据所述像素级差分特征构建深度二叉树,生成单元116采用bootstrap框架对所述深度二叉树进行级联,生成学习器,更进一步地,测试单元117利用所述测试样本测试所述学习器,当检测到所述学习器通过测试时,所述确定单元110将所述学习器确定为所述人脸检测器。
在本发明的至少一个实施例中,在所述获取单元114获取数据集之后,所述计算单元113计算所述正样本对应的图像数量,进一步地,检测单元118检测所述图像数量是否小于预设数量阈值,当所述图像数量小于所述预设数量阈值时,扰动单元119通过扰动法增加与所述图像数量对应的正样本的图像数量。
若正样本的图像数量少于预设数量阈值,可以采用扰动法对正样本的图像进行扰动,以此来增加正样本的图像数量,避免由于正样本的图像数量不足,导致训练得到的人脸检测器对人脸识别的泛化能力较差。关于扰动法为现有技术,本发明在此不再赘述。
具体地,所述划分单元115划分所述数据集,得到训练样本及测试样本包括:
所述划分单元115将所述数据集按照预设比例随机划分为至少一个数据包,所述划分单元115将所述至少一个数据包中的任意一个数据包确定为所述测试样本,其余的数据包确定为所述训练样本,重复上述步骤,直至所有的数据包全都依次被用作为所述测试样本。
其中,所述预设比例可以自定义设置,本发明不作限制。
通过划分所述数据集,使所述数据集中的每个数据均参与训练及测试,由此,提高所述人脸检测器的拟合度。
在其他实施例中,当检测到所述学习器未通过测试时,所述调整单元120采用超参数网格搜索方法对所述学习器进行调整,直至所述学习器通过测试,得到所述人脸检测器。
所述提取单元111从所述人脸区域中提取人脸特征信息点。
在本发明的至少一个实施例中,所述人脸特征信息点包括眼角、嘴角、瞳孔中心、嘴中心以及眼部边缘。
在本发明的至少一个实施例中,所述提取单元111从所述人脸区域中提取人脸特征信息点包括:
所述提取单元111对所述人脸区域进行灰度值处理,得到所述人脸区域的多个像素点及每个像素点对应的灰度值,当检测到任意灰度值大于阈值时,所述提取单元111将所述任意灰度值对应的像素点确定为瞳孔边缘点,所述提取单元111根据所述瞳孔边缘点确定所述人脸区域的瞳孔中心作为所述人脸特征信息点,并利用SUSAN算子方法检测出所述人脸区域中的眼角、嘴角及眼部边缘作为所述人脸特征信息点。
其中,所述SUSAN(Small univalue segment assimilating nucleus)算子是一种基于灰度的特征点获取方法,所述SUSAN算子方法的工作原理如下,采用一种近似圆形的模板,用圆形模板在图像上移动,模板内部每个图像像素点的灰度值均与模板中心像素的灰度值进行比较,若模板内某个像素的灰度与模板中心像素(核)灰度的差值小于一定值,则认为该点与核具有相同(或相近)的灰度。
通过上述实施方式,能够准确确定所述人脸特征信息点。
构建单元112基于所述人脸特征信息点构建所述待识别图像的三维人脸图像。
需要强调的是,为进一步保证上述三维人脸图像的私密和安全性,上述三维人脸图像还可以存储于一区块链的节点中。
在本发明的至少一个实施例中,基准向量包括3D形变模型的第一特征向量及3D形状融合模型的第二特征向量。其中,所述第一特征向量是指人脸在不同情况下的形状变化的参数,进一步地,所述第二特征向量是指人脸在不同情况下的表情变化的参数。
在本发明的至少一个实施例中,开源的3DMM在发布时会附带平均脸,因此,所述电子设备能够从开源网站上获取所述平均脸。
在本发明的至少一个实施例中,所述构建单元112基于所述人脸特征信息点构建所述待识别图像的三维人脸图像包括:
所述构建单元112获取基准向量及平均脸,所述构建单元112根据所述基准向量及所述平均脸构建目标人脸,进一步地,所述构建单元112确定所述人脸特征信息点在所述待识别图像中的二维坐标,所述构建单元112对所述二维坐标进行映射处理,得到三维坐标,更进一步地,所述构建单元112根据所述三维坐标调整所述目标人脸,得到所述三维人脸图像。
通过所述基准向量及所述平均脸,能够快速确定所述目标人脸,进而快速确定所述三维人脸图像。
具体地,所述构建单元112采用深度学习网络对所述二维坐标进行映射处理,得到三维坐标。
所述提取单元111从所述三维人脸图像中提取多个目标特征。
在本发明的至少一个实施例中,所述多个目标特征可以包括:眼睛、嘴巴、鼻子等。
在本发明的至少一个实施例中,所述提取单元111从所述三维人脸图像中提取多个目标特征的方式与所述提取单元111从所述人脸区域中提取人脸特征信息点的方式可以相同,本发明对此不再赘述。
计算单元113计算所述多个目标特征与配置库中的配置特征的相似度,得到多个目标值。
在本发明的至少一个实施例中,所述计算单元113计算所述多个目标特征与配置库中的配置特征的相似度,得到多个目标值包括:
对于所述多个目标特征中的任意特征,所述计算单元113从所述三维人脸图像中提取多个目标特征确定所述任意特征所属的类型,并从配置库中获取与所述类型对应的多个配置特征,所述计算单元113采用余弦距离公式计算所述任意特征与所述多个配置特征的相似度,得到所述任意特征的多个相似距离值,所述计算单元113将所述多个相似距离值中数值最大的相似距离值确定为所述任意特征的目标值,所述计算单元113整合多个所述任意特征的目标值,得到所述多个目标特征对应的多个目标值。
所述确定单元110基于所述多个目标值确定所述待识别图像的目标用户。
在本发明的至少一个实施例中,所述确定单元110基于所述多个目标值确定所述待识别图像的目标用户包括:
所述确定单元110确定与所述多个目标值对应的配置特征,并确定与该配置特征对应的用户,得到所述多个目标特征对应的用户,进一步地,所述确定单元110计算与所述用户对应的目标特征的数量,并将数量最多的用户确定为所述目标用户。
通过上述实施方式,根据多个目标特征对应的目标值确定目标用户,提高了人脸识别的识别精度。
由以上技术方案可以看出,本发明无需通过摄像设备获取多角度下的多张人脸图像,仅通过一张人脸图像准确地从配置库中确定出目标用户,节省了设备资源,此外,由于采用一张人脸图像构建三维人脸图像的计算量少,因此,本发明能够提高人脸识别的效率,同时,通过构建三维人脸图像,并将提取到多个三维的目标特征进行检测,能够提高人脸识别的精度。
如图3所示,是本发明实现基于人工智能的人脸识别方法的较佳实施例的电子设备的结构示意图。
在本发明的一个实施例中,所述电子设备1包括,但不限于,存储器12、处理器13,以及存储在所述存储器12中并可在所述处理器13上运行的计算机程序,例如基于人工智能的人脸识别程序。
本领域技术人员可以理解,所述示意图仅仅是电子设备1的示例,并不构成对电子设备1的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述电子设备1还可以包括输入输出设备、网络接入设备、总线等。
所述处理器13可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等,所述处理器13是所述电子设备1的运算核心和控制中心,利用各种接口和线路连接整个电子设备1的各个部分,及执行所述电子设备1的操作***以及安装的各类应用程序、程序代码等。
所述处理器13执行所述电子设备1的操作***以及安装的各类应用程序。所述处理器13执行所述应用程序以实现上述各个基于人工智能的人脸识别方法实施例中的步骤,例如图1所示的步骤。
示例性的,所述计算机程序可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器12中,并由所述处理器13执行,以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序在所述电子设备1中的执行过程。例如,所述计算机程序可以被分割成确定单元110、提取单元111、构建单元112、计算单元113、获取单元114、划分单元115、生成单元116、测试单元117、检测单元118、扰动单元119及调整单元120。
所述存储器12可用于存储所述计算机程序和/或模块,所述处理器13通过运行或执行存储在所述存储器12内的计算机程序和/或模块,以及调用存储在存储器12内的数据,实现所述电子设备1的各种功能。所述存储器12可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据电子设备的使用所创建的数据等。此外,存储器12可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。
所述存储器12可以是电子设备1的外部存储器和/或内部存储器。进一步地,所述存储器12可以是具有实物形式的存储器,如内存条、TF卡(Trans-flash Card)等等。
所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。
其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
结合图1,所述电子设备1中的所述存储器12存储多个指令以实现一种基于人工智能的人脸识别方法,所述处理器13可执行所述多个指令从而实现:当接收到人脸识别指令时,从所述人脸识别指令中提取待识别图像,并从所述待识别图像中确定人脸区域;从所述人脸区域中提取人脸特征信息点;基于所述人脸特征信息点构建所述待识别图像的三维人脸图像;从所述三维人脸图像中提取多个目标特征;计算所述多个目标特征与配置库中的配置特征的相似度,得到多个目标值;基于所述多个目标值确定所述待识别图像的目标用户。
具体地,所述处理器13对上述指令的具体实现方法可参考图1对应实施例中相关步骤的描述,在此不赘述。
在本发明所提供的几个实施例中,应该理解到,所揭露的***,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能模块的形式实现。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。***权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种基于人工智能的人脸识别方法,其特征在于,所述基于人工智能的人脸识别方法包括:
当接收到人脸识别指令时,从所述人脸识别指令中提取待识别图像,并从所述待识别图像中确定人脸区域;
从所述人脸区域中提取人脸特征信息点;
基于所述人脸特征信息点构建所述待识别图像的三维人脸图像;
从所述三维人脸图像中提取多个目标特征;
计算所述多个目标特征与配置库中的配置特征的相似度,得到多个目标值;
基于所述多个目标值确定所述待识别图像的目标用户。
2.如权利要求1所述的基于人工智能的人脸识别方法,其特征在于,所述从所述待识别图像中确定人脸区域包括:
从所述待识别图像中确定多个肤色区域;
利用检测窗口从所述待识别图像中选取所述多个肤色区域,得到多个待确定区域;
拼接所述多个待确定区域,得到目标图像;
利用预先训练好的人脸检测器检测所述目标图像,得到所述人脸区域。
3.如权利要求2所述的基于人工智能的人脸识别方法,其特征在于,在利用预先训练好的人脸检测器检测所述目标图像之前,所述基于人工智能的人脸识别方法还包括:
获取数据集,所述数据集包括正样本及负样本,所述正样本为人脸图像,所述负样本为背景图像;
划分所述数据集,得到训练样本及测试样本;
提取所述训练样本的像素级差分特征,并根据所述像素级差分特征构建深度二叉树;
采用bootstrap框架对所述深度二叉树进行级联,生成学习器;
利用所述测试样本测试所述学习器;
当检测到所述学习器通过测试时,将所述学习器确定为所述人脸检测器。
4.如权利要求1所述的基于人工智能的人脸识别方法,其特征在于,所述从所述人脸区域中提取人脸特征信息点包括:
对所述人脸区域进行灰度值处理,得到所述人脸区域的多个像素点及每个像素点对应的灰度值;
当检测到任意灰度值大于阈值时,将所述任意灰度值对应的像素点确定为瞳孔边缘点;
根据所述瞳孔边缘点确定所述人脸区域的瞳孔中心作为所述人脸特征信息点,并利用SUSAN算子方法检测出所述人脸区域中的眼角、嘴角及眼部边缘作为所述人脸特征信息点。
5.如权利要求1所述的基于人工智能的人脸识别方法,其特征在于,所述三维人脸图像存储于区块链中,所述基于所述人脸特征信息点构建所述待识别图像的三维人脸图像包括:
获取基准向量及平均脸;
根据所述基准向量及所述平均脸构建目标人脸;
确定所述人脸特征信息点在所述待识别图像中的二维坐标;
对所述二维坐标进行映射处理,得到三维坐标;
根据所述三维坐标调整所述目标人脸,得到所述三维人脸图像。
6.如权利要求1所述的基于人工智能的人脸识别方法,其特征在于,所述计算所述多个目标特征与配置库中的配置特征的相似度,得到多个目标值包括:
对于所述多个目标特征中的任意特征,确定所述任意特征所属的类型,并从配置库中获取与所述类型对应的多个配置特征;
采用余弦距离公式计算所述任意特征与所述多个配置特征的相似度,得到所述任意特征的多个相似距离值;
将所述多个相似距离值中数值最大的相似距离值确定为所述任意特征的目标值;
整合多个所述任意特征的目标值,得到所述多个目标特征对应的多个目标值。
7.如权利要求1所述的基于人工智能的人脸识别方法,其特征在于,所述基于所述多个目标值确定所述待识别图像的目标用户包括:
确定与所述多个目标值对应的配置特征,并确定与该配置特征对应的用户,得到所述多个目标特征对应的用户;
计算与所述用户对应的目标特征的数量,并将数量最多的用户确定为所述目标用户。
8.一种基于人工智能的人脸识别装置,其特征在于,所述基于人工智能的人脸识别装置包括:
确定单元,用于当接收到人脸识别指令时,从所述人脸识别指令中提取待识别图像,并从所述待识别图像中确定人脸区域;
提取单元,用于从所述人脸区域中提取人脸特征信息点;
构建单元,用于基于所述人脸特征信息点构建所述待识别图像的三维人脸图像;
所述提取单元,还用于从所述三维人脸图像中提取多个目标特征;
计算单元,用于计算所述多个目标特征与配置库中的配置特征的相似度,得到多个目标值;
所述确定单元,还用于基于所述多个目标值确定所述待识别图像的目标用户。
9.一种电子设备,其特征在于,所述电子设备包括:
存储器,存储至少一个指令;及
处理器,执行所述存储器中存储的指令以实现如权利要求1至7中任意一项所述的基于人工智能的人脸识别方法。
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至少一个指令,所述至少一个指令被电子设备中的处理器执行以实现如权利要求1至7中任意一项所述的基于人工智能的人脸识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010585000.8A CN111783593A (zh) | 2020-06-23 | 2020-06-23 | 基于人工智能的人脸识别方法、装置、电子设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010585000.8A CN111783593A (zh) | 2020-06-23 | 2020-06-23 | 基于人工智能的人脸识别方法、装置、电子设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111783593A true CN111783593A (zh) | 2020-10-16 |
Family
ID=72759684
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010585000.8A Pending CN111783593A (zh) | 2020-06-23 | 2020-06-23 | 基于人工智能的人脸识别方法、装置、电子设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111783593A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112270747A (zh) * | 2020-11-10 | 2021-01-26 | 杭州海康威视数字技术股份有限公司 | 一种人脸识别方法、装置及电子设备 |
CN112446310A (zh) * | 2020-11-19 | 2021-03-05 | 杭州趣链科技有限公司 | 基于区块链的年龄识别***、方法及装置 |
CN113326814A (zh) * | 2021-02-22 | 2021-08-31 | 王先峰 | 一种基于5g架构的人脸识别设备 |
CN113673374A (zh) * | 2021-08-03 | 2021-11-19 | 支付宝(杭州)信息技术有限公司 | 一种面部识别方法、装置及设备 |
-
2020
- 2020-06-23 CN CN202010585000.8A patent/CN111783593A/zh active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112270747A (zh) * | 2020-11-10 | 2021-01-26 | 杭州海康威视数字技术股份有限公司 | 一种人脸识别方法、装置及电子设备 |
CN112446310A (zh) * | 2020-11-19 | 2021-03-05 | 杭州趣链科技有限公司 | 基于区块链的年龄识别***、方法及装置 |
CN113326814A (zh) * | 2021-02-22 | 2021-08-31 | 王先峰 | 一种基于5g架构的人脸识别设备 |
CN113673374A (zh) * | 2021-08-03 | 2021-11-19 | 支付宝(杭州)信息技术有限公司 | 一种面部识别方法、装置及设备 |
CN113673374B (zh) * | 2021-08-03 | 2024-01-30 | 支付宝(杭州)信息技术有限公司 | 一种面部识别方法、装置及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11928800B2 (en) | Image coordinate system transformation method and apparatus, device, and storage medium | |
CN111783593A (zh) | 基于人工智能的人脸识别方法、装置、电子设备及介质 | |
CN112668453B (zh) | 视频识别方法及相关设备 | |
CN112101123B (zh) | 一种注意力检测方法及装置 | |
CN113870395A (zh) | 动画视频生成方法、装置、设备及存储介质 | |
CN113627576B (zh) | 扫码信息检测方法、装置、设备及存储介质 | |
TWI803243B (zh) | 圖像擴增方法、電腦設備及儲存介質 | |
CN115222443A (zh) | 客户群体划分方法、装置、设备及存储介质 | |
CN113033305B (zh) | 活体检测方法、装置、终端设备和存储介质 | |
CN110008922A (zh) | 用于终端设备的图像处理方法、设备、装置、介质 | |
CN113705468A (zh) | 基于人工智能的数字图像识别方法及相关设备 | |
CN112070744A (zh) | 一种人脸识别的方法、***、设备及可读存储介质 | |
CN116205723A (zh) | 基于人工智能的面签风险检测方法及相关设备 | |
CN116959123A (zh) | 一种人脸活体检测方法、装置、设备及存储介质 | |
CN110751034B (zh) | 行人行为识别方法及终端设备 | |
CN115035343A (zh) | 神经网络训练方法、物品检测方法、装置、设备及介质 | |
CN114898155A (zh) | 车辆定损方法、装置、设备及存储介质 | |
CN111222448B (zh) | 图像转换方法及相关产品 | |
CN113435357A (zh) | 语音播报方法、装置、设备及存储介质 | |
CN113516205A (zh) | 基于人工智能的数据分类方法、装置、设备及存储介质 | |
CN113850632A (zh) | 用户类别确定方法、装置、设备及存储介质 | |
Basurah et al. | Implementation of Face Recognition and Liveness Detection System Using TensorFlow. js | |
CN114764814A (zh) | 植物高度确定方法、装置、电子设备及介质 | |
CN113591916B (zh) | 基于二分类模型的数据处理方法及装置 | |
CN113421575B (zh) | 声纹识别方法、装置、设备及存储介质 |
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 |