CN112149601A - 兼容遮挡的面部属性识别方法、装置和电子设备 - Google Patents
兼容遮挡的面部属性识别方法、装置和电子设备 Download PDFInfo
- Publication number
- CN112149601A CN112149601A CN202011059698.6A CN202011059698A CN112149601A CN 112149601 A CN112149601 A CN 112149601A CN 202011059698 A CN202011059698 A CN 202011059698A CN 112149601 A CN112149601 A CN 112149601A
- Authority
- CN
- China
- Prior art keywords
- image
- face
- attribute
- target
- facial
- 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
- 238000000034 method Methods 0.000 title claims abstract description 49
- 230000001815 facial effect Effects 0.000 claims abstract description 93
- 238000012549 training Methods 0.000 claims description 95
- 238000000605 extraction Methods 0.000 claims description 20
- 238000010586 diagram Methods 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 5
- 230000000875 corresponding effect Effects 0.000 description 10
- 238000013145 classification model Methods 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000000903 blocking effect Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 208000006440 Open Bite Diseases 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/168—Feature extraction; Face representation
- G06V40/171—Local features and components; Facial parts ; Occluding parts, e.g. glasses; Geometrical relationships
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/161—Detection; Localisation; Normalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/172—Classification, e.g. identification
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
本申请实施例提供了一种兼容遮挡的面部属性识别方法、装置和电子设备,该方法包括:获取针对目标用户进行拍摄得到的面部图像;根据面部图像的遮挡情况,从面部图像中确定全局目标图像或部分目标图像;全局目标图像中包括目标用户的完整面部图像,部分目标图像包括目标用户未被遮挡的部分面部图像;将所述全局目标图像或部分目标图像输入到预先训练的面部属性识别模型,得到所述目标用户的属性识别结果。本申请方法能够提高面部属性识别的准确性和鲁棒性。
Description
技术领域
本申请涉及数据处理技术领域,具体而言,涉及一种兼容遮挡的面部属性识别方法、装置和电子设备。
背景技术
根据人脸图片识别人脸属性的技术得到了广泛关注,在人脸有遮挡的情况下将严重影响人脸属性识别的准确率,遮挡破坏了人脸固有的结构和几何特征,严重降低了人脸特征信息的丰富度。
在利用模型对人脸属性识别时,直接利用模型对人脸图像进行识别,即,直接进行特征提取和属性分类,这样会引入的错误信息,导致模型识别的准确度比较低。
发明内容
有鉴于此,本申请实施例的目的在于提供一种兼容遮挡的面部属性识别方法、装置和电子设备,在通过一个模型识别有遮挡的面部图像和无遮挡的面部图像时,减少遮挡对面部属性识别的影响,提高了面部属性识别的准确性和鲁棒性。
第一方面,本申请实施例提供了一种兼容遮挡的面部属性识别方法,该方法包括:
获取针对目标用户进行拍摄得到的面部图像;
根据面部图像的遮挡情况,从面部图像中确定全局目标图像或部分目标图像;全局目标图像中包括目标用户的完整面部图像,部分目标图像包括目标用户未被遮挡的部分面部图像;
将所述全局目标图像或部分目标图像输入到预先训练的面部属性识别模型,得到所述目标用户的属性识别结果。
在一种实施方式中,将所述全局目标图像或部分目标图像输入到预先训练的面部属性识别模型,包括:
判断面部图像中面部是否存在遮挡;
若确定存在遮挡,则从所述面部图像中确定得到部分目标图像,将所述部分目标图像输入到预先训练的面部属性识别模型;
若确定不存在遮挡,则将所述面部图像确定为全局目标图像,将所述全局目标图像输入到预先训练的面部属性识别模型。
在一种实施方式中,从所述面部图像中确定得到部分目标图像,包括:
将面部图像中遮挡区域的像素点的像素值设置为预设值。
在一种实施方式中,获取针对目标用户进行拍摄得到的面部图像之后,还包括:
从所述面部图像中,检测面部关键点信息;
基于所述关键点信息,对所述面部图像进行校准。
在一种实施方式中,所述面部属性识别模型通过如下步骤的方法预先训练得到:
面部属性识别训练模型根据训练样本库进行多次迭代训练,一次迭代训练包括:
面部属性识别训练模型获取训练样本库中的多个图像对,一个图像对包括全局目标图像和部分目标图像,全局目标图像中包括参考对象的完整面部图像,部分目标图像中包括该参考对象的部分面部图像;
对全局目标图像进行特征提取得到第一特征图,对部分目标图像进行特征提取得到第二特征图;
根据第一特征图预测得到第一预测属性,根据第二特征图预测得到第二预测属性;
确定第一预测属性与第一样本图像的实际属性之间的第一损失值,确定第二预测属性与第二样本图像的实际属性之间的第二损失值,根据第一损失值和第二损失值与预定的收敛条件,确定面部属性识别训练模型是否训练完成;
在确定训练未完成的情况下,调整模型参数,进行下一次迭代训练;
在确定训练完成的情况下,得到所述面部属性识别模型。
在一种实施方式中,调整模型参数,包括:
按照所述第一预测属性与所述第一样本图像的实际属性之间的第一损失值和所述第二预测属性与所述第二样本图像的实际属性之间的第二损失值同时最小原则,调整训练未完成的面部属性识别训练模型的模型参数。
第二方面,本申请实施例提供了一种兼容遮挡的面部属性识别装置,该装置包括:
获取模块,用于获取针对目标用户进行拍摄得到的面部图像;
处理模块,用于根据面部图像的遮挡情况,从面部图像中确定全局目标图像或部分目标图像;全局目标图像中包括目标用户的完整面部图像,部分目标图像包括目标用户未被遮挡的部分面部图像;将所述全局目标图像或部分目标图像输入到预先训练的面部属性识别模型,得到所述目标用户的属性识别结果。
在一种实施方式中,所述处理模块用于根据以下步骤将所述全局目标图像或部分目标图像输入到预先训练的面部属性识别模型:
判断面部图像中面部是否存在遮挡;
若确定存在遮挡,则从所述面部图像中确定得到部分目标图像,将所述部分目标图像输入到预先训练的面部属性识别模型;
若确定不存在遮挡,则将所述面部图像确定为全局目标图像,将所述全局目标图像输入到预先训练的面部属性识别模型。
在一种实施方式中,所述处理模块还用于将面部图像中遮挡区域的像素点的像素值设置为预设值。
在一种实施方式中,所述处理模块还用于在获取针对目标用户进行拍摄得到的面部图像之后,从所述面部图像中,检测面部关键点信息,基于所述关键点信息,对所述面部图像进行校准。
在一种实施方式中,所述装置还包括面部属性识别模型预先训练模块,用于通过如下步骤的方法预先训练得到面部属性识别模型:
面部属性识别训练模型根据训练样本库进行多次迭代训练,一次迭代训练包括:
面部属性识别训练模型获取训练样本库中的多个图像对,一个图像对包括第一样本图像和第二样本图像,第一样本图像中包括参考对象的完整面部图像,第二样本图像中包括该参考对象的部分面部图像;
对第一样本图像进行特征提取得到第一特征图,对第二样本图像进行特征提取得到第二特征图;
根据第一特征图预测得到第一预测属性,根据第二特征图预测得到第二预测属性;
确定第一预测属性与第一样本图像的实际属性之间的第一损失值,确定第二预测属性与第二样本图像的实际属性之间的第二损失值,根据第一损失值和第二损失值与预定的收敛条件,确定面部属性识别训练模型是否训练完成;
在确定训练未完成的情况下,调整模型参数,进行下一次迭代训练;
在确定训练完成的情况下,得到所述面部属性识别模型。
在一种实施方式中,所述面部属性识别模型预先训练模块还用于在调整模型参数时,按照所述第一损失值和所述第二损失值同时最小原则,调整训练未完成的面部属性识别训练模型的模型参数。
第三方面,本申请实施例提供了一种电子设备,包括:处理器和存储介质,所述存储介质存储有所述处理器可执行的机器可读指令,当电子设备运行时,所述处理器执行所述机器可读指令,以执行如上述第一方面方法的步骤。
第四方面,本申请实施例提供了一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行上述第一方面方法的步骤。
本申请实施例提供的兼容遮挡的面部属性识别方法,获取针对目标用户进行拍摄得到的面部图像,根据面部图像的遮挡情况,从面部图像中确定全局目标图像或部分目标图像;全局目标图像中包括目标用户的完整面部图像,部分目标图像包括目标用户未被遮挡的部分面部图像;将全局目标图像或部分目标图像输入到预先训练的面部属性识别模型,得到目标用户的属性识别结果,这样,通过将同一个目标用户的全局目标图像或部分目标图像关联输入待训练的面部属性识别训练模型,训练得到最终的识别面部属性的模型,避免了遮挡区域对面部属性识别的影响,在不降低模型识别准确率的前提下,实现了一个模型对有遮挡的面部图像和无遮挡的面部图像进行识别。
进一步地,根据一种实施方式,通过判断面部是否存在遮挡,保留未被遮挡的部分面部区域进行属性识别,确保可根据面部遮挡情况进行有针对性的处理。例如对于存在局部遮挡比如下部遮挡的人脸,选择更具代表性的人脸上部未遮挡区域,充分利用人脸未遮挡部分的特征信息,减少遮挡物对整体人脸属性识别的影响,提高了人脸属性识别的准确性和鲁棒性。本申请的面部属性识别方法,兼容遮挡/非遮挡人脸场景,在保证非遮挡人脸场景识别准确率的同时,对于有遮挡人脸的场景也能很好的适应,拓展了人脸属性识别算法的应用范围和场景。
为使本申请的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1示出了本申请实施例所提供的一种兼容遮挡的面部属性识别方法的第一种流程示意图;
图2示出了本申请实施例所提供的一种兼容遮挡的面部属性识别方法的第二种流程示意图;
图3示出了本申请实施例所提供的一种兼容遮挡的面部属性识别装置的结构示意图;
图4示出了本申请实施例所提供的一种电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,应当理解,本申请中附图仅起到说明和描述的目的,并不用于限定本申请的保护范围。另外,应当理解,示意性的附图并未按实物比例绘制。本申请中使用的流程图示出了根据本申请的一些实施例实现的操作。应该理解,流程图的操作可以不按顺序实现,没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外,本领域技术人员在本申请内容的指引下,可以向流程图添加一个或多个其他操作,也可以从流程图中移除一个或多个操作。
另外,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
需要说明的是,本申请实施例中将会用到术语“包括”,用于指出其后所声明的特征的存在,但并不排除增加其它的特征。
在进行面部属性如人脸属性(如性别、年龄、表情等)识别时,一般是通过不同的模型对存在遮挡的图像和不存在遮挡的图像进行识别,对于遮挡图像而言,在训练识别遮挡图像的模型时,一般是利用局部非遮挡人脸作为样本对该模型进行训练,这样训练得到的模型鲁棒性比较差,而且模型的识别准确率比较低。
基于此,本申请提出了一种兼容遮挡的面部属性识别方法,该方法包括:获取针对目标用户进行拍摄得到的面部图像;根据面部图像的遮挡情况,从面部图像中确定全局目标图像或部分目标图像;全局目标图像中包括目标用户的完整面部图像,部分目标图像包括目标用户未被遮挡的部分面部图像;将所述全局目标图像或部分目标图像输入到预先训练的面部属性识别模型,得到所述目标用户的属性识别结果。通过一个模型来识别完整的面部图像或者具有遮挡的面部图像。其中,面部属性识别模型为使用至少一个训练样本进行训练得到的,每个训练样本均由同一个参考对象的全局目标图像和部分目标图像组成,全局目标图像为所述参考对象不被遮挡的图像,部分目标图像与全局目标图像的部分是相同的,不同的部分处于遮挡状态,也即部分目标图像是全局目标图像的部分遮挡图像。这样,通过同一个参考对象的全局目标图像和部分目标图像关联输入待训练的面部属性识别模型,训练得到最终识别属性的模型,避免了遮挡区域对面部属性识别的影响,在不降低模型识别准确率的前提下,实现一个模型对有遮挡的面部图像和无遮挡的面部图像进行识别。本申请实施例将基于该思想进行详细描述。
下面先对面部属性识别模型的训练进行说明,本申请实施例中,所述面部属性识别模型通过如下步骤的方法预先训练得到:
面部属性识别训练模型根据训练样本库进行多次迭代训练,一次迭代训练包括:
面部属性识别训练模型获取训练样本库中的多个图像对,一个图像对包括第一样本图像和第二样本图像,第一样本图像中包括参考对象的完整面部图像,第二样本图像中包括该参考对象的部分面部图像;
对第一样本图像进行特征提取得到第一特征图,对第二样本图像进行特征提取得到第二特征图;
根据第一特征图预测得到第一预测属性,根据第二特征图预测得到第二预测属性;
确定第一预测属性与第一样本图像的实际属性之间的第一损失值,确定第二预测属性与第二样本图像的实际属性之间的第二损失值,根据第一损失值和第二损失值与预定的收敛条件,确定面部属性识别训练模型是否训练完成;
在确定训练未完成的情况下,调整模型参数,进行下一次迭代训练;
在确定训练完成的情况下,得到所述面部属性识别模型。
这里,预测属性和实际属性均为面部属性,面部属性包括性别类别下的属性、年龄类别下的属性或表情类别下的属性中的至少一种属性;第一特征图可以为特征值矩阵,矩阵中的特征值表征第一样本图像中对应区域包括的面部属性特征信息;第二特征图也可以为特征矩阵,该矩阵中的特征值表征第二样本图像中对应区域包括的面部属性特征信息,其中,第一样本图像中的区域的尺寸和第二样本图像中的区域的尺寸可以根据实际情况确定;特征提取模型可以为卷积神经网络层、激活函数(例如,ReLU、Tanh、Sigmoid等)、批标准操作(Batch Normalization)等层的组合;第一预测属性和第二预测属性均为预测得到的属性,预测属性的属性类别与实际属性的属性类别相同。
在具体实施过程中,在获取训练样本库时,可以获取大量的样本图像,并通过手动方式对样本图像中包括的参考对象的实际属性进行标注。
考虑到拍摄样本图像时,摄像头不一定为正对参考对象的人脸进行拍摄,因此,需要对样本图像中的参考对象进行校准,使得校准后的样本图像为参考对象的标准人脸图像(标准人脸图像为摄像头正对参考对象的人脸进行拍摄得到的),将校准后的样本图像作为训练样本库中样本图像。
在对样本图像进行校准时,可以检测样本图像中包括的参考对象的图像的面部关键点信息,即人脸关键点(如,眼睛、鼻子、嘴巴等),并获取人脸关键点在样本图像中的位置信息,利用获取的上述位置信息,将样本图像中的参考对象进行人脸对齐,也就是,将样本图像中参考对象的人脸校准到标准人脸,这样,可以保证参考对象在不同样本图像中的位置为相同的。
在得到第一样本图像后,可以对第一样本图像中的部分区域进行遮挡,待遮挡的区域为固定区域或不固定区域,对于固定区域,固定区域在图像的位置为固定的,固定区域的尺寸为预先设置的,该尺寸可以为根据面部图像中对象的被遮挡部位在面部图像中的占比确定,例如,待训练的面部属性识别模型需要识别的区域为除戴口罩区域外的区域,戴口罩区域位于面部图像中的中下部,则需要对面部图像中固定位置的固定区域进行遮挡。
在对第一样本图像中的部分区域进行遮挡时,可以将该部分区域的像素点的像素值设置为预设值,也可以利用空白图像对该部分区域进行遮挡、保留剩余未被遮挡的图像,将对第一样本图像进行遮挡后的图像作为第二样本图像。
在得到第一样本图像和第二样本图像后,可以将同一个参考对象的第一样本图像和第二样本图像进行关联,并输入到未完成训练的面部属性识别模型中的特征提取模型,即,将第一样本图像和第二样本图像作为图像对输入到未完成训练的面部属性识别模型中的特征提取模型,特征提取模型分别从第一样本图像中提取特征信息、从第二样本图像中提取特征信息,得到第一样本图像对应的第一特征图、和第二样本图像对应的第二特征图。其中,第一特征图中包括的面部属性信息多于第二特征图中包括的面部属性信息。
分别将第一特征图和第二特征图关联输入到未完成训练的面部属性识别模型中的属性分类模型,属性分类模型输出第一样本图像对应的第一预测属性、第二样本图像对应的第二预测属性。
确定第一预测属性与第一样本图像的实际属性之间的第一损失值,确定第二预测属性与第二样本图像的实际属性之间的第二损失值,根据第一损失值和第二损失值与预定的收敛条件,确定面部属性识别训练模型是否训练完成。
在确定训练未完成的情况下,调整模型参数,进行下一次迭代训练。在对未完成训练的面部属性识别模型的模型参数进行调整时,可以计算第一预测属性和第一样本图像的实际属性之间的第一损失值、以及第二预测属性和第二样本图像的实际属性之间的第二损失值,按照第一损失值和第二损失值同时最小的原则调整训练未完成的面部属性识别模型的模型参数。其中,第一损失值可以为第一预测属性和第一样本图像的实际属性之间的距离或相似度,第二损失值可以为第二预测属性和第二样本图像的实际属性之间的距离或相似度,计算距离和相似度的算法为本领域的常规算法,其中,可以利用常规的梯度下降算法完成模型中参数的更新,以及对于L1损失函数,均在此处不进行详细说明。
为了提高面部属性识别模型的识别准确度,在调整模型参数时,还可以考虑第一特征图和第二特征图之间的相似性,使得第二特征图无限接近第一特征图,也就是,使得从部分面部图像提取的特征信息接近从全局面部图像提取的特征信息,即,计算第一特征图和第二特征图之间的第三损失值,按照第一损失值、第二损失值和第三损失值同时最小的原则,调整面部属性识别模型的模型参数,以得到完成训练的面部属性识别模型。其中,第三损失值可以为第一特征图和第二特征图之间的距离或相似度。
在确定训练完成的情况下,得到所述面部属性识别模型。
在得到面部属性识别模型后,可以利用该面部属性识别模型进行面部属性识别。针对该情况,本申请实施例提供了一种兼容遮挡的面部属性识别方法,如图1所示,该方法包括以下步骤:
S101,获取针对目标用户进行拍摄得到的面部图像。
这里,面部图像为图像采集设备采集的,该图像采集设备可以为摄像头、拍照设备等,图像采集设备可以为门禁***中的设备,例如,企业设置的门禁***、居住小区设置的门禁***,也可以为户内或户外设置的图像采集设备,例如,商场入口处、写字楼入口处、公共交通安检处等,可以根据实际情况确定,不过应当理解,本申请不限于此。
S102,根据面部图像的遮挡情况,从面部图像中确定全局目标图像或部分目标图像;全局目标图像中包括目标用户的完整面部图像,部分目标图像包括目标用户未被遮挡的部分面部图像;
这里,采集的面部图像可能存在遮挡的情形,对于存在遮挡的情形,例如,当目标用户戴口罩,戴口罩区域为面部图像中的遮挡区域,将该面部图像作为部分目标图像,对于不存在遮挡的情形,将不存在遮挡情形的面部图像作为全局目标图像。
这里,若确定所述面部图像中的目标用户被遮挡,则从所述面部图像中确定部分目标图像,将所述部分目标图像输入到面部属性识别模型;所述部分目标图像与所述面部图像的部分是相同的,不同的部分处于遮挡状态;
若确定所述面部图像中的目标用户不被遮挡,则将所述面部图像输入到预先训练的面部属性识别模型。
这里,检测面部图像是否存在遮挡的算法包括基于深度学习的图像分类方法等,采用上述方法可以检测面部图像中的口罩遮挡、墨镜遮挡等,前述方法可以为本领域的常规方法,本申请对此不予限制。
部分目标图像的尺寸与面部图像的尺寸可以相同,部分目标图像为对面部图像进行遮挡处理得到的,即,对面部图像中的固定区域进行遮挡,以下详述。
当确定面部图像中的目标用户被遮挡时,根据以下步骤从面部图像中确定部分目标图像:
从面部图像中确定部分目标图像之前,可以从面部图像中,检测面部关键点信息,其中,关键点信息为人脸关键点信息,人脸关键点包括眼睛、鼻子、嘴巴等,人脸关键点信息为人脸关键点在面部图像中的位置信息。
利用面部关键点信息对面部图像中的目标用户进行校准,也就是,当面部图像中的目标用户的人脸并非标准人脸时,需要将面部图像中目标用户的人脸校准到标准人脸,以得到校准后的面部图像,校准后的面部图像符合模型对图像尺寸的输入要求。这样,便于模型进行识别。
由于训练好的面部属性识别模型能够识别的遮挡图像中的遮挡区域为固定的,因此,在得到校准后的面部图像后,将指定区域的图像中像素点的像素值设为预设值,从而得到部分目标图像。其中,指定区域在面部图像中的位置为预设的,比如,可以为鼻子之下的区域,也可以为眼睛所在的区域,该区域的形状可以为四边形(如矩形),具体可以根据实际情况确定。
S103,将所述全局目标图像或部分目标图像输入到预先训练的面部属性识别模型,得到所述目标用户的属性识别结果。
这里,属性识别结果包括性别类别下的属性识别结果、表情类别下的属性识别结果、年龄类别下的属性识别结果中的至少一个,例如,在属性识别结果为性别类别下的属性识别结果时,该结果可以为性别为男或者女,在属性识别结果为年龄类别下的属性识别结果时,该结果可以为年龄15、年龄27等,在属性识别结果为表情类别下的属性识别结果时,该结果可以为表情高兴、表情哀伤等。
全局目标图像和部分目标图像均为人脸图像,全局目标图像和部分目标图像的尺寸相同,全局目标图像和部分目标图像之间的不同之处在于,部分目标图像中处于遮挡状态的部分图像的像素点的像素值为预设值,预设值可以根据实际情况设置,例如,预设值为0、1、20等,当预设值为0时,表示全局目标图像中被遮挡的部分为黑色的。
作为一可选实施例,遮挡状态的部分目标图像对应的区域为固定区域,例如,当目标用户戴口罩时,处于遮挡状态的部分目标图像为口罩遮挡的区域,又如,当目标用户戴墨镜时,处于遮挡状态的部分目标图像为墨镜遮挡的区域;面部图像中处于遮挡状态的部分目标图像所在区域,决定了面部属性识别模型能够识别的面部图像中的被遮挡区域,也就是,目标用户的面部图像中的被遮挡区域与样本图像中的遮挡区域相同,对于此类图像,面部属性识别模型的识别准确度较高。
这里,在得到部分目标图像后,将部分目标图像输入面部属性识别模型中进行特征提取,得到部分目标图像对应的特征图,将得到的特征图输入到面部属性识别模型的属性分类模型,得到目标用户的属性识别结果。
例如,目标用户为女性,面部图像为戴口罩的图像,在获取到该面部图像后,可以将面部图像中口罩覆盖区域的像素值设置为0,得到部分目标图像,将部分目标图像输入到面部属性识别模型中,得到目标用户的属性识别结果为女性、戴口罩。
当面部图像中的目标用户不被遮挡时,则可以将面部图像输入到面部属性识别模型中的特征提取模型,对全局特征信息进行提取,将特征提取结果输入到面部属性分类模型的属性分类模型,得到目标用户的属性识别结果,例如,属性识别结果为女性、不戴口罩等。
在一个实施例中,参考图2,在得到待识别的面部图像后,对面部关键点信息进行检测,并基于面部关键点信息对面部图像进行校准/对齐,判断校准/对齐后的面部图像中是否存在遮挡,若是,则在面部图像中保留人脸的非遮挡区域,得到部分目标图像,将部分目标图像输入到面部属性识别模型,得到属性识别结果,若否,则将整个人脸图像作为全局目标图像输入到面部属性识别模型,得到属性识别结果。
通过上述的面部属性识别模型,既可以对人脸被遮挡的面部图像进行识别,也可以对人脸未被遮挡的面部图像进行识别。
参照图3所示,为本申请实施例提供的一种兼容遮挡的面部属性识别装置的示意图,该装置包括:
获取模块31,用于获取针对目标用户进行拍摄得到的面部图像;
处理模块32,用于根据面部图像的遮挡情况,从面部图像中确定全局目标图像或部分目标图像;全局目标图像中包括目标用户的完整面部图像,部分目标图像包括目标用户未被遮挡的部分面部图像;将所述全局目标图像或部分目标图像输入到预先训练的面部属性识别模型,得到所述目标用户的属性识别结果。
在一种实施方式中,所述处理模块32用于根据以下步骤将所述全局目标图像或部分目标图像输入到预先训练的面部属性识别模型:
判断面部图像中面部是否存在遮挡;
若确定存在遮挡,则从所述面部图像中确定得到部分目标图像,将所述部分目标图像输入到预先训练的面部属性识别模型;
若确定不存在遮挡,则将所述面部图像确定为全局目标图像,将全局目标图像输入到预先训练的面部属性识别模型。
在一种实施方式中,所述处理模块32还用于:
从所述面部图像中,检测面部关键点信息;
基于所述关键点信息,对所述面部图像进行校准。
所述处理模块32用于根据以下步骤从所述面部图像中确定目标图像:
在校准后的面部图像中,将指定区域的图像中像素点的像素值设置为预设值。
在一种实施方式中,所述装置还包括训练模块33(即面部属性识别模型预先训练模块),用于通过如下步骤的方法预先训练得到面部属性识别模型:
面部属性识别训练模型根据训练样本库进行多次迭代训练,一次迭代训练包括:
面部属性识别训练模型获取训练样本库中的多个图像对,一个图像对包括第一样本图像和第二样本图像,第一样本图像中包括参考对象的完整面部图像,第二样本图像中包括该参考对象的局部面部图像;
对第一样本图像进行特征提取得到第一特征图,对第二样本图像进行特征提取得到第二特征图;
根据第一特征图预测得到第一预测属性,根据第二特征图预测得到第二预测属性;
确定第一预测属性与第一样本图像的实际属性之间的第一损失值,确定第二预测属性与第二样本图像的实际属性之间的第二损失值,根据第一损失值和第二损失值与预定的收敛条件,确定面部属性识别训练模型是否训练完成;
在确定训练未完成的情况下,调整模型参数,进行下一次迭代训练;
在确定训练完成的情况下,得到所述面部属性识别模型。
在一种实施方式中,所述训练模块33在调整模型参数时,按照所述第一损失值和所述第二损失值同时最小原则,调整未训练完成的面部属性识别训练模型的模型参数。
在一种实施方式中,在所述第二样本图像中,处于遮挡状态的部分图像的像素点的像素值为预设值。
本申请实施例还提供了一种电子设备40,如图4所示,为本申请实施例提供的电子设备40结构示意图,包括:
处理器41、存储器42、和总线43。所述存储器42存储有所述处理器41可执行的机器可读指令(比如,图3中的装置中获取模块31和处理模块32对应的执行指令等),当电子设备40运行时,所述处理器41与所述存储器42之间通过总线43通信,所述机器可读指令被所述处理器41执行时执行如下处理:
获取针对目标用户进行拍摄得到的面部图像;
根据面部图像的遮挡情况,从面部图像中确定全局目标图像或部分目标图像;全局目标图像中包括目标用户的完整面部图像,部分目标图像包括目标用户未被遮挡的部分面部图像;
将所述全局目标图像或部分目标图像输入到预先训练的面部属性识别模型,得到所述目标用户的属性识别结果。
一种可能的实施方式中,处理器41执行的指令中,将所述全局目标图像或部分目标图像输入到预先训练的面部属性识别模型,包括:
判断面部图像中面部是否存在遮挡;
若确定存在遮挡,则从所述面部图像中确定得到部分目标图像,将所述部分目标图像输入到预先训练的面部属性识别模型;
若确定不存在遮挡,则将所述面部图像确定为全局目标图像,将全局目标图像输入到预先训练的面部属性识别模型。
一种可能的实施方式中,处理器41执行的指令中,
从所述面部图像中确定得到部分目标图像,包括:
将面部图像中遮挡区域的像素点的像素值设置为预设值。
一种可能的实施方式中,处理器41执行的指令中,获取针对目标用户进行拍摄得到的面部图像之后,还包括:
从所述面部图像中,检测面部关键点信息;
基于所述关键点信息,对所述面部图像进行校准。
一种可能的实施方式中,处理器41执行的指令中,根据以下步骤训练所述面部属性识别模型:
面部属性识别训练模型根据训练样本库进行多次迭代训练,一次迭代训练包括:
面部属性识别训练模型获取训练样本库中的多个图像对,一个图像对包括第一样本图像和第二样本图像,第一样本图像中包括参考对象的完整面部图像,第二样本图像中包括该参考对象的部分面部图像;
对第一样本图像进行特征提取得到第一特征图,对第二样本图像进行特征提取得到第二特征图;
根据第一特征图预测得到第一预测属性,根据第二特征图预测得到第二预测属性;
确定第一预测属性与第一样本图像的实际属性之间的第一损失值,确定第二预测属性与第二样本图像的实际属性之间的第二损失值,根据第一损失值和第二损失值与预定的收敛条件,确定面部属性识别训练模型是否训练完成;
在确定训练未完成的情况下,调整模型参数,进行下一次迭代训练;
在确定训练完成的情况下,得到所述面部属性识别模型。
一种可能的实施方式中,处理器41执行的指令中,调整型参数,包括:
按照所述第一损失值和所述第二损失值同时最小原则,调整训练未完成的面部属性识别训练模型的模型参数。
如本领域技术人员所知,随着计算机硬件的发展,总线的具体实现方式以及名称可能发生各种改变,此处所称的总线概念上涵盖任何能够为电子设备内各部件提供服务的信息传送线路,包括但不限于FSB、HT、QPI、Infinity Fabric等。
在本申请实施例中,处理器可以是通用处理器,包括中央处理器(CPU),还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)、神经网络处理器(NPU)、张量处理器(TPU)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。
本申请实施例还提供了一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行上述兼容遮挡的面部属性识别方法的步骤。
具体地,该存储介质能够为通用的存储介质,如移动磁盘、硬盘等,该存储介质上的计算机程序被运行时,能够执行上述兼容遮挡的面部属性识别方法,本申请获取针对目标用户进行拍摄得到的面部图像,根据面部图像的遮挡情况,从面部图像中确定全局目标图像或部分目标图像;全局目标图像中包括目标用户的完整面部图像,部分目标图像包括目标用户未被遮挡的部分面部图像,将所述全局目标图像或部分目标图像输入到预先训练的面部属性识别模型,得到目标用户的属性识别结果,这样,通过同一个参考对象的全局目标图像和部分目标图像关联输入待训练的面部属性识别模型,训练得到最终识别属性的模型,避免了遮挡区域对属性识别的影响,在不降低模型识别准确率的前提下,实现一个模型对有遮挡的面部图像和无遮挡的面部图像进行识别。本申请方法能够提高面部属性识别的准确性和鲁棒性。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的***和装置的具体工作过程,可以参考方法实施例中的对应过程,本申请中不再赘述。在本申请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。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,又例如,多个模块或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口,装置或模块的间接耦合或通信连接,可以是电性,机械或其它的形式。
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单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元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。
所述功能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,可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台电子设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种兼容遮挡的面部属性识别方法,其特征在于,该方法包括:
获取针对目标用户进行拍摄得到的面部图像;
根据面部图像的遮挡情况,从面部图像中确定全局目标图像或部分目标图像;全局目标图像中包括目标用户的完整面部图像,部分目标图像包括目标用户未被遮挡的部分面部图像;
将所述全局目标图像或部分目标图像输入到预先训练的面部属性识别模型,得到所述目标用户的属性识别结果。
2.如权利要求1所述的方法,其特征在于,将所述全局目标图像或部分目标图像输入到预先训练的面部属性识别模型,包括:
判断面部图像中面部是否存在遮挡;
若确定存在遮挡,则从所述面部图像中确定得到部分目标图像,将所述部分目标图像输入到预先训练的面部属性识别模型;
若确定不存在遮挡,则将所述面部图像确定为全局目标图像,将所述全局目标图像输入到预先训练的面部属性识别模型。
3.如权利要求2所述的方法,其特征在于,从所述面部图像中确定得到部分目标图像,包括:
将面部图像中遮挡区域的像素点的像素值设置为预设值。
4.如权利要求1所述的方法,其特征在于,获取针对目标用户进行拍摄得到的面部图像之后,还包括:
从所述面部图像中,检测面部关键点信息;
基于所述关键点信息,对所述面部图像进行校准。
5.如权利要求1所述的方法,其特征在于,所述面部属性识别模型通过如下步骤的方法预先训练得到:
面部属性识别训练模型根据训练样本库进行多次迭代训练,一次迭代训练包括:
面部属性识别训练模型获取训练样本库中的多个图像对,一个图像对包括第一样本图像和第二样本图像,第一样本图像中包括参考对象的完整面部图像,第二样本图像中包括该参考对象的部分面部图像;
对第一样本图像进行特征提取得到第一特征图,对第二样本图像进行特征提取得到第二特征图;
根据第一特征图预测得到第一预测属性,根据第二特征图预测得到第二预测属性;
确定第一预测属性与第一样本图像的实际属性之间的第一损失值,确定第二预测属性与第二样本图像的实际属性之间的第二损失值,根据第一损失值和第二损失值与预定的收敛条件,确定面部属性识别训练模型是否训练完成;
在确定训练未完成的情况下,调整模型参数,进行下一次迭代训练;
在确定训练完成的情况下,得到所述面部属性识别模型。
6.如权利要求5所述的方法,其特征在于,调整模型参数,包括:
按照所述第一损失值和所述第二损失值同时最小原则,调整训练未完成的面部属性识别训练模型的模型参数。
7.一种兼容遮挡的面部属性识别装置,其特征在于,该装置包括:
获取模块,用于获取针对目标用户进行拍摄得到的面部图像;
处理模块,用于根据面部图像的遮挡情况,从面部图像中确定全局目标图像或部分目标图像;全局目标图像中包括目标用户的完整面部图像,部分目标图像包括目标用户未被遮挡的部分面部图像;将所述全局目标图像或部分目标图像输入到预先训练的面部属性识别模型,得到所述目标用户的属性识别结果。
8.如权利要求7所述的装置,其特征在于,所述处理模块用于根据以下步骤将所述全局目标图像或部分目标图像输入到预先训练的面部属性识别模型:
判断面部图像中面部是否存在遮挡;
若确定存在遮挡,则从所述面部图像中确定得到部分目标图像,将所述部分目标图像输入到预先训练的面部属性识别模型;
若确定不存在遮挡,则将所述面部图像确定为全局目标图像,将所述全局目标图像输入到预先训练的面部属性识别模型。
9.一种电子设备,其特征在于,包括:处理器和存储介质,所述存储介质存储有所述处理器可执行的机器可读指令,当电子设备运行时,所述处理器执行所述机器可读指令,以执行如权利要求1至6任一所述的方法的步骤。
10.一种计算机可读存储介质,其特征在于,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行如权利要求1至6任一所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011059698.6A CN112149601A (zh) | 2020-09-30 | 2020-09-30 | 兼容遮挡的面部属性识别方法、装置和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011059698.6A CN112149601A (zh) | 2020-09-30 | 2020-09-30 | 兼容遮挡的面部属性识别方法、装置和电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112149601A true CN112149601A (zh) | 2020-12-29 |
Family
ID=73951244
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011059698.6A Pending CN112149601A (zh) | 2020-09-30 | 2020-09-30 | 兼容遮挡的面部属性识别方法、装置和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112149601A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112418190A (zh) * | 2021-01-21 | 2021-02-26 | 成都点泽智能科技有限公司 | 移动端医学防护遮蔽人脸识别方法、装置、***及服务器 |
CN113469216A (zh) * | 2021-05-31 | 2021-10-01 | 浙江中烟工业有限责任公司 | 零售终端海报识别与完整性判断方法、***及存储介质 |
CN113610106A (zh) * | 2021-07-01 | 2021-11-05 | 北京大学 | 模型间的特征兼容学习方法、装置、电子设备及介质 |
Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160110586A1 (en) * | 2014-10-15 | 2016-04-21 | Nec Corporation | Image recognition apparatus, image recognition method and computer-readable medium |
EP3379458A2 (en) * | 2017-03-23 | 2018-09-26 | Samsung Electronics Co., Ltd. | Facial verification method and apparatus |
CN109034078A (zh) * | 2018-08-01 | 2018-12-18 | 腾讯科技(深圳)有限公司 | 年龄识别模型的训练方法、年龄识别方法及相关设备 |
CN109271884A (zh) * | 2018-08-29 | 2019-01-25 | 厦门理工学院 | 人脸属性识别方法、装置、终端设备和存储介质 |
CN109784255A (zh) * | 2019-01-07 | 2019-05-21 | 深圳市商汤科技有限公司 | 神经网络训练方法及装置以及识别方法及装置 |
CN109886167A (zh) * | 2019-02-01 | 2019-06-14 | 中国科学院信息工程研究所 | 一种遮挡人脸识别方法及装置 |
US20190205616A1 (en) * | 2017-12-29 | 2019-07-04 | Baidu Online Network Technology (Beijing) Co., Ltd. | Method and apparatus for detecting face occlusion |
CN110110681A (zh) * | 2019-05-14 | 2019-08-09 | 哈尔滨理工大学 | 一种用于有遮挡的人脸识别方法 |
CN110119723A (zh) * | 2019-05-17 | 2019-08-13 | 北京深醒科技有限公司 | 一种基于acnn进行遮挡人脸表情识别方法 |
CN111291604A (zh) * | 2018-12-07 | 2020-06-16 | 深圳光启空间技术有限公司 | 面部属性识别方法、装置、存储介质及处理器 |
CN111310624A (zh) * | 2020-02-05 | 2020-06-19 | 腾讯科技(深圳)有限公司 | 遮挡识别方法、装置、计算机设备及存储介质 |
CN111339930A (zh) * | 2020-02-25 | 2020-06-26 | 四川翼飞视科技有限公司 | 一种联合口罩属性损失函数的人脸识别方法 |
CN111339812A (zh) * | 2019-06-29 | 2020-06-26 | 北京澎思科技有限公司 | 一种基于全部或部分人体结构化特征集的行人识别和再识别的方法、电子设备和存储介质 |
CN111401222A (zh) * | 2020-03-12 | 2020-07-10 | 河南威虎智能科技有限公司 | 一种面向遮挡人脸的联合多属性信息的特征学习方法 |
CN111523431A (zh) * | 2020-04-16 | 2020-08-11 | 支付宝(杭州)信息技术有限公司 | 一种面部识别的方法、装置及设备 |
CN111582141A (zh) * | 2020-04-30 | 2020-08-25 | 京东方科技集团股份有限公司 | 人脸识别模型训练方法、人脸识别方法及装置 |
CN111666925A (zh) * | 2020-07-02 | 2020-09-15 | 北京爱笔科技有限公司 | 一种人脸识别模型的训练方法及装置 |
-
2020
- 2020-09-30 CN CN202011059698.6A patent/CN112149601A/zh active Pending
Patent Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160110586A1 (en) * | 2014-10-15 | 2016-04-21 | Nec Corporation | Image recognition apparatus, image recognition method and computer-readable medium |
EP3379458A2 (en) * | 2017-03-23 | 2018-09-26 | Samsung Electronics Co., Ltd. | Facial verification method and apparatus |
US20190205616A1 (en) * | 2017-12-29 | 2019-07-04 | Baidu Online Network Technology (Beijing) Co., Ltd. | Method and apparatus for detecting face occlusion |
CN109034078A (zh) * | 2018-08-01 | 2018-12-18 | 腾讯科技(深圳)有限公司 | 年龄识别模型的训练方法、年龄识别方法及相关设备 |
CN109271884A (zh) * | 2018-08-29 | 2019-01-25 | 厦门理工学院 | 人脸属性识别方法、装置、终端设备和存储介质 |
CN111291604A (zh) * | 2018-12-07 | 2020-06-16 | 深圳光启空间技术有限公司 | 面部属性识别方法、装置、存储介质及处理器 |
CN109784255A (zh) * | 2019-01-07 | 2019-05-21 | 深圳市商汤科技有限公司 | 神经网络训练方法及装置以及识别方法及装置 |
CN109886167A (zh) * | 2019-02-01 | 2019-06-14 | 中国科学院信息工程研究所 | 一种遮挡人脸识别方法及装置 |
CN110110681A (zh) * | 2019-05-14 | 2019-08-09 | 哈尔滨理工大学 | 一种用于有遮挡的人脸识别方法 |
CN110119723A (zh) * | 2019-05-17 | 2019-08-13 | 北京深醒科技有限公司 | 一种基于acnn进行遮挡人脸表情识别方法 |
CN111339812A (zh) * | 2019-06-29 | 2020-06-26 | 北京澎思科技有限公司 | 一种基于全部或部分人体结构化特征集的行人识别和再识别的方法、电子设备和存储介质 |
CN111310624A (zh) * | 2020-02-05 | 2020-06-19 | 腾讯科技(深圳)有限公司 | 遮挡识别方法、装置、计算机设备及存储介质 |
CN111339930A (zh) * | 2020-02-25 | 2020-06-26 | 四川翼飞视科技有限公司 | 一种联合口罩属性损失函数的人脸识别方法 |
CN111401222A (zh) * | 2020-03-12 | 2020-07-10 | 河南威虎智能科技有限公司 | 一种面向遮挡人脸的联合多属性信息的特征学习方法 |
CN111523431A (zh) * | 2020-04-16 | 2020-08-11 | 支付宝(杭州)信息技术有限公司 | 一种面部识别的方法、装置及设备 |
CN111582141A (zh) * | 2020-04-30 | 2020-08-25 | 京东方科技集团股份有限公司 | 人脸识别模型训练方法、人脸识别方法及装置 |
CN111666925A (zh) * | 2020-07-02 | 2020-09-15 | 北京爱笔科技有限公司 | 一种人脸识别模型的训练方法及装置 |
Non-Patent Citations (2)
Title |
---|
WU, G等: "Occluded Face Recognition Based on the Deep Learning", 《PROCEEDINGS OF THE 2019 31ST CHINESE CONTROL AND DECISION CONFERENCE (CCDC 2019)》, 31 December 2019 (2019-12-31), pages 793 - 797 * |
王浩: "基于局部特征聚类损失和多类特征融合的面部表情识别", 《模式识别与人工智能》, no. 03, 31 March 2019 (2019-03-31), pages 268 - 276 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112418190A (zh) * | 2021-01-21 | 2021-02-26 | 成都点泽智能科技有限公司 | 移动端医学防护遮蔽人脸识别方法、装置、***及服务器 |
CN112418190B (zh) * | 2021-01-21 | 2021-04-02 | 成都点泽智能科技有限公司 | 移动端医学防护遮蔽人脸识别方法、装置、***及服务器 |
CN113469216A (zh) * | 2021-05-31 | 2021-10-01 | 浙江中烟工业有限责任公司 | 零售终端海报识别与完整性判断方法、***及存储介质 |
CN113469216B (zh) * | 2021-05-31 | 2024-02-23 | 浙江中烟工业有限责任公司 | 零售终端海报识别与完整性判断方法、***及存储介质 |
CN113610106A (zh) * | 2021-07-01 | 2021-11-05 | 北京大学 | 模型间的特征兼容学习方法、装置、电子设备及介质 |
CN113610106B (zh) * | 2021-07-01 | 2023-10-24 | 北京大学 | 模型间的特征兼容学习方法、装置、电子设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109815845B (zh) | 人脸识别的方法和装置、存储介质 | |
US11487995B2 (en) | Method and apparatus for determining image quality | |
CN110363047B (zh) | 人脸识别的方法、装置、电子设备和存储介质 | |
CN112149601A (zh) | 兼容遮挡的面部属性识别方法、装置和电子设备 | |
US20180157899A1 (en) | Method and apparatus detecting a target | |
CN108288051B (zh) | 行人再识别模型训练方法及装置、电子设备和存储介质 | |
US20230033052A1 (en) | Method, apparatus, device, and storage medium for training image processing model | |
CN107832700A (zh) | 一种人脸识别方法与*** | |
CN111444744A (zh) | 活体检测方法、装置以及存储介质 | |
CN111274916A (zh) | 人脸识别方法和人脸识别装置 | |
US11475537B2 (en) | Method and apparatus with image normalization | |
CN111666905B (zh) | 模型训练方法、行人属性识别方法和相关装置 | |
US20160148070A1 (en) | Image processing apparatus, image processing method, and recording medium | |
CN113344000A (zh) | 证件翻拍识别方法、装置、计算机设备和存储介质 | |
CN112560584A (zh) | 一种人脸检测方法及装置、存储介质、终端 | |
CN113780145A (zh) | ***形态检测方法、装置、计算机设备和存储介质 | |
JP5648452B2 (ja) | 画像処理プログラムおよび画像処理装置 | |
CN112949785B (zh) | 对象检测方法、装置、设备及计算机存储介质 | |
CN114519401A (zh) | 一种图像分类方法及装置、电子设备、存储介质 | |
CN112200109A (zh) | 面部属性识别方法、电子设备以及计算机可读存储介质 | |
CN114927236A (zh) | 一种面向多重目标图像的检测方法及*** | |
CN105184275B (zh) | 基于二值决策树的红外局部人脸关键点获取方法 | |
CN113887279A (zh) | 一种半身被遮挡的行人重识别方法及相关装置 | |
CN114373203A (zh) | 图片归档方法、装置、终端设备及计算机可读存储介质 | |
CN110934565B (zh) | 一种瞳孔直径的测量方法、装置及计算机可读存储介质 |
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 |