CN113705469A - 人脸识别方法、装置、电子设备及计算机可读存储介质 - Google Patents
人脸识别方法、装置、电子设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN113705469A CN113705469A CN202111006875.9A CN202111006875A CN113705469A CN 113705469 A CN113705469 A CN 113705469A CN 202111006875 A CN202111006875 A CN 202111006875A CN 113705469 A CN113705469 A CN 113705469A
- Authority
- CN
- China
- Prior art keywords
- face
- feature
- similarity
- training set
- image
- 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 48
- 238000012549 training Methods 0.000 claims abstract description 156
- 238000000605 extraction Methods 0.000 claims abstract description 102
- 238000013528 artificial neural network Methods 0.000 claims abstract description 45
- 230000006870 function Effects 0.000 claims description 29
- 238000001514 detection method Methods 0.000 claims description 22
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 13
- 238000013473 artificial intelligence Methods 0.000 abstract description 7
- 230000001815 facial effect Effects 0.000 description 10
- 238000004891 communication Methods 0.000 description 7
- 210000000887 face Anatomy 0.000 description 6
- 238000003062 neural network model Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 239000013598 vector Substances 0.000 description 6
- 238000007726 management method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 239000004973 liquid crystal related substance Substances 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 210000001061 forehead Anatomy 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 210000001747 pupil Anatomy 0.000 description 2
- 241000711573 Coronaviridae Species 0.000 description 1
- 101000824531 Homo sapiens CAAX prenyl protease 1 homolog Proteins 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 102000057847 human ZMPSTE24 Human genes 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- 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
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
- Collating Specific Patterns (AREA)
Abstract
本发明涉及人工智能技术，揭露了一种人脸识别方法，包括：从第一人脸训练集中人脸图像提取部分人脸，得到第二人脸训练集，利用第一人脸训练集及第二人脸训练集训练人脸识别神经网络，得到全脸特征提取模型及半脸特征提取模型，利用全脸特征提取模型对待识别人脸图像进行特征提取，得到第一特征，并计算第一相似度，利用半脸特征提取模型对待识别人脸图像进行特征提取，得到第二特征，并计算第二相似度，根据第一相似度及第二相识度得到识别结果。此外，本发明还涉及区块链技术，所述识别结果可存储在区块链的节点中。本发明还提出一种人脸识别方法装置、电子设备以及计算机可读存储介质。本发明可以解决遮挡情况下人脸识别准确率较低的问题。
Description
技术领域
本发明涉及人工智能技术领域，尤其涉及一种人脸识别方法、装置、电子设备及计算机可读存储介质。
背景技术
人脸1比N对比是指人脸识别***采集了使用者的一张照片之后，从海量的人像数据库中找到与当前使用者人脸数据相符合的图像，并进行匹配，找出来使用者的身份。通过人脸1比N对比进行人脸识别已经是比较成熟的技术，通过人脸检测、人脸校正，再通过深度模型对人的面部特征进行提取，可以对不同人的照片进行一个较好的区分。但由于新型冠状病毒的全球蔓延，很多场景的人脸是戴有口罩的。对于戴有口罩的人脸，由于并没有做出针对性的适配，会导致人脸1比N误识率急剧增大，以致完全不能使用。同时，若只训练基于戴口罩的人脸识别模型，对于不戴口罩的人群的识别准确率又会较低。
发明内容
本发明提供一种人脸识别方法、装置、设备及存储介质，其主要目的在于解决遮挡情况下人脸识别准确率较低的问题。
为实现上述目的，本发明提供的一种人脸识别方法，包括：
获取第一人脸训练集，对所述第一人脸训练集中的每张人脸图像进行人脸位置检测，根据检测到的人脸位置从所述每张人脸图像中提取上半部分人脸，得到部分人脸图像，汇总得到的所有部分人脸图像，得到第二人脸训练集；
利用所述第一人脸训练集训练预构建的人脸识别神经网络，得到全脸特征提取模型，以及利用所述第二人脸训练集训练预构建的人脸识别神经网络，得到半脸特征提取模型；
利用所述全脸特征提取模型对待识别人脸图像进行特征提取，得到第一特征，以及利用所述半脸特征提取模型对所述待识别人脸图像进行特征提取，得到第二特征；
计算所述第一特征与预构建的特征对比库中人脸特征的相似度，得到第一相似度，以及计算所述第二特征与所述特征对比库中人脸特征的相似度，得到第二相似度，根据所述第一相似度及所述第二相识度得到所述待识别人脸图像的识别结果。
可选地，对所述第一人脸训练集中的每张人脸图像进行人脸位置检测，根据检测到的人脸位置从所述每张人脸图像中提取预设部分人脸，得到部分人脸图像，汇总得到的所有部分人脸图像，得到第二人脸训练集，包括：
对所述第一人脸训练集中的人脸图像进行位置检测，得到关键位置点；
根据所述关键位置点对所述第一人脸训练集中的人脸图像进行位置截取及比例调整，得到部分人脸调节图像集；
利用预设颜色对所述部分人脸调节图像集中图像的无像素区域进行填充；
对填充后的图像进行RGB标准化处理，汇总所有标准化后的图像得到所述第二人脸训练集。
可选地，所述利用所述第一人脸训练集训练预构建的人脸识别神经网络，得到全脸特征提取模型，包括：
利用所述人脸识别神经网络采集所述第一人脸训练集中完整人脸图像的人脸特征，得到人脸特征集合；
随机选取所述人脸特征集合中任意的人脸特征作为参考特征，基于所述参考特征构建特征三元组；
根据所述特征三元组计算所述人脸识别神经网络预设的损失函数的损失值；
若所述损失函数的损失值大于等于预设的特征损失阈值，则返回所述随机选取所述人脸特征集合中任意的人脸特征作为参考特征的步骤；
若所述损失函数的损失值小于所述特征损失阈值，停止训练，得到所述全脸特征提取模型。
可选地，所述根据所述特征三元组计算所述人脸识别神经网络预设的损失函数的损失值，包括：
利用所述人脸识别神经网络中预设的三元组损失函数计算所述人脸识别神经网络的损失值：
Loss＝max(‖f(A)-f(P)‖2-‖f(A)-f(N)‖2+α)
其中，Loss为所述损失值，f(A)为所述参考特征，f(N)为同一人不同的人脸特征，f(P)为不同人的人脸特征，α为超参数。
可选地，所述计算所述第一特征与预构建的特征对比库中人脸特征的相似度，包括：
根据所述第一特征查找所述特征对比库中的人脸特征；
利用预设的近似最近邻算法对所述第一特征和所述特征对比库中查找到的人脸特进行特征匹配，得到特征二叉树；
计算所述特征二叉树中相邻节点的相似度，得到多个相似度值；
从所述多个相似度值中选取相似度值最高的相似度作为所述第一相似度。
可选地，所述计算所述特征二叉树中相邻节点的相似度，包括：
通过下述相似度计算公式计算所述特征二叉树中相邻节点的相似度：
D1为所述相似度，n所述特征二叉树中节点对个数，xi,yj为所述特征二叉树相邻节点中的人脸特征。
可选地，根据所述第一相似度及所述第二相识度得到所述待识别人脸图像的识别结果，包括：
判断所述第一相似度是否大于预设的第一阈值；
若所述第一相似度大于所述第一阈值，则确定人脸识别成功；
若所述第一相似度小于等于所述第一阈值，则判断所述第二相似度是否大于预设的第二阈值；
若所述第二相似度大于所述第二阈值，则确定人脸识别成功；
若所述第二相似度小于等于所述第二阈值，则确定人脸识别失败。
为了解决上述问题，本发明还提供一种人脸识别方法装置，所述装置包括：
人脸训练集构建模块，用于获取第一人脸训练集，对所述第一人脸训练集中的每张人脸图像进行人脸位置检测，根据检测到的人脸位置从所述每张人脸图像中提取预设部分人脸，得到部分人脸图像，汇总得到的所有部分人脸图像，得到第二人脸训练集；
模型训练模块，用于利用所述第一人脸训练集训练预构建的人脸识别神经网络，得到全脸特征提取模型，以及利用所述第二人脸训练集训练预构建的人脸识别神经网络，得到半脸特征提取模型；
特征提取模块，用于利用所述全脸特征提取模型对待识别人脸图像进行特征提取，得到第一特征，以及利用所述半脸特征提取模型对所述待识别人脸图像进行特征提取，得到第二特征；
人脸识别模块，用于计算所述第一特征与预构建的特征对比库中人脸特征的相似度，得到第一相似度，以及计算所述第二特征与所述特征对比库中人脸特征的相似度，得到第二相似度，根据所述第一相似度及所述第二相识度得到所述待识别人脸图像的识别结果。
为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
存储器，存储至少一个计算机程序；及
处理器，执行所述存储器中存储的计算机程序以实现上述所述的人脸识别方法。
为了解决上述问题，本发明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至少一个计算机程序，所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的人脸识别方法。
本发明通过对第一人脸训练集中的人脸图像进行位置检测及部分人脸提取，得到第二人脸训练集，可以提高模型训练的准确率，利用不同的人脸训练集训练得到全脸特征提取模型及半脸特征提取模型，可以提高对人脸被部分遮挡情况下进行人脸识别的适用性。同时，利用全脸特征提取模型及半脸特征提取模型得到的特征更加丰富的特征对比库进行相似度计算，进一步地提高不同场景下人脸识别的准确率。因此本发明提出的人脸识别方法、装置、电子设备及计算机可读存储介质，可以解决遮挡情况下人脸识别准确率较低的问题。
附图说明
图1为本发明一实施例提供的人脸识别方法的流程示意图；
图2为本发明一实施例提供的人脸识别装置的功能模块图；
图3为本发明一实施例提供的实现所述人脸识别方法的电子设备的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本申请实施例提供一种人脸识别方法。所述人脸识别方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述人脸识别方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(ContentDelivery Network，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
参照图1所示，为本发明一实施例提供的人脸识别方法的流程示意图。
在本实施例中，所述人脸识别方法包括：
S1、获取第一人脸训练集，对所述第一人脸训练集中的每张人脸图像进行人脸位置检测，根据检测到的人脸位置从所述每张人脸图像中提取预设部分人脸，得到部分人脸图像，汇总得到的所有部分人脸图像，得到第二人脸训练集。
本发明实施例中，所述第一人脸训练集可以通过开源的CASIA-Webface人脸数据集得到。其中，第一人脸训练集为完整人脸图像集，第二人脸训练集为部分人脸图像集。
具体地，所述对所述第一人脸训练集中的每张人脸图像进行人脸位置检测，根据检测到的人脸位置从所述每张人脸图像中提取预设部分人脸，得到部分人脸图像，汇总得到的所有部分人脸图像，得到第二人脸训练集，包括：
对所述第一人脸训练集中的人脸图像进行位置检测，得到关键位置点；
根据所述关键位置点对所述第一人脸训练集中的人脸图像进行位置截取及比例调整，得到部分人脸调节图像集；
利用预设颜色对所述部分人脸调节图像集中图像的无像素区域进行填充；
对填充后的图像进行RGB标准化处理，汇总所有标准化后的图像得到所述第二人脸训练集。
本发明实施例中，可以通过facemesh检测算法获取图像中的关键位置点，所述关键位置点包括眼睛、鼻子左侧，鼻孔下侧，瞳孔位置，上嘴唇下侧等位置点。
本发明一可选实施例中，可以从CASIA-Webface人脸数据集中获取完整的人脸图像，并检测到眼睛位置(即关键位置点)，根据检测到的眼睛位置对图像进行上半部分图像截取，并旋转调整图像大小比例至160*160，使用黑色作为图像中无像素区域的填充，并对图像中的三通道RGB值进行进行标准化，使其均值为0，方差为1，汇总标准化的上半部分人脸图像得到第二人脸训练集。
本发明实施例通过完整人脸图像构建第一人脸训练集及第二人脸训练集，此外通过位置截取及像素填充可以去除训练集中的无关特征，从而提高模型训练的速度及精度。
S2、利用所述第一人脸训练集训练预构建的人脸识别神经网络，得到全脸特征提取模型，以及利用所述第二人脸训练集训练预构建的人脸识别神经网络，得到半脸特征提取模型。
本发明实施例中，所述预构建的人脸神经网络可以为FaceNet深度神经网络模型，所述FaceNet深度神经网络模型的主要思想是把人脸图像特征映射到一个多维空间，通过空间距离表示人脸的相似度，同个人脸图像的空间距离比较小，不同人脸图像的空间距离比较大，这样通过人脸图像的空间映射就可以实现人脸识别。
本发明一可选实施例中，所述FaceNet深度神经网络模型包括Inception架构的深度卷积神经网络，用于采集人脸特征，然后采用L2归一化操作，得到人脸图像的特征表示，最后利用三元组(Triplet Loss)的损失函数计算损失值。
具体地，所述利用所述第一人脸训练集训练预构建的人脸识别神经网络，得到全脸特征提取模型，包括：
利用所述人脸识别神经网络采集所述第一人脸训练集中完整人脸图像的人脸特征，得到人脸特征集合；
随机选取所述人脸特征集合中任意的人脸特征作为参考特征，基于所述参考特征构建特征三元组；
根据所述特征三元组计算所述人脸识别神经网络预设的损失函数的损失值；
若所述损失函数的损失值大于等于预设的特征损失阈值，则返回所述随机选取所述人脸特征集合中任意的人脸特征作为参考特征的步骤；
若所述损失函数的损失值小于所述特征损失阈值，停止训练，得到所述全脸特征提取模型。
本发明实施例中，所述根据所述特征三元组计算所述人脸识别神经网络预设的损失函数的损失值，包括：
利用所述人脸识别神经网络中预设的三元组损失函数计算所述人脸识别神经网络的损失值：
Loss＝max(‖f(A)-f(P)‖2-‖f(A)-f(N)‖2+α)
其中，Loss为所述损失值，f(A)为所述参考特征，f(N)为同一人不同的人脸特征，f(P)为不同人的人脸特征，α为超参数。
本发明实施例中，所述半脸特征提取模型的训练过程与全脸特征提取模型的训练过程类似，在此不再赘述。
本发明实施例中，例如，第一人脸训练集为全脸图像训练集，第二人脸训练集为上半脸图像训练集，通过不同的人脸训练集训练出不同的人脸识别模型，可以提高对戴口罩人群及不戴口罩人群的人脸识别的准确性。
S3、利用所述全脸特征提取模型对待识别人脸图像进行特征提取，得到第一特征，以及利用所述半脸特征提取模型对所述待识别人脸图像进行特征提取，得到第二特征。
本发明实施例中，所述待识别人脸图像可以通过各种移动设备(手机、笔记本电脑等)及人脸识别设备的摄像头获取。
本发明一可选实施例中，所述第一特征为完整图像的人脸特征，所述第二特征可以为上部分图像的人脸特征。
S4、计算所述第一特征与预构建的特征对比库中人脸特征的相似度，得到第一相似度，以及计算所述第二特征与所述特征对比库中人脸特征的相似度，得到第二相似度，根据所述第一相似度及所述第二相识度得到所述待识别人脸图像的识别结果。
本发明实施例中，所述计算所述第一特征与预构建的特征对比库中人脸特征的相似度之前，所述方法还包括：
获取对比人脸集合，利用所述全脸特征提取模型及所述半脸特征提取模型提取所述对比人脸集合中的人脸特征，汇总所有提取到的人脸特征，得到所述特征对比库。
本发明一可选实施例中，所述对比人脸集合可以为不同领域中用户的人脸图像，比如，A银行所有员工的人脸图像集合。
可选的，利用所述全脸特征提取模型及所述半脸特征提取模型分别对人脸识别集中的图像进行特征提取，可以得到基于完整人脸图像提取的特征向量，以及基于部分人脸图像提取的特征向量，从而得到特征信息更加丰富的特征对比库。例如，对A员工的人脸图像进行特征提取，得到两个512维的人脸特征向量。
具体地，所述计算所述第一特征与预构建的特征对比库中人脸特征的相似度，包括：
根据所述第一特征查找所述特征对比库中的人脸特征；
利用预设的近似最近邻算法对所述第一特征和所述特征对比库中查找到的人脸特进行特征匹配，得到特征二叉树；
计算所述特征二叉树中相邻节点的相似度，得到多个相似度值；
从所述多个相似度值中选取相似度值最高的相似度作为所述第一相似度。
本发明实施例中，所述预设的近似最近邻算法可以为Annoytree算法，所述Annoytree算法利用所述第一特征和所述特征对比库中的人脸特征构建二叉树，所述第一特征中的人脸特征和所述特征对比库中的人脸特征越相似，则越有可能在所述二叉树中被划为相邻节点。
本发明一可选实施例中，所述计算所述特征二叉树中相邻节点的相似度，包括：
通过下述相似度计算公式计算所述特征二叉树中相邻节点的相似度：
D1为所述相似度，n所述特征二叉树中节点对个数，xi,yj为所述特征二叉树相邻节点中的人脸特征。
本发明实施例中，第二相似度的计算步骤与第一相似度类似，在此不再赘述。
详细地，所述根据所述第一相似度及所述第二相识度得到所述待识别人脸图像的识别结果，包括：
判断所述第一相似度是否大于预设的第一阈值；
若所述第一相似度大于所述第一阈值，则确定人脸识别成功；
若所述第一相似度小于等于所述第一阈值，则判断所述第二相似度是否大于预设的第二阈值；
若所述第二相似度大于所述第二阈值，则确定人脸识别成功；
若所述第二相似度小于等于所述第二阈值，则确定人脸识别失败。
本发明一可选实施例中，由于全脸特征提取模型通过完整人脸图像训练得到，因此提取的特征更加丰富，因此优先使用全脸特征提取模型的结果作为依据，若第一特征对比中没有超过阈值的结果，则采用半脸特征提取模型的结果作为判断结果，若两个模型对比中，均没有超过阈值的对比结果，则判定待识别人脸的特征不在特征对比库中，人脸识别失败。
本发明实施例中，例如，对戴口罩人脸进行识别，实际有效的输入应该是从鼻子以上到额头的部分，口罩部分可以认为没有任何有效信息，所以直接采用真正有效的数据(即部分人脸图像)进行训练，有益于使模型对需要关注的特征进行拟合，避免对口罩颜色、型号等无用信息进行关注，有利于提高模型整体的准确率。同时，本方案并不是只针对戴口罩人脸，而是也适用于不戴口罩的人脸，有较好的通用性。
本发明通过对第一人脸训练集中的人脸图像进行位置检测及部分人脸提取，得到第二人脸训练集，可以提高模型训练的准确率，利用不同的人脸训练集训练得到全脸特征提取模型及半脸特征提取模型，可以提高对人脸被部分遮挡情况下进行人脸识别的适用性。同时，利用全脸特征提取模型及半脸特征提取模型得到的特征更加丰富的特征对比库进行相似度计算，进一步地提高不同场景下人脸识别的准确率。因此本发明提出的人脸识别方法，可以解决遮挡情况下人脸识别准确率较低的问题。
如图2所示，是本发明一实施例提供的人脸识别装置的功能模块图。
本发明所述人脸识别装置100可以安装于电子设备中。根据实现的功能，所述人脸识别装置100可以包括人脸训练集构建模块101、模型训练模块102、特征提取模块103及人脸识别模块104。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
在本实施例中，关于各模块/单元的功能如下：
所述人脸训练集构建模块101，用于获取第一人脸训练集，对所述第一人脸训练集中的每张人脸图像进行人脸位置检测，根据检测到的人脸位置从所述每张人脸图像中提取预设部分人脸，得到部分人脸图像，汇总得到的所有部分人脸图像，得到第二人脸训练集；
所述模型训练模块102，用于利用所述第一人脸训练集训练预构建的人脸识别神经网络，得到全脸特征提取模型，以及利用所述第二人脸训练集训练预构建的人脸识别神经网络，得到半脸特征提取模型；
所述特征提取模块103，用于利用所述全脸特征提取模型对待识别人脸图像进行特征提取，得到第一特征，以及利用所述半脸特征提取模型对所述待识别人脸图像进行特征提取，得到第二特征；
所述人脸识别模块104，用于计算所述第一特征与预构建的特征对比库中人脸特征的相似度，得到第一相似度，以及计算所述第二特征与所述特征对比库中人脸特征的相似度，得到第二相似度，根据所述第一相似度及所述第二相识度得到所述待识别人脸图像的识别结果。
详细地，所述人脸识别装置100各模块的具体实施方式如下：
步骤一、获取第一人脸训练集，对所述第一人脸训练集中的每张人脸图像进行人脸位置检测，根据检测到的人脸位置从所述每张人脸图像中提取预设部分人脸，得到部分人脸图像，汇总得到的所有部分人脸图像，得到第二人脸训练集。
本发明实施例中，所述第一人脸训练集可以通过开源的CASIA-Webface人脸数据集得到。其中，第一人脸训练集为完整人脸图像集，第二人脸训练集为部分人脸图像集。
具体地，所述对所述第一人脸训练集中的每张人脸图像进行人脸位置检测，根据检测到的人脸位置从所述每张人脸图像中提取预设部分人脸，得到部分人脸图像，汇总得到的所有部分人脸图像，得到第二人脸训练集，包括：
对所述第一人脸训练集中的人脸图像进行位置检测，得到关键位置点；
根据所述关键位置点对所述第一人脸训练集中的人脸图像进行位置截取及比例调整，得到部分人脸调节图像集；
利用预设颜色对所述部分人脸调节图像集中图像的无像素区域进行填充；
对填充后的图像进行RGB标准化处理，汇总所有标准化后的图像得到所述第二人脸训练集。
本发明实施例中，可以通过facemesh检测算法获取图像中的关键位置点，所述关键位置点包括眼睛、鼻子左侧，鼻孔下侧，瞳孔位置，上嘴唇下侧等位置点。
本发明一可选实施例中，可以从CASIA-Webface人脸数据集中获取完整的人脸图像，并检测到眼睛位置(即关键位置点)，根据检测到的眼睛位置对图像进行上半部分图像截取，并旋转调整图像大小比例至160*160，使用黑色作为图像中无像素区域的填充，并对图像中的三通道RGB值进行进行标准化，使其均值为0，方差为1，汇总标准化的上半部分人脸图像得到第二人脸训练集。
本发明实施例通过完整人脸图像构建第一人脸训练集及第二人脸训练集，此外通过位置截取及像素填充可以去除训练集中的无关特征，从而提高模型训练的速度及精度。
步骤二、利用所述第一人脸训练集训练预构建的人脸识别神经网络，得到全脸特征提取模型，以及利用所述第二人脸训练集训练预构建的人脸识别神经网络，得到半脸特征提取模型。
本发明实施例中，所述预构建的人脸神经网络可以为FaceNet深度神经网络模型，所述FaceNet深度神经网络模型的主要思想是把人脸图像特征映射到一个多维空间，通过空间距离表示人脸的相似度，同个人脸图像的空间距离比较小，不同人脸图像的空间距离比较大，这样通过人脸图像的空间映射就可以实现人脸识别。
本发明一可选实施例中，所述FaceNet深度神经网络模型包括Inception架构的深度卷积神经网络，用于采集人脸特征，然后采用L2归一化操作，得到人脸图像的特征表示，最后利用三元组(Triplet Loss)的损失函数计算损失值。
具体地，所述利用所述第一人脸训练集训练预构建的人脸识别神经网络，得到全脸特征提取模型，包括：
利用所述人脸识别神经网络采集所述第一人脸训练集中完整人脸图像的人脸特征，得到人脸特征集合；
随机选取所述人脸特征集合中任意的人脸特征作为参考特征，基于所述参考特征构建特征三元组；
根据所述特征三元组计算所述人脸识别神经网络预设的损失函数的损失值；
若所述损失函数的损失值大于等于预设的特征损失阈值，则返回所述随机选取所述人脸特征集合中任意的人脸特征作为参考特征的步骤；
若所述损失函数的损失值小于所述特征损失阈值，停止训练，得到所述全脸特征提取模型。
本发明实施例中，所述根据所述特征三元组计算所述人脸识别神经网络预设的损失函数的损失值，包括：
利用所述人脸识别神经网络中预设的三元组损失函数计算所述人脸识别神经网络的损失值：
Loss＝max(‖f(A)-f(P)‖2-‖f(A)-f(N)‖2+α)
其中，Loss为所述损失值，f(A)为所述参考特征，f(N)为同一人不同的人脸特征，f(P)为不同人的人脸特征，α为超参数。
本发明实施例中，所述半脸特征提取模型的训练过程与全脸特征提取模型的训练过程类似，在此不再赘述。
本发明实施例中，例如，第一人脸训练集为全脸图像训练集，第二人脸训练集为上半脸图像训练集，通过不同的人脸训练集训练出不同的人脸识别模型，可以提高对戴口罩人群及不戴口罩人群的人脸识别的准确性。
步骤三、利用所述全脸特征提取模型对待识别人脸图像进行特征提取，得到第一特征，以及利用所述半脸特征提取模型对所述待识别人脸图像进行特征提取，得到第二特征。
本发明实施例中，所述待识别人脸图像可以通过各种移动设备(手机、笔记本电脑等)及人脸识别设备的摄像头获取。
本发明一可选实施例中，所述第一特征为完整图像的人脸特征，所述第二特征可以为上部分图像的人脸特征。
步骤四、计算所述第一特征与预构建的特征对比库中人脸特征的相似度，得到第一相似度，以及计算所述第二特征与所述特征对比库中人脸特征的相似度，得到第二相似度，根据所述第一相似度及所述第二相识度得到所述待识别人脸图像的识别结果。
本发明实施例中，所述计算所述第一特征与预构建的特征对比库中人脸特征的相似度之前，所述方法还包括：
获取对比人脸集合，利用所述全脸特征提取模型及所述半脸特征提取模型提取所述对比人脸集合中的人脸特征，汇总所有提取到的人脸特征，得到所述特征对比库。
本发明一可选实施例中，所述对比人脸集合可以为不同领域中用户的人脸图像，比如，A银行所有员工的人脸图像集合。
可选的，利用所述全脸特征提取模型及所述半脸特征提取模型分别对人脸识别集中的图像进行特征提取，可以得到基于完整人脸图像提取的特征向量，以及基于部分人脸图像提取的特征向量，从而得到特征信息更加丰富的特征对比库。例如，对A员工的人脸图像进行特征提取，得到两个512维的人脸特征向量。
具体地，所述计算所述第一特征与预构建的特征对比库中人脸特征的相似度，包括：
根据所述第一特征查找所述特征对比库中的人脸特征；
利用预设的近似最近邻算法对所述第一特征和所述特征对比库中查找到的人脸特进行特征匹配，得到特征二叉树；
计算所述特征二叉树中相邻节点的相似度，得到多个相似度值；
从所述多个相似度值中选取相似度值最高的相似度作为所述第一相似度。
本发明实施例中，所述预设的近似最近邻算法可以为Annoytree算法，所述Annoytree算法利用所述第一特征和所述特征对比库中的人脸特征构建二叉树，所述第一特征中的人脸特征和所述特征对比库中的人脸特征越相似，则越有可能在所述二叉树中被划为相邻节点。
本发明一可选实施例中，所述计算所述特征二叉树中相邻节点的相似度，包括：
通过下述相似度计算公式计算所述特征二叉树中相邻节点的相似度：
D1为所述相似度，n所述特征二叉树中节点对个数，xi,yj为所述特征二叉树相邻节点中的人脸特征。
本发明实施例中，第二相似度的计算步骤与第一相似度类似，在此不再赘述。
详细地，所述根据所述第一相似度及所述第二相识度得到所述待识别人脸图像的识别结果，包括：
判断所述第一相似度是否大于预设的第一阈值；
若所述第一相似度大于所述第一阈值，则确定人脸识别成功；
若所述第一相似度小于等于所述第一阈值，则判断所述第二相似度是否大于预设的第二阈值；
若所述第二相似度大于所述第二阈值，则确定人脸识别成功；
若所述第二相似度小于等于所述第二阈值，则确定人脸识别失败。
本发明一可选实施例中，由于全脸特征提取模型通过完整人脸图像训练得到，因此提取的特征更加丰富，因此优先使用全脸特征提取模型的结果作为依据，若第一特征对比中没有超过阈值的结果，则采用半脸特征提取模型的结果作为判断结果，若两个模型对比中，均没有超过阈值的对比结果，则判定待识别人脸的特征不在特征对比库中，人脸识别失败。
本发明实施例中，例如，对戴口罩人脸进行识别，实际有效的输入应该是从鼻子以上到额头的部分，口罩部分可以认为没有任何有效信息，所以直接采用真正有效的数据(即部分人脸图像)进行训练，有益于使模型对需要关注的特征进行拟合，避免对口罩颜色、型号等无用信息进行关注，有利于提高模型整体的准确率。同时，本方案并不是只针对戴口罩人脸，而是也适用于不戴口罩的人脸，有较好的通用性。
本发明通过对第一人脸训练集中的人脸图像进行位置检测及部分人脸提取，得到第二人脸训练集，可以提高模型训练的准确率，利用不同的人脸训练集训练得到全脸特征提取模型及半脸特征提取模型，可以提高对人脸被部分遮挡情况下进行人脸识别的适用性。同时，利用全脸特征提取模型及半脸特征提取模型得到的特征更加丰富的特征对比库进行相似度计算，进一步地提高不同场景下人脸识别的准确率。因此本发明提出的人脸识别装置，可以解决遮挡情况下人脸识别准确率较低的问题。
如图3所示，是本发明一实施例提供的实现人脸识别方法的电子设备的结构示意图。
所述电子设备可以包括处理器10、存储器11、通信接口12和总线13，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如人脸识别程序。
其中，所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备的内部存储单元，例如该电子设备的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备的外部存储设备，例如电子设备上配备的插接式移动硬盘、智能存储卡(Smart Media Card，SMC)、安全数字(SecureDigital，SD)卡、闪存卡(Flash Card)等。进一步地，所述存储器11还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备的应用软件及各类数据，例如人脸识别程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(Control Unit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(例如人脸识别程序等)，以及调用存储在所述存储器11内的数据，以执行电子设备的各种功能和处理数据。
所述通信接口12用于上述电子设备与其他设备之间的通信，包括网络接口和用户接口。可选地，所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该电子设备与其他电子设备之间建立通信连接。所述用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
所述总线13可以是外设部件互连标准(peripheral component interconnect，简称PCI)总线或扩展工业标准结构(extended industry standard architecture，简称EISA)总线等。该总线13可以分为地址总线、数据总线、控制总线等。所述总线13被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
图3仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图3示出的结构并不构成对所述电子设备的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
进一步地，所述电子设备还可以包括网络接口，可选地，所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该电子设备与其他电子设备之间建立通信连接。
可选地，该电子设备还可以包括用户接口，用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
所述电子设备中的所述存储器11存储的人脸识别程序是多个指令的组合，在所述处理器10中运行时，可以实现：
获取第一人脸训练集，对所述第一人脸训练集中的每张人脸图像进行人脸位置检测，根据检测到的人脸位置从所述每张人脸图像中提取预设部分人脸，得到部分人脸图像，汇总得到的所有部分人脸图像，得到第二人脸训练集；
利用所述第一人脸训练集训练预构建的人脸识别神经网络，得到全脸特征提取模型，以及利用所述第二人脸训练集训练预构建的人脸识别神经网络，得到半脸特征提取模型；
利用所述全脸特征提取模型对待识别人脸图像进行特征提取，得到第一特征，以及利用所述半脸特征提取模型对所述待识别人脸图像进行特征提取，得到第二特征；
计算所述第一特征与预构建的特征对比库中人脸特征的相似度，得到第一相似度，以及计算所述第二特征与所述特征对比库中人脸特征的相似度，得到第二相似度，根据所述第一相似度及所述第二相识度得到所述待识别人脸图像的识别结果。
具体地，所述处理器10对上述指令的具体实现方法可参考附图对应实施例中相关步骤的描述，在此不赘述。
进一步地，所述电子设备集成的模块/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存储介质中。所述计算机可读存储介质可以是易失性的，也可以是非易失性的。例如，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)。
本发明还提供一种计算机可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备的处理器所执行时，可以实现：
获取第一人脸训练集，对所述第一人脸训练集中的每张人脸图像进行人脸位置检测，根据检测到的人脸位置从所述每张人脸图像中提取预设部分人脸，得到部分人脸图像，汇总得到的所有部分人脸图像，得到第二人脸训练集；
利用所述第一人脸训练集训练预构建的人脸识别神经网络，得到全脸特征提取模型，以及利用所述第二人脸训练集训练预构建的人脸识别神经网络，得到半脸特征提取模型；
利用所述全脸特征提取模型对待识别人脸图像进行特征提取，得到第一特征，以及利用所述半脸特征提取模型对所述待识别人脸图像进行特征提取，得到第二特征；
计算所述第一特征与预构建的特征对比库中人脸特征的相似度，得到第一相似度，以及计算所述第二特征与所述特征对比库中人脸特征的相似度，得到第二相似度，根据所述第一相似度及所述第二相识度得到所述待识别人脸图像的识别结果。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，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。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
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。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用***。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互***、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
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。
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)
1.一种人脸识别方法，其特征在于，所述方法包括：
获取第一人脸训练集，对所述第一人脸训练集中的每张人脸图像进行人脸位置检测，根据检测到的人脸位置从所述每张人脸图像中提取预设部分人脸，得到部分人脸图像，汇总得到的所有部分人脸图像，得到第二人脸训练集；
利用所述第一人脸训练集训练预构建的人脸识别神经网络，得到全脸特征提取模型，以及利用所述第二人脸训练集训练预构建的人脸识别神经网络，得到半脸特征提取模型；
利用所述全脸特征提取模型对待识别人脸图像进行特征提取，得到第一特征，以及利用所述半脸特征提取模型对所述待识别人脸图像进行特征提取，得到第二特征；
计算所述第一特征与预构建的特征对比库中人脸特征的相似度，得到第一相似度，以及计算所述第二特征与所述特征对比库中人脸特征的相似度，得到第二相似度，根据所述第一相似度及所述第二相识度得到所述待识别人脸图像的识别结果。
2.如权利要求1所述的人脸识别方法，其特征在于，所述对所述第一人脸训练集中的每张人脸图像进行人脸位置检测，根据检测到的人脸位置从所述每张人脸图像中提取预设部分人脸，得到部分人脸图像，汇总得到的所有部分人脸图像，得到第二人脸训练集，包括：
对所述第一人脸训练集中的人脸图像进行位置检测，得到关键位置点；
根据所述关键位置点对所述第一人脸训练集中的人脸图像进行位置截取及比例调整，得到部分人脸调节图像集；
利用预设颜色对所述部分人脸调节图像集中图像的无像素区域进行填充；
对填充后的图像进行RGB标准化处理，汇总所有标准化后的图像得到所述第二人脸训练集。
3.如权利要求2中所述的人脸识别方法，其特征在于，所述利用所述第一人脸训练集训练预构建的人脸识别神经网络，得到全脸特征提取模型，包括：
利用所述人脸识别神经网络采集所述第一人脸训练集中完整人脸图像的人脸特征，得到人脸特征集合；
随机选取所述人脸特征集合中任意的人脸特征作为参考特征，基于所述参考特征构建特征三元组；
根据所述特征三元组计算所述人脸识别神经网络预设的损失函数的损失值；
若所述损失函数的损失值大于等于预设的特征损失阈值，则返回所述随机选取所述人脸特征集合中任意的人脸特征作为参考特征的步骤；
若所述损失函数的损失值小于所述特征损失阈值，停止训练，得到所述全脸特征提取模型。
4.如权利要求3所述的人脸识别方法，其特征在于，所述根据所述特征三元组计算所述人脸识别神经网络预设的损失函数的损失值，包括：
利用所述人脸识别神经网络中预设的三元组损失函数计算所述人脸识别神经网络的损失值：
Loss＝max(||f(A)-f(P)||2-||f(A)-f(N)||2+α)
其中，Loss为所述损失值，f(A)为所述参考特征，f(N)为同一人不同的人脸特征，f(P)为不同人的人脸特征，α为超参数。
5.如权利要求1所述的人脸识别方法，其特征在于，所述计算所述第一特征与预构建的特征对比库中人脸特征的相似度，包括：
根据所述第一特征查找所述特征对比库中的人脸特征；
利用预设的近似最近邻算法对所述第一特征和所述特征对比库中查找到的人脸特进行特征匹配，得到特征二叉树；
计算所述特征二叉树中相邻节点的相似度，得到多个相似度值；
从所述多个相似度值中选取相似度值最高的相似度作为所述第一相似度。
6.如权利要求5所述的人脸识别方法，其特征在于，所述计算所述特征二叉树中相邻节点的相似度，包括：
通过下述相似度计算公式计算所述特征二叉树中相邻节点的相似度：
D1为所述相似度，n所述特征二叉树中节点对个数，xi，yj为所述特征二叉树相邻节点中的人脸特征。
7.如权利要求1所述的人脸识别方法，其特征在于，根据所述第一相似度及所述第二相识度得到所述待识别人脸图像的识别结果，包括：
判断所述第一相似度是否大于预设的第一阈值；
若所述第一相似度大于所述第一阈值，则确定人脸识别成功；
若所述第一相似度小于等于所述第一阈值，则判断所述第二相似度是否大于预设的第二阈值；
若所述第二相似度大于所述第二阈值，则确定人脸识别成功；
若所述第二相似度小于等于所述第二阈值，则确定人脸识别失败。
8.一种人脸识别装置，其特征在于，所述装置包括：
人脸训练集构建模块，用于获取第一人脸训练集，对所述第一人脸训练集中的每张人脸图像进行人脸位置检测，根据检测到的人脸位置从所述每张人脸图像中提取预设部分人脸，得到部分人脸图像，汇总得到的所有部分人脸图像，得到第二人脸训练集；
模型训练模块，用于利用所述第一人脸训练集训练预构建的人脸识别神经网络，得到全脸特征提取模型，以及利用所述第二人脸训练集训练预构建的人脸识别神经网络，得到半脸特征提取模型；
特征提取模块，用于利用所述全脸特征提取模型对待识别人脸图像进行特征提取，得到第一特征，以及利用所述半脸特征提取模型对所述待识别人脸图像进行特征提取，得到第二特征；
人脸识别模块，用于计算所述第一特征与预构建的特征对比库中人脸特征的相似度，得到第一相似度，以及计算所述第二特征与所述特征对比库中人脸特征的相似度，得到第二相似度，根据所述第一相似度及所述第二相识度得到所述待识别人脸图像的识别结果。
9.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至7中任意一项所述的人脸识别方法。
10.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7中任意一项所述的人脸识别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111006875.9A CN113705469A (zh) | 2021-08-30 | 2021-08-30 | 人脸识别方法、装置、电子设备及计算机可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111006875.9A CN113705469A (zh) | 2021-08-30 | 2021-08-30 | 人脸识别方法、装置、电子设备及计算机可读存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113705469A true CN113705469A (zh) | 2021-11-26 |
Family
ID=78657020
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111006875.9A Pending CN113705469A (zh) | 2021-08-30 | 2021-08-30 | 人脸识别方法、装置、电子设备及计算机可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113705469A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114694231A (zh) * | 2022-04-18 | 2022-07-01 | 深圳市同为数码科技股份有限公司 | 基于离线类中心的人脸识别方法、装置、设备及介质 |
| CN114783042A (zh) * | 2022-06-23 | 2022-07-22 | 深圳市巨龙创视科技有限公司 | 基于多移动目标的人脸识别方法、装置、设备及存储介质 |
| CN114821658A (zh) * | 2022-05-11 | 2022-07-29 | 平安科技（深圳）有限公司 | 牛脸识别方法、运行控制装置、电子设备及存储介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150235073A1 (en) * | 2014-01-28 | 2015-08-20 | The Trustees Of The Stevens Institute Of Technology | Flexible part-based representation for real-world face recognition apparatus and methods |
| CN105354273A (zh) * | 2015-10-29 | 2016-02-24 | 浙江高速信息工程技术有限公司 | 一种快速检索高速公路逃费车辆高相似度图像的方法 |
| CN111563097A (zh) * | 2020-04-30 | 2020-08-21 | 广东小天才科技有限公司 | 一种无监督式的题目聚合方法、装置、电子设备及存储介质 |
| CN111581354A (zh) * | 2020-05-12 | 2020-08-25 | 金蝶软件（中国）有限公司 | 一种faq问句相似度计算方法及其*** |
| CN112241689A (zh) * | 2020-09-24 | 2021-01-19 | 北京澎思科技有限公司 | 人脸识别方法、装置、电子设备及计算机可读存储介质 |
| CN112329666A (zh) * | 2020-11-10 | 2021-02-05 | 中国平安人寿保险股份有限公司 | 人脸识别方法、装置、电子设备及存储介质 |
-
2021
- 2021-08-30 CN CN202111006875.9A patent/CN113705469A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150235073A1 (en) * | 2014-01-28 | 2015-08-20 | The Trustees Of The Stevens Institute Of Technology | Flexible part-based representation for real-world face recognition apparatus and methods |
| CN105354273A (zh) * | 2015-10-29 | 2016-02-24 | 浙江高速信息工程技术有限公司 | 一种快速检索高速公路逃费车辆高相似度图像的方法 |
| CN111563097A (zh) * | 2020-04-30 | 2020-08-21 | 广东小天才科技有限公司 | 一种无监督式的题目聚合方法、装置、电子设备及存储介质 |
| CN111581354A (zh) * | 2020-05-12 | 2020-08-25 | 金蝶软件（中国）有限公司 | 一种faq问句相似度计算方法及其*** |
| CN112241689A (zh) * | 2020-09-24 | 2021-01-19 | 北京澎思科技有限公司 | 人脸识别方法、装置、电子设备及计算机可读存储介质 |
| CN112329666A (zh) * | 2020-11-10 | 2021-02-05 | 中国平安人寿保险股份有限公司 | 人脸识别方法、装置、电子设备及存储介质 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114694231A (zh) * | 2022-04-18 | 2022-07-01 | 深圳市同为数码科技股份有限公司 | 基于离线类中心的人脸识别方法、装置、设备及介质 |
| CN114821658A (zh) * | 2022-05-11 | 2022-07-29 | 平安科技（深圳）有限公司 | 牛脸识别方法、运行控制装置、电子设备及存储介质 |
| CN114821658B (zh) * | 2022-05-11 | 2024-05-14 | 平安科技（深圳）有限公司 | 牛脸识别方法、运行控制装置、电子设备及存储介质 |
| CN114783042A (zh) * | 2022-06-23 | 2022-07-22 | 深圳市巨龙创视科技有限公司 | 基于多移动目标的人脸识别方法、装置、设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113283446B (zh) | 图像中目标物识别方法、装置、电子设备及存储介质 | |
| CN113705469A (zh) | 人脸识别方法、装置、电子设备及计算机可读存储介质 | |
| CN111898538B (zh) | 证件鉴伪方法、装置、电子设备及存储介质 | |
| CN112651342B (zh) | 人脸识别方法、装置、电子设备及存储介质 | |
| CN112396005A (zh) | 生物特征图像识别方法、装置、电子设备及可读存储介质 | |
| CN112507934A (zh) | 活体检测方法、装置、电子设备及存储介质 | |
| CN113887408B (zh) | 活化人脸视频的检测方法、装置、设备及存储介质 | |
| CN113887438B (zh) | 人脸图像的水印检测方法、装置、设备及介质 | |
| CN113705462A (zh) | 人脸识别方法、装置、电子设备及计算机可读存储介质 | |
| CN113903068A (zh) | 基于人脸特征的陌生人监控方法、装置、设备及存储介质 | |
| CN114639152A (zh) | 基于人脸识别的多模态语音交互方法、装置、设备及介质 | |
| CN112528903B (zh) | 人脸图像获取方法、装置、电子设备及介质 | |
| CN113723280A (zh) | 基于静态人脸的对抗样本检测方法、装置、设备、介质 | |
| CN114022841A (zh) | 人员监控识别方法、装置、电子设备及可读存储介质 | |
| CN112329666A (zh) | 人脸识别方法、装置、电子设备及存储介质 | |
| CN113255456B (zh) | 非主动活体检测方法、装置、电子设备及存储介质 | |
| CN113792801B (zh) | 人脸炫光程度的检测方法、装置、设备及存储介质 | |
| CN113869218B (zh) | 人脸活体检测方法、装置、电子设备及可读存储介质 | |
| CN114882420A (zh) | 接待人数统计方法、装置、电子设备及可读存储介质 | |
| CN114973374A (zh) | 基于表情的风险评测方法、装置、设备及存储介质 | |
| CN114863344A (zh) | 服务质量评估方法、装置、设备及存储介质 | |
| CN114913518A (zh) | 基于图像处理的车牌识别方法、装置、设备及介质 | |
| CN114049676A (zh) | 疲劳状态检测方法、装置、设备及存储介质 | |
| CN113920590A (zh) | 活体检测方法、装置、设备及可读存储介质 | |
| CN113627394A (zh) | 人脸提取方法、装置、电子设备及可读存储介质 |
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 |