CN116524574A - 一种面部区域识别方法、装置及电子设备 - Google Patents
一种面部区域识别方法、装置及电子设备 Download PDFInfo
- Publication number
- CN116524574A CN116524574A CN202310638763.8A CN202310638763A CN116524574A CN 116524574 A CN116524574 A CN 116524574A CN 202310638763 A CN202310638763 A CN 202310638763A CN 116524574 A CN116524574 A CN 116524574A
- Authority
- CN
- China
- Prior art keywords
- image
- face
- processed
- saliency
- 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
Landscapes
- Image Analysis (AREA)
Abstract
本申请实施例提供一种面部区域识别方法、装置及电子设备,所述方法包括:获取待处理图像,所述待处理图像包括面部区域;利用显著性特征生成模型对所述待处理图像进行显著性检测,得到对应的目标显著性特征图;根据所述目标显著性特征图对所述待处理图像进行增强处理,得到增强后图像;利用面部区域识别模型对所述增强后图像进行特征提取,得到增强后的面部区域特征;基于所述增强后的面部区域特征,确定所述待处理图像的面部区域识别结果。
Description
技术领域
本申请实施例涉及计算机技术领域,涉及但不限于一种面部区域识别方法、装置及电子设备。
背景技术
在一些场景中,摄像头采集到的图像往往会有很多低质量的人脸图像,低质量的人脸图像在识别***中往往会存在拒识率高或者误识别的问题,不仅会影响识别***的安全性,也会影响用户体验。
相关技术中,为解决上述问题所采用的识别方法大多是在识别之前过滤掉低质量的人脸图像,然而,该方法难以将低质量的人脸图像都过滤掉,甚至还会过滤掉一些高质量的人脸图像;进而,会降低人脸图像的识别率。
发明内容
本申请实施例提供一种面部区域识别方法、装置及电子设备。
本申请实施例的技术方案是这样实现的:
本申请实施例提供一种面部区域识别方法,所述方法包括:
获取待处理图像,所述待处理图像包括面部区域;
利用显著性特征生成模型对所述待处理图像进行显著性检测,得到对应的目标显著性特征图;
根据所述目标显著性特征图对所述待处理图像进行增强处理,得到增强后图像;
利用面部区域识别模型对所述增强后图像进行特征提取,得到增强后的面部区域特征;
基于所述增强后的面部区域特征,确定所述待处理图像的面部区域识别结果。
在一些实施例中,所述面部区域识别模型是通过以下步骤训练得到的:
获取图像训练数据集;所述图像训练数据集包括多个面部区域图像以及各个面部区域图像对应的质量标签;所述质量标签包括第一质量标签和第二质量标签,第二质量低于第一质量;
获取所述图像训练数据集中各个第二质量的面部区域图像对应的显著性特征图以及显著性特征图权重矩阵;
基于所述各个第二质量的面部区域图像对应的显著性特征图以及显著性特征图权重矩阵,得到第一次增强后的各个面部区域图像;
利用所述第一次增强后的各个面部区域图像,对初始面部区域识别模型进行迭代训练,直至得到训练完成的面部区域识别模型。
在一些实施例中,所述利用所述第一次增强后的各个面部区域图像,对初始面部区域识别模型进行迭代训练,直至得到训练完成的面部区域识别模型,包括:
利用所述第一次增强后的各个面部区域图像,确定所述初始面部区域识别模型的第一损失;
根据所述第一损失,对所述初始面部区域识别模型进行梯度回传和网络参数调整,得到第一次训练完成的面部区域识别模型;
获取所述第一次训练完成的面部区域识别模型的第一层梯度值,根据所述第一层梯度值,对所述各个第二质量的面部区域图像对应的显著性特征图权重矩阵进行更新,得到更新后的显著性特征图权重矩阵;
基于所述更新后的显著性特征图权重矩阵,得到第二次增强后的各个面部区域图像;
利用所述第二次增强后的各个面部区域图像,对所述第一次训练完成的面部区域识别模型继续进行迭代训练,直至得到训练完成的面部区域识别模型。
在一些实施例中,所述基于所述各个第二质量的面部区域图像对应的显著性特征图以及显著性特征图权重矩阵,得到第一次增强后的各个面部区域图像,包括:
对所述各个第二质量的面部区域图像进行归一化处理,得到对应的归一化图像;
将所述各个第二质量的面部区域图像对应的归一化图像、显著性特征图以及显著性特征图权重矩阵进行相乘,得到所述第一次增强后的各个面部区域图像。
在一些实施例中,所述显著性特征生成模型是通过以下步骤训练得到的:
根据初始显著性特征生成模型,确定所述第一次增强后的各个面部区域图像对应的显著性特征图;
根据所述第一次增强后的各个面部区域图像对应的显著性特征图和所述第一层梯度值,确定初始显著性特征生成模型的第二损失;
利用所述第二损失,对所述初始显著性特征生成模型的网络参数进行调整,得到第一次训练完成的显著性特征生成模型;
根据所述第一次训练完成的显著性特征生成模型,确定所述第二次增强后的各个面部区域图像对应的显著性特征图;
根据所述第二次增强后的各个面部区域图像对应的显著性特征图,对所述第一次训练完成的显著性特征生成模型继续进行迭代训练,直至得到训练完成的显著性特征生成模型。
在一些实施例中,所述基于所述更新后的显著性特征图权重矩阵,得到第二次增强后的各个面部区域图像,包括:
利用所述第一次训练完成的显著性特征生成模型,对所述各个第二质量的面部区域图像对应的显著性特征图进行更新,得到更新后的显著性特征图;
基于所述更新后的显著性特征图权重矩阵和所述更新后的显著性特征图,得到所述第二次增强后的各个面部区域图像。
在一些实施例中,所述面部区域识别模型和所述显著性特征生成模型共享一个预处理网络,所述方法还包括:
使用所述预处理网络对所述待处理图像进行面部区域检测,得到面部区域检测结果;
基于面部区域检测结果,判断所述待处理图像的面部区域质量是否符合质量要求,得到判断结果;
相应地,利用显著性特征生成模型对所述待处理图像进行显著性检测,得到对应的目标显著性特征图,包括:
根据所述判断结果确定所述待处理图像的面部区域质量不符合质量要求,利用所述显著性特征生成模型对所述待处理图像进行显著性检测。
在一些实施例中,所述根据所述目标显著性特征图对所述待处理图像进行增强处理,得到增强后图像,包括:
对所述待处理图像进行归一化处理,得到对应的目标归一化图像;
根据所述面部区域识别模型,确定所述待处理图像对应的目标显著性特征图权重矩阵;
将所述待处理图像对应的目标归一化图像、目标显著性特征图权重矩阵以及目标显著性特征图进行相乘,得到所述增强后图像。
本申请实施例提供一种面部区域识别装置,所述装置包括:
获取模块,用于获取待处理图像,所述待处理图像包括面部区域;
检测模块,用于利用显著性特征生成模型对所述待处理图像进行显著性检测,得到对应的目标显著性特征图;
增强模块,用于根据所述目标显著性特征图对所述待处理图像进行增强处理,得到增强后图像;
提取模块,用于利用面部区域识别模型对所述增强后图像进行特征提取,得到增强后的面部区域特征;
确定模块,用于确定所述增强后的面部区域特征,确定所述待处理图像的面部区域识别结果。
本申请实施例提供一种电子设备,所述设备包括存储器、至少一个处理器及存储在存储器上并可在处理器上运行的计算机程序,所述至少一个处理器执行所述程序时实现本申请实施例提供的面部区域识别方法。
本申请实施例提供一种计算机可读存储介质,存储有可执行指令,用于引起处理器执行所述可执行指令时,实现本申请实施例提供的面部区域识别方法。
本申请实施例提供的面部区域识别方法、装置及电子设备,获取待处理图像,所述待处理图像包括面部区域;利用显著性特征生成模型对所述待处理图像进行显著性检测,得到对应的目标显著性特征图;根据所述目标显著性特征图对所述待处理图像进行增强处理,得到增强后图像;利用面部区域识别模型对所述增强后图像进行特征提取,得到增强后的面部区域特征;基于所述增强后的面部区域特征,确定所述待处理图像的面部区域识别结果。如此,本申请实施例通过对包括面部区域的待处理图像进行显著性检测,以实现对面部区域中显著性区域的增强处理,这样,通过对增强后的面部区域进行特征提取,可以提升面部区域特征提取的准确性,通过对该面部区域特征作进一步识别,可以有效提升面部区域的识别率。
附图说明
图1是本申请实施例提供的面部区域识别方法的应用场景示意图;
图2是本申请实施例提供的面部区域识别方法的一个可选的流程示意图;
图3是本申请实施例提供的对待处理图像进行显著性检测的流程示意图;
图4是本申请实施例提供的对待处理图像进行增强处理的流程示意图;
图5是本申请实施例提供的面部区域识别模型的训练方法的流程示意图;
图6是本申请实施例提供的显著性特征生成模型的训练方法的流程示意图;
图7是本申请实施例提供的模型训练阶段的流程示意图;
图8是本申请实施例提供的面部区域识别方法的一个可选的流程示意图;
图9是本申请实施例提供的面部区域识别装置的组成结构示意图;
图10是本申请实施例提供的电子设备的组成结构示意图。
具体实施方式
为了更清楚地阐述本申请实施例的目的、技术方案及优点,以下将结合附图对本申请实施例的实施例进行详细的说明。应当理解,下文对于实施例的描述旨在对本申请实施例的总体构思进行解释和说明,而不应当理解为是对本申请实施例的限制。在说明书和附图中,相同或相似的附图标记指代相同或相似的部件或构件。为了清晰起见,附图不一定按比例绘制,并且附图中可能省略了一些公知部件和结构。
在一些实施例中,除非另外定义,本申请实施例使用的技术术语或者科学术语应当为本申请实施例所属领域内具有一般技能的人士所理解的通常意义。本申请实施例中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性,而只是用来区分不同的组成部分。措词“一”或“一个”不排除多个。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同,而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接,而是可以包括电性的连接,不管是直接的还是间接的。“上”、“下”、“左”、“右”“顶”或“底”等仅用于表示相对位置关系,当被描述对象的绝对位置改变后,则该相对位置关系也可能相应地改变。当诸如层、膜、区域或衬底之类的元件被称作位于另一元件“上”或“下”时,该元件可以“直接”位于另一元件“上”或“下”,或者可以存在中间元件。
相关技术中,针对低质量人脸图像存在的拒识率高或者误识别的问题,通常采用以下两种方法,一种是在识别之前过滤掉低质量的人脸图像,然而,该方法难以将低质量的人脸图像都过滤掉,甚至还会过滤掉一些高质量的人脸图像,会降低人脸图像的识别率;还有一种是通过暗光增强、去模糊或超分等技术提高低质量的人脸图像的质量,然而,这种方法生成的高质量人脸图像不一定能够提高人脸图像的识别率,例如,超分技术在生成高质量的人脸图像时,会存在人脸图像失真的问题。
基于相关技术中存在的问题,本申请实施例提供一种面部区域识别方法,获取待处理图像,所述待处理图像包括面部区域;利用显著性特征生成模型对所述待处理图像进行显著性检测,得到对应的目标显著性特征图;根据所述目标显著性特征图对所述待处理图像进行增强处理,得到增强后图像;利用面部区域识别模型对所述增强后图像进行特征提取,得到增强后的面部区域特征;基于所述增强后的面部区域特征,确定所述待处理图像的面部区域识别结果。如此,本申请实施例通过对包括面部区域的待处理图像进行显著性检测,以实现对面部区域中显著性区域的增强处理,这样,通过对增强后的面部区域进行特征提取,可以提升面部区域特征提取的准确性,通过对该面部区域特征作进一步识别,可以有效提升面部区域的识别率。
本申请实施例提供的面部区域识别方法可以由电子设备执行,其中电子设备可以是笔记本电脑,平板电脑,台式计算机,机顶盒,移动设备(例如,移动电话,便携式音乐播放器,个人数字助理,专用消息设备,便携式游戏设备)等各种类型的终端,也可以实施为服务器。服务器可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式***,还可以是提供云服务、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(Content Delivery 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。
图1是本申请实施例提供的面部区域识别方法的应用场景示意图,如图1所示,用于实现面部区域识别方法的面部区域识别***10中包括终端100、网络200和服务器300,网络200可以是广域网或者局域网,又或者是二者的组合。服务器300和电子设备在物理上可以是分立的,也可以是一体的。在进行面部区域识别时,服务器300可以采用本申请实施例提供的方法,通过网络200获取终端100中的待处理图像,待检测图像包括面部区域,利用显著性特征生成模型对待处理图像进行特征提取,得到对应的目标显著性特征图,根据目标显著性特征图对待处理图像进行增强处理,得到增强后图像,利用面部区域识别模型对增强后图像进行特征提取,得到增强后的面部区域特征,基于增强后的面部区域特征,确定待处理图像的面部区域识别结果,并将待处理图像的面部区域识别结果和其他信息发送至终端100,并显示于终端100的显示界面100-1上,以确定待处理图像的面部区域识别结果。
下面将结合本申请实施例提供的服务器的示例性应用和实施,说明本申请实施例提供的面部区域识别方法。参见图2,图2是本申请实施例提供的面部区域识别方法的一个可选的流程示意图,该流程可以包括以下步骤:
步骤S201、获取待处理图像,待处理图像包括面部区域。
在一些实施例中,待处理图像表示需要进行面部区域识别的图像,这里,可以将面部区域称为人脸;这里,对于待处理图像的获取方式不作限定,例如,可以是通过摄像头等图像采集设备进行获得,也可以是通过其他方式获得。
步骤S202、利用显著性特征生成模型对待处理图像进行显著性检测,得到对应的目标显著性特征图。
示例性地,对待处理图像进行显著性检测的目的是得到待处理图像的显著性数据;显著性数据包括待处理图像中每一像素点的显著度;基于待处理图像的显著性数据,可以得到待处理图像对应的目标显著性特征图;其中,目标显著性特征图和待处理图像的尺寸大小相同。
本申请实施例中,为了确保显著性检测的准确度,可以采用基于深度学习的显著性特征生成模型对待处理图像进行显著性检测;在一些实施例中,显著性特征生成模型可以包括预处理网络,参见图3,利用显著性特征生成模型对待处理图像进行显著性检测,可以包括以下步骤:
步骤S2021、使用预处理网络对待处理图像进行面部区域检测,得到面部区域检测结果;
步骤S2022、基于面部区域检测结果,判断待处理图像的面部区域质量是否符合质量要求,得到判断结果;
步骤S2023、根据判断结果确定待处理图像的面部区域质量不符合质量要求,利用显著性特征生成模型对待处理图像进行显著性检测。
示例性地,预处理网络可以是与人脸检测相关的网络,使用该网络对待处理图像进行面部区域检测,可以得到待处理图像对应的面部区域检测结果;其中,面部区域检测结果可以包括面部区域中各关键点的置信度和清晰度等影响图像质量的信息,这里,关键点可以包括面部区域的眼睛位置、鼻子位置和嘴角位置等。
进一步地,基于该面部区域检测结果,可以确定待处理图像的面部区域的质量得分;进而根据该质量得分与质量阈值的比较结果,判断待处理图像的面部区域是否符合质量要求,得到判断结果。
这里,可以预先设定一个质量阈值,也可以在具体实现时根据实际情况设定一个质量阈值;本申请实施例中,对于该质量阈值的大小不作具体限定。
示例性地,若上述比较结果表明面部区域的质量得分小于质量阈值,则说明面部区域的质量较低,此时,可以确定待处理图像的面部区域不符合质量要求;反之,若上述比较结果表明面部区域的质量得分大于或等于质量阈值,则说明面部区域的质量较高,此时,可以确定待处理图像的面部区域符合质量要求;即,判断结果包括面部区域质量符合质量要求和面部区域质量不符合质量要求这两种情况。
这里,影响面部区域质量的因素包括但不限于:光照(暗光、强光、逆光)、是否存在遮挡、噪声和分辨率等。
本申请实施例中,在得到上述判断结果后,若根据判断结果确定待处理图像的面部区域质量不符合质量要求,则利用显著性特征生成模型对待处理图像进行显著性检测,得到待处理图像对应的目标显著性特征图;反之,若根据判断结果确定待处理图像的面部区域质量符合质量要求,则不进行显著性检测,而是直接利用面部区域识别模型对待处理图像进行特征提取,得到面部区域特征;并基于该面部区域特征,确定待处理图像的面部区域识别结果。
可以看出,本申请实施例中,并不需要对获取到的待处理图像均进行显著性检测,而是只有在确定待处理图像的面部区域质量不符合质量要求的情况下,才对其进行显著性检测,如此,可以减少一定的操作数,提升识别效率。
需要说明的是,面部区域识别模型和显著性特征生成模型可以共享一个预处理网络,预处理网络的作用是对待处理图像进行面部区域检测,以判断面部区域质量是否符合质量要求。这里,由于面部区域识别模型和显著性特征生成模型可以在底层共用一部分网络,因而,可以节省内存资源,加快网络推理时间。
步骤S203、根据目标显著性特征图对待处理图像进行增强处理,得到增强后图像。
这里,增强后图像与待处理图像的尺寸大小相同;在一些实施例中,参见图4,根据目标显著性特征图对待处理图像进行增强处理,得到增强后图像,可以包括以下步骤:
步骤S2031、对待处理图像进行归一化处理,得到对应的目标归一化图像;
步骤S2032、根据面部区域识别模型,确定待处理图像对应的目标显著性特征图权重矩阵;
步骤S2033、将待处理图像对应的目标归一化图像、目标显著性特征图权重矩阵以及目标显著性特征图进行相乘,得到增强后图像。
示例性地,对待处理图像进行归一化处理是指对待处理图像中每一像素点的像素值进行归一化处理;可以理解地,假设各像素点的像素值取值范围为0至255,则对待处理图像进行归一化处理可以包括:计算待处理图像中每一像素点的像素值与255的比值,并将每一像素点对应的比值确定为每一像素点归一化处理后的像素值,基于这些像素值,可以得到待处理图像对应的目标归一化图像。
示例性地,在得到训练完成的面部区域识别模型后,获取该模型的第一层梯度值,根据该模型的第一层梯度值,对上一次训练面部区域识别模型时得到的显著性特征图权重矩阵进行更新,并将更新后的显著性特征图权重矩阵确定为待处理图像对应的目标显著性特征图权重矩阵。后续会对面部区域识别模型的训练过程进行说明,此处不再赘述。
这里,目标显著性特征图权重矩阵与待处理图像的尺寸大小相同;进一步地,在得到待处理图像对应的目标归一化图像、目标显著性特征图权重矩阵以及目标显著性特征图后,通过对它们进行相乘,可以得到增强后图像。
示例性地,得到增强后图像的方式还可以包括:将待处理图像、目标显著性特征图权重矩阵以及目标显著性特征图进行相乘;即,不需要对待处理图像进行归一化处理,也可以得到增强后图像,也就是说,归一化处理并不是必不可少的步骤;需要说明的是,对待处理图像是否进行归一化处理,取决于模型训练过程中是否对各训练图像进行归一化处理,两者只要确保一致即可。另外,在得到增强后图像的过程中,也可以对目标显著性特征图权重矩阵以及目标显著性特征图进行归一化,只要确保和模型训练过程一致即可,此处不再赘述。
可以理解地,通过待处理图像进行归一化处理,可以使待处理图像各个像素点对应的像素值取值范围为0至1之间,并非为0至255,如此,可以减少一定的计算量,提升数据处理效率。
步骤S204、利用面部区域识别模型对增强后图像进行特征提取,得到增强后的面部区域特征。
本申请实施例中,在根据上述步骤得到增强后图像后,将增强后图像输入至面部区域识别模型中,对增强后图像进行特征提取,可以得到增强后的面部区域特征。
示例性地,对于面部区域识别模型的类型本申请实施例不作限定,例如,可以基于深度学习构建,面部区域识别模型可以包括预设数量的浅层卷积层和深层卷积层,其中,浅层卷积层可以用于提取增强后图像中面部区域的浅层图像特征,例如纹理、亮度等浅层的图像特征,深层卷积层则用于提取增强后图像中面部区域的深层图像特征,例如眼睛、鼻子和嘴巴等深层的图像特征;通过将这两部分图像特征进行组合,可以得到增强后的面部区域特征。
步骤S205、基于增强后的面部区域特征,确定待处理图像的面部区域识别结果。
示例性地,在得到增强后的面部区域特征后,确定增强后的面部区域特征与面部区域数据库中各个基准面部区域特征之间的相似度,根据相似度,确定待处理图像的面部区域识别结果。
这里,面部区域数据库可以是预先设置的以人为粒度存储基准面部区域特征的数据库;示例性地,面部区域数据库中每个基准面部区域特征都有其唯一的标签,该标签上标注了该基准面部区域特征对应的用户身份信息,例如,A用户、B用户等。
示例性地,可以采用相似度算法确定增强后的面部区域特征与面部区域数据库中各个基准面部区域特征之间的相似度;本申请实施例中,对于相似度算法的类型不作具体限定,例如,可以是余弦相似度算法、也可以是其它的相似度算法。
在一些实施例中,根据相似度,确定待处理图像的面部区域识别结果,包括:判断相似度是否大于或等于预设相似度,得到判断结果,根据判断结果,确定待处理图像对应的面部区域识别结果。
这里,预设相似度可以是预先根据实际情况设置好的,本申请实施例对于预设相似度的大小不作限定。
示例性地,若判断结果表明相似度大于或等于预设相似度,则说明面部区域数据库中存在与增强后的面部区域特征匹配的基准面部区域特征,此时,可以将该基准面部区域特征对应的用户身份信息确定为待处理图像的面部区域识别结果。反之,若判断结果表明相似度小于预设相似度,则说明面部区域数据库中不存在与增强后的面部区域特征匹配的基准面部区域特征,此时,可以确定待处理图像的面部区域识别结果为识别失败。
可以看出,本申请实施例通过对包括面部区域的待处理图像进行显著性检测,以实现对面部区域中显著性区域的增强处理,这样,通过对增强后的面部区域进行特征提取,可以提升面部区域特征提取的准确性,通过对该面部区域特征作进一步识别,可以有效提升面部区域的识别率;进而,解决相关技术中低质量人脸识别率低和误识别的问题。
在一些实施例中,本申请实施例提供的面部区域识别方法可以通过面部区域识别模型和显著性特征生成模型共同实现。下面,分别对这两个模型的训练过程进行示例性说明。图5是本申请实施例提供的面部区域识别模型的训练方法的流程示意图,如图5所示,该方法可以包括以下步骤:
步骤S301、获取图像训练数据集。
示例性地,图像训练数据集可以包括多个面部区域图像以及各个面部区域图像对应的质量标签;其中,质量标签包括第一质量标签和第二质量标签,第二质量低于第一质量;这里,为便于描述,可以将第二质量称为低质量,将第一质量称为高质量,即,图像训练数据集中既包括多个低质量的面部区域图像,也包括多个高质量的面部区域图像。其中,低质量的面部区域图像可以包括一些存在遮挡、清晰度低、噪声多或分辨率低的人脸图像,高质量的面部区域图像可以包括一些不影响面部区域识别的人脸图像。
步骤S302、获取图像训练数据集中各个第二质量的面部区域图像对应的显著性特征图以及显著性特征图权重矩阵。
示例性地,在获取图像训练数据集后,可以将图像训练数据集中每个第二质量的面部区域图像输入至初始显著性特征生成模型,得到各个第二质量的面部区域图像对应的显著性特征图。另外,还可以在面部区域识别模型训练之前,初始化一个显著性特征权重矩阵,并将该矩阵作为各个第二质量的面部区域图像对应的显著性特征权重矩阵;需要说明的是,该矩阵大小与面部区域图像的大小相同,且矩阵中每个元素的取值是随机的。
步骤S303、基于各个第二质量的面部区域图像对应的显著性特征图以及显著性特征图权重矩阵,得到第一次增强后的各个面部区域图像。
在一些实施例中,步骤S303的实现方式,可以包括:对各个第二质量的面部区域图像进行归一化处理,得到对应的归一化图像;将各个第二质量的面部区域图像对应的归一化图像、显著性特征图以及显著性特征图权重矩阵进行相乘,得到第一次增强后的各个面部区域图像。
示例性地,为减少数据计算量,还可以在获取图像训练数据集后,先对图像训练数据集中的每个面部区域图像进行归一化处理,得到每个面部区域图像对应的归一化图像。对于各个第二质量的面部区域图像对应的归一化图像,可以将其与对应的显著性特征图以及显著性特征图权重矩阵进行相乘,进而,得到对各个第二质量的面部区域图像进行第一次增强后的各个面部区域图像。
步骤S304、利用第一次增强后的各个面部区域图像,对初始面部区域识别模型进行迭代训练,直至得到训练完成的面部区域识别模型。
在一些实施例中,步骤S304的实现方式,可以包括:利用第一次增强后的各个面部区域图像,确定初始面部区域识别模型的第一损失;根据第一损失,对初始面部区域识别模型进行梯度回传和网络参数调整,得到第一次训练完成的面部区域识别模型;获取第一次训练完成的面部区域识别模型的第一层梯度值,根据第一层梯度值,对各个第二质量的面部区域图像对应的显著性特征图权重矩阵进行更新,得到更新后的显著性特征图权重矩阵;基于更新后的显著性特征图权重矩阵,得到第二次增强后的各个面部区域图像;利用第二次增强后的各个面部区域图像,对第一次训练完成的面部区域识别模型继续进行迭代训练,直至得到训练完成的面部区域识别模型。
示例性地,在得到第一次增强后的各个面部区域图像后,可以将第一次增强后的各个面部区域图像输入至初始面部区域识别模型,得到模型输出结果;根据模型输出结果和对应的质量标签,确定初始面部区域识别模型的第一损失。
这里,对于确定第一损失所采用的损失函数的类型不作限定,例如,可以是三元组损失函数,也可以是其他类型的损失函数。
示例性地,在得到第一损失后,可以利用第一损失对初始面部区域识别模型进行梯度回传和网络参数调整,使得模型误差符合设定要求,此时,可以得到第一次训练完成的面部区域识别模型。之后,可以获取第一次训练完成的面部区域识别模型的第一层梯度值,并利用第一层梯度值,对各个第二质量的面部区域图像对应的显著性特征图权重矩阵进行更新,进而,基于更新后的显著性特征图权重矩阵,得到第二次增强后的各个面部区域图像;需要说明的是,得到第二次增强后的各个面部区域图像的步骤实现涉及到显著性特征生成模型,后续会结合显著性特征生成模型的训练过程对该步骤的实现过程进行说明,此处不再赘述。
示例性地,在得到第二次增强后的各个面部区域图像后,可以将第二次增强后的各个面部区域图像输入至第一次训练完成的面部区域识别模型继续进行迭代训练,直至得到训练完成的面部区域识别模型。
下面,对显著性特征生成模型的训练过程进行说明;图6是本申请实施例提供的显著性特征生成模型的训练方法的流程示意图,如图6所示,该方法可以包括以下步骤:
步骤S401、根据初始显著性特征生成模型,确定第一次增强后的各个面部区域图像对应的显著性特征图。
示例性地,将图像训练数据集中各个第二质量的面部区域图像输入至初始显著性特征生成模型,可以得到各个第二质量的面部区域图像对应的显著性特征图;此时,将各个第二质量的面部区域图像对应的显著性特征图确定为第一次增强后的各个面部区域图像对应的显著性特征图。
步骤S402、根据第一次增强后的各个面部区域图像对应的显著性特征图和第一层梯度值,确定初始显著性特征生成模型的第二损失。
示例性地,可以将上述第一次训练完成的面部区域识别模型的第一层梯度值作为第一次增强后的各个面部区域图像对应的显著性特征图标签;这样,可以基于第一次增强后的各个面部区域图像对应的显著性特征图和对应的显著性特征图标签,可以确定初始显著性特征生成模型的第二损失。
这里,对于确定第二损失所采用的损失函数的类型不作限定,例如,可以是平均绝对误差损失函数,也可以是其他类型的损失函数。
步骤S403、利用第二损失,对初始显著性特征生成模型的网络参数进行调整,得到第一次训练完成的显著性特征生成模型。
示例性地,在得到第二损失后,可以利用第二损失对初始显著性特征生成模型的网络参数进行调整,使得模型误差符合设定要求,此时,可以得到第一次训练完成的显著性特征生成模型。
步骤S404、根据第一次训练完成的显著性特征生成模型,确定第二次增强后的各个面部区域图像对应的显著性特征图。
示例性地,在得到第一次训练完成的显著性特征生成模型后,可以将各个第二质量的面部区域图像再次输入至第一次训练完成的显著性特征生成模型,得到各个第二质量的面部区域图像对应的更新后的显著性特征图;此时,更新后的显著性特征图即为第二次增强后的各个面部区域图像对应的显著性特征图。
进一步地,在得到更新后的显著性特征图权重矩阵和更新后的显著性特征图后,可以将各个第二质量的面部区域图像与对应更新后的显著性特征图权重矩阵和更新后的显著性特征图进行再次相乘,进而,得到第二次增强后的各个面部区域图像。
步骤S405、根据第二次增强后的各个面部区域图像对应的显著性特征图,对第一次训练完成的显著性特征生成模型继续进行迭代训练,直至得到训练完成的显著性特征生成模型。
示例性地,在得到第二次增强后的各个面部区域图像对应的显著性特征图后,可以根据该显著性特征图以及第二次训练完成的面部区域识别模型的第一层梯度值,对第一次训练完成的显著性特征生成模型继续进行迭代训练,直至得到训练完成的显著性特征生成模型。
可以理解地,由于图像训练数据集中每个低质量的面部区域图像的显著性区域不尽相同,采用上述步骤训练得到的显著性特征生成模型,可以动态学习每个低质量的面部区域图像的显著性区域特征图,使其增强低质量人脸,提高低质量人脸的识别率。
图7是本申请实施例提供的模型训练阶段的流程示意图,如图7所示,该流程可以包括以下步骤:
步骤S501、获取图像训练数据集。
示例性地,图像训练数据集中包括大量带有质量标签的面部区域图像,其中,质量标签包括第一质量标签和第二质量标签,第二质量低于第一质量。这里,可以将带有第一质量标签的面部区域图像称为高质量的人脸图像,将带有第二质量标签的面部区域图像称为低质量的人脸图像。
步骤S502、初始化各个低质量的人脸图像的显著性特征图以及显著性特征图权重矩阵。
示例性地,各个低质量的人脸图像对于上述各个第二质量的面部区域图像;这里,初始化各个低质量的人脸图像的显著性特征图,可以包括:将各个低质量的人脸图像输入至初始显著性特征生成模型,得到各个低质量的人脸图像对应的显著性特征图。同时,初始化一个显著性特征权重矩阵,并将该矩阵作为各个低质量的人脸图像对应的显著性特征权重矩阵。
步骤S503、对图像训练数据集中包括的各个面部区域图像进行人脸检测。
示例性地,可以通过面部区域识别模型和显著性特征生成模型共享的预处理网络对图像训练数据集中包括的各个面部区域图像进行人脸检测,得到人脸检测结果,并根据人脸检测结果,确定图像训练数据集中各个面部区域图像是否为低质量的人脸图像。
步骤S504、对初始面部区域识别模型进行训练。
示例性地,在根据人脸检测结果,确定图像训练数据集中的某个面部区域图像为低质量的人脸图像时,可以将该人脸图像(也可以是归一化处理后的人脸图像)与对应的显著性特征图以及显著性特征图权重矩阵进行相乘,得到第一次增强后的人脸图像,并将第一次增强后的人脸图像输入至初始面部区域识别模型,得到对应的模型输出结果,利用该模型输出结果对初始面部区域识别模型进行训练。
步骤S505、确定初始面部区域识别模型的第一损失。
示例性地,可以根据模型输出结果和对应的质量标签,确定初始面部区域识别模型的第一损失,进而,利用该损失对初始面部区域识别模型进行梯度回传和网络参数调整,直至得到训练完成的面部区域识别模型。
步骤S506、对初始显著性特征生成模型进行训练。
示例性地,在根据人脸检测结果,确定图像训练数据集中的某个面部区域图像为低质量的人脸图像时,可以将该人脸图像输入至初始显著性特征生成模型,得到对应的显著性特征图,利用该显著性特征图对初始显著性特征生成模型进行训练。
步骤S507、确定初始显著性特征生成模型的第二损失。
示例性地,获取初始面部区域识别模型进行梯度回传得到的第一层梯度值,将第一层梯度值作为显著性特征图的标签,用于和初始显著性特征生成模型输出的显著性特征图确定初始显著性特征生成模型的第二损失,进而,利用该损失对初始显著性特征生成模型进行网络参数调整,直至得到训练完成的显著性特征生成模型。
进一步地,在根据图7得到训练完成的显著性特征生成模型和面部区域识别模型的基础上,本申请实施例提供了面部区域识别方法的一个可选的流程示意图,如图8所示,面部区域识别可以通过步骤S601至步骤S609实现:
步骤S601、获取人脸图像。
示例性地,可以通过摄像头等图像采集设备获取包括人脸的人脸图像,这里,人脸图像对应上述待处理图像,人脸图像包括的人脸对应上述面部区域。
步骤S602、人脸检测。
示例性地,可以通过人脸识别模型(对应上述面部区域识别模型)和显著性特征生成模型共享的预处理网络对人脸图像进行人脸检测,得到人脸检测结果。
步骤S603、判断人脸质量是否符合质量要求。如果否,则执行步骤S604至步骤S607,如果是,则执行步骤S608至步骤S609。
示例性地,可以根据上述人脸检测结果,判断人脸质量是否符合质量要求,若不符合,则说明人脸质量为低质量人脸;反之,若符合,则说明人脸质量为高质量人脸。
步骤S604:获取人脸图像对应的人脸显著性特征图。
这里,人脸显著性特征图对应上述目标显著性特征图;示例性地,可以利用显著性特征生成模型对人脸图像进行显著性检测,得到人脸图像对应的人脸显著性特征图。
步骤S605:对人脸图像进行增强处理,得到增强后的人脸图像。
这里,增强后的人脸图像对应上述增强后图像,示例性地,可以将人脸图像(也可以是归一化处理后的人脸图像)、显著性特征图权重矩阵以及人脸显著性特征图进行相乘,得到增强后的人脸图像。
步骤S606:将增强后的人脸图像输入至人脸识别模型。
示例性地,可以将增强后的人脸图像输入至人脸识别模型,利用人脸识别模型对增强后图像进行特征提取,得到增强后的人脸特征。
步骤S607:对增强后的人脸特征进行相似度判断。
示例性地,可以计算增强后的人脸特征与人脸数据库中各个基准人脸特征之间的相似度,并根据相似度与预设相似度的判断结果,确定人脸图像对应的人脸识别结果。这里,人脸数据库对应上述面部区域数据库,基准人脸特征对应上述基准面部区域特征。
步骤S608:对人脸图像进行特征提取。
示例性地,可以将人脸图像直接输入至人脸识别模型,利用人脸识别模型对该人脸图像进行特征提取,得到人脸图像的人脸特征。
步骤S609:对人脸图像的人脸特征进行相似度判断。
示例性地,可以计算人脸图像的人脸特征与人脸数据库中各个基准人脸特征之间的相似度,并根据相似度与预设相似度的判断结果,确定人脸图像对应的人脸识别结果。
可以看出,本申请实施例提供的面部区域识别方法不仅可以对高质量的人脸图像进行人脸识别,也可以对低质量的人脸图像进行人脸识别;在对低质量的人脸图像进行人脸识别的过程中,会通过显著性特征生成模型增强低质量的人脸,如此,可以有效解决低质量人脸识别率低和误识别的问题,提高人脸识别通过率。
图9是本申请实施例提供的面部区域识别装置的组成结构示意图,如图9所示,该面部区域识别装置110包括:
获取模块111,用于获取待处理图像,所述待处理图像包括面部区域;
检测模块112,用于利用显著性特征生成模型对所述待处理图像进行显著性检测,得到对应的目标显著性特征图;
增强模块113,用于根据所述目标显著性特征图对所述待处理图像进行增强处理,得到增强后图像;
提取模块114,用于利用面部区域识别模型对所述增强后图像进行特征提取,得到增强后的面部区域特征;
确定模块115,用于确定所述增强后的面部区域特征,确定所述待处理图像的面部区域识别结果。
在一些实施例中,面部区域识别装置110还包括第一训练模块,所述第一训练模块,用于获取图像训练数据集;所述图像训练数据集包括多个面部区域图像以及各个面部区域图像对应的质量标签;所述质量标签包括第一质量标签和第二质量标签,第二质量低于第一质量;获取所述图像训练数据集中各个第二质量的面部区域图像对应的显著性特征图以及显著性特征图权重矩阵;基于所述各个第二质量的面部区域图像对应的显著性特征图以及显著性特征图权重矩阵,得到第一次增强后的各个面部区域图像;利用所述第一次增强后的各个面部区域图像,对初始面部区域识别模型进行迭代训练,直至得到训练完成的面部区域识别模型。
在一些实施例中,第一训练模块还用于利用所述第一次增强后的各个面部区域图像,确定所述初始面部区域识别模型的第一损失;根据所述第一损失,对所述初始面部区域识别模型进行梯度回传和网络参数调整,得到第一次训练完成的面部区域识别模型;获取所述第一次训练完成的面部区域识别模型的第一层梯度值,根据所述第一层梯度值,对所述各个第二质量的面部区域图像对应的显著性特征图权重矩阵进行更新,得到更新后的显著性特征图权重矩阵;基于所述更新后的显著性特征图权重矩阵,得到第二次增强后的各个面部区域图像;利用所述第二次增强后的各个面部区域图像,对所述第一次训练完成的面部区域识别模型继续进行迭代训练,直至得到训练完成的面部区域识别模型。
在一些实施例中,第一训练模块还用于对所述各个第二质量的面部区域图像进行归一化处理,得到对应的归一化图像;将所述各个第二质量的面部区域图像对应的归一化图像、显著性特征图以及显著性特征图权重矩阵进行相乘,得到所述第一次增强后的各个面部区域图像。
在一些实施例中,面部区域识别装置110还包括第二训练模块,所述第二训练模块,用于根据初始显著性特征生成模型,确定所述第一次增强后的各个面部区域图像对应的显著性特征图;根据所述第一次增强后的各个面部区域图像对应的显著性特征图和所述第一层梯度值,确定初始显著性特征生成模型的第二损失;利用所述第二损失,对所述初始显著性特征生成模型的网络参数进行调整,得到第一次训练完成的显著性特征生成模型;根据所述第一次训练完成的显著性特征生成模型,确定所述第二次增强后的各个面部区域图像对应的显著性特征图;根据所述第二次增强后的各个面部区域图像对应的显著性特征图,对所述第一次训练完成的显著性特征生成模型继续进行迭代训练,直至得到训练完成的显著性特征生成模型。
在一些实施例中,所述第一训练模块,用于利用所述第一次训练完成的显著性特征生成模型,对所述各个第二质量的面部区域图像对应的显著性特征图进行更新,得到更新后的显著性特征图;基于所述更新后的显著性特征图权重矩阵和所述更新后的显著性特征图,得到所述第二次增强后的各个面部区域图像。
在一些实施例中,所述面部区域识别模型和所述显著性特征生成模型共享一个预处理网络,所述面部区域识别装置110还包括判断模块,所述判断模块,用于使用所述预处理网络对所述待处理图像进行面部区域检测,得到面部区域检测结果;基于面部区域检测结果,判断所述待处理图像的面部区域质量是否符合质量要求,得到判断结果;
相应地,检测模块112用于根据所述判断结果确定所述待处理图像的面部区域质量不符合质量要求,利用所述显著性特征生成模型对所述待处理图像进行显著性检测。
在一些实施例中,所述增强模块113用于对所述待处理图像进行归一化处理,得到对应的目标归一化图像;根据所述面部区域识别模型,确定所述待处理图像对应的目标显著性特征图权重矩阵;将所述待处理图像对应的目标归一化图像、目标显著性特征图权重矩阵以及目标显著性特征图进行相乘,得到所述增强后图像。
需要说明的是,本申请实施例装置的描述,与上述方法实施例的描述是类似的,具有同方法实施例相似的有益效果,因此不做赘述。对于本装置实施例中未披露的技术细节,请参照本申请方法实施例的描述而理解。
需要说明的是,本申请实施例中,如果以软件功能模块的形式实现上述的面部区域识别方法,并作为独立的产品销售或使用时,也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,本申请实施例的技术方案本质上或者说对相关技术做出贡献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终端执行本申请各个实施例所述方法的全部或部分。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read Only Memory)、磁碟或者光盘等各种可以存储程序代码的介质。这样,本申请实施例不限制于任何特定的硬件和软件结合。
本申请实施例提供一种电子设备,图10是本申请实施例提供的电子设备的组成结构示意图,如图10所示,所述电子设备120至少包括:处理器121和配置为存储可执行指令的计算机可读存储介质122,其中处理器121通常控制所述电子设备的总体操作。计算机可读存储介质122配置为存储由处理器121可执行的指令和应用,还可以缓存待处理器121和电子设备120中各模块待处理或已处理的数据,可以通过闪存或随机访问存储器(RAM,Random Access Memory)实现。
本申请实施例提供一种存储有可执行指令的存储介质,其中存储有可执行指令,当可执行指令被处理器执行时,将引起处理器执行本申请实施例提供的面部区域识别方法,例如,如图2示出的方法。
在一些实施例中,存储介质可以是计算机可读存储介质,例如,铁电存储器(FRAM,Ferromagnetic Random Access Memory)、只读存储器(ROM,Read Only Memory)、可编程只读存储器(PROM,Programmable Read Only Memory)、可擦除可编程只读存储器(EPROM,Erasable Programmable Read Only Memory)、带电可擦可编程只读存储器(EEPR OM,Electrically Erasable Programmable Read Only Memory)、闪存、磁表面存储器、光盘、或光盘只读存储器(CD-ROM,Compact Disk-Read Only Memory)等存储器;也可以是包括上述存储器之一或任意组合的各种设备。
在一些实施例中,可执行指令可以采用程序、软件、软件模块、脚本或代码的形式,按任意形式的编程语言(包括编译或解释语言,或者声明性或过程性语言)来编写,并且其可按任意形式部署,包括被部署为独立的程序或者被部署为模块、组件、子例程或者适合在计算环境中使用的其它单元。
作为示例,可执行指令可以但不一定对应于文件***中的文件,可以可被存储在保存其它程序或数据的文件的一部分,例如,存储在超文本标记语言(HTML,Hyper TextMarku p Language)文档中的一个或多个脚本中,存储在专用于所讨论的程序的单个文件中,或者,存储在多个协同文件(例如,存储一个或多个模块、子程序或代码部分的文件)中。作为示例,可执行指令可被部署为在一个计算设备上执行,或者在位于一个地点的多个计算设备上执行,又或者,在分布在多个地点且通过通信网络互连的多个计算设备上执行。
以上,仅为本申请的实施例而已,并非用于限定本申请的保护范围。凡在本申请的精神和范围之内所作的任何修改、等同替换和改进等,均包含在本申请的保护范围之内。应理解,说明书通篇中提到的“一个实施例”或“一实施例”意味着与实施例有关的特定特征、结构或特性包括在本申请的至少一个实施例中。因此,在整个说明书各处出现的“在一个实施例中”或“在一实施例中”未必一定指相同的实施例。此外,这些特定的特征、结构或特性可以任意适合的方式结合在一个或多个实施例中。应理解,在本申请的各种实施例中,上述各过程的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。上述本申请实施例序号仅仅为了描述,不代表实施例的优劣。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法或者装置不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。在本申请所提供的几个实施例中,应该理解到,所揭露的设备和方法,可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的,例如,单元的划分,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,如:多个单元或组件可以结合,或可以集成到另一个***,或一些特征可以忽略,或不执行。
以上,仅为本申请的实施方式,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)
1.一种面部区域识别方法,所述方法包括:
获取待处理图像,所述待处理图像包括面部区域;
利用显著性特征生成模型对所述待处理图像进行显著性检测,得到对应的目标显著性特征图;
根据所述目标显著性特征图对所述待处理图像进行增强处理,得到增强后图像;
利用面部区域识别模型对所述增强后图像进行特征提取,得到增强后的面部区域特征;
基于所述增强后的面部区域特征,确定所述待处理图像的面部区域识别结果。
2.根据权利要求1所述的方法,所述面部区域识别模型是通过以下步骤训练得到的:
获取图像训练数据集;所述图像训练数据集包括多个面部区域图像以及各个面部区域图像对应的质量标签;所述质量标签包括第一质量标签和第二质量标签,第二质量低于第一质量;
获取所述图像训练数据集中各个第二质量的面部区域图像对应的显著性特征图以及显著性特征图权重矩阵;
基于所述各个第二质量的面部区域图像对应的显著性特征图以及显著性特征图权重矩阵,得到第一次增强后的各个面部区域图像;
利用所述第一次增强后的各个面部区域图像,对初始面部区域识别模型进行迭代训练,直至得到训练完成的面部区域识别模型。
3.根据权利要求2所述的方法,所述利用所述第一次增强后的各个面部区域图像,对初始面部区域识别模型进行迭代训练,直至得到训练完成的面部区域识别模型,包括:
利用所述第一次增强后的各个面部区域图像,确定所述初始面部区域识别模型的第一损失;
根据所述第一损失,对所述初始面部区域识别模型进行梯度回传和网络参数调整,得到第一次训练完成的面部区域识别模型;
获取所述第一次训练完成的面部区域识别模型的第一层梯度值,根据所述第一层梯度值,对所述各个第二质量的面部区域图像对应的显著性特征图权重矩阵进行更新,得到更新后的显著性特征图权重矩阵;
基于所述更新后的显著性特征图权重矩阵,得到第二次增强后的各个面部区域图像;
利用所述第二次增强后的各个面部区域图像,对所述第一次训练完成的面部区域识别模型继续进行迭代训练,直至得到训练完成的面部区域识别模型。
4.根据权利要求2或3所述的方法,所述基于所述各个第二质量的面部区域图像对应的显著性特征图以及显著性特征图权重矩阵,得到第一次增强后的各个面部区域图像,包括:
对所述各个第二质量的面部区域图像进行归一化处理,得到对应的归一化图像;
将所述各个第二质量的面部区域图像对应的归一化图像、显著性特征图以及显著性特征图权重矩阵进行相乘,得到所述第一次增强后的各个面部区域图像。
5.根据权利要求3所述的方法,所述显著性特征生成模型是通过以下步骤训练得到的:
根据初始显著性特征生成模型,确定所述第一次增强后的各个面部区域图像对应的显著性特征图;
根据所述第一次增强后的各个面部区域图像对应的显著性特征图和所述第一层梯度值,确定初始显著性特征生成模型的第二损失;
利用所述第二损失,对所述初始显著性特征生成模型的网络参数进行调整,得到第一次训练完成的显著性特征生成模型;
根据所述第一次训练完成的显著性特征生成模型,确定所述第二次增强后的各个面部区域图像对应的显著性特征图;
根据所述第二次增强后的各个面部区域图像对应的显著性特征图,对所述第一次训练完成的显著性特征生成模型继续进行迭代训练,直至得到训练完成的显著性特征生成模型。
6.根据权利要求5所述的方法,所述基于所述更新后的显著性特征图权重矩阵,得到第二次增强后的各个面部区域图像,包括:
利用所述第一次训练完成的显著性特征生成模型,对所述各个第二质量的面部区域图像对应的显著性特征图进行更新,得到更新后的显著性特征图;
基于所述更新后的显著性特征图权重矩阵和所述更新后的显著性特征图,得到所述第二次增强后的各个面部区域图像。
7.根据权利要求1所述的方法,所述面部区域识别模型和所述显著性特征生成模型共享一个预处理网络,所述方法还包括:
使用所述预处理网络对所述待处理图像进行面部区域检测,得到面部区域检测结果;
基于面部区域检测结果,判断所述待处理图像的面部区域质量是否符合质量要求,得到判断结果;
相应地,利用显著性特征生成模型对所述待处理图像进行显著性检测,得到对应的目标显著性特征图,包括:
根据所述判断结果确定所述待处理图像的面部区域质量不符合质量要求,利用所述显著性特征生成模型对所述待处理图像进行显著性检测。
8.根据权利要求1或7所述的方法,所述根据所述目标显著性特征图对所述待处理图像进行增强处理,得到增强后图像,包括:
对所述待处理图像进行归一化处理,得到对应的目标归一化图像;
根据所述面部区域识别模型,确定所述待处理图像对应的目标显著性特征图权重矩阵;
将所述待处理图像对应的目标归一化图像、目标显著性特征图权重矩阵以及目标显著性特征图进行相乘,得到所述增强后图像。
9.一种面部区域识别装置,所述装置包括:
获取模块,用于获取待处理图像,所述待处理图像包括面部区域;
检测模块,用于利用显著性特征生成模型对所述待处理图像进行显著性检测,得到对应的目标显著性特征图;
增强模块,用于根据所述目标显著性特征图对所述待处理图像进行增强处理,得到增强后图像;
提取模块,用于利用面部区域识别模型对所述增强后图像进行特征提取,得到增强后的面部区域特征;
确定模块,用于确定所述增强后的面部区域特征,确定所述待处理图像的面部区域识别结果。
10.一种电子设备,所述设备包括存储器、至少一个处理器及存储在存储器上并可在处理器上运行的计算机程序,所述至少一个处理器执行所述程序时实现权利要求1至8任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310638763.8A CN116524574A (zh) | 2023-05-31 | 2023-05-31 | 一种面部区域识别方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310638763.8A CN116524574A (zh) | 2023-05-31 | 2023-05-31 | 一种面部区域识别方法、装置及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116524574A true CN116524574A (zh) | 2023-08-01 |
Family
ID=87396011
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310638763.8A Pending CN116524574A (zh) | 2023-05-31 | 2023-05-31 | 一种面部区域识别方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116524574A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118411766A (zh) * | 2024-07-02 | 2024-07-30 | 浙江元衡生物科技有限公司 | 基于大数据的多模态生物识别***及方法 |
-
2023
- 2023-05-31 CN CN202310638763.8A patent/CN116524574A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118411766A (zh) * | 2024-07-02 | 2024-07-30 | 浙江元衡生物科技有限公司 | 基于大数据的多模态生物识别***及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109543690B (zh) | 用于提取信息的方法和装置 | |
US10839238B2 (en) | Remote user identity validation with threshold-based matching | |
CN112330685B (zh) | 图像分割模型训练、图像分割方法、装置及电子设备 | |
CN112634170B (zh) | 一种模糊图像修正的方法、装置、计算机设备及存储介质 | |
WO2022134584A1 (zh) | 房产图片验证方法、装置、计算机设备及存储介质 | |
US20230030792A1 (en) | Document authenticity identification method and apparatus, computer-readable medium, and electronic device | |
US11714921B2 (en) | Image processing method with ash code on local feature vectors, image processing device and storage medium | |
CN111898561B (zh) | 一种人脸认证方法、装置、设备及介质 | |
WO2022142032A1 (zh) | 手写签名校验方法、装置、计算机设备及存储介质 | |
CN113762050B (zh) | 图像数据处理方法、装置、设备以及介质 | |
US20220092353A1 (en) | Method and device for training image recognition model, equipment and medium | |
CN111931153B (zh) | 基于人工智能的身份验证方法、装置和计算机设备 | |
CN112966685B (zh) | 用于场景文本识别的攻击网络训练方法、装置及相关设备 | |
CN112330331A (zh) | 基于人脸识别的身份验证方法、装置、设备及存储介质 | |
CN112818995B (zh) | 图像分类方法、装置、电子设备及存储介质 | |
CN112581355A (zh) | 图像处理方法、装置、电子设备和计算机可读介质 | |
CN116524574A (zh) | 一种面部区域识别方法、装置及电子设备 | |
CN113128526B (zh) | 图像识别方法、装置、电子设备和计算机可读存储介质 | |
Xu et al. | Multi‐pyramid image spatial structure based on coarse‐to‐fine pyramid and scale space | |
CN114282258A (zh) | 截屏数据脱敏方法、装置、计算机设备及存储介质 | |
CN114282019A (zh) | 目标多媒体数据查找方法、装置、计算机设备、存储介质 | |
WO2022126917A1 (zh) | 基于深度学习的人脸图像评估方法、装置、设备及介质 | |
US11087121B2 (en) | High accuracy and volume facial recognition on mobile platforms | |
CN115797291A (zh) | 回路端子的识别方法、装置、计算机设备和存储介质 | |
CN114444047A (zh) | 基于虚拟现实的身份认证方法、装置、设备和存储介质 |
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 |