基于神经网络的人脸特征提取建模、人脸识别方法及装置制造方法及图纸

本发明专利技术提供一种基于神经网络的人脸特征提取建模方法及装置，从预设应用场景的训练集中获取第一图片的各分块、第二图片的各分块、所述第一图片的第一分类及所述第二图片的第二分类；确定与所述第一图片的分块对应的分块全局损失代价函数值；在所述训练集上训练所述人脸身份验证神经网络；对与所述第一图片的分块对应的所述人脸身份验证神经网络进行测试，并确定与所述第一图片的分块对应的目标人脸身份验证特征提取模型。该方法及装置可以达到将建模得到的人脸身份验证特征模型应用在预设应用场景中进行人脸识别时，提高人脸识别精度的有益效果。本发明专利技术还提供一种应用上述基于神经网络的人脸特征提取建模方法及装置的人脸识别方法及装置。

【技术实现步骤摘要】

本专利技术涉及人脸识别
，尤其涉及一种基于神经网络的人脸特征提取建模方法及装置以及一种人脸识别方法及装置。
技术介绍
人脸识别，是一种基于人的脸部特征信息进行身份识别的生物识别技术，一般是用摄像机或摄像头采集含有人脸的图像或视频流后，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，通常也叫做人像识别、面部识别。目前，人脸识别算法均是基于人脸照片和与其对应的身份信息，将一张图片作为一个整体进行特征提取，使用神经网络进行模型训练，并最终使用分类器进行人脸识别。在人脸识别神经网络中对模型的训练中只考虑人脸图片的身份信息，且训练得到的模型将一张图片作为一个整体进行特征提取。因此，对于利用该模型的人脸识别的识别精度还有待进一步地提升。
技术实现思路
基于此，有必要提供一种能够在人脸识别应用场景中提高识别精度的基于神经网络的人脸特征提取建模方法及装置，以及一种应用通过该基于神经网络的人脸特征提取建模方法及装置建立的人脸特征模型的人脸识别方法及装置。一种基于神经网络的人脸特征提取建模方法，包括：从预设应用场景的训练集中获取第一图片的各分块、第二图片的各分块、所述第一图片的第一分类及所述第二图片的第二分类；所述第一图片的分块方式与所述第二图片的分块方式相同且所述第一图片的各分块与所述第二图片的各分块一一对应；将所述第一图片的分块、所述第一分类、与所述第一图片的分块对应的所述第二图片的分块及所述第二分类作为与所述第一图片的分块对应的人脸身份验证神经网络的输入，确定与所述第一图片的分块对应的分块全局损失代价函数值；根据所述分块全局损失代价函数值及与所述第一图片的分块对应的训练参数在所述训练集上训练所述人脸身份验证神经网络；通过所述预设应用场景的测试集对与所述第一图片的分块对应的所述人脸身份验证神经网络进行测试，并根据测试结果确定测试精度，根据所述测试精度及所述人脸身份验证神经网络确定与所述第一图片的分块对应的目标人脸身份验证特征提取模型。一种人脸识别方法，包括：获取待识别图片，并将所述待识别图片按照预设分块方式进行划分得到预设数量个数的分块；将预设数量个数的所述分块分别作为上述的基于神经网络的人脸特征提取建模方法确定的各目标人脸身份验证特征提取模型的输入，确定预设数量个数的分块待识别验证特征；根据预设数量个数的所述分块待识别验证特征，确定全局待识别验证特征；将所述全局待识别验证特征与训练集中的图片对应的全局图片验证特征进行对比，并将与所述全局待识别验证特征距离最近的全局图片验证特征对应的图片所属的分类确定为所述待识别图片的分类。一种基于神经网络的人脸特征提取建模装置，包括：图片分类获取模块，用于从预设应用场景的训练集中获取第一图片的各分块、第二图片的各分块、所述第一图片的第一分类及所述第二图片的第二分类；所述第一图片的分块方式与所述第二图片的分块方式相同且所述第一图片的各分块与所述第二图片的各分块一一对应；损失代价确定模块，用于将所述第一图片的分块、所述第一分类、与所述第一图片的分块对应的所述第二图片的分块及所述第二分类作为与所述第一图片的分块对应的人脸身份验证神经网络的输入，确定与所述第一图片的分块对应的分块全局损失代价函数值；神经网络训练模块，用于根据所述分块全局损失代价函数值及与所述第一图片的分块对应的训练参数在所述训练集上训练所述人脸身份验证神经网络；特征模型确定模块，用于通过所述预设应用场景的测试集对与所述第一图片的分块对应的所述人脸身份验证神经网络进行测试，并根据测试结果确定测试精度，根据所述测试精度及所述人脸身份验证神经网络确定与所述第一图片的分块对应的目标人脸身份验证特征提取模型。一种人脸识别装置，包括：待识图片获取模块，用于获取待识别图片，并将所述待识别图片按照预设分块方式进行划分得到预设数量个数的分块；待识特征确定模块，用于将预设数量个数的所述分块分别作为权利要求6-9任意一项所述的基于神经网络的人脸特征提取建模装置确定的各目标人脸身份验证特征提取模型的输入，确定预设数量个数的分块待识别验证特征；全局特征确定模块，用于根据预设数量个数的所述分块待识别验证特征，确定全局待识别验证特征；对比分类确定模块，用于将所述全局待识别验证特征与训练集中的图片对应的全局图片验证特征进行对比，并将与所述全局待识别验证特征距离最近的全局图片验证特征对应的图片所属的分类确定为所述待识别图片的分类。上述基于神经网络的图片特征提取建模方法及装置，由于训练模型的时候采用的分块全局损失代价函数值，不仅与第一图片、第二图片相关，还与第一图片的第一分类、第二图片的第二分类相关；另外，训练得到的模型是将一张图片按照分块方式进行划分得到的图片的分块进行特征提取，得到的特征必然更精细。因此，建模得到的人脸身份验证特征模型与第一图片的第一分类、第二图片的第二分类相关，且将一张图片按照分块方式进行划分得到的图片的分块进行特征提取，得到更精细的特征。从而，可以达到将建模得到的人脸身份验证特征模型应用在预设应用场景中进行人脸识别时，提高人脸识别精度的有益效果。上述人脸识别方法及装置，由于通过上述基于神经网络的人脸特征提取建模方法或装置确定的目标人脸身份验证特征提取模型确定预设数量个数的分块待识别验证特征，根据预设数量个数的所述分块待识别验证特征，确定全局待识别验证特征；并通过该全局待识别验证特征与训练集中的全局图片验证特征进行对比，最终确定待识别图片的分类，因此，上述人脸识别方法及装置的识别精度高。附图说明图1为一实施例的基于神经网络的人脸特征提取建模方法的流程图；图2为图1的基于神经网络的人脸特征提取建模方法的一个步骤的具体流程图；图3为另一实施例的基于神经网络的人脸特征提取建模方法的流程图；图4_1为一实施例的基于神经网络的人脸特征提取建模方法中进行人脸对齐处理前的示例图；图4_2为图4_1的示例图进行人脸对齐处理后的结果图；图5为图4_2按照预设分块方式划分为13个分块的示例图。图6为图1的基于神经网络的人脸特征提取建模方法的另一个步骤的具体流程图；图7为一实施例的人脸识别方法的流程图；图8为一实施例的基于神经网络的人脸特征提取建模装置的结构图；图9为另一实施例的基于神经网络的人脸特征提取建模装置的结构图；图10为一实施例的人脸识别装置的结构图。具体实施方式为了便于理解本专利技术，下面将参照相关附图对本专利技术进行更全面的描述。附图中给出了本专利技术的较佳的实施例。但是，本专利技术可以以许多不同的形式来实现，并不限于本文所描述的实施例。相反地，提供这些实施例的目的是使对本专利技术的公开内容的理解更加透彻全面。除非另有定义，本文所使用的所有的技术和科学术语与属于本专利技术的
的技术人员通常理解的含义相同。本文中在本专利技术的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本专利技术。本文所使用的术语“或/和”包括一个或多个相关的所列项目的任意的和所有的组合。如图1所示，为本专利技术一个实施例的基于神经网络的人脸特征提取建模方法，包括：S140：从预设应用场景的训练集中获取第一图片的各分块、第二图片的各分块、所述第一图片的第一分类及所述第二图片的第二分类。预设应用场景可以为对人脸识别精度要求较高的场景，如银行VTM(Virtual本文档来自技高网...

【技术保护点】
一种基于神经网络的人脸特征提取建模方法，其特征在于，包括：从预设应用场景的训练集中获取第一图片的各分块、第二图片的各分块、所述第一图片的第一分类及所述第二图片的第二分类；所述第一图片的分块方式与所述第二图片的分块方式相同且所述第一图片的各分块与所述第二图片的各分块一一对应；将所述第一图片的分块、所述第一分类、与所述第一图片的分块对应的所述第二图片的分块及所述第二分类作为与所述第一图片的分块对应的人脸身份验证神经网络的输入，确定与所述第一图片的分块对应的分块全局损失代价函数值；根据所述分块全局损失代价函数值及与所述第一图片的分块对应的训练参数在所述训练集上训练所述人脸身份验证神经网络；通过所述预设应用场景的测试集对与所述第一图片的分块对应的所述人脸身份验证神经网络进行测试，并根据测试结果确定测试精度，根据所述测试精度及所述人脸身份验证神经网络确定与所述第一图片的分块对应的目标人脸身份验证特征提取模型。

【技术特征摘要】
1.一种基于神经网络的人脸特征提取建模方法，其特征在于，包括：从预设应用场景的训练集中获取第一图片的各分块、第二图片的各分块、所述第一图片的第一分类及所述第二图片的第二分类；所述第一图片的分块方式与所述第二图片的分块方式相同且所述第一图片的各分块与所述第二图片的各分块一一对应；将所述第一图片的分块、所述第一分类、与所述第一图片的分块对应的所述第二图片的分块及所述第二分类作为与所述第一图片的分块对应的人脸身份验证神经网络的输入，确定与所述第一图片的分块对应的分块全局损失代价函数值；根据所述分块全局损失代价函数值及与所述第一图片的分块对应的训练参数在所述训练集上训练所述人脸身份验证神经网络；通过所述预设应用场景的测试集对与所述第一图片的分块对应的所述人脸身份验证神经网络进行测试，并根据测试结果确定测试精度，根据所述测试精度及所述人脸身份验证神经网络确定与所述第一图片的分块对应的目标人脸身份验证特征提取模型。2.根据权利要求1所述的基于神经网络的人脸特征提取建模方法，其特征在于，各所述人脸身份验证神经网络包括以人脸身份识别神经网络的人脸身份识别特征提取模型为基础、并按照所述分块方式确定的人脸身份验证特征提取模型；所述确定与所述第一图片的分块对应的分块全局损失代价函数值的步骤包括：将所述第一图片的分块与所述第一分类作为与所述第一图片的分块对应的所述人脸身份验证特征提取模型的模型输入，确定与所述第一图片的分块对应的第一对象特征与第一验证特征，将与所述第一图片的分块对应的所述第二图片的分块与所述第二分类作为与所述第一图片的分块对应的所述人脸身份验证特征提取模型的另一个模型输入，确定与所述第一图片的分块对应的第二对象特征与第二验证特征；或者，与所述第一图片的分块对应的所述人脸身份验证特征提取模型包括相同的两个，将所述第一图片的分块与所述第一分类作为其中一个与所述第一图片的分块对应的所述人脸身份验证特征提取模型的模型输入，确定与所述第一图片的分块对应的第一对象特征与第一验证特征，将与所述第一图片的分块对应的所述第二图片的分块与所述第二分类作为另一个与所述第一图片的分块对应的所述人脸身份验证特征提取模型的模型输入，确定与所述第一图片的分块对应的第二对象特征与第二验证特征；根据与所述第一图片的分块对应的所述第一对象特征及所述第一分类确定与所述第一图片的分块对应的分块第一对象信息损失函数值；根据与所述第一图片的分块对应的所述第二对象特征及所述第二分类确定与所述第一图片的分块对应的分块第二对象信息损失函数值；根据所述第一分类、所述第二分类、与所述第一图片的分块对应的所述第一验证特征及所述第二验证特征确定与所述第一图片的分块对应的分块验证损失函数值；根据与所述第一图片的分块对应的所述分块第一对象信息损失函数值、所述分块第二对象信息损失函数值及所述分块验证损失函数值确定分块全局损失代价函数值。3.根据权利要求1所述的基于神经网络的人脸特征提取建模方法，其特征在于，所述从预设应用场景的训练集中获取第一图片的各分块、第二图片的各分块、所述第一图片的第一分类及所述第二图片的第二分类的步骤之前，还包括：在所述预设应用场景中采集视频图片，并对所述视频图片进行人脸检测得到人脸图片；获取对所述人脸图片进行分类的分类信息，根据所述分类信息对各所述人脸图片进行分类，并对分类后的各所述人脸图片进行人脸对齐处理；将对齐后的人脸图片按预设分块方式进行分块，形成训练集。4.根据权利要求1所述的基于神经网络的人脸特征提取建模方法，其特征在于，所述根据所述分块全局损失代价函数值及与所述第一图片的分块对应的训练参数在所述训练集上训练与所述第一图片的分块对应的所述人脸身份验证神经网络的步骤，包括：获取与所述第一图片的分块对应的初始训练参数，根据所述分块全局损失代价函数值及所述初始训练参数在所述训练集上训练与所述第一图片的分块对应的所述人脸身份验证神经网络；更新与所述第一图片的分块对应的训练参数，根据所述分块全局损失代价函数值及更新后的所述训练参数在所述训练集上训练与所述第一图片的分块对应的所述人脸身份验证神经网络。5.一种人脸识别方法，其特征在于，包括：获取待识别图片，并将所述待识别图片按照预设分块方式进行划分得到预设数量个数的分块；将预设数量个数的所述分块分别作为权利要求1-4任意一项所述的基于神经网络的人脸特征提取建模方法确定的各目标人脸身份验证特征提取模型的输入，确定预设数量个数的分块待识别验证特征；根据预设数量个数的所述分块待识别验证特征，确定全局待识别验证特征；将所述全局待识别验证特征与训练集中的图片对应的全局图片验证特征进行对比，并将与所述全局待识别验证特征距离最近的全局图片验证特征对应的图片所属的分类确定为所述待识别图片的分类。6.一种基于神经网络的人脸特征提取建模装置，其特征在于，包括：图...

【专利技术属性】
技术研发人员：张玉兵，
申请(专利权)人：广州视源电子科技股份有限公司，
类型：发明
国别省市：广东;44