用于人脸图像识别的方法和装置制造方法及图纸

本申请实施例公开了用于人脸图像识别的方法和装置。该方法的一具体实施方式包括：获取待识别人脸图像；将所述待识别人脸图像导入预先建立的人脸特征生成模型，得到所述待识别人脸图像的二值化人脸特征，其中，所述人脸特征生成模型用于表征人脸图像与二值化人脸特征的对应关系；将所述二值化人脸特征与预先建立的人脸图像集合中的各人脸图像的二值化人脸特征进行相似度计算，其中，所述人脸图像集合中的各张人脸图像标记了所指示的人脸对象的身份标识；根据相似度计算结果，确定所述待识别人脸图像所包含的人脸对象的身份标识。该实施方式提高了人脸图像的识别效率。

Method and device for face image recognition

The embodiment of the application discloses a method and a device for face image recognition. The method includes: obtaining the face image to be identified, introducing the face image to the pre established face feature generation model, and obtaining the two value face features of the face image to be identified, in which the face feature generation model is used to characterize the face image and the two valued face features. The similarity between the two valued face features and the two value face features of each face image set in the set of face image is calculated, in which each face image in the set of the face image is marked with the identity of the indicated face object, and the result of similarity calculation is determined. The identity of the face object contained in the face image to be recognized is described. The implementation improves the recognition efficiency of face images.

【技术实现步骤摘要】
用于人脸图像识别的方法和装置
本申请实施例涉及计算机
，具体涉及图像处理
，尤其涉及用于人脸图像识别的方法和装置。
技术介绍
人脸识别，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。现阶段可以通过首先提取待识别人脸图像的图像特征，然后将待识别人脸图像的图像特征与人脸数据库中已知身份的各张人脸图像的图像特征进行对比，根据对比结果确定待识别人脸图像中包括的人脸的身份。上述方法虽然可以实现人脸识别，但是，随着人脸数据库中的人脸图像的增多，以及人脸图像的图像特征的日渐增多，上述方法出现了对比时占用内存大，对比时间久等问题。
技术实现思路
本申请实施例提出了用于人脸图像识别的方法和装置。第一方面，本申请实施例提供了一种用于人脸图像识别的方法，包括：获取待识别人脸图像；将上述待识别人脸图像导入预先建立的人脸特征生成模型，得到上述待识别人脸图像的二值化人脸特征，其中，上述人脸特征生成模型用于表征人脸图像与二值化人脸特征的对应关系；将上述二值化人脸特征与预先建立的人脸图像集合中的各人脸图像的二值化人脸特征进行相似度计算，其中，上述人脸图像集合中的各张人脸图像标记了所指示的人脸对象的身份标识；根据相似度计算结果，确定上述待识别人脸图像所包含的人脸对象的身份标识。在一些实施例中，上述方法还包括：训练上述人脸特征生成模型的步骤，包括：获取第一样本人脸图像、第二样本人脸图像和第三样本人脸图像，其中，上述第一样本人脸图像所指示的人脸对象和上述第二样本人脸图像所指示的人脸对象相同，上述第二样本人脸图像所指示的人脸对象和上述第三样本人脸图像所指示的人脸对象不同；采用机器学习方法，利用上述第一样本人脸图像、第二样本人脸图像和第三样本人脸图像，基于预先构建的损失函数训练得到上述人脸特征生成模型，其中，上述损失函数是基于上述第一样本人脸图像、第二样本人脸图像和第三样本人脸图像的特征向量得到的。在一些实施例中，上述人脸特征生成模型包括特征提取网络和二值化编码层，其中，上述特征提取网络为卷积神经网络；以及上述采用机器学习方法，利用上述第一样本人脸图像、第二样本人脸图像和第三样本人脸图像，基于预先构建的损失函数训练得到上述人脸特征生成模型，包括：将上述第一样本人脸图像、第二样本人脸图像和第三样本人脸图像分别输入初始卷积神经网络得到上述第一样本人脸图像、第二样本人脸图像和第三样本人脸图像的特征向量；将上述第一样本人脸图像、第二样本人脸图像和第三样本人脸图像的特征向量分别输入至上述二值化编码层，得到上述第一样本人脸图像、第二样本人脸图像和第三样本人脸图像的二值化人脸特征，其中，上述二值化编码层用于基于哈希算法将特征向量转化为固定长度的二值编码；基于上述第一样本人脸图像、第二样本人脸图像和第三样本人脸图像的特征向量，以及上述损失函数更新上述初始卷积神经网络的网络参数，得到上述人脸特征生成模型。在一些实施例中，上述损失函数为第一损失函数和第二损失函数的加权和，其中，上述第一损失函数为第一距离与第二距离之差，上述第一距离为上述第一样本人脸图像的特征向量与上述第二样本人脸图像的特征向量之间的距离，上述第二距离为上述第一样本人脸图像的特征向量与上述第三样本人脸图像的特征向量之间的距离，第二损失函数是基于上述第一样本人脸图像的特征向量在各个分量上的相关性、上述第二样本人脸图像的特征向量在各个分量上的相关性、以及上述第三样本人脸图像的特征向量在各个分量上的相关性得到的。在一些实施例中，上述将上述待识别人脸图像导入预先建立的人脸特征生成模型，得到上述待识别人脸图像的二值化人脸特征，包括：将上述待识别人脸图像输入至上述特征提取网络，得到上述待识别人脸图像的特征向量；将上述待识别人脸图像的特征向量输入至上述二值化编码层进行二值化编码，得到上述待识别人脸图像的二值化人脸特征。在一些实施例中，上述将上述二值化人脸特征与预先建立的人脸图像集合中的各人脸图像的二值化人脸特征进行相似度计算，包括：对于上述人脸图像集合中的每一张人脸图像，执行以下步骤：将该人脸图像导入上述人脸特征生成模型，得到该人脸图像的二值化人脸特征；计算上述待识别人脸图像的二值化人脸特征与该人脸图像的二值化人脸特征之间的汉明距离。第二方面，本申请实施例提供了一种用于人脸图像识别的装置，包括：获取单元，用于获取待识别人脸图像；导入单元，用于将上述待识别人脸图像导入预先建立的人脸特征生成模型，得到上述待识别人脸图像的二值化人脸特征，其中，上述人脸特征生成模型用于表征人脸图像与二值化人脸特征的对应关系；计算单元，用于将上述二值化人脸特征与预先建立的人脸图像集合中的各人脸图像的二值化人脸特征进行相似度计算，其中，上述人脸图像集合中的各张人脸图像标记了所指示的人脸对象的身份标识；确定单元，用于根据相似度计算结果，确定上述待识别人脸图像所包含的人脸对象的身份标识。在一些实施例中，上述装置还包括模型训练单元，上述模型训练单元包括：样本获取单元，用于获取第一样本人脸图像、第二样本人脸图像和第三样本人脸图像，其中，上述第一样本人脸图像所指示的人脸对象和上述第二样本人脸图像所指示的人脸对象相同，上述第二样本人脸图像所指示的人脸对象和上述第三样本人脸图像所指示的人脸对象不同；模型训练子单元，用于采用机器学习方法，利用上述第一样本人脸图像、第二样本人脸图像和第三样本人脸图像，基于预先构建的损失函数训练得到上述人脸特征生成模型，其中，上述损失函数是基于上述第一样本人脸图像、第二样本人脸图像和第三样本人脸图像的特征向量得到的。在一些实施例中，上述人脸特征生成模型包括特征提取网络和二值化编码层，其中，上述特征提取网络为卷积神经网络；以及上述模型训练子单元进一步用于：将上述第一样本人脸图像、第二样本人脸图像和第三样本人脸图像分别输入初始卷积神经网络得到上述第一样本人脸图像、第二样本人脸图像和第三样本人脸图像的特征向量；将上述第一样本人脸图像、第二样本人脸图像和第三样本人脸图像的特征向量分别输入至上述二值化编码层，得到上述第一样本人脸图像、第二样本人脸图像和第三样本人脸图像的二值化人脸特征，其中，上述二值化编码层用于基于哈希算法将特征向量转化为固定长度的二值编码；基于上述第一样本人脸图像、第二样本人脸图像和第三样本人脸图像的特征向量，以及上述损失函数更新上述初始卷积神经网络的网络参数，得到上述人脸特征生成模型。在一些实施例中，上述损失函数为第一损失函数和第二损失函数的加权和，其中，上述第一损失函数为第一距离与第二距离之差，上述第一距离为上述第一样本人脸图像的特征向量与上述第二样本人脸图像的特征向量之间的距离，上述第二距离为上述第一样本人脸图像的特征向量与上述第三样本人脸图像的特征向量之间的距离，第二损失函数是基于上述第一样本人脸图像的特征向量在各个分量上的相关性、上述第二样本人脸图像的特征向量在各个分量上的相关性、以及上述第三样本人脸图像的特征向量在各个分量上的相关性得到的。在一些实施例中，上述导入单元进一步用于：将上述待识别人脸图像输入至上述特征提取网络，得到上述待识别人脸图像的特征向量；将上述待识别人脸图像的特征向量输入至上述二值化编码层进行二值化编码，得到上述待识别人脸图像的二值化人脸特征。在一些实施例中本文档来自技高网...

【技术保护点】
一种用于人脸图像识别的方法，包括：获取待识别人脸图像；将所述待识别人脸图像导入预先建立的人脸特征生成模型，得到所述待识别人脸图像的二值化人脸特征，其中，所述人脸特征生成模型用于表征人脸图像与二值化人脸特征的对应关系；将所述二值化人脸特征与预先建立的人脸图像集合中的各人脸图像的二值化人脸特征进行相似度计算，其中，所述人脸图像集合中的各张人脸图像标记了所指示的人脸对象的身份标识；根据相似度计算结果，确定所述待识别人脸图像所包含的人脸对象的身份标识。

【技术特征摘要】
1.一种用于人脸图像识别的方法，包括：获取待识别人脸图像；将所述待识别人脸图像导入预先建立的人脸特征生成模型，得到所述待识别人脸图像的二值化人脸特征，其中，所述人脸特征生成模型用于表征人脸图像与二值化人脸特征的对应关系；将所述二值化人脸特征与预先建立的人脸图像集合中的各人脸图像的二值化人脸特征进行相似度计算，其中，所述人脸图像集合中的各张人脸图像标记了所指示的人脸对象的身份标识；根据相似度计算结果，确定所述待识别人脸图像所包含的人脸对象的身份标识。2.根据权利要求1所述的方法，其中，所述方法还包括：训练所述人脸特征生成模型的步骤，包括：获取第一样本人脸图像、第二样本人脸图像和第三样本人脸图像，其中，所述第一样本人脸图像所指示的人脸对象和所述第二样本人脸图像所指示的人脸对象相同，所述第二样本人脸图像所指示的人脸对象和所述第三样本人脸图像所指示的人脸对象不同；采用机器学习方法，利用所述第一样本人脸图像、第二样本人脸图像和第三样本人脸图像，基于预先构建的损失函数训练得到所述人脸特征生成模型，其中，所述损失函数是基于所述第一样本人脸图像、第二样本人脸图像和第三样本人脸图像的特征向量得到的。3.根据权利要求2所述的方法，其中，所述人脸特征生成模型包括特征提取网络和二值化编码层，其中，所述特征提取网络为卷积神经网络；以及所述采用机器学习方法，利用所述第一样本人脸图像、第二样本人脸图像和第三样本人脸图像，基于预先构建的损失函数训练得到所述人脸特征生成模型，包括：将所述第一样本人脸图像、第二样本人脸图像和第三样本人脸图像分别输入初始卷积神经网络得到所述第一样本人脸图像、第二样本人脸图像和第三样本人脸图像的特征向量；将所述第一样本人脸图像、第二样本人脸图像和第三样本人脸图像的特征向量分别输入至所述二值化编码层，得到所述第一样本人脸图像、第二样本人脸图像和第三样本人脸图像的二值化人脸特征，其中，所述二值化编码层用于基于哈希算法将特征向量转化为固定长度的二值编码；基于所述第一样本人脸图像、第二样本人脸图像和第三样本人脸图像的特征向量，以及所述损失函数更新所述初始卷积神经网络的网络参数，得到所述人脸特征生成模型。4.根据权利要求3所述的方法，其中，所述损失函数为第一损失函数和第二损失函数的加权和，其中，所述第一损失函数为第一距离与第二距离之差，所述第一距离为所述第一样本人脸图像的特征向量与所述第二样本人脸图像的特征向量之间的距离，所述第二距离为所述第一样本人脸图像的特征向量与所述第三样本人脸图像的特征向量之间的距离，第二损失函数是基于所述第一样本人脸图像的特征向量在各个分量上的相关性、所述第二样本人脸图像的特征向量在各个分量上的相关性、以及所述第三样本人脸图像的特征向量在各个分量上的相关性得到的。5.根据权利要求4所述的方法，其中，所述将所述待识别人脸图像导入预先建立的人脸特征生成模型，得到所述待识别人脸图像的二值化人脸特征，包括：将所述待识别人脸图像输入至所述特征提取网络，得到所述待识别人脸图像的特征向量；将所述待识别人脸图像的特征向量输入至所述二值化编码层进行二值化编码，得到所述待识别人脸图像的二值化人脸特征。6.根据权利要求1所述的方法，其中，所述将所述二值化人脸特征与预先建立的人脸图像集合中的各人脸图像的二值化人脸特征进行相似度计算，包括：对于所述人脸图像集合中的每一张人脸图像，执行以下步骤：将该人脸图像导入所述人脸特征生成模型，得到该人脸图像的二值化人脸特征；计算所述待识别人脸图像的二值化人脸特征与该人脸图像的二值化人脸特征之间的汉明距离。7.一种用于人脸图像识别的装置，包括：获取单元，用于获取待识别人脸图像；...

【专利技术属性】
技术研发人员：翁仁亮，
申请(专利权)人：百度在线网络技术北京有限公司，
类型：发明
国别省市：北京,11