人脸识别方法、装置及机器人制造方法及图纸

本发明专利技术公开了一种人脸识别方法、装置及机器人，该方法包括：提取待进行人脸识别图像中的图像特征；基于待进行人脸识别图像中的图像特征，检测待进行人脸识别图像是否包含人脸区域，得到第一结果，其中，第一结果用于指示待进行人脸识别图像中是否包含人脸区域；基于待进行人脸识别图像中的图像特征，在检测待进行人脸识别图像是否包含人脸区域的同时，标定待进行人脸识别图像的五官区域，得到第二结果，其中，第二结果用于标定待进行人脸识别图像中的五官区域；将第一结果与第二结果进行整合处理，得到待进行人脸识别图像的识别结果。本发明专利技术解决了利用卷积神经网络进行人脸识别程序慢的技术问题。

Face recognition methods, devices and robots

The present invention discloses a face recognition method, device and robot. The method includes: extracting the image features in the face recognition image. Based on the image features in the face recognition image, the first result is obtained by detecting whether the face recognition image is included in the face area. In the face recognition image, whether the face area is included is included. Based on the image features in the face recognition image, the second result is obtained by calibrating the five feature area of the face recognition image while detecting whether the face recognition image contains the face area, and the second result is used to calibrate the image. In the face recognition area, we can integrate the first result and the second result to get the recognition result of the face recognition image. The invention solves the technical problem of using the convolutional neural network for face recognition.

【技术实现步骤摘要】
人脸识别方法、装置及机器人
本专利技术涉及人脸识别领域，具体而言，涉及一种人脸识别方法、装置及机器人。
技术介绍
现有技术中，利用深度的卷积神经网络，进行人脸检测和五官标定的工作一般都是分开进行的。在工作过程中，通常采用两个不同的深度的卷积神经网络，第一个深度的卷积神经网络检测人脸区域，然后将检测到的人脸区域进行裁剪处理，再利用另一个深度的卷积神经网络进行五官标定。在进行人脸检测的过程中，卷积神经网络可以从图像中学习到人脸区域的特征，然后再利用一个分离器，区分人脸区域和非人脸区域，从而达到人脸检测的目的；同样，五官标定也是在裁剪出来的人脸区域内，利用卷积神经网络，学习人脸区域内五官的特征和位置，达到标定五官的目的，在此过程中人脸区域的图像需要进行两次卷积神经提取特征，区域特征被重复学习和计算，大大加深的计算的延迟时间。针对上述利用卷积神经网络进行人脸识别程序慢的问题，目前尚未提出有效的解决方案。
技术实现思路
本专利技术实施例提供了一种人脸识别方法、装置及机器人，以至少解决利用卷积神经网络进行人脸识别程序慢的技术问题。根据本专利技术实施例的一个方面，提供了一种人脸识别方法，包括：提取待进行人脸识别图像中的图像特征；基于所述待进行人脸识别图像中的图像特征，检测所述待进行人脸识别图像是否包含人脸区域，得到第一结果，其中，所述第一结果用于指示所述待进行人脸识别图像中是否包含人脸区域；基于所述待进行人脸识别图像中的图像特征，在检测所述待进行人脸识别图像是否包含人脸区域的同时，标定所述待进行人脸识别图像的五官区域，得到第二结果，其中，所述第二结果用于标定所述待进行人脸识别图像中的五官区域；将所述第一结果与所述第二结果进行整合处理，得到所述待进行人脸识别图像的识别结果。进一步地，在提取待进行人脸识别图像中的图像特征之前，所述方法还包括：建立卷积神经网络，其中，所述卷积神经网络包括第一全连接层和第二全连接层；检测所述待进行人脸识别图像是否包含人脸区域包括：利用所述第一全连接层检测所述待进行人脸识别图像是否包含人脸区域，得到所述第一结果；标定所述待进行人脸识别图像的五官区域包括：利用所述第二全连接层标定所述待进行人脸识别图像的五官区域，得到所述第二结果。进一步地，所述第一全连接层中记录有人脸特征，利用所述第一全连接层检测所述待进行人脸识别图像是否包含人脸区域包括：检测所述待进行人脸识别图像的图像特征中是否包含所述人脸特征；若检测出所述待进行人脸识别图像的图像特征中包含所述人脸特征，则确定所述待进行人脸识别图像包含所述人脸区域；若检测出所述待进行人脸识别图像的图像特征中不包含所述人脸特征，则确定所述待进行人脸识别图像不包含所述人脸区域。进一步地，所述第二全连接层中记录有分类器，所述分类器中记录有五官特征，利用所述第二全连接层标定所述待进行人脸识别图像的五官区域包括：通过所述分类器，将所述待进行人脸识别图像中的图像特征分别归入与所述五官特征对应的类别，其中，每个类别对应所述五官区域中的一个器官区域。进一步地，建立卷积神经网络包括：设置第一全连接层和第二全连接层；获取人脸特征和五官特征；使用所述人脸特征对所述第一全连接层进行训练，得到第一损失值，并使用所述五官特征对所述第二全连接层进行训练，得到第二损失值；将所述第一损失值和所述第二损失值叠加，得到所述卷积神经网络的损失值；利用所述损失值对所述卷积神经网络中的参数进行训练，得到训练后的卷积神经网络，其中，所述参数包括所述第一全连接层和所述第二全连接层的代价函数中的各个系数。根据本专利技术实施例的另一个方面，提供了一种人脸识别装置，包括：提取单元，用于提取待进行人脸识别图像中的图像特征；检测单元，用于基于所述待进行人脸识别图像中的图像特征，检测所述待进行人脸识别图像是否包含人脸区域，得到第一结果，其中，所述第一结果用于指示所述待进行人脸识别图像中是否包含人脸区域；标定单元，用于基于所述待进行人脸识别图像中的图像特征，在检测所述待进行人脸识别图像是否包含人脸区域的同时，标定所述待进行人脸识别图像的五官区域，得到第二结果，其中，所述第二结果用于标定所述待进行人脸识别图像中的五官区域；整合单元，将所述第一结果与所述第二结果进行整合处理，得到所述待进行人脸识别图像的识别结果。进一步地，所述装置还包括：创建模块，用于建立卷积神经网络，其中，所述卷积神经网络包括第一全连接层和第二全连接层；所述检测单元包括：检测模块，用于利用所述第一全连接层检测所述待进行人脸识别图像是否包含人脸区域，得到所述第一结果；所述标定单元包括：标定模块，用于利用所述第二全连接层标定所述待进行人脸识别图像的五官区域，得到所述第二结果。进一步地，所述创建模块建立的第一全连接层中记录有人脸特征，所述检测模块包括：检测子模块，用于检测所述待进行人脸识别图像的图像特征中是否包含所述人脸特征；第一确定模块，用于在检测出所述待进行人脸识别图像的图像特征中包含所述人脸特征的情况下，确定所述待进行人脸识别图像包含所述人脸区域；第二确定模块，用于在检测出所述待进行人脸识别图像的图像特征中不包含所述人脸特征的情况下，确定所述待进行人脸识别图像不包含所述人脸区域。进一步地，所述创建模块建立的第二全连接层中记录有分类器，所述分类器中记录有五官特征，所述标定模块包括：归入模块，用于通过所述分类器，将所述待进行人脸识别图像中的图像特征分别归入与所述五官特征对应的类别，其中，每个类别对应所述五官区域中的一个器官区域。进一步地，所述创建模块包括：设置模块，用于设置第一全连接层和第二全连接层；获取模块，用于获取人脸特征和五官特征；第一训练模块，用于使用所述人脸特征对所述第一全连接层进行训练，得到第一损失值，并使用所述五官特征对所述第二全连接层进行训练，得到第二损失值；叠加模块，用于将所述第一损失值和所述第二损失值叠加，得到所述卷积神经网络的损失值；第二训练模块，用于利用所述损失值对所述卷积神经网络中的参数进行训练，得到训练后的卷积神经网络，其中，所述参数包括所述第一全连接层和所述第二全连接层的代价函数中的各个系数。根据本专利技术实施例的又一个方面，提供了一种人脸识别机器人，包括：图像采集装置，用于采集待进行人脸识别图像；人脸识别装置。在本专利技术实施例中，对待进行人脸识别图像进行一次特征提取，并根据提取的待进行人脸识别图像的图像特征分别进行人脸识别和人脸的五官标定，其中，通过检测待进行人脸识别图像是否包含人脸区域，得出第一结果；通过在待进行人脸识别图像中标定人脸的五官区域，得出第二结果，对得出的第一结果和第二结果进行整合，得到待进行人脸识别图像的识别结果。通过对待进行人脸识别图像进行一次图像特征提取进行人脸识别和人脸的五官标定，而无需对待进行人脸识别图像进行多次图像特征提取，可以加快对待进行人脸识别图像进行人脸识别和人脸的五官标定的速度，解决了利用卷积神经网络进行人脸识别程序慢的技术问题。附图说明此处所说明的附图用来提供对本专利技术的进一步理解，构成本申请的一部分，本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定。在附图中：图1是根据本专利技术实施例的一种人脸识别方法的流程图；图2是根据本专利技术实施例的一种人脸识别装置的示意图；图3是根据本专利技术实施例本文档来自技高网...

【技术保护点】
1.一种人脸识别方法，其特征在于，包括：提取待进行人脸识别图像中的图像特征；基于所述待进行人脸识别图像中的图像特征，检测所述待进行人脸识别图像是否包含人脸区域，得到第一结果，其中，所述第一结果用于指示所述待进行人脸识别图像中是否包含人脸区域；基于所述待进行人脸识别图像中的图像特征，在检测所述待进行人脸识别图像是否包含人脸区域的同时，标定所述待进行人脸识别图像的五官区域，得到第二结果，其中，所述第二结果用于标定所述待进行人脸识别图像中的五官区域；将所述第一结果与所述第二结果进行整合处理，得到所述待进行人脸识别图像的识别结果。

【技术特征摘要】
1.一种人脸识别方法，其特征在于，包括：提取待进行人脸识别图像中的图像特征；基于所述待进行人脸识别图像中的图像特征，检测所述待进行人脸识别图像是否包含人脸区域，得到第一结果，其中，所述第一结果用于指示所述待进行人脸识别图像中是否包含人脸区域；基于所述待进行人脸识别图像中的图像特征，在检测所述待进行人脸识别图像是否包含人脸区域的同时，标定所述待进行人脸识别图像的五官区域，得到第二结果，其中，所述第二结果用于标定所述待进行人脸识别图像中的五官区域；将所述第一结果与所述第二结果进行整合处理，得到所述待进行人脸识别图像的识别结果。2.根据权利要求1所述的方法，其特征在于，在提取待进行人脸识别图像中的图像特征之前，所述方法还包括：建立卷积神经网络，其中，所述卷积神经网络包括第一全连接层和第二全连接层；检测所述待进行人脸识别图像是否包含人脸区域包括：利用所述第一全连接层检测所述待进行人脸识别图像是否包含人脸区域，得到所述第一结果；标定所述待进行人脸识别图像的五官区域包括：利用所述第二全连接层标定所述待进行人脸识别图像的五官区域，得到所述第二结果。3.根据权利要求2所述的方法，其特征在于，所述第一全连接层中记录有人脸特征，利用所述第一全连接层检测所述待进行人脸识别图像是否包含人脸区域包括：检测所述待进行人脸识别图像的图像特征中是否包含所述人脸特征；若检测出所述待进行人脸识别图像的图像特征中包含所述人脸特征，则确定所述待进行人脸识别图像包含所述人脸区域；若检测出所述待进行人脸识别图像的图像特征中不包含所述人脸特征，则确定所述待进行人脸识别图像不包含所述人脸区域。4.根据权利要求2所述的方法，其特征在于，所述第二全连接层中记录有分类器，所述分类器中记录有五官特征，利用所述第二全连接层标定所述待进行人脸识别图像的五官区域包括：通过所述分类器，将所述待进行人脸识别图像中的图像特征分别归入与所述五官特征对应的类别，其中，每个类别对应所述五官区域中的一个器官区域。5.根据权利要求2所述的方法，其特征在于，建立卷积神经网络包括：设置第一全连接层和第二全连接层；获取人脸特征和五官特征；使用所述人脸特征对所述第一全连接层进行训练，得到第一损失值，并使用所述五官特征对所述第二全连接层进行训练，得到第二损失值；将所述第一损失值和所述第二损失值叠加，得到所述卷积神经网络的损失值；利用所述损失值对所述卷积神经网络中的参数进行训练，得到训练后的卷积神经网络，其中，所述参数包括所述第一全连接层和所述第二全连接层的代价函数中的各个系数。6.一种人脸识别装置，其特征在于，包括：提取单元，用于提取待进行人脸识别图像中的图像特征；检测单元，用于...

【专利技术属性】
技术研发人员：不公告发明人，
申请(专利权)人：深圳光启合众科技有限公司，深圳光启创新技术有限公司，
类型：发明
国别省市：广东,44