本公开提出一种人脸识别方法，所述方法包括：根据预设的深度学习模型提取待识别人脸图像以及人脸图像样本的人脸特征向量；基于提取出的人脸特征向量计算所述待识别人脸图像与所述人脸图像样本的相似度取值；根据计算出的所述相似度取值对所述待识别人脸图像进行人脸识别。本公开可以实现利用深度学习模型自动从人脸图像中抽取人脸特征，可以提高人脸识别的精确度。
【技术实现步骤摘要】
本公开涉及通讯领域，尤其涉及人脸识别方法和装置。
技术介绍
人脸识别，通常是基于从人脸图像中提取出的人脸特征来完成的；例如，在传统的实现中，可以从人脸图像中人工抽取出人脸特征，并结合特定的算法对抽取出的人脸特征进行降维后，进行相似性度量最终得到人脸识别结果。可见，在进行人脸识别过程中，识别的准确度取决于提取出的人脸特征，因此如何对提取人脸特征的过程进行优化，来提高人脸识别的准确度，目前已成为人脸识别领域关注的重点。
技术实现思路
为克服相关技术中存在的问题，本公开提供一种人脸识别方法和装置。根据本公开实施例的第一方面，提供一种人脸识别方法，所述方法包括:根据预设的深度学习模型提取待识别人脸图像以及人脸图像样本的人脸特征向量;基于提取出的人脸特征向量计算所述待识别人脸图像与所述人脸图像样本的相似度取值；根据计算出的所述相似度取值对所述待识别人脸图像进行人脸识别。可选的，所述根据预设的深度学习模型提取待识别人脸图像以及人脸图像样本的人脸特征向量之前，所述方法还包括:基于预设数量的人脸图像样本对所述深度学习模型进行训练，以确定所述深度学习模型中各节点的最佳权重参数。可选的，所述基于提取出的人脸特征向量计算所述待识别人脸图像与所述人脸图像样本的相似度取值之前，所述方法包括:根据预设算法对提取出的所述人脸特征向量进行降维处理。可选的，所述深度学习模型包括基于卷积神经网的深度学习模型；所述根据预设的深度学习模型提取待识别人脸图像以及人脸图像样本的人脸特征向量包括:将所述待识别人脸图像以及所述人脸图像样本作为输入图像分别在所述深度学习模型中包含的多个基层中依次进行特征训练；当训练完成后，提取所述多个基层中的全连接层或者其它指定基层输出的特征向量作为所述待识别人脸图像或所述人脸图像样本的人脸特征向量。可选的，所述基于提取出的人脸特征向量计算所述待识别人脸图像与所述人脸图像样本的相似度取值包括:计算所述待识别人脸图像与所述人脸图像样本的人脸特征向量之间的向量距离；其中，所述向量距离用于表征所述待识别人脸图像与所述人脸图像样本之间的相似度；根据预设的相似度转换策略将计算出的所述向量距离转换为对应的相似度取值。可选的，所述根据计算出的所述相似度取值对所述待识别人脸图像进行人脸识别包括:判断计算出的所述相似度取值是否达到阈值；当所述相似度取值达到阈值时，确认所述待识别人脸图像与所述人脸图像样本相同，并将所述人脸图像样本作为识别结果输出。可选的，所述向量距离包括余弦距离或者欧氏距离。可选的，所述待识别人脸图像以及人脸图像样本均以双眼为中心预先进行了尺度归一化处理。根据本公开实施例的第二方面，提供一种人脸识别装置，所述装置包括:提取模块，用于根据预设的深度学习模型提取待识别人脸图像以及人脸图像样本的人脸特征向量；计算模块，用于基于提取出的人脸特征向量计算所述待识别人脸图像与所述人脸图像样本的相似度取值；识别模块，用于根据计算出的所述相似度取值对所述待识别人脸图像进行人脸识别。可选的，所述装置还包括:训练模块，用于在根据预设的深度学习模型提取待识别人脸图像以及人脸图像样本的人脸特征向量之前，基于预设数量的人脸图像样本对所述深度学习模型进行训练，以确定所述深度学习模型中各节点的最佳权重参数。可选的，所述装置还包括:降维模块，用于在基于提取出的人脸特征向量计算所述待识别人脸图像与所述人脸图像样本的相似度取值之前，根据预设算法对提取出的所述人脸特征向量进行降维处理。可选的，所述深度学习模型包括基于卷积神经网的深度学习模型；所述提取模块包括:训练子模块，用于将所述待识别人脸图像以及所述人脸图像样本作为输入图像分别在所述深度学习模型中包含的多个基层中依次进行特征训练；提取子模块，用于在训练完成后，提取所述多个基层中的全连接层或者其它指定基层输出的特征向量作为所述待识别人脸图像或所述人脸图像样本的人脸特征向量。可选的，所述计算模块包括:计算子模块，用于计算所述待识别人脸图像与所述人脸图像样本的人脸特征向量之间的向量距离；其中，所述向量距离用于表征所述待识别人脸图像与所述人脸图像样本之间的相似度；转换子模块，用于根据预设的相似度转换策略将计算出的所述向量距离转换为对应的相似度取值。可选的，所述识别模块包括:判断子模块，用于判断计算出的所述相似度取值是否达到阈值；输出子模块，用于在所述相似度取值达到阈值时，确认所述待识别人脸图像与所述人脸图像样本相同，并将所述人脸图像样本作为识别结果输出。可选的，所述向量距离包括余弦距离或者欧氏距离。可选的，所述待识别人脸图像以及人脸图像样本均以双眼为中心预先进行了尺度归一化处理。根据本公开实施例的第三方面，提供一种人脸识别装置，包括:处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为:根据预设的深度学习模型提取待识别人脸图像以及人脸图像样本的人脸特征向量;基于提取出的人脸特征向量计算所述待识别人脸图像与所述人脸图像样本的相似度取值；根据计算出的所述相似度取值对所述待识别人脸图像进行人脸识别。本公开的以上实施例中，通过根据预设的深度学习模型提取待识别人脸图像以及人脸图像样本的人脸特征向量，并基于提取出的人脸特征向量计算所述待识别人脸图像与所述人脸图像样本的相似度取值，然后根据计算出的所述相似度取值对所述待识别人脸图像进行人脸识别，由于在人脸识别的过程中，利用深度学习模型自动从人脸图像中抽取人脸特征，替代了传统的从人脸图像中人工抽取人脸特征的方式，因此可以提高人脸识别的精确度。应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。【附图说明】此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。图1是根据一示例性实施例示出的一种人脸识别方法的流程示意图；图2是根据一示例性实施例示出的另一种人脸识别方法的流程示意图；图3是根据一示例性实施例示出的一种深度识别模型的示意图；图4是根据一示例性实施例示出的一种人脸识别装置的示意框图；图5是根据一示例性实施例示出的另一种人脸识别装置的示意框图；图6是根据一示例性实施例示出的另一种人脸识别装置的示意框图；图7是根据一示例性实施例示出的另一种人脸识别装置的示意框图；图8是根据一示例性实施例示出的另一种人脸识别装置的示意框图；图9是根据一示例性实施例示出的另一种人脸识别装置的示意框图；图10是根据一示例性实施例示出的一种用于所述人脸识别装置的一结构示意图。【具体实施方式】这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。在本公开使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本公开。在本公开和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。应当理解，尽管在本本文档来自技高网...
【技术保护点】
一种人脸识别方法，其特征在于，所述方法包括：根据预设的深度学习模型提取待识别人脸图像以及人脸图像样本的人脸特征向量；基于提取出的人脸特征向量计算所述待识别人脸图像与所述人脸图像样本的相似度取值；根据计算出的所述相似度取值对所述待识别人脸图像进行人脸识别。
【技术特征摘要】
【专利技术属性】
技术研发人员：张涛，陈志军，龙飞，
申请(专利权)人：小米科技有限责任公司，
类型：发明
国别省市：北京;11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。