人脸识别方法及装置制造方法及图纸

本公开提供一种人脸识别方法及装置，其中，上述方法包括：采用卷积神经网络模型提取待识别人脸图像的人脸特征向量，所述人脸特征向量包括：图像特征和面部属性特征；根据所述人脸特征向量计算所述待识别人脸图像与人脸模板数据库中人脸图像样本的匹配度；根据所述匹配度确定所述待识别人脸图像的识别结果。本公开在进行人脸识别的过程中，基于人脸面部图像特征和面部属性特征进行综合比对，有效提高了人脸识别的准确度。

【技术实现步骤摘要】

本公开涉及图像识别
，尤其涉及一种人脸识别方法及装置。
技术介绍
人脸识别技术被广泛应用于涉及隐私或安全相关的身份验证工具中，主要包括两部分：面部特征提取部分和特征比对匹配部分。近年来随着深度学习技术的发展，在面部特征提取部分，基于人工神经网络模型，通过监督信号对模型进行指导性的特征学习的做法越来越普遍，有效提高了人脸识别的准确度。然而，相关技术主要基于图像特征进行特征比对，如果待识别人脸图像与人脸图像样本中的两张人脸的五官相似但性别或人种不同，或者上述两张人脸图像为同一个人在两个不同年龄段的面部图像，采用相关技术对上述情况还无法做到准确识别，因此人脸识别的准确度有待进一步提高。
技术实现思路
有鉴于此，本公开提供一种人脸识别方法及装置，可以有效提高人脸识别的准确度。根据本公开实施例的第一方面，提供了一种人脸识别方法，所述方法包括：采用卷积神经网络模型提取待识别人脸图像的人脸特征向量，所述人脸特征向量包括：图像特征和面部属性特征；根据所述人脸特征向量计算所述待识别人脸图像与人脸模板数据库中人
脸图像样本的匹配度；根据所述匹配度确定所述待识别人脸图像的识别结果。可选地，所述面部属性特征用于表达以下至少一项面部属性的特征：年龄、性别、人种。可选地，在所述采用预设深度学习模型提取待识别人脸图像的人脸特征向量之前，还包括：建立人脸模板数据库；所述建立人脸模板数据库包括：基于预设数量的人脸图像训练样本和每个所述人脸图像训练样本标定的面部属性信息，训练所述卷积神经网络模型，以确定所述卷积神经网络模型的权值参数；使用训练好的所述卷积神经网络模型提取样本集合中每一个人脸图像样本的人脸特征向量，所述每一个人脸图像样本的人脸特征向量包括图像特征和面部属性特征；根据所述样本集合中每一个所述人脸图像样本的人脸特征向量和已标定的身份标识，建立人脸模板数据库。可选地，所述卷积神经网络模型为基于深度学习的卷积神经网络模型；所述采用卷积神经网络模型提取待识别人脸图像的人脸特征向量，包括：将所述待识别人脸图像作为输入图像分别在所述卷积神经网络模型连接的若干类别分类器进行特征提取；提取所述若干类别分类器的全链接层或者指定链接层输出的特征向量，作为所述待识别人脸图像的人脸特征向量。可选地，所述根据所述人脸特征向量计算所述待识别人脸图像与人脸模板数据库中人脸图像样本的匹配度，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匹配度；根据预设的匹配度转换策略将计算出的所述向量距离转换为对应的匹配
度取值。可选地，所述根据所述匹配度确定所述待识别人脸图像的识别结果，包括：判断所述匹配度取值是否达到预设阈值；当所述匹配度取值达到预设阈值时，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及对应的属性信息、身份标识作为识别结果输出。可选地，所述向量距离包括余弦距离或者欧氏距离。根据本公开实施例的第二方面，提供了一种人脸识别装置，所述装置包括：特征向量获取模块，被配置为采用卷积神经网络模型提取待识别人脸图像的人脸特征向量，所述人脸特征向量包括：图像特征和面部属性特征；计算模块，被配置为根据所述人脸特征向量计算所述待识别人脸图像与人脸模板数据库中人脸图像样本的匹配度；识别模块，被配置为根据所述匹配度确定所述待识别人脸图像的识别结果。可选的，所述面部属性特征用于表达以下至少一项面部属性的特征：年龄、性别、人种。可选的，所述人脸识别装置还包括：模板建立模块，被配置为建立人脸模板数据库；所述模板建立模块包括：模型训练子模块，被配置为基于预设数量的人脸图像样本和每个所述人脸图像样本标定的面部属性信息，训练所述卷积神经网络模型，以确定所述卷积神经网络模型的权值参数；样本特征提取子模块，被配置为使用训练好的所述卷积神经网络模型提取样本集合中每一个人脸图像样本的人脸特征向量，所述每一个人脸图像样本的人脸特征向量包括图像特征和面部属性特征；模板建立子模块，被配置为根据所述样本集合中每一个所述人脸图像样
本的人脸特征向量和已标定的身份标识，建立人脸模板数据库。可选的，所述卷积神经网络模型为基于深度学习的卷积神经网络模型；所述特征向量获取模块包括：特征提取子模块，被配置为将所述待识别人脸图像作为输入图像分别在所述卷积神经网络模型连接的若干类别分类器进行特征提取；向量输出子模块，被配置为提取所述若干类别分类器的全链接层或者指定链接层输出的特征向量，作为所述待识别人脸图像的人脸特征向量。可选的，所述计算模块包括：计算子模块，被配置为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匹配度；匹配度确定子模块，被配置为根据预设的匹配度转换策略将计算出的所述向量距离转换为对应的匹配度取值。可选的，所述识别模块包括：判断子模块，被配置为判断所述匹配度取值是否达到预设阈值；识别结果输出子模块，被配置为在所述匹配度取值达到预设阈值的情况下，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及对应的属性信息、身份标识作为识别结果输出。可选的，所述向量距离包括余弦距离或者欧氏距离。根据本公开实施例的第三方面，还提供了一种人脸识别装置，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：采用卷积神经网络模型提取待识别人脸图像的人脸特征向量，所述人脸特征向量包括：图像特征和面部属性特征；根据所述人脸特征向量计算所述待识别人脸图像与人脸模板数据库中人脸图像样本的匹配度；根据所述匹配度确定所述待识别人脸图像的识别结果。本公开的实施例提供的技术方案可以包括以下有益效果：本公开中，对于一幅待识别人脸图像，服务端可以采用卷积神经网络模型提取该待识别人脸图像的人脸特征向量，该人脸特征向量不仅包括面部图像特征还包括面部属性特征，然后根据所述上述人脸特征向量与人脸模板数据库中的人脸图像样本进行匹配，输出人脸识别结果。本公开在进行人脸识别的过程中，基于人脸面部图像特征和面部属性特征进行综合比对，有效提高了人脸识别的准确度。本公开中，对待识别人脸图像提取的人脸特征向量中包括的面部属性特征可以包括年龄、性别、人种等特征，可以有效避免将五官相似但性别或人种不同的两张人脸误判为属于同一个人，也可以有效避免容貌随年龄的变化，将本属于同一个人不同年龄段的人脸误判为不同人的人脸，有效提高的人脸识别的准确性。本公开中，在对待识别人脸图像进行人脸识别之前，如果服务器端没有预先存储的人脸模板数据库，还可以首先训练卷积神经网络模型，然后使用训练好的卷积神经网络模型对样本集合中的每一个人脸图像样本进行人脸特征向量提取，然后根据样本图像已标定的身份标识建立人脸模板数据库。新建立的人脸模板数据库中，每个人脸图像样本对应的人脸特征向量中除了包括面部图像特征，还包括面部属性特征，以便在人脸检测阶段可以提供更准确的信息比对模板，确保人脸识别的准确性。本公开中，采用基于深度学习的多层卷积神经网络模型对待识别人脸图像进行特征提取，多层卷积神经网络模型相当于连接有若干分类本文档来自技高网...

【技术保护点】
一种人脸识别方法，其特征在于，所述方法包括：采用卷积神经网络模型提取待识别人脸图像的人脸特征向量，所述人脸特征向量包括：图像特征和面部属性特征；根据所述人脸特征向量计算所述待识别人脸图像与人脸模板数据库中人脸图像样本的匹配度；根据所述匹配度确定所述待识别人脸图像的识别结果。

【技术特征摘要】
1.一种人脸识别方法，其特征在于，所述方法包括：采用卷积神经网络模型提取待识别人脸图像的人脸特征向量，所述人脸特征向量包括：图像特征和面部属性特征；根据所述人脸特征向量计算所述待识别人脸图像与人脸模板数据库中人脸图像样本的匹配度；根据所述匹配度确定所述待识别人脸图像的识别结果。2.根据权利要求1所述的方法，其特征在于，所述面部属性特征用于表达以下至少一项面部属性的特征：年龄、性别、人种。3.根据权利要求1所述的方法，其特征在于，在所述采用预设深度学习模型提取待识别人脸图像的人脸特征向量之前，还包括：建立人脸模板数据库；所述建立人脸模板数据库包括：基于预设数量的人脸图像训练样本和每个所述人脸图像训练样本标定的面部属性信息，训练所述卷积神经网络模型，以确定所述卷积神经网络模型的权值参数；使用训练好的所述卷积神经网络模型提取样本集合中每一个人脸图像样本的人脸特征向量，所述每一个人脸图像样本的人脸特征向量包括图像特征和面部属性特征；根据所述样本集合中每一个所述人脸图像样本的人脸特征向量和已标定的身份标识，建立人脸模板数据库。4.根据权利要求1所述的方法，其特征在于，所述卷积神经网络模型为基于深度学习的卷积神经网络模型；所述采用卷积神经网络模型提取待识别人脸图像的人脸特征向量，包括：将所述待识别人脸图像作为输入图像分别在所述卷积神经网络模型连接的若干类别分类器进行特征提取；提取所述若干类别分类器的全链接层或者指定链接层输出的特征向量，作为所述待识别人脸图像的人脸特征向量。5.根据权利要求4所述的方法，其特征在于，所述根据所述人脸特征向量计算所述待识别人脸图像与人脸模板数据库中人脸图像样本的匹配度，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匹配度；根据预设的匹配度转换策略将计算出的所述向量距离转换为对应的匹配度取值。6.根据权利要求5所述的方法，其特征在于，所述根据所述匹配度确定所述待识别人脸图像的识别结果，包括：判断所述匹配度取值是否达到预设阈值；当所述匹配度取值达到预设阈值时，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及对应的属性信息、身份标识作为识别结果输出。7.根据权利要求5所述的方法，其特征在于，所述向量距离包括余弦距离或者欧氏距离。8.一种人脸识别装置，其特征在于，所述装置包括：特征向量获取模块，被配置为采用卷积神经网络模型提取待识别人脸图像的人脸特征向量，所述人脸特征向量包括：图像特征和面部属性特征；计算模块，被配置为根据所述人脸特征向量计算所述待识别...

【专利技术属性】
技术研发人员：罗瑾文，侯文迪，杨松，
申请(专利权)人：北京小米移动软件有限公司，
类型：发明
国别省市：北京;11