一种人脸识别方法和人脸识别装置制造方法及图纸

本发明专利技术适用于图像处理领域，提供了一种人脸识别方法和人脸识别装置。从图像中确定人脸的关键点，并根据所述关键点确定框选人脸的人脸矩形框；对所述人脸矩形框进行旋转校正，校正得到正视的人脸图像；对所述人脸图像从至少两个角度进行透视变换，得到M个样本图像；采用训练网络对所述M个样本图像进行训练，训练得到网络模型参数，并基于所述网络模型参数提取人脸特征描述向量；根据所述人脸特征描述向量进行人脸识别。通过透视变换，相对于现有技术减少了变化复杂度，节省了资源和成本，并且也实现了样本图像的增加，保证了人脸识别的正确率。

Face recognition method and face recognition device

The invention is applicable to the field of image processing, and provides a face recognition method and a face recognition device. The key points of the face are determined from the image, and the rectangular frame of the face is selected according to the key points; the rectangular frame of the face is rotated and corrected to obtain the face image facing squarely; the face image is perspective transformed from at least two angles to obtain M sample images; and the training network is used to train the M sample images. Each sample image is trained to obtain the network model parameters, and the face feature description vectors are extracted based on the network model parameters, and the face recognition is carried out according to the face feature description vectors. Through perspective transformation, compared with the existing technology, it reduces the complexity of change, saves resources and costs, and also realizes the increase of sample images to ensure the accuracy of face recognition.

【技术实现步骤摘要】
一种人脸识别方法和人脸识别装置
本专利技术属于图像处理领域，尤其涉及一种人脸识别方法和人脸识别装置。
技术介绍
随着各领域对快速高效的自动身份验证技术的迫切需求，人脸识别技术因具有非接触性、采集设备简单等优点而成为当前的研究热点。但由于人的面部结构比较复杂，并且会因表情、光照等因素的影响而改变面部结构，人脸识别技术难以广泛地应用到实际生活中。近些年来，随着数据的海量增加和深度学习技术的发展，人脸识别技术的准确率也得到了质的飞跃，如DeepID、FaceNet、DeepFace等基于深度神经网络的人脸模型在人脸特征提取方面均表现出较好的描述能力，有效地提升了人脸比对、人脸识别的准确率。然而，深度学习技术的高效均依赖于大量的训练样本，目前人脸识别方向的数据样本仍旧缺乏，而标记数据样本需要耗费大量的人力成本。因此，目前大都采用图像翻转、随机裁剪等技术增加训练样本的数量，该技术可以在一定程度上解决训练样本过少导致的模型过拟合问题，提升识别准确率。但是，在训练数据严重不足时，过拟合现象仍然存在，导致深度模型的泛化能力弱，识别率低等问题。
技术实现思路
鉴于此，本专利技术提供一种人脸识别方法和人脸识别装置，以快速实现全地图人脸识别。一方面，本专利技术提供一种人脸识别方法，所述方法包括：从图像中确定人脸的关键点，并根据所述关键点确定框选人脸的人脸矩形框；对所述人脸矩形框进行旋转校正，校正得到正视的人脸图像；对所述人脸图像从至少两个角度进行透视变换，得到M个样本图像，所述M为大于或等于2的正整数；采用训练网络对所述M个样本图像进行训练，训练得到网络模型参数，并基于所述网络模型参数提取人脸特征描述向量；根据所述人脸特征描述向量进行人脸识别。又一方面，本专利技术提供一种人脸识别装置，包括：确定单元，用于从图像中确定人脸的关键点，并根据所述关键点确定框选人脸的人脸矩形框；校正单元，用于对所述人脸矩形框进行旋转校正，校正得到正视的人脸图像；透视变换单元，用于对所述人脸图像从至少两个角度进行透视变换，得到M个样本图像，所述M为大于或等于2的正整数；训练单元，用于采用训练网络对所述M个样本图像进行训练，训练得到网络模型参数，并基于所述网络模型参数提取人脸特征描述向量；人脸识别单元，用于根据所述人脸特征描述向量进行人脸识别。本专利技术的有益效果是：从图像中确定人脸的关键点，并根据所述关键点确定框选人脸的人脸矩形框；对所述人脸矩形框进行旋转校正，校正得到正视的人脸图像；对所述人脸图像从至少两个角度进行透视变换，得到M个样本图像；采用训练网络对所述M个样本图像进行训练，训练得到网络模型参数，并基于所述网络模型参数提取人脸特征描述向量；根据所述人脸特征描述向量进行人脸识别。通过透视变换，相对于现有技术减少了变化复杂度，节省了资源和成本，并且也实现了样本图像的增加，保证了人脸识别的正确率。附图说明为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。图1是本专利技术实施例提供的人脸识别方法的一种示意性流程图；图2A是框选人脸的一种示意图；图2B是对人脸矩形框进行旋转校正后得到的正视的人脸图像的一种示意图；图2C是透视变换后得到以爸爸头像为例的一种示意图；图2D是以爸爸头像为例划分10个面部区域的一种示意图；图2E是以爸爸头像为例的2个面部区域的3个不同尺度的人脸样本的一种示意图；图3是本专利技术实施例提供的人脸识别装置的组成结构图。具体实施方式为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。方法实施例本实施例从人脸识别装置角度提供一种人脸识别方法，参见图1，包括步骤S101、步骤S102、步骤S103、步骤S104和步骤S105。步骤S101，从图像中确定人脸的关键点，并根据所述关键点确定框选人脸的人脸矩形框。应知，该图像中具有一个或多个人脸的区域，例如图2A所示。本专利技术实施例在图像中根据人脸特征确定人脸的关键点。基于图2A举例说明，采用基于滑动窗口的分类检测方法，确定图像中每一个人脸的可能中心点和人脸尺寸，并根据确定的中心点和人脸尺寸创建滑动窗口(即图2A中的人脸矩形框)，然后采用深度网络进行分类检测。优选地，还可以训练基于人脸关键点的深度神经网络，对检测出的人脸进行关键点定位，再在关键点定位后绘制人脸矩形框。步骤S102，对所述人脸矩形框进行旋转校正，校正得到正视的人脸图像。本专利技术实施例对旋转校正的实现方式不做限定，例如可以是基于3D人脸模型的立体校正方式，或者是本专利技术专门提供的旋转校正的变换矩阵。如图2B所示，对所述人脸矩形框进行旋转校正后，校正得到的人脸图像是正视的。步骤S103，对所述人脸图像从至少两个角度进行透视变换，得到M个样本图像，所述M为大于或等于2的正整数。为了增加样本图像的样本数量，可以对所述人脸图像做些三维的透视变换；通常至少从两个角度做透视变换，得到更多的样本图像，例如M个样本图像。可选地，步骤S103可以分别使用左侧、右侧、俯视和仰视四个角度的变换矩阵，对所述人脸图像进行透视变换。具体地，可以使用左侧的变换矩阵，对所述人脸图像进行透视变换，得到多个样本图像。可以分别使用右侧的变换矩阵，对所述人脸图像进行透视变换，得到多个样本图像。可以分别使用俯视的变换矩阵，对所述人脸图像进行透视变换，得到多个样本图像。可以分别使用仰视的变换矩阵，对所述人脸图像进行透视变换，得到多个样本图像。举例说明，分别使用左侧、右侧、俯视和仰视四个角度的变换矩阵，对图2B中的爸爸头像做微小视角的透视变换，可生成具有微小视角变化的12张相似图像，如图2C所示。应知，左侧、右侧、俯视和仰视四个角度仅是举例，可以从不同自由度进行透视变换，得到大量的样本图像。应知，可以根据应用场景不同，选择从哪些自由度进行透视变换，得到大量能够提高人脸识别成功率的样本图像。步骤S104，采用训练网络对所述M个样本图像进行训练，训练得到网络模型参数，并基于所述网络模型参数提取人脸特征描述向量。可选地，所述述训练网络为卷积网络。在执行步骤S104之前还可以扩展样本图像的数量。具体地，分别从所述M个样本图像中划分N个面部区域，所述N为大于所述M的正整数。优选地，在划分N个面部区域时，分别从所述M个样本图像中选取不同尺度的N个面部区域。得到N个面部区域之后，在执行步骤S104时相应地采用训练网络对所述M个样本图像进行训练，即是采用所述训练网络对N个面部区域进行训练，训练得到网络模型参数，并基于所述网络模型参数提取人脸特征描述向量。所述采用训练网络对所述M个样本图像进行训练，训练得到网络模型参数，并基于所述网络模型参数提取人脸特征描述向量包括：采用所述训练网络对N个面部区域进行训练，训练得到网络模型参数，并基于所述网络模型参数提取人脸特征描述向量。举例说明，在如图2C的一个样本图像的RGB图像和灰度图像上，分别提取10个面部区域(如图2D所示)；再对每个面部区域做3个不同尺度的变换本文档来自技高网...

【技术保护点】
1.一种人脸识别方法，其特征在于，包括：从图像中确定人脸的关键点，并根据所述关键点确定框选人脸的人脸矩形框；对所述人脸矩形框进行旋转校正，校正得到正视的人脸图像；对所述人脸图像从至少两个角度进行透视变换，得到M个样本图像，所述M为大于或等于2的正整数；采用训练网络对所述M个样本图像进行训练，训练得到网络模型参数，并基于所述网络模型参数提取人脸特征描述向量；根据所述人脸特征描述向量进行人脸识别。

【技术特征摘要】
1.一种人脸识别方法，其特征在于，包括：从图像中确定人脸的关键点，并根据所述关键点确定框选人脸的人脸矩形框；对所述人脸矩形框进行旋转校正，校正得到正视的人脸图像；对所述人脸图像从至少两个角度进行透视变换，得到M个样本图像，所述M为大于或等于2的正整数；采用训练网络对所述M个样本图像进行训练，训练得到网络模型参数，并基于所述网络模型参数提取人脸特征描述向量；根据所述人脸特征描述向量进行人脸识别。2.如权利要求1所述的人脸识别方法，其特征在于，所述采用训练网络对所述M个样本图像进行训练之前，所述方法包括：分别从所述M个样本图像中划分N个面部区域，所述N为大于所述M的正整数；所述采用训练网络对所述M个样本图像进行训练，训练得到网络模型参数，并基于所述网络模型参数提取人脸特征描述向量包括：采用所述训练网络对N个面部区域进行训练，训练得到网络模型参数，并基于所述网络模型参数提取人脸特征描述向量。3.如权利要求2所述的人脸识别方法，其特征在于，所述分别从所述M个样本图像中划分N个面部区域包括：分别从所述M个样本图像中选取不同尺度的N个面部区域。4.如权利要求1至3任一项所述的人脸识别方法，其特征在于，所述训练网络为卷积网络。5.如权利要求1所述的人脸识别方法，其特征在于，对所述人脸图像从至少两个角度进行透视变换，包括：分别使用左...

【专利技术属性】
技术研发人员：谷湘煜，李星明，段晶晶，余亚玲，
申请(专利权)人：深圳市朗驰欣创科技股份有限公司，
类型：发明
国别省市：广东,44