本发明专利技术公开了一种眼镜摘除模型的训练方法、人脸识别方法和装置。其中训练方法包括：获取样本图像，其中，样本图像包括输入图像和目标图像，输入图像和目标图像的区别在于图像中的人脸是否戴眼镜，其中，输入图像用于指示戴眼镜的人脸图像，目标图像用于指示未戴眼镜的人脸图像；构建对称卷积神经网络模型，其中，该模型采用对称的卷积神经网络结构，包括依次连接的输入层、N个卷积层、N个反卷积层和输出层，其中，第i个卷积层与第N+1‑i个反卷积层为对称关系，卷积层用于对图像进行特征编码，反卷积层用于对图像进行特征解码；根据输入图像和目标图像对所述模型进行训练，得到眼镜摘除模型。该方法可以使得训练出的模型具有更好的效果。
【技术实现步骤摘要】
眼镜摘除模型的训练方法、人脸识别方法、装置和设备
本专利技术涉及图像处理
，尤其涉及一种眼镜摘除模型的训练方法、人脸识别方法、装置、电子设备和计算机可读存储介质。
技术介绍
眼部区域是人脸最主要的特征区域，而眼镜是常见的面部遮挡物，尤其深色粗框眼镜有很明显的特征，它对眼部图像的特征提取有很大的干扰。人脸识别中有相似眼镜的人员很容易误认，或者一张不戴眼镜的证件照和戴眼镜的生活照很难认为是一个人。所以眼镜摘除是人脸识别的一个重要步骤。相关技术中，常见的有以下集中方法来实现对眼镜的去除：1)基于边缘检测的方法来检测眼镜轮廓，再融合周围像素估计眼镜的像素；2)基于PCA(PrincipalComponentAnalysis，主成分分析)的重建方法，通过将戴眼镜的人脸投影到不戴眼镜的人脸空间，再反向重建，可以去除眼镜。但是，目前存在的问题是：基于边缘检测的方法容易受到眼镜种类和光照的影响，例如，无框或半框眼镜就很难检测到边缘信息，当出现反光时像素融合也很难进行；基于PCA的重建方法虽然简单，但其是基于整个人脸的投影和重建，不但在眼镜区域会有残留，人脸其他区域也引入了噪声，效果较差。
技术实现思路
本专利技术的目的旨在至少在一定程度上解决上述的技术问题之一。为此，本专利技术的第一个目的在于提出一种眼镜摘除模型的训练方法。该方法可以通过使用戴眼镜和未戴眼镜的对应图像对对称卷积神经网络模型进行训练，使学习更加具有针对性，不会给眼镜之外的区域带来影响，使得训练出的模型能够具有更好的效果。本专利技术的第二个目的在于提出一种人脸识别方法。本专利技术的第三个目的在于提出一种眼镜摘除模型的训练装置。本专利技术的第四个目的在于提出一种人脸识别装置。本专利技术的第五个目的在于提出一种电子设备。本专利技术的第六个目的在于提出一种非临时性计算机可读存储介质。本专利技术的第七个目的在于提出另一种电子设备。本专利技术的第八个目的在于提出另一种非临时性计算机可读存储介质。为达到上述目的，本专利技术第一方面实施例提出的眼镜摘除模型的训练方法，包括：获取样本图像，其中，所述样本图像包括输入图像和目标图像，所述输入图像和目标图像的区别在于图像中的人脸是否戴眼镜，其中，所述输入图像用于指示戴眼镜的人脸图像，所述目标图像用于指示未戴眼镜的人脸图像；构建对称卷积神经网络模型，其中，所述对称卷积神经网络模型采用对称的卷积神经网络结构，包括依次连接的输入层、N个卷积层、N个反卷积层和输出层，其中，第i个卷积层与第N+1-i个反卷积层为对称关系，N为正整数，i＝1,2,…,N，所述卷积层用于对图像进行特征编码，所述反卷积层用于对图像进行特征解码；根据所述输入图像和目标图像对所述对称卷积神经网络模型进行训练，得到眼镜摘除模型。根据本专利技术实施例的眼镜摘除模型的训练方法，获取样本图像，其中，该样本图像包括输入图像和目标图像，该输入图像和目标图像分别为戴眼镜和未戴眼镜的对应图像，并构建对称卷积神经网络模型，其中，该模型的左半部分用于对人脸的特征编码，右半部分用于对图像的解码，这样，根据所述输入图像和目标图像对该对称卷积神经网络模型进行训练，得到眼镜摘除模型，这样，通过使用戴眼镜和未戴眼镜的对应图像对模型进行训练，使学习更加具有针对性，不会给眼镜之外的区域带来影响，使得训练出的模型能够具有更好的效果，这样，在实际应用中，通过该眼镜摘除模型来实现人脸图像中眼镜的摘除，可以提高人脸眼镜摘除的效果，大大提升了人脸识别准确度。为达到上述目的，本专利技术第二方面实施例提出的人脸识别方法，包括：获取待识别的人脸图像；判断所述待识别的人脸图像中是否包含眼镜；若否，则对所述待识别的人脸图像进行人脸识别；若是，则根据预先训练的眼镜摘除模型对所述待识别的人脸图像中的眼镜进行摘除处理，得到眼镜摘除后的图像，其中，所述眼镜摘除模型是采用本专利技术第一方面实施例所述的训练方法训练得到的；对所述眼镜摘除后的图像进行人脸识别。根据本专利技术实施例的人脸识别方法，在判断待识别的人脸图像中包含眼镜时，将该待识别的人脸图像代入预先训练的眼镜摘除模型中以得到眼镜摘除后的图像，然后，对该眼镜摘除后的图像进行人脸识别，其中，所述眼镜摘除模型在训练时采用的是戴眼镜和未戴眼镜的对应样本，使学习更加具有针对性，不会给眼镜之外的区域带来影响，使得训练出的模型能够具有更好的效果，这样，在实际应用中，通过该眼镜摘除模型来实现人脸图像中眼镜的摘除，可以提高人脸眼镜摘除的效果，大大提升了人脸识别准确度。为达到上述目的，本专利技术第三方面实施例提出的眼镜摘除模型的训练装置，包括：获取模块，用于获取样本图像，其中，所述样本图像包括输入图像和目标图像，所述输入图像和目标图像的区别在于图像中的人脸是否戴眼镜，其中，所述输入图像用于指示戴眼镜的人脸图像，所述目标图像用于指示未戴眼镜的人脸图像；构建模块，用于构建对称卷积神经网络模型，其中，所述对称卷积神经网络模型采用对称的卷积神经网络结构，包括依次连接的输入层、N个卷积层、N个反卷积层和输出层，其中，第i个卷积层与第N+1-i个反卷积层为对称关系，N为正整数，i＝1,2,…,N，所述卷积层用于对图像进行特征编码，所述反卷积层用于对图像进行特征解码；训练模块，用于根据所述输入图像和目标图像对所述对称卷积神经网络模型进行训练，得到眼镜摘除模型。根据本专利技术实施例的眼镜摘除模型的训练装置，可以通过使用戴眼镜和未戴眼镜的对应图像对对称卷积神经网络模型进行训练，使学习更加具有针对性，不会给眼镜之外的区域带来影响，使得训练出的模型能够具有更好的效果，这样，在实际应用中，通过该眼镜摘除模型来实现人脸图像中眼镜的摘除，可以提高人脸眼镜摘除的效果，大大提升了人脸识别准确度。为达到上述目的，本专利技术第四方面实施例提出的人脸识别装置，包括：获取模块，用于获取待识别的人脸图像；判断模块，用于判断所述待识别的人脸图像中是否包含眼镜；人脸识别模块，用于在所述待识别的人脸图像中未包含眼镜时，对所述待识别的人脸图像进行人脸识别；眼镜摘除模块，用于在所述待识别的人脸图像中包含眼镜时，根据预先训练的眼镜摘除模型对所述待识别的人脸图像中的眼镜进行摘除处理，得到眼镜摘除后的图像，其中，所述眼镜摘除模型是采用本专利技术第一方面实施例所述的训练方法训练得到的；其中，所述人脸识别模块，还用于对所述眼镜摘除后的图像进行人脸识别。根据本专利技术实施例的人脸识别装置，在判断待识别的人脸图像中包含眼镜时，将该待识别的人脸图像代入预先训练的眼镜摘除模型中以得到眼镜摘除后的图像，然后，对该眼镜摘除后的图像进行人脸识别，其中，所述眼镜摘除模型在训练时采用的是戴眼镜和未戴眼镜的对应样本，使学习更加具有针对性，不会给眼镜之外的区域带来影响，使得训练出的模型能够具有更好的效果，这样，在实际应用中，通过该眼镜摘除模型来实现人脸图像中眼镜的摘除，可以提高人脸眼镜摘除的效果，大大提升了人脸识别准确度。为达到上述目的，本专利技术第五方面实施例提出的电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序时，实现本专利技术第一方面实施例所述的眼镜摘除模型的训练方法。为达到上述目的，本专利技术第六方面实施例提出的非临时性计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执本文档来自技高网...
【技术保护点】
1.一种眼镜摘除模型的训练方法，其特征在于，包括以下步骤：获取样本图像，其中，所述样本图像包括输入图像和目标图像，所述输入图像和目标图像的区别在于图像中的人脸是否戴眼镜，其中，所述输入图像用于指示戴眼镜的人脸图像，所述目标图像用于指示未戴眼镜的人脸图像；构建对称卷积神经网络模型，其中，所述对称卷积神经网络模型采用对称的卷积神经网络结构，包括依次连接的输入层、N个卷积层、N个反卷积层和输出层，其中，第i个卷积层与第N+1‑i个反卷积层为对称关系，N为正整数，i＝1,2,…,N，所述卷积层用于对图像进行特征编码，所述反卷积层用于对图像进行特征解码；根据所述输入图像和目标图像对所述对称卷积神经网络模型进行训练，得到眼镜摘除模型。
【技术特征摘要】
1.一种眼镜摘除模型的训练方法，其特征在于，包括以下步骤：获取样本图像，其中，所述样本图像包括输入图像和目标图像，所述输入图像和目标图像的区别在于图像中的人脸是否戴眼镜，其中，所述输入图像用于指示戴眼镜的人脸图像，所述目标图像用于指示未戴眼镜的人脸图像；构建对称卷积神经网络模型，其中，所述对称卷积神经网络模型采用对称的卷积神经网络结构，包括依次连接的输入层、N个卷积层、N个反卷积层和输出层，其中，第i个卷积层与第N+1-i个反卷积层为对称关系，N为正整数，i＝1,2,…,N，所述卷积层用于对图像进行特征编码，所述反卷积层用于对图像进行特征解码；根据所述输入图像和目标图像对所述对称卷积神经网络模型进行训练，得到眼镜摘除模型。2.如权利要求1所述的方法，其特征在于，所述对称卷积神经网络模型还包括N个池化层，其中，在每个所述卷积层的后面连接一个池化层，所述池化层用于对输入的特征图进行压缩。3.如权利要求1所述的方法，其特征在于，所述根据输入图像和目标图像对所述对称卷积神经网络模型进行训练，得到眼镜摘除模型，包括：将所述输入图像输入至所述对称卷积神经网络模型进行训练，得到输出图像；计算所述输出图像的像素和所述目标图像的像素之间的最小平方误差；判断所述误差是否小于预设阈值；如果所述误差大于或等于所述预设阈值，则将所述输出图像作为新的输入图像，并将所述新的输入图像输入至上一次训练后得到的对称卷积神经网络模型进行训练，得到的新的输出图像，并执行所述计算所述输出图像的像素和所述目标图像的像素之间的最小平方误差的步骤；如果所述误差小于所述预设阈值，则将最后一次训练后得到的对称卷积神经网络模型作为所述眼镜摘除模型。4.一种人脸识别方法，其特征在于，包括：获取待识别的人脸图像；判断所述待识别的人脸图像中是否包含眼镜；若否，则对所述待识别的人脸图像进行人脸识别；若是，则根据预先训练的眼镜摘除模型对所述待识别的人脸图像中的眼镜进行摘除处理，得到眼镜摘除后的图像，其中，所述眼镜摘除模型是采用如权利要求1至3中任一项所述的训练方法训练得到的；对所述眼镜摘除后的图像进行人脸识别。5.如权利要求4所述的方法，其特征在于，所述判断待识别的人脸图像中是否包含眼镜，包括：根据预先训练的眼镜判定模型判断所述待识别的人脸图像中是否包含眼镜。6.如权利要求5所述的方法，其特征在于，所述眼镜判定模型通过以下步骤预先训练得到：获取戴眼镜人脸样本图像和不戴眼镜人脸样本图像；根据可变形模型算法，从所述戴眼镜人脸样本图像中提取第一人脸特征点，并从所述不戴眼镜人脸样本图像中提取第二人脸特征点；根据所述第...
【专利技术属性】
技术研发人员：鲁星星，
申请(专利权)人：比亚迪股份有限公司，
类型：发明
国别省市：广东,44
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。