人脸识别方法、装置及设备制造方法及图纸

本发明专利技术提供一种人脸识别方法、装置及设备，其中该方法包括：提取视频文件的关键帧；确定所述关键帧后播放的预设数量的图像帧为非关键帧；对所述关键帧进行人脸识别，获得所述关键帧中的人脸图像；根据所述关键帧中的人脸图像，对所述非关键帧进行人脸跟踪，获得所述非关键帧中的人脸图像。本发明专利技术所述人脸识别方法和装置，只对视频文件的关键帧进行人脸识别，对关键帧后播放的预设数量的图像帧进行人脸跟踪，由于无需对视频文件的每一图像帧均执行人脸识别，对部分图像帧采用人脸跟踪的方式，相对于执行人脸识别过程，运算速度会快很多，从而解决现有技术视频中的人脸识别过程计算量大，耗时和耗力的问题。

Face Recognition Method, Device and Equipment

【技术实现步骤摘要】
人脸识别方法、装置及设备
本专利技术涉及人工智能
，尤其是指一种人脸识别方法、装置及设备。
技术介绍
人脸识别是一种利用人脸面部的稳定特征进行身份认证的生物特征技术，它具有友好，方便、准确、直观、非强制性和非接触性的特点，近年来受到了广泛的关注，尤其是对于智能安防、金融支付和访问控制等领域起着越来越重要的作用。目前的人脸识别研究主要是不断提出新的卷积神经网络，达到提高人脸识别的准确度处理速度的目标。基于图片的人脸粗粒度识别已经做得很成熟，比较有代表意义的就是使用DeepFace、DeepID2或VGG-Face进行人脸识别。但是，基于视频的人脸识别目前还是有很大的问题，主要体现在视频检测处理的速度和精度上面。传统的视频人脸识别方法都是逐帧对图片中的人脸进行检测和识别，每一帧都要通过深度卷积神经网络运算一次。这种运算的最大缺点就是计算量大，每做一次深度网络的运算都需要耗费大量的计算机资源。
技术实现思路
本专利技术技术方案的目的在于提供一种人脸识别方法、装置及设备，用于解决现有技术视频中的人脸识别过程计算量大，耗时和耗力的问题。本专利技术实施例一方面提供一种人脸识别方法，其中，包括：提取视频文件的关键帧；确定所述关键帧后播放的预设数量的图像帧为非关键帧；对所述关键帧进行人脸识别，获得所述关键帧中的人脸图像；根据所述关键帧中的人脸图像，对所述非关键帧进行人脸跟踪，获得所述非关键帧中的人脸图像。优选地，所述的人脸识别方法，其中，所述对所述关键帧进行人脸识别，获得所述关键帧中的人脸图像的步骤包括：将所述关键帧输入至经过预先训练获得的人脸识别网络模型中，获得所述关键帧中的人脸特征图像；其中，所述人脸识别网络模型是通过卷积神经网络模型对包括多张相似人脸的样本图片进行人脸的特征训练获得。优选地，所述的人脸识别方法，其中，所述根据所述关键帧中的人脸图像，对所述非关键帧进行人脸跟踪，获得所述非关键帧中的人脸图像的步骤之后，所述方法还包括：利用所述关键帧中的人脸图像和所述非关键帧中的人脸图像，对所述人脸识别网络模型进行端到端的训练。优选地，所述的人脸识别方法，其中，所述卷积神经网络模型包括多个卷积层，其中每一卷积层均包括一3×3的滤波器。优选地，所述的人脸识别方法，其中，所述卷积神经网络的每一卷积层均附有非线性激活函数，且第一个卷积层、第二个卷积层、第四个卷积层和第六个卷积层后均连接有池化层。优选地，所述的人脸识别方法，其中，所述卷积神经网络模型还包括连接在最后一个卷积层后的全连接层和K类分类器softmax层。优选地，所述的人脸识别方法，其中，所述根据所述关键帧中的人脸图像，对所述非关键帧进行人脸跟踪，获得所述非关键帧中的人脸图像的步骤包括：利用初始化的KCF算法跟踪器，对所述非关键帧中与所述关键帧中的人脸图像对应的图像进行跟踪，确定所述非关键帧中与所述关键帧中的人脸图像对应的图像具有与所述关键帧中的人脸图像对应的身份信息。优选地，所述的人脸识别方法，其中，所述提取视频文件的关键帧的步骤中，提取视频文件的多个关键帧；其中，确定所述关键帧后播放的预设数量的图像帧为非关键帧的步骤中：确定相邻两个关键帧之间的图像帧为非关键帧。优选地，所述的人脸识别方法，其中，所述对所述关键帧进行人脸识别，获得所述关键帧中的人脸图像的步骤中，对每一关键帧分别进行人脸识别，获得每一所述关键帧中的人脸图像；所述根据所述关键帧中的人脸图像，对所述非关键帧进行人脸跟踪，获得所述非关键帧中的人脸图像的步骤中，根据每一所述关键帧中的人脸图像，对相应的所述非关键帧进行人脸跟踪，获得与每一所述关键帧对应的每一所述非关键帧中的人脸图像。本专利技术具体实施例另一方面还提供一种人脸识别装置，其中，包括：图像提取模块，用于提取视频文件的关键帧；数据确定模块，用于确定所述关键帧后播放的预设数量的图像帧为非关键帧；识别模块，用于对所述关键帧进行人脸识别，获得所述关键帧中的人脸图像；跟踪模块，用于根据所述关键帧中的人脸图像，对所述非关键帧进行人脸跟踪，获得所述非关键帧中的人脸图像。本专利技术实施例还提供一种人脸识别设备，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；其中，所述处理器执行所述程序时执行如上中任一项所述的人脸识别方法。本专利技术实施例还提供一种计算机可读存储介质，其上存储有计算机程序，其中，该程序被处理器执行时实现如上中任一项所述的人脸识别方法中的步骤。本专利技术的上述技术方案中的至少一个具有以下有益效果：本专利技术具体实施例所述人脸识别方法和装置，只对视频文件的关键帧进行人脸识别，对关键帧后播放的预设数量的图像帧进行人脸跟踪，由于无需对视频文件的每一图像帧均执行人脸识别，对部分图像帧采用人脸跟踪的方式，相对于执行人脸识别过程，运算速度会快很多，从而解决现有技术视频中的人脸识别过程计算量大，耗时和耗力的问题。附图说明图1为本专利技术具体实施例所述人脸识别方法的流程示意图；图2为采用本专利技术具体实施例所述人脸识别方法，在进行人脸识别和人脸跟踪时的流程示意图；图3为采用本专利技术具体实施例所述人脸识别方法，所使用人脸识别网络模型的架构示意图；图4为采用本专利技术具体实施例所述人脸识别方法，对非关键帧进行人脸跟踪时的过程示意图；图5为本专利技术具体实施例所述人脸识别装置的结构示意图；图6为本专利技术具体实施例所述人脸识别设置的结构示意图。具体实施方式为使本专利技术要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。如图1所示，本专利技术具体实施例所述人脸识别方法，包括：S110，提取视频文件的关键帧；S120，确定所述关键帧后播放的预设数量的图像帧为非关键帧；S130，对所述关键帧进行人脸识别，获得所述关键帧中的人脸图像；S140，根据所述关键帧中的人脸图像，对所述非关键帧进行人脸跟踪，获得所述非关键帧中的人脸图像。本专利技术具体实施例所述人脸识别方法，采用只对视频文件的关键帧进行人脸识别，对关键帧后播放的预设数量的图像帧进行人脸跟踪的方式，能够进行视频文件的人脸识别，由于无需对视频文件的每一图像帧均执行人脸识别，对部分图像帧采用人脸跟踪的方式，相对于执行人脸识别过程，运算速度会快很多，从而解决现有技术视频中的人脸识别过程计算量大，耗时和耗力的问题。另外，对于视频文件中的非关键帧，利用关键帧的识别结果进行人脸跟踪，人脸跟踪过程对于遮挡、动态模糊和光照等恶劣情况下的图像帧中的人脸图片也能够有效识别，可以应用于不同显示质量的视频文件中。具体地，步骤S130中，对所述关键帧进行人脸识别，获得所述关键帧中的人脸图像的步骤包括：将所述关键帧输入至经过预先训练获得的人脸识别网络模型中，获得所述关键帧中的人脸图像；其中，所述人脸识别网络模型是通过卷积神经网络模型对包括多张相似人脸的样本图片进行人脸的特征训练获得。采用上述方式，利用多张相似人脸的样本图片进行人脸的特征训练获得人脸识别网络模型，可以大大提高人脸识别精度，达到超细粒度人脸识别，达到可以识别出肉眼无法甄别的两个极其相似的人的目的，例如可以识别双胞胎。因此，采用本专利技术具体实施例所述人脸识别方法，不但能够提高视频文件的人脸识别的速度，也能够达到提高人脸识别精度的目的。较佳地，本专利技术具体实施例所述人脸识别方法，在步骤S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：提取视频文件的关键帧；确定所述关键帧后播放的预设数量的图像帧为非关键帧；对所述关键帧进行人脸识别，获得所述关键帧中的人脸图像；根据所述关键帧中的人脸图像，对所述非关键帧进行人脸跟踪，获得所述非关键帧中的人脸图像。

【技术特征摘要】
1.一种人脸识别方法，其特征在于，包括：提取视频文件的关键帧；确定所述关键帧后播放的预设数量的图像帧为非关键帧；对所述关键帧进行人脸识别，获得所述关键帧中的人脸图像；根据所述关键帧中的人脸图像，对所述非关键帧进行人脸跟踪，获得所述非关键帧中的人脸图像。2.根据权利要求1所述的人脸识别方法，其特征在于，所述对所述关键帧进行人脸识别，获得所述关键帧中的人脸图像的步骤包括：将所述关键帧输入至经过预先训练获得的人脸识别网络模型中，获得所述关键帧中的人脸特征图像；其中，所述人脸识别网络模型是通过卷积神经网络模型对包括多张相似人脸的样本图片进行人脸的特征训练获得。3.根据权利要求2所述的人脸识别方法，其特征在于，所述根据所述关键帧中的人脸图像，对所述非关键帧进行人脸跟踪，获得所述非关键帧中的人脸图像的步骤之后，所述方法还包括：利用所述关键帧中的人脸图像和所述非关键帧中的人脸图像，对所述人脸识别网络模型进行端到端的训练。4.根据权利要求2所述的人脸识别方法，其特征在于，所述卷积神经网络模型包括多个卷积层，其中每一卷积层均包括一3×3的滤波器。5.根据权利要求4所述的人脸识别方法，其特征在于，所述卷积神经网络的每一卷积层均附有非线性激活函数，且第一个卷积层、第二个卷积层、第四个卷积层和第六个卷积层后均连接有池化层。6.根据权利要求3至5任一项所述的人脸识别方法，其特征在于，所述卷积神经网络模型还包括连接在最后一个卷积层后的全连接层和K类分类器softmax层。7.根据权利要求1所述的人脸识别方法，其特征在于，所述根据所述关键帧中的人脸图像，对所述非关键帧进行人脸跟踪，获得所述非关键帧中的人脸图像的步骤包括：利用初始化的...

【专利技术属性】
技术研发人员：潘伟森，李俭，高黎明，
申请(专利权)人：中国移动通信有限公司研究院，中国移动通信集团有限公司，
类型：发明
国别省市：北京,11