一种人脸识别方法、系统及电子设备和存储介质技术方案

本申请公开了一种人脸识别方法、系统及一种电子设备和计算机可读存储介质，该方法包括：获取训练集，并利用特征点回归模型检测所述训练集中的每个人脸图片中人脸区域的的特征点位置；其中，所述人脸图片具体为已标记识别结果的人脸图片；根据所述特征点位置利用预设的扩圈策略对每个所述人脸图片进行扩圈处理；利用扩圈完成的人脸图片训练深度学习模型，以便利用训练完成的深度学习模型识别目标人脸图片。由此可见，本申请提供的人脸识别方法，提高了人脸识别的准确度。

A Face Recognition Method, System, Electronic Equipment and Storage Media

【技术实现步骤摘要】
一种人脸识别方法、系统及电子设备和存储介质
本申请涉及人脸识别
，更具体地说，涉及一种人脸识别方法、系统及一种电子设备和一种计算机可读存储介质。
技术介绍
对于零售行业门店(如服装店、商店等)需要统计对客流属性分析，主要包括统计到店人流中性别和年龄分布，并制定相应的销售策略。通过摄像设备采集人脸图片，并识别该人脸图片的性别和年龄信息。在现有技术中，使用人脸图片组成的训练集训练机器学习模型，通过训练完成的学习模型对输入人脸图片进行识别。但在实际的应用场景中，摄像头一般摆放在距离人较远的地方，受实际环境的光线，复杂背景等影响，拍摄的人脸的较小且分辨率不高。基于此训练得到的学习模型对人脸图片识别的准确度较低。因此，如何提高人脸识别的准确度是本领域技术人员需要解决的技术问题。
技术实现思路
本申请的目的在于提供一种人脸识别方法、系统及一种电子设备和一种计算机可读存储介质，提高了人脸识别的准确度。为实现上述目的，本申请提供了一种人脸识别方法，包括：获取训练集，并利用特征点回归模型检测所述训练集中的每个人脸图片中人脸区域的的特征点位置；其中，所述人脸图片具体为已标记识别结果的人脸图片；根据所述特征点位置利用预设的扩圈策略对每个所述人脸图片进行扩圈处理；利用扩圈完成的人脸图片训练深度学习模型，以便利用训练完成的深度学习模型识别目标人脸图片。其中，所述利用训练完成的深度学习模型识别目标人脸图片，包括：当接收到所述目标人脸图片时，利用所述特征点回归模型检测所述目标人脸图片中人脸区域的特征点位置；根据所述特征点位置利用所述扩圈策略对所述目标人脸图片进行扩圈处理；将扩圈后的图像输入所述训练完成的深度学习模型中，得到所述原始图像对应的人脸识别结果。其中，所述根据所述特征点位置利用预设的扩圈策略对每个所述人脸图片进行扩圈处理之后，还包括：调整每个所述人脸图片的尺寸为目标尺寸。其中，所述人脸图片具体为已标记性别和/或年龄的人脸图片。其中，所述深度学习模型包括mobilefacenet学习模型。其中，所述特征点回归模型包括dlib68特征点回归模型。其中，所述根据所述特征点位置利用预设的扩圈策略对每个所述人脸图片进行扩圈处理，包括：根据每个所述人脸图片中的所述特征点位置确定两眼间距；将每个所述人脸图片的左边界向左移动第一距离，将每个所述人脸图片的右边界向右移动所述第一距离；其中，所述第一距离为第一比值与所述两眼间距的乘积；将每个所述人脸图片的上边界向上移动第二距离，将每个所述人脸图片的下边界向下移动所述第二距离；其中，所述第二距离为第二比值与所述两眼间距的乘积。为实现上述目的，本申请提供了一种人脸识别系统，包括：获取模块，用于获取训练集，并利用特征点回归模型检测所述训练集中的每个人脸图片中人脸区域的的特征点位置；其中，所述人脸图片具体为已标记识别结果的人脸图片；扩圈模块，用于根据所述特征点位置利用预设的扩圈策略对每个所述人脸图片进行扩圈处理；训练模块，用于利用扩圈完成的人脸图片训练深度学习模型，以便利用训练完成的深度学习模型识别目标人脸图片。为实现上述目的，本申请提供了一种电子设备，包括：存储器，用于存储计算机程序；处理器，用于执行所述计算机程序时实现如上述人脸识别方法的步骤。为实现上述目的，本申请提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上述人脸识别方法的步骤。通过以上方案可知，本申请提供的一种人脸识别方法，包括：获取训练集，并利用特征点回归模型检测所述训练集中的每个人脸图片中人脸区域的的特征点位置；其中，所述人脸图片具体为已标记识别结果的人脸图片；根据所述特征点位置利用预设的扩圈策略对每个所述人脸图片进行扩圈处理；利用扩圈完成的人脸图片训练深度学习模型，以便利用训练完成的深度学习模型识别目标人脸图片。本申请提供的人脸识别方法，利用预设的扩圈策略对训练集中的每个人脸图片进行扩圈处理，由于扩圈后的人脸图片包括发型、耳钉等额外信息，即扩圈后的人脸图片可以提取较多的特征，基于此训练得到的学习模型对人脸图片识别的准确度较高。由此可见，本申请提供的人脸识别方法，提高了人脸识别的准确度。本申请还公开了一种人脸识别系统及一种电子设备和一种计算机可读存储介质，同样能实现上述技术效果。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的，并不能限制本申请。附图说明为了更清楚地说明本申请实施例或现有技术中的技术方案，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申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。附图是用来提供对本公开的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本公开，但并不构成对本公开的限制。在附图中：图1为根据一示例性实施例示出的一种人脸识别方法的流程图；图2为图1中步骤S102的细化流程图；图3为根据一示例性实施例示出的另一种人脸识别方法的流程图；图4为bottleneck结构的卷积的结构示意图；图5为根据一示例性实施例示出的一种人脸识别系统的结构图；图6为根据一示例性实施例示出的一种电子设备的结构图。具体实施方式下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。本申请实施例公开了一种人脸识别方法，提高了人脸识别的准确度。参见图1，根据一示例性实施例示出的一种人脸识别方法的流程图，如图1所示，包括：S101：获取训练集，并利用特征点回归模型检测所述训练集中的每个人脸图片中人脸区域的的特征点位置；其中，所述人脸图片具体为已标记识别结果的人脸图片；在本步骤中，获取用于训练深度学习模型的训练集，该训练集中的人脸图片为使用mtcnn人脸检测模型裁剪数据集中后，已标记识别结果的人脸图片，此处的识别结果具体为性别、年龄识别结果等，在此不进行具体限定。获取训练集后，利用特征点回归模型检测每个人脸图片中人脸区域的的特征点位置，以便后续步骤根据该特征点位置进行扩圈操作。此处的特征点回归模型可以优选为dlib68特征点回归模型。S102：根据所述特征点位置利用预设的扩圈策略对每个所述人脸图片进行扩圈处理；在本步骤中，基于上一步骤获取的特征点位置利用预设的扩圈策略对每个人脸图片。具体的，可以对人脸图片的宽度进行扩大，以获取人耳等特征，还可以对人脸图片的长度进行扩大，以获取发型等特征，当然也可以同时进行宽度和长度方向上的扩大。根据扩圈后的人脸位置，从原始图像中扣取对应区域的人脸数据，作为后续训练集的人脸图片。作为一种优选实施方式，在对人脸图片进行扩圈处理之前，还可以包括对人脸图片进行预处理，得到标准人脸图片的步骤。此处不对预处理的具体操作进行限定，对目标人脸图片进行图像预处理的步骤可以包括调整所述目标人脸图片的尺寸。例如，可以将人脸图片的大小同一为112×112。对目标人脸图片进行图像预处理的步骤也可以包括识别所述目标人脸图片中的人本文档来自技高网...

【技术保护点】
1.一种人脸识别方法，其特征在于，包括：获取训练集，并利用特征点回归模型检测所述训练集中的每个人脸图片中人脸区域的的特征点位置；其中，所述人脸图片具体为已标记识别结果的人脸图片；根据所述特征点位置利用预设的扩圈策略对每个所述人脸图片进行扩圈处理；利用扩圈完成的人脸图片训练深度学习模型，以便利用训练完成的深度学习模型识别目标人脸图片。

【技术特征摘要】
1.一种人脸识别方法，其特征在于，包括：获取训练集，并利用特征点回归模型检测所述训练集中的每个人脸图片中人脸区域的的特征点位置；其中，所述人脸图片具体为已标记识别结果的人脸图片；根据所述特征点位置利用预设的扩圈策略对每个所述人脸图片进行扩圈处理；利用扩圈完成的人脸图片训练深度学习模型，以便利用训练完成的深度学习模型识别目标人脸图片。2.根据权利要求1所述人脸识别方法，其特征在于，所述利用训练完成的深度学习模型识别目标人脸图片，包括：当接收到所述目标人脸图片时，利用所述特征点回归模型检测所述目标人脸图片中人脸区域的特征点位置；根据所述特征点位置利用所述扩圈策略对所述目标人脸图片进行扩圈处理；将扩圈后的图像输入所述训练完成的深度学习模型中，得到所述原始图像对应的人脸识别结果。3.根据权利要求1所述人脸识别方法，其特征在于，所述根据所述特征点位置利用预设的扩圈策略对每个所述人脸图片进行扩圈处理之后，还包括：调整每个所述人脸图片的尺寸为目标尺寸。4.根据权利要求1所述人脸识别方法，其特征在于，所述人脸图片具体为已标记性别和/或年龄的人脸图片。5.根据权利要求1所述人脸识别方法，其特征在于，所述深度学习模型包括mobilefacenet学习模型。6.根据权利要求1所述人脸识别方法，其特征在于，所述特征点回归模型包括dlib68特征点回归模型。7....

【专利技术属性】
技术研发人员：陈鑫，赵明，
申请(专利权)人：杭州智趣智能信息技术有限公司，
类型：发明
国别省市：浙江,33