一种人脸图片识别方法、装置、电子设备及存储介质制造方法及图纸

本发明专利技术实施例公开了一种人脸图片识别方法、装置、电子设备及存储介质。其中方法包括：获取待识别的人脸图片，将人脸图片进行预处理，得到预处理图片；将预处理图片输入至预先训练的特征向量提取模型中，得到人脸特征向量；基于预设特征向量库，对人脸特征向量进行识别。通过将人脸图片进行预处理，可以提高人脸图片的识别准确率；通过预先训练的特征向量提取模块，可以得到预处理图片对应的高准确率的人脸特征向量；通过预设特征向量库，可以对人脸特征向量对应的人脸进行识别，从而提高了分辨率较低的人脸图片的识别准确率。

A face image recognition method, device, electronic equipment and storage medium

The embodiment of the invention discloses a face image recognition method, a device, an electronic device and a storage medium. The methods include: obtaining the face image to be recognized, preprocessing the face image to get the preprocessed image, inputting the preprocessed image into the pre trained feature vector extraction model to get the face feature vector, and recognizing the face feature vector based on the preset feature vector database. Through preprocessing the face image, the recognition accuracy of the face image can be improved; through the pre trained feature vector extraction module, the face feature vector with high accuracy corresponding to the preprocessed image can be obtained; through pre-set feature vector library, the face corresponding to the face feature vector can be recognized, thus improving the recognition accuracy of the face image with lower resolution Accuracy rate.

【技术实现步骤摘要】
一种人脸图片识别方法、装置、电子设备及存储介质
本专利技术实施例涉及图像处理技术，尤其涉及一种人脸图片识别方法、装置、电子设备及存储介质。
技术介绍
随着大数据和AI人工智能算法的发展，人脸识别已成为当前一个热门的研究方向，广泛应用于上班签到打卡、安防监控系统等领域。在安防监控系统中，现有的对犯人进行辨识的方法大多采用人员观察，或者人物图片分析，但是监控视频中的图片信息分辨率较低，很难对人物头像特征进行提取，不便于对人脸的数据进行查询，增加了识别人脸的难度。因此，亟需一种针对分辨率较低的人脸图片的识别方法。
技术实现思路
本专利技术实施例提供一种人脸图片识别方法、装置、电子设备及存储介质，提高了分辨率较低的人脸图片的识别准确率。第一方面，本专利技术实施例提供了一种人脸图片识别方法，包括：获取待识别的人脸图片，将所述人脸图片进行预处理，得到预处理图片；将所述预处理图片输入至预先训练的特征向量提取模型中，得到人脸特征向量；基于预设特征向量库，对所述人脸特征向量进行识别。可选的，所述获取待识别的人脸图片，包括：通过预设接口获取网络摄像机采集的视频流，将所述视频流转化为矩阵格式的图片，将转化完成的图片作为待识别的人脸图片。可选的，所述将所述人脸图片进行预处理，包括：基于多任务卷积神经网络算法，确定所述人脸图片中的人脸关键点和人脸范围；根据所述人脸范围对所述人脸图片进行切割，并将切割后的人脸图片进行归一化；基于普鲁克分析方法，将所述归一化后人脸图片中的人脸关键点与预设关键点对齐。可选的，所述特征向量提取模型，包括：依序连接的第一卷积层、第一池化层、预设数量个第一残差单元和第一输出层；其中，所述第一残差单元包括：依序连接的第一BN层、第二卷积层、第一ReLU层、第三卷积层和第二BN层，且第一BN层的输入端与第二BN层的输出端连接；其中，所述第一输出层包括：依序连接的第三BN层、第一Dropout层、第一全连接层和第四BN层。可选的，所述特征向量提取模型在预先训练过程中，在所述第一输出层之后还连接有AM-Softmax层。可选的，所述基于预设特征向量库对所述人脸特征向量进行识别，包括：遍历所述预设特征向量库中的预设特征向量；计算当前遍历的预设特征向量与所述人脸特征向量之间的向量距离；于遍历结束时，根据各向量距离对所述人脸特征向量进行识别。第二方面，本专利技术实施例还提供了一种人脸图片识别装置，该装置包括：预处理模块，用于获取待识别的人脸图片，将所述人脸图片进行预处理，得到预处理图片；特征向量确定模块，用于将所述预处理图片输入至预先训练的特征向量提取模型中，得到人脸特征向量；识别模块，用于基于预设特征向量库对所述人脸特征向量进行识别。第三方面，本专利技术实施例还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在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如本申请任意实施例提供的人脸图片识别方法。第四方面，本专利技术实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如本申请任意实施例提供的人脸图片识别方法。本专利技术实施例提供的一种人脸图片识别方法、装置、电子设备及存储介质，通过，通过将人脸图片进行预处理，可以提高人脸图片的识别准确率；通过预先训练的特征向量提取模块，可以得到预处理图片对应的高准确率的人脸特征向量；通过预设特征向量库，可以对人脸特征向量对应的人脸进行识别，从而提高了分辨率较低的人脸图片的识别准确率。附图说明图1是本专利技术实施例一提供的一种人脸图片识别方法的流程示意图；图2是本专利技术实施例二提供的一种人脸图片识别装置的结构示意图；图3是本专利技术实施例三提供的一种电子设备的结构示意图。具体实施方式下面结合附图和实施例对本专利技术作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本专利技术，而非对本专利技术的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本专利技术相关的部分而非全部结构。实施例一图1为本专利技术实施例一提供的一种人脸图片识别方法的流程示意图，本实施例可适用于分辨率较低的人脸图片识别的情况，例如可以是对监控视频中分辨率较低的人脸图片识别的情况。该方法可以由本专利技术实施例提供的人脸图片识别装置来执行，且人脸图片识别装置可配置于本专利技术实施例提供的电子设备中。参见图1，该方法具体包括如下步骤：S110、获取待识别的人脸图片，将人脸图片进行预处理，得到预处理图片。其中，电子设备获取的待识别的人脸图片，可以是电子设备本地存储的人脸图片，还可以是与电子设备进行通讯的图像采集模块实时采集的人脸图片。其中，电子设备对人脸图片进行预处理，可以包括但不限于切割、压缩、仿射变换和像素归一化等。其中，电子设备可以包括但不限于手机、平板电脑、计算机、智能摄像机和服务器等。可选的，获取待识别的人脸图片，包括：通过预设接口获取网络摄像机采集的视频流，将视频流转化为矩阵格式的图片，将转化完成的图片作为待识别的人脸图片。其中，网络摄像机(IPCamera，IPC)是一种由传统摄像机与网络技术结合所产生的新一代摄像机。IPC可用于对监控区域进行抓拍，生成包含人脸的数字视频流(例如动态图像专家组(MovingPictureExpertsGroup，MPEG)格式的视频流)，并将包含人脸的视频流通过预设有线网络接口或无线网络接口传输至电子设备。其中，电子设备获取包含人脸的数字视频流之后，可通过调用python内置的urllib库中的request模块，将IPC发送的流格式的数据转化为opencv可支持的图片矩阵格式的数据，从而实现了待识别的人脸图片的获取。可选的，将人脸图片进行预处理，包括：基于多任务卷积神经网络算法，确定人脸图片中的人脸关键点和人脸范围；根据人脸范围对人脸图片进行切割，并将切割后的人脸图片进行归一化；基于普鲁克分析方法，将归一化后人脸图片中的人脸关键点与预设关键点对齐。其中，多任务卷积神经网络算法(Multi-taskConvolutionalneuralNetworks，MTCNN)可分为P-Net、R-Net、和O-Net三层网络结构。其中，P-Net全称为ProposalNetwork，其基本的构造是一个全连接网络，主要用于快速生成可能存在人脸的人脸区域；R-Net，全称为RefineNetwork，其基本的构造是一个卷积神经网络，相对于第一层的P-Net来说，增加了一个全连接层，因此对于输入数据的筛选会更加严格，主要用于进行高精度人脸区域过滤选择；O-Net全称为OutputNetwork，基本结构是一个较为复杂的卷积神经网络，相对于R-Net来说多了一个卷积层。O-Net的效果与R-Net的区别在于这一层结构会通过更多的监督来识别面部的区域，而且会对人的面部特征点进行回归，主要用于输出五个人脸面部特征点(左眼中心点，右眼中本文档来自技高网...

【技术保护点】
1.一种人脸图片识别方法，其特征在于，包括：/n获取待识别的人脸图片，将所述人脸图片进行预处理，得到预处理图片；/n将所述预处理图片输入至预先训练的特征向量提取模型中，得到人脸特征向量；/n基于预设特征向量库，对所述人脸特征向量进行识别。/n

【技术特征摘要】
1.一种人脸图片识别方法，其特征在于，包括：
获取待识别的人脸图片，将所述人脸图片进行预处理，得到预处理图片；
将所述预处理图片输入至预先训练的特征向量提取模型中，得到人脸特征向量；
基于预设特征向量库，对所述人脸特征向量进行识别。


2.根据权利要求1所述的方法，其特征在于，所述获取待识别的人脸图片，包括：
通过预设接口获取网络摄像机采集的视频流，将所述视频流转化为矩阵格式的图片，将转化完成的图片作为待识别的人脸图片。


3.根据权利要求1所述的方法，其特征在于，所述将所述人脸图片进行预处理，包括：
基于多任务卷积神经网络算法，确定所述人脸图片中的人脸关键点和人脸范围；
根据所述人脸范围对所述人脸图片进行切割，并将切割后的人脸图片进行归一化；
基于普鲁克分析方法，将所述归一化后人脸图片中的人脸关键点与预设关键点对齐。


4.根据权利要求1所述的方法，其特征在于，所述特征向量提取模型，包括：依序连接的第一卷积层、第一池化层、预设数量个第一残差单元和第一输出层；
其中，所述第一残差单元包括：依序连接的第一BN层、第二卷积层、第一ReLU层、第三卷积层和第二BN层，且第一BN层的输入端与第二BN层的输出端连接；
其中，所述第一输出层包括：依序连接的第三BN层、第一Dropout层、第一全连接层和第四BN层。


5.根据权利要求4所述的方法，其特征在于，所述特征向量提取模型在预先训练过程中，在所述第一输出层之后还连接有AM-Softmax层。
...

【专利技术属性】
技术研发人员：姜乐原，王紫江，
申请(专利权)人：软通动力信息技术有限公司，
类型：发明
国别省市：天津;12