【技术实现步骤摘要】
人脸识别的方法及装置
本公开一般涉及生物识别技术,且更加具体地说是有关于一种人脸识别的方法及装置。
技术介绍
由于脸部为人类的一项重要的生物特征,因此发展出许多人脸相关的研究。其中,一项重要的应用为人脸识别,其通过计算机分析比较人脸特征,进行身份鉴别。在利用人脸识别作为门禁控管的依据时,可省去感应卡的管理建置费用,也能免去进出门禁的人员忘记带卡的困扰。相较于其他生物特征的识别方式,人脸识别利用非侵入、非接触的方式进行,容易被大多数人接受的。尤其,在双手无暇刷卡或按密码时,特别能感受到人脸识别技术的好处。此外,另一项重要的人脸相关的研究为人脸检测。人脸检测常应用在有可疑的移动物体进入监控摄影机的设定范围内时,立即检测并启动人脸判别及追踪功能,锁定移动物体并判断其是否为可疑的入侵者。然而,由于现代人对潮流的不断追求,往往会进行一定程度的装扮,比如:佩戴帽子、眼镜、墨镜、口罩、化妆等。同时在进行人脸识别时由于个体身高、身型等差异,会存在不同识别角度,比如:造成侧脸、低头等识别角度问题。如何能在不同情景下快速、准确的识别人脸结果,是一个亟待解决的问题。因此,需要一种人脸识别的方法及装置,以提升人脸识别的精确度。
技术实现思路
以下
技术实现思路
仅为示例性的,且不意指以任何方式加以限制。除所述说明性方面、实施方式和特征之外,通过参照附图和下述具体实施方式,其他方面、实施方式和特征也将显而易见。即,以下
技术实现思路
被提供以介绍概念、重点、益处及本文所描述新颖且非显而易见的技术优势。所选择 ...
【技术保护点】
1.一种人脸识别模型训练的方法,包括:/n接收多个原始人脸图像;/n通过标准人脸生成模型产生对应上述原始人脸图像的多个标准人脸图像;/n使用上述原始人脸图像及上述标准人脸图像训练识别模型;以及/n使用原始人脸图像测试集及标准人脸图像测试集测试上述识别模型,直到上述识别模型识别上述原始人脸图像测试集的第一准确率高于第一阈值,且上述识别模型识别上述标准人脸图像测试集的第二准确率高于第二阈值为止,其中上述原始人脸图像测试集是由上述原始人脸图像采样组成,而上述标准人脸图像测试集是由上述标准人脸图像采样组成。/n
【技术特征摘要】
1.一种人脸识别模型训练的方法,包括:
接收多个原始人脸图像;
通过标准人脸生成模型产生对应上述原始人脸图像的多个标准人脸图像;
使用上述原始人脸图像及上述标准人脸图像训练识别模型;以及
使用原始人脸图像测试集及标准人脸图像测试集测试上述识别模型,直到上述识别模型识别上述原始人脸图像测试集的第一准确率高于第一阈值,且上述识别模型识别上述标准人脸图像测试集的第二准确率高于第二阈值为止,其中上述原始人脸图像测试集是由上述原始人脸图像采样组成,而上述标准人脸图像测试集是由上述标准人脸图像采样组成。
2.根据权利要求1所述的人脸识别模型训练的方法,还包括:
使用混合测试集测试上述识别模型,其中上述混合测试集是由上述原始人脸图像及上述标准人脸图像随机采样所组成。
3.根据权利要求1所述的人脸识别模型训练的方法,还包括:
通过上述标准人脸生成模型产生对应用户的第一原始人脸图像中的一个第一标准人脸图像;
通过上述标准人脸生成模型产生对应上述用户的第二原始人脸图像中的一个第二标准人脸图像;
将上述第二原始人脸图像与上述第一原始人脸图像相比较取得第一相似度,并将上述第二标准人脸图像与上述第一标准人脸图像相比较取得第二相似度;以及
根据上述第一相似度及上述第二相似度计算最终相似度。
4.根据权利要求3所述的人脸识别模型训练的方法,其中上述最终相似度FinalSimilarity表示如下:
FinalSimilarity=α×SimiP2P1+β×SimiF2F1
其中SimiP2P1是上述第一相似度,SimiF2F1是上述第二相似度,α及β是介于0~1之间的数值,且α+β=1及α≥β。
5.根据权利要求3所述的人脸识别模型训练的方法,还包括:
将上述第二原始人脸图像与上述第一标准人脸图像相比较取得第三相似度,并将上述第二标准人脸图像与上述第一原始人脸图像相比较取得第四相似度;以及
根据上述第一相似度、上述第二相似度、上述第三相似度及上述第四相似度计算上述最终相似度。
6.根据权利要求5所述的人脸识别模型训练的方法,其中上述最终相似度FinalSimilarity表示如下:
FinalSimilarity=α×SimiP2P1+β×SimiF2F1+γ×SimiP2F1+δ×SimiF2P1
其中SimiP2P1是上述第一相似度,SimiF2F1是上述第二相似度,SimiP2F1是上述第三相似度,SimiF2P1是上述第四相似度,α、β、γ及δ是介于0~1之间的数值,且α+β+γ+δ=1、α≥β+γ+δ及β>γ+δ。
7.根据权利要求1所述的人脸识别模型训练的方法,其中每一个标准人脸图像是仅包括人脸区域且上述人脸区域没有其他物件的正脸图像。
8.根据权利要求1所述的人脸识别模型训练的方法,其中上述原始人脸图像是具有多姿态或具有其他物件的人脸图像。
9.根据权利要求1所述的人脸识别模型训练的方法,其中,上述标准人脸生成模型是生成式对抗网络(GenerativeAdversarialNetwork,GAN)。
10.根据权利要求1所述的人脸识别模型训练的方法,其中上述标准人脸生成模型是变分自动编码器(VariationalAuto-Encoder,VAE)。
11.一种人脸识别模型训练的装置,包括:
一个或多个处理器;以及
一个或多个计算机存储介质,储存计算机可读取指令,其中上述处理器使用上述计算机存储介质以执行:
接收多个原始人脸图像;
通过标准人脸生成模型产生对应上述原始人脸图像的多个标准人脸图像;
使用上述原始人脸图像及上述标准人脸图像训练识别模型;以及
使用原始人脸图像测试集及标准人脸图像测试集测试上述识别模型,直到上述识别模型识别上述原始人脸图像测试集的第一准确率高于第一阈值,且上述识别模型识别上述标准人脸图像测试集的第二准确率高于第二阈值为止,其中上述原始人脸图像测试集是由上述原始人脸图像采样组成,而上述标准人脸图像测试集是由上述标准人脸图像采样组成。
12.根据权利要求11所述的人脸识别模型训练的装置,上述处理器还执行:
使用混合测试集测试上述识别模型,其中上述混合测试集是由上述原始人脸图像及上述标准人脸图像随机采样所组成。
13.根据权利要求11所述的人脸识别模型训练的装置,上述处理器还执行:
通过上述标准人脸生成模型产生对应用户的第一原始人脸图像中的一个第一标准人脸图像;
通过上述标准人脸生成模型产生对应上述用户的第二原始人脸图像中的一个第二标准人脸图像;
将上述第二原始人脸图像与上述第一原始人脸图像相比较取得第一相似度,并将上述第二标准人脸图像与上述第一标准人脸图像相比较取得第二相似度;以及
根据上述第一相似度及上述第二相似度计算最终相似度。
14.根据权利要求13所述的人脸识别模型训练的装置,其中上述最终相似度FinalSimilarity表示如下:
FinalSimilarity=α×SimiP2P1+β×SimiF2F1
其中SimiP2P1是上述第一相似度,SimiF2F1是上述第二相似度,α及β是介于0~1之间的数值,且α+β=1及α≥β。
15.根据权利要求13所述的人脸识别模型训练的装置,上述处理器还执行:
将上述第二原始人脸图像与上述第一标准人脸图像相比较取得第三相似度,并将上述第二标准人脸图像与上述第一原始人脸图像相比较取得第四相似度;以及
根据上述第一相似度、上述第二相似度、上述第三相似度及上述第四相似度计算上述最终相似度。
16.根据权利要求15所述的人脸识别模型训练的装置,其中上述最终相似度FinalSimilarity表示如下:
FinalSimilarity=α×SimiP2P1+β×SimiF2F1+γ×SimiP2F1+δ×SimiF2P1
其中SimiP2P1是上述第一相似度,SimiF2F1是上述第二相似度,SimiP2F1是上述第三相似度,SimiF2P1是上述第四相似度,α、β、γ及δ是介于0~1之间的数值,且α+β+γ+δ=1、α≥β+γ+δ及β>γ+δ。
17.根据权利要求11所述的人脸识别模型训练的装置,其中每一个标准人脸图像是仅包括人脸区域且上述人脸区域没有其他物件的正脸图像。
18.根据权利要求11所述的人脸识别模型训练的装置,其中上述原始人脸图像是具有多姿态或具有其他物件的人脸图像。
19.根据权利要求...
【专利技术属性】
技术研发人员:孙浩,
申请(专利权)人:威盛电子股份有限公司,
类型:发明
国别省市:中国台湾;TW
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。