一种提升复杂光线下人脸识别成功率的方法及装置制造方法及图纸

本发明专利技术提供了一种提升复杂光线下人脸识别成功率的方法及装置，通过优化深度神经网络模型，从而让深度神经网络模型更好的针对复杂光线下的人脸进行识别，并且，依据所述像素个数占比和识别成功像素个数占比，对所述待识别照片进行亮度调整，从而使待识别照片更接近自然光条件下采集的照片，进而可极大程度提升复杂光线下人脸识别的成功率。

A method and device to improve the success rate of face recognition in complex light

【技术实现步骤摘要】
一种提升复杂光线下人脸识别成功率的方法及装置
本专利技术涉及人工智能
，更具体地说，涉及一种提升复杂光线下人脸识别成功率的方法及装置。
技术介绍
随着科学技术的不断发展，各种各样的智能设备已广泛应用于人们的日常生活和工作中，为人们的生活带来了极大的便利。基于人脸识别技术而言，现有的技术手段是通过网络摄像头采集人脸照片，通过MTCNN等算法判断图片中有没有人脸，若有人脸就将图片送到如ResNet等深度模型中提取人脸特征，进而进行人脸识别。但是，在夜晚采集照片时，如果通过自然光拍摄会造成采集到的人脸照片过暗无法准确识别人脸信息；若通过打开闪光灯采集照片，由于光源过亮且光线不均匀会造成采集到的人脸照片过亮且光线不均匀。在白天采集照片时，如果采集时光线强，比如太阳在采集范围内，或者遇到玻璃反射等光污染时，会造成采集到的照片过亮或者背景过亮等问题，进而降低人脸识别的成功率。
技术实现思路
有鉴于此，为解决上述问题，本专利技术提供一种提升复杂光线下人脸识别成功率的方法及装置，技术方案如下：一种提升复杂光线下人脸识别成功率的方法，所述方法包括：优化深度神经网络模型；获取待识别照片；对所述待识别照片进行人脸检测；在检测到有人脸的情况下，计算人脸区域中预设范围内灰度级的像素个数占比；依据所述像素个数占比和识别成功像素个数占比，对所述待识别照片进行亮度调整，以满足人脸识别要求。优选的，在上述方法中，所述优化深度神经网络模型，包括：<br>优化采样方法和损失函数值，以增大类间距离，减小类内距离。优选的，在上述方法中，所述依据所述像素个数占比和识别成功像素个数占比，对所述待识别照片进行亮度调整，以满足人脸识别要求，包括：当所述待识别照片欠曝时，通过带色彩恢复的多尺度视网膜增强算法对所述待识别照片进行修复调整；当所述待识别照片过曝时，通过伽马算法对所述待识别照片进行修复调整。优选的，在上述方法中，在依据所述像素个数占比和识别成功像素个数占比，对所述待识别照片进行亮度调整，以满足人脸识别要求之后，所述方法还包括：对人脸区域进行扶正处理。优选的，在上述方法中，所述方法还包括：在所述深度神经网络模型中根据向量间欧氏距离计算Top1的欧氏距离；当所述Top1的欧氏距离小于或等于预设的识别成功距离阈值时，判定人脸识别成功，并推送Top1人员信息；当所述Top1的欧氏距离大于所述识别成功距离阈值时，判定人脸识别失败。一种提升复杂光线下人脸识别成功率的装置，所述装置包括：优化模块，用于优化深度神经网络模型；获取模块，用于获取待识别照片；检测模块，用于对所述待识别照片进行人脸检测；第一计算模块，用于在检测到有人脸的情况下，计算人脸区域中预设范围内灰度级的像素个数占比；调整模块，用于依据所述像素个数占比和识别成功像素个数占比，对所述待识别照片进行亮度调整，以满足人脸识别要求。优选的，在上述装置中，所述优化模块具体用于：优化采样方法和损失函数值，以增大类间距离，减小类内距离。优选的，在上述装置中，所述调整模块具体用于：当所述待识别照片欠曝时，通过带色彩恢复的多尺度视网膜增强算法对所述待识别照片进行修复调整；当所述待识别照片过曝时，通过伽马算法对所述待识别照片进行修复调整。优选的，在上述装置中，所述装置还包括：扶正模块，用于对人脸区域进行扶正处理。优选的，在上述装置中，所述装置还包括：第二计算模块，用于在所述深度神经网络模型中根据向量间欧氏距离计算Top1的欧氏距离；第一判定模块，用于当所述Top1的欧氏距离小于或等于预设的识别成功距离阈值时，判定人脸识别成功，并推送Top1人员信息；第二判定模块，用于当所述Top1的欧氏距离大于所述识别成功距离阈值时，判定人脸识别失败。相较于现有技术，本专利技术实现的有益效果为：该提升复杂光线下人脸识别成功率的方法，通过优化深度神经网络模型，从而让深度神经网络模型更好的针对复杂光线下的人脸进行识别，并且，依据所述像素个数占比和识别成功像素个数占比，对所述待识别照片进行亮度调整，从而使待识别照片更接近自然光条件下采集的照片，进而可极大程度提升复杂光线下人脸识别的成功率。附图说明为了更清楚地说明本专利技术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专利技术的实施例，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，还可以根据提供的附图获得其他的附图。图1为本专利技术实施例提供的一种提升复杂光线下人脸识别成功率的方法的流程示意图；图2为本专利技术实施例提供的一种优化深度神经网络模型的原理示意图；图3为本专利技术实施例提供的一种采样时Triplet三元组制作方式的示意图；图4为本专利技术实施例提供的一种训练效果的示意图；图5为本专利技术实施例提供的另一种训练效果的示意图；图6为本专利技术实施例提供的另一种提升复杂光线下人脸识别成功率的方法的流程示意图；图7为本专利技术实施例提供的一种待识别照片欠曝和调整后的对比示意图；图8为本专利技术实施例提供的一种待识别照片过曝和调整后的对比示意图；图9为本专利技术实施例提供的又一种提升复杂光线下人脸识别成功率的方法的流程示意图；图10为本专利技术实施例提供的一种人脸倾斜和扶正处理后的对比示意图；图11为本专利技术实施例提供的又一种提升复杂光线下人脸识别成功率的方法的流程示意图；图12为本专利技术实施例提供的一种提升复杂光线下人脸识别成功率的装置的示意图；图13为本专利技术实施例提供的另一种提升复杂光线下人脸识别成功率的装置的示意图；图14为本专利技术实施例提供的又一种提升复杂光线下人脸识别成功率的装置的示意图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术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专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。为使本专利技术的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本专利技术作进一步详细的说明。参考图1，图1为本专利技术实施例提供的一种提升复杂光线下人脸识别成功率的方法的流程示意图。所述方法包括：S101：优化深度神经网络模型。S102：获取待识别照片。在该步骤中，通过摄像头采集视频或照片，当采集的目标为视频图像时，对视频图像做截帧处理，获取待识别照片。S103：对所述待识别照片进行人脸检测。S104：在检测到有人脸的情况下，计算人脸区域中预设范围内灰度级的像素个数占比。S105：依据所本文档来自技高网...

【技术保护点】
1.一种提升复杂光线下人脸识别成功率的方法，其特征在于，所述方法包括：/n优化深度神经网络模型；/n获取待识别照片；/n对所述待识别照片进行人脸检测；/n在检测到有人脸的情况下，计算人脸区域中预设范围内灰度级的像素个数占比；/n依据所述像素个数占比和识别成功像素个数占比，对所述待识别照片进行亮度调整，以满足人脸识别要求。/n

【技术特征摘要】
1.一种提升复杂光线下人脸识别成功率的方法，其特征在于，所述方法包括：
优化深度神经网络模型；
获取待识别照片；
对所述待识别照片进行人脸检测；
在检测到有人脸的情况下，计算人脸区域中预设范围内灰度级的像素个数占比；
依据所述像素个数占比和识别成功像素个数占比，对所述待识别照片进行亮度调整，以满足人脸识别要求。


2.根据权利要求1所述的方法，其特征在于，所述优化深度神经网络模型，包括：
优化采样方法和损失函数值，以增大类间距离，减小类内距离。


3.根据权利要求1所述的方法，其特征在于，所述依据所述像素个数占比和识别成功像素个数占比，对所述待识别照片进行亮度调整，以满足人脸识别要求，包括：
当所述待识别照片欠曝时，通过带色彩恢复的多尺度视网膜增强算法对所述待识别照片进行修复调整；
当所述待识别照片过曝时，通过伽马算法对所述待识别照片进行修复调整。


4.根据权利要求1所述的方法，其特征在于，在依据所述像素个数占比和识别成功像素个数占比，对所述待识别照片进行亮度调整，以满足人脸识别要求之后，所述方法还包括：
对人脸区域进行扶正处理。


5.根据权利要求1或4所述的方法，其特征在于，所述方法还包括：
在所述深度神经网络模型中根据向量间欧氏距离计算Top1的欧氏距离；
当所述Top1的欧氏距离小于或等于预设的识别成功距离阈值时，判定人脸识别成功，并推送Top1人员信息；
当所述Top1的欧氏距离大于所述识别成功距离阈值时，判定人...

【专利技术属性】
技术研发人员：袁志勇，薛浩，欧阳晔，
申请(专利权)人：亚信科技中国有限公司，
类型：发明
国别省市：北京;11