图像处理方法、装置、计算机设备和计算机可读存储介质制造方法及图纸

本申请涉及一种图像处理方法、装置、计算机设备和计算机可读存储介质。所述方法包括：获取目标人脸图像相应的目标人脸图像特征；查询所述目标人脸图像特征在参考密度分布下的目标分布密度；所述参考密度分布为参考人脸图像特征在聚集程度上的分布；根据所述目标分布密度，确定所述目标人脸图像特征相应的修正参数；通过所述修正参数调整所述目标人脸图像特征与所述参考人脸图像特征的相似程度，得到所述目标人脸图像相应的人脸识别结果。采用本方法能够提高人脸识别的准确性。

【技术实现步骤摘要】
图像处理方法、装置、计算机设备和计算机可读存储介质
本申请涉及计算机
，特别是涉及一种图像处理方法、装置、计算机设备和计算机可读存储介质。
技术介绍
随着人工智能的发展，机器学习模型的使用越来越广泛。比如，在用户通过计算机进行各种操作之前，往往需要进行人脸识别操作，而人脸识别操作，通常通过人脸识别模型进行数据处理。目前，对于不同类型的人脸数据，人脸识别模型的识别准确度存在较大偏差，即传统的人脸识别操作存在不准确的问题。
技术实现思路
基于此，有必要针对上述技术问题，提供一种能够提高人脸识别准确性的图像处理方法、装置、计算机设备和计算机可读存储介质。一种图像处理方法，该方法包括：获取目标人脸图像相应的目标人脸图像特征；查询目标人脸图像特征在参考密度分布下的目标分布密度；参考密度分布为参考人脸图像特征在聚集程度上的分布；根据目标分布密度，确定目标人脸图像特征相应的修正参数；通过修正参数调整目标人脸图像特征与参考人脸图像特征的相似程度，得到目标人脸图像相应的人脸识别结果。一种图像处理装置，该装置包括：获取模块，用于获取目标人脸图像相应的目标人脸图像特征；查询模块，用于查询目标人脸图像特征在参考密度分布下的目标分布密度；参考密度分布为参考人脸图像特征在聚集程度上的分布；确定模块，用于根据目标分布密度，确定目标人脸图像特征相应的修正参数；识别模块，用于通过修正参数调整目标人脸图像特征与参考人脸图像特征的相似程度，得到目标人脸图像相应的人脸识别结果。一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现以下步骤：获取目标人脸图像相应的目标人脸图像特征；查询目标人脸图像特征在参考密度分布下的目标分布密度；参考密度分布为参考人脸图像特征在聚集程度上的分布；根据目标分布密度，确定目标人脸图像特征相应的修正参数；通过修正参数调整目标人脸图像特征与参考人脸图像特征的相似程度，得到目标人脸图像相应的人脸识别结果。一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：获取目标人脸图像相应的目标人脸图像特征；查询目标人脸图像特征在参考密度分布下的目标分布密度；参考密度分布为参考人脸图像特征在聚集程度上的分布；根据目标分布密度，确定目标人脸图像特征相应的修正参数；通过修正参数调整目标人脸图像特征与参考人脸图像特征的相似程度，得到目标人脸图像相应的人脸识别结果。上述图像处理方法、装置、计算机设备和计算机可读存储介质，获取目标人脸图像特征，根据目标人脸图像特征在参考密度分布下的目标分布密度，确定目标人脸图像特征相应的修正参数，并通过修正参数调整目标人脸图像特征与参考人脸图像特征的相似程度，得到目标人脸图像相应的人脸识别结果，这样，一是根据目标人脸图像特征在参考密度分布下的分布密度，确定识别得到的目标人脸图像特征与参考人脸图像特征的相似程度是否存在偏差；并且当目标人脸图像特征与参考人脸图像特征的相似程度存在偏差时，通过修正参数进行相应的调整，从而提高了人脸识别的准确性。附图说明图1为一个实施例中图像处理方法的应用环境图；图2为一个实施例中图像处理方法的数据流向示意图；图3为一个实施例中图像处理方法的流程示意图；图4为一个实施例中参考密度分布的可视化示意图；图5为一个实施例中图像处理系统的结构框图；图6为一个实施例中参考密度分布的示意图；图7为另一个实施例中参考密度分布的示意图；图8为另一个实施例中图像处理方法的流程示意图；图9为一个实施例中图像处理装置的结构框图；图10为一个实施例中计算机设备的内部结构图。具体实施方式为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。人工智能(ArtificialIntelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说，人工智能是计算机科学的一个综合技术，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。人工智能技术是一门综合学科，涉及领域广泛，既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。机器学习(MachineLearning,ML)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、式教学习等技术。随着人工智能技术研究和进步，人工智能技术在多个领域展开研究和应用，例如常见的智能家居、智能穿戴设备、虚拟助理、智能音箱、智能营销、无人驾驶、自动驾驶、无人机、机器人、智能医疗、智能客服等，相信随着技术的发展，人工智能技术将在更多的领域得到应用，并发挥越来越重要的价值。本申请实施例提供的方案涉及人工智能的机器学习等技术，具体通过如下实施例进行说明：本申请提供的图像处理方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104进行通信。终端102获取目标人脸图像，将目标人脸图像上传至服务器104；服务器104获取到目标人脸图像时，提取目标人脸图像相应的目标人脸图像特征，并查询目标人脸图像特征在参考密度分布下的目标分布密度，该参考密度分布为参考人脸图像特征在聚集程度上的分布；服务器104根据目标分布密度，确定目标人脸图像特征相应的修正参数；服务器104通过修正参数调整目标人脸图像特征与参考人脸图像特征的相似程度，得到目标人脸图像相应的人脸识别结果。其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。服务器104可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云存储、网络服务、云通信、大数据和人工智能平台等基础云计算服务的云服务器。终端以及服务器可以通过有线或无线通信方式进行直接或间接地连接，本申请在此不做限制。在一个具体的实施例中，如图2所示，终端102上本文档来自技高网...

【技术保护点】
1.一种图像处理方法，其特征在于，所述方法包括：/n获取目标人脸图像相应的目标人脸图像特征；/n查询所述目标人脸图像特征在参考密度分布下的目标分布密度；所述参考密度分布为参考人脸图像特征在聚集程度上的分布；/n根据所述目标分布密度，确定所述目标人脸图像特征相应的修正参数；/n通过所述修正参数调整所述目标人脸图像特征与所述参考人脸图像特征的相似程度，得到所述目标人脸图像相应的人脸识别结果。/n

【技术特征摘要】
1.一种图像处理方法，其特征在于，所述方法包括：
获取目标人脸图像相应的目标人脸图像特征；
查询所述目标人脸图像特征在参考密度分布下的目标分布密度；所述参考密度分布为参考人脸图像特征在聚集程度上的分布；
根据所述目标分布密度，确定所述目标人脸图像特征相应的修正参数；
通过所述修正参数调整所述目标人脸图像特征与所述参考人脸图像特征的相似程度，得到所述目标人脸图像相应的人脸识别结果。


2.根据权利要求1所述的方法，其特征在于，所述获取目标人脸图像相应的目标人脸图像特征，包括：
获取采集的目标人脸图像和通用的人脸识别模型；
通过所述人脸识别模型提取所述目标人脸图像相应的目标人脸图像特征；
其中，所述参考人脸图像特征由所述人脸识别模型从参考人脸图像中提取；所述参考人脸图像为所述人脸识别模型在应用时的注册用户的人脸图像。


3.根据权利要求1所述的方法，其特征在于，所述查询所述目标人脸图像特征在参考密度分布下的目标分布密度，包括：
获取所述参考密度分布的分布函数；所述参考密度分布是通过所述分布函数，以归一化处理后的所述参考人脸图像特征为自变量构建得到的；
确定对所述参考人脸图像特征进行归一化处理的归一化方式；
根据所述归一化方式对所述目标人脸图像特征进行归一化处理，得到所述目标人脸图像特征在所述参考密度分布下的目标位置；
根据所述目标位置及所述分布函数，确定所述目标人脸图像特征的目标分布密度。


4.根据权利要求3所述的方法，其特征在于，所述分布函数为高斯函数；所述分布函数携带有分布参数，所述分布参数包括所述参考人脸图像特征的均值、及所述参考人脸图像特征的协方差矩阵；
所述根据所述目标位置及所述分布函数，确定所述目标人脸图像特征的目标分布密度，包括：
将所述目标位置输入所述高斯函数，根据所述高斯函数携带的所述分布参数，确定所述目标位置在所述高斯函数中相应的目标分布密度。


5.根据权利要求3所述的方法，其特征在于，所述分布函数为混合高斯函数；所述分布函数携带有分布参数，所述分布参数包括各个图像特征簇相应的参考人脸图像特征的均值、各个所述图像特征簇相应的参考人脸图像特征的协方差矩阵、及各个所述图像特征簇的聚类权重，所述图像特征簇是对所述参考人脸图像特征进行聚类处理得到的；
所述根据所述目标位置及所述分布函数，确定所述目标人脸图像特征的目标分布密度，包括：
将所述目标位置输入所述混合高斯函数，根据所述混合高斯函数携带的各个所述图像特征簇相应的参考人脸图像特征的均值、及各个所述图像特征簇相应的参考人脸图像特征的协方差矩阵，确定所述目标位置在各个所述图像特征簇构建的高斯函数中相应的聚类分布密度；
根据各个所述图像特征簇的聚类权重、及各个所述聚类分布密度，确定所述目标位置在所述混合高斯函数中相应的目标分布密度。


6.根据权利要求1所述的方法，其特征在于，所述根据所述目标分布密度，确定所述目标人脸图像特征相应的修正参数，包括：
获取所述参考密度分布下的分布密度均值；
确定所述目标分布密度相对于所述分布密度均值的偏离程度；
根据所述偏离程度确定所述目标人脸图像特征相应的修正参数。


7.根据权利要求6所述的方法，其特征在于，所述确定所述目标分布密度相对于所述分布密度均值的偏离程度，包括：
将所述目标分布密度与所述分布密度均值之间的差值作为所述偏离程度；
所述根据所述偏离程度确定所述目标人脸图像特征相应的修正参数，包括：
获取分布密度区间；所述分布密度区间是所述参考密度分布下的分布密度最大值和分布密度最小值之间的差值；
确...

【专利技术属性】
技术研发人员：许剑清，沈鹏程，李绍欣，
申请(专利权)人：腾讯科技深圳有限公司，
类型：发明
国别省市：广东;44