一种人脸识别方法、人脸识别装置及电子设备制造方法及图纸

本申请公开了一种人脸识别方法、装置、电子设备及计算机可读存储介质。其中，该方法包括：将待识别的模糊人脸输入至已训练的生成对抗网络的生成器中，得到待识别的清晰人脸，其中，生成对抗网络基于预设的清晰‑模糊人脸图像集合及已训练的特征提取网络训练而得，清晰‑模糊人脸图像集合包括清晰‑模糊人脸图像对；将待识别的清晰人脸输入至特征提取网络，获得待识别的清晰人脸的人脸特征；将待识别的清晰人脸的人脸特征与预设的人脸特征库中的各个用户人脸特征进行匹配，以将与该清晰人脸的人脸特征最为匹配的用户人脸特征确定为目标用户人脸特征；将与目标用户人脸特征相关联的用户确定为识别结果。通过本方案，可提升对模糊人脸的识别准确度。

【技术实现步骤摘要】
一种人脸识别方法、人脸识别装置及电子设备
本申请属于图像处理
，尤其涉及一种人脸识别方法、人脸识别装置、电子设备及计算机可读存储介质。
技术介绍
人脸识别技术目前在安防监控及身份认证等领域有广泛的应用。然而，当前对模糊人脸的识别仍不够成熟。现有的基于生成对抗网络（GenerativeAdversarialNetworks，GAN）的人脸去模糊方法仅从清晰度和直观感受上提高了模糊人脸的质量，但却忽略了模糊人脸独有的特征信息，这导致对模糊人脸进行识别的识别准确度仍然较低。
技术实现思路
本申请提供了一种人脸识别方法、人脸识别装置、电子设备及计算机可读存储介质，可提升对模糊人脸进行识别的识别准确度。第一方面，本申请提供了一种人脸识别方法，包括：将待识别的模糊人脸输入至已训练的生成对抗网络的生成器中，得到待识别的清晰人脸，其中，上述生成对抗网络的训练样本来源于预设的清晰-模糊人脸图像集合，上述清晰-模糊人脸图像集合包括清晰-模糊人脸图像对，所述生成器由关键点检测编码器及解码器构成，所述关键点检测编码器用于检测输入所述生成器的人脸图像的关键点，所述生成对抗网络在训练过程中，所述生成器的输出分别与所述生成对抗网络的判别器的输入及已训练的特征提取网络的输入相连接，且所述生成器的损失与所述关键点检测编码器、所述特征提取网络及所述判别器相关；将上述待识别的清晰人脸输入至上述特征提取网络，获得上述待识别的清晰人脸的人脸特征；将上述待识别的清晰人脸的人脸特征与预设的人脸特征库中的各个用户人脸特征进行匹配，以将与上述待识别的清晰人脸的人脸特征最为匹配的用户人脸特征确定为目标用户人脸特征；将与上述目标用户人脸特征相关联的用户确定为识别结果。第二方面，本申请提供了一种人脸识别装置，包括：模糊去除单元，用于将待识别的模糊人脸输入至已训练的生成对抗网络的生成器中，得到待识别的清晰人脸，其中，上述生成对抗网络的训练样本来源于预设的清晰-模糊人脸图像集合，上述清晰-模糊人脸图像集合包括清晰-模糊人脸图像对，所述生成器由关键点检测编码器及解码器构成，所述关键点检测编码器用于检测输入所述生成器的人脸图像的关键点，所述生成对抗网络在训练过程中，所述生成器的输出分别与所述生成对抗网络的判别器的输入及已训练的特征提取网络的输入相连接，且所述生成器的损失与所述关键点检测编码器、所述特征提取网络及所述判别器相关；特征提取单元，用于将上述待识别的清晰人脸输入至上述特征提取网络，获得上述待识别的清晰人脸的人脸特征；特征匹配单元，用于将上述待识别的清晰人脸的人脸特征与预设的人脸特征库中的各个用户人脸特征进行匹配，以将与上述待识别的清晰人脸的人脸特征最为匹配的用户人脸特征确定为目标用户人脸特征；结果确定单元，用于将与上述目标用户人脸特征相关联的用户确定为识别结果。第三方面，本申请提供了一种电子设备，上述电子设备包括存储器、处理器以及存储在上述存储器中并可在上述处理器上运行的计算机程序，上述处理器执行上述计算机程序时实现如上述第一方面的方法的步骤。第四方面，本申请提供了一种计算机可读存储介质，上述计算机可读存储介质存储有计算机程序，上述计算机程序被处理器执行时实现如上述第一方面的方法的步骤。第五方面，本申请提供了一种计算机程序产品，上述计算机程序产品包括计算机程序，上述计算机程序被一个或多个处理器执行时实现如上述第一方面的方法的步骤。本申请与现有技术相比存在的有益效果是：生成对抗网络基于预设的清晰-模糊人脸图像集合及已训练的特征提取网络训练而得，也即，生成对抗网络在训练过程中就对人脸图像的人脸特征进行关注，使得去模糊的过程及识别的过程可以有机的结合起来。在将训练好的生成对抗网络的生成器投入应用时，可使得生成器基于待识别的模糊人脸所生成的待识别的清晰人脸能够保留人脸所独有的特征信息，并基于此一定程度上提升对该待识别的清晰人脸进行人脸识别的准确度。可以理解的是，上述第二方面至第五方面的有益效果可以参见上述第一方面中的相关描述，在此不再赘述。附图说明为了更清楚地说明本申请实施例中的技术方案，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。图1是本申请实施例提供的人脸识别方法的实现流程示意图；图2是本申请实施例提供的生成对抗网络的训练流程示意图；图3是本申请实施例提供的生成器的工作过程示意图；图4是本申请实施例提供的生成对抗网络在训练时的工作过程示意图；图5是本申请实施例提供的清晰-模糊人脸图像集合的构建流程示意图；图6是本申请实施例提供的构建清晰-模糊人脸图像集合时，人脸图像数量翻倍的示意图；图7是本申请实施例提供的人脸识别装置的结构框图；图8是本申请实施例提供的电子设备的结构示意图。具体实施方式以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。为了说明本申请所述的技术方案，下面通过具体实施例来进行说明。下面对本申请实施例提供的一种人脸识别方法进行描述，参见图1，本申请实施例中的人脸识别方法包括：步骤101，将待识别的模糊人脸输入至已训练的生成对抗网络的生成器中，得到待识别的清晰人脸；在本申请实施例中，电子设备可预先基于预设的清晰-模糊人脸图像集合及已训练的特征提取网络对生成对抗网络进行训练。通常情况下，生成对抗网络由一生成器及一判别器所构成，其中，所述生成器由关键点检测编码器及解码器构成，所述关键点检测编码器用于检测输入所述生成器的人脸图像的关键点。在生成对抗网络的训练过程中，该生成对抗网络会与已训练的特征提取网络相连接，具体表现为：生成器的输出分别与判别器的输入及已训练的特征提取网络的输入相连接；也即，生成器的输出不仅可被输入至判别器进行判别操作，而且还可被输入至特征提取网络进行特征提取操作；判别器的损失仅与自身的判别结果相关，而生成器的损失不仅与判别器的判别结果相关，还与关键点检测编码器的关键点检测结果及特征提取网络的特征提取结果相关。根据判别器的损失及生成器的损失，可使得生成器及判别器不断进行优化；在生成对抗网络训练完成后，仅生成器被投入应用，判别器可被丢弃。也即，本申请实施例中，实际投入应用的只有生成对抗网络的生成器，该生成器可以对输入的待识别的模糊人脸进行去模糊处理，得到保留有人脸特征的待识别的清晰人脸。在一些实施例中，电子设备可在通过摄像头捕捉到待识别人脸时，先基于预设的质量检测模型对待识别人脸的质量作出检测，以判断该待识别人脸本文档来自技高网...

【技术保护点】
1.一种人脸识别方法，其特征在于，包括：/n将待识别的模糊人脸输入至已训练的生成对抗网络的生成器中，得到待识别的清晰人脸，其中，所述生成对抗网络的训练样本来源于预设的清晰-模糊人脸图像集合，所述清晰-模糊人脸图像集合包括清晰-模糊人脸图像对，所述生成器由关键点检测编码器及解码器构成，所述关键点检测编码器用于检测输入所述生成器的人脸图像的关键点，所述生成对抗网络在训练过程中，所述生成器的输出分别与所述生成对抗网络的判别器的输入及已训练的特征提取网络的输入相连接，且所述生成器的损失与所述关键点检测编码器、所述特征提取网络及所述判别器相关；/n将所述待识别的清晰人脸输入至所述特征提取网络，获得所述待识别的清晰人脸的人脸特征；/n将所述待识别的清晰人脸的人脸特征与预设的人脸特征库中的各个用户人脸特征进行匹配，以将与所述待识别的清晰人脸的人脸特征最为匹配的用户人脸特征确定为目标用户人脸特征；/n将与所述目标用户人脸特征相关联的用户确定为识别结果。/n

【技术特征摘要】
1.一种人脸识别方法，其特征在于，包括：
将待识别的模糊人脸输入至已训练的生成对抗网络的生成器中，得到待识别的清晰人脸，其中，所述生成对抗网络的训练样本来源于预设的清晰-模糊人脸图像集合，所述清晰-模糊人脸图像集合包括清晰-模糊人脸图像对，所述生成器由关键点检测编码器及解码器构成，所述关键点检测编码器用于检测输入所述生成器的人脸图像的关键点，所述生成对抗网络在训练过程中，所述生成器的输出分别与所述生成对抗网络的判别器的输入及已训练的特征提取网络的输入相连接，且所述生成器的损失与所述关键点检测编码器、所述特征提取网络及所述判别器相关；
将所述待识别的清晰人脸输入至所述特征提取网络，获得所述待识别的清晰人脸的人脸特征；
将所述待识别的清晰人脸的人脸特征与预设的人脸特征库中的各个用户人脸特征进行匹配，以将与所述待识别的清晰人脸的人脸特征最为匹配的用户人脸特征确定为目标用户人脸特征；
将与所述目标用户人脸特征相关联的用户确定为识别结果。


2.如权利要求1所述的人脸识别方法，其特征在于，在所述将待识别的模糊人脸输入至已训练的生成对抗网络的生成器中，得到待识别的清晰人脸之前，所述人脸识别方法还包括：
针对所述清晰-模糊人脸图像集合中的每对清晰-模糊人脸图像对，将所述清晰-模糊人脸图像对中的模糊人脸图像输入至待训练的生成对抗网络的生成器，得到所述模糊人脸图像的关键点及清晰人脸生成图像；
将所述清晰人脸生成图像及所述模糊人脸图像所对应的清晰人脸图像分别输入至待训练的生成对抗网络的判别器，得到所述判别器的判别结果；
根据所述判别结果，计算所述判别器的损失；
将所述清晰人脸生成图像输入至所述特征提取网络，得到所述清晰人脸生成图像的特征提取结果；
将所述清晰人脸图像分别输入至所述生成器及所述特征提取网络，得到所述清晰人脸图像的关键点及所述清晰人脸图像的特征提取结果；
根据所述模糊人脸图像的关键点、所述清晰人脸图像的关键点、所述清晰人脸生成图像的特征提取结果、所述清晰人脸图像的特征提取结果及所述判别结果，计算所述生成器的损失；
根据所述判别器的损失对所述判别器进行优化，并根据所述生成器的损失对所述生成器进行优化，直至所述生成器的损失达到收敛时，得到已训练的生成对抗网络。


3.如权利要求2所述的人脸识别方法，其特征在于，所述根据所述模糊人脸图像的关键点、所述清晰人脸图像的关键点、所述清晰人脸生成图像的特征提取结果、所述清晰人脸图像的特征提取结果及所述判别结果，计算所述生成器的损失，包括：
计算所述模糊人脸图像的每个关键点与所述清晰人脸图像的对应关键点之间的平均距离；
根据所述特征提取网络的损失函数，计算所述清晰人脸生成图像的特征提取结果与所述清晰人脸图像的特征提取结果之间的特征损失值；
根据所述判别结果，计算所述判别器的交叉熵；
根据所述平均距离、所述特征损失值及所述交叉熵，计算所述生成器的损失。


4.如权利要求1所述的人脸识别方法，其特征在于，在所述将待识别的模糊人脸输入至已训练的生成对抗网络的生成器中，得到待识别的清晰人脸之前，所述人脸识别方法还包括：
获取包含清晰人脸的样本图像；
基于所述清晰人脸对所述样本图像进行裁剪，得到第一人脸图像，其中，所述第一人脸图...

【专利技术属性】
技术研发人员：王玥，程骏，刘业鹏，曾钰胜，庞建新，熊友军，
申请(专利权)人：深圳市优必选科技股份有限公司，
类型：发明
国别省市：广东;44