一种人脸识别方法、设备及计算机可读存储介质技术

本申请公开了一种人脸识别方法、设备及计算机可读存储介质，该人脸识别方法包括获取人脸图像；获取人脸图像中人脸的姿态角；在姿态角属于预设的小角度姿态角时，对人脸图像中的人脸进行识别。通过上述方式，本申请能够提高人脸识别的识别精度。

【技术实现步骤摘要】
一种人脸识别方法、设备及计算机可读存储介质
本申请涉及图像识别
，特别是涉及人脸识别方法、设备及计算机可读存储介质。
技术介绍
随着平安城市建设的推进，很多城市已经部署了大量的安防监控摄像头，因此对产生的海量视频数据进行视频智能化、实时化分析是个极大的挑战。人脸识别以其隐蔽性强、方便可靠等优点，被应用于视频监控系统中，是视频监控系统智能化发展的方向之一。近年来，基于深度学习的人脸识别方法在人脸识别领域中取得了许多突破，使人脸识别在检测性能和识别精度上有了很大程度的提高。然而，在智能监控系统中，一般会采用单摄像头获取包含待识别人脸的图像，由于安防监控场景较为复杂，光线、遮挡、人脸姿态等因素对人脸识别的识别精度影响较大，导致人脸识别的识别精度降低。
技术实现思路
本申请主要解决的技术问题是提供一种人脸识别方法、设备及计算机可读存储介质，能够提高人脸识别的识别精度。为解决上述技术问题，本申请采用的一个技术方案是：提供一种人脸识别方法，该人脸识别方法包括获取人脸图像；获取人脸图像中人脸的姿态角；在姿态角属于预设的小角度姿态角时，对人脸图像中的人脸进行识别。其中，姿态角为欧拉角，欧拉角包括俯仰角、偏航角和翻滚角，预设的小角度姿态角包括：俯仰角的小角度范围为-30°～30°，翻滚角的小角度范围为-45°～45°。其中，获取人脸图像中人脸的姿态角包括：调用人脸姿态估计模型对人脸图像进行识别，获取人脸图像中人脸的姿态角，人脸姿态估计模型为多损失卷积神经网络模型，多损失卷积神经网络模型至少结合了两种损失函数计算模型损失。其中，调用人脸姿态估计模型对人脸图像进行识别，获取人脸图像中人脸的姿态角之前还包括：调用人脸姿态估计模型对样本图像进行识别，获取样本图像中人脸的预测姿态类别和预测姿态角；将预测姿态类别与实际姿态类别进行比较，计算分类损失；将预测姿态角与实际姿态角进行比较，计算角度损失；结合分类损失和角度损失得总损失；其中实际姿态类别是根据样本标签将样本图像按照人脸姿态角的角度区间进行分类得到的，样本标签标识有样本图像中人脸的实际姿态角；将总损失进行梯度反传，更新网络参数，对人脸姿态估计模型进行修正。其中，将预测姿态类别与实际姿态类别进行比较，计算分类损失；将预测姿态角与实际姿态角进行比较，计算角度损失；结合分类损失和角度损失得总损失包括：计算预测姿态类别与实际姿态类别的交叉熵损失，得到分类损失；计算预测姿态角与实际姿态角的回归损失，得到角度损失；将分类损失与角度损失进行加权求和得到总损失。其中，调用人脸姿态估计模型对样本图像进行识别，获取样本图像中人脸的预测姿态类别和预测姿态角包括：人脸姿态估计模型对样本图像进行识别，获取样本图像中人脸的预测姿态类别；利用姿态类别与姿态角的对应关系，得到与预测姿态类别对应的预测姿态角。其中，人脸姿态角为欧拉角，欧拉角包括俯仰角、偏航角和翻滚角，人脸姿态估计模型为多分支卷积神经网络，多分支卷积神经网络至少包括一个俯仰角分支、一个偏航角分支和一个翻滚角分支，分别用于识别获取俯仰角、偏航角和翻滚角。其中，获取人脸图像包括：利用单摄像头获取得到人脸图像；或利用单摄像头获取得到视频流，在视频流中检测出待识别人脸的位置和大小，并进行跟踪，获取得到人脸图像。为解决上述技术问题，本申请采用的另一个技术方案是：提供一种人脸识别设备，人脸识别设备包括处理器，处理器用于执行指令以实现上述的人脸识别方法。为解决上述技术问题，本申请采用的另一个技术方案是：提供一种计算机可读存储介质，计算机可读存储介质用于存储指令/程序数据，指令/程序数据能够被执行以实现上述的人脸识别方法。本申请的有益效果是：区别于现有技术的情况，本申请将人脸姿态角估计嵌入到人脸识别系统中，并滤除大姿态角的人脸，抓取合适的小姿态角人脸进行人脸识别，能够提高人脸识别系统的识别精度。附图说明图1是本申请实施方式中一人脸识别方法的流程示意图；图2是本申请实施方式中一人脸坐标系的示意图；图3是本申请实施方式中一人脸姿态估计模型的示意图；图4是本申请实施方式中一人脸姿态估计模型训练的示意图；图5是本申请实施方式中另一人脸识别方法的流程示意图；图6是本申请实施方式中人脸识别装置的结构示意图；图7是本申请实施方式中人脸识别设备的结构示意图；图8为本申请实施方式中计算机可读存储介质的结构示意图。具体实施方式为使本申请的目的、技术方案及效果更加清楚、明确，以下参照附图并举实施例对本申请进一步详细说明。本申请提供一种人脸识别方法，通过将人脸姿态角估计嵌入到人脸识别系统中，并滤除大姿态角的人脸，抓取合适的小姿态角人脸进行人脸识别，能够提高人脸识别系统的识别精度。请参阅图1，图1是本申请实施方式中一人脸识别方法的流程示意图。需注意的是，若有实质上相同的结果，本实施例并不以图1所示的流程顺序为限。如图1所示，本实施方式包括：S110：获取人脸图像。其中，可以利用摄像设备实时采集获取人脸图像，也可以从本地存储的图片中读取。摄像设备指的是可以实时获取图像数据的设备，比如，摄像头、相机、摄录机或摄影机等，为了描述方便，在本申请实施例中，均以摄像头为例进行说明。S120：获取人脸图像中人脸的姿态角。人脸姿态可分为正面、偏航和俯仰。偏航分为左偏和右偏；俯仰分为上仰和下俯。确定人脸图像中人脸的姿态角是确定人脸图像所示的人脸的姿态的角度。可使用人脸对齐方法算出人脸姿态角，也可以利用深度学习模型识别获取人脸姿态角。在一实施方式中，可使用欧拉角来表示人脸姿态角，欧拉角是指由欧拉提出的，用来确定定点转动刚体位置的3个一组独立角参量。请参阅图2，图2是本申请实施方式中一人脸坐标系的示意图。以人的头部的中心或重心为原点，由人脸的一侧耳朵指向另一侧耳朵的方向为X轴方向，由人的头部顶端指向脖子的方向为Y轴，由人的脸部指向后脑的方向为Z轴，欧拉角包含俯仰角、偏航角和翻滚角三个角度，俯仰角θ(pitch)是围绕X轴旋转的角度，偏航角ψ(yaw)是围绕Y轴旋转的角度；翻滚角Φ(roll)是围绕Z轴旋转的角度。S130：在姿态角属于预设的小角度姿态角时，对人脸图像中的人脸进行识别。可以根据人脸识别系统应用场景的实际情况，为人脸姿态角设定合适的阈值pitch[-τ°,τ°],yaw[-θ°,θ°],roll[-ε°,ε°]，仅对符合要求的小角度范围内的人脸图像进行识别。该实施方式中，通过滤除大姿态角的人脸图像，能够提高人脸识别系统的识别精度。因为大姿态角的人脸图像是人脸的大角度侧脸，特征点少，识别失败的概率较大。通过滤除大姿态角的人脸图像，能够避免大姿态角下人脸关键点识别失败所带来的人脸角度识别精度下降的问题。请参阅图3，图3是本申请实施方式中一人脸姿态估计模型的示意图。在该实施方式中，可利用人脸姿态估计模型获取人脸图像中人脸的姿态角。如图3所示本文档来自技高网...

【技术保护点】
1.一种人脸识别方法，其特征在于，包括：/n获取人脸图像；/n获取所述人脸图像中人脸的姿态角；/n在所述姿态角属于预设的小角度姿态角时，对所述人脸图像中的人脸进行识别。/n

【技术特征摘要】
1.一种人脸识别方法，其特征在于，包括：
获取人脸图像；
获取所述人脸图像中人脸的姿态角；
在所述姿态角属于预设的小角度姿态角时，对所述人脸图像中的人脸进行识别。


2.根据权利要求1所述的人脸识别方法，其特征在于，
所述姿态角为欧拉角，所述欧拉角包括俯仰角、偏航角和翻滚角，所述预设的小角度姿态角包括：所述俯仰角的小角度范围为-30°～30°，所述翻滚角的小角度范围为-45°～45°。


3.根据权利要求1所述的人脸识别方法，其特征在于，所述获取人脸图像中人脸的姿态角包括：
调用人脸姿态估计模型对所述人脸图像进行识别，获取所述人脸图像中人脸的姿态角，所述人脸姿态估计模型为多损失卷积神经网络模型，所述多损失卷积神经网络模型至少结合了两种损失函数计算模型损失。


4.根据权利要求3所述的人脸识别方法，其特征在于，所述调用人脸姿态估计模型对所述人脸图像进行识别，获取所述人脸图像中人脸的姿态角之前还包括：
调用所述人脸姿态估计模型对样本图像进行识别，获取所述样本图像中人脸的预测姿态类别和预测姿态角；
将所述预测姿态类别与实际姿态类别进行比较，计算分类损失；将所述预测姿态角与实际姿态角进行比较，计算角度损失；结合所述分类损失和所述角度损失得总损失；其中所述实际姿态类别是根据样本标签将所述样本图像按照人脸姿态角的角度区间进行分类得到的，所述样本标签标识有所述样本图像中人脸的实际姿态角；
将所述总损失进行梯度反传，更新网络参数，对所述人脸姿态估计模型进行修正。


5.根据权利要求4所述的人脸识别方法，其特征在于，所述将预测姿态类别与实际姿态类别进行比较，计算分类损失；将所述预测姿态角与实...

【专利技术属性】
技术研发人员：朱婷，王璟，
申请(专利权)人：浙江大华技术股份有限公司，
类型：发明
国别省市：浙江;33