人脸识别方法、装置、电子设备和介质制造方法及图纸

本申请公开了一种人脸识别方法、装置、电子设备和介质。其中方法包括：获取深度可分离卷积网络结构和样本人脸图像，基于所述样本人脸图像训练所述深度可分离卷积网络结构，获得训练好的目标网络模型，所述样本人脸图像包括多个用户的人脸图像，其中每个用户的人脸图像包括至少五个基本人脸图像和/或由所述基本人脸图像经过预处理操作获得的人脸扩展图像；获取待处理人脸图像，对所述待处理人脸图像进行所述预处理操作，获得符合预设参数的待识别人脸图像；将所述待识别人脸图像输入所述目标网络模型进行人脸识别处理，获得人脸识别判定结果，可以更准确提取人脸特征进行识别，提升人脸识别的准确率。

【技术实现步骤摘要】
人脸识别方法、装置、电子设备和介质
本申请涉及计算机视觉
，尤其是涉及一种人脸识别方法、装置、电子设备和介质。
技术介绍
人脸识别技术隶属生物识别技术范畴，已广泛用于政府、军队、银行、社会福利保障、电子商务、安全防务等领域，用于提升系统的安全性以及应用服务的便捷性。一般而言，通过提取视觉特征、像素统计特征、人脸图像变换系数特征、人脸图像代数特征以及深度学习卷积网络模型提取的卷积特征，并根据提取出的差异性人脸特征构建分类模型，实现人脸唯一性识别。人脸识别技术受环境因素较大，比如光照不足或过度曝光，或者如果人脸没有与摄像头呈垂直角度，也同样会造成人像变形失真，这反应在提取的浅层特征上丢失，无法准确与对照人像做比对。另一方面人脸的外形(姿态)很不稳定，也存在很多情绪变化，导致表情多样化，使得人脸图像更复杂，而在不同观察角度，人脸的视觉图像也相差很大，其复杂的结构又能提供非常丰富的信息，从而也增加了人脸识别的难度。这就需要设计更为合理的模型结构以具备提取更详细准确特征的能力。
技术实现思路
本申请提供了一种人脸识别方法、装置、电子设备和介质。第一方面，提供了一种人脸识别方法，包括：获取深度可分离卷积网络结构和样本人脸图像，基于所述样本人脸图像训练所述深度可分离卷积网络结构，获得训练好的目标网络模型，所述样本人脸图像包括多个用户的人脸图像，其中每个用户的人脸图像包括至少五个基本人脸图像和/或由所述基本人脸图像经过预处理操作获得的人脸扩展图像；获取待处理人脸图像，对所述待处理人脸图像进行所述预处理操作，获得符合预设参数的待识别人脸图像；将所述待识别人脸图像输入所述目标网络模型进行人脸识别处理，获得人脸识别判定结果。在一种可选的实施方式中，所述深度可分离卷积网络结构包括：两个普通卷积层、三个深度可分离卷积层、四个残差块、一个全局深度可分离卷积层和一个线性卷积层。在一种可选的实施方式中，所述深度可分离卷积网络结构具体包括十一个卷积模块，其中：第一个卷积模块为一个3×3的所述普通卷积层；第三个、第五个、第七个卷积模块分别为一个3×3的所述深度可分离卷积卷积层；第二个、第四个、第六个和第八个卷积模块分别为一个所述残差块；第九个卷积模块为一个1×1的所述普通卷积层；第十个卷积模块为一个7×7的所述全局深度可分离卷积层；第十一个卷积模块为一个1×1的所述线性卷积层。可选的，所述第二个卷积模块的残差块包括4个残差单元，所述第四个卷积模块的残差块包括8个残差单元，所述第六个卷积模块的残差块包括16个残差单元，所述第八个卷积模块的残差块包括5个残差单元。在一种可选的实施方式中，所述将所述待识别人脸图像输入所述目标网络模型进行人脸识别处理，获得人脸识别判定结果包括：将所述待识别人脸图像输入所述目标网络模型，获得所述目标网络模型的所述线性卷积层输出的目标人脸特征向量；基于所述目标人脸特征向量与模板人脸特征向量进行相似度度量，获得所述人脸识别判定结果。在一种可选的实施方式中，所述基于所述目标人脸特征向量与模板人脸特征向量进行相似度度量，获得所述人脸识别判定结果，包括：获取所述目标人脸特征向量和所述模板人脸特征向量的相似度；在所述相似度大于或等于预设的特征相似度阈值的情况下，确定所述待识别人脸图像识别成功；在所述相似度小于所述预设的特征相似度阈值的情况下，确定所述待识别人脸图像识别失败。在一种可选的实施方式中，所述深度可分离卷积卷积层采用分组归一化层；所述深度可分离卷积卷积层包括两个1×1卷积层和一个3×3卷积层。在一种可选的实施方式中，所述预处理操作包括：对角拉伸、横向拉伸、纵向拉升、水平旋转、变化亮度、加入椒盐噪音、加入高斯噪音中的任意一种或几种。第二方面，提供了一种人脸识别装置，包括：训练模块，用于获取深度可分离卷积网络结构和样本人脸图像，基于所述样本人脸图像训练所述深度可分离卷积网络结构，获得训练好的目标网络模型，所述样本人脸图像包括多个用户的人脸图像，其中每个用户的人脸图像包括至少五个基本人脸图像和/或由所述基本人脸图像经过预处理操作获得的人脸扩展图像；预处理模块，用于获取待处理人脸图像，对所述待处理人脸图像进行预处理操作，获得符合预设参数的待识别人脸图像；识别模块，用于将所述待识别人脸图像输入所述目标网络模型进行人脸识别处理，获得人脸识别判定结果。第三方面，提供了一种电子设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如第一方面及其任一种可能的实现方式的步骤。第四方面，提供了一种计算机存储介质，所述计算机存储介质存储有一条或多条指令，所述一条或多条指令适于由处理器加载并执行如上述第一方面及其任一种可能的实现方式的步骤。本申请通过获取深度可分离卷积网络结构和样本人脸图像，基于上述样本人脸图像训练上述深度可分离卷积网络结构，获得训练好的目标网络模型，上述样本人脸图像包括多个用户的人脸图像，其中每个用户的人脸图像包括至少五个基本人脸图像和/或由上述基本人脸图像经过预处理操作获得的人脸扩展图像，之后可以获取待处理人脸图像，对上述待处理人脸图像进行预处理操作，获得符合预设参数的待识别人脸图像，再将上述待识别人脸图像输入上述目标网络模型进行人脸识别处理，获得人脸识别判定结果。由于本申请实施例中通过训练的目标网络模型可以对人脸特征的提取更准确全面，因而能够适应一些人脸识别难以执行或准确执行的场景，如受环境因素影响、人脸的外形(姿态)不稳、情绪变化等导致表情多样化的情况，可以提升人脸识别的准确率。附图说明为了更清楚地说明本申请实施例或
技术介绍
中的技术方案，下面将对本申请实施例或
技术介绍
中所需要使用的附图进行说明。图1为本申请实施例提供的一种人脸识别方法的流程示意图；图2为本申请实施例提供的一种人脸图像预处理效果示意图；图3为本申请实施例提供的人脸识别装置的结构示意图；图4为本申请实施例提供的一种电子设备的结构示意图。具体实施方式为了使本
的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、装置、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有本文档来自技高网...

【技术保护点】
1.一种人脸识别方法，其特征在于，所述方法包括：/n获取深度可分离卷积网络结构和样本人脸图像，基于所述样本人脸图像训练所述深度可分离卷积网络结构，获得训练好的目标网络模型，所述样本人脸图像包括多个用户的人脸图像，其中每个用户的人脸图像包括至少五个基本人脸图像和/或由所述基本人脸图像经过预处理操作获得的人脸扩展图像；/n获取待处理人脸图像，对所述待处理人脸图像进行所述预处理操作，获得符合预设参数的待识别人脸图像；/n将所述待识别人脸图像输入所述目标网络模型进行人脸识别处理，获得人脸识别判定结果。/n

【技术特征摘要】
1.一种人脸识别方法，其特征在于，所述方法包括：
获取深度可分离卷积网络结构和样本人脸图像，基于所述样本人脸图像训练所述深度可分离卷积网络结构，获得训练好的目标网络模型，所述样本人脸图像包括多个用户的人脸图像，其中每个用户的人脸图像包括至少五个基本人脸图像和/或由所述基本人脸图像经过预处理操作获得的人脸扩展图像；
获取待处理人脸图像，对所述待处理人脸图像进行所述预处理操作，获得符合预设参数的待识别人脸图像；
将所述待识别人脸图像输入所述目标网络模型进行人脸识别处理，获得人脸识别判定结果。


2.根据权利要求1所述的人脸识别方法，其特征在于，所述深度可分离卷积网络结构包括：
两个普通卷积层、三个深度可分离卷积层、四个残差块、一个全局深度可分离卷积层和一个线性卷积层。


3.根据权利要求2所述的人脸识别方法，其特征在于，所述深度可分离卷积网络结构具体包括十一个卷积模块，其中：
第一个卷积模块为一个3×3的所述普通卷积层；
第三个、第五个、第七个卷积模块分别为一个3×3的所述深度可分离卷积卷积层；
第二个、第四个、第六个和第八个卷积模块分别为一个所述残差块；
第九个卷积模块为一个1×1的所述普通卷积层；
第十个卷积模块为一个7×7的所述全局深度可分离卷积层；
第十一个卷积模块为一个1×1的所述线性卷积层。


4.根据权利要求3所述的人脸识别方法，其特征在于，所述第二个卷积模块的残差块包括4个残差单元，所述第四个卷积模块的残差块包括8个残差单元，所述第六个卷积模块的残差块包括16个残差单元，所述第八个卷积模块的残差块包括5个残差单元。


5.根据权利要求1-4任一项所述的人脸识别方法，其特征在于，所述将所述待识别人脸图像输入所述目标网络模型进行人脸识别处理，获得人脸识别判定结果包括：
将所述待识别人脸图像输入所述目标网络模型，获得所述目标网络模型的所述线性卷积层输出的目标人脸特征向量；
基于所述目标人脸特征向量与模板人脸特征向量进行...

【专利技术属性】
技术研发人员：高亚南，
申请(专利权)人：深圳市雄帝科技股份有限公司，
类型：发明
国别省市：广东;44