人脸识别方法、装置、电子设备及计算机可读存储介质制造方法及图纸

本公开提供了人脸识别方法、装置、电子设备及计算机可读存储介质。该方法的一具体实施方式包括：获取待识别人脸图像；提取待识别人脸图像的上半部人脸特征和下半部人脸特征以及可选的全局人脸特征，得到目标上半部人脸特征、目标下半部人脸特征以及目标全局人脸特征；使用目标上半部人脸特征和/或目标下半部人脸特征、以及目标全局人脸特征分别在预先建立的上半部人脸特征库和/或下半部人脸特征库、以及全局人脸特征库中进行特征比对，分别得到对应的符合预设比对条件的比对分数和关联的人脸身份标识；将各比对分数中最高者所关联的人脸身份标识确定为待识别人脸图像的人脸识别结果。该实施方式提高了人脸识别的准确性和鲁棒性。性和鲁棒性。性和鲁棒性。

【技术实现步骤摘要】
人脸识别方法、装置、电子设备及计算机可读存储介质


[0001]本公开涉及图像识别应用
，具体涉及人脸识别方法、装置、电子设备及计算机可读存储介质。

技术介绍

[0002]人脸识别是基于人的脸部特征信息进行身份识别的一种生物识别技术。人脸识别作为重要的计算机视觉技术，在人工智能领域发挥重大作用。
[0003]目前，人脸识别技术已被广泛应用于门禁管理、身份核验、智慧零售以及社交娱乐等应用场景。

技术实现思路

[0004]本公开提出了人脸识别方法、装置、电子设备及计算机可读存储介质。
[0005]第一方面，本公开提供了一种人脸识别方法，该方法包括：获取待识别人脸图像；提取待识别人脸图像的上半部人脸特征和下半部人脸特征以及可选的全局人脸特征，得到目标上半部人脸特征、目标下半部人脸特征以及目标全局人脸特征；使用目标上半部人脸特征和/或目标下半部人脸特征、以及目标全局人脸特征分别在预先建立的上半部人脸特征库和/或下半部人脸特征库、以及全局人脸特征库中进行特征比对，分别得到对应的符合预设比对条件的比对分数和关联的人脸身份标识，其中，上半部人脸特征库中存储有至少一个上半部人脸特征和对应的人脸身份标识，下半部人脸特征库中存储有至少一个下半部人脸特征和对应的人脸身份标识，全局人脸特征库中存储有至少一个全局人脸特征和对应的人脸身份标识；将各比对分数中最高者所关联的人脸身份标识确定为待识别人脸图像的人脸识别结果。
[0006]其中，本领域技术人员可以理解的是，提取待识别人脸图像的上半部人脸特征和下半部人脸特征以及可选的全局人脸特征，得到目标上半部人脸特征、目标下半部人脸特征以及目标全局人脸特征，可以包括：情况(1)提取待识别人脸图像的上半部人脸特征和下半部人脸特征，得到目标上半部人脸特征、目标下半部人脸特征以及目标全局人脸特征；或者包括情况(2)提取待识别人脸图像的上半部人脸特征和下半部人脸特征以及全局人脸特征，得到目标上半部人脸特征、目标下半部人脸特征以及目标全局人脸特征。
[0007]在一些可选的实施方式中，提取待识别人脸图像的上半部人脸特征和下半部人脸特征以及可选的全局人脸特征，得到目标上半部人脸特征、目标下半部人脸特征以及目标全局人脸特征，包括：将待识别人脸图像分为上半部人脸图像和下半部人脸图像；利用人脸特征提取模型分别对上半部人脸图像和下半部人脸图像进行特征提取，得到目标上半部人脸特征和目标下半部人脸特征；将目标上半部人脸特征和目标下半部人脸特征进行特征拼接，或者利用全局人脸特征提取模型提取待识别人脸图像的全局人脸特征，得到目标全局人脸特征。
[0008]在一些可选的实施方式中，提取待识别人脸图像的上半部人脸特征和下半部人脸
特征以及可选的全局人脸特征，得到目标上半部人脸特征、目标下半部人脸特征以及目标全局人脸特征，包括：利用上半部人脸特征提取模型提取待识别人脸图像的上半部人脸特征，得到目标上半部人脸特征；利用下半部人脸特征提取模型提取待识别人脸图像的下半部人脸特征，得到目标下半部人脸特征；利用全局人脸特征提取模型提取待识别人脸图像的全局人脸特征，或者将目标上半部人脸特征和目标下半部人脸特征进行特征拼接，得到目标全局人脸特征。
[0009]在一些可选的实施方式中，人脸特征提取模型是通过如下步骤预先训练得到的：获取第一样本集，其中，第一样本集中的第一样本包括无遮挡人脸图像和对应的上半部人脸特征、下半部人脸特征以及全局人脸特征；确定初始人脸特征提取模型的模型结构；初始化初始人脸特征提取模型的模型参数；调整初始人脸特征提取模型的模型参数。
[0010]优选地，调整初始人脸特征提取模型的模型参数，包括：对于第一样本集中的第一样本，执行以下模型调整操作，直到满足预设训练结束条件：将第一样本中的无遮挡人脸图像分为上半部人脸图像和下半部人脸图像；使用初始人脸特征提取模型分别对上半部人脸图像和下半部人脸图像进行特征提取，得到实际上半部人脸特征和实际下半部人脸特征；将所得到的实际上半部人脸特征和实际下半部人脸特征进行特征拼接，得到实际全局人脸特征；基于所得到的实际上半部人脸特征与该第一样本中的上半部人脸特征之间的差异、所得到的实际下半部人脸特征与该第一样本中的下半部人脸特征之间的差异以及所得到的实际全局人脸特征与该第一样本中的全局人脸特征之间的差异，调整初始人脸特征提取模型的模型参数。
[0011]在一些可选的实施方式中，上半部人脸特征提取模型是通过如下步骤预先训练得到的：获取第二样本集，其中，第二样本集中的第二样本包括下半部人脸遮挡图像和对应的上半部人脸特征；对于第二样本集中的第二样本，将该第二样本中的下半部人脸遮挡图像作为输入，将该第二样本中的上半部人脸特征作为期望输出，训练第一初始深度学习模型，得到上半部人脸特征提取模型。
[0012]在一些可选的实施方式中，下半部人脸特征提取模型是通过如下步骤预先训练得到的：获取第三样本集，其中，第三样本集中的第三样本包括上半部人脸遮挡图像和对应的下半部人脸特征；对于第三样本集中的第三样本，将该第三样本中的上半部人脸遮挡图像作为输入，将该第三样本中的下半部人脸特征作为期望输出，训练第二初始深度学习模型，得到下半部人脸特征提取模型。
[0013]在一些可选的实施方式中，全局人脸特征提取模型是通过如下步骤预先训练得到的：获取第四样本集，其中，第四样本集中的第四样本包括无遮挡人脸图像和对应的全局人脸特征；对于第四样本集中的第四样本，将该第四样本中的无遮挡人脸图像作为输入，将该第四样本中的全局人脸特征作为期望输出，训练第三初始深度学习模型，得到全局人脸特征提取模型。
[0014]在一些可选的实施方式中，上半部人脸特征库、下半部人脸特征库以及全局人脸特征库是通过如下步骤预先建立的：获取至少一个人脸身份标识与对应的无遮挡人脸图像；对所获取的每个无遮挡人脸图像，执行以下特征关联存储操作：将无遮挡人脸图像分为上半部人脸图像和下半部人脸图像；利用人脸特征提取模型提取上半部人脸图像的上半部人脸特征和下半部人脸图像的下半部人脸特征；将所提取的上半部人脸特征和下半部人脸
特征进行特征拼接，得到全局人脸特征，或者利用全局人脸特征提取模型提取无遮挡人脸图像的全局人脸特征；分别将所得到的上半部人脸特征、下半部人脸特征和全局人脸特征与对应的人脸身份标识关联存储至上半部人脸特征库、下半部人脸特征库和全局人脸特征库。
[0015]在一些可选的实施方式中，上半部人脸特征库是通过如下步骤预先建立的：获取至少一个人脸身份标识与对应的第一人脸图像，第一人脸图像为下半部人脸遮挡图像和/或无遮挡人脸图像；使用上半部人脸特征提取模型提取各第一人脸图像的上半部人脸特征；将各第一人脸图像对应的上半部人脸特征与对应的人脸身份标识关联存储至上半部人脸特征库。
[0016]在一些可选的实施方式中，下半部人脸特征库是通过如下步骤预先建立的：获取至少一个人脸身份标识与对应的第二人脸图像，第二人脸图像为上半部人脸遮挡图像和/或无遮挡人脸图像；使用下半部人脸特征提取本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种人脸识别方法，包括：获取待识别人脸图像；提取所述待识别人脸图像的上半部人脸特征和下半部人脸特征以及可选的全局人脸特征，得到目标上半部人脸特征、目标下半部人脸特征以及目标全局人脸特征；使用所述目标上半部人脸特征和/或所述目标下半部人脸特征、以及所述目标全局人脸特征分别在预先建立的上半部人脸特征库和/或下半部人脸特征库、以及全局人脸特征库中进行特征比对，分别得到对应的符合预设比对条件的比对分数和关联的人脸身份标识，其中，所述上半部人脸特征库中存储有至少一个上半部人脸特征和对应的人脸身份标识，所述下半部人脸特征库中存储有至少一个下半部人脸特征和对应的人脸身份标识，全局人脸特征库中存储有至少一个全局人脸特征和对应的人脸身份标识；将各所述比对分数中最高者所关联的人脸身份标识确定为所述待识别人脸图像的人脸识别结果。2.根据权利要求1所述的方法，其中，所述提取所述待识别人脸图像的上半部人脸特征和下半部人脸特征以及可选的全局人脸特征，得到目标上半部人脸特征、目标下半部人脸特征以及目标全局人脸特征，包括：将所述待识别人脸图像分为上半部人脸图像和下半部人脸图像；利用人脸特征提取模型分别对所述上半部人脸图像和所述下半部人脸图像进行特征提取，得到所述目标上半部人脸特征和所述目标下半部人脸特征；将所述目标上半部人脸特征和所述目标下半部人脸特征进行特征拼接，或者利用全局人脸特征提取模型提取所述待识别人脸图像的全局人脸特征，得到所述目标全局人脸特征；或者，所述提取所述待识别人脸图像的上半部人脸特征和下半部人脸特征以及可选的全局人脸特征，得到目标上半部人脸特征、目标下半部人脸特征以及目标全局人脸特征，包括：利用上半部人脸特征提取模型提取所述待识别人脸图像的上半部人脸特征，得到所述目标上半部人脸特征；利用下半部人脸特征提取模型提取所述待识别人脸图像的下半部人脸特征，得到所述目标下半部人脸特征；利用全局人脸特征提取模型提取所述待识别人脸图像的全局人脸特征，或者将所述目标上半部人脸特征和所述目标下半部人脸特征进行特征拼接，得到所述目标全局人脸特征。3.根据权利要求2所述的方法，其中，所述人脸特征提取模型是通过如下步骤预先训练得到的：获取第一样本集，其中，所述第一样本集中的第一样本包括无遮挡人脸图像和对应的上半部人脸特征、下半部人脸特征以及全局人脸特征；确定初始人脸特征提取模型的模型结构；初始化所述初始人脸特征提取模型的模型参数；调整所述初始人脸特征提取模型的模型参数；优选地，所述调整所述初始人脸特征提取模型的模型参数，包括：对于所述第一样本集
中的第一样本，执行以下模型调整操作，直到满足预设训练结束条件：将所述第一样本中的无遮挡人脸图像分为上半部人脸图像和下半部人脸图像；使用初始人脸特征提取模型分别对所述上半部人脸图像和所述下半部人脸图像进行特征提取，得到实际上半部人脸特征和实际下半部人脸特征；将所得到的实际上半部人脸特征和实际下半部人脸特征进行特征拼接，得到实际全局人脸特征；基于所得到的实际上半部人脸特征与该第一样本中的上半部人脸特征之间的差异、所得到的实际下半部人脸特征与该第一样本中的下半部人脸特征之间的差异以及所得到的实际全局人脸特征与该第一样本中的全局人脸特征之间的差异，调整所述初始人脸特征提取模型的模型参数。4.根据权利要求2所述的方法，其中，所述上半部人脸特征提取模型是通过如下步骤预先训练得到的：获取第二样本集，其中，所述第二样本集中的第二样本包括下半部人脸遮挡图像和对应的上半部人脸特征；对于所述第二样本集中的第二样本，将该第二样本中的下半部人脸遮挡图像作为输入，将该第二样本中的上半部人脸特征作为期望输出，训练第一初始深度学习模型，得到所述上半部人脸特征提取模型；和/或所述下半部人脸特征提取模型是通过如下步骤预先训练得到的：获取第三样本集，其中，所述第三样本集中的第三样本包括上半部人脸遮挡...

【专利技术属性】
技术研发人员：程禹，申省梅，谢佩博，马原，
申请(专利权)人：北京澎思科技有限公司，
类型：发明
国别省市：