人脸识别的方法、装置、计算机设备及存储介质制造方法及图纸

本公开公开了一种人脸识别的方法、装置、计算机设备及存储介质，尤其涉及深度学习、计算机视觉等人工智能技术领域，具体方案为：利用第一编码器，对第一三原色人脸图像进行编码处理，以确定所述第一三原色人脸图像对应的第一特征向量；利用第二编码器，对所述第一三原色人脸图像进行编码处理，以确定所述第一三原色人脸图像对应的第二特征向量，其中，所述第二编码器与所述第一编码器对应的训练数据不同；将所述第一特征向量及所述第二特征向量进行融合，以生成融合后的特征向量；对所述融合后的特征向量进行识别，以确定所述第一三原色人脸图像所属的用户。由此，有效提升了人脸识别的准确性和可靠性。

【技术实现步骤摘要】
人脸识别的方法、装置、计算机设备及存储介质
本公开涉及计算机
，尤其涉及深度学习、计算机视觉等人工智能
，具体涉及一种人脸识别的方法、装置、计算机设备及存储介质。
技术介绍
生物特征识别作为一种安全、可靠的身份验证技术在近几十年中得到了快速发展。3D人脸识别技术作为一种生物特征识别，可以从每个人的脸上提取到不同的身份特征，并与自身数据库中保存的信息进行对比来识别每个人脸的身份。但由于3D人脸识别技术依赖训练数据量，而3D人脸数据不容易获得，从而导致3D人脸识别准确性提升困难。如何提高人脸识别的准确性是当前亟需解决的问题。
技术实现思路
本公开提供了一种人脸识别的方法、装置、计算机设备及存储介质。根据本公开的第一方面，提供了一种人脸识别的方法，包括：利用第一编码器，对第一三原色人脸图像进行编码处理，以确定所述第一三原色人脸图像对应的第一特征向量；利用第二编码器，对所述第一三原色人脸图像进行编码处理，以确定所述第一三原色人脸图像对应的第二特征向量，其中，所述第二编码器与所述第一编码器对应的训练数据不同；将所述第一特征向量及所述第二特征向量进行融合，以生成融合后的特征向量；对所述融合后的特征向量进行识别，以确定所述第一三原色人脸图像所属的用户。根据本公开的第二方面，提供了一种人脸识别的装置，包括：第一确定模块，用于利用第一编码器，对第一三原色人脸图像进行编码处理，以确定所述第一三原色人脸图像对应的第一特征向量；第二确定模块，用于利用第二编码器，对所述第一三原色人脸图像进行编码处理，以确定所述第一三原色人脸图像对应的第二特征向量，其中，所述第二编码器与所述第一编码器对应的训练数据不同；融合模块，用于将所述第一特征向量及所述第二特征向量进行融合，以生成融合后的特征向量；第三确定模块，用于对所述融合后的特征向量进行识别，以确定所述第一三原色人脸图像所属的用户。根据本公开的第三方面，提供了一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述一方面实施例所述的方法。根据本公开第四方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其上存储有计算机程序，所述计算机指令用于使所述计算机执行上述一方面实施例所述的方法。根据本公开第五方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求上述一方面实施例所述的方法。本公开的人脸识别的方法、装置、设备及存储介质，至少存在以下有益效果：首先利用第一编码器，对第一三原色人脸图像进行编码处理，以确定第一三原色人脸图像对应的第一特征向量；利用第二编码器，对第一三原色人脸图像进行编码处理，以确定第一三原色人脸图像对应的第二特征向量，其中，第二编码器与第一编码器对应的训练数据不同；将第一特征向量及第二特征向量进行融合，以生成融合后的特征向量；对融合后的特征向量进行识别，以确定第一三原色人脸图像所属的用户。由此，通过基于多个维度的RGB人脸图像对应的特征向量，进行人脸识别，从而不仅降低了人脸识别方法对图像的要求，而且有效提升了识别的准确性和可靠性。应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。附图说明附图用于更好地理解本方案，不构成对本公开的限定。其中：图1为本公开一个实施例提供的人脸识别的方法的流程示意图；图2为本公开另一个实施例提供的人脸识别的方法的流程示意图；图3为本公开又一个实施例提供的人脸识别的方法的流程示意图；图4为本公开一个实施例提供的人脸识别的装置的结构框图；图5是可以实现本公开实施例的电子设备图。具体实施方式以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。为了方便对本公开的理解，下面首先对本公开涉及的
进行简单解释说明书。人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科，既有硬件层面的技术也有软件层面的技术。人工智能硬件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、大数据处理等技术；人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术以及机器学习、深度学习、大数据处理技术、知识图谱技术等几大方向。深度学习是学习样本数据的内在规律和表示层次，这些学习过程中获得的信息对诸如文字，图像和声音等数据的解释有很大的帮助。它的最终目标是让机器能够像人一样具有分析学习能力，能够识别文字、图像和声音等数据。深度学习是一个复杂的机器学习算法，在语音和图像识别方面取得的效果，远远超过先前相关技术。计算机视觉是一个跨学科的科学领域，研究如何让计算机从数字图像或视频中获得高水平的理解。从工程学的角度来看，它寻求人类视觉系统能够完成的自动化任务。计算机视觉任务包括获取、处理、分析和理解数字图像的方法，以及从现实世界中提取高维数据以便例如以决策的形式产生数字或符号信息的方法。本公开提供的人脸识别的方法可以由本公开提供的人脸识别的装置执行，也可以由本公开提供的电子设备执行，其中，电子设备可以包括但不限于台式电脑、智能屏、智能手机等终端设备。下面以由本公开提供的人脸识别的装置来执行本公开提供的人脸识别的方法为例来解释说明本公开，而不能作为对本公开的限制，以下简称为“装置”。下面参考附图对本公开提供的人脸识别的方法、装置、计算机设备及存储介质进行详细描述。图1是根据本公开第一实施例的人脸识别的方法的流程示意图。如图1所示，该人脸识别的方法可以包括以下步骤：步骤101，利用第一编码器，对第一三原色人脸图像进行编码处理，以确定第一三原色人脸图像对应的第一特征向量。本公开中，三原色图像可以为RGB图像，三原色人脸图像可以理解为人脸的RGB图像。其中，第一编码器，为预先训练生成的。第一编码器的训练数据可以为人脸深度图像、可见光图像、红外图像的一种，或者还可以为RGB人脸图像、人脸深度图像、可见光图像、红外图像中不同类型图像的组合，本公开对此不进行限定。举例来说，若第一编码器的训练数据为RGB人脸图像及对应的人脸深度图像，那么可以首先利用编码器对RGB人脸图像进行编码以得到特征向量，之后再利用解码器对特征向量进行解码，以生成人脸深度图像，之后基于生成的人脸深度图像及训练数据中的人脸深度图像间的差本文档来自技高网...

【技术保护点】
1.一种人脸识别的方法，包括：/n利用第一编码器，对第一三原色人脸图像进行编码处理，以确定所述第一三原色人脸图像对应的第一特征向量；/n利用第二编码器，对所述第一三原色人脸图像进行编码处理，以确定所述第一三原色人脸图像对应的第二特征向量，其中，所述第二编码器与所述第一编码器对应的训练数据不同；/n将所述第一特征向量及所述第二特征向量进行融合，以生成融合后的特征向量；/n对所述融合后的特征向量进行识别，以确定所述第一三原色人脸图像所属的用户。/n

【技术特征摘要】
1.一种人脸识别的方法，包括：
利用第一编码器，对第一三原色人脸图像进行编码处理，以确定所述第一三原色人脸图像对应的第一特征向量；
利用第二编码器，对所述第一三原色人脸图像进行编码处理，以确定所述第一三原色人脸图像对应的第二特征向量，其中，所述第二编码器与所述第一编码器对应的训练数据不同；
将所述第一特征向量及所述第二特征向量进行融合，以生成融合后的特征向量；
对所述融合后的特征向量进行识别，以确定所述第一三原色人脸图像所属的用户。


2.如权利要求1所述的方法，其中，还包括：
获取训练数据集，其中，所述训练数据集中包括第二三原色人脸图像及对应的参考深度人脸图像；
利用第一初始编码器，对所述第二三原色人脸图像进行编码处理，以确定所述第二三原色人脸图像对应的第一特征向量；
利用第一初始解码器，对所述第一特征向量进行解码，以生成所述第二三原色人脸图对应的预测深度人脸图像；
根据所述预测深度人脸图像与所述参考深度人脸图像的差异，对所述第一初始编码器及所述第一初始解码器分别进行修正，以生成第一解码器及所述第一编码器。


3.如权利要求2所述的方法，其中，所述训练数据集中还包括与所述第二三原色人脸图像对应的标注标签，所述方法还包括：
利用第二初始编码器，对所述第二三原色人脸图像进行编码处理，以确定所述第二三原色人脸图像对应的第二特征向量；
利用第二初始解码器，对所述第二特征向量进行解码，以生成所述第二三原色人脸图像对应的预测标签；
根据所述标注标签与所述预测标签的差异，对所述第二初始编码器及所述第二初始解码器分别进行修正，以生成第二解码器及所述第二编码器。


4.如权利要求3所述的方法，其中，所述利用第二初始解码器，对所述第二特征向量进行解码，以生成所述第二三原色人脸图像对应的预测标签，包括：
利用初始融合子网络，将所述第二特征向量与所述第一特征向量进行融合，以生成融合后的特征向量；
利用所述第二初始解码器，对所述融合后的特征向量进行解码，以生成所述第二三原色人脸图像对应的预测标签；
所述根据所述标注标签与所述预测标签的差异，对所述第二初始编码器及所述第二初始解码器分别进行修正，以生成第二解码器及所述第二编码器，包括：
根据所述标注标签与所述预测标签的差异，对所述初始融合子网络、第一编码器、第二初始编码器及所述第二初始解码器分别进行修正，以生成融合子网络、第一编码器、第二解码器及所述第二编码器。


5.如权利要求4所述的方法，其中，所述将所述第一特征向量及所述第二特征向量进行融合，以生成融合后的特征向量，包括：
利用所述融合子网络，将所述第一特征向量及所述第二特征向量进行融合，以生成融合后的特征向量。


6.如权利要求1-5任一所述的方法，其中，所述将所述第一特征向量及所述第二特征向量进行融合，以生成融合后的特征向量，包括：
根据第一预设的权重值将所述第一特征向量与所述第二特征向量中各元素分别进行加权融合，以确定融合后特征向量中各元素取值；
根据所述融合后特征向量中各元素取值分别与预设的参数的比值，确定融合矩阵；
基于所述融合矩阵及第二预设的权重值，将所述第二特征向量进行修正，以生成所述融合后的特征向量。


7.一种人脸识别的装置，包括：
第一确定模块，用于利用第一编码器，对第一三原色人脸图像进行编码处理，以确定所述第一三原色人脸图像对应的第一特征向量；
第二确定模块，用于利用第二编码器，对所述第一三原色人脸图像进行编码处理，以...

【专利技术属性】
技术研发人员：杨馥魁，
申请(专利权)人：北京百度网讯科技有限公司，
类型：发明
国别省市：北京;11