人脸识别方法、装置、设备和存储介质制造方法及图纸

本申请提供了一种人脸识别方法、装置、设备和存储介质，首先获取待识别用户的人脸图像，其中人脸图像可以是佩戴口罩的人脸图像也可以是未佩戴口罩的人脸图像；然后从人脸图像中提取上半脸图像，将上半脸图像输入预先训练的第一卷积神经网络模型，以得到第一图像特征；同时将人脸图像输入预先训练的第二卷积神经网络模型，以得到第二图像特征；将第一图像特征和第二图像特征进行融合，以得到融合图像特征；将融合图像特征与人脸库中的人脸特征进行比对，根据比对结果确定待识别用户的人脸识别是否通过。该人脸识别方法采用特征融合方式形成的融合特征提高了对人脸的表述能力和鉴别能力，进而提高了人脸识别的准确性。进而提高了人脸识别的准确性。进而提高了人脸识别的准确性。

【技术实现步骤摘要】
人脸识别方法、装置、设备和存储介质


[0001]本申请涉及人脸识别
，具体涉及一种人脸识别方法、装置、设备和存储介质。

技术介绍

[0002]随着计算机技术的发展，人脸识别应用到了越来越多的领域，例如可以用在考勤、门禁中。人脸识别通常是使用机器学习方法训练人脸识别模型，然后利用人脸识别模型对图像中的人脸进行识别。
[0003]在传统的人脸识别中，需要每个用户上传一张照片作为人脸底库图片，通过特征提取后与用户进行关联，用于后期通过人脸识别进行身份的比对和认证。然而一般上传的底库图片都是不戴口罩的图片。而在某些特殊时期(尤其是新冠疫情下)用户通常都会戴口罩，而对戴口罩的人脸进行识别的难点在于：人脸识别模型既要解决戴口罩情况下的人脸识别，又要解决不戴口罩情况下的人脸识别。戴口罩情况下与不戴带口罩情况下相比，缺少嘴部、鼻子等相关信息，采用目前的训练模型常常会导致识别的效果低，甚至可能会存在无法识别的情况。
[0004]申请内容
[0005]有鉴于此，本申请实施例中提供了一种人脸识别方法、装置、设备和存储介质。
[0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，其特征在于，所述方法包括：获取待识别用户的人脸图像；从所述人脸图像中提取上半脸图像；将所述上半脸图像输入预先训练的第一卷积神经网络模型，以得到第一图像特征；将所述人脸图像输入预先训练的第二卷积神经网络模型，以得到第二图像特征；将所述第一图像特征和所述第二图像特征进行融合，以得到融合图像特征；将所述融合图像特征与人脸库中的人脸特征进行比对，根据比对结果确定待识别用户的人脸识别是否通过。2.根据权利要求1所述的方法，其特征在于，所述第一卷积神经网络模型和所述第二卷积神经网络模型包括ResNet网络模型、VGG网络模型、DenseNet网络模型、SqueezeNet网络模型或MobileFaceNet网络模型。3.根据权利要求1所述的方法，其特征在于，所述第一卷积神经网络模型为改进的MobileFaceNet网络模型，所述改进的MobileFaceNet网络模型包括第一inception层、第一注意力模块和依次连接的第一浅层网络、第一中层网络、第一深层网络和第一全连接层；且所述改进的MobileFaceNet网络模型的激活函数为FReLU激活函数；其中，所述第一inception层设置在所述第一浅层网络与所述第一中层网络之间；所述第一注意力模块设置在所述第一中层网络与所述第一深层网络之间，及所述第一深层网络与所述第一全连接层网络之间。4.根据权利要求1所述的方法，其特征在于，所述第二卷积神经网络模型为改进的Resnet网络模型，所述改进的Resnet网络模型包括第二inception层、第二注意力模块和依次连接的第二浅层网络、第二中层网络、第二深层网络和第二全连接层；且所述改进的Resnet网络模型的激活函数为FReLU激活函数；其中，所述第二inception层设置在所述第二浅层网络中，所述第二注意力模块设置在所述第二浅层网络与所述第二中层网络之间，及所述第二中层网络与所述第二深层网络之间。5.根据权利要求1
‑
4任一项所述的方法，其特征在于，所述预先训练的第二卷积神经网络模型通过以下方式获得：基于未佩戴口罩的人脸图像集对所述第二卷积神经网络模型进行训练，得到初始第二卷积神经网络模型；基于...

【专利技术属性】
技术研发人员：杨奇，陈书楷，
申请(专利权)人：厦门熵基科技有限公司，
类型：发明
国别省市：