一种人脸信息识别方法、设备、存储介质及神经网络模型技术

本申请属于人脸识别检测技术领域，尤其涉及一种人脸信息识别方法、设备、存储介质及神经网络模型。该方法应用于神经网络模型，该神经网络模型包括第一通道组和第二通道组，包括：获取待识别图像；识别待识别图像中的人脸位置信息；根据人脸位置信息确定人脸特征信息；通过第一通道组输出人脸位置信息，通过第二通道组输出人脸特征信息。通过增加神经网络模型中通道组数，从而实现基于同一种神经网络模型，经过一次输入以及推理计算过程，在不同通道组中，同时输出人脸位置信息和人脸特征信息。本申请实施例提供的技术方案在保证精度的情况避免了资源浪费，节省了设备的资源以及性能消耗。能消耗。能消耗。

A face information recognition method, equipment, storage medium and neural network model

【技术实现步骤摘要】
一种人脸信息识别方法、设备、存储介质及神经网络模型


[0001]本申请属于人脸识别检测
，尤其涉及一种人脸信息识别方法、设备、存储介质及神经网络模型。

技术介绍

[0002]Yolov5神经网络模型是一种通用的目标检测模型，Yolov5
‑
face人脸识别检测模型在Yolov5神经网络模型的基础上，新增加了对人脸关键点回归分支的检测，电子设备将待识别图像输入至Yolov5
‑
face人脸识别检测模型之后，可以通过该模型输出人脸位置信息。
[0003]当电子设备需要同时检测出待识别图像中的人脸位置信息和人脸三维角度信息时，通常采用在Yolov5
‑
face人脸识别检测模型的基础上，使用另外一个用于识别人脸三维角度的神经网络，如Hopenet。示例性的，电子设备在获取到待识别图像后，首先将其输入至Yolov5
‑
face人脸识别检测模型，得到人脸位置信息，然后再基于该人脸位置信息剪裁待识别图像中的目标人脸，得到剪裁后的目标人脸图像，将剪裁后的目标人脸图像输入至用于识别人脸三维角度的神经网络中，得到人脸的三维角度信息。可以看出，电子设备在识别人脸位置信息以及人脸三维角度信息时，需要部署两种不同的神经网络模型，且通过两次输入，才能够得到人脸的三维角度信息，增大了电子设备的推理时间以及性能消耗。

技术实现思路

[0004]有鉴于此，本申请实施例提供了一种人脸信息识别方法、设备、存储介质及神经网络模型，以解决现有技术在进行人脸识别时，需要在电子设备中部署两种不同的神经网络模型，且电子设备需要执行两次输入的过程，才能得到人脸位置信息和人脸三维角度信息，导致增大了电子设备的推理时间以及性能消耗的问题。
[0005]本申请实施例的第一方面提供了一种人脸信息识别方法，应用于神经网络模型，该神经网络模型包括第一通道组和第二通道组，包括：获取待识别图像；识别待识别图像中的人脸位置信息；根据人脸位置信息确定人脸特征信息；通过第一通道组输出人脸位置信息，第二通道组输出人脸特征信息。
[0006]结合第一方面，在第一方面的第一种可能实现方式中，识别待识别图像中的人脸位置信息，包括：对待识别图像进行下采样，得到不同下采样倍数的第一目标图像；对第一目标图像进行特征融合，得到第二目标图像；识别第二目标图像中人脸位置信息。
[0007]结合第一方面的第一种可能实现方式，根据人脸位置信息确定人脸特征信息，包括：根据人脸位置信息剪裁待识别图像中的目标人脸，得到剪裁后的目标人脸图像；识别目标人脸图像中的人脸特征信息。
[0008]结合第一方面，在第一方面的第三种可能实现方式中，在通过第一通道组输出人脸位置信息，通过第二通道组输出人脸特征信息之前，该方法还包括：对人脸位置信息和人脸特征信息进行解码。
[0009]结合第一方面，在第一方面的第四种可能实现方式中，人脸特征信息为人脸三维角度信息。
[0010]本申请实施例的第二方面提供了一种神经网络模型，该神经网络模型包括第一通道组和第二通道组，该神经网络模型用于：获取待识别图像；识别待识别图像中的人脸位置信息；根据人脸位置信息确定人脸特征信息；通过第一通道组输出人脸位置信息，通过第二通道组输出人脸特征信息。
[0011]结合第二方面，在第二方面的第一种可能实现方式中，第二通道组的输出通道数是根据人脸特征信息确定的。
[0012]结合第二方面，在第二方面的第二种可能实现方式中，神经网络模型是通过如下方法训练得到的：修改神经网络模型中输出端的输出通道数，使神经网络模型包括用于识别人脸位置信息的第一通道组，和用于识别人脸特征信息的第二通道组；通过损失函数计算神经网络模型中人脸信息的损失参数；采用损失参数以及训练图像中人脸信息的标签值，对神经网络模型进行训练，得到能够识别人脸位置信息和人脸特征信息的神经网络模型。
[0013]本申请实施例的三方面提供了一种人脸信息识别设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面任一项所述方法的步骤。
[0014]本申请实施例的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面任一项所述方法的步骤。
[0015]本申请实施例与现有技术相比存在的有益效果是：本申请实施例提供一种人脸信息识别方法、装置、设备及存储介质，通过增加神经网络模型中通道组数，从而实现基于同一种神经网络模型，经过一次输入以及推理计算过程，在不同通道组中，同时输出人脸位置信息和人脸特征信息。本申请实施例提供的技术方案在保证精度的情况避免了资源浪费，节省了设备的资源以及性能消耗。
附图说明
[0016]为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0017]图1是本申请实施例提供的一种人脸信息识别方法的流程图；
[0018]图2是本申请实施例提供的输出通道数修改前待识别图像输出流程的示意图；
[0019]图3是本申请实施例提供的输出通道数修改后待识别图像输出流程的示意图；
[0020]图4是本申请实施例提供的神经网络模型配置流程的示意图；
[0021]图5是本申请实施例提供的一种人脸信息识别设备的示意图。
具体实施方式
[0022]以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具
体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
[0023]为了说明本申请所述的技术方案，下面通过具体实施例来进行说明。
[0024]在神经网络模型中，电子设备通常使用如Yolov5
‑
face人脸识别检测模型的神经网络模型，检测待识别图像中的人脸位置信息，该人脸位置信息包括人脸分数、人脸所在区域以及人脸关键点(landmark)等信息。该人脸关键点包括：左眼、右眼、鼻子以及左嘴角、右嘴角所在的位置。
[0025]但是，在一些场景下(例如根据待识别图像对人脸进行三维建模)，电子设备不仅需要识别出待识别图像中的人脸位置信息，还需要识别出人脸的三维角度信息，该三位角度信息包括俯仰角(pitch)、偏航角(yaw)和翻滚角(roll)的角度信息。
[0026]在另一些场景下(例如根据待识别图像中人脸的正侧对待识别图像进行剔除)，电子设备不仅需要识别出待识别图像中的人脸位置信息，还需要识别出人脸的三维角度信息，通过人脸的三维角度信息确本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种人脸信息识别方法，其特征在于，应用于神经网络模型，所述神经网络模型包括第一通道组和第二通道组；所述方法包括：获取待识别图像；识别所述待识别图像中的人脸位置信息；根据所述人脸位置信息确定人脸特征信息；通过所述第一通道组输出所述人脸位置信息，通过所述第二通道组输出所述人脸特征信息。2.根据权利要求1所述的方法，其特征在于，所述识别所述待识别图像中的人脸位置信息，包括：对所述待识别图像进行下采样，得到不同下采样倍数的第一目标图像；对所述不同下采样倍数的第一目标图像进行特征融合，得到第二目标图像；识别所述第二目标图像中的人脸位置信息。3.根据权利要求1所述的方法，其特征在于，所述根据所述人脸位置信息确定人脸特征信息，包括：根据所述人脸位置信息剪裁所述待识别图像中的目标人脸，得到剪裁后的目标人脸图像；识别所述目标人脸图像中的人脸特征信息。4.根据权利要求1所述的方法，其特征在于，在通过所述第一通道组输出所述人脸位置信息，通过所述第二通道组输出所述人脸特征信息之前，所述方法还包括：对所述人脸位置信息和所述人脸特征信息进行解码。5.根据权利要求1所述的方法，其特征在于，所述人脸特征信息为人脸三维角度信息。6.一种神经网络模型，其特征在于，所述神经网络模型包括第一通道组和第二通...

【专利技术属性】
技术研发人员：吴汉俊，魏玉蓉，苏云强，
申请(专利权)人：深圳市景阳科技股份有限公司，
类型：发明
国别省市：