人脸识别方法、装置、电子设备及存储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、电子设备及存储介质。方法包括：获取待识别人脸图像；将待识别人脸图像输入人脸识别模型，得到人脸识别模型输出的待识别特征向量；确定待识别特征向量与预设特征向量库中的特征向量的相似度；根据相似度，确定待识别人脸图像的识别结果。在本申请中，人脸识别模型是根据多个目标模态分别对应的人脸图像训练得到，人脸识别模型可以准确的提取到任意一种目标模态下的待识别人脸图像的待识别特征向量，使得待识别特征向量的准确率较高，从而使得待识别特征向量与预设特征向量库中的特征向量的相似度的准确率较高，进而提高了人脸识别准确率。进而提高了人脸识别准确率。进而提高了人脸识别准确率。

【技术实现步骤摘要】
人脸识别方法、装置、电子设备及存储介质


[0001]本申请涉及人工智能
，更具体地，涉及一种人脸识别方法、装置、电子设备及存储介质。

技术介绍

[0002]随着人工智能技术的研究和进步，人工智能技术在多个领域展开应用。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，是人工智能技术中重要的一环，例如可以将人脸识别技术应用到设备解锁和电子支付等场景。
[0003]在人脸识别技术中，首先获取待识别人脸图像，然后确定待识别人脸图像与预先录入的人脸图像的相似度，最后根据相似度计算结果得到人脸识别结果。但是，随着应用终端采集人脸图像的设备种类越来越多，采用这种传统的人脸识别方法已经无法满足这些设备的需求，识别准确率也不够高。

技术实现思路

[0004]有鉴于此，本申请实施例提出了一种人脸识别方法、装置、电子设备及存储介质。
[0005]第一方面，本申请实施例提供了一种人脸识别方法，方法包括：获取待识别人脸图像，所述待识别人脸图像属于多个目标模态中的至少一种；将所述待识别人脸图像输入人脸识别模型，得到所述人脸识别模型输出的待识别特征向量，所述人脸识别模型通过目标特征向量训练得到，所述目标特征向量由特征图经初始模型提取得到，所述特征图基于所述多个目标模态分别对应的人脸图像得到；确定所述待识别特征向量与预设特征向量库中的特征向量的相似度，所述预设特征向量库包括至少一个预置人脸图像对应的特征向量，所述至少一个预置人脸图像属于所述多个目标模态中的任意一种；根据所述相似度，确定所述待识别人脸图像的识别结果。
[0006]第二方面，本申请实施例提供了一种人脸识别装置，装置包括：获取模块，用于获取待识别人脸图像，所述待识别人脸图像属于多个目标模态中的至少一种；向量获得模块，用于将所述待识别人脸图像输入人脸识别模型，得到所述人脸识别模型输出的待识别特征向量，所述人脸识别模型通过目标特征向量训练得到，所述目标特征向量由特征图经初始模型提取得到，所述特征图基于所述多个目标模态分别对应的人脸图像得到；相似度确定模块，用于确定所述待识别特征向量与预设特征向量库中的特征向量的相似度，所述预设特征向量库包括至少一个预置人脸图像对应的特征向量，所述至少一个预置人脸图像属于所述多个目标模态中的任意一种；结果确定模块，用于根据所述相似度，确定所述待识别人脸图像的识别结果。
[0007]可选地，装置还包括训练模块，用于获取多个目标模态分别对应的人脸图像；通过所述初始模型中与每个所述目标模态对应的输入层对每个所述目标模态下的人脸图像进行处理，得到对应每个所述目标模态的人脸图像的特征图，所述初始模型包括不同目标模态分别对应的输入层；将所述特征图输入所述初始模型中的特征提取网络，得到所述特征
提取网络输出的目标特征向量；根据所述目标特征向量对所述初始模型进行训练，得到所述人脸识别模型。
[0008]可选地，训练模块，还用于对所述多个目标模态下的人脸图像分别对应的特征图进行融合操作，得到融合特征图；将所述融合特征图输入所述特征提取网络，得到所述特征提取网络输出的目标特征向量。
[0009]可选地，训练模块，还用于通过所述初始模型中与所述目标特征向量对应的分类器，确定对应所述目标特征向量的损失值，所述初始模型包括目标类别的特征向量对应的分类器，所述目标类别根据所述融合特征图对应的目标模态确定；根据所述损失值，对所述目标特征向量对应的分类器、所述多个目标模态分别对应的输入层以及所述特征提取网络进行训练，得到所述人脸识别模型。
[0010]可选地，训练模块，还用于对所述人脸图像进行人脸检测操作和人脸对齐操作，得到目标尺寸的预处理人脸图像；通过所述初始模型中与每个所述目标模态对应的输入层对每个所述目标模态下的预处理人脸图像进行处理，得到对应每个所述目标模态的人脸图像的特征图。
[0011]可选地，训练模块，还用于在每个所述目标模态下的预处理人脸图像中筛选图像质量满足预设条件的图像，作为每个所述目标模态下的目标人脸图像；通过所述初始模型中与每个所述目标模态对应的输入层对每个所述目标模态下的目标人脸图像进行处理，得到对应每个所述目标模态的人脸图像的特征图。
[0012]可选地，所述多个目标模态包括红外模态，训练模块，还用于确定所述红外模态下的预处理人脸图像的最大像素值和最小像素值；根据所述红外模态下的预处理人脸图像中每个像素点的像素值与所述最小像素值的差，对所述红外模态下的预处理人脸图像中每个像素点的像素值进行替换，得到第一人脸图像；将所述第一人脸图像中每个像素点的像素值映射到目标像素值区间内，得到第二人脸图像；对所述第二人脸图像进行直方图均衡化处理，得到第三人脸图像；在所述第三人脸图像中筛选图像质量满足第一预设要求的图像，作为所述红外模态下的目标人脸图像。
[0013]可选地，训练模块，还用于在所述第三人脸图像中确定包括面部特征点的第一人脸区域；计算所述第一人脸区域中各个像素点的平均像素值；在所述第三人脸图像中筛选平均像素值高于第一阈值的图像，作为所述红外模态下的目标人脸图像。
[0014]可选地，所述多个目标模态包括深度模态，训练模块，还用于确定所述深度模态下的预处理人脸图像对应的中位深度值，所述中位深度值是所述深度模态下的预处理人脸图像中各个像素点的深度值的中位数；根据所述中位深度值，确定目标深度值区间；将所述深度模态下的预处理人脸图像中深度值不在所述第二目标区间的深度值调整为预设值，得到第四人脸图像，获取所述第四人脸图像中深度值不为零的最小深度值，作为目标深度值；根据所述第四人脸图像中深度值不为零的每个像素点的深度值与所述目标深度值的差，对所述第四人脸图像中深度值不为零的每个像素点的深度值进行替换，得到第五人脸图像；在所述第五人脸图像中筛选图像质量满足第二预设要求的图像，作为所述深度模态下的目标人脸图像。
[0015]可选地，训练模块，还用于在所述第五人脸图像中确定包括面部特征点的第二人脸区域；计算所述第二人脸区域中深度值不为零的像素点的占比，作为非零点占比；根据所
述第二人脸区域最大深度值和最小深度值，确定深度值区间；将所述深度值区间划分为多个子区间；将所述第二人脸区域中深度值处于相同子区间的深度值划分为一个数组，得到多个数组；将所述多个数组中深度值数量达到第二阈值的数组作为目标数组；在所述第五人脸图像中筛选非零点占比达到第三阈值且目标数组数量达到第四阈值的图像，作为所述深度模态下的目标人脸图像。
[0016]第三方面，本申请实施例提供了一种电子设备，包括处理器以及存储器；一个或多个程序被存储在存储器中并被配置为由处理器执行以实现上述的方法。
[0017]第四方面，本申请实施例提供了一种计算机可读存储介质，计算机可读存储介质中存储有程序代码，其中，在程序代码被处理器运行时执行上述的方法。
[0018]第五方面，本申请实施例提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质本文档来自技高网...

【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：获取待识别人脸图像，所述待识别人脸图像属于多个目标模态中的至少一种；将所述待识别人脸图像输入人脸识别模型，得到所述人脸识别模型输出的待识别特征向量，所述人脸识别模型通过目标特征向量训练得到，所述目标特征向量由特征图经初始模型提取得到，所述特征图基于所述多个目标模态分别对应的人脸图像得到；确定所述待识别特征向量与预设特征向量库中的特征向量的相似度，所述预设特征向量库包括至少一个预置人脸图像对应的特征向量，所述至少一个预置人脸图像属于所述多个目标模态中的任意一种；根据所述相似度，确定所述待识别人脸图像的识别结果。2.根据权利要求1所述的方法，其特征在于，所述人脸识别模型的训练方法包括：获取多个目标模态分别对应的人脸图像；通过所述初始模型中与每个所述目标模态对应的输入层对每个所述目标模态下的人脸图像进行处理，得到对应每个所述目标模态的人脸图像的特征图，所述初始模型包括不同目标模态分别对应的输入层；将所述特征图输入所述初始模型中的特征提取网络，得到所述特征提取网络输出的目标特征向量；根据所述目标特征向量对所述初始模型进行训练，得到所述人脸识别模型。3.根据权利要求2所述的方法，其特征在于，所述将所述特征图输入所述初始模型中的特征提取网络，得到所述特征提取网络输出的目标特征向量，包括：对所述多个目标模态下的人脸图像分别对应的特征图进行融合操作，得到融合特征图；将所述融合特征图输入所述特征提取网络，得到所述特征提取网络输出的目标特征向量。4.根据权利要求3所述的方法，其特征在于，所述根据所述目标特征向量对所述初始模型进行训练，得到所述人脸识别模型，包括：通过所述初始模型中与所述目标特征向量对应的分类器，确定对应所述目标特征向量的损失值，所述初始模型包括目标类别的特征向量对应的分类器，所述目标类别根据所述融合特征图对应的目标模态确定；根据所述损失值，对所述目标特征向量对应的分类器、所述多个目标模态分别对应的输入层以及所述特征提取网络进行训练，得到所述人脸识别模型。5.根据权利要求2所述的方法，其特征在于，所述通过初始模型中与每个所述目标模态对应的输入层对每个所述目标模态下的人脸图像进行处理，得到对应每个所述目标模态的人脸图像的特征图，包括：对所述人脸图像进行人脸检测操作和人脸对齐操作，得到目标尺寸的预处理人脸图像；通过所述初始模型中与每个所述目标模态对应的输入层对每个所述目标模态下的预处理人脸图像进行处理，得到对应每个所述目标模态的人脸图像的特征图。6.根据权利要求5所述的方法，其特征在于，所述通过所述初始模型中与每个所述目标模态对应的输入层对每个所述目标模态下的预处理人脸图像进行处理，得到对应每个所述
目标模态的人脸图像的特征图，包括：在每个所述目标模态下的预处理人脸图像中筛选图像质量满足预设条件的图像，作为每个所述目标模态下的目标人脸图像；通过所述初始模型中与每个所述目标模态对应的输入层对每个所述目标模态下的目标人脸图像进行处理，得到对应每个所述目标模态的人脸图像的特征图。7.根据权利要求6所述的方法，其特征在于，所述多个目标模态包括红外模态，所述在每个所述目标模态下的预处理人脸图像中筛选图像质量满足预设要求的图像，作为每个所述目标模态下的目标人脸图像，包括：确定所述红外模态下的预处理人脸图像的最大像素值和最小像素值；根据所述红外模态下的预处理人脸图像中每个像素点的像素值与所述最小像素值的差，对所述红外模态下的预处理人脸图像中每个像素点的像素值进行替换，得到第一人脸图像；将所述第一人脸图像中每个像素点的像素值映射到目标像素值区间内，得到第二人脸图像；对所述第二人脸图像进行直方图...

【专利技术属性】
技术研发人员：穆国栋，
申请(专利权)人：腾讯科技深圳有限公司，
类型：发明
国别省市：