CN109886186A - 一种人脸识别方法及装置 - Google Patents

Abstract

本发明提供一种人脸识别方法及装置，包括：获取待识别人脸图像和待识别证件信息；对待识别人脸图像进行去噪预处理，得到预处理人脸图像，以及提取待识别证件信息的证件图像信息；根据预先构建的人证识别人工智能模型对预处理人脸图像和证件图像信息进行识别比对处理，得到人脸识别结果。本发明提供的人脸识别方法及装置，能够提高人脸识别的准确性，进而提升人脸识别效率。

Description

一种人脸识别方法及装置

技术领域

本发明涉及数据通信技术领域，具体而言，涉及一种人脸识别方法及装置。

背景技术

随着计算机技术、图像处理技术、模式识别技术等的快速发展，人脸识别技术也运用越来越广泛。现在，通常使用人脸识别验证身份的方法来提高机场、火车站等的通行效率，先采集刷卡人的人脸信息与身份证照片信息，然后将人脸信息与身份证照片信息进行比对识别。然而，在实践中发现，在机场、火车站等人流量大的场所，往往存在排队等候的情况，现人脸识别容易受眼镜、头发和眉毛等外部遮挡物的影响，进而降低了人脸识别精度。

发明内容

鉴于上述问题，本发明提供了一种人脸识别方法及装置，能够减少噪声对人脸识别的干扰，提高人脸识别的准确性，进而提升人脸识别效率。

为了实现上述目的，本发明采用如下的技术方案：

本发明第一方面公开了一种人脸识别方法，包括：

获取待识别人脸图像和待识别证件信息；

对所述待识别人脸图像进行去噪预处理，得到预处理人脸图像，以及提取所述待识别证件信息的证件图像信息；

根据预先构建的人证识别人工智能模型对所述预处理人脸图像和所述证件图像信息进行识别比对处理，得到人脸识别结果。

作为一种可选的实施方式，在本发明第一方面中，在所述获取待识别人脸图像和待识别证件信息之前，所述方法还包括：

构建原始损失函数，并根据所述原始损失函数构建用于识别比对人脸图像与证件图像信息的原始人证识别模型；

获取训练所述原始人证识别模型的训练数据；

通过所述训练数据对所述原始人证识别模型进行训练，得到人证识别人工智能模型。

作为一种可选的实施方式，在本发明第一方面中，通过所述训练数据对所述原始人证识别模型进行训练，得到人证识别人工智能模型，包括：

根据预设的调整规则对原始损失函数进行参数调整，得到调整后损失函数；其中，所述预设的调整规则是根据控制变量法设定的；

根据所述调整后损失函数对所述训练数据进行处理，得到损失结果；

根据所述损失结果判断所述调整后损失函数是否满足预设收敛条件；

当所述调整后损失函数满足所述预设收敛条件时，根据所述调整后损失函数确定所述原始人证识别模型的模型参数；

根据所述模型参数对所述原始人证识别模型进行参数调整，得到人证识别人工智能模型。

作为一种可选的实施方式，在本发明第一方面中，所述原始损失函数为：

其中，L表示所述原始损失函数，m₁、m₂、m₃为所述原始损失函数的函数参数，N为特征向量样本的数量，所述特征向量样本是对所述训练样本进行特征提取处理得到的；

其中，s为预设系数，θ_j表示第j个特征向量样本属于第j类的概率，表示第i个所述特征向量样本属于第i类的概率，y_i是第i个所述特征向量样本的真值。

作为一种可选的实施方式，在本发明第一方面中，在根据预先构建的人证识别人工智能模型对所述预处理人脸图像和所述证件图像信息进行识别比对处理，得到人脸识别结果之后，所述方法还包括：

根据所述人脸识别结果判断所述待识别人脸图像和所述待识别证件信息是否匹配；

如果所述待识别人脸图像和所述待识别证件信息不相匹配，输出人证不匹配的提示信息。

本发明第二方面公开一种人脸识别装置，包括：

获取模块，用于获取待识别人脸图像和待识别证件信息；

预处理模块，用于对所述待识别人脸图像进行去噪预处理，得到预处理人脸图像，以及提取所述待识别证件信息的证件图像信息；

识别比对模块，用于根据预先构建的人证识别人工智能模型对所述预处理人脸图像和所述证件图像信息进行识别比对处理，得到人脸识别结果。

作为一种可选的实施方式，在本发明第二方面中，所述人脸识别装置还包括：

构建模块，用于在所述获取待识别人脸图像和待识别证件信息之前，构建原始损失函数，以及根据所述原始损失函数构建用于识别比对人脸图像与证件图像信息的原始人证识别模型；

所述获取模块，还用于获取训练所述原始人证识别模型的训练数据；

训练模块，用于通过所述训练数据对所述原始人证识别模型进行训练，得到人证识别人工智能模型。

作为一种可选的实施方式，在本发明第二方面中，所述人脸识别装置还包括：

判断模块，用于在根据预先构建的人证识别人工智能模型对所述预处理人脸图像和所述证件图像信息进行识别比对处理，得到人脸识别结果之后，根据所述人脸识别结果判断所述待识别人脸图像和所述待识别证件信息是否匹配；

提示模块，用于当所述待识别人脸图像和所述待识别证件信息不相匹配时，输出人证不匹配的提示信息。

本发明第三方面公开一种计算机设备，包括存储器以及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述计算机设备执行第一方面公开的部分或者全部所述的人脸识别方法。

本发明第四方面公开一种计算机可读存储介质，其存储有第三方面所述的计算机设备中所使用的所述计算机程序。

根据本发明提供的人脸识别方法及装置，在获取待识别人脸图像和待识别证件信息之后，先对待识别人脸图像进行去噪预处理，以去除待识别人脸图像中的噪声干扰，得到预处理人脸图像，以及提取待识别证件信息的证件图像信息；最后，再根据预先构建的人证识别人工智能模型对预处理人脸图像和证件图像信息进行识别比对处理，得到人脸识别结果，能够减少待识别人脸图像中噪声对人脸识别的干扰，提高人脸识别的准确性，进而提升人脸识别效率。

为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对本发明范围的限定。

图1是本发明实施例一提供的一种人脸识别方法的流程示意图；

图2是本发明实施例二提供的一种人脸识别方法的流程示意图；

图3是本发明实施例三提供的一种人脸识别装置的结构示意图。

具体实施方式

下面将结合本发明实施例中附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

针对现有技术中的问题，本发明提供了一种人脸识别方法及装置；在获取待识别人脸图像和待识别证件信息之后，先对待识别人脸图像进行去噪预处理，以去除待识别人脸图像中的噪声干扰，得到预处理人脸图像，以及提取待识别证件信息的证件图像信息；最后，再根据预先构建的人证识别人工智能模型对预处理人脸图像和证件图像信息进行识别比对处理，得到人脸识别结果，能够减少待识别人脸图像中噪声对人脸识别的干扰，提高人脸识别的准确性，进而提升人脸识别效率。并且，该技术可以采用相关的软件或硬件实现，下面通过实施例进行描述。

实施例1

请参阅图1，图1是本发明实施例提供的一种人脸识别方法的流程示意图。其中，如图1所示，该人脸识别方法可以包括以下步骤：

S101、获取待识别人脸图像和待识别证件信息。

本实施例中，该人脸识别方法可以应用于车站、火车站、学校等公共场所。所需监控的公共场所安装有摄像装置和读卡装置，可以通过摄像装置获取待识别人脸图像，通过读卡装置获取待识别证件信息。

S102、对待识别人脸图像进行去噪预处理，得到预处理人脸图像，以及提取待识别证件信息的证件图像信息。

本申请实施例中，在获取待识别人脸图像和待识别证件信息之后，需要对待识别人脸图像进行去噪预处理，以去除待识别人脸图像中的噪声干扰，能够避免由于遮挡而产生的噪声干扰等问题，进而提升人体行为预测精度。

作为一种可选的实施方式，对待识别人脸图像进行去噪预处理，具体包括光线补偿、灰度变换、直方图均衡化、归一化、几何校正、滤波处理、锐化处理、尺寸缩放等处理，对此，本实施例不作任何限定。

在上述实施方式中，对待识别人脸图像进行灰度变换处理可以采用图像灰度变换方法，能够去除待识别人脸图像中的噪声干扰，进而改善待识别人脸图像的画质，使待识别人脸图像的图像显示效果更加清晰，从而提升后续行为预测的准确性。

在上述实施方式中，可以根据预设图像尺寸对待识别人脸图像进行图像尺寸缩放处理，从而可以兼容不同的原始视频尺寸。

在上述实施方式中，对灰度变换图像进行图像尺寸缩放处理可以采用双线性插值算法、双三次插值算法等，对此本实施例不作任何限定。

在上述实施方式中，还可以对待识别人脸图像进行人脸切割处理，以提取待识别人脸图像中的人脸图像。

S103、根据预先构建的人证识别人工智能模型对预处理人脸图像和证件图像信息进行识别比对处理，得到人脸识别结果。

在图1所描述的人脸识别方法中，在获取待识别人脸图像和待识别证件信息之后，先对待识别人脸图像进行去噪预处理，以去除待识别人脸图像中的噪声干扰，得到预处理人脸图像，以及提取待识别证件信息的证件图像信息；最后，再根据预先构建的人证识别人工智能模型对预处理人脸图像和证件图像信息进行识别比对处理，得到人脸识别结果。可见，实施图1所描述的人脸识别方法，能够减少待识别人脸图像中噪声对人脸识别的干扰，提高人脸识别的准确性，进而提升人脸识别效率。

实施例2

请参阅图2，图2是本发明实施例提供的一种人脸识别方法的流程示意图。其中，如图2所示，该人脸识别方法可以包括以下步骤：

S201、构建原始损失函数，并根据原始损失函数构建用于识别比对人脸图像与证件图像信息的原始人证识别模型。

作为一种可选的实施方式，原始损失函数为：

其中，L表示原始损失函数，m₁、m₂、m₃为原始损失函数的函数参数，N为特征向量样本的数量，特征向量样本是对训练样本进行特征提取处理得到的；

其中，s为预设系数，θ_j表示第j个特征向量样本属于第j类的概率，表示第i个特征向量样本属于第i类的概率，y_i是第i个特征向量样本的真值。

在上述实施方式中，m₁∈[1，5]，m₂∈[0，0.5]，m₃∈[0，0.4]，对此本实施例不作任何限定。

在上述实施方式中，上述原始损失函数为混合损失函数，是SphereFace，CosinFace以及Arcface的结合体。尽管该混合损失函数的待调参数(即m₁、m₂和m₃)较多，单独用混合损失函数训练网络也可能会导致调参比较困难，不容易收敛，但是在SphereFace，CosinFace以及Arcface训练的基础上，再分别确定m₁、m₂、m₃合适的取值范围以及有效组合，对于提升人证比对识别准确率往往有不错的效果，而且对于不同的数据集，其适应能力也比较强。

在上述实施方式中，预设系数s为人为预先设定，具体可以设置为64，对比本实施例不作任何限定。

在上述实施方式中，θ_j表示第j个特征向量样本属于第j类的概率，其公式为：

其中，W表示第j个类别的权重。

在上述实施方式中，原始人证识别模型包括原始特征提取网络和分类网络。设X₀，X₁，X₂，…，X_i，…，X_N为N个训练样本，则通过原始特征提取网络对N个训练样本进行特征提取处理，可以得到N个特征向量样本，即x₀，x₁，x₂，…，x_i，…，x_N。

S202、获取训练原始人证识别模型的训练数据。

S203、通过训练数据对原始人证识别模型进行训练，得到人证识别人工智能模型。

作为一种可选的实施方式，通过训练数据对原始人证识别模型进行训练，得到人证识别人工智能模型，包括：

根据预设的调整规则对原始损失函数进行参数调整，得到调整后损失函数；其中，预设的调整规则是根据控制变量法设定的；

根据调整后损失函数对训练数据进行处理，得到损失结果；

根据损失结果判断调整后损失函数是否满足预设收敛条件；

当调整后损失函数满足预设收敛条件时，根据调整后损失函数确定原始人证识别模型的模型参数；

根据模型参数对原始人证识别模型进行参数调整，得到人证识别人工智能模型。

在上述实施方式中，可以根据预设的调整规则确定原始损失函数的m₁、m₂和m₃三个参数，然后将m₁、m₂和m₃三个参数代入上述原始损失函数公式中，得到调整后损失函数。

作为一种可选的实施方式，m₁、m₂和m₃三个参数的取值范围可以为：m₁∈[1，5]，m₂∈[0，0.5]，m₃∈[0，0.4]，对此本实施例不作任何限定。

在上述实施方式中，根据预设的调整规则对原始损失函数进行参数调整，得到调整后损失函数。具体的调整过程为，首先获取预设的原始取值(如m₁＝5，m₂＝0.5，m₃＝0.4)，然后经过一轮训练周期，固定m₁、m₂和m₃其中两个参数(如固定m₁＝5，m₂＝0.5)的值，然后再按照预设的调整规律调整另一个参数(如固定m₁＝5，m₂＝0.5之后，调整m₃)的值，依次类推，最后可以确定原始损失函数的m₁、m₂和m₃三个参数。

在上述实施方式中，假设固定m₁＝5，m₂＝0.5之后，调整m₃的值，则预设的调整规律可以为m₃以每轮训练周期减少0.1进行调整；假设固定m₂＝0.5，m₃＝0.4之后，调整m₁的值，则预设的调整规律可以为m₁以每轮训练周期减少1进行调整；假设固定m₁＝5，m₃＝0.4之后，调整m₂的值，则预设的调整规律可以为m₂以每轮训练周期减少0.1进行调整，对此本实施例不作任何限定。

优选地，预设系数s＝64，m₁＝1，m₂＝0.3，m₃＝0.2。

S204、获取待识别人脸图像和待识别证件信息。

S205、对待识别人脸图像进行去噪预处理，得到预处理人脸图像，以及提取待识别证件信息的证件图像信息。

S206、根据预先构建的人证识别人工智能模型对预处理人脸图像和证件图像信息进行识别比对处理，得到人脸识别结果。

S207、根据人脸识别结果判断待识别人脸图像和待识别证件信息是否匹配，如果是，结束本流程；如果不匹配，执行步骤S208。

S208、输出人证不匹配的提示信息。

可见，实施图2所描述的人脸识别方法，能够减少待识别人脸图像中噪声对人脸识别的干扰，提高人脸识别的准确性，进而提升人脸识别效率；另一方面，在识别出人证不匹配时，能够及时输出报警信息。

实施例3

请参阅图3，图3是本发明实施例提供的一种人脸识别装置的结构示意图。其中，如图3所示，该人脸识别装置包括：

获取模块301，用于获取待识别人脸图像和待识别证件信息。

预处理模块302，用于对待识别人脸图像进行去噪预处理，得到预处理人脸图像，以及提取待识别证件信息的证件图像信息。

识别比对模块303，用于根据预先构建的人证识别人工智能模型对预处理人脸图像和证件图像信息进行识别比对处理，得到人脸识别结果。

作为一种可选的实施方式，该人脸识别装置还包括：

构建模块304，用于在获取待识别人脸图像和待识别证件信息之前，构建原始损失函数，以及根据原始损失函数构建用于识别比对人脸图像与证件图像信息的原始人证识别模型。

获取模块301，还用于获取训练原始人证识别模型的训练数。

训练模块305，用于通过训练数据对原始人证识别模型进行训练，得到人证识别人工智能模型。

本实施例中，训练模块305在得到人证识别人工智能模型，还可以触发获取模块301获取待识别人脸图像和待识别证件信息。

作为一种可选的实施方式，原始损失函数为：

其中，L表示原始损失函数，m₁、m₂、m₃为原始损失函数的函数参数，N为特征向量样本的数量，特征向量样本是对训练样本进行特征提取处理得到的；

其中，s为预设系数，θ_j表示第j个特征向量样本属于第j类的概率，表示第i个特征向量样本属于第i类的概率，y_i是第i个特征向量样本的真值。

在上述实施方式中，m₁∈[1，5]，m₂∈[0，0.5]，m₃∈[0，0.4]，对此本实施例不作任何限定。

优选地，预设系数s＝64，m₁＝1，m₂＝0.3，m₃＝0.2。

作为一种可选的实施方式，该人脸识别装置还包括：

判断模块306，用于在识别比对模块303根据预先构建的人证识别人工智能模型对预处理人脸图像和证件图像信息进行识别比对处理，得到人脸识别结果之后，根据人脸识别结果判断待识别人脸图像和待识别证件信息是否匹配。

提示模块307，用于当判断模块306判断出待识别人脸图像和待识别证件信息不相匹配时，输出人证不匹配的提示信息。

可见，实施图3所描述的人脸识别装置，能够减少待识别人脸图像中噪声对人脸识别的干扰，提高人脸识别的准确性，进而提升人脸识别效率。

此外，本发明还提供了一种计算机设备。该计算机设备包括存储器和处理器，存储器可用于存储计算机程序，处理器通过运行计算机程序，从而使该计算机设备执行上述方法或者上述人脸识别装置中的各个模块的功能。

存储器可包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据移动终端的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。

本实施例还提供了一种计算机存储介质，用于储存上述计算机设备中使用的计算机程序。

在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和结构图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，结构图和/或流程图中的每个方框、以及结构图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

另外，在本发明各个实施例中的各功能模块或单元可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或更多个模块集成形成一个独立的部分。

所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是智能手机、个人计算机、服务器、或者模型设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。

Claims (10)

1.一种人脸识别方法，其特征在于，包括：

获取待识别人脸图像和待识别证件信息；

对所述待识别人脸图像进行去噪预处理，得到预处理人脸图像，以及提取所述待识别证件信息的证件图像信息；

根据预先构建的人证识别人工智能模型对所述预处理人脸图像和所述证件图像信息进行识别比对处理，得到人脸识别结果。

2.根据权利要求1所述的人脸识别方法，其特征在于，在所述获取待识别人脸图像和待识别证件信息之前，所述方法还包括：

构建原始损失函数，并根据所述原始损失函数构建用于识别比对人脸图像与证件图像信息的原始人证识别模型；

获取训练所述原始人证识别模型的训练数据；

通过所述训练数据对所述原始人证识别模型进行训练，得到人证识别人工智能模型。

3.根据权利要求2所述的人脸识别方法，其特征在于，通过所述训练数据对所述原始人证识别模型进行训练，得到人证识别人工智能模型，包括：

根据预设的调整规则对原始损失函数进行参数调整，得到调整后损失函数；其中，所述预设的调整规则是根据控制变量法设定的；

根据所述调整后损失函数对所述训练数据进行处理，得到损失结果；

根据所述损失结果判断所述调整后损失函数是否满足预设收敛条件；

当所述调整后损失函数满足所述预设收敛条件时，根据所述调整后损失函数确定所述原始人证识别模型的模型参数；

根据所述模型参数对所述原始人证识别模型进行参数调整，得到人证识别人工智能模型。

4.根据权利要求2所述的人脸识别方法，其特征在于，所述原始损失函数为：

其中，L表示所述原始损失函数，m₁、m₂、m₃为所述原始损失函数的函数参数，N为特征向量样本的数量，所述特征向量样本是对所述训练样本进行特征提取处理得到的；

其中，s为预设系数，θ_j表示第j个特征向量样本属于第j类的概率，θ_yi表示第i个所述特征向量样本属于第i类的概率，y_i是第i个所述特征向量样本的真值。

5.根据权利要求1所述的人脸识别方法，其特征在于，在根据预先构建的人证识别人工智能模型对所述预处理人脸图像和所述证件图像信息进行识别比对处理，得到人脸识别结果之后，所述方法还包括：

根据所述人脸识别结果判断所述待识别人脸图像和所述待识别证件信息是否匹配；

如果所述待识别人脸图像和所述待识别证件信息不相匹配，输出人证不匹配的提示信息。

6.一种人脸识别装置，其特征在于，包括：

获取模块，用于获取待识别人脸图像和待识别证件信息；

预处理模块，用于对所述待识别人脸图像进行去噪预处理，得到预处理人脸图像，以及提取所述待识别证件信息的证件图像信息；

识别比对模块，用于根据预先构建的人证识别人工智能模型对所述预处理人脸图像和所述证件图像信息进行识别比对处理，得到人脸识别结果。

7.根据权利要求6所述的人脸识别装置，其特征在于，还包括：

构建模块，用于在所述获取待识别人脸图像和待识别证件信息之前，构建原始损失函数，以及根据所述原始损失函数构建用于识别比对人脸图像与证件图像信息的原始人证识别模型；

所述获取模块，还用于获取训练所述原始人证识别模型的训练数据；

训练模块，用于通过所述训练数据对所述原始人证识别模型进行训练，得到人证识别人工智能模型。

8.根据权利要求6所述的人脸识别装置，其特征在于，还包括：

判断模块，用于在根据预先构建的人证识别人工智能模型对所述预处理人脸图像和所述证件图像信息进行识别比对处理，得到人脸识别结果之后，根据所述人脸识别结果判断所述待识别人脸图像和所述待识别证件信息是否匹配；

提示模块，用于当所述待识别人脸图像和所述待识别证件信息不相匹配时，输出人证不匹配的提示信息。

9.一种计算机设备，其特征在于，包括存储器以及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述计算机设备执行权利要求1至5中任一项所述的人脸识别方法。

10.一种计算机可读存储介质，其特征在于，其存储有权利要求9所述的计算机设备中所使用的所述计算机程序。