CN113971833A - 多角度的人脸识别方法、装置、计算机主设备及存储介质 - Google Patents

Abstract

本发明公开了一种多角度的人脸识别方法、装置、计算机主设备及存储介质，所述方法包括：获取待识别图像，其中，所述待识别图像中至少包含一张人脸；对所述待识别图像中的人脸进行角度检测，得到所述人脸的第一姿态角，其中，所述第一姿态角包括俯仰角和偏航角；根据所述人脸的第一姿态角，在多个人脸识别模型中确定出与所述第一姿态角相对应的人脸识别模型，作为目标识别模型；将所述待识别图像输入至所述目标识别模型中，得到所述待识别图像的人脸识别结果；本发明可实现人脸在各个偏转角度下的精确识别，不仅提高了人脸在偏转角度下的识别准确率，还无需在识别时正脸采集人像，因而，还提高了人脸识别的便捷性。

Description

多角度的人脸识别方法、装置、计算机主设备及存储介质

技术领域

本发明属于人脸识别技术领域，具体涉及一种多角度的人脸识别方法、装置、计算机主设备及存储介质。

背景技术

随着计算机设备、网络以及图像处理技术的迅速发展，传统的肉眼图像识别方式已经逐渐被由计算机自动进行的图像识别方式所替代，从而极大的提高了图像识别的效率和准确率，通过计算机设备等智能终端进行人脸识别已经在各个领域得到了广泛的应用，如手机解锁、门禁解锁以及移动支付等领域。

现有的人脸识别技术主要是先计算出人脸的偏转角，然后通过仿射变换在roll(表示绕z轴旋转)偏转维度把人脸对齐，而后直接进行人脸识别，得出识别结果，但是，由于在人脸识别过程中，摄像头的角度是相对固定的，而人脸不是固定的，因此，只有当人脸角度和采集的角度比较一致(即角度较小的偏转)时，才能得到较为精确的识别结果。

虽然现有的人脸识别技术会通过人脸矫正算法来矫正偏转的人脸，但是，由于人脸在yaw(表示绕y轴旋转)和pitch(表示绕x轴旋转)维度偏转时，有部分脸部不可见，由此，通过矫正后的人脸与原始人脸的信息之间也存在较大的差异，这就导致提取的人脸特征不同，因此，现有的人脸识别技术要求人脸角度和采集角度要一致，即必须要正脸采集人像，然后才能进行人脸识别，否则，则会影响识别的准确率；因此，提供一种支持多角度的人脸识别方法迫在眉睫。

发明内容

本发明的目的是提供一种多角度的人脸识别方法、装置、计算机主设备及存储介质，以解决现有的人脸识别技术需要正脸采集人像才能进行人脸识别，否则则会影响识别准确率的问题。

为了实现上述目的，本发明采用以下技术方案：

本发明提供了一种多角度的人脸识别方法，包括：

获取待识别图像，其中，所述待识别图像中至少包含一张人脸；

对所述待识别图像中的人脸进行角度检测，得到所述人脸的第一姿态角，其中，所述第一姿态角包括俯仰角和偏航角；

根据所述人脸的第一姿态角，在多个人脸识别模型中确定出与所述第一姿态角相对应的人脸识别模型，作为目标识别模型；

将所述待识别图像输入至所述目标识别模型中，得到所述待识别图像的人脸识别结果。

基于上述公开的内容，本发明通过构建多个人脸识别模型，即每个人脸识别模型对应一个人脸姿态角度范围(也就是偏转角度)，其可对该姿态角度范围内的人脸进行精确识别，因此，本发明在进行人脸识别时，通过计算人脸的第一姿态角(即偏转角度)，从而根据第一姿态角来匹配对应的人脸识别模型，由此，即可实现人脸在各个偏转角度下的精确识别，不仅提高了人脸在偏转角度下的识别准确率，还无需在识别时正脸采集人像，因而，还提高了人脸识别的便捷性。

在一个可能的设计中，在获取待识别图像前，所述方法还包括：

获取训练数据集，其中，所述训练数据集包括多张人脸图像；

对所述训练数据集中的多张人脸图像进行角度检测，得到所述多张人脸图像中每张人脸图像对应的第二姿态角；

根据预设的角度阈值范围以及每张人脸图像对应的第二姿态角，对所述多张人脸图像进行样本划分，将第二姿态角处于同一角度阈值范围内的人脸图像划分为一个样本集，得到多个样本集；

为所述多个样本集中的每个样本集分配一神经网络模型，并将每个样本集中的人脸图像输入至对应的神经网络模型中进行人脸识别训练，得到所述多个人脸识别模型。

基于上述公开的内容，本发明在进行模型训练时，先计算每张人脸图像对应的第二姿态角，然后结合预设的角度阈值范围对多张人脸图像进行划分，即将第二姿态角处于同一角度阈值范围内的人脸图像划分到一起，形成一个样本集，由此，即可为每个角度阈值范围划分一个样本集，从而在训练时，为每个样本集分配一神经网络模型进行训练，以得到该角度阈值范围对应的人脸识别模型；通过上述设计，即可构建多个不同角度阈值范围对应的人脸识别模型，以便在进行人脸识别时，选择与人脸姿态角相对应的识别模型进行人脸识别。

在一个可能的设计中，每个角度阈值范围包括俯仰角阈值区间以及偏航角阈值区间，其中，将第二姿态角处于同一角度阈值范围内的人脸图像划分为一个样本集，包括：

将所述第二姿态角中的俯仰角处于目标俯仰角阈值区间内的人脸图像，以及将所述第二姿态角中的偏航角处于目标偏航角阈值区间内的人脸图像，划分为一个样本集，其中，所述目标俯仰角阈值区间以及所述目标偏航角阈值区间为所述同一角度阈值范围内的俯仰角阈值区间和偏航角阈值区间。

基于上述公开的内容，在进行人脸图像的划分时，需要同时满足两个角度条件，才能将人脸图像划分到与该角度阈值范围对应的样本集中，即第二姿态角中的俯仰角要属于同一角度阈值范围内的俯仰角阈值区间，以及偏航角要属于同一角度阈值范围内的偏航角阈值区间；由此，在进行人脸识别时，只需查找俯仰角和偏航角所对应的角度阈值范围，并将该角度阈值范围对应的模型，作为目标识别模型即可。

在一个可能的设计中，对所述待识别图像中的人脸进行角度检测，得到所述人脸的第一姿态角，包括：

对所述待识别图像进行人脸关键点检测，得到n个人脸关键点坐标，其中，n为正整数；根据所述n个人脸关键点坐标，得到所述人脸的第一姿态角。

基于前述公开的内容，本发明公开了第一姿态角的具体计算方法，即利用人脸关键点进行坐标转换，从而将相机坐标系下的人脸关键点转换为世界坐标系下的人脸位置，也就是欧拉角，从而使用欧拉角来作为人脸的姿态角，以便后续根据角度选择对应的识别模型。

在一个可能的设计中，所述n个人脸关键点坐标至少包括左眼角坐标、右眼角坐标、鼻尖坐标、左嘴角坐标、右嘴角坐标以及下颌坐标。

在一个可能的设计中，所述俯仰角的角度区间为[-180°，+180°]，所述偏航角的角度区间为[-180°，+180°]°，其中，所述俯仰角为正表示人脸向上偏移，所述俯仰角为负表示人脸向下偏移，所述偏航角为正表示人脸向右偏转，所述偏航角为负表示人脸向左偏转。

第二方面，本发明提供了一种多角度的人脸识别装置，包括：获取单元、角度检测单元、模型匹配单元以及识别单元；

所述获取单元，用于获取待识别图像，其中，所述待识别图像中至少包含一张人脸；

所述角度检测单元，用于对所述待识别图像中的人脸进行角度检测，得到所述人脸的第一姿态角，其中，所述第一姿态角包括俯仰角和偏航角；

所述模型匹配单元，用于根据所述人脸的第一姿态角，在多个人脸识别模型中确定出与所述第一姿态角相对应的人脸识别模型，作为目标识别模型；

所述识别单元，用于将所述待识别图像输入至所述目标识别模型中，得到所述待识别图像的人脸识别结果。

在一个可能的设计中，所述装置还包括：样本划分单元以及模型训练单元；

所述获取单元，还用于获取训练数据集，其中，所述训练数据集包括多张人脸图像；

所述角度检测单元，还用于对所述训练数据集中的多张人脸图像进行角度检测，得到所述多张人脸图像中每张人脸图像对应的第二姿态角；

所述样本划分单元，用于根据预设的角度阈值范围以及每张人脸图像对应的第二姿态角，对所述多张人脸图像进行样本划分，将第二姿态角处于同一角度阈值范围内的人脸图像划分为一个样本集，得到多个样本集；

所述模型训练单元，用于为所述多个样本集中的每个样本集分配一神经网络模型，并将每个样本集中的人脸图像输入至对应的神经网络模型中进行人脸识别训练，得到所述多个人脸识别模型。

第三方面，本发明提供了另一种多角度的人脸识别装置，以装置为计算机主设备为例，包括依次通信相连的存储器、处理器和收发器，其中，所述存储器用于存储计算机程序，所述收发器用于收发消息，所述处理器用于读取所述计算机程序，执行如第一方面或第一方面中任意一种可能设计的所述多角度的人脸识别方法。

第四方面，本发明提供了一种存储介质，所述存储介质上存储有指令，当所述指令在计算机上运行时，执行如第一方面或第一方面中任意一种可能设计的所述多角度的人脸识别方法。

第五方面，本发明供了一种包含指令的计算机程序产品，当所述指令在计算机上运行时，使所述计算机执行如第一方面或第一方面中任意一种可能设计的所述多角度的人脸识别方法。

附图说明

图1为本发明提供的第一姿态角的表示示意图；

图2为本发明提供的人脸识别模型的训练步骤流程示意图；

图3为本发明提供的多角度的人脸识别方法的步骤流程示意图；

图4为本发明提供的多角度的人脸识别装置的结构示意图；

图5为本发明提供的计算机主设备的结构示意图。

具体实施方式

下面结合附图及具体实施例来对本发明作进一步阐述。在此需要说明的是，对于这些实施例方式的说明虽然是用于帮助理解本发明，但并不构成对本发明的限定。本文公开的特定结构和功能细节仅用于描述本发明的示例实施例。然而，可用很多备选的形式来体现本发明，并且不应当理解为本发明限制在本文阐述的实施例中。

应当理解，尽管本文可能使用术语第一、第二等等来描述各种单元，但是这些单元不应当受到这些术语的限制。这些术语仅用于区分一个单元和另一个单元。例如可以将第一单元称作第二单元,并且类似地可以将第二单元称作第一单元，同时不脱离本发明的示例实施例的范围。

应当理解，对于本文中可能出现的术语“和/或”，其仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，单独存在B，同时存在A和B三种情况；对于本文中可能出现的术语“/和”，其是描述另一种关联对象关系，表示可以存在两种关系，例如，A/和B，可以表示：单独存在A，单独存在A和B两种情况；另外，对于本文中可能出现的字符“/”，一般表示前后关联对象是一种“或”关系。

实施例

首先，为本申请构建基于人脸在不同姿态角下的人脸识别模型，以便在进行人脸识别时，通过人脸的姿态角，选择与姿态角对应的人脸识别模型进行人脸识别，从而使本申请支持多角度下的人脸识别，不仅提高了多角度下人脸识别的准确率，还无需在识别时正脸采集人像，从而提高了人脸识别的便捷性，便于大规模推广与应用。

参见图2所示，具体实施时，为本申请提供一种应用时的人脸识别模型的训练方法，可以但不限于包括如下步骤S01～S04。

S01.获取训练数据集，其中，所述训练数据集包括多张人脸图像。

步骤S01则是获取多张不同姿态角状态下的人脸图像，以便组成训练数据集，输入至神经网络模型中进行训练，从而得到人脸识别模型，以便后续对待识别图像进行人脸识别；具体实施时，可以但不限于采用以下方式获取多张人脸图像：(1)通过摄像头采集多个人员的人脸视频，视频中包含有人脸不同的姿态角状态，例如，点头和人脸左右摇摆；当然，通过对采集的视频进行逐帧处理，即可得到不同姿态角下的人脸图像；(2)直接由用户输入多张人脸在不同姿态角下的图像，从而组成训练数据集。

在获取到训练数据集后，即可计算训练数据集中每张人脸图像对应的姿态角(为便于与后续待识别图像中人脸的姿态角进行区分，在本实施例中，将每张人脸图像对应的姿态角命名为第二姿态角)，以便根据第二姿态角所处的角度阈值范围，进行人脸图像的划分，从而得到每个角度阈值范围对应的样本集，以便后续根据划分的样本集得到不同角度阈值范围下的人脸识别模型，具体计算过程如以下步骤S02所示。

S02.对所述训练数据集中的多张人脸图像进行角度检测，得到所述多张人脸图像中每张人脸图像对应的第二姿态角；具体实施时，可以但不限于通过获取人体图像中的人脸关键点来得到对应的第二姿态角，具体计算过程如下述步骤S021和步骤S022所示。

S021.对所述每张人脸图像进行人脸关键点检测，得到n个第一人脸关键点坐标(为便于与后续待识别图像中人脸的关键点的区分，在此，将人脸图像的关键点坐标命名为第一人脸关键点坐标)，其中，n为正整数；在本实施例中，人脸关键点检测是指给定人脸图像，定位出人脸面部的关键区域位置，包括眉毛、眼睛、鼻子、嘴巴和脸部轮廓等，具体实施时，可以但不限于使用：基于主动形状模型(Active Shape Model，ASM)和主动外观模型(Active Appearnce Model，AAM)、基于级联形状回归(Cascaded pose regression，CPR)或基于深度学习的方法实现人脸关键点检测，即检测到人脸图像中的二维人脸标记框、二维人脸关键区域和/或二维人脸关键点等。

在得到n个第一人脸关键点后，即可进行坐标转换，即将相机坐标系下的人脸位置转换为世界坐标系下的人脸位置，以得到人脸图像的第二姿态角，具体计算过程如下述步骤S022所示。

S022.根据所述n个第一人脸关键点坐标，得到所述每张人脸图像对应的的第二姿态角；具体实施时，可以但不限于采用如下具体步骤将第一人脸关键点坐标转换为第二姿态角：第一步：将检测到的第一人脸关键点坐标与三维人脸模型(为用户预先设置)中的对应人脸关键点进行匹配；第二步：求解原始人脸关键点与对应三维人脸关键点的转换关系矩阵(可以但不限于使用Opencv(是一个基于Apache2.0许可(开源)发行的跨平台计算机视觉和机器学习软件库)的solvePnP函数得出旋转向量，然后通过旋转向量得到旋转关系矩阵)；第三步：根据旋转关系矩阵求解人脸相对于相机坐标系的三个欧拉角(即当前人脸图像对应的第二姿态角，其包括俯仰角pitch，偏航角yaw和翻滚角roll)。

参见图1所示，俯仰角pitch表示人脸围绕x轴旋转，偏航角yaw表示人脸围绕y轴旋转，而翻滚角roll则表示人脸围绕z轴旋转。

可选的，举例n个第一人脸关键点坐标可以但不限于包括：左眼角坐标、右眼角坐标、鼻尖坐标、左嘴角坐标、右嘴角坐标以及下颌坐标，当然，该关键点的设置可根据对识别准确度的容忍程度进行预设，在此不限定于只包含前述所列举的关键点。

在得到训练数据集中每张人脸的第二姿态角后，即可进行人脸图像的划分，以得到按照角度阈值范围划分的多个样本集，如以下步骤S03所示。

S03.根据预设的角度阈值范围以及每张人脸图像对应的第二姿态角，对所述多张人脸图像进行样本划分，将第二姿态角处于同一角度阈值范围内的人脸图像划分为一个样本集，得到多个样本集。

在前述就已阐述，第二姿态角包括俯仰角、偏航角以及翻滚角，相应的，每个角度阈值范围则包括俯仰角阈值区间以及偏航角阈值区间，由于人脸在偏转中不涉及到翻滚角的矫正，因此，本实施例中仅需判断俯仰角以及偏航角即可。

具体实施时，可采用如下方法进行样本集的划分，即将所述第二姿态角中的俯仰角处于目标俯仰角阈值区间内的人脸图像，以及将所述第二姿态角中的偏航角处于目标偏航角阈值区间内的人脸图像，划分为一个样本集，其中，所述目标俯仰角阈值区间以及所述目标偏航角阈值区间为所述同一角度阈值范围内的俯仰角阈值区间和偏航角阈值区间。

下述以一个具体的实例来阐述前述步骤S03及其子步骤。

假设所述俯仰角的角度区间和偏航角的角度区间均为[-180°，+180°]，且按照20°的间隔角度进行俯仰角和偏航角阈值区间的划分，即角度阈值范围设置有18个，从-180°开始进行划分，分别编号为1-18，因此，对于第一角度阈值范围，其对应的仰角阈值区间为[-180°，-160°]，对应的偏航角阈值区间为[-180°，-160°]，第二角度阈值范围对应的仰角阈值区间为[-160°，-140°]，对应的偏航角阈值区间为[-160°，-140°]，第三角度阈值范围对应的仰角阈值区间为[-140°，-120°]，对应的偏航角阈值区间为[-140°，-120°],...，第九角度阈值范围对应的仰角阈值区间为[-20°，0°]，对应的偏航角阈值区间为[-20°，0°]，第十角度阈值范围对应的仰角阈值区间为[0°，20°]，对应的偏航角阈值区间为[0°，20°]，...,第17角度阈值范围对应的仰角阈值区间为[+140°，+160°]，对应的偏航角阈值区间为[+140°，+160°]，第18角度阈值范围对应的仰角阈值区间为[+160°，+180°]，对应的偏航角阈值区间为[+160°，+180°]，其中，所述俯仰角为正表示人脸向上偏移(即人脸向上)，所述俯仰角为负表示人脸向下偏移(即人脸向下)，所述偏航角为正表示人脸向右偏转，所述偏航角为负表示人脸向左偏转。

同时，假设训练数据集中共计有500张人脸图像，其中，第一张的人脸图像对应的第二姿态角中俯仰角为18°，偏航角为15°，那么按照前述步骤S03的划分规则，其属于第十角度阈值范围内，因此，应将第一人脸图像划分第十角度阈值范围对应的样本集中，可以但不限于命名为第十样本集，当然，其余人脸图像的划分方法与前述第一张人脸图像的划分方法一致，于此不多加赘述。

在本实施例中，为便于区分每个人脸图像对应的第二姿态角所处的角度阈值范围，并进行样本集的划分，可为每个人脸图像设置角度标签，可以但不限于为如以下格式：[{yaw:[0°,20°]},pitch:[0°,20°],feat:人脸图像1}]，前述式子表示的含义为：第一张人脸图像的俯仰角所处的角度区间为[0°,20°]，偏航角所处的角度区间为[0°,20°]。

当然，对于角度阈值范围的角度划分，可根据实际使用而具体设定，在此不限定于前述所列举的实例。

由此通过前述设计，即可为每个角度阈值范围均划分一个样本集，以便后续为每个样本集分配一神经网络模型进行训练，从而得到不同角度阈值范围对应的人脸识别模型，如以下步骤S04所示。

S04.为所述多个样本集中的每个样本集分配一神经网络模型，并将每个样本集中的人脸图像输入至对应的神经网络模型中进行人脸识别训练，得到所述多个人脸识别模型。

步骤S04则是为每个样本集分配一个神经网络模型，从而将样本集中的人脸图像输入至对应的神经网络模型中进行人脸识别训练，训练完成后，即可得到各个角度阈值范围对应的人脸识别模型，例如，在前述举例的基础上，第十角度阈值范围对应的人脸识别模型则用于识别人脸的俯仰角在[0°,20°]以及偏航角在[0°,20°]的人脸图像。

具体实施时，可以但不限于为每个人脸识别模型设置角度识别标签，即将该模型与其对应的角度阈值范围进行绑定，例如，人脸识别模型A—第一角度阈值范围(即模型A用于识别仰角阈值区间为[-180°，-160°]，偏航角阈值区间为[-180°，-160°]的人脸图像)；由此，即可在识别时，根据人脸的姿态角进行模型的快速匹配，当然，后续的人脸识别模型的编号则以此类推，以26个字母进行命名。

另外，举例神经网络模型可以但不限于使用如Yolo(You Only Look Once，是Joseph Redmon和AliFarhadi等人于2015年提出的基于单个神经网络的目标检测系统)网络、SSD(Single Shot MultiBox Detector，物体检测网络)网络或R-CNN(Region-CNN(Convolutional Neural Networks，卷积神经网络)网络。

由此经过前述步骤S01～S04及其子步骤所构建出的多个人脸识别模型，在识别时，只需通过姿态角进行模型匹配即可，通过前述设计，本发明不仅支持多角度下的人脸识别，还无需在识别时正脸采集人像，从而提高了人脸识别的便捷性。

参见图3所示，本实施例第二方面在实施例第一方面所构建的人脸识别模型上，对待识别图像进行人脸识别，其识别过程如以下步骤S1～S4所示。

S1.获取待识别图像，其中，所述待识别图像中至少包含一张人脸。

S2.对所述待识别图像中的人脸进行角度检测，得到所述人脸的第一姿态角，其中，所述第一姿态角包括俯仰角和偏航角。

步骤S2中，人脸的第一姿态角的计算过程与前述第二姿态角的计算过程相同，具体过程可参见步骤S021和步骤S022所示，于此不多加赘述。

S3.根据所述人脸的第一姿态角，在多个人脸识别模型中确定出与所述第一姿态角相对应的人脸识别模型，作为目标识别模型。

步骤S3则是确定第一姿态角所属于的角度阈值范围，例如，以前述实例为基础，假设第一姿态角中的俯仰角为18°，偏航角为15°，那么该第一姿态角则属于第十角度阈值范围，对应的人脸识别模型则是人脸识别模型J；由此，即可利用人脸识别模型J进行待识别图像的人脸识别，从而得出人脸识别结果，如下述步骤S4所示。

S4.将所述待识别图像输入至所述目标识别模型中，得到所述待识别图像的人脸识别结果。

由此通过前述步骤S1～S4所详细描述的多角度的人脸识别方法，本发明支持多角度下的人脸识别，不仅提高了多角度下人脸识别的准确率，还无需在识别时正脸采集人像，从而提高了人脸识别的便捷性。

如图4所示，本实施例第三方面提供了一种实现实施例第一方面或第二方面中所述的多角度的人脸识别方法的硬件装置，包括：获取单元、角度检测单元、模型匹配单元以及识别单元。

所述获取单元，用于获取待识别图像，其中，所述待识别图像中至少包含一张人脸。

所述角度检测单元，用于对所述待识别图像中的人脸进行角度检测，得到所述人脸的第一姿态角，其中，所述第一姿态角包括俯仰角和偏航角。

所述模型匹配单元，用于根据所述人脸的第一姿态角，在多个人脸识别模型中确定出与所述第一姿态角相对应的人脸识别模型，作为目标识别模型。

所述识别单元，用于将所述待识别图像输入至所述目标识别模型中，得到所述待识别图像的人脸识别结果。

在一个可能的设计中，所述装置还包括：样本划分单元以及模型训练单元。

所述获取单元，还用于获取训练数据集，其中，所述训练数据集包括多张人脸图像。

所述角度检测单元，还用于对所述训练数据集中的多张人脸图像进行角度检测，得到所述多张人脸图像中每张人脸图像对应的第二姿态角。

所述样本划分单元，用于根据预设的角度阈值范围以及每张人脸图像对应的第二姿态角，对所述多张人脸图像进行样本划分，将第二姿态角处于同一角度阈值范围内的人脸图像划分为一个样本集，得到多个样本集。

所述模型训练单元，用于为所述多个样本集中的每个样本集分配一神经网络模型，并将每个样本集中的人脸图像输入至对应的神经网络模型中进行人脸识别训练，得到所述多个人脸识别模型。

本实施例提供的硬件装置的工作过程、工作细节和技术效果，可以参见实施例第一方面或第二方面，于此不再赘述。

如图5所示，本实施例第四方面提供了另一种多角度的人脸识别装置，以装置为计算机主设备为例，包括：依次通信相连的存储器、处理器和收发器，其中，所述存储器用于存储计算机程序，所述收发器用于收发消息，所述处理器用于读取所述计算机程序，执行如实施例第一方面或第二方面所述的多角度的人脸识别方法。

具体举例的，所述存储器可以但不限于包括随机存取存储器(random accessmemory，RAM)、只读存储器(Read Only Memory image，ROM)、闪存(Flash Memory)、先进先出存储器(First Input First Output，FIFO)和/或先进后出存储器(First In Last Out，FILO)等等；具体地，处理器可以包括一个或多个处理核心，比如4核心处理器、8核心处理器等。处理器可以采用DSP(Digital Signal Processing，数字信号处理)、FPGA(Field－Programmable Gate Array，现场可编程门阵列)、PLA(Programmable Logic Array，可编程逻辑阵列)中的至少一种硬件形式来实现。

同时，处理器也可以包括主处理器和协处理器，主处理器是用于对在唤醒状态下的数据进行处理的处理器，也称CPU(Central Processing Unit，中央处理器)；协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中，处理器可以在集成有GPU(Graphics Processing Unit，图像处理器)，GPU用于负责显示屏所需要显示的内容的渲染和绘制，例如，所述处理器可以不限于采用型号为STM32F105系列的微处理器、精简指令集计算机(reduced instruction set computer,RSIC)微处理器、X86等架构处理器或集成嵌入式神经网络处理器(neural-network processing units，NPU)的处理器；所述收发器可以但不限于为无线保真(WIFI)无线收发器、蓝牙无线收发器、通用分组无线服务技术(General Packet Radio Service，GPRS)无线收发器、紫蜂协议(基于IEEE802.15.4标准的低功耗局域网协议，ZigBee)无线收发器、3G收发器、4G收发器和/或5G收发器等。此外，所述装置还可以但不限于包括有电源模块、显示屏和其它必要的部件。

本实施例提供的计算机主设备的工作过程、工作细节和技术效果，可以参见实施例第一方面或第二方面，于此不再赘述。

本实施例第五方面提供了一种存储包含有实施例第一方面或第二方面所述的多角度的人脸识别方法的指令的存储介质，即所述存储介质上存储有指令，当所述指令在计算机上运行时，执行如第一方面或第二方面所述的多角度的人脸识别方法。

其中，所述存储介质是指存储数据的载体，可以但不限于包括软盘、光盘、硬盘、闪存、优盘和/或记忆棒(Memory Stick)等，所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。

本实施例提供的存储介质的工作过程、工作细节和技术效果，可以参见实施例第一方面或第二方面，于此不再赘述。

本实施例第六方面提供了一种包含指令的计算机程序产品，当所述指令在计算机上运行时，使所述计算机执行如实施例第一方面或第二方面所述的多角度的人脸识别方法，其中，所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。

最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种多角度的人脸识别方法，其特征在于，包括：

获取待识别图像，其中，所述待识别图像中至少包含一张人脸；

对所述待识别图像中的人脸进行角度检测，得到所述人脸的第一姿态角，其中，所述第一姿态角包括俯仰角和偏航角；

根据所述人脸的第一姿态角，在多个人脸识别模型中确定出与所述第一姿态角相对应的人脸识别模型，作为目标识别模型；

将所述待识别图像输入至所述目标识别模型中，得到所述待识别图像的人脸识别结果。

2.如权利要求1所述的方法，其特征在于，在获取待识别图像前，所述方法还包括：

获取训练数据集，其中，所述训练数据集包括多张人脸图像；

对所述训练数据集中的多张人脸图像进行角度检测，得到所述多张人脸图像中每张人脸图像对应的第二姿态角；

根据预设的角度阈值范围以及每张人脸图像对应的第二姿态角，对所述多张人脸图像进行样本划分，将第二姿态角处于同一角度阈值范围内的人脸图像划分为一个样本集，得到多个样本集；

为所述多个样本集中的每个样本集分配一神经网络模型，并将每个样本集中的人脸图像输入至对应的神经网络模型中进行人脸识别训练，得到所述多个人脸识别模型。

3.如权利要求2所述的方法，其特征在于，每个角度阈值范围包括俯仰角阈值区间以及偏航角阈值区间，其中，将第二姿态角处于同一角度阈值范围内的人脸图像划分为一个样本集，包括：

将所述第二姿态角中的俯仰角处于目标俯仰角阈值区间内的人脸图像，以及将所述第二姿态角中的偏航角处于目标偏航角阈值区间内的人脸图像，划分为一个样本集，其中，所述目标俯仰角阈值区间以及所述目标偏航角阈值区间为所述同一角度阈值范围内的俯仰角阈值区间和偏航角阈值区间。

4.如权利要求1所述的方法，其特征在于，对所述待识别图像中的人脸进行角度检测，得到所述人脸的第一姿态角，包括：

对所述待识别图像进行人脸关键点检测，得到n个人脸关键点坐标，其中，n为正整数；

根据所述n个人脸关键点坐标，得到所述人脸的第一姿态角。

5.如权利要求4所述的方法，其特征在于，所述n个人脸关键点坐标至少包括左眼角坐标、右眼角坐标、鼻尖坐标、左嘴角坐标、右嘴角坐标以及下颌坐标。

6.如权利要求1所述的方法，其特征在于，所述俯仰角的角度区间为[-180°，+180°]，所述偏航角的角度区间为[-180°，+180°]°，其中，所述俯仰角为正表示人脸向上偏移，所述俯仰角为负表示人脸向下偏移，所述偏航角为正表示人脸向右偏转，所述偏航角为负表示人脸向左偏转。

7.一种多角度的人脸识别装置，其特征在于，包括：获取单元、角度检测单元、模型匹配单元以及识别单元；

所述获取单元，用于获取待识别图像，其中，所述待识别图像中至少包含一张人脸；

所述角度检测单元，用于对所述待识别图像中的人脸进行角度检测，得到所述人脸的第一姿态角，其中，所述第一姿态角包括俯仰角和偏航角；

所述模型匹配单元，用于根据所述人脸的第一姿态角，在多个人脸识别模型中确定出与所述第一姿态角相对应的人脸识别模型，作为目标识别模型；

所述识别单元，用于将所述待识别图像输入至所述目标识别模型中，得到所述待识别图像的人脸识别结果。

8.如权利要求7所述的装置，其特征在于，所述装置还包括：样本划分单元以及模型训练单元；

所述获取单元，还用于获取训练数据集，其中，所述训练数据集包括多张人脸图像；

所述角度检测单元，还用于对所述训练数据集中的多张人脸图像进行角度检测，得到所述多张人脸图像中每张人脸图像对应的第二姿态角；

所述样本划分单元，用于根据预设的角度阈值范围以及每张人脸图像对应的第二姿态角，对所述多张人脸图像进行样本划分，将第二姿态角处于同一角度阈值范围内的人脸图像划分为一个样本集，得到多个样本集；

所述模型训练单元，用于为所述多个样本集中的每个样本集分配一神经网络模型，并将每个样本集中的人脸图像输入至对应的神经网络模型中进行人脸识别训练，得到所述多个人脸识别模型。

9.一种计算机主设备，其特征在于，包括：依次通信相连的存储器、处理器和收发器，其中，所述存储器用于存储计算机程序，所述收发器用于收发消息，所述处理器用于读取所述计算机程序，执行如权利要求1～6任意一项所述的多角度的人脸识别方法。

10.一种存储介质，其特征在于，所述存储介质上存储有指令，当所述指令在计算机上运行时，执行如权利要求1～6任意一项所述的多角度的人脸识别方法。

Images