[發(fā)明專利]一種人臉識別方法和人臉識別裝置

在審

• 申請?zhí)枺?/td>: 201710110054.7
• 申請日: 2017-02-28
• 公開（公告）號: CN108509828A
• 公開（公告）日: 2018-09-07
• 發(fā)明（設計）人: 谷湘煜;李星明;段晶晶;余亞玲
• 申請（專利權）人: 深圳市朗馳欣創(chuàng)科技股份有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00
• 代理公司: 深圳中一聯合知識產權代理有限公司 44414
• 代理人: 張全文

本發(fā)明適用于圖像處理領域，提供了一種人臉識別方法和人臉識別裝置。從圖像中確定人臉的關鍵點，并根據所述關鍵點確定框選人臉的人臉矩形框；對所述人臉矩形框進行旋轉校正，校正得到正視的人臉圖像；對所述人臉圖像從至少兩個角度進行透視變換，得到M個樣本圖像；采用訓練網絡對所述M個樣本圖像進行訓練，訓練得到網絡模型參數，并基于所述網絡模型參數提取人臉特征描述向量；根據所述人臉特征描述向量進行人臉識別。通過透視變換，相對于現有技術減少了變化復雜度，節(jié)省了資源和成本，并且也實現了樣本圖像的增加，保證了人臉識別的正確率。

技術領域

本發(fā)明屬于圖像處理領域，尤其涉及一種人臉識別方法和人臉識別裝置。

背景技術

隨著各領域對快速高效的自動身份驗證技術的迫切需求，人臉識別技術因具有非接觸性、采集設備簡單等優(yōu)點而成為當前的研究熱點。但由于人的面部結構比較復雜，并且會因表情、光照等因素的影響而改變面部結構，人臉識別技術難以廣泛地應用到實際生活中。

近些年來，隨著數據的海量增加和深度學習技術的發(fā)展，人臉識別技術的準確率也得到了質的飛躍，如DeepID、FaceNet、DeepFace等基于深度神經網絡的人臉模型在人臉特征提取方面均表現出較好的描述能力，有效地提升了人臉比對、人臉識別的準確率。

然而，深度學習技術的高效均依賴于大量的訓練樣本，目前人臉識別方向的數據樣本仍舊缺乏，而標記數據樣本需要耗費大量的人力成本。因此，目前大都采用圖像翻轉、隨機裁剪等技術增加訓練樣本的數量，該技術可以在一定程度上解決訓練樣本過少導致的模型過擬合問題，提升識別準確率。但是，在訓練數據嚴重不足時，過擬合現象仍然存在，導致深度模型的泛化能力弱，識別率低等問題。

發(fā)明內容

鑒于此，本發(fā)明提供一種人臉識別方法和人臉識別裝置，以快速實現全地圖人臉識別。

一方面，本發(fā)明提供一種人臉識別方法，所述方法包括：

從圖像中確定人臉的關鍵點，并根據所述關鍵點確定框選人臉的人臉矩形框；

對所述人臉矩形框進行旋轉校正，校正得到正視的人臉圖像；

對所述人臉圖像從至少兩個角度進行透視變換，得到M個樣本圖像，所述M為大于或等于2的正整數；

采用訓練網絡對所述M個樣本圖像進行訓練，訓練得到網絡模型參數，并基于所述網絡模型參數提取人臉特征描述向量；

根據所述人臉特征描述向量進行人臉識別。

又一方面，本發(fā)明提供一種人臉識別裝置，包括：

確定單元，用于從圖像中確定人臉的關鍵點，并根據所述關鍵點確定框選人臉的人臉矩形框；

校正單元，用于對所述人臉矩形框進行旋轉校正，校正得到正視的人臉圖像；

透視變換單元，用于對所述人臉圖像從至少兩個角度進行透視變換，得到M個樣本圖像，所述M為大于或等于2的正整數；

訓練單元，用于采用訓練網絡對所述M個樣本圖像進行訓練，訓練得到網絡模型參數，并基于所述網絡模型參數提取人臉特征描述向量；

人臉識別單元，用于根據所述人臉特征描述向量進行人臉識別。

本發(fā)明的有益效果是：從圖像中確定人臉的關鍵點，并根據所述關鍵點確定框選人臉的人臉矩形框；對所述人臉矩形框進行旋轉校正，校正得到正視的人臉圖像；對所述人臉圖像從至少兩個角度進行透視變換，得到M個樣本圖像；采用訓練網絡對所述M個樣本圖像進行訓練，訓練得到網絡模型參數，并基于所述網絡模型參數提取人臉特征描述向量；根據所述人臉特征描述向量進行人臉識別。通過透視變換，相對于現有技術減少了變化復雜度，節(jié)省了資源和成本，并且也實現了樣本圖像的增加，保證了人臉識別的正確率。

附圖說明