[發(fā)明專利]人臉識(shí)別方法、裝置及系統(tǒng)、模型訓(xùn)練方法及裝置

有效

• 申請(qǐng)?zhí)枺?/td>: 201810258679.2
• 申請(qǐng)日: 2018-03-27
• 公開（公告）號(hào): CN110309692B
• 公開（公告）日: 2023-06-02
• 發(fā)明（設(shè)計(jì)）人: 顏雪軍;楊成平;王春茂;朱江;浦世亮
• 申請(qǐng)（專利權(quán)）人: 杭州海康威視數(shù)字技術(shù)股份有限公司
• 主分類號(hào): G06V40/16
• 分類號(hào): G06V40/16;G06V10/44;G06V10/80;G06V10/764;G06V10/82;G06N3/0464;G06N3/08
• 代理公司: 北京三高永信知識(shí)產(chǎn)權(quán)代理有限責(zé)任公司 11138
• 代理人: 韓東艷

本發(fā)明公開了一種人臉識(shí)別方法、裝置及系統(tǒng)、模型訓(xùn)練方法及裝置，屬于人臉識(shí)別技術(shù)領(lǐng)域。包括：向深度學(xué)習(xí)模型輸入待識(shí)別人臉圖像；接收深度學(xué)習(xí)模型輸出的人臉特征數(shù)據(jù)；深度學(xué)習(xí)模型中，輸入層用于在接收到待識(shí)別人臉圖像后，對(duì)待識(shí)別人臉圖像進(jìn)行數(shù)據(jù)處理，以得到高維特征數(shù)據(jù)；第一輸出層用于對(duì)高維特征數(shù)據(jù)進(jìn)行數(shù)據(jù)降維處理，得到低維特征數(shù)據(jù)；特征組合層用于將低維特征數(shù)據(jù)進(jìn)行預(yù)處理，并對(duì)低維特征數(shù)據(jù)進(jìn)行合并處理，得到組合特征數(shù)據(jù)；第二輸出層用于對(duì)組合特征數(shù)據(jù)進(jìn)行特征融合，得到人臉特征數(shù)據(jù)。解決了相關(guān)技術(shù)中人臉識(shí)別效率低以及對(duì)深度學(xué)習(xí)模型訓(xùn)練時(shí)，資源和時(shí)間的消耗較大、訓(xùn)練的靈活性較低的問題。

技術(shù)領(lǐng)域

本發(fā)明涉及人臉識(shí)別技術(shù)領(lǐng)域，特別涉及一種人臉識(shí)別方法、裝置及系統(tǒng)、模型訓(xùn)練方法及裝置。

背景技術(shù)

人臉識(shí)別技術(shù)就是通過計(jì)算機(jī)提取人臉特征，并根據(jù)這些人臉特征進(jìn)行身份驗(yàn)證的一種技術(shù)。人臉與人體的其他生物特征(例如指紋、虹膜等)一樣與生俱來，它們所具有的唯一性和不易被復(fù)制的良好特性為身份鑒別提供了必要的條件，與其他生物特征識(shí)別技術(shù)相比，人臉識(shí)別技術(shù)具有操作簡單、結(jié)果直觀的特點(diǎn)。目前，為了提高人臉識(shí)別的準(zhǔn)確度，通常采用訓(xùn)練好的深度學(xué)習(xí)模型提取人臉特征。

相關(guān)技術(shù)中，通常需要訓(xùn)練多個(gè)深度學(xué)習(xí)模型，該多個(gè)深度學(xué)習(xí)模型包括用于特征提取的深度學(xué)習(xí)模型和用于特征融合的深度學(xué)習(xí)模型，基于該多個(gè)深度學(xué)習(xí)模型實(shí)現(xiàn)人臉識(shí)別。其中，用于進(jìn)行特征提取的深度學(xué)習(xí)模型也可以有多個(gè)，每個(gè)深度學(xué)習(xí)模型可以被用于訓(xùn)練提取固定的人臉特征，例如，某一深度學(xué)習(xí)模型被用于訓(xùn)練提取眼睛的特征，另一深度學(xué)習(xí)模型被用于訓(xùn)練提取鼻子的特征。在進(jìn)行人臉識(shí)別時(shí)，可以先通過用于特征提取的多個(gè)深度學(xué)習(xí)模型提取人臉特征，再將提取的各個(gè)人臉特征分別輸入至用于特征融合的深度學(xué)習(xí)模型，并通過用于特征融合的深度學(xué)習(xí)模型對(duì)各個(gè)人臉特征進(jìn)行特征融合，將特征融合后得到的人臉特征用于人臉間的相似度計(jì)算，最終得到人臉識(shí)別結(jié)果，以完成人臉識(shí)別過程。

但是，采用相關(guān)技術(shù)中的人臉識(shí)別方法進(jìn)行人臉識(shí)別時(shí)，需要使用多個(gè)深度學(xué)習(xí)模型，模型之間的數(shù)據(jù)傳輸過程耗費(fèi)時(shí)間較長，導(dǎo)致人臉識(shí)別的效率較低；另外，相關(guān)技術(shù)提供的深度學(xué)習(xí)模型的訓(xùn)練過程中，需要對(duì)多個(gè)深度學(xué)習(xí)模型分別進(jìn)行訓(xùn)練，資源和時(shí)間的消耗較大，訓(xùn)練的靈活性較低。

發(fā)明內(nèi)容

本發(fā)明實(shí)施例提供了一種人臉識(shí)別方法、裝置及系統(tǒng)、模型訓(xùn)練方法及裝置，可以解決相關(guān)技術(shù)中人臉識(shí)別效率低以及對(duì)深度學(xué)習(xí)模型訓(xùn)練時(shí)，資源和時(shí)間的消耗較大、訓(xùn)練的靈活性較低的問題。所述技術(shù)方案如下：

第一方面，提供了一種人臉識(shí)別方法，所述方法包括：

向深度學(xué)習(xí)模型輸入待識(shí)別人臉圖像；

接收所述深度學(xué)習(xí)模型輸出的人臉特征數(shù)據(jù)；

其中，所述深度學(xué)習(xí)模型包括：依次連接的輸入層，第一輸出層，特征組合層和第二輸出層；

所述輸入層用于在接收到待識(shí)別人臉圖像后，對(duì)所述待識(shí)別人臉圖像進(jìn)行數(shù)據(jù)處理，以得到高維特征數(shù)據(jù)；

所述第一輸出層用于對(duì)所述高維特征數(shù)據(jù)進(jìn)行數(shù)據(jù)降維處理，得到低維特征數(shù)據(jù)，所述高維特征數(shù)據(jù)的數(shù)據(jù)維度大于所述低維特征數(shù)據(jù)的數(shù)據(jù)維度；

所述特征組合層用于將所述低維特征數(shù)據(jù)進(jìn)行預(yù)處理，并將預(yù)處理后的低維特征數(shù)據(jù)進(jìn)行合并處理，得到組合特征數(shù)據(jù)；

所述第二輸出層用于對(duì)所述組合特征數(shù)據(jù)進(jìn)行特征融合，得到所述人臉特征數(shù)據(jù)。

可選的，所述深度學(xué)習(xí)模型還包括與所述第二輸出層連接的第一監(jiān)督模塊；