[發(fā)明專利]一種人臉圖像識(shí)別方法及裝置

有效

• 申請(qǐng)?zhí)枺?/td>: 201810612426.0
• 申請(qǐng)日: 2018-06-14
• 公開（公告）號(hào): CN108416343B
• 公開（公告）日: 2020-12-22
• 發(fā)明（設(shè)計(jì)）人: 吳富章;孔彥;趙玉軍;王黎明
• 申請(qǐng)（專利權(quán)）人: 北京遠(yuǎn)鑒信息技術(shù)有限公司
• 主分類號(hào): G06K9/00
• 分類號(hào): G06K9/00;G06K9/62
• 代理公司: 北京超凡志成知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙) 11371
• 代理人: 徐麗

1.一種人臉圖像識(shí)別方法，其特征在于，包括：

獲取網(wǎng)紋人臉圖像和驗(yàn)證人臉圖像；

將所述網(wǎng)紋人臉圖像輸入深度循環(huán)殘差網(wǎng)絡(luò)模型中進(jìn)行去網(wǎng)紋處理，獲得修復(fù)人臉圖像；

分別將所述修復(fù)人臉圖像和所述驗(yàn)證人臉圖像輸入特征提取器中進(jìn)行特征提取，獲得所述修復(fù)人臉圖像對(duì)應(yīng)的第一特征和所述驗(yàn)證人臉圖像對(duì)應(yīng)的第二特征；

根據(jù)所述第一特征和所述第二特征進(jìn)行人臉比對(duì)，獲得識(shí)別結(jié)果；

所述方法，還包括：

構(gòu)建訓(xùn)練樣本以及所述深度循環(huán)殘差網(wǎng)絡(luò)模型；

利用所述訓(xùn)練樣本對(duì)所述深度循環(huán)殘差網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練；

所述構(gòu)建所述深度循環(huán)殘差網(wǎng)絡(luò)模型，包括：

通過預(yù)設(shè)個(gè)數(shù)的循環(huán)殘差單元構(gòu)建所述深度循環(huán)殘差網(wǎng)絡(luò)模型，各所述循環(huán)殘差單元依次連接，其中，各所述循環(huán)殘差單元包括卷積核大小為n*1的卷積層、卷積核大小為1*n的卷積層、修正線性單元層和批量歸一化層，n為正整數(shù)；每個(gè)循環(huán)殘差單元將輸入的信息進(jìn)行非線性映射后，其輸出信息將再次與首個(gè)循環(huán)殘差單元的輸入信息相加，相加的結(jié)果作為下一個(gè)循環(huán)殘差單元的輸入做進(jìn)一步處理；

所述深度循環(huán)殘差網(wǎng)絡(luò)模型的損失函數(shù)為：

L＝L_pixel+αL_grad；

其中，L_pixel為修復(fù)人臉圖像與原始人臉圖像之間的像素差異值，且L_grad為所述修復(fù)人臉圖像與所述原始人臉圖像之間的梯度差異值，且α為權(quán)重值；

其中，為訓(xùn)練樣本組S中的第i個(gè)訓(xùn)練樣本，f(X_i)為所述第i個(gè)訓(xùn)練樣本對(duì)應(yīng)的所述修復(fù)人臉圖像，Y_i為所述第i個(gè)訓(xùn)練樣本對(duì)應(yīng)的原始人臉圖像；X_i為第i個(gè)訓(xùn)練樣本中網(wǎng)紋人臉圖像，為差分運(yùn)算；為第i個(gè)訓(xùn)練樣本中原始人臉圖像在X方向的梯度信息；為第i個(gè)訓(xùn)練樣本中原始人臉圖像在Y方向的梯度信息。

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述構(gòu)建所述訓(xùn)練樣本，包括：

獲取多張?jiān)既四槇D像，根據(jù)各所述原始人臉圖像的尺寸生成對(duì)應(yīng)的帶網(wǎng)紋的掩碼圖像；

將所述掩碼圖像與對(duì)應(yīng)的所述原始人臉圖像進(jìn)行圖像融合，獲得混合人臉圖像；

對(duì)所述混合人臉圖像進(jìn)行有損壓縮處理，獲得所述訓(xùn)練樣本。

3.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述利用所述訓(xùn)練樣本對(duì)所述深度循環(huán)殘差網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，包括：

將所述訓(xùn)練樣本按照預(yù)設(shè)值進(jìn)行劃分，獲得多組訓(xùn)練樣本組，根據(jù)預(yù)設(shè)迭代次數(shù)依次將所述訓(xùn)練樣本組中的所述訓(xùn)練樣本輸入所述深度循環(huán)殘差網(wǎng)絡(luò)模型中；

根據(jù)所述深度循環(huán)殘差網(wǎng)絡(luò)的損失函數(shù)計(jì)算當(dāng)前迭代的所述訓(xùn)練樣本對(duì)應(yīng)的損失值；

根據(jù)所述損失值計(jì)算所述損失函數(shù)對(duì)于所述深度循環(huán)殘差網(wǎng)絡(luò)模型中所有權(quán)重參數(shù)的梯度值，各個(gè)所述權(quán)重參數(shù)根據(jù)所述梯度值進(jìn)行參數(shù)更新。

4.根據(jù)權(quán)利要求1-3任一項(xiàng)所述的方法，其特征在于，所述根據(jù)所述第一特征和所述第二特征進(jìn)行人臉比對(duì)，獲得識(shí)別結(jié)果，包括：

根據(jù)所述第一特征和所述第二特征計(jì)算相似度，若所述相似度大于預(yù)設(shè)閾值，則所述驗(yàn)證人臉圖像識(shí)別成功；若所述相似度小于等于所述預(yù)設(shè)閾值，則所述驗(yàn)證人臉圖像識(shí)別失敗。