人臉識別方法和裝置的制造方法
【技術(shù)領(lǐng)域】
[0001]本公開涉及通訊領(lǐng)域，尤其涉及人臉識別方法和裝置。
【背景技術(shù)】
[0002]人臉識別，通常是基于從人臉圖像中提取出的人臉特征來完成的；例如，在傳統(tǒng)的實現(xiàn)中，可以從人臉圖像中人工抽取出人臉特征，并結(jié)合特定的算法對抽取出的人臉特征進行降維后，進行相似性度量最終得到人臉識別結(jié)果。可見，在進行人臉識別過程中，識別的準確度取決于提取出的人臉特征，因此如何對提取人臉特征的過程進行優(yōu)化，來提高人臉識別的準確度，目前已成為人臉識別領(lǐng)域關(guān)注的重點。

【發(fā)明內(nèi)容】

[0003]為克服相關(guān)技術(shù)中存在的問題，本公開提供一種人臉識別方法和裝置。
[0004]根據(jù)本公開實施例的第一方面，提供一種人臉識別方法，所述方法包括:
[0005]根據(jù)預設的深度學習模型提取待識別人臉圖像以及人臉圖像樣本的人臉特征向量;
[0006]基于提取出的人臉特征向量計算所述待識別人臉圖像與所述人臉圖像樣本的相似度取值；
[0007]根據(jù)計算出的所述相似度取值對所述待識別人臉圖像進行人臉識別。
[0008]可選的，所述根據(jù)預設的深度學習模型提取待識別人臉圖像以及人臉圖像樣本的人臉特征向量之前，所述方法還包括:
[0009]基于預設數(shù)量的人臉圖像樣本對所述深度學習模型進行訓練，以確定所述深度學習模型中各節(jié)點的最佳權(quán)重參數(shù)。
[0010]可選的，所述基于提取出的人臉特征向量計算所述待識別人臉圖像與所述人臉圖像樣本的相似度取值之前，所述方法包括:
[0011]根據(jù)預設算法對提取出的所述人臉特征向量進行降維處理。
[0012]可選的，所述深度學習模型包括基于卷積神經(jīng)網(wǎng)的深度學習模型；
[0013]所述根據(jù)預設的深度學習模型提取待識別人臉圖像以及人臉圖像樣本的人臉特征向量包括:
[0014]將所述待識別人臉圖像以及所述人臉圖像樣本作為輸入圖像分別在所述深度學習模型中包含的多個基層中依次進行特征訓練；
[0015]當訓練完成后，提取所述多個基層中的全連接層或者其它指定基層輸出的特征向量作為所述待識別人臉圖像或所述人臉圖像樣本的人臉特征向量。
[0016]可選的，所述基于提取出的人臉特征向量計算所述待識別人臉圖像與所述人臉圖像樣本的相似度取值包括:
[0017]計算所述待識別人臉圖像與所述人臉圖像樣本的人臉特征向量之間的向量距離；其中，所述向量距離用于表征所述待識別人臉圖像與所述人臉圖像樣本之間的相似度；
[0018]根據(jù)預設的相似度轉(zhuǎn)換策略將計算出的所述向量距離轉(zhuǎn)換為對應的相似度取值。
[0019]可選的，所述根據(jù)計算出的所述相似度取值對所述待識別人臉圖像進行人臉識別包括:
[0020]判斷計算出的所述相似度取值是否達到閾值；
[0021]當所述相似度取值達到閾值時，確認所述待識別人臉圖像與所述人臉圖像樣本相同，并將所述人臉圖像樣本作為識別結(jié)果輸出。
[0022]可選的，所述向量距離包括余弦距離或者歐氏距離。
[0023]可選的，所述待識別人臉圖像以及人臉圖像樣本均以雙眼為中心預先進行了尺度歸一化處理。
[0024]根據(jù)本公開實施例的第二方面，提供一種人臉識別裝置，所述裝置包括:
[0025]提取模塊，用于根據(jù)預設的深度學習模型提取待識別人臉圖像以及人臉圖像樣本的人臉特征向量；
[0026]計算模塊，用于基于提取出的人臉特征向量計算所述待識別人臉圖像與所述人臉圖像樣本的相似度取值；
[0027]識別模塊，用于根據(jù)計算出的所述相似度取值對所述待識別人臉圖像進行人臉識別。
[0028]可選的，所述裝置還包括:
[0029]訓練模塊，用于在根據(jù)預設的深度學習模型提取待識別人臉圖像以及人臉圖像樣本的人臉特征向量之前，基于預設數(shù)量的人臉圖像樣本對所述深度學習模型進行訓練，以確定所述深度學習模型中各節(jié)點的最佳權(quán)重參數(shù)。
[0030]可選的，所述裝置還包括:
[0031]降維模塊，用于在基于提取出的人臉特征向量計算所述待識別人臉圖像與所述人臉圖像樣本的相似度取值之前，根據(jù)預設算法對提取出的所述人臉特征向量進行降維處理。
[0032]可選的，所述深度學習模型包括基于卷積神經(jīng)網(wǎng)的深度學習模型；
[0033]所述提取模塊包括:
[0034]訓練子模塊，用于將所述待識別人臉圖像以及所述人臉圖像樣本作為輸入圖像分別在所述深度學習模型中包含的多個基層中依次進行特征訓練；
[0035]提取子模塊，用于在訓練完成后，提取所述多個基層中的全連接層或者其它指定基層輸出的特征向量作為所述待識別人臉圖像或所述人臉圖像樣本的人臉特征向量。
[0036]可選的，所述計算模塊包括:
[0037]計算子模塊，用于計算所述待識別人臉圖像與所述人臉圖像樣本的人臉特征向量之間的向量距離；其中，所述向量距離用于表征所述待識別人臉圖像與所述人臉圖像樣本之間的相似度；
[0038]轉(zhuǎn)換子模塊，用于根據(jù)預設的相似度轉(zhuǎn)換策略將計算出的所述向量距離轉(zhuǎn)換為對應的相似度取值。
[0039]可選的，所述識別模塊包括:
[0040]判斷子模塊，用于判斷計算出的所述相似度取值是否達到閾值；
[0041]輸出子模塊，用于在所述相似度取值達到閾值時，確認所述待識別人臉圖像與所述人臉圖像樣本相同，并將所述人臉圖像樣本作為識別結(jié)果輸出。
[0042]可選的，所述向量距離包括余弦距離或者歐氏距離。
[0043]可選的，所述待識別人臉圖像以及人臉圖像樣本均以雙眼為中心預先進行了尺度歸一化處理。
[0044]根據(jù)本公開實施例的第三方面，提供一種人臉識別裝置，包括:
[0045]處理器；
[0046]用于存儲處理器可執(zhí)行指令的存儲器；
[0047]其中，所述處理器被配置為:
[0048]根據(jù)預設的深度學習模型提取待識別人臉圖像以及人臉圖像樣本的人臉特征向量;
[0049]基于提取出的人臉特征向量計算所述待識別人臉圖像與所述人臉圖像樣本的相似度取值；
[0050]根據(jù)計算出的所述相似度取值對所述待識別人臉圖像進行人臉識別。
[0051]本公開的以上實施例中，通過根據(jù)預設的深度學習模型提取待識別人臉圖像以及人臉圖像樣本的人臉特征向量，并基于提取出的人臉特征向量計算所述待識別人臉圖像與所述人臉圖像樣本的相似度取值，然后根據(jù)計算出的所述相似度取值對所述待識別人臉圖像進行人臉識別，由于在人臉識別的過程中，利用深度學習模型自動從人臉圖像中抽取人臉特征，替代了傳統(tǒng)的從人臉圖像中人工抽取人臉特征的方式，因此可以提高人臉識別的精確度。
[0052]應當理解的是，以上的一般描述和后文的細節(jié)描述僅是示例性和解釋性的，并不能限制本公開。
【附圖說明】
[0053]此處的附圖被并入說明書中并構(gòu)成本說明書的一部分，示出了符合本公開的實施例，并與說明書一起用于解釋本公開的原理。
[0054]圖1是根據(jù)一示例性實施例示出的一種人臉識別方法的流程示意圖；
[0055]圖2是根據(jù)一示例性實施例示出的另一種人臉識別方法的流程示意圖；
[0056]圖3是根據(jù)一示例性實施例示出的一種深度識別模型的示意圖；
[0057]圖4是根據(jù)一示例性實施例示出的一種人臉識別裝置的示意框圖；
[0058]圖5是根據(jù)一示例性實施例示出的另一種人臉識別裝置的示意框圖；
[0059]圖6是根據(jù)一示例性實施例示出的另一種人臉識別裝置的示意框圖；
[0060]圖7是根據(jù)一示例性實施例示出的另一種人臉識別裝置的示意框圖；
[0061]圖8是根據(jù)一示例性實施例示出的另一種人臉識別裝置的示意框圖；
[0062]圖9是根據(jù)一示例性實施例示出的另一種人臉識別裝置的示意框圖；
[0063]圖10是根據(jù)一示例性實施例示出的一種用于所述人臉識別裝置的一結(jié)構(gòu)示意圖。
【具體實施方式】
[0064]這里將詳細地對示例性實施例進行說明，其示例表示在附圖中。下面的描述涉及附圖時，除非另有表示，不同附圖中的相同數(shù)字表示相同或相似的要素。以下示例性實施例中所描述的實施方式并不代表與本公開相一致的所有實施方式。相反，它們僅是與如所附權(quán)利要求書中所詳述的、本公開的一些方面相一致的裝置和方法的例子。
[0065]在本公開使用的術(shù)語是僅僅出于描述特定實施例的目的，而非旨在限制本公開。在本公開和所附權(quán)利要求書中所使用的單數(shù)形式的“一種”、“所述”和“該”也旨在包括多數(shù)形式，除非上下文清楚地表示其他含義。還應當理解，本文中使用的術(shù)語“和/或”是指并包含一個或多個相關(guān)聯(lián)的列出項目的任何或所有可能組合。
[0066]應當理解，盡管在本公開可能采用術(shù)語第一、第二、第三等來描述各種信息，但這些信息不應限于這些術(shù)語。這些術(shù)語僅用來將同一類型的信息彼此