人脸识别方法及装置的制造方法
【技术领域】
[0001]本公开涉及图像识别技术领域，尤其涉及一种人脸识别方法及装置。
【背景技术】
[0002]在以人脸为单位对用户相册进行分类的过程中，首先需要获取用户手机上传的全部照片，对全部照片进行人脸检测提取出人脸特征，将提取的人脸特征依次与已分类的人脸进行相似性度量，将具有相似性特征的照片划分到同一个人脸相册中。在用户连拍多张照片的情形下，如果其中7张照片的人脸比较清晰，但是另外3张照片由于姿势以及光照等因素不能直接提取脸部特征，在此情形下，该3张照片的人脸识别会失败，从而影响人脸的识别率。
【发明内容】
[0003]为克服相关技术中存在的问题，本公开实施例提供一种人脸识别方法及装置，用以提尚人脸识别的准确率。
[0004]根据本公开实施例的第一方面，提供一种人脸识别方法，包括:
[0005]通过已训练的第一卷积神经网络提取照片中的第一人脸区域的第一组特征，所述第一组特征表示所述照片中的人脸特征，所述第一人脸区域由照片中的人脸所在的第一区域确定；
[0006]通过已训练的第二卷积神经网络提取所述照片中的第二人脸区域的第二组特征，所述第二人脸区域由照片中的人脸所在的第二区域确定，所述第二区域由所述第一区域向四周扩张设定像素宽度得到，所述第二组特征表示所述照片中的衣物特征；
[0007]合并所述第一组特征和所述第二组特征，对合并后的特征组合进行降维处理，得到第三组特征，其中，所述第三组特征的维数小于所述合并后的特征组合的维数；
[0008]根据所述第三组特征与已提取出的参考人脸特征的余弦距离确定所述照片中的人脸与所述参考人脸特征对应的人脸是否为同一人脸。
[0009]在一实施例中，所述方法还可包括:
[0010]将设定数量的第一组有标签人脸样本输入至未训练的第一卷积神经网络，对所述未训练的卷积神经网络的至少一个卷积层和至少一个全连接层进行训练；
[0011]在确定所述未训练的第一卷积神经网络中各节点之间的连接的最佳权重参数时，确定得到所述已训练的第一卷积神经网络；
[0012]将所述设定数量的第一组有标签人脸样本的四周进行扩张所述设定像素宽度的区域，得到第二组有标签人脸样本；
[0013]将所述设定数量的所述第二组有标签人脸样本输入至未训练的第二卷积神经网络，对所述未训练的第二卷积神经网络的至少一个卷积层和至少一个全连接层进行训练；
[0014]在确定所述未训练的第二卷积神经网络中各节点之间的连接的最佳权重参数时，确定得到所述已训练的第二卷积神经网络。
[0015]在一实施例中，所述方法还可包括:
[0016]通过所述已训练的第一卷积神经网络提取所述第一组有标签人脸样本的第一设定长度的特征参数；
[0017]通过所述已训练的第二卷积神经网络提取所述第二组有标签人脸样本的第二设定长度的特征参数；
[0018]合并所述第一设定长度的特征参数和所述第二设定长度的特征参数，将合并后的特征参数进行线性判别式分析LDA训练，得到所述LDA的第三设定长度的投影矩阵。
[0019]在一实施例中，所述根据所述第三组特征与已提取出的参考人脸特征的余弦距离确定所述照片中的人脸与所述参考人脸特征对应的人脸是否为同一人脸，可包括:
[0020]将所述第三组特征与已提取出的参考人脸特征的余弦距离与预设阈值进行比较；
[0021]如果所述余弦距离大于所述预设阈值，确定所述照片中的人脸与所述参考人脸特征对应的人脸为同一人脸；
[0022]如果所述余弦距离小于或者等于所述预设阈值，确定所述照片中的人脸与所述参考人脸特征对应的人脸为不同的人脸。
[0023]在一实施例中，所述方法还可包括:
[0024]检测所述照片上的人脸的特征点；
[0025]根据所述人脸的特征点从所述照片上确定所述人脸所在的所述第一区域以及对所述第一区域向四周扩张设定像素宽度得到第二区域；
[0026]根据预设参考特征点将所述第一区域进行仿射变换得到所述第一人脸区域，所述第一人脸区域的大小与所述第一卷积神经网络的输入层的维数相同；
[0027]根据所述预设参考特征点将所述第二区域进行仿射变换得到所述第二人脸区域，所述第二人脸区域的大小与所述第二卷积神经网络的输入层的维数相同。
[0028]根据本公开实施例的第二方面，提供一种人脸识别装置，包括:
[0029]第一提取模块，被配置为通过已训练的第一卷积神经网络提取照片中的第一人脸区域的第一组特征，所述第一组特征表示所述照片中的人脸特征，所述第一人脸区域由照片中的人脸所在的第一区域确定；
[0030]第二提取模块，被配置为通过已训练的第二卷积神经网络提取所述照片中的第二人脸区域的第二组特征，所述第二人脸区域由照片中的人脸所在的第二区域确定，所述第二区域由所述第一区域向四周扩张设定像素宽度得到，所述第二组特征表示所述照片中的衣物特征；
[0031]第一处理模块，被配置为合并所述第一提取模块提取到的所述第一组特征和所述第二提取模块提取到的所述第二组特征，对合并后的特征组合进行降维处理，得到第三组特征，其中，所述第三组特征的维数小于所述合并后的特征组合的维数；
[0032]第一确定模块，被配置为根据所述第一处理模块合并后的所述第三组特征与已提取出的参考人脸特征的余弦距离确定所述照片中的人脸与所述参考人脸特征对应的人脸是否为同一人脸。
[0033]在一实施例中，所述装置还可包括:
[0034]第一训练模块，被配置为将设定数量的第一组有标签人脸样本输入至未训练的第一卷积神经网络，对所述未训练的卷积神经网络的至少一个卷积层和至少一个全连接层进行训练；
[0035]第二确定模块，被配置为在确定所述未训练的第一卷积神经网络中各节点之间的连接的最佳权重参数时，确定通过所述第一训练模块得到所述已训练的第一卷积神经网络;
[0036]区域扩张模块，被配置为将所述设定数量的第一组有标签人脸样本的四周进行扩张所述设定像素宽度的区域，得到第二组有标签人脸样本；
[0037]第二训练模块，被配置为将所述设定数量的所述第二组有标签人脸样本输入至未训练的第二卷积神经网络，对所述未训练的第二卷积神经网络的至少一个卷积层和至少一个全连接层进行训练；
[0038]第三确定模块，被配置为在确定所述未训练的第二卷积神经网络中各节点之间的连接的最佳权重参数时，确定通过所述第二训练模块得到所述已训练的第二卷积神经网络。
[0039]在一实施例中，所述装置还可包括:
[0040]第三提取模块，被配置为通过所述第二确定模块确定的所述已训练的第一卷积神经网络提取所述第一组有标签人脸样本的第一设定长度的特征参数；
[0041]第四提取模块，被配置为通过所述已训练的第二卷积神经网络提取所述第二组有标签人脸样本的第二设定长度的特征参数；
[0042]第二处理模块，被配置为合并所述第三提取模块提取的所述第一设定长度的特征参数和所述第四提取模块提取的所述第二设定长度的特征参数，将合并后的特征参数进行线性判别式分析LDA训练，得到所述LDA的第三设定长度的投影矩阵。
[0043]在一实施例中，所述第一确定模块可包括:
[0044]比较子模块，被配置为将所述第一处理模块合并后的所述第三组特征与已提取出的参考人脸特征的余弦距离与预设阈值进行比较；
[0045]第一确定子模块，被配置为如果所述比较子模块的比较结果表示所述余弦距离大于所述预设阈值，确定所述照片中的人脸与所述参考人脸特征对应的人脸为同一人脸；
[0046]第二确定子模块，被配置为如果所述比较子模块的比较结果表示所述余弦距离小于或者等于所述预设阈值，确定所述照片中的人脸与所述参考人脸特征对应的人脸为不同的人脸。
[0047]在一实施例中，所述装置还可包括:
[0048]检测模块，被配置为检测所述照片上的人脸的特征点；
[0049]第四确定模块，被配置为根据所述检测模块检测到的所述人脸的特征点从所述照片上确定所述人脸所在的所述第一区域以及对所述第一区域向四周扩张设定像素宽度得到所述第二区域；
[0050]第一变换模块，被配置为根据预设参考特征点将所述第四确定模块确定的所述第一区域进行仿射变换得到所述第一人脸区域，所述第一人脸区域的大小与所述第一卷积神经网络的输入层的维数相同；
[0051]第二变换模块，被配置为根据所述预设参考特征点将所述第四确定模块确定的所述第二区域进行仿射变换得到所述第二人脸区域，所述第二人脸区域的大小与所述第二卷积神经网络的输入层的维数相同。
[0052]根据本公开实施例的第三方面，提供一种人脸识别装置，包括:
[0053]处理器；
[0054]用于存储处理器可执行指令的存储器；
[0055]其中，所述处理器被配置为:
[0056]通过已训练的第一卷积神经网络提取照片中的第一人脸区域的第一组特征，所述第一组特征表示所述照片中的人脸特征，所述第一人脸区域由照片中的人脸所在的第一区域确定；
[0057]通过已训练的第二卷积神经网络提取所述照片中的第二人脸区域的第二组特征，所述第二人脸区域由照片中的人脸所在的第二区域确定，所述第二区域由所述第一区域向四周扩张设定像素宽度得到，所述第二组特征表示所述照片中的衣物特征；
[0058]合并所述第一组特征和所述第二组特征，对合并后的特征组合进行降维处理，得到第三组特征，