人脸识别的方法、装置及存储介质与流程

本申请属于生物特征识别领域，特别是涉及一种人脸识别的方法、装置及存储介质。

背景技术：

1、随着神经网络技术的发展，基于神经网络的人脸识别技术已经在安全监控、智能门禁等领域得到广泛应用。基于神经网络的人脸识别模型大都依托于大规模的人脸数据训练而成，通过具有庞大参数的神经网络模型对人脸特征进行提取和学习，从而实现对人脸的有效识别。但是，现有的人脸识别模型，其准确度还有待提高。

2、传统提高人脸识别模型准确度的方法，往往从模型的结构、训练数据增广等方面进行改进，但是这类改进方法，需要重新训练神经网络模型，操作不便，并且需要消耗大量的计算资源，对用于训练模型的设备有一定的性能要求。

3、因此，如何高效提高人脸识别模型的准确度是亟待解决的技术问题。

技术实现思路

1、本申请的目的在于提供一种人脸识别的方法、装置及存储介质，能够高效提高人脸识别模型的准确度。

2、第一方面，本申请实施例提供了一种人脸识别的方法，该方法包括：

3、获取待识别人脸图像；

4、对待识别人脸图像进行特征提取，得到待识别人脸特征；

5、从待识别人脸特征中剔除与平均干扰特征重合的特征分量，得到嵌入特征，平均干扰特征是对不可识别特征集的所有不可识别人脸特征进行求和平均得到的，其中，不可识别特征集包括多个不可识别人脸特征；

6、将嵌入特征作为用于人脸识别的特征，并得到人脸识别结果。

7、本申请实施例通过从待识别人脸特征中剔除了与平均干扰特征重合的特征分量，得到嵌入特征，该嵌入特征与平均干扰特征形成正交关系，消除了原始的待识别人脸特征中的对识别过程产生负面影响的特征向量。相较于原始的人脸特征，嵌入特征更能聚焦于人脸图像中的有效信息。因此，将嵌入特征作为用来识别的特征，能够更易区分和比对人脸，从而降低识别的错误率，并且，本申请实施例的方法是在原始的识别模型的基础上，对特征提取得到的人脸特征进行了特征增强，这一过程并未改变原始的网络结构和训练数据，故而无需再次训练识别模型。本申请实施例的方法不仅能够高效提高识别模型的准确度，同时，对于搭载该识别模型的电子设备而言，本申请实施例的方法也不会带来新的计算负担。

8、在第一方面的一种可能的实现方式中，从待识别人脸特征中剔除与平均干扰特征重合的特征分量，得到嵌入特征，包括以下步骤：

9、将待识别人脸特征投影到平均干扰特征向量方向上，得到投影特征，该投影特征是与平均干扰特征重合的特征分量；

10、将待识别人脸特征与投影特征相减，得到嵌入特征。

11、在这种实现方式中，平均干扰特征是以特征向量的形式，表征人脸图像中对识别模型识别出正确结果产生干扰的因素。通过去除原始人脸特征中存在的平均干扰特征的影响，能够对原始的待识别人脸特征进行特征增强。

12、在第一方面的一种可能的实现方式中，投影特征满足下面的公式：

13、

14、其中，fi表示第i个待识别人脸特征，表示平均干扰特征，pfi表示第i个待识别人脸特征对应的投影特征，运算符<*,*>表示内积运算。

15、在第一方面的一种可能的实现方式中，嵌入特征满足下面的公式：

16、efi＝fi-pfi，

17、其中，fi表示第i个待识别人脸特征，pfi表示第i个待识别人脸特征对应的投影特征，efi表示第i个待识别人脸特征对应的嵌入特征。

18、在第一方面的一种可能的实现方式中，该方法还包括：

19、获取多张不可识别图像；

20、利用人脸检测模型，对不可识别图像进行人脸检测，得到不可识别人脸图像；

21、将不可识别人脸图像进行归一化，得到归一化后的人脸图像；

22、对归一化后的人脸图像进行特征提取，得到不可识别人脸特征，并将多个不可识别人脸特征的集合确定为不可识别特征集。

23、在这种实现方式中，生成的不可识别特征集是用来得到平均干扰特征的，再利用平均干扰特征对原始的待识别人脸特征进行提纯。相较于传统方法在特征提取后直接进行分类识别，利用不可识别特征集得到的平均干扰特征，可以使得提纯后的特征更易被识别得到待识别人脸图像对应的正确的身份标签。

24、在第一方面的一种可能的实现方式中，待识别人脸图像是利用人脸检测模型处理得到的。

25、在第一方面的一种可能的实现方式中，平均干扰特征满足下面的公式：

26、

27、其中，表示平均干扰特征，n表示不可识别特征集的不可识别人脸特征的个数，sn表示不可识别特征集n个不可识别人脸特征之和。

28、第二方面，本申请还提供了一种人脸识别的装置，该装置具有实现第一方面或其任意可能的实现方式中的方法的功能。具体地，该装置包括实现第一方面或其任意可能的实现方式中的方法的单元。

29、在其中的一个实施例中，该装置包括：

30、图像获取单元，用于获取待识别人脸图像；

31、特征提取单元，用于对待识别人脸图像进行特征提取，得到待识别人脸特征；

32、特征增强单元，用于从待识别人脸特征中剔除与平均干扰特征重合的特征分量，得到嵌入特征，平均干扰特征是对不可识别特征集的所有不可识别人脸特征进行求和平均得到的，不可识别特征集包括多个不可识别人脸特征；

33、特征比对单元，用于将嵌入特征作为用于人脸识别的特征，并得到人脸识别结果。

34、第三方面，本申请还提供了一种电子设备。该电子设备包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序。处理器执行计算机程序时实现上述第一方面任意一种实现方式的方法。

35、第四方面，本申请还提供了一种计算机可读存储介质。计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现上述第一方面任意一种实现方式的方法。

36、第五方面，本申请还提供了一种计算机程序产品，当计算机程序产品在电子设备上运行时，使得电子设备执行上述第一方面任意一种实现方式的方法。

37、本申请实施例与现有技术相比存在的有益效果是：

38、本申请实施例中，通过从待识别人脸特征中剔除了与平均干扰特征重合的特征分量，得到嵌入特征，该嵌入特征与平均干扰特征形成正交关系，消除了原始的待识别人脸特征中的对识别过程产生负面影响的特征向量。相较于原始的人脸特征，嵌入特征更能聚焦于人脸图像中的有效信息。因此，将嵌入特征作为用来识别的特征，能够更易区分和比对人脸，从而降低识别的错误率。并且，本申请实施例的方法是在原始的识别模型的基础上，对特征提取得到的人脸特征进行了特征增强，这一过程并未改变原始的网络结构和训练数据，故而无需再次训练识别模型。本申请实施例的方法不仅能够高效提高识别模型的准确度，同时，对于搭载该识别模型的电子设备而言，本申请实施例的方法也不会带来新的计算负担。

技术特征：

1.一种人脸识别的方法，其特征在于，包括：

2.根据权利要求1所述的方法，其特征在于，所述从所述待识别人脸特征中剔除与平均干扰特征重合的特征分量，得到嵌入特征，包括：

3.根据权利要求2所述的方法，其特征在于，所述投影特征满足下面的公式：

4.根据权利要求1所述的方法，其特征在于，所述嵌入特征满足下面的公式：

5.根据权利要求1所述的方法，其特征在于，所述方法还包括：

6.根据权利要求1至5中任一项所述的方法，其特征在于，所述待识别人脸图像是利用所述人脸检测模型处理得到的。

7.根据权利要求1所述的方法，其特征在于，所述平均干扰特征满足下面的公式：

8.一种人脸识别的装置，其特征在于，包括：

9.一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时，使得所述电子设备实现如权利要求1至7中任一项所述的方法。

10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被电子设备执行时实现如权利要求1至7中任一项所述的方法。

技术总结
本申请公开了一种人脸识别的方法，包括以下步骤：获取待识别人脸图像；对待识别人脸图像进行特征提取，得到待识别人脸特征；从待识别人脸特征中剔除与平均干扰特征重合的特征分量，得到嵌入特征，平均干扰特征是对不可识别特征集的所有不可识别人脸特征进行求和平均得到的，其中，不可识别特征集包括多个不可识别人脸特征；将嵌入特征作为用于人脸识别的特征，并得到人脸识别结果。由于嵌入特征更能聚焦于人脸图像中的有效信息，因此，将嵌入特征作为用来识别的特征，能够更易区分和比对人脸，从而降低识别的错误率，提高准确度。

技术研发人员：杨奇,陈书楷
受保护的技术使用者：熵基科技股份有限公司
技术研发日：
技术公布日：2024/3/5