人脸识别方法、装置及存储介质

    公开(公告)号:CN109829448A

    公开(公告)日:2019-05-31

    申请号:CN201910171072.5

    申请日:2019-03-07

    IPC分类号: G06K9/00 G06K9/62

    摘要: 本申请涉及一种人脸识别方法、装置及存储介质,属于图像处理技术领域,该方法包括:对目标图像进行分块处理,得到至少两块图像块;将每块图像块输入对应的特征提取网络,得到每块图像块的特征向量;对于每块图像块,基于图像块的特征向量的模值计算图像块的比对权重;对于每块图像块,计算图像块与对应的模板图像块的相似度;使用比对权重与相似度计算至少两块图像块相似度的加权平均值;在加权平均值大于或等于相似度阈值时,确定目标图像中的人脸与模板图像块所属的模板图像中的人脸属于同一人;可以解决使用遮挡判别网络判别被遮挡的图像块,导致人脸识别算法的识别效率较低的问题;可以提高致人脸识别算法的识别效率。

    人脸识别模型的训练方法、人脸识别方法及电子设备

    公开(公告)号:CN113887416A

    公开(公告)日:2022-01-04

    申请号:CN202111160624.6

    申请日:2021-09-30

    摘要: 本发明涉及人脸识别技术领域,具体涉及人脸识别模型的训练方法、人脸识别方法及电子设备,所述训练方法包括获取人脸样本图像以及各个所述人脸样本图像的目标标签;将所述人脸样本图像输入人脸识别模型中的特征提取模块进行特征提取,得到多个特征图;将所述多个特征图输入所述人脸识别模型中的权重确定模块中进行特征处理,分别确定各个所述特征图对应的权重;基于所述多个特征图与所述对应的权重的融合结果,确定所述人脸识别模型的预测标签;根据所述目标标签以及所述预测标签的差异,对所述人脸识别模型的参数进行更新,确定目标人脸识别模型。通过赋予不同特征图不同的权重可以提高人脸识别模型的准确性。

    端到端的人脸识别方法、装置、设备及存储介质

    公开(公告)号:CN113269155A

    公开(公告)日:2021-08-17

    申请号:CN202110737748.X

    申请日:2021-06-28

    IPC分类号: G06K9/00 G06K9/46

    摘要: 本申请涉及一种端到端的人脸识别方法、装置、设备及存储介质,属于计算机技术领域,该方法包括:获取待进行人脸识别的至少一张目标图像;将目标图像输入预先训练的端到端的人脸识别模型,得到目标图像中的人脸框、人脸关键点位置和人脸标识向量;可以解决传统的人脸识别过程中,需要训练较多的模型,且模型部署过程复杂的问题;仅采用一个端到端的人脸识别模型就可完成人脸识别的全部过程,相较于采用三个网络模型进行人脸识别来说,可以缩短模型训练的时间,也方便了模型的部署。同时通过在人脸识别模型中加入标准化人脸提取算子,可以去除目标图像中对人脸识别无用或造成干扰冗余信息,可以提高人脸识别网络部分对识别人脸标识向量的准确性。

    端到端的人脸识别方法、装置、设备及存储介质

    公开(公告)号:CN113269155B

    公开(公告)日:2024-07-16

    申请号:CN202110737748.X

    申请日:2021-06-28

    摘要: 本申请涉及一种端到端的人脸识别方法、装置、设备及存储介质,属于计算机技术领域,该方法包括:获取待进行人脸识别的至少一张目标图像;将目标图像输入预先训练的端到端的人脸识别模型,得到目标图像中的人脸框、人脸关键点位置和人脸标识向量;可以解决传统的人脸识别过程中,需要训练较多的模型,且模型部署过程复杂的问题;仅采用一个端到端的人脸识别模型就可完成人脸识别的全部过程,相较于采用三个网络模型进行人脸识别来说,可以缩短模型训练的时间,也方便了模型的部署。同时通过在人脸识别模型中加入标准化人脸提取算子,可以去除目标图像中对人脸识别无用或造成干扰冗余信息,可以提高人脸识别网络部分对识别人脸标识向量的准确性。

    人脸识别方法、装置及存储介质

    公开(公告)号:CN109829448B

    公开(公告)日:2021-05-28

    申请号:CN201910171072.5

    申请日:2019-03-07

    IPC分类号: G06K9/00 G06K9/62

    摘要: 本申请涉及一种人脸识别方法、装置及存储介质,属于图像处理技术领域,该方法包括:对目标图像进行分块处理,得到至少两块图像块;将每块图像块输入对应的特征提取网络,得到每块图像块的特征向量;对于每块图像块,基于图像块的特征向量的模值计算图像块的比对权重;对于每块图像块,计算图像块与对应的模板图像块的相似度;使用比对权重与相似度计算至少两块图像块相似度的加权平均值;在加权平均值大于或等于相似度阈值时,确定目标图像中的人脸与模板图像块所属的模板图像中的人脸属于同一人;可以解决使用遮挡判别网络判别被遮挡的图像块,导致人脸识别算法的识别效率较低的问题;可以提高致人脸识别算法的识别效率。

    图像生成方法、训练方法、装置、设备以及存储介质

    公开(公告)号:CN116468673A

    公开(公告)日:2023-07-21

    申请号:CN202310299152.5

    申请日:2023-03-24

    摘要: 本申请提供一种图像生成方法、训练方法、装置、设备以及存储介质,图像生成方法包括:将第一高斯噪声作为准图像数据;迭代执行N次图像生成步骤,图像生成步骤包括:将目标图像标签以及准图像数据输入至经训练的噪声预测网络;响应于目标图像标签不属于噪声预测网络的图像标签集合,按各特征提取层的输入特征通道数自第二高斯噪声中采样噪声向量作为目标图像标签的身份标识,以作为对应特征提取层的输入数据;获取噪声预测网络的输出向量;随机生成第三高斯噪声;根据准图像数据、输出向量以及第三高斯噪声更新准图像数据;将经过N次图像生成步骤获得的更新的准图像数据作为具有目标图像标签的图像数据。本申请扩充所生成的图像数据的标签。

    多类目标对象检测方法、装置、电子设备、存储介质

    公开(公告)号:CN109784293A

    公开(公告)日:2019-05-21

    申请号:CN201910070496.2

    申请日:2019-01-24

    IPC分类号: G06K9/00 G06N3/04

    摘要: 本发明提供一种多类目标对象检测方法、装置、电子设备、存储介质,多类目标对象检测方法,包括:训练第一神经网络模型以使第一神经网络模型输出准第一目标框和准第二目标框,准第一目标框指示第一类目标对象,准第二目标框指示第二类目标对象;训练第二神经网络模型,以使第二神经网络模型输出准第一目标框和准第二目标框的二级置信度及属性信息;将经训练的第一神经网络模型及经训练的、第二神经网络模型作为多类目标对象检测模型;将待检测图片输入多类目标对象检测模型,根据多类目标对象检测模型输出的准第一目标框和准第二目标框的二级置信度及属性信息确定优异度。本发明提供的方法及设备实现多类对象的同时检测。

    人脸识别模型生成和人脸识别方法、系统、设备及介质

    公开(公告)号:CN112001372B

    公开(公告)日:2023-02-03

    申请号:CN202011061455.6

    申请日:2020-09-30

    摘要: 本发明提供了一种人脸识别模型生成和人脸识别方法、系统、设备及介质,所述方法包括步骤:基于第一训练集对预设的人脸识别模型进行训练,生成初始人脸识别模型;其中,所述第一训练集为无遮挡人脸样本图像集;基于第二训练集,继续对所述初始人脸识别模型进行训练,生成目标人脸识别模型;所述第二训练集包含有遮挡人脸样本图像和无遮挡人脸样本图像;所述有遮挡人脸样本图像通过无遮挡人脸样本图像和目标掩码图像合成得到;本申请减小了人脸识别过程中,人脸识别模型对显卡显存资源的占用。

    识别模型的训练方法、识别方法、装置及电子设备

    公开(公告)号:CN112560791B

    公开(公告)日:2022-08-09

    申请号:CN202011582051.1

    申请日:2020-12-28

    摘要: 本发明涉及图像处理技术领域,具体涉及识别模型的训练方法、识别方法、装置及电子设备,所述训练方法包括获取第一样本图像及其对应的第二样本图像,第一样本图像的图像质量高于第二样本图像的图像质量;将第一样本图像输入教师网络中,得到第一特征;将第二样本图像输入识别模型中,得到第二特征,识别模型依次包括第一图像质量转换网络以及学生网络;基于第一图像质量转换网络输出的图像以及第一样本图像,确定图像损失;根据第一特征与第二特征的特征损失以及图像损失,对识别模型的参数进行更新,以确定目标识别模型。利用教师网络指导识别网络的训练,提高了识别网络在复杂环境下的识别准确性。