【技術實現步驟摘要】
本公開涉及圖像處理，特別涉及一種人臉識別方法、裝置和電子設備。
技術介紹
1、人臉識別是根據人臉的圖像來判定人的身份信息，相比指紋識別等生物特征識別，人臉識別有著圖像容易采集、無接觸、識別結果容易人工核驗等優勢。隨著電子商務、電子支付的快速發展，人臉識別得到了廣泛應用。同時在智慧小區、智慧園區等，基于人臉識別的刷臉門禁也得到了廣泛的使用。人臉識別已經是一種廣泛使用的視覺智能技術。
2、隨著深度學習技術的快速發展，人臉識別的精度有了很大的提高。但在自然條件(沒有遮光或者補光)下，采集的人臉圖像可能由于光照的原因，會出現圖像亮度過高或者過低的情況，特別是在圖像亮度過低情況下，人臉很難直接識別，導致人臉識別的準確性下降，從而影響人臉識別的應用落地。
技術實現思路
1、有鑒于此，本公開提供一種人臉識別方法、裝置和電子設備，以提升光照原因導致的人臉圖像亮度不理想，特別是人臉圖像亮度過低情況下的人臉識別的準確性。
2、本公開的技術方案是這樣實現的：
3、一種人臉識別方法，包括：
4、獲取人臉圖像；
5、將所述人臉圖像輸入亮度處理網絡模型，通過所述亮度處理網絡模型得到亮度處理后的亮度修正圖像；
6、將所述亮度修正圖像輸入特征提取網絡模型，通過所述特征提取網絡模型得到關聯于所述人臉圖像的特征數據；
7、將所述特征數據與事先存儲的人臉特征數據進行比對，得到人臉識別結果。
8、進一步，所述人臉識別方法還包括
9、獲取人臉樣本數據集，所述人臉樣本數據集包含多個人臉樣本圖像；
10、將所述人臉樣本數據集中的全部人臉樣本圖像分別輸入待訓練亮度處理網絡模型，通過所述待訓練亮度處理網絡模型得到分別對應于每一個所述人臉樣本圖像的亮度修正樣本圖像；
11、將全部所述亮度修正樣本圖像分別輸入待訓練特征提取網絡模型，通過所述待訓練特征提取網絡模型得到分別對應于每一個所述人臉樣本圖像的特征預測數據；
12、將全部所述特征預測數據分別輸入待訓練身份分類器，通過所述待訓練身份分類器得到分別對應于每一個所述人臉樣本圖像的身份預測結果；
13、根據所述亮度修正樣本圖像和所述人臉樣本圖像，得到所述亮度修正樣本圖像和所述人臉樣本圖像之間的光照平滑損失，其中，所述亮度修正樣本圖像對應于所述人臉樣本圖像；
14、根據全部所述特征預測數據和每一個所述人臉樣本圖像所屬的光照聚類中心，得到同一人不同光照聚類中心人臉特征損失和不同人相同光照聚類中心人臉特征損失；
15、根據所述身份預測結果和所述人臉樣本圖像的身份標簽，得到人臉身份分類損失，其中，所述身份預測結果對應于所述人臉樣本圖像；
16、根據所述光照平滑損失、所述同一人不同光照聚類中心人臉特征損失、所述不同人相同光照聚類中心人臉特征損失和所述人臉身份分類損失，得到總體損失；
17、根據所述總體損失對包含所述待訓練亮度處理網絡模型、所述待訓練特征提取網絡模型和所述待訓練身份分類器的網絡模型進行訓練，得到所述亮度處理網絡模型和所述特征提取網絡模型。
18、進一步，所述根據全部所述特征預測數據和每一個所述人臉樣本圖像所屬的光照聚類中心，得到同一人不同光照聚類中心人臉特征損失和不同人相同光照聚類中心人臉特征損失，包括：
19、根據每一個所述人臉樣本圖像所屬的光照聚類中心，從所述人臉樣本數據集中得到屬于同一人臉且分屬于不同光照聚類中心的第一人臉樣本圖像對，以及分屬于不同人臉且屬于相同光照聚類中心的第二人臉樣本圖像對；
20、根據所述第一人臉樣本圖像對中的兩個人臉樣本圖像依次經過所述待訓練亮度處理網絡模型和所述待訓練特征提取網絡模型推理所得到的兩個特征預測數據，得到所述同一人不同光照聚類中心人臉特征損失；
21、根據所述第二人臉樣本圖像對中的兩個人臉樣本圖像依次經過所述待訓練亮度處理網絡模型和所述待訓練特征提取網絡模型推理所得到的兩個特征預測數據，得到所述不同人相同光照聚類中心人臉特征損失。
22、進一步，所述人臉識別方法還包括：
23、根據多個所述人臉樣本圖像的光照聚類處理所得到的多個光照聚類中心，得到每一個所述人臉樣本圖像所屬的光照聚類中心。
24、進一步，所述光照聚類處理包括：
25、將所述人臉樣本圖像歸一化到設定尺寸，得到歸一化人臉樣本圖像；
26、將所述歸一化人臉樣本圖像劃分為多個尺寸相同的光照區域；
27、從所述歸一化人臉樣本圖像中獲取每個所述光照區域的光照特征；
28、根據每個所述光照區域的光照特征得到所述人臉樣本圖像的整體光照特征；
29、將所述人臉樣本數據集中全部所述人臉樣本圖像的整體光照特征進行聚類，得到多個所述光照聚類中心；
30、根據每一個所述人臉樣本圖像的整體光照特征和多個所述光照聚類中心，得到每一個所述人臉樣本圖像所屬的光照聚類中心。
31、進一步，所述根據所述第一人臉樣本圖像對中的兩個人臉樣本圖像依次經過所述待訓練亮度處理網絡模型和所述待訓練特征提取網絡模型推理所得到的兩個特征預測數據，得到所述同一人不同光照聚類中心人臉特征損失，包括：
32、通過下式得到歸一化特征預測數據：
33、fni＝fi/norm(fi)
34、fnj＝fj/norm(fj)
35、其中，fni表示所述第一人臉樣本圖像對中的一個人臉樣本圖像的歸一化特征預測數據，fnj表示所述第一人臉樣本圖像對中的另一個人臉樣本圖像的歸一化特征預測數據，norm(x)表示對向量x取模，fi表示所述第一人臉樣本圖像對中的一個人臉樣本圖像的特征預測數據，fj表示所述第一人臉樣本圖像對中的另一個人臉樣本圖像的特征預測數據；
36、通過下式得到所述第一人臉樣本圖像對中兩個人臉樣本圖像的特征預測數據之間的損失：
37、lsame_ij＝1-fni*fnj
38、其中，lsame_ij為所述第一人臉樣本圖像對中兩個人臉樣本圖像的特征預測數據之間的損失；
39、通過下式得到所述同一人不同光照聚類中心人臉特征損失：
40、lsame＝∑lsame_ij
41、其中，lsame表示所述同一人不同光照聚類中心人臉特征損失，ij表示所述人臉樣本數據集中的全部第一人臉樣本圖像對。
42、進一步，所述根據所述第二人臉樣本圖像對中的兩個人臉樣本圖像依次經過所述待訓練亮度處理網絡模型和所述待訓練特征提取網絡模型推理所得到的兩個特征預測數據，得到所述不同人相同光照聚類中心人臉特征損失，包括：
43、通過下式得到歸一化特征預測數據：
44、fnk＝fk/norm(fk)
45、fnl＝fl/norm(fl)
46、其中，fnk表示所本文檔來自技高網...
【技術保護點】
1.一種人臉識別方法，包括：
2.根據權利要求1所述的人臉識別方法，其特征在于，所述人臉識別方法還包括：
3.根據權利要求2所述的人臉識別方法，其特征在于，所述根據全部所述特征預測數據和每一個所述人臉樣本圖像所屬的光照聚類中心，得到同一人不同光照聚類中心人臉特征損失和不同人相同光照聚類中心人臉特征損失，包括：
4.根據權利要求2所述的人臉識別方法，其特征在于，所述人臉識別方法還包括：
5.根據權利要求4所述的人臉識別方法，其特征在于，所述光照聚類處理包括：
6.根據權利要求3所述的人臉識別方法，其特征在于，所述根據所述第一人臉樣本圖像對中的兩個人臉樣本圖像依次經過所述待訓練亮度處理網絡模型和所述待訓練特征提取網絡模型推理所得到的兩個特征預測數據，得到所述同一人不同光照聚類中心人臉特征損失，包括：
7.根據權利要求3所述的人臉識別方法，其特征在于，所述根據所述第二人臉樣本圖像對中的兩個人臉樣本圖像依次經過所述待訓練亮度處理網絡模型和所述待訓練特征提取網絡模型推理所得到的兩個特征預測數據，得到所述不同人相同光照聚
8.根據權利要求2所述的人臉識別方法，其特征在于，所述根據所述光照平滑損失、所述同一人不同光照聚類中心人臉特征損失、所述不同人相同光照聚類中心人臉特征損失和所述人臉身份分類損失，得到總體損失，包括：
9.一種人臉識別裝置，其特征在于，包括：
10.一種電子設備，其特征在于，包括：
...【技術特征摘要】
1.一種人臉識別方法，包括：
2.根據權利要求1所述的人臉識別方法，其特征在于，所述人臉識別方法還包括：
3.根據權利要求2所述的人臉識別方法，其特征在于，所述根據全部所述特征預測數據和每一個所述人臉樣本圖像所屬的光照聚類中心，得到同一人不同光照聚類中心人臉特征損失和不同人相同光照聚類中心人臉特征損失，包括：
4.根據權利要求2所述的人臉識別方法，其特征在于，所述人臉識別方法還包括：
5.根據權利要求4所述的人臉識別方法，其特征在于，所述光照聚類處理包括：
6.根據權利要求3所述的人臉識別方法，其特征在于，所述根據所述第一人臉樣本圖像對中的兩個人臉樣本圖像依次經過所述待訓練亮度處理網絡模型和所述待訓練特...
【專利技術屬性】
技術研發人員：范曉，艾國，楊作興，
申請(專利權)人：深圳比特微電子科技有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。