人脸特征表达方法及人脸识别方法技术

本发明专利技术提供一种人脸特征表达方法及人脸识别方法，引入了深层结构特征图，并将深层结构特征图中各节点表征的局部特征与全局特征向量相结合，可以使对待表达人脸图像的特征表达更加全面准确，为将特征表达应用于人脸识别时得到的识别结果提供显式的依据和理由，使识别结果的可解释性、可信度大为提升。可信度大为提升。可信度大为提升。

【技术实现步骤摘要】
人脸特征表达方法及人脸识别方法


[0001]本专利技术涉及特征表达及目标识别
，尤其涉及一种人脸特征表达方法及人脸识别方法。

技术介绍

[0002]目前，人脸识别是一种广泛应用的计算机视觉技术，其中人脸特征表达方法是人脸识别技术的核心问题，其目的在于将人脸图像映射为便于进行度量的特征表达。
[0003]现有的人脸特征表达方法通常直接利用卷积神经网络对人脸图像进行处理，得到人脸的特征表达，这相比于传统方法获得了更好的识别性能。但由特征表达得到的识别结果可解释性较差，不能给出该识别结果的理由和证据，从而限制了人脸识别方法在可靠性、安全性要求较高的场合的应用。
[0004]为此，现急需提供一种人脸特征表达方法。

技术实现思路

[0005]本专利技术提供一种人脸特征表达方法及人脸识别方法，用以解决现有技术中存在的缺陷。
[0006]本专利技术提供一种人脸特征表达方法，包括：
[0007]获取待表达人脸图像，并提取所述待表达人脸图像的浅层特征图；
[0008]生成所述浅层特征图对应的浅层结构特征图，并基于所述浅层结构特征图，确定所述待表达人脸图像对应的深层结构特征图；
[0009]基于所述浅层特征图，确定所述待表达人脸图像对应的全局特征向量，并基于所述深层结构特征图以及所述全局特征向量，对所述待表达人脸图像进行特征表达。
[0010]根据本专利技术提供的一种人脸特征表达方法，所述生成所述浅层特征图对应的浅层结构特征图，具体包括：
[0011]将所述浅层特征图输入至卷积神经网络模型，得到由所述卷积神经网络模型输出的所述浅层特征图中预设数量个用于生成所述浅层结构特征图的节点的位置坐标；
[0012]基于双线性插值方法，确定各节点的特征向量，并将所述特征向量作为所述浅层结构特征图的特征表达；
[0013]基于各节点的位置坐标之间的距离，确定所述浅层结构特征图的邻接矩阵；
[0014]其中，所述卷积神经网络模型基于携带有多个节点的位置坐标的浅层特征图样本训练得到。
[0015]根据本专利技术提供的一种人脸特征表达方法，所述基于所述浅层结构特征图，确定所述待表达人脸图像对应的深层结构特征图，具体包括：
[0016]将所述浅层结构特征图输入至图卷积网络模型，得到由所述图卷积网络模型输出的所述深层结构特征图；
[0017]其中，所述图卷积网络模型基于浅层结构特征图样本训练得到。
[0018]本专利技术还提供一种人脸识别方法，包括：
[0019]获取待识别人脸图像以及人脸图像库，所述人脸图像库中包含有多个比对图像；
[0020]基于上述所述的人脸特征表达方法，分别确定所述待识别人脸图像以及所述比对图像的人脸特征表达；
[0021]基于所述待识别人脸图像以及所述比对图像的人脸特征表达，将所述待识别人脸图像与所述比对图像进行匹配。
[0022]根据本专利技术提供的一种人脸识别方法，所述基于所述待识别人脸图像以及所述比对图像的人脸特征表达，将所述待识别人脸图像与所述比对图像进行匹配，具体包括：
[0023]将所述待识别人脸图像对应的第一类深层结构特征图中各第一类节点的特征向量与所述待识别人脸图像对应的第一类全局特征向量进行拼接，得到第一类语义描述向量，并将所述比对图像对应的第二类深层结构特征图中每个第二类节点的特征向量与所述比对图像对应的第二类全局特征向量进行拼接，得到第二类语义描述向量，计算所述第一类语义描述向量与所述第二类语义描述向量的第一距离；
[0024]计算所述第一类深层结构特征图的邻接矩阵与所述第二类深层结构特征图的邻接矩阵的第二距离，并基于所述第一距离以及所述第二距离，将所述待识别人脸图像与所述比对图像进行匹配。
[0025]根据本专利技术提供的一种人脸识别方法，所述将所述待识别人脸图像对应的第一类深层结构特征图中各第一类节点的特征向量与所述待识别人脸图像对应的第一类全局特征向量进行拼接，得到第一类语义描述向量，并将所述比对图像对应的第二类深层结构特征图中每个第二类节点的特征向量与所述比对图像对应的第二类全局特征向量进行拼接，得到第二类语义描述向量，之前包括：
[0026]确定包含有一个第一类节点和一个第二类节点的节点对的相似度，并确定相似度大于等于第一预设阈值的目标节点对，从所述第一类深层结构特征图中剔除所述目标节点对中的第一类节点，从所述第二类深层结构特征图中剔除所述目标节点对中的第二类节点。
[0027]根据本专利技术提供的一种人脸识别方法，所述计算所述第一类深层结构特征图的邻接矩阵与所述第二类深层结构特征图的邻接矩阵的第二距离，具体包括：
[0028]计算所述第一类深层结构特征图的邻接矩阵与所述第二类深层结构特征图的邻接矩阵的差值；
[0029]计算所述差值的F范数，并将所述F范数作为所述第二距离。
[0030]根据本专利技术提供的一种人脸识别方法，所述基于所述第一距离以及所述第二距离，将所述待识别人脸图像与所述比对图像进行匹配，具体包括：
[0031]对所述第一距离与所述第二距离进行求和，得到求和结果；
[0032]若判断获知所述求和结果小于等于第二预设阈值，则确定所述待识别人脸图像与所述比对图像匹配成功。
[0033]本专利技术还提供一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述任一种所述人脸特征表达方法或人脸识别方法的步骤。
[0034]本专利技术还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，所述计
算机程序被处理器执行时实现如上述任一种所述人脸特征表达方法或人脸识别方法的步骤。
[0035]本专利技术提供的人脸特征表达方法及人脸识别方法，引入了深层结构特征图，并将深层结构特征图中各节点表征的局部特征与全局特征向量相结合，可以使对待表达人脸图像的特征表达更加全面准确，为将特征表达应用于人脸识别时得到的识别结果提供显式的依据和理由，使识别结果的可解释性、可信度大为提升。
附图说明
[0036]为了更清楚地说明本专利技术或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0037]图1是本专利技术提供的人脸特征表达方法的流程示意图；
[0038]图2是本专利技术提供的人脸特征表达方法的完整流程示意图；
[0039]图3是本专利技术提供的人脸识别方法的流程示意图；
[0040]图4是本专利技术提供的人脸特征表达装置的结构示意图；
[0041]图5是本专利技术提供的人脸识别装置的结构示意图；
[0042]图6是本专利技术提供的电子设备的结构示意图。
具体实施方式
[0043]为使本专利技术的目的、技术方案和优点更加清楚本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种人脸特征表达方法，其特征在于，包括：获取待表达人脸图像，并提取所述待表达人脸图像的浅层特征图；生成所述浅层特征图对应的浅层结构特征图，并基于所述浅层结构特征图，确定所述待表达人脸图像对应的深层结构特征图；基于所述浅层特征图，确定所述待表达人脸图像对应的全局特征向量，并基于所述深层结构特征图以及所述全局特征向量，对所述待表达人脸图像进行特征表达。2.根据权利要求1所述的人脸特征表达方法，其特征在于，所述生成所述浅层特征图对应的浅层结构特征图，具体包括：将所述浅层特征图输入至卷积神经网络模型，得到由所述卷积神经网络模型输出的所述浅层特征图中预设数量个用于生成所述浅层结构特征图的节点的位置坐标；基于双线性插值方法，确定各节点的特征向量，并将所述特征向量作为所述浅层结构特征图的特征表达；基于各节点的位置坐标之间的距离，确定所述浅层结构特征图的邻接矩阵；其中，所述卷积神经网络模型基于携带有多个节点的位置坐标的浅层特征图样本训练得到。3.根据权利要求1所述的人脸特征表达方法，其特征在于，所述基于所述浅层结构特征图，确定所述待表达人脸图像对应的深层结构特征图，具体包括：将所述浅层结构特征图输入至图卷积网络模型，得到由所述图卷积网络模型输出的所述深层结构特征图；其中，所述图卷积网络模型基于浅层结构特征图样本训练得到。4.一种人脸识别方法，其特征在于，包括：获取待识别人脸图像以及人脸图像库，所述人脸图像库中包含有多个比对图像；基于如权利要求1
‑
3中任一项所述的人脸特征表达方法，分别确定所述待识别人脸图像以及所述比对图像的人脸特征表达；基于所述待识别人脸图像以及所述比对图像的人脸特征表达，将所述待识别人脸图像与所述比对图像进行匹配。5.根据权利要求4所述的人脸识别方法，其特征在于，所述基于所述待识别人脸图像以及所述比对图像的人脸特征表达，将所述待识别人脸图像与所述比对图像进行匹配，具体包括：将所述待识别人脸图像对应的第一类深层结构特征图中各第一类节点的特征向量与所述待识别人脸图像对应的第一类全局特征向量进行拼接，得到第一类语义描述向量，并将所述比对图像对应的第二类深层结构特征图中每个第二类节点的特征向量与所述比对图像对应的第二类全局特征向量进行拼接，得到第二...

【专利技术属性】
技术研发人员：刘金锁，华仁红，李琦，任民，李国志，罗旺，仲启磊，娄超，郝运河，程鼎，贾政，韩斌，王旭涛，尹建月，郝小龙，
申请(专利权)人：北京易达图灵科技有限公司中国科学院自动化研究所，
类型：发明
国别省市：