人脸识别方法和装置、处理器及电子设备制造方法及图纸

本申请公开了一种人脸识别方法和装置、处理器及电子设备，涉及人工智能技术领域。该方法包括：获取初始人脸图像，并对所述初始人脸图像进行预处理，得到灰度人脸图像；将所述灰度人脸图像输入到图像重构模型中，得到对抗人脸图像，其中，所述图像重构模型由特征选择网络和人脸重构网络构成；通过人脸识别模型对对抗人脸图像进行人脸识别，确定所述初始人脸图像对应的目标对象。通过本申请，解决了相关技术中通过大量的人脸对抗样本对人脸识别模型进行对抗训练，导致人脸识别模型泛化能力不足，进而造成人脸识别准确度比较低的问题。进而造成人脸识别准确度比较低的问题。进而造成人脸识别准确度比较低的问题。

【技术实现步骤摘要】
人脸识别方法和装置、处理器及电子设备


[0001]本申请涉及人工智能
，具体而言，涉及一种人脸识别方法和装置、处理器及电子设备。

技术介绍

[0002]人脸识别技术是目前的研究热点之一，广泛应用于零售、安防等领域。神经网络的出现使得人脸识别取得了长足的进步，在计算机视觉领域，它已经成为许多应用的主力军，特别是在对安全性要求较高的场景，如智能驾驶、人脸识别、语音助手等领域。对抗样本的存在已经对神经网络模型的安全性造成了严重的威胁。对抗样本的概念为，对人类视觉系统并不敏感的微小扰动，却能让神经网络过于敏感而产生错误的识别。目前现存的对抗样本防御方法分为：利用人脸对抗样本对人脸识别模型进行对抗训练，增强人脸识别模型的鲁棒性。但是该方法需要生成大量的人脸对抗样本，费时费力。同时，对于不在训练数据集里的人脸对抗样本，人脸识别模型对这些“没见过”的人脸对抗样本的鲁棒性非常差，即存在泛化能力不足的问题。
[0003]针对相关技术中通过大量的人脸对抗样本对人脸识别模型进行对抗训练，导致人脸识别模型泛化能力不足，进而造成人脸识别准确度比较低的问题，目前尚未提出有效的解决方案。

技术实现思路

[0004]本申请的主要目的在于提供一种人脸识别方法和装置、处理器及电子设备，以解决相关技术中通过大量的人脸对抗样本对人脸识别模型进行对抗训练，导致人脸识别模型泛化能力不足，进而造成人脸识别准确度比较低的问题。
[0005]为了实现上述目的，根据本申请的一个方面，提供了一种人脸识别方法。该方法包括：获取初始人脸图像，并对所述初始人脸图像进行预处理，得到灰度人脸图像；将所述灰度人脸图像输入到图像重构模型中，得到对抗人脸图像，其中，所述图像重构模型由特征选择网络和人脸重构网络构成；通过人脸识别模型对对抗人脸图像进行人脸识别，确定所述初始人脸图像对应的目标对象。
[0006]进一步地，对所述初始人脸图像进行预处理，得到灰度人脸图像包括：基于主动形状模型对所述初始人脸图像中的人脸进行对齐处理，得到处理后的初始人脸图像；对所述处理后的初始人脸图像进行灰度转换，得到所述灰度人脸图像。
[0007]进一步地，基于主动形状模型对所述初始人脸图像中的人脸进行对齐处理，得到处理后的初始人脸图像包括：对所述初始人脸图像中的人脸特征点进行定位，得到定位信息；依据所述定位信息对所述初始人脸图像中的人脸进行对齐处理，得到所述处理后的初始人脸图像。
[0008]进一步地，将所述灰度人脸图像输入到图像重构模型中，得到对抗人脸图像包括：通过所述特征选择网络对所述灰度人脸图进行处理，得到多个深度特征向量和每个深度特
征向量的选择概率；所述人脸重构网络依据所述多个深度特征向量和每个深度特征向量的选择概率进行人脸重构，以得到所述对抗人脸图像。
[0009]进一步地，所述特征选择网络包括：降噪编码网络、特征向量处理网络和概率转换网络，通过所述特征选择网络对所述灰度人脸图进行处理，得到多个深度特征向量和每个深度特征向量的选择概率包括：通过所述降噪编码网络对所述灰度人脸图进行降噪处理，得到降噪后的灰度人脸图；通过特征向量处理网络对所述降噪后的灰度人脸图进行特征提取，得到多个深度特征向量；通过所述概率转换网络对所述多个深度特征向量进行选择，输出每个深度特征向量的选择概率。
[0010]进一步地，所述人脸重构网络依据所述多个深度特征向量和每个深度特征向量的选择概率进行人脸重构，以得到所述对抗人脸图像包括：依据伯努利分布对所述深度特征向量和每个深度特征向量的选择概率进行蒙特卡洛采样，得到特征向量矩阵；对所述初始人脸图像中的像素进行计算，得到像素平均值；依据所述特征向量矩阵和所述像素平均值进行重构，以得到所述对抗人脸图像。
[0011]进一步地，通过人脸识别模型对对抗人脸图像进行人脸识别，确定所述初始人脸图像对应的目标对象包括：通过人脸识别模型提取所述对抗人脸图像中的第一特征向量；对所述第一特征向量和数据库中存储的人脸图像的第二特征向量进行相似度计算，得到相似度值；依据所述相似度值，确定所述初始人脸图像对应的目标对象。
[0012]为了实现上述目的，根据本申请的另一方面，提供了一种人脸识别装置。该装置包括：获取单元，用于获取初始人脸图像，并对所述初始人脸图像进行预处理，得到灰度人脸图像；处理单元，用于将所述灰度人脸图像输入到图像重构模型中，得到对抗人脸图像，其中，所述图像重构模型由特征选择网络和人脸重构网络构成；识别单元，用于通过人脸识别模型对对抗人脸图像进行人脸识别，确定所述初始人脸图像对应的目标对象。
[0013]进一步地，所述获取单元包括：第一处理子单元，用于基于主动形状模型对所述初始人脸图像中的人脸进行对齐处理，得到处理后的初始人脸图像；转换子单元，用于对所述处理后的初始人脸图像进行灰度转换，得到所述灰度人脸图像。
[0014]进一步地，所述处理子单元包括：定位模块，用于对所述初始人脸图像中的人脸特征点进行定位，得到定位信息；第一处理模块，用于依据所述定位信息对所述初始人脸图像中的人脸进行对齐处理，得到所述处理后的初始人脸图像。
[0015]进一步地，所述处理单元包括：第二处理子单元，用于通过所述特征选择网络对所述灰度人脸图进行处理，得到多个深度特征向量和每个深度特征向量的选择概率；重构子单元，用于所述人脸重构网络依据所述多个深度特征向量和每个深度特征向量的选择概率进行人脸重构，以得到所述对抗人脸图像。
[0016]进一步地，所述特征选择网络包括：降噪编码网络、特征向量处理网络和概率转换网络，所述第二处理子单元包括：第二处理模块，用于通过所述降噪编码网络对所述灰度人脸图进行降噪处理，得到降噪后的灰度人脸图；提取模块，用于通过特征向量处理网络对所述降噪后的灰度人脸图进行特征提取，得到多个深度特征向量；选择模块，用于通过所述概率转换网络对所述多个深度特征向量进行选择，输出每个深度特征向量的选择概率。
[0017]进一步地，所述重构子单元包括：采样模块，用于依据伯努利分布对所述深度特征向量和每个深度特征向量的选择概率进行蒙特卡洛采样，得到特征向量矩阵；计算模块，用
于对所述初始人脸图像中的像素进行计算，得到像素平均值；重构模块，用于依据所述特征向量矩阵和所述像素平均值进行重构，以得到所述对抗人脸图像。
[0018]进一步地，所述识别单元包括：提取子单元，用于通过人脸识别模型提取所述对抗人脸图像中的第一特征向量；计算子单元，用于对所述第一特征向量和数据库中存储的人脸图像的第二特征向量进行相似度计算，得到相似度值；确定子单元，用于依据所述相似度值，确定所述初始人脸图像对应的目标对象。
[0019]为了实现上述目的，根据本申请的一个方面，提供了一种处理器，处理器用于运行程序，其中，所述程序运行时执行上述任意一项所述的人脸识别方法。
[0020]为了实现上述目的，根据本申请的一个方面，提供了一种电子设备，电子设备包括一个或多个处理器和存储器，存储器用于存储一个或多个处本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种人脸识别方法，其特征在于，包括：获取初始人脸图像，并对所述初始人脸图像进行预处理，得到灰度人脸图像；将所述灰度人脸图像输入到图像重构模型中，得到对抗人脸图像，其中，所述图像重构模型由特征选择网络和人脸重构网络构成；通过人脸识别模型对对抗人脸图像进行人脸识别，确定所述初始人脸图像对应的目标对象。2.根据权利要求1所述的方法，其特征在于，对所述初始人脸图像进行预处理，得到灰度人脸图像包括：基于主动形状模型对所述初始人脸图像中的人脸进行对齐处理，得到处理后的初始人脸图像；对所述处理后的初始人脸图像进行灰度转换，得到所述灰度人脸图像。3.根据权利要求2所述的方法，其特征在于，基于主动形状模型对所述初始人脸图像中的人脸进行对齐处理，得到处理后的初始人脸图像包括：对所述初始人脸图像中的人脸特征点进行定位，得到定位信息；依据所述定位信息对所述初始人脸图像中的人脸进行对齐处理，得到所述处理后的初始人脸图像。4.根据权利要求1所述的方法，其特征在于，将所述灰度人脸图像输入到图像重构模型中，得到对抗人脸图像包括：通过所述特征选择网络对所述灰度人脸图进行处理，得到多个深度特征向量和每个深度特征向量的选择概率；所述人脸重构网络依据所述多个深度特征向量和每个深度特征向量的选择概率进行人脸重构，以得到所述对抗人脸图像。5.根据权利要求4所述的方法，其特征在于，所述特征选择网络包括：降噪编码网络、特征向量处理网络和概率转换网络，通过所述特征选择网络对所述灰度人脸图进行处理，得到多个深度特征向量和每个深度特征向量的选择概率包括：通过所述降噪编码网络对所述灰度人脸图进行降噪处理，得到降噪后的灰度人脸图；通过特征向量处理网络对所述降噪后的灰度人脸图进行特征提取，得到多个深度特征向量；通过...

【专利技术属性】
技术研发人员：张锦元，林晓锐，刘唱，左金柱，
申请(专利权)人：中国工商银行股份有限公司，
类型：发明
国别省市：