【技术实现步骤摘要】
本专利技术涉及人脸比对识别，具体涉及一种基于深度特征联合的人脸比对识别方法、设备及介质。
技术介绍
1、人脸识别，是基于人脸照片进行面部特征提取，然后识别身份信息的一种机器视觉识别技术。近年来，随着深度神经网络的快速发展以及在人脸识别领域中的应用，使得人脸识别的效果得到很大地提升。并且，人脸识别技术已经广泛应用于金融、教育、公安、医疗等众多领域，现有的人脸识别通常只获取二维平面中各面部特征数据的相似值作为识别结果，较多地适用于正面识别，但是实际视频获取的图像中，由于拍摄位置的变化，通常只能获取特定角度下的人脸数据，该特定角度下的人脸数据可能存在部分五官缺失、五官分布位置与平面数据存在差异等问题，一般在现有的二维平面人脸识别方法使用前，需要逐帧寻找包含完整正脸五官的图像数据，这样的方式费时费力，难以满足使用需求。
技术实现思路
1、为了克服上述缺陷，本专利技术提供了一种基于深度特征联合的人脸比对识别方法、设备及介质，本专利技术能够轻松对不同拍摄角度下人脸数据进行识别，能够提高识别的精准度和鲁棒性，为人脸识别技术的应用和发展做出了改进。
2、一种基于深度特征联合的人脸比对识别方法，包括以下步骤：
3、获取预设人脸图像数据，所述预设人脸图像数据包括预设人脸正脸数据和预设人脸侧脸数据，采集所述预设人脸图像数据的局部特征，建立三维空间坐标系；
4、获取待识别人脸数据的取像空间位置，所述取像空间位置为假设的摄像设备与待识别人脸数据相对中心坐标在三维空间坐标系
5、采用cnn网络结构对所述定位图像数据和所述待识别人脸数据进行比对，输出所述待识别人脸数据与所述定位图像数据的相似值作为识别结果。
6、作为优选地，所述建立三维空间坐标系时，具体由以下步骤求得：
7、采集所述预设人脸图像数据的局部特征，所述局部特征包括：左眼眼珠、右眼眼珠、鼻尖、嘴角、下巴、左耳垂和右耳垂；
8、以所述预设人脸图像数据的正脸数据建立二维直角坐标系，所述二维直角坐标系以所述预设人脸图像数据的右耳垂为原点，以所述右耳垂向顶部的方向建立y轴，以所述右耳垂指向左耳垂的方向建立x轴；
9、以所述预设人脸图像数据的侧脸数据中右耳垂朝向鼻尖的水平方向建立z轴，结合所述二维直角坐标系和z轴，建立三维空间坐标系，所述x轴、y轴和z轴的单位长度为相邻两个像素点的距离值。
10、作为优选地，获取待识别人脸数据相对中心坐标时，具体包括以下步骤：
11、将所述待识别人脸数据的局部特征点代入所述三维空间坐标系中，根据所述局部特征点在三维空间坐标系中的坐标，计算所述待识别人脸数据的人脸数据相对中心坐标。
12、作为优选地，所述计算所述待识别人脸数据的人脸数据相对中心坐标时，具体采用以下公式计算：
13、
14、为相对中心坐标在所述三维空间坐标系中的坐标，为第i个局部特征点在三维空间坐标系中x轴上与原点的距离，为第i个局部特征点在三维空间坐标系中y轴上与原点的距离，为第i个局部特征点在三维空间坐标系中z轴上与原点的距离，为所述待识别人脸数据的局部特征点数量，为动态卷积核操作。
15、作为优选地，所述获取待识别人脸数据的取像空间位置时，具体包括以下步骤：
16、获取所述待识别人脸数据的局部特征点中鼻尖的特征点坐标和相对中心坐标；
17、计算所述鼻尖特征点坐标与所述相对中心坐标之间的向量夹角，即为所述待识别人脸数据的取像空间位置。
18、作为优选地，得出预设人脸图像数据在相同取像空间位置的定位图像数据时，具体包括以下步骤：
19、使所述预设人脸图像数据的鼻尖特征点坐标与所述相对中心坐标之间的向量夹角与所述取像空间位置一致；
20、获取所述预设人脸图像数据在以取像空间位置为观察点形成的二维图像数据，作为所述定位图像数据。
21、作为优选地，所述采用cnn网络结构对所述定位图像数据和所述待识别人脸数据进行比对，输出所述待识别人脸数据与所述定位图像数据的相似值作为识别结果时，具体包括以下步骤：
22、采用多尺度矩形框截取所述人脸3d图像数据的多部分图像，将所述多部分图像整合为训练集，利用训练集对cnn网络进行训练，获得第一训练模型；
23、将两个具有相同参数的第一训练模型结合形成双线性联合cnn网络，两个cnn模型各自的全链接层则替换为一个联合的三层全链接层，这个三层全链接层的输入是由两个初始cnn最后一层卷积－池化层输出矩阵相乘获得，最后一层的softmax多类分类器结构更换成用于判断是否为同一人脸的二分类器，然后这三层全链接层的参数均初始化为零均值、方差为σ的高斯分布随机值；
24、将训练集中的人脸图像进行两两配对，分别输入所述双线性联合cnn网络的两端，经过多次迭代微调以后，获得用于人脸数据进行比对的双线性cnn模型；
25、将所述定位图像数据和所述待识别人脸数据分别输入所述双线性cnn模型中，采用多尺度多通道多区域的方式所截取的参考人脸图像与检测人脸图像采用三层深度自编码网络进行特征二分类，获取特征二分类结果作为相似值。
26、作为优选地，所述微调为：先固定双线性cnn模型其中一边结构的参数，然后对另一边cnn模型的参数使用梯度下降法进行调整。
27、第二方面，提供一种电子设备，包括存储器、处理器，所述存储器上存储有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实现所述的基于深度特征联合的人脸比对识别方法的步骤。
28、第三方面，提供一种具有处理器可执行的非易失的程序代码的计算机可读介质，其特征在于，所述程序代码使所述处理器执行所述的基于深度特征联合的人脸比对识别方法。
29、本专利技术的有益效果体现在：
30、本专利技术中通过获取预设人脸图像数据的局部特征以及其在三维空间坐标系的空间组成，将待识别人脸数据的代入三维空间坐标系中，并获取待识别人脸数据的相对中心坐标，进一步通过相对中心坐标获取拍摄角度，即取像空间位置，再回到定位图像数据上，获取预设人脸图像数据在相同取像空间位置下的二维图像，并与待识别人脸数据进行比对，从而能够轻松对不同拍摄角度下人脸数据进行识别，能够提高识别的精准度和鲁棒性，为人脸识别技术的应用和发展做出了改进。
本文档来自技高网...【技术保护点】
1.一种基于深度特征联合的人脸比对识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于深度特征联合的人脸比对识别方法，其特征在于，所述建立三维空间坐标系时，具体由以下步骤求得：
3.根据权利要求2所述的基于深度特征联合的人脸比对识别方法，其特征在于，获取待识别人脸数据相对中心坐标时，具体包括以下步骤：
4.根据权利要求3所述的基于深度特征联合的人脸比对识别方法，其特征在于，所述计算所述待识别人脸数据的人脸数据相对中心坐标时，具体采用以下公式计算：
5.根据权利要求3所述的基于深度特征联合的人脸比对识别方法，其特征在于，所述获取待识别人脸数据的取像空间位置时，具体包括以下步骤：
6.根据权利要求5所述的基于深度特征联合的人脸比对识别方法，其特征在于，得出预设人脸图像数据在相同取像空间位置的定位图像数据时，具体包括以下步骤：
7.根据权利要求6所述的基于深度特征联合的人脸比对识别方法，其特征在于，所述采用CNN网络结构对所述定位图像数据和所述待识别人脸数据进行比对，输出所述待识别人脸数据与所述定位图
8.根据权利要求7所述的基于深度特征联合的人脸比对识别方法，其特征在于，所述微调为：先固定双线性CNN模型其中一边结构的参数，然后对另一边CNN模型的参数使用梯度下降法进行调整。
9.一种电子设备，包括存储器、处理器，所述存储器上存储有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实现上述权利要求1至8中任一项所述的基于深度特征联合的人脸比对识别方法的步骤。
10.一种具有处理器可执行的非易失的程序代码的计算机可读介质，其特征在于，所述程序代码使所述处理器执行权利要求1至8中任一项所述的基于深度特征联合的人脸比对识别方法。
...【技术特征摘要】
1.一种基于深度特征联合的人脸比对识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于深度特征联合的人脸比对识别方法，其特征在于，所述建立三维空间坐标系时，具体由以下步骤求得：
3.根据权利要求2所述的基于深度特征联合的人脸比对识别方法，其特征在于，获取待识别人脸数据相对中心坐标时，具体包括以下步骤：
4.根据权利要求3所述的基于深度特征联合的人脸比对识别方法，其特征在于，所述计算所述待识别人脸数据的人脸数据相对中心坐标时，具体采用以下公式计算：
5.根据权利要求3所述的基于深度特征联合的人脸比对识别方法，其特征在于，所述获取待识别人脸数据的取像空间位置时，具体包括以下步骤：
6.根据权利要求5所述的基于深度特征联合的人脸比对识别方法，其特征在于，得出预设人脸图像数据在相同取像空间位置的定位图像数据时，具体包括以下步骤：
7...
【专利技术属性】
技术研发人员：杨冬，喻新星，
申请(专利权)人：成都云智天下科技股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。