[发明专利]一种人脸识别方法及装置

说明书

本发明实施例公开了一种人脸识别方法及装置，方法包括提取当前待识别人脸图像的Haar特征，并利用ADaBoost分类器检测该待识别人脸图像的人脸区域，从而获取人脸区域图像；利用卷积神经网络模型对人脸区域图像进行多尺度特征提取，得到人脸区域图像的特征向量；将特征向量、预先构建合法人脸数据库、预设用户相似度阈值输入预先基于Softmax损失函数及Triplet损失函数构建的多任务学习模型中，根据多任务学习模型的输出值以判定所述待识别人脸图像是否为合法用户。提取的特征具有好的鲁棒性及好的泛化能力，不仅提高了人脸识别的速率，还提高了人脸识别的准确度，从而提高身份鉴别的安全性。

技术领域

本发明实施例涉及图像处理技术领域，特别是涉及一种人脸识别方法及装置。

背景技术

随着计算机技术与图像处理技术的飞跃发展，由于人脸与人体的其它生物特征(例如指纹、虹膜等)一样与生俱来，它的唯一性和不易复制等良好特性为身份鉴别提供了必要的前提，故其在公共安全领域得到了广泛的应用。人脸识别技术为一种利用分析比较人脸视觉特征信息，以进行身份鉴别的计算机技术。

人脸识别是用摄像机或摄像头采集含有人脸的图像或视频流，并自动在图像中检测并跟踪人脸，进而对检测到的人脸的相关特征信息进行提取，然后根据相关特征信息进行识别，以此实现身份的鉴别。各类人脸识别的关键在于提取人脸数据中与身份相关的本质特征，减弱甚至消除与身份不相关的信息，例如环境光照、姿势、表情以及饰物。

现有技术中，根据伪造人脸和真实人脸在物理特性上的不同，例如人脸面部运动和生理性运动，表面反射特性或颜色纹理差异等，通过一些图像处理及变换技术，使两者之间的差异显著化，最后进行一个简单的机器学习分类任务便可分辨真伪，即识别为照片还是真实人脸。然而上述方法多依靠人工进行提取特征，不仅费时费力，而且很大程度上依靠经验或先验知识，整体系统识别的效率较低，无法得到好的泛化效果，人工参与无法避免会提取错误的特征，从而导致整体人脸识别的准确度降低。

故，如何提高人脸识别的准确度，从而提高身份鉴别的安全性，是本领域技术人员亟待解决的问题。

发明内容

本发明实施例的目的是提供一种人脸识别方法及装置，以提高人脸识别的准确率。

为解决上述技术问题，本发明实施例提供以下技术方案：

本发明实施例一方面提供了一种人脸识别方法，包括：

获取图像采集设备采集的当前待识别人脸图像，并提取所述待识别人脸图像的Haar特征，根据所述Haar特征利用ADaBoost分类器检测所述待识别人脸图像的人脸区域，以获取人脸区域图像；

利用卷积神经网络模型对所述人脸区域图像进行多尺度特征提取，以获取所述人脸区域图像的特征向量；

将所述特征向量、预先构建合法人脸数据库、预设用户相似度阈值输入预先基于Softmax损失函数及Triplet损失函数构建的多任务学习模型中，根据所述多任务学习模型的输出值以判定所述待识别人脸图像是否为合法用户。

可选的，所述将根据所述多任务学习模型的输出值以判定所述待识别人脸图像是否为合法用户包括：

接收用户输入的权衡因子，根据所述权衡因子对所述多任务学习模型进行设置；

根据所述权衡因子的执行多任务学习模型中的各个单任务，根据各个所述单任务的输出，以判定所述待识别人脸图像是否为合法用户。

可选的，所述根据所述权衡因子的执行多任务学习模型中的各个单任务，根据各个所述单任务的输出，以判定所述待识别人脸图像是否为合法用户包括：