[发明专利]对象识别方法及装置

说明书

技术领域

本公开涉及计算机技术领域，尤其涉及一种对象识别方法及装置。

背景技术

随着深度卷积神经网络(Depth convolution neural network，DCNN)在物体分类、物体检测、自然语言理解等方面的应用，特征识别(例如人脸识别)算法也从传统的基于人工设计特征和分类器的阶段，前进到了采用深度卷积神经网络提取特征和分类的阶段。完整的深度卷积神经网络通常由不同类型的层依次连接而成，这些层包括卷积层、激活层、池化层、全连接层等。

在相关技术中，在通过特征识别(例如人脸识别)进行验证时，如果待识别图像中加入了其他对象，例如待识别的人脸佩戴有眼镜，而已存储的人脸未佩戴眼镜，则可能特征识别失败，导致验证不成功。

发明内容

为克服相关技术中存在的问题，本公开提供一种对象识别方法及装置。

根据本公开实施例的第一方面，提供一种对象识别方法，包括：

对待识别图像进行归一化处理，获取归一化后的待识别图像；

根据深度卷积神经网络模型，确定所述归一化后的待识别图像中第一目标对象的多个特征点的位置；

根据所述第一目标对象的多个特征点的位置，确定所述第一目标对象的位置。

对于以上方法，在一种可能的实现方式中，所述方法还包括：

根据所述第一目标对象的位置，对所述归一化后的待识别图像中的第二目标对象进行识别，

其中，在所述归一化后的待识别图像中，所述第一目标对象对所述第二目标对象有遮挡。

对于以上方法，在一种可能的实现方式中，所述深度卷积神经网络模型包括一个全连接层。

对于以上方法，在一种可能的实现方式中，所述深度卷积神经网络模型包括多个卷积层，每个卷积层包括3×3的卷积核。

对于以上方法，在一种可能的实现方式中，所述方法还包括：

针对归一化后的参考图像，采用深度卷积神经网络模型确定所述归一化后的参考图像中第一目标对象的多个特征点的预测位置；

根据所述预测位置以及所述第一目标对象的多个特征点的参考位置，确定所述深度卷积神经网络模型的目标函数值；

根据所述目标函数值，对所述深度卷积神经网络模型的参数权重进行调整，确定调整后的深度卷积神经网络模型；

在调整后的深度卷积神经网络模型的目标函数满足预测条件时，将所述调整后的深度卷积神经网络模型确定为最终的深度卷积神经网络模型。

对于以上方法，在一种可能的实现方式中，所述深度卷积神经网络模型的目标函数包括L2范数损失函数。

根据本公开实施例的第二方面，提供一种对象识别装置，包括：

归一化模块，用于对待识别图像进行归一化处理，获取归一化后的待识别图像；

第一位置确定模块，用于根据深度卷积神经网络模型，确定所述归一化后的待识别图像中第一目标对象的多个特征点的位置；

第二位置确定模块，用于根据所述第一目标对象的多个特征点的位置，确定所述第一目标对象的位置。

对于以上装置，在一种可能的实现方式中，所述装置还包括：

对象识别模块，用于根据所述第一目标对象的位置，对所述归一化后的待识别图像中的第二目标对象进行识别，

其中，在所述归一化后的待识别图像中，所述第一目标对象对所述第二目标对象有遮挡。

对于以上装置，在一种可能的实现方式中，所述深度卷积神经网络模型包括一个全连接层，

对于以上装置，在一种可能的实现方式中，所述深度卷积神经网络模型包括多个卷积层，每个卷积层包括3×3的卷积核。

对于以上装置，在一种可能的实现方式中，所述装置还包括：

预测位置确定模块，用于针对归一化后的参考图像，采用深度卷积神经网络模型确定所述归一化后的参考图像中第一目标对象的多个特征点的预测位置；

函数值确定模块，用于根据所述预测位置以及所述第一目标对象的多个特征点的参考位置，确定所述深度卷积神经网络模型的目标函数值；

权重调整模块，用于根据所述目标函数值，对所述深度卷积神经网络模型的参数权重进行调整，确定调整后的深度卷积神经网络模型；

模型确定模块，用于在调整后的深度卷积神经网络模型的目标函数满足预测条件时，将所述调整后的深度卷积神经网络模型确定为最终的深度卷积神经网络模型。

对于以上装置，在一种可能的实现方式中，所述深度卷积神经网络模型的目标函数包括L2范数损失函数。