[发明专利]人脸识别方法、装置、电子设备及存储介质在审
申请号: | 202310256322.1 | 申请日: | 2023-03-07 |
公开(公告)号: | CN116434299A | 公开(公告)日: | 2023-07-14 |
发明(设计)人: | 苏伟聪;王亚立;乔宇 | 申请(专利权)人: | 中国科学院深圳先进技术研究院 |
主分类号: | G06V40/16 | 分类号: | G06V40/16;G06V10/82 |
代理公司: | 深圳五邻知识产权代理事务所(普通合伙) 44590 | 代理人: | 胡明 |
地址: | 518000 广东省深圳市*** | 国省代码: | 广东;44 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 识别 方法 装置 电子设备 存储 介质 | ||
1.一种人脸识别方法,其特征在于,所述方法包括:
获取人脸图像,并分别捕捉人脸图像在细粒度的核心表示和粗粒度的上下文表示,得到相应的原子令牌和整体令牌;
根据得到的原子令牌和整体令牌,学习所述人脸图像中不同人脸区域之间的关系,得到所述人脸图像的关系特征图;
通过残差连接,由所述人脸图像的关系特征图与输入特征图,得到所述人脸图像的输出特征图;
根据所述输出特征图对所述人脸图像进行人脸识别,得到人脸识别结果。
2.如权利要求1所述的方法,其特征在于,所述分别捕捉人脸图像在细粒度的核心表示和粗粒度的上下文表示,得到相应的原子令牌和整体令牌,包括:
对获取到的人脸图像进行特征提取得到输入特征图;
将所述输入特征图分割为若干特征块,对各所述特征块分别进行平均池化处理,得到若干原子令牌;每个所述特征块对应一个原子令牌;
对所述输入特征图进行卷积处理得到关于所述人脸图像中人脸区域的分割掩码,并根据所述分割掩码将所述输入特征图转换为整体令牌。
3.如权利要求1所述的方法,其特征在于,所述根据得到的原子令牌和整体令牌,学习所述人脸图像中不同人脸区域之间的关系,得到所述人脸图像的关系特征图,包括:
将所述原子令牌和整体令牌分别进行全连接后拼接,得到混合令牌;
利用编码器学习所述混合令牌之间的特征关系;
将所述特征关系转换至所述输入特征图所在的特征空间,得到所述人脸图像的关系特征图。
4.如权利要求3所述的方法,其特征在于,所述将特征关系转换至所述输入特征图所在的特征空间,得到所述人脸图像的关系特征图,包括:
对所述特征关系进行全连接并按照所述人脸图像中人脸区域的个数压缩,得到特征令牌;
将所述特征令牌与关于所述人脸图像中人脸区域的分割掩码相乘,得到所述人脸图像的关系特征图。
5.如权利要求1所述的方法,其特征在于,所述通过残差连接,由所述人脸图像的关系特征图与输入特征图,得到所述人脸图像的输出特征图,包括:
将所述人脸图像的关系特征图与所述输入特征图相加,得到所述人脸图像的输出特征图。
6.如权利要求1至5任一项所述的方法,其特征在于,所述人脸识别结果是调用人脸识别模型得到的,所述人脸识别模型是经过训练、具有对所述人脸图像的人脸进行识别的能力的机器学习模型;
其中,利用原子令牌和整体令牌学习所述人脸图像中不同人脸区域之间的关系,是通过插入所述人脸识别模型中的混合令牌模块实现的。
7.如权利要求6所述的方法,其特征在于,按照所述人脸识别模型的类型和/或所述人脸识别模型中的不同阶段设置设定尺寸,使得所述人脸图像的输入特征图能够分割为若干特征块。
8.一种人脸识别装置,其特征在于,所述装置包括:
令牌获取模块,用于获取人脸图像,并分别捕捉人脸图像在细粒度的核心表示和粗粒度的上下文表示,得到相应的原子令牌和整体令牌;
关系学习模块,用于根据所述得到的原子令牌和整体令牌,学习所述人脸图像中不同人脸区域之间的关系,得到所述人脸图像的关系特征图;
特征输出模块,用于通过残差连接,由所述人脸图像的关系特征图与输入特征图,得到所述人脸图像的输出特征图;
人脸识别模块,用于根据所述输出特征图对所述人脸图像进行人脸识别,得到人脸识别结果。
9.一种电子设备,其特征在于,包括:至少一个处理器、至少一个存储器、以及至少一条通信总线,其中,
所述存储器上存储有计算机程序,所述处理器通过所述通信总线读取所述存储器中的所述计算机程序;
所述计算机程序被所述处理器执行时实现权利要求1至7中任一项所述的人脸识别方法。
10.一种存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的人脸识别方法。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于中国科学院深圳先进技术研究院,未经中国科学院深圳先进技术研究院许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/202310256322.1/1.html,转载请声明来源钻瓜专利网。