[发明专利]一种人脸识别的方法及设备

说明书

本申请实施例公开了一种人脸识别的方法及设备，属于计算机视觉领域，可应用在自动驾驶领域的智能汽车上，其中方法包括：获取第一人脸图像和第二人脸图像，所述第一人脸图像为摄像头获取的当前人脸图像，所述第二人脸图像为存储的参考人脸图像；判断所述第一人脸图像的模态与所述第二人脸图像的模态是否相同；若所述第一人脸图像的模态与所述第二人脸图像的模态不相同，则将所述第一人脸图像和所述第二人脸图像分别映射到跨模态空间，以得到所述第一人脸图像在所述跨模态空间的第一稀疏人脸特征和所述第二人脸图像在所述跨模态空间的第二稀疏人脸特征；根据所述第一稀疏人脸特征和所述第二稀疏人脸特征对所述第一人脸图像进行人脸识别。本申请实施例可以提高跨模态的人脸识别的速度。

技术领域

本申请涉及计算机技术领域，尤其涉及一种人脸识别的方法及设备。

背景技术

由于人脸识别这种基于生物特征的识别技术具有非接触性，在车载领域中具有广阔的发展和应用前景。车载人脸识别是指利用车辆内部摄像头进行身份确认或者身份查找的技术。传统的人脸识别技术获取的是可见光模态下的人脸图像，由于车载场景中经常会出现车库、夜间等照明不佳的场景，导致车载场景中利用可见光模态下的人脸图像进行人物身份识别的识别率较低，因此车载场景中大多数情况下采用的是不受环境光影响的近红外摄像头。

近红外摄像头会发出肉眼看不到的红外光去照亮被拍摄的物体，并形成由红外线反射所成的影像，因此即使是黑暗环境下仍可拍到肉眼看不到的影像，适用于车载场景。但是近红外摄像头和可见光摄像头拍摄的图像来自于不同的模态，由于不同模态的摄像头的感光过程不同，同一个物体在不同模态的摄像头下获取的图像会产生较大的差异，降低了车载人脸识别的识别率。比如，用户利用可见光模态下的人脸图像对车载设备进行了身份认证，在同一用户使用近红外模态下的人脸图像对相同的车载设备进行身份确认的情况下，由于近红外模态下的图像和可见光模态下的图像存在较大差异，很有可能出现用户身份无法确认成功的情况。

现阶段，跨模态的人脸识别方法大多数采用基于卷积神经网络的深度学习算法。该方法首先对可见光模态下的人脸图像和近红外模态下的人脸图像进行相同预处理，接着用预处理后的可见光模态下的人脸图像对深度卷积神经网络进行预训练，为跨模态图像的深度卷积神经网络训练提供先验知识。然后将可见光模态下的人脸图像和近红外模态下的人脸图像按照预设规则构成三元组，挑选出预训练的跨模态图像深度卷积神经网络中较难区分的难三元组；并将挑选出的难三元组输入预训练的跨模态图像深度卷积神经网络进行精调，反复迭代难三元组的选择、精调，直到跨模态图像深度卷积神经网络性能不再提升。最后利用训练好的跨模态图像深度卷积神经网络模型进行跨模态人脸识别。

难三元组是影响上述算法性能的重要因素。但在实际应用中，由于卷积神经网络的深度学习需要大量的训练数据，导致难样本三元组挑选困难，因此容易出现网络的过拟合现象，降低身份识别的识别率。同时，卷积神经网络的计算需要图形处理器(graphicsprocessing unit，GPU)的加速，在没有GPU的设备上，基于神经网络的算法运算速度较慢，无法达到实时性的要求。

发明内容

本申请实施例提供一种人脸识别的方法及设备，可以提高跨模态的人脸识别的速度，从而能够满足实时性的要求。

第一方面，本申请实施例提供了一种人脸识别的方法，该方法包括：获取第一人脸图像和第二人脸图像，所述第一人脸图像为摄像头获取的当前人脸图像，所述第二人脸图像为存储的参考人脸图像；判断所述第一人脸图像的模态与所述第二人脸图像的模态是否相同；若所述第一人脸图像的模态与所述第二人脸图像的模态不相同，则将所述第一人脸图像和所述第二人脸图像分别映射到跨模态空间，以得到所述第一人脸图像在所述跨模态空间的第一稀疏人脸特征和所述第二人脸图像在所述跨模态空间的第二稀疏人脸特征，所述跨模态空间为可以同时表征所述第一人脸图像的特征和所述第二人脸图像的特征的色彩空间；根据所述第一稀疏人脸特征和所述第二稀疏人脸特征对所述第一人脸图像进行人脸识别。