[发明专利]一种人脸识别方法、装置及存储介质

说明书

本发明公开了一种人脸识别方法和装置，该方法包括以下步骤：S1：通过人脸检测算法检测待识别图片，提取出人脸图像；S2：通过卷积神经网络构建人脸正侧脸分类器来判断人脸图像是正脸图像还是侧脸图像；S3：若人脸图像是侧脸图像，则通过生成对抗网络将侧脸图像转化为正脸图像，并通过深度学习算法分别提取出侧脸图像和正脸图像的人脸特征向量，然后将侧脸图像的侧脸特征向量和正脸图像的正脸特征向量进行特征融合生成融合向量；S4：利用融合向量进行人脸比对识别。本方法及装置不仅可以有效识别正侧脸，还可以对侧脸图像进行准确的识别。

技术领域

本发明涉及人脸识别领域，具体涉及一种人脸识别方法、装置及存储介质。

背景技术

人脸识别技术是人工智能机器视觉领域重要研究方向之一，最近几年由于人工智能相关领域技术的快速发展和不断突破，人脸识别技术已经发展得非常成熟，因此被广泛应用于安防、交通、金融、医疗等行业领域。

人脸识别技术可以分为两部分：人脸检测和人脸识别。人脸检测技术是对图像或视频采用目标检测技术检测人脸，并将检测到的人脸裁剪用于识别。人脸识别技术是通过深度学习算法将人脸图片进行特征提取，用N维度的特征向量表示人脸的特征点，将两个人脸的相似度的比对转换为计算两个N维度特征向量的相似度。人脸图像脸部的清晰度跟完整度会直接影响人脸识别的效果，在很多不可控的环境下，获取的人脸很多是侧脸图片。相对于正脸图片，侧脸图片的脸部特征丢失比较严重，人脸特征不全，因此导致实际应用中人脸识别的效果不好。而且随着抓拍图等情况下，图像采集过后可能获取到的是正脸也有可能是侧脸，基于这种情况下，判断正脸及侧脸也是具有一定的难度。

目前对侧脸的人脸识别有两种方式：1.侧脸图像的识别方式和正脸图像一样，采用深度学习算法直接对侧脸图像进行特征提取和比对识别；2.用生成对抗网络(GAN)深度学习模型将侧脸图像转化成正脸图像，然后对转化后的正脸图像提取特征和比对识别。上面两种方式有如下不足：方式1侧脸图像本身携带脸部特征不完全，部分特征丢失，导致实际应用中人脸识别效果不好。方式2虽然通过GAN技术将侧脸图像转化为正脸图像，用转化后的正脸图像进行人脸识别，虽然用GAN技术补全一部分人脸特征，但丢弃了原来侧脸图像携带的那部分有效真实的特征，因此导致通过GAN转换后的正脸图像的人脸特征的识别效果不好。

发明内容

针对上述提到采集图像的人脸识别技术中识别难度大，正脸及侧脸分类困难，侧脸人脸特征丢失、准确度不高等问题，本申请的实施例的目的在于提出了一种人脸识别方法、装置及存储介质，来解决以上背景技术部分提到的技术问题。

第一方面，本申请实施例提供了一种人脸识别方法，包括以下步骤：

S1：通过人脸检测算法检测待识别图片，提取出人脸图像；

S2：通过卷积神经网络构建人脸正侧脸分类器来判断人脸图像是正脸图像还是侧脸图像；

S3：若人脸图像是侧脸图像，则通过生成对抗网络将侧脸图像转化为正脸图像，并通过深度学习算法分别提取出侧脸图像和正脸图像的人脸特征向量，然后将侧脸图像的侧脸特征向量和正脸图像的正脸特征向量进行特征融合生成融合向量；

S4：利用融合向量进行人脸比对识别。

在一些实施例中，步骤S2包括以下步骤：