[发明专利]一种跨姿态人脸识别方法

说明书

本发明提出一种跨姿态人脸识别方法，其中涉及人工智能技术领域，尤其涉及一种计算机视觉技术，方法包括：采集第一待识别人脸图像；将待识别人脸图像输入至预先构建的人脸生成网络，通过人脸生成网络获取第一待识别人脸图像的语义信息，并对第一待识别人脸图像的语义信息进行修正，根据修正后的语义信息生成第二待识别人脸图像，其中，第二待识别人脸图像包含的人脸特征信息多于第一待识别人脸图像包含的人脸特征信息；将第二待识别人脸图像输入至人脸识别网络，通过人脸识别网络对第二待识别人脸图像进行人脸识别，以获得第二待识别人脸图像对应的人脸识别结果，解决现有技术中人脸识别方法在大角度情况下性能受限的问题的技术问题。

技术领域

本发明涉及人工智能技术领域，尤其涉及一种计算机视觉技术。

背景技术

人脸识别，是人工智能领域的重要研究课题，在智慧安防、智慧城市、智慧商业、智能金融和智能家居等领域，具有重要的应用前景和商业价值。日常生活中，低头、转脸等头部运动会造成姿态过大，从而造成人脸显著特征的缺失，会严重损害人脸识别方法的性能。

现如今，有代表性的跨姿态人脸识别方法，主要分为三类：

人脸旋转：

代表性工作有TP-GAN、FF-GAN、CAPG-GAN、PIM、3D-PIM和FFWM等。这类工作期望通过将侧脸转正的方式，一方面减小侧脸与正脸之间的差异，另一方面期望生成器能够在转正的过程中补充侧脸丢失的信息。然而，将大角度侧脸转正，涉及到巨大的几何形变和像素改变，在这样剧烈的变化过程中保持住身份信息是一件非常困难的事情。同时，为了提升效果，这类方法的生成器网络通常非常复杂。这两点极大地限制了人脸旋转方法的落地。

人脸几何校正：

代表性工作有Alignment Learning和GridFace等。这类工作往往在人脸识别模型前加入一个人脸几何校正网络，并和后端人脸识别模型同时进行end-to-end训练。由于后端人脸识别模型需要同时进行优化，需要在大规模人脸数据上重新进行训练，因此训练成本较高。同时，大角度人脸进行几何变换时保持住身份信息仍然较为困难。

特征映射：

代表性工作有DREAM。该方法从人脸识别模型学到的特征出发，对已经学错的特征重新进行变换，最终识别性能提升有限。

发明内容

本发明旨在至少在一定程度上解决相关技术中的技术问题之一。

为此，本发明的第一个目的在于提出一种一种跨姿态人脸识别方法，解决了现有人脸识别方法在大角度情况下性能受限的问题，极大的提升后端人脸识别模型的性能；

本发明的第二个目的在于提出一种跨姿态人脸识别装置；

本发明的第三个目的在于提出一种计算机设备；

本发明的第四个目的在于提出一种非临时性计算机可读存储介质。

为达上述目的，本发明第一方面实施例提出了一种跨姿态人脸识别方法，包括：

采集第一待识别人脸图像；

将所述待识别人脸图像输入至预先构建的人脸生成网络，通过所述人脸生成网络获取所述第一待识别人脸图像的语义信息，并对所述第一待识别人脸图像的语义信息进行修正，根据修正后的语义信息生成第二待识别人脸图像，其中，所述第二待识别人脸图像包含的人脸特征信息多于所述第一待识别人脸图像包含的人脸特征信息；

将所述第二待识别人脸图像输入至人脸识别网络，通过所述人脸识别网络对所述第二待识别人脸图像进行人脸识别，以获得所述第二待识别人脸图像对应的人脸识别结果。

可选地，在本申请实施例中，在所述将所述待识别人脸图像输入至预先构建的人脸生成网络之前，还包括：