基于摄像头的人脸识别方法、装置、设备及存储介质与流程

1.本技术属于图像处理技术领域，尤其涉及一种基于摄像头的人脸识别方法、装置、设备及存储介质。


背景技术：

2.人脸识别，是基于人的脸部特征信息进行身份识别的一种生物识别技术。除了安防、金融这两大领域外，人脸识别还在交通、教育、医疗、警务、电子商务等诸多场景实现了广泛应用，且呈现出显著应用价值。人脸识别技术这些年已经发生了重大的变化。传统方法依赖于人工设计的特征(比如边和纹理描述量)与机器学习技术(比如主成分分析、线性判别分析或支持向量机)的组合。人工设计在无约束环境中对不同变化情况稳健的特征是很困难的，这使得过去的研究者侧重研究针对每种变化类型的专用方法，比如能应对不同年龄的方法、能应对不同姿势的方法、能应对不同光照条件的方法等，近段时间，传统的人脸识别方法已经被基于卷积神经网络(cnn)的深度学习模型接替。
3.然而即使采用前沿的深度学习模型应用于人脸识别领域，通常将单一纬度的单体摄像头采集的信息作为输入和建模，在复杂环境下，就容易导致人脸识别准确率低的问题。


技术实现要素：

4.有鉴于此，本技术旨在提出一种基于摄像头的人脸识别方法、装置、设备及存储介质，以解决目前采用单体摄像头进行人脸识别准确率低的问题。
5.为达到上述目的，本技术的技术方案是这样实现的：
6.本技术提供了一种基于摄像头的人脸识别方法，所述方法包括：
7.获取多个不同方位摄像头采集的人像信息；
8.基于获取的所述人像信息，通过人脸识别角度检测算法确定人脸角度，基于所述人脸角度执行人脸识别预测策略，以得到人脸识别准确率；
9.基于所述人脸识别准确率和各维度摄像信息构建结构化表格数据；
10.将所述结构化表格数据输入至预先训练好的机器学习模型中，输出人脸识别结果。
11.进一步地，所述获取多个不同方位摄像头采集的人像信息，包括：
12.在不同采集方位布置多个单体摄像头，所述单体摄像头对待检测对象进行人像捕捉，获取人脸图像；
13.提取所述人脸图像的人脸特征信息，将所述人脸特征信息输入至预先训练好的深度神经网络模型中，得到人像信息。
14.进一步地，获取的所述人脸图像包括实时视频帧或人像图片。
15.进一步地，所述人脸特征信息至少包括：眉毛、黑眼球、鼻尖、鼻孔、上嘴唇、下嘴唇和嘴角。
16.进一步地，所述对所述人像图片提取人脸特征信息，将所述人脸特征信息输入至
预先训练好的深度神经网络模型中，得到人像信息，包括：
17.将包含所述人脸特征信息的数据集划分为训练集、验证集和测试集，对构建好的深度神经网络模型进行模型性能训练、验证和测试；
18.响应于所述深度神经网络模型的输出准确率大于预设阈值，得到所述人像信息。
19.进一步地，所述基于获取的所述人像信息，通过人脸识别角度检测算法确定人脸角度，基于所述人脸角度执行人脸识别预测策略，以得到人脸识别准确率，包括：
20.确定人脸角度，各维度单体摄像头按照权重投票机制输出人脸识别预测结果，将所述人脸识别预测结果作为正确结果进行归档，并根据归档结果进行模型校正；
21.对多个所述预测结果进行比对，确定人脸识别准确率。
22.进一步地，所述各维度摄像信息至少包括单体摄像头参数信息、摄像角度和摄像地光影条件。
23.基于同一发明构思，本技术还提供了一种基于摄像头的人脸识别装置，所述装置包括：
24.人像信息获取模块，被配置为获取多个不同方位摄像头采集的人像信息；
25.人脸角度确定模块，被配置为基于获取的所述人像信息，通过人脸识别角度检测算法确定人脸角度，基于所述人脸角度执行人脸识别预测策略，以得到人脸识别准确率；
26.构建模块，被配置为基于所述人脸识别准确率和各维度摄像信息构建结构化表格数据；
27.结果输出模块，被配置为将所述结构化表格数据输入至预先训练好的机器学习模型中，输出人脸识别结果。
28.基于同一发明构思，本技术还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上所述的基于摄像头的人脸识别方法。
29.基于同一发明构思，本技术还提供了一种非暂态计算机可读存储介质，其中，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行如上所述的基于摄像头的人脸识别方法。
30.相对于现有技术，本技术所述的基于摄像头的人脸识别方法、装置、设备及存储介质具有以下有益效果：
31.本技术所述的基于摄像头的人脸识别方法、装置、设备及存储介质，所述方法采用多维图像组合的方式，根据人脸角度进行权重投票得出初步结论，形成结构化表格信息并引入机器学习算法，得到最终的人脸识别结果，通过所述人脸识别方法识别到的人脸结果，识别精度和识别准确率更高，能够应用在各种复杂场景，应用范围广阔。
附图说明
32.构成本技术的一部分的附图用来提供对本技术的进一步理解，本技术的示意性实施例及其说明用于解释本技术，并不构成对本技术的不当限定。在附图中：
33.图1为本技术实施例所述的基于摄像头的人脸识别方法的流程示意图；
34.图2为本技术实施例所述的基于摄像头的人脸识别装置的结构示意图；
35.图3为本技术实施例所述的电子设备的结构示意图。
36.附图标记说明：
37.11-人像信息获取模块；12-人脸角度确定模块；13-构建模块；14-结果输出模块。
具体实施方式
38.为使本技术的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本技术进一步详细说明。
39.需要说明的是，除非另外定义，本技术实施例使用的技术术语或者科学术语应当为本技术所属领域内具有一般技能的人士所理解的通常意义。本技术实施例中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系，当被描述对象的绝对位置改变后，则该相对位置关系也可能相应地改变。
40.如背景技术部分所述，相关的人脸识别方法存在人脸识别精度不高、整体识别率低的缺陷，难以满足目前安防、金融等特殊领域的需求。
41.基于此，本技术中的一个或多个实施例中提供了一种基于摄像头的人脸识别方法。
42.所述方法采用多维图像组合的方式，根据人脸角度进行权重投票得出初步结论，形成结构化表格信息并引入机器学习算法，得到最终的人脸识别结果，通过所述人脸识别方法识别到的人脸结果，识别精度和识别准确率更高，能够应用在各种复杂场景，应用范围广阔。
43.以下结合附图详细说明本技术的实施例。
44.请参阅图1所示，本技术一个实施例提供的一种基于摄像头的人脸识别方法，包括以下步骤：
45.步骤s101、获取多个不同方位摄像头采集的人像信息。
46.在一些实施方式中，所述获取多个不同方位摄像头采集的人像信息，包括：
47.在不同采集方位布置多个单体摄像头，所述单体摄像头对待检测对象进行人像捕捉，获取人脸图像，所述人脸图像包括实时视频帧或人像图片；
48.提取所述人脸图像的人脸特征信息，所述人脸特征信息至少包括：眉毛、黑眼球、鼻尖、鼻孔、上嘴唇、下嘴唇和嘴角，将所述人脸特征信息输入至预先训练好的深度神经网络模型中，得到人像信息。
49.具体地，在多个采集点位设置单体摄像头，多个采集点位分别步置在不同的方位，单体摄像机通过人像捕捉，获得实时视频帧或人像图片，从实时视频帧或人像图片中提取局部的人脸特征信息，本实施例中采集的特征数据主要包括眉毛、黑眼球、鼻尖、鼻孔、上嘴唇、下嘴唇和嘴角，除此之外，还可采集人脸其他位置的信息，如眼角、脸型轮廓、下巴等特征信息，通过将采集到的人脸特征信息输入至深度神经网络模型中，需要说明的是，本实施例所述的深度神经网络模型为本领域熟知的深度学习网络模型，如cnn卷积神经网络，即通过深度学习网络模型得到待识别对象的人像信息。
50.在一些实施方式中，所述对所述人像图片提取人脸特征信息，将所述人脸特征信息输入至预先训练好的深度神经网络模型中，得到人像信息，包括：
51.将包含所述人脸特征信息的数据集划分为训练集、验证集和测试集，对构建好的深度神经网络模型进行模型性能训练、验证和测试；
52.响应于所述深度神经网络模型的输出准确率大于预设阈值，得到所述人像信息。
53.基于采集到的人脸特征信息构建数据集，将数据集随机划分为训练集、验证集和测试集，训练过程中，将训练集输入至深度神经网络模型中，对网络模型进行训练，将验证集输入至构建好的深度神经网络模型中，以进行对网络模型的验证，训练和验证交替进行，完成对模型的训练，将测试集输入至训练好的深度神经网络模型中，将网络模型输出作为人像信息的预测值，不同方位的摄像头需保证其网络模型预测准确率大于预测阈值，此处的预测阈值可根据数据标定或实际情况进行调整，预测阈值可设定为如90％等数值，当模型的输出准确率大于预设阈值时，得到人像信息。
54.步骤s102、基于获取的所述人像信息，通过人脸识别角度检测算法确定人脸角度，基于所述人脸角度执行人脸识别预测策略，以得到人脸识别准确率。
55.在一些实施方式中，所述基于获取的所述人像信息，通过人脸识别角度检测算法确定人脸角度，基于所述人脸角度执行人脸识别预测策略，以得到人脸识别准确率，包括：
56.确定人脸角度，各维度单体摄像头按照权重投票机制输出人脸识别预测结果，将所述人脸识别预测结果作为正确结果进行归档，并根据归档结果进行模型校正；
57.对多个所述预测结果进行比对，确定人脸识别准确率。
58.对步骤s101中得到的人像信息，利用人脸识别角度检测算法确定待检测对象的人脸角度，各维度单体摄像头按照权重投票的机制(越是正面的角度，人脸信息越多，权重也就越大)结果作为正确结果，对正确结果进行归档，并自动根据归档结果完成模型矫正，对多个方位的单体摄像头预测结果进行比对，确定人脸识别准确率，人脸识别准确率越高，后续得到的人脸识别结果也就越准确。
59.需要说明的是，本实施例采用的人脸识别角度检测算法为本领域常规的检测算法，所采用的权重计算也为本领域常规的加权公式，这里不再作过多赘述。
60.步骤s103、基于所述人脸识别准确率和各维度摄像信息构建结构化表格数据。
61.在一些实施方式中，所述各维度摄像信息至少包括单体摄像头参数信息、摄像角度和摄像地光影条件。
62.考虑到受单体摄像头自身参数和摄像外部环境因素的影响，本实施例主要获取的是单体摄像头的参数信息、摄像角度和摄像地光影条件，与人脸识别准确率配合，构建结构化表格数据。
63.步骤s104、将所述结构化表格数据输入至预先训练好的机器学习模型中，输出人脸识别结果。
64.具体地，将单体摄像头的参数信息、摄像角度、摄像地光影条件和人脸识别准确率作为输入数据，将输入数据输入至机器学习模型中，得到最终的人脸识别结果。
65.需要说明的是，上述对本技术的一些实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于上述实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定
要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
66.基于同一发明构思，与上述任意实施例方法相对应的，本技术的实施例还提供了一种基于摄像头的人脸识别装置。
67.如图2所示，所述一种基于摄像头的人脸识别装置装置，包括：
68.人像信息获取模块11，被配置为获取多个不同方位摄像头采集的人像信息；
69.人脸角度确定模块12，被配置为基于获取的所述人像信息，通过人脸识别角度检测算法确定人脸角度，基于所述人脸角度执行人脸识别预测策略，以得到人脸识别准确率；
70.构建模块13，被配置为基于所述人脸识别准确率和各维度摄像信息构建结构化表格数据；
71.结果输出模块14，被配置为将所述结构化表格数据输入至预先训练好的机器学习模型中，输出人脸识别结果
72.为了描述的方便，描述以上装置时以功能分为各种模块分别描述。当然，在实施本技术的实施例时可以把各模块的功能在同一个或多个软件和/或硬件中实现。
73.上述实施例的装置用于实现前述任一实施例中相应的基于摄像头的人脸识别方法，并且具有相应的方法实施例的有益效果，在此不再赘述。
74.基于同一发明构思，与上述任意实施例方法相对应的，本技术的实施例还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上任意一实施例所述的基于摄像头的人脸识别方法。
75.图3示出了本实施例所提供的一种更为具体的电子设备硬件结构示意图，该设备可以包括：处理器1010、存储器1020、输入/输出接口1030、通信接口1040和总线1050。其中处理器1010、存储器1020、输入/输出接口1030和通信接口1040通过总线1050实现彼此之间在设备内部的通信连接。
76.处理器1010可以采用通用的cpu(central processing unit，中央处理器)、微处理器、应用专用集成电路(application specific integrated circuit，asic)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本说明书实施例所提供的技术方案。
77.存储器1020可以采用rom(read only memory，只读存储器)、ram(random access memory，随机存取存储器)、静态存储设备，动态存储设备等形式实现。存储器1020可以存储操作系统和其他应用程序，在通过软件或者固件来实现本说明书实施例所提供的技术方案时，相关的程序代码保存在存储器1020中，并由处理器1010来调用执行。
78.输入/输出接口1030用于连接输入/输出模块，以实现信息输入及输出。输入输出/模块可以作为组件配置在设备中(图中未示出)，也可以外接于设备以提供相应功能。其中输入设备可以包括键盘、鼠标、触摸屏、麦克风、各类传感器等，输出设备可以包括显示器、扬声器、振动器、指示灯等。
79.通信接口1040用于连接通信模块(图中未示出)，以实现本设备与其他设备的通信交互。其中通信模块可以通过有线方式(例如usb、网线等)实现通信，也可以通过无线方式(例如移动网络、wifi、蓝牙等)实现通信。
80.总线1050包括一通路，在设备的各个组件(例如处理器1010、存储器1020、输入/输
出接口1030和通信接口1040)之间传输信息。
81.需要说明的是，尽管上述设备仅示出了处理器1010、存储器1020、输入/输出接口1030、通信接口1040以及总线1050，但是在具体实施过程中，该设备还可以包括实现正常运行所必需的其他组件。此外，本领域的技术人员可以理解的是，上述设备中也可以仅包含实现本说明书实施例方案所必需的组件，而不必包含图中所示的全部组件。
82.上述实施例的电子设备用于实现前述任一实施例中相应的自适应资源状态动态更新方法，并且具有相应的方法实施例的有益效果，在此不再赘述。
83.基于同一发明构思，与上述任意实施例方法相对应的，本技术还提供了一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行如上任一实施例所述的基于摄像头的人脸识别方法。
84.本实施例的计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。
85.上述实施例的存储介质存储的计算机指令用于使所述计算机执行如上任一实施例所述的基于摄像头的人脸识别方法，并且具有相应的方法实施例的有益效果，在此不再赘述。
86.所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本技术的范围(包括权利要求)被限于这些例子；在本技术的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，步骤可以以任意顺序实现，并存在如上所述的本技术实施例的不同方面的许多其它变化，为了简明它们没有在细节中提供。
87.另外，为简化说明和讨论，并且为了不会使本技术实施例难以理解，在所提供的附图中可以示出或可以不示出与集成电路(ic)芯片和其它部件的公知的电源/接地连接。此外，可以以框图的形式示出装置，以便避免使本技术实施例难以理解，并且这也考虑了以下事实，即关于这些框图装置的实施方式的细节是高度取决于将要实施本技术实施例的平台的(即，这些细节应当完全处于本领域技术人员的理解范围内)。在阐述了具体细节(例如，电路)以描述本技术的示例性实施例的情况下，对本领域技术人员来说显而易见的是，可以在没有这些具体细节的情况下或者这些具体细节有变化的情况下实施本技术实施例。因此，这些描述应被认为是说明性的而不是限制性的。
88.尽管已经结合了本技术的具体实施例对本技术进行了描述，但是根据前面的描述，这些实施例的很多替换、修改和变型对本领域普通技术人员来说将是显而易见的。例如，其它存储器架构(例如，动态ram(dram))可以使用所讨论的实施例。
89.本技术实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此，凡在本技术实施例的精神和原则之内，所做的任何省略、修改、等同替换、改进等，均应包含在本技术的保护范围之内。

技术特征：
1.一种基于摄像头的人脸识别方法，其特征在于，所述方法包括：获取多个不同方位摄像头采集的人像信息；基于获取的所述人像信息，通过人脸识别角度检测算法确定人脸角度，基于所述人脸角度执行人脸识别预测策略，以得到人脸识别准确率；基于所述人脸识别准确率和各维度摄像信息构建结构化表格数据；将所述结构化表格数据输入至预先训练好的机器学习模型中，输出人脸识别结果。2.根据权利要求1所述的基于摄像头的人脸识别方法，其特征在于，所述获取多个不同方位摄像头采集的人像信息，包括：在不同采集方位布置多个单体摄像头，所述单体摄像头对待检测对象进行人像捕捉，获取人脸图像；提取所述人脸图像的人脸特征信息，将所述人脸特征信息输入至预先训练好的深度神经网络模型中，得到人像信息。3.根据权利要求2所述的基于摄像头的人脸识别方法，其特征在于，获取的所述人脸图像包括实时视频帧或人像图片。4.根据权利要求3所述的基于摄像头的人脸识别方法，其特征在于，所述人脸特征信息至少包括：眉毛、黑眼球、鼻尖、鼻孔、上嘴唇、下嘴唇和嘴角。5.根据权利要求4所述的基于摄像头的人脸识别方法，其特征在于，所述对所述人像图片提取人脸特征信息，将所述人脸特征信息输入至预先训练好的深度神经网络模型中，得到人像信息，包括：将包含所述人脸特征信息的数据集划分为训练集、验证集和测试集，对构建好的深度神经网络模型进行模型性能训练、验证和测试；响应于所述深度神经网络模型的输出准确率大于预设阈值，得到所述人像信息。6.根据权利要求1所述的基于摄像头的人脸识别方法，其特征在于，所述基于获取的所述人像信息，通过人脸识别角度检测算法确定人脸角度，基于所述人脸角度执行人脸识别预测策略，以得到人脸识别准确率，包括：确定人脸角度，各维度单体摄像头按照权重投票机制输出人脸识别预测结果，将所述人脸识别预测结果作为正确结果进行归档，并根据归档结果进行模型校正；对多个所述预测结果进行比对，确定人脸识别准确率。7.根据权利要求1所述的基于摄像头的人脸识别方法，其特征在于，：所述各维度摄像信息至少包括单体摄像头参数信息、摄像角度和摄像地光影条件。8.一种基于摄像头的人脸识别装置，其特征在于，所述装置包括：人像信息获取模块，被配置为获取多个不同方位摄像头采集的人像信息；人脸角度确定模块，被配置为基于获取的所述人像信息，通过人脸识别角度检测算法确定人脸角度，基于所述人脸角度执行人脸识别预测策略，以得到人脸识别准确率；构建模块，被配置为基于所述人脸识别准确率和各维度摄像信息构建结构化表格数据；结果输出模块，被配置为将所述结构化表格数据输入至预先训练好的机器学习模型中，输出人脸识别结果。9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算
机程序，其特征在于，所述处理器执行所述程序时实现权利要求1-7任一项所述的基于摄像头的人脸识别方法。10.一种非暂态计算机可读存储介质，其特征在于，其中，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行权利要求1-7任一项所述的基于摄像头的人脸识别方法。

技术总结
本申请提供了一种基于摄像头的人脸识别方法，所述方法包括：获取多个不同方位摄像头采集的人像信息；基于获取的人像信息，通过人脸识别角度检测算法确定人脸角度，基于人脸角度执行人脸识别预测策略，以得到人脸识别准确率；基于人脸识别准确率和各维度摄像信息构建结构化表格数据；将结构化表格数据输入至预先训练好的机器学习模型中，输出人脸识别结果。本申请所述的基于摄像头的人脸识别方法、装置、设备及存储介质采用多维图像组合的方式，根据人脸角度进行权重投票得出初步结论，形成结构化表格信息并引入机器学习算法，得到最终的人脸识别结果，具备人脸识别率高的优点。具备人脸识别率高的优点。具备人脸识别率高的优点。


技术研发人员：邹文韬
受保护的技术使用者：紫光云技术有限公司
技术研发日：2023.05.12
技术公布日：2023/9/5