技术领域
[0001] 本
发明涉及
人工智能技术领域，更具体地说，涉及一种提升复杂光线下人脸识别成功率的方法及装置。
背景技术
[0002] 随着科学技术的不断发展，各种各样的智能设备已广泛应用于人们的日常生活和工作中，为人们的生活带来了极大的便利。
[0003] 基于人脸识别技术而言，现有的技术手段是通过
网络摄像头采集人脸照片，通过MTCNN等
算法判断图片中有没有人脸，若有人脸就将图片送到如ResNet等深度模型中提取人脸特征，进而进行人脸识别。
[0004] 但是，在夜晚采集照片时，如果通过自然光拍摄会造成采集到的人脸照片过暗无法准确识别人脸信息；若通过打开
闪光灯采集照片，由于
光源过亮且光线不均匀会造成采集到的人脸照片过亮且光线不均匀。
[0005] 在白天采集照片时，如果采集时光线强，比如太阳在采集范围内，或者遇到玻璃反射等光污染时，会造成采集到的照片过亮或者背景过亮等问题，进而降低人脸识别的成功率。
发明内容
[0006] 有鉴于此，为解决上述问题，本发明提供一种提升复杂光线下人脸识别成功率的方法及装置，技术方案如下：
[0007] 一种提升复杂光线下人脸识别成功率的方法，所述方法包括：
[0009] 获取待识别照片；
[0011] 在检测到有人脸的情况下，计算人脸区域中预设范围内灰度级的
像素个数占比；
[0012] 依据所述像素个数占比和识别成功像素个数占比，对所述待识别照片进行
亮度调整，以满足人脸识别要求。
[0013] 优选的，在上述方法中，所述优化深度神经网络模型，包括：
[0014] 优化
采样方法和损失函数值，以增大类间距离，减小类内距离。
[0015] 优选的，在上述方法中，所述依据所述像素个数占比和识别成功像素个数占比，对所述待识别照片进行亮度调整，以满足人脸识别要求，包括：
[0016] 当所述待识别照片欠曝时，通过带色彩恢复的多尺度
视网膜增强算法对所述待识别照片进行修复调整；
[0017] 当所述待识别照片过曝时，通过伽
马算法对所述待识别照片进行修复调整。
[0018] 优选的，在上述方法中，在依据所述像素个数占比和识别成功像素个数占比，对所述待识别照片进行亮度调整，以满足人脸识别要求之后，所述方法还包括：
[0019] 对人脸区域进行扶正处理。
[0020] 优选的，在上述方法中，所述方法还包括：
[0021] 在所述深度神经网络模型中根据向量间欧氏距离计算Top1的欧氏距离；
[0022] 当所述Top1的欧氏距离小于或等于预设的识别成功距离
阈值时，判定人脸识别成功，并推送Top1人员信息；
[0023] 当所述Top1的欧氏距离大于所述识别成功距离阈值时，判定人脸识别失败。
[0024] 一种提升复杂光线下人脸识别成功率的装置，所述装置包括：
[0025] 优化模
块，用于优化深度神经网络模型；
[0026] 获取模块，用于获取待识别照片；
[0027] 检测模块，用于对所述待识别照片进行人脸检测；
[0028] 第一计算模块，用于在检测到有人脸的情况下，计算人脸区域中预设范围内灰度级的像素个数占比；
[0029] 调整模块，用于依据所述像素个数占比和识别成功像素个数占比，对所述待识别照片进行亮度调整，以满足人脸识别要求。
[0030] 优选的，在上述装置中，所述优化模块具体用于：
[0031] 优化采样方法和损失函数值，以增大类间距离，减小类内距离。
[0032] 优选的，在上述装置中，所述调整模块具体用于：
[0033] 当所述待识别照片欠曝时，通过带色彩恢复的多尺度视网膜增强算法对所述待识别照片进行修复调整；
[0034] 当所述待识别照片过曝时，通过伽马算法对所述待识别照片进行修复调整。
[0035] 优选的，在上述装置中，所述装置还包括：
[0036] 扶正模块，用于对人脸区域进行扶正处理。
[0037] 优选的，在上述装置中，所述装置还包括：
[0038] 第二计算模块，用于在所述深度神经网络模型中根据向量间欧氏距离计算Top1的欧氏距离；
[0039] 第一判定模块，用于当所述Top1的欧氏距离小于或等于预设的识别成功距离阈值时，判定人脸识别成功，并推送Top1人员信息；
[0040] 第二判定模块，用于当所述Top1的欧氏距离大于所述识别成功距离阈值时，判定人脸识别失败。
[0041] 相较于
现有技术，本发明实现的有益效果为：
[0042] 该提升复杂光线下人脸识别成功率的方法，通过优化深度神经网络模型，从而让深度神经网络模型更好的针对复杂光线下的人脸进行识别，并且，依据所述像素个数占比和识别成功像素个数占比，对所述待识别照片进行亮度调整，从而使待识别照片更接近自然光条件下采集的照片，进而可极大程度提升复杂光线下人脸识别的成功率。
附图说明
[0043] 为了更清楚地说明本发明
实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
[0044] 图1为本发明实施例提供的一种提升复杂光线下人脸识别成功率的方法的流程示意图；
[0045] 图2为本发明实施例提供的一种优化深度神经网络模型的原理示意图；
[0046] 图3为本发明实施例提供的一种采样时Triplet三元组制作方式的示意图；
[0047] 图4为本发明实施例提供的一种训练效果的示意图；
[0048] 图5为本发明实施例提供的另一种训练效果的示意图；
[0049] 图6为本发明实施例提供的另一种提升复杂光线下人脸识别成功率的方法的流程示意图；
[0050] 图7为本发明实施例提供的一种待识别照片欠曝和调整后的对比示意图；
[0051] 图8为本发明实施例提供的一种待识别照片过曝和调整后的对比示意图；
[0052] 图9为本发明实施例提供的又一种提升复杂光线下人脸识别成功率的方法的流程示意图；
[0053] 图10为本发明实施例提供的一种人脸倾斜和扶正处理后的对比示意图；
[0054] 图11为本发明实施例提供的又一种提升复杂光线下人脸识别成功率的方法的流程示意图；
[0055] 图12为本发明实施例提供的一种提升复杂光线下人脸识别成功率的装置的示意图；
[0056] 图13为本发明实施例提供的另一种提升复杂光线下人脸识别成功率的装置的示意图；
[0057] 图14为本发明实施例提供的又一种提升复杂光线下人脸识别成功率的装置的示意图。
具体实施方式
[0058] 下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0059] 为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
[0060] 参考图1，图1为本发明实施例提供的一种提升复杂光线下人脸识别成功率的方法的流程示意图。
[0061] 所述方法包括：
[0062] S101：优化深度神经网络模型。
[0063] S102：获取待识别照片。
[0064] 在该步骤中，通过摄像头采集视频或照片，当采集的目标为视频图像时，对视频图像做截
帧处理，获取待识别照片。
[0065] S103：对所述待识别照片进行人脸检测。
[0066] S104：在检测到有人脸的情况下，计算人脸区域中预设范围内灰度级的像素个数占比。
[0067] S105：依据所述像素个数占比和识别成功像素个数占比，对所述待识别照片进行亮度调整，以满足人脸识别要求。
[0068] 在该实施例中，通过优化深度神经网络模型，从而让深度神经网络模型更好的针对复杂光线下的人脸进行识别，并且，依据所述像素个数占比和识别成功像素个数占比，对所述待识别照片进行亮度调整，从而使待识别照片更接近自然光条件下采集的照片，进而可极大程度提升复杂光线下人脸识别的成功率。
[0069] 需要说明的是，当所述待识别照片中没有检测到有人脸的情况时，则返回步骤S102。
[0070] 进一步的，基于本发明上述实施例，所述优化深度神经网络模型，包括：
[0071] 优化采样方法和损失函数值，以增大类间距离，减小类内距离。
[0072] 在该实施例中，通过优化深度神经网络模型训练过程中的采样方法、loss值以及
训练数据的增强型提升模型的识别效果，以增大类间距离，减小类内距离。
[0073] 具体的，参考图2，图2为本发明实施例提供的一种优化深度神经网络模型的原理示意图，其通过优化损失函数，用于训练差异性较小的样本，包括锚(Anchor)示例、正(Positive)示例和负(Negative)示例，通过优化锚示例与正示例之间的距离小于锚示例与负示例之间的距离，实现样本的相似性计算。
[0074] 参考图3，图3为本发明实施例提供的一种采样时Triplet三元组制作方式的示意图。
[0075] 采样代码如下：
[0076]
[0077] 参考图4，图4为本发明实施例提供的一种训练效果的示意图。参考图5，图5为本发明实施例提供的另一种训练效果的示意图。
[0078] 由此可知，通过优化深度神经网络模型，可以让深度神经网络模型更好的针对复杂光线下的人脸进行识别。
[0079] 进一步的，基于本发明上述实施例，参考图6，图6为本发明实施例提供的另一种提升复杂光线下人脸识别成功率的方法的流程示意图。
[0080] 所述依据所述像素个数占比和识别成功像素个数占比，对所述待识别照片进行亮度调整，以满足人脸识别要求，包括：
[0081] S106：当所述待识别照片欠曝时，通过带色彩恢复的多尺度视网膜增强算法对所述待识别照片进行修复调整；参考图7，图7为本发明实施例提供的一种待识别照片欠曝和调整后的对比示意图。
[0082] S107：当所述待识别照片过曝时，通过伽马算法对所述待识别照片进行修复调整；参考图8，图8为本发明实施例提供的一种待识别照片过曝和调整后的对比示意图。
[0083] 在该实施例中，依据所述像素个数占比和识别成功像素个数占比，对所述待识别照片进行亮度调整，从而使待识别照片更接近自然光条件下采集的照片，进而可极大程度提升复杂光线下人脸识别的成功率。
[0084] 进一步的，基于本发明上述实施例，参考图9，图9为本发明实施例提供的又一种提升复杂光线下人脸识别成功率的方法的流程示意图。
[0085] 在依据所述像素个数占比和识别成功像素个数占比，对所述待识别照片进行亮度调整，以满足人脸识别要求之后，所述方法还包括：
[0086] S108：对人脸区域进行扶正处理。
[0087] 在该实施例中，参考图10，图10为本发明实施例提供的一种人脸倾斜和扶正处理后的对比示意图，将人脸区域进行扶正处理后，对正脸进行检测，可进一步提升复杂光线下人脸识别的成功率。
[0088] 进一步的，基于本发明上述实施例，参考图11，图11为本发明实施例提供的又一种提升复杂光线下人脸识别成功率的方法的流程示意图。
[0089] 所述方法还包括：
[0090] S109：在所述深度神经网络模型中根据向量间欧氏距离计算Top1的欧氏距离；
[0091] S110：当所述Top1的欧氏距离小于或等于预设的识别成功距离阈值时，判定人脸识别成功，并推送Top1人员信息；
[0092] S111：当所述Top1的欧氏距离大于所述识别成功距离阈值时，判定人脸识别失败。
[0093] 在该实施例中，Top1表示当前进行人脸识别的人员，并且，同一个人如果识别成功，则在设定时间阈值内，不会继续推送识别信息，防止重复识别。
[0094] 基于本发明上述全部实施例，在本发明另一实施例中，还提供了一种提升复杂光线下人脸识别成功率的装置，参考图12，图12为本发明实施例提供的一种提升复杂光线下人脸识别成功率的装置的示意图。
[0095] 所述装置包括：
[0096] 优化模块11，用于优化深度神经网络模型；
[0097] 获取模块12，用于获取待识别照片；
[0098] 检测模块13，用于对所述待识别照片进行人脸检测；
[0099] 第一计算模块14，用于在检测到有人脸的情况下，计算人脸区域中预设范围内灰度级的像素个数占比；
[0100] 调整模块15，用于依据所述像素个数占比和识别成功像素个数占比，对所述待识别照片进行亮度调整，以满足人脸识别要求。
[0101] 进一步的，基于本发明上述实施例，所述优化模块11具体用于：
[0102] 优化采样方法和损失函数值，以增大类间距离，减小类内距离。
[0103] 进一步的，基于本发明上述实施例，所述调整模块15具体用于：
[0104] 当所述待识别照片欠曝时，通过带色彩恢复的多尺度视网膜增强算法对所述待识别照片进行修复调整；
[0105] 当所述待识别照片过曝时，通过伽马算法对所述待识别照片进行修复调整。
[0106] 进一步的，基于本发明上述实施例，参考图13，图13为本发明实施例提供的另一种提升复杂光线下人脸识别成功率的装置的示意图。
[0107] 所述装置还包括：
[0108] 扶正模块16，用于对人脸区域进行扶正处理。
[0109] 进一步的，基于本发明上述实施例，参考图14，图14为本发明实施例提供的又一种提升复杂光线下人脸识别成功率的装置的示意图。
[0110] 所述装置还包括：
[0111] 第二计算模块17，用于在所述深度神经网络模型中根据向量间欧氏距离计算Top1的欧氏距离；
[0112] 第一判定模块18，用于当所述Top1的欧氏距离小于或等于预设的识别成功距离阈值时，判定人脸识别成功，并推送Top1人员信息；
[0113] 第二判定模块19，用于当所述Top1的欧氏距离大于所述识别成功距离阈值时，判定人脸识别失败。
[0114] 需要说明的是，本发明提供的一种提升复杂光线下人脸识别成功率的装置同上述方法实施例的原理相同，在此不再赘述。
[0115] 以上对本发明所提供的一种提升复杂光线下人脸识别成功率的方法及装置进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本
说明书内容不应理解为对本发明的限制。
[0116] 需要说明的是，本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
[0117] 还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备所固有的要素，或者是还包括为这些过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
[0118] 对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种
修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
