目标对象识别方法、装置、电子设备和存储介质与流程

1.本公开涉及人工智能技术领域，具体为计算机视觉和深度学习技术领域，可应用于人脸识别等场景，更具体涉及一种目标对象识别方法、装置、电子设备和存储介质。


背景技术：

2.随着人工智能特别是神经网络技术的发展，诸如目标检测、图像识别、图像增强等计算机视觉技术取得了重大进展。人脸识别是计算机视觉领域的一个重要课题。然而，由于人脸的复杂性，传统方法很难获得好的效果。通过神经网络技术，人脸识别也取得了重大进展。


技术实现要素：

3.本公开提供了一种目标对象识别方法、装置、电子设备和存储介质。
4.根据本公开的一方面，提供了一种目标对象识别方法，包括：
5.使用神经网络提取输入图像的图像特征和域特征；
6.对所提取的图像特征和域特征进行处理，得到与所述输入图像的标识相对应的标识特征；以及
7.使用所述标识特征，识别所述输入图像中的目标对象。
8.根据本公开的另一方面，提供了一种目标对象识别装置，包括：
9.提取模块，用于使用神经网络提取输入图像的图像特征和域特征；
10.处理模块，用于对所提取的图像特征和域特征进行处理，得到与所述输入图像的标识相对应的标识特征；以及
11.识别模块，用于使用所述标识特征，识别所述输入图像中的目标对象。
12.根据本公开的另一方面，提供了一种电子设备，包括：
13.至少一个处理器；以及
14.与所述至少一个处理器通信连接的存储器；其中，
15.所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本公开中所描述的目标对象识别方法。
16.根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使计算机执行本公开中所描述的目标对象识别方法。
17.根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现本公开中所描述的目标对象识别方法。
18.应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
19.附图用于更好地理解本方案，不构成对本公开的限定。其中：
20.图1是根据本公开实施例的目标对象识别方法的示意性流程图；
21.图2是根据本公开实施例的目标对象识别方法的示例的示意图；
22.图3是根据本公开实施例的目标对象识别方法的另一示例的示意图；
23.图4是根据本公开实施例的目标对象识别装置的示意性框图；以及
24.图5是根据本公开实施例的电子设备的示意性框图。
具体实施方式
25.以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
26.在本公开的技术方案中，所涉及的用户个人信息的获取、存储和应用等处理，均在征得用户同意的前提下进行，并且均符合相关法律法规的规定，且不违背公序良俗。
27.随着神经网络技术的发展，人脸识别取得了重大进展。例如，一种人脸识别方法可以采用域迁移的方式来处理不同场景下的人脸识别需求。该处理方式需要人为地划分场景并向每个场景指定标签，使得模型有能力识别不同场景下的人脸。例如，为了提高模型在不同年龄上的泛化能力，需要根据年龄将数据集分为老人、中年、小孩等；为了提高模型在不同光线条件下的泛化能力，需要根据光线将数据集分为强光、弱光等。
28.另外，一种人脸识别方法根据数据集中每个id(identification，标识)下样本图像的数目来进行采样比例的调整以处理数据的长尾问题。例如，如果某一id下样本图像比较多，则采用降采样的方式降低其采样比例，而如果该id下样本图像比较少，则采用上采样的方式提高其采样比例。
29.然而，由于人脸表情的多样性、人脸图像中人脸的遮挡(例如，口罩)以及光线的复杂多变、年龄跨度、人脸角度等问题，目前的人脸识别方法存在跨场景识别的问题。在处理跨场景问题时，目前的人脸识别方法需要人为显式地指定数据集的域标签以对数据集进行划分。然而，这种划分方式过度依赖人的先验知识，而且只能从大体上对数据进行划分，不能精确地描述数据特征，忽视了同一标签下不同数据之间的差异。即使在数据集中同一id下的图像也存在着光线、角度、遮挡等的不同。例如，在域标签为老人的数据集中，虽然该数据集下都为老人，但是老人之间也会有年龄差距，并且还可能存在人脸角度的不同、光线的强弱等差异。在这种情况下，如果人为地对每张图像进行精确标注，则需要耗费大量的人力物力成本。本领域技术人员可以理解，“域标签”用于标识数据集所属的类别(例如，老人、小孩、强光、弱光、正脸、侧脸等)。
30.此外，由于人脸图像收集的不均衡(例如，数据集中正脸图像的数量多，侧脸图像的数量少)，还存在一定程度的数据长尾问题，即长尾效应。长尾效应是指数据集中的数据的分布符合例如正态曲线。正态曲线中间的突出部分被称为“头”，两侧相对平缓的部分被称为“尾”。也就是说，数据集中的大部分数据集中在“头”处(例如，正脸图像的数量很多)，少量数据在“尾”处(例如，侧脸图像的数据很少)。在处理长尾问题时，一种人脸识别方法采用上采样或降采样的方式进行处理。例如，如果数据集中某一id下人脸图像比较少，则采用上采样的方式提高其采样比例。上采样通过对数据集中的尾数据进行过采样来增加采样比
例，但是这可能使模型对这些数据过拟合。相反，如果某一id下人脸图像比较多，则采用降采样的方式降低其采样比例。降采样通过减少数据集中头数据的采样比例来达到与尾数据的采样平衡，但是这可能使模型对这些数据欠拟合。另外，仅根据每个id下图像数量的多少并不能很好地区分头尾数据。例如，在一个大部分人脸图像都是正脸的数据集中，某一id下图像数量虽然很多，但是大部分图像为大角度的人脸图像。在这种情况下，如果将该id下的数据划分为头数据就不太合理。在该数据集中，大角度人脸图像也可以视为一种长尾问题。
31.对于跨场景问题和长尾问题，一种处理方法在于人为显式地划分数据集或id所属类别，但是这种显式的划分忽略了数据特征的多样性，没有考虑同一数据集中或同一id下不同图像之间的差异，丢弃了数据中的隐含信息。
32.本公开的实施例提供了一种统一的解决跨场景问题和长尾问题的人脸识别方案，该方案通过采用可学习的隐式向量来表示图像的域信息。根据本公开的实施例，域信息可以包括例如关于年龄、人脸角度、人脸遮挡、人脸表情、光照情况等的信息。然而，本公开不限于此，并且域信息可以包括人类无法察觉到的信息。
33.因此，在处理跨场景问题时，相比于上述人为划分数据的方法，根据本公开实施例的技术方案通过采用可学习的隐式向量表示图像的域信息，即能够避免人为划分数据不准确的情况，也能够丰富图像的域信息，从而更精确地表示图像。
34.此外，在处理长尾问题时，根据本公开实施例的技术方案不局限于数据集中各id下图像数量的多少，而是用隐式向量从更全面的角度考虑图像数据的头尾问题。
35.此外，根据本公开实施例的技术方案能够将跨场景问题和长尾问题进行统一，不局限于考虑场景的不同、数据数目的多少，能简化问题，提高模型的泛化能力。
36.需要说明的是，本公开实施例中的人脸识别不是针对某一特定用户的人脸模型，并不能反映出某一特定用户的个人信息。另外，在本公开实施例中，目标对象识别方法的执行主体可以通过各种公开、合法合规的方式获取目标二维(2d)图像(例如，人脸图像)。例如，目标2d图像可以是从公开数据集获取的，或者是在经过用户授权后从用户处获取的。
37.下面将参考附图对根据本公开实施例的针对人脸的目标对象识别方法和装置进行详细描述。贯穿附图，可以用相同或相似的附图标记表示相同或相似的元件、操作或步骤。
38.在本公开的实施例中，以下所描述的对象或目标对象表示人脸。
39.图1是根据本公开实施例的目标对象识别方法的示意性流程图。
40.如图1所示，根据本公开实施例的目标对象识别方法100可以包括以下步骤。
41.在步骤s110，可以使用神经网络提取输入图像的图像特征和域特征。
42.在步骤s120，可以对所提取的图像特征和域特征进行处理，以得到与输入图像的标识(即，id)相对应的标识特征(下文称为id特征)。
43.在步骤s130，可以使用得到的id特征来识别输入图像中的目标对象(例如，人脸)。
44.接下来将参考图2详细描述根据本公开实施例的目标对象识别方法。
45.图2是根据本公开实施例的目标对象识别方法的示例的示意图。
46.如图2所示，根据本公开实施例的目标对象识别方法200可以包括以下描述的步骤。
47.在步骤s210，可以使用神经网络提取输入图像img的图像特征和域特征。根据本公
开的实施例，可以使用诸如resnet50、vit等神经网络结构来提取输入图像的图像特征和域特征。然而，本公开不限于此。例如，可以使用其他合适的神经网络结构。
48.根据本公开的实施例，输入图像img是包含人脸的2d人脸图像。本实施例中的2d人脸图像可以来自于公开数据集，或者2d人脸图像的获取经过了人脸图像对应的用户的授权。
49.在本实施例中，步骤s210可以包括两个子步骤s211和s212。在子步骤s211，可以使用神经网络中包括的特征提取模块提取输入图像img的图像特征。在本公开的实施例中，图像特征是由包括在神经网络中的特征提取模块输出的初始id特征，该初始id特征可能包含影响或干扰人脸识别的一些信息。例如，在输入图像img为侧脸图像的情况下，特征提取模块会受到人脸角度的干扰而提取包含一些影响识别的干扰因素的初始id特征。另外，根据本公开的实施例，图像特征可以是具有多个维度的第一向量。例如，图像特征可以是128维向量、256维向量、512维向量等。在本公开中，向量的维度表示向量的长度，对应于向量中包含的元素或分量的数量。
50.在子步骤s212，可以使用神经网络中包括的域信息处理模块提取输入图像img的域特征。根据本公开的实施例，域特征可以是与第一向量具有相同维度的第二向量。例如，域特征可以是128维向量、256维向量、512维向量等。此外，根据本公开的实施例，域特征可以包括与以下项中的至少一个相关的信息：输入图像中包括的目标对象(即，人脸对象)的年龄、角度、遮挡、表情以及输入图像的光照情况。然而，本公开不限于此。
51.另外，在本公开的实施例中，神经网络中包括的特征提取模块和域信息处理模块是包括在神经网络中的不同模块或单元，分别用于提取人脸图像的图像特征和域特征。作为示例，可以在具有图像特征提取功能的神经网络结构(比如resnet50、vit等)上构建用于提取域特征的域信息处理模块以实现本公开实施例中所描述的人脸识别模型或结构。本公开不对域信息处理模块或包括域信息处理模块的人脸识别模型的构建施加限制。因此，可以采用本领域已知或将来开发的适当神经网络结构来构建本公开的特征提取模块和域信息处理模块或者包括二者的人脸识别模型。
52.在步骤s220，可以对所提取的图像特征和域特征进行处理，以得到与输入图像的id相对应的id特征。根据本公开的实施例，使用神经网络提取的图像特征和域特征可以是具有相同维度的向量，例如具有相同的元素或分量数量的第一向量和第二向量。特征处理可以包括对具有相同维度的第一向量和第二向量进行运算。根据本公开的实施例，运算可以包括向量积、向量加法或向量减法中的至少一个。例如，可以将第一向量和第二向量的对应元素相乘、相加或相减。然而，本公开不限于此。
53.根据本公开的实施例，id特征可以是与图像特征和域特征具有相同维度的向量。即，id特征可以是通过对具有相同维度的第一向量和第二向量进行运算而得到的向量。例如，id特征可以是通过将第一向量和第二向量的对应元素相乘、相加或相减而得到的向量。然而，本公开不限于此。
54.由于id特征是通过将作为初始id特征的图像特征和表示输入图像细节的域特征相结合而获得的，因此，id特征能够更准确地表示人脸图像，从而能够提高人脸识别的准确度。
55.在步骤s230，可以使用得到的id特征来识别输入图像中的人脸。
56.在本公开的实施例中，由于域特征可以隐式地表示人脸图像的特征，包括但不限于年龄、人脸的角度、遮挡或表情以及关于图像的光照情况，因此，可以更全面且更精确地表示人脸图像，并且可以提高人脸识别模型的泛化能力。
57.图3是根据本公开实施例的目标对象识别方法的另一示例的示意图。以上参考图1和图2进行的描述也适用于图3，因此为了简洁起见，将省略重复描述。
58.如图3所示，根据本公开实施例的目标对象识别方法300可以包括以下描述的步骤。
59.在步骤s310，可以使用神经网络提取输入图像img的图像特征。例如，可以使用神经网络中包括的特征提取模块提取输入图像img的图像特征。图像特征可以是具有多个维度的第一向量。例如，图像特征可以是128维向量、256维向量、512维向量等。
60.在步骤s320，可以使用神经网络提取输入图像img的域特征。在本实施例中，可以通过神经网络中包括的域信息处理模块基于所提取的图像特征来获得域特征。例如，可以通过将所提取的图像特征输入域信息处理模块来输出并获得域特征。根据本公开的实施例，域特征可以是与第一向量具有相同维度的第二向量，并且可以包括与以下项中的至少一个相关的信息：输入图像中包括的目标对象(即，人脸对象)的年龄、角度、遮挡、表情以及输入图像的光照情况等。然而，本公开不限于此。
61.另外，本公开不对特征提取模块和域信息处理模块或包括二者的人脸识别模型的构建施加限制。因此，显然的是，可以采用本领域已知或将来开发的适当神经网络结构来构建本公开的特征提取模块和域信息处理模块或者包括二者的人脸识别模型。
62.在步骤s330，可以对所提取的图像特征和域特征进行处理，以得到与输入图像的id相对应的id特征。根据本公开的实施例，特征处理可以包括对具有相同维度的第一向量和第二向量进行运算。运算可以包括向量积、向量加法或向量减法中的至少一个。例如，可以将第一向量和第二向量的对应元素相乘、相加或相减。然而，本公开不限于此。
63.在步骤s340，可以使用得到的id特征来识别输入图像中的人脸。根据本公开的实施例，id特征可以是与图像特征和域特征具有相同维度的向量。例如，id特征可以是通过将第一向量和第二向量的对应元素相乘、相加或相减而得到的向量。然而，本公开不限于此。
64.需要说明的是，根据本公开实施例的人脸识别模型包含或输出了目标2d人脸图像所指示的用户的人脸信息，但是该模型的构建或使用是在经用户授权后执行的，其构建或使用过程符合相关法律法规。
65.图4是根据本公开实施例的目标对象识别装置的示意性框图。以上参考图1至图3进行的描述也适用于图4，因此，为了简洁起见，将省略重复描述。特别地，图4所示的目标对象识别装置400可以被配置为执行图1、图2或图3所示的目标对象识别方法100、200或300以进行人脸识别。
66.如图4所示，根据本公开实施例的目标对象识别装置400可以包括提取模块410、处理模块420和识别模块430。
67.在本公开的实施例中，提取模块410可以用于使用神经网络提取输入图像的图像特征和域特征。处理模块420可以用于对所提取的图像特征和域特征进行处理，以得到与输入图像的标识(即，id)相对应的标识特征(即，id特征)。识别模块430可以用于使用标识特征识别输入图像中的目标对象(即，人脸)。
68.如上所述，根据本公开的实施例，图像特征可以是具有多个维度的第一向量，并且域特征可以是与第一向量具有相同维度的第二向量。处理模块420可以包括用于对第一向量和第二向量进行运算的运算单元。运算包括向量积、向量加法或向量减法中的至少一个。
69.在本实施例中，目标对象识别装置400还可以包括用于在提取图像特征和域特征之前对输入图像进行包括归一化的预处理的预处理模块。
70.根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
71.图5示出了可以用来实施本公开的实施例的示例电子设备500的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
72.如图5所示，设备500包括计算单元501，其可以根据存储在只读存储器(rom)502中的计算机程序或者从存储单元508加载到随机访问存储器(ram)503中的计算机程序，来执行各种适当的动作和处理。在ram 503中，还可存储设备500操作所需的各种程序和数据。计算单元501、rom 502以及ram 503通过总线504彼此相连。输入/输出(i/o)接口505也连接至总线504。
73.设备500中的多个部件连接至i/o接口505，包括：输入单元506，例如键盘、鼠标等；输出单元507，例如各种类型的显示器、扬声器等；存储单元508，例如磁盘、光盘等；以及通信单元509，例如网卡、调制解调器、无线通信收发机等。通信单元509允许设备500通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
74.计算单元501可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元501的一些示例包括但不限于中央处理单元(cpu)、图形处理单元(gpu)、各种专用的人工智能(ai)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(dsp)、以及任何适当的处理器、控制器、微控制器等。计算单元501执行上文所描述的各个方法和处理，例如由上述装置400执行的方法和处理。例如，在一些实施例中，这些方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元508。在一些实施例中，计算机程序的部分或者全部可以经由rom 502和/或通信单元509而被载入和/或安装到设备500上。当计算机程序加载到ram 503并由计算单元501执行时，可以执行上文描述的方法100、200或300的一个或多个步骤。备选地，在其他实施例中，计算单元501可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行上述方法。
75.本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、芯片上系统的系统(soc)、负载可编程逻辑设备(cpld)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至
少一个输出装置。
76.用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
77.在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦除可编程只读存储器(eprom或快闪存储器)、光纤、便捷式紧凑盘只读存储器(cd
‑
rom)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
78.为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，crt(阴极射线管)或者lcd(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
79.可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(lan)、广域网(wan)和互联网。
80.计算机系统可以包括客户端和服务器。客户端和服务器远离彼此并且可以通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端
‑
服务器关系的计算机程序来产生客户端和服务器的关系。
81.应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
82.上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。