CN114332993B 人脸识别方法、装置、电子设备及计算机可读存储介质 （深圳须弥云图空间科技有限公司）

道海珠社区滨海大道3369号有线信息图像进行特征提取，得到待处理图像的特征图像中分离出不包含光照特征的非光照特征进行2基于所述空间光照语义图对所述特征图像进行特征变换，得到所述对所述特征图像进行特征变换，得到所将各所述空间光照特征图像进行融合得到所述空间所述基于所述空间光照语义图对所述特征图像进行特征变换，得到所利用所述空间光照语义图作为权重，对所述中间特征图像进行并行池化和维度变换，对所述通道光照特征和所述局部通道光照特征进行矩阵操作，得到所述根据所述空间光照语义图、所述通道光照语义图，对所述待处理图像将所述特征图像与所述空间非光照语义图及所述通道非光照语义图将所述特征图像与所述空间光照语义图及所述通道光照语义图当所述光照类别满足预设光照条件时，进入所述基于所述非光照特征进行人脸识别，将所述第一阶段的阶段光照特征、阶段非光照特征作为初始光3对所述初始光照特征进行残差处理和光照分离，得到第二阶段的第一根据所述第一中间光照特征、第二中间光照特征得到第二阶段的阶所述第一中间非光照特征和第二中间非光照特征得到所述第二阶段的阶段执行预设数目对应的阶段后，得到的阶段光照特征、阶段所述根据所述第一中间光照特征、第二中间光照特征得到第二阶段的阶段光照特征，所述根据所述第一中间非光照特征和第二中间非光照特征得到所述第二阶段的阶段得所述预设神经网络输出的所述样本图像的人脸识别第一预测概率和光照类别第一预测按照预设步长逐步调低所述当前权重参数，得到所述预设神经网络对在确保所述人脸识别第二预测概率与人脸识别第一预测概率相同预测概率和所述光照类别第一预测概率相同的前提下，将所述预设神经网络训练到收敛，从第四阶段开始，每次基于所述预设步长调低一个阶段的特征提取模块，被配置为对所述待处理图像进行特征提第一特征变换模块，被配置为对所述特征图像进行特征变换4第二特征变换模块，被配置为基于所述空间光照语义图对所述特征图像进行特征变8.一种电子设备，包括存储器、处理器以及存9.一种计算机可读存储介质，所述计算机可读存储介质存56征进行人脸识别得到人脸识别结果。该方法通过计算空间光照语义图和通道光照语义图，7能实现各种通信设备互联的无线网络，例如，蓝牙(Bluetooth)、近场通信(NearField么通过上述特征提取模块进行特征提取得到的特征图像8理图像进行光照分离得到待处理图像的光照特征将在后实施例[0057]根据本公开实施例提供的技术方案，通过对待处理图像进行特征提取和特征变9行线性变换映射成新值的过程。特征融合是对同一模式抽取不同的特征矢量进行优化组[0075]本公开的实施例提供的技术方案中，通过对特征图像进[0079]在一些实施例中，对加权后的特征图像进行并行池化包括进化得到的特征进行特征变换分别得到维度为(49,64)的通道光照特征，以及维2-根据第一中间非光照特征和第二中间非光照特征得到第二阶段的阶光照特征拆分得到的中间光照特征)与权重参数相乘，乘积与第一中间光照特征的和值确1的阶段光照特征拆分得到的中间非光照特征)与权重参数相乘，乘积与第二非中间光照特h″照特征作为下一阶段的初始光照特征和初始非光照特征，重复执行与第二阶段相似的操经网络输出的样本图像的人脸识别第一预测概率和态的调低各阶段的当前权重参数，并将各权重参数值对应的预设神经网络逐步训练至收[0156]空间光照语义图是通过并行多尺度卷积，可以计算出不后续矩阵操作计算了全局光照特征对局部光照特征的查询与编码。B2即为通道光照语义1[0187]根据本公开实施例提供的技术方案，通过对待处理图像进行特征提取和特征变[0188]在一些实施例中，上述装置的光照分离模块605还用于得到待处理图像的光照特[0191]在一些实施例中，上述装置的光照分离模块605包括：非光照语义图确定子模块的执行顺序应以其功能和内在逻辑确定，而不应对本公开实施例的实施过程构成任何限理器701执行计算机程序703时实现上述各装置实施例中各模块/单元以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序703在通用处理器、数字信号处理器(DigitalSignalProcessor，DSP)、专用集成电路(ApplicationSpecificIntegratedCircuit，ASIC)、现场可编程门阵列(Field-分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器[0212]集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用