基于特征变换的受遮挡人脸识别方法及装置制造方法及图纸

本发明专利技术实施例提供一种基于特征变换的受遮挡人脸识别方法及装置，所述方法包括：将目标人脸图像输入至预设的卷积神经网络模型，从所述卷积神经网络模型的最后一个卷积层获取所述目标人脸图像的特征图；计算所述特征图与预先获取的特征掩膜的分素乘积；将所述分素乘积输入至所述卷积神经网络模型的特征层，输出所述目标人脸图像的用于识别的特征。本发明专利技术实施例提供的基于特征变换的受遮挡人脸识别方法及装置，对受遮挡人脸的图像采用添加特征掩膜的特征变换方式，舍弃人脸常见易受遮挡区域的特征响应，工程实现更容易，计算时间更短，网络结构更简单，并且提高受遮挡人脸的识别精度。

【技术实现步骤摘要】
基于特征变换的受遮挡人脸识别方法及装置
本专利技术实施例涉及人脸识别
，尤其涉及一种基于特征变换的受遮挡人脸识别方法及装置。
技术介绍
人脸识别的应用越来越广泛，对人脸识别精度的要求越来越高，尤其是在人脸部分受遮挡的情况下的识别精度更为重要。现有技术中，通常使用基于卷积神经网络的人脸识别算法进行人脸是识别，但是，基于卷积神经网络的人脸识别算法很大程度上依赖于数据集的质量，但是实际场景中人脸在遮挡、角度等方面具有更大的复杂性。受遮挡人脸图片的人工标注难度也更大，所以大多数已有人脸识别技术对于受遮挡人脸图片存在识别精度下降严重的问题。现有的提高人脸遮挡鲁棒性的算法，大多采用多网络结构分别训练多人脸区域的方法，将人脸不同区域的特征融合，但这些方法存在计算资源消耗大，计算时间更长，人脸图片的预处理更复杂的缺点。
技术实现思路
本专利技术实施例的目的是提供一种克服上述问题或者至少部分地解决上述问题的基于特征变换的受遮挡人脸识别方法及装置。为了解决上述技术问题，一方面，本专利技术实施例提供一种基于特征变换的受遮挡人脸识别方法，包括：将目标人脸图像输入至预设的卷积神经网络模型，从所述卷积神经网络模型的最后一个卷积层获取所述目标人脸图像的特征图；计算所述特征图与预先获取的特征掩膜的分素乘积；将所述分素乘积输入至所述卷积神经网络模型的特征层，输出所述目标人脸图像的用于识别的特征。另一方面，本专利技术实施例提供一种基于特征变换的受遮挡人脸识别装置，包括：特征图提取模块，用于将目标人脸图像输入至预设的卷积神经网络模型，从所述卷积神经网络模型的最后一个卷积层获取所述目标人脸图像的特征图；计算模块，用于计算所述特征图与预先获取的特征掩膜的分素乘积；特征获取模块，用于将所述分素乘积输入至所述卷积神经网络模型的特征层，输出所述目标人脸图像的用于识别的特征。再一方面，本专利技术实施例提供一种电子设备，包括：存储器和处理器，所述处理器和所述存储器通过总线完成相互间的通信；所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行上述的方法。又一方面，本专利技术实施例提供一种非暂态计算机可读存储介质，其上存储有计算机程序，当所述计算机程序被处理器执行时，实现上述的方法。本专利技术实施例提供的基于特征变换的受遮挡人脸识别方法及装置，对受遮挡人脸的图像采用添加特征掩膜的特征变换方式，舍弃人脸常见易受遮挡区域的特征响应，工程实现更容易，计算时间更短，网络结构更简单，并且提高受遮挡人脸的识别精度。附图说明图1为本专利技术实施例提供的基于特征变换的受遮挡人脸识别方法示意图；图2为本专利技术实施例提供的基于特征变换的受遮挡人脸识别装置示意图；图3为本专利技术实施例提供的电子设备的结构示意图。具体实施方式为了使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术的实施例，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，都属于本专利技术保护的范围。图1为本专利技术实施例提供的基于特征变换的受遮挡人脸识别方法示意图，如图1所示，本专利技术实施例提供一种基于特征变换的受遮挡人脸识别方法，其执行主体为基于特征变换的受遮挡人脸识别装置，所述方法包括：步骤S101、将目标人脸图像输入至预设的卷积神经网络模型，从所述卷积神经网络模型的最后一个卷积层获取所述目标人脸图像的特征图；步骤S102、计算所述特征图与预先获取的特征掩膜的分素乘积；步骤S103、将所述分素乘积输入至所述卷积神经网络模型的特征层，输出所述目标人脸图像的用于识别的特征。具体来说，本专利技术实施例提供的基于特征变换的受遮挡人脸识别方法，包括两个阶段：一、实验阶段，二、应用阶段。在实验阶段，根据实验获取特征掩膜。在应用阶段，首先，将目标人脸图像输入至预设的卷积神经网络模型，从卷积神经网络模型的最后一个卷积层获取该目标人脸图像的特征图。在将该目标人脸图像的特征图输入特征层之前，先计算该目标人脸图像的特征图与预先获取的特征掩膜的分素乘积。该特征掩膜是预先在实验阶段获取的。最后，将计算得到的分素乘积作为作为变换后的特征图输入至卷积神经网络模型的特征层，输出目标人脸图像的用于识别的特征，以供根据该特征识别该目标人脸图像。本专利技术实施例提供的基于特征变换的受遮挡人脸识别方法，对受遮挡人脸的图像采用添加特征掩膜的特征变换方式，舍弃人脸常见易受遮挡区域的特征响应，工程实现更容易，计算时间更短，网络结构更简单，并且提高受遮挡人脸的识别精度。在上述实施例的基础上，进一步地，获取所述特征掩膜的具体步骤如下：获取目标数据集中的多个原始样本图像，和对所述原始样本图像进行添加人工遮挡后的图像，经过添加人工遮挡后的原始样本图像作为遮挡样本图像，一个原始样本图像对应一个遮挡样本图像；根据一对原始样本图像和遮挡样本图像，获取一个初始特征掩膜；取所有初始特征掩膜的平均值，作为最终的特征掩膜。具体来说，本专利技术实施例提供的基于特征变换的受遮挡人脸识别方法，包括两个阶段：一、实验阶段，二、应用阶段。在实验阶段，根据实验获取特征掩膜。获取特征掩膜的具体步骤如下：首先，获取目标数据集中的多个原始样本图像，针对每一张原始样本图像，将原始样本图像依据人脸特征点对齐，并根据特征点对人脸图片添加人工遮挡，获取对该原始样本图像进行添加人工遮挡后的图像，经过添加人工遮挡后的原始样本图像作为遮挡样本图像，一个原始样本图像对应一个遮挡样本图像。然后，根据一对原始样本图像和遮挡样本图像，获取一个初始特征掩膜。最后，取所有初始特征掩膜的平均值，作为最终的特征掩膜。本专利技术实施例提供的基于特征变换的受遮挡人脸识别方法，对受遮挡人脸的图像采用添加特征掩膜的特征变换方式，舍弃人脸常见易受遮挡区域的特征响应，工程实现更容易，计算时间更短，网络结构更简单，并且提高受遮挡人脸的识别精度。在以上各实施例的基础上，进一步地，所述根据一对原始样本图像和遮挡样本图像，获取一个初始特征掩膜特征掩膜，具体包括：针对目标原始样本图像，将所述目标原始样本图像输入至所述卷积神经网络模型，从所述卷积神经网络模型的最后一个卷积层获取所述目标原始样本图像的特征图，作为第一特征图；并将所述目标原始样本图像对应的目标遮挡样本图像输入至所述卷积神经网络模型，从所述卷积神经网络模型的最后一个卷积层获取所述目标遮挡样本图像的特征图，作为第二特征图；将所述第一特征图和所述第二特征图进行作差，获取差值矩阵；对所述差值矩阵中的元素进行二值化处理，获取初始特征掩膜。具体来说，获取特征掩膜的具体步骤如下：首先，获取目标数据集中的多个原始样本图像，针对每一张原始样本图像，将原始样本图像依据人脸特征点对齐，并根据特征点对人脸图片添加人工遮挡，获取对该原始样本图像进行添加人工遮挡后的图像，经过添加人工遮挡后的原始样本图像作为遮挡样本图像，一个原始样本图像对应一个遮挡样本图像。然后，根据一对原始样本图像和遮挡样本图像，获取一个初始特征掩膜。最后，取所有初始特征掩膜的平均值，作为最终的特征掩膜。其中，根据一对原始样本图像和遮挡样本图像，获取一个初始特征掩膜特征掩膜，具体包括：针对目标原始样本文档来自技高网...

【技术保护点】
1.一种基于特征变换的受遮挡人脸识别方法，其特征在于，包括：将目标人脸图像输入至预设的卷积神经网络模型，从所述卷积神经网络模型的最后一个卷积层获取所述目标人脸图像的特征图；计算所述特征图与预先获取的特征掩膜的分素乘积；将所述分素乘积输入至所述卷积神经网络模型的特征层，输出所述目标人脸图像的用于识别的特征。

【技术特征摘要】
1.一种基于特征变换的受遮挡人脸识别方法，其特征在于，包括：将目标人脸图像输入至预设的卷积神经网络模型，从所述卷积神经网络模型的最后一个卷积层获取所述目标人脸图像的特征图；计算所述特征图与预先获取的特征掩膜的分素乘积；将所述分素乘积输入至所述卷积神经网络模型的特征层，输出所述目标人脸图像的用于识别的特征。2.根据权利要求1所述的方法，其特征在于，获取所述特征掩膜的具体步骤如下：获取目标数据集中的多个原始样本图像，和对所述原始样本图像进行添加人工遮挡后的图像，经过添加人工遮挡后的原始样本图像作为遮挡样本图像，一个原始样本图像对应一个遮挡样本图像；根据一对原始样本图像和遮挡样本图像，获取一个初始特征掩膜；取所有初始特征掩膜的平均值，作为最终的特征掩膜。3.根据权利要求2所述的方法，其特征在于，所述根据一对原始样本图像和遮挡样本图像，获取一个初始特征掩膜特征掩膜，具体包括：针对目标原始样本图像，将所述目标原始样本图像输入至所述卷积神经网络模型，从所述卷积神经网络模型的最后一个卷积层获取所述目标原始样本图像的特征图，作为第一特征图；并将所述目标原始样本图像对应的目标遮挡样本图像输入至所述卷积神经网络模型，从所述卷积神经网络模型的最后一个卷积层获取所述目标遮挡样本图像的特征图，作为...

【专利技术属性】
技术研发人员：张健为，董远，白洪亮，熊风烨，
申请(专利权)人：苏州飞搜科技有限公司，
类型：发明
国别省市：江苏,32