一种面部识别方法、系统及相关装置制造方法及图纸

本申请提供一种面部识别方法，包括：获取可见光图像数据集；根据所述可见光图像数据集训练得到可见光人脸识别模型；对所述可见光人脸识别模型剪枝得到剪枝模型；对所述剪枝模型进行迁移学习训练和模拟量化训练，得到近红外模型；利用所述近红外模型提取待识别图像得到面部特征。本申请利用迁移学习的方法移植可见光识别模型针对近红外图像进行人脸识别，解决了可见光在暗光和强光下无法进行人脸识别的问题，能够在暗光或者强光下依旧进行有效的人脸识别。本申请还提供一种面部识别系统、计算机可读存储介质和面部识别设备，具有上述有益效果。

A face recognition method, system and related devices

【技术实现步骤摘要】
一种面部识别方法、系统及相关装置
本申请涉及图像处理领域，特别涉及一种面部识别方法、系统及相关装置。
技术介绍
近年来，人脸识别已经广泛的应用于安防、门禁、支付等领域，为了保证使用的安全性和可靠性，必须保证人脸识别的准确率和稳定性。目前基于可见光图像(指相机在太阳光照下的成像)所进行的人脸识别方法已经非常成熟并且应用在生活的各个场所，但是在无太阳光下，这种方法便无法进行人脸识别。因此如何实现在无光或者弱光的情况进行人脸识别是本领域技术人员继续解决的技术问题。
技术实现思路
本申请的目的是提供一种面部识别方法、系统、计算机可读存储介质和面部识别设备，能够在无光或者弱光的情况进行人脸识别。为解决上述技术问题，本申请提供一种面部识别方法，具体技术方案如下：获取可见光图像数据集；根据所述可见光图像数据集训练得到可见光人脸识别模型；对所述可见光人脸识别模型剪枝得到剪枝模型；对所述剪枝模型进行迁移学习训练和模拟量化训练，得到近红外模型；利用所述近红外模型提取待识别图像得到面部特征。其中，对所述可见光人脸识别模型剪枝得到剪枝模型包括：根据所述可见光人脸识别模型确定对应的深度神经网络模型和模型参数；确定所述深度神经网络模型各个通道的通道选择向量；利用预设目标损失函数对各所述通道选择向量和所述模型参数进行优化，将优化后通道选择向量的向量元素为0的通道作为冗余通道；剪除所述冗余通道，得到剪枝模型。其中，对所述剪枝模型进行迁移学习训练和模拟量化训练，得到近红外模型包括：提取所述剪枝模型的激活量尺度文件；根据预设函数模型分别确定可见光和近红外数据集各自对应的目标函数；载入所述激活量尺度文件，利用两个目标函数对所述剪枝模型的模型权重训练，并在训练时减少可见光对所述模型权重的影响因子，提高近红外对所述模型权重的影响因子；当可见光对所述模型权重的影响因子降至0时，得到近红外模型。其中，提取所述剪枝模型的激活量尺度文件包括：根据所述剪枝模型的激活值量化目标值分布与激活值分布的相似度提取所述剪枝模型的激活量尺度文件。本申请还提供一种面部识别系统，包括：获取模块，用于获取可见光图像数据集；第一训练模块，用于根据所述可见光图像数据集训练得到可见光人脸识别模型；剪枝模块，用于对所述可见光人脸识别模型剪枝得到剪枝模型；第二训练模块，用于对所述剪枝模型进行迁移学习训练和模拟量化训练，得到近红外模型；特征提取模块，用于利用所述近红外模型提取待识别图像得到面部特征。其中，所述剪枝模块包括：第一确定单元，用于根据所述可见光人脸识别模型确定对应的深度神经网络模型和模型参数；第二确定单元，用于确定所述深度神经网络模型各个通道的通道选择向量；优化单元，用于利用预设目标损失函数对各所述通道选择向量和所述模型参数进行优化，将优化后通道选择向量的向量元素为0的通道作为冗余通道；剪枝单元，用于剪除所述冗余通道，得到剪枝模型。其中，所述第二训练模块包括：提取单元，用于提取所述剪枝模型的激活量尺度文件；目标函数确定单元，用于根据预设函数模型分别确定可见光和近红外数据集各自对应的目标函数；调节单元，用于载入所述激活量尺度文件，利用两个目标函数对所述剪枝模型的模型权重训练，并在训练时减少可见光对所述模型权重的影响因子，提高近红外对所述模型权重的影响因子；模型生成单元，用于当可见光对所述模型权重的影响因子降至0时，得到近红外模型。其中，所述提取单元为用于根据所述剪枝模型的激活值量化目标值分布与激活值分布的相似度提取所述剪枝模型的激活量尺度文件的单元。本申请还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的方法的步骤。本申请还提供一种面部识别设备，包括存储器和处理器，所述存储器中存有计算机程序，所述处理器调用所述存储器中的计算机程序时实现如上所述的方法的步骤。本申请提供一种面部识别方法，包括：获取可见光图像数据集；根据所述可见光图像数据集训练得到可见光人脸识别模型；对所述可见光人脸识别模型剪枝得到剪枝模型；对所述剪枝模型进行迁移学习训练和模拟量化训练，得到近红外模型；利用所述近红外模型提取待识别图像得到面部特征。本申请利用迁移学习的方法移植可见光识别模型针对近红外图像进行人脸识别，解决了可见光在暗光和强光下无法进行人脸识别的问题，能够在暗光或者强光下依旧进行有效的人脸识别。本申请还提供一种面部识别方法、系统、计算机可读存储介质和面部识别设备，具有上述有益效果，此处不再赘述。附图说明为了更清楚地说明本申请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申请的实施例，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。图1为本申请实施例所提供的一种面部识别方法的流程图；图2为本申请实施例所提供的一种面部识别系统结构示意图。具体实施方式为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。请参考图1，图1为本申请实施例所提供的一种面部识别方法的流程图，该方法包括：S101：获取可见光图像数据集；S102：根据可见光图像数据集训练得到可见光人脸识别模型；本步骤旨在训练得到可见光人脸识别模型，在此对于如何训练不做具体限定，在此对于采用何种数据集以及采用何种识别模型训练不作具体限定，例如可以利用可见光图像数据集MS1M-retina对现有的效果比较好的人脸识别模型Mobilefacenet进行训练，得到基于可见光图像的人脸识别模型。当然，也可以采用其他可见光数据集或识别模型，在此不一一举例限定。S103：对可见光人脸识别模型剪枝得到剪枝模型；优选的，本步骤可以分为如下几个步骤进行：S1031：根据可见光人脸识别模型确定对应的深度神经网络模型和模型参数；S1032：确定深度神经网络模型各个通道的通道选择向量；S1033：利用预设目标损失函数对各通道选择向量和模型参数进行优化，将优化后通道选择向量的向量元素为0的通道作为冗余通道；S1034：剪除冗余通道，得到剪枝模型。本步骤中，需要对可见光数据集训练得到的深度神经网络模型，载入模型的参数。设计筛选冗余通道的目标损失函数，获取表征深度神经网络模型中各个通道的重要性的通道选择向量，利用目标损失函数对通道选择向量和本文档来自技高网...

【技术保护点】
1.一种面部识别方法，其特征在于，包括：/n获取可见光图像数据集；/n根据所述可见光图像数据集训练得到可见光人脸识别模型；/n对所述可见光人脸识别模型剪枝得到剪枝模型；/n对所述剪枝模型进行迁移学习训练和模拟量化训练，得到近红外模型；/n利用所述近红外模型提取待识别图像得到面部特征。/n

【技术特征摘要】
1.一种面部识别方法，其特征在于，包括：
获取可见光图像数据集；
根据所述可见光图像数据集训练得到可见光人脸识别模型；
对所述可见光人脸识别模型剪枝得到剪枝模型；
对所述剪枝模型进行迁移学习训练和模拟量化训练，得到近红外模型；
利用所述近红外模型提取待识别图像得到面部特征。


2.根据权利要求1所述的面部识别方法，其特征在于，对所述可见光人脸识别模型剪枝得到剪枝模型包括：
根据所述可见光人脸识别模型确定对应的深度神经网络模型和模型参数；
确定所述深度神经网络模型各个通道的通道选择向量；
利用预设目标损失函数对各所述通道选择向量和所述模型参数进行优化，将优化后通道选择向量的向量元素为0的通道作为冗余通道；
剪除所述冗余通道，得到剪枝模型。


3.根据权利要求1所述的面部识别方法，其特征在于，对所述剪枝模型进行迁移学习训练和模拟量化训练，得到近红外模型包括：
提取所述剪枝模型的激活量尺度文件；
根据预设函数模型分别确定可见光和近红外数据集各自对应的目标函数；
载入所述激活量尺度文件，利用两个目标函数对所述剪枝模型的模型权重训练，并在训练时减少可见光对所述模型权重的影响因子，提高近红外对所述模型权重的影响因子；
当可见光对所述模型权重的影响因子降至0时，得到近红外模型。


4.根据权利要求3所述的面部识别方法，其特征在于，提取所述剪枝模型的激活量尺度文件包括：
根据所述剪枝模型的激活值量化目标值分布与激活值分布的相似度提取所述剪枝模型的激活量尺度文件。


5.一种面部识别系统，其特征在于，包括：
获取模块，用于获取可见光图像数据集；
第一训练模块，用于根据所述可见光图像数据集训练得到可见光人脸识别模型；
剪枝模块，用于对所述可见光人脸识别模型剪枝得到剪枝模型；

【专利技术属性】
技术研发人员：谭明奎，谢政，刘璟，吴希贤，
申请(专利权)人：湖南极点智能科技有限公司，
类型：发明
国别省市：湖南;43