一种人脸识别模型训练方法和人脸识别方法技术

本发明专利技术涉及一种人脸识别模型训练方法和人脸识别方法，其训练方法包括：获取第一人脸图像集和第二人脸图像集；将第一人脸图像集输入第一神经网络模型中进行训练，得到口罩识别模型；将第二人脸图像集随机分成第一类人脸图像和第二类人脸图像；对第一类人脸图像在相应位置添加口罩；将添加口罩后的第一类人脸图像输入第二神经网络模型中进行训练，得到戴口罩识别模型；将第二类人脸图像输入第二神经网络模型中进行训练，得到无口罩识别模型。本发明专利技术对人脸识别问题和口罩识别问题进行了分解，针对两个问题进行有针对性的训练以及神经网络模型的设计和调整，无论是在戴口罩情景还是在无口罩情景，均可以保证人脸识别的稳定精准，满足快速检测的需求。

【技术实现步骤摘要】
一种人脸识别模型训练方法和人脸识别方法
本专利技术涉及人脸识别
，更具体地，涉及一种人脸识别模型训练方法和人脸识别方法。
技术介绍
以人脸面部特征为基础进行生物识别的人脸识别技术，相对于其他生物识别技术而言，有着其独特的可理解性和广泛性，一直被视为在安全、保密等领域重点关注的对象。随着近几年计算机视觉技术的发展，人脸识别作为人工智能浪潮兴起后的一个重要方向，现已经在各个住宅小区、学校、办公楼等重要的日常生活场景有着越来越广泛的具体应用。而人脸识别技术经过近年来的发展已经日趋成熟，为社会大众安全保障工作做出了不可忽视的贡献。但是，在有疫情爆发的时候，世界各国公民均需要提高公共卫生安全意识，戴起口罩以防止疾病的传播，使得人脸面部特征被部分遮挡，这对现有的人脸识别技术提出了挑战。
技术实现思路
本专利技术旨在克服上述现有技术的至少一种缺陷(不足)，提供一种人脸识别模型训练方法和人脸识别方法，用于解决无论是否在戴口罩情景下均能进行稳定、快速、准确的人脸识别问题。本专利技术采取的技术方案是：第一方面，本专利技术提供一种人脸识别模型训练方法，包括：获取第一人脸图像集和第二人脸图像集；将第一人脸图像集输入第一神经网络模型中进行训练，得到口罩识别模型；将第二人脸图像集随机分成第一类人脸图像和第二类人脸图像；对第一类人脸图像在相应位置添加口罩；将添加口罩后的第一类人脸图像输入第二神经网络模型中进行训练，得到戴口罩识别模型；将第二类人脸图像输入第二神经网络模型中进行训练，得到无口罩识别模型。在完成训练样本的采集后，先进行第一阶段的模型训练，训练出可以识别人脸图像中的人脸是否戴口罩的口罩识别模型，再进行第二阶段的模型训练，训练出针对戴口罩情景下的戴口罩识别模型和针对无口罩情景下的无口罩识别模型。通过多阶段的模型训练，可以将人脸识别问题和口罩识别问题进行分阶段地有针对性地进行设计和攻克，使得所训练出的模型无论人脸是否戴口罩，都可以既保证人脸识别的稳定精准，又满足快速检测的需求。进一步地，第一神经网络模型包括先行结构和多级残差结构，先行结构的输出端与多级残差结构的输入端连接，先行结构包括多个依次连接的提取块，每个提取块包括依次连接的池化层、卷积层和激活层。第一人脸图像集从先行结构的输入端输入，通过多个连续的提取块初步提取出第一人脸图像集的人脸图片特征，再输入到后续的多级残差结构中。进一步地，多级残差结构包括k级扩张网络、第一激活层、第二激活层、第一全连接层和损失层，每级扩张网络对输入进行n阶扩张形成n个输出分支；第一级扩张网络的输入端与先行结构的输出端连接，上一级扩张网络的其中1个输出分支与下一级扩张网络的输入端连接，前k/2级扩张网络的其余n-1个输出分支的其中一部分与第一激活层的输入端连接，前k/2级扩张网络的其余n-1个输出分支的另一部分连接第一全连接层，后k/2级扩张网络的其余n-1个输出分支的其中一部分与第一全连接层的输入端连接，后k/2级扩张网络的其余n-1个输出分支的另一部分与第二激活层的输入端连接；第一激活层的输出端与第一全连接层的输出端融合形成位置信息输出分支，位置信息输出分支与第二激活层的输出端融合形成分类信息输出分支，分类信息输出分支与损失层的输入端连接。多级残差结构利用扩张网络的方法增加了第一神经网络模型的宽度、减少第一神经网络模型的深度，使得第一神经网络模型的参数量只有百万级别。利用多级残差结构还可以减少过拟合的现象，提高口罩信息的提取效率，加快口罩的识别。进一步地，损失层以softmaxloss为损失函数并以Adam作为反向传播的优化器。进一步地，第二神经网络采用Inception-Resnet-v2网络结构，在Inception-Resnet-v2网络结构的平均池化层与损失层之间设有第二全连接层。以Inception-Resnet-v2网络结构作为深度卷积网络模块，并在最后的连接特征图之后再加一层全连接层输出，可以提取更具体的眼部特征。进一步地，Inception-Resnet-v2网络结构的损失层以centerloss为损失函数。进一步地，将添加口罩后的第一类人脸图像输入第二神经网络模型中进行训练的步骤，包括：根据添加口罩后的第一类人脸图像，构建第一类人脸图像对应的三元组样本；将第一类人脸图像对应的三元组样本输入第二神经网络模型中进行训练；将第二类人脸图像输入第二神经网络模型中进行训练的步骤，包括：根据第二类人脸图像，构建第二类人脸图像对应的三元组样本；将第二类人脸图像对应的三元组样本输入第二神经网络模型中进行训练。在进行戴口罩识别模型和无口罩识别模型的训练时，根据训练样本构建出三元组样本，以正、反、锚三组对照数据输入Inception-Resnet-v2网络结构，可以进一步地适应模型注重眼部特征提取的要求，以提高戴口罩识别模型和无口罩识别模型的识别精度。进一步地，对第一类人脸图像在相应位置添加口罩的步骤，包括：获取第一类人脸图像上的人脸标定点、人脸宽度和人脸高度；根据人脸标定点定位人脸的嘴唇部分，根据所定位的人脸的嘴唇部分确定口罩的添加位置；根据人脸宽度和人脸高度确定所添加口罩的尺寸。第二方面，本专利技术提供一种人脸识别方法，包括：将待识别人脸图像输入如第一方面所述的口罩识别模型，得到口罩识别结果；根据口罩识别结果，判断待识别人脸图像的人脸是否戴口罩；根据待识别人脸图像的人脸是否戴口罩的判断结果，将待识别人脸图像输入如第一方面所述的戴口罩识别模型或如第二方面所述的无口罩识别模型，得到人脸特征。在第一阶段，先通过口罩识别模型判断待识别人脸图像上的人脸是否戴口罩，在第二阶段，再根据识别人脸图像上的人脸是否戴口罩选择戴口罩识别模型或选择无口罩识别模型进行人脸识别。通过多阶段的识别，可以分阶段地、有针对性地对人脸识别问题和口罩识别问题分别进行设计和攻克，无论待识别人脸图像上的人脸是否戴口罩，都可以既保证人脸识别的稳定精准，又满足快速检测的需求。进一步地，根据口罩识别结果，判断待识别人脸图像的人脸是否戴口罩的步骤，包括：根据口罩识别结果，确定待识别人脸图像的人脸戴口罩的置信度和无口罩的置信度；当无口罩的置信度不小于第一阈值时，判断待识别人脸图像的人脸是不戴口罩的；当无口罩的置信度小于第一阈值且无口罩的置信度与戴口罩的置信度之差大于第二阈值时，判断待识别人脸图像的人脸是不戴口罩的；当无口罩的置信度小于第一阈值且无口罩的置信度与戴口罩的置信度之差不大于第二阈值时，判断待识别人脸图像的人脸是戴口罩的。通过设置第一阈值和第二阈值，采用多阈值分条件情况的分析方法对待识别人脸图像的人脸是否戴口罩进行判断，可以使得人脸识别方法更加贴切实际情景下的应用。与现有技术相比，本专利技术的有益效果为：本专利技术对人脸识别问题和口罩识别问题进行了分解，针对两个问题进行有针对性的训练以及神经网络模型的设计和调整，避免了直接一刀切地进行口罩人脸训练，有效提高戴口罩人脸识别的准确率同时也不会影响无口罩人脸识别的准确率，并且能保本文档来自技高网...

【技术保护点】
1.一种人脸识别模型训练方法，其特征在于，包括：/n获取第一人脸图像集和第二人脸图像集；/n将所述第一人脸图像集输入第一神经网络模型中进行训练，得到口罩识别模型；/n将所述第二人脸图像集随机分成第一类人脸图像和第二类人脸图像；/n对所述第一类人脸图像在相应位置添加口罩；/n将添加口罩后的所述第一类人脸图像输入第二神经网络模型中进行训练，得到戴口罩识别模型；/n将所述第二类人脸图像输入第二神经网络模型中进行训练，得到无口罩识别模型。/n

【技术特征摘要】
1.一种人脸识别模型训练方法，其特征在于，包括：
获取第一人脸图像集和第二人脸图像集；
将所述第一人脸图像集输入第一神经网络模型中进行训练，得到口罩识别模型；
将所述第二人脸图像集随机分成第一类人脸图像和第二类人脸图像；
对所述第一类人脸图像在相应位置添加口罩；
将添加口罩后的所述第一类人脸图像输入第二神经网络模型中进行训练，得到戴口罩识别模型；
将所述第二类人脸图像输入第二神经网络模型中进行训练，得到无口罩识别模型。


2.根据权利要求1所述的人脸识别模型训练方法，其特征在于，所述第一神经网络模型包括先行结构和多级残差结构，所述先行结构的输出端与所述多级残差结构的输入端连接，所述先行结构包括多个依次连接的提取块，每个所述提取块包括依次连接的池化层、卷积层和激活层。


3.根据权利要求2所述的人脸识别模型训练方法，其特征在于，所述多级残差结构包括k级扩张网络、第一激活层、第二激活层、第一全连接层和损失层，每级所述扩张网络对输入进行n阶扩张形成n个输出分支；
第一级扩张网络的输入端与所述先行结构的输出端连接，上一级扩张网络的其中1个输出分支与下一级扩张网络的输入端连接，前k/2级扩张网络的其余n-1个输出分支的其中一部分与第一激活层的输入端连接，前k/2级扩张网络的其余n-1个输出分支的另一部分连接第一全连接层，后k/2级扩张网络的其余n-1个输出分支的其中一部分与第一全连接层的输入端连接，后k/2级扩张网络的其余n-1个输出分支的另一部分与第二激活层的输入端连接；
所述第一激活层的输出端与所述第一全连接层的输出端融合形成位置信息输出分支，所述位置信息输出分支与所述第二激活层的输出端融合形成分类信息输出分支，所述分类信息输出分支与所述损失层的输入端连接。


4.根据权利要求3所述的人脸识别模型训练方法，其特征在于，所述损失层以softmaxloss为损失函数并以Adam作为反向传播的优化器。


5.根据权利要求1至4任一项所述的人脸识别模型训练方法，其特征在于，所述第二神经网络采用Inception-Resnet-v2网络结构，在所述Inception-Resnet-v2网络结构的平均池化层与损失层之间设有第二全连接层。


6.根据权利要求5所述的人...

【专利技术属性】
技术研发人员：李刚，黄翰，阮子琦，刘沛贤，
申请(专利权)人：佛山市玖章智能科技有限公司，
类型：发明
国别省市：广东;44