一种跨模型人脸识别方法、装置、设备及介质制造方法及图纸

本发明专利技术提供的一种跨模型人脸识别方法、装置、设备及介质，获取两个不同的人脸识别模型，将其中一个人脸识别模型确定为源模型，另一个人脸识别模型确定为目标模型；然后通过源模型和目标模型分别从待识别的不同人脸图像中提取人脸特征；获取与源模型对应的人脸特征，标记为源特征；以及获取与目标模型对应的人脸特征，标记为目标特征；通过特征转化系统对源特征进行转化，获取转化特征；将转化特征与目标特征直接进行比对，进行跨模型人脸识别。本发明专利技术可以有效地解决了原先不同人脸识别模型之间无法直接进行跨模型识别的问题。本发明专利技术只需较小的计算资源开销即可实现快速高效的特征转化，大大地提高了基于特征转化系统的跨模型人脸识别的应用价值。

【技术实现步骤摘要】
一种跨模型人脸识别方法、装置、设备及介质
本专利技术涉及人脸识别
，特别是涉及一种跨模型人脸识别方法、装置、设备及介质。
技术介绍
目前，人脸识别技术主要通过人脸识别模型从人脸图像中提取特征，然后对不同图像的特征进行比对，从而实现人脸识别。一般情况下，只有经同一模型提取的特征之间才能进行比对，不同模型之间的特征是不能直接进行比对的，所以目前的人脸识别算法无法进行跨模型人脸识别。
技术实现思路
鉴于以上所述现有技术的缺点，本专利技术的目的在于提供一种跨模型人脸识别方法、装置、设备及介质，用于解决现有技术中存在的技术问题。为实现上述目的及其他相关目的，本专利技术提供一种跨模型人脸识别方法，包括以下步骤：获取两个不同的人脸识别模型，将其中一个人脸识别模型确定为源模型，另一个人脸识别模型确定为目标模型；通过所述源模型和所述目标模型分别从待识别的不同人脸图像中提取人脸特征；获取与所述源模型对应的人脸特征，标记为源特征；以及获取与所述目标模型对应的人脸特征，标记为目标特征；通过特征转化系统对所述源特本文档来自技高网...

【技术保护点】
1.一种跨模型人脸识别方法，其特征在于，包括以下步骤：/n获取两个不同的人脸识别模型，将其中一个人脸识别模型确定为源模型，另一个人脸识别模型确定为目标模型；/n通过所述源模型和所述目标模型分别从待识别的不同人脸图像中提取人脸特征；获取与所述源模型对应的人脸特征，标记为源特征；以及获取与所述目标模型对应的人脸特征，标记为目标特征；/n通过特征转化系统对所述源特征进行转化，获取转化特征；/n将所述转化特征与所述目标特征直接进行比对，进行跨模型人脸识别。/n

【技术特征摘要】
1.一种跨模型人脸识别方法，其特征在于，包括以下步骤：
获取两个不同的人脸识别模型，将其中一个人脸识别模型确定为源模型，另一个人脸识别模型确定为目标模型；
通过所述源模型和所述目标模型分别从待识别的不同人脸图像中提取人脸特征；获取与所述源模型对应的人脸特征，标记为源特征；以及获取与所述目标模型对应的人脸特征，标记为目标特征；
通过特征转化系统对所述源特征进行转化，获取转化特征；
将所述转化特征与所述目标特征直接进行比对，进行跨模型人脸识别。


2.根据权利要求1所述的跨模型人脸识别方法，其特征在于，通过所述特征转化系统从所述源特征中分别提取粗粒度特征和细粒度特征，并将所述粗粒度特征和所述细粒度特征进行融合，生成转化特征。


3.根据权利要求2所述的跨模型人脸识别方法，其特征在于，通过所述特征转化系统中的特征翻译模块从所述源特征中提取粗粒度特征。


4.根据权利要求3所述的跨模型人脸识别方法，其特征在于，所述特征翻译模块至少包括有线性变换单元、激活函数单元；将所述源特征作为输入，通过所述线性变换单元和激活函数单元生成粗粒度特征。


5.根据权利要求2至4中任一所述的跨模型人脸识别方法，其特征在于，通过所述特征转化系统从所述源特征中提取细粒度特征，包括：
通过上采样将所述源特征编码映射为多通道的二维人脸特征图；
对所述二维人脸特征图进行降采样，并提升所述二维人脸特征图的通道数；
通过多个独立的神经网络从提升通道数后的二维人脸特征图的局部区域和全局区域中分别提取不同特征，并根据提取的不同特征融合生成细粒度特征。


6.根据权利要求5所述的跨模型人脸识别方法，其特征在于，所述特征转化系统包括编码模块；所述编码模块用于通过上采样将所述源特征编码映射为多通道的二维人脸特征图；其中，所述编码模块至少包括全连接单元、矩阵变换单元、上采样单元。


7.根据权利要求6所述的跨模型人脸识别方法，其特征在于，所述特征转化系统还包括解码模块；所述解码模块用于对所述二维人脸特征图进行降采样，并提升所述二维人脸特征图的通道数；其中，所述解码模块至少包括有：卷积单元。


8.根据权利要求7所述的跨模型人脸识别方法，其特征在于，所述特征转化系统还包括多分支模块；所述多分支模块用于通过多个独立的神经网络从提升通道数后的二维人脸特征图的局部区域和全局区域中分别提取不同特征，并根据提取的不同特征融合生成细粒度特征；其中，所述多分支模块至少包括：融合单元、线性变换单元。


9.根据权利要求5所述的跨模型人脸识别方法，其特征在于，所述局部区域包括以下至少之一：上半脸、下半脸、左眼、右眼、鼻子、嘴巴。


10.根据权利要求1所述的跨模型人脸识别方法，其特征在于，在通过所述特征转化系统对所述源特征进行转化前，还包括训练所述特征转化系统；
确定损失函数，根据所述损失函数计算所述转化特征与所述目标特征的损失值；
通过反向传播算法计算与所述损失值对应的更新值；
根据所述更新值更新所述特征转化系统的训练参数，并根据更新后的训练参数对所述特征转化系统进行训练；
若所述目标特征与所述转化特征的相似度达到最大化时，完成对所述特征转化系统的训练。


11.根据权利要求1所述的跨模型人脸识别方法，其特征在于，还包括通过人脸检测算法对人脸图像进行检测，获取人脸区域以及人脸关键点信息；并通过人脸对齐算法将人脸区域中的五官对齐至固...

【专利技术属性】
技术研发人员：姚志强，周曦，张博，蹇易，
申请(专利权)人：恒睿重庆人工智能技术研究院有限公司，
类型：发明
国别省市：重庆;50