多任务姿态不变的人脸识别方法、系统、装置及存储介质制造方法及图纸

本发明专利技术公开了一种多任务姿态不变的人脸识别方法、系统、装置及存储介质，其中方法包括以下步骤：获取待识别的人脸图像；将所述人脸图像输入训练好的人脸识别模型进行人脸识别，输出人脸识别结果；其中，所述人脸识别模型包括三个神经网络，所述三个神经网络用于分割人脸区域并进行三种人脸姿势识别，所述三种人脸姿势包括左脸姿势、正脸姿势以及右脸姿势。本发明专利技术通过使用三个神经网络针对不同的人脸姿势，进行人脸识别，能够有效地消除姿势变化带来性能下降的问题，可广泛应用于计算机视觉领域。域。域。

【技术实现步骤摘要】
多任务姿态不变的人脸识别方法、系统、装置及存储介质


[0001]本专利技术涉及计算机视觉领域，尤其涉及一种多任务姿态不变的人脸识别方法、系统、装置及存储介质。

技术介绍

[0002]随着智能设备在如今社会的广泛使用，通过生物特征进行身份识别的应用变得热门且重要起来，其中通过人脸生物特征进行身份识别尤为突出。卷积神经网络由于具有提取空间特征的能力，且易于实现的特点，因此各种不同结构的卷积神经网络已经广泛应用于计算机视觉领域相关的任务之中。如人脸识别任务广泛的使用基于卷积神经网络的模型提取特征，如VGG、Resnet等。在具体任务中以其为基础再加以修改已经成为最受欢迎的方法之一。目前基于卷积神经网络的算法在单个数据集中已经可以取得很好的成果，但是当真正要在实际场景中应用时，难免会有许多漏洞，原因是这些数据集普遍都存在一些缺陷，如采集的人脸角度单一、光线变化不足、人脸表情单一等等。这也就是目前某些人脸识别算法在单个数据集可以取得很好的效果但是一到其他数据集其效果就会骤降的原因。
[0003]为了优化目前人脸识别算法中对姿势变化的图像识别效果差的问题，现有技术提出了不同的方法：其中主要可以分为增广数据和调整模型两类。前者通过联合多个数据集中不同条件的图片来训练模型从而达到一定的泛化能力；后者是调整模型来学习不同姿势的判别表示。
[0004]目前，人脸识别算法不具备泛化性的主要原因，是因为基于卷积神经网络的算法，需要数据具有广泛的分布，基于此，卷积神经网络能学习到更为广泛的特征。而目前的单一数据集由于其是在试验场景下采集的图片，具有采集环境条件相似，分布不广等缺点，与实际场景相差甚远。用某个数据集进行卷积神经网络的训练时并在该数据集取得不错的评估分数后，该卷积神经网络只学习到可能是某个视角或者某个光线下的特征，当换个视角或者换个亮度后，该卷积神经网络的表现就会相对逊色很多。训练的次数越多，该情况越明显。
[0005]术语解释：
[0006]多任务姿态不变：指不同场景下同一个人摆出不同姿势表情，如做鬼脸、哈哈大笑等，通过提出的网络将不同表情映射成一致，维持同一个人的表情。

技术实现思路

[0007]为至少一定程度上解决现有技术中存在的技术问题之一，本专利技术的目的在于提供一种多任务姿态不变的人脸识别方法、系统、装置及存储介质。
[0008]本专利技术所采用的技术方案是：
[0009]一种多任务姿态不变的人脸识别方法，包括以下步骤：
[0010]获取待识别的人脸图像；
[0011]将所述人脸图像输入训练好的人脸识别模型进行人脸识别，输出人脸识别结果；
[0012]其中，所述人脸识别模型包括三个神经网络，所述三个神经网络用于分割人脸区域并进行三种人脸姿势识别，所述三种人脸姿势包括左脸姿势、正脸姿势以及右脸姿势。
[0013]进一步，所述人脸识别方法还包括建立所述人脸识别模型的步骤，具体为：
[0014]根据预设的数据集获取融合有三种人脸姿势的人脸数据集；
[0015]对所述人脸数据集的人脸图像进行人脸姿势分类，获得左脸数据集、正脸数据集和右脸数据集；
[0016]分别对所述左脸数据集、所述正脸数据集和所述右脸数据集中的人脸图像进行人脸区域分割，获得三个训练集；
[0017]将所述三个训练集分别对三个神经网络进行训练，获得所述人脸识别模型。
[0018]进一步，所述分别对所述左脸数据集、所述正脸数据集和所述右脸数据集中的人脸图像进行人脸区域分割，包括：
[0019]采用区间梯度法分别将所述左脸数据集、所述正脸数据集和所述右脸数据集中的人脸图像解构成结构部分和纹理部分，以及抑制所述纹理部分的梯度；
[0020]采用颜色不变策略所述结构部分中获取人脸区域，实现人脸区域分割。
[0021]进一步，所述区间梯度法中采用以下方程获取区间梯度，以表示人脸图像的梯度：
[0022][0023]其中，Ω表示局部窗口；表示重新标量的权重；w
p
表示重新标量的权重；
[0024]w
p
通过以下方程求得：
[0025][0026]其中，为常数。
[0027]进一步，所述采用颜色不变策略所述结构部分中获取人脸区域，包括以下步骤：
[0028]设定颜色不变量，所述颜色不变量为独立于照明强度和视角特性的参数；
[0029]根据所述颜色不变量计算所述结构部分中每个像素的二进制掩码，实现二值图像的精化，以区分出人脸区域和非人脸区域，获得人脸区域。
[0030]进一步，所述颜色不变量的定义如下：
[0031][0032]定义相等能量但照度不均匀的公式如下：
[0033][0034]通过以下线性转换矩阵将图像从RGB转换到高斯颜色模型：
[0035][0036]其中，x代表图像中的位置，λ表示波长，表示照度谱，表示Fresnel反
射率，表示Fresnel材料反射率。
[0037]进一步，在对三个神经网络进行训练时，需确定激活函数，所述激活函数的公式为：
[0038][0039]其中，a
i
为可学习参数，当a
i
为0时，该函数退化为Relu，当a
i
＝0.01，该函数变为LRelu。
[0040]本专利技术所采用的另一技术方案是：
[0041]一种多任务姿态不变的人脸识别系统，包括：
[0042]数据获取模块，用于获取待识别的人脸图像；
[0043]人脸识别模块，用于将所述人脸图像输入训练好的人脸识别模型进行人脸识别，输出人脸识别结果；
[0044]其中，所述人脸识别模型包括三个神经网络，所述三个神经网络用于分割人脸区域并进行三种人脸姿势识别，所述三种人脸姿势包括左脸姿势、正脸姿势以及右脸姿势。
[0045]本专利技术所采用的另一技术方案是：
[0046]一种多任务姿态不变的人脸识别装置，包括：
[0047]至少一个处理器；
[0048]至少一个存储器，用于存储至少一个程序；
[0049]当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现上所述一种多任务姿态不变的人脸识别方法。
[0050]本专利技术所采用的另一技术方案是：
[0051]一种存储介质，其中存储有处理器可执行的指令，所述处理器可执行的指令在由处理器执行时用于执行如上所述一种多任务姿态不变的人脸识别。
[0052]本专利技术的有益效果是：本专利技术通过使用三个神经网络针对不同的人脸姿势，进行人脸识别，能够有效地消除姿势变化带来性能下降的问题。
附图说明
[0053]为了更清楚地说明本专利技术实施例或者现有技术中的技术方案，下面对本专利技术实施例或者现有技术中的相关技术方案附图作以下介绍，应当理解的是，下面介绍中的附图仅仅为了方便清晰表述本专利技术的技术方案中的部分实施例，对于本领域的技术人员而言，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种多任务姿态不变的人脸识别方法，其特征在于，包括以下步骤：获取待识别的人脸图像；将所述人脸图像输入训练好的人脸识别模型进行人脸识别，输出人脸识别结果；其中，所述人脸识别模型包括三个神经网络，所述三个神经网络用于分割人脸区域并进行三种人脸姿势识别，所述三种人脸姿势包括左脸姿势、正脸姿势以及右脸姿势。2.根据权利要求1所述的一种多任务姿态不变的人脸识别方法，其特征在于，所述人脸识别方法还包括建立所述人脸识别模型的步骤，具体为：根据预设的数据集获取融合有三种人脸姿势的人脸数据集；对所述人脸数据集的人脸图像进行人脸姿势分类，获得左脸数据集、正脸数据集和右脸数据集；分别对所述左脸数据集、所述正脸数据集和所述右脸数据集中的人脸图像进行人脸区域分割，获得三个训练集；将所述三个训练集分别对三个神经网络进行训练，获得所述人脸识别模型。3.根据权利要求2所述的一种多任务姿态不变的人脸识别方法，其特征在于，所述分别对所述左脸数据集、所述正脸数据集和所述右脸数据集中的人脸图像进行人脸区域分割，包括：采用区间梯度法分别将所述左脸数据集、所述正脸数据集和所述右脸数据集中的人脸图像解构成结构部分和纹理部分，以及抑制所述纹理部分的梯度；采用颜色不变策略在所述结构部分中获取人脸区域，实现人脸区域分割。4.根据权利要求3所述的一种多任务姿态不变的人脸识别方法，其特征在于，所述区间梯度法中采用以下方程获取区间梯度，以表示人脸图像的梯度：其中，Ω表示局部窗口；表示重新标量的权重；w
p
表示重新标量的权重；w
p
通过以下方程求得：其中，为常数。5.根据权利要求3所述的一种多任务姿态不变的人脸识别方法，其特征在于，所述采用颜色不变策略所述结构部分中获取人脸区域，包括以下步骤：设定颜色不变量，所述颜色不...

【专利技术属性】
技术研发人员：陈真，向友君，张明月，
申请(专利权)人：华南理工大学，
类型：发明
国别省市：