多场景兼容的人脸识别方法、装置、电子设备和存储介质制造方法及图纸

本申请涉及多场景兼容的人脸识别方法、装置、电子设备和存储介质，属于人脸识别技术领域，该方法包括：获取待识别人脸图片；分别通过平衡模型、口罩识别模型和肤色识别模型对待识别人脸图片提取第一特征、第二特征和第三特征；将第二特征和第三特征加权平均，得到第四特征；将第四特征和所述第一特征合并，得到合并的特征；将合并的特征与底库中的人脸图片的特征进行比对，并根据比对结果确定识别结果。通过本申请，能够对一般人脸、戴口罩的人脸和具有不同肤色的人脸进行准确、高效的识别。高效的识别。高效的识别。

【技术实现步骤摘要】
多场景兼容的人脸识别方法、装置、电子设备和存储介质


[0001]本申请涉及人脸识别
，特别是涉及多场景兼容的人脸识别方法、装置、电子设备和存储介质。

技术介绍

[0002]目前，单一人脸识别模型往往不能够很好地应对多种多样的场景，比如在一般的人脸识别场景中，需要人为拿掉面前的遮挡物（例如口罩），才能对人脸进行准确的识别，若在一些场合的入口，例如地铁进站口或考勤登记门口等，由于被识别人需要作出清理面孔遮挡物的动作，通常会导致排队严重，入口的通过效率太低。
[0003]基于卷积神经网络的人脸识别技术，很大程度上依赖于训练集中的数据，只有在足够丰富的数据集下训练的模型，才能够应对多种多样的场景，但是，过多增加模型参数量会导致模型的稳定性较差，而在不过多增加模型参数量的前提下，识别的准确性很低。

技术实现思路

[0004]第一方面，本申请实施例提供了一种多场景兼容的人脸识别方法，所述方法包括：获取待识别人脸图片；分别通过平衡模型、口罩识别模型和肤色识别模型对所述待识别人脸图片提取第一特征、第二特征和第三特征；将所述第二特征和所述第三特征加权平均，得到第四特征；将所述第四特征和所述第一特征合并，得到合并的特征；将所述合并的特征与底库中的人脸图片的特征进行比对，并根据比对结果确定识别结果。
[0005]在其中一些实施例中，在所述获取待识别人脸图片之前，所述方法还包括：获取训练数据，其中，所述训练数据为经过对齐操作的人脸图片；利用所述训练数据对预先设计的平衡网络进行训练，当训练结束时，得到所述平衡模型，其中，所述平衡网络为EfficientNetv2
‑
s，所述EfficientNetv2
‑
s通过NAS搜索最优EfficientNetv2结构而得到。
[0006]在其中一些实施例中，在所述获取待识别人脸图片之前，所述方法还包括：从所述训练数据中选取部分人脸图片，并输入角度模型，得到人脸角度值；根据所述人脸角度值判断人脸方向，并结合3D口罩贴合方案，生成带口罩的人脸数据；将所述带口罩的人脸数据与所述训练数据合并，得到第一扩充训练集；利用所述第一扩充训练集训练预先设计的口罩网络，当训练结束时，得到所述口罩识别模型。
[0007]在其中一些实施例中，所述口罩网络的设计方式包括：固定所述平衡网络结构的前n层，其中，n是大于0的整数，且n＜m，m表示所述平衡网络结构的总共层数；在第n层之后添加SimAM模块，得到所述口罩网络。
[0008]在其中一些实施例中，在所述获取待识别人脸图片之前，所述方法还包括：从所述训练数据中选取部分人脸图片，随机调整R、G、B颜色空间值，生成不同肤色的人脸数据；将所述不同肤色的人脸数据与所述训练数据合并，得到第二扩充训练集；利用所述第二扩充训练集训练预先设计的肤色网络，当训练结束时，得到所述肤色识别模型。
[0009]在其中一些实施例中，所述肤色网络的设计方式包括：固定所述平衡网络结构的
前n层，其中，n是大于0的整数，且n＜m，m表示所述平衡网络结构的总共层数；在第n层之后添加自注意力机制，得到所述肤色网络。
[0010]在其中一些实施例中，所述平衡模型、所述口罩识别模型和所述肤色识别模型中均包含DropBlock模块。
[0011]第二方面，本申请实施例提供一种多场景兼容的人脸识别装置，包括：获取模块，用于获取待识别人脸图片；提取模块，用于分别通过平衡模型、口罩识别模型和肤色识别模型对所述待识别人脸图片提取第一特征、第二特征和第三特征；计算模块，用于将所述第二特征和所述第三特征加权平均，得到第四特征；将所述第四特征和所述第一特征合并，得到合并的特征；将所述合并的特征与底库中的人脸图片的特征进行比对，并根据比对结果确定识别结果。
[0012]第三方面，本申请实施例提供一种电子设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以上述任一项所述的方法。
[0013]第四方面，本申请实施例提供一种存储介质，所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行上述任一项所述的方法。
[0014]根据上述内容，本申请实施例提供的多场景兼容的人脸识别方法包括：获取待识别人脸图片；分别通过平衡模型、口罩识别模型和肤色识别模型对待识别人脸图片提取第一特征、第二特征和第三特征；将第二特征和第三特征加权平均，得到第四特征；将第四特征和第一特征合并，得到合并的特征；将合并的特征与底库中的人脸图片的特征进行比对，并根据比对结果确定识别结果。本申请实施例融合了平衡模型、口罩识别模型和肤色识别模型，模型的稳定性高，并且，能够在多场景中对一般人脸、戴口罩的人脸和具有不同肤色的人脸进行准确的识别，特别是，应用在一些场合的入口时，被识别人员无需做出摘口罩动作，即使是不同肤色的人种，也能够高效、精准的进行人脸识别，不仅识别的准确率高，而且能够提高入口通行的效率。
附图说明
[0015]此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：图1是根据本申请实施例所示的多场景兼容的人脸识别方法的流程图；图2是根据本申请实施例的MBConv的结构示意图；图3是根据本申请实施例的Fused
‑
MBConv的结构示意图；图4是根据本申请实施例的举例的多场景兼容的人脸识别方法的流程图；图5是根据本申请实施例所示的多场景兼容的人脸识别装置的结构框图；图6是根据本申请实施例的电子设备的内部结构示意图。
具体实施方式
[0016]为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行描述和说明。应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。基于本申请提供的实施例，本领域普通技术人员在没有作出创造性劳动的
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。此外，还可以理解的是，虽然这种开发过程中所作出的努力可能是复杂并且冗长的，然而对于与本申请公开的内容相关的本领域的普通技术人员而言，在本申请揭露的
技术实现思路
的基础上进行的一些设计，制造或者生产等变更只是常规的技术手段，不应当理解为本申请公开的内容不充分。
[0017]在本申请中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域普通技术人员显式地和隐式地理解的是，本申请所描述的实施例在不冲突的情况下，可以与其它实施例相结合。
[0018]除非另作定义，本申请所涉及的技术术语或者科学术语应当为本申请所属
内具有一般技能的人士所理解的通常意义。本申请所涉及的“一”、“一个”、“一种”、“该”等类似词语并不表示数量限制，可表示单数或复数。本申请所涉及的术语“包括”本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种多场景兼容的人脸识别方法，其特征在于，所述方法包括：获取待识别人脸图片；分别通过平衡模型、口罩识别模型和肤色识别模型对所述待识别人脸图片提取第一特征、第二特征和第三特征；将所述第二特征和所述第三特征加权平均，得到第四特征；将所述第四特征和所述第一特征合并，得到合并的特征；将所述合并的特征与底库中的人脸图片的特征进行比对，并根据比对结果确定识别结果。2.根据权利要求1所述的方法，其特征在于，在所述获取待识别人脸图片之前，所述方法还包括：获取训练数据，其中，所述训练数据为经过对齐操作的人脸图片；利用所述训练数据对预先设计的平衡网络进行训练，当训练结束时，得到所述平衡模型，其中，所述平衡网络为EfficientNetv2
‑
s，所述EfficientNetv2
‑
s通过NAS搜索最优EfficientNetv2结构而得到。3.根据权利要求2所述的方法，其特征在于，在所述获取待识别人脸图片之前，所述方法还包括：从所述训练数据中选取部分人脸图片，并输入角度模型，得到人脸角度值；根据所述人脸角度值判断人脸方向，并结合3D口罩贴合方案，生成带口罩的人脸数据；将所述带口罩的人脸数据与所述训练数据合并，得到第一扩充训练集；利用所述第一扩充训练集训练预先设计的口罩网络，当训练结束时，得到所述口罩识别模型。4.根据权利要求3所述的方法，其特征在于，所述口罩网络的设计方式包括：固定所述平衡网络结构的前n层，其中，n是大于0的整数，且n＜m，m表示所述平衡网络结构的总共层数；在第n层之后添加SimAM模块，得到所述口罩网络。5.根据权利要...

【专利技术属性】
技术研发人员：陈白洁，王月平，
申请(专利权)人：杭州魔点科技有限公司，
类型：发明
国别省市：