一种人脸遮挡识别方法技术

本发明专利技术公开了一种人脸遮挡识别方法，所述人脸遮挡识别方法包括：S1：利用依次连接的结构生成器、纹理生成器和第一网络模型对遮挡人脸图像进行修复，得到修复后的人脸图像；S2：利用第二网络模型对所述修复后的人脸图像进行识别，得到人脸遮挡识别结果。本发明专利技术所提供的人脸遮挡识别方法，能够解决现有人脸遮挡识别方法存在的图像特征信息提取困难、不能高效地解决人脸遮挡识别的技术问题，从而能够有效地实现人脸遮挡识别。实现人脸遮挡识别。实现人脸遮挡识别。

【技术实现步骤摘要】
一种人脸遮挡识别方法


[0001]本专利技术涉及人脸识别
，具体涉及一种人脸遮挡识别方法。

技术介绍

[0002]人脸识别技术作为一项重大的专利技术，极大地推进了人类文明和科技的发展。然而由于采集场景的复杂性和对象的动态变化性，若出现采集到的人脸存在遮挡问题，将严重影响人脸识别的准确性，因而人脸识别的应用范围受到一定的限制。
[0003]近年来，深度学习在无遮挡人脸识别方面已经十分成熟，精度高达了99.23％。但仍然存在一些问题需要解决。第一：现有模型的网络层次过深，训练时间较长，还存在进一步优化的空间。第二：现实环境较为多变和复杂，在人脸被遮挡的情况下，现有的识别方法大多是有监督识别方法，依赖完整人脸的数据库。第三：现有的无监督人脸遮挡识别方法，不能有效提取人脸特征，识别效果不佳。因此，寻求一种轻量高效的遮挡人脸识别方法是目前的研究人员十分关心的。

技术实现思路

[0004]本专利技术的目的在于提供一种人脸遮挡识别方法，以解决现有人脸遮挡识别方法存在的图像特征信息提取困难、不能高效地解决人脸遮挡识别的技术问题，以能够有效地实现人脸遮挡识别。
[0005]本专利技术解决上述技术问题的技术方案如下：
[0006]本专利技术提供一种人脸遮挡识别方法，所述人脸遮挡识别方法包括：
[0007]S1：利用依次连接的结构生成器、纹理生成器和第一网络模型对遮挡人脸图像进行修复，得到修复后的人脸图像；
[0008]S2：利用第二网络模型对所述修复后的人脸图像进行识别，得到人脸遮挡识别结果。
[0009]可选择地，所述步骤S1包括：
[0010]S11：利用无遮挡的人脸数据集对所述第一网络模型和原始结构生成器进行训练，得到训练后的第一网络模型和训练后的结构生成器；
[0011]S12：在所述无遮挡的人脸数据集中随机抽取部分图像，得到初始样本集；
[0012]S13：随机给所述初始样本集中的部分图像上添加遮挡特征，得到遮挡人脸数据集；
[0013]S14：利用训练后的结构生成器对所述遮挡人脸数据集进行处理，得到结构特征图像数据集；
[0014]S15：利用所述遮挡人脸数据集和所述结构特征图像数据集对纹理生成器进行训练，得到训练后的纹理生成器；
[0015]S16：利用所述训练后的纹理生成器对所述结构特征图像数据集进行处理，得到第一人脸修复图像数据集；
[0016]S17：将所述第一人脸修复图像数据集输入到所述训练后的第一网络模型中，得到第二人脸修复图像数据集，其中，所述第二人脸修复图像集包括修复后的人脸图像。
[0017]可选择地，所述结构生成器包括依次连接的第一输入层、第一封闭卷积层、第一空洞卷积层、第二封闭卷积层、自回归网络和第一输出层。
[0018]可选择地，所述纹理生成器包括依次连接的第二输入层、第三封闭卷积层、第一残差网络、第四封闭卷积层、第二空洞卷积层、第五封闭卷积层、第二残差网络、第六封闭卷积层、第三残差网络、第七封闭卷积层和第二输出层；以及，第三输入层和注意力机制层，所述第三输入层、所述注意力机制层和所述第二残差网络依次连接，所述第二空洞卷积层的输出端还同时与所述注意力机制层连接；
[0019]所述第一输出层连接所述第二输入层。
[0020]可选择地，所述第一网络模型为分层网络模型，所述分层网络模型为VQ
‑
VAE网络模型，所述VQ
‑
VAE网络模型包括依次连接的输入模块、编码器、解码器和输出模块，所述输入模块连接所述第二输出层，所述输出模块连接所述第二网络模型。
[0021]可选择地，所述编码器包括依次连接的第一卷积层、第一矢量量化层、第二卷积层、第一跳跃卷积层、第三卷积层、第二矢量量化层，所述第一卷积层作为所述编码器的输入层与所述输入模块连接，所述第二矢量量化层作为所述编码器的输出层与所述解码器连接。
[0022]可选择地，所述解码器包括第二跳跃卷积层和第四卷积层，所述第二跳跃卷积层作为所述解码器的输入层与所述第二矢量量化层连接，所述第四卷积层作为所述解码器的输出层与所述输出模块连接。
[0023]可选择地，所述步骤S2包括：
[0024]利用所述无遮挡的人脸数据集对第二网络模型进行训练，得到训练后的第二网络模型；
[0025]将所述第二人脸修复图像数据集输入至所述训练后的第二网络模型中，得到识别后的图像集；
[0026]将所述识别后的图像集作为所述人脸遮挡识别结果输出。
[0027]可选择地，所述第二网络模型为识别网络模型，所述识别网络模型为SqueezeNet网络模型。
[0028]可选择地，所述SqueezeNet网络模型包括挤压层和扩充层，所述挤压层连接所述第一网络模型，并且，通过挤压层进行压缩操作之后生成的图像进入扩充层，所述扩充层利用激活函数对所述压缩操作之后生成的图像进行扩充识别。
[0029]本专利技术具有以下有益效果：
[0030](1)有效利用注意力机制和分层网络模型，生成的图像结构和纹理更加真实。
[0031](2)能够很好地处理传统方法中人脸遮挡的识别问题，对于不同程度、不同区域的遮挡，都能很好地进行修复。
[0032](3)识别模块网络轻量，可以极大地提高识别效率。
附图说明
[0033]图1为本专利技术所提供的人脸遮挡识别过程示意图；
[0034]图2为本专利技术所提供的人脸遮挡识别方法流程图；
[0035]图3为结构生成器的结构示意图；
[0036]图4为纹理生成器的结构示意图；
[0037]图5为步骤S1的分步骤流程图；
[0038]图6为VQ
‑
VAE网络模型的结构示意图；
[0039]图7为SqueezeNet网络模型的结构示意图。
具体实施方式
[0040]以下结合附图对本专利技术的原理和特征进行描述，所举实例只用于解释本专利技术，并非用于限定本专利技术的范围。
[0041]实施例
[0042]本专利技术提供一种人脸遮挡识别方法，其基本思想是利用无遮挡的人脸图像数据，选取一部分加上遮挡模板，作为训练集训练生成网络模型，通过该模型对遮挡的人脸图像进行人脸修补，再将其修补的图像作为数据集，输入到预先训练好的轻量性分类网络进行识别，有效解决无监督学习方法对人脸遮挡的识别问题。
[0043]针对实际复杂场景下，无约束的人脸遮挡图像难以且现有方法难以补全，且补全残缺部分会产生结构扭曲或纹理错误的现象，提出了一个两阶段的模型用于人脸遮挡图像修复，首先利用结构生成器处理遮挡的人脸图像，生成多样化的特征结构图像，再将多样化的特征结构图像通过纹理生成器进行纹理增强，得到增强的人脸图像，进而通过训练好的层次VQ
‑
VAE处理增强人脸图像，得到最终的无遮挡修复的人脸图像，最后再将修复的人脸图像通过训练好的SqueezeNet网络模型进行人脸识别，整体过程如图本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种人脸遮挡识别方法，其特征在于，所述人脸遮挡识别方法包括：S1：利用依次连接的结构生成器、纹理生成器和第一网络模型对遮挡人脸图像进行修复，得到修复后的人脸图像；S2：利用第二网络模型对所述修复后的人脸图像进行识别，得到人脸遮挡识别结果。2.根据权利要求1所述的人脸遮挡识别方法，其特征在于，所述步骤S1包括：S11：利用无遮挡的人脸数据集对所述第一网络模型和原始结构生成器进行训练，得到训练后的第一网络模型和训练后的结构生成器；S12：在所述无遮挡的人脸数据集中随机抽取部分图像，得到初始样本集；S13：随机给所述初始样本集中的部分图像上添加遮挡特征，得到遮挡人脸数据集；S14：利用训练后的结构生成器对所述遮挡人脸数据集进行处理，得到结构特征图像数据集；S15：利用所述遮挡人脸数据集和所述结构特征图像数据集对纹理生成器进行训练，得到训练后的纹理生成器；S16：利用所述训练后的纹理生成器对所述结构特征图像数据集进行处理，得到第一人脸修复图像数据集；S17：将所述第一人脸修复图像数据集输入到所述训练后的第一网络模型中，得到第二人脸修复图像数据集，其中，所述第二人脸修复图像集包括修复后的人脸图像。3.根据权利要求1所述的人脸遮挡识别方法，其特征在于，所述结构生成器包括依次连接的第一输入层、第一封闭卷积层、第一空洞卷积层、第二封闭卷积层、自回归网络和第一输出层。4.根据权利要求3所述的人脸遮挡识别方法，其特征在于，所述纹理生成器包括依次连接的第二输入层、第三封闭卷积层、第一残差网络、第四封闭卷积层、第二空洞卷积层、第五封闭卷积层、第二残差网络、第六封闭卷积层、第三残差网络、第七封闭卷积层和第二输出层；以及，第三输入层和注意力机制层，所述第三输入层、所述注意力机制层和所述第二残差网络依次连接，所述第二空洞卷积层的输出端还同时与所述注意力机制层连接；所述第一输出层...

【专利技术属性】
技术研发人员：陈波，陈圩钦，邓媛丹，曾俊涛，朱舜文，王庆先，
申请(专利权)人：宜宾电子科技大学研究院，
类型：发明
国别省市：