一种基于超分辨率的无人机人脸识别方法技术

本发明专利技术提出的是一种基于超分辨率的无人机人脸识别方法，该方法包括如下步骤：步骤1，拍摄无人机视角下各种形态的人的视频，通过标注获取人脸边界框，并对目标人脸进行聚类，建立无人机人脸数据集；步骤2，构建残差密集模块，将超分辨率模型SRGAN与残差密集模块相结合，训练超分辨率模型；步骤3，实现对无人机人脸图片从低分辨率到高分辨率的处理；步骤4，通过基于注意力机制的轻量级人脸识别模型，对无人机人脸数据集进行识别，轻量级的模型参数量小，在识别准确率方面获得了再一次的提升。在识别准确率方面获得了再一次的提升。在识别准确率方面获得了再一次的提升。

【技术实现步骤摘要】
一种基于超分辨率的无人机人脸识别方法


[0001]本专利技术涉及一种无人机人脸识别方法，具体涉及一种基于超分辨率的无人机人脸识别方法，属于人工智能的识别


技术介绍

[0002]目前，无人机的应用非常普遍，影像提取是最直观有效的识别方法。针对无人机的定位和识别技术，有许多的研究计划，也涉及到了不同领域学科的研究。在开放式户外场所进行目标追踪时，固定式人脸识别模式存在监控死角、无法机动等天然不足。为此，人们采用移动式人脸识别来克服上述缺陷。然而，传统的移动人脸识别属于地面机动方式，仍存在诸如建筑物遮挡、平面机动受限、视野较窄等问题，因此，随着无人机的普及应用，近年来基于无人机实现高机动跟踪监控的技术成为研究热点。无人机有质量轻、形状小、探测精度高等特点，可以飞行在不同的高度，在飞行时可以根据实际情况调整飞行的角度。无人机人脸识别为交通监管、视频监控、军事救援等多个方面提供了重要的技术支持。因此，实现无人机视角下的人脸识别技术十分重要。

技术实现思路

[0003]本专利技术提出的是一种基于超分辨率的无人机人脸识别方法，其目的旨在对无人机视角下的图片进行扫描分析，从中识别出不同的人，以便完成对人脸的监控。
[0004]本专利技术的技术解决方案：一种基于超分辨率的无人机人脸识别方法，该方法包括如下步骤：步骤1，拍摄无人机视角下各种形态的人的图片，通过标注获取人脸目标框，并进行聚类，建立无人机人脸数据集；步骤2，构建基于残差密集模块的超分辨率模型，训练超分辨率算法；步骤3，实现对无人机人脸图片从低分辨率到高分辨率的处理；步骤4，构建基于注意力机制的轻量级人脸识别模型，对无人机人脸数据集进行识别，轻量级模型参数量小，在识别准确率方面获得了再一次的提升。
[0005]作为本专利技术的一个优选方案，所述步骤1的具体过程如下：步骤1
‑
1、拍摄无人机视角下各种状态的人的视频；步骤1
‑
2、使用标注工具对每个视频中的每一个人体进行人脸的逐帧标注；步骤1
‑
3、截取标注中的人脸，将标注好的文件与图片一一对应，进行统一编号处理；步骤1
‑
4、对获取的人脸进行聚类，最终建立一共包含67个人7407张图片的数据集，为无人机人脸的识别提供有力的样本依据。
[0006]作为本专利技术的一个优选方案，所述构建生成对抗网络与残差密集模块相结合的超分辨率模型，具体包括：步骤2
‑
1、构建一个6层的残差密集模块（残差密集）；
步骤2
‑
2、基于SRGAN网络模型，引入14个残差密集模块，构建基于残差密集的改进SRGAN超分辨率模型，并对其进行训练。
[0007]作为本专利技术的一个优选方案，所述构建基于注意力机制的MobileFaceNet轻量级人脸识别模型。
[0008]步骤4
‑
1、基于注意力机制的改进MobileFaceNet轻量级人脸识别模型，以MobileFaceNet作为基础，在网络结构中加入SENet，加入的具体位置为原网络的bottleneck的depthwise conv后，得到基于注意力机制的改进MobileFaceNet模型；步骤4
‑
2、将改进的MobileFaceNet模型的识别结果与超分辨率重建后的人脸特征库进行比对，设定阈值为0.65，将阈值与人脸相似度进行对比。
[0009]本专利技术采用以上技术方案与现有技术相比，具有以下技术效果：本专利技术深刻考虑到无人机拍摄到的图片分辨率低、识别过程低时延、识别结果低误差、运行计算机配置低等因素或要求，打破传统的机器学习模型，在图片增强、识别模式上进行了大胆创新，以一种高效、轻量、低功耗、高可信的方式实现了无人机人脸识别功能。
附图说明
[0010]图1是本专利技术基于超分辨率的无人机人脸识别方法的流程框图。
[0011]图2是本专利技术方法中基于残差密集模块的改进SRGAN的网络结构图。
[0012]图3是本专利技术方法中基于注意力机制的改进MobileFaceNet网络结构图。
具体实施方式
[0013]下面详细描述本专利技术的实施方式，所述实施方式的示例在附图中示出。下面通过参考附图描述的实施方式是示例性的，仅用于解释本专利技术，而不能解释为对本专利技术的限制。
[0014]如图1所示，为本专利技术基于超分辨率的无人机人脸识别方法的结构框图，包括以下步骤：1、获取无人机人脸样本：用于获取大量不重复的无人机人脸样本来支持后续工作，具体包括以下步骤：（1）拍摄无人机视角下各种状态的人的视频；（2）使用标注工具对每个视频中的每一个人体进行人脸的进行自动逐帧标注；（3）截取标注中的人脸，将标注好的文件与图片一一对应，进行统一编号处理；（4）建立一共包含7407张图片的数据集，为无人机人脸的识别提供有力的样本依据。对所有的图片通过Chinese Whisper进行聚类，总共包含67个人，其中有戴帽子和不带帽子的、戴眼镜和不戴眼镜的。
[0015]将每个人脸做为无向图中的一个节点，人脸之间的相似度，作为节点之间的边，设定阈值threshold为0.8，当相似度超过threshold，将两个节点相连形成关联边，权重为相似度，如果人脸之间的相似度小于设定的阈值，那么这两个人脸对应的节点之间就没有边。将每个人脸都赋予一个id，该id作为该人脸的类别。初始化时,每个人脸都是一个类别。随机选取某个节点，对该节点的所有邻居依次进行如下处理:就将所有邻居中权重最大的节点对应的类做为该节点的类别，完成对该节点的类别更新。如果有两个邻居属于同一个类，那么就将同一个类下的邻居权重累加。最后，比较该节点下的所有邻居节点所属的类别的
累加权重，取权重最大的类别作为当前节点的类别。当所有的节点都完成后，一次迭代完成。重复迭代步骤，直到达到迭代20次。
[0016]基于图进行聚类，将图中一个节点对应一个人脸，节点之间的边对应两个节点的相似度，也就是两个人脸的相似度，通过迭代查找一个节点对应的相似权重累加和来查找类别并进行聚类，使用映射得到的特征对数据集进行聚类，经过检验，阈值threshold设为0.8时，可以达到比较好的效果。
[0017]2、构建生成对抗网络与残差密集模块相结合的超分辨率，实现对无人机人脸图片的图像增强，具体步骤如下：（1）构建残差密集模块使用14个残差密集模块，每个残差密集模块由6个Conv
‑
ReLU组合而成，建立了不同层之间的连接关系，充分利用了特征，在是每个网络模块之间传递参数，并通过前一个残差密集模块提取得到的特征链接到当前残差密集模块中，如图2所示。
[0018]（2）将超分辨率模型SRGAN与残差密集模块相结合引入残差密集模块，构造基于残差密集模块的改进SRGAN模型。将残差密集块组成的网络作为生成对抗网络的生成器，得到基于残差密集模块（残差密集）的SRGAN模型。生成器经过一个卷积层后，通过14个残差密集模块（残差密集），后半部分由Conv卷本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于超分辨率的无人机人脸识别方法，其特征在于，包括如下步骤：步骤1，拍摄无人机视角下各种形态的人的图片，通过标注获取人脸目标框，并对目标人脸进行聚类，建立无人机人脸数据集；步骤2，构建基于残差密集模块，将超分辨率模型SRGAN与残差密集模块相结合，训练超分辨率算法；步骤3，对无人机人脸图片从低分辨率到高分辨率的处理；步骤4，构建基于注意力机制的轻量级人脸识别模型，对无人机人脸数据集进行识别。2.根据权利要求1所述的一种基于超分辨率的无人机人脸识别方法，其特征是：所述步骤1具体包括以下步骤：步骤1
‑
1、拍摄无人机视角下各种状态的人的视频；步骤1
‑
2、使用标注工具对每个视频中的每一个人体进行人脸的逐帧标注；步骤1
‑
3、截取标注中的人脸，将标注好的文件与图片一一对应，进行统一编号处理；步骤1
‑
4、对获取的人脸进行聚类，建立人脸识别数据集。3.根据权利要求1所述的一种基于超分辨率的无人机人脸识别方法，其特征在于，所述步骤2构建基于残差密集模块的超分辨率模型，具体包括以下步骤：步骤2
‑
1、构建一个6层的残差密集模块；步骤2
‑
2、基于SRGAN网络模型，引入14个残差密集模块，构建基于残差密集的改进SRGAN超分辨率模型，并对其进行训练。4.根据权利要求1所述的一种基于超分辨率的无人机人脸识别方法，其特征在于，所述步骤4构建的人脸识别模型为基于注意力机制的MobileFaceNet模型，具体包括以下步骤：步骤4
‑
1、基于注意力机制的改进MobileFaceNet轻量级人脸识别模型，以MobileFaceNet作为基础，在网络结构中加入S...

【专利技术属性】
技术研发人员：刘凡，庄芸，王菲，许峰，
申请(专利权)人：河海大学，
类型：发明
国别省市：