基于多模态的未成年人识别方法及系统技术方案

本发明专利技术涉及人工智能领域，具体涉及一种基于多模态的未成年人识别方法，该方法包括：将未成年人的人脸图像输入卷积神经网络，输出人脸识别结果；构建网络的损失函数具体为：将人脸图像输入卷积层得到特征图像，进而得到特征向量，利用特征向量构建第一和第二分支损失函数；根据特征图像各通道图像得到描述向量，将描述向量分为两个类别，进而得到描述点；选取描述点组成组合点对，根据组合点对连线上投影点构建分布直方图；根据分布直方图计算分离度；获取分离度最大的组合点对的相关数据计算关注度权重；根据关注度权重构建第三分支损失函数；根据第一、第二和第三分支损失函数得到卷积神经网络损失函数。本发明专利技术能够准确地进行未成年人人脸识别。未成年人人脸识别。未成年人人脸识别。

【技术实现步骤摘要】
基于多模态的未成年人识别方法及系统


[0001]本专利技术涉及人工智能
，具体涉及一种基于多模态的未成年人识别方法及系统。

技术介绍

[0002]随着社会经济的发展、科技的进步，人脸识别已经成为身份认证的一种重要手段。但是未成年人随着年龄的增长，其人脸变化较大。由于人口众多不可能每年花费大量人力物力去更新数据库里预存的人脸图像。但是如果不更新人脸图像，未成年人随着年龄增长，其脸部会发生较大变化，因而就会出现未成年人当前面部图像数据和数据库里预存面部图像匹配不成功，造成无法进行准确识别，无法进行身份认证，这将会对未成年的生活造成较大不便。
[0003]为了提高对未成年人人脸识别的准确性一般采用更深层、数据量更多的网络结构来挖掘更多的人脸特征信息，进而来保障未成年人人脸识别的准确性。但是这种方法是牺牲时间成本来换取精度，这种方法在很多场合都不适合。
[0004]随着年龄的增长，人们有些特征会发生较大变化，例如人脸大小。有些特征发生变化较小，例如眼睛、嘴巴结构等。现有的深层的、参数量大的神经网络虽能达到较高的识别准确率，但是在使用参数量更小的神经网络来识别未成年人时，由于未成年人的成长变化，导致参数量更小的神经网络由于要花费较多的神经元或计算力来学习这种无用的成长变化特征，导致无法过多的去学习对未成年人身份识别有用的特征，导致参数量更小的神经网络准确率较低，从而导致未成年人人脸识别的准确率降低。

技术实现思路

[0005]为了解决上述技术问题，本专利技术的目的在于提供一种基于多模态的未成年人识别方法，所采用的技术方案具体如下：将未成年人的人脸图像输入卷积神经网络，输出人脸识别结果；所述卷积神经网络损失函数的获取方法具体为：将不同成长阶段的人脸图像输入卷积层得到对应的特征图像；将特征图像进行全局池化得到多维的特征向量；分别获取两个不同成长阶段的人脸图像对应的特征向量，将各特征向量分割为第一分支向量和第二分支向量；根据两个不同成长阶段人脸图像对应的第一分支向量的差值和第二分支向量的差值，分别构建第一分支损失函数和第二分支损失函数；将特征图像中各通道的图像进行全局池化获得的每个通道对应的描述向量，利用所述第一和第二分支损失函数将各通道的描述向量分为两个类别，将两个类别中各描述向量映射到坐标系中得到各描述点；在两个类别中分别选取一个描述点构成组合点对并对其进行连线，将其他所有描述点投影到该连线上得到投影点，根据各投影点的位置坐标构建分布直方图；根据分布直方图上峰值的坐标和宽度计算分离度；计算所有组合点对对应的分离度，获取最大的分离度对应的组合点对连线上每个
坐标位置处包含一个类别中描述点对应的投影点的概率；根据所述概率和两个类别中各描述向量之间的距离计算关注度权重；根据关注度权重和三元组损失函数构建第三分支损失函数；根据第一、第二和第三分支损失函数得到卷积神经网络损失函数。
[0006]优选地，所述卷积神经网络包含三层卷积层，将人脸图像输入第一卷积层得到第一特征图，将第一特征图输入第二卷积层得到第二特征图，将第二特征图输入第三卷积层得到第三特征图；将各第一、第二和第三特征图像进行全局池化得到对应的多维的第一、第二和第三特征向量；将第一、第二和第三特征图像中各通道的图像进行全局池化得到对应的多个描述向量。
[0007]优选地，所述第一分支损失函数的获取方法具体为：其中，表示卷积层a对应的第一分支损失函数，和分别表示由未成年人i第j1成长阶段和第j2成长阶段的人脸图像对应的特征向量分割得到的第一分支向量。
[0008]优选地，所述第二分支损失函数的获取方法具体为：其中，表示卷积层a对应的第二分支损失函数，和分别表示由未成年人i第j1成长阶段和第j2成长阶段的人脸图像对应的特征向量分割得到的第二分支向量，和分别表示未成年人成长阶段对应的年龄。
[0009]优选地，所述根据分布直方图上峰值的坐标和宽度计算分离度具体为：获取分布直方图上第一个峰值的横坐标和第二个峰值的横坐标，获取第一个峰值最左侧点对应的横坐标和第一个峰值右侧谷对应的横坐标构成第一横坐标区间，计算第一横坐标区间内各位置坐标对应的数量分布的方差，获得第一个峰值对应的宽度；获取第二个峰值左侧谷对应的横坐标和第二个峰值最右侧点对应的横坐标构成第二横坐标区间，计算第二横坐标区间内各位置坐标对应的数量分布的方差，获得第二个峰值对应的宽度；根据第一个峰值和第二个峰值的横坐标之差、第一个峰值和第二个峰值对应的宽度之和得到分离度，用公式表示为：其中，表示第z个组合点对对应的分离度，和分别表示第一个峰值的横坐标和第二个峰值的横坐标，和分别表示第一个峰值对应的宽度和第二个峰值对应的宽度。
[0010]优选地，所述计算所有组合点对对应的分离度具体为：分别获取所有组合点对的连线，将除组合点对外其他所有描述点投影到各组合点对对应的连线上得到投影点，构建分布直方图；其中，一个组合点对对应一个分布直方图，进而计算各组合点对对应的分离度。
[0011]优选地，所述获取最大的分离度对应的组合点对连线上每个坐标位置处包含一个类别中描述点对应的投影点的概率具体为：获取最大的分离度对应的组合点对，以该组合点对的连线为横坐标轴构建坐标系，获取在横坐标轴上每个坐标点为一个类别中投影点的
概率。
[0012]优选地，所述关注度权重的获取方法具体为：其中，Q表示关注度权重，表示第m个横坐标点处为一个类别中各描述点对应的投影点的概率，M表示组合点对连线上包含的坐标点的数量，和分别表示两个类别中各描述向量之间的距离的方差。
[0013]本专利技术还提供了一种基于多模态的未成年人识别系统，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述计算机程序被处理器执行时实现所述一种基于多模态的未成年人识别方法的步骤。
[0014]本专利技术实施例至少具有如下有益效果：本专利技术通过设计损失函数实现固有特征和成长变化特征的分离，根据特征分离的情况确定对固有特征的关注度权重，并基于关注度权重设计特征关注损失函数。由于每个未成年人的成长情况不尽相同，对固有特征和成长变化特征分割效果也不同，对于能够分割出较好的固有特征的，需要更多的利用固有特征信息进行人脸识别。对于分割效果不好的固有特征，需要适当降低对其的关注度，增加对综合特征的关注度，利用综合特征信息进行人脸识别。从而提高未成年人人脸识别的准确率。
附图说明
[0015]为了更清楚地说明本专利技术实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。
[0016]图1是本专利技术的一种基于多模态的未成年人识别方法的方法流程图。
具体实施方式
[0017]为了更进一步阐述本专利技术为达成预定专利技术目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本专利技术提出的一种基于多模态的未成年人识本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多模态的未成年人识别方法，其特征在于，该方法包括以下步骤：将未成年人的人脸图像输入卷积神经网络，输出人脸识别结果；所述卷积神经网络损失函数的获取方法具体为：将不同成长阶段的人脸图像输入卷积层得到对应的特征图像；将特征图像进行全局池化得到多维的特征向量；分别获取两个不同成长阶段的人脸图像对应的特征向量，将各特征向量分割为第一分支向量和第二分支向量；根据两个不同成长阶段人脸图像对应的第一分支向量的差值和第二分支向量的差值，分别构建第一分支损失函数和第二分支损失函数；将特征图像中各通道的图像进行全局池化获得的每个通道对应的描述向量，利用所述第一和第二分支损失函数将各通道的描述向量分为两个类别，将两个类别中各描述向量映射到坐标系中得到各描述点；在两个类别中分别选取一个描述点构成组合点对并对其进行连线，将其他所有描述点投影到该连线上得到投影点，根据各投影点的位置坐标构建分布直方图；根据分布直方图上峰值的坐标和宽度计算分离度；计算所有组合点对对应的分离度，获取最大的分离度对应的组合点对连线上每个坐标位置处包含一个类别中描述点对应的投影点的概率；根据所述概率和两个类别中各描述向量之间的距离计算关注度权重；根据关注度权重和三元组损失函数构建第三分支损失函数；根据第一、第二和第三分支损失函数得到卷积神经网络损失函数。2.根据权利要求1所述的一种基于多模态的未成年人识别方法，其特征在于，所述卷积神经网络包含三层卷积层，将人脸图像输入第一卷积层得到第一特征图，将第一特征图输入第二卷积层得到第二特征图，将第二特征图输入第三卷积层得到第三特征图；将各第一、第二和第三特征图像进行全局池化得到对应的多维的第一、第二和第三特征向量；将第一、第二和第三特征图像中各通道的图像进行全局池化得到对应的多个描述向量。3.根据权利要求1所述的一种基于多模态的未成年人识别方法，其特征在于，所述第一分支损失函数的获取方法具体为：其中，表示卷积层a对应的第一分支损失函数，和分别表示由未成年人i第j1成长阶段和第j2成长阶段的人脸图像对应的特征向量分割得到的第一分支向量。4.根据权利要求1所述的一种基于多模态的未成年人识别方法，其特征在于，所述第二分支损失函数的获取方法具体为：其中，表示卷积层a对应的第二分支损失函数，和分别表示由未成年人i第j1成长阶段和...

【专利技术属性】
技术研发人员：方波，唐路遥，周林，
申请(专利权)人：武汉微派网络科技有限公司，
类型：发明
国别省市：