一种基于注意力机制的人脸典型地域分类方法技术

本发明专利技术公开了一种基于注意力机制的人脸典型地域分类方法，属于人脸识别技术领域，包括如下步骤：获取不同地域人脸数据集；对不同地域人脸数据集进行预处理，得到训练集和测试集；构建初始AtResNet34网络；根据初始AtResNet34网络，构建初始AtResNet34网络的损失函数L；基于训练集、测试集和损失函数L训练和测试初始AtResNet34网络，并保存最佳模型权重，得到训练完成的AtResNet34网络；利用训练完成的AtResNet34网络进行人脸典型地域分类；本发明专利技术解决了现有人脸识别在提高分类精度时，对于复杂且相似样本间造成的过拟合与欠拟合的问题。的问题。的问题。

【技术实现步骤摘要】
一种基于注意力机制的人脸典型地域分类方法


[0001]本专利技术属于人脸识别
，尤其涉及一种基于注意力机制的人脸典型地域分类方法。

技术介绍

[0002]人脸识别技术指利用分析比较的计算机技术识别人脸。人脸识别是一项热门的计算机技术研究领域，而人脸的典型地域特征研究作为其中一个重要研究方向，使用更高效和快捷的方法分析人脸典型地域特征，对于分类识别具有重要意义；
[0003]当前人脸地域特征研究还停留在提取面部几何特征分类不同地域人脸的阶段，针对现有方法没有的特征提取表达性和分类精度仍需提高，且在提高分类精度时，对于复杂且相似样本间造成的过拟合与欠拟合的问题。

技术实现思路

[0004]针对现有技术中的上述不足，本专利技术提供的一种基于注意力机制的人脸典型地域分类方法，运用卷积神经网络提取轮廓和纹理等人脸特征分类，并在此基础上加入了多种注意力机制，有效的提高了特征提取的表达性与分类精度，解决了现有人脸识别在提高分类精度时，对于复杂且相似样本间造成的过拟合与欠拟合的问题。
[0005]为了达到上述专利技术目的，本专利技术采用的技术方案为：
[0006]本专利技术提供一种基于注意力机制的人脸典型地域分类方法，包括如下步骤：
[0007]S1、获取若干不同地域人脸图片，并对各不同地域人脸图片中的面部区域进行裁剪，得到不同地域人脸数据集；
[0008]S2、对不同地域人脸数据集进行预处理，得到训练集和测试集；
[0009]S3、构建初始AtResNet34网络；
[0010]S4、根据初始AtResNet34网络，构建初始AtResNet34网络的损失函数L；
[0011]S5、基于训练集、测试集和损失函数L训练和测试初始AtResNet34网络，并保存最佳模型权重，得到训练完成的AtResNet34网络；
[0012]S6、利用训练完成的AtResNet34网络进行人脸典型地域分类。
[0013]进一步地，所述步骤S2的包括如下步骤：
[0014]S21、将不同地域人脸数据集中的各图像均转换为灰度图像，并随机分别对各灰度图像进行翻转、镜像和平移，得到多样性预处理数据集；
[0015]S22、根据预设比例划分多样性预处理数据集，得到训练集和测试集。
[0016]进一步地，所述初始AtResNet34网络包括依次连接的第一网络模块L1、第二网络模块L2、第三网络模块L3、第四网络模块L4、第五网络模块L5和第六网络模块L6；
[0017]所述第一网络模块作为初始AtResNet34网络的输入层，包括依次连接的第一卷积层，第一BN层和第一激活函数层；所述第一卷积层的输入端作为第一网络模块L1的输入端；所述第一激活函数层的输出端作为第一网络模块L1的输出端，并与第二网络模块L2连接；
[0018]所述第二网络模块L2包括依次连接的第一最大池化层、第一残差结构、第二残差结构和第三残差结构；所述第一最大池化层的输入端作为第二网络模块L2的输入端，并与第一激活函数层的输出端连接；所述第三残差结构的输出端作为第二网络模块的输出端，并与第三网络模块L3连接；
[0019]所述第一残差结构包括依次连接的第二卷积层、第三卷积层、第一ECA注意力单元、第一SE注意力单元和第一融合单元；所述第二卷积层的输入端作为第一残差结构的输入端；所述第一最大池化层的输出端分别与第二卷积层的输入端和第一融合单元的输入端连接；所述第一融合单元的输出端作为第一残差结构的输出端，并与第二残差结构连接；
[0020]所述第二残差结构包括依次连接的第四卷积层、第五卷积层、第二ECA注意力单元、第二SE注意力单元和第二融合单元；所述第一融合单元的输出端分别与第四卷积层的输入端和第的二融合单元的输入端连接；所述第二融合单元的输出端，并与第三残差结构连接；
[0021]所述第三残差结构包括依次连接的第六卷积层、第七卷积层、第三ECA注意力单元、第三SE注意力单元和第三融合单元；所述第二融合单元的输出端分别与第六卷积层的输入端和第的三融合单元的输入端连接；所述第三融合单元的输出端作为第三残差结构的输出端，并与第三网络模块L3连接；
[0022]所述第三网络模块L3包括依次连接的第四残差结构、第五残差结构、第六残差结构和第七残差结构；所述第四残差结构的输入端作为第三网络模块L3的输入端；所述第七残差结构的输出端作为第三网络模块L3的输出端，并与第四网络模块L4连接；
[0023]所述第四残差结构包括依次连接的第八卷积层、第九卷积层、第四ECA注意力单元、第四SE注意力单元和第四融合单元；所述第八卷积层的输入端作为第四残差结构的输入端；所述第三融合单元的输出端分别与第八卷积层的输入端和第四融合单元的输入端连接；所述第四融合单元的输出端作为第四残差结构的输出端，并与第五残差结构连接；
[0024]所述第五残差结构包括依次连接的第十卷积层、第十一卷积层、第五ECA注意力单元、第五SE注意力单元和第五融合单元；所述第十卷积层的输入端作为第五残差结构的输入端；所述第四融合单元的输出端分别与第十卷积层的输入端和第五融合单元的输入端连接；所述第五融合单元的输出端作为第五残差结构的输出端，并与第六残差结构连接；
[0025]所述第六残差结构包括依次连接的第十二卷积层、第十三卷积层、第六ECA注意力单元、第六SE注意力单元和第六融合单元；所述第十二卷积层的输入端作为第六残差结构的输入端；所述第五融合单元的输出端分别与第十二卷积层的输入端和第六融合单元的输入端连接；所述第六融合单元的输出端作为第六残差结构的输出端，并与第七残差结构连接；
[0026]所述第七残差结构包括依次连接的第十四卷积层、第十五卷积层、第七ECA注意力单元、第七SE注意力单元和第七融合单元；所述第十四卷积层的输入端作为第七残差结构的输入端；所述第六融合单元的输出端分别与第十四卷积层的输入端和第七融合单元的输入端连接；所述第七融合单元的输出端作为第七残差结构的输出端，并与第四网络模块L4连接；
[0027]所述第四网络模块L4包括依次连接的第八残差结构、第九残差结构、第十残差结构、第十一残差结构、第十二残差结构和第十三残差结构；所述第八残差结构的输入端作为
第四网络模块L4的输入端；所述第七残差结构的输出端作为第四网络模块L4的输出端，并与第五网络模块L5连接；
[0028]所述第八残差结构包括依次连接的第十六卷积层、第十七卷积层、第八ECA注意力单元、第八SE注意力单元和第八融合单元；所述第十六卷积层的输入端作为第八残差结构的输入端；所述第七融合单元的输出端分别与第十卷积层的输入端和第八融合单元的输入端连接；所述第八融合单元的输出端作为第八残差结构的输出端，并与第九残差结构连接；
[0029]所述第九残差结构包括依次连接的第十八卷积层、第十九卷积层、第九ECA注意力单元、第九SE注意力单元和第九融合单元；所述第十八卷积层的输入端作为第九残差结构的输入本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于注意力机制的人脸典型地域分类方法，其特征在于，包括如下步骤：S1、获取若干不同地域人脸图片，并对各不同地域人脸图片中的面部区域进行裁剪，得到不同地域人脸数据集；S2、对不同地域人脸数据集进行预处理，得到训练集和测试集；S3、构建初始AtResNet34网络；S4、根据初始AtResNet34网络，构建初始AtResNet34网络的损失函数L；S5、基于训练集、测试集和损失函数L训练和测试初始AtResNet34网络，并保存最佳模型权重，得到训练完成的AtResNet34网络；S6、利用训练完成的AtResNet34网络进行人脸典型地域分类。2.根据权利要求1所述的基于注意力机制的人脸典型地域分类方法，其特征在于，所述步骤S2的包括如下步骤：S21、将不同地域人脸数据集中的各图像均转换为灰度图像，并随机分别对各灰度图像进行翻转、镜像和平移，得到多样性预处理数据集；S22、根据预设比例划分多样性预处理数据集，得到训练集和测试集。3.根据权利要求1所述的基于注意力机制的人脸典型地域分类方法，其特征在于，所述初始AtResNet34网络包括依次连接的第一网络模块L1、第二网络模块L2、第三网络模块L3、第四网络模块L4、第五网络模块L5和第六网络模块L6；所述第一网络模块作为初始AtResNet34网络的输入层，包括依次连接的第一卷积层，第一BN层和第一激活函数层；所述第一卷积层的输入端作为第一网络模块L1的输入端；所述第一激活函数层的输出端作为第一网络模块L1的输出端，并与第二网络模块L2连接；所述第二网络模块L2包括依次连接的第一最大池化层、第一残差结构、第二残差结构和第三残差结构；所述第一最大池化层的输入端作为第二网络模块L2的输入端，并与第一激活函数层的输出端连接；所述第三残差结构的输出端作为第二网络模块的输出端，并与第三网络模块L3连接；所述第一残差结构包括依次连接的第二卷积层、第三卷积层、第一ECA注意力单元、第一SE注意力单元和第一融合单元；所述第二卷积层的输入端作为第一残差结构的输入端；所述第一最大池化层的输出端分别与第二卷积层的输入端和第一融合单元的输入端连接；所述第一融合单元的输出端作为第一残差结构的输出端，并与第二残差结构连接；所述第二残差结构包括依次连接的第四卷积层、第五卷积层、第二ECA注意力单元、第二SE注意力单元和第二融合单元；所述第一融合单元的输出端分别与第四卷积层的输入端和第的二融合单元的输入端连接；所述第二融合单元的输出端，并与第三残差结构连接；所述第三残差结构包括依次连接的第六卷积层、第七卷积层、第三ECA注意力单元、第三SE注意力单元和第三融合单元；所述第二融合单元的输出端分别与第六卷积层的输入端和第的三融合单元的输入端连接；所述第三融合单元的输出端作为第三残差结构的输出端，并与第三网络模块L3连接；所述第三网络模块L3包括依次连接的第四残差结构、第五残差结构、第六残差结构和第七残差结构；所述第四残差结构的输入端作为第三网络模块L3的输入端；所述第七残差结构的输出端作为第三网络模块L3的输出端，并与第四网络模块L4连接；所述第四残差结构包括依次连接的第八卷积层、第九卷积层、第四ECA注意力单元、第
四SE注意力单元和第四融合单元；所述第八卷积层的输入端作为第四残差结构的输入端；所述第三融合单元的输出端分别与第八卷积层的输入端和第四融合单元的输入端连接；所述第四融合单元的输出端作为第四残差结构的输出端，并与第五残差结构连接；所述第五残差结构包括依次连接的第十卷积层、第十一卷积层、第五ECA注意力单元、第五SE注意力单元和第五融合单元；所述第十卷积层的输入端作为第五残差结构的输入端；所述第四融合单元的输出端分别与第十卷积层的输入端和第五融合单元的输入端连接；所述第五融合单元的输出端作为第五残差结构的输出端，并与第六残差结构连接；所述第六残差结构包括依次连接的第十二卷积层、第十三卷积层、第六ECA注意力单元、第六SE注意力单元和第六融合单元；所述第十二卷积层的输入端作为第六残差结构的输入端；所述第五融合单元的输出端分别与第十二卷积层的输入端和第六融合单元的输入端连接；所述第六融合单元的输出端作为第六残差结构的输出端，并与第七残差结构连接；所述第七残差结构包括依次连接的第十四卷积层、第十五卷积层、第七ECA注意力单元、第七SE注意力单元和第七融合单元；所述第十四卷积层的输入端作为第七残差结构的输入端；所述第六融合单元的输出端分别与第十四卷积层的输入端和第七融合单元的输入端连接；所述第七融合单元的输出端作为第七残差结构的输出端，并与第四网络模块L4连接；所述第四网络模块L4包括依次连接的第八残差结构、第九残差结构、第十残差结构、第十一残差结构、第十二残差结构和第十三残差结构；所述第八残差结构的输入端作为第四网络模块L4的输入端；所述第七残差结构的输出端作为第四网络模块L4的输出端，并与第五网络模块L5连接；所述第八残差结构包括依次连接的第十六卷积层、第十七卷积层、第八ECA注意力单元、第八SE注意力单元和第八融合单元；所述第十六卷积层的输入端作为第八残差结构的输入端；所述第七融合单元的输出端分别与第十卷积层的输入端和第八融合单元的输入端连接；所述第八融合单元的输出端作为第八残差结构的输出端，并与第九残差结构连接；所述第九残差结构包括依次连接的第十八卷积层、第十九卷积层、第九ECA注意力单元、第九SE注意力单元和第九融合单元；所述第十八卷积层的输入端作为第九残差结构的输入端；所述第八融合单元的输出端分别与第十八卷积层的输入端和第九融合单元的输入端连接；所述第九融合单元的输出端作为第九残差结构的输出端，并与第十残差结构连接；所述第十残差结构包括依次连接的第二十卷积层、第二十一卷积层、第十ECA注意力单元、第十SE注意力单元和第十融合单元；所述第二十卷积层的输入端作为第十残差结构的输入端；所述第九融合单元的输出端分别与第二十卷积层的输入端和第十融合单元的输入端连接；所述第十融合单元的输出端作为第十残差结构的输出端，并与第十一残差结构连接；所述第十一残差结构包括依次连接的第二十二卷积层、第二十三卷积层、第十一ECA注意力单元、第十一SE注意力单元和第十一融合单元；所述第二十二卷积层的输入端作为第十一残差结构的输入端；所述第十融合单元的输出端分别与第二十二卷积层的输入端和第十一融合单元的输入端连接；所述第十一融合单元的输出端作为第十一残差结构的输出端，并与第十二残差结构连接；所述第十二残差结构包括依次连接的第二十四卷积层、第二十五卷积层、第十二ECA注
意力单元、第十二SE注意力单元和第十二融合单元；所述第二十四卷积层的输入端作为第十二残差结构的输入端；所述第十一融合单元的输出端分别与第二十四卷积层的输入端和第十二融合单元的输入端连接；所述第十二融合单元的输出端作为第十二残差结构的输出端，并与第十三残差结构连接；所述第十三残差结构包括依次连接的第二十六卷积层、...

【专利技术属性】
技术研发人员：蒋行国，何李，
申请(专利权)人：四川轻化工大学，
类型：发明
国别省市：