一种自适应智能人脸识别方法及系统技术方案

本发明专利技术涉及人脸识别的技术领域，公开了一种自适应智能人脸识别方法及系统，方法包括：对人脸去妆模型利用Nesterov动量加速方法进行优化；对人脸遮挡区域修复模型利用负动量加速方法进行优化求解；采集待检测识别的人脸图像，并对图像进行分割将人脸图像分为待去妆区域图像和待修复区域图像；将待去妆区域图像和待修复区域图像分别输入到人脸去妆优化模型以及人脸遮挡区域修复优化模型中；将模型输出的合成图像输入人脸识别系统进行识别认证。本发明专利技术实现人脸图像的妆容变化消除以及遮挡物修复，得到待检测识别人员的真实人脸图像信息，实现人脸的可靠识别，并采用多种动量加速方法快速求解得到最优模型参数，快速得到可用模型。模型。模型。

【技术实现步骤摘要】
一种自适应智能人脸识别方法及系统


[0001]本专利技术涉及人脸识别的
，尤其涉及一种自适应智能人脸识别方法及系统。

技术介绍

[0002]智慧园区利用人脸识别技术极大提高了园区通行效率，对园区管理提供了便利。但是在实际生活场景中，特别是近年，人们常常佩戴口罩、眼镜(墨镜)等使得人脸部分遮挡，加之美瞳、双眼皮贴、假睫毛等美妆用品修饰整形容易造成人脸识别系统误判放行，对园区关键区域造成巨大安全隐患，如何去除美妆用品和消除遮挡区域对人脸识别的影响，提高人脸识别准确率，增强算法的鲁棒性成为了亟待解决的问题。

技术实现思路

[0003]有鉴于此，本专利技术提供一种自适应智能人脸识别方法，通过对非遮挡区域进行去妆处理得到待检测识别人员的真实人脸区域信息，对遮挡区域进行修复，再对修复后的人脸信息进行整合，实现遮挡人脸的可靠识别，目的在于：1)针对妆容变化特征不明显的缘故，设计基于生成对抗网络的人脸去妆模型，在模型训练过程中，利用去妆图像训练判别层对去妆图像生成层所生成的去妆图像进行评估，并基于评估结果引导去妆图像生成层生成质量更高的去本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种自适应智能人脸识别方法，其特征在于，所述方法包括：S1：构建人脸去妆模型，所述人脸去妆模型以待去妆人脸图像为输入，以去妆后的人脸图像为输出；S2：对构建得到的人脸去妆模型利用Nesterov动量加速方法进行优化求解，得到人脸去妆优化模型；S3：构建人脸遮挡区域修复模型，所述人脸遮挡区域修复模型以存在遮挡物的人脸图像为输入，以修复后的人脸图像为输出；S4：对构建得到的人脸遮挡区域修复模型利用负动量加速方法进行优化求解，得到人脸遮挡区域修复优化模型；S5：采集待检测识别的人脸图像，并对图像进行分割将人脸图像分为待去妆区域图像和待修复区域图像；S6：将待去妆区域图像和待修复区域图像分别输入到人脸去妆优化模型以及人脸遮挡区域修复优化模型中；S7：将模型输出图像结果进行拼接合成，得到消除妆容变化以及修复遮挡区域的最终人脸图像，并将最终人脸图像输入人脸识别系统进行识别认证。2.如权利要求1所述的一种自适应智能人脸识别方法，其特征在于，所述S1步骤中构建人脸去妆模型，包括：构建人脸去妆模型，所述人脸去妆模型包含输入层、去妆图像训练判别层以及去妆图像生成层，其中输入层用于接收待去妆人脸图像，去妆图像训练判别层用于在模型训练过程中，对所生成的去妆人脸图像的去妆效果进行判别，去妆图像生成层用于生成去妆后的人脸图像；所述去妆图像生成层G的结构为编码器
‑
解码器结构，编码器利用卷积核大小为4
×
4像素，步长为2的6层卷积层，对待去妆图像进行连续6次的下采样操作，且在每次下采样操作后，对下采样结果进行归一化以及ReLU激活函数处理，解码器利用卷积核大小为4
×
4像素且步长为1/2的6层反卷积层对编码器输出结果进行连续6次的上采样操作，且在每次上采样操作后，对上采样结果进行归一化以及ReLU激活函数处理，得到原始尺寸的解码图像，并利用tanh激活函数将解码图像的像素值限定在0
‑
255区间内，得到去妆后的人脸图像，其中每次进行下采样操作或上采样操作的卷积层参数为去妆图像生成层的待优化参数，所述卷积层参数包括卷积核权重以及偏置量；所述去妆图像训练判别层D的结构为全卷积网络结构，由4层卷积层组成，在人脸去妆模型的训练过程中，将去妆图像生成层G生成的人脸图像输入到去妆图像训练判别层D中，依次经过2层卷积核大小为4
×
4像素且步长为2的卷积层，以及2层卷积核大小为4
×
4像素且步长为1的卷积层，并在每次经过卷积层处理后，进行归一化以及ReLU激活函数处理，利用softmax函数对卷积层结果进行处理得到判别矩阵，判别矩阵中的每个值均对应输入图像中一块大小为40
×
40像素区域为去妆后图像的概率，判别矩阵的均值表示输入图像为去妆后图像的概率，所述去妆图像训练判别层D中最后一层卷积层的感受野尺寸为40
×
40像素，所述去妆图像训练判别层D中待优化参数为4层卷积层的参数；所述人脸去妆模型的训练损失函数为：
其中：表示去妆图像训练判别层D，θ
D
表示去妆图像训练判别层D中待优化参数；表示去妆图像生成层G，θ
G
表示去妆图像生成层G中待优化参数；E(
·
)表示期望；表示训练损失函数；x表示输入人脸去妆模型的待去妆训练图像，表示去妆图像训练判别层D输出x为去妆后图像的概率；表示去妆图像生成层基于x生成的去妆后的人脸图像；y表示待去妆训练图像x对应的去妆后人脸图像，sim(
·
)表示余弦相似度计算公式，sim(
·
)的值越大，表示计算公式中两者的相似度越高。3.如权利要求2所述的一种自适应智能人脸识别方法，其特征在于，所述S2步骤中对构建得到的人脸去妆模型利用Nesterov动量加速方法进行优化求解，包括：对构建得到的人脸去妆模型利用Nesterov动量加速方法进行优化求解，所述Nesterov动量加速方法通过控制改进模型参数的迭代优化方向，实现快速优化求解得到最优模型参数；其中人脸去妆模型的优化求解流程为：S21：获取人脸去妆模型训练数据，其中人脸去妆模型训练数据包括待去妆训练图像集合X以及对应的去妆后人脸图像集合Y；S22：初始化去妆图像生成层参数θ
G，0
和去妆图像训练判别层参数θ
D，0
，并固定θ
G，0
；S23：将人脸去妆模型训练数据中的待去妆训练图像x依次输入到去妆图像生成层中，得到基于人脸去妆模型训练数据的损失函数L
X
(θ
D，t
，θ
G,t
)：其中：t表示待优化参数的迭代次数，t的初始值为0；S24：利用Nesterov动量加速方法求解得到去妆图像训练判别层参数：其中：θ
D,t
表示第t次迭代得到的去妆图像训练判别层参数；λ表示迭代步长，将其设置为2；ε表示动量参数，将其设置为0.6；表示损失函数的梯度，其中θ
D,t
为迭代参数变量；若||L
X
(θ
D，t+1
，θ
G,0
)
‑
L
X
(θ
D，t+1
，θ
G，0
)||2/||θ
D，t+1
‑
θ
D，t
||2≤C，其中||
·
||2表示L2范数，则终止迭代，得到去妆图像训练判别层固定参数θ
D，*
，否则令t＝t+1，返回步骤S24，C表示限制常数；S25：固定去妆图像训练判别层参数θ
D，*
，利用Nesterov动量加速方法求解得到去妆图像生成层参数：
其中：θ
G,t
表示第t次迭代得到的去妆图像生成层参数；若||L
X
(θ
D，*
，θ
G,t+1
)
‑
L
X
(θ
D，*
，θ
G,t
)||2/||θ
G,t+1
‑
θ
G,t
||2≤C，则终止迭代，得到去妆图像生成层固定参数θ
G,*
，并令θ
G,0
＝θ
G，*
，θ
D，0
＝θ
D，*
，返回步骤S23，否则令t＝t+1，返回步骤S25，直到去妆图像生成层参数以及去妆图像训练判别层参数均不发生改变，得到最终去妆图像生成层的优化参数；利用最终去妆图像生成层的优化参数生成去妆图像生成优化层，并构成人脸去妆优化模型，其中所述人脸去妆优化模型包括输入层和去妆图像生成优化层，输入层用于接收待去妆人脸图像，去妆图像生成优化层用于输出去妆后的人脸图像。4.如权利要求1所述的一种自...

【专利技术属性】
技术研发人员：李洪辉，罗静，成琼梅，
申请(专利权)人：娄底怡然乐居网络科技有限公司，
类型：发明
国别省市：