一种带有注意力机制的低质量人脸图像识别方法及设备技术

本发明专利技术公开了一种带有注意力机制的低质量人脸图像识别方法及设备，涉及人工神经网络和人脸识别技术领域，识别方法包括获取未知人脸图像和训练完成的人脸图像识别网络模型，将未知人脸图像输入人脸图像识别网络模型进行特征提取，将生成的抽象特征图输入全局池化处理层，然后输出得到人脸特征向量，计算人脸特征向量与检索库中所有目标特征向量之间的距离，实现人脸识别。本发明专利技术的特征信息提取层中采用了卷积核大小不同的卷积操作和多种特征融合方式，配合多个跨步卷积和池化层，达到强化图像特征提取效果的作用。测试表明，本发明专利技术提出的网络模型对低质量人脸图像具有很好的识别效果，与现有技术相比，取得了明显的进步。取得了明显的进步。取得了明显的进步。

【技术实现步骤摘要】
一种带有注意力机制的低质量人脸图像识别方法及设备


[0001]本专利技术属于人工神经网络和人脸识别
，具体地说，涉及一种带有注意力机制的低质量人脸图像识别方法及设备。

技术介绍

[0002]一直以来，人脸识别都是图像
的一个重要研究方向，随着深度学习技术的发展，许多基于神经网络的模型已经能够在高质量人脸图像数据集上取得超过99%的识别正确率。但是，低质量的人脸图像识别仍然是一个具有较大难度的课题，尤其是对于低分辨率人脸图像，现有的算法还不够成熟，其识别准确率有待于进一步提升。

技术实现思路

[0003]针对现有技术中上述的不足，本专利技术提供了一种带有注意力机制的低质量人脸图像识别方法及设备，以提升对低质量人脸图像的识别准确率。
[0004]为了达到上述目的，本专利技术采用的解决方案是：一种带有注意力机制的低质量人脸图像识别方法，包括以下步骤：S10、采集获取未知人脸图像，获取训练完成的人脸图像识别网络模型；所述人脸图像识别网络模型包括主干和全局池化处理层，所述全局池化处理层连接在所述主干的尾部，所述主干包括顺次连接的多个特征信息提取层，所述特征信息提取层的数学模型为：，其中，代表所述特征信息提取层的输入，表示前置残差模块；表示卷积核大小为3*3、步长为1的卷积运算，表示卷积核大小为5*5、步长为1的卷积运算，表示卷积核大小为3*3、步长为2的卷积运算，表示卷积核大小为5*5、步长为2的卷积运算，
和均表示池化窗口尺寸为2*2、步长为2的最大池化操作，表示卷积核大小为1*1、步长为1的卷积运算,表示元素对应乘积运算，表示将其中的特征图拼接起来，、、、、均表示激活函数ReLU，表示所述前置残差模块输出的特征图，表示激活后生成的特征图，表示激活后生成的特征图，表示与相加后生成的特征图，表示与做元素对应乘积后生成的特征图，表示激活后生成的特征图，表示激活后生成的特征图，表示池化操作后生成的特征图，表示池化操作后生成的特征图，表示复合注意力校准单元，表示所述复合注意力校准单元生成并输出的注意力图，表示所述特征信息提取层输出的特征图；S20、将所述未知人脸图像输入所述人脸图像识别网络模型，随着图像信息沿着所述主干传递，各个所述特征信息提取层依次对图像信息进行特征提取操作，直到最后一个所述特征信息提取层输出抽象特征图；S30、将所述抽象特征图输入所述全局池化处理层，利用所述全局池化处理层对所述抽象特征图的各个图层进行全局池化操作，然后输出得到人脸特征向量；S40、计算所述人脸特征向量与检索库中所有目标特征向量之间的距离，与所述人脸特征向量距离最近、且满足阈值条件的目标特征向量所对应的身份，即为所述未知人脸图像的身份。
[0005]进一步地，所述全局池化处理层为全局平均池化层。
[0006]进一步地，所述复合注意力校准单元的数学模型为：，其中，所述复合注意力校准单元以特征图、、和作为输入；和均表示对特征图做全局最大池化操作，是在空间方向上对特征图进行操作，是在通道方向上对特征图进行操作，表示将其中的特征图拼接起来；表示卷积核大小为3*3、步长为1的卷积运算,表示卷积核大小为1*1、步长为1的卷积运算；表示元素对应乘积运算，和均表示sigmoid激活函数，表示卷积运算后生成的特征图，表示函数激活后生成的特征图，表示将特征图、、和分别在通道方向上做全局最大池化后并拼接得到的特征图，表示所述复合注意力校准单元输出的注意力图。
[0007]进一步地，所述前置残差模块的数学模型为：，其中，代表所述前置残差模块的输入，和均表示激活函数ReLU，和
均表示卷积核大小为3*3、步长为1的卷积运算，表示激活生成的特征图，代表所述前置残差模块输出的特征图。
[0008]本专利技术还提供了一种带有注意力机制的低质量人脸图像识别设备，包括处理器和存储器，所述存储器储存有计算机程序，所述处理器通过加载所述计算机程序，用于执行如上所述的带有注意力机制的低质量人脸图像识别方法。
[0009]本专利技术的有益效果是：（1）现有技术表明，对于清晰的高分辨率人脸图像而言，通过简单叠加的多个卷积层就能充分地从图像中提取获得需要的特征信息，而对于低质量（如低分辨率）的人脸图像而言，其中的有用人脸图像信息十分有限，而且这些信息往往夹杂在大量的干扰信号中，现有的人工神经网络难以很好地应对这种低质量的图像输入，数据拟合效果不佳；本专利技术为了提高对原始输入图像的利用率，在每个特征信息提取层内部不仅设置卷积核大小不同的卷积层（和），而且还采用不同的方式将和两个卷积输出的特征图进行融合（矩阵相加和元素对应乘积），这样使得特征信息提取层能够从不同的角度进行特征提取操作，不同角度特征提取操作之间互相补充和验证，从而达到强化图像特征提取效果的作用；（2）常规的人脸识别神经网络中，都是特征提取单元和池化层交替设置，由于整个网络为串联结构，两个特征提取单元之间只存在一个池化层，导致信息池化方式单一，限制了整个网络对低质量图像的特征提取效果；本专利技术同时设置多个跨步卷积（和）和池化层（和）分别对不同分支的特征图进行操作，这样不仅降低了特征图的长宽尺寸，同时还很好地缓解了单一池化方式导致的信息丢失；（3）多个分支生成的特征图（、、和）并联输入复合注意力校准单元中，与常规的单一特征图作为输入相比，复合注意力校准单元能够从不同的角度学习不同信息的重要性，最终得到的注意力图（）对信息校准效果更好。
附图说明
[0010]图1为一实施例的人脸图像识别网络模型结构示意图；图2为图1所示人脸图像识别网络模型中特征信息提取层的结构示意图；图3为图2所示特征信息提取层中复合注意力校准单元的结构示意图；图4为对比例中特征信息提取层的结构示意图；附图中：1
‑
未知人脸图像，2
‑
特征信息提取层，21
‑
前置残差模块，3
‑
全局池化处理层，4
‑
复合注意力校准单元，5
‑
人脸特征向量。
具体实施方式
[0011]实施例：如说明书附图所示，图1、图2和图3分别为本实施例的人脸图像识别网络模型结构示意图、特征信息提取层2的结构示意图和复合注意力校准单元4的结构示意图。其中，全局池化处理层3采用全局平均池化层实现，网络的主干中设置了四个特征信息提取层2，特征信息提取层2可以表示为如下数学模型：
，其中，代表所述特征信息提取层的输入，表示前置残差模块；表示卷积核大小为3*3、步长为1的卷积运算，表示卷积核大小为5*5、步长为1的卷积运算，表示卷积核大小为3*3、步长为2的卷积运算，表示卷积核大小为5*5、步长为2的卷积运算，和均表示池化窗口尺寸为2*2、步长为2的最大池化操作，表示卷积核大小为1*1、步长为1的卷积运算,表示元素对应乘积运算，表示将其中的特征图拼接起来，、、、、均表示激活函数ReLU，表示所述前置残差模块输出的特征图，表示激活后生成的特征图，表示激活后生成的特征图，表示与相加后生成的特征图，表示与做元素对应乘积后生成的特征图，表本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种带有注意力机制的低质量人脸图像识别方法，其特征是：包括以下步骤：S10、采集获取未知人脸图像，获取训练完成的人脸图像识别网络模型；所述人脸图像识别网络模型包括主干和全局池化处理层，所述全局池化处理层连接在所述主干的尾部，所述主干包括顺次连接的多个特征信息提取层，所述特征信息提取层的数学模型为：，其中，代表所述特征信息提取层的输入，表示前置残差模块；表示卷积核大小为3*3、步长为1的卷积运算，表示卷积核大小为5*5、步长为1的卷积运算，表示卷积核大小为3*3、步长为2的卷积运算，表示卷积核大小为5*5、步长为2的卷积运算，和均表示池化窗口尺寸为2*2、步长为2的最大池化操作，表示卷积核大小为1*1、步长为1的卷积运算,表示元素对应乘积运算，表示将其中的特征图拼接起来，、、、、均表示激活函数ReLU，表示所述前置残差模块输出的特征图，表示激活后生成的特征图，表示激活后生成的特征图，表示与相加后生成的特征图，表示与做元素对应乘积后生成的特征图，表示激活后生成的特征图，表示激活后生成的特征图，表示池化操作后生成的特征图，表示池化操作后生成的特征图，表示复合注意力校准单元，表示所述复合注意力校准单元生成并输出的注意力图，表示所述特征信息提取层输出的特征图；S20、将所述未知人脸图像输入所述人脸图像识别网络模型，随着图像信息沿着所述主干传递，各个所述特征信息提取层依次对图像信息进行特征提取操作，直到最后一个所述特征信息提取层输出抽象特征图；S30、将所述抽象特征图输入所述全局池化处理层，利用所述全局池化处理层对所述抽象特征图的各个图层进行全局池化操作，然后输出得到人脸特征向量；S40、计...

【专利技术属性】
技术研发人员：梁海丽，
申请(专利权)人：威海职业学院威海市技术学院，
类型：发明
国别省市：