一种基于多移动目标的人脸识别方法、系统及存储介质技术方案

公开了一种基于多移动目标的人脸识别方法、系统及存储介质。其首先从由摄像头采集的人员监控视频提取多个人员监控关键帧，接着分别对所述各个人员监控关键帧进行人脸检测以得到多组人脸检测区域候选框，然后对所述多组人脸检测区域候选框进行人脸跟踪以得到对应于多个对象的多组人脸感兴趣区域候选框，接着将每组所述人脸感兴趣区域候选框通过卷积神经网络模型以得到人脸检测特征图，然后将所述人脸检测特征图通过双向注意力机制模块以得到分类特征图，最后对所述分类特征图进行特征分布优化后通过分类器以得到用于表示身份标签的分类结果，提高了人脸识别的精准性。提高了人脸识别的精准性。提高了人脸识别的精准性。

【技术实现步骤摘要】
一种基于多移动目标的人脸识别方法、系统及存储介质


[0001]本申请涉及智人脸识别领域，且更为具体地，涉及一种基于多移动目标的人脸识别方法、系统及存储介质。

技术介绍

[0002]人脸识别技术是基于人的脸部特征信息进行身份识别的一种生物识别技术，主要是用摄像机或摄像头采集含有人脸的图像或视频流，并自动在图像中检测和跟踪人脸，进而对检测到的人脸进行脸部识别的一系列相关技术。
[0003]例如，申请号为201810796508.5的中国专利公开了一种人脸识别方法，包括：获取待识别图像；根据边缘检测算法，获取第一人脸区域，根据基准RGB值范围，获取第二人脸区域，将第一人脸区域与第二人脸区域重合的区域作为第三人脸区域；从第三人脸区域中获取特征区域，以特征区域的中心确定一矩形区域，将矩形区域依次绕中心旋转0～180
°
，每个旋转操作后，均将矩形区域分成多个小区域，分别提取每个小区域的纹理特征；将与每个旋转操作对应的纹理特征集合与数据库进行比对，计算每个旋转操作对应的相似度，若每个旋转操作对应的相似度均高于设定阈值，则将数据库内对应的人脸作为识别到的人脸。该专利技术能够避免遮挡物影响识别，并且增加了特征信息量，提高了识别准确率。
[0004]又如，申请号为201610364182.X的中国专利公开了一种人脸识别方法，所述方法包括：检测摄像头处于开启状态后，将所述显示屏的亮度值调整至最大值；采集所述显示屏前方的人脸图像；判断所述人脸图像是否满足人脸识别的要求，若否，对所述人脸图像进行非线性变换处理后得到满足人脸识别要求的人脸图像；对满足人脸识别要求的所述人脸图像进行识别。该专利技术的人脸识别方法在电子设备处于拍照模式时自动调整显示屏亮度至最强，为人脸拍摄提供充足光照，不仅提高了人脸识别效率，还通过对人脸图像进行非线性变换处理，进一步提高了获取的人脸图像的质量，从而提高了人脸识别准确率。
[0005]类似上述的人脸识别方法主要是基于监控图像或视频进行识别，但相似的人脸识别技术运用到电梯内人脸识别时，由于电梯内会存在有多个移动的目标，并且电梯内的人员可能会有进出、移动、遮挡等情况，这增加了人脸识别的难度，从而降低了电梯内乘客的身份识别精准度。
[0006]因此，期望一种优化的基于多移动目标的人脸识别方案。

技术实现思路

[0007]为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种基于多移动目标的人脸识别方法、系统及存储介质。其首先从由摄像头采集的人员监控视频提取多个人员监控关键帧，接着，分别对所述各个人员监控关键帧进行人脸检测以得到多组人脸检测区域候选框，然后，对所述多组人脸检测区域候选框进行人脸跟踪以得到对应于多个对象的多组人脸感兴趣区域候选框，接着，将每组所述人脸感兴趣区域候选框通过卷积神经网络模型以得到人脸检测特征图，然后，将所述人脸检测特征图通过双向注意力机制模块
以得到分类特征图，最后，对所述分类特征图进行特征分布优化后通过分类器以得到用于表示身份标签的分类结果，提高了人脸识别的精准性。
[0008]根据本申请的一个方面，提供了一种基于多移动目标的人脸识别方法，其包括：获取由摄像头采集的人员监控视频；从所述人员监控视频提取多个人员监控关键帧；分别对所述各个人员监控关键帧进行人脸检测以得到多组人脸检测区域候选框，其中，每组所述人脸检测区域候选框包含多个人脸检测区域候选框；对所述多组人脸检测区域候选框进行人脸跟踪以得到对应于多个对象的多组人脸感兴趣区域候选框；将每组所述人脸感兴趣区域候选框通过作为特征提取器的卷积神经网络模型以得到人脸检测特征图；将所述人脸检测特征图通过双向注意力机制模块以得到分类特征图；对所述分类特征图进行特征分布优化以得到优化分类特征图；以及将所述优化分类特征图通过分类器以得到分类结果，所述分类结果用于表示身份标签。
[0009]在上述的基于多移动目标的人脸识别方法中，分别对所述各个人员监控关键帧进行人脸检测以得到多组人脸检测区域候选框，其中，每组所述人脸检测区域候选框包含多个人脸检测区域候选框，包括：使用多任务卷积神经网络分别对所述各个人员监控关键帧进行人脸检测以得到所述多组人脸检测区域候选框。
[0010]在上述的基于多移动目标的人脸识别方法中，将每组所述人脸感兴趣区域候选框通过作为特征提取器的卷积神经网络模型以得到人脸检测特征图，包括：所述作为特征提取器的卷积神经网络模型的各层在层的正向传递中对输入数据分别进行如下处理：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行均值池化处理以得到池化特征图；以及对所述池化特征图进行非线性激活以得到激活特征图；其中，所述作为特征提取器的卷积神经网络模型的最后一层的输出为所述人脸检测特征图，所述作为特征提取器的卷积神经网络模型的第一层的输入为每组所述人脸感兴趣区域候选框。
[0011]在上述的基于多移动目标的人脸识别方法中，将所述人脸检测特征图通过双向注意力机制模块以得到分类特征图，包括：对所述人脸检测特征图进行沿通道维度的全局均值池化以得到全局池化特征矩阵；将所述全局池化特征矩阵分别沿着水平方向和垂直方向进行池化以得到第一向池化向量和第二向池化向量；对所述第一向池化向量和所述第二向池化向量进行关联编码以得到双向关联矩阵；将所述双向关联矩阵输入Sigmoid激活函数以得到双向关联权重矩阵；
以及计算所述双向关联权重矩阵和所述人脸检测特征图的沿通道维度的各个特征矩阵之间的按位置点乘以得到所述分类特征图。
[0012]在上述的基于多移动目标的人脸识别方法中，对所述分类特征图进行特征分布优化以得到优化分类特征图，包括：以如下优化公式计算所述分类特征图中各个位置特征值的位置信息图式场景注意力无偏估计因数以得到所述多个位置信息图式场景注意力无偏估计因数；其中，所述优化公式为：；其中，是所述分类特征图中各个位置特征值，为所述分类特征图的各个位置特征值的位置坐标，且是所述分类特征图的所有特征值的全局均值，和分别代表将二维实数和三维实数映射为一维实数的函数，、和分别是所述分类特征图的宽度、高度和通道数，表示以2为底的对数函数，表示所述多个位置信息图式场景注意力无偏估计因数中的各个位置信息图式场景注意力无偏估计因数。
[0013]在上述的基于多移动目标的人脸识别方法中，将所述优化分类特征图通过分类器以得到分类结果，所述分类结果用于表示身份标签，包括：将所述优化分类特征图按照行向量展开为优化分类特征向量；使用所述分类器的全连接层对所述优化分类特征向量进行全连接编码以得到编码分类特征向量；以及将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
[0014]根据本申请的另一个方面，提供了一种基于多移动目标的人脸识别系统，其包括：视频采集模块，用于获取由摄像头采集的人员监控视频；关键帧提取模块，用于从所述人员监控视频提取多个人员监控关键帧；人脸检测模块，用于分别对所述各个人员监控关键帧进行人脸检测以得到多组人脸检测区域候选框，其中，每组所述人脸本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多移动目标的人脸识别方法，其特征在于，包括：获取由摄像头采集的人员监控视频；从所述人员监控视频提取多个人员监控关键帧；分别对各个人员监控关键帧进行人脸检测以得到多组人脸检测区域候选框，其中，每组所述人脸检测区域候选框包含多个人脸检测区域候选框；对所述多组人脸检测区域候选框进行人脸跟踪以得到对应于多个对象的多组人脸感兴趣区域候选框；将每组所述人脸感兴趣区域候选框通过作为特征提取器的卷积神经网络模型以得到人脸检测特征图；将所述人脸检测特征图通过双向注意力机制模块以得到分类特征图；对所述分类特征图进行特征分布优化以得到优化分类特征图；以及将所述优化分类特征图通过分类器以得到分类结果，所述分类结果用于表示身份标签。2.根据权利要求1所述的基于多移动目标的人脸识别方法，其特征在于，分别对各个人员监控关键帧进行人脸检测以得到多组人脸检测区域候选框，其中，每组所述人脸检测区域候选框包含多个人脸检测区域候选框，包括：使用多任务卷积神经网络分别对各个人员监控关键帧进行人脸检测以得到所述多组人脸检测区域候选框。3.根据权利要求2所述的基于多移动目标的人脸识别方法，其特征在于，将每组所述人脸感兴趣区域候选框通过作为特征提取器的卷积神经网络模型以得到人脸检测特征图，包括：所述作为特征提取器的卷积神经网络模型的各层在层的正向传递中对输入数据分别进行如下处理：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行均值池化处理以得到池化特征图；以及对所述池化特征图进行非线性激活以得到激活特征图；其中，所述作为特征提取器的卷积神经网络模型的最后一层的输出为所述人脸检测特征图，所述作为特征提取器的卷积神经网络模型的第一层的输入为每组所述人脸感兴趣区域候选框。4.根据权利要求3所述的基于多移动目标的人脸识别方法，其特征在于，将所述人脸检测特征图通过双向注意力机制模块以得到分类特征图，包括：对所述人脸检测特征图进行沿通道维度的全局均值池化以得到全局池化特征矩阵；将所述全局池化特征矩阵分别沿着水平方向和垂直方向进行池化以得到第一向池化向量和第二向池化向量；对所述第一向池化向量和所述第二向池化向量进行关联编码以得到双向关联矩阵；将所述双向关联矩阵输入Sigmoid激活函数以得到双向关联权重矩阵；以及计算所述双向关联权重矩阵和所述人脸检测特征图的沿通道维度的各个特征矩阵之间的按位置点乘以得到所述分类特征图。5.根据权利要求4所述的基于多移动目标的人脸识别方法，其特征在于，对所述分类特
征图进行特征分布优化以得到优化分类特征图，包括：以如下优化公式计算所述分类特征图中各个位置特征值的位置信息图式场景注意力无偏估计因数以得到所述多个位置信息图式场景注意力无偏估计因数；其中，所述优化公式为：；其中，是所述分类特征图中各个位置特...

【专利技术属性】
技术研发人员：黄剑，李佩剑，伍强，
申请(专利权)人：成都睿瞳科技有限责任公司，
类型：发明
国别省市：