一种具有感知意识的人脸识别方法、系统及储存介质技术方案

本发明专利技术公开了一种具有感知意识的人脸识别方法、系统及储存介质，将人脸对齐图像经过已训练完成的深度神经网络模型前向运算后输出具有高度区分性的人脸身份特征向量，通过欧氏距离或者余弦相似度等度量对所述人脸身份特征向量进行操作，输出当前人脸属于某一身份的概率；所述深度神经网络模型包括输入层data、主干网络模块backbone、主特征模块feature和质量模块quanlity；该可以人脸识别方法可以感知输入人脸对齐图像的识别难易程度，融合质量模块quanlity的模型能够更多的关注模糊和侧脸等低质量人脸，提高了模型的识别精度、增强了模型的鲁棒性。精度、增强了模型的鲁棒性。精度、增强了模型的鲁棒性。

【技术实现步骤摘要】
一种具有感知意识的人脸识别方法、系统及储存介质


[0001]本专利技术涉及人脸识别
，尤其涉及一种具有感知意识的人脸识别方法、系统及储存介质。

技术介绍

[0002]基于人脸图像的身份识别技术是一种基于计算机视觉技术和人工智能技术的综合技术，在人脸门禁、公安领域、金融领域以及娱乐等领域都有广泛应用，它需要从图像或视频中自动检测定位出人脸位置，同时根据人脸图像的主要特征进行个体差异的比对分析，确定人脸的身份信息，人脸识别技术的好坏直接影响到后续工作的可靠性和精准度。
[0003]Arcface(ArcFace:Additive Angular Margin Loss for Deep Face Recognition)论文中提出的网络结构模型(简称Arcface模型)是效果最显著的一种人脸识网络模型，Arcface模型通过最小化类内距离最大化类间距离，获取人脸最关键的差异性特征，借助特征的余弦相似度来判断两个人脸是否属于同一个人。尽管Arcface模型具有识别精度高、鲁棒性强、速度快等优点，但是也存在一些不足之处，对于低质量人脸的识别精度和鲁棒性明显降低。

技术实现思路

[0004]基于
技术介绍
存在的技术问题，本专利技术提出了一种具有感知意识的人脸识别方法、系统及储存介质，能够更多的去关注低质量人脸图像的得分，提高了模型的识别精度和鲁棒性。
[0005]本专利技术提出的一种具有感知意识的人脸识别方法，将人脸对齐图像经过已训练完成的深度神经网络模型前向运算后输出具有高度区分性的人脸身份特征向量，通过欧氏距离或者余弦相似度等度量对所述人脸身份特征向量进行操作，输出当前人脸属于某一身份的概率；所述深度神经网络模型包括输入层data、主干网络模块backbone、主特征模块feature和质量模块quanlity；主干网络模块backbone的输入连接输入层data的输出，主干网络模块backbone的输出分别连接主特征模块feature的输入和质量模块quanlity的输入，其中，质量模块quanlity只在深度神经网络模型训练中起作用，训练完成的深度神经网络模型在使用中通过主特征模块feature输出人脸身份特征向量。
[0006]进一步地，所述主特征模块feature包括依次连接的特征图尺寸变换层flatten0、全连接层fc0和批量归一化层BN，特征图尺寸变换层flatten0的输入连接主干网络模块backbone的输出，批量归一化层BN输出人脸身份特征向量。
[0007]进一步地，所述质量模块quanlity包括依次连接的全局均值池化层ave
‑
pool、全连接层fc1和特征调整层sigmod，全局均值池化层ave
‑
pool的输入连接主干网络模块backbone的输出，特征调整层sigmod输出人脸质量。
[0008]进一步地，所述深度神经网络模型的训练过程如下：
[0009]获取训练样本图像，对所述训练样本图像中的每个人脸对齐图像均标注人脸质量
指数；
[0010]设计所述深度神经网络模型的目标损失函数，其中，主特征模块feature的损失函数采用具有人脸质量感知和数据难易感知的损失函数L
feature
，质量模块quanlity的目标损失函数采用均方差损失函数。
[0011]将训练样本图像送入定义好的深度神经网络模型，学习相关的模型参数，以训练深度神经网络模型。
[0012]进一步地，所述损失函数L
feature
的公式如下：
[0013]L
feature
＝
‑
(1
‑
q)
a
×
(1
‑
p
t
)
b
×
log(p
t
)
[0014][0015]其中，q表示质量模块quanlity输出的人脸质量指数，a、b均表示指数因子，p表示输入人脸属于某个身份的概率，y＝1表示当前人脸正确身份类别对应的预测概率，other表示当前人脸错误身份类别对应的预测概率。
[0016]一种具有感知意识的人脸识别系统，将人脸对齐图像经过已训练完成的深度神经网络模型前向运算后输出具有高度区分性的人脸身份特征向量，通过欧氏距离或者余弦相似度等度量对所述人脸身份特征向量进行操作，输出当前人脸属于某一身份的概率；
[0017]所述深度神经网络模型包括输入层data、主干网络模块backbone、主特征模块feature和质量模块quanlity；
[0018]主干网络模块backbone的输入连接输入层data的输出，主干网络模块backbone的输出分别连接主特征模块feature的输入和quanlity的输入，其中，质量模块quanlity只在深度神经网络模型训练中起作用，训练完成的深度神经网络模型在使用中通过主特征模块feature输出人脸身份特征向量。
[0019]进一步地，所述主特征模块feature包括依次连接的特征图尺寸变换层flatten0、全连接层fc0和批量归一化层BN，特征图尺寸变换层flatten0的输入连接主干网络模块backbone的输出，批量归一化层BN输出人脸身份特征向量。
[0020]进一步地，所述质量模块quanlity包括依次连接的全局均值池化层ave
‑
pool、全连接层fc1和特征调整层sigmod，全局均值池化层ave
‑
pool的输入连接主干网络模块backbone的输出，特征调整层sigmod输出人脸质量。
[0021]一种计算机可读储存介质，所述计算机可读储存介质上存储有若干分类程序，所述若干分类程序用于被处理器调用并执行如上所述的人脸识别方法。
[0022]本专利技术提供的一种具有感知意识的人脸识别方法、系统及储存介质的优点在于：本专利技术结构中提供的一种具有感知意识的人脸识别方法、系统及储存介质，针对现有Arcface模型框架的不足进行了优化改进，不仅能够感知输入人脸图像的质量好坏，而且还可以感知输入人脸对齐图像的识别难易程度，融合了质量模块quanlity的模型能够更多的关注模糊和侧脸等低质量人脸，提高了模型的识别精度、增强了模型的鲁棒性；借助质量模块quanlity，在不增加模型预测时间的同时，能极大地提高模型显的训练性能。
附图说明
[0023]图1为本专利技术的流程示意图；
[0024]图2是深度神经网络模型结构图，
[0025]图3是主特征模块feature的结构图；
[0026]图4是质量模块quanlity的结构图；
[0027]其中，每个模块图形旁边的字母数字，表示当前模块的输出特征图尺寸，即：特征图通道数
×
特征图高度
×
特征图宽度。
具体实施方式
[0028]下面，通过具体实施例对本专利技术的技本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种具有感知意识的人脸识别方法，其特征在于，将人脸对齐图像经过已训练完成的深度神经网络模型前向运算后输出具有高度区分性的人脸身份特征向量，通过欧氏距离或者余弦相似度等度量对所述人脸身份特征向量进行操作，输出当前人脸属于某一身份的概率；所述深度神经网络模型包括输入层data、主干网络模块backbone、主特征模块feature和质量模块quanlity；主干网络模块backbone的输入连接输入层data的输出，主干网络模块backbone的输出分别连接主特征模块feature的输入和质量模块quanlity的输入，其中，质量模块quanlity只在深度神经网络模型训练中起作用，训练完成的深度神经网络模型在使用中通过主特征模块feature输出人脸身份特征向量。2.根据权利要求1所述的具有感知意识的人脸识别方法，其特征在于，所述主特征模块feature包括依次连接的特征图尺寸变换层flatten0、全连接层fc0和批量归一化层BN，特征图尺寸变换层flatten0的输入连接主干网络模块backbone的输出，批量归一化层BN输出人脸身份特征向量。3.根据权利要求1所述的具有感知意识的人脸识别方法，其特征在于，所述质量模块quanlity包括依次连接的全局均值池化层ave
‑
pool、全连接层fc1和特征调整层sigmod，全局均值池化层ave
‑
pool的输入连接主干网络模块backbone的输出，特征调整层sigmod输出人脸质量。4.根据权利要求1所述的具有感知意识的人脸识别方法，其特征在于，所述深度神经网络模型的训练过程如下：获取训练样本图像，对所述训练样本图像中的每个人脸对齐图像均标注人脸质量指数；设计所述深度神经网络模型的目标损失函数，其中，主特征模块feature的损失函数采用具有人脸质量感知和数据难易感知的损失函数L
feature
，质量模块quanlity的目标损失函数采用均方差损失函数；将训练样本图像送入定义好的深度神经网络模型，学习相关的模型参数，以训练深度神经网络模型。5.根据权利要求4所述的具有感知意识的人脸识别方法，其特征在于，所述损失函数L
feature
的公式如下：L
feature

【专利技术属性】
技术研发人员：尼秀明，张卡，何佳，
申请(专利权)人：安徽清新互联信息科技有限公司，
类型：发明
国别省市：