一种低光照度场景下的校园学生签到方法和校园签到系统技术方案

本发明专利技术提供了一种低光照度场景下的校园学生签到方法和校园签到系统。签到方法包括以下步骤：利用自校准技术对校园人脸图像进行低光照度增强；利用转换器神经网络模型创建人脸签到编码器并对图像进行编码；利用梯度反转技术对编码器进行多尺度局部特征对齐和多尺度全局特征对齐；利用转换器神经网络模型创建解码器并实现低光照度检测头；使用无监督域自适应技术训练并保存模型，得到低光照度场景下的人脸签到结果。签到系统包括处理单元、编码单元、对齐单元和识别单元，以实现上述签到方法。本发明专利技术可以通过无监督自适应有效地检测低照度图像中的对象，显著降低模型对样本的依赖性。能够对齐图像的整体属性，从而减少特征偏差。差。差。

【技术实现步骤摘要】
一种低光照度场景下的校园学生签到方法和校园签到系统


[0001]本专利技术涉及人脸识别签到
，具体而言，涉及一种低光照度场景下的校园学生签到方法和校园签到系统。

技术介绍

[0002]人脸识别签到是计算机视觉的一项基础任务，广泛应用于人脸签到、自动驾驶和场景理解等工业场景。尽管弱光环境是日常活动不可或缺的一部分，但低光照环境对计算机视觉构成了重大挑战。通常，在夜间或者雾天期间获得的图像具有低对比度、低亮度、噪声和因光线不足而产生的模糊等特点。这样的图像直接降低了现有人脸签到模型的性能，导致了显著的检测误差。尽管人脸识别领域取得了重大突破，但现有的研究涉及明亮的图像，而不是弱光。因此，适用于低照度图像的校园人脸签到方法对于人工智能在校园中的应用至关重要。目前低照度场景下的人脸识别系统主要有：（1）基于图像增强的检测方法。为了在夜间或阴天等不利条件下获得可靠的检测，必须满足低照度图像增强的要求。这种方法需要对低照度图像进行预处理，以提高亮度和对比度，然后检测增强的图像。（2）基于端到端检测的方法。这一类别使用监督学习来建立检测模型，并且需要大量带注释的训练数据，收集这些数据既昂贵又耗时。（3）基于无监督领域的自适应检测方法。使用标记的数据集作为源域，使用未标记的数据集中作为目标域，有助于模型在域或类别级别上学习域不变特征表示。在没有标签或标签很少的正常照明数据集的情况下，该方法可以将从正常照明数据学习的特征应用于低照明图像检测。

技术实现思路

[0003]本专利技术旨在至少解决现有技术中存在的以下技术问题之一：（1）无法处理低光照度场景。在现有的校园人脸签到系统中，在雾天、夜间获得的图像具有低对比度、低亮度、噪声和因光线不足而产生的模糊等特点。这样的图像直接降低了现有对象检测模型的性能，导致了显著的检测误差。
[0004]（2）图像全局特征损失。意味着具有正常照明的源域图像和具有低照明的目标域图像的分布可能无法使用对抗性损失在全局图像级别上精确匹配，因为这两个域具有不同的场景布局和对象组合。
[0005]（3）图像局部特征丢失。是指完全匹配局部特征，例如具有正常照明的源域图像和具有低照明的目标域图像的纹理和颜色，这可能会因为两个图像的类级语义的偏差而失败。在目前的大多数方法中，研究人员只关注使用局部或全局特征对齐。
[0006]为此，本专利技术第一方面提供了一种低光照度场景下的校园学生签到方法。
[0007]本专利技术第二方面提供了一种校园签到系统。
[0008]本专利技术提供了一种低光照度场景下的校园学生签到方法，包括以下步骤：S1、利用自校准技术对校园人脸图像进行低光照度增强；S2、利用转换器神经网络模型创建人脸签到编码器并对图像进行编码；
S3、利用梯度反转技术对编码器进行多尺度局部特征对齐和多尺度全局特征对齐；S4、利用转换器神经网络模型创建解码器并实现低光照度检测头；S5、使用无监督域自适应技术训练并保存模型，得到低光照度场景下的人脸签到结果。
[0009]根据本专利技术上述技术方案的一种低光照度场景下的校园学生签到方法，还可以具有以下附加技术特征：在上述技术方案中，步骤S1包括：S11、建立低光照度人脸识别数据集，抽取至少部分低光照度人脸识别数据集中的数据作为源域数据集，将低光照度人脸识别数据集中的剩余数据作为目标域数据集；S12、使用同态滤波模型对源域数据集中的图像进行微光图像增强，学习低照度图像和期望的清晰图像之间的照度关系，在图像增强的同时进行照度估计，并通过去除所估计的照度获取增强后的输出亮度，再根据同态滤波理论建立照度学习关系式；S13、对照度关系进行自校准；首先，定义自校准模块，使微光图像增强过程中每个阶段收敛到同一个状态；将每个前一阶段的输入定义为低光观察，桥接每个阶段的输入；然后，引入自校准映射并将其添加到低光观察中，在每个阶段中的输入和第一阶段之间呈现照度差异；最后，形成自校准模型。
[0010]在上述技术方案中，步骤S1还包括：S14、训练自校准模型；采用无监督学习来增强网络学习能力，其中，将保真度定义为自校准模型的总损失。
[0011]在上述技术方案中，步骤S2包括：S21、创建人脸签到编码器；所述编码器是基于转换器神经网络的双向编码结构，所述编码器包括多头注意力和前馈神经网络；S22、将源域数据集中的图像划分为多个图像块；S23、将每个图像块输入至人脸签到编码器进行向量计算，获得人脸图像多头注意力向量，创建多头注意力矩阵计算人脸图像多头注意力向量的注意力得分；S24、将注意力得分进行归一化处理，得到归一化处理后的注意力得分；S25、将经过归一化处理后的注意力得分输入到前馈神经网络FFN中进行线性变换，得到低照度人脸图像的浅层人脸图像特征向量。
[0012]在上述技术方案中，步骤S3中，所述进行多尺度局部特征对齐包括：S31、将低照度人脸图像的浅层人脸图像特征向量送入到梯度反转层GRL中，并使用对抗性学习策略来减少前向传播过程中多尺度局部特征对齐模块的损失，而在反向传播过程中，梯度反转层GRL将输入误差乘以负标量以增加多尺度局部特征对齐模块损失，从而减少源域数据集和目标域数据集的低级特征差异；S32、将S31生成的特征图馈送到不同通道大小的多个卷积层中；S33、将经S32处理的特征图输入到相应的领域分类层中，并使用最小二乘法训练多尺度局部特征对齐模块的损失函数，所述多尺度局部特征对齐模块的损失函数包括源域数据集的局部特征对准损失和目标域数据集的局部特征对准损失。
[0013]在上述技术方案中，步骤S3中，所述多尺度全局特征对齐包括
S34、将进行了多尺度局部特征对齐后的输出向量送入到梯度反转层GRL中，使用对抗性学习策略，其中梯度反转层GRL在前向传播期间最小化多尺度全局特征对齐模块的损失，并通过在后向传播期间将输入误差乘以负标量来最大化多尺度全局特征对齐模块损失，从而减少源域数据集和目标域数据集之间的低级特征差异；S35、将S34生成的特征图馈送到不同通道大小的多个卷积层中；S36、将经S35处理的特征图输入到领域分类层中，使得域分类器无法区分特征来自源域数据集还是目标域数据集，并使用最小二乘法训练多尺度全局特征对齐模块的损失函数，所述多尺度全局特征对齐模块的损失函数包括源域数据集的全局特征对准损失和目标域数据集的全局特征对准损失。
[0014]在上述技术方案中，步骤S4包括：S41、创建人脸签到解码器；所述解码器是基于转换器神经网络的双向编码结构；所述解码器包括多头注意力和前馈神经网络；S42、将步骤S3获取到的特征向量送入到解码器中；S43、遍历解码器，实现人脸检测头网络；S44、创建人脸签到检测头网络，通过训练全连接神经网络，得到权重向量和偏差项；根据检测网络的预测结果，利用交叉熵损失函数计算人脸识别效果损失估计。
[0015]在上述技术方案中，步骤S43包括：S431、依次遍历每一个解码器层以获得注意力得分；S432、创建多头注意力矩阵，多头注意力矩阵包括查询矩阵、键矩阵和值矩阵；S433、根据多头注本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种低光照度场景下的校园学生签到方法，其特征在于，包括以下步骤：S1、利用自校准技术对校园人脸图像进行低光照度增强；S2、利用转换器神经网络模型创建人脸签到编码器并对图像进行编码；S3、利用梯度反转技术对编码器进行多尺度局部特征对齐和多尺度全局特征对齐；S4、利用转换器神经网络模型创建解码器并实现低光照度检测头；S5、使用无监督域自适应技术训练并保存模型，得到低光照度场景下的人脸签到结果。2.根据权利要求1所述的一种低光照度场景下的校园学生签到方法，其特征在于，步骤S1包括：S11、建立低光照度人脸识别数据集，抽取至少部分低光照度人脸识别数据集中的数据作为源域数据集，将低光照度人脸识别数据集中的剩余数据作为目标域数据集；S12、使用同态滤波模型对源域数据集中的图像进行微光图像增强，学习低照度图像和期望的清晰图像之间的照度关系，在图像增强的同时进行照度估计，并通过去除所估计的照度获取增强后的输出亮度，再根据同态滤波理论建立照度学习关系式；S13、对照度关系进行自校准；首先，定义自校准模块，使微光图像增强过程中每个阶段收敛到同一个状态；将每个前一阶段的输入定义为低光观察，桥接每个阶段的输入；然后，引入自校准映射并将其添加到低光观察中，在每个阶段中的输入和第一阶段之间呈现照度差异；最后，形成自校准模型。3.根据权利要求2所述的一种低光照度场景下的校园学生签到方法，其特征在于，步骤S1还包括：S14、训练自校准模型；采用无监督学习来增强网络学习能力，其中，将保真度定义为自校准模型的总损失。4.根据权利要求2所述的一种低光照度场景下的校园学生签到方法，其特征在于，步骤S2包括：S21、创建人脸签到编码器；所述编码器是基于转换器神经网络的双向编码结构，所述编码器包括多头注意力和前馈神经网络；S22、将源域数据集中的图像划分为多个图像块；S23、将每个图像块输入至人脸签到编码器进行向量计算，获得人脸图像多头注意力向量，创建多头注意力矩阵计算人脸图像多头注意力向量的注意力得分；S24、将注意力得分进行归一化处理，得到归一化处理后的注意力得分；S25、将经过归一化处理后的注意力得分输入到前馈神经网络FFN中进行线性变换，得到低照度人脸图像的浅层人脸图像特征向量。5.根据权利要求4所述的一种低光照度场景下的校园学生签到方法，其特征在于，步骤S3中，所述进行多尺度局部特征对齐包括：S31、将低照度人脸图像的浅层人脸图像特征向量送入到梯度反转层GRL中，并使用对抗性学习策略来减少前向传播过程中多尺度局部特征对齐模块的损失，而在反向传播过程中，梯度反转层GRL将输入误差乘以负标量以增加多尺度局部特征对齐模块损失，从而减少源域数据集和目标域数据集的低级特征差异；S32、将S31生成的特征图馈送到不同通道大小的多个卷积层中；S33、将经S32处理的特征图输入到相应的领域分类层中，并使用最小二乘法训练多尺
度局部特征对齐模块的损失函数，所述多尺度局部特征对齐模块的损失函数包括源域数据集的局部特征对准损失和目标域数据集的局部...

【专利技术属性】
技术研发人员：肖芸，李武，云贵全，
申请(专利权)人：四川信息职业技术学院，
类型：发明
国别省市：