一种基于实时目标检测的人脸识别方法技术

本发明专利技术公开了一种基于实时目标检测的人脸识别方法

【技术实现步骤摘要】
一种基于实时目标检测的人脸识别方法、装置及存储介质


[0001]本专利技术涉及目标检测
，尤其涉及一种基于实时目标检测的人脸识别方法
、
装置及存储介质
。

技术介绍

[0002]目前的部署于嵌入式开发板上的实时目标检测技术，例如
yolov5
算法，为了适用于特定的实际的应用场景，需要训练自定义的数据，在自定义的训练过程中，往往会因为数据样本的数据量
、
质量等问题影响训练结果，从而降低检测模型的精度
。
例如，训练数据中难以避免地包含低质量示例，所以如距离
、
纵横比之类的几何度量都会加剧对低质量示例的惩罚从而使模型的泛化性能下降
。
再如，针对一些特定的场景，如，存在目标较小
、
目标模糊和人员密集等问题的训练数据，导致检测模型检测效果不佳
。
另外，用于部署嵌入式发板上的
yolov5
算法是一种多目标实时检测算法，不能专门用于对人脸检测
。
专利
技术实现思路

本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于实时目标检测的人脸识别方法，其特征在于，包括：构建自定义训练数据集，并输入到若干个预设的初始人脸检测网络模型中，分别生成对应的第一预测结果；根据所述第一预测结果，计算每个预设的初始人脸检测网络模型对应的损失函数；根据所述损失函数对各自的初始人脸检测网络模型进行模型训练，获得若干个训练后的初始人脸检测网络模型；利用所述训练后的初始人脸检测网络模型重新对所述自定义训练数据集进行预测，分别生成对应的第二预测结果；根据所述第二预测结果和所述自定义训练数据集对应的验证集，对各所述初始人脸检测网络模型进行验证，生成一个最优人脸检测网络模型；获取实时场景图像并输入到所述最优人脸检测网络模型中，检测所述实时场景图像中的第一人脸，并提取所述第一人脸的人脸特征；根据所述第一人脸和所述人脸特征，生成人数统计结果和人脸识别结果
。2.
如权利要求1所述的一种基于实时目标检测的人脸识别方法，其特征在于，所述构建自定义训练数据集，具体为：获取若干真实场景图像以及特殊场景图像，依次对所述真实场景图像以及特殊场景图像进行标注作为自定义训练数据集，并将所述自定义训练数据集按照预设比例划分为训练集
、
验证集和测试集
。3.
如权利要求1所述的一种基于实时目标检测的人脸识别方法，其特征在于，所述根据所述第一预测结果，计算每个预设的初始人脸检测网络模型对应的损失函数，具体为：对所述第一预测结果进行整合，生成对应的若干个预测框，并计算每个预设的初始人脸检测网络模型对应的预测框的损失函数；根据每个所述初始人脸检测网络模型各自的损失函数进行模型训练，获得若干个训练后的初始人脸检测网络模型
。4.
如权利要求3所述的一种基于实时目标检测的人脸识别方法，其特征在于，所述计算每个预设的初始人脸检测网络模型对应的预测框的损失函数，具体为：根据预测框的中心点，计算每个预测框的损失函数；所述损失函数的表达式为：
L
WIoUv1
＝
R
WIoU
L
IoU
；
L
IoU
＝1‑
IoU
；式中，
L
WIoUvl
为预测框的损失函数；
R
WIoU
为第一计算结果；
R
WIoU
∈[1
，
e)
；
L
IoU
为第二计算结果；
L
IoU
∈[0
，
1]
；
IoU
为预测框与真实目标框重合的部分与全部部分的交并比；
exp
为；
x
为预测框的中心点的水平位置；
y
为预测框的中心点的垂直位置；
x
gt
为真实目标框的中心点的水平位置；
y
gt
为真实目标框的中心点的垂直位置；
W
g
为包围预测框与真实目标框的最小包围框的宽度；
H
g
为包围预测框与真实目标框的最小包围框的高度；
*
为平方符号
。5.
如权利要求4所述的一种基于实时目标检测的人脸识别方法，其特征在于，所述根据每个所述初始人脸检测网络模型各自的损失函数进行模型训练，获得若干个训练后的初始人脸检测网络模型，具体为：
根据每个所述初始人脸检测网络模型各自的损失函数进行模型训练，并采用
Adam
优化器进行优化，设置预设的批处理大小和学习率，获得若干个训练后的初始人脸检测网络模型
。6.
如权利要求1所述的一种基于实时目标检测的人脸识别方法，其特征在于，所述根据所述第一人脸和所述人脸特征，生成人数统计结果和人脸识别结果，具体为：将实时场景图像的每个第一人脸的人脸特征与预设的第二人脸的人脸特征进行对比，计算对应的特征余弦相似度，并根据所述特征余弦相似度生成对应的第一人脸的识别结果；所述特征余弦相似度的计算公式为：式中，
cosC
为所述第一人脸的人脸特征与所述第二人脸的人脸特征的...

【专利技术属性】
技术研发人员：韩浩锋，张常华，李昌绿，朱正辉，
申请(专利权)人：广东保伦电子股份有限公司，
类型：发明
国别省市：