人脸遮挡条件下基于制造技术

本发明专利技术公开了一种人脸遮挡条件下基于

【技术实现步骤摘要】
人脸遮挡条件下基于RGB
‑
D图像的人员识别与定位方法


[0001]本专利技术属于深度学习
、
室内定位和目标检测
，主要涉及了一种人脸遮挡条件下基于
RGB
‑
D
图像的人员识别与定位方法
。

技术介绍

[0002]随着物联网的发展，以位置为基础的服务
(Location
‑
based services
，
LBS)
已经和人类的生活息息相关，室内环境下高精度定位成为研究热点
。
当前，依赖全球卫星导航系统
(global navigation satellite system
，
GNSS)
的室外定位技术已经趋于成熟，甚至在于特定需求下可以达到亚米级的精度
。
但是看似相似的室内定位技术实际却是截然不同，室内环境不同于室外，由于室内环境中通常会出现障碍物的遮挡以及金属结构的屏蔽等问题，使得室内定位经常会出现因为信号不稳定而无法定位的情况
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种人脸遮挡条件下基于
RGB
‑
D
图像的人员识别与定位方法，其特征在于，包括如下步骤：步骤1：利用深度相机获取参考位置上人员的
RGB
‑
D
图像；步骤2：进行损失函数设计；步骤3：利用
YOLOv5
进行离线目标检测训练，获取目标检测模型；步骤4：对深度图进行语义分割，获取有遮挡的目标深度图像；步骤5：对步骤4获取的目标深度图像进行预处理；步骤6：基于遮挡判断和人脸对称性进行深度图像的补全；步骤7：利用卷积神经网络
CNN
进行位置分类学习，获取位置分类模型；步骤8：利用
RGB
图进行目标识别
。2.
根据权利要求1所述的一种人脸遮挡条件下基于
RGB
‑
D
图像的人员识别与定位方法，其特征在于，所述步骤2的损失函数设计：在
Landmark
回归中设计
Wing loss
函数：其中，
w
，
∈
和
C
分别描述了缩放比例
、
误差和非线性区域的曲率；假定常规
YOLOV5
网络中的损失函数为
loss
O
，则所述损失函数表示为：
loss(s)
＝
loss
O
+
λ
L
[∑
i
wing(s
i
‑
s
′
i
)]
ꢀꢀꢀꢀ
(2)
，其中
s
i
为第
i
个
Landmark
点向量，
s
′
i
为其
ground truth
，
λ
L
为
landmark
回归的权重因子
。3.
根据权利要求1所述的一种人脸遮挡条件下基于
RGB
‑
D
图像的人员识别与定位方法，其特征在于，所述步骤3具体包括：采用
WiderFace
数据集中的
RGB
图像和人脸位置的标签，利用
YOLOv5
网络结构，结合步骤2所述的损失函数进行离线训练，经过所述离线训练，得到目标检测模型，所述目标检测模型仅仅进行目标有无检测，并不进行目标识别
。4.
根据权利要求1所述的一种人脸遮挡条件下基于
RGB
‑
D
图像的人员识别与定位方法，其特征在于，所述步骤4包含：基于特征像素的遮挡位置深度图语义分割首先利用步骤3中的目标检测模型在
RGB
图像中进行目标检测，得到
RGB
图像中目标区域的坐标位置，然后对深度图像的对应位置进行裁剪，获得有遮挡的全脸深度图像
。5.
根据权利要求1所述的一种人脸遮挡条件下基于
RGB
‑
D
图像的人员识别与定位方法，其特征在于，所述步骤5包含：对步骤4得到的有遮挡的深度图像进行灰度处理和直方图均衡化
。6.
根据权利要求1所述的一种人脸遮挡条件下基于
RGB
‑
D
图像的人员识别与定位方法，其特征在于，所述步骤...

【专利技术属性】
技术研发人员：颜俊，杨睿彬，胡宸晗，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：