【技术实现步骤摘要】
本专利技术涉及深度学习图像处理的，尤其是指一种基于特征加权融合的轻量级人脸识别方法、系统、存储介质及计算设备。
技术介绍
1、随着近年来互联网的发展和计算能力的提升，人脸识别技术被广泛应用于日常的生活以及安全领域中，为人们提供一种高效、准确和便捷的身份识别和验证方式。人脸识别技术指的是一种基于人脸图像或视频的生物识别技术，通过分析人脸的特征和模式来进行身份验证或识别。然而，由于硬件、信号传输、不同姿态表情、不同光照、遮挡、透视失真等多种干扰因素影响，使自然场景人脸识别的难度急剧增加。人脸识别技术的广泛应用可以社会产生了深远的影响，它可以帮助提高公共安全、防止犯罪，也可以用于社会管理、人口统计等。因此，把人脸识别技术应用到自然场景中十分有必要。
2、随着深度神经网络的快速发展，有学者将深度神经网络作为特征提取器应用到自然场景人脸识别领域，并且取得了较好的效果。然而，人脸识别模型对人脸数据图片的特征提取往往是对全图进行特征提取，图片中的背景会对人脸识别模型的识别精度造成一定影响；同时深度学习需要大量的标注数据进行训练，然而收集到的大规模人脸数据集的数据质量往往难以得到保证，错误数据影既会导致人脸识别模型在训练过程中出现振荡，同时也会对人脸识别模型的识别精度造成影响；当数据中包含大量错误数据时，甚至有可能导致人脸识别训练失败。
技术实现思路
1、本专利技术的第一目的在于针对现有的mobilefacenet特点，考虑到错误数据对人脸识别模型的训练存在较大影响，自然场景人脸识别中
2、本专利技术的第二目的在于提供一种基于特征加权融合的轻量级人脸识别系统。
3、本专利技术的第三目的在于提供一种存储介质。
4、本专利技术的第四目的在于提供一种计算设备。
5、本专利技术的第一目的通过下述技术方案实现：基于特征加权融合的轻量级人脸识别方法，该方法是基于改进的mobilefacenet实现自然场景下的实时人脸识别，改进的mobilefacenet被称为semobilefacenet；semobilefacenet是对原来mobilefacenet的bottleblock模块及边缘损失arcface进行改进，其中，对bottleblock模块的改进是：加入se，使用通道注意力对不同通道的特征进行加权融合，提高对关键特征的利用；对边缘损失arcface的改进是：将角度裕值转变为动态调整，根据梯度值的大小忽略或裁剪部分梯度；
6、该轻量级人脸识别方法的具体实施包括以下步骤：
7、1)收集人脸数据，并对人脸数据进行预处理，包括数据清洗和数据增强；其中，人脸数据包括人脸图像数据与作为标签的人脸id数据；
8、2)将人脸图像数据输入到semobilefacenet中，对semobilefacenet进行训练，得到训练好的semobilefacenet；其中，在训练过程中，人脸图像数据在经过se前会先经过semobilefacenet中的其它前置模块先转变为中间特征，中间特征在进入se后会依次进入自适应平均池化及卷积模块得到通道权重，再将通道权重乘以输入的中间特征并与输入的中间特征相加得到加权融合后的人脸特征，将得到的人脸特征与人脸数据中的标签经过改进后的arcface能够得到semobilefacenet的损失，然后依据semobilefacenet的损失计算出semobilefacenet的梯度，在得到梯度后，使用梯度下降算法对semobilefacenet权重进行更新；
9、3)将训练好的semobilefacenet用于实际自然场景，首先将需要识别的用户的人脸图像输入到semobilefacenet中得到用户的人脸特征，将用户的人脸特征和用户信息存入到人脸数据库中；在后续使用时，将设备抓拍到的人脸图像输入到semobilefacenet中得到实时特征，将实时特征与人脸数据库中的人脸特征进行余弦相似度比对，依据比对结果即可判断抓拍图像是否为人脸数据库中的用户。
10、进一步，在步骤1)中，所述数据增强的情况是：对人脸图像数据进行随机水平翻转、图像正则化及随机饱和度色调变化；通过该数据增强，能够有效地提高semobilefacenet的鲁棒性和有效性；然后，将增强后的图像通过裁剪缩放的方式转变为112×112的大小。
11、进一步，在步骤2)中，所述semobilefacenet包含strem模块、backbone模块和head模块；将预处理后的人脸图像数据输入到semobilefacenet中，先读取输入的图像信息，经过strem模块快速下采样得到前期特征cc2dw，其中cc2dw为semobilefacenet第2层的输出特征；
12、接着，经过strem模块得到的前期特征cc2dw会输入到backbone模块，其中backbone模块由多个包含se的bottleblock模块堆叠构成；backbone模块总共有三个堆叠块，每个堆叠块的最后一层都进行2倍下采样，将特征图像尺寸缩小为原来的二分之一；前期特征cc2dw通过三个backbone模块后得到原始特征cc5；
13、在带se的bottleblock模块中，将上一层输出的特征ci-1输入到深度可分离卷积块得到输出特征ci，深度可分离卷积块由三个卷积模块fc、fdw、fp构成，计算过程如式(1)所示：
14、
15、式中，i表示当前网络层数，i-1表示上一层网络层数，ci-1表示上一层输出的特征，fc表示分组卷积，fdw表示逐通道卷积，fp表示通道融合卷积，ci表示经过了三层卷积后的输出特征；
16、为了加强对关键通道特征信息的利用，将深度可分离卷积块的输出特征ci输入到se得到通道注意力权重如式(2)所示：
17、
18、式中，avgpool表示平均池化操作，mlp表示利用两个卷积层先压缩后扩张通道数，σ表示sigmoid函数；
19、在得到通道注意力通道权重后，将通道注意力权重与深度可分离卷积块得到的输出特征ci相乘得到加权特征，最后将加权特征与上一层输出的特征ci-1相加融合得到bottleblock模块的输出特征ci+1，如式(3)所示：
20、
21、前期特征cc2dw经过backbone模块得到原始特征信息cc5，然后将原始特征信息cc5输入head模块得到人脸嵌入特征，最后，将人脸嵌入特征经过batchnormal函数得到最后输出的人脸特征co。
22、进一步，在步骤2)中，使用改进后本文档来自技高网...
【技术保护点】
1.基于特征加权融合的轻量级人脸识别方法，其特征在于，该方法是基于改进的MobileFaceNet实现自然场景下的实时人脸识别，改进的MobileFaceNet被称为SEMobileFaceNet；SEMobileFaceNet是对原来MobileFaceNet的BottleBlock模块及边缘损失Arcface进行改进，其中，对BottleBlock模块的改进是：加入SE，使用通道注意力对不同通道的特征进行加权融合，提高对关键特征的利用；对边缘损失Arcface的改进是：将角度裕值转变为动态调整，根据梯度值的大小忽略或裁剪部分梯度；
2.根据权利要求1所述的基于特征加权融合的轻量级人脸识别方法，其特征在于，在步骤1)中，所述数据增强的情况是：对人脸图像数据进行随机水平翻转、图像正则化及随机饱和度色调变化；通过该数据增强，能够有效地提高SEMobileFaceNet的鲁棒性和有效性；然后，将增强后的图像通过裁剪缩放的方式转变为112×112的大小。
3.根据权利要求2所述的基于特征加权融合的轻量级人脸识别方法，其特征在于，在步骤2)中，所述SEMobile
4.根据权利要求3所述的基于特征加权融合的轻量级人脸识别方法，其特征在于，在步骤2)中，使用改进后的Arcface辅助SEMobileFaceNet进行训练；将输出的人脸特征Co与人脸数据中的标签输入到改进后的Arcface能够得到SEMobileFaceNet的损失，然后使用梯度下降算法优化SEMobileFaceNet，最后，使SEMobileFaceNet输出的相同人脸ID的人脸特征距离不断拉近；
5.根据权利要求4所述的基于特征加权融合的轻量级人脸识别方法，其特征在于，在步骤3)中，将需要识别的用户的人脸图像输入到训练好的SEMobileFaceNet中得到用户的人脸特征，然后将用户的人脸特征和用户信息存入到人脸数据库中进行人脸注册；其中，进行人脸注册时每个用户的人脸特征及人脸信息中的ID信息唯一且相互对应，且用户在人脸注册过程中要保证用户的人脸图像具有高的图像质量；在进行人脸比对时，会设定一个相似度阈值，当抓拍到的人脸图像所得到的实时特征与人脸数据库中所有用户的人脸特征相似度全都低于阈值时，认定该抓拍的人脸图像为陌生人的人脸图像，当抓拍到的人脸图像所得到的实时特征与人脸数据库中的用户人脸特征存在一个或多个相似度大于阈值时，取相似度最高的用户信息作为该次抓拍人脸的识别结果。
6.基于特征加权融合的轻量级人脸识别系统，其特征在于，用于实现权利要求1至5中任意一项所述的基于特征加权融合的轻量级人脸识别方法，其包括：
7.一种存储介质，存储有程序，其特征在于，所述程序被处理器执行时，实现权利要求1至5中任意一项所述的基于特征加权融合的轻量级人脸识别方法。
8.一种计算设备，包括处理器以及用于存储处理器可执行程序的存储器，其特征在于，所述处理器执行存储器存储的程序时，实现权利要求1至5中任意一项所述的基于特征加权融合的轻量级人脸识别方法。
...【技术特征摘要】
1.基于特征加权融合的轻量级人脸识别方法，其特征在于，该方法是基于改进的mobilefacenet实现自然场景下的实时人脸识别，改进的mobilefacenet被称为semobilefacenet；semobilefacenet是对原来mobilefacenet的bottleblock模块及边缘损失arcface进行改进，其中，对bottleblock模块的改进是：加入se，使用通道注意力对不同通道的特征进行加权融合，提高对关键特征的利用；对边缘损失arcface的改进是：将角度裕值转变为动态调整，根据梯度值的大小忽略或裁剪部分梯度；
2.根据权利要求1所述的基于特征加权融合的轻量级人脸识别方法，其特征在于，在步骤1)中，所述数据增强的情况是：对人脸图像数据进行随机水平翻转、图像正则化及随机饱和度色调变化；通过该数据增强，能够有效地提高semobilefacenet的鲁棒性和有效性；然后，将增强后的图像通过裁剪缩放的方式转变为112×112的大小。
3.根据权利要求2所述的基于特征加权融合的轻量级人脸识别方法，其特征在于，在步骤2)中，所述semobilefacenet包含strem模块、backbone模块和head模块；将预处理后的人脸图像数据输入到semobilefacenet中，先读取输入的图像信息，经过strem模块快速下采样得到前期特征cc2dw，其中cc2dw为semobilefacenet第2层的输出特征；
4.根据权利要求3所述的基于特征加权融合的轻量级人脸识别方法，其特征在于，在步骤2)中，使用改进后的arcface辅助semobilefacenet进行训练；将输出的...
【专利技术属性】
技术研发人员：龚汝洪，杜振锋，
申请(专利权)人：广东宜教通教育有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。