【技术实现步骤摘要】
本专利技术涉及人脸生物信息识别，具体涉及一种基于多人脸图像特征图融合的人脸识别方法及相关设备。
技术介绍
1、随着计算机视觉研究的不断发展，人脸识别技术在身份认证领域扮演着越来越重要的角色。人脸识别是一种基于人的面部特征(如统计或几何特征等)的生物识别技术，通过自动识别和比对人脸特征来实现身份认证。目前，非配合式人脸识别技术已经成为人们快速身份识别的重要手段，并在不断取得研究成果的推动下得以广泛应用。
2、传统的基于单帧图像的人脸识别方案在很多场景下得到广泛应用，然而在特定情况下存在一些问题。例如，由于图像采集设备的限制，人脸图像容易受到摄像头分辨率、运动抖动、光线照射等因素的影响而出现模糊、抖动、遮挡、光照不足以及侧脸等现象。在基于单帧图像的人脸识别方法中，这些图像质量问题可能导致人脸身份识别错误，或者需要进行多次识别才能正确识别出人脸，甚至有时无法识别人脸，从而大大降低了人脸识别技术的准确性。
3、因此，如何提高基于视频流的人脸识别身份验证的准确性成为当前研究的重要课题。基于视频流的人脸识别技术通过连续的图像帧，能够捕捉到更多的信息和动态变化，从而有望克服基于单帧图像的限制，提高人脸识别的准确性和鲁棒性。研究人员正在致力于开发和改进基于视频流的人脸识别算法，以应对不同光照、姿态、表情变化等复杂场景下的挑战，并实现快速、准确的身份识别。
4、一些研究也在尝试解决上述问题，如专利cn107958244公开的技术方案，然而，该专利公开的技术方案提出分别将多帧图像分别输入模型，获得多个特征编码fe
技术实现思路
1、针对现有技术中的因人脸图像中姿态、光照、模糊等不可控环境因素造成人脸识别准确率较低的问题，本专利技术提供一种基于多人脸图像特征图融合的人脸识别方法及相关设备，可以在较低的算力成本下提高图像识别准确率。
2、为实现上述目的，本专利技术提供以下技术方案：
3、第一方面，本专利技术提供了一种基于多人脸图像特征图融合的人脸识别方法，其包括步骤：
4、提取视频文件中多帧图像；
5、根据多帧所述图像获得多帧人脸裁剪图像；
6、生成第一卷积神经网络模型和第二卷积神经网络模型，利用所述第一卷积神经网络模型对多帧所述人脸裁剪图像进行处理，获得多张按预设权重顺序排列的中间特征图；
7、基于多张所述中间特征图进行融合操作获得特征图；
8、利用所述第二卷积神经网络模型对融合操作后的特征图进行处理，获得特征编码；
9、根据预设的特征编码和获得的特征编码进行人脸识别。
10、第二方面，本专利技术提供了一种基于多人脸图像特征图融合的人脸识别装置，其包括：
11、视频提取模块，其用于提取视频文件中多帧图像；
12、中间特征图生成模块，其用于执行以下操作：
13、根据多帧所述图像获得多帧人脸裁剪图像；
14、生成第一卷积神经网络模型和第二卷积神经网络模型，利用所述第一卷积神经网络模型对多帧所述人脸裁剪图像进行处理，获得多张按预设权重顺序排列的中间特征图；
15、特征编码识别模块，其用于执行以下操作：
16、基于多张所述中间特征图进行融合操作获得特征图；
17、利用所述第二卷积神经网络模型对融合操作后的特征图进行处理，获得特征编码；
18、根据预设的特征编码和获得的特征编码进行人脸识别。
19、第三方面，本专利技术还提供了一种电子设备，包括处理器以及存储器；
20、所述存储器用于存储程序；
21、所述处理器执行所述程序实现如前面所述的方法。
22、第四方面，本专利技术还提供了一种计算机可读存储介质，所述存储介质存储有程序，所述程序被处理器执行实现如前面所述的方法。
23、第五方面，本专利技术还提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行前面的方法。
24、本专利技术与现有技术相比，其有益效果在于：
25、1、相比于使用单帧识别方案，本专利技术提出了融合了多帧图像权重高的特征图方法，有效利用了多帧图像中的有效特征信息提高基于视频流的人脸识别准确率；
26、2、本方案与单帧输入人脸识别方案所需算力相近，有效降低了多帧输入人脸识别计算成本。
本文档来自技高网...【技术保护点】
1.一种基于多人脸图像特征图融合的人脸识别方法，其特征在于，包括步骤：
2.根据权利要求1所述的基于多人脸图像特征图融合的人脸识别方法，其特征在于，所述根据多帧所述图像获得多帧人脸裁剪图像，之后还包括初步检测步骤：
3.根据权利要求1所述的基于多人脸图像特征图融合的人脸识别方法，其特征在于，基于完整的卷积神经网络分割形成所述第一卷积神经网络模型和所述第二卷积神经网络模型。
4.根据权利要求1所述的基于多人脸图像特征图融合的人脸识别方法，其特征在于，所述第一卷积神经网络模型的卷积块间配置有SEBlock模块，所述SEBlock模块包括压缩部分和激励部分，所述压缩部分用于将输入的多帧所述人脸裁剪图像采用全局平均池化压缩，所述激励部分用于将压缩后的图像的特征层每个通道的权重固定到0～1之间。
5.根据权利要求4所述的基于多人脸图像特征图融合的人脸识别方法，其特征在于，所述基于多张所述中间特征图进行融合操作获得特征图，具体为：
6.根据权利要求1所述的基于多人脸图像特征图融合的人脸识别方法，其特征在于，所述根据预设的特征编码和获
7.一种基于多人脸图像特征图融合的人脸识别装置，其特征在于，包括：
8.一种电子设备，其特征在于，所述电子设备包括处理器和存储器，所述存储器中存储有至少一条指令、至少一段程序，所述至少一条指令、所述至少一段程序由所述处理器加载并执行，以实现如权利要求1至6任一所述的基于多人脸图像特征图融合的人脸识别方法。
9.一种计算机可读存储介质，其特征在于，所述存储介质中存储有至少一条指令、至少一段程序，所述至少一条指令、所述至少一段程序由处理器加载并执行以实现如权利要求1至6任一所述的基于多人脸图像特征图融合的人脸识别方法。
...【技术特征摘要】
1.一种基于多人脸图像特征图融合的人脸识别方法，其特征在于，包括步骤：
2.根据权利要求1所述的基于多人脸图像特征图融合的人脸识别方法，其特征在于，所述根据多帧所述图像获得多帧人脸裁剪图像，之后还包括初步检测步骤：
3.根据权利要求1所述的基于多人脸图像特征图融合的人脸识别方法，其特征在于，基于完整的卷积神经网络分割形成所述第一卷积神经网络模型和所述第二卷积神经网络模型。
4.根据权利要求1所述的基于多人脸图像特征图融合的人脸识别方法，其特征在于，所述第一卷积神经网络模型的卷积块间配置有seblock模块，所述seblock模块包括压缩部分和激励部分，所述压缩部分用于将输入的多帧所述人脸裁剪图像采用全局平均池化压缩，所述激励部分用于将压缩后的图像的特征层每个通道的权重固定到0～1之间。
5.根据权利要求4所述的基于多人脸图像特征图融合的...
【专利技术属性】
技术研发人员：张浩洋，庞恺，姚若光，范志鸿，
申请(专利权)人：广州像素数据技术股份有限公司，
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。