【技術實現步驟摘要】
本專利技術涉及人臉識別，特別涉及一種基于人臉質量的動態閾值人臉識別方法及裝置。
技術介紹
1、人臉識別技術是一種生物特征識別技術，它通過分析人臉的視覺特征來識別或驗證個人的身份。這項技術在安全監控、訪問控制、身份驗證等領域有著廣泛的應用。
2、盡管現有的人臉識別技術已經取得了顯著的進步，但仍然存在一些局限性和問題：1、固定的比對閾值：許多現有的人臉識別系統采用固定的比對閾值來決定是否接受或拒絕識別結果。這種方法無法適應不同質量或條件下的圖像，可能導致在復雜場景下，如低質量圖像或變化的光照條件下，長時間無法通過。
3、這些問題突顯了人臉識別技術在復雜環境和條件下的局限性，現有的人臉識別技術需要進一步的發展和創新，以提高其在各種環境和條件下的性能和可靠性。
技術實現思路
1、本專利技術要解決的技術問題，在于提供一種基于人臉質量的動態閾值人臉識別方法及裝置，通過對人臉圖像的質量進行精細評估，然后根據評估結果動態調整比對閾值，提高人臉識別的準確性和各種環境條件的適應性。
2、第一方面，本專利技術提供了一種基于人臉質量的動態閾值人臉識別方法，包括：
3、模型構建訓練過程：構建人臉質量評估模型和訓練樣本，所述訓練樣本包括人臉圖像質量分數標簽，人臉圖像質量分數用于反映人臉圖像的清晰度、光線條件以及面部特征的可辨識程度，人臉圖像質量分數越高表示人臉質量越好；然后利用訓練樣本訓練人臉質量評估模型；
4、動態閾值人臉識別過程：將待識別的人臉圖
5、
6、其中，t1是用于判斷是否為同一身份的基準比對閾值；t2是閾值調整的下降范圍，用于約束比對閾值t的調整幅度；score是人臉圖像質量分數；min和max分別表示分段函數的邊界點最小值和最大值。
7、第二方面，本專利技術提供了一種基于人臉質量的動態閾值人臉識別裝置，包括：
8、模型構建訓練模塊，用于構建人臉質量評估模型和訓練樣本，所述訓練樣本包括人臉圖像質量分數標簽，人臉圖像質量分數用于反映人臉圖像的清晰度、光線條件以及面部特征的可辨識程度，人臉圖像質量分數越高表示人臉質量越好；然后利用訓練樣本訓練人臉質量評估模型；
9、動態閾值人臉識別模塊，用于將待識別的人臉圖像輸入訓練完成的人臉質量評估模型，得到對應的人臉圖像質量分數；根據得到的人臉圖像質量分數通過分段函數計算比對閾值，然后根據調整后的比對閾值進行人臉識別，分段函數的公式為：
10、
11、其中，t1是用于判斷是否為同一身份的基準比對閾值；t2是閾值調整的下降范圍，用于約束比對閾值t的調整幅度；score是人臉圖像質量分數；min和max分別表示分段函數的邊界點最小值和最大值。
12、本專利技術實施例中提供的技術方案，至少具有如下技術效果：
13、基于人臉質量的動態閾值機制使得人臉識別系統能夠根據圖像質量自動調整比對閾值，從而在不同的環境和場景下表現出更高的適應性；這種自適應能力使得人臉識別系統在實際應用中更加靈活和可靠，從而提高整體性能，尤其是在處理低質量圖像或復雜光照條件時。
14、上述說明僅是本專利技術技術方案的概述，為了能夠更清楚了解本專利技術的技術手段，而可依照說明書的內容予以實施，并且為了讓本專利技術的上述和其它目的、特征和優點能夠更明顯易懂，以下特舉本專利技術的具體實施方式。
本文檔來自技高網...【技術保護點】
1.一種基于人臉質量的動態閾值人臉識別方法，其特征在于，包括：
2.根據權利要求1所述的方法，其特征在于：分段函數的公式中，score的范圍在0到1之間，t1的預設值為0.5，t2的預設值為0.07，min的預設值為0.3，max的預設值為0.6。
3.根據權利要求1所述的方法，其特征在于：所述模型構建訓練過程中，通過知識蒸餾的方式訓練人臉質量評估模型，教師模型首先對輸入的訓練樣本進行預測，然后將教師模型的預測結果用作學生模型的訓練標簽，訓練好的學生模型作為訓練完成的人臉質量評估模型。
4.根據權利要求3所述的方法，其特征在于：所述教師模型為CR-FIQA模型，學生模型為MobileNetV3模型。
5.根據權利要求3所述的方法，其特征在于：模型構建訓練過程采用Smooth?L1損失作為訓練的損失函數，公式如下：
6.一種基于人臉質量的動態閾值人臉識別裝置，其特征在于，包括：
7.根據權利要求6所述的裝置，其特征在于：分段函數的公式中，score的范圍在0到1之間，t1的預設值為0.5，t2的預設值為0.07
8.根據權利要求6所述的裝置，其特征在于：所述模型構建訓練模塊中，通過知識蒸餾的方式訓練人臉質量評估模型，教師模型首先對輸入的訓練樣本進行預測，然后將教師模型的預測結果用作學生模型的訓練標簽，訓練好的學生模型作為訓練完成的人臉質量評估模型。
9.根據權利要求8所述的裝置，其特征在于：所述模型構建訓練模塊中，教師模型為CR-FIQA模型，學生模型為MobileNetV3模型。
10.根據權利要求8所述的裝置，其特征在于：所述模型構建訓練模塊中，模型構建訓練過程采用Smooth?L1損失作為訓練的損失函數，公式如下：
...【技術特征摘要】
1.一種基于人臉質量的動態閾值人臉識別方法，其特征在于，包括：
2.根據權利要求1所述的方法，其特征在于：分段函數的公式中，score的范圍在0到1之間，t1的預設值為0.5，t2的預設值為0.07，min的預設值為0.3，max的預設值為0.6。
3.根據權利要求1所述的方法，其特征在于：所述模型構建訓練過程中，通過知識蒸餾的方式訓練人臉質量評估模型，教師模型首先對輸入的訓練樣本進行預測，然后將教師模型的預測結果用作學生模型的訓練標簽，訓練好的學生模型作為訓練完成的人臉質量評估模型。
4.根據權利要求3所述的方法，其特征在于：所述教師模型為cr-fiqa模型，學生模型為mobilenetv3模型。
5.根據權利要求3所述的方法，其特征在于：模型構建訓練過程采用smooth?l1損失作為訓練的損失函數，公式如下：
6.一種基于人臉...
【專利技術屬性】
技術研發人員：吳振文，賴振強，陳碧英，
申請(專利權)人：福建星網天合智能科技有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。