【技術(shù)實(shí)現(xiàn)步驟摘要】
本專利技術(shù)涉及人工智能?，尤其涉及一種孿生多任務(wù)人臉識(shí)別方法及裝置。
技術(shù)介紹
1、在標(biāo)準(zhǔn)情景下，人臉識(shí)別技術(shù)已經(jīng)滿足了大多數(shù)工商業(yè)的應(yīng)用需求。然而，隨著各種呼吸道病毒的不斷涌現(xiàn)，口罩已成為日常生活中的常用品，導(dǎo)致常規(guī)人臉識(shí)別算法的性能大幅下降。因此，帶口罩的人臉識(shí)別算法應(yīng)運(yùn)而生，為應(yīng)對(duì)更復(fù)雜的現(xiàn)實(shí)場景提供了可能性，包括疫情防控、特殊醫(yī)療場所的身份認(rèn)證以及智能城市環(huán)境中的公共安全等。
2、目前，主要采用以下兩種算法對(duì)戴口罩人臉進(jìn)行檢測(cè)，一種是viola-jones?算法，主要通過使用統(tǒng)計(jì)區(qū)域合并（srm）方法在裁剪的面部圖像中檢測(cè)眼部區(qū)域，以生成檢測(cè)到的面部特征的屬性圖；另一種是采用facenet作為訓(xùn)練框架，并以convnext-t?作為網(wǎng)絡(luò)模型，在網(wǎng)絡(luò)中加入了eca（高效通道注意力）機(jī)制。
3、然而，上述viola-jones?算法需要采用兩階段算法，大大降低了人臉識(shí)別的效率，很難滿足實(shí)際場景的應(yīng)用；而convnext-t網(wǎng)絡(luò)的參數(shù)量較大，且facenet采用的三元組損失函數(shù)就有明顯的擬合缺陷，所以對(duì)于一些輕量化設(shè)備的部署不友好的，存在應(yīng)用場景局限等問題。
技術(shù)實(shí)現(xiàn)思路
1、本專利技術(shù)提供一種孿生多任務(wù)人臉識(shí)別方法及裝置，用以解決現(xiàn)有技術(shù)中人臉識(shí)別的效率低且應(yīng)用場景局限的缺陷，在不降低無遮擋人臉識(shí)別精確度的情況下，大幅度提升帶人臉識(shí)別的準(zhǔn)確度，且通過使框架擁有很小的復(fù)雜度和參數(shù)量，提高識(shí)別效率，適用于計(jì)算資源有限的移動(dòng)設(shè)備和嵌入式系統(tǒng)。
2、
3、根據(jù)本專利技術(shù)提供的一種孿生多任務(wù)人臉識(shí)別方法，人臉識(shí)別模型，包括：特征提取層，對(duì)輸入的待識(shí)別人臉圖像進(jìn)行特征提取，得到人臉特征，并將人臉特征發(fā)送至全連接層，以及按模型訓(xùn)練完成得到的目標(biāo)維度，將對(duì)應(yīng)人臉特征發(fā)送至人臉識(shí)別層；全連接層，對(duì)人臉特征進(jìn)行降維，得到降維特征；口罩分類層，對(duì)降維特征進(jìn)行分類，得到口罩分類結(jié)果；人臉識(shí)別層，確定人臉特征與在先構(gòu)建的人臉特征庫中的每個(gè)人臉特征的歐式距離，并結(jié)合預(yù)設(shè)閾值，確定接收的人臉特征與人臉特征庫中對(duì)應(yīng)人臉特征是否為同一個(gè)人，得到人臉識(shí)別結(jié)果。
4、根據(jù)本專利技術(shù)提供的一種孿生多任務(wù)人臉識(shí)別方法，在將待識(shí)別人臉圖像輸入至人臉識(shí)別模型中之前，還包括：獲取孿生人臉訓(xùn)練數(shù)據(jù)和孿生人臉訓(xùn)練數(shù)據(jù)對(duì)應(yīng)的人臉識(shí)別標(biāo)簽、口罩分類標(biāo)簽；其中，孿生人臉訓(xùn)練數(shù)據(jù)包括無遮擋人臉訓(xùn)練樣本和與各無遮擋人臉訓(xùn)練樣本人臉對(duì)應(yīng)的口罩遮擋人臉訓(xùn)練樣本；將無遮擋人臉訓(xùn)練樣本輸入至第一待訓(xùn)練模型中，得到第一待訓(xùn)練模型輸出的第一識(shí)別結(jié)果和第一分類結(jié)果，以及將無遮擋人臉訓(xùn)練樣本人臉對(duì)應(yīng)的口罩遮擋人臉訓(xùn)練樣本輸入至第二待訓(xùn)練模型中，得到第二待訓(xùn)練模型輸出的第二識(shí)別結(jié)果和第二分類結(jié)果；其中，第一待訓(xùn)練模型和第二待訓(xùn)練模型參數(shù)共享；基于第一識(shí)別結(jié)果、第一分類結(jié)果以及無遮擋人臉訓(xùn)練樣本對(duì)應(yīng)的人臉識(shí)別標(biāo)簽、口罩分類標(biāo)簽，構(gòu)建無遮擋損失函數(shù)，以及基于第二識(shí)別結(jié)果、第二分類結(jié)果以及口罩遮擋人臉訓(xùn)練樣本對(duì)應(yīng)的人臉識(shí)別標(biāo)簽、口罩分類標(biāo)簽，構(gòu)建口罩遮擋損失函數(shù)；根據(jù)無遮擋損失函數(shù)和口罩遮擋損失函數(shù)，結(jié)合權(quán)重分配機(jī)制，得到總損失函數(shù)，并根據(jù)總損失函數(shù)，利用優(yōu)化器，對(duì)第一待訓(xùn)練模型和第二待訓(xùn)練模型進(jìn)行梯度反向傳播，以更新對(duì)應(yīng)模型參數(shù)，直至總損失函數(shù)收斂，結(jié)束訓(xùn)練。
5、根據(jù)本專利技術(shù)提供的一種孿生多任務(wù)人臉識(shí)別方法，第一待訓(xùn)練模型包括第一特征提取層、第一全連接層、第一口罩分類層、第一特征學(xué)習(xí)層和第一人臉識(shí)別層；將無遮擋人臉訓(xùn)練樣本輸入至第一待訓(xùn)練模型中，得到第一待訓(xùn)練模型輸出的第一識(shí)別結(jié)果和第一分類結(jié)果，包括：將無遮擋人臉訓(xùn)練樣本輸入至第一特征提取層中進(jìn)行特征提取，得到第一特征提取層輸出的第一人臉訓(xùn)練特征；將第一人臉訓(xùn)練特征輸入至第一全連接層中進(jìn)行降維，得到第一全連接層輸出的第一降維特征；將第一降維特征輸入至第一口罩分類層中，得到第一口罩分類層輸出的第一分類結(jié)果；按第一預(yù)設(shè)維度，將第一人臉訓(xùn)練特征輸入至第一特征學(xué)習(xí)層中，以利用自適應(yīng)人臉adaface對(duì)第一預(yù)設(shè)維度的第一人臉訓(xùn)練特征進(jìn)行處理，并按無遮擋人臉訓(xùn)練樣本對(duì)應(yīng)的人臉識(shí)別標(biāo)簽數(shù)量對(duì)處理結(jié)果進(jìn)行升維，得到第一特征學(xué)習(xí)層輸出的第二升維特征；其中，第一預(yù)設(shè)維度是根據(jù)在先一次訓(xùn)練結(jié)束后確定的模型精度、按預(yù)設(shè)維度調(diào)整規(guī)則調(diào)整對(duì)應(yīng)在先一次訓(xùn)練采用的第一預(yù)設(shè)維度得到的，在先一次訓(xùn)練結(jié)束后確定的模型精度是根據(jù)在先一次訓(xùn)練結(jié)束后得到的第一識(shí)別結(jié)果和第一分類結(jié)果、利用消融實(shí)驗(yàn)得到的，預(yù)設(shè)維度調(diào)整規(guī)則用于限定模型精度與對(duì)應(yīng)預(yù)設(shè)維度的調(diào)整關(guān)系；將第二升維特征輸入至第一人臉識(shí)別層中進(jìn)行概率分類，得到第一人臉識(shí)別層輸出的第一識(shí)別結(jié)果；
6、第二待訓(xùn)練模型包括第二特征提取層、第二全連接層、第二口罩分類層、第二特征學(xué)習(xí)層和第二人臉識(shí)別層；將無遮擋人臉訓(xùn)練樣本人臉對(duì)應(yīng)的口罩遮擋人臉訓(xùn)練樣本輸入至第二待訓(xùn)練模型中，得到第二待訓(xùn)練模型輸出的第二識(shí)別結(jié)果和第二分類結(jié)果，包括：將無遮擋人臉訓(xùn)練樣本人臉對(duì)應(yīng)的口罩遮擋人臉訓(xùn)練樣本輸入至第二特征提取層中進(jìn)行特征提取，得到第二特征提取層輸出的第二人臉訓(xùn)練特征；將第二人臉訓(xùn)練特征輸入至第二全連接層中進(jìn)行降維，得到第二全連接層輸出的第三降維特征；將第三降維特征輸入至第二口罩分類層中，得到第二口罩分類層輸出的第二分類結(jié)果；按第二預(yù)設(shè)維度，將第二人臉訓(xùn)練特征輸入至第二特征學(xué)習(xí)層中，以利用自適應(yīng)人臉adaface對(duì)第二預(yù)設(shè)維度的第二人臉訓(xùn)練特征進(jìn)行處理，并按口罩遮擋人臉訓(xùn)練樣本對(duì)應(yīng)的人臉識(shí)別標(biāo)簽數(shù)量對(duì)處理結(jié)果進(jìn)行升維，得到第二特征學(xué)習(xí)層輸出的第四升維特征；其中，第二預(yù)設(shè)維度是根據(jù)在先一次訓(xùn)練結(jié)束后確定的模型精度、按預(yù)設(shè)維度調(diào)整規(guī)則調(diào)整對(duì)應(yīng)在先一次訓(xùn)練采用的第二預(yù)設(shè)維度得到的，在先一次訓(xùn)練結(jié)束后確定的模型精度是根據(jù)在先一次訓(xùn)練結(jié)束后得到的第二識(shí)別結(jié)果和第二分類結(jié)果、利用消融實(shí)驗(yàn)得到的，預(yù)設(shè)維度調(diào)整規(guī)則用于限定模型精度與對(duì)應(yīng)預(yù)設(shè)維度的調(diào)整關(guān)系；將第四升維特征輸入至第二人臉識(shí)別層中進(jìn)行概率分類，得到第二人臉識(shí)別層輸出的二識(shí)別結(jié)果。
7、根據(jù)本專利技術(shù)提供的一種孿生多任務(wù)人臉識(shí)別方法，基于第一識(shí)別結(jié)果、第一分類結(jié)果以及無遮擋人臉訓(xùn)練樣本對(duì)應(yīng)的人臉識(shí)別標(biāo)簽、口罩分類標(biāo)簽，構(gòu)建無遮擋損失函數(shù)，包括：根據(jù)訓(xùn)練過程中得到的所有第一分類結(jié)果及其對(duì)應(yīng)無遮擋人臉訓(xùn)練樣本的口罩分類標(biāo)簽，結(jié)合交叉熵?fù)p失函數(shù)，構(gòu)建第一分類損失函數(shù)；根據(jù)第一識(shí)別結(jié)果和無遮擋人臉訓(xùn)練樣本對(duì)應(yīng)的人臉識(shí)別標(biāo)簽，結(jié)合交叉熵?fù)p失函數(shù)，構(gòu)建第一識(shí)別損失函數(shù)；根據(jù)第一分類損失函數(shù)、第一識(shí)別損失函數(shù)和第一預(yù)設(shè)權(quán)重，構(gòu)建無遮擋損失函數(shù)；
8、基于第本文檔來自技高網(wǎng)...
【技術(shù)保護(hù)點(diǎn)】
1.一種孿生多任務(wù)人臉識(shí)別方法，其特征在于，包括：
2.根據(jù)權(quán)利要求1所述的孿生多任務(wù)人臉識(shí)別方法，其特征在于，所述人臉識(shí)別模型，包括：
3.根據(jù)權(quán)利要求1所述的孿生多任務(wù)人臉識(shí)別方法，其特征在于，在將所述待識(shí)別人臉圖像輸入至人臉識(shí)別模型中之前，還包括：
4.根據(jù)權(quán)利要求3所述的孿生多任務(wù)人臉識(shí)別方法，其特征在于，所述第一待訓(xùn)練模型包括第一特征提取層、第一全連接層、第一口罩分類層、第一特征學(xué)習(xí)層和第一人臉識(shí)別層；將所述無遮擋人臉訓(xùn)練樣本輸入至第一待訓(xùn)練模型中，得到所述第一待訓(xùn)練模型輸出的第一識(shí)別結(jié)果和第一分類結(jié)果，包括：
5.根據(jù)權(quán)利要求3所述的孿生多任務(wù)人臉識(shí)別方法，其特征在于，基于所述第一識(shí)別結(jié)果、所述第一分類結(jié)果以及所述無遮擋人臉訓(xùn)練樣本對(duì)應(yīng)的人臉識(shí)別標(biāo)簽、口罩分類標(biāo)簽，構(gòu)建無遮擋損失函數(shù)，包括：
6.根據(jù)權(quán)利要求3所述的孿生多任務(wù)人臉識(shí)別方法，其特征在于，獲取所述孿生人臉訓(xùn)練數(shù)據(jù)，包括：
7.根據(jù)權(quán)利要求3所述的孿生多任務(wù)人臉識(shí)別方法，其特征在于，根據(jù)所述無遮擋損失函數(shù)和所述口罩遮擋損失函數(shù)，結(jié)合權(quán)重
8.一種孿生多任務(wù)人臉識(shí)別裝置，其特征在于，包括：
9.一種電子設(shè)備，包括存儲(chǔ)器、處理器及存儲(chǔ)在所述存儲(chǔ)器上并可在所述處理器上運(yùn)行的計(jì)算機(jī)程序，其特征在于，所述處理器執(zhí)行所述計(jì)算機(jī)程序時(shí)實(shí)現(xiàn)如權(quán)利要求1至7任一項(xiàng)所述孿生多任務(wù)人臉識(shí)別方法。
10.一種計(jì)算機(jī)程序產(chǎn)品，包括計(jì)算機(jī)程序，其特征在于，所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)如權(quán)利要求1至7任一項(xiàng)所述孿生多任務(wù)人臉識(shí)別方法。
...【技術(shù)特征摘要】
1.一種孿生多任務(wù)人臉識(shí)別方法，其特征在于，包括：
2.根據(jù)權(quán)利要求1所述的孿生多任務(wù)人臉識(shí)別方法，其特征在于，所述人臉識(shí)別模型，包括：
3.根據(jù)權(quán)利要求1所述的孿生多任務(wù)人臉識(shí)別方法，其特征在于，在將所述待識(shí)別人臉圖像輸入至人臉識(shí)別模型中之前，還包括：
4.根據(jù)權(quán)利要求3所述的孿生多任務(wù)人臉識(shí)別方法，其特征在于，所述第一待訓(xùn)練模型包括第一特征提取層、第一全連接層、第一口罩分類層、第一特征學(xué)習(xí)層和第一人臉識(shí)別層；將所述無遮擋人臉訓(xùn)練樣本輸入至第一待訓(xùn)練模型中，得到所述第一待訓(xùn)練模型輸出的第一識(shí)別結(jié)果和第一分類結(jié)果，包括：
5.根據(jù)權(quán)利要求3所述的孿生多任務(wù)人臉識(shí)別方法，其特征在于，基于所述第一識(shí)別結(jié)果、所述第一分類結(jié)果以及所述無遮擋人臉訓(xùn)練樣本對(duì)應(yīng)的人臉識(shí)別標(biāo)簽、口...
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：汪順利，張埠石，魏晉，孫宏耀，馬云路，徐旺，
申請(qǐng)(專利權(quán))人：商飛智能技術(shù)有限公司，
類型：發(fā)明
國別省市：
還沒有人留言評(píng)論。發(fā)表了對(duì)其他瀏覽者有用的留言會(huì)獲得科技券。