[发明专利]一种基于深度学习的多人脸识别方法、系统和介质

说明书

本公开涉及一种基于深度学习的多人脸识别方法、系统和介质。其中方法包括：对采集到的多人脸图像进行预处理，以获取多人脸图像的图像金字塔；对多人脸图像进行人脸识别以及场景识别；人脸识别包括：基于图像金字塔，利用多任务级联卷积神经网络，对多人脸图像一次性执行针对多人脸的人脸检测和对齐，以获取多个候选人脸图像；从多人脸图像中提取多个候选人脸图像的图像特征，以基于图像特征，对多个候选人脸图像同步执行人脸识别，以得到人脸识别结果；场景识别包括：基于场景理解确定多人脸图像所属的场景作为场景识别结果；提取经人脸识别确定的人员在经场景识别确定的场景中对应的场景信息；可视化人员的身份信息和场景信息。

技术领域

本公开涉及人脸识别领域，更具体地，涉及一种基于深度学习的多人脸识别方法、系统和介质。

背景技术

生物识别的方法由于具有唯一性、普遍性、实用性和易获取性的特点，在工业界和学术界都受到很大的关注。

在众多生物识别方法中，获取简单，存储方便的人脸识别，是目前最受欢迎的识别手段。用深度学习来进行人脸识别是目前工业界和学术界的主流手段，一般分为共有三个阶段，分别是人脸检测、人脸对齐、人脸识别。

首先，输入视频帧或是单张图片进行人脸检测和对齐，得到人脸位置的坐标和人脸关键点的坐标。之后，把检测的人脸结果转化为向量，与数据库已存的人脸特征向量进行欧氏距离或是余弦相似度的计算，根据比对相似度得到识别结果。

使用深度学习的人脸识别方法要达到优良效果的首要因素，就是拥有大量的数据集。其次，目前识别场景对人脸识别算法性能的要求越来越高，针对场景出现的多人脸、多角度、不良光照等等因素，都会导致精度达不到实际的要求的现状。除此之外，复杂的深度学习模型对设备也提出了很高的要求，模型也需要考虑到设备的成本和硬件的算力。

近两年新冠疫情爆发，并且逐渐常态化，抵御新冠疫情的最有效方法就是戴口罩隔离，所以公共场合的出行，人们都会选择戴口罩出行，这也对人脸识别提出了新的要求。

人脸识别的主要任务是确定识别出人脸的身份，其在各个方面都有广泛的利用，很多顶尖的科技公司都投入了大量的精力去研发推广人脸识别算法。

早期的人脸识别着眼于全局特征的层面，但是全局特征单模式的提取方式对人脸姿势和光照的变化非常敏感。为了进一步提高面对环境变换的鲁棒性，更多着眼于人脸局部特征的描述的研究开始被重视。

但是基于传统特征的人脸识别方法依旧存在泛化能力不强的缺陷。

使用深度学习的人脸识别算法性能的提高主要包括两个重要优化方向。第一个是设计性能优越的深度特征提取的网络架构。ResNet开创了一个新的复杂网络结构的思路，提出了“抄近道”的思想，使用了一种新的连接方式，改变了网络向前向后更新信息的方式，极大地提升了网络的性能。当然随着网络结构越来越复杂，计算消耗的问题也被关注。因此，轻量化网络成为近年来的一个研究热点，比如MobileNet深度可分离卷积，利用在三维层面分离卷积的思想，比传统卷积极大减少计算量。ShuffleNet通过逐点群卷积和通道混洗，在保证精度同时大大降低计算量。SqueezeNet压缩模型的思路是利用1*1卷积进行替换原有的卷积。ESPNetv2利用逐点群卷积和深度空洞可分离卷积在轻量化上更上一层楼。GhostNet拆分卷积生成的过程，通过传统的卷积生成一部分特征图，然后在生成的这部分特征图的基础上，通过线性操作再获取更多数量的特征图。FeatherNets基于流模块的极限光网络结构，弥补了全局平均池化GAP(Global Average Pooling)的不足，并且使用较少的参数。