[发明专利]一种训练脸部遮挡识别模型的方法及相关装置

权利要求书

1.一种训练脸部遮挡识别模型的方法，其特征在于，包括：

获取图像样本集，所述图像样本集中各图像包括人脸；

截取目标图像的人脸区域，以生成人脸区域图像，其中，所述目标图像为所述图像样本集中任一图像；

将所述人脸区域图像划分成至少一个局部区域图像，各所述局部区域图像均标注有真实标签，一所述局部区域图像和所述局部区域图像标注的真实标签作为一样本对，所述真实标签包括遮挡物类别；

将所述图像样本集中各图像对应的至少一个样本对作为训练集，将所述训练集输入预设神经网络中进行训练，直到满足迭代终止条件时停止训练，以获取脸部遮挡识别模型；

其中，所述预设神经网络包括特征提取网络，所述特征提取网络包括逐层设置的普通卷积层和N个深度可分离卷积层，一个所述深度可分卷积层包括逐层设置的深度卷积层和逐点卷积层；

所述N个深度可分离卷积层中前M个深度可分离卷积层中深度卷积层的步长为预设值，所述预设值大于1，其中，M≤N。

2.根据权利要求1所述的方法，其特征在于，所述深度可分卷积层还包括第一线性卷积层和第二线性卷积层，所述第一线性卷积层中各卷积核的大小均为1*1，所述第二线性卷积层中各卷积核的大小均为1*1；

其中，所述第一线性卷积层位于所述深度卷积层和所述逐点卷积层之间，所述第二线性卷积层位于所述逐点卷积层之后；

所述第一线性卷积层中卷积核的个数为所述深度卷积层中卷积核的个数的预设倍数，所述预设倍数大于1；

所述第二线性卷积层中卷积核的个数与所述逐点卷积层中卷积核的个数相同。

3.根据权利要求1所述的方法，其特征在于，所述方法还包括：

对各所述样本对的真实标签进行平滑处理，获取各平滑处理后的真实标签，以使所述各平滑处理后的真实标签参与所述预设神经网络的训练，其中，所述平滑处理为向真实标签中加入噪声。

4.根据权利要求3所述的方法，其特征在于，所述对各所述样本对的真实标签进行平滑处理，以获取各平滑处理后的真实标签的步骤，包括：

根据以下公式对目标真实标签进行平滑处理，以获取平滑处理后的目标真实标签，其中，所述目标真实标签为任一真实标签；

其中，k为所述遮挡物类别，为所述平滑处理后的目标真实标签中k类别的概率，y_k为所述目标真实标签中k类别的概率，当所述遮挡物类别k为正确分类时y_k等于1，当所述遮挡物类别k为错误分类时y_k等于0，α为预设的参数值，K为所述训练集中遮挡物类别的总个数。

5.根据权利要求1所述的方法，其特征在于，在所述将所述训练集输入预设神经网络中进行训练的步骤之前，还包括：

对所述训练集进行数据增强处理。

6.根据权利要求1所述的方法，其特征在于，所述局部区域图像为所述人脸区域图像中局部区域呈现几何特征的图像。

7.一种识别脸部遮挡的方法，其特征在于，包括：

获取待测图像，所述待测图像包括人脸；

截取所述待测图像的人脸区域，以生成待测人脸区域图像；

将所述待测人脸区域图像划分成至少一个待测局部区域图像；

将所述至少一个待测局部区域图像输入如权利要求1-6任一项所述的脸部遮挡识别模型，所述脸部遮挡识别模型输出各待测局部区域图像的遮挡物类别；

根据所述各待测局部区域图像的遮挡物类别，确定所述待测图像的遮挡情况。

8.根据权利要求7所述的方法，其特征在于，所述方法还包括：

获取目标待测局部区域图像的区域属性，所述区域属性反映所述目标待测局部区域图像中所包括的面部几何特征，其中，所述目标待测局部区域图像为任一待测局部区域图像中；

判断所述区域属性与所述目标待测局部区域图像的遮挡物类别是否匹配；

若否，则将所述目标待测局部区域图像确定为无遮挡物。