[发明专利]一种基于注意力机制的人脸识别方法

说明书

一种基于注意力机制的人脸识别方法，属于计算机软件领域。针对现有的主流的人脸识别方法参数量大、资源占用多、运行效率较低的问题，首先构建了一个低参数量的卷积神经网络来保证保证计算过程的高效和低资源消耗。然后加入注意力机制捕获提取其中的跨通道信息，以优化卷积神经网络的整体性能。同时，注意力的引入并不增添多少额外的性能损失和资源消耗。本发明可以在保证高效、快速的进行人脸特征提取的基础上，进一步提升人脸识别的准确率，提升整体效率。

技术领域

本发明属于计算机软件领域，尤其涉及一种基于注意力机制的人脸识别方法。

背景技术

人脸识别技术作为一种常见的生物识别技术，通过对采集到的人脸图像进行特征提取并与数据库中的人脸数据进行比对，从而获取到人脸图像的身份信息。

相比于其它常见的生物识别技术，如指纹、虹膜等，它具有如下特点：第一，低成本，通常人脸识别图像不需要复杂的采集过程，设备简单，利用已有的照片

或者监控系统捕捉到的图像即可；第二，非强制性，不同于其他容易察觉的生物识别方法，人脸识别无需征得用户的同意，常常在用户未察觉时已经完成了人脸识别的检测，可以主动采集目标的相关特征，不易产生和用户间的冲突；第三，非接触性，人脸识别用户和检测设备无需接触便可完成身份信息的验证。由于人脸识别技术有着以上种种优点，因而被广泛应用于公共安全、金融、移动电子设备、娱乐行业与通信等诸多领域。例如，对于移动支付领域来说，传统的支付需要手动输入密码，密码和账号容易被忘记或者盗用，利用刷脸支付来验证消费者的身份则会方便很多，并且提高了支付的可靠性。2015年，阿里巴巴董事长马云在德国汉诺威展上了支付宝与Face++合作的“刷脸支付”应用。各大银行也开始采用带有人脸识别功能的自助终端，使得客户办理业务更加方便快捷。在大型的超市已经设置了专门的人脸支付通道，实现了人与银行卡的“合二为一”，避免了手机没电或者遗失密码等问题的困扰。

近年来计算机硬件技术的快速发展为深度学习等领域的发展与流行提供了坚实的硬件基础支撑，许多以前受限于硬件性能的技术方法也摆脱了桎梏，并蓬勃发展。深度学习是包含于多级非线性变换连接的机器学习方法，受启发于动物视觉皮层组织，模拟生物神经元间的连接模式。随着深度学习模型不断发展成熟，由于其优越的性能，人们开始将神经网络应用到人脸识别领域，利用神经网络进行特征提取并识别。其中卷积神经网络是一种使用最为广泛的结构，具有局部连接、权值共享及池化操作等特性，可以有效地降低网络地复杂度，减少训练参数地数目，使模型保持一定的不变性，并具有强鲁棒性和容错能力，且易于训练和优化。Taigman等人提出了DeepFace，首先使用CNN代替了传统的手工特征提取方式来提取人脸特征；Google的团队提出了FaceNet，商汤科技的视觉团队提出了DeepID系列人脸方法，通过卷积神经网络提取合适的人脸特征。这些方法能在LFW数据集上都已经达到了很高的准确率，甚至超出了人眼识别的能力。但这些方法往往使用了参数量巨大的卷积神经网络，不仅在训练模型的时候需要花费大量的时间、大量的资源，而且在具体的场景应用时效率也不高，在性能低下的设备环境中往往需要过长的计算时间。

综上所述，本发明针对现有的流行的人脸识别方法运行效率低、占用资源大的问题，提出了一种基于注意力机制的人脸识别方法。首先，使用参数量低的卷积神经网络作为主体架构，保证计算过程的高效和低资源消耗。同时在此基础上，采用注意力机制在保证人脸特征提取无需花费过多额外资源的同时，进一步提高人脸识别的准确率。

发明内容

本发明的内容：提出了一种基于注意力机制的人脸识别方法，该方法不仅可以保证人脸识别过程的高效、快速，还能进一步的提高人脸识别的准确率，最终提高人脸识别的整体性能。

为达到以上发明目的，经过研究讨论和反复实践，本方法确定最终方案如下：

在数据预处理方面，本方法首先对人脸图像数据进行归一化，使得图像中每