[发明专利]一种具有感知意识的人脸识别方法、系统及储存介质

权利要求书

1.一种具有感知意识的人脸识别方法，其特征在于，将人脸对齐图像经过已训练完成的深度神经网络模型前向运算后输出具有高度区分性的人脸身份特征向量，通过欧氏距离或者余弦相似度等度量对所述人脸身份特征向量进行操作，输出当前人脸属于某一身份的概率；

所述深度神经网络模型包括输入层data、主干网络模块backbone、主特征模块feature和质量模块quanlity；

主干网络模块backbone的输入连接输入层data的输出，主干网络模块backbone的输出分别连接主特征模块feature的输入和质量模块quanlity的输入，其中，质量模块quanlity只在深度神经网络模型训练中起作用，训练完成的深度神经网络模型在使用中通过主特征模块feature输出人脸身份特征向量。

2.根据权利要求1所述的具有感知意识的人脸识别方法，其特征在于，所述主特征模块feature包括依次连接的特征图尺寸变换层flatten0、全连接层fc0和批量归一化层BN，特征图尺寸变换层flatten0的输入连接主干网络模块backbone的输出，批量归一化层BN输出人脸身份特征向量。

3.根据权利要求1所述的具有感知意识的人脸识别方法，其特征在于，所述质量模块quanlity包括依次连接的全局均值池化层ave-pool、全连接层fc1和特征调整层sigmod，全局均值池化层ave-pool的输入连接主干网络模块backbone的输出，特征调整层sigmod输出人脸质量。

4.根据权利要求1所述的具有感知意识的人脸识别方法，其特征在于，所述深度神经网络模型的训练过程如下：

获取训练样本图像，对所述训练样本图像中的每个人脸对齐图像均标注人脸质量指数；

设计所述深度神经网络模型的目标损失函数，其中，主特征模块feature的损失函数采用具有人脸质量感知和数据难易感知的损失函数L_feature，质量模块quanlity的目标损失函数采用均方差损失函数；

将训练样本图像送入定义好的深度神经网络模型，学习相关的模型参数，以训练深度神经网络模型。

5.根据权利要求4所述的具有感知意识的人脸识别方法，其特征在于，所述损失函数L_feature的公式如下：

L_feature＝-(1-q)^a×(1-p_t)^b×log(p_t)

其中，q表示质量模块quanlity输出的人脸质量指数，a、b均表示指数因子，p表示输入人脸属于某个身份的概率，y＝1表示当前人脸正确身份类别对应的预测概率，oth表示当前人脸错误身份类别对应的预测概率。

6.一种具有感知意识的人脸识别系统，其特征在于，将人脸对齐图像经过已训练完成的深度神经网络模型前向运算后输出具有高度区分性的人脸身份特征向量，通过欧氏距离或者余弦相似度等度量对所述人脸身份特征向量进行操作，输出当前人脸属于某一身份的概率；

所述深度神经网络模型包括输入层data、主干网络模块backbone、主特征模块feature和质量模块quanlity；

主干网络模块backbone的输入连接输入层data的输出，主干网络模块backbone的输出分别连接主特征模块feature的输入和quanlity的输入，其中，质量模块quanlity只在深度神经网络模型训练中起作用，训练完成的深度神经网络模型在使用中通过主特征模块feature输出人脸身份特征向量。

7.根据权利要求6所述的具有感知意识的人脸识别方法，其特征在于，所述主特征模块feature包括依次连接的特征图尺寸变换层flatten0、全连接层fc0和批量归一化层BN，特征图尺寸变换层flatten0的输入连接主干网络模块backbone的输出，批量归一化层BN输出人脸身份特征向量。