[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

说明书

本发明公开了一种具有感知意识的人脸识别方法、系统及储存介质，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；该可以人脸识别方法可以感知输入人脸对齐图像的识别难易程度，融合质量模块quanlity的模型能够更多的关注模糊和侧脸等低质量人脸，提高了模型的识别精度、增强了模型的鲁棒性。

技术领域

本发明涉及人脸识别技术领域，尤其涉及一种具有感知意识的人脸识别方法、系统及储存介质。

背景技术

基于人脸图像的身份识别技术是一种基于计算机视觉技术和人工智能技术的综合技术，在人脸门禁、公安领域、金融领域以及娱乐等领域都有广泛应用，它需要从图像或视频中自动检测定位出人脸位置，同时根据人脸图像的主要特征进行个体差异的比对分析，确定人脸的身份信息，人脸识别技术的好坏直接影响到后续工作的可靠性和精准度。

Arcface(ArcFace:Additive Angular Margin Loss for Deep FaceRecognition)论文中提出的网络结构模型(简称Arcface模型)是效果最显著的一种人脸识网络模型，Arcface模型通过最小化类内距离最大化类间距离，获取人脸最关键的差异性特征，借助特征的余弦相似度来判断两个人脸是否属于同一个人。尽管Arcface模型具有识别精度高、鲁棒性强、速度快等优点，但是也存在一些不足之处，对于低质量人脸的识别精度和鲁棒性明显降低。

发明内容

基于背景技术存在的技术问题，本发明提出了一种具有感知意识的人脸识别方法、系统及储存介质，能够更多的去关注低质量人脸图像的得分，提高了模型的识别精度和鲁棒性。

本发明提出的一种具有感知意识的人脸识别方法，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。

进一步地，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。

进一步地，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。

进一步地，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。

进一步地，所述损失函数L_feature的公式如下：