一种面部识别方法、面部识别装置及可读存储介质制造方法及图纸

本申请提供了一种面部识别方法、面部识别装置及可读存储介质，通过在模型学习过程中，使用面部检测对样本图像进行处理，使得每个样本图像以及对应的每个参考人物图像中人物面部所占比例的不同，结合相应的损失函数，进而使得面部识别模型在识别的过程中能够将关注点放在人物面部上，从而在面部识别模型的使用过程中将无需进行人物面部的检测，而是可以直接进行面部遮挡物佩戴识别的单阶段识别，因此可以快速准确地确定出待识别人物图像中的人物是否佩戴了面部遮挡物，大大减少检测的时间，有助于提高面部遮挡物的佩戴识别的速度。

【技术实现步骤摘要】
一种面部识别方法、面部识别装置及可读存储介质
本申请涉及图像处理
，具体而言，涉及一种面部识别方法、面部识别装置及可读存储介质。
技术介绍
在一些特殊的场景中，通常会要求在这些场景中的相关人员佩戴口罩、面具等面部遮挡物以用于面部防护等，并且要求相关人员在这些场景中全程佩戴面部遮挡物，以确保相关人员的自身安全。目前，在这些特殊的场景中，通常是安排监督人员定时抽查相关人员面部遮挡物的佩戴情况，但是对于一个场景来说，若场景中的人流量较大，监督人员不能够时时刻刻的跟随一个相关人员移动，在这种情况下，往往需要增加监督人员的数量，才能够实时的对相关人员进行监督，耗费大量人力物力的同时，还会增加监督人员的工作量，因此，如何准确地检测出相关人员面部遮挡物的佩戴情况是亟需解决的问题。
技术实现思路
有鉴于此，本申请的目的在于提供一种面部识别方法、面部识别装置及可读存储介质，面部识别模型在使用过程中无需进行人物面部的检测，可以直接进行面部遮挡物佩戴识别的单阶段识别，因此可以快速准确地确定出待识别人物图像中的人物是否佩戴了面部遮挡物，大大减少检测的时间，有助于提高面部遮挡物的佩戴识别的速度。根据本申请的一方面，提供了一种面部识别方法，所述面部识别方法包括：获取多个样本人物图像，以及每个所述样本人物图像中人物面部是否佩戴面部遮挡物的样本类别标签；针对每个所述样本人物图像，确定出所述样本人物图像的多个参考人物图像，其中，所述样本人物图像和对应的多个参考人物图像中任意两个图像的人物面部在图像中所占的尺寸比例不同；基于所述多个样本人物图像、与每个所述样本人物图像对应的多个参考人物图像、每个所述样本人物图像的样本类别标签，对构建的深度卷积神经网络进行训练，得到训练好的面部识别模型；将采集到的待识别人物图像输入至所述面部识别模型，得到所述待识别人物图像的面部遮挡物识别结果。在本申请的一些实施例中，所述针对每个样本人物图像，确定出每个所述样本人物图像的多个参考人物图像，其中，所述样本人物图像和对应的多个参考人物图像中任意两个图像的人物面部在图像中所占的尺寸比例不同，包括：针对于每个所述样本人物图像，确定出所述样本人物图像中人物面部的面部位置区域；基于所述面部位置区域，确定所述样本人物图像的多个参考人物图像，其中，所述样本人物图像和对应的多个参考人物图像中任意两个图像的人物面部在图像中所占的尺寸比例不同。在本申请的一些实施例中，所述基于所述面部位置区域，确定所述样本人物图像的多个参考人物图像，包括：按照人物面部在图像中所占的预设比例，对所述样本人物图像的所述面部位置区域进行区域范围扩充，从所述样本人物图像中得到第一张参考人物图像；将得到的参考人物图像作为样本人物图像，在该样本人物图像中按照所述预设比例对面部位置区域进行区域范围扩充，得到第二张参考人物图像，以此类推，直至得到与所述样本人物图像对应的预设数量的多个参考人物图像。在本申请的一些实施例中，所述基于所述面部位置区域，确定所述样本人物图像的多个参考人物图像，包括：获取人物面部在图像中所占的多个区域比例；依次按照每个区域比例，对所述样本人物图像中的所述面部位置区域进行区域范围扩充，得到与所述样本人物图像对应的多个参考人物图像。在本申请的一些实施例中，所述基于所述多个样本人物图像、与每个所述样本人物图像对应的多个参考人物图像、每个所述样本人物图像的样本类别标签，对构建的深度卷积神经网络进行训练，得到训练好的面部识别模型，包括：将所述多个样本人物图像和与每个样本人物图像对应的多个参考人物图像输入至构建的深度卷积神经网络中，得到每个所述样本人物图像和每个所述参考人物图像的面部遮挡预测值；基于每个所述样本人物图像和每个所述参考人物图像的面部遮挡预测值，以及每个所述样本人物图像的样本类别标签，确定所述深度卷积神经网络的网络损失值；基于所述网络损失值，对所述深度卷积神经网络的网络参数进行调整，得到训练好的面部识别模型。在本申请的一些实施例中，所述基于每个所述样本人物图像和每个所述参考人物图像的面部遮挡预测值，以及每个所述样本人物图像的样本类别标签，确定所述深度卷积神经网络的网络损失值，包括：基于每个所述样本人物图像和该样本人物图像的每个参考人物图像的面部遮挡预测值，以及每个所述样本人物图像的样本类别标签，确定每个所述样本人物图像的关联损失以及均方误差；基于确定出的多个所述关联损失以及多个所述均方误差，确定所述深度卷积神经网络的网络损失值。在本申请的一些实施例中，通过以下步骤确定每个所述样本人物图像的均方误差：针对每个所述样本人物图像，基于所述样本人物图像的面部遮挡预测值，以及与所述样本人物图像的样本类别标签对应的真实值，确定所述样本人物图像的第一均方误差；基于与所述样本人物图像对应的每个参考人物图像的面部遮挡预测值，以及与所述样本人物图像的样本类别标签对应的真实值，确定每个所述样本人物图像的多个第二均方误差；基于所述第一均方误差以及所述多个第二均方误差，确定所述样本人物图像的均方误差。在本申请的一些实施例中，通过以下步骤确定每个所述样本人物图像的关联损失：对于每个所述样本人物图像，从包括所述样本人物图像和对应的多个参考人物图像的多个图像中确定出多个关联图像组，其中，所述关联图像组中包括第一图像和第二图像，所述第一图像中人物面部所占的尺寸比例小于所述第二图像中人物面部所占的尺寸比例；基于每个所述关联图像组中第一图像对应的面部遮挡预测值、第二图像对应的面部遮挡预测值以及所述样本人物图像的样本类别标签对应的真实值，确定每个所述关联图像组的关联组损失差；基于多个所述关联组损失差，确定每个所述样本人物图像的关联损失。在本申请的一些实施例中，所述基于所述网络损失值，对所述深度卷积神经网络的网络参数进行调整，得到训练好的面部识别模型，包括：确定所述损失值是否大于预设损失阈值；若所述网络损失值大于预设损失阈值，调整所述深度卷积神经网络的网络参数，直至所述网络损失值小于或等于所述预设损失阈值，确定所述深度卷积神经网络训练完毕；将训练完的所述深度卷积神经网络确定为面部识别模型。根据本申请的第二方面，提供了一种面部识别装置，所述面部识别装置包括：图像获取模块，用于获取多个样本人物图像，以及每个所述样本人物图像中人物面部是否佩戴面部遮挡物的样本类别标签；图像确定模块，用于针对每个所述样本人物图像，确定出所述样本人物图像的多个参考人物图像，其中，所述样本人物图像和对应的多个参考人物图像中任意两个图像的人物面部在图像中所占的尺寸比例不同；模型训练模块，用于基于所述多个样本人物图像、与每个所述样本人物图像对应的多个参考人物图像、每个所述样本人物图像的样本类别标签，对构建的深度卷积神经网络进行训练，得到训练好的面部识别模型；图像识别模块，用于将本文档来自技高网...

【技术保护点】
1.一种面部识别方法，其特征在于，所述面部识别方法包括：/n获取多个样本人物图像，以及每个所述样本人物图像中人物面部是否佩戴面部遮挡物的样本类别标签；/n针对每个所述样本人物图像，确定出所述样本人物图像的多个参考人物图像，其中，所述样本人物图像和对应的多个参考人物图像中任意两个图像的人物面部在图像中所占的尺寸比例不同；/n基于所述多个样本人物图像、与每个所述样本人物图像对应的多个参考人物图像、每个所述样本人物图像的样本类别标签，对构建的深度卷积神经网络进行训练，得到训练好的面部识别模型；/n将采集到的待识别人物图像输入至所述面部识别模型，得到所述待识别人物图像的面部遮挡物识别结果。/n

【技术特征摘要】
1.一种面部识别方法，其特征在于，所述面部识别方法包括：
获取多个样本人物图像，以及每个所述样本人物图像中人物面部是否佩戴面部遮挡物的样本类别标签；
针对每个所述样本人物图像，确定出所述样本人物图像的多个参考人物图像，其中，所述样本人物图像和对应的多个参考人物图像中任意两个图像的人物面部在图像中所占的尺寸比例不同；
基于所述多个样本人物图像、与每个所述样本人物图像对应的多个参考人物图像、每个所述样本人物图像的样本类别标签，对构建的深度卷积神经网络进行训练，得到训练好的面部识别模型；
将采集到的待识别人物图像输入至所述面部识别模型，得到所述待识别人物图像的面部遮挡物识别结果。


2.根据权利要求1所述的面部识别方法，其特征在于，所述针对每个所述样本人物图像，确定出每个样本人物图像的多个参考人物图像，其中，所述样本人物图像和对应的多个参考人物图像中任意两个图像的人物面部在图像中所占的尺寸比例不同，包括：
针对于每个所述样本人物图像，确定出所述样本人物图像中人物面部的面部位置区域；
基于所述面部位置区域，确定所述样本人物图像的多个参考人物图像，其中，所述样本人物图像和对应的多个参考人物图像中任意两个图像的人物面部在图像中所占的尺寸比例不同。


3.根据权利要求2所述的面部识别方法，其特征在于，所述基于所述面部位置区域，确定所述样本人物图像的多个参考人物图像，包括：
按照人物面部在图像中所占的预设比例，对所述样本人物图像的所述面部位置区域进行区域范围扩充，从所述样本人物图像中得到第一张参考人物图像；
将得到的参考人物图像作为样本人物图像，在该样本人物图像中按照所述预设比例对面部位置区域进行区域范围扩充，得到第二张参考人物图像，以此类推，直至得到与所述样本人物图像对应的预设数量的多个参考人物图像。


4.根据权利要求2所述的面部识别方法，其特征在于，所述基于所述面部位置区域，确定所述样本人物图像的多个参考人物图像，包括：
获取人物面部在图像中所占的多个区域比例；
依次按照每个区域比例，对所述样本人物图像中的所述面部位置区域进行区域范围扩充，得到与所述样本人物图像对应的多个参考人物图像。


5.根据权利要求1所述的面部识别方法，其特征在于，所述基于所述多个样本人物图像、与每个所述样本人物图像对应的多个参考人物图像、每个所述样本人物图像的样本类别标签，对构建的深度卷积神经网络进行训练，得到训练好的面部识别模型，包括：
将所述多个样本人物图像和与每个样本人物图像对应的多个参考人物图像输入至构建的深度卷积神经网络中，得到每个所述样本人物图像和每个所述参考人物图像的面部遮挡预测值；
基于每个所述样本人物图像和每个所述参考人物图像的面部遮挡预测值，以及每个所述样本人物图像的样本类别标签，确定所述深度卷积神经网络的网络损失值；
基于所述网络损失值，对所述深度卷积神经网络的网络参数进行调整，得到训练好的面部识别模型。


6.根据权利要求5所述的面部识别方法，其特征在于，所述基于每个所述样本人物图像和每个所述参考人物图像的面部遮挡预测值，以及每个所述样本人物图像的样本类别标签，确定所述深度卷积神经网络的网络损失值，包括：
基于每个所述样本人物图像和该样本人物图像的每个参考人物图像的面部遮挡预测值，以及每...

【专利技术属性】
技术研发人员：王艳，张修宝，沈海峰，
申请(专利权)人：北京嘀嘀无限科技发展有限公司，
类型：发明
国别省市：北京;11