人脸特征提取方法、低分辨率人脸识别方法及设备技术

本发明专利技术公开了一种人脸特征提取方法，包括获取人脸图像和特征提取网络，利用初始特征提取模块和GTFB模块提取特征、利用瓶颈层融合特征、特征图放大和利用特征变换子网进行特征变换等步骤；放大子网和特征变换子网连接构成一个网络，通过GTFB模块在不同尺度上重用重要信息的方式，降低无用信息冗余，有利于充分提取对人脸识别有用的信息。本发明专利技术还公开了一种低分辨率人脸识别方法及设备，低分辨率人脸识别方法包括特征提取和向量匹配等步骤，通过高效提取人脸特征，提高低分辨率人脸识别的正确率，满足实际应用的需要。满足实际应用的需要。满足实际应用的需要。

【技术实现步骤摘要】
人脸特征提取方法、低分辨率人脸识别方法及设备


[0001]本专利技术属于人工智能
，具体地说，涉及一种人脸特征提取方法、低分辨率人脸识别方法及设备。

技术介绍

[0002]随着计算机算力的增强，深度学习技术被逐渐应用于人工智能的各个领域，并取得了突破性的效果。在人脸识别方向上，对于高分辨率人脸图像，许多神经网络模型(如VGG、ResNet和MobileNet等)已经能够达到非常高的识别精度，但在实际监控场景中，为了能够获得足够大的监控视野，摄像头通常安装位置都比较高，摄像头获取的人脸图像分辨率普遍偏低，而现有模型对低分辨率的人脸图像识别准确率仍然较低，有待于进一步改进。

技术实现思路

[0003]针对现有技术中上述的不足，本专利技术提供了一种人脸特征提取方法、低分辨率人脸识别方法及设备，以提高低分辨率人脸图像的识别准确率。
[0004]为了达到上述目的，本专利技术采用的解决方案是：一种人脸特征提取方法，包括以下步骤：
[0005]P1、获取待处理人脸图像，获取训练好的特征提取网络，所述特征提取网络包括顺次连接的放大子网和特征变换子网，所述放大子网包括顺次连接的初始特征提取模块、GTFB模块、瓶颈层和放大模块；
[0006]P2、将所述待处理人脸图像输入所述初始特征提取模块，得到第一特征图；
[0007]P3、所述第一特征图顺次经过多个所述GTFB模块，前一个GTFB模块输出的特征图作为下一个GTFB模块的输入，通过所述GTFB模块进一步提取所述第一特征图的特征；<br/>[0008]P4、提取每一个所述GTFB模块输出的特征图，将所有所述GTFB模块输出的特征图拼接起来，然后输入所述瓶颈层降低通道数量后，得到第二特征图；
[0009]P5、将所述第二特征图输入所述放大模块，通过所述放大模块增大所述第二特征图的尺寸，得到过渡特征图；
[0010]P6、将所述过渡特征图输入所述特征变换子网，所述特征变换子网对所述过渡特征图进行特征变换后，输出一维的目标特征向量，完成特征提取。
[0011]进一步地，所述GTFB模块的数学模型为：
[0012]F1＝δ1(f
d
(L
n
‑1))
[0013]F2＝δ2(f3(L
n
‑1))
[0014]F3＝δ3(f5(L
n
‑1))
[0015]F4＝δ4(f
11
(F1+F2))
[0016]L
n
＝δ5(f
12
([F2,F3,F4]))+L
n
‑1[0017]其中，L
n
‑1表示输入所述GTFB模块的特征图，L
n
表示所述GTFB模块输出的特征图，f
d
表示卷积核大小为3*3的可变形卷积操作，f3表示卷积核大小为3*3的卷积操作，f5表示卷积
核大小为5*5的卷积操作，f
11
和f
12
均表示卷积核大小为1*1的卷积操作，δ1、δ2、δ3、δ4和δ5均代表ReLU激活函数，[
·
]表示对其中的特征图在通道方向上进行拼接操作。
[0018]进一步地，所述放大模块包括中间卷积层和多个顺次连接的放大组件，所述放大组件包括顺次连接的反卷积层和ReLU激活函数，所述中间卷积层设于所述放大模块的尾部，输入所述放大模块的特征图依次经过各个所述放大组件和所述中间卷积层后输出。
[0019]进一步地，所述放大子网设有WSA注意力模块，所述WSA注意力模块的数学模型为：
[0020]F
R
＝[δ
b0
(f
b0
(R0)),δ
b1
(f
b1
(R1)),
…
,δ
bm
(f
bm
(R
m
))][0021]F
wsa
＝σ(f
w
(F
R
))
[0022]X＝g(T,F
wsa
)
[0023]其中，R0代表所述第一特征图，R1代表第一个所述GTFB模块输出的特征图，R
m
代表第m个所述GTFB模块输出的特征图，R0、R1、...、R
m
作为所述WSA注意力模块的输入，f
b0
、f
b1
...f
bm
和f
w
均表示卷积核大小为1*1的卷积操作，δ
b0
、δ
b1
...δ
bm
均为ReLU激活函数，[
·
]表示对其中的特征图进行拼接操作，σ表示sigmoid激活函数，F
wsa
表示所述WSA注意力模块生成的空间注意力图，T表示所述第二特征图，g(T,F
wsa
)表示将所述空间注意力图与所述第二特征图做乘法操作，X表示所述空间注意力图与所述第二特征图融合后生成的特征图。
[0024]进一步地，所述特征变换子网包括归一化层、flatten层、全连接层、ReLU激活函数和多个特征变换模块，输入所述特征变换子网的特征图顺次经过各个所述特征变换模块、所述flatten层、所述全连接层、所述ReLU激活函数和所述归一化层后，得到所述目标特征向量；
[0025]所述flatten层用于将特征图展平，所述归一化层用于对特征向量进行归一化处理，所述特征变换模块的数学模型为：
[0026]H
k
＝δ
e2
(f
e2
(δ
e1
(f
e1
(maxpool(H
k
‑1)))))
[0027]其中，H
k
‑1表示输入所述特征变换模块的特征图，H
k
表示所述特征变换模块输出的特征图，maxpool表示最大池化操作，f
e1
和f
e2
均表示卷积核大小为3*3的卷积操作，δ
e1
和δ
e2
均表示ReLU激活函数。
[0028]进一步地，所述特征提取网络设有跳连融合模块，所述第一特征图和所述第二特征图输入所述跳连融合模块后，输出跳连特征图，然后所述跳连特征图与第J个特征变换模块中最大池化操作后输出的特征图通过元素求和融合；其中，
[0029]J＝log2V
[0030]上式中，V表示所述放大模块将所述第二特征图尺寸放大的倍数。
[0031]进一步地，所述跳连融合模块的数学模型为：
[0032]F
s
＝[R0,T]+δ
st
(f
st
(T))+δ
sR
(f
sR
(R0))本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种人脸特征提取方法，其特征是：包括以下步骤：P1、获取待处理人脸图像，获取训练好的特征提取网络，所述特征提取网络包括顺次连接的放大子网和特征变换子网，所述放大子网包括顺次连接的初始特征提取模块、GTFB模块、瓶颈层和放大模块；P2、将所述待处理人脸图像输入所述初始特征提取模块，得到第一特征图；P3、所述第一特征图顺次经过多个所述GTFB模块，通过所述GTFB模块进一步提取所述第一特征图的特征；P4、提取每一个所述GTFB模块输出的特征图，将所有所述GTFB模块输出的特征图拼接起来，然后输入所述瓶颈层降低通道数量后，得到第二特征图；P5、将所述第二特征图输入所述放大模块，通过所述放大模块增大所述第二特征图的尺寸，得到过渡特征图；P6、将所述过渡特征图输入所述特征变换子网，所述特征变换子网对所述过渡特征图进行特征变换后，输出一维的目标特征向量，完成特征提取。2.根据权利要求1所述的人脸特征提取方法，其特征是：所述GTFB模块的数学模型为：F1＝δ1(f
d
(L
n
‑1))F2＝δ2(f3(L
n
‑1))F3＝δ3(f5(L
n
‑1))F4＝δ4(f
11
(F1+F2))L
n
＝δ5(f
12
([F2,F3,F4]))+L
n
‑1其中，L
n
‑1表示输入所述GTFB模块的特征图，L
n
表示所述GTFB模块输出的特征图，f
d
表示卷积核大小为3*3的可变形卷积操作，f3表示卷积核大小为3*3的卷积操作，f5表示卷积核大小为5*5的卷积操作，f
11
和f
12
均表示卷积核大小为1*1的卷积操作，δ1、δ2、δ3、δ4和δ5均代表ReLU激活函数，[
·
]表示对其中的特征图在通道方向上进行拼接操作。3.根据权利要求1所述的人脸特征提取方法，其特征是：所述放大模块包括中间卷积层和多个顺次连接的放大组件，所述放大组件包括顺次连接的反卷积层和ReLU激活函数，所述中间卷积层设于所述放大模块的尾部，输入所述放大模块的特征图依次经过各个所述放大组件和所述中间卷积层后输出。4.根据权利要求1所述的人脸特征提取方法，其特征是：所述放大子网设有WSA注意力模块，所述WSA注意力模块的数学模型为：F
R
＝[δ
b0
(f
b0
(R0)),δ
b1
(f
b1
(R1)),
…
,δ
bm
(f
bm
(R
m
))]F
wsa
＝σ(f
w
(F
R
))X＝g(T,F
wsa
)其中，R0代表所述第一特征图，R1代表第一个所述GTFB模块输出的特征图，R
m
代表第m个所述GTFB模块输出的特征图，R0、R1、...、R
m
作为所述WSA注意力模块的输入，f
b0
、f
b1
...f
bm
和f
w
均表示卷积核大小为1*1的卷积操作，δ
b0
、δ
b1
...δ
bm
均为R...

【专利技术属性】
技术研发人员：宋小青，
申请(专利权)人：柚皮重庆科技有限公司，
类型：发明
国别省市：