【技术实现步骤摘要】
本专利技术涉及图像处理，尤其涉及一种半遮挡人脸识别方法、识别设备以及存储介质。
技术介绍
1、人脸识别技术已经广泛的应用于各个领域中，在某些场景中，无法获取完整的人脸图像，在此情景下，对于部分遮挡或者半遮挡的人脸图像进行人脸特征识别也具有重要的意义。
2、例如在交通领域中，对遮挡人脸识别具有重要的应用价值。该技术通过识别被遮挡的人脸，为交通系统的安全性、智能化和效率提供了关键支持。在智能交通管理方面，遮挡人脸识别有助于识别交叉口、人行横道等区域的行人和驾驶员。这为智能信号灯控制、行人优先过街等交通控制策略的实施提供支持，提高道路通行的效率和安全性。此外，遮挡人脸识别还可以应用于安全防范，通过分析被遮挡区域的行为特征，系统可以发出警报或采取其他预防措施，提高交通场景的整体安全性。
3、为了识别遮挡人脸图像，相关技术中主要采用遮挡区域恢复的方法实现，即恢复被遮挡的人脸部分。随着深度神经网络的发展，基于深度学习的图像修复技术逐渐成为主流。生成对抗网络的识别模型通过使用在无遮挡图像上预训练的生成对抗网络，使模型能够自动检测遮挡的图像区域，并正确恢复相关的图像像素。但是，生成对抗网络训练通常较为复杂，容易出现训练不稳定、模型崩溃等问题，导致最终对半遮挡人脸图像的识别结果精确度较低。
4、上述内容仅用于辅助理解本专利技术的技术方案，并不代表承认上述内容是现有技术。
技术实现思路
1、本专利技术的主要目的在于提供一种半遮挡人脸识别方法、识别设备以及存储介质，旨
2、一方面，本申请提供一种半遮挡人脸识别方法，包括：
3、获取待识别半遮挡人脸图像；
4、将所述待识别半遮挡人脸图像输入至训练后的人脸识别模型中，得到所述待识别半遮挡人脸图像对应的人脸特征信息；
5、其中，所述人脸识别模型包括特征提取模块、掩码估计模块和特征抑制处理模块；
6、所述特征提取模块，用于对输入的所述待识别半遮挡人脸图像进行特征信息提取，得到深层金字塔特征和浅层金字塔特征；
7、所述掩码估计模块，用于对所述深层金字塔特征进行特征提取，得到深层特征信息；将所述浅层金字塔特征和所述深层特征信息进行融合，得到像素级掩码特征；
8、所述特征抑制处理模块，用于将所述深层金字塔特征和像素级掩码特征进行特征融合，得到所述人脸特征信息。
9、在一种实施例中，所述特征提取模块包括特征金字塔网网络，所述特征金字塔网网络包括bottom-up模型和top-down模型；
10、所述对输入的所述待识别半遮挡人脸图像进行特征信息提取，得到深层金字塔特征和浅层金字塔特征，包括：
11、所述bottom-up模型，用于对所述待识别半遮挡人脸图像从浅层到深层逐步进行特征提取，且同时从浅层到深层逐层进行下采样，得到不同尺寸的特征图；
12、所述top-down模型，用于对上一层得到的特征图进行上采样，并且将上一层得到的特征信息逐层向下传递，得到所述深层金字塔特征和浅层金字塔特征。
13、在一种实施例中，所述掩码估计模块包括多个不同膨胀率的卷积模块和全局平均池化层；
14、所述对所述深层金字塔特征进行特征提取，得到深层特征信息，包括：
15、所述多个不同膨胀率的卷积模块和全局平均池化层分别对所述深层金字塔特征进行特征提取，得到多个不同的特征信息；
16、对所述多个不同的特征信息进行融合，得到所述深层特征信息。
17、在一种实施例中，掩码估计模块包括膨胀率为1的1×1卷积模块、膨胀率为6的3×3卷积模块、膨胀率为12的3×3卷积模块、膨胀率为18的3×3卷积模块、全局平均池化层、特征融合模块、通道调整模块和上采样模块。
18、在一种实施例中，所述半遮挡人脸识别方法还包括：
19、将所述深层金字塔特征分别输入至膨胀率为1的1×1卷积模块、膨胀率为6的3×3卷积模块、膨胀率为12的3×3卷积模块、膨胀率为18的3×3卷积以及全局平均池化层中，得到五个不同的特征信息；
20、所述特征融合模块对所述五个不同的特征信息进行特征融合，得到第一融合特征信息；
21、所述通道调整模块对所述第一融合特征信息进行通道数调整，得到第二融合特征信息；
22、所述上采样模块对所述第二融合特征信息进行上采样，得到所述深层特征信息。
23、在一种实施例中，在将所述待识别半遮挡人脸图像输入至训练后的人脸识别模型中，还包括：
24、获取半遮挡人脸样本图像，以及所述半遮挡人脸样本图像对应的人脸特征信息；
25、将所述半遮挡人脸样本图像输入至初始人脸识别模型中，得到所述半遮挡人脸样本图像对应的人脸有效特征信息；
26、根据所述半遮挡人脸样本图像对应的人脸有效特征信息和人脸特征信息对所述初始人脸识别模型进行训练，得到训练后的人脸识别模型。
27、在一种实施例中，所述人脸识别模型还包括损失计算模块；
28、所述根据所述半遮挡人脸样本图像对应的人脸有效特征信息和人脸特征信息对所述初始人脸识别模型进行训练，得到训练后的人脸识别模型，包括：
29、根据所述半遮挡人脸样本图像对应的人脸有效特征信息和人脸特征信息对所述初始人脸识别模型的模型参数进行迭代更新；
30、每次更新完成后，所述损失计算模块计算更新后的人脸识别模型的损失函数的损失值，若所述损失函数的损失值满足条件，则停止迭代更新，并将更新后的人脸识别模型作为训练后的人脸识别模型；若所述损失函数的损失值不满足条件，则继续迭代训练。
31、在一种实施例中，所述损失函数为联合损失函数；所述联合损失函数包括余弦损失函数和分类损失函数；
32、其中，所述联合损失函数表示为：
33、ltotal＝lcos+lseg
34、所述余弦损失函数表示为：
35、
36、所述分类损失函数表示为：
37、
38、上述公式中，ltotal为联合损失函数，lcos为余弦损失函数，lseg为分类损失函数，m和n为样本个数，为第i个样本所属的类别yi对应的余弦值，θj是第i个样本与其他所有类别j的余弦值，s是一个缩放参数，m是余弦边界角度参数；p(xi)为真实标签的概率分布，q(xi)为模型的预测值。
39、另一方面，本专利技术还提供一种半遮挡人脸识别设备，所述设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的半遮挡人脸识别程序，所述半遮挡人脸识别程序配置为实现如上述任一项所述的半遮挡人脸识别方法的步骤。
40、另一方面，本专利技术还提供一种存储介质，所述存储介质上存储有半遮挡人脸识别程序，所述半遮挡人脸识别程序被处理器执行时实现如上述任一项所述的半遮挡人脸识别方本文档来自技高网...
【技术保护点】
1.一种半遮挡人脸识别方法，其特征在于，包括：
2.如权利要求1所述的半遮挡人脸识别方法，其特征在于，所述特征提取模块包括特征金字塔网网络，所述特征金字塔网网络包括Bottom-up模型和Top-down模型；
3.如权利要求1所述的半遮挡人脸识别方法，其特征在于，所述掩码估计模块包括多个不同膨胀率的卷积模块和全局平均池化层；
4.如权利要求3所述的半遮挡人脸识别方法，其特征在于，掩码估计模块包括膨胀率为1的1×1卷积模块、膨胀率为6的3×3卷积模块、膨胀率为12的3×3卷积模块、膨胀率为18的3×3卷积模块、全局平均池化层、特征融合模块、通道调整模块和上采样模块。
5.如权利要求4所述的半遮挡人脸识别方法，其特征在于，还包括：
6.如权利要求1所述的半遮挡人脸识别方法，其特征在于，在将所述待识别半遮挡人脸图像输入至训练后的人脸识别模型中，还包括：
7.如权利要求5所述的半遮挡人脸识别方法，其特征在于，所述人脸识别模型还包括损失计算模块；
8.如权利要求6所述的半遮挡人脸识别方法，其特征在于，所述
9.一种半遮挡人脸识别设备，其特征在于，所述设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的半遮挡人脸识别程序，所述半遮挡人脸识别程序配置为实现如权利要求1至8中任一项所述的半遮挡人脸识别方法的步骤。
10.一种存储介质，其特征在于，所述存储介质上存储有半遮挡人脸识别程序，所述半遮挡人脸识别程序被处理器执行时实现如权利要求1至8任一项所述的半遮挡人脸识别方法的步骤。
...【技术特征摘要】
1.一种半遮挡人脸识别方法，其特征在于，包括：
2.如权利要求1所述的半遮挡人脸识别方法，其特征在于，所述特征提取模块包括特征金字塔网网络，所述特征金字塔网网络包括bottom-up模型和top-down模型；
3.如权利要求1所述的半遮挡人脸识别方法，其特征在于，所述掩码估计模块包括多个不同膨胀率的卷积模块和全局平均池化层；
4.如权利要求3所述的半遮挡人脸识别方法，其特征在于，掩码估计模块包括膨胀率为1的1×1卷积模块、膨胀率为6的3×3卷积模块、膨胀率为12的3×3卷积模块、膨胀率为18的3×3卷积模块、全局平均池化层、特征融合模块、通道调整模块和上采样模块。
5.如权利要求4所述的半遮挡人脸识别方法，其特征在于，还包括：
6.如权利要求1所述的半遮挡人脸识别方法，...
【专利技术属性】
技术研发人员：吴清泉，崔开金，
申请(专利权)人：西光智途西安科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。