【技术实现步骤摘要】
本专利技术涉及人工智能 ，尤其涉及一种孪生多任务人脸识别方法及装置。
技术介绍
1、在标准情景下，人脸识别技术已经满足了大多数工商业的应用需求。然而，随着各种呼吸道病毒的不断涌现，口罩已成为日常生活中的常用品，导致常规人脸识别算法的性能大幅下降。因此，带口罩的人脸识别算法应运而生，为应对更复杂的现实场景提供了可能性，包括疫情防控、特殊医疗场所的身份认证以及智能城市环境中的公共安全等。
2、目前，主要采用以下两种算法对戴口罩人脸进行检测，一种是viola-jones 算法，主要通过使用统计区域合并（srm）方法在裁剪的面部图像中检测眼部区域，以生成检测到的面部特征的属性图；另一种是采用facenet作为训练框架，并以convnext-t 作为网络模型，在网络中加入了eca（高效通道注意力）机制。
3、然而，上述viola-jones 算法需要采用两阶段算法，大大降低了人脸识别的效率，很难满足实际场景的应用；而convnext-t网络的参数量较大，且facenet采用的三元组损失函数就有明显的拟合缺陷，所以对于一些轻量化设备的部署不友好的，存在应用场景局限等问题。
技术实现思路
1、本专利技术提供一种孪生多任务人脸识别方法及装置，用以解决现有技术中人脸识别的效率低且应用场景局限的缺陷，在不降低无遮挡人脸识别精确度的情况下，大幅度提升带人脸识别的准确度，且通过使框架拥有很小的复杂度和参数量，提高识别效率，适用于计算资源有限的移动设备和嵌入式系统。
2、
3、根据本专利技术提供的一种孪生多任务人脸识别方法，人脸识别模型，包括：特征提取层，对输入的待识别人脸图像进行特征提取，得到人脸特征，并将人脸特征发送至全连接层，以及按模型训练完成得到的目标维度，将对应人脸特征发送至人脸识别层；全连接层，对人脸特征进行降维，得到降维特征；口罩分类层，对降维特征进行分类，得到口罩分类结果；人脸识别层，确定人脸特征与在先构建的人脸特征库中的每个人脸特征的欧式距离，并结合预设阈值，确定接收的人脸特征与人脸特征库中对应人脸特征是否为同一个人，得到人脸识别结果。
4、根据本专利技术提供的一种孪生多任务人脸识别方法，在将待识别人脸图像输入至人脸识别模型中之前，还包括：获取孪生人脸训练数据和孪生人脸训练数据对应的人脸识别标签、口罩分类标签；其中，孪生人脸训练数据包括无遮挡人脸训练样本和与各无遮挡人脸训练样本人脸对应的口罩遮挡人脸训练样本；将无遮挡人脸训练样本输入至第一待训练模型中，得到第一待训练模型输出的第一识别结果和第一分类结果，以及将无遮挡人脸训练样本人脸对应的口罩遮挡人脸训练样本输入至第二待训练模型中，得到第二待训练模型输出的第二识别结果和第二分类结果；其中，第一待训练模型和第二待训练模型参数共享；基于第一识别结果、第一分类结果以及无遮挡人脸训练样本对应的人脸识别标签、口罩分类标签，构建无遮挡损失函数，以及基于第二识别结果、第二分类结果以及口罩遮挡人脸训练样本对应的人脸识别标签、口罩分类标签，构建口罩遮挡损失函数；根据无遮挡损失函数和口罩遮挡损失函数，结合权重分配机制，得到总损失函数，并根据总损失函数，利用优化器，对第一待训练模型和第二待训练模型进行梯度反向传播，以更新对应模型参数，直至总损失函数收敛，结束训练。
5、根据本专利技术提供的一种孪生多任务人脸识别方法，第一待训练模型包括第一特征提取层、第一全连接层、第一口罩分类层、第一特征学习层和第一人脸识别层；将无遮挡人脸训练样本输入至第一待训练模型中，得到第一待训练模型输出的第一识别结果和第一分类结果，包括：将无遮挡人脸训练样本输入至第一特征提取层中进行特征提取，得到第一特征提取层输出的第一人脸训练特征；将第一人脸训练特征输入至第一全连接层中进行降维，得到第一全连接层输出的第一降维特征；将第一降维特征输入至第一口罩分类层中，得到第一口罩分类层输出的第一分类结果；按第一预设维度，将第一人脸训练特征输入至第一特征学习层中，以利用自适应人脸adaface对第一预设维度的第一人脸训练特征进行处理，并按无遮挡人脸训练样本对应的人脸识别标签数量对处理结果进行升维，得到第一特征学习层输出的第二升维特征；其中，第一预设维度是根据在先一次训练结束后确定的模型精度、按预设维度调整规则调整对应在先一次训练采用的第一预设维度得到的，在先一次训练结束后确定的模型精度是根据在先一次训练结束后得到的第一识别结果和第一分类结果、利用消融实验得到的，预设维度调整规则用于限定模型精度与对应预设维度的调整关系；将第二升维特征输入至第一人脸识别层中进行概率分类，得到第一人脸识别层输出的第一识别结果；
6、第二待训练模型包括第二特征提取层、第二全连接层、第二口罩分类层、第二特征学习层和第二人脸识别层；将无遮挡人脸训练样本人脸对应的口罩遮挡人脸训练样本输入至第二待训练模型中，得到第二待训练模型输出的第二识别结果和第二分类结果，包括：将无遮挡人脸训练样本人脸对应的口罩遮挡人脸训练样本输入至第二特征提取层中进行特征提取，得到第二特征提取层输出的第二人脸训练特征；将第二人脸训练特征输入至第二全连接层中进行降维，得到第二全连接层输出的第三降维特征；将第三降维特征输入至第二口罩分类层中，得到第二口罩分类层输出的第二分类结果；按第二预设维度，将第二人脸训练特征输入至第二特征学习层中，以利用自适应人脸adaface对第二预设维度的第二人脸训练特征进行处理，并按口罩遮挡人脸训练样本对应的人脸识别标签数量对处理结果进行升维，得到第二特征学习层输出的第四升维特征；其中，第二预设维度是根据在先一次训练结束后确定的模型精度、按预设维度调整规则调整对应在先一次训练采用的第二预设维度得到的，在先一次训练结束后确定的模型精度是根据在先一次训练结束后得到的第二识别结果和第二分类结果、利用消融实验得到的，预设维度调整规则用于限定模型精度与对应预设维度的调整关系；将第四升维特征输入至第二人脸识别层中进行概率分类，得到第二人脸识别层输出的二识别结果。
7、根据本专利技术提供的一种孪生多任务人脸识别方法，基于第一识别结果、第一分类结果以及无遮挡人脸训练样本对应的人脸识别标签、口罩分类标签，构建无遮挡损失函数，包括：根据训练过程中得到的所有第一分类结果及其对应无遮挡人脸训练样本的口罩分类标签，结合交叉熵损失函数，构建第一分类损失函数；根据第一识别结果和无遮挡人脸训练样本对应的人脸识别标签，结合交叉熵损失函数，构建第一识别损失函数；根据第一分类损失函数、第一识别损失函数和第一预设权重，构建无遮挡损失函数；
8、基于第本文档来自技高网...
【技术保护点】
1.一种孪生多任务人脸识别方法，其特征在于，包括：
2.根据权利要求1所述的孪生多任务人脸识别方法，其特征在于，所述人脸识别模型，包括：
3.根据权利要求1所述的孪生多任务人脸识别方法，其特征在于，在将所述待识别人脸图像输入至人脸识别模型中之前，还包括：
4.根据权利要求3所述的孪生多任务人脸识别方法，其特征在于，所述第一待训练模型包括第一特征提取层、第一全连接层、第一口罩分类层、第一特征学习层和第一人脸识别层；将所述无遮挡人脸训练样本输入至第一待训练模型中，得到所述第一待训练模型输出的第一识别结果和第一分类结果，包括：
5.根据权利要求3所述的孪生多任务人脸识别方法，其特征在于，基于所述第一识别结果、所述第一分类结果以及所述无遮挡人脸训练样本对应的人脸识别标签、口罩分类标签，构建无遮挡损失函数，包括：
6.根据权利要求3所述的孪生多任务人脸识别方法，其特征在于，获取所述孪生人脸训练数据，包括：
7.根据权利要求3所述的孪生多任务人脸识别方法，其特征在于，根据所述无遮挡损失函数和所述口罩遮挡损失函数，结合权重
8.一种孪生多任务人脸识别装置，其特征在于，包括：
9.一种电子设备，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计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述孪生多任务人脸识别方法。
10.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述孪生多任务人脸识别方法。
...【技术特征摘要】
1.一种孪生多任务人脸识别方法，其特征在于，包括：
2.根据权利要求1所述的孪生多任务人脸识别方法，其特征在于，所述人脸识别模型，包括：
3.根据权利要求1所述的孪生多任务人脸识别方法，其特征在于，在将所述待识别人脸图像输入至人脸识别模型中之前，还包括：
4.根据权利要求3所述的孪生多任务人脸识别方法，其特征在于，所述第一待训练模型包括第一特征提取层、第一全连接层、第一口罩分类层、第一特征学习层和第一人脸识别层；将所述无遮挡人脸训练样本输入至第一待训练模型中，得到所述第一待训练模型输出的第一识别结果和第一分类结果，包括：
5.根据权利要求3所述的孪生多任务人脸识别方法，其特征在于，基于所述第一识别结果、所述第一分类结果以及所述无遮挡人脸训练样本对应的人脸识别标签、口...
【专利技术属性】
技术研发人员：汪顺利，张埠石，魏晋，孙宏耀，马云路，徐旺，
申请(专利权)人：商飞智能技术有限公司，
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。