一种基于局部关键特征识别的人脸质量评估方法

摘要

本发明的目的在于公开一种基于局部关键特征识别的人脸质量评估方法，它包括；与现有技术相比，在原有人脸检测的基础上增加多任务输出判断，在不增加模型参数的基础上判断相关人脸局部关键特征，对人脸局部关键特征的人脸识别，以眼部、眉部为核心加入注意力机制提取人脸局部关键特征，结合脸部轮廓特征进行识别人脸局部关键特征提取配对，实现人脸局部关键特征的高质量评估，配合深度学习算法和人脸识别技术，更好的提高人脸识别的准确率和效率，实现本发明的目的。

说明书

技术领域

本发明涉及一种人脸质量评估方法，特别涉及一种基于局部关键特征识别的人脸质量评估方法。

背景技术

目前，市场大部分人脸识别设备还不支持局部关键特征识别，造成特殊情况下(面部有遮挡、戴墨镜等)检测识别率低。

因此，特别需要一种基于局部关键特征识别的人脸质量评估方法，以解决上述现有存在的问题。

发明内容

本发明的目的在于提供一种基于局部关键特征识别的人脸质量评估方法，针对现有技术的不足，实现人脸局部关键特征的高质量评估，配合深度学习算法和人脸识别技术，更好的提高人脸识别的准确率和效率。

本发明所解决的技术问题可以采用以下技术方案来实现：

一种基于局部关键特征识别的人脸质量评估方法，其特征在于，它包括如下步骤：

步骤1：通过摄像装置获取图像，如为人脸图像则进入下一个步骤，如不是人脸图像则通过摄像装置重新获取；

步骤2：对获取的人脸图像检测是否具备人脸局部关键特征，如果不具备人脸局部关键特征，则进入步骤3，如果具备人脸局部关键特征，则进入步骤4；

步骤3：对人脸图像通过人脸算法与人脸数据库进行比对，比对通过则放行，比对不通过则返回步骤1；

步骤4：对人脸图像通过人脸局部关键特征算法与人脸局部关键特征数据库进行比对，比对通过则放行，比对不通过则返回步骤1。

在本发明的一个实施例中，步骤2中对获取的人脸图像检测是否具备人脸局部关键特征，通过基于特征金字塔和多任务损失函数的网络模型结构，Loss定义如下：

分为三个损失函数组合，分别为是否为人脸的二分类softmax函数

其中，

其中，

在本发明的一个实施例中，人脸局部关键特征为在全脸特征的基础上重新对数据集图片的眼部和眉部进行标注，对网络增加attention机制，着重对眼部和眉部进行深度特征提取，结合全脸和眼部眉部特征生成新的人脸特征，最终人脸特征由L-Softmax训练的分类网络前一层FC的特征为准，

L-Softmax由

进一步，attention机制为对图片的整体特征和局部特征做权重求和，对贡献大的区域增大权重，对贡献小的区域减小权重，结合softmax函数的特性，输出区间为[0,1]，适合用在权重的分配上，得出权重计算公式：

进一步，通过softmax函数将特征映射为n+1维，每一个维度代表一个类别，使用一维卷积代替全连接层做分类分支。

在本发明的一个实施例中，比对的评判指标为通用(Mean average precision，MAP)指标，公式如下：

计算时，设预测框与标注框的重合率为a，将a≥0.5的预测框认定为正例：

在本发明的一个实施例中，采用所述基于局部关键特征识别的人脸质量评估方法，人脸检测速度<30ms，人脸特征提取速度<200ms，人脸检测准确率>99.3％，人脸识别准确率>92％。

本发明的基于局部关键特征识别的人脸质量评估方法，与现有技术相比，在原有人脸检测的基础上增加多任务输出判断，在不增加模型参数的基础上判断相关人脸局部关键特征，对人脸局部关键特征的人脸识别，以眼部、眉部为核心加入注意力机制提取人脸局部关键特征，结合脸部轮廓特征进行识别人脸局部关键特征提取配对，实现本发明的目的。

本发明的特点可参阅本案图式及以下较好实施方式的详细说明而获得清楚地了解。

附图说明

图1为本发明的基于局部关键特征识别的人脸质量评估方法的流程示意图；

图2为本发明的人脸局部关键特征模型结构的示意图；

图3为本发明的有Attention和无Attention网络结构的示意图；

图4为本发明的Attention模块的结构示意图；

图5为本发明的ResBlock层的结构示意图；

图6为本发明的一维卷积的结构示意图。

具体实施方式

为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体图示，进一步阐述本发明。

实施例

如图1至图6所示，本发明的基于局部关键特征识别的人脸质量评估方法，它包括如下步骤：

步骤1：通过摄像装置获取图像，如为人脸图像则进入下一个步骤，如不是人脸图像则通过摄像装置重新获取；

步骤2：对获取的人脸图像检测是否具备人脸局部关键特征，如果不具备人脸局部关键特征，则进入步骤3，如果具备人脸局部关键特征，则进入步骤4；

步骤3：对人脸图像通过人脸算法与人脸数据库进行比对，比对通过则放行，比对不通过则返回步骤1；

步骤4：对人脸图像通过人脸局部关键特征算法与人脸局部关键特征数据库进行比对，比对通过则放行，比对不通过则返回步骤1。

在本实施例中，步骤2中对获取的人脸图像检测是否具备人脸局部关键特征，通过基于特征金字塔和多任务损失函数的网络模型结构，Loss定义如下：

其中，

其中，

在本实施例中，人脸局部关键特征为在全脸特征的基础上重新对数据集图片的眼部和眉部进行标注，对网络增加attention机制，着重对眼部和眉部进行深度特征提取，结合全脸和眼部眉部特征生成新的人脸特征，最终人脸特征由L-Softmax训练的分类网络前一层FC的特征为准，

L-Softmax由

进一步，attention机制为对图片的整体特征和局部特征做权重求和，对贡献大的区域增大权重，对贡献小的区域减小权重，结合softmax函数的特性，输出区间为[0,1]，适合用在权重的分配上，得出权重计算公式：

Resblock层：(1*1卷积+relu+1*1卷积+3*3卷积)*8(12或16)，第一个1*1卷积是给通道做扩展学习原图更多的细节特征，第二个1*1卷积是使通道数按比例压缩，减少参数大小和加快计算，再经过一个3*3卷积得到本层输出特征图，将输入层与输出层相加就是本层的最终输出结果。Resblock层可重复8次、12次或16次。

特征金字塔：不同层次的卷积神经网络可以实现从低级的图像特征往高级的特征提取。如结构图所示，在模型最后的将四个不同层级的特征进行融合，使最后输出的特征同时包含低层和高层的信息，提高了网络识别和位置判别的精度。

一维卷积：通过softmax函数将特征映射为n+1维，每一个维度代表一个类别，使用一维卷积代替全连接层做分类分支，既保证了检测分类精度，也有效的减少了网络参数，使推理时间减少。

在本实施例中，比对的评判指标为通用(Mean average precision，MAP)指标，公式如下：

计算时，设预测框与标注框的重合率为a，将a≥0.5的预测框认定为正例：

在本实施例中，采用所述基于局部关键特征识别的人脸质量评估方法，人脸检测速度<30ms，人脸特征提取速度<200ms，人脸检测准确率>99.3％，人脸识别准确率>92％。

以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内，本发明要求保护范围由所附的权利要求书及其等效物界定。