[發(fā)明專利]一種小目標的人臉識別方法及裝置

在審

• 申請?zhí)枺?/td>: 202010770852.4
• 申請日: 2020-08-03
• 公開（公告）號: CN112069895A
• 公開（公告）日: 2020-12-11
• 發(fā)明（設計）人: 杜翠鳳;蔣仕寶
• 申請（專利權）人: 廣州杰賽科技股份有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06N3/04;G06N3/08
• 代理公司: 廣州三環(huán)專利商標代理有限公司 44202
• 代理人: 麥小嬋;郝傳鑫

1.一種小目標的人臉識別方法：其特征在于，包括：

對獲取到的小目標圖像進行背景濾除，得到第一圖像；

對所述第一圖像進行噪聲抑制，得到目標圖像；

將所述目標圖像輸入到人臉識別模型進行人臉識別，輸出識別結果；其中，所述人臉識別模型通過采用人臉圖像及與所述人臉圖像對應的標簽作為卷積神經網絡的訓練集訓練得到。

2.根據權利要求1所述的小目標的人臉識別方法，其特征在于，所述對所述獲取到的小目標圖像，得到第一圖像，具體為：

采用傳播濾波算法對所述小目標圖像進行處理，獲得背景圖像；

采用所述小目標圖像減去所述背景圖像獲得第一圖像。

3.根據權利要求1所述的小目標人臉識別方法，其特征在于，所述對所述第一圖像進行噪聲抑制，得到目標圖像，具體為：

采用閾值分割方法從所述第一圖像中分割出所述目標圖像。

4.根據權利要求2所述的小目標的人臉識別方法，其特征在于，所述采用傳播濾波算法對所述小目標圖像進行處理，獲得背景圖像，具體為：

根據以下公式對所述小目標圖像進行處理，得到所述背景圖像：

Y_i＝∑_j∈Ω(i)W_ijX_j

其中，X為所述小目標圖像，Y背景圖像，W_ij表示像素i和像素j的濾波權重。

5.根據權利要求3所述的小目標的人臉識別方法，其特征在于，所述采用閾值分割方法從所述第一圖像中分割出所述目標圖像，具體為:

將所述第一圖像轉換為灰度圖像，并通過閾值確定方法確定閾值；

對于所述灰度圖像中的每個像素，分別計算其鄰域像素的數量，若所述數量小于所述閾值，則所述像素為噪聲點，否則所述像素為目標像素；

對于每個目標像素，分別使用其相鄰相關像素增強其亮度，得到目標圖像。

6.根據權利要求5所述的小目標的人臉識別方法，其特征在于，所述將所述第一圖像轉換為灰度圖像，并通過閾值確定方法確定閾值，具體為：

將所述第一圖像轉換為灰度圖像，并統(tǒng)計所述灰度圖像中灰度值小于1的像素的個數及獲取所述灰度值小于1的像素的灰度值；

根據所述灰度值小于1的像素的個數和所述灰度值確定閾值。

7.根據權利要求1所述的小目標的人臉識別方法，其特征在于，所述卷積神經網絡的結構為改進的卷積神經網絡的結構，所述改進的卷積神經網絡結構為：

第一層為卷積層，使用32個卷積核，每個卷積核為3*3；

第二層、第三層為卷積層、使用32個卷積核，每個卷積核為3*3，并且每層連接的激活函數為Relu函數；

第四層為池化層，采用最大值池化法，池化窗口為2*2；

第五層為Dropout為層；

分類器：由兩個全連接層核SoftMax層組成。

8.根據權利要求7所述的小目標的人臉識別方法，其特征在于，所述分類器的分類損失函數為：

其中，x_i為輸入圖像，θ_f為特征提取器的參數，G_f為特征提取器，θ_c為分類器的參數，G_c為分類器，y_i為真實標注，L_c為分類損失計算函數。

9.一種小目標的人臉識別裝置：其特征在于，包括：

背景濾除單元，用于對獲取到的小目標圖像進行背景濾除，得到第一圖像；

噪聲抑制單元，用于對所述第一圖像進行噪聲抑制，得到目標圖像；

人臉識別單元，用于將所述目標圖像輸入到人臉識別模型進行人臉識別，輸出識別結果；其中，所述人臉識別模型通過采用人臉圖像及與所述人臉圖像對應的標簽作為卷積神經網絡的訓練集訓練得到。

10.根據權利要求9所述的小目標的人臉識別裝置，其特征在于，所述卷積神經網絡的結構為改進的卷積神經網絡的結構，所述改進的卷積神經網絡結構為：

第一層為卷積層，使用32個卷積核，每個卷積核為3*3；

第二層、第三層為卷積層、使用32個卷積核，每個卷積核為3*3，并且每層連接的激活函數為Relu函數；

第四層為池化層，采用最大值池化法，池化窗口為2*2；

第五層為Dropout為層；

分類器：由兩個全連接層核SoftMax層組成；

所述分類器的分類損失函數為：

其中，x_i為輸入圖像，θ_f為特征提取器的參數，G_f為特征提取器，θ_c為分類器的參數，G_c為分類器，y_i為真實標注，L_c為分類損失計算函數。