[發明專利]多任務姿態不變的人臉識別方法、系統、裝置及存儲介質

有效

• 申請號: 202011376722.9
• 申請日: 2020-11-30
• 公開（公告）號: CN112381046B
• 公開（公告）日: 2023-02-14
• 發明（設計）人: 陳真;向友君;張明月
• 申請（專利權）人: 華南理工大學
• 主分類號: G06V40/16
• 分類號: G06V40/16;G06V10/26;G06V10/764;G06V10/80;G06V10/82;G06N3/04;G06N3/08
• 代理公司: 廣州嘉權專利商標事務所有限公司 44205
• 代理人: 常柯陽

本發明公開了一種多任務姿態不變的人臉識別方法、系統、裝置及存儲介質，其中方法包括以下步驟：獲取待識別的人臉圖像；將所述人臉圖像輸入訓練好的人臉識別模型進行人臉識別，輸出人臉識別結果；其中，所述人臉識別模型包括三個神經網絡，所述三個神經網絡用于分割人臉區域并進行三種人臉姿勢識別，所述三種人臉姿勢包括左臉姿勢、正臉姿勢以及右臉姿勢。本發明通過使用三個神經網絡針對不同的人臉姿勢，進行人臉識別，能夠有效地消除姿勢變化帶來性能下降的問題，可廣泛應用于計算機視覺領域。

技術領域

本發明涉及計算機視覺領域，尤其涉及一種多任務姿態不變的人臉識別方法、系統、裝置及存儲介質。

背景技術

隨著智能設備在如今社會的廣泛使用，通過生物特征進行身份識別的應用變得熱門且重要起來，其中通過人臉生物特征進行身份識別尤為突出。卷積神經網絡由于具有提取空間特征的能力，且易于實現的特點，因此各種不同結構的卷積神經網絡已經廣泛應用于計算機視覺領域相關的任務之中。如人臉識別任務廣泛的使用基于卷積神經網絡的模型提取特征，如VGG、Resnet等。在具體任務中以其為基礎再加以修改已經成為最受歡迎的方法之一。目前基于卷積神經網絡的算法在單個數據集中已經可以取得很好的成果，但是當真正要在實際場景中應用時，難免會有許多漏洞，原因是這些數據集普遍都存在一些缺陷，如采集的人臉角度單一、光線變化不足、人臉表情單一等等。這也就是目前某些人臉識別算法在單個數據集可以取得很好的效果但是一到其他數據集其效果就會驟降的原因。

為了優化目前人臉識別算法中對姿勢變化的圖像識別效果差的問題，現有技術提出了不同的方法：其中主要可以分為增廣數據和調整模型兩類。前者通過聯合多個數據集中不同條件的圖片來訓練模型從而達到一定的泛化能力；后者是調整模型來學習不同姿勢的判別表示。

目前，人臉識別算法不具備泛化性的主要原因，是因為基于卷積神經網絡的算法，需要數據具有廣泛的分布，基于此，卷積神經網絡能學習到更為廣泛的特征。而目前的單一數據集由于其是在試驗場景下采集的圖片，具有采集環境條件相似，分布不廣等缺點，與實際場景相差甚遠。用某個數據集進行卷積神經網絡的訓練時并在該數據集取得不錯的評估分數后，該卷積神經網絡只學習到可能是某個視角或者某個光線下的特征，當換個視角或者換個亮度后，該卷積神經網絡的表現就會相對遜色很多。訓練的次數越多，該情況越明顯。

術語解釋：

多任務姿態不變：指不同場景下同一個人擺出不同姿勢表情，如做鬼臉、哈哈大笑等，通過提出的網絡將不同表情映射成一致，維持同一個人的表情。

發明內容

為至少一定程度上解決現有技術中存在的技術問題之一，本發明的目的在于提供一種多任務姿態不變的人臉識別方法、系統、裝置及存儲介質。

本發明所采用的技術方案是：

一種多任務姿態不變的人臉識別方法，包括以下步驟：

獲取待識別的人臉圖像；

將所述人臉圖像輸入訓練好的人臉識別模型進行人臉識別，輸出人臉識別結果；

其中，所述人臉識別模型包括三個神經網絡，所述三個神經網絡用于分割人臉區域并進行三種人臉姿勢識別，所述三種人臉姿勢包括左臉姿勢、正臉姿勢以及右臉姿勢。

進一步，所述人臉識別方法還包括建立所述人臉識別模型的步驟，具體為：

根據預設的數據集獲取融合有三種人臉姿勢的人臉數據集；

對所述人臉數據集的人臉圖像進行人臉姿勢分類，獲得左臉數據集、正臉數據集和右臉數據集；

分別對所述左臉數據集、所述正臉數據集和所述右臉數據集中的人臉圖像進行人臉區域分割，獲得三個訓練集；

將所述三個訓練集分別對三個神經網絡進行訓練，獲得所述人臉識別模型。