[發(fā)明專利]一種基于注意力機制的紅外寬光譜人臉識別方法及系統(tǒng)

有效

• 申請?zhí)枺?/td>: 202110962848.2
• 申請日: 2021-08-20
• 公開（公告）號: CN113723246B
• 公開（公告）日: 2022-09-02
• 發(fā)明（設計）人: 張?zhí)煨?/a>;郭婷;郭詩嘉;蘇軒;李正濤;彭雅
• 申請（專利權）人: 南京華圖信息技術有限公司
• 主分類號: G06V40/16
• 分類號: G06V40/16;G06V10/44;G06V10/764;G06V10/82;G06N3/04;G06N3/08
• 代理公司: 武漢華之喻知識產(chǎn)權代理有限公司 42267
• 代理人: 鄧彥彥;廖盈春

1.一種基于注意力機制的紅外寬光譜人臉識別系統(tǒng)，其特征在于，包括：

紅外寬光譜數(shù)據(jù)獲取模塊，用于獲取人臉各個關鍵區(qū)域的紅外寬光譜數(shù)據(jù)；所述紅外寬光譜的光譜范圍為：1.3μm～14.4μm；

并聯(lián)局部特征提取模塊，用于對每個關鍵區(qū)域的紅外寬光譜數(shù)據(jù)進行并聯(lián)的多種不同的二維卷積層提取局部特征，所述二維卷積層的維度由大到小，得到每個關鍵區(qū)域在多種不同卷積維度下由粗到細的多種特征，并將多種由粗到細的特征拼接得到每個關鍵區(qū)域的局部特征；每次特征提取都是對關鍵區(qū)域的紅外寬光譜數(shù)據(jù)進行的，不同的二維卷積層對應不同的特征維度特征提取，實現(xiàn)對紅外寬光譜數(shù)據(jù)多種特征維度的特征提取，提取得到由粗到細的特征，特征維度大對應提取的特征相對較粗，特征維度小對應提取的特征相對較細；將從每個關鍵區(qū)域提取出的由粗到細的多種特征拼接，得到每個關鍵區(qū)域的局部特征；

注意力機制提取模塊，用于結合注意力機制學習各個關鍵區(qū)域局部特征的注意權重，并基于學習的注意權重將所有關鍵區(qū)域的局部特征融合得到人臉寬光譜特征向量；融合所有關鍵區(qū)域的局部特征并自動學習各個關鍵區(qū)域局部特征的注意權重，基于學習的注意權重將所有關鍵區(qū)域的局部特征融合得到人臉寬光譜特征向量；所述自動學習各個關鍵區(qū)域局部特征的注意權重，具體為：通過自動學習確定各個關鍵區(qū)域對分類模塊進行人臉識別的重要程度，根據(jù)重要程度為各個關鍵區(qū)域分配注意權重，從而提高重要程度高的關鍵區(qū)域特征的表達，并抑制重要程度低的關鍵區(qū)域特征的表達；

全局特征提取模塊，用三層全連接網(wǎng)絡提取人臉寬光譜特征向量的全局特征，每一個全連接層中的每一個節(jié)點與上一層的所有節(jié)點均相連，用于將上一層提取的特征綜合起來；

分類模塊，用于基于所述全局特征判斷其所屬的人的身份，以進行人臉識別；所述分類模塊通過一層全連接層預測所述全局特征屬于每個類的概率；其中，每個類代表一個人的身份標簽；所述分類模塊的全連接層的最后一層包括多個神經(jīng)單元，每個神經(jīng)單元用于預測一個類；所述分類模塊用于基于所述全局特征判斷其所屬的人的身份，具體為：所述分類模塊預測所述全局特征屬于每個類的概率，將概率值最大的類判定為所述全局特征所屬的類。

2.根據(jù)權利要求1所述的紅外寬光譜人臉識別系統(tǒng)，其特征在于，還包括：訓練模塊；

所述訓練模塊，用于采用基于Softmax激活函數(shù)的交叉熵損失函數(shù)訓練所述分類模塊；Softmax激活函數(shù)表示為：交叉熵損失函數(shù)L_c表示為：其中：k表示人的類別數(shù)，即輸出節(jié)點的個數(shù)，z_i表示第i(1≤i≤k)個節(jié)點的輸出值，y_i′表示全局特征預測屬于第i類概率所占的百分比，y_i為每類的真實標簽。