[发明专利]侧脸情况下的人脸识别方法、装置、设备及存储介质

权利要求书

1.一种侧脸情况下的人脸识别方法，其特征在于，包括以下步骤：

获取接收到的人脸图像中人脸特征点对应的局部二值特征，并对所述局部二值特征进行回归处理，识别人脸形状；

当识别出的人脸形状为非正脸时，通过预先构建的正脸重构模型，对所述人脸图像进行重构，生成正脸图像；

根据所述正脸图像，通过预先构建的暂态混沌神经网络，提取人脸框；

根据所述人脸框，通过预先构建的FaceNet网络模型，提取人脸特征向量；

对所述人脸特征向量进行拼接，并计算拼接后的人脸特征向量与正脸图像样本的相似度；

获取最大相似度对应的正脸图像样本，并输出为人脸识别结果；

所述根据所述正脸图像，通过预先构建的暂态混沌神经网络，提取人脸框，具体包括：

根据所述正脸图像，通过预先构建的图像金字塔模型，获取不同尺寸的人脸候选框；

采用DeepID对不同尺寸的人脸候选框进行区域切分；

将区域切分后的人脸候选框输入到预先构建的暂态混沌神经网络，提取人脸框；

所述获取接收到的人脸图像中人脸特征点对应的局部二值特征，并对所述局部二值特征进行回归处理，识别人脸形状，包括：

将人脸图像初始化一个shape，得到人脸图像对应的局部二值特征向量；

基于shape找出人脸的特征点，计算局部的特征差异，找到人脸特征点feature；

基于找到的人脸特征点和人工标记的特征点计算一个特征点差异Delta，并训练一个函数：Delta＝f(feature)；

将Delta加到初始化的shape上，得出了当前的人脸形状。

2.如权利要求1所述的侧脸情况下的人脸识别方法，其特征在于，所述方法还包括：

提取预先采集的正脸图像样本和侧脸图像样本的人脸特征点；

根据所述正脸图像样本、侧脸图像样本对应的人脸特征点，分别对所述正脸图像样本、侧脸图像样本进行分块；

采用分块后的正脸图像样本、侧脸图像样本对预先构建的深度神经网络进行模型训练，构建正脸重构模型；其中，所述预先构建的深度神经网络包括逻辑回归算法。

3.如权利要求1所述的侧脸情况下的人脸识别方法，其特征在于，所述根据所述正脸图像，通过预先构建的暂态混沌神经网络，提取人脸框之前，还包括：

对所述正脸图像进行旋转校正，得到正视的正脸图像。

4.如权利要求1所述的侧脸情况下的人脸识别方法，其特征在于，所述对所述人脸特征向量进行拼接，并计算拼接后的人脸特征向量与正脸图像样本的相似度，具体包括：

对所述人脸特征向量进行拼接；

对拼接后的人脸特征向量进行KNN聚类，并计算KNN聚类后的人脸特征向量与正脸图像样本的欧氏距离，作为人脸特征向量与正脸图像样本的相似度。

5.如权利要求1所述的侧脸情况下的人脸识别方法，其特征在于，所述将区域切分后的人脸候选框输入到预先构建的暂态混沌神经网络，提取人脸框，具体包括：

将所有人脸候选框缩放至第一预设尺寸，并通过所述暂态混沌神经网络的第一层卷积神经网络对第一预设尺寸的人脸候选框进行边框回归，获得第一边框回归结果；

将所有人脸候选框缩放至第二预设尺寸，并通过所述暂态混沌神经网络的第二层卷积神经网络对第二预设尺寸的人脸候选框和所述第一边框回归结果进行边框回归，获得第二边框回归结果；

将所有人脸候选框缩放至第三预设尺寸，并通过所述暂态混沌神经网络的第三层卷积神经网络中对第三预设尺寸的人脸候选框、所述第一边框回归结果和所述第二边框回归结果进行边框回归，获得第三边框回归结果；

对所述第一边框回归结果、第二边框回归结果和第三边框回归结果进行加权平均处理，得到所述人脸框。

6.如权利要求5所述的人脸识别 方法，其特征在于，所述第一预设尺寸为12×12，所述第一层卷积神经网络为12维卷积神经网络；所述第二预设尺寸为24×24，所述第二层卷积神经网络为24维卷积神经网络；所述第二预设尺寸为48×48，所述第三层卷积神经网络为48维卷积神经网络。