[发明专利]一种面部识别方法、系统及相关装置

说明书

本申请提供一种面部识别方法，包括：获取可见光图像数据集；根据所述可见光图像数据集训练得到可见光人脸识别模型；对所述可见光人脸识别模型剪枝得到剪枝模型；对所述剪枝模型进行迁移学习训练和模拟量化训练，得到近红外模型；利用所述近红外模型提取待识别图像得到面部特征。本申请利用迁移学习的方法移植可见光识别模型针对近红外图像进行人脸识别，解决了可见光在暗光和强光下无法进行人脸识别的问题，能够在暗光或者强光下依旧进行有效的人脸识别。本申请还提供一种面部识别系统、计算机可读存储介质和面部识别设备，具有上述有益效果。

技术领域

本申请涉及图像处理领域，特别涉及一种面部识别方法、系统及相关装置。

背景技术

近年来，人脸识别已经广泛的应用于安防、门禁、支付等领域，为了保证使用的安全性和可靠性，必须保证人脸识别的准确率和稳定性。目前基于可见光图像(指相机在太阳光照下的成像)所进行的人脸识别方法已经非常成熟并且应用在生活的各个场所，但是在无太阳光下，这种方法便无法进行人脸识别。因此如何实现在无光或者弱光的情况进行人脸识别是本领域技术人员继续解决的技术问题。

发明内容

本申请的目的是提供一种面部识别方法、系统、计算机可读存储介质和面部识别设备，能够在无光或者弱光的情况进行人脸识别。

为解决上述技术问题，本申请提供一种面部识别方法，具体技术方案如下：

获取可见光图像数据集；

根据所述可见光图像数据集训练得到可见光人脸识别模型；

对所述可见光人脸识别模型剪枝得到剪枝模型；

对所述剪枝模型进行迁移学习训练和模拟量化训练，得到近红外模型；

利用所述近红外模型提取待识别图像得到面部特征。

其中，对所述可见光人脸识别模型剪枝得到剪枝模型包括：

根据所述可见光人脸识别模型确定对应的深度神经网络模型和模型参数；

确定所述深度神经网络模型各个通道的通道选择向量；

利用预设目标损失函数对各所述通道选择向量和所述模型参数进行优化，将优化后通道选择向量的向量元素为0的通道作为冗余通道；

剪除所述冗余通道，得到剪枝模型。

其中，对所述剪枝模型进行迁移学习训练和模拟量化训练，得到近红外模型包括：

提取所述剪枝模型的激活量尺度文件；

根据预设函数模型分别确定可见光和近红外数据集各自对应的目标函数；

载入所述激活量尺度文件，利用两个目标函数对所述剪枝模型的模型权重训练，并在训练时减少可见光对所述模型权重的影响因子，提高近红外对所述模型权重的影响因子；

当可见光对所述模型权重的影响因子降至0时，得到近红外模型。

其中，提取所述剪枝模型的激活量尺度文件包括：

根据所述剪枝模型的激活值量化目标值分布与激活值分布的相似度提取所述剪枝模型的激活量尺度文件。

本申请还提供一种面部识别系统，包括：

获取模块，用于获取可见光图像数据集；

第一训练模块，用于根据所述可见光图像数据集训练得到可见光人脸识别模型；

剪枝模块，用于对所述可见光人脸识别模型剪枝得到剪枝模型；

第二训练模块，用于对所述剪枝模型进行迁移学习训练和模拟量化训练，得到近红外模型；