[发明专利]一种人脸识别模型训练方法和人脸识别方法

权利要求书

1.一种人脸识别模型训练方法，其特征在于，包括：

获取第一人脸图像集和第二人脸图像集；

将所述第一人脸图像集输入第一神经网络模型中进行训练，得到可以识别人脸图像中的人脸是否戴口罩的口罩识别模型；

将所述第二人脸图像集随机分成第一类人脸图像和第二类人脸图像；

对所述第一类人脸图像在相应位置添加口罩；

将添加口罩后的所述第一类人脸图像输入第二神经网络模型中进行训练，得到可以识别戴口罩情境下的人脸的戴口罩识别模型；

将所述第二类人脸图像输入第二神经网络模型中进行训练，得到可以识别无口罩情景下的人脸的无口罩识别模型；

所述第一神经网络模型包括先行结构和多级残差结构，所述先行结构的输出端与所述多级残差结构的输入端连接，所述先行结构包括多个依次连接的提取块，每个所述提取块包括依次连接的池化层、卷积层和激活层；

所述多级残差结构包括k级扩张网络、第一激活层、第二激活层、第一全连接层和损失层，每级所述扩张网络对输入进行n阶扩张形成n个输出分支；

第一级扩张网络的输入端与所述先行结构的输出端连接，上一级扩张网络的其中1个输出分支与下一级扩张网络的输入端连接，前k/2级扩张网络的其余n-1个输出分支的其中一部分与第一激活层的输入端连接，前k/2级扩张网络的其余n-1个输出分支的另一部分连接第一全连接层，后k/2级扩张网络的其余n-1个输出分支的其中一部分与第一全连接层的输入端连接，后k/2级扩张网络的其余n-1个输出分支的另一部分与第二激活层的输入端连接；

所述第一激活层的输出端与所述第一全连接层的输出端融合形成位置信息输出分支，所述位置信息输出分支与所述第二激活层的输出端融合形成分类信息输出分支，所述分类信息输出分支与所述损失层的输入端连接；

所述第二神经网络采用Inception-Resnet-v2网络结构，在所述Inception-Resnet-v2网络结构的平均池化层与损失层之间设有第二全连接层。

2.根据权利要求1所述的人脸识别模型训练方法，其特征在于，所述损失层以softmaxloss为损失函数并以Adam作为反向传播的优化器。

3.根据权利要求1所述的人脸识别模型训练方法，其特征在于，所述Inc eption-Resnet-v2网络结构的损失层以center loss为损失函数。

4.根据权利要求1所述的人脸识别模型训练方法，其特征在于，将添加口罩后的所述第一类人脸图像输入第二神经网络模型中进行训练的步骤，包括：

根据添加口罩后的所述第一类人脸图像，构建所述第一类人脸图像对应的三元组样本；

将所述第一类人脸图像对应的三元组样本输入第二神经网络模型中进行训练；

将所述第二类人脸图像输入第二神经网络模型中进行训练的步骤，包括：

根据所述第二类人脸图像，构建所述第二类人脸图像对应的三元组样本；

将所述第二类人脸图像对应的三元组样本输入第二神经网络模型中进行训练。

5.根据权利要求1所述的人脸识别模型训练方法，其特征在于，对所述第一类人脸图像在相应位置添加口罩的步骤，包括：

获取第一类人脸图像上的人脸标定点、人脸宽度和人脸高度；

根据所述人脸标定点定位人脸的嘴唇部分，根据所定位的人脸的嘴唇部分确定口罩的添加位置；

根据所述人脸宽度和所述人脸高度确定所添加口罩的尺寸。

6.一种人脸识别方法，其特征在于，包括：

将待识别人脸图像输入如权利要求1至5任一项所述的口罩识别模型，得到口罩识别结果；

根据所述口罩识别结果，判断所述待识别人脸图像的人脸是否戴口罩；

根据所述待识别人脸图像的人脸是否戴口罩的判断结果，将所述待识别人脸图像输入如权利要求1至5任一项所述的戴口罩识别模型或如权利要求1至5任一项所述的无口罩识别模型，得到人脸特征。

7.根据权利要求6所述的人脸识别方法，其特征在于，根据所述口罩识别结果，判断所述待识别人脸图像的人脸是否戴口罩的步骤，包括：

根据所述口罩识别结果，确定所述待识别人脸图像的人脸戴口罩的置信度和无口罩的置信度；

当所述无口罩的置信度不小于第一阈值时，判断所述待识别人脸图像的人脸是不戴口罩的；

当所述无口罩的置信度小于第一阈值且所述无口罩的置信度与所述戴口罩的置信度之差大于第二阈值时，判断所述待识别人脸图像的人脸是不戴口罩的；

当所述无口罩的置信度小于第一阈值且所述无口罩的置信度与所述戴口罩的置信度之差不大于第二阈值时，判断所述待识别人脸图像的人脸是戴口罩的。