[发明专利]一种人脸识别模型训练方法和人脸识别方法

说明书

本发明涉及一种人脸识别模型训练方法和人脸识别方法，其训练方法包括：获取第一人脸图像集和第二人脸图像集；将第一人脸图像集输入第一神经网络模型中进行训练，得到口罩识别模型；将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；对第一类人脸图像在相应位置添加口罩；将添加口罩后的第一类人脸图像输入第二神经网络模型中进行训练，得到戴口罩识别模型；将第二类人脸图像输入第二神经网络模型中进行训练，得到无口罩识别模型。本发明对人脸识别问题和口罩识别问题进行了分解，针对两个问题进行有针对性的训练以及神经网络模型的设计和调整，无论是在戴口罩情景还是在无口罩情景，均可以保证人脸识别的稳定精准，满足快速检测的需求。

技术领域

本发明涉及人脸识别技术领域，更具体地，涉及一种人脸识别模型训练方法和人脸识别方法。

背景技术

以人脸面部特征为基础进行生物识别的人脸识别技术，相对于其他生物识别技术而言，有着其独特的可理解性和广泛性，一直被视为在安全、保密等领域重点关注的对象。随着近几年计算机视觉技术的发展，人脸识别作为人工智能浪潮兴起后的一个重要方向，现已经在各个住宅小区、学校、办公楼等重要的日常生活场景有着越来越广泛的具体应用。而人脸识别技术经过近年来的发展已经日趋成熟，为社会大众安全保障工作做出了不可忽视的贡献。

但是，在有疫情爆发的时候，世界各国公民均需要提高公共卫生安全意识，戴起口罩以防止疾病的传播，使得人脸面部特征被部分遮挡，这对现有的人脸识别技术提出了挑战。

发明内容

本发明旨在克服上述现有技术的至少一种缺陷(不足)，提供一种人脸识别模型训练方法和人脸识别方法，用于解决无论是否在戴口罩情景下均能进行稳定、快速、准确的人脸识别问题。

本发明采取的技术方案是：

第一方面，本发明提供一种人脸识别模型训练方法，包括：获取第一人脸图像集和第二人脸图像集；将第一人脸图像集输入第一神经网络模型中进行训练，得到口罩识别模型；将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；对第一类人脸图像在相应位置添加口罩；将添加口罩后的第一类人脸图像输入第二神经网络模型中进行训练，得到戴口罩识别模型；将第二类人脸图像输入第二神经网络模型中进行训练，得到无口罩识别模型。

在完成训练样本的采集后，先进行第一阶段的模型训练，训练出可以识别人脸图像中的人脸是否戴口罩的口罩识别模型，再进行第二阶段的模型训练，训练出针对戴口罩情景下的戴口罩识别模型和针对无口罩情景下的无口罩识别模型。通过多阶段的模型训练，可以将人脸识别问题和口罩识别问题进行分阶段地有针对性地进行设计和攻克，使得所训练出的模型无论人脸是否戴口罩，都可以既保证人脸识别的稳定精准，又满足快速检测的需求。

进一步地，第一神经网络模型包括先行结构和多级残差结构，先行结构的输出端与多级残差结构的输入端连接，先行结构包括多个依次连接的提取块，每个提取块包括依次连接的池化层、卷积层和激活层。

第一人脸图像集从先行结构的输入端输入，通过多个连续的提取块初步提取出第一人脸图像集的人脸图片特征，再输入到后续的多级残差结构中。

进一步地，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；第一激活层的输出端与第一全连接层的输出端融合形成位置信息输出分支，位置信息输出分支与第二激活层的输出端融合形成分类信息输出分支，分类信息输出分支与损失层的输入端连接。