[发明专利]基于图像识别的车内人脸识别方法、装置及介质

说明书

本发明涉及人工智能，揭露一种基于图像识别的车内人脸识别方法，包括：获得车内的原始输入图像；构建特征抽取网络，抽取原始输入图像的图像特征；所述特征抽取网络的输出的图像特征执行多次CBL模块的操作和卷积操作获得一种尺度的特征图；所述特征抽取网络的不同中间层分别执行多次CBL模块操作、卷积、上采样和特征拼接操作，获得至少三种不同尺度的特征图；在至少四种尺度的特征图上采用锚框的方法进行进行人脸的检测与识别；将特征图上预测得到的人脸坐标映射为原始输入图像上的坐标，从而实现图像的车内人脸识别。还提供一种装置、电子设备及计算机可读存储介质。本发明提高困难场景下人脸识别的准确率和召回率。

技术领域

本发明涉及人工智能，尤其涉及一种基于图像识别的车内人脸识别方法、装置、电子设备及计算机可读存储介质。

背景技术

人工智能技术的高速发展，深度学习越来越多的应用于计算机视觉中，尤其是图像识别领域。人脸作为人体的一个而重要标志，是进行不同人识别的基础手段。

Yolo(全称为You Only Look Once)是常用的深度学习方法，仅仅使用一个CNN网络直接预测不同目标的类别与位置，YOLO将物体检测作为回归问题求解，基于一个单独的end-to-end网络，完成从原始图像的输入到物体位置和类别的输出。YOLO的核心思想就是利用整张图作为网络的输入，直接在输出层回归bounding box的位置和bounding box所属的类别。

基于YOLOv3的深度学习方法，由于其检测速度快，成为目前业内比较流行的人脸识别的检测算法之一。基于YOLOv3的人脸识别算法在晴天、白天、无遮挡等简单场景下可以达到实时检测且具有较高准确率的效果，但在雨天、夜间、有遮挡等困难场景下，其准确率和召回率都还相对较低。

发明内容

本发明提供一种基于图像识别的车内人脸识别方法、装置、电子设备及计算机可读存储介质，其主要目的在于提高雾霾、雨天、夜间、人脸线模糊等困难场景下，人脸识别的准确率和召回率。

为实现上述目的，本发明提供一种基于图像识别的车内人脸识别方法，包括：

获得车内的原始输入图像；

构建特征抽取网络，抽取原始输入图像的图像特征，所述图像特征包括颜色特征、纹理特征、形状特征和空间关系特征中的一个或多个，所述特征抽取网络包括多个CSPX模块，所述CSPX模块模块包括ResX模块和两个CBL模块，ResX模块与一个CBL模块串联再与另外一个CBL模块并联拼接，所述CBL模块指的是依次执行卷积、批归一化处理和激活操作的运算过程，所述ResX模块包括CBL模块和X个残差模块,所述残差模块指的是执行多个CBL模块操作与原始输入相加的运算过程；

所述特征抽取网络的输出的图像特征执行多次CBL模块的操作和卷积操作获得一种尺度的特征图；

所述特征抽取网络的不同中间层分别执行多次CBL模块操作、卷积、上采样和特征拼接操作，获得至少三种不同尺度的特征图；

在至少四种尺度的特征图上采用锚框的方法进行进行人脸的检测与识别；

将特征图上预测得到的人脸坐标映射为原始输入图像上的坐标，从而实现图像的车内人脸识别。

可选地，所述特征抽取网络为CSP-DarkNet，包括一个CBL模块、多个CSPX模块和多个CBM模块，CBM模块的输入矩阵是CSPX模块的输出矩阵，所述CBM模块指的是依次执行卷积、批归一化处理、与CBL模块不同的另一种激活操作的运算过程。

可选地，所述特征抽取网络包括五个CSPX模块和五个CBM模块，五个CSPX模块的结构为1、2、8、8、4，CSP-DarkNet依次包括CBL模块、CSP1模块、CBM模块、CSP2模块、CBM模块、CSP8模块、CBM模块、CSP8模块、CBM模块、CSP4模块和CBM模块。