[发明专利]融合眼部识别模型的局部遮挡人脸识别方法、系统、设备

权利要求书

1.一种融合眼部识别模型的局部遮挡人脸识别方法，包括以下步骤：

步骤一：采集人脸图像，根据人脸部关键点信息对人脸图像进行归一化处理后得到多个包含人脸图像的训练数据集；对训练数据集依次进行人脸图像区域检测、人脸关键点检测、人脸特征向量提取以及分类后，得到多个人脸特征集；

步骤二：计算人脸特征的Triplet Loss损失函数L，并通过对损失函数L进行最小化处理使同一人的人脸特征距离小于不同人的人脸特征距离；

步骤三：通过深度神经网络对人脸图像中的眼部关键点进行对齐后，在人脸图像上截取包含眼部关键点且具有固定大小的矩形框，将该矩形框对应到深度神经网络的特征图上，计算眼部特征的Eye Loss的损失函数Le；

步骤四：构建具有融合损失函数Lt的深度神经网络识别模型，对人脸进行识别；所述融合损失函数Lt＝L+λLe，其中λ是超参数且恒为正值。

2.根据权利要求1所述的融合眼部识别模型的局部遮挡人脸识别方法，其特征在于，步骤一中得到训练数据集后，计算各训练数据集的平均数据量，对平均数据量对应的训练数据集依次进行人脸图像区域检测、人脸关键点检测和人脸特征向量提取，得到多个特征集；对多个特征集进行分类后得到多个人脸特征集。

3.根据权利要求1所述的融合眼部识别模型的局部遮挡人脸识别方法，其特征在于，步骤二中计算所述Triplet Loss损失函数，即三元组损失函数时，分别代表第i个三元组的锚点a，正例p，负例n；分别代表对应的特征；

则Triplet Loss损失函数L的值如果大于零时等于该值，L的值小于零的时等于0，α是超参数，表示锚点a和正例p的特征距离与锚点a和负例n的特征距离之差应大于α；

对Triplet Loss损失函数L进行最小化处理后，则同一个人的人脸特征距离小于不同人的人脸特征距离。

4.根据权利要求3所述的融合眼部识别模型的局部遮挡人脸识别方法，其特征在于，步骤三中的Eye Loss损失函数β是与α类型相同的超参数。

5.根据权利要求1所述的融合眼部识别模型的局部遮挡人脸识别方法，其特征在于：步骤三中将矩形框对应到深度神经网络的特征图上时，人脸图像的宽为W、高为H，则特征图的尺寸为其中S_i是深度卷积神经网络相邻层特征图尺寸减小的倍数，∏_i为连乘运算符，人脸图像上矩形框的顶点坐标(x,y)对应到特征图上的顶点坐标为

6.一种融合眼部识别模型的局部遮挡人脸识别系统，其特征在于，包括：

图像处理模块，采集人脸图像，根据人脸部关键点信息对人脸图像进行归一化处理后得到多个包含人脸图像的训练数据集；对训练数据集依次进行人脸图像区域检测、人脸关键点检测、人脸特征向量提取以及分类后，得到多个人脸特征集；

人脸特征计算模块，计算人脸特征的Triplet Loss损失函数L，并通过对损失函数L进行最小化处理使同一人的人脸特征距离小于不同人的人脸特征距离；

眼部特征计算模块，通过深度神经网络对人脸图像中的眼部关键点进行对齐后，在人脸图像上截取包含眼部关键点且具有固定大小的矩形框，将该矩形框对应到深度神经网络的特征图上，计算眼部特征的Eye Loss的损失函数Le；

识别模块，构建具有融合损失函数Lt的深度神经网络识别模型，对人脸进行识别；所述融合损失函数Lt＝L+λLe，其中λ是超参数且恒为正值。

7.一种计算机设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-5中任一项所述的人脸识别方法。