[发明专利]人脸特征提取方法、低分辨率人脸识别方法及设备

说明书

本发明公开了一种人脸特征提取方法，包括获取人脸图像和特征提取网络，利用初始特征提取模块和GTFB模块提取特征、利用瓶颈层融合特征、特征图放大和利用特征变换子网进行特征变换等步骤；放大子网和特征变换子网连接构成一个网络，通过GTFB模块在不同尺度上重用重要信息的方式，降低无用信息冗余，有利于充分提取对人脸识别有用的信息。本发明还公开了一种低分辨率人脸识别方法及设备，低分辨率人脸识别方法包括特征提取和向量匹配等步骤，通过高效提取人脸特征，提高低分辨率人脸识别的正确率，满足实际应用的需要。

技术领域

本发明属于人工智能技术领域，具体地说，涉及一种人脸特征提取方法、低分辨率人脸识别方法及设备。

背景技术

随着计算机算力的增强，深度学习技术被逐渐应用于人工智能的各个领域，并取得了突破性的效果。在人脸识别方向上，对于高分辨率人脸图像，许多神经网络模型(如VGG、ResNet和MobileNet等)已经能够达到非常高的识别精度，但在实际监控场景中，为了能够获得足够大的监控视野，摄像头通常安装位置都比较高，摄像头获取的人脸图像分辨率普遍偏低，而现有模型对低分辨率的人脸图像识别准确率仍然较低，有待于进一步改进。

发明内容

针对现有技术中上述的不足，本发明提供了一种人脸特征提取方法、低分辨率人脸识别方法及设备，以提高低分辨率人脸图像的识别准确率。

为了达到上述目的，本发明采用的解决方案是：一种人脸特征提取方法，包括以下步骤：

P1、获取待处理人脸图像，获取训练好的特征提取网络，所述特征提取网络包括顺次连接的放大子网和特征变换子网，所述放大子网包括顺次连接的初始特征提取模块、GTFB模块、瓶颈层和放大模块；

P2、将所述待处理人脸图像输入所述初始特征提取模块，得到第一特征图；

P3、所述第一特征图顺次经过多个所述GTFB模块，前一个GTFB模块输出的特征图作为下一个GTFB模块的输入，通过所述GTFB模块进一步提取所述第一特征图的特征；

P4、提取每一个所述GTFB模块输出的特征图，将所有所述GTFB模块输出的特征图拼接起来，然后输入所述瓶颈层降低通道数量后，得到第二特征图；

P5、将所述第二特征图输入所述放大模块，通过所述放大模块增大所述第二特征图的尺寸，得到过渡特征图；

P6、将所述过渡特征图输入所述特征变换子网，所述特征变换子网对所述过渡特征图进行特征变换后，输出一维的目标特征向量，完成特征提取。

进一步地，所述GTFB模块的数学模型为：

F₁＝δ₁(f_d(L_n-1))

F₂＝δ₂(f₃(L_n-1))

F₃＝δ₃(f₅(L_n-1))

F₄＝δ₄(f₁₁(F₁+F₂))

L_n＝δ₅(f₁₂([F₂,F₃,F₄]))+L_n-1