[发明专利]基于人脸识别技术的学习场景实时身份认证方法

说明书

一种基于人脸识别技术的学习场景实时身份认证方法，由人脸检测、人脸识别两个模块构成。人脸检测模块采用MoblieNetV1_0.25作为主干网络来提取人脸特征、ATSS采样方法作为正样本的采样方式、Generalized Focal Loss优化分类和回归分支。人脸识别模块采用用轻量级主干网络MobileFacenets提取对齐后的人脸特征、MV‑Softmax损失函数自适应调节错误样本、增强特征的区分度和挖掘易错样本。本发明提出了一种实时人脸识别方法，用于对学习场景中的学习者进行实时的身份认证，具有精度高、速度快的优势。

技术领域

本发明属于人脸识别技术领域，具体涉及到基于人脸识别技术的学习场景实时身份认证方法。

背景技术

如图书馆、考场等学习场景需要进门时需要获取学习者的身份信息，根据学习者的身份信息来判断学习者是否有权限进入学习场景。随着深度神经网络和监控设备的发展，降低了获取监控视频的成本。利用监控视频数据和计算机视觉的相关技术对学习场景中的学习者进行身份认证是具有挑战性的，有着广泛的应用场景和研究价值，在学术界和工业界均引起了越来越多的关注。

目前主流的人脸检测、人脸识别方法发展迅速，在公开数据集上的检测、识别精度越来越高，但是却无法做到精度和速度间的平衡。而在教育场景学习者身份任务中，需要实时的对学习者的身份进行准确的认证。

所以在教育场景中，当前需要解决的一个技术问题是提出一种兼顾精度和速度的身份认证方法。

发明内容

本发明所要解决的技术在于克服现有技术的缺点，提供一种方法简单、识别速度快、识别精度高的基于人脸识别技术的学习场景实时身份认证方法。

解决上述技术问题所采用的技术方案是：基于人脸识别技术的学习场景实时身份认证方法，包括如下步骤：

S1:数据预处理

采集学习场景学习者视频数据集，根据学习场景学习者视频数据集生成学习场景中人脸检测数据集FDL、学习场景中人脸识别数据集FRL，从学习场景中人脸检测数据集FDL中取原始图片分为数量呈一定比例的训练集和测试集，将图片调整为统一大小；从学习场景中人脸识别数据集FRL中取原始图片分为数量呈一定比例的训练集和测试集，将图片调整为统一大小；

S2:构建人脸检测网络，人脸检测网络由主干网分支、特征融合分支、检测头分支依次相连构成；

1)构建主干网分支

将学习场景中人脸检测数据集FDL的训练集中的每张图片输入到特征MobileNetV1_0.25网络中提取特征图，得到基础特征图集合{C1，C2，C3，C4，C5}；

2)构建特征融合分支

将基础特征图集合{C1，C2，C3，C4，C5}输入到特征金字塔中进行特征融合，得到融合特征图集合{P₃，P₄，P₅，P₆，P₇}，将融合特征图集合{P₃，P₄，P₅，P₆，P₇}中的特征图输入到尺度均衡金字塔模块对不同尺度特征进行进一步融合得到增强后的特征图集合{N₃，N₄，N₅，N₆，N₇}；

3)构建检测头分支，检测头分支包括回归分支和分类分支；

首先构建回归分支，具体方法如下：