[发明专利]一种自适应智能人脸识别方法及系统

权利要求书

1.一种自适应智能人脸识别方法，其特征在于，所述方法包括：

S1：构建人脸去妆模型，所述人脸去妆模型以待去妆人脸图像为输入，以去妆后的人脸图像为输出；

S2：对构建得到的人脸去妆模型利用Nesterov动量加速方法进行优化求解，得到人脸去妆优化模型；

S3：构建人脸遮挡区域修复模型，所述人脸遮挡区域修复模型以存在遮挡物的人脸图像为输入，以修复后的人脸图像为输出；

S4：对构建得到的人脸遮挡区域修复模型利用负动量加速方法进行优化求解，得到人脸遮挡区域修复优化模型；

S5：采集待检测识别的人脸图像，并对图像进行分割将人脸图像分为待去妆区域图像和待修复区域图像；

S6：将待去妆区域图像和待修复区域图像分别输入到人脸去妆优化模型以及人脸遮挡区域修复优化模型中；

S7：将模型输出图像结果进行拼接合成，得到消除妆容变化以及修复遮挡区域的最终人脸图像，并将最终人脸图像输入人脸识别系统进行识别认证。

2.如权利要求1所述的一种自适应智能人脸识别方法，其特征在于，所述S1步骤中构建人脸去妆模型，包括：

构建人脸去妆模型，所述人脸去妆模型包含输入层、去妆图像训练判别层以及去妆图像生成层，其中输入层用于接收待去妆人脸图像，去妆图像训练判别层用于在模型训练过程中，对所生成的去妆人脸图像的去妆效果进行判别，去妆图像生成层用于生成去妆后的人脸图像；

所述去妆图像生成层G的结构为编码器-解码器结构，编码器利用卷积核大小为4×4像素，步长为2的6层卷积层，对待去妆图像进行连续6次的下采样操作，且在每次下采样操作后，对下采样结果进行归一化以及ReLU激活函数处理，解码器利用卷积核大小为4×4像素且步长为1/2的6层反卷积层对编码器输出结果进行连续6次的上采样操作，且在每次上采样操作后，对上采样结果进行归一化以及ReLU激活函数处理，得到原始尺寸的解码图像，并利用tanh激活函数将解码图像的像素值限定在0-255区间内，得到去妆后的人脸图像，其中每次进行下采样操作或上采样操作的卷积层参数为去妆图像生成层的待优化参数，所述卷积层参数包括卷积核权重以及偏置量；

所述去妆图像训练判别层D的结构为全卷积网络结构，由4层卷积层组成，在人脸去妆模型的训练过程中，将去妆图像生成层G生成的人脸图像输入到去妆图像训练判别层D中，依次经过2层卷积核大小为4×4像素且步长为2的卷积层，以及2层卷积核大小为4×4像素且步长为1的卷积层，并在每次经过卷积层处理后，进行归一化以及ReLU激活函数处理，利用softmax函数对卷积层结果进行处理得到判别矩阵，判别矩阵中的每个值均对应输入图像中一块大小为40×40像素区域为去妆后图像的概率，判别矩阵的均值表示输入图像为去妆后图像的概率，所述去妆图像训练判别层D中最后一层卷积层的感受野尺寸为40×40像素，所述去妆图像训练判别层D中待优化参数为4层卷积层的参数；

所述人脸去妆模型的训练损失函数为：

其中：

表示去妆图像训练判别层D，θ_D表示去妆图像训练判别层D中待优化参数；

表示去妆图像生成层G，θ_G表示去妆图像生成层G中待优化参数；

E(·)表示期望；

表示训练损失函数；

x表示输入人脸去妆模型的待去妆训练图像，表示去妆图像训练判别层D输出x为去妆后图像的概率；表示去妆图像生成层基于x生成的去妆后的人脸图像；

y表示待去妆训练图像x对应的去妆后人脸图像，sim(·)表示余弦相似度计算公式，sim(·)的值越大，表示计算公式中两者的相似度越高。