[发明专利]一种联合口罩属性损失函数的人脸识别方法

说明书

本发明公开了一种联合口罩属性损失函数的人脸识别方法，包括以下步骤：采集并获得人脸数据集，对人脸数据集中的任一图像进行归一化和去均值处理；将人脸数据集划分为训练集、测试集和验证集，并作相应的标记；将训练集输入至Resnet残差网络模型，并利用联合口罩损失函数得到最优的人脸识别的模型；将带有标记的训练集和测试集的图像输入至Resnet残差网络模型，以获得高维特征；采用联合口罩属性损失函数将高维特征进行聚集相似的人脸图像；利用最优的人脸识别的模型的全连接层提取的特征向量与口罩属性损失函数的特征向量之间夹角余弦求得人脸之间的相似度，预设阀值，并进行人脸识别判断。

技术领域

本发明涉及人脸识别技术领域，尤其是一种联合口罩属性损失函数的人脸 识别方法。

背景技术

随着科学技术的快速发展和人类社会的进步，人脸识别技术在社会起着至 关重要的作用，这是因为人脸识别方法不仅比传统身份证认证方法更安全可靠， 还比指纹和虹膜方法更具有唯一性且更容易识别。因此，人脸识别技术在人们 的生活中起着关键的作用，人脸识别技术结合了图像处理和人工智能方法，通 过深度学习来提取人脸的高维特征，接着对这些高维特征进行分类，从而准确 地识别遮挡的人脸图像。

人脸识别的准确率受以下两方面影响：

第一，人外部结构(嘴，眼和鼻子)的变化来区分不同的人脸，这些外形 结构增大了类间特征的距离，以较好地区分人脸图像；

第二，人内部特征的变化也能区分不同的人脸。在遮挡和未遮挡的情况下 人，同一人脸的特征有明显的差异，因此需要减小类内的距离。

然而，靠面部特征与分类模型进行比较来识别人脸的传统的方法，还存在 以下两方面不足：

第一，人工设计和提取特征不仅费时还增加了维护成本；

第二，当人们带着口罩时，人的面部区域被口罩遮挡导致人的关键特征丢 失。在遮挡的情况下，传统算法没法精确地辨别人脸图像。因此，提取完整的 特征在人脸识别中占有非常重要的作用，迫切需要开发出一种方法来准确地识 别带口罩的人脸图像。

随着深度学习的发展，再加上硬件GPU的升级和大量训练的数据集，主流 的深度学习的方法明显提高了局部信息的准确率，深度学习通过层与层之间的 网络结构来提取具有区分度的人脸高维特征，这些高维特征通过损失函数来聚 集相似的人脸特征，以得到训练好的人脸模型库，接着测试图像与人脸模型库 进行匹配，当人脸的相似度在一定范围时判定为同一个人。因此，损失函数在 人脸识别中起着承上启下的关键作用，目前损失函数有如下两类：

第一类是Softmax Loss函数，此函数能够对人脸图像进行分类，目前仍存 在以下两方面不足：1)在复杂场景(口罩遮挡)下，识别率还很低；2)人脸 图像分类过程中不能增大类间距离，也不能减少类内距离。

第二类是中心损失函数，此函数在分类过程中一方面减少了相似类特征的 距离，使同一类特征靠近中心聚簇；另一方面此函数增大了类间的间隔，使不 同的人脸特征彼此远离。另外，与Softmax Loss函数相比，此函数能够更进一 步改善人脸的分类效果。但是，此函数不能准确地识别人脸图像。

因此，迫切需要提出一种扩大类间距离和缩小类内距离的损失函数，以实 时、准确高效地识别带口罩的人脸图像的识别方法。

发明内容

针对上述问题，本发明的目的在于提供一种联合口罩属性损失函数的人脸 识别方法，本发明采用的技术方案如下：

一种联合口罩属性损失函数的人脸识别方法，包括以下步骤：

采集并获得人脸数据集，对人脸数据集中的任一图像进行归一化和去均值 处理；将人脸数据集分为划分训练集、测试集和验证集，并作相应的标记；