[发明专利]一种口罩人脸识别方法及系统

说明书

本发明公开了一种口罩人脸识别方法及系统，本发明建立基于ArcFace的面部‑眉眼多粒度识别模型，利用眉眼精细特征结构增强口罩人脸识别效果；针对当前急需口罩人脸识别数据集训练模型的现状，提出了多种口罩人脸数据集构建方法；在此基础上形成一套完整的口罩人脸识别系统，系统包括模型构建、模型训练、人脸识别等三个主要环节。本发明技术显著提升了口罩人脸识别的精度，建立的数据集有效支撑了口罩遮挡人脸应用场景的技术开发。

技术领域

本发明属于模式识别技术领域，涉及一种人脸识别方法及系统，具体涉及一种口罩人脸识别方法及系统。

技术背景

戴口罩使得作为重要身份验证手段的人脸识别技术基本失效，从而给人脸身份认证应用造成巨大障碍，包括社区出入管理、人脸门禁考勤、车站人脸闸机等应用场景。尤其是火车站之类公共安检场合，佩戴口罩人脸闸机不认识，取下口罩过闸，又有传染风险；还有非接触式门禁应用，由于病毒存在接触传播途径，密码或指纹开锁存在病毒感染风险，非接触式刷脸开锁要安全得多，但戴口罩时人脸识别机往往拒识。为此，需要对现有的依赖全部面部特征点的人脸识别方案进行改进升级，使得在佩戴口罩人脸露出不全的情况下依然能可靠进行身份认证。

在深度学习技术的推动下，业界已经存在多套人脸识别算法模型，如DeepFace、DeepID、FaceNet，这些模型在正常人脸识别场合，均取得优异的性能，公开数据集上的识别率超过99％；近年新开发的CosFace、SphereFace、ArcFace由于采用了更合理的损失函数，性能进一步提升。然而，在口罩重度遮挡面部的情况下，由于可利用的面部特征点显著减少，性能表现急剧下降，直接应用于口罩人脸识别场景，要么高误识率，要么高拒识率，无法满足可靠的人脸身份认证需求。

依赖人脸的身份识别大致分为两种应用场景：非受控环境和受控环境。前者主要指公共视频监控这种人脸拍摄距离、角度、姿态、光照都不受约束的场合，这种情况下的人脸识别本身就十分困难，外加口罩遮掩，就更无法保证精度。但人脸识别也同时存在大量受控应用场景，如人脸门禁、人脸考勤、车站人脸闸机安检、刷脸支付等等，这种情况下，摄像距离一般很近，被识别对象也能配合头像采集，不会出现随意的人脸角度姿态变化，因而可以获得高质量、正面人脸图像。因此，受控环境下的口罩人脸识别具有技术上的可行性。

目前已经有部分机构开展了口罩遮挡人脸识别的研究。根据网络报道，商汤科技在露出50％鼻梁时通过率可达85％，汉王科技报道的也是85％左右，目前报道最好的结果是小视科技，戴口罩人员识别率超过90％。与此相关的另外一个工作，人脸口罩识别，即识别是否按要求佩戴口罩，由于技术难度要小些，识别精度就要高得多，目前腾讯、百度、京东报道的结果都达到99％以上。鉴于常规人脸识别任务的机器学习算法已经做到与人眼相差无几的水平，达到99％以上，所以，总体而言，口罩人脸识别尚处于一个可用但并不十分可靠的水平上。为此，有必要针对口罩人脸识别提出新的算法模型。

与此同时，当前最好的人脸识别器都是基于深度学习模型训练而来，使得设计口罩人脸识别算法需要大量的口罩人脸样本集。但目前尚没有公开可用的有体量的口罩人脸识别数据集，为此，需要构建与模型配套的大规模口罩人脸样本集，驱动模型训练和迭代优化。

发明内容

口罩人脸识别模型设计的关键是“强弱”双管齐下，强化露出面部特征的辨识强度，弱化遮挡部分的干扰。为此，本发明提出了面部-眉眼多粒度识别模型，强化保留的特征、抑制遮挡的特征、突出区分力特征，引入注意力模型，充分挖掘眉眼精细结构的辨识潜力。

本发明得方法所采用的技术方案是：一种口罩人脸识别方法，其特征在于，包括以下步骤：

步骤1：以开源的ArcFace人脸识别模型为基线模型，构建口罩人脸识别深度学习模型；

具体包括以下子步骤：

步骤1.1：眉眼提取；