[发明专利]一种基于局部关键特征识别的人脸质量评估方法

说明书

本发明的目的在于公开一种基于局部关键特征识别的人脸质量评估方法，它包括；与现有技术相比，在原有人脸检测的基础上增加多任务输出判断，在不增加模型参数的基础上判断相关人脸局部关键特征，对人脸局部关键特征的人脸识别，以眼部、眉部为核心加入注意力机制提取人脸局部关键特征，结合脸部轮廓特征进行识别人脸局部关键特征提取配对，实现人脸局部关键特征的高质量评估，配合深度学习算法和人脸识别技术，更好的提高人脸识别的准确率和效率，实现本发明的目的。

技术领域

本发明涉及一种人脸质量评估方法，特别涉及一种基于局部关键特征识别的人脸质量评估方法。

背景技术

目前，市场大部分人脸识别设备还不支持局部关键特征识别，造成特殊情况下(面部有遮挡、戴墨镜等)检测识别率低。

因此，特别需要一种基于局部关键特征识别的人脸质量评估方法，以解决上述现有存在的问题。

发明内容

本发明的目的在于提供一种基于局部关键特征识别的人脸质量评估方法，针对现有技术的不足，实现人脸局部关键特征的高质量评估，配合深度学习算法和人脸识别技术，更好的提高人脸识别的准确率和效率。

本发明所解决的技术问题可以采用以下技术方案来实现：

一种基于局部关键特征识别的人脸质量评估方法，其特征在于，它包括如下步骤：

步骤1：通过摄像装置获取图像，如为人脸图像则进入下一个步骤，如不是人脸图像则通过摄像装置重新获取；

步骤2：对获取的人脸图像检测是否具备人脸局部关键特征，如果不具备人脸局部关键特征，则进入步骤3，如果具备人脸局部关键特征，则进入步骤4；

步骤3：对人脸图像通过人脸算法与人脸数据库进行比对，比对通过则放行，比对不通过则返回步骤1；

步骤4：对人脸图像通过人脸局部关键特征算法与人脸局部关键特征数据库进行比对，比对通过则放行，比对不通过则返回步骤1。

在本发明的一个实施例中，步骤2中对获取的人脸图像检测是否具备人脸局部关键特征，通过基于特征金字塔和多任务损失函数的网络模型结构，Loss定义如下：

分为三个损失函数组合，分别为是否为人脸的二分类softmax函数人脸检测框坐标smooth函数和是否是口罩的二分类softmax函数

中的y_i为GT，为模型检测结果，同理t_i和m_i均为GT，和为模型推理输出。

其中，为区域是否为人脸的二分类softmax函数：

为人脸框坐标函数，使用smooth_L1函数，

其中，为人脸是否具备特征的二分类函数，使用softmax函数。

在本发明的一个实施例中，人脸局部关键特征为在全脸特征的基础上重新对数据集图片的眼部和眉部进行标注，对网络增加attention机制，着重对眼部和眉部进行深度特征提取，结合全脸和眼部眉部特征生成新的人脸特征，最终人脸特征由L-Softmax训练的分类网络前一层FC的特征为准，

L-Softmax由变形而成

进一步，attention机制为对图片的整体特征和局部特征做权重求和，对贡献大的区域增大权重，对贡献小的区域减小权重，结合softmax函数的特性，输出区间为[0,1]，适合用在权重的分配上，得出权重计算公式：

计算得到：