[发明专利]基于特征重标定的人脸特征提取方法、系统、设备及介质

说明书

本发明公开了一种基于特征重标定的人脸特征提取方法、系统、设备及介质，所述方法包括：构建人脸特征提取网络，所述人脸特征提取网络包括多块特征提取块；获取待识别用户的人脸图像；将待识别用户的人脸图像输入人脸特征提取网络，通过特征提取块进行初步特征提取，并对提取的初步特征信息进行压缩、筛选和重标定，得到人脸特征信息。本发明利用特征通道之间的关系可以对特征进行筛选，起到特征重标定的作用，在保持较高的特征提取速度的同时能兼顾较好的特征提取效果。

技术领域

本发明涉及一种基于特征重标定的人脸特征提取方法、系统、设备及介质，属于深度学习和图像处理领域。

背景技术

人脸识别是一种依据人的面部特征(如统计或几何特征等)，自动进行身份识别的一种生物识别技术，又称为面像识别、人像识别、相貌识别、面孔识别、面部识别等。通常我们所说的人脸识别是基于光学人脸图像的身份识别与验证的简称。

人脸识别的流程主要分为三部分：人脸检测、人脸特征提取和人脸特征比对。其中人脸特征提取是人脸识别中最为关键的一步，它的能力直接决定着整个算法的识别精度和抗干扰能力。过去大部分人脸特征提取算法均围绕着颜色、纹理和梯度直方图等传统的手工特征进行改进，由此产生的算法虽然运行速度快，但是识别精度不高并且抗干扰能力也较差。随着2014年深度学习热潮的兴起，使用图像的深度特征代替传统的手工特征的方法在图像处理领域越来越受到重视。VGGNet模型通过增加网络的深度，显著提高了神经网络模型提取图像的能力；通过调节输入到每个层的分布，批量归一化为深度网络中特征提取的学习增加了稳定性，并产生了更平滑的优化面；GoogleNet在网络中嵌入多尺度信息，聚合多种不同感受野上的特征来获得性能增益；ResNet通过跳跃连接，将低维特征与高维特征进行融合，这不仅大幅提高了网络特征提取的能力，还防止了网络训练过程中梯度弥散现象的发生；Xception通过将标准卷积产分成深度卷积和逐点卷积的方式，在获得较好特征提取效果的同时大幅减少了计算量。

近年来，由于深度学习技术的不断进步，产生了众多高效的人脸特征提取算法，使得人脸识别的准确率相比过去有了极大的提高，促使人脸识别技术在教育、安防和零售等领域得到普及。

现有众多的人脸特征提取算法存在以下问题：

1)重量级网络特征提取效果好，但延时严重。重量级人脸特征提取网络通过不断增加网络深度和拓宽网络宽度的方式，以获得更加抽象的图像高维特征，凭借多参数的优势可以挖掘更多图像特征信息。但是由于参数众多，网络太深，使得图像数据在前向传播过程中需要大量计算，时间消耗严重。在分布式训练的过程中，与服务器通信需求更大，占用资源更多，训练所产生的模型体积更大，不容易部署在一些移动设备或者是内存较小的设备中。

2)轻量级网络实时性好，但特征提取效果不理想。轻量级人脸特征提取网络通过使用众多减负措施(如使用深度可分离卷积)，使得训练时占用服务器资源更少，实际运行时，速度更快，模型体积更小，但是轻量级网络特征抽取能力有限，导致鲁棒性更差，其提取特征时容易受图像的亮度、模糊度等客观因素影响。

3)现有深层网络较少考虑利用特征通道之间的关系提升网络特征提取能力。卷积核作为卷积神经网络的核心，通常被看作是在局部感受野上，将空间上的信息和特征维度上的信息进行聚合的信息聚合体，然而只使用空间信息来训练一个性能强悍的网络是相当困难的。

发明内容

有鉴于此，本发明提供了一种基于特征重标定的人脸特征提取方法、系统、设备及介质，其利用特征通道之间的关系可以对特征进行筛选，起到特征重标定的作用，在保持较高的特征提取速度的同时能兼顾较好的特征提取效果。

本发明的第一个目的在于提供一种基于特征重标定的人脸特征提取方法。

本发明的第二个目的在于提供一种基于特征重标定的人脸特征提取系统。

本发明的第三个目的在于提供一种计算机设备。