[发明专利]一种基于图推理的人脸遮挡检测的网络模型及方法

说明书

本发明涉及人工智能技术领域，特别涉及一种基于图推理的人脸遮挡检测的网络模型及方法。针对现有卷积神经网络的架构局限性及其计算复杂性影响遮挡人脸的识别精度的问题，本发明提出一种基于图推理的人脸遮挡检测的网络模型，包括特征提取网络、图注意推理模块(GARM)和解码(解卷积)3个部分。同时还利用残差网络和空间金字塔池化提取人脸的低层、高层及边缘特征，通过图投影将相似的像素特征投影到图节点，计算节点之间的投影数据关系以推理分析可能遮挡的区域，并为该区域分配像素进行检测，最终检测出人脸遮挡区域。采用Helen等数据集进行模型训练和测试，经过实验验证，该方法检测精度和分割精度均优于目前其他神经网络人脸遮挡检测的方法。

技术领域

本发明涉及人工智能技术领域，特别涉及一种基于图推理的人脸遮挡检测的网络模型及方法。

背景技术

人脸识别具有图像获取途径简单、成本较低、身份鉴定的过程中完全不需要接触目标等优点，所以人脸识别的应用范围越来越广。但实际人脸识别系统的图像采集过程中往往存在光照、姿态、遮挡等不确定性因素，其中遮挡因素占比重很大，而传统的人脸识别方法对其识别效果不佳，如何有效地处理遮挡问题并提高识别效率仍是人脸识别系统中的难点之一。

为了解决人脸遮挡的问题，Wu等人提出一种基于自适应无监督学习模型和注意力学习模型的遮挡人脸识别算法，对深度人脸特征进行自适应学习，在遮挡面部的无监督学习领域取得了优良的识别率和准确率；为充分考虑遮挡的空间局部连续性，Wei等人提出一种基于有监督遮挡字典的遮挡结构稀疏性人脸识别方法；Zhu等人提出一种自适应的稳定人脸特征检测用于遮挡人脸识别，利用几何注意知识蒸馏的方法进行低秩学习，在野外具备良好的鲁棒性。但是这些方法均需要建立字典，并且需要庞大的数据支撑，而且在识别时并不能完全排除遮挡物的影响，由此会使识别率降低。

目前国内外在解决人脸遮挡问题方面，大都基于卷积神经网络(ConvolutionalNeural Networks,CNN)方法，通过不断卷积提取高层次信息，在识别过程中尽可能忽略掉遮挡的影响。但是随着遮挡场景越来越复杂，卷积层数越来越多，对研究人员以及设备的要求越来越高，单靠卷积神经网络已经不能满足遮挡人脸的高识别率要求。此外，在一般的CNN结构中，卷积层后面通常连接着全连接层。而全连接层的特征数是固定的，所以在网络输入的时候，要求输入图像为固定尺寸。但在实际中，图像尺寸不能总是满足网络的输入要求。一般采用裁剪和拉伸的方法进行预处理，但是会丢失部分原始图像信息，使最后结果受到影响。

发明内容

针对上述问题本发明提供了一种基于图卷积推理的人脸遮挡检测的网络模型及方法。

为了达到上述目的，本发明采用了下列技术方案：

本发明提供一种基于图推理的人脸遮挡检测的网络模型，包括特征提取网络、图注意推理模块(Graph Attention Reasoning Module,GARM)和解码(即解卷积)3个部分。其中，特征提取网络部分包括残差网络ResNet101模型、空间金字塔池化，用于提取包含低层特征、含有遮挡信息的高层特征以及边缘特征的人脸特征；图注意推理模块部分包括图投影、图卷积、图推理和图重投影4个子模块，用于获得含有遮挡部位的人脸特征向量；解码部分用于输出最终得到的含有遮挡部分掩膜的人脸图片并检测出遮挡部分。

本发明还提供一种基于图推理的人脸遮挡检测的方法，包括以下步骤：

步骤1，人脸特征的提取；

步骤2，含有遮挡部分的人脸特征向量的获得；

步骤3，利用解卷积输出最终得到的含有遮挡部分掩膜的人脸图片并检测出遮挡部分。

进一步，所述步骤1中的人脸特征包括低层特征、含有遮挡信息的高层特征、边缘特征。

进一步，所述步骤1中人脸特征的提取具体包括以下步骤：