[发明专利]一种基于低秩注意力机制的口罩人脸识别算法

权利要求书

1.一种基于低秩注意力机制的口罩人脸识别算法，其特征在于，包括以下步骤：

1)构建数据集并进行预处理；

2)构建低秩注意力机制：

2.1)初始化k(k＜＜i)个向量μ^(t)(t为迭代次数)以迭代(iterate)方式对卷积神经网络中的人脸特征图X进行低秩化学习，获得口罩人脸组件：将分别与人脸特征图X中所有像素点X_j进行相似计算得到注意力图(Attention Maps)(k张注意力图)：

再使用对进行更新，每一次更新为与所有像素点相似度的加权平均(即为Non-Local模块中的映射计算(Mapping calculate))，往与其相似像素点的方向进行更新：

在组件学习模块中进行t次迭代；

2.2)通过口罩组件定位口罩：低秩人脸组件μ中含有口罩组件和人脸组件，本文将μ＝{μ₁,μ₂,…μ_k}与口罩组件(预先通过可视化确定的口罩组件)进行余弦相似计算，超过阈值的组件判断为口罩组件μ_m＝{μ₁,μ₂,…μ_l}，使用μ_m和X通过注意力机制构建口罩特征图X_m：

C_m＝softmax(μ_l^TX)

X_m＝C_mμ_m

2.3)为了降低口罩部分权重，本文构建了掩膜模块，将口罩特征图X_m通过Sigmoid函数，归一化到[0，1]，获得口罩掩膜，本文使用“1”减去口罩掩膜，口罩特征置0，获得有效人脸掩膜，进而实现在口罩人脸上分离出有效人脸Y：

M(X_m)＝Sigmoid(X_m)

Y＝(1-M(X_m))*X

3)将改进的注意力机制嵌入在ResNet50的低层；

4)设置输入图片大小，训练集batch_size和测试的batch_size的大小，迭代训练(epoch)，使用随机梯度下降(SGD)作为网络优化器，初始学习率；训练第一步：本发明将算法在口罩人脸数据集进行训练，主要目的完成对组件模块的训练，训练第二步：如果组件学习模块在正常人脸数据集上再进行更新，将会降低口罩人脸组件学习性能，因此固定组件学习模块，将第一步得到的算法使用混合数据集进行训练，提升正常人脸识别性能；

5)先使用摄像头获得实时的人脸图像，使用retinaface进行人脸检测，使用本文的模型对检测到人脸进行特征提取，再进行特征比对，获得身份信息。

2.根据权利要求1所述的一种基于低秩注意力机制的口罩人脸识别算法，其特征在于；在步骤1)中，使用retinaface对CASIA-WebFace人脸数据集进行人脸检测与人脸对齐，并进行中心裁剪，去除无用背景，使用生成式对抗网络对处理后的数据进行模拟口罩佩戴，形成口罩人脸数据集。

3.根据权利要求1所述的一种基于低秩注意力机制的口罩人脸识别算法，其特征在于；在步骤3)中，将改进的注意力机制嵌入在ResNet50的layer1层后，将layer1的输出特征作为输入特征，进行构建出口罩人脸特征提取模型。

4.根据权利要求1所述的一种基于低秩注意力机制的口罩人脸识别算法，其特征在于；在步骤5)中，先使用摄像头获得实时的人脸图像，使用retinaface进行人脸检测，使用本文的模型对检测到人脸进行特征提取，再进行特征比对，获得身份信息。