[发明专利]一种多态不变性人脸识别方法及系统

权利要求书

1.一种多态不变性人脸识别方法，其特征在于，包括：

获取目标人物的人脸图像；

将所述目标人物的人脸图像输入人脸不变性特征提取模型中，得到目标人脸特征；

根据所述目标人脸特征进行身份识别；

其中，所述人脸不变性特征提取模型的确定方法为：

获取训练集；所述训练集包括相关态人脸对和非相关态人脸对；所述相关态人脸对包括同一个人的无肌肉扭曲的人脸图像和有肌肉扭曲的人脸图像；所述非相关态人脸对包括一个人的无肌肉扭曲的人脸图像和另一个人的有肌肉扭曲的人脸图像；

构建特征计算模型；所述特征计算模型包括依次连接的向量映射层、向量冗余去除层和特征提取层；所述向量映射层用于对所述训练集进行非线性映射，得到人脸对映射矩阵；所述向量冗余去除层用于对所述人脸对映射矩阵进行采样，得到人脸对映射更新矩阵；所述特征提取层用于基于卷积和注意力机制，采用多层感知器对所述人脸对映射更新矩阵进行特征提取，得到所述训练集的多态不变特征；

将所述训练集输入所述特征计算模型中，以相关态人脸对的多态不变特征之间的距离小于非相关态人脸对的多态不变特征之间的距离为目标进行训练，并将训练好的特征计算模型确定为所述不变性特征提取模型；

所述向量映射层，具体包括：第一映射层、第二映射层和第三映射层；

所述第一映射层用于对所述训练集进行键值非线性映射，得到键值人脸对映射矩阵；

所述第二映射层用于对所述训练集进行查询非线性映射，得到查询人脸对映射矩阵；

所述第三映射层用于对所述训练集进行等值非线性映射，得到等值人脸对映射矩阵；所述人脸对映射矩阵包括所述键值人脸对映射矩阵、所述查询人脸对映射矩阵和所述等值人脸对映射矩阵；

所述向量冗余去除层，具体包括：第一冗余去除层、第二冗余去除层和第三冗余去除层；

所述第一冗余去除层用于采用池化方法对所述键值人脸对映射矩阵进行最大值下采样，得到键值人脸对映射更新矩阵；

所述第二冗余去除层用于采用池化方法对所述查询人脸对映射矩阵进行最大值下采样，得到查询人脸对映射更新矩阵；

所述第三冗余去除层用于采用池化方法对所述等值人脸对映射矩阵进行最大值下采样，得到等值人脸对映射更新矩阵；所述人脸对映射更新矩阵包括所述键值人脸对映射更新矩阵、所述查询人脸对映射更新矩阵和所述等值人脸对映射更新矩阵；

所述特征提取层，具体包括：基础不变特征提取层、中级不变特征提取层、高级不变特征提取层和多级特征融合层；

所述基础不变特征提取层用于：

对所述键值人脸对映射更新矩阵、所述查询人脸对映射更新矩阵和所述等值人脸对映射更新矩阵分别进行卷积计算，得到第一键值特征图、第一查询特征图以及第一等值特征图；

对所述键值人脸对映射更新矩阵、所述查询人脸对映射更新矩阵和所述等值人脸对映射更新矩阵进行注意力计算，得到第一注意力特征图；

对所述第一键值特征图、所述第一查询特征图、所述第一等值特征图和所述第一注意力特征图进行拼接，得到第一拼接特征图；

采用三层感知器对所述第一拼接特征图进行特征提取，得到基础不变性特征向量；

将所述训练集与所述基础不变性特征向量进行残差连接，得到更新后的基础不变性特征向量；

对所述更新后的基础不变性特征向量进行自注意力计算，得到基础不变性特征；

所述中级不变特征提取层用于：

对所述第一键值特征图、所述第一查询特征图和所述第一等值特征图分别进行卷积计算，得到第二键值特征图、第二查询特征图以及第二等值特征图；

对所述第一键值特征图、所述第一查询特征图和所述第一等值特征图进行注意力计算，得到第二注意力特征图；

对所述第二键值特征图、所述第二查询特征图、所述第二等值特征图和所述第二注意力特征图进行拼接，得到第二拼接特征图；

采用三层感知器对所述第二拼接特征图进行特征提取，得到中级不变性特征向量；

将所述训练集与所述中级不变性特征向量进行残差连接，得到更新后的中级不变性特征向量；

对所述更新后的中级不变性特征向量进行自注意力计算，得到中级不变性特征；

所述高级不变特征提取层，用于：

对所述第二键值特征图、所述第二查询特征图和所述第二等值特征图分别进行卷积计算，得到第三键值特征图、第三查询特征图以及第三等值特征图；

对所述第二键值特征图、所述第二查询特征图和所述第二等值特征图进行注意力计算，得到第三注意力特征图；

对所述第三键值特征图、所述第三查询特征图、所述第三等值特征图和所述第三注意力特征图进行拼接，得到第三拼接特征图；

采用三层感知器对所述第三拼接特征图进行特征提取，得到高级不变性特征向量；

将所述训练集与所述高级不变性特征向量进行残差连接，得到更新后的高级不变性特征向量；

对所述更新后的高级不变性特征向量进行自注意力计算，得到高级不变性特征；

所述多级特征融合层，用于：

采用加权求和的方式对所述基础不变性特征、所述中级不变性特征和所述高级不变性特征进行聚合，得到所述训练集的多态不变特征。