[发明专利]一种多态不变性人脸识别方法及系统

说明书

本发明公开了一种多态不变性人脸识别方法及系统，涉及人脸识别领域，所述方法包括：将获取到的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。所述人脸不变性特征提取模型是采用包括相关态人脸对和非相关态人脸对的训练集对特征计算模型进行训练得到的，其中，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，特征提取层是基于卷积和注意力机制，采用多层感知器实现的。本发明能实现对扭曲人脸的识别，提高人脸识别的安全性和便捷性。

技术领域

本发明涉及人脸识别领域，特别是涉及一种多态不变性人脸识别方法及系统。

背景技术

人脸识别技术在各行业应用广泛，但人脸识别仍存在诸多不便之处。当对面部肌肉变化较大的扭曲人脸进行识别时，存在人脸识别率低的现象，使得人脸识别系统无法及时、有效地对人身份进行核验。如何从采集到的人脸的多种模态信息中简单、快速地识别出是否是为本人，提升人脸识别系统的安全性与便捷性，一直是业界亟待解决的问题。

发明内容

基于此，本发明实施例提供一种多态不变性人脸识别方法及系统，以实现对扭曲人脸的识别，提高人脸识别的安全性和便捷性。

为实现上述目的，本发明提供了如下方案：

一种多态不变性人脸识别方法，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。

可选的，所述根据所述目标人脸特征进行身份识别，具体包括：

获取预先存储的人物的人脸图像；所述预先存储的人物的人脸图像为无肌肉扭曲的人脸图像；

对所述预先存储的人物的人脸图像进行特征提取，得到预存人脸特征；

将所述目标人脸特征与所述预存人脸特征进行对比，以确定所述目标人物是否为所述预先存储的人物。

可选的，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。

可选的，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；