[发明专利]一种基于家庭基因模板的人脸识别方法和系统

权利要求书

1.一种基于家庭基因模板的人脸识别方法，其特征在于，所述方法包括：

获取父亲人脸图像、母亲人脸图像和儿童人脸图像，基于所述父亲人脸图像和所述母亲人脸图像，得到家庭基因模板；

根据所述家庭基因模板和所述儿童人脸图像，通过人脸预估网络生成预估儿童人脸图像，其中，基于对抗学习算法生成所述人脸预估网络，所述预估儿童人脸图像包括父亲人脸图像和母亲人脸图像的抽象五官特征；

通过人脸识别网络，分别对所述儿童人脸图像和所述预估儿童人脸图像提取特征，分别得到第一特征向量和第二特征向量并进行向量融合，得到儿童人脸的注册特征向量并保存在人脸数据库；

采集当前儿童人脸图像，通过所述人脸识别网络对其提取特征，得到当前特征向量，依据所述当前特征向量和所述注册特征向量，进行人脸识别，

其中，基于所述父亲人脸图像和所述母亲人脸图像，得到家庭基因模板，包括：

在通道层融合所述父亲人脸图像和所述母亲人脸图像，得到父母融合人脸图像；

通过预设网络模型，根据所述父母融合人脸图像，得到所述家庭基因模板，其中，采用多任务学习训练得到所述预设网络模型，所述预设网络模型包括：家庭基因提取网络和图像恢复网络；

所述人脸预估网络包括输入层、生成器和判别器，其中，

所述输入层用于接收所述家庭基因模板和所述儿童人脸图像，其中，所述儿童人脸图像作为所述家庭基因模板的标签；

所述生成器用于，根据所述家庭基因模板和所述儿童人脸图像，生成待选预估儿童人脸图像；

所述判别器用于，根据待选儿童人脸图像，与所述儿童人脸图像的图像相似度，确定预估儿童人脸图像并将其输出值所述人脸识别网络。

2.根据权利要求1所述的方法，其特征在于，采用多任务学习训练得到所述预设网络模型，包括：

构建双分支结构的预设网络，所述双分支结构包括主干分支和辅助分支，其中，所述主干分支用于家庭基因提取，所述辅助分支用于图像恢复；

确定预设损失函数，其中，所述预设损失函数包括：用于家庭基因提取的第一损失函数，和用于图像恢复的第二损失函数；

基于多组父母融合人脸图像和所述预设损失函数，对所述预设网络进行迭代训练，得到所述预设网络模型。

3.根据权利要求2所述的方法，其特征在于：所述第一损失函数通过如下公式表示：

其中，为所述第一损失函数，作为所述人脸预估网络的Arcface Loss；代表属于类的第个样本，代表批处理的数量，代表类别数，为角度惩罚值，为尺度超参数，为特征向量与全连接层权重矩阵第列，为正整数；

所述第二损失函数通过如下公式表示：

其中，为第二损失函数，作为所述人脸预估网络的L1 LOSS；为L1范数,为所述图像恢复网络,为所述家庭基因模板，为经所述图像恢复网络预测的父母融合人脸图像，为通道融合的所述父母融合人脸图像。

4.根据权利要求1所述的方法，其特征在于，基于对抗学习算法生成所述人脸预估网络，包括：

将多组所述家庭基因模板，输入至对抗学习算法模型；

设置生成器损失函数和判别器损失函数；

基于多组所述家庭基因模板、所述生成器损失函数、所述判别器损失函数，对所述生成器和所述判别器进行交替训练，并通过反向传播持续迭代所述生成器和所述判别器的参数，直至模型收敛，

其中，所述模型收敛反映为：模型输出的预估儿童人脸图像，与所述儿童人脸图像的图像相似度大于预设阈值，且其中包括视觉可见的父母五官特征。

5.根据权利要求1所述的方法，其特征在于，依据所述当前特征向量和所述注册特征向量，进行人脸识别，包括：

获取数据库中存储的多组注册特征向量；

分别计算所述当前特征向量与各个注册特征向量的余弦相似度；

确定所述余弦相似度最大的目标注册特征向量，并获取所述目标注册特征向量对应的儿童身份信息，作为人脸识别结果。