CN116030520A - 存在遮挡的人脸识别方法及装置 - Google Patents
存在遮挡的人脸识别方法及装置 Download PDFInfo
- Publication number
- CN116030520A CN116030520A CN202310027083.2A CN202310027083A CN116030520A CN 116030520 A CN116030520 A CN 116030520A CN 202310027083 A CN202310027083 A CN 202310027083A CN 116030520 A CN116030520 A CN 116030520A
- Authority
- CN
- China
- Prior art keywords
- network
- feature map
- face recognition
- layer
- stage
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Image Analysis (AREA)
Abstract
本公开涉及人脸识别技术领域,提供了一种存在遮挡的人脸识别方法及装置。该方法包括:利用全局平均池化层、全连接层和激活层构建遮挡感知网络;利用遮挡感知网络、尺度网络和Transformer模块构建右分支网络,利用注意力机制模块和尺度网络构建左分支网络,利用构建右分支网络和左分支网络构建眼周注意力网络;分别在残差网络模型的第二阶段网络、第三阶段网络和第四阶段网络之后插入眼周注意力网络,得到人脸识别模型;对人脸识别模型进行训练,利用训练好的人脸识别模型进行人脸识别。采用上述技术手段,解决现有技术中,传统人脸识别模型识别存在遮挡情况的图片准确率低的问题。
Description
技术领域
本公开涉及人脸识别技术领域,尤其涉及一种存在遮挡的人脸识别方法及装置。
背景技术
目前因为疫情,人们出门都需要戴口罩,也就是在进行人脸识别时待识别的图片往往存在遮挡。但是因为存在遮挡的人脸识别中对图片被遮挡的情况考虑不足,这导致人脸识别模型识别存在遮挡情况的图片准确率低的问题。
在实现本公开构思的过程中,发明人发现相关技术中至少存在如下技术问题:传统人脸识别模型识别存在遮挡情况的图片准确率低的问题。
发明内容
有鉴于此,本公开实施例提供了一种存在遮挡的人脸识别方法、装置、电子设备及计算机可读存储介质,以解决现有技术中,传统人脸识别模型识别存在遮挡情况的图片准确率低的问题。
本公开实施例的第一方面,提供了一种存在遮挡的人脸识别方法,包括:利用全局平均池化层、全连接层和激活层构建遮挡感知网络;利用遮挡感知网络、尺度网络和Transformer模块构建右分支网络,利用注意力机制模块和尺度网络构建左分支网络,利用构建右分支网络和左分支网络构建眼周注意力网络;分别在残差网络模型的第二阶段网络、第三阶段网络和第四阶段网络之后插入眼周注意力网络,得到人脸识别模型;对人脸识别模型进行训练,利用训练好的人脸识别模型进行人脸识别。
本公开实施例的第二方面,提供了一种存在遮挡的人脸识别装置,包括:第一构建模块,被配置为利用全局平均池化层、全连接层和激活层构建遮挡感知网络;第二构建模块,被配置为利用遮挡感知网络、尺度网络和Transformer模块构建右分支网络,利用注意力机制模块和尺度网络构建左分支网络,利用构建右分支网络和左分支网络构建眼周注意力网络;第三构建模块,被配置为分别在残差网络模型的第二阶段网络、第三阶段网络和第四阶段网络之后插入眼周注意力网络,得到人脸识别模型;人脸识别模块,被配置为对人脸识别模型进行训练,利用训练好的人脸识别模型进行人脸识别。
本公开实施例的第三方面,提供了一种电子设备,包括存储器、处理器以及存储在存储器中并且可在处理器上运行的计算机程序,该处理器执行计算机程序时实现上述方法的步骤。
本公开实施例的第四方面,提供了一种计算机可读存储介质,该计算机可读存储介质存储有计算机程序,该计算机程序被处理器执行时实现上述方法的步骤。
本公开实施例与现有技术相比存在的有益效果是:因为本公开实施例通过利用全局平均池化层、全连接层和激活层构建遮挡感知网络;利用遮挡感知网络、尺度网络和Transformer模块构建右分支网络,利用注意力机制模块和尺度网络构建左分支网络,利用构建右分支网络和左分支网络构建眼周注意力网络;分别在残差网络模型的第二阶段网络、第三阶段网络和第四阶段网络之后插入眼周注意力网络,得到人脸识别模型;对人脸识别模型进行训练,利用训练好的人脸识别模型进行人脸识别,因此,采用上述技术手段,可以解决现有技术中,传统人脸识别模型识别存在遮挡情况的图片准确率低的问题,进而提高模型识别存在遮挡情况的图片准确率。
附图说明
为了更清楚地说明本公开实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本公开的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它的附图。
图1是本公开实施例的应用场景的场景示意图;
图2是本公开实施例提供的一种存在遮挡的人脸识别方法的流程示意图;
图3是本公开实施例提供的一种存在遮挡的人脸识别装置的结构示意图;
图4是本公开实施例提供的一种电子设备的结构示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本公开实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本公开。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本公开的描述。
下面将结合附图详细说明根据本公开实施例的一种存在遮挡的人脸识别方法和装置。
图1是本公开实施例的应用场景的场景示意图。该应用场景可以包括终端设备101、102和103、服务器104以及网络105。
终端设备101、102和103可以是硬件,也可以是软件。当终端设备101、102和103为硬件时,其可以是具有显示屏且支持与服务器104通信的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等;当终端设备101、102和103为软件时,其可以安装在如上的电子设备中。终端设备101、102和103可以实现为多个软件或软件模块,也可以实现为单个软件或软件模块,本公开实施例对此不作限制。进一步地,终端设备101、102和103上可以安装有各种应用,例如数据处理应用、即时通信工具、社交平台软件、搜索类应用、购物类应用等。
服务器104可以是提供各种服务的服务器,例如,对与其建立通信连接的终端设备发送的请求进行接收的后台服务器,该后台服务器可以对终端设备发送的请求进行接收和分析等处理,并生成处理结果。服务器104可以是一台服务器,也可以是由若干台服务器组成的服务器集群,或者还可以是一个云计算服务中心,本公开实施例对此不作限制。
需要说明的是,服务器104可以是硬件,也可以是软件。当服务器104为硬件时,其可以是为终端设备101、102和103提供各种服务的各种电子设备。当服务器104为软件时,其可以是为终端设备101、102和103提供各种服务的多个软件或软件模块,也可以是为终端设备101、102和103提供各种服务的单个软件或软件模块,本公开实施例对此不作限制。
网络105可以是采用同轴电缆、双绞线和光纤连接的有线网络,也可以是无需布线就能实现各种通信设备互联的无线网络,例如,蓝牙(Bluetooth)、近场通信(Near FieldCommunication,NFC)、红外(Infrared)等,本公开实施例对此不作限制。
用户可以通过终端设备101、102和103经由网络105与服务器104建立通信连接,以接收或发送信息等。需要说明的是,终端设备101、102和103、服务器104以及网络105的具体类型、数量和组合可以根据应用场景的实际需求进行调整,本公开实施例对此不作限制。
图2是本公开实施例提供的一种存在遮挡的人脸识别方法的流程示意图。图2的存在遮挡的人脸识别方法可以由图1的计算机或服务器,或者计算机或服务器上的软件执行。如图2所示,该存在遮挡的人脸识别方法包括:
S201,利用全局平均池化层、全连接层和激活层构建遮挡感知网络;
S202,利用遮挡感知网络、尺度网络和Transformer模块构建右分支网络,利用注意力机制模块和尺度网络构建左分支网络,利用构建右分支网络和左分支网络构建眼周注意力网络;
S203,分别在残差网络模型的第二阶段网络、第三阶段网络和第四阶段网络之后插入眼周注意力网络,得到人脸识别模型;
S204,对人脸识别模型进行训练,利用训练好的人脸识别模型进行人脸识别。
实践发现存在遮挡的人脸识别中对图片被遮挡的情况考虑不足,这主要是由传统人脸识别模型内部结构导致的,为了更好的考虑到遮挡图片的识别,本公开实施例构建了一个遮挡感知网络(遮挡感知网络用于对图片的特征图进行自适应遮挡感知处理,也就是自适应感知图片的特征图上被口罩遮挡的区域),基于该遮挡感知网络构建眼周注意力网络,然后在残差网络模型(残差网络模型就是传统人脸识别模型)的第二阶段网络、第三阶段网络和第四阶段网络之后插入眼周注意力网络,将改进后的残差网络模型作为本公开实施例的人脸识别模型。
尺度网络是Scale网络;Transformer模块也就是Transformer模型,是由论文《Attention is All You Need》提出,是目前常用的神经网络模型之一;注意力机制模块是Squeeze-and-Excitation网络。
残差网络模型,比如ResNet50,包含第零阶段网络Stage0、第一阶段网络Stage1、第二阶段网络Stage2、第三阶段网络Stage3和第四阶段网络Stage4。本公开实施例对Stage0和Stage1没有改进,只对Stage2、Stage3和Stage4有改进。
对人脸识别模型进行训练,是常用的训练方法,不再赘述。
根据本公开实施例提供的技术方案,利用全局平均池化层、全连接层和激活层构建遮挡感知网络;利用遮挡感知网络、尺度网络和Transformer模块构建右分支网络,利用注意力机制模块和尺度网络构建左分支网络,利用构建右分支网络和左分支网络构建眼周注意力网络;分别在残差网络模型的第二阶段网络、第三阶段网络和第四阶段网络之后插入眼周注意力网络,得到人脸识别模型;对人脸识别模型进行训练,利用训练好的人脸识别模型进行人脸识别,因此,采用上述技术手段,可以解决现有技术中,传统人脸识别模型识别存在遮挡情况的图片准确率低的问题,进而提高模型识别存在遮挡情况的图片准确率。
利用全局平均池化层、全连接层和激活层构建遮挡感知网络,包括:依次连接全局平均池化层、第一全连接层、第一激活层、第二全连接层和第二激活层,得到遮挡感知网络;其中,第一全连接层用于特征压缩,第二全连接层用于特征激励,全连接层,包括:第一全连接层和第二全连接层,激活层,包括:第一激活层和第二激活层。
第一激活层可以是使用ReLU,第二激活层可以是使用Sigmoid。
需要说明的是,本公开实施例使用的全局平均池化层是针对特征图的通道方向和水平方向的全池化处理,不涉及特征图的高度方向,水平方向是指特征图的宽度方向。一个特征图是由通道方向、水平方向和高度方向组成的。
利用遮挡感知网络、尺度网络和Transformer模块构建右分支网络,利用注意力机制模块和尺度网络构建左分支网络,利用构建右分支网络和左分支网络构建眼周注意力网络,包括:依次连接遮挡感知网络、尺度网络和Transformer模块,得到右分支网络;依次连接注意力机制模块和尺度网络,得到左分支网络;将构建右分支网络和左分支网络并行连接,得到眼周注意力网络,其中,构建右分支网络的输出和左分支网络的输出相加为眼周注意力网络的输出。
残差网络模型由第零阶段网络、第一阶段网络、第二阶段网络、第三阶段网络和第四阶段网络依次连接组成。
将人脸识别模型的每个阶段网络输出的第一特征图输入该阶段网络之后插入的眼周注意力网络之后,包括:利用右分支网络中的遮挡感知网络对第一特征图进行自适应遮挡感知处理,得到第二特征图;利用右分支网络中的尺度网络对第一特征图和第二特征图进行点乘运算,得到第三特征图;利用右分支网络中的Transformer模块对第三特征图进行注意力变换处理,得到第四特征图;利用左分支网络中的注意力机制模块对第一特征图进行自适应通道重要性调整处理,得到第五特征图;利用左分支网络中的尺度网络对第一特征图和第五特征图进行点乘运算,得到第六特征图;将四特征图和第六特征图相加,得到眼周注意力网络最终输出的第七特征图。
此处的每个阶段网络实际上只是指第二阶段网络、第三阶段网络和第四阶段网络,只有第二阶段网络、第三阶段网络和第四阶段网络后接眼周注意力网络,第一阶段网络和第二阶段网络是没有后接眼周注意力网络的。
人脸识别模型内部处理的均是特征图,为了便于说明,将每个阶段网络输出的特征图均记作第一特征图(这是因为每个阶段网络之后插入的眼周注意力网络的处理是一样的)。该阶段网络之后插入的眼周注意力网络最终输出的特征图记作第七特征图。
需要说明的是,上述眼周注意力网络的处理过程,既可以看做模型训练中处理训练样本的特征图的过程,也可以看做训练好模型后,使用模型处理待识别图像的特征图的过程。
自适应遮挡感知处理是自适应感知图片的特征图上被口罩遮挡的区域;注意力变换处理可以看做是用Transformer模块增强没有被遮挡的地方的信息,减弱被遮挡的地方的信息;自适应通道重要性调整处理是自适应调整特征图上的通道信息的重要性(如增大重要的通道信息的权重,减小不重要的通道信息的权重,或者说压缩不重要的通道信息,激励重要的通道信息的权重)。
利用右分支网络中的遮挡感知网络对第一特征图进行自适应遮挡感知处理,得到第二特征图,包括:利用全局平均池化层对第一特征图进行池化处理,得到第八特征图;利用第一全连接层和第一激活层依次对第八特征图进行特征压缩处理和激活处理,得到第九特征图;利用第二全连接层和第二激活层依次对第九特征图进行特征激励处理和激活处理,得到第二特征图;其中,全连接层,包括:第一全连接层和第二全连接层,激活层,包括:第一激活层和第二激活层。
池化处理、特征压缩处理、特征激励处理和激活处理均是神经网络模型中常用的处理,不再赘述。
当该阶段网络为第二阶段网络,则第七特征图为第三阶段网络的输入;当该阶段网络为第三阶段网络,则第七特征图为第四阶段网络的输入;当该阶段网络为第四阶段网络,则第七特征图为人脸识别模型最终处理得到的特征图。
人脸识别模型是根据最终处理得到的特征图输出识别结果的。
上述所有可选技术方案,可以采用任意结合形成本申请的可选实施例,在此不再一一赘述。
下述为本公开装置实施例,可以用于执行本公开方法实施例。对于本公开装置实施例中未披露的细节,请参照本公开方法实施例。
图3是本公开实施例提供的一种存在遮挡的人脸识别装置的示意图。如图3所示,该存在遮挡的人脸识别装置包括:
第一构建模块301,被配置为利用全局平均池化层、全连接层和激活层构建遮挡感知网络;
第二构建模块302,被配置为利用遮挡感知网络、尺度网络和Transformer模块构建右分支网络,利用注意力机制模块和尺度网络构建左分支网络,利用构建右分支网络和左分支网络构建眼周注意力网络;
第三构建模块303,被配置为分别在残差网络模型的第二阶段网络、第三阶段网络和第四阶段网络之后插入眼周注意力网络,得到人脸识别模型;
人脸识别模块304,被配置为对人脸识别模型进行训练,利用训练好的人脸识别模型进行人脸识别。
实践发现存在遮挡的人脸识别中对图片被遮挡的情况考虑不足,这主要是由传统人脸识别模型内部结构导致的,为了更好的考虑到遮挡图片的识别,本公开实施例构建了一个遮挡感知网络(遮挡感知网络用于对图片的特征图进行自适应遮挡感知处理,也就是自适应感知图片的特征图上被口罩遮挡的区域),基于该遮挡感知网络构建眼周注意力网络,然后在残差网络模型(残差网络模型就是传统人脸识别模型)的第二阶段网络、第三阶段网络和第四阶段网络之后插入眼周注意力网络,将改进后的残差网络模型作为本公开实施例的人脸识别模型。
尺度网络是Scale网络;Transformer模块也就是Transformer模型,是由论文《Attention is All You Need》提出,是目前常用的神经网络模型之一;注意力机制模块是Squeeze-and-Excitation网络。
残差网络模型,比如ResNet50,包含第零阶段网络Stage0、第一阶段网络Stage1、第二阶段网络Stage2、第三阶段网络Stage3和第四阶段网络Stage4。本公开实施例对Stage0和Stage1没有改进,只对Stage2、Stage3和Stage4有改进。
对人脸识别模型进行训练,是常用的训练方法,不再赘述。
根据本公开实施例提供的技术方案,利用全局平均池化层、全连接层和激活层构建遮挡感知网络;利用遮挡感知网络、尺度网络和Transformer模块构建右分支网络,利用注意力机制模块和尺度网络构建左分支网络,利用构建右分支网络和左分支网络构建眼周注意力网络;分别在残差网络模型的第二阶段网络、第三阶段网络和第四阶段网络之后插入眼周注意力网络,得到人脸识别模型;对人脸识别模型进行训练,利用训练好的人脸识别模型进行人脸识别,因此,采用上述技术手段,可以解决现有技术中,传统人脸识别模型识别存在遮挡情况的图片准确率低的问题,进而提高模型识别存在遮挡情况的图片准确率。
可选地,第一构建模块301还被配置为依次连接全局平均池化层、第一全连接层、第一激活层、第二全连接层和第二激活层,得到遮挡感知网络;其中,第一全连接层用于特征压缩,第二全连接层用于特征激励,全连接层,包括:第一全连接层和第二全连接层,激活层,包括:第一激活层和第二激活层。
第一激活层可以是使用ReLU,第二激活层可以是使用Sigmoid。
需要说明的是,本公开实施例使用的全局平均池化层是针对特征图的通道方向和水平方向的全池化处理,不涉及特征图的高度方向,水平方向是指特征图的宽度方向。一个特征图是由通道方向、水平方向和高度方向组成的。
可选地,第二构建模块302还被配置为依次连接遮挡感知网络、尺度网络和Transformer模块,得到右分支网络;依次连接注意力机制模块和尺度网络,得到左分支网络;将构建右分支网络和左分支网络并行连接,得到眼周注意力网络,其中,构建右分支网络的输出和左分支网络的输出相加为眼周注意力网络的输出。
残差网络模型由第零阶段网络、第一阶段网络、第二阶段网络、第三阶段网络和第四阶段网络依次连接组成。
可选地,人脸识别模块304还被配置为利用右分支网络中的遮挡感知网络对第一特征图进行自适应遮挡感知处理,得到第二特征图;利用右分支网络中的尺度网络对第一特征图和第二特征图进行点乘运算,得到第三特征图;利用右分支网络中的Transformer模块对第三特征图进行注意力变换处理,得到第四特征图;利用左分支网络中的注意力机制模块对第一特征图进行自适应通道重要性调整处理,得到第五特征图;利用左分支网络中的尺度网络对第一特征图和第五特征图进行点乘运算,得到第六特征图;将四特征图和第六特征图相加,得到眼周注意力网络最终输出的第七特征图。
此处的每个阶段网络实际上只是指第二阶段网络、第三阶段网络和第四阶段网络,只有第二阶段网络、第三阶段网络和第四阶段网络后接眼周注意力网络,第一阶段网络和第二阶段网络是没有后接眼周注意力网络的。
人脸识别模型内部处理的均是特征图,为了便于说明,将每个阶段网络输出的特征图均记作第一特征图(这是因为每个阶段网络之后插入的眼周注意力网络的处理是一样的)。该阶段网络之后插入的眼周注意力网络最终输出的特征图记作第七特征图。
需要说明的是,上述眼周注意力网络的处理过程,既可以看做模型训练中处理训练样本的特征图的过程,也可以看做训练好模型后,使用模型处理待识别图像的特征图的过程。
自适应遮挡感知处理是自适应感知图片的特征图上被口罩遮挡的区域;注意力变换处理可以看做是用Transformer模块增强没有被遮挡的地方的信息,减弱被遮挡的地方的信息;自适应通道重要性调整处理是自适应调整特征图上的通道信息的重要性(如增大重要的通道信息的权重,减小不重要的通道信息的权重,或者说压缩不重要的通道信息,激励重要的通道信息的权重)。
可选地,人脸识别模块304还被配置为利用全局平均池化层对第一特征图进行池化处理,得到第八特征图;利用第一全连接层和第一激活层依次对第八特征图进行特征压缩处理和激活处理,得到第九特征图;利用第二全连接层和第二激活层依次对第九特征图进行特征激励处理和激活处理,得到第二特征图;其中,全连接层,包括:第一全连接层和第二全连接层,激活层,包括:第一激活层和第二激活层。
池化处理、特征压缩处理、特征激励处理和激活处理均是神经网络模型中常用的处理,不再赘述。
当该阶段网络为第二阶段网络,则第七特征图为第三阶段网络的输入;当该阶段网络为第三阶段网络,则第七特征图为第四阶段网络的输入;当该阶段网络为第四阶段网络,则第七特征图为人脸识别模型最终处理得到的特征图。
人脸识别模型是根据最终处理得到的特征图输出识别结果的。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本公开实施例的实施过程构成任何限定。
图4是本公开实施例提供的电子设备4的示意图。如图4所示,该实施例的电子设备4包括:处理器401、存储器402以及存储在该存储器402中并且可在处理器401上运行的计算机程序403。处理器401执行计算机程序403时实现上述各个方法实施例中的步骤。或者,处理器401执行计算机程序403时实现上述各装置实施例中各模块/单元的功能。
电子设备4可以是桌上型计算机、笔记本、掌上电脑及云端服务器等电子设备。电子设备4可以包括但不仅限于处理器401和存储器402。本领域技术人员可以理解,图4仅仅是电子设备4的示例,并不构成对电子设备4的限定,可以包括比图示更多或更少的部件,或者不同的部件。
处理器401可以是中央处理单元(Central Processing Unit,CPU),也可以是其它通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。
存储器402可以是电子设备4的内部存储单元,例如,电子设备4的硬盘或内存。存储器402也可以是电子设备4的外部存储设备,例如,电子设备4上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。存储器402还可以既包括电子设备4的内部存储单元也包括外部存储设备。存储器402用于存储计算机程序以及电子设备所需的其它程序和数据。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读存储介质中。基于这样的理解,本公开实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,计算机程序可以存储在计算机可读存储介质中,该计算机程序在被处理器执行时,可以实现上述各个方法实施例的步骤。计算机程序可以包括计算机程序代码,计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括:能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、电载波信号、电信信号以及软件分发介质等。需要说明的是,计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如,在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
以上实施例仅用以说明本公开的技术方案,而非对其限制;尽管参照前述实施例对本公开进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本公开各实施例技术方案的精神和范围,均应包含在本公开的保护范围之内。
Claims (10)
1.一种存在遮挡的人脸识别方法,其特征在于,包括:
利用全局平均池化层、全连接层和激活层构建遮挡感知网络;
利用所述遮挡感知网络、尺度网络和Transformer模块构建右分支网络,利用注意力机制模块和所述尺度网络构建左分支网络,利用所述构建右分支网络和所述左分支网络构建眼周注意力网络;
分别在残差网络模型的第二阶段网络、第三阶段网络和第四阶段网络之后插入所述眼周注意力网络,得到人脸识别模型;
对所述人脸识别模型进行训练,利用训练好的人脸识别模型进行人脸识别。
2.根据权利要求1所述的方法,其特征在于,利用全局平均池化层、全连接层和激活层构建遮挡感知网络,包括:
依次连接所述全局平均池化层、第一全连接层、第一激活层、第二全连接层和第二激活层,得到所述遮挡感知网络;
其中,所述第一全连接层用于特征压缩,所述第二全连接层用于特征激励,所述全连接层,包括:所述第一全连接层和所述第二全连接层,所述激活层,包括:所述第一激活层和所述第二激活层。
3.根据权利要求1所述的方法,其特征在于,利用所述遮挡感知网络、尺度网络和Transformer模块构建右分支网络,利用注意力机制模块和所述尺度网络构建左分支网络,利用所述构建右分支网络和所述左分支网络构建眼周注意力网络,包括:
依次连接所述遮挡感知网络、所述尺度网络和所述Transformer模块,得到所述右分支网络;
依次连接所述注意力机制模块和所述尺度网络,得到所述左分支网络;
将所述构建右分支网络和所述左分支网络并行连接,得到所述眼周注意力网络,其中,所述构建右分支网络的输出和所述左分支网络的输出相加为所述眼周注意力网络的输出。
4.根据权利要求1所述的方法,其特征在于,所述残差网络模型由第零阶段网络、第一阶段网络、所述第二阶段网络、所述第三阶段网络和所述第四阶段网络依次连接组成。
5.根据权利要求1所述的方法,其特征在于,包括:
将所述人脸识别模型的每个阶段网络输出的第一特征图输入该阶段网络之后插入的所述眼周注意力网络之后,包括:
利用所述右分支网络中的所述遮挡感知网络对所述第一特征图进行自适应遮挡感知处理,得到第二特征图;
利用所述右分支网络中的所述尺度网络对所述第一特征图和所述第二特征图进行点乘运算,得到第三特征图;
利用所述右分支网络中的所述Transformer模块对所述第三特征图进行注意力变换处理,得到第四特征图;
利用所述左分支网络中的所述注意力机制模块对所述第一特征图进行自适应通道重要性调整处理,得到第五特征图;
利用所述左分支网络中的所述尺度网络对所述第一特征图和所述第五特征图进行所述点乘运算,得到第六特征图;
将所述四特征图和所述第六特征图相加,得到所述眼周注意力网络最终输出的第七特征图。
6.根据权利要求5所述的方法,其特征在于,利用所述右分支网络中的所述遮挡感知网络对所述第一特征图进行自适应遮挡感知处理,得到第二特征图,包括:
利用所述全局平均池化层对所述第一特征图进行池化处理,得到第八特征图;
利用第一全连接层和第一激活层依次对所述第八特征图进行特征压缩处理和激活处理,得到第九特征图;
利用第二全连接层和第二激活层依次对所述第九特征图进行特征激励处理和所述激活处理,得到所述第二特征图;
其中,所述全连接层,包括:所述第一全连接层和所述第二全连接层,所述激活层,包括:所述第一激活层和所述第二激活层。
7.根据权利要求5所述的方法,其特征在于,包括:
当该阶段网络为所述第二阶段网络,则所述第七特征图为所述第三阶段网络的输入;
当该阶段网络为所述第三阶段网络,则所述第七特征图为所述第四阶段网络的输入;
当该阶段网络为所述第四阶段网络,则所述第七特征图为所述人脸识别模型最终处理得到的特征图。
8.一种存在遮挡的人脸识别装置,其特征在于,包括:
第一构建模块,被配置为利用全局平均池化层、全连接层和激活层构建遮挡感知网络;
第二构建模块,被配置为利用所述遮挡感知网络、尺度网络和Transformer模块构建右分支网络,利用注意力机制模块和所述尺度网络构建左分支网络,利用所述构建右分支网络和所述左分支网络构建眼周注意力网络;
第三构建模块,被配置为分别在残差网络模型的第二阶段网络、第三阶段网络和第四阶段网络之后插入所述眼周注意力网络,得到人脸识别模型;
人脸识别模块,被配置为对所述人脸识别模型进行训练,利用训练好的人脸识别模型进行人脸识别。
9.一种电子设备,包括存储器、处理器以及存储在所述存储器中并且可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310027083.2A CN116030520A (zh) | 2023-01-09 | 2023-01-09 | 存在遮挡的人脸识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310027083.2A CN116030520A (zh) | 2023-01-09 | 2023-01-09 | 存在遮挡的人脸识别方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116030520A true CN116030520A (zh) | 2023-04-28 |
Family
ID=86090939
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310027083.2A Pending CN116030520A (zh) | 2023-01-09 | 2023-01-09 | 存在遮挡的人脸识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116030520A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116935167A (zh) * | 2023-09-12 | 2023-10-24 | 深圳须弥云图空间科技有限公司 | 目标追踪模型的训练方法及装置 |
-
2023
- 2023-01-09 CN CN202310027083.2A patent/CN116030520A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116935167A (zh) * | 2023-09-12 | 2023-10-24 | 深圳须弥云图空间科技有限公司 | 目标追踪模型的训练方法及装置 |
CN116935167B (zh) * | 2023-09-12 | 2024-05-10 | 深圳须弥云图空间科技有限公司 | 目标追踪模型的训练方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11163991B2 (en) | Method and apparatus for detecting body | |
US10650492B2 (en) | Method and apparatus for generating image | |
CN111369427B (zh) | 图像处理方法、装置、可读介质和电子设备 | |
CN116403250A (zh) | 存在遮挡的人脸识别方法及装置 | |
CN114399589A (zh) | 三维车道线生成方法、装置、电子设备和计算机可读介质 | |
CN115272182B (zh) | 车道线检测方法、装置、电子设备和计算机可读介质 | |
CN116030520A (zh) | 存在遮挡的人脸识别方法及装置 | |
CN116385328A (zh) | 基于为图像添加噪声的图像数据增强方法及装置 | |
CN114420135A (zh) | 基于注意力机制的声纹识别方法及装置 | |
CN116612500B (zh) | 行人重识别模型训练方法及装置 | |
CN115953803A (zh) | 人体识别模型的训练方法及装置 | |
CN116129501A (zh) | 人脸位姿估计方法及装置 | |
CN116258915B (zh) | 多个目标部位联合检测的方法及装置 | |
CN115984783B (zh) | 人群计数方法及装置 | |
CN116912631B (zh) | 目标识别方法、装置、电子设备及存储介质 | |
CN115147871B (zh) | 遮挡环境下行人再识别方法 | |
CN114393583B (zh) | 通过机器人控制设备的方法及装置 | |
CN117392731B (zh) | 表情识别模型的训练方法和装置 | |
CN116630639B (zh) | 对象图像的识别方法及装置 | |
CN114863025B (zh) | 三维车道线生成方法、装置、电子设备和计算机可读介质 | |
CN116630436B (zh) | 相机外参修正方法、装置、电子设备和计算机可读介质 | |
CN117372685B (zh) | 目标检测方法、装置、电子设备及存储介质 | |
CN112991415B (zh) | 深度信息确定方法、装置、电子设备和存储介质 | |
CN115830691A (zh) | 人脸识别模型的训练方法及装置 | |
CN115862117A (zh) | 存在遮挡的人脸识别方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |