基于深度学习模型的跨年龄式人脸识别系统

本发明涉及计算机视觉在人脸智能识别领域的应用，具体为基于深度学习模型的跨年龄式人脸识别系统。

背景技术：

1、人脸识别技术在日常生活中有着广泛的应用，是计算机视觉技术的重要组成部分，随着近年来计算机视觉技术的快速发展，人脸识别技术也在不断的突破创新，跨年龄人脸识别作为人脸识别的重要组成部分也得到发展应用。但是回顾过往的跨年龄人脸识别方法，不难发现大多数并不适用于处理黄种人年龄变化显著的人脸识别，此外早期研究主要关注于将传统的人脸识别方法适配于跨年龄人脸识别系统当中，例如依赖于手工模型制作特征方法和基于传统机器学习的方法等，通过图像处理技术提取特征来匹配人脸，但这些传统方法在跨年龄任务中不仅存在准确度低的情况，而且还受限于人工特征的设计，存在一系列问题。而aifr技术在针对失踪儿童的寻找，海关护照检测以及识别多年潜逃犯等方面的应用有着广阔的发展前景。因此一个适用于我国国情的人脸识别系统的出现有着至关重要的作用。

技术实现思路

1、本发明为了解决现有的跨年龄人脸识别方法由于人种差异而准确率下降不具备高普适性的问题，提出了基于深度学习模型的跨年龄式人脸识别系统。

2、基于深度学习模型的跨年龄式人脸识别系统，包括视频输入设备，如摄像头；以计算机为基础的用户数据存储和后台处理设备，将视频输入设备与后台的数据存储和后台处理设备连接，数据存储和后台处理设备中有网络模型。

3、本发明所述的基于深度学习模型的跨年龄式人脸识别系统，其识别方法包括以下步骤：

4、第一步：基于视频输入设备的数据收集阶段：当目标人员出现在视频输入设备前时，视频输入设备将会把人脸图像传输到数据存储和后台处理设备中，进而准备下一步操作。

5、第二步：基于现有的retinaface的人脸检测阶段。将视频输入设备视频中的人脸数据传入到retinaface中，retinaface中特征金字塔网络（fpn）提取人脸数据的特征并输出，ssh网络对输出的特征层加强特征提取，然后从特征中获取到预测结果，最后采用非极大抑制（nms）去除预测结果中冗余的预测框；对预测结果进行调整修正，最后截选出需要的待识别人脸数据。

6、第三步：对待识别人脸数据预处理：对待识别人脸数据清洗和数据一致化，最终排除不符合标准的人脸数据。

7、第四步：将预处理后的待识别人脸数据输入至网络模型中，通过预先训练的网络模型实现待检测人脸的跨年龄人脸识别。

8、上述的基于深度学习模型的跨年龄式人脸识别系统，预处理的具体过程为：

9、1、清洗：将待识别人脸数据中的不符合规范的数据进行选择性删除或修复。

10、2、数据一致化：将数据中心化和归一化，即通过平移和缩放对数据进行一致化处理，去除数据的单位限制。

11、上述的基于深度学习模型的跨年龄式人脸识别系统，第四步的具体过程为：通过预先训练的网络模型将待识别人脸数据与后台跨年龄人脸数据库中数据进行对比，根据网络模型计算出的待识别人脸数据的特征向量和后台人脸数据的特征向量进行相似度计算，得到相似度差值；设定阈值，若所有的相似度差值都高于设定的阈值，则无法识别出该待识别人脸数据，若有相似度差值小于设定的阈值，则筛选出最小的相似度差值对应的后台人脸数据，待识别人脸数据与该后台人脸数据匹配，完成人脸识别。

12、上述的基于深度学习模型的跨年龄式人脸识别系统，系统的网络模型选用resnet-50网络模型，且对resnet-50网络模型进行了改进，将原有的首个7*7卷积层替换为3*3卷积层（步长为1），并在原有网络上增加了两种不同的注意力机制，选用arcface loss作为损失函数，将每个类之间的特征距离拉大且增大类内相似性。深层的网络模型训练中，在保证正确率高的同时，减少网络参数， 降低训练时间，实现高精度、高时效的跨年龄人脸识别。利用注意力机制对网络模型进行相关改进，后又结合arcface loss损失函数使分类结果更加有效，逐渐使跨年龄人脸识别模型趋近于高精度、高稳定性。

13、上述的的基于深度学习模型的跨年龄式人脸识别系统，包括以下步骤：

14、resnet-50网络模型的训练使用自制数据集，且将自制数据集按3：7的比例分为测试集和训练集。

15、上述的基于深度学习模型的跨年龄式人脸识别系统，后台跨年龄人脸数据库中包括不同年龄段的人脸数据。

16、本发明提供了基于深度学习模型resnet-50的跨年龄式人脸识别系统，本系统在视频监控中指向性锁定目标人脸完成高精度的跨年龄人脸识别，提高了该人脸识别系统的普适性及精确率。在进行不同年龄跨度的人脸识别中，该系统会自动检索出与之相似性最高的人脸。

技术特征：

1.基于深度学习模型的跨年龄式人脸识别系统，其特征在于：包括视频输入设备和数据存储和后台处理设备，将视频输入设备与数据存储和后台处理设备连接；该系统识别方法包括以下步骤：

2.根据权利要求1所述的基于深度学习模型的跨年龄式人脸识别系统，其特征在于：预处理的具体过程为：

3.根据权利要求2所述的基于深度学习模型的跨年龄式人脸识别系统，其特征在于：第四步的具体过程为：通过预先训练的网络模型将待识别人脸数据与后台跨年龄人脸数据库中数据进行对比，根据网络模型计算出的待识别人脸数据的特征向量和后台人脸数据的特征向量进行相似度计算，得到相似度差值；设定阈值，若所有的相似度差值都高于设定的阈值，则无法识别出该待识别人脸数据，若有相似度差值小于设定的阈值，则筛选出最小的相似度差值对应的后台人脸数据，待识别人脸数据与该后台人脸数据匹配，完成人脸识别。

4.根据权利要求3所述的基于深度学习模型的跨年龄式人脸识别系统，其特征在于：网络模型选用resnet-50网络模型，且对resnet-50网络模型进行了改进，将原有的首个7*7卷积层替换为3*3卷积层，并增加了通道注意力机制和空间注意力机制，选用arcface loss作为损失函数，将每个类之间的特征距离拉大且增大类内相似性。

5.根据权利要求3或4所述的基于深度学习模型的跨年龄式人脸识别系统，其特征在于：包括以下步骤：resnet-50网络模型的训练使用自制数据集，且将自制数据集按3：7的比例分为测试集和训练集。

6.根据权利要求3或4所述的基于深度学习模型的跨年龄式人脸识别系统，其特征在于：后台跨年龄人脸数据库中包括不同年龄段的人脸数据。

技术总结
本发明涉及计算机视觉在人脸智能识别领域的应用，具体为基于深度学习模型的跨年龄式人脸识别系统，该系统识别方法包括以下步骤：基于视频输入设备的数据收集阶段：视频输入设备将会把人脸图像传输到数据存储和后台处理设备中；基于Retinaface的人脸检测阶段：将视频输入设备视频中的人脸数据传入到Retinaface中，截选出需要的待识别人脸数据；对待识别人脸数据预处理：对待识别人脸数据清洗和数据一致化，最终排除不符合标准的人脸数据；将预处理后的待识别人脸数据输入至网络模型中，通过预先训练的网络模型实现待检测人脸的跨年龄人脸识别。本系统在视频监控中指向性锁定目标人脸完成高精度的跨年龄人脸识别，提高了该人脸识别系统的普适性及精确率。

技术研发人员：朱飑凯,张照杰,鲍玉奥,胡欣茹,白漫雯,申煜榕,曹敏,刘三满
受保护的技术使用者：山西警察学院
技术研发日：
技术公布日：2024/1/13