申请/专利权人：浙江工业大学

申请日：2020-06-05

公开（公告）日：2024-03-26

公开（公告）号：CN111950340B

主分类号：G06V40/16

分类号：G06V40/16;G06V10/26;G06N3/0464;G06N3/08;G06T7/11

优先权：

专利状态码：有效-授权

法律状态：2024.03.26#授权;2020.12.04#实质审查的生效;2020.11.17#公开

摘要：一种适用于戴口罩的人脸卷积神经网络特征表达学习和提取方法，收集标注口罩区域的人脸图像集，训练口罩分割语义模型Ms，其功能是为人脸图像的每个像素点标记口罩区域或非口罩区域标签；输入人脸图像I，用Ms对I进行语义分割得到I对应的语义矩阵S；根据语义矩阵S计算掩膜矩阵M；确定人脸卷积神经网络模型Mf；根据分类层fI结果与人脸ID计算损失函数的值，反向传播更新神经网络模型参数，迭代更新直至收敛。本发明对通用人脸识别器适应能力较强、数据成本较低。

主权项：1.一种适用于戴口罩的人脸卷积神经网络特征表达学习和提取方法，其特征在于，所述方法包括以下步骤：步骤1收集标注口罩区域的人脸图像集，训练口罩分割语义模型Ms，其功能是为人脸图像的每个像素点标记口罩区域或非口罩区域标签；步骤2输入尺寸为M×N的人脸图像I，对I进行语义分割，对人脸图像的像素点Ix,y分类，x＝1,2,…,M；y＝1,2,…,n，得到I对应的语义矩阵S，S上的点Sx,y定义如下： 步骤3定义尺寸为M×N的掩膜矩阵M，点Mx,y计算如下： 其中， 步骤4修改卷积神经网络各卷积层输入，选择一个深度学习网络结构作为人脸卷积神经网络模型Mf，假设Mf有J个卷积层，符号记为{CNNiXi}i＝1,…,J4其中，CNNi表示第i个卷积层，包括卷积、归一化和激活操作，Xi为第i个卷积层的输入，有如下两个关系：X1＝I5Xj＝CNNiXi6式6中j和i的关系由卷积神经网络模型的网络结构决定；将M执行最大池化操作得到掩膜矩阵集合{Mi}i＝1,…,J，与Mf的各卷积层{CNNi}i＝1,…,J输入尺寸一一对应,用{Mi}i＝1,…,J对{Xi}i＝1,…,J进行如下修改： Mf的J个卷积层修改为： Mf的全连接层、分类层不变，将修改后的卷积层的新输出结果作为输入即可，原全连接层FC表示为：FCI＝F{CNNiXi}i＝1,…,J9修改卷积层后，全连接层FC表示为： 其中，函数F是全卷积层的符号表达；原分类层输出表示为：fI＝fFCI＝fF{CNNiXi}i＝1,…,J11修改卷积层后，分类层输出表示为： 其中，函数f是分类层的符号表达，全连接层数据FCI即为输入人脸图像的特征表达，如果需要学习人脸卷积神经网络模型的参数，转向步骤5；步骤5根据分类层fI结果与人脸ID的损失函数，反向传播更新神经网络模型参数，执行步骤1至步骤4，直至收敛。

全文数据：

权利要求：

百度查询： 浙江工业大学 一种适用于戴口罩的人脸卷积神经网络特征表达学习和提取方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD