CN112464897B - 一种电力作业人员甄别方法和装置 - Google Patents

Abstract

本发明公开了一种电力作业人员甄别方法和装置，方法包括：接收待识别人脸图像；对待识别人脸图像进行图像预处理，生成多个不同尺度的待识别图像矩阵；将多个待识别图像矩阵分别输入到目标人脸特征提取模型，输出每个待识别图像矩阵分别对应的人脸特征数据；其中，目标人脸特征提取模型通过预置的模型训练过程所生成，人脸特征数据包括人脸特征相似度；基于每个人脸特征相似度是否达到预设阈值的比对结果，确定待识别人脸图像对应的人员是否具备工作资质。有效提高在复杂环境下人员甄选的准确度，防止安全隐患的发生。

Description

一种电力作业人员甄别方法和装置

技术领域

本发明涉及人员识别技术领域，尤其涉及一种电力作业人员甄别方法和装置。

背景技术

随着社会经济的快速发展和科技水平的不断提升，近年来我国电力事业得到了迅猛发展，在电力生产过程，对作业人员有严格的要求，需要审查现场作业人员是否具备工作资质。

在实时作业过程中，需要监控作业现场是否有无资质人员出入，如发现无资质人员及时发出报警并将人员的图像进行记录。但在电力生产过程，现场作业人员多在野外工作，现场光照情况变化无常、工作环境千差万别、工作位置时刻变化、人体姿态不断变化，这对人脸检测、识别算法提出了严苛的要求，尤其是遇到人员面部发生：大角度变化、表情变化、大面积遮挡、尺寸大范围变化等问题时，现有人脸视频监控技术的识别率会大大降低，进而导致人员甄别的准确度降低，可能导致安全隐患。

发明内容

本发明提供了一种电力作业人员甄别方法和装置，解决了现有人脸视频监控技术的识别率由于环境复杂而降低，进而导致人员甄别的准确度降低，可能导致安全隐患的技术问题。

本发明提供的一种电力作业人员甄别方法，包括：

接收待识别人脸图像；

对所述待识别人脸图像进行图像预处理，生成多个不同尺度的待识别图像矩阵；

将多个所述待识别图像矩阵分别输入到目标人脸特征提取模型，输出每个所述待识别图像矩阵分别对应的人脸特征数据；其中，所述目标人脸特征提取模型通过预置的模型训练过程所生成，所述人脸特征数据包括人脸特征相似度；

基于每个所述人脸特征相似度是否达到预设阈值的比对结果，确定所述待识别人脸图像对应的人员是否具备工作资质。

可选地，所述对所述待识别人脸图像进行图像预处理，生成多个不同尺度的待识别图像矩阵的步骤，包括：

对所述待识别人脸图像进行裁剪，得到多个不同尺度的第一图像矩阵；

按照预设要求对多个所述第一图像矩阵分别执行图像翻转操作，得到多个第二图像矩阵；

对多个所述第二图像矩阵分别执行图像标准化操作和图像归一化操作，生成多个不同尺度的待识别图像矩阵。

可选地，所述模型训练过程包括：

分别获取多种历史电力作业场景中的人脸图像；

对所述人脸图像进行图像预处理，生成多个不同尺度的历史人脸图像矩阵；

将多个所述历史人脸图像矩阵输入到预置的初始人脸特征提取模型，得到多个历史人脸图像相似度；

基于多个所述历史人脸图像相似度和预置权值，确定人脸综合损失函数；

采用所述人脸综合损失函数训练所述初始人脸特征提取模型，得到目标人脸特征提取模型。

可选地，所述预置权值包括第一权值和第二权值，所述基于多个所述历史人脸图像相似度和预置权值，确定人脸综合损失函数的步骤，包括：

从多个所述历史人脸图像相似度中选择第一相似度和第二相似度；

基于所述第一相似度和所述第一权值，确定所述历史人脸图像矩阵的第一类相似度累加值；

基于所述第二相似度和所述第二权值，确定所述历史人脸图像矩阵的第二类相似度累加值；

根据所述第一类相似度累加值和所述第二类相似度累加值，确定所述人脸综合损失函数。

可选地，所述基于每个所述人脸特征相似度是否达到预设阈值的比对结果，确定所述待识别人脸图像对应的人员是否具备工作资质的步骤，包括：

若每个所述人脸特征相似度中任一个达到预设阈值，则确定所述待识别人脸图像对应的人员具备工作资质；

若每个所述人脸特征相似度中均未达到所述预设阈值，则确定所述待识别人脸图像对应的人员不具备工作资质。

本发明还提供了一种电力作业人员甄别装置，包括：

图像接收模块，用于接收待识别人脸图像；

图像预处理模块，用于对所述待识别人脸图像进行图像预处理，生成多个不同尺度的待识别图像矩阵；

人脸特征数据输出模块，用于将多个所述待识别图像矩阵分别输入到目标人脸特征提取模型，输出每个所述待识别图像矩阵分别对应的人脸特征数据；其中，所述目标人脸特征提取模型通过预置的模型训练模块所生成，所述人脸特征数据包括人脸特征相似度；

工作资质判断模块，用于基于每个所述人脸特征相似度是否达到预设阈值的比对结果，确定所述待识别人脸图像对应的人员是否具备工作资质。

可选地，所述图像预处理模块，包括：

图像裁剪子模块，用于对所述待识别人脸图像进行裁剪，得到多个不同尺度的第一图像矩阵；

图像翻转子模块，用于按照预设要求对多个所述第一图像矩阵分别执行图像翻转操作，得到多个第二图像矩阵；

图像标准化子模块，用于对多个所述第二图像矩阵分别执行图像标准化操作和图像归一化操作，生成多个不同尺度的待识别图像矩阵。

可选地，所述模型训练模块包括：

历史人脸图像获取子模块，用于分别获取多种历史电力作业场景中的人脸图像；

图像预处理子模块，用于对所述人脸图像进行图像预处理，生成多个不同尺度的历史人脸图像矩阵；

历史人脸图像相似度确定子模块，用于将多个所述历史人脸图像矩阵输入到预置的初始人脸特征提取模型，得到多个历史人脸图像相似度；

综合损失函数确定子模块，用于基于多个所述历史人脸图像相似度和预置权值，确定人脸综合损失函数；

模型训练子模块，用于采用所述人脸综合损失函数训练所述初始人脸特征提取模型，得到目标人脸特征提取模型。

可选地，所述预置权值包括第一权值和第二权值，所述综合损失函数确定子模块包括：

相似度获取单元，用于从多个所述历史人脸图像相似度中选择第一相似度和第二相似度；

第一累加单元，用于基于所述第一相似度和所述第一权值，确定所述历史人脸图像矩阵的第一类相似度累加值；

第二累加单元，用于基于所述第二相似度和所述第二权值，确定所述历史人脸图像矩阵的第二类相似度累加值；

人脸综合损失函数确定单元，用于根据所述第一类相似度累加值和所述第二类相似度累加值，确定所述人脸综合损失函数。

可选地，所述工作资质判断模块包括：

第一判定子模块，用于若每个所述人脸特征相似度中任一个达到预设阈值，则确定所述待识别人脸图像对应的人员具备工作资质；

第二判定子模块，用于若每个所述人脸特征相似度中均未达到所述预设阈值，则确定所述待识别人脸图像对应的人员不具备工作资质。

从以上技术方案可以看出，本发明具有以下优点：

本发明通过接收待识别人脸图像，对待识别人脸图像进行图像预处理，以得到多个不同尺度的待识别图像矩阵，将多个待识别图像矩阵分别输入到目标人脸特征提取模型，以输出每个尺度的待识别图像矩阵分别对应的人脸特征相似度，最后基于人脸特征相似度是否大于预设阈值的比对结果，确定待识别人脸图像对应的人员是否具备工作资质。从而解决现有人脸视频监控技术的识别率由于环境复杂而降低，进而导致人员甄别的准确度降低，可能导致安全隐患的技术问题，有效提高在复杂环境下人员甄选的准确度，防止安全隐患的发生。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，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发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。

图1为本发明实施例一提供的一种电力作业人员甄别方法的步骤流程图；

图2为本发明实施例二提供的一种电力作业人员甄别方法的步骤流程图；

图3为本发明实施例二中的人脸综合损失函数的计算流程图；

图4为本发明实施例三提供的一种电力作业监管平台的结构示意图；

图5为本发明实施例四提供的一种电力作业人员甄别装置的结构框图。

具体实施方式

本发明实施例提供了一种电力作业人员甄别方法和装置，用于解决现有人脸视频监控技术的识别率由于环境复杂而降低，进而导致人员甄别的准确度降低，可能导致安全隐患的技术问题。

为使得本发明的发明目的、特征、优点能够更加的明显和易懂，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

请参阅图1，图1为本发明实施例一提供的一种电力作业人员甄别方法的步骤流程图。

本发明提供的一种电力作业人员甄别方法，包括：

步骤101，接收待识别人脸图像；

待识别人脸图像指的是在电力作业场景中存在作业人员脸部的图像。

在本发明实施例中，在电力作业场景中通常具有对应的监控设备例如摄像头，以确保电力作业场景的安全性，为确定作业人员是否具有对应的工作资质，可以从监控视频流中采用目标检测算法获取待识别人脸图像，以确定存在目标作业人员脸部的图像。

可选地，还可以预定周期为获取时刻，周期性获取待识别人脸图像。

值得一提的是，具体从视频流中获取到待识别人脸图像所使用的目标检测算法在本发明实施例中并不限制。

步骤102，对所述待识别人脸图像进行图像预处理，生成多个不同尺度的待识别图像矩阵；

在获取到待识别人脸图像后，可以对待识别人脸图像进行图像预处理，以得到例如不同光照不同场景不同角度下的待识别图像矩阵，而为进一步提高检测精度，可以不同尺度对待识别人脸图像进行图像预处理，获取到多个不同尺度的待识别图像矩阵。

步骤103，将多个所述待识别图像矩阵分别输入到目标人脸特征提取模型，输出每个所述待识别图像矩阵分别对应的人脸特征数据；

其中，所述目标人脸特征提取模型通过预置的模型训练过程所生成，所述人脸特征数据包括人脸特征相似度；

在具体实现中，通过模型训练过程生成目标人脸特征提取模型，将多个不同尺度的待识别图像矩阵分别输入到目标人脸特征提取模型，以输出每个所述待识别图像矩阵分别对应的人脸特征数据。

值得一提的是，人脸特征数据包括但不限于以下特征：人脸特征相似度、人像图像置信度和人脸的框坐标等数据。

步骤104，基于每个所述人脸特征相似度是否达到预设阈值的比对结果，确定所述待识别人脸图像对应的人员是否具备工作资质。

在获取到人脸特征相似度后，采用人脸特征相似度与预设阈值进行比对，判断人脸特征相似度是否能够达到预设阈值，从而确定待识别人脸图像对应的人员是否具备工作资质。

在本发明实施例中，本发明接收待识别人脸图像，对待识别人脸图像进行图像预处理，以得到多个不同尺度的待识别图像矩阵，将多个待识别图像矩阵分别输入到目标人脸特征提取模型，以输出每个尺度的待识别图像矩阵分别对应的人脸特征相似度，最后基于人脸特征相似度是否大于预设阈值的比对结果，确定待识别人脸图像对应的人员是否具备工作资质。从而解决现有人脸视频监控技术的识别率由于环境复杂而降低，进而导致人员甄别的准确度降低，可能导致安全隐患的技术问题，有效提高在复杂环境下人员甄选的准确度，防止安全隐患的发生。

请参阅图2，图2为本发明实施例二提供的一种电力作业人员甄别方法的步骤流程图。

本发明提供的一种电力作业人员甄别方法，包括：

步骤201，接收待识别人脸图像；

步骤202，对所述待识别人脸图像进行裁剪，得到多个不同尺度的第一图像矩阵；

在本发明实施例中，对接收到的待识别人脸图像进行裁剪，以获取到具有人员脸部的图像，而为了进一步提高图像识别的精度，可以从多个不同尺度对人员脸部图像进行进一步提取，以获取到多个不同尺度的第一图像矩阵。

步骤203，按照预设要求对多个所述第一图像矩阵分别执行图像翻转操作，得到多个第二图像矩阵；

在获取到多个不同尺度的第一图像矩阵后，可以通过opencv的flip函数，对图片进行左右翻转或者上下翻转，以输出适合于图片识别的多个第二图像矩阵。

步骤204，对多个所述第二图像矩阵分别执行图像标准化操作和图像归一化操作，生成多个不同尺度的待识别图像矩阵。

在得到第二图像矩阵后，对第二图像矩阵可以采用零均值规范处理以实现图像标准化操作，再对图像标准化后的图像矩阵进行图像归一化操作，将图像矩阵转换为[-1，1]的浮点型矩阵，以得到不同尺寸的待识别图像矩阵。

零均值规范处理指的是采用图像矩阵中的每个变量减去它们的均值。

图像归一化操作指的是采用图像矩阵中的每个变量减去它们的均值，再除以标准差。

步骤205，将多个所述待识别图像矩阵分别输入到目标人脸特征提取模型，输出每个所述待识别图像矩阵分别对应的人脸特征数据；

其中，所述目标人脸特征提取模型通过预置的模型训练过程所生成，所述人脸特征数据包括人脸特征相似度；

可选地，所述模型训练过程可以包括以下子步骤S1-S5：

S1、分别获取多种历史电力作业场景中的人脸图像；

S2、对所述人脸图像进行图像预处理，生成多个不同尺度的历史人脸图像矩阵；

S3、将多个所述历史人脸图像矩阵输入到预置的初始人脸特征提取模型，得到多个历史人脸图像相似度；

可选地，初始人脸特征提取模型是由SE-ResNeXt Module、Dense Module等组成的骨干神经网络构建而成。并融合数据增强技术和锚设计策略，以提高在不同尺度、背景、照明下人脸检测的准确度。

在本发明实施例中，可以分别获取多种历史电力作业场景中的人脸图像，例如不同光照或不同角度等电力作业场景下的人脸图像，对人脸图像进行图像预处理，也就是对图像进行标准化、归一化等操作后，以生成多种不同尺度的历史人脸图像矩阵，将多个所述历史人脸图像矩阵输入到预置的初始人脸特征提取模型，得到多个历史人脸图像相似度。

其中，图像预处理的具体实施过程与上述步骤202-204相同，在此不再赘述。

S4、基于多个所述历史人脸图像相似度和预置权值，确定人脸综合损失函数；

进一步地，所述预置权值包括第一权值和第二权值，步骤S4可以包括以下子步骤：

从多个所述历史人脸图像相似度中选择第一相似度和第二相似度；

基于所述第一相似度和所述第一权值，确定所述历史人脸图像矩阵的第一类相似度累加值；

基于所述第二相似度和所述第二权值，确定所述历史人脸图像矩阵的第二类相似度累加值；

根据所述第一类相似度累加值和所述第二类相似度累加值，确定所述人脸综合损失函数。

如图3所示，在本发明的一个示例中，人脸综合损失函数进行以下步骤计算：

第一相似度S1送到第一乘法器模块301的第一输入端、第一相似度的第一权系数α1送到第一乘法器模块301的第一输入端，

第二相似度S2送到第二乘法器模块302的第一输入端、第二相似度的第二权系数α2送到第二乘法器模块302的第二输入端、

设定值模块303将数值-1送到第二乘法器模块302的第3输入端；

第一乘法器模块301将第一相似度乘以其权系数得到的数值接到第一指数计算模块304的输入端，第二乘法器模块302将第二相似度乘以其权系数得到的数值取负接到第二指数计算模块305的输入端，完成对两类相似度的指数运算；

第一指数计算模块304的输出接到第一累加计算模块306的输入端，进行图片第一相似度全矩阵数值的累加计算，第二指数计算模块305的输出接到第二累加计算模块307的输入端，进行图片第二相似度全矩阵数值的累加计算；

第一累加计算模块306的输出接到第3乘法器模块308的第一输入端，第二累加计算模块307的输出接到第3乘法器模块308的第二输入端；

第3乘法器模块的输出接到第一加法器模块309的第一输入端，设定值模块310将数值+1送到第一加法器模块309的第二输入端；

第一加法器模块309计算出的综合值送到第一自然对数模块311，对以上计算出的综合数值进行对数运算，这样就计算出了各图形相似度的人脸综合损失函数。

S5、采用所述人脸综合损失函数训练所述初始人脸特征提取模型，得到目标人脸特征提取模型。

在本发明的另一个示例中，可以采用人脸综合损失函数代入到反向传播算法调整初始人体着装特征矩阵提取网络的整体参数，计算初始人体着装特征矩阵提取网络的输出并持续计算跟踪目标值，直至跟踪目标值等于优化目标值，完成整体参数调整。

所述反向传播算法可以但不限于为双约束目标神经网络自寻优估计方法。

步骤206，基于每个所述人脸特征相似度是否达到预设阈值的比对结果，确定所述待识别人脸图像对应的人员是否具备工作资质。

在本发明的一个示例中，步骤206还可以包括以下子步骤：

若每个所述人脸特征相似度中任一个达到预设阈值，则确定所述待识别人脸图像对应的人员具备工作资质；

若每个所述人脸特征相似度中均未达到所述预设阈值，则确定所述待识别人脸图像对应的人员不具备工作资质。

在本发明实施例中，通过接收待识别人脸图像，对待识别人脸图像进行图像预处理，以得到多个不同尺度的待识别图像矩阵，将多个待识别图像矩阵分别输入到目标人脸特征提取模型，以输出每个尺度的待识别图像矩阵分别对应的人脸特征相似度，最后基于人脸特征相似度是否大于预设阈值的比对结果，确定待识别人脸图像对应的人员是否具备工作资质。从而解决现有人脸视频监控技术的识别率由于环境复杂而降低，进而导致人员甄别的准确度降低，可能导致安全隐患的技术问题，有效提高在复杂环境下人员甄选的准确度，防止安全隐患的发生。

请参阅图4，图4为本发明实施例三提供的一种电力作业监管平台的结构示意图。

其中包括物理资源层401、调度管理层402、训练环境层403、业务应用层404，确保智能识别算法可正常稳定运行，并移植到边缘侧终端上，为用户提供模型训练、预测、评估和部署的全生命周期管理功能。

物理资源层401包括异构的计算硬件(CPU、GPU)、存储、网络设备、安全防护设备。

调度管理层402基于Kubernetes和docker开发，包含集群管理、资源虚拟化和任务调度等。

训练环境层403是以docker的形式提供的服务，包括主流学习框架TensorFlow、PyTorch、Caffe、scikit-learn、XGBoost等机器学习/深度学习环境，同时集成JupyterHub等交互式代码调试笔记本和MPI并行编程接口。***运行环境和学习环境通过docker仓库进行版本的迭代管理。

业务应用层404包括数据处理、数据标注、模型训练、模型发布。

模型训练模块基于各个机器学习、深度学习训练环境，通过预先编写好的训练脚本，配置好参数后挂起训练。整个训练流程由后台搭建的管道(pipeline)自动完成，围绕数据处理、数据标注、训练、模型管理流程展开模型生产。模型训练通过docker预置TensorFlow、PyTorch、Caffe、scikit-learn、XGBoost等学习环境。利用任务调度***，用户可以向集群提交学习任务代码，任务管理***将根据用户的配额为用户分配资源，创建用户指定的环境，并将学习任务加入任务队列，待资源空闲时，运行学习程序。用户可一键提交代码，生成分布式任务，极大减少开发成本和资源占用。

请参阅图5，图5为本发明实施例四提供的一种电力作业人员甄别装置的结构框图。

本发明还提供了一种电力作业人员甄别装置，包括：

图像接收模块501，用于接收待识别人脸图像；

图像预处理模块502，用于对所述待识别人脸图像进行图像预处理，生成多个不同尺度的待识别图像矩阵；

人脸特征数据输出模块503，用于将多个所述待识别图像矩阵分别输入到目标人脸特征提取模型，输出每个所述待识别图像矩阵分别对应的人脸特征数据；其中，所述目标人脸特征提取模型通过预置的模型训练模块504所生成，所述人脸特征数据包括人脸特征相似度；

工作资质判断模块505，用于基于每个所述人脸特征相似度是否达到预设阈值的比对结果，确定所述待识别人脸图像对应的人员是否具备工作资质。

可选地，所述图像预处理模块502，包括：

图像裁剪子模块，用于对所述待识别人脸图像进行裁剪，得到多个不同尺度的第一图像矩阵；

图像翻转子模块，用于按照预设要求对多个所述第一图像矩阵分别执行图像翻转操作，得到多个第二图像矩阵；

图像标准化子模块，用于对多个所述第二图像矩阵分别执行图像标准化操作和图像归一化操作，生成多个不同尺度的待识别图像矩阵。

可选地，所述模型训练模块504包括：

历史人脸图像获取子模块，用于分别获取多种历史电力作业场景中的人脸图像；

图像预处理子模块，用于对所述人脸图像进行图像预处理，生成多个不同尺度的历史人脸图像矩阵；

历史人脸图像相似度确定子模块，用于将多个所述历史人脸图像矩阵输入到预置的初始人脸特征提取模型，得到多个历史人脸图像相似度；

综合损失函数确定子模块，用于基于多个所述历史人脸图像相似度和预置权值，确定人脸综合损失函数；

模型训练子模块，用于采用所述人脸综合损失函数训练所述初始人脸特征提取模型，得到目标人脸特征提取模型。

可选地，所述预置权值包括第一权值和第二权值，所述综合损失函数确定子模块包括：

相似度获取单元，用于从多个所述历史人脸图像相似度中选择第一相似度和第二相似度；

第一累加单元，用于基于所述第一相似度和所述第一权值，确定所述历史人脸图像矩阵的第一类相似度累加值；

第二累加单元，用于基于所述第二相似度和所述第二权值，确定所述历史人脸图像矩阵的第二类相似度累加值；

人脸综合损失函数确定单元，用于根据所述第一类相似度累加值和所述第二类相似度累加值，确定所述人脸综合损失函数。

可选地，所述工作资质判断模块505包括：

第一判定子模块，用于若每个所述人脸特征相似度中任一个达到预设阈值，则确定所述待识别人脸图像对应的人员具备工作资质；

第二判定子模块，用于若每个所述人脸特征相似度中均未达到所述预设阈值，则确定所述待识别人脸图像对应的人员不具备工作资质。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，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发明各实施例技术方案的精神和范围。

Claims (6)

1.一种电力作业人员甄别方法，其特征在于，包括：

接收待识别人脸图像；

对所述待识别人脸图像进行图像预处理，生成多个不同尺度的待识别图像矩阵；

将多个所述待识别图像矩阵分别输入到目标人脸特征提取模型，输出每个所述待识别图像矩阵分别对应的人脸特征数据；其中，所述目标人脸特征提取模型通过预置的模型训练过程所生成，所述人脸特征数据包括人脸特征相似度；

基于每个所述人脸特征相似度是否达到预设阈值的比对结果，确定所述待识别人脸图像对应的人员是否具备工作资质；

所述模型训练过程包括：

分别获取多种历史电力作业场景中的人脸图像；

对所述人脸图像进行图像预处理，生成多个不同尺度的历史人脸图像矩阵；

将多个所述历史人脸图像矩阵输入到预置的初始人脸特征提取模型，得到多个历史人脸图像相似度；

基于多个所述历史人脸图像相似度和预置权值，确定人脸综合损失函数；

采用所述人脸综合损失函数训练所述初始人脸特征提取模型，得到目标人脸特征提取模型；

所述预置权值包括第一权值和第二权值，所述基于多个所述历史人脸图像相似度和预置权值，确定人脸综合损失函数的步骤，包括：

从多个所述历史人脸图像相似度中选择第一相似度和第二相似度；

基于所述第一相似度和所述第一权值，确定所述历史人脸图像矩阵的第一类相似度累加值；

基于所述第二相似度、所述第二权值和第一设定数值-1，确定所述历史人脸图像矩阵的第二类相似度累加值；

根据所述第一类相似度累加值、所述第二类相似度累加值和第二设定数值+1，确定所述人脸综合损失函数。

2.根据权利要求1所述的电力作业人员甄别方法，其特征在于，所述对所述待识别人脸图像进行图像预处理，生成多个不同尺度的待识别图像矩阵的步骤，包括：

对所述待识别人脸图像进行裁剪，得到多个不同尺度的第一图像矩阵；

按照预设要求对多个所述第一图像矩阵分别执行图像翻转操作，得到多个第二图像矩阵；

对多个所述第二图像矩阵分别执行图像标准化操作和图像归一化操作，生成多个不同尺度的待识别图像矩阵。

3.根据权利要求1所述的电力作业人员甄别方法，其特征在于，所述基于每个所述人脸特征相似度是否达到预设阈值的比对结果，确定所述待识别人脸图像对应的人员是否具备工作资质的步骤，包括：

若每个所述人脸特征相似度中任一个达到预设阈值，则确定所述待识别人脸图像对应的人员具备工作资质；

若每个所述人脸特征相似度中均未达到所述预设阈值，则确定所述待识别人脸图像对应的人员不具备工作资质。

4.一种电力作业人员甄别装置，其特征在于，包括：

图像接收模块，用于接收待识别人脸图像；

图像预处理模块，用于对所述待识别人脸图像进行图像预处理，生成多个不同尺度的待识别图像矩阵；

人脸特征数据输出模块，用于将多个所述待识别图像矩阵分别输入到目标人脸特征提取模型，输出每个所述待识别图像矩阵分别对应的人脸特征数据；其中，所述目标人脸特征提取模型通过预置的模型训练模块所生成，所述人脸特征数据包括人脸特征相似度；

工作资质判断模块，用于基于每个所述人脸特征相似度是否达到预设阈值的比对结果，确定所述待识别人脸图像对应的人员是否具备工作资质；

所述模型训练模块包括：

历史人脸图像获取子模块，用于分别获取多种历史电力作业场景中的人脸图像；

图像预处理子模块，用于对所述人脸图像进行图像预处理，生成多个不同尺度的历史人脸图像矩阵；

历史人脸图像相似度确定子模块，用于将多个所述历史人脸图像矩阵输入到预置的初始人脸特征提取模型，得到多个历史人脸图像相似度；

综合损失函数确定子模块，用于基于多个所述历史人脸图像相似度和预置权值，确定人脸综合损失函数；

模型训练子模块，用于采用所述人脸综合损失函数训练所述初始人脸特征提取模型，得到目标人脸特征提取模型；

所述预置权值包括第一权值和第二权值，所述综合损失函数确定子模块包括：

相似度获取单元，用于从多个所述历史人脸图像相似度中选择第一相似度和第二相似度；

第一累加单元，用于基于所述第一相似度和所述第一权值，确定所述历史人脸图像矩阵的第一类相似度累加值；

第二累加单元，用于基于所述第二相似度、所述第二权值和第一设定数值-1，确定所述历史人脸图像矩阵的第二类相似度累加值；

人脸综合损失函数确定单元，用于根据所述第一类相似度累加值、所述第二类相似度累加值和第二设定数值+1，确定所述人脸综合损失函数。

5.根据权利要求4所述的电力作业人员甄别装置，其特征在于，所述图像预处理模块，包括：

图像裁剪子模块，用于对所述待识别人脸图像进行裁剪，得到多个不同尺度的第一图像矩阵；

图像翻转子模块，用于按照预设要求对多个所述第一图像矩阵分别执行图像翻转操作，得到多个第二图像矩阵；

图像标准化子模块，用于对多个所述第二图像矩阵分别执行图像标准化操作和图像归一化操作，生成多个不同尺度的待识别图像矩阵。

6.根据权利要求4所述的电力作业人员甄别装置，其特征在于，所述工作资质判断模块包括：

第一判定子模块，用于若每个所述人脸特征相似度中任一个达到预设阈值，则确定所述待识别人脸图像对应的人员具备工作资质；

第二判定子模块，用于若每个所述人脸特征相似度中均未达到所述预设阈值，则确定所述待识别人脸图像对应的人员不具备工作资质。

Images