CN116403253A - 基于卷积神经网络的人脸识别监控管理***及其方法 - Google Patents
基于卷积神经网络的人脸识别监控管理***及其方法 Download PDFInfo
- Publication number
- CN116403253A CN116403253A CN202310190171.4A CN202310190171A CN116403253A CN 116403253 A CN116403253 A CN 116403253A CN 202310190171 A CN202310190171 A CN 202310190171A CN 116403253 A CN116403253 A CN 116403253A
- Authority
- CN
- China
- Prior art keywords
- neural network
- convolutional neural
- face
- feature
- feature map
- 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
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 127
- 238000012544 monitoring process Methods 0.000 title claims description 76
- 238000000034 method Methods 0.000 title abstract description 17
- 238000001514 detection method Methods 0.000 claims abstract description 174
- 238000007726 management method Methods 0.000 claims description 91
- 238000010586 diagram Methods 0.000 claims description 31
- 238000013528 artificial neural network Methods 0.000 claims description 15
- 239000011159 matrix material Substances 0.000 claims description 8
- 238000005259 measurement Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000012795 verification Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 abstract description 20
- 238000012423 maintenance Methods 0.000 abstract description 14
- 238000013473 artificial intelligence Methods 0.000 abstract description 10
- 238000004422 calculation algorithm Methods 0.000 abstract description 10
- 238000012545 processing Methods 0.000 description 15
- 238000004590 computer program Methods 0.000 description 9
- 238000013135 deep learning Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000000605 extraction Methods 0.000 description 4
- 238000005065 mining Methods 0.000 description 4
- 238000011176 pooling Methods 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 230000000903 blocking effect Effects 0.000 description 2
- 239000003245 coal Substances 0.000 description 2
- 238000013523 data management Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/172—Classification, e.g. identification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
- G06N3/0455—Auto-encoder networks; Encoder-decoder networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0475—Generative networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/273—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion removing elements interfering with the pattern to be recognised
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/161—Detection; Localisation; Normalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/168—Feature extraction; Face representation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Human Computer Interaction (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Image Analysis (AREA)
- Collating Specific Patterns (AREA)
Abstract
本申请涉及智能识别领域,其具体地公开了一种基于卷积神经网络的人脸识别监控管理***及其方法,其通过采用基于机器视觉的人工智能监控技术,以通过对于实际采集的待识别作业人员的人脸检测图像进行去口罩处理后,使用基于深度学习的人工智能算法来提取出去口罩人脸检测图像和数据库中的各个备选人脸参考图像在高维特征空间中的相似性特征对比来进行所述待识别作业人员的人脸识别检测,以提高人脸识别***的识别精准度。这样,能够对于所述待识别作业人员的身份标签进行精准地判断,以实现对施工作业人员、管理人员、运维人员、访客人员等的精细化管理。
Description
技术领域
本申请涉及智能识别领域,且更为具体地,涉及一种基于卷积神经网络的人脸识别监控管理***及其方法。
背景技术
煤矿开采行业作为劳动力密集的行业,管理好施工人员有着非常重要的意义。对施工人员进行合理有效的管理,既能保证施工的质量,又能促进工程顺利进行,缩短施工周期并减少成本投入,从而提升企业竞争力。现场施工过程中人是核心要素之一,对人员的管理是保障项目成功的关键因素。
目前,通过人脸识别智能抓拍网络摄像机、人证合一作业人员实名管理***、人脸识别大数据管控***,实现对施工作业人员、管理人员、运维人员、访客人员等的精细化管理。但是,在实际的管理过程中,由于用户佩戴口罩的原因,导致人脸识别精度较低,进而对于作业人员的身份识别的精准度也较低,这给人员的管理带来了难度。
因此,期望一种优化的人脸识别监控管理***,其能够在作业人员佩戴口罩下进行高精度地人脸识别,以实现对施工作业人员、管理人员、运维人员、访客人员等的精细化管理。
发明内容
为了解决上述技术问题,提出了本申请。本申请的实施例提供了一种基于卷积神经网络的人脸识别监控管理***,其通过采用基于机器视觉的人工智能监控技术,以通过对于实际采集的待识别作业人员的人脸检测图像进行去口罩处理后,使用基于深度学习的人工智能算法来提取出去口罩人脸检测图像和数据库中的各个备选人脸参考图像在高维特征空间中的相似性特征对比来进行所述待识别作业人员的人脸识别检测,以提高人脸识别***的识别精准度。这样,能够对于所述待识别作业人员的身份标签进行精准地判断,以实现对施工作业人员、管理人员、运维人员、访客人员等的精细化管理。
根据本申请的一个方面,提供了一种基于卷积神经网络的人脸识别监控管理***及其方法,其包括:
人脸扫描模块,用于获取待识别作业人员的人脸检测图像,所述待识别作业人员戴有口罩;
去口罩生成模块,用于将所述待识别作业人员的人脸检测图像通过基于对抗生成网络的口罩去除器以得到生成人脸检测图像;
孪生检测模块,用于将所述生成人脸检测图像和数据库中录入的多个备选人脸图像通过包含第一卷积神经网络和第二卷积神经网络的孪生网络模型以得到检测特征图和多个备选特征图;
差分模块,用于分别计算所述检测特征图与所述多个备选特征图中各个备选特征图之间的差分以得到多个差分特征图;
度量模块,用于将所述多个差分特征图分别通过解码器以得到多个解码值,所述解码值用于表示人脸检测图像与备选人脸图像之间的相似度指标;
人脸识别结果生成模块,用于基于所述多个解码值,确定所述待识别作业人员的身份标签。
在上述基于卷积神经网络的人脸识别监控管理***中,所述对抗生成网络包括鉴别器和生成器,其中,所述去口罩生成模块,进一步用于将所述待识别作业人员的人脸检测图像输入所述基于对抗生成网络的口罩去除器以由所述对抗生成网络的生成器通过反卷积编码生成所述生成人脸检测图像。
在上述基于卷积神经网络的人脸识别监控管理***中,所述第一卷积神经网络和所述第二卷积神经网络具有相同的网络结构,所述第一卷积神经网络和所述第二卷积神经网络为包含多个混合卷积层的深度卷积神经网络模型。
在上述基于卷积神经网络的人脸识别监控管理***中,所述孪生检测模块,包括:检测特征图生成单元,用于:使用所述第一卷积神经网络的多层卷积层对所述生成人脸检测图像进行深度卷积编码以由所述多层卷积层的最后一层输出深度校验特征图;将所述深度校验特征图输入所述第一卷积神经网络的第一空间注意力模块以得到第一空间注意力图;以及,计算所述深度校验特征图和所述第一空间注意力图的按位置点乘以得到所述检测特征图。
在上述基于卷积神经网络的人脸识别监控管理***中,所述孪生检测模块,还包括:备选特征图生成单元,用于:使用所述第二卷积神经网络的多层卷积层对所述备选人脸图像进行深度卷积编码以由所述多层卷积层的最后一层输出深度参考特征图;将所述深度参考特征图输入所述第二卷积神经网络的第二空间注意力模块以得到第二空间注意力图;以及,计算所述深度参考特征图和所述第二空间注意力图的按位置点乘以得到所述备选特征图。
在上述基于卷积神经网络的人脸识别监控管理***中,所述差分模块,包括:按位置差分单元,用于计算所述检测特征图与所述多个备选特征图中各个备选特征图之间的按位置差分以得到多个初始差分特征图;小尺度局部衍生特征图计算单元,用于计算所述检测特征图与所述多个备选特征图中各个备选特征图之间的小尺度局部衍生特征图以得到多个所述小尺度局部衍生特征图;以及,优化单元,用于以所述各个小尺度局部衍生特征图中各个位置的特征值作为权重对所述各个初始差分特征图进行加权以得到所述多个差分特征图。
在上述基于卷积神经网络的人脸识别监控管理***中,所述小尺度局部衍生特征图计算单元,进一步用于:以如下公式计算所述检测特征图与所述多个备选特征图中各个备选特征图之间的小尺度局部衍生特征图以得到所述多个小尺度局部衍生特征图;其中,所述公式为:
其中f1是所述检测特征图的各个位置的特征值,fi2是所述多个备选特征图中第i个备选特征图的各个位置的特征值,且fwi是所述多个小尺度局部衍生特征图中第i个小尺度局部衍生特征图的各个位置特征值。
在上述基于卷积神经网络的人脸识别监控管理***中,所述度量模块,进一步用于:使用所述解码器以如下公式将所述多个差分特征图进行解码回归以获得用于表示人脸检测图像与备选人脸图像之间的相似度指标的解码值;其中,所述公式为:其中X表示所述多个差分特征图,Y是所述多个解码值,W是权重矩阵,/>表示矩阵相乘。
在上述基于卷积神经网络的人脸识别监控管理***中,所述人脸识别结果生成模块,进一步用于将所述多个解码值中最大解码值对应的备选人脸图像作为所述待识别作业人员的身份标签。
根据本申请的另一方面,提供了一种基于卷积神经网络的人脸识别监控管理方法,其包括:
获取待识别作业人员的人脸检测图像,所述待识别作业人员戴有口罩;
将所述待识别作业人员的人脸检测图像通过基于对抗生成网络的口罩去除器以得到生成人脸检测图像;
将所述生成人脸检测图像和数据库中录入的多个备选人脸图像通过包含第一卷积神经网络和第二卷积神经网络的孪生网络模型以得到检测特征图和多个备选特征图;
分别计算所述检测特征图与所述多个备选特征图中各个备选特征图之间的差分以得到多个差分特征图;
将所述多个差分特征图分别通过解码器以得到多个解码值,所述解码值用于表示人脸检测图像与备选人脸图像之间的相似度指标;
基于所述多个解码值,确定所述待识别作业人员的身份标签。
根据本申请的再一方面,提供了一种电子设备,包括:处理器;以及,存储器,在所述存储器中存储有计算机程序指令,所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述的基于卷积神经网络的人脸识别监控管理方法。
根据本申请的又一方面,提供了一种计算机可读介质,其上存储有计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的基于卷积神经网络的人脸识别监控管理方法。
与现有技术相比,本申请提供的一种基于卷积神经网络的人脸识别监控管理***及其方法,其通过采用基于机器视觉的人工智能监控技术,以通过对于实际采集的待识别作业人员的人脸检测图像进行去口罩处理后,使用基于深度学习的人工智能算法来提取出去口罩人脸检测图像和数据库中的各个备选人脸参考图像在高维特征空间中的相似性特征对比来进行所述待识别作业人员的人脸识别检测,以提高人脸识别***的识别精准度。这样,能够对于所述待识别作业人员的身份标签进行精准地判断,以实现对施工作业人员、管理人员、运维人员、访客人员等的精细化管理。
附图说明
通过结合附图对本申请实施例进行更详细的描述,本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解,并且构成说明书的一部分,与本申请实施例一起用于解释本申请,并不构成对本申请的限制。在附图中,相同的参考标号通常代表相同部件或步骤。
图1为根据本申请实施例的基于卷积神经网络的人脸识别监控管理***的应用场景图;
图2为根据本申请实施例的基于卷积神经网络的人脸识别监控管理***的框图;
图3为根据本申请实施例的基于卷积神经网络的人脸识别监控管理***的***架构图;
图4为根据本申请实施例的基于卷积神经网络的人脸识别监控管理***中孪生检测模块的框图;
图5为根据本申请实施例的基于卷积神经网络的人脸识别监控管理***中差分模块的框图;
图6为根据本申请实施例的基于卷积神经网络的人脸识别监控管理方法的流程图;
图7为根据本申请实施例的电子设备的框图。
具体实施方式
下面,将参考附图详细地描述根据本申请的示例实施例。显然,所描述的实施例仅仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
申请概述
如前背景技术所言,煤矿开采行业作为劳动力密集的行业,管理好施工人员有着非常重要的意义。对施工人员进行合理有效的管理,既能保证施工的质量,又能促进工程顺利进行,缩短施工周期并减少成本投入,从而提升企业竞争力。现场施工过程中人是核心要素之一,对人员的管理是保障项目成功的关键因素。
目前,通过人脸识别智能抓拍网络摄像机、人证合一作业人员实名管理***、人脸识别大数据管控***,实现对施工作业人员、管理人员、运维人员、访客人员等的精细化管理。但是,在实际的管理过程中,由于用户佩戴口罩的原因,导致人脸识别精度较低,进而对于作业人员的身份识别的精准度也较低,这给人员的管理带来了难度。因此,期望一种优化的人脸识别监控管理***,其能够在作业人员佩戴口罩下进行高精度地人脸识别,以实现对施工作业人员、管理人员、运维人员、访客人员等的精细化管理。
目前,深度学***。
近年来,深度学习以及神经网络的发展为人脸识别的监控管理提供了新的解决思路和方案。
具体地,在本申请的技术方案中,采用基于机器视觉的人工智能监控技术,以通过对于实际采集的待识别作业人员的人脸检测图像进行去口罩处理后,使用基于深度学习的人工智能算法来提取出去口罩人脸检测图像和数据库中的各个备选人脸参考图像在高维特征空间中的相似性特征对比来进行所述待识别作业人员的人脸识别检测,以提高人脸识别***的识别精准度。这样,能够对于所述待识别作业人员的身份标签进行精准地判断,以实现对施工作业人员、管理人员、运维人员、访客人员等的精细化管理。
具体地,在本申请的技术方案中,首先,获取待识别作业人员的人脸检测图像,这里,所述待识别作业人员戴有口罩。接着,在进行人脸检测识别时,由于所述待识别作业人员戴有口罩会降低对于人脸识别的精准度,因此,使用基于对抗生成网络的口罩去除器来进行所述待识别作业人员的人脸检测图像的去口罩遮挡处理以降低口罩遮挡物对人脸识别的干扰。也就是,具体地,将所述待识别作业人员的人脸检测图像输入所述基于对抗生成网络的口罩去除器以由所述对抗生成网络的生成器通过反卷积编码生成所述生成人脸检测图像。特别地,在本申请的技术方案中,所述对抗生成网络包括鉴别器和生成器,其中,所述生成器用于生成去口罩遮挡的人脸检测图像,所述鉴别器用于计算去口罩遮挡的人脸检测图像和真实无遮挡图像之间的差异,并通过梯度下降的方向传播算法来更新所述生成器的网络参数以得到具有去口罩遮挡功能的生成器,即,所述口罩去除器。
然后,为了能够对于待识别作业人员的人脸检测图像进行身份标签识别,需要将所述生成人脸检测图像与所述数据库中录入的多个备选人脸图像在高维特征空间中进行相似度对比。因此,在本申请的技术方案中,进一步使用在图像的隐含特征提取方面具有优异表现的卷积神经网络模型来进行所述生成人脸检测图像和数据库中录入的多个备选人脸图像的特征挖掘,特别地,考虑到在对于所述人脸图像特征进行挖掘以进行作业人员的身份识别时,由于人脸的隐含特征不仅具有小尺度的特征信息还具有大尺度的特征分布信息,因此,进一步使用混合卷积层来进行图像的隐藏特征提取。也就是,具体地,在本申请的技术方案中,将所述生成人脸检测图像和数据库中录入的多个备选人脸图像通过包含第一卷积神经网络和第二卷积神经网络的孪生网络模型中以得到检测特征图和多个备选特征图。值得一提的是,这里,所述第一卷积神经网络和所述第二卷积神经网络具有相同的网络结构,并且所述第一卷积神经网络和所述第二卷积神经网络为包含多个混合卷积层的深度卷积神经网络模型,以分别提取出所述生成人脸检测图像和所述数据库中录入的多个备选人脸图像中的多尺度隐含特征分布信息。特别地,使用包含有相同网络结构的图像编码器的所述孪生网络来分别进行所述生成人脸检测图像和所述数据库中录入的多个备选人脸图像的特征提取能够挖掘出两者的图像在图像源域端差异不明显的特征信息,以此来进行两者的相似度检测,进而进行作业人员的身份识别。
进一步地,分别计算所述检测特征图与所述多个备选特征图中各个备选特征图之间的差分,以此来表示所述待识别作业人员的人脸检测图像和所述数据库中录入的多个备选人脸图像之间的相似度关联特征信息,从而得到多个差分特征图。然后,将所述多个差分特征图中的各个差分特征图作为解码特征图分别通过解码器以得到用于表示人脸检测图像与备选人脸图像之间的相似度指标的多个解码值。进而,基于所述多个解码值,确定所述待识别作业人员的身份标签。相应地,在本申请的一个具体示例中,将所述多个解码值中最大解码值对应的备选人脸图像作为所述待识别作业人员的身份标签。这样,能够对于待识别作业人员的身份标签进行精准地判断,进而实现对施工作业人员、管理人员、运维人员、访客人员等的精细化管理。
特别地,在本申请的技术方案中,这里,在计算所述检测特征图和所述各个备选特征图之间的多个差分特征图时,本申请的申请人考虑到了所述检测特征图和所述多个备选特征图之间,以及多个备选特征图之间可能存在特征整体分布上的相似性,因此为了使得用于表示相似度的解码值之间的区分度高,期望更加强调所述多个差分特征图的小尺度的局部特征分布。
因此,在计算所述检测特征图和每个备选特征图之间的差分特征图时,计算所述检测特征图和所述备选特征图之间的小尺度局部衍生特征图,来对所述差分特征图进行加权。所述小尺度局部衍生特征图的每个位置的特征值表示为:
f1是所述检测特征图的特征值,fi2是第i个备选特征图的特征值,且fwi是第i个小尺度局部衍生特征图的特征值。
这里,通过计算所述检测特征图和所述备选特征图之间的小尺度局部衍生特征图,可以基于所述检测特征图和所述备选特征图之间的相应位置的几何逼近来模仿特征图之间的互表达的物理性,从而以特征图间的按位置逐点回归来增强跨图位置的局部非线性依赖。这样,通过以其每个位置的特征值作为加权因数对所述差分特征图的每个位置的特征值进行加权,就可以提高所述差分特征图的局部非线性表达能力,从而提高所述差分特征图的解码值的准确性。这样,能够提高对于待识别作业人员的人脸识别的精准度,进而对于所述待识别作业人员的身份标签进行精准地判断,以实现对施工作业人员、管理人员、运维人员、访客人员等的精细化管理。
基于此,本申请提出了一种基于卷积神经网络的人脸识别监控管理***,其包括:人脸扫描模块,用于获取待识别作业人员的人脸检测图像,所述待识别作业人员戴有口罩;去口罩生成模块,用于将所述待识别作业人员的人脸检测图像通过基于对抗生成网络的口罩去除器以得到生成人脸检测图像;孪生检测模块,用于将所述生成人脸检测图像和数据库中录入的多个备选人脸图像通过包含第一卷积神经网络和第二卷积神经网络的孪生网络模型以得到检测特征图和多个备选特征图;差分模块,用于分别计算所述检测特征图与所述多个备选特征图中各个备选特征图之间的差分以得到多个差分特征图;度量模块,用于将所述多个差分特征图分别通过解码器以得到多个解码值,所述解码值用于表示人脸检测图像与备选人脸图像之间的相似度指标;人脸识别结果生成模块,用于基于所述多个解码值,确定所述待识别作业人员的身份标签。
图1为根据本申请实施例的基于卷积神经网络的人脸识别监控管理***的应用场景图。如图1所示,在该应用场景中,通过摄像头(例如,如图1中所示意的C)获取待识别作业人员的人脸检测图像(例如,如图1中所示意的F1),以及从数据库中获取录入的多个备选人脸图像(例如,如图1中所示意的F2-Fn)。然后,将所述图像输入至部署有用于基于卷积神经网络的人脸识别监控管理算法的服务器(例如,图1中的S)中,其中,所述服务器能够以所述基于卷积神经网络的人脸识别监控管理算法对上述输入的图像进行处理以生成解码值,继而基于所述多个解码值,确定所述待识别作业人员的身份标签。
在介绍了本申请的基本原理之后,下面将参考附图来具体介绍本申请的各种非限制性实施例。
示例性***
图2为根据本申请实施例的基于卷积神经网络的人脸识别监控管理***的框图。如图2所示,根据本申请实施例的基于卷积神经网络的人脸识别监控管理***300,包括:人脸扫描模块310;去口罩生成模块320;孪生检测模块330;差分模块340;度量模块350;以及,人脸识别结果生成模块360。
其中,所述人脸扫描模块310,用于获取待识别作业人员的人脸检测图像,所述待识别作业人员戴有口罩;所述去口罩生成模块320,用于将所述待识别作业人员的人脸检测图像通过基于对抗生成网络的口罩去除器以得到生成人脸检测图像;所述孪生检测模块330,用于将所述生成人脸检测图像和数据库中录入的多个备选人脸图像通过包含第一卷积神经网络和第二卷积神经网络的孪生网络模型以得到检测特征图和多个备选特征图;所述差分模块340,用于分别计算所述检测特征图与所述多个备选特征图中各个备选特征图之间的差分以得到多个差分特征图;所述度量模块350,用于将所述多个差分特征图分别通过解码器以得到多个解码值,所述解码值用于表示人脸检测图像与备选人脸图像之间的相似度指标;所述人脸识别结果生成模块360,用于基于所述多个解码值,确定所述待识别作业人员的身份标签。
图3为根据本申请实施例的基于卷积神经网络的人脸识别监控管理***的***架构图。如图3所示,在该网络架构中,首先通过所述人脸扫描模块310获取待识别作业人员的人脸检测图像,所述待识别作业人员戴有口罩;接着,所述去口罩生成模块320于将所述人脸扫描模块310获取的待识别作业人员的人脸检测图像通过基于对抗生成网络的口罩去除器以得到生成人脸检测图像;所述孪生检测模块330于将所述去口罩生成模块320得到的生成人脸检测图像和数据库中录入的多个备选人脸图像通过包含第一卷积神经网络和第二卷积神经网络的孪生网络模型以得到检测特征图和多个备选特征图;然后,所述差分模块340分别计算所述孪生检测模块330得到的检测特征图与所述多个备选特征图中各个备选特征图之间的差分以得到多个差分特征图;所述度量模块350将所述差分模块340计算所得的多个差分特征图分别通过解码器以得到多个解码值,所述解码值用于表示人脸检测图像与备选人脸图像之间的相似度指标;进而,所述人脸识别结果生成模块360基于所述多个解码值,确定所述待识别作业人员的身份标签。
具体地,在所述基于卷积神经网络的人脸识别监控管理***300的运行过程中,所述人脸扫描模块310,用于获取待识别作业人员的人脸检测图像,所述待识别作业人员戴有口罩。在本申请的技术方案中,通过采用基于机器视觉的人工智能监控技术来提取出人脸检测特征,具体地,首先,可通过人脸识别智能抓拍网络摄像机来获取待识别作业人员的人脸检测图像。
具体地,在所述基于卷积神经网络的人脸识别监控管理***300的运行过程中,所述去口罩生成模块320,用于将所述待识别作业人员的人脸检测图像通过基于对抗生成网络的口罩去除器以得到生成人脸检测图像。应可以理解,在进行人脸检测识别时,由于所述待识别作业人员戴有口罩会降低对于人脸识别的精准度,因此,使用基于对抗生成网络的口罩去除器来进行所述待识别作业人员的人脸检测图像的去口罩遮挡处理以降低口罩遮挡物对人脸识别的干扰。也就是,具体地,将所述待识别作业人员的人脸检测图像输入所述基于对抗生成网络的口罩去除器以由所述对抗生成网络的生成器通过反卷积编码生成所述生成人脸检测图像。特别地,在本申请的技术方案中,所述对抗生成网络包括鉴别器和生成器,其中,所述生成器用于生成去口罩遮挡的人脸检测图像,所述鉴别器用于计算去口罩遮挡的人脸检测图像和真实无遮挡图像之间的差异,并通过梯度下降的方向传播算法来更新所述生成器的网络参数以得到具有去口罩遮挡功能的生成器,即,所述口罩去除器。
具体地,在所述基于卷积神经网络的人脸识别监控管理***300的运行过程中,所述孪生检测模块330,用于将所述生成人脸检测图像和数据库中录入的多个备选人脸图像通过包含第一卷积神经网络和第二卷积神经网络的孪生网络模型以得到检测特征图和多个备选特征图。为了能够对于待识别作业人员的人脸检测图像进行身份标签识别,需要将所述生成人脸检测图像与所述数据库中录入的多个备选人脸图像在高维特征空间中进行相似度对比。因此,在本申请的技术方案中,进一步使用在图像的隐含特征提取方面具有优异表现的卷积神经网络模型来进行所述生成人脸检测图像和数据库中录入的多个备选人脸图像的特征挖掘,特别地,考虑到在对于所述人脸图像特征进行挖掘以进行作业人员的身份识别时,由于人脸的隐含特征不仅具有小尺度的特征信息还具有大尺度的特征分布信息,因此,进一步使用混合卷积层来进行图像的隐藏特征提取。也就是,具体地,在本申请的技术方案中,将所述生成人脸检测图像和数据库中录入的多个备选人脸图像通过包含第一卷积神经网络和第二卷积神经网络的孪生网络模型中以得到检测特征图和多个备选特征图。值得一提的是,这里,所述第一卷积神经网络和所述第二卷积神经网络具有相同的网络结构,并且所述第一卷积神经网络和所述第二卷积神经网络为包含多个混合卷积层的深度卷积神经网络模型,以分别提取出所述生成人脸检测图像和所述数据库中录入的多个备选人脸图像中的多尺度隐含特征分布信息。特别地,使用包含有相同网络结构的图像编码器的所述孪生网络来分别进行所述生成人脸检测图像和所述数据库中录入的多个备选人脸图像的特征提取能够挖掘出两者的图像在图像源域端差异不明显的特征信息,以此来进行两者的相似度检测,进而进行作业人员的身份识别。更具体地,使用所述第一卷积神经网络的多层卷积层对所述生成人脸检测图像进行深度卷积编码以由所述多层卷积层的最后一层输出深度校验特征图;将所述深度校验特征图输入所述第一卷积神经网络的第一空间注意力模块以得到第一空间注意力图;以及,计算所述深度校验特征图和所述第一空间注意力图的按位置点乘以得到所述检测特征图;以及,使用所述第二卷积神经网络的多层卷积层对所述备选人脸图像进行深度卷积编码以由所述多层卷积层的最后一层输出深度参考特征图;将所述深度参考特征图输入所述第二卷积神经网络的第二空间注意力模块以得到第二空间注意力图;以及,计算所述深度参考特征图和所述第二空间注意力图的按位置点乘以得到所述备选特征图。在本申请的一个具体示例中,所述第一卷积神经网络和所述第二卷积神经网络包括相互级联的多个神经网络层,其中各个神经网络层包括卷积层、池化层和激活层。其中,在所述第一卷积神经网络和所述第二卷积神经网络的编码过程中,所述第一卷积神经网络和所述第二卷积神经网络的各层在层的正向传递过程中对输入数据使用所述卷积层进行基于卷积核的卷积处理、使用所述池化层对由所述卷积层输出的卷积特征图进行池化处理和使用所述激活层对由所述池化层输出的池化特征图进行激活处理。
图4为根据本申请实施例的基于卷积神经网络的人脸识别监控管理***中孪生检测模块的框图。如图4所示,所述所述孪生检测模块330,包括:检测特征图生成单元331,用于:使用所述第一卷积神经网络的多层卷积层对所述生成人脸检测图像进行深度卷积编码以由所述多层卷积层的最后一层输出深度校验特征图;将所述深度校验特征图输入所述第一卷积神经网络的第一空间注意力模块以得到第一空间注意力图;以及,计算所述深度校验特征图和所述第一空间注意力图的按位置点乘以得到所述检测特征图。备选特征图生成单元332,用于:使用所述第二卷积神经网络的多层卷积层对所述备选人脸图像进行深度卷积编码以由所述多层卷积层的最后一层输出深度参考特征图;将所述深度参考特征图输入所述第二卷积神经网络的第二空间注意力模块以得到第二空间注意力图;以及,计算所述深度参考特征图和所述第二空间注意力图的按位置点乘以得到所述备选特征图。
具体地,在所述基于卷积神经网络的人脸识别监控管理***300的运行过程中,所述差分模块340,用于分别计算所述检测特征图与所述多个备选特征图中各个备选特征图之间的差分以得到多个差分特征图。也就是,分别计算所述检测特征图与所述多个备选特征图中各个备选特征图之间的差分,以此来表示所述待识别作业人员的人脸检测图像和所述数据库中录入的多个备选人脸图像之间的相似度关联特征信息,从而得到多个差分特征图。更具体地,首先,计算所述检测特征图与所述多个备选特征图中各个备选特征图之间的按位置差分以得到多个初始差分特征图,再计算所述检测特征图与所述多个备选特征图中各个备选特征图之间的小尺度局部衍生特征图以得到多个所述小尺度局部衍生特征图,进而以所述各个小尺度局部衍生特征图中各个位置的特征值作为权重对所述各个初始差分特征图进行加权以得到所述多个差分特征图。特别地,在本申请的技术方案中,这里,在计算所述检测特征图和所述各个备选特征图之间的多个差分特征图时,本申请的申请人考虑到了所述检测特征图和所述多个备选特征图之间,以及多个备选特征图之间可能存在特征整体分布上的相似性,因此为了使得用于表示相似度的解码值之间的区分度高,期望更加强调所述多个差分特征图的小尺度的局部特征分布。因此,在计算所述检测特征图和每个备选特征图之间的差分特征图时,计算所述检测特征图和所述备选特征图之间的小尺度局部衍生特征图,来对所述差分特征图进行加权。所述小尺度局部衍生特征图的每个位置的特征值表示为:
其中f1是所述检测特征图的各个位置的特征值,fi2是所述多个备选特征图中第i个备选特征图的各个位置的特征值,且fwi是所述多个小尺度局部衍生特征图中第i个小尺度局部衍生特征图的各个位置特征值。这里,通过计算所述检测特征图和所述备选特征图之间的小尺度局部衍生特征图,可以基于所述检测特征图和所述备选特征图之间的相应位置的几何逼近来模仿特征图之间的互表达的物理性,从而以特征图间的按位置逐点回归来增强跨图位置的局部非线性依赖。这样,通过以其每个位置的特征值作为加权因数对所述差分特征图的每个位置的特征值进行加权,就可以提高所述差分特征图的局部非线性表达能力,从而提高所述差分特征图的解码值的准确性。这样,能够提高对于待识别作业人员的人脸识别的精准度,进而对于所述待识别作业人员的身份标签进行精准地判断,以实现对施工作业人员、管理人员、运维人员、访客人员等的精细化管理。
图5为根据本申请实施例的基于卷积神经网络的人脸识别监控管理***中差分模块的框图。如图5所示,所述差分模块340,包括:按位置差分单元341,用于计算所述检测特征图与所述多个备选特征图中各个备选特征图之间的按位置差分以得到多个初始差分特征图;小尺度局部衍生特征图计算单元342,用于计算所述检测特征图与所述多个备选特征图中各个备选特征图之间的小尺度局部衍生特征图以得到多个所述小尺度局部衍生特征图;以及,优化单元343,用于以所述各个小尺度局部衍生特征图中各个位置的特征值作为权重对所述各个初始差分特征图进行加权以得到所述多个差分特征图。
具体地,在所述基于卷积神经网络的人脸识别监控管理***300的运行过程中,所述度量模块350,用于将所述多个差分特征图分别通过解码器以得到多个解码值,所述解码值用于表示人脸检测图像与备选人脸图像之间的相似度指标。在本申请的一个具体示例中,使用所述解码器以如下公式将所述多个差分特征图进行解码回归以获得用于表示人脸检测图像与备选人脸图像之间的相似度指标的解码值;其中,所述公式为:其中X表示所述多个差分特征图,Y是所述多个解码值,W是权重矩阵,/>表示矩阵相乘。
具体地,在所述基于卷积神经网络的人脸识别监控管理***300的运行过程中,所述人脸识别结果生成模块360,用于基于所述多个解码值,确定所述待识别作业人员的身份标签。在本申请的一个具体示例中,将所述多个解码值中最大解码值对应的备选人脸图像作为所述待识别作业人员的身份标签。这样,能够对于待识别作业人员的身份标签进行精准地判断,进而实现对施工作业人员、管理人员、运维人员、访客人员等的精细化管理。
综上,根据本申请实施例的基于卷积神经网络的人脸识别监控管理***300被阐明,其通过采用基于机器视觉的人工智能监控技术,以通过对于实际采集的待识别作业人员的人脸检测图像进行去口罩处理后,使用基于深度学习的人工智能算法来提取出去口罩人脸检测图像和数据库中的各个备选人脸参考图像在高维特征空间中的相似性特征对比来进行所述待识别作业人员的人脸识别检测,以提高人脸识别***的识别精准度。这样,能够对于所述待识别作业人员的身份标签进行精准地判断,以实现对施工作业人员、管理人员、运维人员、访客人员等的精细化管理。
如上所述,根据本申请实施例的基于卷积神经网络的人脸识别监控管理***可以实现在各种终端设备中。在一个示例中,根据本申请实施例的基于卷积神经网络的人脸识别监控管理***300可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如,该基于卷积神经网络的人脸识别监控管理***300可以是该终端设备的操作***中的一个软件模块,或者可以是针对于该终端设备所开发的一个应用程序;当然,该基于卷积神经网络的人脸识别监控管理***300同样可以是该终端设备的众多硬件模块之一。
替换地,在另一示例中,该基于卷积神经网络的人脸识别监控管理***300与该终端设备也可以是分立的设备,并且该基于卷积神经网络的人脸识别监控管理***300可以通过有线和/或无线网络连接到该终端设备,并且按照约定的数据格式来传输交互信息。
示例性方法
图6为根据本申请实施例的基于卷积神经网络的人脸识别监控管理方法的流程图。如图6所示,根据本申请实施例的基于卷积神经网络的人脸识别监控管理方法,包括步骤:S110,获取待识别作业人员的人脸检测图像,所述待识别作业人员戴有口罩;S120,将所述待识别作业人员的人脸检测图像通过基于对抗生成网络的口罩去除器以得到生成人脸检测图像;S130,将所述生成人脸检测图像和数据库中录入的多个备选人脸图像通过包含第一卷积神经网络和第二卷积神经网络的孪生网络模型以得到检测特征图和多个备选特征图;S140,分别计算所述检测特征图与所述多个备选特征图中各个备选特征图之间的差分以得到多个差分特征图;S150,将所述多个差分特征图分别通过解码器以得到多个解码值,所述解码值用于表示人脸检测图像与备选人脸图像之间的相似度指标;S160,基于所述多个解码值,确定所述待识别作业人员的身份标签。
在一个示例中,在上述基于卷积神经网络的人脸识别监控管理方法中,所述步骤S120,包括:所述对抗生成网络包括鉴别器和生成器,其中,所述去口罩生成模块,进一步用于将所述待识别作业人员的人脸检测图像输入所述基于对抗生成网络的口罩去除器以由所述对抗生成网络的生成器通过反卷积编码生成所述生成人脸检测图像。
在一个示例中,在上述基于卷积神经网络的人脸识别监控管理方法中,所述步骤S130,包括:使用所述第一卷积神经网络的多层卷积层对所述生成人脸检测图像进行深度卷积编码以由所述多层卷积层的最后一层输出深度校验特征图;将所述深度校验特征图输入所述第一卷积神经网络的第一空间注意力模块以得到第一空间注意力图;以及,计算所述深度校验特征图和所述第一空间注意力图的按位置点乘以得到所述检测特征图。使用所述第二卷积神经网络的多层卷积层对所述备选人脸图像进行深度卷积编码以由所述多层卷积层的最后一层输出深度参考特征图;将所述深度参考特征图输入所述第二卷积神经网络的第二空间注意力模块以得到第二空间注意力图;以及,计算所述深度参考特征图和所述第二空间注意力图的按位置点乘以得到所述备选特征图。
在一个示例中,在上述基于卷积神经网络的人脸识别监控管理方法中,所述步骤S140,包括:计算所述检测特征图与所述多个备选特征图中各个备选特征图之间的按位置差分以得到多个初始差分特征图;计算所述检测特征图与所述多个备选特征图中各个备选特征图之间的小尺度局部衍生特征图以得到多个所述小尺度局部衍生特征图;以及,以所述各个小尺度局部衍生特征图中各个位置的特征值作为权重对所述各个初始差分特征图进行加权以得到所述多个差分特征图。其中,所述计算所述检测特征图与所述多个备选特征图中各个备选特征图之间的小尺度局部衍生特征图以得到多个所述小尺度局部衍生特征图,包括:以如下公式计算所述检测特征图与所述多个备选特征图中各个备选特征图之间的小尺度局部衍生特征图以得到所述多个小尺度局部衍生特征图;其中,所述公式为:
其中f1是所述检测特征图的各个位置的特征值,fi2是所述多个备选特征图中第i个备选特征图的各个位置的特征值,且fwi是所述多个小尺度局部衍生特征图中第i个小尺度局部衍生特征图的各个位置特征值。
在一个示例中,在上述基于卷积神经网络的人脸识别监控管理方法中,所述步骤S150,包括:使用所述解码器以如下公式将所述多个差分特征图进行解码回归以获得用于表示人脸检测图像与备选人脸图像之间的相似度指标的解码值;其中,所述公式为:其中X表示所述多个差分特征图,Y是所述多个解码值,W是权重矩阵,/>表示矩阵相乘。
在一个示例中,在上述基于卷积神经网络的人脸识别监控管理方法中,所述步骤S160,包括:将所述多个解码值中最大解码值对应的备选人脸图像作为所述待识别作业人员的身份标签。
综上,根据本申请实施例的基于卷积神经网络的人脸识别监控管理方法被阐明,其通过采用基于机器视觉的人工智能监控技术,以通过对于实际采集的待识别作业人员的人脸检测图像进行去口罩处理后,使用基于深度学习的人工智能算法来提取出去口罩人脸检测图像和数据库中的各个备选人脸参考图像在高维特征空间中的相似性特征对比来进行所述待识别作业人员的人脸识别检测,以提高人脸识别***的识别精准度。这样,能够对于所述待识别作业人员的身份标签进行精准地判断,以实现对施工作业人员、管理人员、运维人员、访客人员等的精细化管理。
示例性电子设备
下面,参考图7来描述根据本申请实施例的电子设备。
图7图示了根据本申请实施例的电子设备的框图。
如图7所示,电子设备10包括一个或多个处理器11和存储器12。
处理器11可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元,并且可以控制电子设备10中的其他组件以执行期望的功能。
存储器12可以包括一个或多个计算机程序产品,所述计算机程序产品可以包括各种形式的计算机可读存储介质,例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令,处理器11可以运行所述程序指令,以实现上文所述的本申请的各个实施例的基于卷积神经网络的人脸识别监控管理***中的功能以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如生成人脸检测图像等各种内容。
在一个示例中,电子设备10还可以包括:输入装置13和输出装置14,这些组件通过总线***和/或其他形式的连接机构(未示出)互连。
该输入装置13可以包括例如键盘、鼠标等等。
该输出装置14可以向外部输出各种信息,包括解码值等。该输出装置14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然,为了简化,图7中仅示出了该电子设备10中与本申请有关的组件中的一些,省略了诸如总线、输入/输出接口等等的组件。除此之外,根据具体应用情况,电子设备10还可以包括任何其他适当的组件。
示例性计算机程序产品和计算机可读存储介质
除了上述方法和设备以外,本申请的实施例还可以是计算机程序产品,其包括计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性***”部分中描述的根据本申请各种实施例的基于卷积神经网络的人脸识别监控管理方法中的功能中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码,所述程序设计语言包括面向对象的程序设计语言,诸如Java、C++等,还包括常规的过程式程序设计语言,诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外,本申请的实施例还可以是计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性***”部分中描述的根据本申请各种实施例的基于卷积神经网络的人脸识别监控管理方法中的功能中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
以上结合具体实施例描述了本申请的基本原理,但是,需要指出的是,在本申请中提及的优点、优势、效果等仅是示例而非限制,不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外,上述公开的具体细节仅是为了示例的作用和便于理解的作用,而非限制,上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、***的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的,可以按任意方式连接、布置、配置这些器件、装置、设备、***。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇,指“包括但不限于”,且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”,且可与其互换使用,除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”,且可与其互换使用。
还需要指出的是,在本申请的装置、设备和方法中,各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的,并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此,本申请不意图被限制到在此示出的方面,而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外,此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例,但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (10)
1.一种基于卷积神经网络的人脸识别监控管理***,其特征在于,包括:
人脸扫描模块,用于获取待识别作业人员的人脸检测图像,所述待识别作业人员戴有口罩;
去口罩生成模块,用于将所述待识别作业人员的人脸检测图像通过基于对抗生成网络的口罩去除器以得到生成人脸检测图像;
孪生检测模块,用于将所述生成人脸检测图像和数据库中录入的多个备选人脸图像通过包含第一卷积神经网络和第二卷积神经网络的孪生网络模型以得到检测特征图和多个备选特征图;
差分模块,用于分别计算所述检测特征图与所述多个备选特征图中各个备选特征图之间的差分以得到多个差分特征图;
度量模块,用于将所述多个差分特征图分别通过解码器以得到多个解码值,所述解码值用于表示人脸检测图像与备选人脸图像之间的相似度指标;
人脸识别结果生成模块,用于基于所述多个解码值,确定所述待识别作业人员的身份标签。
2.根据权利要求1所述的基于卷积神经网络的人脸识别监控管理***,其特征在于,所述对抗生成网络包括鉴别器和生成器,其中,所述去口罩生成模块,进一步用于将所述待识别作业人员的人脸检测图像输入所述基于对抗生成网络的口罩去除器以由所述对抗生成网络的生成器通过反卷积编码生成所述生成人脸检测图像。
3.根据权利要求2所述的基于卷积神经网络的人脸识别监控管理***,其特征在于,所述第一卷积神经网络和所述第二卷积神经网络具有相同的网络结构,所述第一卷积神经网络和所述第二卷积神经网络为包含多个混合卷积层的深度卷积神经网络模型。
4.根据权利要求3所述的基于卷积神经网络的人脸识别监控管理***,其特征在于,所述孪生检测模块,包括:
检测特征图生成单元,用于:
使用所述第一卷积神经网络的多层卷积层对所述生成人脸检测图像进行深度卷积编码以由所述多层卷积层的最后一层输出深度校验特征图;
将所述深度校验特征图输入所述第一卷积神经网络的第一空间注意力模块以得到第一空间注意力图;以及
计算所述深度校验特征图和所述第一空间注意力图的按位置点乘以得到所述检测特征图。
5.根据权利要求4所述的基于卷积神经网络的人脸识别监控管理***,其特征在于,所述孪生检测模块,还包括:
备选特征图生成单元,用于:
使用所述第二卷积神经网络的多层卷积层对所述备选人脸图像进行深度卷积编码以由所述多层卷积层的最后一层输出深度参考特征图;
将所述深度参考特征图输入所述第二卷积神经网络的第二空间注意力模块以得到第二空间注意力图;以及
计算所述深度参考特征图和所述第二空间注意力图的按位置点乘以得到所述备选特征图。
6.根据权利要求5所述的基于卷积神经网络的人脸识别监控管理***,其特征在于,所述差分模块,包括:
按位置差分单元,用于计算所述检测特征图与所述多个备选特征图中各个备选特征图之间的按位置差分以得到多个初始差分特征图;
小尺度局部衍生特征图计算单元,用于计算所述检测特征图与所述多个备选特征图中各个备选特征图之间的小尺度局部衍生特征图以得到多个所述小尺度局部衍生特征图;以及
优化单元,用于以所述各个小尺度局部衍生特征图中各个位置的特征值作为权重对所述各个初始差分特征图进行加权以得到所述多个差分特征图。
9.根据权利要求8所述的基于卷积神经网络的人脸识别监控管理***,其特征在于,所述人脸识别结果生成模块,进一步用于将所述多个解码值中最大解码值对应的备选人脸图像作为所述待识别作业人员的身份标签。
10.一种基于卷积神经网络的人脸识别监控管理方法,其特征在于,包括:
获取待识别作业人员的人脸检测图像,所述待识别作业人员戴有口罩;
将所述待识别作业人员的人脸检测图像通过基于对抗生成网络的口罩去除器以得到生成人脸检测图像;
将所述生成人脸检测图像和数据库中录入的多个备选人脸图像通过包含第一卷积神经网络和第二卷积神经网络的孪生网络模型以得到检测特征图和多个备选特征图;
分别计算所述检测特征图与所述多个备选特征图中各个备选特征图之间的差分以得到多个差分特征图;
将所述多个差分特征图分别通过解码器以得到多个解码值,所述解码值用于表示人脸检测图像与备选人脸图像之间的相似度指标;
基于所述多个解码值,确定所述待识别作业人员的身份标签。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310190171.4A CN116403253A (zh) | 2023-03-01 | 2023-03-01 | 基于卷积神经网络的人脸识别监控管理***及其方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310190171.4A CN116403253A (zh) | 2023-03-01 | 2023-03-01 | 基于卷积神经网络的人脸识别监控管理***及其方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116403253A true CN116403253A (zh) | 2023-07-07 |
Family
ID=87006456
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310190171.4A Pending CN116403253A (zh) | 2023-03-01 | 2023-03-01 | 基于卷积神经网络的人脸识别监控管理***及其方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116403253A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117218783A (zh) * | 2023-09-12 | 2023-12-12 | 广东云百科技有限公司 | 物联网安全管理***及方法 |
CN117894107A (zh) * | 2024-03-14 | 2024-04-16 | 山东新竹智能科技有限公司 | 智能建筑安防监控***及方法 |
-
2023
- 2023-03-01 CN CN202310190171.4A patent/CN116403253A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117218783A (zh) * | 2023-09-12 | 2023-12-12 | 广东云百科技有限公司 | 物联网安全管理***及方法 |
CN117894107A (zh) * | 2024-03-14 | 2024-04-16 | 山东新竹智能科技有限公司 | 智能建筑安防监控***及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111639344B (zh) | 一种基于神经网络的漏洞检测方法及装置 | |
CN116403253A (zh) | 基于卷积神经网络的人脸识别监控管理***及其方法 | |
CN115783923B (zh) | 基于大数据的电梯故障模式识别*** | |
JP6352512B1 (ja) | 信号処理装置、信号処理方法、信号処理プログラム、及びデータ構造 | |
CN115512420A (zh) | 访客管理***及其方法 | |
CN115759658A (zh) | 适用于智慧城市的企业能耗数据管理*** | |
CN115775116B (zh) | 基于bim的路桥工程管理方法及*** | |
CN115577678B (zh) | 文档级事件因果关系识别方法、***、介质、设备及终端 | |
CN116579618B (zh) | 基于风险管理的数据处理方法、装置、设备及存储介质 | |
CN116343301B (zh) | 基于人脸识别的人员信息智能校验*** | |
US20220284332A1 (en) | Anomaly detection apparatus, anomaly detection method and program | |
CN111190967B (zh) | 用户多维度数据处理方法、装置及电子设备 | |
CN116305158A (zh) | 一种基于切片代码依赖图语义学习的漏洞识别方法 | |
CN116305119A (zh) | 基于预测指导原型的apt恶意软件分类方法和装置 | |
CN117056166A (zh) | 数据异常检测方法、装置、存储介质及电子设备 | |
Ladner et al. | Automatic abstraction refinement in neural network verification using sensitivity analysis | |
CN113778256A (zh) | 具有触摸屏的电子设备及其触摸解锁方法 | |
CN117787287A (zh) | 基于大模型的事故处理方法、***及存储介质 | |
CN117521066A (zh) | 面向工业互联网的语义增强型恶意软件检测方法 | |
CN115129896B (zh) | 基于对比学习的网络安全应急响应知识图谱关系提取方法 | |
CN116216234A (zh) | 基于视频的输煤***智能监控***及其方法 | |
CN115221321A (zh) | 一种基于多层次语义编码的特定目标情感分析方法及装置 | |
CN116628695A (zh) | 基于多任务学习的漏洞挖掘方法及装置 | |
CN111199170B (zh) | 配方文件识别方法及装置、电子设备、存储介质 | |
US20220343154A1 (en) | Method, electronic device, and computer program product for data distillation |
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 |