一种口罩人脸识别方法及装置与流程

1.本发明涉及图像处理技术领域，具体涉及一种口罩人脸识别方法及装置。


背景技术：

2.人脸识别是一项通过提取面部的图像特征来对人进行身份识别的技术，具有准确的高，且无接触的优点，被广泛应用于现实生活中。口罩人脸识别面向的是佩戴口罩的人脸图像，通过对图像中佩戴口罩人脸检测并提取特征，实现佩戴口罩人脸的身份鉴定。在一些需要佩戴口罩的特定场合，比如食堂、饭店等员工需要佩戴口罩上岗，或由于特殊情况，需要行人佩戴口罩的场景，都可以适用。
3.在现有的大多数人脸识别使用场景下，使用的都是针对无遮挡人脸识别系统，提取其中关键点并完成人脸识别。


技术实现要素：

5.鉴于所述问题，提出了本技术以便提供克服所述问题或者至少部分地解决所述问题的一种口罩人脸识别方法及装置，包括：
6.一种口罩人脸识别方法，所述方法用于人脸的识别，包括：
7.获取人脸图像数据，并依据所述人脸图像数据生成人脸区域数据；其中，所述人脸区域数据为佩戴口罩的人脸数据；
8.依据所述人脸区域数据的口罩进行权重降低生成人脸特征向量，并依据所述人脸特征向量构建口罩遮挡人脸识别模型；
9.依据所述口罩遮挡人脸识别模型进行人脸识别。
10.优选地，所述依据所述人脸图像数据生成人脸区域数据的步骤，包括：
11.获取人脸图像数据，并依据所述人脸图像数据生成佩戴口罩的人脸图像数据；其中，所述人脸图像数据为未佩戴口罩的人脸图像；
12.依据所述佩戴口罩的人脸图像数据生成人脸区域数据。
13.优选地，所述依据所述人脸图像数据生成佩戴口罩的人脸图像数据的步骤，包括：
14.依据所述人脸图像数据驱动口罩区域和非口罩区域，依据所述口罩区域5和所述非口罩区域生成所述佩戴口罩的人脸图像数据。
15.优选地，所述依据所述佩戴口罩的人脸图像数据生成人脸区域数据的步骤，包括：
16.将所述佩戴口罩的人脸图像数据带入预设的人脸框进行特征提取生成相对应的人脸概率；其中，所述预设的人脸框至少一个；
17.0依据所述人脸概率生成人脸区域数据。
18.优选地，所述依据所述人脸区域数据的口罩进行权重降低生成人脸特征向量，并依据所述人脸特征向量构建口罩遮挡人脸识别模型的步骤，包括：
19.依据所述佩戴口罩的人脸数据进行数据挖掘生成挖掘信息数据；
20.依据所述挖掘信息数据构建所述口罩遮挡人脸识别模型。
21.5优选地，所述依据所述佩戴口罩的人脸数据进行数据挖掘生成挖掘信息数据的步骤，包括：
22.对所述佩戴口罩的人脸数据进行提取生成图像的高维特征；
23.对所述图像的高维特征对未遮挡部分进行信息挖掘生成挖掘信息数据。
24.优选地，所述依据所述挖掘信息数据构建所述口罩遮挡人脸识别模型的0步骤，包括：
25.依据所述挖掘信息数据生成512维特征向量；
26.依据所述512维特征向量构建口罩遮挡人脸识别模型。
27.为实现本技术还包括一种口罩人脸识别装置，所述装置用于人脸的识别，包括：
28.5图像获取模块，用于获取人脸图像数据，并依据所述人脸图像数据生成人脸区域数据；其中，所述人脸区域数据为佩戴口罩的人脸数据；
29.模型构建模块，用于依据所述人脸区域数据的口罩进行权重降低生成人脸特征向量，并依据所述人脸特征向量构建口罩遮挡人脸识别模型；
30.人脸识别模块，用于依据所述口罩遮挡人脸识别模型进行人脸识别。
31.为实现本技术还包括一种电子设备，包括处理器、存储器及存储在所述存储器上并能够在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如所述的口罩人脸识别方法的步骤。
32.为实现本技术还包括一种计算机可读存储介质，所述计算机可读存储介质上存储计算机程序，所述计算机程序被处理器执行时实现如所述的口罩人脸识别方法的步骤。
33.本技术具有以下优点：
34.在本技术的实施例中，相对于现有技术中的针对无遮挡人脸识别系统，本技术提供了依据人脸区域数据的口罩进行权重降低生成人脸特征向量，并依据人脸特征向量构建口罩遮挡人脸识别模型的解决方案，具体为：获取人脸图像数据，并依据所述人脸图像数据生成人脸区域数据；其中，所述人脸区域数据为佩戴口罩的人脸数据；依据所述人脸区域数据的口罩进行权重降低生成人脸特征向量，并依据所述人脸特征向量构建口罩遮挡人脸识别模型；依据所述口罩遮挡人脸识别模型进行人脸识别。通过口罩遮挡人脸识别模型解决了现有技术无法识别戴口罩的人脸图像的问题，本技术达到了对戴口罩的人脸进行人脸识别的目的。
附图说明
35.为了更清楚地说明本技术的技术方案，下面将对本技术的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技术的一些实施例，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他的附图。
36.图1是本技术一实施例提供的一种口罩人脸识别方法的步骤流程图；
37.图2是本技术一实施例提供的facetiousness的神经网络结构示意图；
38.图3是本技术一实施例提供的一种口罩人脸识别方法的人脸区域分割图；
39.图4是本技术一实施例提供的一种口罩人脸识别方法的模型总体结构图；
40.图5是本技术一实施例提供的一种口罩人脸识别方法的squeeze-and-excitation
模块示意图；
41.图6是本技术一实施例提供的一种口罩人脸识别方法的axial-attention模块示意图；
42.图7是本技术一实施例提供的一种口罩人脸识别方法的完整的axial-attention示意图；
43.图8是本技术一实施例提供的一种口罩人脸识别装置的结构框图；
44.图9是本发明一实施例提供的一种计算机设备的结构示意图。
具体实施方式
45.为使本技术的所述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本技术作进一步详细的说明。显然，所描述的实施例是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，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他实施例，都属于本技术保护的范围。
46.需要说明的是，对于每一张人脸图像，系统需要先识别并裁剪出人脸区域，然后再使用提取其中关键点并进行人脸对齐，最后使用训练好的模型将人脸图像转化为特征向量，再利用特征向量进行身份的识别。具体的使用过程中，需要先录入待识别用户的人脸图像，分别提取转化为人脸特征向量，并存储为数据库，在有识别请求时，对于待识别的图像经过同样的方法转化为特征向量，然后计算带查询向量与数据库中的特征向量的欧式距离，若数据库中存在与查询向量的距离小于阈值记录，则识别为该用户，若没有则未查询到。
47.由于现有的模型往往无法识别戴口罩的人脸图像，需要用户在使用系统时摘下口罩，给用户的使用添加麻烦。现有模型的往往训练与无遮挡的人脸图像上，对于戴口罩的人脸图像往往无法很好的提取特征，识别错误率大大提高。
48.参照图1，示出了本技术一实施例提供的一种口罩人脸识别方法的步骤流程图，具体包括如下步骤：
49.s110、获取人脸图像数据，并依据所述人脸图像数据生成人脸区域数据；其中，所述人脸区域数据为佩戴口罩的人脸数据；
50.s120、依据所述人脸区域数据的口罩进行权重降低生成人脸特征向量，并依据所述人脸特征向量构建口罩遮挡人脸识别模型；
51.s130、依据所述口罩遮挡人脸识别模型进行人脸识别。
52.在本技术的实施例中，相对于现有技术中的针对无遮挡人脸识别系统，本技术提供了依据人脸区域数据的口罩进行权重降低生成人脸特征向量，并依据人脸特征向量构建口罩遮挡人脸识别模型的解决方案，具体为：获取人脸图像数据，并依据所述人脸图像数据生成人脸区域数据；其中，所述人脸区域数据为佩戴口罩的人脸数据；依据所述人脸区域数据的口罩进行权重降低生成人脸特征向量，并依据所述人脸特征向量构建口罩遮挡人脸识别模型；依据所述口罩遮挡人脸识别模型进行人脸识别。通过口罩遮挡人脸识别模型解决了现有技术无法识别戴口罩的人脸图像的问题，本技术达到了对戴口罩的人脸进行人脸识别的目的。
53.下面，将对本示例性实施例中的口罩人脸识别方法作进一步地说明。
54.如上述步骤s110所述，获取人脸图像数据，并依据所述人脸图像数据生成人脸区域数据；其中，所述人脸区域数据为佩戴口罩的人脸数据。
55.在本发明一实施例中，可以结合下列描述进一步说明步骤s110所述“获取人脸图像数据，并依据所述人脸图像数据生成人脸区域数据；其中，所述人脸区域数据为佩戴口罩的人脸数据”的具体过程。
56.如下列步骤所述，获取人脸图像数据，并依据所述人脸图像数据生成佩戴口罩的人脸图像数据；其中，所述人脸图像数据为未佩戴口罩的人脸图像；依据所述佩戴口罩的人脸图像数据生成人脸区域数据。
57.如下列步骤所述，依据所述人脸图像数据驱动口罩区域和非口罩区域，依据所述口罩区域和所述非口罩区域生成所述佩戴口罩的人脸图像数据。
58.如下列步骤所述，将所述佩戴口罩的人脸图像数据带入预设的人脸框进行特征提取生成相对应的人脸概率；其中，所述预设的人脸框至少一个；依据所述人脸概率生成人脸区域数据。
59.在一具体实施例中，由于佩戴口罩的人脸识别数据集的缺失，首先需要将普通的人脸识别数据集通过开源工具masktheface生成佩戴口罩的人脸识别数据集，使用工具将普通图片转化为戴口罩数据。普通的人脸识别数据无数量要求，数据集的内容是会影响训练得到的模型质量，例如使用欧美人脸为主的数据集训练得到的模型，在亚洲人脸上的精度会下降，因此，本技术采用的是亚洲人脸的数据，并将男女、儿童脸部图像的数据的数量设置相同。
60.在一具体实施例中，使用预训练的分割模型将戴口罩的图像中的人脸区域准确的分割，从而方便后续的特征提取和识别。人脸识别首先是从一张图片中将人脸区域割出来，如图3所示。传统的人脸识别因为不是针对戴口罩的情况，所以经常找不到戴口罩的人脸区域，这里使用的是开源的facemaskdetection模型，它本身是一个检查是否正确佩戴口罩的工具，但在这里可以使用它将戴口罩人脸区域分割出来。facemaskdetection模型会使用5个固定大小的框来对图片所有可选区域提取特征，得到对应区域是否为人脸的概率，根据概率的大小判断是否为人脸，然后将有重叠的区域进行合并，选择概率最大的区域作为最终选择。facemaskdetection是一个神经网络，具体结构如图2所示。
61.在一具体实施例中，facemaskdetection模型，划分人脸和非人脸区域的之间的边界，边界是通过选择为人脸概率最大的区域决定的，主要是因为facemaskdetection模型训练在口罩数据上，所以准确度比一般的训练在普通数据集上分割更好。
62.如上述步骤s120依据所述人脸区域数据的口罩进行权重降低生成人脸特征向量，并依据所述人脸特征向量构建口罩遮挡人脸识别模型。
63.在本发明一实施例中，可以结合下列描述进一步说明步骤s120所述“依据所述人脸区域数据的口罩进行权重降低生成人脸特征向量，并依据所述人脸特征向量构建口罩遮挡人脸识别模型”的具体过程。
64.如下列步骤所述，依据所述佩戴口罩的人脸数据进行数据挖掘生成挖掘信息数据；依据所述挖掘信息数据构建所述口罩遮挡人脸识别模型。
65.在本发明一实施例中，可以结合下列描述进一步说明步骤“依据所述佩戴口罩的人脸数据进行数据挖掘生成挖掘信息数据”的具体过程。
66.如下列步骤所述，对所述佩戴口罩的人脸数据进行提取生成图像的高维特征；对所述图像的高维特征对未遮挡部分进行信息挖掘生成挖掘信息数据。
67.如下列步骤所述，依据所述挖掘信息数据生成512维特征向量；依据所述512维特征向量构建口罩遮挡人脸识别模型。
68.在一具体实施例中，通过在残差神经网路中插入卷积块注意模块，用以帮助模型更好的提取图像中人脸区域信息，降低口罩特征的权重。输出为512维的特征向量。
69.在一具体实施例中，模型的总体结构如图4，输入图片，依次通过一层stem，5层inception-resnet-a，一层reduction-a和10层inception-resnet-b，一层reduction-b和5层inception-resnet-c(这些都是inceptionresnetv1模型结构的一部分，inceptionresnetv1是一个图像特征提取的经典网络，使用这些结构是为了提取图像的高维特征。这里直接使用了inceptionresnetv1的原始结构，具体查看stem等子结构信息，将图像中信息进行提取。
70.使用squeeze-and-excitation模块，增加了对通道的注意力，根据不同通道的重要性给予不同通道的不同权重。而axial-attention模块，它的作用是可以在简化运算的条件下，添加空间注意力。将squeeze-and-excitation模块和axial attention引入，使得模型可以获取通道注意力和空间注意力，目的就是将图像中的未被遮挡的部分信息挖掘出来，从而提高模型准确性。dropout层是为了通过在训练中休眠部分神经元避免模型过拟合。
71.在一具体实施例中，linear层则是将模型提取到的信息编码为512维特征向量，用于后续任务。选用backbone为残差网络inceptionresnetv1，预训练的参数选择的是vggface2，在使用时其实只使用其中的inception模块来提取特征。
72.插入se模块，可以在不改变inceptionresnetv1整体结构的情况下，
73.加入axial attention，它的作用是可以在简化运算的条件下，添加空间注意力。
74.将se模块和axial attention引入，使得模型可以获取通道注意力和空间注意力，目的就是将图像中的未被遮挡的部分信息挖掘出来，从而提高模型准确性。
75.作为一种实施例，所述依据所述人脸区域数据的口罩进行权重降低生成人脸特征向量的，降低口罩特征的权重，是通过注意力机制会帮助关注到一张图片中的重点，即非口罩部分，相对减少口罩部分的关注。
76.在一具体实施例中，squeeze-and-excitation模块，主要是通道注意力。结构如图5。
77.如图5所示，一张图片经过特征提起部分输出类似上图的u，即feature map，其中即对u的每一个通道求平均，而则是全连接层，则是使用sigmoid将每一层的权重限制在[0,1]之间。整个操作的目的就是给feature map的每个通道加上一个权重，让重要的通道的权重更大，对于我们这里就是想让含有人脸特征，方便分类的通道能占更大权重，而包含口罩部分的通道权重降低。
[0078]
axial-attention模块(可以借鉴横着注意力+竖着注意力-简书(jianshu.com))则是对图像中的每个位置求权重。这里的注意力机制借鉴于传统的self-attention，使用q，k，v计算权重。传统的方法如图6左侧所示，通过公式
计算得到，但是这个给公式没有位置信息，所以改进成右侧的计算得到，但是这个给公式没有位置信息，所以改进成右侧的
[0079]
但是如图6右侧所示，它是一个沿着宽度方向的位置感知的轴向注意力，可以看到出现h
×
(w
×
w)大小的中间变量。一个完整的axial-attention是由两个轴向注意力组合而成的，一个横向一个纵向，如图7所示。所以这一部分是对每个位置进行注意力计算，调整权重。
[0080]
以h
×w×
c大小的feature map为例，第一部分的注意力特征作用在c上，第二部分注意力作用在h和w上。
[0081]
如上述步骤s130依据所述口罩遮挡人脸识别模型进行人脸识别。
[0082]
在本发明一实施例中，可以结合下列描述进一步说明步骤s130所述“依据所述口罩遮挡人脸识别模型进行人脸识别”的具体过程。
[0083]
在一具体实施例中，依据所述口罩遮挡人脸识别模型进行人脸识别
[0084]
在一具体实施例中，经过测试使用arcface loss作为损失函数，同时使用按需调整学习率的方法训练模型，模型的最终效果最好。
[0085]
作为一种实施例，在图4中，stem模块到5x inception-resnet-c为特征提取部分，squeeze-andexcitation和axial-attention为注意力添加部分。
[0086]
在一具体实施例中，模型主体使用的是arcface loss作为计算模型损失的工具，同时使用以下两个方法来辅助训练。
[0087]
1、调整学习率，也就是在初始时学习率较大，快速收敛，后期使用较小学习率，进行微调，具体使用的参数为
[0088]
optim.lr_scheduler.multisteplr(optimizer,milestones＝[3,6,9,12],gamma＝0.1)
[0089]
也就是初始学习率为0.1，分别在3，6，9，12次循环时下降到原来的0.1，即分别为0.001，0.0001，0.00001，0.000001。
[0090]
2、focal loss，可以调整不同样本的loss权重，使得模型更加专注于难样本，即模型容易分错的样本，从而提高模型的效能。
[0091]
对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
[0092]
参照图8，示出了本技术一实施例提供的一种口罩人脸识别装置，具体包括如下模块，
[0093]
图像获取模块810：用于获取人脸图像数据，并依据所述人脸图像数据生成人脸区域数据；其中，所述人脸区域数据为佩戴口罩的人脸数据；
[0094]
模型构建模块820：用于依据所述人脸区域数据的口罩进行权重降低生成人脸特征向量，并依据所述人脸特征向量构建口罩遮挡人脸识别模型；
[0095]
人脸识别模块830：用于依据所述口罩遮挡人脸识别模型进行人脸识别。
[0096]
在本发明一实施例中，所述图像获取模块810包括：
[0097]
人脸图像数据模块：用于获取人脸图像数据，并依据所述人脸图像数据生成佩戴口罩的人脸图像数据；其中，所述人脸图像数据为未佩戴口罩的人脸图像；
[0098]
人脸区域数据模块：用于依据所述佩戴口罩的人脸图像数据生成人脸区域数据。
[0099]
佩戴口罩的人脸图像数据生成模块：用于依据所述人脸图像数据驱动口罩区域和非口罩区域，依据所述口罩区域和所述非口罩区域生成所述佩戴口罩的人脸图像数据；
[0100]
人脸概率模块：用于将所述佩戴口罩的人脸图像数据带入预设的人脸框进行特征提取生成相对应的人脸概率；其中，所述预设的人脸框至少一个；
[0101]
人脸区域数据生成模块：用于依据所述人脸概率生成人脸区域数据。
[0102]
在本发明一实施例中，所述模型构建模块820包括：
[0103]
挖掘信息数据模块：用于依据所述佩戴口罩的人脸数据进行数据挖掘生成挖掘信息数据；
[0104]
口罩遮挡人脸识别模块：用于依据所述挖掘信息数据构建所述口罩遮挡人脸识别模型。
[0105]
512维特征向量模块：用于依据所述挖掘信息数据生成512维特征向量；
[0106]
模型构建模块：用于依据所述512维特征向量构建口罩遮挡人脸识别模型。
[0107]
需要说明的是，对于方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明实施例并不受所描述的动作顺序的限制，因为依据本发明实施例，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作并不一定是本发明实施例所必须的。
[0108]
在本具体实施例与上述具体实施例中有重复的操作步骤，本具体实施例仅做简单描述，其余方案参考上述具体实施例描述即可。
[0109]
对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
[0110]
参照图9，示出了本技术的一种口罩人脸识别方法的计算机设备，具体可以包括如下：
[0111]
上述计算机设备12以通用计算设备的形式表现，计算机设备12的组件可以包括但不限于：一个或者多个处理器或者处理单元16，内存28，连接不同系统组件(包括内存28和处理单元16)的总线18。
[0112]
总线18表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(isa)总线，微通道体系结构(mac)总线，增强型isa总线、音视频电子标准协会(vesa)局域总线以及外围组件互连(pci)总线。
[0113]
计算机设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机设备12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
[0114]
内存28可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器30和/或高速缓存存储器32。计算机设备12可以进一步包括其他移动/不可移动的、易失性/非易失性计算机体统存储介质。仅作为举例，存储系统34可以用于读写不可移动的、非易失性磁介质(通常称为“硬盘驱动器”)。尽管图9中未示出，可以提供用于对可移动非易失性磁盘(如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如cd-rom，dvd-rom或者其他光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介
质界面与总线18相连。存储器可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块42，这些程序模块42被配置以执行本技术各实施例的功能。
[0115]
具有一组(至少一个)程序模块42的程序/实用工具40，可以存储在例如存储器中，这样的程序模块42包括——但不限于——操作系统、一个或者多个应用程序、其他程序模块42以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本技术所描述的实施例中的功能和/或方法。
[0116]
计算机设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24、摄像头等)通信，还可与一个或者多个使得操作人员能与该计算机设备12交互的设备通信，和/或与使得该计算机设备12能与一个或多个其他计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过i/o接口22进行。并且，计算机设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(lan))，广域网(wan)和/或公共网络(例如因特网)通信。如图9所示，网络适配器20通过总线18与计算机设备12的其他模块通信。应当明白，尽管图9中未示出，可以结合计算机设备12使用其他硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元16、外部磁盘驱动阵列、raid系统、磁带驱动器以及数据备份存储系统34等。
[0117]
处理单元16通过运行存储在内存28中的程序，从而执行各种功能应用以及数据处理，例如实现本技术实施例所提供的一种口罩人脸识别方法。
[0118]
也即，上述处理单元16执行上述程序时实现：获取人脸图像数据，并依据所述人脸图像数据生成人脸区域数据；其中，所述人脸区域数据为佩戴口罩的人脸数据；依据所述人脸区域数据的口罩进行权重降低生成人脸特征向量，并依据所述人脸特征向量构建口罩遮挡人脸识别模型；依据所述口罩遮挡人脸识别模型进行人脸识别。
[0119]
在本技术实施例中，本技术还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本技术所有实施例提供的一种口罩人脸识别方法。
[0120]
也即，给程序被处理器执行时实现：获取人脸图像数据，并依据所述人脸图像数据生成人脸区域数据；其中，所述人脸区域数据为佩戴口罩的人脸数据；依据所述人脸区域数据的口罩进行权重降低生成人脸特征向量，并依据所述人脸特征向量构建口罩遮挡人脸识别模型；依据所述口罩遮挡人脸识别模型进行人脸识别。
[0121]
可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线或半导体的系统、装置或器件，或者任意以上的组合。计算机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、便携式计算机磁盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
[0122]
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括——但不限于——电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者
传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
[0123]
可以以一种或多种程序设计语言或其组合来编写用于执行本技术操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言——诸如java、smalltalk、c++，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操作人员计算机上执行、部分地在操作人员计算机上执行、作为一个独立的软件包执行、部分在操作人员计算机上部分在远程计算机上执行或者完全在远程计算机或者服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(lan)或广域网(wan)——连接到操作人员计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。
[0124]
尽管已描述了本技术实施例的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本技术实施例范围的所有变更和修改。
[0125]
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语5仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求
[0126]
或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，
[0127]
而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物0品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
[0128]
以上对本技术所提供的一种口罩人脸识别方法及装置，进行了详细介绍，
[0129]
本文中应用了具体个例对本技术的原理及实施方式进行了阐述，以上实施例5的说明只是用于帮助理解本技术的方法及其核心思想；同时，对于本领域的一般技术人员，依据本技术的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本技术的限制。

技术特征：
1.一种口罩人脸识别方法，所述方法用于人脸的识别，其特征在于，包括：获取人脸图像数据，并依据所述人脸图像数据生成人脸区域数据；其中，所述人脸区域数据为佩戴口罩的人脸数据；依据所述人脸区域数据的口罩进行权重降低生成人脸特征向量，并依据所述人脸特征向量构建口罩遮挡人脸识别模型；依据所述口罩遮挡人脸识别模型进行人脸识别。2.根据权利要求1所述的口罩人脸识别方法，其特征在于，所述依据所述人脸图像数据生成人脸区域数据的步骤，包括：获取人脸图像数据，并依据所述人脸图像数据生成佩戴口罩的人脸图像数据；其中，所述人脸图像数据为未佩戴口罩的人脸图像；依据所述佩戴口罩的人脸图像数据生成人脸区域数据。3.根据权利要求2所述的口罩人脸识别方法，其特征在于，所述依据所述人脸图像数据生成佩戴口罩的人脸图像数据的步骤，包括：依据所述人脸图像数据驱动口罩区域和非口罩区域，依据所述口罩区域和所述非口罩区域生成所述佩戴口罩的人脸图像数据。4.根据权利要求2所述的口罩人脸识别方法，其特征在于，所述依据所述佩戴口罩的人脸图像数据生成人脸区域数据的步骤，包括：将所述佩戴口罩的人脸图像数据带入预设的人脸框进行特征提取生成相对应的人脸概率；其中，所述预设的人脸框至少一个；依据所述人脸概率生成人脸区域数据。5.根据权利要求1所述的口罩人脸识别方法，其特征在于，所述依据所述人脸区域数据的口罩进行权重降低生成人脸特征向量，并依据所述人脸特征向量构建口罩遮挡人脸识别模型的步骤，包括：依据所述佩戴口罩的人脸数据进行数据挖掘生成挖掘信息数据；依据所述挖掘信息数据构建所述口罩遮挡人脸识别模型。6.根据权利要求5所述的口罩人脸识别方法，其特征在于，所述依据所述佩戴口罩的人脸数据进行数据挖掘生成挖掘信息数据的步骤，包括：对所述佩戴口罩的人脸数据进行提取生成图像的高维特征；对所述图像的高维特征对未遮挡部分进行信息挖掘生成挖掘信息数据。7.根据权利要求5所述的口罩人脸识别方法，其特征在于，所述依据所述挖掘信息数据构建所述口罩遮挡人脸识别模型的步骤，包括：依据所述挖掘信息数据生成512维特征向量；依据所述512维特征向量构建口罩遮挡人脸识别模型。8.一种口罩人脸识别装置，所述装置用于人脸的识别，其特征在于，包括：图像获取模块，用于获取人脸图像数据，并依据所述人脸图像数据生成人脸区域数据；其中，所述人脸区域数据为佩戴口罩的人脸数据；模型构建模块，用于依据所述人脸区域数据的口罩进行权重降低生成人脸特征向量，并依据所述人脸特征向量构建口罩遮挡人脸识别模型；人脸识别模块，用于依据所述口罩遮挡人脸识别模型进行人脸识别。
9.一种电子设备，其特征在于，包括处理器、存储器及存储在所述存储器上并能够在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如权利要求1至7中任一项所述的口罩人脸识别方法的步骤。10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的口罩人脸识别方法的步骤。

技术总结
本发明提供了一种口罩人脸识别方法及装置，通过本申请提供了依据人脸区域数据的口罩进行权重降低生成人脸特征向量，并依据人脸特征向量构建口罩遮挡人脸识别模型的解决方案，具体为：获取人脸图像数据，并依据所述人脸图像数据生成人脸区域数据；其中，所述人脸区域数据为佩戴口罩的人脸数据；依据所述人脸区域数据的口罩进行权重降低生成人脸特征向量，并依据所述人脸特征向量构建口罩遮挡人脸识别模型；依据所述口罩遮挡人脸识别模型进行人脸识别。通过口罩遮挡人脸识别模型解决了现有技术无法识别戴口罩的人脸图像的问题，本申请达到了对戴口罩的人脸进行人脸识别的目的。到了对戴口罩的人脸进行人脸识别的目的。到了对戴口罩的人脸进行人脸识别的目的。


技术研发人员：苏敬勇 陈勇勇 刘皓 周洲
受保护的技术使用者：深圳六零四五科技有限公司
技术研发日：2022.12.30
技术公布日：2023/7/20