一种车载人脸识别模型的训练方法及系统与流程

摘要: 本发明涉及人脸识别领域,具体而言,涉及一种车载人脸识别模型的训练方法及系统。背景技术:1、目前,车载人脸识别技术广泛应用于驾驶员监控系统(drivermonit...
一种车载人脸识别模型的训练方法及系统与流程

本发明涉及人脸识别领域,具体而言,涉及一种车载人脸识别模型的训练方法及系统。

背景技术:

1、目前,车载人脸识别技术广泛应用于驾驶员监控系统(driver monitoringsystem,dms)和乘员监控系统(occupant monitoring system,oms)中,主要用于身份识别和安全监控。主流的人脸识别方法通常基于深度神经网络,通过计算人脸特征之间的相似度来进行识别。在实际应用中,车内环境复杂多变,如光照条件差、面部遮挡、大角度偏转等情况,这些因素会影响识别效果。

2、因此,如何有效评估车载场景下人脸图像的质量,以提升人脸识别的准确性,为本领域技术人员所要解决的技术问题。

技术实现思路

1、为了解决现有技术中存在的一种或多种缺陷,本发明提供了一种车载人脸识别模型的训练方法及系统。

2、一种车载人脸识别模型的训练方法,包括:

3、对输入的训练图像进行信号提取处理,得到多维度质量信号;所述多维度质量信号用于表征图像在不同维度下的质量,所述多维度质量信号包括物理质量信号及语义质量信号,所述物理质量信号基于所述训练图像的物理特征确定,所述语义质量信号基于所述训练图像的语义特征确定;

4、获取损失函数的输入值,并基于所述输入值得到对应的损失值;所述输入值包括图像质量分数及相似度参数,且所述图像质量分数与所述多维度质量信号相关,所述相似度参数为所述训练图像输入至所述初始模型得到的结果;

5、利用所述损失值对所述初始模型进行反向传播处理;

6、当所述初始模型满足预设收敛条件时,将所述初始模型确定为所述车载人脸识别模型。

7、可选的,所述对输入的训练图像进行信号提取处理,得到多维度质量信号,包括:

8、计算所述训练图像的清晰度和光照强度,并根据所述清晰度及所述光照强度确定所述物理质量信号;

9、确定所述训练图像的人脸遮挡程度及姿态偏离程度;

10、利用所述初始模型的特征提取网络提取所述训练图像的隐层特征,并基于所述隐层特征计算特征范数;

11、根据所述人脸遮挡程度、所述姿态偏离程度、所述特征范数及所述训练图像对应的置信度确定所述语义质量信号。

12、可选的,所述获取损失函数的输入值,包括:

13、获取所述多维度质量信号中每一质量信号的权重值;所述权重值为可学习参数,通过反向传播算法与所述初始模型的参数同步更新;

14、根据所述多维度质量信号中每一质量信号及对应的权重值确定每张所述训练图像的图像质量分数;

15、将所述训练图像输入至所述初始模型,得到所述相似度参数;

16、根据所述相似度参数及所述图像质量分数确定所述损失函数的输入值。

17、可选的,所述根据所述相似度参数及所述图像质量分数确定所述损失函数的输入值,包括:

18、判断所述训练图像是否为第一训练图像;所述第一训练图像对应的原始图像的通道数量小于第一预设值;

19、若是,则将所述相似度参数、所述图像质量分数及第二预设值之和确定为所述损失函数的输入值;

20、若否,则将所述相似度参数与所述图像质量分数之和确定为所述损失函数的输入值。

21、可选的,所述第二预设值与所述训练图像中所述第一训练图像的占比相关。

22、可选的,在对输入的训练图像进行信号提取处理,得到多维度质量信号之前,所述方法还包括:

23、获取原始图像;

24、判断所述原始图像的通道数量是否小于第一预设值;

25、若是,则将所述原始图像在通道维度进行复制,以使所述原始图像的通道数量等于所述第一预设值;

26、基于所述通道数量等于所述第一预设值的原始图像生成所述训练图像。

27、可选的,所述基于所述通道数量等于所述第一预设值的原始图像生成所述训练图像,包括:

28、对所述通道数量等于所述第一预设值的原始图像进行人脸检测,得到人脸感兴趣区域及对应的置信度;

29、检测所述人脸感兴趣区域的关键点信息,并基于所述关键点信息对所述人脸感兴趣区域进行对齐处理,得到所述训练图像;所述训练图像的置信度为所述训练图像中所述人脸感兴趣区域对应的置信度。

30、一种车载人脸识别模型的训练系统,包括:

31、信号提取模块,用于对输入的训练图像进行信号提取处理,得到多维度质量信号;所述多维度质量信号用于表征图像在不同维度下的质量,所述多维度质量信号包括物理质量信号及语义质量信号,所述物理质量信号基于所述训练图像的物理特征确定,所述语义质量信号基于所述训练图像的语义特征确定;

32、获取模块,用于获取损失函数的输入值,并基于所述输入值得到对应的损失值;所述输入值包括图像质量分数及相似度参数,且所述图像质量分数与所述多维度质量信号相关,所述相似度参数为所述训练图像输入至所述初始模型得到的结果;

33、反向传播模块,用于利用所述损失值对所述初始模型进行反向传播处理;

34、确定模块,用于当所述初始模型满足预设收敛条件时,将所述初始模型确定为所述车载人脸识别模型。

35、一种电子设备,包括:处理器和存储器,所述存储器用于存储至少一条指令,所述指令由所述处理器加载并执行时以实现如上述任意一项所述的车载人脸识别模型的训练方法。

36、一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如上述任意一项所述的车载人脸识别模型的训练方法。

37、本发明实施例提供的车载人脸识别模型的训练方法,包括:对输入的训练图像进行信号提取处理,得到多维度质量信号;获取损失函数的输入值,并基于输入值得到对应的损失值;利用损失值对初始模型进行反向传播处理;当初始模型满足预设收敛条件时,将初始模型确定为车载人脸识别模型。本发明通过提取多维度质量信号,可以从多个维度评估图像质量。基于多维度质量信号确定的图像质量分数能更准确地反映图像的实际状况,从而指导损失函数输入值的调整。对于高质量图像,损失函数会施加更强的约束,促使车载人脸识别模型更严格地学习有效特征;对于低质量图像,损失函数则会减弱约束,避免模型学习到无效或错误的信息。这种自适应的训练方式有助于提高车载人脸识别模型在各种复杂环境下的识别可靠性。

1.一种车载人脸识别模型的训练方法,其特征在于,包括:

2.根据权利要求1所述的方法,其特征在于,所述对输入的训练图像进行信号提取处理,得到多维度质量信号,包括:

3.根据权利要求1所述的方法,其特征在于,所述获取损失函数的输入值,包括:

4.根据权利要求3所述的方法,其特征在于,所述根据所述相似度参数及所述图像质量分数确定所述损失函数的输入值,包括:

5.根据权利要求4所述的方法,其特征在于,所述第二预设值与所述训练图像中所述第一训练图像的占比相关。

6.根据权利要求1所述的方法,其特征在于,在对输入的训练图像进行信号提取处理,得到多维度质量信号之前,所述方法还包括:

7.根据权利要求6所述的方法,其特征在于,所述基于所述通道数量等于所述第一预设值的原始图像生成所述训练图像,包括:

8.一种车载人脸识别模型的训练系统,其特征在于,包括:

9.一种电子设备,其特征在于,包括:处理器和存储器,所述存储器用于存储至少一条指令,所述指令由所述处理器加载并执行时以实现如权利要求1-7中任意一项所述的车载人脸识别模型的训练方法。

10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-7中任意一项所述的车载人脸识别模型的训练方法。