基于自学习预测模型的人脸识别系统及方法与流程

1.本发明涉及人脸识别技术领域，尤其涉及一种基于自学习预测模型的人脸识别系统及方法。


背景技术：

2.数字化建设的背景下，人脸识别技术的应用越来越广泛，包括：园区安防、出入门禁、场馆管理、宿舍管理、会议室签到等各种场景，现已深入到人们工作、学习、生活中的方方面面。支撑人脸识别技术的人像特征数据作为个人的敏感信息在管理上则变得尤为重要。对于人像数据的安全、识别、规范成为在数字化建设上面临的重要问题。
3.现市场上对于人像生物特征识别的算法，主要是基于算法厂商对照片人脸面部结构点进行综合性计算，得到人像数据模型进行比对识别完成的。各算法厂商都有基于自身算法特性的人像识别算法机制，无法实现算法互认及识别。这样当众多业务场景上应用了多个人像算法厂商的设备及系统时，就会造成系统在采集人脸数据时，采集的人像数据照片给到各个算法厂商，无法进行完美匹配使用的问题。
4.针对以上问题，本发明提出了基于自学习预测模型的人脸识别系统及方法，通过自定义生成多种人像算法照片，去主动对第三方厂商的人脸识别算法进行反复测算，最终通过分析测算模型数据(基于人脸真人检测、是否戴眼镜检测、左右眼睛睁合检测、戴口罩检测、人脸上下左右倾斜角度检测、人脸照片中占比及位置检测、人脸面部光线检测、面部遮挡检测、面部溢出照片检测分析)得到最匹配第三方厂商人脸识别算法的测算模型。然后基于此模型进行人像采集，可以达到此人像在此算法平台下的高识别、精准化应用。


技术实现要素：

5.本发明提供了一种基于自学习预测模型的人脸识别系统及方法，旨在解决现有技术中当众多业务场景上应用了多个人像算法厂商的设备及系统时，就会造成系统在采集人脸数据时，采集的人像数据照片给到各个算法厂商，无法进行完美匹配使用的问题。
6.为解决以上问题，本发明公开了一种基于自学习预测模型的人脸识别系统，包括：自学习策略生成器模块、人像照片生成器模块、自动测算模块、通过率分析器模块、算法采集策略模块、算法专属人像数据库模块；
7.自学习策略生成器模块，用于通过建立自学习策略模型生成基于人像照片的脸部不同状态下的检测项目，将各项检测项目进行独立逐一测算，测算方式为通过海量的人像照片对检测项目的标准性进行测算，将通过率最高的参数区间进行记录，其中，所有参数区间统称为适应性参数集；
8.人像照片生成器模块，用于将各检测项目的适应性参数集进行分段性区间取值，将各检测项目的取值区间进行交叉组合生成众多幂值参数集，建立符合参数集要求的人像照片采集渠道，通过采集渠道采集符合渠道参数要求的人像照片并进行记录存储；
9.自动测算模块，用于将采集到的人像照片推送到第三方厂商算法的接口中去进行
自动测算，获得各参数集人像照片的通过率；
10.通过率分析器模块，用于自动测算完成后将测算数据导入并进行参数平均值分析，得到最匹配的第三方厂商算法识别的人像质量照片参数集测算模型；
11.算法采集策略模块，用于通过最匹配的人像质量照片参数集测算模型反向建立采集模型，此模型即最佳人像采集算法模型；
12.算法专属人像数据库模块，用于通过最佳人像采集算法模型建立第三方厂商算法平台专属的人像照片采集渠道并进行人像照片数据采集，最后将采集到的人像照片转换为人像特征值进行加密存储，形成第三方算法平台的专属人像数据库。
13.作为优选，人像照片的脸部不同状态下的检测项目包括：人脸真人检测、是否戴眼镜检测、左右眼睛睁合检测、戴口罩检测、人脸上下左右倾斜角度检测、人脸照片中占比及位置检测、人脸面部光线检测、面部遮挡检测、面部溢出照片检测。
14.作为优选，不同参数区间的范围和检测标准如下：
15.人脸真人检测：通过对人脸面部结构点进行捕捉，检测捕捉范围在80-150结构点范围之内为有效捕捉范围，即判定为真人照片；
16.是否戴眼镜检测：通过对人脸面部结构点遮挡进行判断，确保眼部及眼周结构点可识别范围在80％-100％之间，则判定此人像未戴眼镜，否则判定此人像戴眼镜；
17.左右眼睛睁合检测：通过检测上下眼睑结构点距离进行判定，若上下眼睑结构点距离小于1-3mm，且未检测到瞳孔、虹膜结构点，则判定为闭眼，否则判定为睁眼；
18.戴口罩检测：通过检测下巴及口轮匝肌周边结构点的遮挡情况，若遮挡率达到80％-100％之间，则判定此人佩戴口罩。
19.作为优选，不同参数区间的范围和检测标准如下：
20.人脸上下左右倾斜角度检测：通过三维结构互联法将人像面部结构点连接后建立立体人像模型，在模型上利用水平坐标偏离法，测算人像面部结构点相对的倾斜角度，进而测算出真是人像在照片中是否发生偏离，若偏离倾斜角度大于10-25度，则判定此人像处于倾斜状态，否则判定此人像处于未倾斜状态。
21.人脸照片中占比及位置检测：通过图像识别技术识别人脸在照片中的位置范围，分析人脸在照片中的占比，当人脸面积小于照片面积的40％，则判定此人像处于占比异常状态。
22.作为优选，不同参数区间的范围和检测标准如下：
23.人脸面部光线检测：偏光度，色阶，色差，曝光度；
24.面部遮挡检测：若面部结构点这档比例达到60％-80％之间，则判定为面部遮挡；
25.面部溢出照片检测：若面部结构点完整比例小于90％，则判定此人像溢出或遮挡。
26.作为优选，所述人脸真人检测的80-150结构点，可按3或5或7进行分段，其中，分为7段为：80-90、90-100、100-110、110-120、120-130、130-140、140-150。
27.作为优选，所述人像照片生成器模块采集人像照片通过架设固定采集设备摄像机采集器或移动采集设备手机摄像头对实验人群的人像照片进行采集。
28.作为优选，所述自动测试模块中第三方厂商算法的接口为sdk，将采集的人像照片依次通过第三方厂商算法的sdk记录人像照片的识别通过率，通过率用60％-100％区间记录；将60％-100％区间段内的人像照片删除最高通过率和最低通过率，然后进行平均值测
算得出平均通过率，最后选择最接近平均通过率的人像照片参数作为人像照片参数集测算模型。
29.作为优选，当第三方厂商算法sdk升级或更改后，本系统也生成新算法专属采集渠道及数据库。
30.为解决以上问题，本发明还公开了一种基于自学习预测模型的人脸识别方法，包括如下步骤：
31.a、通过建立自学习策略模型生成基于人像照片的脸部不同状态下的检测项目，将各项检测项目进行独立逐一测算，测算方式为通过海量的人像照片对检测项目的标准性进行测算，将通过率最高的参数区间进行记录，其中，所有参数区间统称为适应性参数集；
32.b、将各检测项目的适应性参数集进行分段性区间取值，将各检测项目的取值区间进行交叉组合生成众多幂值参数集，建立符合参数集要求的人像照片采集渠道，通过采集渠道采集符合渠道参数要求的人像照片并进行记录存储；
33.c、将采集到的人像照片推送到第三方厂商算法的接口中去进行自动测算，获得各参数集人像照片的通过率；
34.d、自动测算完成后将测算数据导入并通过率分析器模块进行参数平均值分析，得到最匹配的第三方厂商算法识别的人像照片参数集测算模型；
35.e、通过最匹配的人像照片参数集测算模型反向建立采集模型，此模型即最佳人像采集算法模型；
36.f、通过最佳人像采集算法模型建立第三方厂商算法平台专属的人像照片采集渠道并进行人像照片数据采集，最后将采集到的人像照片转换为人像特征值进行加密存储，形成第三方算法平台的专属人像数据库。
37.本发明的有益效果如下：
38.本发明通过人像照片生成器对第三方算法进行反复测算，建立最高识别、精准化的各算法平台人像识别模型，并通过模型建立标准化人像采集策略；将此方法应用在各业务场景下进行自学习测算，可自动分析建立个算法采集策略；通过策略采集建立高识别、精准化的各算法平台专属人像数据库包括：照片数据、人像特征值数据；建立标准化接口，可通过接口实现新增算法的人像识别模型的自动测算及建立并生成采集策略。本发明提高了各算法平台使用的人像数据识别率，从根本上解决了人像采集通过率低及识别率低的问题。
附图说明
39.图1为本发明的系统流程示意图；
40.图2为本发明的具体实施例流程示意图。
具体实施方式
41.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，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
42.需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
43.下面结合附图和具体实施例对本发明作进一步说明，但不作为本发明的限定。
44.如图1所示，本发明提供了一种基于自学习预测模型的人脸识别系统，包括：自学习策略生成器模块、人像照片生成器模块、自动测算模块、通过率分析器模块、算法采集策略模块、算法专属人像数据库模块；
45.自学习策略生成器模块，用于通过建立自学习策略模型生成基于人像照片的脸部不同状态下的检测项目，将各项检测项目进行独立逐一测算，测算方式为通过海量的人像照片对检测项目的标准性进行测算，将通过率最高的参数区间进行记录，其中，所有参数区间统称为适应性参数集；
46.人像照片生成器模块，用于将各检测项目的适应性参数集进行分段性区间取值，将各检测项目的取值区间进行交叉组合生成众多幂值参数集，建立符合参数集要求的人像照片采集渠道，通过采集渠道采集符合渠道参数要求的人像照片并进行记录存储；
47.自动测算模块，用于将采集到的人像照片推送到第三方厂商算法的接口中去进行自动测算，获得各参数集人像照片的通过率；
48.通过率分析器模块，用于自动测算完成后将测算数据导入并进行参数平均值分析，得到最匹配的第三方厂商算法识别的人像质量照片参数集测算模型；
49.算法采集策略模块，用于通过最匹配的人像质量照片参数集测算模型反向建立采集模型，此模型即最佳人像采集算法模型；
50.算法专属人像数据库模块，用于通过最佳人像采集算法模型建立第三方厂商算法平台专属的人像照片采集渠道并进行人像照片数据采集，最后将采集到的人像照片转换为人像特征值进行加密存储，形成第三方算法平台的专属人像数据库。
51.进一步地，人像照片的脸部不同状态下的检测项目包括：人脸真人检测、是否戴眼镜检测、左右眼睛睁合检测、戴口罩检测、人脸上下左右倾斜角度检测、人脸照片中占比及位置检测、人脸面部光线检测、面部遮挡检测、面部溢出照片检测。
52.进一步地，不同参数区间的范围和检测标准如下：
53.人脸真人检测：通过对人脸面部结构点进行捕捉，检测捕捉范围在80-150结构点范围之内为有效捕捉范围，即判定为真人照片；
54.是否戴眼镜检测：通过对人脸面部结构点遮挡进行判断，确保眼部及眼周结构点可识别范围在80％-100％之间，则判定此人像未戴眼镜，否则判定此人像戴眼镜；
55.左右眼睛睁合检测：通过检测上下眼睑结构点距离进行判定，若上下眼睑结构点距离小于1-3mm，且未检测到瞳孔、虹膜结构点，则判定为闭眼，否则判定为睁眼；
56.戴口罩检测：通过检测下巴及口轮匝肌周边结构点的遮挡情况，若遮挡率达到80％-100％之间，则判定此人佩戴口罩。
57.进一步地，不同参数区间的范围和检测标准如下：
58.人脸上下左右倾斜角度检测：通过三维结构互联法将人像面部结构点连接后建立立体人像模型，在模型上利用水平坐标偏离法，测算人像面部结构点相对的倾斜角度，进而测算出真是人像在照片中是否发生偏离，若偏离倾斜角度大于10-25度，则判定此人像处于倾斜状态，否则判定此人像处于未倾斜状态。
59.人脸照片中占比及位置检测：通过图像识别技术识别人脸在照片中的位置范围，分析人脸在照片中的占比，当人脸面积小于照片面积的40％，则判定此人像处于占比异常状态。
60.进一步地，不同参数区间的范围和检测标准如下：
61.人脸面部光线检测：偏光度，色阶，色差，曝光度；
62.面部遮挡检测：若面部结构点这档比例达到60％-80％之间，则判定为面部遮挡；
63.面部溢出照片检测：若面部结构点完整比例小于90％，则判定此人像溢出或遮挡。
64.进一步地，所述人脸真人检测的80-150结构点，可按3或5或7进行分段，其中，分为7段为：80-90、90-100、100-110、110-120、120-130、130-140、140-150。
65.进一步地，所述人像照片生成器模块采集人像照片通过架设固定采集设备摄像机采集器或移动采集设备手机摄像头对实验人群的人像照片进行采集。
66.进一步地，所述自动测试模块中第三方厂商算法的接口为sdk，将采集的人像照片依次通过第三方厂商算法的sdk记录人像照片的识别通过率，通过率用60％-100％区间记录；将60％-100％区间段内的人像照片删除最高通过率和最低通过率，然后进行平均值测算得出平均通过率，最后选择最接近平均通过率的人像照片参数作为人像照片参数集测算模型。
67.进一步地，当第三方厂商算法sdk升级或更改后，本系统也生成新算法专属采集渠道及数据库。
68.本发明还提出了一种基于自学习预测模型的人脸识别方法，包括如下步骤：
69.a、通过建立自学习策略模型生成基于人像照片的脸部不同状态下的检测项目，将各项检测项目进行独立逐一测算，测算方式为通过海量的人像照片对检测项目的标准性进行测算，将通过率最高的参数区间进行记录，其中，所有参数区间统称为适应性参数集；
70.b、将各检测项目的适应性参数集进行分段性区间取值，将各检测项目的取值区间进行交叉组合生成众多幂值参数集，建立符合参数集要求的人像照片采集渠道，通过采集渠道采集符合渠道参数要求的人像照片并进行记录存储；
71.c、将采集到的人像照片推送到第三方厂商算法的接口中去进行自动测算，获得各参数集人像照片的通过率；
72.d、自动测算完成后将测算数据导入并通过率分析器模块进行参数平均值分析，得到最匹配的第三方厂商算法识别的人像照片参数集测算模型；
73.e、通过最匹配的人像照片参数集测算模型反向建立采集模型，此模型即最佳人像采集算法模型；
74.f、通过最佳人像采集算法模型建立第三方厂商算法平台专属的人像照片采集渠道并进行人像照片数据采集，最后将采集到的人像照片转换为人像特征值进行加密存储，形成第三方算法平台的专属人像数据库。
75.如图2所示，具体实施例：
76.s1、通过建立自学习策略模型生成基于照片人脸真人检测、是否戴眼镜检测、左右眼睛睁合检测、戴口罩检测、人脸上下左右倾斜角度检测、人脸照片中占比及位置检测、人脸面部光线检测、面部遮挡检测、面部溢出照片检测等参数的测算策略；
77.s2、将各检测项目的适应性参数集进行分段性区间取值(按照平均比例区间进行
取值，例如：人脸真人检测的80-150结构点，可按3、5、7进行分段，例如分为7段为：80-90、90-100、100-110、110-120、120-130、130-140、140-150)，将各检测项目的取值区间进行交叉组合(多检测项目参数随机组合)生成众多幂值参数集，如海康算法测试参数集为：人脸真人检测(面部结构点区间100-140)、是否戴眼镜检测(眼周结构点区间20-80)、左右眼睛睁合检测(上下眼睑距离1-5)、戴口罩检测(面部下半部分结构点区间50-100)、人脸上下左右倾斜角度检测(偏离角度1-180)、人脸照片中占比及位置检测(占比位置在1:2-1:1.5)、人脸面部光线检测(亮度检测1-100)、面部遮挡检测(面部结构点数100-150)、面部溢出照片检测(面部结构点数100-150)；
78.s3、建立符合参数集要求的人像照片采集渠道(主要为了采集大量样本数据，支撑后续的核验测算通过率稳定性计算。建设流程：开发一个h5用户拍照入口——》用户授权——》用户拍照——》系统存储数据)，如：将采集h5页面挂在企业微信中，通过企业微信打开h5采集入口，点击采集按钮拍照采集人像数据。通过采集渠道采集符合渠道参数要求的人像照片并进行记录存储；
79.s4、采集人像照片通过架设固定采集设备(摄像机采集器)或移动(手机摄像头自助采集)采集设备对实验人群人像照片进行采集。
80.s5、第三方算法的sdk通过率测算，将采集的人像照片依次通过第三方算法sdk，记录照片的识别通过率。通过率用60％-100％等区间记录。
81.s6、通过率稳定性分析，将60％-100％区间段内的照片，为保障测算的“集中趋势”及数据稳定性，故删除通过率的最高与最低，然后进行平均值测算得出平均通过率。选择最接近平均通过率照片参数为模型参数。
82.s7、基于平均通过率照片的标准项目参数，建立人像质量照片参数集测算模型。
83.每一项标准项目参数通过海康人像算法接口核验，得到每一项标准项目参数的通过率，通过众多样本数据核验得到每一项标准项目参数的集合，再将每一项标准项目参数的集合进行通过率稳定性测算，得到每一项的平均值，然后每一项的平均值组合起来即形成，如下质量照片参数里集测算模型：例如每一项检测项目的平均通过率为a1...an，海康算法的平均通过率为m,m计算公式如下：
[0084][0085]
基于以上公式可计算出海康人像算法平均通过率为89％，对照通过率为89％的质量照片参数集测算模型为：人脸真人检测(面部结构点区间110-120)、是否戴眼镜检测(眼周结构点区间50-70)、左右眼睛睁合检测(上下眼睑距离2-3)、戴口罩检测(面部下半部分结构点区间70-90)、人脸上下左右倾斜角度检测(偏离角度1-90)、人脸照片中占比及位置检测(占比位置在1:1.7-1:1.5)、人脸面部光线检测(亮度检测30-60)、面部遮挡检测(面部结构点数110-120)、面部溢出照片检测(面部结构点数110-120)；基于此模型建立s8的人像采集通道。
[0086]
s8、基于人像质量照片参数集测算模型，建立人像采集渠道，如：将采集h5页面挂在企业微信中，通过企业微信打开h5采集入口，点击采集按钮拍照采集人像数据。
[0087]
s9、通过架设固定采集设备(如：摄像机采集器)或移动(手机摄像头自助采集)采集设备对目标人群人像照片进行采集。
[0088]
s10、记录采集渠道标号(即h5采集入口编号)及数据并加密存储人像照片数据。建立算法专属采集渠道及数据库，如：将采集h5页面挂在企业微信中，通过企业微信打开h5采集入口，点击采集按钮拍照采集人像数据，数据采集后通过sm4 sm2进行加密存储。
[0089]
当第三方算法sdk升级或更改后，系统执行s11-s16生成新算法专属采集渠道及数据库。
[0090]
以上仅为本发明较佳的实施例，并非因此限制本发明的实施方式及保护范围，对于本领域技术人员而言，应当能够意识到凡运用本发明说明书及图示内容所作出的等同替换和显而易见的变化所得到的方案，均应当包含在本发明的保护范围内。