1.基于模约束CenterFace的人脸图像特征提取方法,其特征在于,包括以下步骤:A、获取低分辨率人脸数据集QMUL‑SurvFace,对数据集进行预处理操作以获得固定大小的人脸图像;
B、根据任务的应用环境选取合适的基础卷积神经网络结构;
C、构建总损失函数,所述总损失函数包括模损失函数、CenterFace中的Softmax损失函数和中心损失函数,根据总损失函数利用步骤A获取的人脸图像构成的样本集对人脸识别模型进行训练,获得基于模约束CenterFace算法训练的人脸识别模型;所述模损失函数表示如下:LN损失表示每个类中心点到原点O的平均距离;M是训练集中种类个数;
D、使用所述人脸识别模型提取待识别人脸图像的特征代表向量。
2.根据权利要求1所述的基于模约束CenterFace的人脸图像特征提取方法,其特征在于,步骤A中的预处理操作包括:A1、将QMUL_SurvFace数据集中不同尺寸的低分辨率图像经过resize操作变为固定大小112*112的人脸图像,使得卷积神经网络能够正常工作;
A2、在数据预处理期间,随机改变训练集中人脸图像的亮度以作为数据增强;
A3、数据归一化,将处理人脸图像时获得的像素值减去127.5再除以128,从而将像素值缩放到[‑1,1]之间。
3.根据权利要求1所述的基于模约束CenterFace的人脸图像特征提取方法,其特征在于,步骤B中的基础卷积神经网络结构采用ResNet‑50。
4.根据权利要求1所述的基于模约束CenterFace的人脸图像特征提取方法,其特征在于,步骤C中所述Softmax损失函数表示为:其中xn表示第n个特征向量,yn是xn所对应的类别,Wm表示最后全连接层权重W的第m列,b是偏差,N是batch的大小;
所述中心损失函数表示为:
cyn表示yn类的中心特征向量,它随着训练时数据的变化而不断更新;
所述总损失函数如下:
L=LS+λ1LC+λ2LN
λ1,λ2表示超参数。
5.基于权利要求1‑4任一所述人脸图像特征提取方法的一种人脸识别方法,其特征在于,包括如下步骤:M1、获取待识别的人脸图像及识别任务;
M2、根据所述识别任务,将待识别的人脸图像输入值基于模约束CenterFace算法训练得到的人脸识别模型中,对人脸图像进行特征提取;
M3、将待识别人脸图像的特征与预设数据库中存储的各个人脸图像一一比对,成对输入至所述人脸识别模型中,获取与各个人脸图像的余弦相似度得分中的最高得分;
M4、判断所述最高得分大于指定阈值时,则识别结果为所属最高得分对应的数据库中的人脸图像对应的身份与所述待识别的单幅人脸图像所对应的身份匹配。