本發(fā)明屬于信息管理，具體涉及基于人臉識別的精子庫身份核驗系統(tǒng)、方法。

背景技術(shù)：

1、精子庫是以治療不育癥及預(yù)防遺傳病和提供生殖保險等為目的，利用超低溫冷凍技術(shù)，采集、檢測、保存和提供精子的醫(yī)療機(jī)構(gòu)精子庫中精子來源主要為供精志愿者，精子庫必須對捐獻(xiàn)者和使用者的信息進(jìn)行嚴(yán)格保密，防止信息泄露。這包括在儲存、使用和銷毀精子的過程中，采取適當(dāng)?shù)募夹g(shù)和管理措施來保護(hù)個人信息。

2、中國專利cn112270783b公開了一種基于三維人臉識別技術(shù)的精子庫身份核驗及流程管理系統(tǒng)，屬于信息管理技術(shù)領(lǐng)域，包括三維人臉識別裝置、pc端、身份證讀取器、嵌入式人臉識別終端、接待處、體檢室、標(biāo)本接收處、取精室和數(shù)據(jù)庫，所述pc端分別與三維人臉識別裝置、身份證讀取器控制連接，但是現(xiàn)有系統(tǒng)三維人臉識別裝置無法在不同角度和姿態(tài)下完成身份驗證，且單一視角帶來的誤差無法保證更準(zhǔn)確地提取和映射面部特征點到三維空間中，延緩了系統(tǒng)識別速度和用戶等待時長，針對上述問題，我們提出了基于人臉識別的精子庫身份核驗系統(tǒng)、方法。

技術(shù)實現(xiàn)思路

1、本發(fā)明的目的在于針對現(xiàn)有技術(shù)的不足之處，提供基于人臉識別的精子庫身份核驗系統(tǒng)、方法，解決了現(xiàn)有系統(tǒng)三維人臉識別裝置無法在不同角度和姿態(tài)下完成身份驗證，且單一視角帶來的誤差無法保證更準(zhǔn)確地提取和映射面部特征點到三維空間中，延緩了系統(tǒng)識別速度和用戶等待時長的問題。

2、現(xiàn)有系統(tǒng)三維人臉識別裝置無法在不同角度和姿態(tài)下完成身份驗證，且單一視角帶來的誤差無法保證更準(zhǔn)確地提取和映射面部特征點到三維空間中，延緩了系統(tǒng)識別速度和用戶等待時長，針對上述問題，我們提出了基于人臉識別的精子庫身份核驗系統(tǒng)、方法，所述方法實施時首先實時采集面部特征信息，對面部特征信息歸一化處理，同時采用訓(xùn)練集和測試集對身份識別模型迭代訓(xùn)練，輸出收斂的身份識別模型，然后身份識別模型以精子庫關(guān)聯(lián)人員信息為先驗信息，對面部特征信息識別分析，輸出身份識別結(jié)果，最終判斷身份識別結(jié)果是否符合預(yù)設(shè)風(fēng)險閾值，若身份識別結(jié)果符合預(yù)設(shè)的風(fēng)險閾值。本發(fā)明實施例中，通過訓(xùn)練集和測試集對身份識別模型迭代訓(xùn)練，身份識別模型以精子庫關(guān)聯(lián)人員信息為先驗信息，對面部特征信息識別分析，在不影響核驗準(zhǔn)確率的前提下以精子庫關(guān)聯(lián)人員信息為先驗信息，對多視角姿態(tài)下的面部特征信息進(jìn)行特征注意力分析，提高了精子庫身份核驗準(zhǔn)確性，同時降低了模型計算量，減輕了身份識別模型對設(shè)備運(yùn)行負(fù)擔(dān)。

3、本發(fā)明是這樣實現(xiàn)的，基于人臉識別的精子庫身份核驗方法，包括實時采集面部特征信息，對面部特征信息歸一化處理；

4、基于精子庫關(guān)聯(lián)人員信息預(yù)構(gòu)建身份核驗數(shù)據(jù)庫，遍歷身份核驗數(shù)據(jù)庫，從身份核驗數(shù)據(jù)庫導(dǎo)出建模樣本集，將建模樣本集劃分為訓(xùn)練集和測試集，采用訓(xùn)練集和測試集對身份識別模型迭代訓(xùn)練，輸出收斂的身份識別模型；

5、加載歸一化處理后的面部特征信息，以面部特征信息為輸入，執(zhí)行身份識別模型，身份識別模型以精子庫關(guān)聯(lián)人員信息為先驗信息，對面部特征信息識別分析，輸出身份識別結(jié)果。

6、加載身份識別結(jié)果，判斷身份識別結(jié)果是否符合預(yù)設(shè)風(fēng)險閾值，若身份識別結(jié)果符合預(yù)設(shè)的風(fēng)險閾值，身份核驗通過；

7、若身份識別結(jié)果不符合預(yù)設(shè)的風(fēng)險閾值，觸發(fā)精子庫預(yù)警風(fēng)險。

8、所述對面部特征信息歸一化處理的方法，具體包括：

9、加載面部特征信息，對面部特征信息執(zhí)行移動平均濾波算法，進(jìn)行目標(biāo)區(qū)域特征檢測，生成至少一組特征圖像集；

10、獲取特征圖像集，基于移動平均濾波器對特征圖像集濾波處理，調(diào)用pytorch庫函數(shù)計算濾波處理后圖像特征集的均值圖像；

11、遍歷特征圖像集，計算特征圖像集與均值圖像的差值目標(biāo)，基于開源數(shù)據(jù)庫opencv庫函數(shù)cv2.bi?l?atera?l?fi?l?ter()計算差值目標(biāo)的均值和標(biāo)準(zhǔn)差；

12、基于差值目標(biāo)的均值和標(biāo)準(zhǔn)差計算差值目標(biāo)的分割閾值；

13、其中，分割閾值通過以下公式計算：

14、td＝μd+α×δd(1)

15、

16、其中，td表示差值目標(biāo)的分割閾值，μd為差值目標(biāo)的均值，δd表示差值目標(biāo)的標(biāo)準(zhǔn)差，α為閾值分割系數(shù)，ad為信噪比，σd為差值目標(biāo)的方差，fd為差值目標(biāo)的模值；

17、加載差值目標(biāo)的分割閾值，基于差值目標(biāo)的分割閾值對差值目標(biāo)進(jìn)行分割，得到二值分割目標(biāo)；

18、以二值分割目標(biāo)為輸入，基于k-means算法對二值分割目標(biāo)進(jìn)行聚類并生成二值分割目標(biāo)的檢測錨框；

19、整合至少一組檢測錨框和二值分割目標(biāo)，輸出歸一化處理后的面部特征信息。

20、所述采用訓(xùn)練集和測試集對身份識別模型迭代訓(xùn)練的方法，具體包括：

21、加載身份識別模型的初始模型、訓(xùn)練集和測試集；

22、定義初始模型的訓(xùn)練輪次、損失函數(shù)和超參數(shù)，采用訓(xùn)練集對初始模型迭代訓(xùn)練，生成不同視角下的身份識別模型；

23、采用孤立森林學(xué)習(xí)身份識別模型局部二值化特征，并對身份識別模型進(jìn)行全局線性回歸分析；

24、判斷身份識別模型是否收斂，若身份識別模型收斂，輸出身份識別模型；

25、加載測試集，以測試集為輸入，執(zhí)行身份識別模型，身份識別模型輸出測試集的偏差角估計；

26、其中，偏差角估計通過以下公式計算：

27、

28、其中，pc為偏差角估計，n為測試集數(shù)量，l為特征點數(shù)量，δc表示當(dāng)前特征點傾角，qt為當(dāng)前特征點權(quán)重，rdis為當(dāng)前特征點與關(guān)聯(lián)特征點的距離，q0當(dāng)前特征點初始權(quán)重；

29、判斷測試集的偏差角估計是否符合預(yù)設(shè)的偏差閾值，若符合預(yù)設(shè)的偏差閾值，輸出迭代訓(xùn)練完畢的身份識別模型。

30、所述身份識別模型以yolov5網(wǎng)絡(luò)模型為初始模型，在初始模型由輸入層、特征提取層、特征融合層、目標(biāo)預(yù)測層組成，身份識別模型構(gòu)建時，凍結(jié)初始模型的輸入層，在輸入層中引入編碼器和解碼器，編碼器用于對面部特征信息進(jìn)行下采樣降維，解碼器用于對面部特征信息上采樣升維，所述特征提取層由focus模塊、csp模塊、cbl模塊和spp模塊組成，凍結(jié)特征提取層的cbl模塊和spp模塊，采用cbam注意力機(jī)制替換cbl模塊和spp模塊，所述特征融合層為bifpn特征融合網(wǎng)絡(luò)，bi?fpn特征融合網(wǎng)絡(luò)中引入三組3×3、5×5、13×13的最大池化層進(jìn)行多尺度特征融合。

31、所述身份識別模型以精子庫關(guān)聯(lián)人員信息為先驗信息，對面部特征信息識別分析的方法，具體包括：

32、加載精子庫關(guān)聯(lián)人員信息、面部特征信息，以精子庫關(guān)聯(lián)人員錄入信息的標(biāo)準(zhǔn)圖像為先驗信息；

33、獲取面部特征信息，編碼器對面部特征信息進(jìn)行下采樣降維，輸出下采樣結(jié)果；

34、加載下采樣結(jié)果，解碼器對下采樣結(jié)果進(jìn)行上采樣升維，輸出解碼信息集；

35、特征提取層對解碼信息集進(jìn)行特征提取，并采用cbam注意力機(jī)制對解碼信息集處理得到特征注意力輸出；

36、獲取特征注意力輸出，bifpn特征融合網(wǎng)絡(luò)對特征注意力輸出進(jìn)行特征融合，輸出特征融合集；

37、以精子庫關(guān)聯(lián)人員錄入信息的標(biāo)準(zhǔn)圖像為先驗信息，計算特征融合集與標(biāo)準(zhǔn)圖像先驗概率，以先驗概率作為輸出的識別分析結(jié)果。

38、所述特征注意力輸出表示為：

39、sc＝sigmoid(mlp(maxpool(f))+mlp(avgpool(f)))(5)

40、其中，sc為特征注意力輸出，f為特征提取層對解碼信息集進(jìn)行特征提取結(jié)果；

41、特征融合集計算公式如下：

42、

43、其中，fout表示特征融合集，conv(·)為卷積操作，wi為特征注意力輸出經(jīng)過激活函數(shù)后的權(quán)重值，resize(·)為池化操作，sc+1為bifpn特征融合網(wǎng)絡(luò)特征注意力輸出經(jīng)激活函數(shù)后的融合結(jié)果，ε為預(yù)設(shè)極小值。

44、另一方面，本發(fā)明還提供了基于人臉識別的精子庫身份核驗系統(tǒng)，所述基于人臉識別的精子庫身份核驗系統(tǒng)，具體包括：

45、信息采集模塊，用于實時采集面部特征信息，對面部特征信息歸一化處理；

46、核驗數(shù)據(jù)庫，基于精子庫關(guān)聯(lián)人員信息預(yù)構(gòu)建身份核驗數(shù)據(jù)庫，遍歷身份核驗數(shù)據(jù)庫，從身份核驗數(shù)據(jù)庫導(dǎo)出建模樣本集，將建模樣本集劃分為訓(xùn)練集和測試集，采用訓(xùn)練集和測試集對身份識別模型迭代訓(xùn)練，輸出收斂的身份識別模型；

47、身份識別模塊，用于加載歸一化處理后的面部特征信息，以面部特征信息為輸入，執(zhí)行身份識別模型，身份識別模型以精子庫關(guān)聯(lián)人員信息為先驗信息，對面部特征信息識別分析，輸出身份識別結(jié)果；

48、風(fēng)險判斷模塊，用于加載身份識別結(jié)果，判斷身份識別結(jié)果是否符合預(yù)設(shè)風(fēng)險閾值，若身份識別結(jié)果符合預(yù)設(shè)的風(fēng)險閾值，身份核驗通過，若身份識別結(jié)果不符合預(yù)設(shè)的風(fēng)險閾值，觸發(fā)精子庫預(yù)警風(fēng)險。

49、所述信息采集模塊包括：

50、特征檢測單元，用于加載面部特征信息，對面部特征信息執(zhí)行移動平均濾波算法，進(jìn)行目標(biāo)區(qū)域特征檢測，生成至少一組特征圖像集；

51、圖像濾波單元，用于獲取特征圖像集，基于移動平均濾波器對特征圖像集濾波處理，調(diào)用pytorch庫函數(shù)計算濾波處理后圖像特征集的均值圖像；

52、目標(biāo)計算單元，用于遍歷特征圖像集，計算特征圖像集與均值圖像的差值目標(biāo)，基于開源數(shù)據(jù)庫opencv庫函數(shù)cv2.b?i?l?atera?l?f?i?l?ter()計算差值目標(biāo)的均值和標(biāo)準(zhǔn)差；

53、二值分割單元，基于差值目標(biāo)的均值和標(biāo)準(zhǔn)差計算差值目標(biāo)的分割閾值，加載差值目標(biāo)的分割閾值，基于差值目標(biāo)的分割閾值對差值目標(biāo)進(jìn)行分割，得到二值分割目標(biāo)；

54、目標(biāo)聚類單元，以二值分割目標(biāo)為輸入，基于k-means算法對二值分割目標(biāo)進(jìn)行聚類并生成二值分割目標(biāo)的檢測錨框，整合至少一組檢測錨框和二值分割目標(biāo)，輸出歸一化處理后的面部特征信息。

55、與現(xiàn)有技術(shù)相比，本技術(shù)實施例主要有以下有益效果：

56、本發(fā)明實施例中，通過訓(xùn)練集和測試集對身份識別模型迭代訓(xùn)練，身份識別模型以精子庫關(guān)聯(lián)人員信息為先驗信息，對面部特征信息識別分析，在不影響核驗準(zhǔn)確率的前提下以精子庫關(guān)聯(lián)人員信息為先驗信息，對多視角姿態(tài)下的面部特征信息進(jìn)行特征注意力分析，提高了精子庫身份核驗準(zhǔn)確性，同時降低了模型計算量，減輕了身份識別模型對設(shè)備運(yùn)行負(fù)擔(dān)，克服了現(xiàn)有系統(tǒng)三維人臉識別裝置無法在不同角度和姿態(tài)下完成身份驗證，且單一視角帶來的誤差無法保證更準(zhǔn)確地提取和映射面部特征點到三維空間中，延緩了系統(tǒng)識別速度和用戶等待時長的問題。

57、本發(fā)明實施例中，通過對面部特征信息歸一化處理，可以減少因個體差異、環(huán)境影響、噪聲影響對精子庫身份核驗帶來的影響，提高精子庫身份核驗的泛化能力，且在預(yù)處理時，基于差值目標(biāo)的分割閾值對差值目標(biāo)進(jìn)行分割，得到二值分割目標(biāo)，二值分割目標(biāo)的生成簡化了數(shù)據(jù)預(yù)處理步驟，使得后續(xù)的圖像分析和特征提取更為高效，歸一化處理有助于標(biāo)準(zhǔn)化輸入數(shù)據(jù)，使得身份識別模型能夠在不同數(shù)據(jù)集上獲得一致的性能。

58、本發(fā)明實施例中，提供了身份識別模型及其迭代訓(xùn)練方法，身份識別模型以yolov5網(wǎng)絡(luò)模型為初始模型，引入編碼器、解碼器、cbam注意力機(jī)制、b?i?fpn特征融合網(wǎng)絡(luò)，通過結(jié)合編碼器、解碼器、cbam注意力機(jī)制和bi?fpn特征融合網(wǎng)絡(luò)，身份識別模型能夠更全面地利用不同視角姿態(tài)下的面部特征信息，從而提高在不同場景和姿態(tài)下的泛化能力。