[發明專利]人臉識別方法和裝置

有效

• 申請號: 201610058522.6
• 申請日: 2016-01-28
• 公開（公告）號: CN105740808B
• 公開（公告）日: 2019-08-09
• 發明（設計）人: 曹志敏;印奇
• 申請（專利權）人: 北京曠視科技有限公司;北京邁格威科技有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62
• 代理公司: 北京睿邦知識產權代理事務所(普通合伙) 11481
• 代理人: 徐丁峰;張瑋

本發明的實施例提供了一種人臉識別方法和裝置。該人臉識別方法包括：對待識別人臉圖像中的待識別人臉進行人臉特征提取，以獲得待識別人臉的一級特征；計算待識別人臉的一級特征與參考人臉集合中的每個參考人臉的一級特征之間的一級特征相似度，以獲得待識別人臉的二級特征；以及基于待識別人臉的二級特征對待識別人臉進行人臉識別。根據本發明提供的人臉識別方法和裝置，通過待識別人臉與參考人臉之間的一級特征相似度而非直接通過一級特征進行人臉識別，使得本發明能夠利用較少量的有標注數據和容易獲得的參考人臉圖像獲得高精度的人臉識別效果。

技術領域

本發明涉及人臉識別技術領域，更具體地涉及一種人臉識別方法和裝置。

背景技術

隨著人臉識別技術的提升和應用深入，實際應用中獲取的人臉數據的數量快速積累，為進一步提升人臉識別性能奠定了基礎。

人臉識別依賴于人臉特征(Feature)的提取。傳統的特征提取方法包括普通局部二值模式(LBP)、高維局部二值模式(High-Dimensional LBP)、加伯(Gabor)、費舍爾臉(Fisher Face)，以及近幾年興起的深度學習(Deep Learning)。在提取人臉特征之后，可以根據所提取的特征進行人臉識別。利用上述特征提取方法進行人臉識別要么依賴專家經驗從圖像處理和底層視覺出發設計的特征模型，要么是依賴海量有標注數據的監督學習所產生的一個參數化的特征模型(如深度學習)。對于前者，不需要海量監督數據，但識別性能一直無法達到可以商用化的程度；對于后者，在最近的應用場景中已經表現出了優異的識別性能，但進一步持續提升識別性能需要依賴大量的成對有標注數據，例如基于卷積神經網絡(CNN)的深度學習模型需要成千上萬人的人臉數據，每個人需要多張在不同場景或時間拍攝的人臉照片，此種類型的數據的獲取時間較長，價格成本非常高昂。

發明內容

考慮到上述問題而提出了本發明。本發明提供了一種人臉識別方法和裝置。

根據本發明一方面，提供了一種人臉識別方法。該人臉識別方法包括：對待識別人臉圖像中的待識別人臉進行人臉特征提取，以獲得待識別人臉的一級特征；計算待識別人臉的一級特征與參考人臉集合中的每個參考人臉的一級特征之間的一級特征相似度，以獲得待識別人臉的二級特征；以及基于待識別人臉的二級特征對待識別人臉進行人臉識別。

示例性地，所述對所述待識別人臉進行人臉識別是利用分類器實施的，所述分類器利用有標注數據進行訓練而獲得，其中，所述有標注數據包括多個訓練人臉圖像集合并且每個訓練人臉圖像集合包括與同一訓練人臉相對應的至少兩個訓練人臉圖像，所述人臉識別方法進一步包括：對所述有標注數據中的每個訓練人臉圖像中的訓練人臉進行人臉特征提取，以獲得每個訓練人臉圖像中的訓練人臉的一級特征；計算每個訓練人臉圖像中的訓練人臉的一級特征與所述參考人臉集合中的每個參考人臉的一級特征之間的一級特征相似度，以獲得每個訓練人臉圖像中的訓練人臉的二級特征；以及將與同一訓練人臉相對應的兩個訓練人臉圖像中的訓練人臉的二級特征作為正樣本，將與不同訓練人臉相對應的兩個訓練人臉圖像中的訓練人臉的二級特征作為負樣本進行訓練，以獲得所述分類器。

示例性地，所述一級特征包含以下項中的一項或多項：普通局部二值模式特征、高維局部二值模式特征、加伯特征、費舍爾向量特征、尺度不變特征變換特征、深度學習特征。

示例性地，所述參考人臉集合中的每個參考人臉的一級特征存儲在參考人臉數據庫中。

示例性地，包含所述參考人臉集合的參考人臉圖像集合存儲在參考人臉數據庫中，在所述計算所述待識別人臉的一級特征與參考人臉集合中的每個參考人臉的一級特征之間的一級特征相似度以獲得所述待識別人臉的二級特征之前，所述人臉識別方法進一步包括：對所述參考人臉集合中的每個參考人臉進行人臉特征提取，以獲得所述參考人臉集合中的每個參考人臉的一級特征。