[發明專利]基于深度卷積神經網絡的異質人臉識別方法

有效

• 申請號: 201610114297.3
• 申請日: 2016-03-01
• 公開（公告）號: CN105608450B
• 公開（公告）日: 2018-11-27
• 發明（設計）人: 譚鐵牛;赫然;孫哲南;劉霄翔
• 申請（專利權）人: 天津中科智能識別產業技術研究院有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00
• 代理公司: 天津市三利專利商標代理有限公司 12107
• 代理人: 韓新城

本發明公開了一種基于深度卷積神經網絡的異質人臉識別方法。該方法通過對可見光、近紅外?可見光圖像進行相同預處理；用預處理的可見光圖像對深度卷積神經網絡預訓練，為異質圖像的深度卷積神經網絡訓練提供先驗知識；將近紅外和可見光圖像按照一定規則構成三元組，并挑選出預訓練的異質圖像深度卷積神經網絡較難區分的難三元組；將挑選出的難三元組輸入預訓練后的異質圖像深度卷積神經網絡進行精調，反復迭代難三元組選擇、精調過程至異質圖像深度卷積神經網絡性能不再提升，之后利用訓練好的異質圖像深度卷積神經網絡模型進行異質人臉識別。本發明顯著提升了異質人臉識別準確率，可有效緩解小規模數據在卷積神經網絡訓練中易過擬合的問題。

技術領域

本發明涉及生物特征識別、計算機視覺、模式識別和機器學習等技術領域，具體涉及一種基于深度卷積神經網絡的異質人臉識別方法。

背景技術

基于生物特征的身份識別對于安防領域及各種身份認證系統具有重要作用。人臉識別由于其非接觸性和非強制性，及準確、方便、直觀的特點，具有良好的發展和應用前景。傳統的人臉識別主要基于人臉的可見光圖像識別。可見光圖像源非常廣闊和易搜集，但也存在著受光照等條件影響較大的缺陷。環境光照變化時，人臉識別的性能會急劇下降。因此，不受環境光影響的近紅外人臉識別系統逐漸受到重視和發展。

近紅外人臉識別目前已經成為人臉識別領域的研究熱點。近紅外成像設備采用高于環境光強度的主動近紅外光源成像，配合相應波段的濾波片，能夠得到不受環境光照變化影響的穩定的近紅外圖像。只有圖像整體亮度隨距離變化而單調變化，而像素間的關系則不會受到影響。因此，基于近紅外圖像的人臉識別不僅適用于白天，也適用于夜晚，甚至其他復雜光線條件。這使得近紅外圖像有很好的應用前景，如可以應用于刑偵，用戶注冊等系統。因此，如何進行異質人臉的識別和匹配，已經成為一個亟待解決的問題。

異質人臉的識別由于其數據源具有較大的跨模態差異，以及近紅外圖像難以大量收集等原因，存在很大的困難。為了解決這些難題，研究者們應用傳統的機器學習方法及具有強大識別性能的深度學習，嘗試克服模態間的差異。傳統的異質人臉識別的方法主要有以下幾種：設計模態不變的特征，將人臉圖像從一個模態變換到另一個模態，或者將兩種模態的圖像同時投影到一個共同的子空間上。隨著深度學習的發展，自動編碼機(AE)，深度玻爾茲曼機(DBM)等無監督深度學習算法被應用到跨域圖像的識別中，但相比可見光域的人臉識別，其性能仍有很大的提升空間。

深度學習的另一分支，卷積神經網絡(CNNs)，由于具有層級化的結構，在可見光域的人臉識別、物體識別、細粒度物體分類等任務上都獲得了優異的性能。加之GPU等硬件的大幅加速，使得大規模的圖像處理變得簡單可行。但由于近紅外圖像需要用專門的成像設備進行拍攝，搜集難度較大，現存的匹配的近紅外與可見光人臉圖像集，規模較小，遠遠不夠用于卷積神經網絡的訓練。如何利用大量的可見光圖像信息，以及如何利用現存的小規模近紅外-可見光圖像集進行深度卷積神經網絡的訓練成為當前異質人臉識別的兩大難題。

而轉移學習(transfer learning)可用于解決源域與目標域的訓練數據分布不同的問題。通過轉移學習，網絡模型從源域數據中學到的知識可以為目標域的訓練提供先驗。如果我們能將轉移學習運用到異質人臉識別中，就能夠建立可見光圖像庫和近紅外-可見光圖像庫之間的連接，將從可見光數據上學到的信息轉移到異質數據上，從而實現對異質人臉識別處理。

發明內容

有鑒于此，本發明目的提出一種基于深度卷積神經網絡的異質人臉識別方法，其可利用大量可見光圖像提升近紅外-可見光人臉識別的性能，可應用于異質圖像比對系統，可以有效提升其綜合性能，解決了卷積神經網絡在小規模異質數據庫上訓練容易過擬合的問題，為小規模跨域圖像的識別和匹配提供了一種新思路。

本發明是這樣實現的，一種基于深度卷積神經網絡的異質人臉識別方法，包括以下步驟：

步驟S1，對預訓練圖像中的人臉圖像及相關的可見光圖像-近紅外圖像進行相同的圖像預處理，得到預設大小的灰度圖像；