[發(fā)明專(zhuān)利]一種基于深度學(xué)習(xí)特征的人臉樣本清洗方法及系統(tǒng)

有效

• 申請(qǐng)?zhí)枺?/td>: 201611146140.5
• 申請(qǐng)日: 2016-12-13
• 公開(kāi)（公告）號(hào): CN106650804B
• 公開(kāi)（公告）日: 2018-12-11
• 發(fā)明（設(shè)計(jì)）人: 劉榮杰;牟永強(qiáng);田第鴻
• 申請(qǐng)（專(zhuān)利權(quán)）人: 深圳云天勵(lì)飛技術(shù)有限公司
• 主分類(lèi)號(hào): G06K9/62
• 分類(lèi)號(hào): G06K9/62;G06K9/00
• 代理公司: 深圳市科吉華烽知識(shí)產(chǎn)權(quán)事務(wù)所(普通合伙) 44248
• 代理人: 李利

本發(fā)明適用于數(shù)據(jù)挖掘及樣本清洗領(lǐng)域，提供了一種基于深度學(xué)習(xí)特征的人臉樣本清洗方法,所述人臉樣本清洗方法包括以下步驟：A、利用深度學(xué)習(xí)技術(shù)對(duì)人臉圖像特征進(jìn)行提取；B、根據(jù)給定的進(jìn)程數(shù)對(duì)需要進(jìn)行處理的樣本進(jìn)行劃分，并分配至每個(gè)進(jìn)程；C、對(duì)每個(gè)進(jìn)程中相應(yīng)的人臉特征進(jìn)行聚類(lèi)處理；D、在每個(gè)聚類(lèi)結(jié)果中選取圖像數(shù)量最多的類(lèi)作為主類(lèi)；E、將主類(lèi)特征對(duì)應(yīng)圖像拷貝至目標(biāo)目錄并保留原有文件結(jié)構(gòu)。深度學(xué)習(xí)提取的人臉特征維度低而且具有非常好的鑒別能力，一方面可以提高樣本的清洗精度，另一方面也可以節(jié)約清洗時(shí)間；多進(jìn)程并行設(shè)計(jì)，能夠充分利用硬件的運(yùn)算能力，從而提高整個(gè)運(yùn)算的效率，降低耗時(shí)。

技術(shù)領(lǐng)域

本發(fā)明屬于數(shù)據(jù)挖掘及樣本清洗領(lǐng)域，所使用的技術(shù)基于圖像處理和機(jī)器學(xué)習(xí)，尤其涉及一種基于深度學(xué)習(xí)特征的人臉樣本清洗方法及系統(tǒng)。

背景技術(shù)

深度學(xué)習(xí)提取人臉特征: 深度學(xué)習(xí)是機(jī)器學(xué)習(xí)的一個(gè)分支，它基于試圖使用包含復(fù)雜結(jié)構(gòu)或由多重非線性變換構(gòu)成的多個(gè)處理層對(duì)數(shù)據(jù)進(jìn)行高層抽象的一系列算法。一個(gè)觀測(cè)值（例如一幅圖像）可以使用多種方式來(lái)表示，如每個(gè)像素強(qiáng)度值的向量，或者更抽象地表示成一系列邊、特定形狀的區(qū)域等。而使用某些特定的表示方法更加容易地從實(shí)例中學(xué)習(xí)任務(wù)（例如，人臉識(shí)別或面部表情識(shí)別）。

DBSCAN(Density-Based Spatial Clustering of Applications with Noise)聚類(lèi)算法：是一個(gè)比較有代表性的基于密度的非監(jiān)督式聚類(lèi)算法。與劃分和層次聚類(lèi)方法不同，它將簇定義為密度相連的點(diǎn)的最大集合，能夠把具有足夠高密度的區(qū)域劃分為簇，并可在噪聲的空間數(shù)據(jù)庫(kù)中發(fā)現(xiàn)任意形狀的聚類(lèi)。

多進(jìn)程并行運(yùn)算：當(dāng)用戶敲入命令執(zhí)行一個(gè)程序的時(shí)候，對(duì)系統(tǒng)而言，它將啟動(dòng)一個(gè)進(jìn)程。但和程序不同的是，在這個(gè)進(jìn)程中，系統(tǒng)可能需要再啟動(dòng)一個(gè)或多個(gè)進(jìn)程來(lái)完成獨(dú)立的多個(gè)任務(wù)。多進(jìn)程編程的主要內(nèi)容包括進(jìn)程控制和進(jìn)程間通信，利用多進(jìn)程能夠?qū)⒁粋€(gè)大型的任務(wù)拆分成多個(gè)小任務(wù)交給多個(gè)進(jìn)程同時(shí)處理，從而成倍地提高運(yùn)算速度。

現(xiàn)有技術(shù)方案：a). 特征提取：

i. 方向梯度直方圖（Histogram of Oriented Gradient, HOG）特征: 是一種在計(jì)算機(jī)視覺(jué)和圖像處理中用來(lái)進(jìn)行物體檢測(cè)的特征描述子。它通過(guò)計(jì)算和統(tǒng)計(jì)圖像局部區(qū)域的梯度方向直方圖來(lái)構(gòu)成特征。

ii. Gabor特征提取：Gabor 濾波器定義為：其脈沖響應(yīng)為一個(gè)諧波函數(shù)（即下式中的余弦函數(shù)）和一個(gè)高斯函數(shù)的乘積。根據(jù)信號(hào)與系統(tǒng)理論，時(shí)頻域的卷積和乘積互為傅里葉變換。Gabor濾波器的傅里葉變換為諧波和高斯函數(shù)各自傅里葉變換的卷積。它的小波特性說(shuō)明了Gabor濾波結(jié)果是描述圖像局部灰度分布的有力工具, 因此, 可以使用Gabor濾波來(lái)抽取圖像的紋理信息。

b). 人臉?lè)诸?lèi)方法：

i. 支持向量機(jī)SVM (Support Vector Machine): 是一個(gè)有監(jiān)督的學(xué)習(xí)模型，通常用來(lái)進(jìn)行模式識(shí)別、分類(lèi)、以及回歸分析。SVM的主要思想可以概括為兩點(diǎn)：⑴它是針對(duì)線性可分情況進(jìn)行分析，對(duì)于線性不可分的情況，通過(guò)使用非線性映射算法將低維輸入空間線性不可分的樣本轉(zhuǎn)化為高維特征空間使其線性可分，從而使得高維特征空間采用線性算法對(duì)樣本的非線性特征進(jìn)行線性分析成為可能；⑵它基于結(jié)構(gòu)風(fēng)險(xiǎn)最小化理論之上在特征空間中建構(gòu)最優(yōu)分割超平面，使得學(xué)習(xí)器得到全局最優(yōu)化，并且在整個(gè)樣本空間的期望風(fēng)險(xiǎn)以某個(gè)概率滿足一定上界。

ii. KNNK最鄰近結(jié)點(diǎn)算法（k-Nearest Neighbor algorithm）：該算法的基本思路是：在給定新圖像后，考慮在訓(xùn)練圖像集中與該新圖像距離最近（最相似）的 K 個(gè)圖像，根據(jù)這 K 個(gè)圖像所屬的類(lèi)別判定新圖像所屬的類(lèi)別。