[發明專利]一種基于極值理論的深度人臉識別方法

有效

• 申請號: 201611189169.1
• 申請日: 2016-12-21
• 公開（公告）號: CN106599864B
• 公開（公告）日: 2020-01-07
• 發明（設計）人: 劉佳;余化鵬;張建林;徐智勇;魏宇星
• 申請（專利權）人: 中國科學院光電技術研究所
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發明是一種基于極值理論的深度人臉識別方法，包括通過深度卷積神經網絡對訓練人臉圖像進行特征提取，對提取的特征進行SVM分類訓練，得到決策面，通過深度卷積神經網絡對測試人臉圖像進行特征提取，結合分類訓練得到的決策面進行預測，得到決策值，基于極值理論對決策值進行統計分析得出預測結果。該方法只需每個人臉類具有極少量的訓練樣本，能夠適應實際應用中人臉在很大范圍內的光照、姿態、表情、遮擋等變化，能夠有效區分陌生人臉，識別率高。同時該方法訓練效率高，能夠適應實際應用中對增量學習的需求。

技術領域

本發明屬于人工智能與圖像處理領域，涉及一種人臉圖像的識別方法，特別是基于極值理論進行統計分析，設置預測閾值，然后輸出識別結果。

背景技術

對任意一個識別系統，主要目標是最優化識別性能。對于普通的人臉識別，不希望陌生人臉被誤認為人臉庫中的已知人臉，同樣不希望本該被識別的庫中的已知人臉被誤認為陌生人臉。極值理論作為視覺應用預測器在以前已經出現，但不是作為識別問題的主要部分。

極值理論主要是指處理與概率分布的中值相離極大的情況的理論。可以直觀地假設任何一個考慮尾部分布的問題都是極值問題。最近關于目標檢測得分空間的工作依賴于這一假設，但是并沒有正式解釋為什么極值理論適用于那些分數分布的尾部。僅僅是位于尾部并不足以說明這是一個極值問題。比如可以認為任意特定分布D的前N個值根據定義只滿足分布D而不滿足其它分布。

識別是一個真正意義上的極值問題。當中心極限定理接近極限時，極值問題與中心極限定理相似。極值分布是發生于一個任意分布的一系列隨機觀測值的最大值(或最小值，根據數據表示方式而定)。Gumbel表示對于任意連續可逆的初始分布，只需要三個模型，依賴于最大值或最小值是否感興趣，以及觀測值是否有上界或下界。Gumbel同樣證明如果一個系統或部分有多種失效模式，通過Weibull分布可以很好地模擬這種故障。

發明內容

本發明要解決的技術問題為：本發明提供一種基于極值理論的深度人臉識別方法，該方法利用預測得到的決策值數組，求得統計值，基于極值理論設置閾值，得到識別結果，提高識別準確率。

本發明采用的技術方案為：本發明提供一種基于極值理論的深度人臉識別方法，如圖1所示，該方法包括步驟：

步驟S1：利用預訓練的深度卷積神經網絡對訓練人臉圖像進行特征提取，得到特征矩陣，用于訓練分類器；

步驟S2：對特征矩陣進行SVM分類訓練，得到決策面，用于人臉身份預測；

步驟S3：利用預訓練的深度卷積神經網絡對測試人臉圖像進行特征提取，得到特征矩陣，用于人臉身份預測；

步驟S4：利用訓練得到的SVM分類器，對步驟S3中得到的人臉圖像特征進行身份預測，基于極值理論，得到預測結果。

其中，步驟S1和步驟S3中，輸入到深度卷積神經網絡的圖像大小為224×224。

其中，步驟S1和步驟S3中，深度卷積神經網絡一共有40層，一個輸入層(第0層)，一個softmax輸出層(第39層)，3個全連接層(第32，35，38層)，其余的是conv、relu、mpool和drop層。

其中，步驟S2中的SVM分類使用了LIBSVM工具包，選擇L2-正規化L2-損失徑向基核函數SVM并將懲罰因子設為10。

其中，步驟S4中人臉身份預測的步驟包括：

步驟S41：針對每一幀圖像的人臉特征進行預測，得到決策值數組，選取決策值數組最大20％部分的值進行統計分析；

步驟S42：基于極值理論，設置識別閾值；