[發(fā)明專(zhuān)利]深度神經(jīng)網(wǎng)絡(luò)訓(xùn)練方法及人臉識(shí)別方法

在審

• 申請(qǐng)?zhí)枺?/td>: 201710022621.3
• 申請(qǐng)日: 2017-01-12
• 公開(kāi)（公告）號(hào): CN106778684A
• 公開(kāi)（公告）日: 2017-05-31
• 發(fā)明（設(shè)計(jì)）人: 黃飛;田澤康;侯立民;鄧卉;謝建
• 申請(qǐng)（專(zhuān)利權(quán)）人: 易視騰科技股份有限公司
• 主分類(lèi)號(hào): G06K9/00
• 分類(lèi)號(hào): G06K9/00;G06K9/62
• 代理公司: 北京聯(lián)創(chuàng)佳為專(zhuān)利事務(wù)所(普通合伙)11362
• 代理人: 郭防

技術(shù)領(lǐng)域

本發(fā)明涉及圖像處理領(lǐng)域，具體而言，涉及一種深度神經(jīng)網(wǎng)絡(luò)訓(xùn)練方法、一種人臉識(shí)別方法及一種基于多深度神經(jīng)網(wǎng)絡(luò)融合的人臉認(rèn)證方法。

背景技術(shù)

人臉識(shí)別技術(shù)是利用圖像捕捉設(shè)備采集用戶的面部數(shù)據(jù)并由計(jì)算機(jī)通過(guò)特征提取和匹配，識(shí)別出用戶身份的技術(shù)。其主要步驟包括：(1)人臉檢測(cè)，即從圖像捕捉設(shè)備采集的圖像中定位人臉的位置，提取出人臉對(duì)應(yīng)區(qū)域的圖像；(2)特征提取，即從人臉區(qū)域的圖像中通過(guò)計(jì)算，提取出有效的模式特征；(3)特征識(shí)別，對(duì)提取的模式特征與人臉特征庫(kù)中的各種進(jìn)行對(duì)比，從而識(shí)別出用戶身份。

人臉認(rèn)證是人臉識(shí)別的一個(gè)分支，要求計(jì)算機(jī)不僅可以識(shí)別人臉庫(kù)中已有的人臉，還要拒絕不屬于人臉庫(kù)中的人臉。人臉認(rèn)證在簽到系統(tǒng)，監(jiān)控領(lǐng)域，人機(jī)交互，系統(tǒng)登錄等諸多領(lǐng)域有廣泛的應(yīng)用。

現(xiàn)有的識(shí)別、認(rèn)證技術(shù)在實(shí)施時(shí)，人臉距離圖像采集設(shè)備的距離變化造成采集圖像的清晰度變化，距離較遠(yuǎn)時(shí)細(xì)節(jié)減少造成識(shí)別性能下降；另一方面由于人臉姿態(tài)變化，捕捉到人臉角度也在變化，導(dǎo)致采集到的圖像細(xì)節(jié)變化，有的情況下細(xì)節(jié)會(huì)丟失，從而造成識(shí)別準(zhǔn)確度下降。

發(fā)明內(nèi)容

本發(fā)明為了解決現(xiàn)有識(shí)別成功率低的技術(shù)問(wèn)題，第一方面提供了一種深度神經(jīng)網(wǎng)絡(luò)訓(xùn)練方法，包括如下步驟：

獲取帶有分類(lèi)信息的人臉數(shù)據(jù)集；

根據(jù)所述分類(lèi)信息對(duì)所述人臉數(shù)據(jù)集進(jìn)行分類(lèi)，并將所述人臉數(shù)據(jù)集進(jìn)行對(duì)齊歸一化處理，形成訓(xùn)練數(shù)據(jù)集；

將所述訓(xùn)練數(shù)據(jù)集帶入到深度神經(jīng)網(wǎng)絡(luò)模型中，根據(jù)所述深度神經(jīng)網(wǎng)絡(luò)模型的損失函數(shù)及訓(xùn)練參數(shù)對(duì)所述深度神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，得到優(yōu)化深度神經(jīng)網(wǎng)絡(luò)模型；其中，針對(duì)不同清晰度的所述訓(xùn)練數(shù)據(jù)集，所述深度神經(jīng)網(wǎng)絡(luò)模型包括多個(gè)獨(dú)立的深度神經(jīng)網(wǎng)絡(luò)模型，每個(gè)獨(dú)立的深度神經(jīng)網(wǎng)絡(luò)模型對(duì)應(yīng)一個(gè)所述損失函數(shù)。

進(jìn)一步地，在將所述訓(xùn)練數(shù)據(jù)集帶入到深度神經(jīng)網(wǎng)絡(luò)模型中之前還包括步驟：針對(duì)每個(gè)所述獨(dú)立的深度神經(jīng)網(wǎng)絡(luò)模型所應(yīng)對(duì)的清晰度，對(duì)待輸入到所述獨(dú)立的深度神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練數(shù)據(jù)集中的圖片進(jìn)行縮放和/或剪裁。

進(jìn)一步地，根據(jù)所述損失函數(shù)和訓(xùn)練參數(shù)采用隨機(jī)梯度下降法對(duì)所述深度神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練。

本發(fā)明另一方面提供了一種人臉識(shí)別方法，包括如下步驟：

建立人臉模型庫(kù)，所述人臉模型庫(kù)中至少包括1個(gè)人臉的模型；

使用所述人臉模型庫(kù)和權(quán)利要求1～4中任一建立的優(yōu)化深度神經(jīng)網(wǎng)絡(luò)模型，對(duì)待識(shí)別人臉圖片進(jìn)行識(shí)別，以確定所述待識(shí)別人臉屬于人臉模型庫(kù)中某一類(lèi)的人臉標(biāo)識(shí)。

進(jìn)一步地，所述建立人臉模型庫(kù)的步驟包括：

獲取待識(shí)別的人臉對(duì)應(yīng)的標(biāo)識(shí)和人臉圖片集合；

對(duì)所述人臉圖片集合中的所有圖片進(jìn)行對(duì)齊處理；

將對(duì)齊后的人臉圖片集合中的圖片分別輸入到所述神經(jīng)網(wǎng)絡(luò)模型中，獲取特征向量集合，所述特征向量集合中的單個(gè)特征向量對(duì)應(yīng)一張所述圖片；

將所述特征向量集合及對(duì)應(yīng)的所述人臉標(biāo)識(shí)記錄到所述人臉模型庫(kù)中。

進(jìn)一步地，所述對(duì)待識(shí)別人臉圖片進(jìn)行識(shí)別的步驟包括：

獲取待識(shí)別人臉圖片并進(jìn)行對(duì)齊處理；

將對(duì)齊后的待識(shí)別人臉圖片分別輸入到所述神經(jīng)網(wǎng)絡(luò)模型中，獲取特征向量集合，所述特征向量集合中的單個(gè)特征向量對(duì)應(yīng)一個(gè)神經(jīng)網(wǎng)絡(luò)模型；

將所述特征向量集合與所述人臉模型庫(kù)進(jìn)行比對(duì)，輸出最高相似度值及對(duì)應(yīng)最高相似度值的人臉標(biāo)識(shí)；

將所述最高相似度值與閾值比較，如果大于閾值則輸出所述人臉標(biāo)識(shí)。

進(jìn)一步地，所述將所述特征向量集合與所述人臉模型庫(kù)進(jìn)行比對(duì)，輸出最高相似度值及對(duì)應(yīng)最高相似度值的人臉標(biāo)識(shí)的步驟包括：將所述特征向量集合與所述人臉模型庫(kù)中各類(lèi)別人臉進(jìn)行比對(duì)獲取各類(lèi)別對(duì)應(yīng)的相似度，將各類(lèi)別對(duì)應(yīng)的相似度值中的最高值作為所述最高相似度，將所述最高值對(duì)應(yīng)的類(lèi)別作為所述對(duì)應(yīng)最高相似度值的人臉標(biāo)識(shí)。

進(jìn)一步地，所述將所述特征向量集合與所述人臉模型庫(kù)中各類(lèi)別人臉進(jìn)行比對(duì)獲取各類(lèi)別對(duì)應(yīng)的相似度的步驟包括：將所述特征向量集合中每個(gè)特征向量與所述人臉模型庫(kù)中一個(gè)類(lèi)別圖片對(duì)應(yīng)的多個(gè)特征向量進(jìn)行對(duì)比，求取多幅圖片多個(gè)模型對(duì)應(yīng)的相似度集合，然后根據(jù)所述相似度集合進(jìn)行融合，求取模型融合后相似度集合，所述模型融合后的相似度集合對(duì)應(yīng)一個(gè)類(lèi)別中多幅圖片，對(duì)所述模型融合后的相似度集合進(jìn)行歸納，獲得所述類(lèi)別對(duì)應(yīng)的相似度。