[發明專利]一種基于機器視覺的小數據集人臉識別算法

有效

• 申請號: 201810370703.1
• 申請日: 2018-04-24
• 公開（公告）號: CN108710831B
• 公開（公告）日: 2021-09-21
• 發明（設計）人: 田聯房;張楓;杜啟亮
• 申請（專利權）人: 華南理工大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/36;G06K9/62;G06N3/04
• 代理公司: 廣州市華學知識產權代理有限公司 44245
• 代理人: 馮炳輝

本發明公開了一種基于機器視覺的小數據集人臉識別算法，包括步驟：1)數據集的構建與預處理；2)利用生成對抗網絡為圖像不足的類別生成虛擬圖像；3)利用數據增強算法對所有類別圖像進行數據擴充；4)利用卷積神經網絡構建適合數據的模型；5)對設計的模型進行訓練；6)利用攝像機獲取目標圖像，導入訓練好的模型，再進行人臉識別。通過本發明算法可以對缺少人臉數據的應用場景進行高準確率的人臉識別。

技術領域

本發明涉及圖像模式識別的技術領域，尤其是指一種基于機器視覺的小數據集人臉識別算法。

背景技術

人臉識別是基于人的臉部特征信息進行身份識別的一種生物識別技術。與虹膜，指紋等生物技術相比，其顯著優勢是人臉信息豐富，信息采集直觀自然且非接觸，并且可以遠距離操作。因為公共安全，身份認證，數字娛樂產業等領域面部分析和建模的需求提升，人臉識別技術越來越受到學術界和工業界的重視。人臉識別的應用場景十分廣泛，如重要通道出入口，大廈門禁系統，互聯網登陸驗證等，有些應用場景無法獲取大量數據，那么一種基于小數據集的人臉識別算法顯得尤為重要。本發明采用攝像頭獲取人臉，并載入小數據集訓練的人臉識別模型，進行身份認證。

目前實現人臉識別算法有很多種，其中一種是基于機器學習的人臉識別算法。通過對人臉提取特征，再設計分類器進行識別，但受光照不均，人臉表情等的影響，對非限定條件下的人臉魯棒性較差。另一種是基于通用深度學習方法。通過獲取大量人臉數據，訓練深度神經網絡模型，再進行識別，準確率高且魯棒性強，但是需要海量數據，超長的訓練時間以及強大的硬件條件，特定應用場景無法滿足。以上局限性使得目前的人臉識別方法難以適應非限制條件下小數據集的人臉識別需求。

綜合以上論述，發明一種在小數據集前提下，適用非限制條件下人臉的識別方法具有較高的實際應用價值。

發明內容

本發明的目的在于克服現有技術的不足，提出了一種基于機器視覺的小數據集人臉識別算法，主要采用生成對抗網絡為圖像不足的類別補充數據，并利用數據增強算法擴充數據，再設計匹配數據集的深度神經網絡模型，并訓練，使人臉識別系統在小數據集的提前提下獲得高準確率。

為實現上述目的，本發明所提供的技術方案為：一種基于機器視覺的小數據集人臉識別算法，包括以下步驟：

1)數據集的構建與預處理；

2)利用生成對抗網絡為圖像不足的類別生成虛擬圖像；

3)利用數據增強算法對所有類別圖像進行數據擴充；

4)利用卷積神經網絡構建數據模型；

5)對設計的模型進行訓練；

6)利用攝像機獲取目標圖像，進行人臉識別。

在步驟1)中，采用實際場景中拍攝到的人臉圖像集，即原始數據集；采用現有機器學習庫dlib人臉檢測工具對原始圖像實現人臉檢測與人臉對齊，裁剪出目標人臉，以保證獲取的圖像滿足人臉識別的要求，即去除多余背景。

在步驟2)中，利用生成對抗網絡為圖像不足的類別生成虛擬圖像，包括以下步驟：

2.1)構建判別器

構建自編碼器作為生成對抗網絡的判別器；編碼器由4類結構組成：卷積層結合elu激活層作為固定結構、下采樣層、卷積層和全連接層；解碼器由4種結構組成：全連接層、卷積層結合elu激活層作為固定結構、resize層和卷積層；編碼器與解碼器結合作為自編碼器；

編碼器網絡結構為：

第一層由3個子層組成，每個子層為一個卷積層與一個激活層組成；

第二層為卷積層；

第三層為池化層；