[發明專利]一種在線學習的人臉識別方法

有效

• 申請號: 201810719313.0
• 申請日: 2018-06-30
• 公開（公告）號: CN109145717B
• 公開（公告）日: 2021-05-11
• 發明（設計）人: 陸生禮;龐偉;周世豪;向家淇;李宇峰;范雪梅
• 申請（專利權）人: 東南大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06N3/04;G06N3/08
• 代理公司: 南京經緯專利商標代理有限公司 32200
• 代理人: 熊玉瑋

本發明公開了一種在線學習的人臉識別方法，屬于計算推算的技術領域，尤其涉及人臉識別的計算機視覺技術領域。該方法利用外部數據集訓練人臉特征提取器，提取本地數據集中各成員對應的參考特征以構成參考特征空間，對比待測試樣本的特征向量和參考特征以確定與待測試樣本的特征向量最相似的參考特征，在與待測試樣本的特征向量最相似的參考特征滿足閾值要求時，以與待測試樣本的特征向量最相似的參考特征所屬成員的身份為待測試樣本的身份，否則，返回待測試樣本身份識別失敗的消息，根據待測試樣本的預測特征向量與其在參考特征空間中對應的真實特征向量的差異更新參考特征空間，適應人臉特征隨時間推移發生的變化，尤其適合頻繁變更成員的場合。

技術領域

本發明公開了一種在線學習的人臉識別方法，屬于計算推算的技術領域，尤其涉及人臉識別的計算機視覺技術領域。

背景技術

人臉識別技術已經廣泛運用于門禁、安檢、監控等方面，其主要任務是區分數據庫中的不同個體并拒絕數據庫之外的個體。在實際應用中，人的相貌特征會受到裝扮、表情的影響且因姿勢、光照而變化，同一個人的正面圖片也會隨時間的推移而出現不同。為增加算法的魯棒性，在識別過程中，有必要在特定情況下更新模型。傳統的方法是重新收集樣本再次訓練，這種做法費時費力，難以操作。我們希望人臉識別設備在運行時可以自行調整模型且適應數據集的變化，因此，迫切需要一種操作簡單且效果良好的在線學習方法。

現有的在線學習方法通過提取人臉的淺層特征(如：Haar特征、LBP特征)進行比對，在視頻中識別并跟蹤給定的人臉。在這種應用場景下，把目標人臉和周圍的一個或多個人臉區分開，只需要辨別很少的樣本；同時，在視頻包含的小段時間內，人臉特征變化較小，因此，圖像的淺層特征可以在一定程度上表征人臉特征。但是，人臉門禁、考勤等任務需要分辨包含數百人的數據庫，在相當長的一段時間內，每個人的相貌都會有所改變，淺層特征難以處理如此復雜的任務。

深度神經網絡提高了模型的辨識度，但網絡的訓練耗費大量的運算資源和時間，變更模型時需要將在離線服務器上訓練好的模型重新導入人臉識別設備；另一方面，神經網絡結構固定，增加/刪除成員時同樣需要再次訓練，為實際應用帶來不便。為使人臉識別技術的使用更靈活且使用范圍更廣，需要一種簡便精確的在線學習方法。

發明內容

本發明的發明目的是針對上述背景技術的不足，提供了一種在線學習的人臉識別方法，以有限的計算資源和簡便的操作流程在終端設備實現了模型的訓練和更新，解決了現有人臉識別技術在數據集變化時需重新訓練模型的技術問題。

本發明為實現上述發明目的采用如下技術方案：

一種在線學習的人臉識別方法，

建立外部數據集：根據研究機構的公開人臉數據庫或自行搜集的數據建立外部數據集，示例性地，人臉數據庫可以選擇CASIA-WebFace、VGG-FACE等公開數據庫；也可以自行在網絡上抓取公眾人物的圖片。每張圖片都應含有身份標注，指明該圖片屬于哪個個體。應當收集盡可能多的個體，每個個體包含盡可能多的樣本，同時減少數據集中錯誤標注樣本的數量。樣本數量和類別數量的增加會提高訓練精度，且不會改變人臉特征提取器的結構或增加訓練難度；

建立本地數據集：假設由m個人組成本地成員集合U＝{u₁,u₂,...,u_m}，給U中的每個成員u_i拍攝n張對應的人臉樣本{x_i1,x_i2,...,x_in}，優選地，人臉樣本應該是光照正常、表情自然的照片，當條件允許拍攝多張圖片時，可以關注表情和姿態的多樣性；