[發明專利]一種基于遷移學習的人臉檢測的方法、裝置以及設備

有效

• 申請號: 201810890473.1
• 申請日: 2018-08-07
• 公開（公告）號: CN109086723B
• 公開（公告）日: 2022-03-25
• 發明（設計）人: 李莉;陳瑋;廖廣軍;武垚欣
• 申請（專利權）人: 廣東工業大學
• 主分類號: G06V40/16
• 分類號: G06V40/16;G06V10/774;G06V10/82;G06V10/764;G06K9/62;G06N3/04;G06N3/08;G06V40/40
• 代理公司: 北京集佳知識產權代理有限公司 11227
• 代理人: 羅滿

本發明公開了一種基于遷移學習的人臉檢測的方法、裝置、設備及計算機可讀存儲介質，包括：依據源數據集中的人臉圖像的大小對采集到的目標數據集中的人臉圖像進行歸一化處理；對所述源數據集神經網絡的遷移層直接遷移，對源數據集神經網絡的非遷移層進行微調，得到所述目標數據集的卷積神經網絡的網格結構；對目標數據集的確定網格結構后的卷積神經網絡進行訓練，得到所述目標數據集的卷積神經網絡的目標網格參數；利用確定所述網格結構和所述目標網格參數后的所述目標數據的卷積神經網絡，對所述目標數據集中真實人臉圖像進行識別。本發明所提供的方法、裝置、設備及計算機可讀存儲介質，可快速實現對數據集的卷積神經網絡的重新設計和訓練。

技術領域

本發明涉及人臉識別技術領域，特別是涉及一種基于遷移學習的人臉檢測的方法、裝置、設備以及計算機可讀存儲介質。

背景技術

現代化信息社會，技術更新迭代迅速，保護個人隱私和信息財產安全越來越重要。傳統的身份驗證是通過鑰匙、簽名、印章、身份證、密碼等方式。這些驗證方式需要記憶，攜帶，不僅容易遺忘或丟失，而且容易破解，安全系數低。采用基于模式識別的人臉活體檢測設備，方便快捷，識別率高，安全性強。但現有的人臉活體檢測算法對真偽人臉的區分度仍然較差，且訓練樣本集較單一，即現有的訓練樣本集一般源于同一場景，圖像采自同一設備，照片偽造模式相同，一旦出現新的偽造圖像，應對不同場景，照片格式變化，對新的數據集的識別效果必然會變差，此時需要根據新的數據再次重新訓練模型，必然耗費時間，且不能保證達到訓練模型的檢測效果。

現有的技術中訓練神經網絡時，訓練采用的數據集一般為公開的某一數據集，這導致某一數據集下訓練的模型不能在另外的數據集上得到很好的效果。此時，針對不同的數據集(新的偽造人臉圖像)，已有的方案需要對于新的數據集重新設計和訓練神經網絡，也就是說，神經網絡層數，神經元數，參數都需要多次反復訓練，反復修改，求取最優的網絡結構和最優參數，收斂速度慢，所需的訓練時間較長。

綜上所述可以看出，如何減少新數據集設計和訓練神經網絡的時間是目前有待解決的問題。

發明內容

本發明的目的是提供一種基于遷移學習的人臉檢測的方法、裝置、設備以及計算機可讀存儲介質，已解決現有技術中對于新的數據集重新設計和訓練神經網絡需要較長的訓練時間。

為解決上述技術問題，本發明提供一種基于遷移學習的人臉檢測的方法，包括：依據源數據集中的人臉圖像的大小對采集到的目標數據集中的人臉圖像進行歸一化處理；對所述源數據集的卷積神經網絡的遷移部分進行直接遷移，并對所述源數據集的卷積神經網絡的非遷移部分進行微調，從而得到所述目標數據集的卷積神經網絡的網格結構；對所述目標數據集的確定網格結構后的卷積神經網絡進行訓練，得到所述目標數據集的卷積神經網絡的目標網格參數；利用確定所述網格結構和所述目標網格參數后的所述目標數據的卷積神經網絡，對所述目標數據集中真實人臉圖像進行識別。

優選地，所述依據源數據集中的人臉圖像的大小對采集到的目標數據集中的人臉圖像進行歸一化處理包括：

利用插值法和源數據集的Alexnet卷積神經網絡中輸入層內標準化圖像尺寸，對采集到的目標數據集中的人臉圖像進行歸一化處理，以便于依據所述Alexnet卷積神經網絡得到所述目標數據集的卷積神經網絡。

優選地，所述對所述源數據集的卷積神經網絡的遷移部分進行直接遷移，并對所述源數據集的卷積神經網絡的非遷移部分進行微調，從而得到所述目標數據集的卷積神經網絡的網格結構包括：

對所述Alexnet卷積神經網絡中除最后三層以外的其他層進行直接遷移；對所述Alexnet卷積神經網絡的全連接層、soft-max層和分類輸出層進行微調，從而得到所述目標數據集的卷積神經網絡的網格結構。

優選地，，所述對所述Alexnet卷積神經網絡的全連接層、soft-max層和分類輸出層進行微調包括：