[發明專利]一種多人種的人臉識別方法

在審

• 申請號: 201811372085.0
• 申請日: 2018-11-16
• 公開（公告）號: CN109711252A
• 公開（公告）日: 2019-05-03
• 發明（設計）人: 朱鵬飛;馬文亞;胡清華
• 申請（專利權）人: 天津大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06N3/04;G06N3/08
• 代理公司: 天津市北洋有限責任專利代理事務所 12201
• 代理人: 李林娟

本發明公開了一種多人種的人臉識別方法，所述方法將多源數據集、遷移學習與深度多任務學習結合，用于實現對多人種的人臉識別，包括以下步驟：構建具有相似性的不同人臉識別的數據集；使用大規模的數據集訓練深度神經網絡得到深度模型；使用多源數據集利用深度多任務學習在得到的深度模型上繼續訓練；獲得在兩個不同任務上都有高精度的深度模型，所述高精度的深度模型用于最終的人臉識別，提高人臉識別的精度。

技術領域

本發明涉及人臉識別領域，尤其涉及一種多人種的人臉識別方法，本發明將多源數據集、遷移學習與深度多任務學習結合起來，用于實現對多人種的人臉識別。

背景技術

現今的深度學習技術取得的巨大成功在一定程度上是大規模數據的支撐，然而當某一任務數據量不足又需要完成多個特定任務時，普通的深度學習方法不能滿足實際需要。因此，如何在某一任務數據量不足的情況下學習得到在多個任務上都有優異性能的模型是一個亟待解決的問題。

針對某一任務數據量不足的問題，比如深度學習中的人臉識別問題，開源的大規模人臉數據集大都是有歐美人種為主，亞裔或者華裔人種的數據集通常規模很小。假如想同時完成多人種的人臉識別問題。通過直接訓練大規模的歐美人種人臉數據集或者直接訓練小規模的亞裔或者華裔人種的人臉數據集都很難取得滿意的模型精度。前者是因為任務之間的差異性導致在亞裔人臉識別任務上精度欠缺；后者是因為數據量太小，影響模型性能。

面對這種任務通常的解決方法是采用遷移學習的策略，遷移學習首先在具有相似性的大規模數據集上進行訓練得到深度模型，然后利用預訓練好的深度模型在小規模數據集上進行遷移學習。但是遷移學習的方法會造成最終模型在原始任務上性能下降，不能保證一個模型在不同的任務上都具有良好的性能。

例如：利用大規模的歐美人種人臉數據集訓練一個深度模型，此模型在歐美人種人臉識別任務上有很高的精度，在亞裔或華裔人種人臉識別任務上精度不足。利用遷移學習的策略，在模型的基礎上利用亞裔或者華裔人種人臉數據集進行微調，微調后的模型在亞裔或者華裔人種人臉識別任務上表現良好，但是在歐美人種人臉識別任務上模型精度相對于預訓練的模型會有所下降。

發明內容

本發明提供了一種多人種的人臉識別方法，本發明將多源數據集、與深度多任務學習結合起來用于人臉識別，提高了識別精度，詳見下文描述：

一種多人種的人臉識別方法，所述方法將多源數據集、與深度多任務學習結合，用于實現對多人種的人臉識別，所述方法包括以下步驟：

構建具有相似性的不同人臉識別的數據集；使用大規模的數據集訓練深度神經網路得到深度模型；

使用多源數據集利用深度多任務學習在得到的深度模型上繼續訓練；

獲得在兩個不同任務上都有高精度的深度模型，所述高精度的深度模型用于最終的人臉識別，提高人臉識別的精度。

進一步地，所述構建具有相似性的不同人臉識別的數據集具體為：

使用爬取手段直接從互聯網上爬取數據；或，

利用相機或者其他拍攝設備獲取數據。

其中，所述使用大規模的數據集訓練深度神經網路得到深度模型具體為：

對數據集進行預處理，使用深度卷積神經網絡進行模型的訓練；

將訓練得到的深度模型在一些經典測試集上進行測試，觀察測試所得正確率。

具體實現時，所述對數據集進行預處理具體為：對人臉數據集進行五點對齊預處理。

進一步地，所述使用多源數據集利用深度多任務學習在得到的深度模型上繼續訓練具體為：