[發明專利]一種基于聯合損失函數的遮擋人臉的識別方法

在審

• 申請號: 202010115980.5
• 申請日: 2020-02-25
• 公開（公告）號: CN111353411A
• 公開（公告）日: 2020-06-30
• 發明（設計）人: 盧麗;閆超;孫亞楠
• 申請（專利權）人: 四川翼飛視科技有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04
• 代理公司: 成都佳劃信知識產權代理有限公司 51266
• 代理人: 史姣姣

本發明公開了一種基于聯合損失函數的遮擋人臉的識別方法，包括以下步驟：采集YALE數據集、ORL數據集和AgeDB數據集的RGB人臉圖像，將所述RGB人臉圖像分為訓練集和測試集；根據訓練集隨機生成1/4人臉遮擋部位的人臉圖像，并對所述1/4人臉遮擋部位的人臉圖像進行垂直和水平翻轉；將所述1/4人臉遮擋部位的人臉圖像輸入至Resnet殘差網絡，以提取人臉的高維特征；將人臉的高維特征輸入至聯合損失函數層，以分離得到數個聚類的高維圖像特征；計算測試集與Resnet殘差網絡中高維圖像特征的歐式距離，并設定距離閥值，若歐式距離大于距離閥值，則為同一人；否則為不同的人。

技術領域

本發明涉及圖像處理技術領域，尤其是一種基于聯合損失函數的遮擋人臉的識別方法。

背景技術

最近幾年，隨著圖像處理技術的飛速發展與進步，人臉識別取得了巨大的進步；其原因在于：人臉識別與其他方法(虹膜和指紋識別)相比，其具有非接觸并且能夠抗干擾等明顯優勢；另外，其市場前景相當巨大。目前，現有技術中基于當前主流的深度卷積學習來區分遮擋的人臉圖像，并通過神經網絡結構的卷積或池化層來提取圖像中的關鍵特征，然后對提取的特征進行分類。其中，特征的完整性是人臉算法的一個重要因素，這種基于特征的識別方法不受算法復雜度的限制并且容易實現，能夠快速準確地識別人臉圖像。

然而，關鍵特征點的識別算法只是單一的提取某種或某幾種屬性特征融合的方法，沒有完整地從圖像中提取人臉的關鍵特征，這會導致算法的識別率較低。另外，此方法也受到外界的許多干擾，尤其在較暗光照條件或者被其它的物體所遮擋時，人臉的識別率極低。在日常生活中，越來越多的人佩戴帽子和口罩等遮擋物，遮擋問題變得尤其突顯。傳統方法在惡劣環境(光照、遮擋)下對人臉圖像進行分析導致算法的誤差較大，不能適用在真實環境中。因此，急需要研究出一種在惡劣環境下(遮擋和非遮擋)仍能高效地識別人臉圖像的方法。

目前，為了解決遮擋人臉圖像的問題，主要采用基于深度學習的度量學習方法，此方法是將人臉遮擋和非遮擋圖像輸入神經網絡中訓練。然后，人臉圖像通過神經網絡結構的卷積和池化層來提取人臉的高維特征。最后，這些特征通過損失函數來分離不相似的特征并聚集相似的特征。因此，這些損失函數在臉識別中起著非常關鍵的作用。目前，損失函數主要的有以下三類：

第一類是softmax損失函數，此函數通過神經網絡的映射來提取人臉的高維特征，然后對高維特征進行分類。softmax損失函數在訓練過程中比其他損失函數(如對比損失或三元組損失)收斂速度快，但是此算法有兩點缺點：(1)softmax損失函數不能保證人臉圖像在整個訓練集中均勻分布。因此，當訓練數據集中數據差異較大時，所學習的特征不能正確地表示人臉的特征。(2)此損失函數只考慮了分類的正確性，沒有考慮類間特征的距離。

第二類是中心損失函數(Center Loss)，中心損失不僅增大了類間的距離，還讓每個相似的類都靠近中心聚簇。為了更進一步提升softmax損失函數的性能，中心損失函數在softmax損失的深層特征上添加L2約束以最小化特征之間的距離，極大地提高了softmax損失函數的性能。雖然中心損失函數可以使類內變得緊湊，不能較好地區分不同的類。

第三類是角度損失函數(A-softmax)，A-softmax損失函數通過權重向量和特征向量之間的角度來代替歐氏距離，以進一步提高了softmax損失函數的性能。此函數不僅能夠擴大類間距離，還能縮小類內距離。但當訓練集的數據不均勻時，此函數容易導致較低的人臉識別率。

因此，急需要提出一種收斂快、性能高的損失函數來擴大類間距離和縮小類內距離，以較明顯地區分不同的特征，同時還能提高人臉識別的準確率。

發明內容

針對上述問題，本發明的目的在于提供一種基于聯合損失函數的遮擋人臉的識別方法，本發明采用的技術方案如下：

一種基于聯合損失函數的遮擋人臉的識別方法，包括以下步驟：