[發明專利]一種面向無感場景的人臉識別方法

在審

• 申請號: 202010378421.3
• 申請日: 2020-05-07
• 公開（公告）號: CN111738059A
• 公開（公告）日: 2020-10-02
• 發明（設計）人: 李翔;李夢婷;印鑒;劉威;余建興
• 申請（專利權）人: 中山大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 廣州粵高專利商標代理有限公司 44102
• 代理人: 林麗明

本發明提供一種面向無感場景的人臉識別方法，該方法先通過對百萬數量級的高質量的人臉識別數據的訓練，得到人臉高維特征表述的方式，在實際場景中，再通過對上傳人臉照片質量可量化的評估，結合高維特征向量和底庫中其他特征向量的相似度，以及靈活動態調整參數閾值的方式，識別其真實身份，提高無感場景下的人臉識別率；本方法通過對抓拍照片的質量評估，結合高維度特征向量相似度的閾值設置等技術，可以在無感場景下大幅度提高人臉識別的準確率。

技術領域

本發明涉及圖像處理算法領域，更具體地，涉及一種面向無感場景的人臉識別方法。

背景技術

人臉識別服務，比如刷臉門禁和刷臉支付等，在人們的日常生活中已經無處不在，可以給用戶提供更好的體驗。這些都屬于有感人臉識別的范疇，需要人主動去配合攝像頭去識別。但實際生活中，往往存在不需要人主動配合的場景，比如安全系統下的逃犯識別或者線下零售的客流系統等，攝像頭通常設在店門口或者一些必經場所，這樣人通過的時候，就可以大概率抓到人臉，通常這種場景下，人不會主動去看攝像頭，那么拍到的照片大多數都不是比較正的臉，這樣會嚴重影響人臉的識別準確率。本方法通過對抓拍照片的質量評估，結合高維度特征向量相似度的閾值設置等技術，可以在無感場景下大幅度提高人臉識別的準確率。

通常基于深度學習的人臉識別方法，都是通過訓練，把人臉照片映射到一個高緯空間中，每張照片在這個空間中都可以用一個高緯向量來表示，并且在這個空間中，比較相似的照片之間的距離會比較小，不同的人的照片對應的向量的距離會比較大，長的越像，距離就越小。因此只需要設定一個閾值，當向量之間的距離小于這個閾值時，就意味著這兩個向量代表的照片是屬于同一個人的，也就是識別成功。另一方面，人的臉部特征包含了其身份信息，但角度比價偏的時候，比如俯視、仰視或者左右這種角度拍攝的照片，會大幅度減少其臉部特征的信息，這樣就會嚴重影響到識別的準確率，比如很多人從左右方垂直角度拍的照片，相似度會非常高，這樣如果還按照上述方式用一個閾值來判斷其身份，就會出現識別錯誤的情況，所以大多數場景下要求人主動配合去識別才能保證一個合理的識別率。因此，為了提高無感場景的人臉識別率，本發明通過對上傳人臉照片質量進行可量化的評估，結合高維特征向量和底庫中其他特征向量的相似度，以及靈活動態調整參數閾值的方式，大幅度降低無感場景的誤識率。

發明內容

本發明提供一種誤識率較低的面向無感場景的人臉識別方法。

為了達到上述技術效果，本發明的技術方案如下：

一種面向無感場景的人臉識別方法，包括以下步驟：

S1：人臉向量計算并匹配底庫；

S2：人臉照片質量評估和目標相似度結果判斷；

S3：基于S2輸出的評估結果，對照片進行不同的后續處理，如果是識別或者注冊成功，則還要加入到一個臨時隊列中，對接下來照片進行寬松閾值的識別判斷，從而降低一人由于多張不同角度照片造成識別錯誤的概率，將不同階段的結果存儲到對應表中。

進一步地，所述步驟S1的中，采用100層的卷積神經網絡ResNet作為主干網絡，使用百萬人臉數據集MS1M進行人臉識別模型的訓練，生成一個可以使用的深度人臉模型，這樣每張人臉照片都可以生成一個高維度的向量；將得到的向量去人臉底庫中進行計算匹配，通過向量計算找到和該向量最近的人臉向量。

進一步地，所述步驟S1的具體過程是：

S11：把通過人臉對齊后的照片以及對應的身份標注輸入到100層的卷積神經網絡ResNet中進行訓練，訓練結束后，一張人臉照片經過主干網絡的計算，就可以得到一個512維的特征向量；

S12：基于大規模向量檢索工具Faiss，匹配最相近的faceId，并輸出匹配底庫時計算到的分數。