[發明專利]一種基于主動判別性跨域對齊的低分辨人臉識別方法

在審

• 申請號: 202010465593.4
• 申請日: 2020-05-28
• 公開（公告）號: CN111695456A
• 公開（公告）日: 2020-09-22
• 發明（設計）人: 張凱兵;鄭冬冬;張天歌;李敏奇;景軍鋒;盧健;陳小改
• 申請（專利權）人: 西安工程大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06F17/14;G06F17/16;G06F17/18;G06N3/08
• 代理公司: 西安弘理專利事務所 61214
• 代理人: 弓長

本發明公開了一種基于主動判別性跨域對齊的低分辨人臉識別方法，具體為：構造HR圖像集、LR人臉圖像集，從LR人臉圖像集中挑選源域樣本，形成源域樣本集，剩余的LR人臉圖像形成目標域樣本集；同時減小源域與目標域樣本之間的統計分布差異；構造判別對齊矩；建立源域與目標域樣本的線性變換關系；構造并求解目標函數，計算源域及標域樣本變換矩陣，用最近鄰分類器推斷出目標域人臉變換特征的類別標簽。本發明通過線性變換將源域與目標域人臉特征空間變換到一個公共域子空間中實現LR人臉的匹配識別，采用主動學習選擇具有代表性和多樣性的源域樣本訓練分類器，提升算法的識別性能。

技術領域

本發明屬于人臉識別方法技術領域，涉及一種基于主動判別性跨域對齊的低分辨人臉識別方法。

背景技術

人臉識別是計算機視覺領域最重要的研究課題之一。目前，在受控條件下的高分辨(High-Resolution，簡稱HR)人臉識別方法已趨于成熟，在很多生產實踐中開始大范圍推廣應用。然而，在實際的非受控條件下，受姿態、光照、表情、遮擋和分辨率等不利因素的影響，致使攝像頭捕獲的人臉圖像與真實的高分辨人臉圖像之間的數據分布存在巨大差異，進而使得人臉識別系統的性能急劇下降，無法滿足實際應用要求。因此，研究低分辨率(Low-Resolution，簡稱LR)人臉的識別技術受到研究者的廣泛關注。

在過去幾十年，人們提出了許多不同的低分辨人臉識別方法。根據識別原理的不同，大體可以分為三種類型：基于重構超分辨(Super-Resolution，簡稱SR)圖像的LR人臉識別方法、基于公共特征子空間的LR人臉識別方法和基于深度學習的LR人臉識別方法。

基于重構SR圖像的LR人臉識別方法發展迅速，該類方法主要利用圖像SR重建技術，獲得視覺效果較好的HR人臉圖像實現人臉的相似性匹配。盡管基于圖像SR的方法能夠獲得視覺效果較高的HR人臉圖像，但容易在人臉關鍵特征點處引入偽像，嚴重影響識別性能；而且，隨著監控網絡的大面積覆蓋，該類方法的計算復雜度較高，而難以滿足實際應用要求。

近年來，基于公共特征子空間的LR人臉識別方法由于其算法相對簡單，耗時少等優點，成為一條解決HR-LR人臉圖像特征維度不匹配問題的有效途徑。此類方法通過學習HR-LR人臉的耦合映射，將不同維數的HR-LR人臉圖像先映射到一個公共特征子空間，然后在維數相同的特征子空間中完成HR-LR人臉圖像的相似性匹配。目前針對公共特征子空間的LR人臉問題主要有兩種常見的解決方法，其中第一種是基于字典學習和稀疏表示的LR人臉識別方法，該方法主要通過字典學習和稀疏表示對人臉的局部結構特征進行稀疏編碼后變換到低維特征空間中實現LR人臉的匹配。第二種是基于耦合映射的LR人臉識別方法，一般有3種映射方式：1)將HR人臉圖像下采樣到和LR人臉圖像同一特征維度進行匹配；2)將LR人臉圖像上采樣到和HR人臉圖像同一特征維度進行匹配；3)同時將HR-LR人臉圖像映射到公共特征子空間進行匹配。其目的是將HR-LR訓練人臉圖像特征變換到公共特征子空間來學習HR-LR耦合映射矩陣，然后將HR耦合映射矩陣和LR耦合映射矩陣分別變換到公共特征子空間后，實現LR測試人臉圖像特征的變換與識別。

隨著深度學習的迅速發展，基于深度學習的LR人臉識別方法相繼被提出，相比傳統機器學習算法，深度學習在處理大量訓練樣本時更具有優勢。其主要通過卷積神經網絡提取人臉特征，采用有效的激活函數和損失函數對網絡參數進行優化，實現端到端HR-LR人臉的識別。

現有的方法在現實應用場景中，因被監控人群與監控設備距離較遠而導致攝像頭捕獲的人臉圖像通常出現LR、尺寸小和失真等現象，即攝像頭捕獲的人臉圖像與真實的高分辨人臉圖像之間存在巨大的數據分布差異，從而嚴重影響直接與高分辨參考人臉圖像的匹配識別。

發明內容

本發明的目的是提供一種基于主動判別性跨域對齊的低分辨人臉識別方法，通過線性變換將源域與目標域人臉特征空間變換到一個公共域子空間中實現LR人臉的匹配識別，采用主動學習選擇具有代表性和多樣性的源域樣本訓練分類器，提升算法的識別性能。