[發(fā)明專利]一種基于小樣本學習原型網(wǎng)絡(luò)的特殊面容人群篩查系統(tǒng)

在審

• 申請?zhí)枺?/td>: 202010952636.1
• 申請日: 2020-09-11
• 公開（公告）號: CN112084956A
• 公開（公告）日: 2020-12-15
• 發(fā)明（設(shè)計）人: 馬天雪;院旺;馬利莊;劉淑寶;唐俊姝
• 申請（專利權(quán)）人: 上海交通大學煙臺信息技術(shù)研究院
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62
• 代理公司: 上海科盛知識產(chǎn)權(quán)代理有限公司 31225
• 代理人: 丁云

本發(fā)明涉及一種基于小樣本學習原型網(wǎng)絡(luò)的特殊面容人群篩查系統(tǒng)，該系統(tǒng)包括：圖像獲取模塊：獲取用戶圖像；人臉檢測模塊：檢測用戶圖像中是否包含人臉；人臉裁剪模塊：對包含人臉的用戶圖像進行裁剪獲得人臉圖像；篩查模塊：該模塊存儲預(yù)先經(jīng)過小樣本學習得到的原型網(wǎng)絡(luò)，所述的原型網(wǎng)絡(luò)包括嵌入函數(shù)，嵌入函數(shù)輸入為人臉圖像，輸出為人臉圖像的特征向量，所述的原型網(wǎng)絡(luò)還利用特征向量與各類特殊面容人群原型的距離確定輸入的人臉圖像屬于對應(yīng)的特殊面容人群的概率值。與現(xiàn)有技術(shù)相比，本發(fā)明篩查系統(tǒng)具有高效、便捷、可靠、低成本等優(yōu)點。

技術(shù)領(lǐng)域

本發(fā)明涉及小樣本學習技術(shù)領(lǐng)域，尤其是涉及一種基于小樣本學習原型網(wǎng)絡(luò)的特殊面容人群篩查系統(tǒng)。

背景技術(shù)

特殊面容人群篩查是一項復雜的工作，需要多學科的密切配合。目前特殊面容人群的遺傳學篩查主要依靠醫(yī)生對特殊面容人群的判斷能力及經(jīng)驗，可靠性不穩(wěn)定，并受地域的限制。另外其他篩查方法復雜繁瑣，對醫(yī)療技術(shù)水平要求較高，具有一定的難度并且檢測的成本較高。

由于現(xiàn)存特殊面容人群的遺傳學篩查方法存在上述暫未解決的問題，所以需要更加高效、便捷、可靠、低成本的特殊面容人群篩查系統(tǒng)。

發(fā)明內(nèi)容

本發(fā)明的目的就是為了克服上述現(xiàn)有技術(shù)存在的缺陷而提供一種基于小樣本學習原型網(wǎng)絡(luò)的特殊面容人群篩查系統(tǒng)。

本發(fā)明的目的可以通過以下技術(shù)方案來實現(xiàn)：

一種基于小樣本學習原型網(wǎng)絡(luò)的特殊面容人群篩查系統(tǒng)，該系統(tǒng)包括：

圖像獲取模塊：獲取用戶圖像；

人臉檢測模塊：檢測用戶圖像中是否包含人臉；

人臉裁剪模塊：對包含人臉的用戶圖像進行裁剪獲得人臉圖像；

篩查模塊：該模塊存儲預(yù)先經(jīng)過小樣本學習得到的原型網(wǎng)絡(luò)，所述的原型網(wǎng)絡(luò)包括嵌入函數(shù)，嵌入函數(shù)輸入為人臉圖像，輸出為人臉圖像的特征向量，所述的原型網(wǎng)絡(luò)還利用特征向量與各類特殊面容人群原型的距離確定輸入的人臉圖像屬于對應(yīng)的特殊面容人群的概率值。

優(yōu)選地，所述的圖像獲取模塊通過用戶上傳照片或者用戶現(xiàn)場拍照的方式獲取用戶圖像。

優(yōu)選地，所述的人臉檢測模塊包括Dlib檢測器。

優(yōu)選地，所述的人臉裁剪模塊基于Dlib檢測器檢測到的人臉外接矩形的坐標，利用OpenCv將人臉外接矩形區(qū)域內(nèi)的圖像裁剪保存形成人臉圖像。

優(yōu)選地，所述的篩查模塊中的原型網(wǎng)絡(luò)訓練方式為：

構(gòu)建特殊面容人群數(shù)據(jù)集，將數(shù)據(jù)集分為訓練集，驗證集及測試集，其中特殊面容人群數(shù)據(jù)集包括特殊面容人群的人臉照片及其對應(yīng)的特殊面容人群類別；

對所述訓練集數(shù)據(jù)執(zhí)行數(shù)據(jù)增強操作；

確定嵌入函數(shù)訓練過程中超參數(shù)的具體數(shù)值；

基于episode策略進行原型網(wǎng)絡(luò)的訓練，從所述訓練集中選擇N個類別，并從這N個類別中分別選取S+Q個樣本，其中S個樣本作為訓練的支持集，Q個樣本作為訓練的查詢集，將所述支持集與查詢集輸入嵌入函數(shù)得到特征向量，利用所述查詢集的特征向量求得類原型，利用所述支持集的特征向量求與類原型的距離；

利用所述距離以及損失函數(shù)求得損失函數(shù)值；

基于上述得到的損失函數(shù)值和已設(shè)置好的超參數(shù)進行原型網(wǎng)絡(luò)的訓練。

優(yōu)選地，所述的數(shù)據(jù)增強操作包括圖像翻轉(zhuǎn)、圖像旋轉(zhuǎn)、灰度處理中的一種或多種。

優(yōu)選地，所述的超參數(shù)包括學習率、迭代次數(shù)，所述嵌入函數(shù)為典型的VGG16網(wǎng)絡(luò)。