[發(fā)明專利]基于單張?jiān)从驑颖镜男聢?chǎng)景人臉識(shí)別模型構(gòu)建方法、系統(tǒng)

有效

• 申請(qǐng)?zhí)枺?/td>: 202011216042.0
• 申請(qǐng)日: 2020-11-04
• 公開（公告）號(hào): CN112329617B
• 公開（公告）日: 2022-10-21
• 發(fā)明（設(shè)計(jì)）人: 雷震;朱翔昱;劉浩
• 申請(qǐng)（專利權(quán)）人: 中國(guó)科學(xué)院自動(dòng)化研究所
• 主分類號(hào): G06V40/16
• 分類號(hào): G06V40/16;G06V10/774;G06N3/04;G06N3/08
• 代理公司: 北京市恒有知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙) 11576
• 代理人: 郭文浩;尹文會(huì)

1.一種基于單張?jiān)从驑颖镜男聢?chǎng)景人臉識(shí)別模型構(gòu)建方法，其特征在于，包括以下步驟：

步驟S100，基于第一樣本集進(jìn)行人臉識(shí)別模型的訓(xùn)練，得到第一模型；所述第一樣本集為源域圖像樣本集；所述人臉識(shí)別模型基于神經(jīng)網(wǎng)絡(luò)構(gòu)建；

步驟S200，基于所述第一模型，對(duì)所述第一樣本集中各樣本進(jìn)行特征提取，基于所提取的特征，對(duì)所述第一樣本集中各類樣本，分別基于距離其類別中心的預(yù)設(shè)距離選取一個(gè)源域圖像樣本作為保留樣本，加入目標(biāo)域樣本集，得到第二樣本集；

步驟S300，基于所述第一模型，對(duì)所述第二樣本集中各樣本進(jìn)行特征提取，分別計(jì)算所述第二樣本集中各類樣本的類別特征模板，并擴(kuò)展到所述第一模型的分類層中，得到第二模型；

步驟S400，基于所述第二樣本集，通過硬標(biāo)簽和軟標(biāo)簽的共同約束進(jìn)行第二模型的訓(xùn)練，得到新場(chǎng)景人臉識(shí)別模型。

2.根據(jù)權(quán)利要求1所述的基于單張?jiān)从驑颖镜男聢?chǎng)景人臉識(shí)別模型構(gòu)建方法，其特征在于，步驟S100的源域圖像樣本集在用于人臉識(shí)別模型的訓(xùn)練前需要進(jìn)行預(yù)處理，對(duì)源域圖像樣本集中任一源域圖像樣本預(yù)處理方法為：

通過人臉檢測(cè)和人臉關(guān)鍵點(diǎn)檢測(cè)得到二十五個(gè)人臉關(guān)鍵點(diǎn)；

基于所述人臉關(guān)鍵點(diǎn)的位置對(duì)齊人臉，并按照預(yù)設(shè)尺寸進(jìn)行裁剪。

3.根據(jù)權(quán)利要求1所述的基于單張?jiān)从驑颖镜男聢?chǎng)景人臉識(shí)別模型構(gòu)建方法，其特征在于，步驟S100中對(duì)人臉識(shí)別模型訓(xùn)練所采用的損失函數(shù)為分類損失函數(shù)。

4.根據(jù)權(quán)利要求1所述的基于單張?jiān)从驑颖镜男聢?chǎng)景人臉識(shí)別模型構(gòu)建方法，其特征在于，步驟S200中所述類別中心，其獲取方法為：

對(duì)一類樣本中各樣本的特征求平均，將其平均值作為該類樣本的類別中心。

5.根據(jù)權(quán)利要求1所述的基于單張?jiān)从驑颖镜男聢?chǎng)景人臉識(shí)別模型構(gòu)建方法，其特征在于，步驟S200中，所述第一樣本集中每類樣本中的保留樣本，其選擇方法為：

距離類別中心的預(yù)設(shè)距離為單值，將每類樣本中與其類別中心距離最接近所述預(yù)設(shè)距離的樣本作為保留樣本；

或者，

距離類別中心的預(yù)設(shè)距離為區(qū)間，從每類樣本中與其類別中心距離落入該預(yù)設(shè)距離范圍樣本中選取一個(gè)樣本作為保留樣本。

6.根據(jù)權(quán)利要求1所述的基于單張?jiān)从驑颖镜男聢?chǎng)景人臉識(shí)別模型構(gòu)建方法，其特征在于，步驟S300中每類樣本的類別特征模板，其獲取方法為：

基于樣本所提取的特征，計(jì)算每個(gè)樣本的特征的模表征樣本的質(zhì)量因子；

將對(duì)應(yīng)類樣本中每個(gè)樣本的質(zhì)量因子進(jìn)行加權(quán)平均，作為對(duì)應(yīng)類樣本的類別特征模板。

7.根據(jù)權(quán)利要求1所述的基于單張?jiān)从驑颖镜男聢?chǎng)景人臉識(shí)別模型構(gòu)建方法，其特征在于，步驟S400中“通過硬標(biāo)簽和軟標(biāo)簽的共同約束進(jìn)行第二模型的訓(xùn)練”，其方法為：

依據(jù)所述第二樣本集構(gòu)成的訓(xùn)練樣本，通過預(yù)構(gòu)建的包含硬標(biāo)簽知識(shí)蒸餾和軟標(biāo)簽知識(shí)蒸餾的損失函數(shù)，對(duì)所述第二模型的訓(xùn)練。

8.一種基于單張?jiān)从驑颖镜男聢?chǎng)景人臉識(shí)別模型構(gòu)建系統(tǒng)，其特征在于，包括預(yù)訓(xùn)練單元、樣例選擇單元、分類層擴(kuò)展單元、知識(shí)蒸餾單元；

所述預(yù)訓(xùn)練單元，配置為基于第一樣本集進(jìn)行人臉識(shí)別模型的訓(xùn)練，得到第一模型；所述第一樣本集為源域圖像樣本集；所述人臉識(shí)別模型基于神經(jīng)網(wǎng)絡(luò)構(gòu)建；

所述樣例選擇單元，配置為基于所述第一模型，對(duì)所述第一樣本集中各樣本進(jìn)行特征提取，基于所提取的特征，對(duì)所述第一樣本集中各類樣本，分別基于距離其類別中心的預(yù)設(shè)距離選取一個(gè)源域圖像樣本作為保留樣本，加入目標(biāo)域樣本集，得到第二樣本集；

所述分類層擴(kuò)展單元，配置為基于所述第一模型，對(duì)所述第二樣本集中各樣本進(jìn)行特征提取，分別計(jì)算所述第二樣本集中各類樣本的類別特征模板，并擴(kuò)展到所述第一模型的分類層中，得到第二模型；

所述知識(shí)蒸餾單元，配置為基于所述第二樣本集，通過硬標(biāo)簽和軟標(biāo)簽的共同約束進(jìn)行第二模型的訓(xùn)練，得到新場(chǎng)景人臉識(shí)別模型。