[發明專利]稀疏表示域中基于深度特征學習的人臉識別方法及系統

有效

• 申請號: 202011275794.4
• 申請日: 2020-11-16
• 公開（公告）號: CN112380995B
• 公開（公告）日: 2023-09-12
• 發明（設計）人: 向友君;阮榮鉅;翁子淳
• 申請（專利權）人: 華南理工大學
• 主分類號: G06V40/16
• 分類號: G06V40/16;G06V10/764;G06V10/80;G06V10/82;G06N3/0464;G06N3/08
• 代理公司: 廣州嘉權專利商標事務所有限公司 44205
• 代理人: 常柯陽

本發明公開了一種稀疏表示域中基于深度特征學習的人臉識別方法及系統，其中方法包括以下步驟：獲取人臉圖像；采用二維小波分解、局部二值算子與梯度算子對所述人臉圖像進行處理，獲得所述人臉圖像的稀疏表示；將所述稀疏表示輸入人臉識別模型進行人臉識別，獲得人臉識別結果。本發明通過二維小波變換、局部二值算子和梯度算子處理原始人臉獲得稀疏表示，去除冗余信息并保留了富含語義的信息，更適合神經網絡對深度特征進行提取，提高人臉識別準確度，可廣泛應用于計算機視覺領域。

技術領域

本發明涉及計算機視覺領域，尤其涉及一種稀疏表示域中基于深度特征學習的人臉識別方法及系統。

背景技術

生物特征識別技術是目前學術界與工業界致力于研究的一個重要方向，而在生物特征識別中的人臉識別是主要的組成成分。人臉識別的任務是身份鑒定，人臉是一個人身份外在的最直觀的表現。同樣可以作為身份鑒定的線索有很多，可以大致分為兩類，一類是非生物特征，比如各種證件等，這類線索在這個時代可能會逐步被智能產物所更新替代；另一類則是生物特征，作為代表的有指紋、虹膜、掌紋等等。這類線索是人體的內在屬性，具有很強的區分性和不可替代性，是目前計算機視覺研究者致力于研究的重要方向。在生物特征識別技術中，相比于指紋，虹膜，掌紋，人臉由于不需要采集對象高度配合，便于收集，自由靈活等優點，成為了最為廣泛研究的生物特征。

人臉識別在訪問控制，刷臉支付，遠程服務等應用中有著重大作用，但是由于現實環境的復雜性，人臉識別也存在許多難題。一方面，同一個人會因為拍攝環境的燈光，拍攝角度，其自身的表情等因素的影響而造成差異，即類內差異大；另一方面，又可能由于基因相似或是某些外部因素如化妝等，造成不同人的人臉圖像接近，即類外差異小。這使得深度模型能否從高維人臉圖像提取具有強判別能力的特征成為關鍵。而強判別能力的特征所強調的是該特征的差異在類內應該盡可能小，而在不同類之間應該盡可能大。

由于人臉圖像的維度很高，一般都在萬維以上，高分辨率得人臉圖像甚至能達百萬維，以高維的人臉圖像訓練深度網絡，會使得網絡參數以及計算量大幅增加，且由于人臉圖像存在冗余，還會使訓練過程變得非常緩慢，同時這樣的人臉數據也會增加存儲空間。為了應對這一系列問題，有部分學術界的研究者在人臉識別中引入稀疏表示的理論基礎，隨后稀疏表示也成為人臉識別中的另一個研究方向。一方面，需要找到一種合適的方式方法對人臉數據進行稀疏變換；另一方面，需要在稀疏域中用合適的方法進行深度特征的提取以滿足前面所述利用深度模型提取具有強判別能力的特征。通過合適的稀疏變換方法將高維人臉圖像進行稀疏表示，在稀疏域中進行深度特征的學習，可以大大縮短迭代次數及訓練時間，同時與直接使用原始圖像進行訓練相比，使用富含語義信息的稀疏域特征更有利于深度模型的學習。

發明內容

為至少一定程度上解決現有技術中存在的技術問題之一，本發明的目的在于提供一種稀疏表示域中基于深度特征學習的人臉識別方法及系統。

本發明所采用的技術方案是：

一種稀疏表示域中基于深度特征學習的人臉識別方法，包括以下步驟：

獲取人臉圖像；

采用二維小波分解、局部二值算子與梯度算子對所述人臉圖像進行處理，獲得所述人臉圖像的稀疏表示；

將所述稀疏表示輸入人臉識別模型進行人臉識別，獲得人臉識別結果。

進一步，所述人臉識別模型為MobileFaceNet模型，所述MobileFaceNet模型在訓練過程中，采用基于Angular?margin的目標函數進行監督。

進一步，所述采用二維小波分解、局部二值算子與梯度算子對所述人臉圖像進行處理，獲得所述人臉圖像的稀疏表示，包括：

對所述人臉圖像進行二維小波分解，獲得第一圖像；

采用局部二值算子與梯度算子對所述人臉圖像進行處理，獲得第二圖像；