[發明專利]一種新場景快速遷移且防遺忘的人臉識別方法

在審

• 申請號: 202011290913.3
• 申請日: 2020-11-17
• 公開（公告）號: CN112395986A
• 公開（公告）日: 2021-02-23
• 發明（設計）人: 姚若光;范志鴻;古競;龐愷
• 申請（專利權）人: 廣州像素數據技術股份有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06N3/02;G06N3/08
• 代理公司: 廣州粵高專利商標代理有限公司 44102
• 代理人: 張金福

本發明提供一種新場景快速遷移且防遺忘的人臉識別方法，S1：獲取源域的人臉圖像，并對源域的人臉圖像進行人臉檢測和人臉關鍵點檢測，得到源域的人臉關鍵點；S2：對源域的人臉圖像進行處理，得到源域的人臉切圖；S3：構建神經網絡模型，并對神經網絡模型進行訓練，得到預訓練好的源域人臉識別模型；S4：獲取目標域的人臉切圖，并對預訓練好的源域人臉識別模型進行遷移學習訓練，得到保留源域性能的目標域人臉識別模型。本發明提供一種新場景快速遷移且防遺忘的人臉識別方法，解決了目前的人臉識別方法不能高效地應對多個不斷出現的新場景的問題。

技術領域

本發明涉及人臉識別技術領域，更具體的，涉及一種新場景快速遷移且防遺忘的人臉識別方法。

背景技術

在目前大部分的人臉識別方法中，基本都是單個場景下的數據進行的理論研究。然而在實際情況中，常常面對的是眾多特定場景下的人臉識別問題。為了解決這一問題，通常的方法是需要針對每個特定的場景來訓練得到專門針對該場景的人臉識別模型。這種多模型的方式顯然十分費時費力。為此，目前常用的一種方法是直接使用目標域場景的數據在源域的模型下進行微調，但是這會使得最終的模型在源域場景下的識別性能急劇下降，出現災難性遺忘現象。另一種方法是采用全部的源域數據和目標域數據進行聯合訓練。這樣雖然能夠保證源域和目標域的識別性能都很高，但是會消耗大量的訓練時間和數據存儲空間。因為每當遇到一個新的場景時，就需要重新使用之前場景的所有數據和當前目標場景的新數據來從頭訓練模型才能保證最終的模型在各個場景下的性能都很高。因此，目前的人臉識別方法不能高效地應對多個不斷出現的新場景。

現有技術中，如2019年05月28日公開的中國專利，基于卷積神經網絡的人臉識別方法，公開號為CN109815929A，提供了復雜環境下，高安全系數，高識別精準度且識別速度快的基于卷積神經網絡的人臉識別方法，但不能高效地應對多個不斷出現的新場景。

發明內容

本發明為克服目前的人臉識別方法不能高效地應對多個不斷出現的新場景的技術缺陷，提供一種新場景快速遷移且防遺忘的人臉識別方法。

為解決上述技術問題，本發明的技術方案如下：

一種新場景快速遷移且防遺忘的人臉識別方法，包括以下步驟：

S1：獲取源域的人臉圖像，并對源域的人臉圖像進行人臉檢測和人臉關鍵點檢測，得到源域的人臉關鍵點；

S2：根據源域的人臉關鍵點對源域的人臉圖像進行處理，得到源域的人臉切圖；

S3：構建神經網絡模型，并利用源域的人臉切圖對神經網絡模型進行訓練，得到預訓練好的源域人臉識別模型；

S4：獲取目標域的人臉切圖，并利用目標域的人臉切圖對預訓練好的源域人臉識別模型進行遷移學習訓練，得到保留源域性能的目標域人臉識別模型，通過目標域人臉識別模型實現新場景快速遷移且防遺忘的人臉識別。

上述方案中，通過利用源域的人臉切圖訓練神經網絡模型得到預訓練好的源域人臉識別模型，再利用目標域的人臉切圖對預訓練好的源域人臉識別模型進行遷移學習訓練，得到保留源域性能的目標域人臉識別模型；保留源域性能的目標域人臉識別模型能夠高效地應對多個不斷出現的新場景，從而快速提高新場景下的識別性能，同時保留之前場景下的識別性能基本不下降。

優選的，在步驟S2中，對人臉圖像的處理包括：旋轉、縮放、平移和裁剪。

優選的，在步驟S3中，所述神經網絡模型包括特征提取器和分類層，特征提取器通過從人臉切圖中提取特征得到特征層。

優選的，在步驟S3中，利用源域的人臉切圖對神經網絡模型進行訓練包括以下步驟：

S3.1：通過神經網絡模型的特征提取器提取源域的人臉切圖的特征；

S3.2：計算步驟S3.1提取得到的特征的損失；