[發明專利]基于元學習的域自適應的人臉識別方法、系統、裝置

有效

• 申請號: 202011517834.1
• 申請日: 2020-12-21
• 公開（公告）號: CN112541458B
• 公開（公告）日: 2023-08-11
• 發明（設計）人: 朱翔昱;雷震;郭建珠
• 申請（專利權）人: 中國科學院自動化研究所
• 主分類號: G06V40/16
• 分類號: G06V40/16;G06V10/762;G06V10/764;G06V10/774;G06V10/82;G06N3/0985;G06N3/084;G06N3/045;G06N3/0464
• 代理公司: 北京市恒有知識產權代理事務所(普通合伙) 11576
• 代理人: 郭文浩;尹文會

1.一種基于元學習的域自適應的人臉識別方法，其特征在于，該方法包括以下步驟：

步驟S10，獲取待識別的人臉圖像，作為輸入圖像；

步驟S20，通過預訓練的人臉識別模型獲取所述輸入圖像的識別結果：

將所述輸入圖像輸入預訓練的人臉識別模型后，結合批歸一化函數，計算批量歸一化層的統計值參數；

結合所述批量歸一化層的統計值參數，對所述輸入圖像進行網絡前向計算，得到人臉特征；對所述人臉特征進行識別，得到所述輸入圖像的識別結果；

其中，所述人臉識別模型基于殘差神經網絡構建，其訓練方法為：

步驟A10，獲取圖像樣本訓練集；對所述圖像樣本訓練集的圖像樣本進行人臉檢測，并基于檢測到的包含人臉的圖像樣本構建第一數據集；

步驟A20，對所述第一數據集中的圖像樣本進行關鍵點檢測，并結合預定義的關鍵點模板，對所述第一數據集中的圖像樣本進行預處理；

步驟A30，通過人臉識別模型獲取預處理后的各圖像樣本的識別結果，并計算歸一化指數函數交叉熵分類損失，更新人臉識別模型的參數；

所述歸一化指數函數交叉熵分類損失的獲取方法為：

其中，L_cos表示歸一化指數函數交叉熵分類損失，N是第一數據集中圖像樣本的數量，即包含人臉的圖像樣本的數量，x_i是第i個圖像樣本的特征，對應的真值類別為y_i，W_j是第j類的模板向量，θ_j是W_j和x_i之間的夾角，m是角度間隔的超參數，s是縮放因子常數，W^*是所有類別對應的特征模板矩陣，x^*是所有人臉特征構成的特征矩陣，表示第i個圖像樣本與其對應的人臉特征的相似度；

步驟A40，重采樣B個人的人臉圖像樣本；對重采樣的人臉圖像樣本，采用步驟A10-A20的方法對其進行預處理，并提取其特征進行聚類；聚類后，分別對每個類進行采樣，構建各類對應的元訓練集、元測試集，并將每類的元測試集隨機與其他類的元測試集進行交換；B為正整數；

步驟A50，通過預構建的基于難樣本對的損失函數獲取每類的元訓練集、元測試集對應的損失，分別作為第一損失、第二損失；對所述第一損失、所述第二損失進行加權求和后，更新人臉識別模型的參數；

其中，通過預構建的基于難樣本對的損失函數獲取每類的元訓練集、元測試集對應的損失，分別作為第一損失、第二損失，其方法為：

對每類的元訓練集，將其的各人臉圖像樣本輸入人臉識別模型，結合人臉識別模型對應的可學習的模型參數θ、批量歸一化函數，計算批量歸一化均值和方差參數，作為第一參數；

基于第一參數、可學習的模型參數θ以及元訓練集中的人臉圖像樣本，通過預構建的基于難樣本對的損失函數獲取每類的元訓練集對應的損失，作為第一損失；

對每類的元測試集，計算其對應的批量歸一化均值和方差參數，作為第二參數；將每類的元測試集與對應的第二參數進行解耦，并將各原測試集與其相應的元訓練集的批量歸一化均值和方差參數進行耦合；

對每類的元測試集，結合其的各人臉圖像樣本、可學習的模型參數θ以及該元測試集耦合的批量歸一化均值和方差參數，通過預構建的基于難樣本對的損失函數獲取每類的元測試集對應的損失，作為第二損失；

步驟A60，循環執行步驟A10-50，直至得到訓練好的人臉識別模型。

2.根據權利要求1所述的基于元學習的域自適應的人臉識別方法，其特征在于，通過基于FaceBoxes神經網絡構建的人臉檢測模型進行人臉檢測；通過基于CNN神經網絡構建的人臉關鍵點檢測模型進行關鍵點檢測。