[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

本發明屬于人臉識別技術領域，具體涉及一種基于元學習的域自適應的人臉識別方法、系統、裝置，旨在現有的人臉識別方法依賴于目標場景的樣本規模以及識別性能差的問題。本方法包括獲取待識別的人臉圖像，作為輸入圖像；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；其中，所述人臉識別模型基于殘差神經網絡構建。本發明降低了對目標場景的樣本規模的依賴，并提高了人臉識別性能。

技術領域

本發明屬于人臉識別技術領域，具體涉及一種基于元學習的域自適應的人臉識別方法、系統、裝置。

背景技術

人臉識別的模型通常需要部署到多個目標場景中，而這些目標場景往往只能獲取很有限的無標簽的數據。采取人工標注數據的方式，成本較大，且在標注樣本較少的前提下進行微調，模型很容易過擬合；另一種是從相近似的域中搜集大量帶標簽的人臉數據，但深度模型很容易對訓練數據進行過擬合，且由于分布偏差的存在，這樣得到的模型往往在目標場景中的性能較差。基于此，本發明提出了一種基于元學習的域自適應的人臉識別方法，使得訓練得到的模型，只需要少量目標場景的無標簽的樣本來更新模型局部參數，就能快速地自適應到目標場景中，從而提升在目標場景的模型的泛化性。

發明內容

為了解決現有技術中的上述問題，即為了解決現有的人臉識別方法依賴于目標場景的樣本規模以及識別性能差的問題，本發明第一方面，提出了一種基于元學習的域自適應的人臉識別方法，該方法包括：

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；

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；

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；

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。

在一些優選的實施方式中，所述人臉檢測模型基于FaceBoxes神經網絡構建；所述人臉關鍵點模型基于CNN神經網絡構建。

在一些優選的實施方式中，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。

在一些優選的實施方式中，所述歸一化指數函數交叉熵分類損失的獲取方法為：