[發明專利]一種低數據成本的人臉識別的方法及裝置

在審

• 申請號: 202110569931.3
• 申請日: 2021-05-25
• 公開（公告）號: CN113378660A
• 公開（公告）日: 2021-09-10
• 發明（設計）人: 顧友良;楊子龍;李觀喜;張哲為;丁博文;程煜鈞;張磊
• 申請（專利權）人: 廣州紫為云科技有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06T5/50
• 代理公司: 廣州名揚高玥專利代理事務所(普通合伙) 44738
• 代理人: 郭琳

本發明公開了一種低數據成本的人臉識別的方法，構建KSlope?curve轉換器并對KSlope?curve轉換器進行訓練；進行人臉識別的時候就可以通過轉換器將人臉特征轉成KSlope?curve曲線，通過計算曲線之間斜率分布的均方差誤差實現人臉識別的數據計算，本發明對算法網絡結構不做任何操作，不會增加任何額外的計算量。該技術通過一個特殊的轉換器對原始人臉進行加工處理，轉化成一種更為容易識別的曲線來輔助進行人臉識別，該曲線是通過深度學習中的圖像技術和音頻技術共同生成，相較于人臉有著特征明顯、易識別、抗噪性強等優點，只需要用百萬級人臉數據就能達到千萬級人臉數據訓練的效果，對于側臉、強光、逆光、低頭這種困難人臉也有很好的識別效果。

技術領域

本發明涉及人臉識別技術領域，尤其涉及一種低數據成本的人臉識別的方法及裝置。

背景技術

人臉識別，屬于生物識別技術的范疇，它通過人的臉部特征來對不同人進行區分。涉及到人臉識別的系統都需要經過嚴格把關，在確定性能指標達標之后，才能流入市場。每一個高精度的人臉識別算法都需要千萬級、甚至上億級別的人臉數據的支撐，要拿到這么多數據是很難的。

在數據不夠的情況下提升人臉識別精度，目前主要有兩種方法：1)更換人臉算法網絡結構，盡可能用一些比較復雜、涉及數學運算比較多的網絡結構，如果網絡結構運用合理，在原人臉算法基礎上提升20％以上準確率是可以達到的，但是相比原人臉算法，時間成本和運算成本往往是幾倍的增長，加大了項目落地的難度；2)人臉數據圖片生成，就是用人臉生成技術生成大批量的“假人臉”，這種技術現如今雖然已能達到以假亂真的目的，但是假的畢竟是假的，仔細看還是能看出跟真實人臉的巨大差異，人臉算法在這些假數據上進行訓練，會產生很多無效的運算和特征，并且該技術目前只對正常人臉比較友好，對于側臉、強光、逆光、低頭這種類型的人臉生成往往是很難達到算法構建的要求。

因此，我們需要一種更加強大有效的方法來減少人臉數據成本。

發明內容

本次發明的技術不同于任何主流的方法，它的側重點在數據處理上，對算法網絡結構不做任何操作，不會增加任何額外的計算量，因此也不會對人臉算法落地造成額外的計算成本和時間的成本。該技術通過一個特殊的轉換器對原始人臉進行加工處理，轉化成一種更為容易識別的曲線來輔助進行人臉識別，該曲線是通過深度學習中的圖像技術和音頻技術共同生成，相較于人臉有著特征明顯、易識別、抗噪性強等優點，只需要用百萬級人臉數據就能達到千萬級人臉數據訓練的效果，對于側臉、強光、逆光、低頭這種困難人臉也有很好的識別效果。

本發明旨在至少解決現有技術中存在的技術問題之一。為此，本發明公開了一種低數據成本的人臉識別的方法，所述方法包括如下步驟：

步驟1，構建KSlope-curve轉換器并對KSlope-curve轉換器進行訓練以得到一個高精準度的轉換器；

步驟2，在完成KSlope-curve轉換器的訓練后，進行人臉識別的時候就可以通過轉換器將人臉特征轉成KSlope-curve曲線，通過計算曲線之間斜率分布的均方差誤差實現人臉識別的數據計算。

更進一步地，所述步驟1進一步包括如下步驟：

步驟101，數據增強拼接，對每一張人臉圖片做4種不同的數據增強操作，分別是：水平翻轉、單通道灰度圖轉換、直方圖均衡化、人臉區域隨機遮擋，將得到的4張結果圖片跟原始圖片按照通道維度進行拼接，這樣就得到了一張包含13個通道的人臉特征圖；

步驟102，提取圖片特征，用深度學習技術中卷積神經網絡對所述步驟101得到的圖片進行特征提取，采用大寬度的網絡結構，提取5種不同操作的同一張人臉圖中的共性特征，得到一張四維的特征圖，最后通過特征展平的方式將其拉成一維的特征向量，并做L2歸一化，具體公式為：

V＝Norm_l2(flat(f(x,w)))