[發明專利]一種小樣本人臉識別方法及系統

在審

• 申請號: 202211517539.5
• 申請日: 2022-11-30
• 公開（公告）號: CN115862103A
• 公開（公告）日: 2023-03-28
• 發明（設計）人: 陳忠;陳細平;李俊鈞;張仲愷;陳金
• 申請（專利權）人: 杭州半云科技有限公司
• 主分類號: G06V40/16
• 分類號: G06V40/16;G06V10/82;G06V10/766;G06N3/0464;G06N3/0455;G06N3/096
• 代理公司: 北京天達知識產權代理事務所有限公司 11386
• 代理人: 龐許倩

1.一種小樣本人臉識別方法，其特征在于，包括如下步驟：

獲取人臉圖片，將人臉圖片輸入至訓練好的人臉識別網絡，得到人臉特征向量，根據所述人臉特征向量及其對應的人臉圖片，構建人臉圖像庫；所述人臉識別網絡通過訓練編碼網絡和解碼網絡提取公開的人臉數據集的特征，并將其中大樣本人臉數據集的特征遷移至小樣本人臉數據集的特征中訓練細粒度網絡而得到；

檢測并預處理實時采集的視頻圖片，得到待識別人臉圖片，輸入至訓練好的人臉識別網絡，得到待識別特征向量；基于歐式距離，獲取人臉圖像庫中與所述待識別特征向量的歐式距離最小且小于閾值的人臉特征向量對應的人臉圖片，作為識別結果。

2.根據權利要求1所述的小樣本人臉識別方法，其特征在于，所述基于歐式距離，獲取人臉圖像庫中與所述待識別特征向量的歐式距離最小且小于閾值的人臉特征向量對應的人臉圖片，包括：

對人臉圖像庫中的人臉特征向量進行聚類分析，得到各向量類別；

計算所述待識別特征向量分別與各向量類別的聚類中心的歐式距離，取最小歐式距離對應的向量類別為待比對類別，再計算所述待識別特征向量分別與待比對類別中人臉特征向量的歐式距離，獲取最小歐式距離且小于閾值的人臉特征向量對應的人臉圖片。

3.根據權利要求2所述的小樣本人臉識別方法，其特征在于，所述人臉識別網絡通過訓練編碼網絡和解碼網絡提取公開的人臉數據集的特征，并將其中大樣本人臉數據集的特征遷移至小樣本人臉數據集的特征中訓練細粒度網絡而得到，包括：

預處理公開的人臉數據集，根據各類別中同一個人的人臉圖片數量，劃分為大樣本數據集和小樣本數據集；

根據大樣本數據集，訓練編碼網絡和解碼網絡后，再根據編碼網絡提取出公開的人臉數據集的特征，放入特征集合；將其中大樣本人臉數據集的特征遷移至小樣本人臉數據集的特征，更新特征集合；

根據更新后的特征集合，構建三元組特征樣本，以triple三元函數為損失函數訓練細粒度網絡。

4.根據權利要求3所述的小樣本人臉識別方法，其特征在于，所述預處理公開的人臉數據集，包括：

使用RetinaFace人臉關鍵點檢測模型，對公開的人臉數據集中的人臉圖片進行關鍵點檢測，得到關鍵點坐標；所述關鍵點包括：左眼、右眼、左嘴角、右嘴角和鼻子；

通過水平翻轉人臉圖片，得到翻轉后關鍵點坐標；

計算每張人臉圖片中每個關鍵點坐標與對應的翻轉后關鍵點坐標的絕對值距離，求和得到每張人臉圖片翻轉前后的差異值；

過濾掉差異值大于差異閾值的人臉圖片，得到預處理后的公開的人臉數據集。

5.根據權利要求3所述的小樣本人臉識別方法，其特征在于，所述根據大樣本數據集，訓練編碼網絡和解碼網絡，包括：

構建編碼網絡和解碼網絡，分別設置初始網絡參數，得到重構網絡；

基于大樣本數據集，以L2回歸函數作為損失函數，使用SGD隨機梯度下降法優化重構網絡參數，訓練結束得到確定的編碼網絡模型參數。

6.根據權利要求3所述的小樣本人臉識別方法，其特征在于，所述編碼網絡包括多層bottleneck層、1層flatten層和1層全連接層，其中，第1層bottleneck層包括3個卷積層，其它bottleneck層包括4個卷積層，每個卷積層依次包括1個卷積操作、1個批歸一化和1個線性整流器；所述解碼網絡包括1層全連接層、1層Reshape層和多層上采樣層，其中，解碼網絡中的上采樣層數量與編碼網絡的bottleneck層數量相同，每層上采樣層包括：1個轉置卷積層和3個卷積層；細粒度網絡為多層結構，每層結構包括1個全連接層、1個批歸一化和1個線性整流器。

7.根據權利要求5所述的小樣本人臉識別方法，其特征在于，所述編碼網絡的輸入是M×M×3格式的樣本數據，96≤M≤168；編碼網絡的輸出是N×1的特征向量，256≤N≤320。