[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

本發明涉及一種小樣本人臉識別方法及系統，屬于人臉識別技術領域，解決了現有人臉樣本數量小時識別結果偏差大的問題。包括獲取人臉圖片，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，構建人臉圖像庫；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。提高了小樣本人臉識別的準確率。

技術領域

本發明涉及人臉識別技術領域，尤其涉及一種小樣本人臉識別方法及系統。

背景技術

人臉識別技術是計算機視覺任務中基本而悠久的研究課題之一。隨著深度卷積神經網絡和大規模數據集的發展，基于深度學習的人臉識別技術得到前所未有的進步，并且廣泛應用到實際生活需求之中。對于給定一對圖像或者視頻幀為輸入，通過人臉識別神經網絡輸出人臉特征，從而實現人臉識別。

目前基于神經網路模型的人臉方法雖可以達到一個較好的檢測效果，但是訓練模型所得權重文件較大，模型的參數量和計算量巨大，耗時長。并且以往深度神經網絡的人臉識別算法需要利用大量人臉數據集樣本進行訓練才能得到較好的識別效果。但當單個類別訓練樣本數量很少時，模型缺乏對少量人臉圖片的表征能力，降低了識別精度，現今大多數人臉公開數據集例如WiderFace、MegaFace、LFW、MS1MV2等存在嚴重的類分布不平衡，即存在長尾效應，從人種類別角度劃分數據集，白種人和大高加索人種占了主導地位約占數據集72％，東亞人種和非洲黑色人種約占8％。從年齡類別劃分數據集，17～46歲年齡段的數據占了主導地位約占65％。從人臉圖像視角劃分數據集，正臉視角數據約占52％，半臉視角數據約占16％，斜側臉視角數據約占32％。上述種種的數據類別分布不平衡導致基于這些數據的Arcface模型是一個有偏估計模型。

而且，大多人臉識別模型基于softmax代價函數附加一個正則化因子的方式來優化和訓練模型，此類方式優化模型存在兩個缺陷，1)對數據集數據量級以及每個人臉id中人臉樣本個數要求較大，否則訓練出來的模型很難具有良好泛化能力；2)當數據中存在大量類別不均衡時，以此種方式訓練的出來的模型常常具有很大偏差，導致模型類別較少的數據上精度表現較差，使得人臉識別結果不準確。

發明內容

鑒于上述的分析，本發明實施例旨在提供一種人臉識別方法及系統，用以解決現有人臉樣本數量小時識別結果偏差大的問題。

一方面，本發明實施例提供了一種小樣本人臉識別方法，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，根據人臉特征向量及其對應的人臉圖片，構建人臉圖像庫；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。

基于上述方法的進一步改進，基于歐式距離，獲取人臉圖像庫中與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。