【技术实现步骤摘要】
本专利技术涉及计算机视觉、模式识别,机器学习等
,特别是一种基于全卷积神经网络的网纹人脸图像识别方法与装置(FullyConvolutionalNetworkforDeepMeshFaceVerification,简称DeMeshNet)。
技术介绍
人脸识别技术由于其非接触式的身份认证方式以及准确便捷的特点,在我们生活中的方方面面都开始受到重视。不仅在传统的机场安检、人脸考勤和海关通关等应用场景中使用广泛,人脸识别技术在移动互联网中也逐渐得到广泛应用。特别是其中的基于证件照生活照比对的人脸识别技术,在互联网金融领域开始获得极大的推广,基于该技术的银行远程开户以及钱包支付功能开始逐渐出现并受到了广泛关注。该技术由于可以不需要提前注册就能在线识别,从而大幅度提高了人脸识别技术的可用性,丰富了其应用场景。伴随其便利性而来的必然是技术上的挑战。目前证件照生活照比对问题主要面临两个技术难点。第一方面的难点在于证件照和生活照的采集时间不同,环境不同,因而通常采集得到的人脸图像的光照情况、姿态和表情也不尽相同。这些差异使得类内的差异非常大,有时甚至会超过类间的差异,这对自动人脸识别的算法提出了非常大的挑战。另一方面,为了防止证件照的滥用,通过公安部系统提供的数据接口获得的身份证图片通常会加入随机网纹。这些网纹的存在虽然一定程度上保护了用户隐私,但对自动的人脸识别系统造成了巨大的干扰,严重降低了人脸识别的精度。深度学习的方法在人工智能领域发挥了巨大的作用,特别是在计算机视觉领域,在物体识别,检测,分割的传统领域都获得了极大的突破。科研人员通过加大训练数据量,利用 ...
【技术保护点】
一种基于全卷积神经网络的网纹人脸图像识别方法,其特征在于,包括:步骤S1、收集网纹人脸图像和对应的清晰人脸图像对作为样本图像对,形成训练数据集,针对每个样本图像对通过阈值法得到指示网纹位置的标签图;步骤S2、训练得到能够从网纹人脸图像恢复出清晰人脸图像的全卷积神经网络模型,包括:从所述训练数据集中选取样本图像对作为当前样本图像对,将当前样本图像对中的网纹人脸图像输入到全卷积神经网络模型,得到输出的清晰人脸图像的预测结果;利用所述清晰人脸图像的预测结果和当前样本图像对中清晰人脸图像之间的差异,通过梯度反传对所述全卷积神经网络模型中的权重参数进行调整,迭代执行上述训练过程,直至满足迭代条件为止,得到训练好的全卷积神经网络模型;步骤S3、使用训练好的全卷积神经网络模型,从待识别的网纹人脸图像中预测得到清晰人脸图像。
【技术特征摘要】
1.一种基于全卷积神经网络的网纹人脸图像识别方法,其特征在于,包括:步骤S1、收集网纹人脸图像和对应的清晰人脸图像对作为样本图像对,形成训练数据集,针对每个样本图像对通过阈值法得到指示网纹位置的标签图;步骤S2、训练得到能够从网纹人脸图像恢复出清晰人脸图像的全卷积神经网络模型,包括:从所述训练数据集中选取样本图像对作为当前样本图像对,将当前样本图像对中的网纹人脸图像输入到全卷积神经网络模型,得到输出的清晰人脸图像的预测结果;利用所述清晰人脸图像的预测结果和当前样本图像对中清晰人脸图像之间的差异,通过梯度反传对所述全卷积神经网络模型中的权重参数进行调整,迭代执行上述训练过程,直至满足迭代条件为止,得到训练好的全卷积神经网络模型;步骤S3、使用训练好的全卷积神经网络模型,从待识别的网纹人脸图像中预测得到清晰人脸图像。2.如权利要求1所述的方法,其特征在于,步骤S1还包括:对于收集的网纹人脸图像,计算所述网纹人脸图像中两个眼睛的位置坐标。3.如权利要求1所述的方法,其特征在于,步骤S2中用于梯度反传的损失函数包括两个部分:第一部分是预测网纹人脸图像和清晰人脸图像之间像素级别的差异的损失函数,第二部分是预测网络人脸图像和清晰人脸图像之间特征级别的差异的损失函数。4.如权利要求1所述的方法,其特征在于,所述步骤S1包括:步骤S11:将所采集的网纹人脸图像和对应的清晰人脸图像的大小处理成一致,且对于训练数据集中的每个样本图像对按照一定阈值得到指示网纹分布的位置的二值图像作为标签图像。5.根据权利要求1所述的方法,其特征在于,所述步骤S2包括:步骤S21:初始化全卷积神经网络模型中的所有节点的权重参数;步骤S22:计算前向损失;根据全卷积神经网络模型当前权重参数,对于随机抽取的训练数据集中的网纹人脸图像,计算所述全卷积神经网络模型所得到的损失函数值;步骤S23:计算反传梯度;根据所得到的损失函数值以及导数链式法则,计算所述全卷积神经网络模型中目标损失L对所述全卷积神经网络模型中所有节点的权重参数wi的偏导数步骤S24:利用ADAM算法,根据步骤S23中所求的偏导数,对所述所述全卷积神经网络模型中所有节点的权重进行更新;步骤S25:从所述训练数据集中重新选择另一批网纹人脸图像,重复步骤S22-S24,直到满足迭代条件,得到训练好的全卷积神经网络模型。6.如权利要求5所述的方法,其特征在于,步骤S22中计算损失函数值所使用到的目标函数为:其中,为像素级别的损失函数,为特征级别的损失损失函数,λ1和λ2为权重参;Xi是输入的网纹人脸图像,Yi是在训练数据集中Xi对应的清晰人脸图像,ψ(Xi)是通过所述全卷积神经网络模型预测得到的清晰人脸图像的预测结果,Mi是表征网纹位置的标签图;ST代表连接所述清晰人脸图像的预测结果和特征提取网络的空间变换模块,其作用在于进行人脸对齐,归一化到统一的大小和姿态;代表矩阵的F范数,φj代表特征提取网络的第j层。7.如权利要求3所述的方法,其特征在于,所述像素级别的...
【专利技术属性】
技术研发人员:谭铁牛,赫然,孙哲南,张树,
申请(专利权)人:中国科学院自动化研究所,
类型:发明
国别省市:北京;11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。