一种基于多任务卷积神经网络的人脸检索方法技术

技术编号:15618215 阅读:210 留言:0更新日期:2017-06-14 03:56
本发明专利技术公开了一种基于多任务卷积神经网络的人脸检索方法,包括步骤:对于任意一张人脸影像,检测获取其中人脸位置和关键点位置;对人脸影像进行预处理操作;预先建立多任务卷积神经网络,然后进行训练;将所述经过预处理操作的人脸影像输入到所述完成训练的多任务卷积神经网络中;预先建立人脸特征数据库;将人脸影像与人脸特征数据库进行身份特征相似度计算,获得候选人脸影像列表;计算人脸影像与候选人脸影像的多个属性特征表达向量相似度;归一化处理并融合;按照融合相似度得分进行排序,获得检索结果。本发明专利技术可保证对人脸影像高质量识别,快速、有效地对大量的人脸影像进行对应的用户身份识别判断,满足人们对人脸识别功能的要求。

【技术实现步骤摘要】
一种基于多任务卷积神经网络的人脸检索方法
本专利技术涉及人工智能、模式识别和数字图像处理等
,特别是涉及一种基于多任务卷积神经网络的人脸检索方法。
技术介绍
目前,随着人类科学技术的不断发展,人脸识别技术在人们日常生活中越来越普及,无论在人工智能研究还是公共安全应用方面,人脸识别技术一直是一项前沿、热门技术,拥有举足轻重的地位。作为生物特征识别技术的一类,人脸识别由于其非接触性以及采集方便的特点,具有良好的发展和应用前景。人脸识别技术在诸多应用场景中都发挥了十分重要的作用,比如机场安检,边检通关等。近几年随着互联网金融的高速发展,人脸识别技术在移动支付上表现出极大的应用优势。人脸识别的目的是根据获取的用户人脸图像或视频得知用户的身份。目前,人脸识别技术在室外非受控环境下仍无法满足实用要求,其主要难点在于光照变化、用户姿态表情变化、年龄体型变化及遮挡。近年来,深度学习在机器视觉的众多领域都取得了令人瞩目的效果。其中最为瞩目的模型当属卷积神经网络,该类模型使用多层卷积层与池化层,可以抽取图像或视频数据中有效的层级化特征,实现较强的非线性表达。卷积神经网络在物体分类,动作识别,图像分割以及人脸识别等领域,均取得了显著强于传统方法的效果。在一些低层视觉问题中,例如图像去噪、图像超分辨率增强和图像去模糊等问题中,深度学习技术也都取得了不错的效果。在人脸识别领域,基于神经网络与深度学习的人脸识别方法也由于其优异的性能而备受关注,目前国内外领先的人脸识别算法大多基于深度学习模型。基于深度学习的人脸识别方法通常分为两个步骤:首先使用神经网络模型对输入的人脸图像计算一个特征表达;然后根据特征表达间的相似性得到人脸图像的。但是,着大数据时代的来临,人们需处理的数据规模往往非常大。随着数据库容量的增大,数据库中出现相似人脸的可能性会随之升高,基于现有的人脸识别方法进行人脸识别时,随人脸一一验证而出现误识别的几率大大增加,无法满足人们对人脸识别的快速、准确的识别要求,人脸识别的整体工作效率和工作质量低,降低了人们的使用感受。因此,目前迫切需要开发出一种技术,其可以保证对人脸影像(包括人脸图像和视频)进行高质量识别的同时,快速、有效地对大量的人脸图像进行对应的用户身份识别判断,满足人们对人脸识别功能的要求,提高人脸识别的整体工作效率和工作质量,节约人们宝贵的时间。
技术实现思路
有鉴于此,本专利技术的目的是提供一种基于多任务卷积神经网络的人脸检索方法,其可以保证对人脸影像进行高质量识别的同时,快速、有效地对大量的人脸影像进行对应的用户身份识别判断,满足人们对人脸识别功能的要求,提高人脸识别的整体工作效率和工作质量,节约人们宝贵的时间,有利于提高人们的产品使用感受,具有重大的生产实践意义。为此,本专利技术提供了一种基于多任务卷积神经网络的人脸检索方法,包括以下步骤:第一步:对于需要进行人脸识别的任意一张人脸影像,检测获取其中的人脸位置,并根据所获取的人脸位置,检测获取人脸影像的关键点位置;第二步:根据所述人脸影像的人脸位置和关键点位置,对所述人脸影像进行预处理操作;第三步:预先建立多任务卷积神经网络,然后将预设标准大小的人脸影像输入到所述多任务卷积神经网络中,对所述多任务卷积神经网络进行训练,直到使得所述多任务卷积神经网络的模型收敛而完成训练;第四步:将所述经过预处理操作的人脸影像,输入到所述完成训练的多任务卷积神经网络中,获得所述人脸影像对应的身份特征表达向量和多个属性特征表达向量;第五步:预先建立人脸特征数据库,所述人脸特征数据库中预先存储多个已知用户身份的候选人脸影像及每个候选人脸影像对应的身份特征表达向量和多个属性特征表达向量;第六步:将所述人脸影像对应的身份特征表达向量与所述人脸特征数据库中预先存储的每个候选人脸影像具有的身份特征表达向量逐一进行对比并实时计算相似度,根据所获得的相似度,按照相似度从大到下的顺序对应排序,输出所述人脸特征数据库中预先存储的多个候选人脸影像,从而获得候选人脸影像列表;第七步:将所述人脸影像对应的多个属性特征表达向量,分别与所述候选人脸影像列表中每个候选人脸影像对应的多个属性特征表达向量逐一进行对比并实时计算相似度,获得所述人脸影像与每个候选人脸影像之间的多个相似度得分;第八步:对所述人脸影像与每个候选人脸影像之间的多个相似度得分分别进行归一化处理后进行分数融合,获得所述人脸影像与每个候选人脸影像之间的融合相似度得分;第九步:按照融合相似度得分的从大到下的顺序,对所述候选人脸影像列表中的多个候选人脸影像进行重新排序,重新排序后获得的候选人脸影像列表即为对所述人脸影像进行人脸识别检索的结果。其中,所述第二步具体包括以下步骤:预先定义一个标准人脸所具有的关键点位置和光照条件;通过预设的图像变换算法将所述人脸影像的关键点位置对齐至标准人脸的关键点位置;通过预设的图像处理算法,对所述经过对齐处理后的人脸影像进行光线校正,使得所述经过对齐处理后的人脸影像的光照条件变换至所述标准人脸具有的光照条件。其中,预先定义一个标准人脸所具有的关键点位置和光照条件具体为:预先根据多个人脸影像的关键点位置信息和光照条件,通过求平均计算,获得所述标准人脸具有的关键点位置和光照条件。其中,所述多任务卷积神经网络包括依次对所输入人脸影像进行处理的输入层、预设多个卷积层、预设多个池化层、预设多个全连接层和输出层。其中,在第三步中,所述将预设标准大小的人脸影像输入到所述多任务卷积神经网络中,对所述多任务卷积神经网络进行训练的步骤,包括以下子步骤:将预设标准大小的人脸影像输入到多个预设的人脸属性特征分类损失函数中,然后计算所述预设标准大小的人脸影像对应的多个人脸属性特征的损失值;使用所述预设标准大小的人脸影像对应的多个人脸属性特征的损失值一起,来反向调节所述多任务卷积神经网络中的所有权重,使得所有权重的加权损失和最低。其中,所述多个预设的人脸属性特征分类损失函数包括预设的人脸身份分类损失函数、人脸性别分类损失函数和人脸年龄分类损失函数;其中,所述人脸身份分类损失函数为softmax损失函数,所述人脸性别分类损失函数为hinge损失函数,所述人脸年龄分类损失函数为平方损失函数。其中,所述softmax损失函数的公式如下所示:其中,N是类别数目,x是输入的人脸影像,yIdentity∈RN×1是表示人脸影像类别的类别向量,代表多任务卷积神经网络学到的人脸身份分类器第i个节点的输出;所述hinge损失函数的公式如下所示:其中,yGender∈{-1,+1}是代表人脸影像性别的标签,是多任务卷积神经网络对输入的人脸影像性别的预测输出;所述平方损失函数的公式如下所示:其中,yAge是人脸影像的年龄真实值,是多任务卷积神经网络对输入的人脸影像年龄的预测输出。其中,在所述第三步中,对所述卷积神经网络进行训练的步骤具体为:将任意一张预设标准大小的人脸影像及其对应的人脸身份及属性标签信息输入到所述卷积神经网络的输入层,由所述卷积神经网络的卷积层和池化层来提取这张人脸影像的特征值,然后从输出层输出;将这张预设标准大小的人脸影像的特征值送入分类器进行分类,分别获取由卷积神经网络判断得出的人脸身份及属性标签信息,根据比较算法得到的标签信息与这张人脸本文档来自技高网
...
一种基于多任务卷积神经网络的人脸检索方法

【技术保护点】
一种基于多任务卷积神经网络的人脸检索方法,其特征在于,包括以下步骤:第一步:对于需要进行人脸识别的任意一张人脸影像,检测获取其中的人脸位置,并根据所获取的人脸位置,检测获取人脸影像的关键点位置;第二步:根据所述人脸影像的人脸位置和关键点位置,对所述人脸影像进行预处理操作;第三步:预先建立多任务卷积神经网络,然后将预设标准大小的人脸影像输入到所述多任务卷积神经网络中,对所述多任务卷积神经网络进行训练,直到使得所述多任务卷积神经网络的模型收敛而完成训练;第四步:将所述经过预处理操作的人脸影像,输入到所述完成训练的多任务卷积神经网络中,获得所述人脸影像对应的身份特征表达向量和多个属性特征表达向量;第五步:预先建立人脸特征数据库,所述人脸特征数据库中预先存储多个已知用户身份的候选人脸影像及每个候选人脸影像对应的身份特征表达向量和多个属性特征表达向量;第六步:将所述人脸影像对应的身份特征表达向量与所述人脸特征数据库中预先存储的每个候选人脸影像具有的身份特征表达向量逐一进行对比并实时计算相似度,根据所获得的相似度,按照相似度从大到下的顺序对应排序,输出所述人脸特征数据库中预先存储的多个候选人脸影像,从而获得候选人脸影像列表;第七步:将所述人脸影像对应的多个属性特征表达向量,分别与所述候选人脸影像列表中每个候选人脸影像对应的多个属性特征表达向量逐一进行对比并实时计算相似度,获得所述人脸影像与每个候选人脸影像之间的多个相似度得分;第八步:对所述人脸影像与每个候选人脸影像之间的多个相似度得分分别进行归一化处理后进行分数融合,获得所述人脸影像与每个候选人脸影像之间的融合相似度得分;第九步:按照融合相似度得分的从大到下的顺序,对所述候选人脸影像列表中的多个候选人脸影像进行重新排序,重新排序后获得的候选人脸影像列表即为对所述人脸影像进行人脸识别检索的结果。...

【技术特征摘要】
1.一种基于多任务卷积神经网络的人脸检索方法,其特征在于,包括以下步骤:第一步:对于需要进行人脸识别的任意一张人脸影像,检测获取其中的人脸位置,并根据所获取的人脸位置,检测获取人脸影像的关键点位置;第二步:根据所述人脸影像的人脸位置和关键点位置,对所述人脸影像进行预处理操作;第三步:预先建立多任务卷积神经网络,然后将预设标准大小的人脸影像输入到所述多任务卷积神经网络中,对所述多任务卷积神经网络进行训练,直到使得所述多任务卷积神经网络的模型收敛而完成训练;第四步:将所述经过预处理操作的人脸影像,输入到所述完成训练的多任务卷积神经网络中,获得所述人脸影像对应的身份特征表达向量和多个属性特征表达向量;第五步:预先建立人脸特征数据库,所述人脸特征数据库中预先存储多个已知用户身份的候选人脸影像及每个候选人脸影像对应的身份特征表达向量和多个属性特征表达向量;第六步:将所述人脸影像对应的身份特征表达向量与所述人脸特征数据库中预先存储的每个候选人脸影像具有的身份特征表达向量逐一进行对比并实时计算相似度,根据所获得的相似度,按照相似度从大到下的顺序对应排序,输出所述人脸特征数据库中预先存储的多个候选人脸影像,从而获得候选人脸影像列表;第七步:将所述人脸影像对应的多个属性特征表达向量,分别与所述候选人脸影像列表中每个候选人脸影像对应的多个属性特征表达向量逐一进行对比并实时计算相似度,获得所述人脸影像与每个候选人脸影像之间的多个相似度得分;第八步:对所述人脸影像与每个候选人脸影像之间的多个相似度得分分别进行归一化处理后进行分数融合,获得所述人脸影像与每个候选人脸影像之间的融合相似度得分;第九步:按照融合相似度得分的从大到下的顺序,对所述候选人脸影像列表中的多个候选人脸影像进行重新排序,重新排序后获得的候选人脸影像列表即为对所述人脸影像进行人脸识别检索的结果。2.如权利要求1所述的方法,其特征在于,所述第二步具体包括以下步骤:预先定义一个标准人脸所具有的关键点位置和光照条件;通过预设的图像变换算法将所述人脸影像的关键点位置对齐至标准人脸的关键点位置;通过预设的图像处理算法,对所述经过对齐处理后的人脸影像进行光线校正,使得所述经过对齐处理后的人脸影像的光照条件变换至所述标准人脸具有的光照条件。3.如权利要求2所述的方法,其特征在于,预先定义一个标准人脸所具有的关键点位置和光照条件具体为:预先根据多个人脸影像的关键点位置信息和光照条件,通过求平均计算,获得所述标准人脸具有的关键点位置和光照条件。4.如权利要求1所述的方法,其特征在于,所述多任务卷积神经...

【专利技术属性】
技术研发人员:孙哲南赫然谭铁牛宋凌霄曹冬李琦
申请(专利权)人:天津中科智能识别产业技术研究院有限公司
类型:发明
国别省市:天津,12

网友询问留言 已有0条评论
  • 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。

1