The invention relates to the field of computer vision recognition technology, and proposes a face recognition method based on key feature area matching of stacked hourglass network, which includes the following steps: collecting training set and preprocessing; preprocessing input face images; extracting features by inputting pictures into stacked hourglass network, and outputting hot maps of key points and position information of key points of faces; The original image is clipped from the key area and the triple is selected from the training set; the key area is extracted to get the feature graph F; the feature graph F is input into the embedded layer to get the label E; the triple loss function is calculated according to the L2 norm of the feature graph, and the steps mentioned above are repeated until the triple loss function converges; the face image to be recognized is input into the stacked hourglass network and human beings to complete the training. In the face recognition module, the tag E of recognition is output. The invention introduces stacked hourglass network for face recognition, eliminates the influence of non-critical areas, effectively improves the face recognition effect and has strong robustness.
【技术实现步骤摘要】
基于堆叠沙漏网络的关键特征区域匹配人脸识别方法
本专利技术涉及计算机视觉识别
,更具体地,涉及一种基于堆叠沙漏网络的关键特征区域匹配人脸识别方法。
技术介绍
近年随着深度卷积神经网络的提出,人们将其运用到人脸识别任务上,并取得良好效果,这很大一部分归功于深度卷积神经网络能够提取到具有鲁棒性的特征。在人脸关键点检测领域,有相关科研人员提出利用堆叠沙漏网络进行人脸关键点定位,该方法首先对输入的人脸图片进行校正,然后经过堆叠沙漏网络提取多尺度且具有辨别力的特征,最后对关键点进行回归定位。现有技术中,有大量算法都是基于上述堆叠沙漏网络进行改进,但目前仍存在的一个具有挑战性问题是对于不同光照、不同姿态、不同表情下,现有技术中已有的算法对人脸图片输入均不具有很强的鲁棒性。
技术实现思路
本专利技术为克服上述现有技术所述的对输入的人脸图片不具备很强鲁棒性等至少一种缺陷,提供一种基于堆叠沙漏网络的关键特征区域匹配人脸识别方法,该方法对输入的人脸图片具有更强的鲁棒性,能更精确地提取人脸关键点信息。为解决上述技术问题,本专利技术的技术方案如下:S1:采集人脸图片作为训练集,并对训练集的图片进行预处理;S2:将训练集的任意一张人脸图片输入堆叠沙漏网络中进行特征提取,输出人脸关键点热图和关键点位置信息;S3:根据所述关键点位置信息对原输入人脸图片进行区域裁剪得到关键区域,并从训练集中随机选出一张图片作为A组,再分别随机选出与A组图片属同一标签的样本图片作为P组,与A组图片不同标签的样本图片作为N组,组成三元组;S4:将关键区域和三元组输入人脸识别模块中的卷积神经网络进行特征提取 ...
【技术保护点】
1.基于堆叠沙漏网络的关键特征区域匹配人脸识别方法,其特征在于,包括以下步骤:S1:采集人脸图片作为训练集,并对训练集的图片进行预处理;S2:将训练集的任意一张人脸图片输入堆叠沙漏网络中进行特征提取,输出人脸关键点热图和关键点位置信息;S3:根据所述关键点位置信息对原输入人脸图片进行区域裁剪得到关键区域,并从训练集中选取三元组;S4:将关键区域输入人脸识别模块中的卷积神经网络进行特征提取,得到特征图F;S5:对特征图F求取L2范数,然后通过人脸识别模块中的嵌入层,输出完成识别的人脸图片的标签E;S6:根据L2范数计算三元损失函数,通过梯度下降法对三元损失函数进行优化;S7:重复S2~S6至三元损失函数收敛,完成堆叠沙漏网络和人脸识别模块的训练;S8:将待识别的人脸图片输入堆叠沙漏网络中进行特征提取,裁剪图片的关键区域,然后输入卷积神经网络中进行特征提取,最后通过嵌入层输出识别的人脸图片标签。
【技术特征摘要】
1.基于堆叠沙漏网络的关键特征区域匹配人脸识别方法,其特征在于,包括以下步骤:S1:采集人脸图片作为训练集,并对训练集的图片进行预处理;S2:将训练集的任意一张人脸图片输入堆叠沙漏网络中进行特征提取,输出人脸关键点热图和关键点位置信息;S3:根据所述关键点位置信息对原输入人脸图片进行区域裁剪得到关键区域,并从训练集中选取三元组;S4:将关键区域输入人脸识别模块中的卷积神经网络进行特征提取,得到特征图F;S5:对特征图F求取L2范数,然后通过人脸识别模块中的嵌入层,输出完成识别的人脸图片的标签E;S6:根据L2范数计算三元损失函数,通过梯度下降法对三元损失函数进行优化;S7:重复S2~S6至三元损失函数收敛,完成堆叠沙漏网络和人脸识别模块的训练;S8:将待识别的人脸图片输入堆叠沙漏网络中进行特征提取,裁剪图片的关键区域,然后输入卷积神经网络中进行特征提取,最后通过嵌入层输出识别的人脸图片标签。2.根据权利要求1所述的基于堆叠沙漏网络的关键特征区域匹配人脸识别方法,其特征在于:所述S1步骤中对训练集图片的预处理包括人脸检测、裁剪、人脸矫正以及人工标记。3.根据权利要求2所述的基于堆叠沙漏网络的关键特征区域匹配人脸识别方法,其特征在于:所述堆叠沙漏网络包括4个密集连接的沙漏结构网络。4.根据权利要求3所述的基于堆叠沙漏网络的关键特征区域匹配人脸识别方法,其特征在于:所述S2步骤的具体步骤如下:S2.1:将人脸图片输入第一个沙漏结构网络中进行四次下采样,保留每次下采样的图片,记为d1,d2,d3,d4;S2.2:将d4输入到残差模块中,再进行四次上采样,同时每次上采样时和下采样对应尺寸的特征图进行连接,输出特征图y1,同时保留每次上采样的图片;S2.3:将特征图y1输入第二个沙漏结构网络中进行四次下采样,每次下采样时和上一个沙漏结构网络上采样中对应尺寸的特征图进行连接,再输入残差模块中进行四次上采样,每次上采样时和该沙漏结构网络中下采样对应尺寸的特征...
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。