本发明专利技术公开一种基于定序神经网络模型的人脸识别方法及装置。该方法包括：对输入的人脸图像进行预处理操作，校正人脸图像的角度与表情；使用包含定序操作的神经网络提取已校正人脸图像/视频的特征；根据人脸图像的特征表达计算图像对间的相似度，从而得知输入人脸图像中特定对象的身份。本发明专利技术针对人脸识别问题中，基于神经网络的人脸识别模型参数多，计算开销大的问题，提出定序神经网络结构，通过不同特征间的定序表示有效地减少网络参数，节省计算时间；并针对训练数据较少的问题，提出了基于对比损失、三元组损失的训练方法。
【技术实现步骤摘要】
本专利技术涉及人工智能，模式识别，数字图像处理等
，具体涉及一种基于定序神经网络模型的人脸识别方法及装置。
技术介绍
作为生物特征识别技术的一种，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，比如图像去噪，图像超分辨率增强，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。随着大数据时代的来临，我们需处理的数据规模往往非常大，人脸识别算法的速度的高效性愈发重要。尤其是在移动支付领域，人脸识别算法的内存要求和速度直接影响用户的等待时间。因此，目前迫切需要开发一种人脸识别算法，其可以在保证高识别率的同时，满足轻量级、泛化性能高的要求。
技术实现思路
(一)要解决的技术问题为了解决提高人脸识别算法的准确率，同时保证识别算法的快速高效，本专利技术提出了一种基于定序神经网络模型的人脸识别方法。使用定序神经单元，通过保持不同层级特征间的定序关系挖掘出输入图像或视频中的有效特征。由于定序神经单元自身具备的特征选择特性，使得包含定序神经单元的神经网络模型往往参数量较小，具备轻量级的特点，从而保证了人脸识别算法较快的计算速度和较小的存储需求。(二)技术方案本专利技术提出了一种基于定序神经网络模型的人脸识别方法，包括：步骤S1、读入输入的待识别图像，检测待识别图像中的人脸位置和关键点位置信息；步骤S2、根据所述人脸位置信息和关键点信息对待识别图像进行预处理操作；步骤S3、将预处理后的待识别图像输入至定序神经网络模型中，得到待识别图像的特征表达；步骤S4、计算待识别图像的特征表达与数据库中已知人脸图像特征的相似度，以识别待识别图像。本专利技术还提出了一种基于定序神经网络模型的人脸识别装置，其特征在于，包括：输入模块，用于读入输入的待识别图像，检测待识别图像中的人脸位置和关键点位置信息；预处理模块，用于根据所述人脸位置信息和关键点信息对待识别图像进行预处理操作；特征获取模块，用于将预处理后的待识别图像输入至定序神经网络模型中，得到待识别图像的特征表达；识别模块，用于计算待识别图像的特征表达与数据库中已知人脸图像特征的相似度，以识别待识别图像。本专利技术针对人脸识别问题中，基于神经网络的人脸识别模型参数多，计算开销大的问题，提出定序神经网络结构，通过不同特征间的定序表示有效地减少网络参数，节省计算时间；并针对训练数据较少的问题，提出了基于对比损失、三元组损失的训练方法。本专利技术采用的定序神经网络模型可用于图像视频分类、图像检索、人脸识别等诸多问题中，在保证高准确率的同时，相比现有的神经网络模型的具备更少的网络参数，使得存储成本、计算成本大大降低，更加适应于大数据场景下的各项任务。对于人脸识别，专利技术所采用的方法不仅有效减少了神经网络模型的参数量，并能明显提升人脸表示的泛化能力，相比同等参数量与计算时间的模型来说大幅度提高了人脸识别准确率。附图说明图1是本专利技术中基于定序神经网络模型的人脸识别方法的方法流程图。具体实施方式为使本专利技术的目的、技术方案和优点更加清楚明白，以下结合具体实例，并参照详细附图，对本专利技术进一步详细说明。但所描述的实施例子仅旨在便于对本专利技术的理解，而对其不起任何限定作用。图1是本专利技术提出的基于定序神经网络模型的人脸识别方法的方法流程图，如图1所示，本专利技术提出的基于定序神经网络模型的人脸识别方法包括以下几个步骤：步骤S1、读入输入的人脸图像或视频，检测输入图像或视频帧中的人脸位置信息和关键点位置信息；在一实施例中，根据所述输入的人脸图像或视频，应用图像识别算法检测人脸位置信息，并根据所得人脸位置信息，应用图像识别算法获取人脸的关键点位置信息。其中，人脸的关键点为预先定义的，如双眼、鼻尖、嘴轮廓、脸周轮廓等等。步骤S2、根据所述人脸位置信息和关键点位置信息对输入图像或视频帧中的人脸图像进行预处理操作。所述预处理操作包括姿态校正和光线校正；在一实施例中，所述姿态校正包括：确定标准脸的关键点位置和光照条件，然后根据步骤S1获取的人脸位置信息和关键点信息将输入图像的人脸关键点位置对齐至标准脸关键点位置，以达到校正人脸姿态的目的；其中，可预先定义标准脸的关键点位置和光照条件，或直接使用在训练集上计算得到平均脸作为标准脸，然后确定其关键点位置信息和光照条件标准脸；在一实施例中，所述光线校正包括通过图像处理算法，将人脸图像的光照变换至与标准脸一致。姿态校正与光线校正的操作次数不限，且其先后顺序可互换。步骤S3、将经过预处理后的人脸图像输入至定序神经网络模型中，得到人脸图像的特征表达；所述定序神经网络模型预先经过训练得到。进一步地，所述步骤S3包括：步骤S3-1、训练一个用来从已经过预处理的人脸图像中计算特征表达的定序神经网络模型。所述神经网络模型包含定序神经网络单元。定序神经网络单元是神经网络模型中的一类激活函数。与深度学习中常用的sigmoi、ReLU等单输入单输出的激活函数不同，定序神经网络单元采取多输入的形式，可获取多个输入间的定序表达。在一实施例中，所述定序神经网络单元的一个典型形式为： Y ij = max ( I 1 ij , I 2 ij ) ]]>其中I1，I2分别为定序神经网络单元的两个输入，Y为定序神经网络单元的输出。i，j分别是输入、输出图像在两x，y个方向上的索引。从上式可看出，定序神经网络单元的最大值操作是按位进行的，即输出图像每一位为各输入对应位的最大值。即该定序神经网络单元的输出为对输入的一个定序表达。值得注意的是，式中的取最大值操作并非定序神经单元的唯一操作形式，最大值操作还可替换为最小值、平均值、和差、积商等常见数学操作。定序神经网络单元的输入也不限于两个，可以是多个输入的组合。即定序神经网络单元还可扩展为以下形式： Y ij = max ( I 1本文档来自技高网...
【技术保护点】
一种基于定序神经网络模型的人脸识别方法，其特征在于，包括：步骤S1、读入输入的待识别图像，检测待识别图像中的人脸位置和关键点位置信息；步骤S2、根据所述人脸位置信息和关键点信息对待识别图像进行预处理操作；步骤S3、将预处理后的待识别图像输入至定序神经网络模型中，得到待识别图像的特征表达；步骤S4、计算待识别图像的特征表达与数据库中已知人脸图像特征的相似度，以识别待识别图像。
【技术特征摘要】
1.一种基于定序神经网络模型的人脸识别方法，其特征在于，包括：步骤S1、读入输入的待识别图像，检测待识别图像中的人脸位置和关键点位置信息；步骤S2、根据所述人脸位置信息和关键点信息对待识别图像进行预处理操作；步骤S3、将预处理后的待识别图像输入至定序神经网络模型中，得到待识别图像的特征表达；步骤S4、计算待识别图像的特征表达与数据库中已知人脸图像特征的相似度，以识别待识别图像。2.根据权利要求1所述的基于定序神经网络模型的人脸识别方法，其特征在于，步骤S1还包括：对于待识别图像，应用图像识别算法检测人脸位置信息，并根据所得的人脸位置信息，应用图像识别算法获取人脸的关键点位置信息；其中，人脸的关键点为预先定义。3.根据权利要求1所述的基于定序神经网络模型的人脸识别方法，其特征在于，所述步骤S2中所述预处理操作包括姿态校正和光线校正；所述姿态校正包括：确定标准脸的关键点位置和光照条件，然后根据所述人脸位置信息和关键点信息将输入图像的人脸关键点位置对齐至标准脸关键点位置，以达到校正人脸姿态的目的；其中，可预先定义标准脸的关键点位置和光照条件，或直接使用在训练集上计算得到平均脸作为标准脸，然后确定其关键点位置信息和光照条件标准脸；所述光线校正包括通过图像处理算法，将人脸图像的光照变换至与标准脸一致。4.根据权利要求1所述的基于定序神经网络模型的人脸识别方法，其特征在于，所述步骤S3中的所述定序神经网络模型包括定序神经网络单元，用于获取多个输入之间的定序表达。5.根据权利要求4所述的基于定序神经网络模型的人脸识别方法，其特征在于，所述定序表达包括最大值、最小值、平均值、和差或积商。6.如权利要求1-5任一项所述的基于定序神经网络模型的人脸识别方法，其特征在于，所述定序神经网络模型如下训练获得：利用训练集中的训练样本，采用分类损失函数作为优化目标，训练卷积神经网络分类模型，用以对训练样本中的人脸进行分类；将训练好的卷积神经网络分类模型作为预训练的模型，使用对比损失函数和三元组损失函数继续对所述卷积神经网络分类模型进行训练。7.如权利要求6所述的基于定序神经网络模型的人脸识别方...
【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，侯广琦，
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。