【技术实现步骤摘要】
本专利技术涉及计算机视觉中的人脸识别,具体是涉及一种基于混合训练的深度学习人脸验证方法。
技术介绍
人脸识别是一种生物特征识别方法。相比于其它传统的生物特征识别方法,人脸识别具有无接触性、隐蔽性、用户接受度高等优点。人脸识别在国家安全、安防、门禁控制等领域具有广泛应用,具有巨大的市场价值和科研价值。人脸识别属于基于图像的识别方法。基于图像的识别方法的挑战在于如何从图像中获取有效的特征表示,以便后续的识别分类等任务。传统的人脸识别方法,将识别任务分解为人工特征设计和分类器训练这两个独立部分分别进行学习。人脸特征提取在人脸识别中起到至关重要的作用,直接制约着人脸识别的性能。传统的特征提取方法采用的是基于人工设计,如LBP特征(T.Ahonen,A.Hadid,M.Pietikainen.Face description with local binary patterns:Application to face recognition[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,2006,28(12):2037–2041)、SIFT特征(D.G.Lowe.Distinctive image features from scale-invariant keypoints[J].International Journal of Computer Vision,2004,60(2):91–110)等。但是,这些浅层的特征往往无法捕获高级语义信息,极大地制约着人脸识别的性能。此外 ...
【技术保护点】
基于混合训练的深度学习人脸验证方法,其特征在于包括以下步骤:A.准备人脸数据集,其包含人脸的图像以及相应的身份标签;B.对人脸数据集中的每幅图像分别进行人脸检测和人脸关键点检测,获取人脸关键点在每幅图像中的位置;C.根据人脸关键点的位置对所有人脸进行归一化处理,得到人脸图像训练集;D.将人脸图像训练集划分为训练数据集和验证数据集,并计算训练数据集中所有人脸图像的均值图像;E.将训练数据集和验证数据集中的所有人脸图像都减去均值图像,得到均值化的训练数据集和验证数据集;F.利用均值化的训练数据集和验证数据集训练深度卷积神经网络,对训练数据集进行训练和学习网络参数;同时按照训练步长,将验证数据集放入卷积神经网络中进行测试,以此观察网络的训练收敛情况,直至训练网络收敛;G.对于训练数据集和验证数据集中的每幅人脸图像,生成一个对应的三元组,从而构成三元组训练数据集和三元组验证数据集;H.利用三元组训练数据集和三元组验证数据集再次训练深度卷积神经网络,采用三元组损失函数对三元组训练数据集进行训练和学习网络参数;将验证数据放入卷积神经网络网络中进行测试,以此观察网络的训练收敛情况,直至训练网络收敛; ...
【技术特征摘要】
1.基于混合训练的深度学习人脸验证方法,其特征在于包括以下步骤:A.准备人脸数据集,其包含人脸的图像以及相应的身份标签;B.对人脸数据集中的每幅图像分别进行人脸检测和人脸关键点检测,获取人脸关键点在每幅图像中的位置;C.根据人脸关键点的位置对所有人脸进行归一化处理,得到人脸图像训练集;D.将人脸图像训练集划分为训练数据集和验证数据集,并计算训练数据集中所有人脸图像的均值图像;E.将训练数据集和验证数据集中的所有人脸图像都减去均值图像,得到均值化的训练数据集和验证数据集;F.利用均值化的训练数据集和验证数据集训练深度卷积神经网络,对训练数据集进行训练和学习网络参数;同时按照训练步长,将验证数据集放入卷积神经网络中进行测试,以此观察网络的训练收敛情况,直至训练网络收敛;G.对于训练数据集和验证数据集中的每幅人脸图像,生成一个对应的三元组,从而构成三元组训练数据集和三元组验证数据集;H.利用三元组训练数据集和三元组验证数据集再次训练深度卷积神经网络,采用三元组损失函数对三元组训练数据集进行训练和学习网络参数;将验证数据放入卷积神经网络网络中进行测试,以此观察网络的训练收敛情况,直至训练网络收敛;I.对于给定待验证的两幅图像,分别进行人脸检测和人脸特征点检测,并减去均值图像,输入到深度卷积神经网络中,进行网络前馈操作,并提取最后一层特征f1和f2;J.根据事先选定的阈值T,当f1与f2之间的欧式距离大于阈值T,判定两张图像中的人脸属于同一个人,否则判定为不同人,从而完成人脸验证。2.如权利要求1所述基于混合训练的深度学习人脸验证方法,其特征在于在步骤A中,所述准备人脸数据集采用场景下采集的人脸数据库。3.如权利要求1所述基于混合训练的深度学习人脸验证方法,其特征在于在步骤B中,所述人脸检测和人脸关键点的检测方法采用OpenCV提供的方法,以得到人脸关键点的位置。4.如权利要求1所述基于混合训练的深度学习人脸验证方法,其特征在于在步骤C中,所述归一化处理采用基于仿射变换的人脸归一化方法,其具体步骤为:C1.根据检测到的人脸关键点坐标和标准的人脸关键点坐标,利用最小二乘法拟合一个最优的仿射变换矩阵;C2.利用仿射变换矩阵,将大小不同的人脸图像变换到统一大小的标准人脸图像;C3.对收集的人脸数据集中的所有图像执行C1和C2,最终构成人脸图像训练集。5.如权利要求1所述基于混合训练的深度学习人脸验证方法,其特征在于在步骤D中,所述对人脸图像训练集按照一定的比例划分为训练数据集和验证数据集,并计算训练数据集中所有人脸图像的均值图像的具体方法为:D1.对人脸图像训练集按照9︰1的比例进行划分,分为训练数据集和验证数据集;D2.计算训练数据集中所有人脸图像R分量的均值,计算方法为: M e a n _ R = Σ i = 1 N X i ( R ) N , ]]>其中Xi(R)为第i幅人脸图像的R分量;N为训练数据集的图像数目,且N为自然数;D3.计算训练数据集中所有人脸图像G分量的均值,计算方法为: M e a n _ G = Σ i = 1 N X i ( G ) N , ]]>其中Xi(G)为第i幅人脸图像的G分量;D4.计算训练数据集中所有人脸图像B分量的均值,计算方法为: M e a n _ B = Σ ...
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。