The invention discloses a multi angle face recognition model training and testing system based on face image database including angle dividing module, multi angle sample combination training module, combined with the loss function of face angle calculation module, multi angle face recognition model test module. The invention is applicable to multi view face recognition, face recognition can overcomes the problem of poor effect in face recognition process, improve the non frontal face recognition process accuracy.
【技术实现步骤摘要】
基于多角度的人脸识别模型训练及测试系统及方法
本专利技术属于深度神经网络提取脸部特征的深度学习领域,涉及到神经网络、模式识别等技术,尤其涉及到基于多角度的人脸识别模型训练及测试方法。
技术介绍
人脸识别技术是现今人工智能以及模式识别的研究热点,是一种依据人的面部特征自动进行身份鉴别的生物识别结束。它在访问控制、司法应用、电子商务和视频监控等领域都有广泛的应用。随着科技的发展,人脸识别的应用范围不断扩大,逐渐从公安刑侦领域,推广到民用市场,如具有人脸识别功能的防盗门、人脸识别考勤系统等,被广泛应用于安防领域。但是这些系统在现实场景应用过程中对于待识别人脸的姿态有较高要求,人脸正面识别效果及准确率明显高于带有一定偏差角度的人脸,在实时场景中的人常处一种运动状态,无法保证采集人脸为清晰正面照,于对于抓拍到的侧脸照片存在十分困难的识别问题。解决上述问题的关键就是要克服非正脸难以识别的问题,根据待测人脸角度与特定的人脸识别模型相结合实现身份的正确匹配,提高现实场景下非正脸的识别准确率。人脸识别技术的传统方法是基于人脸特征点提取对比完成识别。现在常用的特征提取方法包括主成分分析法(简称PCA算法)、局部二值模式算法(简称LBP算法)等,但是这些方法具有局限性,通常对于正面人脸的特征提取有作用,而对于非正面人脸的特征提取而言这些算法均会失效,人脸特征提取模型的有效性直接影响到分类的速度和识别性能。所以要实现多角度非正面人脸的准确识别要通过更有效的解决方法。
技术实现思路
本专利技术克服了现有技术的不足之处,提出了一种基于多角度的人脸识别模型训练及测试方法,意在利用卷积神经网 ...
【技术保护点】
一种基于多角度的人脸识别模型训练及测试系统,包括人脸样本库角度划分模块、多角度样本组合训练模块、结合人脸角度的损失函数计算模块、多角度人脸识别模型测试模块,其特征在于:所述人脸样本库角度划分模块,将具有多张连续角度变化人脸照片的多个不同身份的人脸按左右方向和上下方向进行划分,完成多角度人脸识别模型训练样本数据库的构建;所述多角度样本组合训练模块,利用所述不同人脸角度的样本获得不同人脸识别子模型;所述结合人脸角度的损失函数计算模块,将人脸左右方向旋转和上下方向旋转角度加入到损失函数的计算过程中;所述多角度人脸识别模型测试模块,对每一个测试照片进行人脸在左右方向和上下方向旋转角度值的计算,确定所要使用的多角度的人脸识别子模型。
【技术特征摘要】
1.一种基于多角度的人脸识别模型训练及测试系统,包括人脸样本库角度划分模块、多角度样本组合训练模块、结合人脸角度的损失函数计算模块、多角度人脸识别模型测试模块,其特征在于:所述人脸样本库角度划分模块,将具有多张连续角度变化人脸照片的多个不同身份的人脸按左右方向和上下方向进行划分,完成多角度人脸识别模型训练样本数据库的构建;所述多角度样本组合训练模块,利用所述不同人脸角度的样本获得不同人脸识别子模型;所述结合人脸角度的损失函数计算模块,将人脸左右方向旋转和上下方向旋转角度加入到损失函数的计算过程中;所述多角度人脸识别模型测试模块,对每一个测试照片进行人脸在左右方向和上下方向旋转角度值的计算,确定所要使用的多角度的人脸识别子模型。2.如权利要求1所述的基于多角度的人脸识别模型训练及测试系统,其特征在于:所述人脸样本库角度划分模块,首先选择N个不同身份的人脸,每一个身份有P张连续角度变化人脸照片,将其作为一组人脸多角度照片序列,假设左右方向旋转角度最大值为α,上下方向旋转角度最大值为β,向左和向下方向的角度为负值,向右和向上方向的角度为正值;将待训练的人脸样本按照上述两个方向旋转角度进行划分,每一组多角度照片序列以θ1为角度间隔将左右方向旋转角度区间(-α,α)划分为m类,即m=(α/θ1)×2,以θ2为角度间隔将上下方向旋转角度区间(-β,β)划分为n类,即n=(α/θ2)×2,则一组人脸多角度照片序列共可划分为m×n类,所有m×n类的角度范围可归纳为下面四种表达形式:{(α0∈[k1θ1,k1θ1+θ1),β0∈[k2θ2,k2θ2+θ2)),(α0∈[-(k1θ1+θ1),-k1θ1),β0∈[k2θ2,k2θ2+θ2)),(α0∈[k1θ1,k1θ1+θ1),β0∈[-(k2θ2+θ2),-k2θ2)),(α0∈[-(k1θ1+θ1),-k1θ1),β0∈[-(k2θ2+θ2),-k2θ2))}其中k1,k2为整数,k1∈[0,m),k2∈[0,n),α0,β0分别表示训练样本中人脸左右方向旋角度和上下方向旋转角度;每一类训练样本有N个不同身份,每一个训练样本标签包括α0,β0值以及所属身份,进而完成多角度人脸识别模型训练样本数据库的构建。3.如权利要求1所述的基于多角度的人脸识别模型训练及测试系统,其特征在于:所述多角度训练样本组合模块,利用不同人脸角度的样本获得不同人脸识别子模型的方法:根据多角度人脸识别模型训练样本的选择及分类确定所需训练的人脸识别子模型个数,即为人脸样本按照角度进行划分的类别数m×n个,在训练适用于某一个人脸角度类别的人脸识别子模型时,在该人脸角度类别训练样本中添加占当前模型训练样本数量s%的相邻人脸角度类别中的人脸训练样本参与训练,即在训练人脸角度类别为(α0∈[α1,α2),β0∈[β1,β2)),对应的人脸识别子模型时,在角度范围为(α0∈[α1,α2),β0∈[β1,β2...
【专利技术属性】
技术研发人员:章东平,陶禹诺,杨力,张坤,肖刚,
申请(专利权)人:江西高创保安服务技术有限公司,
类型:发明
国别省市:江西,36
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。