The invention discloses a face recognition method, system and device based on centralized coordinated learning, which includes the following steps: acquiring the face image to be recognized, and after face detection, obtaining the first face image; after aligning the first face image, acquiring the preset size of the second face image; and inputting the second face image into the preset. The face recognition model based on centralized and coordinated learning is used to extract the feature vectors of the second face image. The cosine similarity is calculated by combining the face feature vectors with the preset face database, and the face recognition results are obtained according to the cosine similarity. The method adopts a face recognition model based on centralized and coordinated learning to extract features from face images, pulls each feature to the origin and separates them into all quadrants, with a larger distance between classes, improves the classification efficiency and recognition accuracy of faces, and can be widely used in the field of face recognition technology.
【技术实现步骤摘要】
一种基于集中协调学习的人脸识别方法、系统及装置
本专利技术涉及人脸识别
,尤其涉及一种基于集中协调学习的人脸识别方法、系统及装置。
技术介绍
人脸分析由于其重要的理论意义和巨大的实际应用价值,一直以来都是计算机视觉领域的热点。如何从图像(或视频)中获取有效的人脸表征一直以来都是人脸分析的一个核心问题。由于深度神经网络的快速发展和大人脸数据集的出现,人脸识别在近些年取得长足的进步。基于卷积神经网络的人脸识别算法层出不穷,从2014年的Facebook奠基之作DeepFace,到2015年Google的Facenet,再到2017年的SphereFace,最终到2018年的CosFace和InsightFace。根据损失函数的关注点不同,人脸识别算法大概可分为三类:第一类为关注最终形成的人脸特征,如NormFace,CocoLoss;第二类为研究分类向量的显著程度,如L-softmax、SphereFace;第三类为添加额外的监督信息,如Centerloss、Tripletloss。现有的技术或因为应用的神经网络过于简单,比如DeepFace和1、2、3代DeepId等,大多用的是不超过20层的简单神经网络,比如8层Alexnet、16层或19层的VGGnet,简单的神经网络只能提取到人脸的浅层特征,无法提取到最具有表征性的深层特征,从而使人脸识别效果较差。且因为人脸识别的损失函数过于只关注三类之中某一方面,不能将三类关注点有机的结合,人脸特征和权重向量相互影响,很多研究工作只关注特征x的表达或者权重向量w的表达,忽略了人脸特征的分布对权重向量的影响以及 ...
【技术保护点】
1.一种基于集中协调学习的人脸识别方法,其特征在于,包括以下步骤:获取待识别的人脸图片,并对人脸图片进行人脸检测后,获得第一人脸图像;对第一人脸图像进行对齐处理后,获取预设尺寸的第二人脸图像;将第二人脸图像输入预设的基于集中协调学习的人脸识别模型进行特征提取后,获得第二人脸图像的人脸特征向量;结合人脸特征向量与预设的人脸数据库计算余弦相似度,并根据余弦相似度获取人脸识别结果。
【技术特征摘要】
1.一种基于集中协调学习的人脸识别方法,其特征在于,包括以下步骤:获取待识别的人脸图片,并对人脸图片进行人脸检测后,获得第一人脸图像;对第一人脸图像进行对齐处理后,获取预设尺寸的第二人脸图像;将第二人脸图像输入预设的基于集中协调学习的人脸识别模型进行特征提取后,获得第二人脸图像的人脸特征向量;结合人脸特征向量与预设的人脸数据库计算余弦相似度,并根据余弦相似度获取人脸识别结果。2.根据权利要求1所述的一种基于集中协调学习的人脸识别方法,还包括建立基于集中协调学习的人脸识别模型的步骤,所述建立基于集中协调学习的人脸识别模型的步骤具体包括以下步骤:获取经过去噪的人脸图像数据集,依次对人脸图像数据集中的人脸图片进行人脸检测后,获得第三人脸图像;对第三人脸图像进行对齐处理后,获取预设尺寸的第四人脸图像;采用预设的深度卷积神经网络对第四人脸图像进行特征提取后,结合经过特征提取的第四人脸图像和预设的CCL损失函数进行模型训练,并生成人脸识别模型。3.根据权利要求2所述的一种基于集中协调学习的人脸识别方法,所述深度卷积神经网络采用压缩激励网络与深度残差网络结合生成。4.根据权利要求2所述的一种基于集中协调学习的人脸识别方法,所述CCL损失函数为采用集中协调学习和附加角裕度损失函数进行结合的损失函数。5.根据权利要求1所述的一种基于集中协调学习的人脸识别方法,其特征在于,所述获取待识别的人脸图片,并对人脸图片进行人脸检测后,获得第一人脸图像这一步骤,具体为:获取待识别的人脸图片,并采用预设的检测模块对人脸图片中不同尺寸的人脸进行检测后,获得第一人脸图像。6.根据权利要求1所述的一种基于集中协调学习的人脸识别方法,其特征在于,所述对第一人脸图像进行对齐处理后,获取预设尺寸的第二人脸图像这一步骤,具体为:获取第一人脸图像中人脸的边界信息,并根据边界...
【专利技术属性】
技术研发人员:杨琳,葛海玉,郝禄国,龙鑫,曾文彬,李伟儒,
申请(专利权)人:广州海昇计算机科技有限公司,
类型:发明
国别省市:广东,44
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。