一种基于集中协调学习的人脸识别方法、系统及装置制造方法及图纸

本发明专利技术公开了一种基于集中协调学习的人脸识别方法、系统及装置，其中，方法包括以下步骤：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。本发明专利技术采用基于集中协调学习的人脸识别模型对人脸图像进行特征提取，将各特征拉到原点并分别到全部象限中，类间距离更大，提高了人脸的分类效率和识别准确度，可广泛应用于人脸识别技术领域。

A Face Recognition Method, System and Device Based on Centralized Coordination Learning

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造成的最终收敛效果。如果一个训练阶段中大部分人脸特征处于同一象限，就会将最终的特征和相应的向量聚集到这一象限中，降低了不同人脸的分类效率。名词解释：AAM-Softmax：(AdditiveAngularMarginLoss)附加角裕度损失函数。CCL:(CentralizedCoordinateLearning)集中协调学习。Centerloss：中心损失函数。CocoLoss：(CongenerousCosineLoss)协同余弦损失函数。L-softmax：归一化损失函数。MTCNN:(Multi-taskCascadedConvolutionalNetworks)多任务级联卷积网络。RPN:(RegionProposalNetwork)区域候选网络。SOTA：(StateofTheArt)行业最高标准。SSH:(SingleStageHeadlessFaceDetector)单阶段无头人脸检测器。Tripletloss：三元组损失函数。压缩激励网络：压缩激励网络是一个子结构，可以嵌到其他分类或检测模型中。核心思想在于通过网络根据损失函数去学习特征权重，使得有效的特征图权重大，无效或效果小的特征图权重小的方式训练模型达到更好的结果。深度残差网络：层数比较深的残差网络。残差网络：残差网络是2015年提出的深度卷积网络，核心是解决了增加深度带来的副作用(退化问题)，这样能够通过单纯地增加网络深度，来提高网络性能。对抗网络：一种深度学习模型，是近年来复杂分布上无监督学习最具前景的方法之一。模型通过框架中(至少)两个模块：生成模型和判别模型的互相博弈学习产生相当好的输出。
技术实现思路
为了解决上述技术问题，本专利技术的目的是提供一种结合集中协调学习方法的人脸识别方法、系统及装置。本专利技术方法所采用的技术方案是：一种基于集中协调学习的人脸识别方法，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。进一步，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。进一步，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。进一步，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。进一步，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。进一步，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，并根据边界信息生成人脸边界热度图；将第一人脸图像与人脸边界热度图进行融合后，结合融合后的图像和预设的残差网络获取人脸的关键点，并结合关键点获取预设尺寸的第二人脸图像。进一步，所述将第一人脸图像与人脸边界热度图进行融合这一步骤，具体为：采用对抗网络对人脸边界热度图的有效性进行判断，并在判断到人脸边界热度图有效时，将将第一人脸图像与人脸边界热度图进行融合。本专利技术系统所采用的技术方案是：一种基于集中协调学习的人脸识别系统，包括：获取图片模块，用于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；第一对齐模块，用于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；特征提取模块，用于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；对比模块，用于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。进一步，还包括模型建立模块，所述模型建立模块包括：获取数据集模块，用于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；第二对齐模块，用于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；训练模块，用于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。本专利技术装置所采用的技术方案是：一种基于集中协调学习的人脸识别装置，包括：至少一个处理器；至少一个存储器，用于存储至少一个程序；当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现上述的一种基于集中协调学习的人脸识别方法。本专利技术的有益效果是：本专利技术采用基于集中协调学习的人脸识别模型对人脸图像进行特征提取，将各特征拉到原点并分别到全部象限中，使各类别间有了更大的角度差异，使得类内距离更小，类间距离更大，解决了特征聚集到同一象限中的问题，提高了人脸的分类效率和识别准确度。附图说明图1是本专利技术一种基于集中协调学习的人脸识别方法的步骤流程图；图2是本专利技术一种基于集中协调学习的人脸识别系统的结构框图。具体实施方式实施例一如图1所示，本实施例本文档来自技高网...

【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