【技术实现步骤摘要】
一种多任务的深度特征空间姿态人脸识别方法
本专利技术属于计算机视觉和人工智能
，涉及一种人脸识别方法，具体涉及一种多任务的深度特征空间姿态人脸识别方法。
技术介绍
人脸识别技术是当代人工智能、模式识别、计算机视觉领域中的热门研究课题之一。人脸识别技术应用的领域非常广泛，如公共安全、电子商务及信息安全等。在实际应用中对人脸识别检测得出，角度姿态的因素是影响人脸识别结果的主要因素。当输入的人脸图像是一张偏转角度较大的侧脸图像时，很多常规人脸识别算法性能都大幅度的下降，导致识别率会明显大幅下降。因此，如何针对人脸的姿态因素发展出一种高鲁棒性、高准确度的识别技术具有重要的价值和意义。目前针对大角度人脸姿态，主流研究方法主要集中在三维人脸模板和二维平面技术。而不管是三维模板还是二维平面技术，都是从图像层面实现侧脸到正脸的姿态矫正。但是在图片层面的通过姿态矫正来提高姿态人脸的识别率是比较困难的，因为这样矫正出来的正面人脸容易受表情、光照、姿态造成的遮挡等因素的影响，进而影响人脸的识别率。近年来通过卷积神经网络来提取人脸的鲁棒特征进行人脸识别是一个比较热门的研究领域，但是...
【技术保护点】
1.一种多任务的深度特征空间姿态人脸识别方法，其特征在于：包括如下步骤：1)对训练集中的每个人不同姿态的侧面人脸图像完成姿态角度的测定；2)通过基本卷积神经网络来提取侧面人脸图像的深度空间特征；3)设计网络的主任务模块，用于完成对姿态侧脸的深度空间矫正，对于提取到的侧脸深度空间特征，对其进行特征补偿以此来实现深度特征空间的姿态矫正；4)设计网络的副任务模块，用于完成对原始侧脸姿态深度特征的重构，在得到矫正的正脸深度特征基础上，对其进行变换来重构原始输入的侧脸深度特征，以此来实现对矫正得到的正脸特征的评估；5)训练整个网络；6)对待识别的姿态人脸图片进行角度测定；7)将待识别...
【技术特征摘要】
1.一种多任务的深度特征空间姿态人脸识别方法，其特征在于：包括如下步骤：1)对训练集中的每个人不同姿态的侧面人脸图像完成姿态角度的测定；2)通过基本卷积神经网络来提取侧面人脸图像的深度空间特征；3)设计网络的主任务模块，用于完成对姿态侧脸的深度空间矫正，对于提取到的侧脸深度空间特征，对其进行特征补偿以此来实现深度特征空间的姿态矫正；4)设计网络的副任务模块，用于完成对原始侧脸姿态深度特征的重构，在得到矫正的正脸深度特征基础上，对其进行变换来重构原始输入的侧脸深度特征，以此来实现对矫正得到的正脸特征的评估；5)训练整个网络；6)对待识别的姿态人脸图片进行角度测定；7)将待识别的姿态人脸图片传入到根据步骤2到步骤5已经训练好的网络中，得到鲁棒的正脸深度空间特征；8)根据得到的待识别人脸图片的特征表示以及数据库中所有人脸的特征表示，采用余弦相似度来衡量特征之间的近似程度，以此来确定待识别人脸图像的身份信息。2.根据权利要求1所述的一种多任务的深度特征空间姿态人脸识别方法，其特征在于：所述步骤3中通过主任务模块完成侧脸深度特征在深度空间实现矫正从而得到正脸深度特征，其具体步骤为：3.1)首先对侧脸特征φ(xp)进行非线性的变换，非线性变换通过两个全连接层完成，用来对侧脸深度空间特征进行非线性线性变换，提取侧脸深度特征空间中的残余特征，即R(φ(xp))；3.2)对输入的侧脸图片进行姿态评估，即对人脸的旋转角度进行评估，表示为y(x)，y(x)的具体表达式为：式中a表示人脸图像对应的姿态角度，σ表示为Sigmoid函数，y(x)可以看作是一个补偿系数，在正脸情况下，y(x)取值为0，90°侧脸情况下，取值为1，其余取值根据人脸旋转角度范围[0,90°]来非线性地对应到[0,1]范围内，即y(x)∈[0,1]；3.3)对步骤3.1中提取到的侧脸残余特征和步骤3.2中的权重补偿系数进行相乘，表示在侧脸深度空间特征基础上需要补偿的特征，则最后的正脸深度空间特征表示为：φ(xf)＝φ(xp)+y(xp)R(φ(xp))即在原始侧脸特征φ(xp)基础上，进一步对侧脸特征φ(xp)进行残余特征提取并且进行加权补偿求和。3.根据权利要求2所述的一种多任务的深度特征空间姿态人脸识别方法，其特征在于：所述步骤4中通过副任务模块完成对原始输入的侧脸深度空间特征的重构，具体包括如下步骤：4.1)对于步骤3中得到的正脸深度空间特征φ(xf)，通过两个全连接层对其实现非线性变换，即R(φ(xf))；4.2)直接使用步骤3.2中得到的权重系数y(x)，相比于步骤3.2中称其为补偿系数，此处的权重系数可以理解为损失系数，即在得到的正脸深度空间特征基础上损失程度，在正脸情况下，y(x)取值为0，表示不需要进行损失；90°侧脸情况下，取值...
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。