基于生成对抗网络的单人多图特征识别方法、设备及介质技术

基于生成对抗网络的单人多图特征识别方法、设备及介质，方法包含：获得单人的人脸数据集，提取得到特征向量集合；构建生成对抗网络，通过生成器将所述特征向量集压缩为第一特征向量；提取待识别人脸图片的第二特征向量；将两个特征向量置入判别器中，判断具有融合关系的概率。发明专利技术保留了预测时输入特征的共性，去除了输入特征间不影响识别的差异性；尽可能的包含了输入特征中的所有信息；提升多张图片时比对的性能。

Method, equipment and medium of single person multi graph feature recognition based on generated countermeasure network

【技术实现步骤摘要】
基于生成对抗网络的单人多图特征识别方法、设备及介质
本专利技术涉及计算机图像处理
，具体地说是一种基于生成对抗网络的单人多图特征识别方法、设备及介质。
技术介绍
人脸识别技术在公安侦查、门禁系统、目标追踪及其他民用安全控制系统等领域均具有较高的发展前景和经济效益。机器学习属于人工智能的分支之一，且处于核心地位。机器学习让计算机学会学习，能够模拟人类的学习行为，建立学习能力，实现识别和判断。机器学习使用算法来解析海量数据，从中找出规律，并完成学习，用学习出来的思维模型对真实事件做出决策和预测。机器学习是人工智能的方法，深度学习是一种实现机器学习的技术，而生成式对抗网络则是深度学习中的一种分类。而卷积神经网络(ConvolutionalNeuralNetworks，CNN)是以人工神经网络为基础，并结合深度学习理论而提出的一种识别算法。卷积神经网络可以提取高层特征，提高特征的表达能力。生成对抗网络(GenerativeAdversarialNets，GAN)，最早在2014年由IanGoodfellow等人于论文《GenerativeAdversarialNetworks》中提出，并引入深度学习领域。GAN是一个概率生成模型，包括一个成器G网络模型和一个判别器D的网络模型，创新性地使用对抗训练机制对两个神经网络进行训练，并使用随机梯度下降法(StochasticGradientDescent，SGD)实现参数的优化。GAN在计算机视觉领域具有突出的表现，例如图像翻译、图像超分辨率、图像修复等，同时GAN也是人脸识别的重要研究技术。现有技术对人脸图片集合的信息利用程度较低，基本上只用了单张的信息和一些简单的统计信息,没有利用更多的信息，存在不够准确，性能不足的问题。CN201910329770.3号专利申请涉及一种人脸图像识别方法及装置、电子设备和存储介质，方法包括：获得多个人脸图像；根据对所述多个人脸图像进行特征提取对应得到的多个特征向量，得到多个待识别的目标对象；根据所述多个特征向量与分类参考向量，得到梯度参数；根据所述梯度参数对所述多个待识别的目标对象进行分类，得到分类结果，可提高对人脸的识别效果。
技术实现思路
本专利技术为解决现有的问题，旨在提供一种基于生成对抗网络的单人多图特征识别方法、设备及介质。为了达到上述目的，本专利技术采用的技术方案包含：S1,获得单人的人脸数据集，提取得到特征向量集合；S2,构建生成对抗网络，通过生成器将所述特征向量集压缩为第一特征向量；S3,提取待识别人脸图片的第二特征向量；S4,将两个特征向量置入判别器中，判断具有融合关系的概率。进一步地，S4判断具有融合关系中，若第二特征向量属于特征向量集合，则为具有融合关系，即两者为同一人；反之则不然。进一步地，S4中判别器中通过计算第一特征向量和第二特征向量的余弦相似度，来判断具有融合关系的概率。进一步地，所述生成对抗网络中，损失函数由两部分组成：1.进一步地，S4中，通过向A、B代入单人和待识别人图片相连特征来计算余弦相似度，进而评估是同一个人的概率,公式如下;计算中切取一个阈值threshold，当similarity>=threshold时，认为是同一个人，similarity<threshold时，认为是不同人。一种人脸识别系统，其特征在于：包括存储单元，用于存储单人的人脸数据集；生成对抗网络，包括：生成器网络输入一个特征向量集，输出第一特征向量，即生成器把输入特征的信息压缩到一个特征中；判别器网络输入第一特征向量和第二特征向量,判断两个特征向量有融合的关系的概率，即计算余弦距离。一种电子设备，其特征在于：包括处理器，以及用于存储处理器的可执行指令的存储器，所述处理器被配置为执行上述任一所述的方法。一种计算机可读介质，其上存储有计算机程序指令，其特征在于：所述计算机程序指令被处理执行时，实现上述任一所述的方法。和现有技术相比，本专利技术的方法包含了训练集合上一人多图的特征分布信息，保留了预测时输入特征的共性，去除了输入特征间不影响识别的差异性；尽可能的包含了输入特征中的所有信息；保证了识别性能本身，因而可以提升多张图片时比对的性能。生成器本身的训练过程可以让生成器学习到一人多图情况下的特征的分布，既学习到特征之间的差异性和共性，并应用在预测的场景，能够保留特征间的共性，得到更准确的这个人的特征，去除和识别无关的信息。判别器的存在让生成器生成的特征中，尽可能的包含输入的所有特征的信息；而识别损失函数的存在，能够让生成器生成的是单个人的识别特征，并且一定程度上，提升了识别的性能。附图说明图1为本专利技术生成对抗网络的示意图。具体实施方式为了使本专利技术的目的、技术方案及有益效果更加清楚明白，以下结合附图及实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。本实施例使用NVIDIADGX-1的深度学习机，包含8张NvidiaTesla-V100计算卡，每个计算卡拥有超过210亿个晶体管，核心面积为815平方毫米(也可以采用其他等效提供算力的计算资源)；并使用tensorflow训练框架(或其他深度学习训练框架)。本实施例解决的问题是,在已有人脸识别模型基础上,提升人脸集识别比对的性能。首先，获得已有的人脸识别模型,记为REC。REC可以是多任务卷积神经网络（MTCNN），MTCNN将人脸区域检测与人脸关键点检测放在一起，总体可分为P-Net、R-Net、和O-Net三层网络结构，用于人脸检测和关键点定位；也可以是FaceNet，该方法直接通过学习将特征变为欧式平面上的一个点，然后通过比较点之间的距离来进行判断，进行人脸识别的特征抽取。也可以是其他任何现有的可见光识别模型、方法来完成这一任务。REC的输入是一张人脸图,输出是这个人脸的特征向量。而对于两张图p1、p2，有通过计算特征向量REC(p1)和特征向量REC(p2)之间的余弦距离,获得两张图是同一个人的概率。在本实施例的场景下,存有两个图片集Set_A,Set_B，其中：Set_A包含同一个人Pa的若干张人脸；Set_B包含同一个人Pb的若干张人脸。需要判断Pa和Pb是否是同一个人，则有：1.数据准备准备若干组标注数据,构成标注集合Anno；Anno中每组数据记为set_anno,包含同一个人的若干张人脸集合。准备若干组数据,构成负例集合Q；Q中的每组数据记为q,是一个人的一张人脸图,保证q对应的人没有在Anno中出现正式的训练集合分为两个训练集X_0和X_1。X_0的每组数据,由D中的一个set_anno和Q中的一张图组成，而X_1的每组数据,由D中的一个set_anno和set_anno中的一张图组本文档来自技高网...

【技术保护点】
1.一种基于生成对抗网络的单人多图特征识别方法，其特征在于：/nS1,获得单人的人脸数据集，提取得到特征向量集合；/nS2,构建生成对抗网络，通过生成器将所述特征向量集压缩为第一特征向量；/nS3,提取待识别人脸图片的第二特征向量；/nS4,将两个特征向量置入判别器中，判断具有融合关系的概率。/n

【技术特征摘要】
1.一种基于生成对抗网络的单人多图特征识别方法，其特征在于：
S1,获得单人的人脸数据集，提取得到特征向量集合；
S2,构建生成对抗网络，通过生成器将所述特征向量集压缩为第一特征向量；
S3,提取待识别人脸图片的第二特征向量；
S4,将两个特征向量置入判别器中，判断具有融合关系的概率。


2.根据权利要求1所述的基于生成对抗网络的单人多图特征识别方法，其特征在于：S4判断具有融合关系中，若第二特征向量属于特征向量集合，则为具有融合关系，即两者为同一人；反之则不然。


3.根据权利要求1或2所述的基于生成对抗网络的单人多图特征识别方法，其特征在于：S4中，判别器中通过计算第一特征向量和第二特征向量的余弦相似度，来判断具有融合关系的概率。


4.根据权利要求1所述的基于生成对抗网络的单人多图特征识别方法，其特征在于：所述生成对抗网络中，损失函数由两部分组成：

；






根据权利要求1或2所述的基于生成对抗网络的单人多图特...

【专利技术属性】
技术研发人员：康燕斌，张志齐，
申请(专利权)人：上海依图网络科技有限公司，
类型：发明
国别省市：上海;31