一种基于余弦损失非约束条件人脸识别方法技术

本发明专利技术属于图像处理技术领域，具体涉及一种基于余弦损失非约束条件人脸识别方法。一种基于余弦损失非约束条件人脸识别方法，它包括以下步骤，S1、获取待识别图像，对待识别图像进行多尺度变换，得到图像金字塔；S2、将步骤S1得到的图像金字塔输入到MTCNN网络，MTCNN网络对图像进行处理后，得到面部特征点；S3、根据步骤S2的面部特征点，进行人脸校正；S4、利用步骤S3处理后的数据训练Inception‑ResnetV1卷积神经网络，采用余弦损失函数作为监督信号，进行分类器模型的训练，得到特征提取模型，利用该特征提取模型进行人脸数据的验证与识别。

【技术实现步骤摘要】
一种基于余弦损失非约束条件人脸识别方法
本专利技术属于图像处理
，具体涉及一种基于余弦损失非约束条件人脸识别方法。
技术介绍
人脸识别是身份认证的重要生物识别技术，已广泛应用于军事、金融、公共安全和日常生活等领域。尽管在人脸方面的研究已经长达五十年之久，但是仍会因为自然因素的影响，例如光照强度不同，人脸姿态表情的变化，面部的部分遮挡以及年龄等多种外在因素的影响。人脸识别技术主要是通过人脸的面部几何特征来进行身份的一种认证。就姿态问题，如头部在因为脸部的旋转导致面部特征信息的丢失，而当前的识别算法应用中，主要针对正面和准正面的人脸信息图像才可以进行较快的信息识别，当面部信息采如图像时出现了仰视或者俯视等侧脸比较严重的情况之下，识别的准确率会出现很大的下降。因而当前人类就针对这种不受约束情况下的识别进行。随着深度学习展现了图像识别方面强大的学习能力后，基于这种深层卷积神经网络在人脸识别方面的效果取得了巨大的突破，研究重点由此转向深度学习的方法。随着特征通道变得越来越宽，网路层数变得更加深，LFW识别结果得到很大提升。在本申请中，提出了一个统一的人脸识别系统。通过一个深度卷积网络在每个图像上学习余弦距离下的人脸特征。该网络经过训练，使得特征空间的余弦距离直接对应人脸的相似度，即同一个人的人脸余弦距离小，不同人脸的余弦距离较大。基于人脸识别的识别难度方法一般分为一对一人脸验证和一对多的人脸识别，由于数据库对模型训练和测试至关重要，如LFW、IJBA/B/C、Megaface和MS-Celeb-1M等，这些数据主要针对四个方面进行比较与应用：训练网络、评估指标、识别场景及训练和测试DeepFR提供有用的参考。自2014年起，DeepFace采用多层CNN网络模型做训练，在LFW测试精度达到97.35％。2015年，FaceNet使用大型私有数据集来训练Inception的网络结构，并使用基于TripletLoss损失算法的目标函数作监督，在LFW上获得了高达99.63％的测评结果，针对数据样本缺少以及数据匹配挖掘的问题，提出了一种基于余弦角度改进的损失函数(L-softmax)，随后在为专门针对移动设备上设计的网络模型，可以实现快速的下采样与识别，提出了如SqueezeNet，MobileNet，ShuffleNet和Xception等一些轻量级卷积网络模型。
技术实现思路
本专利技术针对现有技术对人脸识别精度不足之处进行了优化，提出一种基于余弦损失非约束条件人脸识别方法。通过对MTCNN算法进行了改进，本专利技术在网络模型训练效果和识别精度都有明显的提升，尤其在基于非控制条件下的人脸识别有着更好的泛化能力和更强的实用性。为实现上述目的，本专利技术采用如下技术方案：一种基于余弦损失非约束条件人脸识别方法，它包括以下步骤，S1、获取待识别图像，对待识别图像进行多尺度变换，得到图像金字塔；S2、将步骤S1得到的图像金字塔输入到MTCNN网络，MTCNN网络对图像进行处理后，得到面部特征点；S3、根据步骤S2的面部特征点，进行人脸校正；S4、利用步骤S3处理后的数据训练Inception-ResnetV1卷积神经网络，采用余弦损失函数作为监督信号，进行分类器模型的训练，得到特征提取模型，利用该特征提取模型进行人脸数据的验证与识别。本技术方案进一步的优化，步骤S3中人脸校正如下，根据面部特征点，进行人脸倾斜的仿射变换，将人脸进行向右倾斜的公式如下：面部图像向左边倾斜公式如下：式中的x,y表示像素点的原先坐标位置，x',y'代表是矫正变换后的像素位置，θ1为实际关键点与中心点的旋转角。本技术方案进一步的优化，步骤S4的损失函数为其中t作为超前参数，基于t＞1的条件下，数值越大，训练也越困难，其中k参数用于是否对错误分类的样本进行训练:本技术方案进一步的优化，步骤S1中，对待识别图像采用OpenCV进行多尺度变换，得到图像金字塔。本技术方案进一步的优化，步骤S3根据人脸关键点进行人脸校正。本技术方案进一步的优化，所述步骤S4利用训练好的特征提取模型对需要识别的目标进行特征提取，再与数据库里的特征进行欧式距离的计算，根据阈值判断人脸目标的身份。本技术方案进一步的优化，所述MTCNN网络包括P-Net，R-Net以及O-Net三个级联网络。本技术方案更进一步的优化，所述P-Net网络对图像处理，获得脸部区域的窗口与边界GenerateBoundingBox回归，对获得脸部区域窗口，经过框回归结果进行矫正，再利用非最大值抑制算法对重叠的窗口进行合并，P-Net网络用于检测候选回归框。本技术方案更进一步的优化，所述P-Net网络的输出作为R-Net网络的输入，该网络会对框回归进行再次计算，去除掉非面部的框回归，再通过边框回归变量对结果进行检测，之后采用非最大值抑制进行框合并。本技术方案更进一步的优化，所述R-Net网络的输出作为O-Net网络的输入，损失监督来进行检测，得到最终的人脸概率、中心点坐标及宽高和人脸关键点的定位。人脸检测、关键点矫正与特征提取是人脸识别的关键技术。针对非控制条件下的人脸识别的高准确度的要求，本文提出基于MTCNN与余弦为目标函数的人脸识别的方法，采用联级网络作为人脸检测模型，利用预处理之后的数据作为输入，训练Inception-ResnetV1网络以及使用余弦损失目标函数作为训练实验法，结合公用数据集以及私有的亚洲人脸数据库。实验结果表明本算法对识别的准确率有很大的提升，尤其在基于非约束环境的识别精度有很大的提高。附图说明图1为人脸识别方法流程图；图2为图像金字塔结构示意图；图3为MTCNN训练流程图；图4为人脸检测网络模型架构示意图；图5为P-Net、R-Net、O-Net输出图；图6为人脸校正对比图；图7为Inception-ResNet-V1结构图；图8为Inception-ResNet-A/B/C结构图；图9为LFW验证集图；图10为LFW测试集ROC曲线图。具体实施方式为详细说明技术方案的
技术实现思路
、构造特征、所实现目的及效果，以下结合具体实施例并配合附图详予说明。参阅图1所示，为人脸识别方法流程图。一种基于余弦损失非约束条件人脸识别方法，它包括以下步骤，S1、获取待识别图像，对待识别图像进行多尺度变换，得到图像金字塔。在无约束环境下，人脸的检测与识别对于不同的姿势，灯光和遮挡是非常有挑战性的。具体的实现方案主要是人脸的检测与矫正，以及人脸识别模型的训练，对于检测矫正模块，提出一个深度级联多任务的框架，于是设计一个多任务级联的卷积神经网络人脸检测深度学习的模型MTCNN，由粗糙到细致来逐步检测面部整体和特征点的坐标，这种轻量级的卷积网络框架可以实现实时的检测效果，对于输入图片，先进性图片多尺度的变换，构本文档来自技高网...

【技术保护点】
1.一种基于余弦损失非约束条件人脸识别方法，其特征在于：它包括以下步骤，/nS1、获取待识别图像，对待识别图像进行多尺度变换，得到图像金字塔；/nS2、将步骤S1得到的图像金字塔输入到MTCNN网络，MTCNN网络对图像进行处理后，得到面部特征点；/nS3、根据步骤S2的面部特征点，进行人脸校正；/nS4、利用步骤S3处理后的数据训练Inception-ResnetV1卷积神经网络，采用余弦损失函数作为监督信号，进行分类器模型的训练，得到特征提取模型，利用该特征提取模型进行人脸数据的验证与识别。/n

【技术特征摘要】
1.一种基于余弦损失非约束条件人脸识别方法，其特征在于：它包括以下步骤，
S1、获取待识别图像，对待识别图像进行多尺度变换，得到图像金字塔；
S2、将步骤S1得到的图像金字塔输入到MTCNN网络，MTCNN网络对图像进行处理后，得到面部特征点；
S3、根据步骤S2的面部特征点，进行人脸校正；
S4、利用步骤S3处理后的数据训练Inception-ResnetV1卷积神经网络，采用余弦损失函数作为监督信号，进行分类器模型的训练，得到特征提取模型，利用该特征提取模型进行人脸数据的验证与识别。


2.如权利要求1所述的基于余弦损失非约束条件人脸识别方法，其特征在于：所述步骤S3中人脸校正如下，根据面部特征点，进行人脸倾斜的仿射变换，将人脸进行向右倾斜的公式如下：



面部图像向左边倾斜公式如下：



式中的x,y表示像素点的原先坐标位置，x′,y′代表是矫正变换后的像素位置，θ1为实际关键点与中心点的旋转角。


3.如权利要求1所述的基于余弦损失非约束条件人脸识别方法，其特征在于：所述步骤S3根据人脸关键点进行人脸校正。


4.如权利要求1所述的基于余弦损失非约束条件人脸识别方法，其特征在于：所述步骤S4的损失函数为



其中t作为超前参数，基于t＞1的条件下，数值越大，训练也越困难，其中k参数用于是否对错误分类的样本进行训练:




...

【专利技术属性】
技术研发人员：董恩增，乔逸凡，佟吉钢，于航，张达，
申请(专利权)人：天津理工大学，
类型：发明
国别省市：天津;12