低分辨率人脸识别方法、系统、装置及存储介质制造方法及图纸

本发明专利技术提出一种低分辨率人脸识别方法及系统，其中的方法包括：对高分辨率数据样本进行降分辨率处理，以获取低分辨率数据样本；使用高分辨数据样本和低分辨率数据样本对预设的指导网络、目标网络以及鉴别器网络进行训练，以实现鉴别器网络与目标网络之间的对抗训练；待对抗训练完毕后，通过预设的监控场景人脸测试集和公开人脸测试集对双通道网络进行测试；待双通道网络通过测试后，通过目标网络对待识别的监控图片进行识别。本发明专利技术提供技术方案能够在低分辨率样本图片较少的情况下，实现对低分辨率人脸图片进行高精度识别。

【技术实现步骤摘要】
低分辨率人脸识别方法、系统、装置及存储介质
本专利技术涉及页面开发
，尤其涉及一种低分辨率人脸识别方法、系统、装置及存储介质。
技术介绍
近年来，人脸识别技术取得了一系列令人瞩目的突破，从解锁智能手机到门禁系统、安检系统、和最新的刷脸支付等，人脸识别技术已经渗透到了各行各业，和我们的日常生活紧密相连。当前主流的算法是基于深度卷积神经网络deepconvolutionalneuralnetworks(DCNNs)，该算法通常包括人脸检测、对齐、识别三个部分，其中识别算法是人脸特征比对的关键。主要训练过程为：通过大量的数据，数据格式为：多个不同ID的人脸，每个人有多张不同姿态、场景下的图片进行训练。推理过程为：检测到一张人脸图片，经过对齐网络，得到矫正后的图片，送到识别网络提取人脸的特征，然后和库中的图片特征进行比对，计算相似度，找到相似人脸。目前一些基于深度学习模型的方法在一些公开测试集上(如LFW)精度都已达到99％以上，可以有效的处理不同的光照、年龄、角度、性别、表情等变化的人脸，但目前各种算法性能表现如此之好的很大一部分原因是由于存在大量的高清人脸图片数据，如MS1M百万数据集，glint公司公开的百万亚洲人脸数据，这些人脸通常需要较大的人脸轮廓还需要预处理技术，如面部正面化和面部对齐，且能够成功应用的人脸识别技术，通常都是在受限环境中高分辨、正脸、无遮挡的人脸图片识别场景下。目前算法的处理主要针对高分辨率人脸图像数据，直接用于低分辨率人脸识别(Lowresolutionfacerecognition，LRFR)，性能急剧下降。而监控系统在公共场所中的使用正在增加，在这种非受控的情况下获取的人脸图像经常受到模糊、非均匀光照和非正面人脸姿势的影响，并且由于摄像头的安装角度和成像质量问题，人脸图片分辨率通常较低、质量较差，这为人脸识别创造了一个非常具有挑战性的应用实例。而对于工业界而言，最行之有效的提升算法性能的方法就是基于不同的目标场景收集一个较大数据集进行训练，但是在不同的识别场景中，由于隐私问题，很难获取大量图片进行训练，所以数据集的制作通常较为困难。因此，考虑如何在受限数据集上改进算法提升效果仍然是一个重要的研究方向。监控场景下的低分辨率人脸由于图像本身信息的缺乏，很难构造出一个鲁棒的特征表示，因此从模型改进方面而言，目前改进方法主要是：超分辨率(SR)去模糊技术，将输入的LR人脸尺寸增大到高分辨率(HR)人脸识别技术可以工作的程度，SR技术被用于将LR图像转化为高质量的图像，因此，人脸SR方法是恢复LR人脸图像进行识别的一种直观方法。虽然该方法目前对降采样的低分辨率图片的复原已经有一些不错的效果，但是对实际低分辨的图像的复原测试研究较少，没有大规模的测试结果输出，并且由于增加了一个超分辨模型，人脸识别的效率上也会大大减少。因此，基于以上几个问题，亟需一种能够在低分辨率样本图片较少的情况下，实现对低分辨率人脸图片进行高精度识别的方法。
技术实现思路
本专利技术提供一种低分辨率人脸识别方法、系统、电子装置以及计算机存储介质，其主要目的在于解决现有的前端页面构建方法工作效率低、人力成本相对较高的问题。为实现上述目的，本专利技术提供一种低分辨率人脸识别方法，该方法包括如下步骤：对高分辨率数据样本进行降分辨率处理，以获取低分辨率数据样本；使用所述高分辨数据样本和所述低分辨率数据样本对预设的双通道网络进行训练；其中，所述双通道网络包括指导网络、目标网络以及鉴别器网络，所述指导网络用于接收所述高分辨率数据样本，所述目标网络用于接收所述低分辨数据样本；所述鉴别器网络用于对所述指导网络和所述目标网络的输出数据进行鉴别，以实现所述鉴别器网络与所述目标网络之间的对抗训练；待所述对抗训练完毕后，通过预设的监控场景人脸测试集和公开人脸测试集对所述目标网络进行测试；待所述目标网络通过所述测试后，通过所述目标网络对待识别的监控图片进行识别。另外，本专利技术还提供一种低分辨率人脸识别系统，所述低分辨率人脸识别系统包括：降分辨率处理单元，用于对高分辨率数据样本进行降分辨率处理，以获取低分辨率数据样本；网络训练单元，用于使用所述高分辨数据样本和所述低分辨率数据样本对预设的双通道网络进行训练，其中，所述双通道网络包括指导网络、目标网络以及鉴别器网络，所述指导网络用于接收所述高分辨率数据样本，所述目标网络用于接收所述低分辨数据样本；所述鉴别器网络用于对所述指导网络和所述目标网络的输出数据进行鉴别，以实现所述鉴别器网络与所述目标网络之间的对抗训练；测试单元，用于待所述对抗训练完毕后，通过预设的监控场景人脸测试集和公开人脸测试集对所述目标网络进行测试；模型应用单元，用于通过所述目标网络对待识别的监控图片进行识别。另外，为实现上述目的，本专利技术还提供一种电子装置，该电子装置包括：存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的低分辨率人脸识别程序，所述低分辨率人脸识别程序被所述处理器执行时实现如下步骤：降分辨率处理单元，用于对高分辨率数据样本进行降分辨率处理，以获取低分辨率数据样本；网络训练单元，用于使用所述高分辨数据样本和所述低分辨率数据样本对预设的双通道网络进行训练，其中，所述双通道网络包括指导网络、目标网络以及鉴别器网络，所述指导网络用于接收所述高分辨率数据样本，所述目标网络用于接收所述低分辨数据样本；所述鉴别器网络用于对所述指导网络和所述目标网络的输出数据进行鉴别，以实现所述鉴别器网络与所述目标网络之间的对抗训练；测试单元，用于待所述对抗训练完毕后，通过预设的监控场景人脸测试集和公开人脸测试集对所述目标网络进行测试；模型应用单元，用于通过所述目标网络对待识别的监控图片进行识别。另外，为实现上述目的，本专利技术还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有低分辨率人脸识别程序，所述低分辨率人脸识别程序被处理器执行时，实现如上述低分辨率人脸识别方法的步骤。本专利技术提出的低分辨率人脸识别方法、系统、电子装置及计算机可读存储介质以现有的高分辨率人脸识别模型为基础，借鉴域迁移学习(domaintransferlearning)以及GAN网络的对抗思想，通过添加一个高性能的guided指导网络，采用分类以及域对抗等多损失训练方法，利用高低分辨率两组人脸数据，来提升低分辨率图像下模型的精度以及泛化能力。此外，本专利技术采用目前性能较好的insightface人脸识别算法作为基础模型，利用resnet100作为指导网络，采用两组测试数据，一组为降采样到30*30的人脸图像，另一组采用实际场景的监控人脸图片，通过对比测试，提高模型的识别精度，针对人脸识别在监控场景下识别精度大幅下降的问题。在不增加或者少量增加实际场景数据下，对当前已有的人脸识别算法性能进行改进，提升算法在监控人脸场景下的识别精度。附图说明图1为根据本专利技术实施例的低分辨率人脸识别方法的本文档来自技高网...

【技术保护点】
1.一种低分辨率人脸识别方法，应用于电子装置，其特征在于，所述方法包括：/n对高分辨率数据样本进行降分辨率处理，以获取低分辨率数据样本；/n使用所述高分辨数据样本和所述低分辨率数据样本对预设的双通道网络进行训练；/n其中，所述双通道网络包括指导网络、目标网络以及鉴别器网络，所述指导网络用于接收所述高分辨率数据样本，所述目标网络用于接收所述低分辨数据样本；所述鉴别器网络用于对所述指导网络和所述目标网络的输出数据进行鉴别，以实现所述鉴别器网络与所述目标网络之间的对抗训练；/n待所述对抗训练完毕后，通过预设的监控场景人脸测试集和公开人脸测试集对所述双通道网络进行测试；/n待所述双通道网络通过所述测试后，通过所述目标网络对待识别的监控图片进行识别。/n

【技术特征摘要】
1.一种低分辨率人脸识别方法，应用于电子装置，其特征在于，所述方法包括：
对高分辨率数据样本进行降分辨率处理，以获取低分辨率数据样本；
使用所述高分辨数据样本和所述低分辨率数据样本对预设的双通道网络进行训练；
其中，所述双通道网络包括指导网络、目标网络以及鉴别器网络，所述指导网络用于接收所述高分辨率数据样本，所述目标网络用于接收所述低分辨数据样本；所述鉴别器网络用于对所述指导网络和所述目标网络的输出数据进行鉴别，以实现所述鉴别器网络与所述目标网络之间的对抗训练；
待所述对抗训练完毕后，通过预设的监控场景人脸测试集和公开人脸测试集对所述双通道网络进行测试；
待所述双通道网络通过所述测试后，通过所述目标网络对待识别的监控图片进行识别。


2.根据权利要求1所述的低分辨率人脸识别方法，其特征在于，对高分辨率数据样本进行降分辨率处理的过程包括：
选取至少六个不同分辨率的低分辨率尺寸，其中，所述低分辨率尺寸至少包括18*18、25*25、30*30、36*36、42*42以及50*50；
按高斯分布将所述高分辨率数据样本分别降分辨率为各低分辨率尺寸的低分辨率数据样本，其中，所述30*30尺寸的低分辨率数据样本的数量最多。


3.根据权利要求2所述的低分辨率人脸识别方法，其特征在于，
所述指导网络为经过预先训练的高精度高分辨率特征域提取模型。


4.根据权利要求3所述的低分辨率人脸识别方法，其特征在于，
所述指导网络为resnet100高分辨率人脸模型；
所述目标网络为resnet50低分辨率人脸模型；
所述鉴别器网络为Discriminator网络，且所述鉴别器网络添加有域损失函数LogSoftmax。


5.根据权利要求4所述的低分辨率人脸识别方法，其特征在于，
所述目标网络和所述指导网络均添加有SGE模块。


6.根据权利要求5所述的低分辨率人脸识别方法，其特征在于，
所述分类网络设置有损失函数insightface。


7.根据权利要求1至6中任意一项所述的低分辨率人脸识别方法，其特征在于，通过在所述目标网络配合预设的分类网络对待识别的监控图片进行识别的过程包括：
通过所述目标网...

【专利技术属性】
技术研发人员：施远银，鞠蓉，邢卫国，孙超，
申请(专利权)人：杭州博雅鸿图视频技术有限公司，
类型：发明
国别省市：浙江;33