人脸特征编码方法、装置、计算机设备和存储介质制造方法及图纸

本发明专利技术涉及人工智能技术领域，提供了一种人脸特征编码方法、装置、计算机设备和存储介质，所述方法包括：构建深度卷积网络以及训练数据集；对所述训练数据集中的人脸图像采用高斯滤波采样进行多尺度的变换，得到包括不同尺度人脸图像的图像金字塔；将所述图像金字塔输入至所述深度卷积网络，利用带有角度边界常量的超球面空间距离约束损失函数对所述深度卷积网络进行训练，得到人脸特征编码深度神经网络；利用所述人脸特征编码深度神经网络对待编码人脸图像进行特征编码。采用本方法能够提高人脸检测的准确率。人脸检测的准确率。人脸检测的准确率。

【技术实现步骤摘要】
人脸特征编码方法、装置、计算机设备和存储介质


[0001]本专利技术属于人工智能
，尤其涉及一种人脸特征编码方法、装置、计算机设备及存储介质。

技术介绍

[0002]自二十世纪下半叶，随着计算机视觉技术逐渐地发展壮大，以及数字图像相关的软硬件技术在人们生活中的广泛使用，数字图像已经成为当代社会信息来源的重要构成因素，各种图像处理与分析的需求和应用也不断促使该技术的革新。其中，生物识别技术发展尤为迅速。2017年生物识别技术全球市场规模上升到了172亿美元，截止到2020年，全世界的生物识别市场规模达到240亿美元。而有关人脸识别技术的市场规模增长了166.6%，在众多生物识别技术中增幅居于首位。
[0003]人脸识别是基于人的脸部特征信息进行信息身份识别的一种重要的生物识别技术，其本质是分析两张人脸图像在其特征空间上的相似度。当其相似度高于某个阈值时，我们认为两张图像中的人脸属于同一个人。由于近年来科技的快速发展，使得人脸匹配技术被广泛的应用于安防、监控、乘车以及购物等诸多领域。但是，在人脸匹配中任然存在着诸多难点，比如，复杂的人脸表情、人脸随年龄而改变的问题、人脸特征遮掩、人脸图像畸变等。因此，人脸识别依旧是计算机视觉领域的一大研究方向。
[0004]现有人脸识别技术大致分为两个步骤，首先对人脸进行特征编码，然后根据编码的特征向量进行人脸相似度计算来对人脸进行识别。人脸特征编码过程是提取人脸图片的一些关键特征形成人脸特征向量，该特征向量用于计算两张人脸相似度。因此，该特征向量应该具有同一个人照片的特征向量相似度越高，属于不同人照片的特征向量相似度越低的效果，从而能基于该特征向量有效的识别出两张图是否为同一个人。其中，传统的人脸特征编码方法都仅限于面部几何特征的提取。该类方法过多依靠于先验知识，需要在自适应和检测准确度之间进行权衡，受人脸表情，姿态等影响很大。由于对人脸主要器官如眼睛、鼻子、嘴等进行描述和特征提取，通过各器官之间欧氏距离、角度及其大小和外形被量化成一系列参数来衡量人脸特征可以比较准确地提取人脸的基本特征，所以通常采用模版法来进行器官定位以及特征提取。
[0005]然而，近年来随着深度学习的快速发展，以及其对图像特征的深度挖掘能力，现如今被广泛的应用于人脸特征编码。其总体思路是把人脸识别人物当分类任务来训练，通过在softmax损失函数上施加约束，让相同的人的照片编码后的特征向量距离尽可能近，不是同一个人的照片的编码后的特征向量距离尽可能的远。从而基于该深度模型提取的人脸特征向量能有效的识别出两张照片是否是同一个人。但是，由于softmax损失函数不能明确优化嵌入特性来加强类内样本更高的相似性和类间样本的差异性，使其难以有效的约束编码的人脸特征向量具有很高的区分度，从而降低了人脸检测的准确率。

技术实现思路

[0006]基于此，有必要针对上述技术问题，提供一种能够提高人脸检测的准确率的人脸特征编码方法、装置、计算机设备和存储介质。
[0007]本专利技术提供一种人脸特征编码方法，包括：构建深度卷积网络以及训练数据集；对所述训练数据集中的人脸图像采用高斯滤波采样进行多尺度的变换，得到包括不同尺度人脸图像的图像金字塔；将所述图像金字塔输入至所述深度卷积网络，利用带有角度边界常量的超球面空间距离约束损失函数对所述深度卷积网络进行训练，得到人脸特征编码深度神经网络；利用所述人脸特征编码深度神经网络对待编码人脸图像进行特征编码；所述带有角度边界常量的超球面空间距离约束损失函数公式如下：其中，N为训练数据集的样本数，i∈（1
……
N），n为人脸分类的类别数量，j∈（1
……
n），s为特征的归一化缩放值，θ为两个特征点到中心点连线的夹角值，yi为第i样本的真实标签，yj为真实标签，θj为当前样本点与第j个类别特征中心点到超球体中心点连线的夹角，m为角度边界常量，Scale为超球面空间最大边界距离。
[0008]在其中一个实施例中，所述对所述训练数据集中的人脸图像采用高斯滤波采样进行多尺度的变换，得到包括不同尺度人脸图像的图像金字塔，包括：利用高斯低通滤波对所述训练数据集中的人脸图像进行采样，得到多个不同尺度的第一人脸图像；利用高斯高通滤波对所述第一人脸图像进行采样，得到多个不同尺度的第二人脸图像；根据各所述第一人脸图像和各所述第二人脸图像构建得到包括不同尺寸人脸图像的图像金字塔；所述第二人脸图像的尺度高于所述第一人脸图像的尺度。
[0009]在其中一个实施例中，所述利用高斯低通滤波对所述训练数据集中的人脸图像进行采样，得到多个不同尺度的第一人脸图像，包括：将所述人脸图像对应的原始像素坐标分别与多个不同的滤波半径进行差值运算，得到各所述滤波半径对应的像素坐标差值；利用高斯低通滤波对各所述滤波半径对应的像素坐标差值分别进行滤波缩放，得到多个不同尺度的第一人脸图像。
[0010]在其中一个实施例中，所述利用高斯高通滤波对所述第一人脸图像进行采样，得到多个不同尺度的第二人脸图像，包括：将所述第一人脸图像对应的原始像素坐标分别与多个不同的滤波半径进行乘积运算，得到各所述滤波半径对应的乘积像素坐标；利用高斯高通滤波对各所述滤波半径对应的乘积像素坐标分别进行滤波缩放，将滤波缩放后的值作为权重与所述第一人脸图像原始的像素值相乘生成新的像素值；根据新的像素值得到多个不同尺度的第二人脸图像。
[0011]在其中一个实施例中，所述利用所述人脸特征编码深度神经网络对待编码人脸图像进行特征编码之后，还包括：获取所述人脸特征编码深度神经网络进行特征编码输出的特征向量；对所述特征向量进行正则化，得到正则化特征向量；根据所述特征向量的矩阵列数量以及人脸分类的类别数量定义权重矩阵，并对所述权重矩阵进行正则化，得到正则化权重矩阵；将所述正则化特征向量与所述正则化权重矩阵进行矩阵相乘得到全连接输出，对所述全连接层输出对应的真实标签值进行反余弦操作，得到真实标签。
[0012]在其中一个实施例中，所述深度卷积网络包括第一卷积层、接收所述第一卷积层输出的深度可分卷积层、接收所述深度可分卷积层输出的瓶颈层组、以及接收所述瓶颈层组输出的第二卷积层、接收所述第二卷积层输出的池化层。
[0013]一种人脸特征编码装置，包括：构建模块，用于构建深度卷积网络以及训练数据集；变换模块，用于对所述训练数据集中的人脸图像采用高斯滤波采样进行多尺度的变换，得到包括不同尺度人脸图像的图像金字塔；训练模块，用于将所述图像金字塔输入至所述深度卷积网络，利用带有角度边界常量的超球面空间距离约束损失函数对所述深度卷积网络进行训练，得到人脸特征编码深度神经网络；所述带有角度边界常量的超球面空间距离约束损失函数公式如下：其中，N为训练数据集的样本数，i∈（1
……
N），n为人脸分类的类别数量，j∈（1
……
n），s为特征的归一化缩放值，θ为两个特征点到中心点连线的夹角值，yi为第i样本的真实标签，yj为真实标签，θj为当前样本点与第j个类别特征中心点到超球体中本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种人脸特征编码方法，其特征在于，所述方法包括：构建深度卷积网络以及训练数据集；对所述训练数据集中的人脸图像采用高斯滤波采样进行多尺度的变换，得到包括不同尺度人脸图像的图像金字塔；将所述图像金字塔输入至所述深度卷积网络，利用带有角度边界常量的超球面空间距离约束损失函数对所述深度卷积网络进行训练，得到人脸特征编码深度神经网络；利用所述人脸特征编码深度神经网络对待编码人脸图像进行特征编码；所述带有角度边界常量的超球面空间距离约束损失函数公式如下：其中，N为训练数据集的样本数，i∈（1
……
N），n为人脸分类的类别数量，j∈（1
……
n），s为特征的归一化缩放值，θ为两个特征点到中心点连线的夹角值，yi为第i样本的真实标签，yj为真实标签，θj为当前样本点与第j个类别特征中心点到超球体中心点连线的夹角，m为角度边界常量，Scale为超球面空间最大边界距离。2.根据权利要求1所述的方法，其特征在于，所述对所述训练数据集中的人脸图像采用高斯滤波采样进行多尺度的变换，得到包括不同尺度人脸图像的图像金字塔，包括：利用高斯低通滤波对所述训练数据集中的人脸图像进行采样，得到多个不同尺度的第一人脸图像；利用高斯高通滤波对所述第一人脸图像进行采样，得到多个不同尺度的第二人脸图像；根据各所述第一人脸图像和各所述第二人脸图像构建得到包括不同尺寸人脸图像的图像金字塔；所述第二人脸图像的尺度高于所述第一人脸图像的尺度。3.根据权利要求2所述的方法，其特征在于，所述利用高斯低通滤波对所述训练数据集中的人脸图像进行采样，得到多个不同尺度的第一人脸图像，包括：将所述人脸图像对应的原始像素坐标分别与多个不同的滤波半径进行差值运算，得到各所述滤波半径对应的像素坐标差值；利用高斯低通滤波对各所述滤波半径对应的像素坐标差值分别进行滤波缩放，得到多个不同尺度的第一人脸图像。4.根据权利要求2所述的方法，其特征在于，所述利用高斯高通滤波对所述第一人脸图像进行采样，得到多个不同尺度的第二人脸图像，包括：将所述第一人脸图像对应的原始像素坐标分别与多个不同的滤波半径进行乘积运算，得到各所述滤波半径对应的乘积像素坐标；利用高斯高通滤波对各所述滤波半径对应的乘积像素坐标分别进行滤波缩放，将滤波缩放后的值作为权重与所述第一人脸图像原始的像素值相乘生成新的像素值；...

【专利技术属性】
技术研发人员：郭建京，周忠诚，黄九鸣，张圣栋，
申请(专利权)人：湖南星汉数智科技有限公司，
类型：发明
国别省市：