人脸识别的特征提取分类度量学习方法、系统及存储介质技术方案

本发明专利技术公开了一种人脸识别的特征提取分类度量学习方法、系统及存储介质，其方法包括以下步骤：获取已检测对齐的初始人脸图像；对所述初始人脸图像进行初始特征提取处理，获取待映射的人脸特征图；通过ThetaMEX函数对所述人脸特征图进行映射处理，获取映射特征图。通过分类化损失函数对所述映射特征图进行分类化度量学习；因此在特征提取时可提高图像精度，降低误识率，同时分类化度量学习的时间复杂度也较低。杂度也较低。杂度也较低。

【技术实现步骤摘要】
人脸识别的特征提取分类度量学习方法、系统及存储介质


[0001]本专利技术涉及人脸识别领域，特别涉及一种人脸识别的特征提取分类度量学习方法、系统及存储介质。

技术介绍

[0002]人脸识别技术作为最重要的身份辨认技术，具有非接触性、实时性以及安全性等特点，目前广泛运用于智能安防、移动支付等众多科技领域。人脸图像特征提取是人脸识别的关键步骤，随着深度学习与计算机视觉技术的迅速发展，卷积神经网络的自学习特征提取与人为设计特征提取相比，具有更高的准确率和泛化能力。
[0003]目前通用的人脸识别神经网络中，存在如下缺陷：
[0004]广泛使用的人脸图像特征提取操作能够较好提取人脸特征，但是特征图具有一定的稀疏性，并且常用的全局平均、最大以及随机池化操作会加重其特征图稀疏性，而过于稀疏的特征图会损失图像特征而导致误识率高。
[0005]损失函数在深度神经网络中扮演着至关重要的角色，对比损失函数和三元组损失函数这常用的两种度量学习损失函数，基于度量学习(相似度学习)的损失函数存在着取样复杂的问题，以至于神经网络的训练难度被大幅提高。

技术实现思路

[0006]本专利技术的提供一种人脸识别的特征提取分类度量学习方法、系统及存储介质，在特征提取时可提高图像精度，降低误识率，同时分类化度量学习的时间复杂度也较低。
[0007]第一方面，提供一种人脸识别的特征提取分类度量学习方法，包括以下步骤：
[0008]获取已检测对齐的初始人脸图像；
[0009]对所述初始人脸图像进行初始特征提取处理，获取待映射的人脸特征图；
[0010]通过ThetaMEX函数对所述人脸特征图进行映射处理，获取映射特征图。
[0011]通过分类化损失函数对所述映射特征图进行分类化度量学习。
[0012]根据第一方面，在第一方面的第一种可能的实现方式中，所述“对所述初始人脸图像进行初始特征提取处理，获取待映射的人脸特征图”步骤，具体包括以下步骤：
[0013]将卷积核在所述初始人脸图像上从初始位置滑动至末尾位置，获取特征提取矩阵数据；
[0014]将所述特征提取矩阵数据进行数据归一化处理；
[0015]通过非线性ReLU函数对归一化处理后的所述特征提取矩阵数据进行非线性变换，获取待映射的人脸特征图。
[0016]根据第一方面的第一种可能的实现方式，在第一方面的第二种可能的实现方式中，所述“通过ThetaMEX函数对所述人脸特征图进行映射处理，获取映射特征图”步骤，具体包括以下步骤：
[0017]根据以下公式，获取映射特征图feature：
[0018][0019]式(1)中，featurek为ThetaMEX函数输出的第k个映射特征图，M为人脸特征图的宽，N为人脸特征图的高，为输入的第k张人脸特征图中的第i行第j列的特征值，θ
k
为第k个ThetaMEX函数算子的超参数。
[0020]根据第一方面的第二种可能的实现方式，在第一方面的第三种可能的实现方式中，所述“通过分类化损失函数对所述映射特征图进行分类化度量学习”步骤，具体包括以下步骤：
[0021]分类化损失函数包括分类化对比损失函数及分类化三元组损失函数；
[0022]通过分类化对比损失函数对所述映射特征图进行分类化度量学习；或者，
[0023]通过分类化三元组损失函数对所述映射特征图进行分类化度量学习。
[0024]根据第一方面的第三种可能的实现方式，在第一方面的第四种可能的实现方式中，所述“通过分类化对比损失函数对所述映射特征图进行分类化度量学习”步骤，具体包括以下步骤：
[0025]通过以下分类化对比损失函数对所述映射特征图进行分类化度量学习；
[0026][0027]式(2)中，N为映射特征图的数量，为特征向量，为权重矩阵第i列的列向量，为的转置矩阵，margin为预设阈值。
[0028]根据第一方面的第四种可能的实现方式，在第一方面的第五种可能的实现方式中，所述“通过分类化三元组损失函数对所述映射特征图进行分类化度量学习”步骤，具体包括以下步骤：
[0029]通过以下分类化三元组损失函数对所述映射特征图进行分类化度量学习；
[0030][0031]式(3)中，为映射特征图的锚点，为锚点特征向量，W
p
为与锚点同类的映射特征图，为与锚点特征向量相似的权重矩阵的列向量，W
n
为与锚点不同类的映射特征图，为与锚点特征向量不相似的权重矩阵的列向量，margin为预设阈值。
[0032]根据第一方面的第五种可能的实现方式，在第一方面的第六种可能的实现方式中，所述“获取已检测对齐的初始人脸图像”步骤之前，具体包括以下步骤：
[0033]控制摄像头对人像目标物进行拍照，获取人像视频流，并检测裁剪人像视频流中的待调整人脸图像；
[0034]将所述待调整人脸图像调整对齐摄像头，获取初始人脸头像。
[0035]第二方面，提供一种人脸识别的特征提取分类度量学习系统，包括：
[0036]初始人脸图像获取模块，用于获取已检测对齐的初始人脸图像；
[0037]待映射的人脸特征图获取模块，与所述初始人脸图像获取模块通信连接，用于对所述初始人脸图像进行初始特征提取处理，获取待映射的人脸特征图；
[0038]映射特征图获取模块，与所述待映射的人脸特征图获取模块通信连接，用于通过ThetaMEX函数对所述人脸特征图进行映射处理，获取映射特征图。
[0039]分类化度量学习模块，与所述映射特征图获取模块通信连接，用于通过分类化损失函数对所述映射特征图进行分类化度量学习。
[0040]根据第二方面，在第二方面的第一种可能的实现方式中，包括：检测对齐模块，与所述初始人脸图像获取模块通信连接，用于控制摄像头对人像目标物进行拍照，获取人像视频流，并检测裁剪人像视频流中的待调整人脸图像；将所述待调整人脸图像调整对齐摄像头，获取初始人脸头像。
[0041]第三方面，提供一种存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如上述所述的人脸识别的特征提取分类度量学习方法。
[0042]与现有技术相比，本专利技术的优点如下：首先获取已检测对齐的初始人脸图像；然后对所述初始人脸图像进行初始特征提取处理，获取待映射的人脸特征图；再通过ThetaMEX函数对所述人脸特征图进行映射处理，获取映射特征图，ThetaMEX函数的参数的取值可自适应映射至极大值与极小值间的任意值，因此能够自由控制该ThetaMEX函数的输出，对特征图的稀疏性进行控制，获得的映射特征图能提高图像精度，降低误识率；再通过分类化损失函数对所述映射特征图进行分类化度量学习，能够在损失函数进行度量学习的基础上引入分类化思想，而分类损失只需要事先对多个样本提取一个类中心作为“模拟类”，再将样本与“模拟类”进行比对，因此函数的时间复杂度较低，不需每次都同时采样两本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种人脸识别的特征提取分类度量学习方法，其特征在于，包括以下步骤：获取已检测对齐的初始人脸图像；对所述初始人脸图像进行初始特征提取处理，获取待映射的人脸特征图；通过ThetaMEX函数对所述人脸特征图进行映射处理，获取映射特征图。通过分类化损失函数对所述映射特征图进行分类化度量学习。2.如权利要求1所述的人脸识别的特征提取分类度量学习方法，其特征在于，所述“对所述初始人脸图像进行初始特征提取处理，获取待映射的人脸特征图”步骤，具体包括以下步骤：将卷积核在所述初始人脸图像上从初始位置滑动至末尾位置，获取特征提取矩阵数据；将所述特征提取矩阵数据进行数据归一化处理；通过非线性ReLU函数对归一化处理后的所述特征提取矩阵数据进行非线性变换，获取待映射的人脸特征图。3.如权利要求1所述的人脸识别的特征提取分类度量学习方法，其特征在于，所述“通过ThetaMEX函数对所述人脸特征图进行映射处理，获取映射特征图”步骤，具体包括以下步骤：根据以下公式，获取映射特征图feature：式(1)中，featurek为ThetaMEX函数输出的第k个映射特征图，M为人脸特征图的宽，N为人脸特征图的高，为输入的第k张人脸特征图中的第i行第j列的特征值，θ
k
为第k个ThetaMEX函数算子的超参数。4.如权利要求1所述的人脸识别的特征提取分类度量学习方法，其特征在于，所述“通过分类化损失函数对所述映射特征图进行分类化度量学习”步骤，具体包括以下步骤：分类化损失函数包括分类化对比损失函数及分类化三元组损失函数；通过分类化对比损失函数对所述映射特征图进行分类化度量学习；或者，通过分类化三元组损失函数对所述映射特征图进行分类化度量学习。5.如权利要求4所述的人脸识别的特征提取分类度量学习方法，其特征在于，所述“通过分类化对比损失函数对所述映射特征图进行分类化度量学习”步骤，具体包括以下步骤：通过以下分类化对比损失函数对所述映射特征图进行分类化度量学习；式(2)中，N为映射特征图的数量，为特征向量，为权重矩阵第i列的列向量，为的...

【专利技术属性】
技术研发人员：陈侃松，姚福娟，许立君，
申请(专利权)人：湖北大学，
类型：发明
国别省市：