一种基于质量感知的人脸识别方法技术

本发明专利技术公开了一种基于质量感知的人脸识别方法，其特点是该方法包括：删除训练集中与测试集重合的人物图像；设计基于质量感知的人脸识别训练框架；设计人脸图像质量感知和分类方法；设计分类损失函数；设计用于低质量人脸图像学习的对比损失函数；组合框架中的数据增强模块、特征提取网络、质量感知模块、分类损失和对比损失，并训练至收敛等步骤。本发明专利技术与相应技术相比具有在混合质量数据集的人脸识别任务上通过衡量人脸图像质量，对高质量和低质量图像分别采用不同的学习方法，有助于提升模型在混合质量人脸图像识别任务中获得更好的表现，可以适用于不同图像质量的人脸的识别，提高人脸识别方法在实际应用场景中的适应性和准确率。和准确率。和准确率。

【技术实现步骤摘要】
一种基于质量感知的人脸识别方法


[0001]本专利技术涉及人脸识别
，尤其是一种基于质量感知的人脸识别方法。

技术介绍

[0002]人脸信息是具有不可更改性和唯一性的生物特征信息。随着人工智能技术水平的迅速发展以及经济发展水平的提高，在大数据应用的带领下，人脸识别在智慧城市、安防市场、在线支付等领域得到了广泛的应用，已成为应用最广泛的生物识别技术。现有方法在一些高质量图像数据集上取得了较高的准确率。但实际应用中，由于图像采集受到设备、天气、光照等诸多因素的影响，人脸图像质量参差不一，现有方法难以兼顾不同质量的人脸图像的特性，实际识别准确率会大大降低。
[0003]经过研究人员数十年的努力，现有方法对于高质量人脸图像识别的性能已经相对令人满意，但相关方法应用于低质量图像时，准确率下降明显。为解决低质量人脸识别问题，研究人员提出质量无关方法，试图使用预训练的高质量模型去学习低质量图像。但由于其丢失了部分具有较好区分性的信息，导致在高质量数据上的识别效果降低。其它一些方法通过在训练过程中降低低质量图像权重的方式，减少低质量图像对模型训练的影响，但这违背了学习低质量图像这一目标。另外一类方法使用额外的超分辨率模块，对低质量图像进行重建，然后在重建后的图像上进行人脸识别，提高准确率。但是，这类方法需要额外训练超分辨率模块，不能实现端到端的网络架构，且训练和测试开销较大。此外，超分辨率模块的训练仍然需要一个训练好的特征提取模块，以实现高质量图像的重建。
[0004]现有技术的人脸识别都是针对单一质量人脸图像(如高质量或低质量)识别任务进行学习，训练得到的模型在不同质量图像上的识别效果会明显降低。较好解决了在实际应用场景(如视频监控)中受距离、光照、遮挡等因素影响，拍摄到的人脸图像质量参差不齐，难以同时针对不同质量的图像进行相应调整，大大降低了人脸识别方法在不同应用场景中的适用性，人脸识别的准确率低的问题，具有广泛的应用前景和商业价值。

技术实现思路

[0005]本专利技术的目的是针对现有技术的不足而提供的一种基于质量感知的人脸识别方法，采用人脸图像质量感知和分类方法，构建一种基于质量感知的人脸识别训练框架，该训练框组合了用于高质量人脸图像学习的分类损失函数和用于低质量人脸图像学习的对比损失函数，在模型训练过程中预先估计人脸图像质量，对不同质量的图像采用不同的训练方法，使得最终得到的模型能同时适用于不同质量的人脸图像特征提取，实现了优于现有人脸识别算法的效果。组合框架中的数据增强模块、特征提取网络、质量感知模块、分类损失和对比损失，并训练至收敛。该方法在混合质量数据集的人脸识别任务上通过衡量人脸图像质量，对高质量和低质量图像分别采用不同的学习方法，有助于提升模型在混合质量人脸图像识别任务中获得更好的表现，可以适用于不同图像质量的人脸的识别，提高人脸识别方法在实际应用场景中的适应性和准确率。
[0006]实现本专利技术的具体技术方案是：一种基于质量感知的人脸识别方法，其特点是鉴于不同质量人脸图像的特性，采用人脸图像质量感知和分类方法，设计了一种基于质量感知的人脸识别训练框架，以及用于高质量人脸图像学习的分类损失函数，实现不同图像质量的人脸识别，具体包括下述步骤；
[0007]步骤S1：数据集的采集
[0008]下载公开的人脸数据集，包括高质量和低质量人脸图像，避免训练集和测试集中的图像人物交叉，以实现开放数据集测试。
[0009]步骤S2：对数据集的处理
[0010]对每张图片进行人脸检测并定位，将人脸图像部分裁剪，然后进行标准化处理。对于训练集和测试集都按同一过程处理，保证一致性。
[0011]步骤S3：人脸识别模型的构建
[0012]设计一种基于质量感知的人脸识别模型，该模型结合分类学习和对比学习框架，包括：数据增强模块Aug、用于提取特征的躯干网络F、图像质量感知模块z、使用特征进行分类的分类损失模块L
class
，以及用于对比学习的对比损失L
contra
。为更好学习不同质量的人脸图像，本专利技术基于图像质量感知模块z在每一批次的学习过程中，估计输入图像的质量，分为高质量和低质量图像。对于高质量图像，采用分类损失L
contra
进行学习；对于低质量图像，采用对比损失L
class
进行学习，模型使用两个损失进行约束。
[0013]步骤S4：图像质量感知模块z的设计
[0014]对第i幅输入图像，通过特征提取网络，计算其特征向量h
i
，使用特征向量的模z
i
＝||h
i
||作为图像质量指示器，根据z
i
的值，将一批次输入的所有图像分为高质量和低质量图像。
[0015]步骤S5：分类损失函数的学习
[0016]对于高质量图像使用下述(a)式分类损失函数L
contra
进行学习；
[0017][0018]其中，cos(θ
j
)为两个特征向量的余弦相似度，
[0019]3j
是分类层权重的第j列，可以代表第j个人脸类别；θ
j
是图像特征副本h与3
j
在高维空间中的夹角；s是调整Softmax函数输出分布的尺度参数；exp是以常数e为底的指数函数；B是一个训练批次中的样本数量。
[0020]步骤S6：对比损失函数的学习
[0021]对于低质量图像，使用下述(b)式对比损失函数进行学习：
[0022][0023]其中，cosh1,h2)为两个特征向量的余弦相似度，h
G
、h
k
分别为输入图像和图像增强后的特征向量，y
G
为图像的标签；s为调整Softmax函数输出分布的
尺度参数；exp是以常数e为底的指数函数；Q是样本对的数量。
[0024]对比损失在训练过程中促进不同人物的图像产生更大的区分，同时对同一人物的同一图像要求能够具有鲁棒识别。这为人脸识别带来了更好的泛化性，尤其对于难以识别的低质量图像可以实现更好的特征学习效果。
[0025]步骤S7：人脸识别模型的训练
[0026]组合训练框架，包括特征提取躯干网络、质量感知模块、分类损失和对比损失，训练人脸识别模型至收敛。
[0027]步骤S8：设计恰当的模型评价指标，对人脸识别模型的预测效果进行测试。
[0028]本专利技术与现有技术相比具有通过衡量输入图像的质量，对高质量和低质量图像分别采用不同的学习方法，实现有针对性的学习，可以使模型能同时处理不同质量的人脸识别问题，最终提高混合质量的人脸识别准确率。在对比损失在训练过程中促进不同人物的图像产生更大的区分，同时对同一人物的同一图像要求能够具有鲁棒识别，为人脸识别带来了更好的泛化性，尤其对于难以识别的低质量图像可以实现更好的特征学习效果。
附图说明
[0029]图1为实施例1不同质量的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于质量感知的人脸识别方法，其特征在于，该人脸识别方法具体包括下述步骤：步骤S1：数据集的采集下载公开的高质量和低质量人脸图像作为训练集和测试集，删除训练集中与测试集重合的人物图，实现开放数据集测试；步骤S2：数据集的处理对训练集和测试集中的每张图片进行人脸检测并定位，将人脸图像部分裁剪后进行标准化处理；步骤S3：人脸识别模型的构建构建包括：数据增强模块Aug、图像质量感知模块z、分类损失函数和对比损失函数的人脸识别模型框架，所述数据增强模块Aug为特征提取躯干网络；所述图像质量感知模块z在对大小为的每一批次样本的学习过程中，估计输入的每个样本的图像质量，并将其分为高质量和低质量图像；步骤S4：高、低质量图像的获取对输入图像，通过特征提取躯干网络，计算其特征向量，使用特征向量的模作为图像质量指示器，将一批次输入的所有图像分为高质量和低质量图像；步骤S5：分类损失函数的学习对于高质量图像使用下述(a)式分类损失函数进行学习；其中，cos(θ
j
)为两个特征向量的余弦相似度，W
j
为分类层权重的第3列，代表第3个人脸类别；θ
j
为图像特征副本h与W
j
在高维空间中的夹角；s为调整Softmax函数输出分布的尺度参数；exp是以常数e为底的指数函数；B为训练批次中的样本数量；步骤S6：对比损失函数的学习对于低质量图像，使用下述(b)式对比损失函数进行学习：其中，cosh1,h2)为两个特征向量的余弦相似度，h
q
、h
k
分别为输入图像和图像增强后的特征向量，y
q
为图像的标签；s为调整Softmax函数输出分布的尺度参数；exp是以常数e为底的指数函数；Q是样本对的数量；步骤S7：人脸识别模型的训练组合包括：特征提取躯干网络、图像质量感知模块z、分类损失函数和对比损失函数的训练框架，训练人脸识别模型至收敛。2.根据权利要求1所述基于质量感知的人脸识别方法，其特征在于，所述图像质量感知
模块z对大小为B的一个批次里的每个样本(i＝1,2,
…
,)，通过特征提取网络，计算其特征向量h，且以特征向量的模z＝‖h‖作为衡量图像质量，对所有样本{|i＝1,2,<...

【专利技术属性】
技术研发人员：王峰，宋有哲，孙仕亮，
申请(专利权)人：华东师范大学，
类型：发明
国别省市：