【技术实现步骤摘要】
一种姿态鲁棒的人脸识别方法和装置以及设备
[0001]本专利技术涉及人脸识别
,尤其涉及一种姿态鲁棒的人脸识别方法和装置以及设备
。
技术介绍
[0002]进入深度学习时代以来,度量学习特别是人脸识别取得了巨大的进步
。
这一进步来自于多个方面
。
其一,深度学习摆脱了过去传统机器学习方法中人工设计特征的局限性,充分利用了深度神经网络强大的学习和表征能力,并且能够利用有监督梯度下降方法,自动学习人脸的特征向量
。
其二,学术界在该领域的研究取得了诸多的进展,业界针对人脸识别提出了许多具有针对性的方案
。
业界提出了基于样本对损失函数有
Contrastive Loss、Triplet Loss
,以及后来针对其二者不足学者们又提出了
Cross
‑
batch Memory Loss、Lifted Structure Loss
等等
。
基于
softmax
函数的方案随着
sphere loss
的提出取得了爆发式的进步,随之一系列改进的方案被提出,例如
CosFace,ArcFace
,
Circle Loss
等卓越的工作,这些学术方案使得人脸识别算法大规模应用成为可能
。
其三,人脸识别领域大规模的数据集被提出如:
VGG Face
,
MS
‑
Ce ...
【技术保护点】
【技术特征摘要】
1.
一种姿态鲁棒的人脸识别方法,其特征在于,包括:获取不同视频序列,并从每个视频序列中提取不同角度的人脸姿态数据;对不同角度的人脸姿态数据进行分组,并基于分组建立三分组训练集;构建多表征子空间向量人脸识别网络,并利用三分组训练集对其进行训练得到多表征子空间向量人脸识别模型;利用多表征子空间向量人脸识别模型对不同角度的人脸进行识别
。2.
如权利要求1所述的一种姿态鲁棒的人脸识别方法,其特征在于,不同角度的人脸姿态数据,包括:以正脸数据作为参考角度,获取同一视频序列下,人脸从左侧转动至右侧的过程当中不同角度的侧脸数据
。3.
如权利要求2所述的一种姿态鲁棒的人脸识别方法,其特征在于,所述人脸姿态数据包括:同一序列中的人脸数据,以及,从视频序列中随机提取的静态正脸数据
。4.
如权利要求2所述的一种姿态鲁棒的人脸识别方法,其特征在于,所述人脸姿态数据包括:基于静态正脸数据进行侧脸化的侧脸数据;具体的:将静态正脸数据中的正脸纹理与
3Dmesh
进行绑定;通过调整
3Dmesh
的姿态角度进行重新渲染获得不同角度的侧脸数据
。5.
如权利要求1所述的一种姿态鲁棒的人脸识别方法,其特征在于,对不同角度的人脸姿态数据进行分组,并基于分组建立三分组训练集,具体的:按照人脸角度划分为若干角度范围的组别;在若干组别内随机选取一组别作为
Anchor
组;选取与该
Anchor
组角度差异较大的若干组作为
Positive
组,或,选取与该
Anchor
组角度差异较大的若干组和角度差异较小的若干组中的部分样本提取出来作为
Positive
组;将其他人脸任意组别作为
Negative
组
。6.
如权利要求1所述的一种姿态鲁棒的人脸识别方法,其特征在于,构建多表征子空间向量人脸识别网络,具体的:选择任一人脸识别网络,并设定该人脸识别网络最后一个嵌入层输出
n
个表征向量
。7.
如权利要求1所述的一种姿态鲁棒的人脸识别方法,其特征在于,利用...
【专利技术属性】
技术研发人员:柯凌捷,施荣晓,林冠宇,
申请(专利权)人:厦门真景科技有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。