[发明专利]使用高斯接收场特征的低成本面部识别

说明书

背景技术

面部识别（FR）最近由于它可以实现在其中的多种多样的应用而受到大量关注，所述应用包括信息安全、法律执行、监控和一般图像理解。随着手持数字设备和社交联网的演进，面部识别进入新的纪元并且遭遇新的挑战。已知的FR系统可能牵涉复杂的过程，其要求造成大量成本的非常大的计算和存储器能力，而手持设备通常具有有限的计算能力和存储器资源。这些因素因而可能使FR系统对于较小的设备（例如手持和移动设备）是不切实际的。另外，移动图像和社交网络图像可能最常在不受控的成像条件下取得。事实上，这些不受控的成像条件可能由于如今可得到的数以亿计的面部图像而导致实际上无限的可变性。简单来说，由于不精确的计算、高成本、大存储器覆盖区和高计算开销，常规的FR系统对于较小的、手持和/或移动设备而言可能不是有用的。

附图说明

通过阅读以下说明书和随附权利要求，并且通过参照随附各图，实施例的各种优点将变得对本领域技术人员是显而易见的，其中：

图1是根据实施例的面部识别框架的概览的示例的图示；

图2是根据实施例的用于面部识别的特征学习的流程图的示例的图示；

图3是根据实施例的迭代大规模学习过程的示例的图示；

图4是根据实施例的迭代大规模学习方法的示例；

图5是根据实施例的用于图像识别的大规模训练过程的示例的框图；

图6是根据实施例的面部识别过程的示例；

图7是根据实施例的面部识别系统的示例的框图；

图8是根据实施例的具有导航控制器的系统的示例的框图；以及

图9是根据实施例的具有小形状因子的系统的示例的框图。

具体实施方式

图1示出利用分层特征学习和大规模分类引擎训练二者的面部识别（FR）系统100的概览。系统100可以包括图像输入接口110、去光照器/预处理器120、特征提取器130、特征选择器140、特征数据库150、大规模分类引擎155、特征匹配器160和类似性检测器170。所图示的系统100使得能够实现输入图像105（即面部的输入图像105）的超完备面部特征的使用，以便快速且精确地执行图像105上的面部识别。系统100可以提供低成本（存储器和计算二者）图像分类模型而同时保持高精度（例如超过94%）。为了实现低成本存储器，所图示的系统100采用简单的超完备子集理论特征。为了实现低成本存储器，所图示的系统100在计算集群上的（经充分多样化的）大规模数据集上训练分类器以实现良好的分类泛化能力。大规模数据集可以包括例如“大数据”、或具有过于大和/或复杂以至于由于例如涉及数据的捕获、分析、存储、共享、传播/共享等的问题而无法被传统数据处理应用实际利用的集合的数据。

此外，系统100可以利用分层特征学习和学习分类以：使用高斯接收场（GRF）在归一化的面部图像中从超完备面片提取低级特征；构建针对面部图像的成对特征表示并且将面部识别问题映射到二元分类问题以便确定面部对是否来自相同的主体；以及提供线性分类器（例如经由支持向量机（SVM）），其利用图像分类模型执行具有良好分类泛化能力的图像分类，所述图像分类模型是用交替方向乘数法（ADMM）算法框架在集群上的大规模数据集上训练的。学习分类可以利用引擎来执行成对分类，所述成对分类可以被优化以快速地实现面部识别决定。在至少一些实施例中，系统100可以体现成包括但不限于笔记本计算机、智能平板电脑、个人数字助理（PDA）、移动互联网设备（MID）、无线智能电话、图像捕获设备、媒体播放器等，其中所图示的系统100可以使得能够实现快速且可靠的面部识别应用，包括例如安全认证（例如计算机登录、检查点校验等）、系统认证（例如门或大门访问控制）、监控（例如人群和诸如地铁、机场、购物中心、超市、体育场等之类的高安全性位置的观察）。