[发明专利]一种基于多任务卷积神经网络的人脸检索方法

说明书

本发明公开了一种基于多任务卷积神经网络的人脸检索方法，包括步骤：对于任意一张人脸影像，检测获取其中人脸位置和关键点位置；对人脸影像进行预处理操作；预先建立多任务卷积神经网络，然后进行训练；将所述经过预处理操作的人脸影像输入到所述完成训练的多任务卷积神经网络中；预先建立人脸特征数据库；将人脸影像与人脸特征数据库进行身份特征相似度计算，获得候选人脸影像列表；计算人脸影像与候选人脸影像的多个属性特征表达向量相似度；归一化处理并融合；按照融合相似度得分进行排序，获得检索结果。本发明可保证对人脸影像高质量识别，快速、有效地对大量的人脸影像进行对应的用户身份识别判断，满足人们对人脸识别功能的要求。

技术领域

本发明涉及人工智能、模式识别和数字图像处理等技术领域，特别是涉及一种基于多任务卷积神经网络的人脸检索方法。

背景技术

目前，随着人类科学技术的不断发展，人脸识别技术在人们日常生活中越来越普及，无论在人工智能研究还是公共安全应用方面，人脸识别技术一直是一项前沿、热门技术，拥有举足轻重的地位。

作为生物特征识别技术的一类，人脸识别由于其非接触性以及采集方便的特点，具有良好的发展和应用前景。人脸识别技术在诸多应用场景中都发挥了十分重要的作用，比如机场安检，边检通关等。近几年随着互联网金融的高速发展，人脸识别技术在移动支付上表现出极大的应用优势。人脸识别的目的是根据获取的用户人脸图像或视频得知用户的身份。目前，人脸识别技术在室外非受控环境下仍无法满足实用要求，其主要难点在于光照变化、用户姿态表情变化、年龄体型变化及遮挡。

近年来，深度学习在机器视觉的众多领域都取得了令人瞩目的效果。其中最为瞩目的模型当属卷积神经网络，该类模型使用多层卷积层与池化层，可以抽取图像或视频数据中有效的层级化特征，实现较强的非线性表达。卷积神经网络在物体分类，动作识别，图像分割以及人脸识别等领域，均取得了显著强于传统方法的效果。在一些低层视觉问题中，例如图像去噪、图像超分辨率增强和图像去模糊等问题中，深度学习技术也都取得了不错的效果。在人脸识别领域，基于神经网络与深度学习的人脸识别方法也由于其优异的性能而备受关注，目前国内外领先的人脸识别算法大多基于深度学习模型。基于深度学习的人脸识别方法通常分为两个步骤：首先使用神经网络模型对输入的人脸图像计算一个特征表达；然后根据特征表达间的相似性得到人脸图像的。

但是，着大数据时代的来临，人们需处理的数据规模往往非常大。随着数据库容量的增大，数据库中出现相似人脸的可能性会随之升高，基于现有的人脸识别方法进行人脸识别时，随人脸一一验证而出现误识别的几率大大增加，无法满足人们对人脸识别的快速、准确的识别要求，人脸识别的整体工作效率和工作质量低，降低了人们的使用感受。

因此，目前迫切需要开发出一种技术，其可以保证对人脸影像(包括人脸图像和视频)进行高质量识别的同时，快速、有效地对大量的人脸图像进行对应的用户身份识别判断，满足人们对人脸识别功能的要求，提高人脸识别的整体工作效率和工作质量，节约人们宝贵的时间。

发明内容

有鉴于此，本发明的目的是提供一种基于多任务卷积神经网络的人脸检索方法，其可以保证对人脸影像进行高质量识别的同时，快速、有效地对大量的人脸影像进行对应的用户身份识别判断，满足人们对人脸识别功能的要求，提高人脸识别的整体工作效率和工作质量，节约人们宝贵的时间，有利于提高人们的产品使用感受，具有重大的生产实践意义。

为此，本发明提供了一种基于多任务卷积神经网络的人脸检索方法，包括以下步骤：

第一步：对于需要进行人脸识别的任意一张人脸影像，检测获取其中的人脸位置，并根据所获取的人脸位置，检测获取人脸影像的关键点位置；

第二步：根据所述人脸影像的人脸位置和关键点位置，对所述人脸影像进行预处理操作；