[发明专利]基于多区域特征与度量学习的人脸特征识别方法及系统

说明书

本发明公开了基于多区域特征与度量学习的人脸特征识别方法及系统，方法包括：通过多尺度人脸区域训练得到相应位置与尺度的卷积神经网络参数，并根据所述卷积神经网络参数提取出人脸对应区域的特征；对上述特征进行筛选，得到高维人脸特征；根据所述高维人脸特征进行度量学习，将特征进行降维处理得到特征表达后定义损失函数，通过所述损失函数训练得到度量学习的网络模型；将待识别的图像输入所述网络模型后，将人脸特征进行降维后利用欧几里得距离进行识别。本发明中通过多尺度选取多区域，对卷积神经网络进行训练，提高了特征的表达能力。同时，通过对获取的多尺度特征进行选择，提高了特征的表达效率，有效地提高了人脸识别的准确率。

技术领域

本发明涉及图像识别和处理领域，特别涉及基于多区域特征与度量学习的人脸特征识别方法及系统。

背景技术

人脸识别技术，是基于人的脸部特征，对输入的人脸图像或者视频流.首先判断其是否存在人脸,如果存在人脸，则进一步的给出每个脸的位置、大小和各个主要面部器官的位置信息。并依据这些信息，进一步提取每个人脸中所蕴涵的身份特征，并将其与已知的人脸进行对比，从而识别每个人脸的身份。人脸识别技术包含三个部分：1)人脸检测,2)人脸跟踪,3)人脸比对。

现有的人脸识别技术中，一种实现方式是通过人脸区域单一尺度/区域训练提取人脸特征+欧氏距离识别，但缺点是提取的特征的表达能力有限，人脸识别的准确率低。另外一种方式是通过人脸多区域训练提取人脸特征+主成分分析(PCA)降维+联合贝叶斯(Joint-Bayesian)方法，但其缺点是识别速度慢。还有一种方式是人脸多区域提取人脸特征+欧氏距离或余弦距离识别，但其缺点是特征维度高，存储空间大。

可见，现今的人脸识别系统大多通过对单个或多个人脸特征区域利用卷积神经网络训练得到网络的权重；然后再根据训练所得网络的权重计算得到人脸特征向量，最后通过对特征向量进行处理获得人脸识别的结果。

发明内容

本发明要解决的技术问题是，提高了特征的表达能力和效率，提高了人脸识别的准确率的基于多区域特征与度量学习的人脸特征识别方法。

解决上述技术问题，本发明提供了基于多区域特征与度量学习的人脸特征识别方法，包括如下步骤：

通过对多尺度人脸区域训练得到相应位置与尺度的卷积神经网络参数，并根据所述卷积神经网络参数提取出人脸对应区域的特征；

对上述特征进行筛选，得到高维人脸特征；

根据所述高维人脸特征进行度量学习，将特征进行降维处理得到降维后特征表达，并定义损失函数，通过所述损失函数训练得到度量学习的网络模型；

将待识别的图像输入所述网络模型后将得到的降维后的人脸特征利用欧几里得距离进行识别。

更进一步，所述多尺度人脸区域训练进一步包括如下步骤：

对于每一张输入的人脸图片进行人脸检测与关键点标注，得到人脸框R和N个人脸关键点位置{P₁,P₂,P₃,…,P_N}；

选取不同位置与尺度的人脸区域进行训练，得到人脸框的不同尺度输入和不同位置输入，得到多位置、多尺度的人脸区域。

具体的选择方式为：比如以人脸框的中心为参考，将人脸框的尺度分别扩大1.3倍、扩大1.69倍、缩小1.3倍，并加上原人脸框，构成人脸框的4种尺度的输入；

以27个人脸关键点为中心，向上下左右各扩展22个像素，即选取45px×45px的区域作为27种不同位置的输入。由此得到了31个多位置、多尺度的人脸区域。分别用这31个不同的区域去训练31个卷积神经网络，得到相应位置与尺度的卷积神经网络参数，用来提取人脸对应区域的特征。