[发明专利]基于深度卷积模型的黄种人脸识别方法

说明书

技术领域

本发明涉及人工智能技术领域，尤其涉及一种基于深度卷积模型的黄种人脸识别方法。

背景技术

现今，随着计算机视觉的相关理论与应用研究的迅速发展，计算机视觉技术在日常生活中应用的优越性也日益凸显。同时，信息化时代中个体身份的鉴别变得相当重要，它的正确与否和信息安全性息息相关。因此，如何利用计算机视觉在进行身份鉴定的同时确保信息安全已经成为日前炙手可热的关键问题之一。

人脸识别本质上是一种生物基本特征的识别方法，采集手段简单方便、隐蔽性强，于个人信息管理系统、金融消费验证系统、公共场所监控系统、人机对话交互系统等领域均拥有广泛的应用前景。因此，深入研究人脸识别系统于人机交互、安全、娱乐等方面具有重要的理论和实际意义。

目前，已有的人脸识别相关研究取得了较为丰硕的成果，形成了多种识别算法，但在光线和姿态等不断变化的复杂环境条件下，现有算法均存在较大缺陷，极大限制了现有算法的应用范围。

现有主要的人脸识别算法如下：

a)传统方法(通常基于ORL、AR、Yale、PIE等小规模人脸数据集)，因训练规模有限，所得人脸识别器的推广识别能力受限。

b)基于深度学习的方法，基于LFW(主要为西方人)训练库进行人脸识别器训练，因缺少来自东方人的训练样本，因而对亚洲人人脸识别能力受限。

综上所述，现有方法训练得到的人脸识别器因训练规模的限制以及亚洲黄种人人脸训练库的缺失，导致其对黄种人脸识别能力受限严重。

发明内容

本发明提供一种基于深度卷积模型的黄种人脸识别方法，用以解决现有的人脸识别方法不能对黄种人脸进行精准识别的问题。

为了解决上述问题，本发明提供了一种基于深度卷积模型的黄种人脸识别方法，包括如下步骤：

步骤1：采用深度卷积网络对从LFW数据库中采集的西方人脸图像进行预训练，建立人脸识别初始模型，其具体步骤如下：

aa)从LFW数据库中获取1万张西方人脸图像；

ab)采用Adaboost算法对每张西方人脸图像中的人脸区域进行检测，并对检测到的人脸区域进行抠取处理，以删除每张西方人脸图像的中的非人脸区域；

ac)采用Landmarks算法对每张经过抠取处理的西方人脸图像进行人脸对齐处理；

ad)将每张经过人脸对齐处理的西方人脸图像的像素缩放至100×100；

ae)采用深度卷积网络对经缩放处理的西方人脸图像进行训练，建立人脸识别初始模型；

步骤2：采用人脸识别初始模型对黄种人脸图像进行精训练，建立黄种人脸识别模型，其具体步骤如下所示：

ba)从网络上获取2万张黄种人脸图像；

bb)采用Adaboost算法对每张黄种人脸图像中的人脸区域进行检测，并对检测到的人脸区域进行抠取处理，以删除每张黄种人脸图像的中的非人脸区域；

bc)采用Landmarks算法对每张经过抠取处理的黄种人脸图像进行人脸对齐处理；

bd)将每张经过人脸对齐处理的黄种人脸图像的像素缩放至100×100；

be)将经过缩放处理的黄种人脸图像放入所述人脸识别初始模型中进行训练，建立黄种人脸识别模型；

步骤3：采用所述黄种人脸识别模型对一待识别的人脸图像进行识别，其具体步骤如下所示：

ca)获取一待识别的人脸图像；

cb)采用Adaboost算法对所述待识别的人脸图像中的人脸区域进行检测，并对检测到的人脸区域进行抠取处理，以删除所述待识别的人脸图像的中的非人脸区域；

cc)采用Landmarks算法对经过抠取处理的待识别的人脸图像进行人脸对齐处理；

cd)将经过人脸对齐处理的待识别的人脸图像的像素缩放至100×100；

ce)采用所述黄种人脸识别模型对经过缩放处理的待识别的人脸图像进行识别，以提取所述待识别的人脸图像的面部特征。

本发明提供的基于深度卷积模型的黄种人脸识别方法，首先对基于LFW人脸库的人脸图像进行深度卷积模型(CNN)的预训练(pre-training)，建立人脸识别的初始模型，然后采用所述人脸识别的初始模型对基于网络下载的黄种人脸图集进行深度人脸模型的精细训练(fine-tuning)，借助以上迁移学习技术，训练得到识别能力更强大的黄种人识别模型，从而大大提高了人脸识别器对亚洲黄种人脸识别能力。

附图说明