[发明专利]一种真实场景下的基于深度学习的人脸识别方法

说明书

本发明提供一种真实场景下的基于深度学习的人脸识别方法，是为了解决现有真实场景下的人脸识别方法只能解决单一因素影响，而不能解决姿势、光照等因素的影响而提出的，包括：使用一个现有的人脸检测器预测训练数据库中每个图片的人脸位置，并截取保存真实的人脸和非人脸图像；根据人脸图像和非人脸图片降采样得到相应的低分辨率图像；构建生成对抗网络，生成对抗网络包括生成器和鉴别器；生成器进一步包括上采样网络以及优化网络；使用高分辨率人脸、非人脸图像以及对应的低分辨率人脸、非人脸图像对生成对抗网络进行训练；依据鉴别器对从现有的人脸检测器得到的人脸候选区域的得分在输入图片中标记出人脸的位置。本发明适用于人脸的识别检测。

技术领域

本发明涉及人脸识别领域，具体涉及一种真实场景下的基于深度学习的人脸识别方法。

背景技术

随着电子商务等应用的发展，人脸识别成为最有潜力的生物身份验证手段，这种应用背景要求自动人脸识别系统能够对真实场景下的人脸图像具有一定的识别能力，由此所面临的一系列问题使得人脸检测开始作为一个独立的课题受到研究者的重视。此外，真实场景下的人脸识别技术在安防、刑侦、搜救等诸多领域都有迫切的应用需求。

基于人脸检测在机器视觉领域中有非常重要的基础性研究价值以及迫切的应用需求，针对人脸检测的相应技术也在不断发展更新。然而目前的人脸检测方法大多都是在实验室理想状态下的摆拍图像上进行的，这些摆拍图像具有如下特点：第一，人脸较大，且位于图像的中央；第二，背景较为干净简单。然而在现实场景中的图像，人脸通常极其微小而且背景较为复杂，同时可能会受到尺度、姿势、遮挡、表情、妆容、光照等诸多因素的影响。据有关研究表明，这些影响因素的确给真实场景下的人脸识别方法带来了极大的挑战，也对真实场景下的人脸检测的准确率造成了巨大的影响。针对上述问题，一些针对真实场景中的人脸识别方法被相继提出，但是现阶段的这些真实场景下的人脸识别方法只能解决单一因素影响的问题，例如基于生成对抗网络的人脸识别技术可以减轻尺度带来的影响，但是不能解决姿势、光照等其他影响因素的影响；基于人脸对齐法的人脸识别方法可以减轻姿势带来的影响，但是不能解决尺度、模糊等其他因素的影响。

发明内容

本发明的目的是为了解决现有真实场景下的人脸识别方法只能解决单一因素影响，而不能解决姿势、光照等其他影响因素的影响；且基于人脸对齐法的人脸识别方法可以减轻姿势带来的影响，但是不能解决尺度、模糊等其他因素的影响的缺点，而提出一种真实场景下的基于深度学习的人脸识别方法，包括：

步骤一，建立训练数据库；

步骤二，使用人脸检测器预测训练数据库中每一张图像的人脸位置，并截取得到第一高分辨率人脸图像和第一高分辨率非人脸图像；并处理所述第一高分辨率人脸图像以及第一高分辨率非人脸图像得到低分辨率人脸图像以及低分辨率非人脸图像；

步骤三，构建生成对抗网络，所述生成对抗网络包括生成器和鉴别器；其中生成器的输入为步骤二得到的低分辨率人脸图像以及低分辨率非人脸图像，输出为第二高分辨率人脸图像以及第二高分辨率非人脸图像；鉴别器的输入为第一高分辨率人脸图像、第一高分辨率非人脸图像、第二高分辨率人脸图像、第二高分辨率非人脸图像，鉴别器的第一个输出为输入图像属于人脸图像的概率p₁，第二个输出为输入图像是真实图像的概率p₂；其中鉴别器进一步包括依次连接上采样网络以及优化网络，上采样网络为生成器的输入端，上采样网络的输出结果作为优化网络的输入，优化网络为生成器的输出端；

步骤四、使用步骤二中得到的第一高分辨率人脸图像、第一高分辨率非人脸图像、低分辨率人脸图像、低分辨率非人脸图像对所述生成对抗网络进行训练；

步骤五、将待测试的图像输入到所述人脸检测器，得到人脸候选区域，并将人脸候选区域输入到训练好的生成对抗网络中，得到每一个候选区域的图像为人脸的概率p，并在输入图像中画出p大于预设阈值的区域。

本发明的有益效果为：