[发明专利]一种基于生成对抗网络的微小人脸识别方法

说明书

本发明提供一种基于生成对抗网络的微小人脸识别方法。本发明是为了解决现阶段的人脸检测技术无法捕获复杂背景下的微小人脸，当基于失真的图像进行人脸检测时会导致检测率严重下降的缺点而提出的，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；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，具体涉及一种基于生成对抗网络的微小人脸识别方法。

背景技术

人脸检测是机器视觉领域中一个非常重要的基础性研究课题，它是人脸稀疏化(face parsing)、人脸鉴定(face verification)、人脸标注(face tagging)等高级任务的基础技术。此外人脸识别在好友推荐、相册自动标注、安防与反恐领域，发挥着越来越重要的作用，同时，人脸识别技术还可以广泛应用在企业，机场，超市，军队，航天等多个重要的行业领域，也为现代身份鉴定提供了一个良好的解决方案，具有广泛的应用前景。

由于人脸检测技术具有重要的理论研究价值和迫切的实际应用需求，针对人脸检测的相应技术也在不断发展跟新，大致分为两类：基于手工特征的人脸检测传统方法和基于深度学习的现代人脸检测方法。

人脸检测作为一个基础性研究课题，在过去的几十年中有多种人脸检测方法相继被提出。其中，在基于手工特征的传统方法中，最具有代表性的方法是给定一张被检测图片，利用滑动窗口的方法对整个图像进行一次遍历。由于被检定人脸可能出现在图像中的任何位置，且人脸的尺寸、宽高比都是不确定的，所以需要设计不同尺度的、不同宽高比的窗口多次在被检测图像上滑动。这种传统的穷举的方法总会找到人脸出现的位置(称为候选区域)。但是这种方法却有着明显的缺点：如果滑动窗口尺度和宽高比较少、步长太大，则不能检测到所有的人脸；如果滑动窗口尺度和宽高比较多且步长小，则导致冗余窗口太多、耗时太长，不能满足实际应用中实时性的需求。通过滑动窗口选定每一个候选区域后，传统方法采用手工的方式提取这些候选区域的特征(称为浅层特征)，常见的方法有尺度不变特征转换提取分析法(Scale-invariant feature transform,SIFT)、哈尔特征法(Haar-likefeatures)、方向梯度直方图特征提取法(Histogram of Oriented Gradient,HOG)、局部二值特征提取法(Local Binary Pattern,LBP)等。为了提高识别定位精度，通常会融合上述多种特征提取法产生的特征作为候选区域的特征。最后，设计一个分类器来识别各个候选区域的类别(脸/非脸)，常见的分类器有：支持向量机(Support Vector Machine,SVM)，自适应增强法(Adaptive Boosting,AdaBoost)等，基于传统方法人脸检测的流程图如图1所示。传统的“滑动窗口+人工提取特征+浅层分类器”的框架，由于过多的冗余窗口和特征表达能力较弱(浅层特征)导致计算速度和检测精度都不能满足实际需求。