[发明专利]基于证件照与现场照的人脸识别方法及系统

权利要求书

1.一种基于证件照与现场照的人脸识别方法，其特征在于包括：

获取目标体的证件照图像与现场照图像；

获取常规图像训练集内样本图像的图像特征，并根据所获取的图像特征，利用机器学习算法和预设的分类损失函数对预先构建的人脸识别模型进行模型训练，得到第一优化模型；

获取证件/现场照图像训练集内样本图像的图像特征，并根据所获取的图像特征，利用机器学习算法和预设的度量学习损失函数对所述第一优化模型进行模型训练，得到第二优化模型；

基于所述第二优化模型，提取所述证件/现场照训练集内每个预设的图像类别对应的所有样本图像的特征向量，并将每个所述图像类别对应平均特征向量作为该图像类别的特征模板；利用K最近邻算法，并根据所述特征模板，获取每个所述图像类别的相似图像类别；

根据所述证件/现场照图像训练集内每类样本图像对应的特征模板，以及每类样本图像各自对应的相似图像类别，利用机器学习算法对所述第二优化模型进行模型训练；

基于模型训练后的第二优化模型，并根据所获取的证件照图像与现场照图像的图像特征，计算所述证件照图像与现场照图像的相似度；

根据所计算的相似度，判断所述证件照图像与现场照图像是否相似；

其中，所述人脸识别模型是基于预设的训练集，并利用机器学习算法构建的图像分类模型；所述训练集包括常规图像训练集和证件/现场照图像训练集。

2.根据权利要求1所述的基于证件照与现场照的人脸识别方法，其特征在于，“根据证件/现场照图像训练集内每类样本图像对应的特征模板，以及每类样本图像各自对应的相似图像类别，利用机器学习算法对所述第二优化模型进行模型训练”的步骤具体包括：

根据所述证件/现场照图像训练集内每类样本图像对应的特征模板，以及该类样本图像对应的相似类别样本图像的特征模板，利用批梯度下降法对所述第二优化模型进行模型训练。

3.根据权利要求1或2所述的基于证件照与现场照的人脸识别方法，其特征在于，在“基于模型训练后的第二优化模型的人脸识别模型，并根据所获取的证件照图像与现场照图像的图像特征，计算所述证件照图像与现场照图像的相似度”的步骤之前，所述方法还包括：

检测图像中是否包含人脸，

若包含人脸，则获取所述图像中的人脸关键点；

根据所获取的人脸关键点对所述图像进行对齐和裁剪处理；

其中，所述图像是所述证件照图像、现场照图像或所述训练集内的样本图像。

4.一种基于证件照与现场照的人脸识别系统，其特征在于包括：

图像获取模块，其配置为获取目标体的证件照图像与现场照图像；

相似度计算模块，其配置为基于人脸识别模型并且根据所述图像获取模块所获取的证件照图像与现场照图像的图像特征，计算所述证件照图像与现场照图像的相似度；

相似度判断模块，其配置为根据所述相似度计算模块所计算的相似度，判断所述证件照图像与现场照图像是否相似；

其中，所述人脸识别模型是基于预设的训练集，并利用机器学习算法构建的图像分类模型；所述训练集包括常规图像训练集和证件/现场照图像训练集；

所述人脸识别模型包括模型训练单元；所述模型训练单元包括：

预学习子单元，其配置为获取所述常规图像训练集内样本图像的图像特征，并根据所获取的图像特征，利用机器学习算法和预设的分类损失函数对人脸识别模型进行模型训练，得到第一优化模型；

迁移学习子单元，其配置为获取所述证件/现场照图像训练集内样本图像的图像特征，并根据所获取的图像特征，利用机器学习算法和预设的度量学习损失函数对所述第一优化模型进行模型训练，得到第二优化模型；

精细学习子单元，其配置为基于所述第二优化模型，提取所述证件/现场照训练集内每个预设的图像类别对应的所有样本图像的特征向量，并将每个所述图像类别对应平均特征向量作为该图像类别的特征模板；利用K最近邻算法，并根据所述特征模板，获取每个所述图像类别的相似图像类别；根据所述证件/现场照图像训练集内每类样本图像对应的特征模板，以及每类样本图像各自对应的相似图像类别，利用机器学习算法对所述第二优化模型进行模型训练。