[发明专利]一种宠物面部识别方法

权利要求书

1.一种宠物面部识别方法，其特征在于：所述方法包括以下步骤：

S1：初始化宠物面部分类器，包括分类器结构初始化和分类器权重初始化；

S2：获取图像数据，通过网络爬虫和实地相机采集；

S3：对数据进行分类和标记；

S4：对图像数据进行面部对齐；

S5：迭代更新分类器；

S6：判断分类器是否达到精度要求，若是，则保存当前参数并结束程序，若否，则继续训练。

2.根据权利要求1所述的一种宠物面部识别方法，其特征在于：所述步骤S1包含以下步骤：

S1.1：初始化宠物面部分类器结构，所述分类器结构为FaceNet；

S1.2：用初始化函数初始化分类器权重，使用了FaceNet作者在其自己的数据集上训练所得的预训练模型。

3.根据权利要求1或2所述的一种宠物面部识别方法，其特征在于：所述步骤S2包括以下步骤：

S2.1：采用人工实地相机采集的方法补充图像数据；

S2.2：采用网络爬虫的方法从互联网爬取对应需求的图像数据。

4.根据权利要求1或2所述的一种宠物面部识别方法，其特征在于：所述步骤S3包括以下步骤：

S3.1：手动对采集到的图片数据进行标注和分类；

S3.2：将数据分为训练数据和测试数据。

5.根据权利要求1或2所述的一种宠物面部识别方法，其特征在于：所述步骤S4包括以下步骤：

S4.1：使用Viola-Jones方法探测面部区域，过程如下：

4.1.1，利用Haar特征描述人脸的共有属性；

4.1.2，建立一种称为积分图像的特征，并且基于积分图像获取几种不同的矩形特征，积分图像的原理，即对于图像中的任何一点，该点的积分图像值等于位于该点左上角的所有像素之和，表达式如下：

并且，积分图像满足如下关系：

I(x,y)＝f(x,y)+I(x-1,y)+I(x,y-1)-I(x-1,y-1)

其中，I表示积分图像，f表示原来的图像，x,y,x’,y’表示像素的位置，所以一张图像的积分图像记录了这张图像上每一个像素点其左上角所有像素的和，VJ人脸检测算法用到了三种不同的矩形特征，分别是二邻接，三邻接，四邻接矩形；

4.1.3，利用Adaboost算法进行训练，AdaBoost就是将一系列的”弱”分类器通过线性组合，构成一个”强”分类器，如下所示：

h(x)就是一个”强”分类器，而h_j(x)就是”弱”分类器，h_j(x)其实是一个简单的阈值函数:

θ_j就是阈值，s_j∈{-1,1}以及系数α_j都由训练的时候确定；

4.1.4，建立层级分类器；

S4.2：采用回归树方法从稀疏子集内获取面部特征点坐标，通过此方式获得64个脸部特征点；

S4.3：在特征点的基础上建立覆盖面部的三角网格，在上面64个脸部特征点的基础上，在脸部正方形边界上再放置64个特征点，将这些特征点相连接，会得到一个覆盖面部的三角形网格；

S4.4：通过矩阵函数扭曲网格，达到面部对齐效果，即两只眼睛处于同一水平线上且左眼位置固定。

6.根据权利要求1或2所述的一种宠物面部识别方法，其特征在于：所述步骤S5包括以下步骤：

S5.1：根据FaceNet独有的三元组损失函数对采集到的宠物图片中的训练集数据进行批次组合；三元组损失函数定义为：

其中，J表示损失函数值，m是样本数量，D_ia,ip表示目标样本和正样本之间特征的距离，D_ia,in表示目标样本和负样本之间特征的距离，ia表示第i个目标样本，ip表示第i个正样本，in表示第i个负样本，α表示补充量；

S5.2：将宠物图片中的训练集数据按批次输入到S1步骤中得到的预训练模型中进行参数微调。

7.根据权利要求1或2所述的一种宠物面部识别方法，其特征在于：所述步骤S6包含以下步骤：

S6.1：使用测试数据集对微调后的分类器进行精度测试，测试方法如下：

第一步，将图库所有图片提取提取成128维的特征向量后，存入对比数据库中。

第二步，将需测试的某张图片输入，提取出其特征向量。

第三步，将测试图片的特征向量分别与图库中的特征向量做差，得出欧氏距离。

第四步，对所求出的欧氏距离进行由小到大的排序，取top1的标签为最终识别结果。

第五步，若此标签和测试图片的标签相同则识别成功，否则，识别失败。

S6.2：若精度达到要求，则结束程序，所未到达精度要求，则重回S5。