[发明专利]基于中心损失和残差视觉仿真网络的人脸识别方法及装置

说明书

本发明公开了基于中心损失和残差视觉仿真网络的人脸识别方法及装置，该方法包括：构建基于中心损失函数的残差视觉仿真网络框架；将训练库人脸图像进行人脸检测和对齐预处理；通过预处理后的所述训练库人脸图像对所述残差视觉仿真网络进行训练，生成残差视觉仿真网络模型；通过所述残差视觉仿真网络模型，进行人脸识别。本发明在对待识别人脸图像进行识别时，可以不受外界环境条件变化的影响，对待识别人脸图像进行人脸检测和对齐预处理，能够通过残差连接的方式加速训练，提升性能；而中心损失在增加特征类间距离的同时，有效地减小类内距离；可以提取更加有区分力的特征用于人脸识别，提高了人脸识别的准确性。

技术领域

本发明涉及图像处理领域，特别涉及一种基于中心损失和残差视觉仿真网络的人脸识别方法及装置。

背景技术

随着社会的不断进步及各方面对于快速有效的自动身份验证的迫切要求，生物特征识别技术在近几十年中得到了飞速的发展。当前的生物特征识别技术主要包括有：指纹识别，虹膜识别，步态识别，人脸识别等。人脸识别，是基于人的脸部特征信息进行身份识别的一种生物识别技术。用摄像机或摄像头采集含有人脸的图像或视频流，并自动在图像中检测和跟踪人脸，进而对检测到的人脸进行脸部的一系列相关技术，通常也叫做人像识别、面部识别。而人脸识别与其他识别方法相比，由于具有直接，友好，方便的特点，使用者无任何心理障碍，易于为用户所接受，从而得到了广泛的研究与应用。随着机器学习和计算机硬件的快速发展，深度学习方法快速兴起，它是一种特征学习方法，通过构建包含多个隐藏层的神经网络模型，使用大规模的样本数据训练来获取表征能力强大的深度特征。卷积神经网络是深度学习方法中使用最为广泛的模型之一，它是受到生物自然视觉认知机制而产生的。

由于卷积神经网络对图像具有高度的位移不变性、缩放不变性、形变不变性等特点，其主要用于二维图像的分类以及识别任务。人脸图像由于经常受到外界环境条件变化的影响，所以其特征往往是高度非线性的，而传统算法因其人工设计特征提取器的局限性，无法提取到这些高度非线性的特征。

发明内容

鉴于上述问题，提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的基于中心损失和残差视觉仿真网络的人脸识别方法及装置。

第一方面，本发明实施例提供一种基于中心损失和残差视觉仿真网络的人脸识别方法，包括：构建基于中心损失函数的残差视觉仿真网络框架；

将训练库人脸图像进行人脸检测和对齐预处理；

通过预处理后的所述训练库人脸图像对所述残差视觉仿真网络进行训练，生成残差视觉仿真网络模型；

通过所述残差视觉仿真网络模型，进行人脸识别。

在一个实施例中，在通过所述残差视觉仿真网络模型，进行人脸识别步骤之前，所述方法还包括：

将测试库人脸图像和待识别的人脸图像，进行人脸检测和对齐预处理；

通过所述残差视觉仿真网络模型，进行人脸识别，包括：

将所述预处理后的测试库人脸图像和待识别的人脸图像，输入所述残差视觉仿真网络模型中，分别提取特征；

根据所述提取特征的余弦相似度，确定所述待识别的人脸图像是否与所述测试库中的人脸图像匹配。

在一个实施例中，所述进行人脸检测和对齐预处理，为基于多任务卷积神经网络进行人脸检测和对齐预处理；所述多任务卷积神经网络由P-Net、R-Net和O-Net，3个网络结构组成；

所述进行人脸检测和对齐预处理，包括：

通过P-Net，获得人脸区域的候选窗口和边界框的回归向量；

R-Net通过边界框回归和NMS去除误检区域；

O-Net输出5个关键点；所述5个关键点包含两只眼睛、鼻尖和两个嘴角；