[发明专利]一种在线学习的人脸识别方法

说明书

本发明公开了一种在线学习的人脸识别方法，属于计算推算的技术领域，尤其涉及人脸识别的计算机视觉技术领域。该方法利用外部数据集训练人脸特征提取器，提取本地数据集中各成员对应的参考特征以构成参考特征空间，对比待测试样本的特征向量和参考特征以确定与待测试样本的特征向量最相似的参考特征，在与待测试样本的特征向量最相似的参考特征满足阈值要求时，以与待测试样本的特征向量最相似的参考特征所属成员的身份为待测试样本的身份，否则，返回待测试样本身份识别失败的消息，根据待测试样本的预测特征向量与其在参考特征空间中对应的真实特征向量的差异更新参考特征空间，适应人脸特征随时间推移发生的变化，尤其适合频繁变更成员的场合。

技术领域

本发明公开了一种在线学习的人脸识别方法，属于计算推算的技术领域，尤其涉及人脸识别的计算机视觉技术领域。

背景技术

人脸识别技术已经广泛运用于门禁、安检、监控等方面，其主要任务是区分数据库中的不同个体并拒绝数据库之外的个体。在实际应用中，人的相貌特征会受到装扮、表情的影响且因姿势、光照而变化，同一个人的正面图片也会随时间的推移而出现不同。为增加算法的鲁棒性，在识别过程中，有必要在特定情况下更新模型。传统的方法是重新收集样本再次训练，这种做法费时费力，难以操作。我们希望人脸识别设备在运行时可以自行调整模型且适应数据集的变化，因此，迫切需要一种操作简单且效果良好的在线学习方法。

现有的在线学习方法通过提取人脸的浅层特征(如：Haar特征、LBP特征)进行比对，在视频中识别并跟踪给定的人脸。在这种应用场景下，把目标人脸和周围的一个或多个人脸区分开，只需要辨别很少的样本；同时，在视频包含的小段时间内，人脸特征变化较小，因此，图像的浅层特征可以在一定程度上表征人脸特征。但是，人脸门禁、考勤等任务需要分辨包含数百人的数据库，在相当长的一段时间内，每个人的相貌都会有所改变，浅层特征难以处理如此复杂的任务。

深度神经网络提高了模型的辨识度，但网络的训练耗费大量的运算资源和时间，变更模型时需要将在离线服务器上训练好的模型重新导入人脸识别设备；另一方面，神经网络结构固定，增加/删除成员时同样需要再次训练，为实际应用带来不便。为使人脸识别技术的使用更灵活且使用范围更广，需要一种简便精确的在线学习方法。

发明内容

本发明的发明目的是针对上述背景技术的不足，提供了一种在线学习的人脸识别方法，以有限的计算资源和简便的操作流程在终端设备实现了模型的训练和更新，解决了现有人脸识别技术在数据集变化时需重新训练模型的技术问题。

本发明为实现上述发明目的采用如下技术方案：

一种在线学习的人脸识别方法，

建立外部数据集：根据研究机构的公开人脸数据库或自行搜集的数据建立外部数据集，示例性地，人脸数据库可以选择CASIA-WebFace、VGG-FACE等公开数据库；也可以自行在网络上抓取公众人物的图片。每张图片都应含有身份标注，指明该图片属于哪个个体。应当收集尽可能多的个体，每个个体包含尽可能多的样本，同时减少数据集中错误标注样本的数量。样本数量和类别数量的增加会提高训练精度，且不会改变人脸特征提取器的结构或增加训练难度；

建立本地数据集：假设由m个人组成本地成员集合U＝{u₁,u₂,...,u_m}，给U中的每个成员u_i拍摄n张对应的人脸样本{x_i1,x_i2,...,x_in}，优选地，人脸样本应该是光照正常、表情自然的照片，当条件允许拍摄多张图片时，可以关注表情和姿态的多样性；