[发明专利]基于全变量建模的人脸特征提取方法以及装置

说明书

本发明公开了一种基于全变量建模的人脸特征提取方法以及装置，该方法包括：利用卷积神经网络对输入的人脸图像进行处理，得到局部深度特征的指示变量和局部深度特征集合；根据局部深度特征的指示变量和局部深度特征集合进行通用背景模型的参数估计；根据通用背景模型的参数计算前向‑后向算法统计量；利用统计量训练全变量空间载荷矩阵，得到人脸图像的全变量特征。本发明的上述技术方案，能够降低人脸特征维度的同时尽可能减少信息的损失。

技术领域

本发明涉及人脸识别技术领域，具体来说，涉及一种基于全变量建模的人脸特征提取方法以及装置。

背景技术

人脸特征提取与学习是人脸识别中的关键性问题，大多数优异的人脸识别算法都是围绕人脸特征提取与特征学习进行展开的。一个优异的人脸特征表达往往包含两个特点：鲁棒性和区分性，其中鲁棒性反映人脸特征表达对于人脸姿势，遮挡、年龄等变化具有一定的不变性；区分性则是指人脸特征表达对于不同身份人脸之间的细微表观差异具有敏感性。

相对于将整张人脸图像作为输入提取的人脸特征表达，人脸局部特征是对脸部局部区域特性的描述。常用的人脸特征如：尺度不变特征变换(Scale Invariant FeatureTransform,SIFT)(Lowe,1999)、局部二值模式(Local Binary Pattern,LBP)(Ahonen etal.,2004)以及Gabor特征(Liu et al.,2002)等，用于表征人脸局部区域上的纹理特性，在人脸识研究中卓有成效。然而手工设计特征的提取需要启发式的专业领域知识，很大程度上取决于研究者的经验积累，其特征性能依赖于手工设置的参数。借助于深度学习的自动特征学习能力，许多利用CNN(卷积神经网络，Convolutional Neural Network)进行局部特征提取的方法被提出(Gong et al.,2014；Li et al.,2015；Liu et al.,2014)应用于不同的计算机视觉任务中，并取得了十分突出的性能。这些方法的共同点在于将在整张图像上训练得到的CNN作用于图像的局部区域，将局部区域块的尺寸调整为与原始训练图像一致，得到FC层(全连接层)的激活输出作为局部图像区域的特征表达，最后将一张图像所有局部区域块上提取的特征向量进行拼接或聚合(Gong et al.,2014；Liu et al.,2014)得到整张图像的特征表达。

基于CNN不同层信息得到的CNN-GMM(高斯组合)模型和CNN-MFA模型提高了对高维LDF空间分布的建模能力，提升了人脸FV(Fisher Vector)表达的识别性能。然而，FV表达是通过将似然函数对参数的梯度向量进行拼接得到，其特征维数相对较高。我们希望学习得到的人脸表达能够维持性能优势的同时其特征维数也比较低，从而减轻人脸识别系统的计算代价和存储代价。一般而言，通过PCA(主成分分析，Principal Component Analysis)技术对高维的人脸FV表达进行降维处理会造成较大的信息损失。

发明内容

针对相关技术中的上述问题，本发明提出一种基于全变量建模的人脸低维特征提取方法以及装置，其目的至少在于降低人脸特征维度的同时尽可能减少信息的损失。

本发明的技术方案是这样实现的：

根据本发明的一个方面，提供了一种基于全变量建模的人脸特征提取方法，包括：

利用卷积神经网络对输入的人脸图像进行处理，得到局部深度特征的指示变量和局部深度特征集合；

根据局部深度特征的指示变量和局部深度特征集合进行通用背景模型的参数估计；

根据通用背景模型的参数计算前向-后向算法统计量；

利用统计量训练全变量空间载荷矩阵，得到人脸图像的全变量特征。