[发明专利]基于深度学习非配合式的人脸识别方法

说明书

本发明公开一种基于深度学习非配合式人脸识别方法，其步骤为：1、生成深度学习网络训练数据集；2、分别构建检测深度学习网络和识别深度学习网络；3、分别训练检测深度学习网络和识别深度学习网络；4、制备非配合人脸特征数据库；5、摄像头对视频流实时采样；6、检测并跟踪图像的人脸区域；7、特征匹配；8、人脸识别。本发明通过在传统的检测识别人脸的过程中引入跟踪算法，能够持续地对同一个人进行识别分析，不仅能实现快速识别非配合式人脸，而且对遮挡和形变的人脸具有较好的识别率，可用于对视频监控环境下非配合拍摄的人脸进行识别。

技术领域

本发明属于图像处理技术领域，更进一步涉及模式识别技术领域中的一种基于深度学习非配合式的人脸识别方法。本发明可用于对视频监控环境下非配合拍摄的人脸进行识别。

技术背景

人脸识别是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，它由计算机分析人脸图像，从图像中提取有效信息并自动鉴别，人脸识别技术广泛应用于安全系统及人机交互等方面，已成为计算机视觉和模式识别领域中重要的研究课题之一。

深度学习方法相比传统方法，采用更深的网络结构，使用大量数据驱动训练，在人脸识别方面取得了明显进步。非配合式人脸识别通常使用视频监控实现，不需要测试者刻意配合，可以应用在课堂质量评估，会场签到等应用场景。这要求算法同时具有实时性和高准确率，这二者是一个折衷关系。在现实环境中，实时采集到的人脸图像信息角度多样，并受到人体毛发，口罩，帽子等常佩戴物体遮挡等多种因素的干扰，人脸识别误检率高，使得人脸识别技术的复杂度大大提高。

北京工业大学在其申请的专利文献“一种基于深度学习的快速人脸检测识别方法”(公开号CN108564049A，申请号201810363828.1)中公开一种基于深度学习的快速人脸检测识别方法。该方法首先采用构建图像金字塔以多任务的方式训练和运行尺度特定的检测器，并将检测到的人脸图像存入缓冲池中，在分别计算人脸图像与身份证人脸之间的相似度关系，再根据缓冲池所有人脸的特征数量动态地映射出所满足相似度阈值的个数，个数达到一定阈值则判断为同一个人。该方法存在的不足之处是：无法实现快速实时识别多人，因为测试时必须要使用身份证检测设备检测身份证，这一步骤一次只能识别一个人，且因为缓冲池的人脸图像只与身份证单一照片进行比较，若采集到缓冲池中图像角度不标准或有遮挡则识别效果较差。

平安科技(深圳)有限公司在其申请的专利文献“一种基于深度学习的人脸识别方法及装置”(公开号CN107609459A，申请号201611158851.4)中公开一种基于深度学习的人脸识别方法。该方法首先获取待识别图像，检测待识别图像中的人脸区域并将其提取出来，然后将人脸区域图像转化为标准正面人脸图像后，输入至深度神经网络，利用深度神经网络，输出标准正面人脸图像的表达向量，最后将表达向量与人脸库中的每个人脸描述特征进行比对，以获取待识别图像的人脸身份。该方法存在的不足之处是：只对检测到单张图像进行识别，而不是对一段时间内检测到图像进行动态分析，容易造成误识，准确率不高。

发明内容

本发明的目的在于克服上述已有技术的不足，提出一种基于深度学习非配合式的人脸识别方法。

实现本发明目的的思路是，在传统的检测识别人脸的过程中引入跟踪算法，在检测到人脸后使用跟踪算法跟踪人脸，并将一段时间内检测和跟踪到的人脸通过识别深度学习网络提取特征向量与特征数据库的特征向量进行比较，并取匹配最好的结果作为最终识别结果，能够在动态识别过程中减少由于拍摄角度不佳或照片遮挡引起的识别误差，同时，本发明对于人脸图像识别具有很好的实时性。

本发明实现的具体步骤如下：

(1)生成深度学习网络训练数据集：

(1a)采集每张图像均拥有所有人脸的位置信息的至少5万张图像，将所采集的图像组成检测深度学习网络的训练集；

(1b)采集每张图像均拥有所有人脸的身份信息的至少50万张图像，将所采集的图像组成识别深度学习网络的训练集；