[发明专利]一种多人种的人脸识别方法

说明书

本发明公开了一种多人种的人脸识别方法，所述方法将多源数据集、迁移学习与深度多任务学习结合，用于实现对多人种的人脸识别，包括以下步骤：构建具有相似性的不同人脸识别的数据集；使用大规模的数据集训练深度神经网络得到深度模型；使用多源数据集利用深度多任务学习在得到的深度模型上继续训练；获得在两个不同任务上都有高精度的深度模型，所述高精度的深度模型用于最终的人脸识别，提高人脸识别的精度。

技术领域

本发明涉及人脸识别领域，尤其涉及一种多人种的人脸识别方法，本发明将多源数据集、迁移学习与深度多任务学习结合起来，用于实现对多人种的人脸识别。

背景技术

现今的深度学习技术取得的巨大成功在一定程度上是大规模数据的支撑，然而当某一任务数据量不足又需要完成多个特定任务时，普通的深度学习方法不能满足实际需要。因此，如何在某一任务数据量不足的情况下学习得到在多个任务上都有优异性能的模型是一个亟待解决的问题。

针对某一任务数据量不足的问题，比如深度学习中的人脸识别问题，开源的大规模人脸数据集大都是有欧美人种为主，亚裔或者华裔人种的数据集通常规模很小。假如想同时完成多人种的人脸识别问题。通过直接训练大规模的欧美人种人脸数据集或者直接训练小规模的亚裔或者华裔人种的人脸数据集都很难取得满意的模型精度。前者是因为任务之间的差异性导致在亚裔人脸识别任务上精度欠缺；后者是因为数据量太小，影响模型性能。

面对这种任务通常的解决方法是采用迁移学习的策略，迁移学习首先在具有相似性的大规模数据集上进行训练得到深度模型，然后利用预训练好的深度模型在小规模数据集上进行迁移学习。但是迁移学习的方法会造成最终模型在原始任务上性能下降，不能保证一个模型在不同的任务上都具有良好的性能。

例如：利用大规模的欧美人种人脸数据集训练一个深度模型，此模型在欧美人种人脸识别任务上有很高的精度，在亚裔或华裔人种人脸识别任务上精度不足。利用迁移学习的策略，在模型的基础上利用亚裔或者华裔人种人脸数据集进行微调，微调后的模型在亚裔或者华裔人种人脸识别任务上表现良好，但是在欧美人种人脸识别任务上模型精度相对于预训练的模型会有所下降。

发明内容

本发明提供了一种多人种的人脸识别方法，本发明将多源数据集、与深度多任务学习结合起来用于人脸识别，提高了识别精度，详见下文描述：

一种多人种的人脸识别方法，所述方法将多源数据集、与深度多任务学习结合，用于实现对多人种的人脸识别，所述方法包括以下步骤：

构建具有相似性的不同人脸识别的数据集；使用大规模的数据集训练深度神经网路得到深度模型；

使用多源数据集利用深度多任务学习在得到的深度模型上继续训练；

获得在两个不同任务上都有高精度的深度模型，所述高精度的深度模型用于最终的人脸识别，提高人脸识别的精度。

进一步地，所述构建具有相似性的不同人脸识别的数据集具体为：

使用爬取手段直接从互联网上爬取数据；或，

利用相机或者其他拍摄设备获取数据。

其中，所述使用大规模的数据集训练深度神经网路得到深度模型具体为：

对数据集进行预处理，使用深度卷积神经网络进行模型的训练；

将训练得到的深度模型在一些经典测试集上进行测试，观察测试所得正确率。

具体实现时，所述对数据集进行预处理具体为：对人脸数据集进行五点对齐预处理。

进一步地，所述使用多源数据集利用深度多任务学习在得到的深度模型上继续训练具体为：