[发明专利]生成对抗网络模型的光照人脸图像识别预处理系统及方法

说明书

一种生成对抗网络模型的光照人脸图像识别预处理系统及方法，收集形成训练数据集；根据得到最优的生成对抗网络模型这样的训练目标对训练数据集进行预处理；根据得到最优的生成对抗网络模型这样的训练目标来构造生成对抗网络模型；在训练数据集上对生成对抗网络模型进行训练；使用训练完成的生成对抗网络的最优模型在测试集上验证经过光照预处理后的人脸识别精度。有效避免了现有技术中在复杂光照条件下会出现阴影或光晕这样的现象、会增加数据准备阶段的工作量的缺陷。

技术领域

本发明涉及人脸识别技术领域，具体涉及一种生成对抗网络模型的光照人脸图像识别预处理系统及方法。

背景技术

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识别的一系列相关技术，通常也叫做人像识别、面部识别。

目前，人脸识别算法已经得到了广泛的应用，但其性能仍然受光照、视角、遮挡、年龄等多方面因素影响。在众多的影响因素中，光照变化是影响系统识别性能的关键因素之一，由于人脸的3D结构，光照投射出的阴影，会加强或减弱原有的人脸特征。尤其是在夜晚，由于光线不足造成的面部阴影会导致识别率的急剧下降，使得系统难以满足实用要求。同时，理论和实验还证明同一个体因光照不同引起的差异，大于同一光照下不同个体之间的差异。因此，如果能探索到合适的方法对光照过强或过弱的人脸图像进行预处理，对于改善人脸识算法性能具有一定意义。

近年来，研究者们提出了各种预处理算法来解决人脸识别中的光照问题。直方图均衡化、边缘图和利用小波变换方法提取光照不变特征，虽然能满足实时要求，但是大部分不能解决阴影问题，难以取得理想效果，并且更过分依赖参数。光照补偿字典的提出取得了很好的光照处理效果，但是该方法需要严格光照控制下的训练图像。Retinex理论中的单尺度Retinex算法(SSR)、多尺度Retinex算法(MSR)和自商图像(SQI)得到广泛应用。这些Retinex算法的共同优点是不需要特定光照条件下的训练样本，在无强侧光照时有较高的识别率，但在复杂光照条件下会出现阴影、光晕等现象。基于深度学习的方法一般需要增加数据集的光照多样性来使模型学习到尽可能多的光照特性，从而对各种光照具有更强的抗干扰能力，但这样的方式会增加数据准备阶段的工作量。

发明内容

为解决上述问题，本发明提供了一种生成对抗网络模型的光照人脸图像识别预处理系统及方法，有效避免了现有技术中在复杂光照条件下会出现阴影或光晕这样的现象、会增加数据准备阶段的工作量的缺陷。

为了克服现有技术中的不足，本发明提供了一种生成对抗网络模型的光照人脸图像识别预处理系统及方法的解决方案，具体如下：

一种生成对抗网络模型的光照人脸图像识别预处理系统的方法，包括如下步骤：

步骤1：收集形成训练数据集；

步骤2：根据得到最优的生成对抗网络模型这样的训练目标对训练数据集进行预处理；

步骤3：根据得到最优的生成对抗网络模型这样的训练目标来构造生成对抗网络模型；

步骤4：在训练数据集上对生成对抗网络模型进行训练；

步骤5：使用训练完成的生成对抗网络的最优模型在测试集上验证经过光照预处理后的人脸识别精度。

所述步骤1中的收集训练数据集的方法，包括收集大量的人脸图像数据，并将它们分成两个数据集：数据集A和数据集B，其中数据集A中均为光照不均匀的人脸图片，数据集B中均为光照均匀的人脸图片。

所述训练数据集是没有配对的训练集。