[发明专利]无约束条件下的人脸识别方法

权利要求书

1.无约束条件下的人脸识别方法，其特征在于：其方法包括以下步骤：

A、抓拍无约束场景下的人脸图像；

B、对所采集的人脸图像进行人脸检测以及关键点检测；

C、利用胶囊网络提取人脸的特征；

D、使用HopeNet估计检测到的人脸的姿态，并对姿态估计结果进行分类；

E、利用DREAM特征映射模块对原人脸特征进行姿态映射，将非正面的人脸特征变换为正面的人脸特征，从而得到更加鲁棒的人脸特征。

2.根据权利要求1所述的无约束条件下的人脸识别方法，其特征在于：所述步骤A中使用RGB摄像头抓拍无约束场景下的人脸图像。

3.根据权利要求1所述的无约束条件下的人脸识别方法，其特征在于：所述步骤B中人脸检测方法采用MTCNN，对自然环境中光线、角度和人脸表情变化更具有鲁棒性，且内存消耗小，可实现实时人脸检测。

4.根据权利要求1所述的无约束条件下的人脸识别方法，其特征在于：所述步骤C中的胶囊网络（人脸特征提取模块），其胶囊网络的核心部分是Capsule，可以认为它是向量版的神经元，它与传统CNN中的“unit”神经元完全不同，具体来说，胶囊是一组神经元，它会学习检测给定区域（例如一个矩形）图像的特定目标，它输出一个向量，向量的长度代表目标存在的概率估计，而且它对姿态参数（例如精确的位置、旋转等）定向编码，如果对象有轻微的变化（例如移位、旋转、改变大小等），那么胶囊将输出相同长度但方向略有不同的向量，因此，胶囊是等变化的，同时，胶囊网络是由胶囊模块组成的，而不是神经元，其输入的是两个向量，它们先是分别与不同的权重W（同样是向量）相乘得出u_j|i hat，再将该预测向量与对应的耦合系数c_ji相乘得到s，最后传入特定到名为“squashing”的非线性函数，这样就得出Capsule输出的向量v_j，动态路由不同于CNN中的反向传播，它是利用输出向量v_j和对应预测向量u_j|i hat的乘积更新耦合系数c_ij。

5.根据权利要求1所述的无约束条件下的人脸识别方法，其特征在于：所述步骤D中的姿态估计方法采用HopeNet，其采用一种优雅和鲁棒的方式来训练300W-LP，大量合成扩展的数据集的多损失卷积神经网络来确定的姿势，可以直接从图像强度通过联合预测固有欧拉角（偏航、俯仰和横滚）分级构成分类和回归。

6.根据权利要求1所述的无约束条件下的人脸识别方法，其特征在于：所述步骤E中，DREAM特征映射模块拼接到主干的胶囊网络之中，无需更改胶囊网络的参数，且DREAM特征映射模块的输入有：人脸图像、主干胶囊输出的特征向量和yaw coefficient。