[发明专利]一种跨域面部识别方法

说明书

本发明提供了一种跨域面部识别方法，包括：准备源样本数据和目标样本数据；固定特征提取器E，让域判别器G最大化，判别源样本数据和目标样本数据间的差异；固定域判别器G，让特征提取器E最小化，判别源样本数据和目标样本数据间的差异；域判别器G最大化和特征提取器E最小化达到平衡点，从特征提取器E提取出源样本数据和目标样本数据间没有域间差异的特征值。在facenet基础上，通过特征提取器E采用Inception‑Resnet‑V1网络结构，源分类损失函数和目标分类损失函数采用三元组损失函数的基础上，加入域混淆损失函数，解决待识别图像与训练样本图像具有不同统计分布特性的条件下的面部跨域识别问题，使得同一域间的面部特征更为接近，提升了跨域识别准确性。

【技术领域】

本发明涉及面部识别技术领域，尤其涉及一种跨域面部识别方法。

【背景技术】

面部识别，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。

现有面部识别算法大多可以解决单域面部识别(即待识别图像和训练样本图像具有相同的统计分布特性)问题，例如，FaceNet,DeepId等算法，在单域面部识别任务上取得良好的效果。

但在实际应用场景下，例如识别监控摄像头下的重点监控对象任务，通过监控摄像头拍摄的视频中提取的人脸照片，与一组对象的身份证照片比对，判别是否是其中的一位。它的难点在于，摄像头的图像与身份证照片差别很大，身份证照片是限制域的，需要对象的配合，对分辨率、角度、光线、表情等有严格的要求，而监控摄像头是开放域的，所摄取的人脸照片的分辨率、角度、光线、表情不受任何限制，因此，摄像头拍摄的人脸照片与身份证照片这两个样本的统计规律很不相同，可以界定为跨域面部识别问题。对于跨域识别，FaceNet,DeepId等基于CNN(卷积神经网络)算法并不能取的很好效果。

【发明内容】

本发明所要解决的技术问题是提供一种跨域面部识别方法，能够解决待识别图像与训练样本图像具有不同统计分布特性的条件下的面部跨域识别问题，使得同一域间的面部特征更为接近，提升了跨域识别准确性。

为解决上述技术问题，本发明一实施例提供了一种跨域面部识别方法，其特征在于，包括：

准备源样本数据和目标样本数据；

固定特征提取器E，让域判别器G最大化，判别源样本数据和目标样本数据间的差异；

固定域判别器G，让特征提取器E最小化，判别源样本数据和目标样本数据间的差异；

域判别器G最大化和特征提取器E最小化达到平衡点，从特征提取器E提取出源样本数据和目标样本数据间没有域间差异的特征值。

优选地，准备源样本数据和目标样本数据包括：

将源样本数据和目标样本数据分别进行面部特征对齐。

优选地，所述域判别器G和特征提取器E对不同的域共享参数。

优选地，准备源样本数据和目标样本数据包括：

对源样本数据和目标样本数据进行处理，增加样本数据的多样性。

优选地，固定特征提取器E，让域判别器G最大化，判别源样本数据和目标样本数据间的差异之前包括：确定损失函数。

优选地，对源样本数据和目标样本数据进行处理包括：对源样本数据和目标样本数据进行随机裁剪、翻转、调整亮度、对比度、色相、饱和度处理。

优选地，所述损失函数包括分类损失函数和域混淆损失函数。

优选地，所述损失函数为分类损失函数和域混淆损失函数的加权和。