[发明专利]一种基于多模型融合的人脸特征降维提取方法

说明书

本发明涉及人脸特征提取领域，公开了一种基于多模型融合的人脸特征降维提取方法，包括对人脸图像数据集进行预处理；建立若干个子网络模型；利用训练数据集对若干个子网络模型分别进行训练；利用测试数据集对若干个子网络模型进行测试；将若干个子网络模型的测试结果作为网络权重，利用若干个子网络模型以及网络权重构建多模型融合人脸特征降维提取网络，对多模型融合人脸特征降维提取网络进行训练；利用测试数据集获得多模型融合人脸特征降维提取网络的相似度阈值；获取待识别人脸图像对，利用多模型融合人脸特征降维提取网络对待识别人脸图像对进行识别。本发明更全面更有效地提高人脸识别精度，能有效提高运算效率，具有较好的鲁棒性。

技术领域

本发明涉及人脸特征提取领域，具体地涉及一种基于多模型融合的人脸特征降维提取方法。

背景技术

伴随着信息技术的迅猛发展，智能时代已经悄然到来。在智慧城市等项目的推动下，智慧安防领域作为不可或缺的一部分对人脸识别技术的精准性的要求也在逐步提高。当前的人脸识别产品及系统具有一定的局限性。比如在遇到强光变化、表情夸张、脸部遮挡、姿态变化或者图像分辨率变低时，人脸的识别精度就会受损。以上这些干扰因素对人脸识别技术的推广及使用带来了难题。因此，提取人脸中关键性的特征就显得尤为重要。

现有的人脸特征提取方法主要有：对整张人脸提取局部纹理特征的方法，该方法获取的特征维度较大，包含了一些冗余信息，鲁棒性较差；提取SIFT图像特征的方法，该方法用在人脸图像时，对关键点信息定位不准造成精度低；提取人脸几何特征的方法，该方法在人脸有遮挡时精度表现较差，且不适用于复杂场景；基于模板匹配的方法，该方法对面部表情有特定的要求，比如表情夸张时，精度会低，适用性较窄；基于机器学习降维(PCA/LDA)的方法，该方法的精度会受光照、表情等因素的影响；基于神经网络的特征提取方法，该方法多是使用单个网络提取特征，特征信息单一且维度较大，对网络的设计依赖性较大。

因此，提取人脸中更关键、有效且维度适用的特征是是亟需解决的问题。

发明内容

本发明提供一种基于多模型融合的人脸特征降维提取方法，从而解决现有技术的上述问题。

一种基于多模型融合的人脸特征降维提取方法，包括以下步骤：

S1)采集人脸图像数据集，对人脸图像数据集进行预处理；

S2)获得预处理后的人脸图像数据集，将预处理后的人脸图像数据集按比例划分为训练数据集和测试数据集；

S3)建立若干个子网络模型，若干个子网络模型的主干网络结构不同；

S4)利用训练数据集对若干个子网络模型分别进行训练，得到训练好的若干个子网络模型；

S5)利用测试数据集分别对若干个子网络模型进行测试，获得若干个子网络模型的测试结果；

S6)将若干个子网络模型的测试结果作为网络权重，利用若干个子网络模型以及网络权重构建多模型融合人脸特征降维提取网络，利用训练数据集对多模型融合人脸特征降维提取网络进行训练，多模型融合人脸特征降维提取网络还包括拼接层、SVD层、多模型融合全连接层、输出层；多模型融合全连接层包括若干层全连接层；

S7)利用测试数据集获得多模型融合人脸特征降维提取网络的相似度阈值；

S8)获取待识别人脸图像对，将待识别人脸图像对输入多模型融合人脸特征降维提取网络中，多模型融合人脸特征降维提取网络的第一层全连接层的输出为与所述待识别人脸图像对相对应的两个特征向量，计算与待识别人脸图像对相对应的两个特征向量之间的余弦相似度，根据步骤S7)中多模型融合人脸特征降维提取网络的相似度阈值获得待识别人脸图像对的识别结果。