[发明专利]一种基于特征解耦的异质人脸识别方法及装置有效

专利信息
申请号: 202011319876.4 申请日: 2020-11-23
公开(公告)号: CN112446317B 公开(公告)日: 2021-09-07
发明(设计)人: 杨霄;杨善敏;张建伟 申请(专利权)人: 四川大学
主分类号: G06K9/00 分类号: G06K9/00
代理公司: 四川力久律师事务所 51221 代理人: 冯精恒
地址: 610065 四*** 国省代码: 四川;51
权利要求书: 查看更多 说明书: 查看更多
摘要:
搜索关键词: 一种 基于 特征 异质人脸 识别 方法 装置
【权利要求书】:

1.一种基于特征解耦的异质人脸识别方法,其特征在于,包括以下步骤:

S1:采集人脸图像,并对所述人脸图像进行对齐和裁剪,输出处理后的人脸图像,所述处理后的人脸图像与特征提取主干网络的输入相匹配;

S2:将所述处理后的人脸图像输入到特征提取主干网络,获取其面部表征;

S3:输入所述面部表征到残差分解模块进行分解,得到所述处理后的人脸图像对应的身份特征信息、模态信息和残差信息;其中,所述身份特征信息用于人脸比对和识别,所述模态信息用于建模图像的模态来源,所述残差信息用于建模其他外部因素;

S4:将所述身份特征信息、模态信息和残差信息输入到对抗去相关模块进行解耦和优化,输出优化后的身份特征向量;

S5:根据所述身份特征向量进行相似度计算,得到人脸识别结果;

其中,所述残差分解模块包括身份注意力网络IAN和模态注意力网络MAN,所述步骤S3包括以下步骤:

S31:将所述面部表征输入所述身份注意力网络IAN并将其分解为身份特征信息Fid和身份无关的信息Fos

其中,Fi为所述面部表征,IAN(Fi)∈[0,1]c×h×w是身份特征注意力图,表示按元素相乘;

S32:将所述身份无关的信息Fos输入到所述模态注意力网络MAN中并将其分解为模态信息和残差信息:

其中,MAN(Fos)∈[0,1]c×h×w是模态注意力图,Fdm是模态信息,Fres表示残差信息;

所述对抗去相关模块包括基于互信息的对抗去相关网络MIbAD和基于总体相关的对抗去相关网络TCbAD;

其中,所述基于互信息的对抗去相关网络MIbAD用于增强所述身份特征信息Fid对所述身份无关信息Fos变化的鲁棒性;所述基于总体相关的对抗去相关网络TCbAD用于获取身份特征向量,并增强所述身份特征向量的表达能力以及对各维度变化的鲁棒性。

2.根据权利要求1所述的一种基于特征解耦的异质人脸识别方法,其特征在于,所述步骤S1包括:

S11:采集人脸图像,获取所述人脸图像的五个人脸关键点;

S12:根据所述人脸关键点将所述人脸图像进行对齐和裁剪,输出处理后的人脸图像,所述处理后的人脸图像与所述特征提取主干网络的输入相匹配。

3.根据权利要求1所述的一种基于特征解耦的异质人脸识别方法,其特征在于,所述步骤S2包括:将所述处理后的人脸图像xi输入到所述特征提取主干网络Gf,通过特征提取过程Fi=Gf(xif),得到所述处理后的人脸图像xi的面部表征Fi;其中,Θf为所述特征提取主干网络的参数,Fi∈Rc×h×w,Rc×h×w表示c×h×w维度的实数空间,c,h,w分别是所述面部表征Fi的通道数、高和宽。

4.根据权利要求1所述的一种基于特征解耦的异质人脸识别方法,其特征在于,所述基于互信息的对抗去相关网络MIbAD包括以下执行流程:

S41:将所述身份特征信息Fid和所述身份无关的信息Fos输入到所述基于互信息的对抗去相关网络MIbAD中,最小化所述身份特征信息Fid和所述身份无关的信息Fos之间的依赖关系,其最大最小对抗目标表述为:

其中,Dmi表示互信息判别器网络,P(*)为边缘概率分布,P(*,*)为联合概率分布,表示基于JS散度的互信息估计,Ex~p[*]表示从概率分布P中随机采样并计算样本对应值的期望。

下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。

该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于四川大学,未经四川大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服

本文链接:http://www.vipzhuanli.com/pat/books/202011319876.4/1.html,转载请声明来源钻瓜专利网。

×

专利文献下载

说明:

1、专利原文基于中国国家知识产权局专利说明书;

2、支持发明专利 、实用新型专利、外观设计专利(升级中);

3、专利数据每周两次同步更新,支持Adobe PDF格式;

4、内容包括专利技术的结构示意图流程工艺图技术构造图

5、已全新升级为极速版,下载速度显著提升!欢迎使用!

请您登陆后,进行下载,点击【登陆】 【注册】

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code back_top