[发明专利]一种真实场景下的基于深度学习的人脸识别方法

摘要

本发明提供一种真实场景下的基于深度学习的人脸识别方法，是为了解决现有真实场景下的人脸识别方法只能解决单一因素影响，而不能解决姿势、光照等因素的影响而提出的，包括：使用一个现有的人脸检测器预测训练数据库中每个图片的人脸位置，并截取保存真实的人脸和非人脸图像；根据人脸图像和非人脸图片降采样得到相应的低分辨率图像；构建生成对抗网络，生成对抗网络包括生成器和鉴别器；生成器进一步包括上采样网络以及优化网络；使用高分辨率人脸、非人脸图像以及对应的低分辨率人脸、非人脸图像对生成对抗网络进行训练；依据鉴别器对从现有的人脸检测器得到的人脸候选区域的得分在输入图片中标记出人脸的位置。本发明适用于人脸的识别检测。

主权项

1.一种真实场景下的基于深度学习的人脸识别方法，包括：步骤一，建立训练数据库；步骤二，使用人脸检测器预测训练数据库中每一张图像的人脸位置，并截取得到第一高分辨率人脸图像和第一高分辨率非人脸图像；并处理所述第一高分辨率人脸图像以及第一高分辨率非人脸图像得到相应的低分辨率人脸图像以及低分辨率非人脸图像；步骤三，构建生成对抗网络，所述生成对抗网络包括生成器和鉴别器；其中生成器的输入为步骤二得到的低分辨率人脸图像以及低分辨率非人脸图像，输出为第二高分辨率人脸图像以及第二高分辨率非人脸图像；鉴别器的输入为第一高分辨率人脸图像、第一高分辨率非人脸图像、第二高分辨率人脸图像、第二高分辨率非人脸图像，鉴别器的第一个输出为输入图像属于人脸图像的概率p₁，第二个输出为输入图像是真实图像的概率p₂；其中生成器进一步包括依次连接的上采样网络和优化网络，上采样网络为生成器的输入端，上采样网络的输出结果作为优化网络的输入，优化网络为生成器的输出端；鉴别器的网络结构为：1个卷积核数目为64个、卷积核大小为3、卷积步长为2的卷积层；1个卷积核数目为128个、卷积核大小为3、卷积步长为2的卷积层；1个卷积核数目为256个、卷积核大小为3、卷积步长为2的卷积层；1个卷积核数目为512个、卷积核大小为3、卷积步长为2的卷积层；1个卷积核数目为512个、卷积核大小为3、卷积步长为1的卷积层；以及2个平行的卷积层，具体为用于判别输入图像是真实的高分辨率图像还是由生成器合成的高分辨率图像的第一卷积层fc_GAN和用于判断输入图像是否为人脸的第二卷积层fc_clc；步骤四、使用步骤二中得到的第一高分辨率人脸图像、第一高分辨率非人脸图像、低分辨率人脸图像、低分辨率非人脸图像对所述生成对抗网络进行训练；步骤五、将待测试的图像输入到所述人脸检测器，得到人脸候选区域，并将人脸候选区域输入到训练好的生成对抗网络中，得到每一个候选区域的图像为人脸的概率p，并在输入图像中画出p大于预设阈值的区域；其特征在于，生成对抗网络的损失函数为：其中表示对抗损失函数，表示像素级损失函数，表示优化网络函数的损失函数，表示分类损失函数；其中θ,ω分别为鉴别器和生成器的网络参数，D_θ(),G_ω()分别是鉴别器和生成器的功能函数；分别是输入的低分辨率图像和对应的高分辨率图像；y_i为输入图像的标签，y_i＝1,y_i＝0分别代表输入图像为人脸和非人脸；α,β是目标函数中对抗损失函数、像素级损失函数以及分类损失函数的权值分配系数，N是训练样本总数；ω₁为上采样网络的网络参数，ω₂为优化网络的网络参数，是上采样网络的功能函数，是优化网络的功能函数。