[发明专利]一种基于深度卷积神经网络的低质量人脸的比对方法

摘要

本发明公开了一种基于深度卷积神经网络的低质量人脸的比对方法，包括以下步骤：将人脸训练数据库里的每幅图像送入到构建的深度卷积神经网络中提取特征；将提取特征输入全连接层，通过仿射投影到低纬度空间的投影矩阵；将由投影矩阵计算所得的特征向量，通过二范数归一化球面损失函数训练；通过梯度下降法寻找全连接层和深度卷积神经网络中各滤波器的权重值，选择对比通过率最高的深度卷积神经网络；将待检测人脸图像的特征向量与低质量人脸测试数据库中的每一幅事实答案图像的特征向量进行余弦距离的计算，当余弦值小于阈值判断为同一人。本发明用于对低质量的人脸进行高效比对，使用更少的计算资源，并能兼顾人脸比对精度和比对速度。

主权项

1.一种基于深度卷积神经网络的低质量人脸的比对方法，其特征在于，包括如下步骤：S101)建立人脸训练数据库，低质量人脸验证数据库和低质量人脸测试数据库；S102)将人脸训练数据库里的每幅图像进行归一化处理，将处理完的数据张量输入到深度卷积神经网络加全连接层中提取特征；S103)通过球面损失函数，利用梯度下降法寻找全连接层中的权重值和深度卷积神经网络中各个滤波器的权重值，在训练过程中，同时全程记录低质量人脸识别验证数据库的统计结果；S104)训练完成后，根据训练中所统计的数据，选择比对精度最高的深度卷积神经网络模型作为第一阶段模型；S105)通过迁移学习复用第一阶段深度卷积神经网络模型以及第一阶段训练所得的所有权重值，通过二范数归一化球面损失函数，利用梯度下降法寻找全连接层中的权重值和深度卷积神经网络中各个滤波器的权重值，在训练过程中，同时全程记录低质量人脸识别验证数据库的统计结果；S106)训练完成后，根据训练中所统计的数据，选择比对精度最高的深度卷积神经网络模型作为最终模型；S107)将最终模型导入到将部署的目标嵌入式平台的测试程序中，将低质量人脸测试数据库中的待检测人脸图像输入程序，通过模型计算特征向量，将特征向量与低质量人脸测试数据库中的每一幅事实答案图像的特征向量进行余弦距离的计算，当余弦值小于阈值判断为同一人。