[发明专利]一种基于级联神经网络的人脸识别方法

说明书

技术领域

本发明属于图像处理及人脸识别技术领域，具体涉及一种基于级联神经网络的人脸识别方法。

背景技术

人脸识别（face recognition），即给定一对人脸图片，要判断两张人脸图片是否属于同一个人。人脸识别作为人脸分析系统的核心模块，其性能决定了系统的准确程度和可靠性。其主要性能指标有两个，识出率（给定一对属于同一个人的图片对，系统判断正确的几率）和误识率（给定一对不属于同一个人的图片对，系统判断错误，认为它们属于同一个人的几率）。

传统的人脸识别算法主要可以划分为两个步骤：首先是对于任意一张人脸图片，经过人脸关键点检测，人脸对齐之后使用某种算法提取出一个特征向量作为该人脸图片的表示，然后对于输入待比对的两张人脸图片，使用某个机器学习产生的或者专家设计的相似度函数来计算两张图片所对应的特征向量的相似度，如果该相似度高于某个事先设定的阈值则判断这对图片来自同一个人，反之判断为不是同一人。其中阈值一般是在一个验证场景的数据集上实验调试得到。传统方法有两个主要局限，1）人脸图片的特征向量提取算法一般是人工设计或者非常依赖于专家经验，很难自动化的从样本中学习产生大量差异化的特征向量供后续相似度计算系统使用，2）无论采用何种方法，单一相似度计算系统难以在在识出率和误识率之间取得比较好的平衡，实际应用场景往往要求误识率很低（低于千分之一或者万分之一）的情况下识出率尽量高，单一相似度系统往往难以精确的满足两个指标之间的平衡。

发明内容

本发明针对上述问题，提出一种基于级联神经网络的人脸识别方法，采用级联提升的思路逐级降低误识率，并且每一级神经网络针对难度不同的样本空间，从而自适应的学习出了差异化的人脸图片表示适应该级网路的任务，能够有效地提高人脸识别的识出率，同时大大降低误识率，极大的提高安防监控系统的可靠性。

本发明采用的技术方案如下：

一种基于级联神经网络的人脸识别方法，其步骤包括：

a)建立训练用人脸图像集，其包含多个不同人的图片，其中每个人的人脸图片有多张，这些图片最终可以产生大量个同一人的图片对（后文简称为正例对）和不同人的图片对（后文简称为负例对）；

b)使用任意一种人脸关键点检测方法检测a)中每张人脸图片的关键点；

c)利用b)中得到的关键点位置信息，将a)中的图片归一化成标准大小的灰度值图片；

d)将c)中得到的人脸标准图片进行灰度值统计归一化；

e)使用所有的训练图片训练一个深度神经网络，其输入为一对图片，目标输出是一个0-1值，0表示判断这两张图片是负例对，1表示判断为正例对；

f)将所有的训练图片对输入到e)中训练得出的神经网络，通过调试网络最后一层的阈值使得所有误判成1的负例对所占的比例低于一个给定的比例；

g)反复多次使用e)，f)中步骤，唯一区别是每次只选用上一级网络中被判断错误的负例对加入到训练集，正例对仍然使用和第一级网络中一样所有的样本，当总网络个数达到预定的个数时结束，得到训练好的级联神经网络；

h)任给一对新的人脸图像，使用b-d)中一样的预处理步骤变成一对对齐并且归一化的图片对，然后依顺序输入g)中训练好的级联神经网络，如果在中间任何一个神经网络，该图片对被判断成负例对，则系统最终判定该人脸图片对为负例对，否则为正例对。

进一步地，步骤c)使用标准的基于仿射变换的人脸对齐算法进行图片归一化。

进一步地，步骤d)进行所述统计归一化时，像素平均值为0，方差为1。

进一步地，步骤e)所述一对图片来自同一个人的两张图片，或者来自两个人的各一张图片。

进一步地，每一级深度神经网络内部都是由四部分组成：卷积层，最大采样层，全连接层和预测层Pre，依次对输入图像做多轮的卷积和采样，最终经过预测层输出0或1的比对结果。

进一步地，步骤f)所述一个给定的比例为r，r在0.1-0.5之间。

进一步地，步骤g)中当总网络个数达到预定的K时结束，其中K=3～5。

相对于传统方法，本发明的贡献和有益效果在于：