[发明专利]一种基于域鲁棒卷积特征学习的交叉视角人脸识别方法

说明书

技术领域

本发明属于交叉视角人脸识别技术领域，具体涉及一种基于域鲁棒卷积特征学习的交叉视角人脸识别方法。

背景技术

目前大多数的自动人脸识别系统在正脸视角下可以达到较高的识别性能。但是，在实际应用场景中获取的人脸图片一般处于各种各样的视角，这种情况会使得人脸识别系统的性能大幅度退化。交叉视角人脸识别的困难主要在于人脸视角的变化处于3D空间中，而人脸图像仅捕获2D的外观特征。随着视角的变化，不同的人脸部件呈现在图像中。这导致一个特殊的现象：不同身份相似视角的人脸图像比相同身份不同视角的人脸图像更为相似。由视角变化导致的差异比身份变化导致的差异更大，使得交叉视角人脸识别非常困难。

为了解决这个问题，基于统计学习的方法主要致力于学习针对特定视角的变换，然后用这些变换将样本投影到一个公共的子空间中进行识别。Lin提出了公共区分性特征提取方法(CDEF)来将不同模态的样本投影到一个公共的特征空间；Sharma和Li引入了偏最小二乘法(PLS)和典型相关分析(CCA)来最大化投影空间中变化视角人脸的类内相关性。但是这类方法有两两面的缺点：利用线性变换来构造投影空间，这种做法严重的限制了投影特征的表述能力；仅利用单一视角的数据来学习针对视角的变换，忽略了交叉视角数据的相关性。针对这些限制，很多方法被提出了。首先，深度神经网络因为其强大的特征学习能力，在很多机器学习任务上取得了巨大的成果。深度神经网络和卷积深度神经网络是两个主要的深度学习模型。此外，为了建模交叉数据间的统计相关性，基于域自适应的方法提出在交叉视角数据之间构造一条虚拟的内插路径。其中，Li建模每个虚拟视角为特征的线性变换，基于虚拟路径的特征表述致力于联系交叉视角数据；Chopra提出基于深度模型的内插路径来学习特征，该方法主要利用了交叉域数据间的分布转移信息。

发明内容

本发明的目的是要解决交叉视角人脸识别中，相同身份不同视角的人脸图像分布差异大的问题，为此，本发明提供一种基于域鲁棒卷积特征学习的交叉视角人脸识别方法。

为了实现所述目的，本发明基于域鲁棒卷积特征学习的交叉视角人脸识别方法，该方法包括以下步骤：

步骤S1：从源域人脸集和目标域人脸集中分别随机采样多个人脸图像，组成一个虚拟域人脸集；

步骤S2：对源域人脸集、虚拟域人脸集和目标域人脸集分别训练出源域、虚拟域和目标域的卷积深度神经网络；

将源域人脸集中的人脸图像输入到源域、虚拟域和目标域的卷积深度神经网络并分别计算，得到与所述网络相应的源域人脸图像的特征值，并将源域人脸图像的特征值串接在一起，组成源域人脸集的人脸图像的卷积特征；

将目标域人脸集中的人脸图像输入到源域、虚拟域和目标域的卷积深度神经网络并分别计算，得到与所述网络相应的目标域人脸图像的特征值，并将三个所述网络的目标域人脸图像的特征值串接在一起，组成目标域人脸集的人脸图像的卷积特征；

步骤S3：对源域人脸集和目标域人脸集建立源视角映射矩阵和目标视角映射矩阵，将源域人脸集的人脸图像的卷积特征输入到源视角映射矩阵，将目标域人脸集的人脸图像的卷积特征输入到目标视角映射矩阵，获得源域人脸集的人脸图像的卷积特征在映射空间中的源域新人脸特征值、获得目标域人脸集的人脸图像的卷积特征在映射空间中的目标域新人脸特征值；

步骤S4：通过约束源域新人脸特征值和目标域新人脸特征值的类内紧致性，优化源视角映射矩阵和目标视角映射矩阵；

步骤S5：对多张测试源视角人脸图像和一张测试目标视角人脸图像分别计算，得到并将多个源视角人脸图像的卷积特征和一个目标视角人脸图像的卷积特征输入到与之相应的源视角映射矩阵和目标视角映射矩阵计算，得到测试源视角多个新人脸特征值和测试目标视角的一个新人脸特征值；对新人脸特征值计算得到测试目标视角的一个新人脸特征到测试源视角的多个新人脸特征之间的多个距离，并在多个距离中选择最小距离对应的测试源视角人脸图像的身份作为测试目标视角人脸图像的身份。

本发明的有益效果：本发明引入卷积深度神经网络作为特征学习模型，有效地学习分层非线性的人脸特征表述。此外，本发明对交叉视角人脸集之间采样虚拟人脸集来构造内插路径，有效的建模了交叉视角数据间的相关性。最后，本发明利用线性判别分析学习优化交叉视角的映射矩阵，使得变换后的特征具有良好的区分性。

附图说明

图1是本发明的基于域鲁棒卷积特征学习的交叉视角人脸识别方法的流程图。

具体实施方式