[发明专利]基于深度卷积神经网络的异质人脸识别方法

说明书

本发明公开了一种基于深度卷积神经网络的异质人脸识别方法。该方法通过对可见光、近红外‑可见光图像进行相同预处理；用预处理的可见光图像对深度卷积神经网络预训练，为异质图像的深度卷积神经网络训练提供先验知识；将近红外和可见光图像按照一定规则构成三元组，并挑选出预训练的异质图像深度卷积神经网络较难区分的难三元组；将挑选出的难三元组输入预训练后的异质图像深度卷积神经网络进行精调，反复迭代难三元组选择、精调过程至异质图像深度卷积神经网络性能不再提升，之后利用训练好的异质图像深度卷积神经网络模型进行异质人脸识别。本发明显著提升了异质人脸识别准确率，可有效缓解小规模数据在卷积神经网络训练中易过拟合的问题。

技术领域

本发明涉及生物特征识别、计算机视觉、模式识别和机器学习等技术领域，具体涉及一种基于深度卷积神经网络的异质人脸识别方法。

背景技术

基于生物特征的身份识别对于安防领域及各种身份认证系统具有重要作用。人脸识别由于其非接触性和非强制性，及准确、方便、直观的特点，具有良好的发展和应用前景。传统的人脸识别主要基于人脸的可见光图像识别。可见光图像源非常广阔和易搜集，但也存在着受光照等条件影响较大的缺陷。环境光照变化时，人脸识别的性能会急剧下降。因此，不受环境光影响的近红外人脸识别系统逐渐受到重视和发展。

近红外人脸识别目前已经成为人脸识别领域的研究热点。近红外成像设备采用高于环境光强度的主动近红外光源成像，配合相应波段的滤波片，能够得到不受环境光照变化影响的稳定的近红外图像。只有图像整体亮度随距离变化而单调变化，而像素间的关系则不会受到影响。因此，基于近红外图像的人脸识别不仅适用于白天，也适用于夜晚，甚至其他复杂光线条件。这使得近红外图像有很好的应用前景，如可以应用于刑侦，用户注册等系统。因此，如何进行异质人脸的识别和匹配，已经成为一个亟待解决的问题。

异质人脸的识别由于其数据源具有较大的跨模态差异，以及近红外图像难以大量收集等原因，存在很大的困难。为了解决这些难题，研究者们应用传统的机器学习方法及具有强大识别性能的深度学习，尝试克服模态间的差异。传统的异质人脸识别的方法主要有以下几种：设计模态不变的特征，将人脸图像从一个模态变换到另一个模态，或者将两种模态的图像同时投影到一个共同的子空间上。随着深度学习的发展，自动编码机(AE)，深度玻尔兹曼机(DBM)等无监督深度学习算法被应用到跨域图像的识别中，但相比可见光域的人脸识别，其性能仍有很大的提升空间。

深度学习的另一分支，卷积神经网络(CNNs)，由于具有层级化的结构，在可见光域的人脸识别、物体识别、细粒度物体分类等任务上都获得了优异的性能。加之GPU等硬件的大幅加速，使得大规模的图像处理变得简单可行。但由于近红外图像需要用专门的成像设备进行拍摄，搜集难度较大，现存的匹配的近红外与可见光人脸图像集，规模较小，远远不够用于卷积神经网络的训练。如何利用大量的可见光图像信息，以及如何利用现存的小规模近红外-可见光图像集进行深度卷积神经网络的训练成为当前异质人脸识别的两大难题。

而转移学习(transfer learning)可用于解决源域与目标域的训练数据分布不同的问题。通过转移学习，网络模型从源域数据中学到的知识可以为目标域的训练提供先验。如果我们能将转移学习运用到异质人脸识别中，就能够建立可见光图像库和近红外-可见光图像库之间的连接，将从可见光数据上学到的信息转移到异质数据上，从而实现对异质人脸识别处理。

发明内容

有鉴于此，本发明目的提出一种基于深度卷积神经网络的异质人脸识别方法，其可利用大量可见光图像提升近红外-可见光人脸识别的性能，可应用于异质图像比对系统，可以有效提升其综合性能，解决了卷积神经网络在小规模异质数据库上训练容易过拟合的问题，为小规模跨域图像的识别和匹配提供了一种新思路。

本发明是这样实现的，一种基于深度卷积神经网络的异质人脸识别方法，包括以下步骤：

步骤S1，对预训练图像中的人脸图像及相关的可见光图像-近红外图像进行相同的图像预处理，得到预设大小的灰度图像；