[发明专利]一种结合图像质量分析与度量学习的人脸特征识别方法

说明书

本发明公开了一种结合图像质量分析与度量学习的人脸特征识别方法及系统，方法包括：通过将人脸图像经过处理后加入卷积神经网络中训练，获得初级特征；根据初级特征的范数得到人脸图像的质量量化值；添加全连接参数层将初级特征进行降维处理得到最终特征；根据最终特征并将人脸图像的质量量化值作为附加权重信息得出加权平均值，并将其加入训练，得到度量学习的损失函数；通过损失函数监督训练过程，得到卷积神经网络的最终参数，作为最终的人脸特征提取模型并对人脸图片进行人脸特征识别。本发明用很小的计算量获取图片质量的量化值，并根据人脸特征的范数值制定了统一的量化标准；提高了网络的表达能力，并增强了网络对低质量图片的适应性。

技术领域

本发明涉及人脸识别方法，特别涉及一种结合图像质量分析与度量学习的人脸特征识别方法。

背景技术

现今的人脸识别系统大多将人脸图像数据进行预处理后，利用卷积神经网络训练，得到网络的权重；根据训练所得网络的权重计算得到人脸特征向量，通过对特征向量进行处理获得人脸识别的结果。由于参与训练的人脸数据之间的图像质量有较大差异，一些低质量的人脸图片，如低分辨率、模糊、光照过强或过暗、面部偏转较大等，会影响参数的学习效果，进而降低识别系统的性能。现有的结合图片质量进行人脸特征识别的技术如下：

a.人脸区域+人工标注图片质量信息训练卷积神经网络，用于提取人脸特征进行识别：

缺点：人工标注耗费大量人力物力，且对图片质量的量化标准不统一。

b.单独训练网络量化图片质量+人脸区域训练卷积神经网络，用于提取人脸特征进行识别：

缺点：需要单独训练网络处理质量的网络，需要的参数更多，识别速度慢。

c.直接剔除质量较差的人脸图片，剩余图片训练网络用于提取人脸特征识别：

缺点：数据的利用率低，对低分辨率等质量不高的图片识别效果差。

本发明通过定义一种通过人脸特征直接获取量化后的人脸图片质量的运算方式，用很小的计算量获取图片质量的量化值，节省了标注的人力物力，并制定了统一的量化标准；通过将量化后的图片质量作为辅助信息输入到网络中进行训练，提高了网络的表达能力，并增强了网络对低质量图片的适应性。

发明内容

本发明要解决的技术问题是，本发明的目的是提供一种人脸识别方法，通过该方法能对人脸图像的质量进行量化，并结合量化后的人脸图像的质量，获取更高效的人脸身份特征表达，优化人脸比较判别单元的性能，从而提高人脸识别的准确率。

解决上述技术问题，本发明提供了一种结合图像质量分析与度量学习的人脸特征识别方法，包括：

通过将人脸图像I_i(i＝1,2,,…,N_train)经过处理后加入卷积神经网络中训练，获得训练集中所有人脸图像的初级特征F_i(i＝1,2,,…,N_train)，其中N_train为训练集IMG_train的图像数量；

根据所述训练集中所有人脸图像的初级特征F_i的L₂范数得到所述人脸图像的质量量化值μ；

添加全连接参数层将所述初级特征F_i进行降维处理得到最终特征并得到同一身份的N张人脸图像构成的身份集合S_a的特征定义R_a(S_a)；

根据所述最终特征并将所述人脸图像的质量量化值μ作为附加权重信息得出加权平均值，将所述加权平均值加入训练，得到度量学习的损失函数；