[发明专利]基于生成式对抗网络的人脸非监督特征学习方法及装置

说明书

本发明公开了一种基于生成式对抗网络的人脸非监督特征学习方法及装置，通过对已收集的原始人脸图像进行预处理，以转换成设定尺寸的人脸训练图像；将转换好的人脸训练图像作为训练数据对构建的深度卷积生成对抗网络中的目标生成网络进行训练；将生成的随机向量集输入到训练好的目标生成网络中，得到与随机向量集相对应的生成图像集；将得到的生成图像集输入到构建的深度卷积神经网络的深度回归网络中，对深度回归网络进行训练，提取生成图像集的人脸特征向量。本发明提供的基于生成式对抗网络的人脸非监督特征学习方法和装置，采用DCGAN和DCNN相结合的方式来做非监督学习，利用深度回归网络来学习一个逆向的目标生成网络，学习效果佳，识别精度高。

技术领域

本发明涉及人脸识别技术领域，特别地，涉及一种基于生成式对抗网络的人脸非监督特征学习方法及装置。

背景技术

随着深度学习的发展、互联网大数据的积累、以及硬件的发展，目前的人脸识别技术较10年前有了质的飞跃，广泛用于安防，金融等认证领域。在公开数据集LFW(LabledFaces in the Wild，户外脸部检测数据集)上，大部分公司也都能将ERR(错误)降低到1％以内。然而目前基于深度学习的人脸识别算法大都基于监督学习，需要大量的标记的样本，比如2万人每人50张以上这样的数据集。数据的收集耗费大量的人力物力和财力，故而技术的壁垒变成了数据。而基于非监督学习的人脸识别算法一直未取得较好的效果。

因此，现有的采用监督学习的人脸识别算法，需要大量的样本和耗费大量的人力物力，而采用基于非监督学习的人脸识别算法一直未取得较好的效果，是一个亟待解决的技术问题。

发明内容

本发明提供了一种基于生成式对抗网络的人脸非监督特征学习方法及装置，以解决现有的采用监督学习的人脸识别算法，需要大量的样本和耗费大量的人力物力，而采用基于非监督学习的人脸识别算法一直未取得较好的效果的技术问题。

本发明采用的技术方案如下：

根据本发明的一个方面，提供一种基于生成式对抗网络的人脸非监督特征学习方法，包括步骤：

对已收集的原始人脸图像进行预处理，以转换成设定尺寸的人脸训练图像；

将转换好的人脸训练图像作为训练数据对构建的深度卷积生成对抗网络中的目标生成网络进行训练；

将生成的随机向量集输入到训练好的目标生成网络中，得到与随机向量集相对应的生成图像集；

将得到的生成图像集输入到构建的深度卷积神经网络的深度回归网络中，对深度回归网络进行训练，提取生成图像集的人脸特征向量。

进一步地，对已收集的原始人脸图像进行预处理，以转换成设定尺寸的人脸训练图像的步骤包括：

对已收集的原始人脸图像进行人脸检测，以检测出人脸图像的眼睛坐标；

使用眼睛坐标对原始人脸图像内的人脸进行对齐和归一化处理，以转换成设定尺寸的人脸训练图像。

进一步地，将转换好的人脸训练图像作为训练数据对构建的深度卷积生成对抗网络中的目标生成网络进行训练的步骤包括：

对原深度卷积生成对抗网络的网络结构进行改进，构建新的用于生成人脸目标图像的目标生成网络及用于对生成的人脸目标图像进行判别的目标判别网络；

在构建的目标生成网络中添加深度卷积层，使输入目标生成网络的随机向量转换为设定尺寸的人脸目标图像进行输出。

进一步地，在构建的目标生成网络中添加深度卷积层，使输入目标生成网络的随机向量转换为设定尺寸的人脸目标图像进行输出的步骤之后包括：

运用目标判别网络对目标生成网络输出的人脸目标图像进行判别，判别出人脸目标图像与人脸真实图像。