[发明专利]一种图像质量无关的深度学习人脸模型训练方法

说明书

本发明公开了一种图像质量无关的深度学习人脸模型训练方法。本发明对训练样本作了如下三种方式处理：随机将其中的一部分转化为灰度图像，并且最终使得该类样本中，灰度图像数量为M/2个。随机将其中M/2个样本进行降低图像质量处理。随机对其中M/2个样本加入高斯噪声。经过训练样本预处理后，使得在端到端的深度学习过程中，神经网络会尽量避免学习到与图像质量有关的特征，从而使得人脸识别模型最终能够做到图像质量无关。

技术领域

本发明属于视频监控技术领域，涉及一种图像质量无关的深度学习人脸模型训练方法。

背景技术

人脸识别是人脸信息处理中的一个焦点问题，它在基于内容的检索、数字视频处理、公安刑侦等领域有着极为广泛的价值，而目前对于人脸检索方法的研究，主要集中在以下几个方面：

对于人脸特征的研究；人脸特征算法决定了最终检索的效果，传统方法例如专利《人脸识别方法及人脸识别系统》[201010034359.2]，将人脸划分成若干子区域来提取纹理特征。

对于检索速度的研究；例如专利《一种大规模人脸图像检索方法》[201210527836.8],通过对人脸图像数据库中的所有人脸图像建立倒排索引，并利用重排序算法对候选人脸图像集合进行重排序，从而实现大规模人脸库上快速的检索。

利用深度神经网络来进行端到端的人脸识别，例如专利《一种人脸识别装置》[201520986440.9]。

特别的，对于基于深度学习的人脸识别方法，由于采用了端到端的策略，神经网络中所学习到的特征很大程度上会受到训练样本的影响。例如，当同一个人脸ID的样本中绝大部分都是黑白图像时，神经网络就会倾向于学习图像的颜色特征来区分这个ID的人脸，而图像的颜色特征，并不是一个真正意义上有效的人脸特征，利用这种特征来进行人脸识别，就会导致黑白的人脸之间相似度会比较高，这样的模型就无法做到颜色无关。

发明内容

本发明针对上述技术问题，提出了一种新的训练方法，对于训练样本进行预处理，使得在端到端的深度学习过程中，神经网络会尽量避免学习到与图像质量有关的特征，从而使得人脸识别模型最终能够做到图像质量无关。

本发明中假设训练样本共有N类，每类共有M个样本，对每一类中的M个样本进行如下操作：

随机将其中的一部分转化为灰度图像，并且最终使得该类样本中，灰度图像数量为M/2个。若原本灰度图像数量就已经超过M/2时，则将该类的所有样本从训练集中剔除。

随机将其中M/2个样本进行降低图像质量处理，具体是：假设原图分辨率为W*H，降质比例为r，则降质后的图像分辨率为(W*r)*(H*r)，再将降质后的图像放大至原始图像分辨率，这样就使得在保持图像尺度不变的情况下，降低了图像的有效分辨率。

随机对其中M/2个样本加入高斯噪声，具体是：假设高斯噪声满足分布：

对于每个像素，按此分布生成一个随机数，并在乘以一定值后与原像素值相加。

本发明的有益效果：

1、对图像质量特征（例如颜色、低质、噪声等）具备无关性；

2、能将计算量更有效的集中在人脸特征上，提高计算效率；

3、对人脸特征学习更加充分，提升整体识别性能。

具体实施方式