[发明专利]基于产生式对抗学习网络的领域学习方法

说明书

一种基于产生式对抗学习网络的领域学习方法，包括以下步骤：1)收集源域人脸图像集，用人脸检测器定位人脸位置并抠出人脸图像；2)构建产生式神经网络G，输入输出为相同分辨率的人脸图像，其中输入为收集的特定应用场景人脸图像，输出为转换后的图像；3)构建分类神经网络D，运用卷积神经网络神经元，输入为产生式神经网络的输出图像和人脸分类器的训练图像，输出为两种输入图像的分类；4)采用异步方式迭代训练产生式神经网络G和分类神经网络D；5)在指定场景进行人脸识别时，先将输入人脸图像I进行转换G(I)，将转换后的人脸图像输入人脸识别模块得到人脸识别的结果。本发明对通用人脸识别器适应能力较强、数据成本较低。

技术领域

本发明属于图像处理和模式识别技术领域，涉及一种基于产生式对抗学习网络的领域学习方法。

背景技术

跨域应用分类模型是限制模式识别应用的一个主要问题。在基于人脸识别技术的实际应用中，如人证比对、人脸考勤、金融认证等，由于人脸分类器的训练数据集与实际应用场景的图像质量存在差异，造成人脸识别技术在实际应用中效果变差。针对特定的应用场景，重新收集人脸图像并人工标注足够的数据耗时耗力，尤其是目前普遍采用基于深度学习的人脸识别方法对训练样本需求量大，重新收集人脸图像并人工标注方法成本极大。

目前已有一些领域学习方法，通过实现源域到目标域的转换，降低两者的差异，改善异质图像识别的效果：《领域自适应模式识别方法及系统》103729648A中，通过将源域样本表示为目标域样本的线性组合来将其转换到目标域上，然后利用转换后的样本训练监督模型，并利用训练好的监督模型来进行目标域上的模式识别；《一种利用对抗网络和三维形态模型的大幅度人脸摆正方法》CN201710428491可以处理非前向人脸尤其大幅度偏摆的人脸图，提供一个生成网络和形态模型进行人脸的摆正，首先生成器将一张非前向正脸的人脸图当作输入去产生一张正向前脸图，同时分类器试图去对这张图像进行判别是否真实图像，并且利用反馈的信息去促使生成器生成的图像更加接近真实图像，同时利用识别引擎进行输入图像原有身份特征的保留。

发明内容

为了克服已有技术的适应能力较差、数据成本较高的不足，本发明提供了一种适应能力较强、数据成本较低的基于产生式对抗学习网络的领域学习方法。

本发明解决其技术问题所采用的技术方案是：

一种基于产生式对抗学习网络的领域学习方法，所述方法包括以下步骤：

1)收集源域人脸图像集，用人脸检测器定位人脸位置并抠出人脸图像；

2)构建产生式神经网络G，运用卷积神经网络神经元构建的神经网络为残差网络，输入输出为相同分辨率的人脸图像，其中输入为收集的特定应用场景人脸图像，输出为转换后的图像；

3)构建分类神经网络D，运用卷积神经网络神经元，输入为产生式神经网络的输出图像和人脸分类器的训练图像，输出为两种输入图像的分类；

4)采用异步方式迭代训练产生式神经网络G和分类神经网络D，产生式对抗网络模型的目标函数为：

其中，目标函数V(D，G)的值由网络产生式神经网络G和分类神经网络D决定，x～P_data表示样本x服从人脸分类器训练样本的样本分布P_data，z～P_z表示样本z服从指定应用场景的人脸图像分布P_z；D(x)表示输入x经过网络D后得出的输出，G(z)表示输入z经过网络G后得出的输出，E是数学期望运算符号；

限制产生式神经网络G对输入的改变量，改进后网络优化的目标函数为：

其中，α∈(0,1)是权重系数，F()是特征描述子，c∈(0,1)是阈值；