[发明专利]一种人脸识别网络与行人再识别网络协同训练方法

说明书

本发明公开了一种人脸识别网络与行人再识别网络协同训练方法，采用双网络并行网络结构，将人脸与行人进行特征融合，把融合后的特征作为行人输出特征，使其具有更强的人脸特征表达能力，并根据人脸图像清晰度的不同对人脸识别网络与行人再识别网络采用不同的监督信号进行训练，当人脸图像清晰度较低时，用行人再识别网络的预测结果与真实标签的加权相加的结果作为监督信号，指导人脸识别网络进行训练；当人脸图像清晰度较高时，将人脸识别网络的预测结果与真实标签的加权相加的结果作为监督信号，指导行人再识别网络进行训练，既加强了人脸识别对于行人再识别结果的影响，又能够在人脸图像模糊的情况下利用行人再识别的预测结果指导人脸特征分类。

技术领域

本发明属于深度神经网络提取脸部特征的深度学习领域，涉及到神经网络、模式识别等技术，尤其涉及到一种人脸识别网络与行人再识别网络协同训练方法。

背景技术

我国平安城市建设发展迅速，利用众多的视频监控摄像头快速、准确获取场景中的人像信息对安防和公安刑侦业务十分重要。快速有效的自动身份验证在安防领域变的越来越迫切，利用视频监控进行人脸识别与行人再识别，越来越受到公安部门的重视。

当前人脸识别、行人再识别技术成果在学术研究领域突飞猛进，但目前大多数人脸识别系统也只能应用在一些有较严格规范的限制环境下进行，在现实生活的自然场景中，会存在由于人脸分辨率低、人脸姿态变化等因素而无法进行人脸识别的问题。同时，行人再识别也是非常具有挑战性的，因为同一个人在不同摄像头视域下捕获到的行人图像常常有着分辨率、亮度、姿态和视角等的显著变化。由于监控摄像头拍摄到的尺寸通常较小，因此大量的视觉细节(如人脸)在图像中是模糊不可区分的，而一些行人图像在外观上看起来又比较相似。从计算机视觉的角度来看，行人再识别中最具挑战性的问题是如何在剧烈地外观变化下(例如照明、姿势和视域等)正确地匹配同一个人的两张行人图像。

解决上述问题的关键就是克服非限定条件的监控场景下人脸识别与行人再识别问题。根据人脸识别与行人再识别之间的关联性，提高现实场景下人脸识别及行人再识别准确率。目前,深度学习由于其强大的表征能力,提取的特征相比传统方法手工构造的特征具有更强的鲁棒性,因此被广泛应用于人脸识别、行人再识别中。但是人脸识别、行人再识别通常作为两个独立的任务进行研究，忽略了人脸识别与行人再识别之间的相关关系，仅仅依赖于衣服、身高等信息去进行行人再识别不具有高效性。

发明内容

本发明克服了现有技术的不足之处，提出了一种人脸识别网络与行人再识别网络协同训练方法，意在利用人脸识别卷积神经网络与行人再识别卷积神经网络相互协同训练，获得集人脸识别与行人再识别功能于一体的网络模型，提高非限定条件下的基于监控视频的人脸识别与行人再识别准确率。

本发明为达上述发明目的，采用如下技术方案：

一种人脸识别网络与行人再识别网络协同训练方法，其步骤包括：

步骤(1)：对DukeMTMC-reID行人再识别数据集利用开源人脸识别引擎SeetaFace的人脸检测模块进行人脸检测，所述人脸检测模块采用漏斗型级联结构(Funnel-Structured Cascade，FuSt)，FuSt级联结构在顶部由多个针对不同姿态的快速LAB级联分类器构成，紧接着是若干个基于SURF特征的多层感知机(MLP)级联结构，最后由一个统一的MLP级联结构来处理所有姿态的候选窗口，最终保留正确的人脸窗口，得到人脸图像。

步骤(2)：由步骤(1)经过人脸检测成功后总共获得N个行人图像和N个人脸图像，将从第i个行人图像H_i中得到的人脸图像记为F_i，H_i和F_i组成数据对(H_i，F_i)，H_i和F_i具有相同的身份标签，H_i和F_i(i＝1,2,…,N)分别构成行人训练数据集和人脸训练数据集。