[发明专利]基于特征空间超分辨映射的低分辨率人脸识别方法

说明书

本发明所要解决的技术问题是提出一种基于特征空间超分辨映射的低分辨率人脸识别方法，设计了一个残差block作为映射模块基础架构，级联在人脸识别神经网络中特征提取部分之后。因为映射模块是一个轻量级神经网络，并且输入特征谱分辨率尺寸远低于原图尺寸，因此本方法的计算量远远低于图像空间超分辨率的方法，同时因为是在识别特征上映射，可以更有针对性地得到高判别性地高分辨人脸特征。本发明对低分辨率人脸识别有显著提升且计算代价很小，可以有效解决安防场景中无法识别低分辨率人脸的问题，是更适合实际产品部署的方法。

技术领域

本发明涉及计算机视觉技术，具体涉及低分辨率人脸识别技术。

背景技术

人脸识别是计算机视觉技术中最早、最广泛落地的技术之一，特别是在安防和移动支付领域带来了良好的经济效益。随着深度学习在人脸识别技术中的广泛应用，识别准确率得到了巨大提升，在特定场景和姿态下准确率已经可以达到商用标准。然而在更为通用的无约束自然场景下，采集的人脸图片可能具有不同的分辨率、姿态、光照、表情等，识别率会远远低于约束场景。特别在安防用途的室外场景中，监控摄像头采集的绝大多数人脸处在摄像头10米以外，导致人脸分辨率较低，现有的通用人脸识别算法无法有效识别分辨率30x30及以下的人脸，带来严重的安全漏洞。出现这一问题的主要原因，是低分辨率人脸提取的特征不具有强区分性。

为解决低分辨率人脸识别问题，目前集中在输入端人脸图像的处理。一类工作是通过对输入图像进行超分辨率重建，并且大多采用已有的图像超分辨率卷积神经网络SR-CNN,这一类方法需要在识别之前加入超分辨网络，增加了整个流程的步骤数，并且重建后的图像仍然无法为识别提供足够有用信息。另一类工作是依靠对抗生成网络GAN合成高分辨率人脸图像，用于后续的识别工作，但是合成的人脸图像往往很不自然并且带有较大不确定性，同时合成高分辨人脸需要较大的计算量，不利于模型的嵌入式端部署。

发明内容

本发明所要解决的技术问题是，针对先低分辨率人脸识别均是基于图像的超分辨率重建，计算量大且重建图像的判别性不高，而提出一种具有高判别性的低分辨率人脸识别方法。

本发明为解决上述技术问题所采用的技术方案是，基于特征空间超分辨映射的低分辨率人脸识别方法，包括以下步骤：

一、训练步骤：

1)完成对人脸识别神经网络的训练；所述人脸识别神经网络能有效识别高分辨率人脸；

2)完成对特征映射模块的训练；所述特征映射模块用于实现从低分辨率人脸特征谱到高分辨率人脸特征谱的映射；所述高分辨率人脸为分辨率为30x30以上的人脸图像，所述低分辨率人脸为分辨率在30x30及以下的人脸图像；

二、识别步骤：

1)获取输入的人脸图像的分辨率；

2)将人脸图像输入至训练完成的人脸分类网络，当人脸图像为低分辨率人脸时，将人脸分类网络中最后一层特征提取卷积层输出的特征谱经过全局平均池化完成维度匹配之后输入至特征映射模块，特征映射模块输出人脸图像的特征向量；当人脸图像为高分辨率人脸时，将人脸分类网络中最后一层特征提取全连接层输出的特征向量作为输入的人脸图像的特征向量；

3)依次计算输入的人脸图像的特征向量与数据库中已注册的各个人脸特征向量的余弦相似度，当有余弦相似度高于阈值的情况，则表明有识别结果输出，将对应的余弦相似度最高的已注册人脸作为识别结果输出。

现有解决方案都是，不仅计算量较大而且不能将重建的重点放在人脸识别中具有高判别性的特征上。当输入人脸图像分辨率较低时，现有人脸识别神经网络无法提取出具有高判别性的特征。