[发明专利]一种基于视频流的动态人脸识别方法和装置

说明书

本发明公开了一种基于视频流的动态人脸识别方法和装置。方法包括：对训练视频流进行样本采集，得到人脸图像训练样本；将人脸图像训练样本送入神经网络中进行训练，每个人脸图像训练样本训练得到一个多维特征向量，将所述多维特征向量进行归一化，并将属于同一个人的K个多维特征向量聚合为一个特征向量；利用聚合得到的特征向量，对未知视频流进行人脸识别。本发明方法识别精度更高，误识率更低，样本利用率更高，并可以改善假脸攻击问题。

技术领域

本发明涉及人脸识别技术领域，具体涉及一种基于视频流的动态人脸识别方法和装置。

背景技术

人脸识别不仅是人工智能领域的研究热点，在公共安全领域，其研究也有着重要的现实意义。基于单帧图像的人脸识别技术通常包括人脸图像样本采集、样本图像预处理、分类器训练和样本识别等技术环节。人脸图像样本采集是人脸识别的基石，其意义不言而喻。人脸识别样本采集工作以往都是基于图像的方式，比如，不同人在不同姿态、光照、表情等差异下利用手机、普通摄像机等进行不同角度自拍，最后进行人脸样本图片清洗、整理工作。样本图像预处理包括人脸检测、人脸关键点检测、人脸对齐矫正等步骤。人脸检测就是将人脸识别样本中的人脸区域检测出来，用于人脸关键点检测，通过人脸关键点检测将不同姿态人脸样本进行对齐矫正。分类器训练是基于端到端的深度神经网络，将不同人的所有人脸样本分为不同的类别。样本识别就是对未知样本进行类别预测与验证。

目前基于单帧图像的人脸识别系统已经很普遍，但由于误识别较多因此识别精度受限，同时基于单帧图像的人脸识别也无法解决“真人图片攻击”、“视频回放”、“面具攻击”防伪问题。

发明内容

本发明的目的在于针对现有人脸识别方法识别精度低、误识多等问题，提供一种基于视频流的动态人脸识别方法，该方法具有更高的识别精度，更低的错误识别率，以及更高的样本利用率。本发明的目的还在于提供一种视频流的动态人脸识别装置。

为实现上述发明目的，本发明采用如下技术方案。

第一方面，提供一种基于视频流的动态人脸识别方法，包括：S1、对训练视频流进行样本采集，得到人脸图像训练样本；S2、将人脸图像训练样本送入神经网络中进行训练，每个人脸图像训练样本训练得到一个多维的特征向量，将所述多维特征向量进行归一化，并将属于同一个人的K个多维特征向量聚合为一个特征向量，通过将聚合得到的特征向量进行分类器训练得到分类模型，将不同人的所有人脸样本分为不同的类别；S3、利用聚合得到的特征向量，对未知视频流进行人脸识别。

一种可能的实现方式中，步骤S1还包括：对人脸图像训练样本进行分类清洗，使得属于同一个人的人脸图像训练样本被置于同一子集。

一种可能的实现方式中，步骤S2之前还包括：对人脸图像训练样本进行人脸检测、人脸关键点检测和人脸对齐矫正。

一种可能的实现方式中，所述将属于同一个人的K个多维特征向量聚合为一个特征向量，包括：通过对属于同一个人的K个多维特征向量按照不同权值分配进行线性组合，将K个特征向量聚合为一个特征向量。

一种可能的实现方式中，步骤S2具体包括：

针对每个人脸图像训练样本获得一个512维的特征向量Fⁱ_k，i＝1,2,…,n，n为总人数，i表示其中第i个人，k＝1,2,…,K_i，K_i为第i个人的人脸图像训练样本的总个数，k表示其中第k个人脸图像训练样本；

经过L2范数对得到的特征向量进行归一化；

将归一化后的、同一个人的K个特征向量聚合为一个特征向量，表示为：

其中，是线性权值因子。

一种可能的实现方式中，线性权值因子通过以下公式计算获得：