[发明专利]一种基于交替对抗迁移学习的单样本人脸识别方法

说明书

本发明公开了一种基于交替对抗迁移学习的单样本人脸识别方法，属于计算、推算或计数的技术领域。该方法，采集待识别者的单张人脸样本并标注，设定该图像集合为“源域”；采集应用场景下的大量无标注人脸样本，设定该图像集合为“目标域”；搭建深度对抗迁移神经网络，在特征提取模块中增加特征通道加权模块，并使用大数据集对卷积网络特征提取器进行预训练；以“源域”图片与“目标域”图片为输入，对图片的标签的预测为输出；采用交替冻结的方式轮替训练特征提取器和特征通道加权模块，通过特征通道加权模块的特征重校准使得卷积网络特征提取器充分学习到样本整体分布以提取出高聚类的特征，并最终提高深度对抗迁移神经网络的人脸识别精度。

技术领域

本发明涉及人脸识别的计算机视觉技术，尤其涉及一种基于交替对抗迁移学习的单样本人脸识别方法，属于计算、推算或计数的技术领域。

背景技术

基于深度学习的人脸识别系统，需要采集大量的待识别者人脸样本以保证识别精度。然而，采集大量样本费时费力。近年来，在单样本人脸识别研究中提出的对抗迁移学习方法，依赖于使用小样本批量训练模型，以保证对抗迁移过程的充分性并提取出域无关特征，这样做虽然提高了单样本人脸识别的精度，但也因为小批量样本无法表示出样本集合特征的整体分布，而使得提取出的特征呈非聚类的状态，这限制了识别精度的进一步提升。因而合理设计一种能提取出域无关特征且特征呈聚类状态的深度对抗迁移学习算法具有重要的现实意义。

发明内容

本发明的发明目的是针对上述背景技术的不足，提供了一种基于交替对抗迁移学习的单样本人脸识别方法，在提取出域无关特征的同时，保证特征呈聚类状态，提高了深度对抗迁移算法下单样本人脸识别的精度，解决了深度对抗迁移算法下特征聚类的技术问题。

本发明为实现上述发明目的采用如下技术方案：

步骤1，采集待识别者的单张人脸样本并标注，使用人脸建模技术合成不同角度的样本图片扩充样本集合，设定该图像集合为“源域”；

步骤2，采集应用场景下的大量无标注人脸样本（无需来自待识别者），设定该图像集合为“目标域”；

步骤3，搭建深度对抗迁移神经网络，其包括一般的卷积网络特征提取器、Softmax分类器、Sigmoid判别器，以及本发明在特征提取器各特征提取模块中特别引入的特征通道加权模块，并使用大数据集对卷积网络特征提取器进行预训练，本申请将一个特征通道加权模块接在一个卷积层之后构建一个特征提取模块，多个特征提取模块依次接在下采样层之后形成特征提取器，特征通道加权模块对卷积层提取的特征进行特征重校准后输出各通道权重，卷积层提取的特征与各通道权重相乘后累加输入数据得到最终提取的特征；

步骤4，Fine-tune网络，网络的输入为“源域”图片与“目标域”图片，输出为a）对目标域图片和源域图片的域预测；b）对源域图片的标签预测；不同于一般的Fine-tune过程至始至终地采用小批量训练来确保模型的表现，本发明为了改善一般Fine-tune过程所造成的特征不聚类问题，采用交替冻结卷积网络特征提取器与特征通道加权模块的方式来使得提取出的特征呈聚类状态，具体地，在邻接的两个训练周期内，奇数周期冻结特征通道加权模块，并采用小批量样本对抗训练卷积层与判别器，提取出域无关特征；偶数周期冻结卷积网络特征提取器中的各卷积层，并采用大批量样本对抗训练特征通道加权模块与判别器，通过特征通道加权模块的特征重校准 使得卷积网络特征提取器充分学习到样本整体分布以提取出高聚类的特征，并最终提高深度对抗迁移神经网络的人脸识别精度。

本发明采用上述技术方案，具有以下有益效果：由于大样本批量能够提供丰富的有关数据的整体分布信息，且特征通道加权模块具有特征重校准的功能，故卷积网络特征提取器将被引导着提取出呈聚类状态的特征，因此在Fine-tune完成后，网络模型能够提取出域无关且高聚类的特征，并有较一般深度对抗迁移神经网络更高的人脸识别精度。

附图说明