[发明专利]稀疏表示域中基于深度特征学习的人脸识别方法及系统

说明书

本发明公开了一种稀疏表示域中基于深度特征学习的人脸识别方法及系统，其中方法包括以下步骤：获取人脸图像；采用二维小波分解、局部二值算子与梯度算子对所述人脸图像进行处理，获得所述人脸图像的稀疏表示；将所述稀疏表示输入人脸识别模型进行人脸识别，获得人脸识别结果。本发明通过二维小波变换、局部二值算子和梯度算子处理原始人脸获得稀疏表示，去除冗余信息并保留了富含语义的信息，更适合神经网络对深度特征进行提取，提高人脸识别准确度，可广泛应用于计算机视觉领域。

技术领域

本发明涉及计算机视觉领域，尤其涉及一种稀疏表示域中基于深度特征学习的人脸识别方法及系统。

背景技术

生物特征识别技术是目前学术界与工业界致力于研究的一个重要方向，而在生物特征识别中的人脸识别是主要的组成成分。人脸识别的任务是身份鉴定，人脸是一个人身份外在的最直观的表现。同样可以作为身份鉴定的线索有很多，可以大致分为两类，一类是非生物特征，比如各种证件等，这类线索在这个时代可能会逐步被智能产物所更新替代；另一类则是生物特征，作为代表的有指纹、虹膜、掌纹等等。这类线索是人体的内在属性，具有很强的区分性和不可替代性，是目前计算机视觉研究者致力于研究的重要方向。在生物特征识别技术中，相比于指纹，虹膜，掌纹，人脸由于不需要采集对象高度配合，便于收集，自由灵活等优点，成为了最为广泛研究的生物特征。

人脸识别在访问控制，刷脸支付，远程服务等应用中有着重大作用，但是由于现实环境的复杂性，人脸识别也存在许多难题。一方面，同一个人会因为拍摄环境的灯光，拍摄角度，其自身的表情等因素的影响而造成差异，即类内差异大；另一方面，又可能由于基因相似或是某些外部因素如化妆等，造成不同人的人脸图像接近，即类外差异小。这使得深度模型能否从高维人脸图像提取具有强判别能力的特征成为关键。而强判别能力的特征所强调的是该特征的差异在类内应该尽可能小，而在不同类之间应该尽可能大。

由于人脸图像的维度很高，一般都在万维以上，高分辨率得人脸图像甚至能达百万维，以高维的人脸图像训练深度网络，会使得网络参数以及计算量大幅增加，且由于人脸图像存在冗余，还会使训练过程变得非常缓慢，同时这样的人脸数据也会增加存储空间。为了应对这一系列问题，有部分学术界的研究者在人脸识别中引入稀疏表示的理论基础，随后稀疏表示也成为人脸识别中的另一个研究方向。一方面，需要找到一种合适的方式方法对人脸数据进行稀疏变换；另一方面，需要在稀疏域中用合适的方法进行深度特征的提取以满足前面所述利用深度模型提取具有强判别能力的特征。通过合适的稀疏变换方法将高维人脸图像进行稀疏表示，在稀疏域中进行深度特征的学习，可以大大缩短迭代次数及训练时间，同时与直接使用原始图像进行训练相比，使用富含语义信息的稀疏域特征更有利于深度模型的学习。

发明内容

为至少一定程度上解决现有技术中存在的技术问题之一，本发明的目的在于提供一种稀疏表示域中基于深度特征学习的人脸识别方法及系统。

本发明所采用的技术方案是：

一种稀疏表示域中基于深度特征学习的人脸识别方法，包括以下步骤：

获取人脸图像；

采用二维小波分解、局部二值算子与梯度算子对所述人脸图像进行处理，获得所述人脸图像的稀疏表示；

将所述稀疏表示输入人脸识别模型进行人脸识别，获得人脸识别结果。

进一步，所述人脸识别模型为MobileFaceNet模型，所述MobileFaceNet模型在训练过程中，采用基于Angular margin的目标函数进行监督。

进一步，所述采用二维小波分解、局部二值算子与梯度算子对所述人脸图像进行处理，获得所述人脸图像的稀疏表示，包括：

对所述人脸图像进行二维小波分解，获得第一图像；

采用局部二值算子与梯度算子对所述人脸图像进行处理，获得第二图像；