[发明专利]一种基于视频的人脸识别方法、装置及存储介质

说明书

本发明提供一种基于视频的人脸识别方法、装置及存储介质，方法包括：导入视频数据集,视频数据集包括多个视频数据；分别对各个视频数据进行转换，得到与各个视频数据对应的多个视频帧；分别对各个视频帧进行特征提取，得到与视频帧对应的人脸特征向量和权重，并集合所有的人脸特征向量得到人脸特征向量集；对人脸特征向量集和所有的权重进行评价分析，得到最优特征向量，并将最优特征向量作为人脸识别结果。本发明避免了噪声样本的干扰，且无需参考评估和额外的训练评估模型,简化了处理步骤，减少了对数据数量的依赖性，实现了识别结果与特征表达能力相关，提高了在视频中进行人脸识别的准确性。

技术领域

本发明主要涉及图像处理技术领域，具体涉及一种基于视频的人脸识别方法、装置及存储介质。

背景技术

基于图像的人脸识别技术已经取得很大的进展，目前的算法在LFW数据集上已经获得接近100％的准确率，但基于视频的人脸识别效果依然不是很理想。考虑到某些应用场景无法对识别目标进行约束，直接提取人脸视频的某一帧进行识别并不能获得很好的效果，因此视频人脸识别具有较强的应用价值。相对于传统的特征提取方法，基于卷积神经网络的人脸特征提取方法能获得更加具有判别性的特征信息，而如何表征一组而不是一张人脸图像的特征是视频人脸识别的关键。

视频人脸识别可以被看成一个特征融合过程，最为常见的特征融合策略有最大池化、平均池化与分数池化。前两种方法是基于特征值的融合，后一种方法是基于特征值比对结果的融合。虽然这三种方法易于实现，却无法处理人脸的姿势和光照变换等问题。用于人脸验证和聚类的嵌入媒体池化方法，在平均池化方法的基础上加入了媒体编号信息，但这个方法只适用于IJB-A数据集，缺乏泛化能力。在深度学习特征上使用一组到一组距离度量的无约束人脸识别在平均池化方法的基础上提出了K近邻平均池化方法。该方法在特征比对过程中只考虑最相似目标的分数，这样能拉近类内特征距离，但同时也拉近了类间特征距离，容易受到噪声样本干扰，故该方法在单个视频人脸图像帧数较多的YTF数据集和IQIYI数据集上未能取得满意的效果，同时，现有技术大多数都需要进行参考评估，且还需要额外训练评估模型。

发明内容

本发明所要解决的技术问题是针对现有技术的不足，提供一种基于视频的人脸识别方法、装置及存储介质。

本发明解决上述技术问题的技术方案如下：一种基于视频的人脸识别方法，包括如下步骤：

导入视频数据集,所述视频数据集包括多个视频数据；

分别对各个所述视频数据进行转换，得到与所述视频数据对应的多个视频帧；

分别对各个所述视频帧进行特征提取，得到与各个所述视频帧对应的人脸特征向量和权重，并集合所有的人脸特征向量得到人脸特征向量集；

对所述人脸特征向量集和所有的权重进行评价分析，得到最优特征向量，并将所述最优特征向量作为人脸识别结果。

本发明解决上述技术问题的另一技术方案如下：一种基于视频的人脸识别装置，包括：

数据集导入模块，用于导入视频数据集,所述视频数据集包括多个视频数据；

数据转换模块，用于分别对各个所述视频数据进行转换，得到与所述视频数据对应的多个视频帧；

特征提取模块，用于分别对各个所述视频帧进行特征提取，得到与各个所述视频帧对应的人脸特征向量和权重，并集合所有的人脸特征向量得到人脸特征向量集；

识别结果获得模块，用于对所述人脸特征向量集和所有的权重进行评价分析，得到最优特征向量，并将所述最优特征向量作为人脸识别结果。

本发明解决上述技术问题的另一技术方案如下：一种基于视频的人脸识别装置，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，当所述处理器执行所述计算机程序时，实现如上所述的基于视频的人脸识别方法。