[发明专利]多场景适应性模型融合方法及人脸识别系统

说明书

本申请提供一种多场景适应性模型融合方法及人脸识别系统。本申请根据不同目标平台筛选出满足运算速度要求的若干人脸识别模型，将其组合为若干模型组合，然后分别在不同场景下评估各模型组合的精度和阈值，根据不同模型组合的精度和阈值筛选出精度高且阈值兼容性强的模型组合构建融合模型。由此所获得的融合模型能够以单一阈值实现对多种人脸识别场景的兼容，能够快速部署于不同识别场景，并提高系统进行人脸识别的识别速度和识别准确度。

技术领域

本申请涉及人脸识别技术领域，具体而言涉及一种多场景适应性模型融合方法及人脸识别系统。

背景技术

人脸识别技术通过分析处理人脸视觉特征信息进行身份鉴别。与其他生物特征相比，人脸特征具有天然性、方便性和非接触性等优点，使其在安全监控、身份验证、人机交互等方面具有巨大的应用前景。由于人脸识别技术广泛的应用性，当前人脸识别在计算机领域占据重要地位。

一般而言，人脸识别过程分为两个过程：人脸特征提取和人脸相似度得分值计算。人脸特征提取过程是提取人脸图片的一些关键特征形成人脸特征向量，人脸相似度得分值计算过程是计算两个人脸特征向量之间的相似度，相似度越高则表明两张人脸图片越有可能来自于同一个人，反之，则越表明两张人脸图片来自于不同的人。在某些情况下，更关心的是人脸特征提取部分。

现有的人脸特征提取方法包括LBP(局部二值模式)方法和它的变种方法等，这些局部纹理特征提取方法通过对整张人脸图片进行分块统计形成直方图向量，并将各个块的直方图向量级联最终形成人脸特征向量。由于这种方法是对整张人脸进行局部纹理特征提取，因此，其所形成的特征向量维数是比较大的，其中包含了一些冗余信息，并且容易受面部遮挡物、光线、环境背景影响，导致识别偏差。现有的人脸识别技术对于复杂环境下表情或姿态的变化并不鲁棒。现有的各类人脸识别模型会出现在某一场景过拟合的问题，即在某一种场景识别精度高，但是在其他场景精度很低的情况。

发明内容

本申请针对现有技术的不足，提供一种多场景适应性模型融合方法及人脸识别系统，本申请通过融合模型以单一阈值实现对多种人脸识别场景的兼容，能够快速部署于不同识别场景，并提高系统进行人脸识别的识别速度和识别精度。本申请具体采用如下技术方案。

首先，为实现上述目的，提出一种多场景适应性模型融合方法，其步骤包括：第一步，穷举出模型库中分别对应不同场景的人脸识别模型的组合；第二步，筛选出第一步各组合中运算速度满足目标平台要求的组合，将其记录为模型组合；第三步，对第二步所获得的每一个模型组合分别计算其在各场景中的精度和阈值C{a1,t1}， C{a2,t2}，... ，C{an,tn}，然后分别对各精度和各阈值进行归一化处理，获得每一个模型组合在各场景中的归一化精度An和归一化阈值Tn；其中，n表示场景标号，an表示第n号场景中模型的精度，tn表示第n号场景中模型的阈值；第四步，计算每一个模型组合在各场景中归一化精度的加权和ACC=C{w1*A1+w2*A2+…+wn*An}，计算每一个模型组合在各场景中归一化阈值的方差VAR=var(T1, T2, T3,… , Tn)；其中，wn表示模型组合在第n号场景所对应的归一化精度的加权值；第五步，根据所述归一化精度的加权和ACC、归一化阈值的方差VAR分别计算各模型组合和的评估值Eval=ACC+(1-VAR)；第六步，筛选出评估值Eval最高的模型组合，根据该模型组合构建融合模型，以拼接组合该模型组合中各人脸识别模型所提取出的特征向量并根据拼接组合后所得特征向量组进行人脸识别。

可选的，如上任一所述的多场景适应性模型融合方法，其第三步中，模型组合在第n号场景中的精度an由以下步骤获得：按照第n号场景所对应的测试集计算模型组合在该场景下的ROC曲线；在ROC曲线中查找符合误检率要求的召回率或误检测率，计算获得该模型组合在第n号场景中的精度an。

可选的，如上任一所述的多场景适应性模型融合方法，其第三步中，模型组合在第n号场景中的阈值tn由以下步骤获得：按照第n号场景所对应的测试集计算模型组合在该场景下的ROC曲线；在ROC曲线中查找符合误检率要求的阈值tn。