[发明专利]一种小样本人脸识别方法及系统

权利要求书

1.一种小样本人脸识别方法，其特征在于，包括如下步骤：

获取人脸图片，将人脸图片输入至训练好的人脸识别网络，得到人脸特征向量，根据所述人脸特征向量及其对应的人脸图片，构建人脸图像库；所述人脸识别网络通过训练编码网络和解码网络提取公开的人脸数据集的特征，并将其中大样本人脸数据集的特征迁移至小样本人脸数据集的特征中训练细粒度网络而得到；

检测并预处理实时采集的视频图片，得到待识别人脸图片，输入至训练好的人脸识别网络，得到待识别特征向量；基于欧式距离，获取人脸图像库中与所述待识别特征向量的欧式距离最小且小于阈值的人脸特征向量对应的人脸图片，作为识别结果。

2.根据权利要求1所述的小样本人脸识别方法，其特征在于，所述基于欧式距离，获取人脸图像库中与所述待识别特征向量的欧式距离最小且小于阈值的人脸特征向量对应的人脸图片，包括：

对人脸图像库中的人脸特征向量进行聚类分析，得到各向量类别；

计算所述待识别特征向量分别与各向量类别的聚类中心的欧式距离，取最小欧式距离对应的向量类别为待比对类别，再计算所述待识别特征向量分别与待比对类别中人脸特征向量的欧式距离，获取最小欧式距离且小于阈值的人脸特征向量对应的人脸图片。

3.根据权利要求2所述的小样本人脸识别方法，其特征在于，所述人脸识别网络通过训练编码网络和解码网络提取公开的人脸数据集的特征，并将其中大样本人脸数据集的特征迁移至小样本人脸数据集的特征中训练细粒度网络而得到，包括：

预处理公开的人脸数据集，根据各类别中同一个人的人脸图片数量，划分为大样本数据集和小样本数据集；

根据大样本数据集，训练编码网络和解码网络后，再根据编码网络提取出公开的人脸数据集的特征，放入特征集合；将其中大样本人脸数据集的特征迁移至小样本人脸数据集的特征，更新特征集合；

根据更新后的特征集合，构建三元组特征样本，以triple三元函数为损失函数训练细粒度网络。

4.根据权利要求3所述的小样本人脸识别方法，其特征在于，所述预处理公开的人脸数据集，包括：

使用RetinaFace人脸关键点检测模型，对公开的人脸数据集中的人脸图片进行关键点检测，得到关键点坐标；所述关键点包括：左眼、右眼、左嘴角、右嘴角和鼻子；

通过水平翻转人脸图片，得到翻转后关键点坐标；

计算每张人脸图片中每个关键点坐标与对应的翻转后关键点坐标的绝对值距离，求和得到每张人脸图片翻转前后的差异值；

过滤掉差异值大于差异阈值的人脸图片，得到预处理后的公开的人脸数据集。

5.根据权利要求3所述的小样本人脸识别方法，其特征在于，所述根据大样本数据集，训练编码网络和解码网络，包括：

构建编码网络和解码网络，分别设置初始网络参数，得到重构网络；

基于大样本数据集，以L2回归函数作为损失函数，使用SGD随机梯度下降法优化重构网络参数，训练结束得到确定的编码网络模型参数。

6.根据权利要求3所述的小样本人脸识别方法，其特征在于，所述编码网络包括多层bottleneck层、1层flatten层和1层全连接层，其中，第1层bottleneck层包括3个卷积层，其它bottleneck层包括4个卷积层，每个卷积层依次包括1个卷积操作、1个批归一化和1个线性整流器；所述解码网络包括1层全连接层、1层Reshape层和多层上采样层，其中，解码网络中的上采样层数量与编码网络的bottleneck层数量相同，每层上采样层包括：1个转置卷积层和3个卷积层；细粒度网络为多层结构，每层结构包括1个全连接层、1个批归一化和1个线性整流器。

7.根据权利要求5所述的小样本人脸识别方法，其特征在于，所述编码网络的输入是M×M×3格式的样本数据，96≤M≤168；编码网络的输出是N×1的特征向量，256≤N≤320。