[发明专利]一种小样本人脸识别方法及系统在审
申请号: | 202211517539.5 | 申请日: | 2022-11-30 |
公开(公告)号: | CN115862103A | 公开(公告)日: | 2023-03-28 |
发明(设计)人: | 陈忠;陈细平;李俊钧;张仲恺;陈金 | 申请(专利权)人: | 杭州半云科技有限公司 |
主分类号: | G06V40/16 | 分类号: | G06V40/16;G06V10/82;G06V10/766;G06N3/0464;G06N3/0455;G06N3/096 |
代理公司: | 北京天达知识产权代理事务所有限公司 11386 | 代理人: | 庞许倩 |
地址: | 310000 浙江省杭州市*** | 国省代码: | 浙江;33 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 一种 小样 本人 识别 方法 系统 | ||
本发明涉及一种小样本人脸识别方法及系统,属于人脸识别技术领域,解决了现有人脸样本数量小时识别结果偏差大的问题。包括获取人脸图片,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,构建人脸图像库;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。提高了小样本人脸识别的准确率。
技术领域
本发明涉及人脸识别技术领域,尤其涉及一种小样本人脸识别方法及系统。
背景技术
人脸识别技术是计算机视觉任务中基本而悠久的研究课题之一。随着深度卷积神经网络和大规模数据集的发展,基于深度学习的人脸识别技术得到前所未有的进步,并且广泛应用到实际生活需求之中。对于给定一对图像或者视频帧为输入,通过人脸识别神经网络输出人脸特征,从而实现人脸识别。
目前基于神经网路模型的人脸方法虽可以达到一个较好的检测效果,但是训练模型所得权重文件较大,模型的参数量和计算量巨大,耗时长。并且以往深度神经网络的人脸识别算法需要利用大量人脸数据集样本进行训练才能得到较好的识别效果。但当单个类别训练样本数量很少时,模型缺乏对少量人脸图片的表征能力,降低了识别精度,现今大多数人脸公开数据集例如WiderFace、MegaFace、LFW、MS1MV2等存在严重的类分布不平衡,即存在长尾效应,从人种类别角度划分数据集,白种人和大高加索人种占了主导地位约占数据集72%,东亚人种和非洲黑色人种约占8%。从年龄类别划分数据集,17~46岁年龄段的数据占了主导地位约占65%。从人脸图像视角划分数据集,正脸视角数据约占52%,半脸视角数据约占16%,斜侧脸视角数据约占32%。上述种种的数据类别分布不平衡导致基于这些数据的Arcface模型是一个有偏估计模型。
而且,大多人脸识别模型基于softmax代价函数附加一个正则化因子的方式来优化和训练模型,此类方式优化模型存在两个缺陷,1)对数据集数据量级以及每个人脸id中人脸样本个数要求较大,否则训练出来的模型很难具有良好泛化能力;2)当数据中存在大量类别不均衡时,以此种方式训练的出来的模型常常具有很大偏差,导致模型类别较少的数据上精度表现较差,使得人脸识别结果不准确。
发明内容
鉴于上述的分析,本发明实施例旨在提供一种人脸识别方法及系统,用以解决现有人脸样本数量小时识别结果偏差大的问题。
一方面,本发明实施例提供了一种小样本人脸识别方法,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,根据人脸特征向量及其对应的人脸图片,构建人脸图像库;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。
基于上述方法的进一步改进,基于欧式距离,获取人脸图像库中与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。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于杭州半云科技有限公司,未经杭州半云科技有限公司许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/202211517539.5/2.html,转载请声明来源钻瓜专利网。