[发明专利]基于深度卷积神经网络的异质人脸识别方法

摘要

本发明公开了一种基于深度卷积神经网络的异质人脸识别方法。该方法通过对可见光、近红外‑可见光图像进行相同预处理；用预处理的可见光图像对深度卷积神经网络预训练，为异质图像的深度卷积神经网络训练提供先验知识；将近红外和可见光图像按照一定规则构成三元组，并挑选出预训练的异质图像深度卷积神经网络较难区分的难三元组；将挑选出的难三元组输入预训练后的异质图像深度卷积神经网络进行精调，反复迭代难三元组选择、精调过程至异质图像深度卷积神经网络性能不再提升，之后利用训练好的异质图像深度卷积神经网络模型进行异质人脸识别。本发明显著提升了异质人脸识别准确率，可有效缓解小规模数据在卷积神经网络训练中易过拟合的问题。

主权项

1.一种基于深度卷积神经网络的异质人脸识别方法，其特征在于，包括以下步骤：步骤S1，对预训练图像中的人脸图像及相关的可见光图像‑近红外图像进行相同的图像预处理，得到预设大小的灰度图像；步骤S2，用预处理好的可见光图像对预设深度卷积神经网预训练，得到人脸的高层次特征表达，得到预训练的异质人脸识别卷积神经网络模型；步骤S3，按预设方法分别以训练图像中的近红外图像、可见光图像作为锚点，构建由锚点、正样本和负样本组成的跨域近红外‑可见光三元组，并利用所述预训练的异质人脸识别卷积神经网络模型从训练图像中选取跨域难三元组；步骤S4，将选取的跨域难三元组输入所述预训练的异质人脸识别卷积神经网络模型进行训练，得到跨近红外域和可见光域的统一深层特征表达；步骤S5,按步骤S3‑S4的方法，利用上一轮训练好的异质人脸识别卷积神经网络模型，进行下一轮难三元组选择和训练，计算异质识别的正确率及真阳性率，多次迭代直到所述异质识别的正确率及真阳性率的评价标准达到最高值，获得最终的异质人脸识别卷积神经网络模型；步骤S6,将近红外图像或可见光图像输入该最终的异质人脸识别卷积神经网络模型，通过比较近红外图像或可见光图像与人脸识别系统注册时图像库中的可见光人脸图像或近红外图像高层特征的相似度得分，实现对人脸图像识别。