一种基于多任务卷积神经网络的人脸检索方法与流程

技术特征：

1.一种基于多任务卷积神经网络的人脸检索方法，其特征在于，包括以下步骤：

第一步：对于需要进行人脸识别的任意一张人脸影像，检测获取其中的人脸位置，并根据所获取的人脸位置，检测获取人脸影像的关键点位置；

第二步：根据所述人脸影像的人脸位置和关键点位置，对所述人脸影像进行预处理操作；

第三步：预先建立多任务卷积神经网络，然后将预设标准大小的人脸影像输入到所述多任务卷积神经网络中，对所述多任务卷积神经网络进行训练，直到使得所述多任务卷积神经网络的模型收敛而完成训练；

第四步：将所述经过预处理操作的人脸影像，输入到所述完成训练的多任务卷积神经网络中，获得所述人脸影像对应的身份特征表达向量和多个属性特征表达向量；

第五步：预先建立人脸特征数据库，所述人脸特征数据库中预先存储多个已知用户身份的候选人脸影像及每个候选人脸影像对应的身份特征表达向量和多个属性特征表达向量；

第六步：将所述人脸影像对应的身份特征表达向量与所述人脸特征数据库中预先存储的每个候选人脸影像具有的身份特征表达向量逐一进行对比并实时计算相似度，根据所获得的相似度，按照相似度从大到下的顺序对应排序，输出所述人脸特征数据库中预先存储的多个候选人脸影像，从而获得候选人脸影像列表；

第七步：将所述人脸影像对应的多个属性特征表达向量，分别与所述候选人脸影像列表中每个候选人脸影像对应的多个属性特征表达向量逐一进行对比并实时计算相似度，获得所述人脸影像与每个候选人脸影像之间的多个相似度得分；

第八步：对所述人脸影像与每个候选人脸影像之间的多个相似度得分分别进行归一化处理后进行分数融合，获得所述人脸影像与每个候选人脸影像之间的融合相似度得分；

第九步：按照融合相似度得分的从大到下的顺序，对所述候选人脸影像列表中的多个候选人脸影像进行重新排序，重新排序后获得的候选人脸影像列表即为对所述人脸影像进行人脸识别检索的结果。

2.如权利要求1所述的方法，其特征在于，所述第二步具体包括以下步骤：

预先定义一个标准人脸所具有的关键点位置和光照条件；

通过预设的图像变换算法将所述人脸影像的关键点位置对齐至标准人脸的关键点位置；

通过预设的图像处理算法，对所述经过对齐处理后的人脸影像进行光线校正，使得所述经过对齐处理后的人脸影像的光照条件变换至所述标准人脸具有的光照条件。

3.如权利要求2所述的方法，其特征在于，预先定义一个标准人脸所具有的关键点位置和光照条件具体为：

预先根据多个人脸影像的关键点位置信息和光照条件，通过求平均计算，获得所述标准人脸具有的关键点位置和光照条件。

4.如权利要求1所述的方法，其特征在于，所述多任务卷积神经网络包括依次对所输入人脸影像进行处理的输入层、预设多个卷积层、预设多个池化层、预设多个全连接层和输出层。

5.如权利要求1所述的方法，其特征在于，在第三步中，所述将预设标准大小的人脸影像输入到所述多任务卷积神经网络中，对所述多任务卷积神经网络进行训练的步骤，包括以下子步骤：

将预设标准大小的人脸影像输入到多个预设的人脸属性特征分类损失函数中，然后计算所述预设标准大小的人脸影像对应的多个人脸属性特征的损失值；

使用所述预设标准大小的人脸影像对应的多个人脸属性特征的损失值一起，来反向调节所述多任务卷积神经网络中的所有权重，使得所有权重的加权损失和最低。

6.如权利要求5所述的方法，其特征在于，所述多个预设的人脸属性特征分类损失函数包括预设的人脸身份分类损失函数、人脸性别分类损失函数和人脸年龄分类损失函数；

其中，所述人脸身份分类损失函数为softmax损失函数，所述人脸性别分类损失函数为hinge损失函数，所述人脸年龄分类损失函数为平方损失函数。

7.如权利要求6所述的方法，其特征在于，所述softmax损失函数的公式如下所示：

其中，N是类别数目，x是输入的人脸影像，y^Identity∈R^N×1是表示人脸影像类别的类别向量，代表多任务卷积神经网络学到的人脸身份分类器第i个节点的输出；

所述hinge损失函数的公式如下所示：

其中，y^Gender∈{-1,+1}是代表人脸影像性别的标签，是多任务卷积神经网络对输入的人脸影像性别的预测输出；

所述平方损失函数的公式如下所示：

其中，y^Age是人脸影像的年龄真实值，是多任务卷积神经网络对输入的人脸影像年龄的预测输出。

8.如权利要求1所述的方法，其特征在于，在所述第三步中，对所述卷积神经网络进行训练的步骤具体为：

将任意一张预设标准大小的人脸影像及其对应的人脸身份及属性标签信息输入到所述卷积神经网络的输入层，由所述卷积神经网络的卷积层和池化层来提取这张人脸影像的特征值，然后从输出层输出；

将这张预设标准大小的人脸影像的特征值送入分类器进行分类，分别获取由卷积神经网络判断得出的人脸身份及属性标签信息，根据比较算法得到的标签信息与这张人脸影像具有的人脸身份及属性标签信息，计算获得这张人脸影像的特征值的损失值；

使用这张预设标准大小的人脸影像的特征值的损失值来反向调节所述卷积神经网络中的所有权重，完成对所述卷积神经网络的训练。

9.如权利要求1至7中任一项所述的方法，其特征在于，在所述第八步中，所述归一化处理的公式如下所示：

$s_{new}=\frac{s-\mathrm{\μ}}{\mathrm{\σ}};$

其中μ为相似度得分均值，σ为得分方差。