一种基于深度代价敏感的人脸识别系统及方法与流程

本发明涉及计算机视觉技术领域，具体地说是一种基于深度代价敏感的人脸识别系统及方法。

背景技术

由于人脸识别的非接触性、采集方便等优点使得其在身份验证领域扮演着越来越重要的角色，其在互联网金融、电子商务、安防等领域的应用越来越广，具有巨大的市场潜力。已有的方法在实验室环境下能够取得较好的精度，但是在自然采集条件下，识别性能仍然较低。原因是在自然环境下采集到的人脸呈现多样化的特点，增大了样本的多样性，降低了识别角度。

因此，如何有效解决自然环境下人脸识别的关键问题，设计高效的人脸识别算法，具有重要的研究意义和应用价值。

技术实现要素：

本发明的技术任务是针对以上不足之处，提供一种基于深度代价敏感的人脸识别系统及方法。

一种基于深度代价敏感的人脸识别系统，包括，

分类模块，用于将人脸分为正脸和侧脸；

转换模块，用于接收来自分类模块的侧脸，并将分类模块划分的侧脸转换为正脸；

识别模块，用于接收来自分类模块和转换模块发送来的正脸图像，并对该图像进行识别。

所述分类模块采用代价敏感等级分类实现，通过对人脸角度进行离散化处理，识别出正脸还是侧脸。

所述转换模块使用深度架构tp-gan技术实现，该转换模块可将侧脸图片变换成正脸图片，然后再将转换后的正脸图片发送给识别模块。

所述分类模块中，以网络模型resnet作为基网络，引入代价敏感信息，构建代价敏感等级分类网络，该代价敏感等级分类网络用于对人脸分类；在识别模块中，在人脸识别网络facenet中引入代价敏感信息，构建代价敏感识别网络，该代价敏感识别网络的输出结果即为人脸识别结果。

一种基于深度代价敏感的人脸识别方法，其实现过程为，

一、首先，将采集到的人脸图像发送至分类模块中，由分类模块将人脸图像分成正脸和侧脸两种；

二、当分类为正脸时，分类模块直接将图像发送至识别模块中；

三、当分类为侧脸时，分类模块将图像发送至转换模块中，转换模块将侧脸图像转换为正脸图像后，在发送至识别模块中；

四、识别模块识别接收到的正脸图像，并将识别结果输出。

所述步骤一中，分类模块在识别采集到的人脸图像前，首先进行相应训练，该训练过程为：

首先获取训练集，该训练集中有若干图像，并对图像标记分成正脸图像和侧脸图像两种，然后将标记后的训练集发送给分类模块；

分类模块在训练集的图像中找到人脸，然后对人脸角度进行离散化为正脸和侧脸，训练得到分类模型，该分类模型用于区分人脸为正脸或侧脸。

所述步骤一中，分类模块将分类为正脸的图像标记为0，分类为侧脸的图像标记为1，相对应的，标记为0的图像直接输入到识别模块中，标记为1的图像输入到转换模块中。

所述步骤三中，转换模块通过tp-gan技术实现人脸从侧脸到正脸的转换，并将转换后的正脸图像发送到识别模块中。

本发明的一种基于深度代价敏感的人脸识别系统及方法和现有技术相比，具有以下有益效果：

本发明的一种基于深度代价敏感的人脸识别系统及方法，有效将侧脸转换为信息量更为丰富的正脸，提高正脸的识别率而且可以将侧脸识别的较好，从而在侧脸上取得较高的识别精度，简单有效，实用性强，适用范围广泛，具有很好的推广使用价值。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

附图1是本发明系统的实现示意图。

附图2是本发明方法的实现示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明的方案，下面结合具体实施方式对本发明作进一步的详细说明。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

如附图1所示，一种基于深度代价敏感的人脸识别系统，包括，

分类模块，用于将人脸分为正脸和侧脸；

转换模块，用于接收来自分类模块的侧脸，并将分类模块划分的侧脸转换为正脸；

识别模块，用于接收来自分类模块和转换模块发送来的正脸图像，并对该图像进行识别。

所述分类模块采用代价敏感等级分类实现，通过对人脸角度进行离散化处理，识别出正脸还是侧脸。

所述转换模块使用深度架构tp-gan技术实现，该转换模块可将侧脸图片变换成正脸图片，然后再将转换后的正脸图片发送给识别模块。

所述分类模块中，以网络模型resnet作为基网络，引入代价敏感信息，构建代价敏感等级分类网络，该代价敏感等级分类网络用于对人脸分类；在识别模块中，在人脸识别网络facenet中引入代价敏感信息，构建代价敏感识别网络，该代价敏感识别网络的输出结果即为人脸识别结果。

如图2所示，一种基于深度代价敏感的人脸识别方法，其实现过程为，

一、首先，将采集到的人脸图像发送至分类模块中，由分类模块将人脸图像分成正脸和侧脸两种；

二、当分类为正脸时，分类模块直接将图像发送至识别模块中；

三、当分类为侧脸时，分类模块将图像发送至转换模块中，转换模块将侧脸图像转换为正脸图像后，在发送至识别模块中；

四、识别模块识别接收到的正脸图像，并将识别结果输出。

所述步骤一中，分类模块在识别采集到的人脸图像前，首先进行相应训练，该训练过程为：

首先获取训练集，该训练集中有若干图像，并对图像标记分成正脸图像和侧脸图像两种，然后将标记后的训练集发送给分类模块；

分类模块在训练集的图像中找到人脸，然后对人脸角度进行离散化为正脸和侧脸，训练得到分类模型，该分类模型用于区分人脸为正脸或侧脸。

所述步骤一中，分类模块将分类为正脸的图像标记为0，分类为侧脸的图像标记为1，相对应的，标记为0的图像直接输入到识别模块中，标记为1的图像输入到转换模块中。

所述步骤三中，转换模块通过tp-gan技术实现人脸从侧脸到正脸的转换，并将转换后的正脸图像发送到识别模块中。

更为详细的，本发明将分成两个阶段实现人脸识别：

训练阶段：

1）利用多任务卷积神经网络对采集到的图像进行人脸检测。

2）分类模块训练，即附图2中代价敏感等级分类网络训练。在训练集中找到检测的人脸，并对人脸角度进行离散化为正脸和侧脸。以resnet作为基网络，引入代价敏感信息，构建代价敏感等级分类网络。

3）转换模块训练，即附图2中难级人脸转换网络训练。在人脸识别中，正脸的信息要远远的高于侧脸，因此，为了提高识别精度，在识别之前，先将侧脸变换为正脸，然后再对转换后的正脸进行识别。在进行侧脸到正脸的转换时，主要利用tp-gan技术。

4）识别训练，即附图2中代价敏感识别网络训练。经过上面两个网络的处理，将自然环境下采集到的人脸全部转换为了易识别的正脸图像，拟在经典人脸识别网络facenet中引入代价敏感信息，构建代价敏感识别网络。该网络的输出结果即为人脸识别结果。

识别阶段：

1）首先，使用多任务卷积神经网络对采集到的图像进行人脸检测。

2）将检测到的人脸输入到深度代价敏感卷积神经网络中。首先使用代价敏感等级分类网络先进行预处理，将人脸分为正脸和侧脸，将正脸输入到代价敏感识别网络中，获得正脸的识别结果。对于侧脸，先将侧脸输入到难级人脸转换网络，生成对应的正脸图像，然后将生成的正脸输入到代价敏感识别网络，输出识别结果。

通过上面具体实施方式，所述技术领域的技术人员可容易的实现本发明。但是应当理解，本发明并不限于上述的具体实施方式。在公开的实施方式的基础上，所述技术领域的技术人员可任意组合不同的技术特征，从而实现不同的技术方案。

除说明书所述的技术特征外，均为本专业技术人员的已知技术。