本发明涉及生物识别技术领域，特别涉及一种基于两阶段互补网络的鲁棒人脸识别算法。
背景技术：
随着生物工程技术及计算机科技的迅速发展，人们对安全识别与身份验证问题的需求越来越高。生物识别技术由于其较高的安全性和便利性已经受到政府、研究机构的广泛关注。其中，具有非接触、非侵扰、友好、可扩展性等优点的人脸识别技术在多种生物识别技术中脱颖而出，在视频检索、治安监控、门禁出入、身份识别等领域获得了广泛应用。随着技术的进一步成熟和社会认同度的提高，人脸识别技术将应用在更多的领域。
目前常用的人脸识别方法大体可以分为三种：基于2d图像的人脸识别方法、基于3d图像的人脸识别方法和基于深度学习的人脸识别方法。
传统的人脸识别方法主要基于2d图像，通过提取人脸上的几何特征或表观特征，训练特定的分类器(如最近邻分类器、支持向量机等)进行识别。由于特征提取的过程容易受到姿态、光照、表情、遮挡等因素影响，基于2d图像的人脸识别方法往往只能在一些受控的环境下进行，在实际的应用中还存在很多问题。
然而人脸实质上是具有立体结构的，2d图像无法很好地表示其三维结构信息。基于3d图像的人脸识别方法通过建立人脸的3d模型，可以获得人脸丰富的几何信息，并克服基于2d图像的人脸识别方法遇到的姿态难题。不过，基于3d图像的人脸识别方法所需的图像采集设备成本高昂，建模计算量较大，在一定程度上制约了这项技术的发展。
基于深度学习的人脸识别方法则试图以端到端的方式实现人脸识别。深度卷积神经网络具有复杂的网络结构，与传统机器学习方法相比具有更强大的特征学习和表达能力，辅之有效的分类方法，能够显著提高人脸识别率。所以，深度学习成为了近年来热门的研究课题。但是深度学习非常依赖大数据，难以处理小样本学习问题。另一方面，目前对深度学习的理解还有待进一步深入，其优化过程往往比较繁琐且需要大量经验。
近年来，稀疏表示方法被广泛应用在人脸等目标识别上，其核心思想是将未知类别的测试样本表示成已知类别标签的少数训练样本的一个线性组合，最终将测试样本划分为重构误差(残差)最小的那一类。大量的实验结果表明，对于遮挡、噪声等问题，该方法具有较好的鲁棒性。研究人员对此从不同的角度进行了探索和改进，延伸出了许多有效的稀疏表示方法，其中代表性的方法包括基于gabor特征的稀疏表示方法以及基于鲁棒统计量的稀疏编码方法。但这些方法都存在一个共同的问题，即方法中残差的分布都是以假定的形式存在的。当人脸受到遮挡或有任意像素被损坏时，残差的真实分布难以确定。
鲁棒人脸识别(robustreal-timefacedetection)被认为是生物特征识别领域极具挑战而有重要应用前景的研究方向之一。
虽然目前已有大量相关研究，然而人脸在采集时，受光照、姿势等外界环境的影响较大，同时由于人脸自身以及环境的复杂性，人脸识别技术还有许多未克服的困难。在非控制条件下，已有方法很难取得令人满意的识别效果。因此，设计一种对外界条件干扰较为鲁棒的人脸识别方法具有重要的意义。
基于此，本发明提出了一种基于两阶段互补网络的鲁棒人脸识别算法。
技术实现要素：
本发明为了弥补现有技术的缺陷，提供了一种简单高效的基于两阶段互补网络的鲁棒人脸识别算法。
本发明是通过如下技术方案实现的：
一种基于两阶段互补网络的鲁棒人脸识别算法，其特征在于：采用两阶段互补网络，第二阶段子网络为第一阶段子网络的补充；所述第一阶段子网络用于识别受外界环境影响较小的人脸图像，将难以识别的受外界环境影响较大的人脸图像输入到所述第二阶段子网络，所述第二阶段子网络学习外界环境影响因素的特点，减少外界环境对算法的影响。
本发明基于两阶段互补网络的鲁棒人脸识别算法，包括训练阶段和识别阶段。
所述训练阶段，包括以下步骤：
(1)根据是否受到外界条件干扰，给悬链图像增加额外标记；
(2)利用额外标记中没有外界条件干扰的训练数据训练第一阶段子网络；
(3)利用额外标记中的受外界条件干扰的训练数据训练第二阶段子网络。
所述步骤(1)中，额外标记包括两类，分别为没有外界条件干扰和受到外界条件干扰。
所述步骤(2)中，第一阶段子网络采用resnet网络结构。
所述步骤(3)中，第二阶段子网络采用densenet网络结构。
所述识别阶段，包括以下步骤：
(1)将测试图像输入到两阶段互补网络中；
(2)使用第一阶段子网络对图像进行识别；
(3)根据对于额外标记输出的置信度得分判断是否采用第一阶段子网络的识别结果；
(4)若置信度大于阈值，则采用第一阶段子网络的识别结果；
(5)若置信度小于或等于阈值，则将测试图像输入到第一阶段子网络后面的第二阶段子网络中，并以第二阶段子网络的识别结果作为最后的识别结果。
所述阈值为0.8。
本发明的有益效果是：该基于两阶段互补网络的鲁棒人脸识别算法，操作简便，简单高效，两阶段互补网络可以利用现有的较为经典的任何网络来实现；将受识别环境影响较小的人脸图像直接采用第一阶段子网络进行能识别，提高了识别效率，同时以第二阶段子网络作为对第一阶段子网络的补充，将第一阶段子网络难以识别的受外界环境影响较大的人脸图像输入到第二阶段子网络，保障了识别准确率。
具体实施方式
为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚明白，以下结合实施例，对本发明进行详细的说明。应当说明的是，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
该基于两阶段互补网络的鲁棒人脸识别算法，采用两阶段互补网络，第二阶段子网络为第一阶段子网络的补充；所述第一阶段子网络用于识别受外界环境影响较小的人脸图像，将难以识别的受外界环境影响较大的人脸图像输入到所述第二阶段子网络，所述第二阶段子网络学习外界环境影响因素的特点，减少外界环境对算法的影响。
该基于两阶段互补网络的鲁棒人脸识别算法，包括训练阶段和识别阶段。
所述训练阶段，包括以下步骤：
(1)根据是否受到外界条件干扰，给悬链图像增加额外标记；
(2)利用额外标记中没有外界条件干扰的训练数据训练第一阶段子网络；
(3)利用额外标记中的受外界条件干扰的训练数据训练第二阶段子网络。
所述步骤(1)中，额外标记包括两类，分别为没有外界条件干扰和受到外界条件干扰。
所述步骤(2)中，第一阶段子网络采用resnet网络结构。
所述步骤(3)中，第二阶段子网络采用densenet网络结构。
所述识别阶段，包括以下步骤：
(1)将测试图像输入到两阶段互补网络中；
(2)使用第一阶段子网络对图像进行识别；
(3)根据对于额外标记输出的置信度得分判断是否采用第一阶段子网络的识别结果；
(4)若置信度大于阈值，则采用第一阶段子网络的识别结果；
(5)若置信度小于或等于阈值，则将测试图像输入到第一阶段子网络后面的第二阶段子网络中，并以第二阶段子网络的识别结果作为最后的识别结果。
所述阈值为0.8。即若置信度大于0.8，则采用第一阶段子网络的识别结果；若置信度小于或等于0.8，则将测试图像输入到第一阶段子网络后面的第二阶段子网络中，并以第二阶段子网络的识别结果作为最后的识别结果。
置信区间或称置信间距，是指在某一置信度时，总体参数所在的区域距离或区域长度。置信度又称显著性水平，意义阶段，信任系数等，是指估计总体参数落在某一区间时，可能犯错误的概率，用符号α表示。
例如，0.95置信区间是指总体参数落在该区间之内，估计正确的概率为95％，而出现错误的概率为5％(α＝0.05)，由此可见：
0.95置信间距＝0.05显著性水平的置信间距，或0.05置信度的置信间距。
0.99置信间距＝0.01显著性水平的置信间距，或0.01置信度的置信间距。
显著性水平在假设检验中，还指拒绝虚无假设时可能出现的犯错误的概率水平。
与现有技术相比，该基于两阶段互补网络的鲁棒人脸识别算法，操作简便，简单高效，两阶段互补网络可以利用现有的较为经典的任何网络来实现；将受识别环境影响较小的人脸图像直接采用第一阶段子网络进行能识别，提高了识别效率，同时以第二阶段子网络作为对第一阶段子网络的补充，将第一阶段子网络难以识别的受外界环境影响较大的人脸图像输入到第二阶段子网络，保障了识别准确率。