一种人脸识别方法及装置与流程

本发明主要涉及人脸识别技术领域，具体涉及一种人脸识别方法及装置。

背景技术：

人脸识别包括close-set识别与open-set识别两种形式，其中open-set识别是指训练好一个人脸识别模型提取特征去识别目标身份，注意的是测试集与训练集中的目标没有交集。open-set识别技术在生活中有广泛的应用，如人脸识别算法应用于网上支付、门禁等。

基于深度学习框架的人脸识别算法取得了非常好的效果，这种方法受到了人们越来越多的关注。常见的人脸识别算法有facenet、sphereface、cosface等。它们通过加深扩大模型规模或者改进损失函数的方式提高人脸特征的学习能力，从而提高目标识别准确度。但是，由于目标年龄跨度大、伪装及大角度等因素影响，在open-set识别时人脸特征变化较大往往导致识别精度难以满足人们的要求。

总而言之，基于端到端深度学习的人脸识别方法虽然极大地提高了目标识别任务效果，但是还存在人脸特征变化较大目标难以准确识别的技术难题。

技术实现要素：

本发明所要解决的技术问题是针对现有技术的不足，提供一种人脸识别方法及装置。

本发明解决上述技术问题的技术方案如下：一种人脸识别方法，包括如下步骤：

从拍照设备中获得多个目标人脸图片，并对多个所述目标人脸图片进行相似度向量处理，得到多个相似度向量；

分别对各个所述相似度向量进行融合特征处理，得到多个融合特征向量，并分别对各个所述融合特征向量进行权重向量计算，得到多个权重向量；

根据多个所述权重向量对多个所述融合特征向量进行增强特征计算，得到增强特征向量；

对所述增强特征向量进行识别分析，得到识别结果。

本发明解决上述技术问题的另一技术方案如下：一种人脸识别装置，包括：

目标人脸图片处理模块，用于从拍照设备中获得多个目标人脸图片，并对多个所述目标人脸图片进行相似度向量处理，得到多个相似度向量；

权重向量处理模块，用于分别对各个所述相似度向量进行融合特征处理，得到多个融合特征向量，并分别对各个所述融合特征向量进行权重向量计算，得到多个权重向量；

增强特征向量计算模块，用于根据多个所述权重向量对多个所述融合特征向量进行增强特征计算，得到增强特征向量；

识别结果获得模块，用于对所述增强特征向量进行识别分析，得到识别结果。

本发明的有益效果是：通过对多个目标人脸图片长度相似度向量处理得到多个相似度向量，降低了由于人脸特征变化较大所带来识别不准确性，通过分别对各个相似度向量的融合特征处理得到多个融合特征向量，并分别对各个融合特征向量的权重向量计算，得到多个权重向量，并根据多个权重向量对多个融合特征向量的增强特征计算得到增强特征向量，并对增强特征向量的识别分析得到识别结果，提高了相似度向量的表达效果，同时，也提高了目标识别算法的鲁棒性和人脸识别系统的识别准确度。

附图说明

图1为本发明一实施例提供的人脸识别方法的流程示意图；

图2为本发明一实施例提供的相似度向量处理的流程框图；

图3为本发明一实施例提供的人脸识别方法的流程框图；

图4为本发明一实施例提供的人脸识别装置的模块框图。

具体实施方式

以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。

图1为本发明一实施例提供的人脸识别方法的流程示意图。

如图1所示，一种人脸识别方法，包括如下步骤：

从拍照设备中获得多个目标人脸图片，并对多个所述目标人脸图片进行相似度向量处理，得到多个相似度向量；

分别对各个所述相似度向量进行融合特征处理，得到多个融合特征向量，并分别对各个所述融合特征向量进行权重向量计算，得到多个权重向量；

根据多个所述权重向量对多个所述融合特征向量进行增强特征计算，得到增强特征向量；

对所述增强特征向量进行识别分析，得到识别结果。

应理解地，所述人脸特征向量是表示一组人脸信息的向量值。

上述实施例中，通过对多个目标人脸图片长度相似度向量处理得到多个相似度向量，降低了由于人脸特征变化较大所带来识别不准确性，通过分别对各个相似度向量的融合特征处理得到多个融合特征向量，并分别对各个融合特征向量的权重向量计算，得到多个权重向量，并根据多个权重向量对多个融合特征向量的增强特征计算得到增强特征向量，并对增强特征向量的识别分析得到识别结果，提高了相似度向量的表达效果，同时，也提高了目标识别算法的鲁棒性和人脸识别系统的识别准确度。

可选地，作为本发明的一个实施例，如图2所示，所述对多个所述目标人脸图片进行相似度向量处理，得到多个相似度向量的过程包括：

利用预训练的人脸识别模型分别对多个所述目标人脸图片和预设人脸比对库中的多个人脸比对图片进行训练，得到多个目标人脸特征向量和多个人脸比对特征向量；

利用余弦距离公式分别对各个所述目标人脸特征向量与多个所述人脸比对特征向量进行计算，得到多个待筛选相似度向量；

对多个所述待筛选相似度向量进行筛选处理，得到多个待选择相似度向量；

对所述多个待选择相似度向量进行随机选择，得到多个相似度向量。

图2中，所述预训练的人脸识别模型可以为sphereface模型。

应理解地，所述待筛选相似度向量是指所述目标人脸特征向量与所述人脸比对特征向量的余弦距离。

应理解地，所述筛选处理指的是选择排名前n个所述待筛选相似度向量，其理由是排名前n个所述待筛选相似度向量相似度较高，可通过前n个所述待筛选相似度向量来学习目标关联信息。

具体地，开集人脸识别技术中，首先精心挑选出目标正脸图片组成人脸库作为比对数据库，然后利用预训练的人脸识别模型获得人脸库的所述人脸比对特征向量以及目标的所述目标人脸特征向量，计算所述目标人脸特征向量与所述人脸比对特征向量的余弦距离。例如，目标的人脸比对特征向量结果是[0.45,0.56,0.78,0.23,0.32,0.43,0.48]，其中0.45表示目标与人脸库中编号为1的待筛选相似度向量，0.56表示目标与人脸库中编号为2的待筛选相似度向量。

选出待筛选相似度向量中排名前n名的结果组成目标的待选择相似度向量。例如，目标的待筛选相似度向量结果是[0.45,0.56,0.78,0.23,0.32,0.43,0.48]，选择排名n＝3的结果组成待选择相似度向量是[0,0.56,0.78,0,0,0,0.48]。

随机选择m个待选择相似度向量作为模型的输入。

具体地，首先，预训练sphereface模型作为人脸特征提取器，然后，制作人数为2000的人脸库并计算目标的余弦距离，本发明称之为待筛选相似度向量。之后，选择排名前10的结果组成待选择相似度向量，最后，对每个目标，随机选择3个待选择相似度向量作为模型的一个训练样本。

上述实施例中，利用预训练的人脸识别模型分别对多个所述目标人脸图片和预设人脸比对库中的多个人脸比对图片的训练得到多个目标人脸特征向量和多个人脸比对特征向量；并利用余弦距离公式分别对各个所述目标人脸特征向量与多个所述人脸比对特征向量的计算得到多个待筛选相似度向量；对多个所述待筛选相似度向量的筛选处理得到多个待选择相似度向量；对多个待选择相似度向量的随机选择得到多个相似度向量，有策略性地选择相似度向量作为模型的训练样本，从而降低由于人脸特征变化较大所带来识别不准确的影响，在人脸识别技术领域中，首次提出基于相似度学习的目标识别方法。

可选地，作为本发明的一个实施例，所述分别对各个所述相似度向量进行融合特征处理，得到多个融合特征值，并分别对各个所述融合特征值进行权重向量计算，得到多个权重向量的过程包括：

分别将各个所述相似度向量输入至关联学习层中，得到多个融合特征向量；

根据均值绝对偏差分配算法分别对各个所述融合特征向量进行权重向量计算，得到多个权重向量。

应理解地，所述权重向量的其每个元素表示对应位置的权重因子，即融合特征向量的每个元素分配概率。

具体地，首先将各个所述相似度向量分别输入两个ae编码器，然后串联两个输出结合成一个融合特征向量，得到相似度向量的潜在关联特征表示。

上述实施例中，通过分别将各个所述相似度向量输入至关联学习层中得到多个融合特征向量；并根据均值绝对偏差分配算法分别对各个所述融合特征向量的权重向量计算得到多个权重向量，提高了目标识别算法的鲁棒性，从而提高了人脸识别系统的识别准确度。

可选地，作为本发明的一个实施例，所述分别将各个所述相似度向量输入至关联学习层中，得到多个融合特征向量的过程包括：

通过第一式分别对各个所述相似度向量进行计算，得到多个融合特征向量，所述第一式为：

其中，

其中，vi为第i个融合特征向量，xi为第i个相似度向量，ae¹为预设的ae编码器1，ae²为预设的ae编码器2，为ae编码器1输出向量，为ae编码器1输出向量，为串联操作。

应理解地，将训练样本中的每个相似度向量分别输入ae¹编码器与ae²编码器，得到对应的关联特征v¹与v²关联学习层；然后，将v¹与v²串联成为一个融合特征向量。

上述实施例中，通过第一式分别对各个所述相似度向量的计算得到多个融合特征向量，学习了目标的关联特征，提高了相似度向量的表达效果，为之后的计算提高了数据的准确性。

可选地，作为本发明的一个实施例，所述根据均值绝对偏差分配算法分别对各个所述融合特征向量进行权重向量计算，得到多个权重向量的过程包括：

通过第二式分别对各个所述融合特征向量进行权重向量计算，得到多个权重向量，所述第二式为：

pⁱ＝exp(-‖vvar,i‖)/∑exp(-‖vvar,j‖),j∈(1,2,…,m)，

其中，

其中，

其中，m为融合特征向量个数，pⁱ∈r^d为第i个融合特征向量的权重向量，r^d为数据空间，d为数据长度，‖·‖为取绝对值，vvar,i∈r^d为第i个融合特征向量的方差，vmean∈r^d为m个融合特征向量的均值，vi为第i个融合特征向量。

应理解地，利用均值绝对偏差分配算法计算融合特征向量的每个元素分配概率并根据概率结果重新计算对应的融合特征向量。

上述实施例中，通过第二式分别对各个所述融合特征向量的权重向量计算得到多个权重向量，提高了算法的鲁棒性，并增强了目标的区别特征表达效果。

可选地，作为本发明的一个实施例，所述根据多个所述权重向量对多个所述融合特征向量进行增强特征计算，得到增强特征向量的过程包括：

通过第三式对所述据多个所述权重向量和多个所述融合特征向量进行增强特征计算，得到增强特征向量，所述第三式为：

e＝∑qⁱ,i∈(1,2,…,m)，

其中，

其中，e∈r^d为增强特征向量，r^d为数据空间，d为数据长度，qⁱ∈r^d为第i个再分配向量，⊙为哈达玛积hadamardprodust，vi为第i个融合特征向量，pⁱ∈r^d为第i个融合特征向量的权重向量。

上述实施例中，通过第三式对所述据多个所述权重向量和多个所述融合特征向量的增强特征计算得到增强特征向量，提高了算法的鲁棒性和人脸识别系统的识别准确度。

可选地，作为本发明的一个实施例，所述对所述增强特征向量进行识别分析，得到识别结果的过程包括：

将所述增强特征向量输入至bn与dropout结合层网络中，并通过分类函数输出算法得到识别结果。

优选地，所述分类函数输出算法可以为softmax函数。

应理解地，bn为batchnorm，其作用是使得加速训练收敛过程；dropout是缓解模型过拟合的一种手段，提高模型的泛化能力，即是在不同的数据上能达到同样的识别效果。

上述实施例中，将所述增强特征向量输入至bn与dropout结合层网络中，并通过分类函数输出算法得到识别结果，提高了相似度向量的表达效果，同时，也提高了目标识别算法的鲁棒性和人脸识别系统的识别准确度。

可选地，作为本发明的另一个实施例，如图3所示，首先预训练特征提取器获得人脸库的所述人脸比对特征向量以及目标的所述目标人脸特征向量；然后，通过余弦距离公式计算目标与人脸库的待筛选相似度向量，注意的是本发明中的待筛选相似度向量是指目标的所述目标人脸特征向量与人脸库的所述人脸比对特征向量的余弦距离；接着，选择排名前n个结果组成待选择相似度向量，并从中随机选择m个待选择相似度向量得到相似度向量作为下一级关联学习层的输入，分别通过ae编码器1和ae编码器2后，进行串联输出m个融合特征向量；紧接着，选择m个融合特征向量输入均值绝对偏差分配算法得到m个权重向量；接下来，利用m个权重向量分别点乘对应融合特征向量得到m个再分配向量后，将m个再分配向量按位相加结合成一个增强特征向量，最后，通过下级网络输出识别结果。

图4为本发明一实施例提供的人脸识别装置的模块框图。

可选地，作为本发明的另一个实施例，如图4所示，一种人脸识别装置，包括：

目标人脸图片处理模块，用于从拍照设备中获得多个目标人脸图片，并对多个所述目标人脸图片进行相似度向量处理，得到多个相似度向量；

权重向量处理模块，用于分别对各个所述相似度向量进行融合特征处理，得到多个融合特征向量，并分别对各个所述融合特征向量进行权重向量计算，得到多个权重向量；

增强特征向量计算模块，用于根据多个所述权重向量对多个所述融合特征向量进行增强特征计算，得到增强特征向量；

识别结果获得模块，用于对所述增强特征向量进行识别分析，得到识别结果。

可选地，作为本发明的一个实施例，所述人脸特征向量处理模块具体用于：

利用预训练的人脸识别模型分别对多个所述目标人脸图片和预设人脸比对库中的多个人脸比对图片进行训练，得到多个目标人脸特征向量和多个人脸比对特征向量；

利用余弦距离公式分别对各个所述目标人脸特征向量与多个所述人脸比对特征向量进行计算，得到多个待筛选相似度向量；

对多个所述待筛选相似度向量进行筛选处理，得到多个待选择相似度向量；

对所述多个待选择相似度向量进行随机选择，得到多个相似度向量。

可选地，作为本发明的一个实施例，所述权重向量处理模块具体用于：

分别将各个所述相似度向量输入至关联学习层中，得到多个融合特征向量；

根据均值绝对偏差分配算法分别对各个所述融合特征向量进行权重向量计算，得到多个权重向量。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。

作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。用于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、磁碟或者光盘等各种可以存储程序代码的介质。

以上，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。