本发明涉及模式识别和机器学习,具体为一种基于预训练人脸表示的再训练人脸识别方法及系统。
背景技术:
1、人脸识别是模式识别和机器学习的经典领域之一,如图1所示,它的执行过程一般是采集图像预处理、人脸检测、特征提取、特征比对,最后一步特征比对即人脸识别,通过输入人脸的特征找到库中预存的与之最佳匹配的特征,从而确定人脸的身份,在人脸识别的系统里,预存特征库的搭建是一个离线训练过程,即采集待识别身份的人员的足够的人脸数据,进行人脸检测、特征提取,形成库文件。
2、当前,基于上述原理的一个主流的以深度学习卷积神经网络为工作机制的人脸识别的系统一般是这样工作的:
3、如图2所述,首先是预训练过程,对采集的人脸图像进行身份标注,然后对图像进行预处理、人脸检测、人脸对齐、对对齐后的人脸roi块进行连续若干次的卷积、池化,再将最后一次的人脸池化数据展平,作为输入矢量,接入到全连接层神经网络,与标注结果作为输出,进行反向梯度传播训练,在整个全连接层收敛后,停止训练,此时的全网络参数将停止更新,整个网络即可称为预训练模型。
4、利用预训练模型进行人脸识别的过程,如图3所示,首先将预训练模型网络的输出层softmax去掉,保留activation系数层,将activation作为输出;对待识别人员集合的人脸的对齐后的数据输入到预训练模型,获取activation系数,作为该人员的人脸特征,从而建立全体待识别人员的特征库,这时已经完成对待识别人员集合的建档;接下来,正式的识别过程是每采集到一张人脸图像,首先进行预处理、人脸检测、人脸对齐、将对齐后的数据馈入预训练模型,输出人脸特征矢量,再遍历建档库进行特征比对,特征比对采用计算矢量间的相关性系数为基准,将输入人脸识别为获得最大相关性系数的人员身份。
5、该预训练模型提取人脸特征的能力可以视作提取人脸间差异性的能力,输出的人脸特征,也可以称作人脸表示,其直接基于预训练深度卷积网络作人脸识别,主要在特定的人员范围内建档,而该范围的人员的数据并没有参与预训练;如此,识别精度取决于预训练是否充分,并且无论预训练是否充分,在建档实现识别功能之外,均难以进一步提高模式识别精度。
技术实现思路
1、本发明的目的在于提供一种基于预训练人脸表示的再训练人脸识别方法及系统,解决以下技术问题:
2、如何在预训练模型基础上进一步提升模式识别精度的问题。
3、本发明的目的可以通过以下技术方案实现:
4、一种基于预训练人脸表示的再训练人脸识别方法,所述方法包括:
5、s1、对n人的集合每人按照预设模型分配好训练数据、测试数据;
6、s2、训练出n个svm识别器;
7、s3、采集一张人脸图像,通过n个svm识别器对其进行评分,得分最高的svm识别器对应的人员即为配置的人脸识别结果。
8、于一实施例中,对n人的集合进行分配好训练数据的过程包括:
9、对n人的集合每人采集m个人脸图像,
10、其中,m=2n(n-1),n为大于等于10的自然数,每人采集的m/2=n(n-1)部分作为训练svm识别器所用,其余m/2=n(n-1)数量的图片作为该识别器的测试。
11、于一实施例中,对n人的集合进行分配好测试数据的过程包括:
12、每个人的svm识别器需要训练数据由两部分组成,其中n(n-1)是该人本人的图片,其他是该人以外的其余n-1人的每人提供的n张图片,即对于每个svm识别器能用到的测试数据总量为m/2+(n-1)m/2=(m/2)n=n(n-1)n个图片。
13、于一实施例中,步骤s2中训练出n个svm识别器的过程包括:
14、s21、将一个人所属的m张训练图片每张图片进行预处理、人脸检测、人脸对齐,将对齐后的块数据馈入预训练模型进行特征提取;
15、s22、将输出的特征矢量进行标注,是该人本人的图片的特征矢量标注为1,否则标注为-1,生成标注的特征文件;
16、s23、使用软件svmlight或tinysvm在命令行控制台执行训练指令,输出svm判别模型,获得第一个svm识别器;
17、s24、重复每个人的训练步骤,获得n个svm识别器。
18、于一实施例中,步骤s3中采集一张人脸图像识别过程包括:
19、s31、采集到一张人脸图像,经过预处理,人脸检测,人脸对齐,将块数据馈入预训练模型,输出人脸特征矢量;
20、s32、将特征矢量输入每个svm判别模型,获得n个得分;
21、s33、统计n个得分里的最高分值,将人脸识别结果配置为该分值所属模型对应的人员。
22、一种基于预训练人脸表示的再训练人脸识别系统,用于执行基于预训练人脸表示的再训练人脸识别方法,所述系统包括:
23、人脸图像处理模块,用于对采集到的人脸图像进行预处理、人脸检测、人脸对齐,获得块数据;
24、预训练模型,用于对块数据进行特征提取输出特征矢量并进行标注;
25、命令行控制台,用于对特征矢量进行训练获得svm判别模型;
26、svm判别模型,用于对特征矢量进行评分。
27、本发明的有益效果:
28、(1)本发明中设计n个svm识别器,分别对应到n个人员,每个训练器的训练数据为m个图片,这其中m/2为他本人的图片,其余每人的n张图片,每个识别器的测试数据为他本人的m/2张图,以及其余的n-1人的m/2张图,即对于每个识别器能用到的测试数据总量为m/2+(n-1)m/2=(m/2)n=n(n-1)n个图片。
29、(2)本发明中对一个人所属的m张训练图片每张图片进行预处理、人脸检测、人脸对齐,将对齐后的块数据馈入预训练模型进行特征提取,输出特征矢量并对其进行标注,是该人本人的图片的特征矢量标注为1,否则标注为-1,然后使用第三方免费软件svmlight或tinysvm在命令行控制台执行训练指令,输出svm判别模型,获得第一个svm识别器,后续再重复n-1次对应的训练过程,从而训练出n个svm识别器。
30、(3)本发明中对采集到的一张人脸图像进行预处理,人脸检测,人脸对齐,将块数据馈入预训练模型,输出人脸特征矢量,将特征矢量输入每个svm判别模型,获得n个得分,统计n个得分里的最高分值,将人脸识别结果配置为该分值所属模型对应的人员。
1.一种基于预训练人脸表示的再训练人脸识别方法,其特征在于,所述方法包括:
2.根据权利要求1所述的一种基于预训练人脸表示的再训练人脸识别方法,其特征在于,对n人的集合进行分配好训练数据的过程包括:
3.根据权利要求2所述的一种基于预训练人脸表示的再训练人脸识别方法,其特征在于,对n人的集合进行分配好测试数据的过程包括:
4.根据权利要求3所述的一种基于预训练人脸表示的再训练人脸识别方法,其特征在于,步骤s2中训练出n个svm识别器的过程包括:
5.根据权利要求4所述的一种基于预训练人脸表示的再训练人脸识别方法,其特征在于,步骤s3中采集一张人脸图像识别过程包括:
6.一种基于预训练人脸表示的再训练人脸识别系统,其特征在于,所述系统用于执行如权利要求1-5中任一项所述的基于预训练人脸表示的再训练人脸识别方法,所述系统包括: