CN105760833A - 一种人脸特征识别方法 - Google Patents

Abstract

本发明涉及一种人脸特征识别方法，其包括：将含有人脸标签信息的人脸图片依次输入卷积神经网络和自编码和度量学习结合的训练网络中，生成度量学习算法得到的模型，将含有人脸标签信息的人脸1024维的特征向量输入度量学习算法得到的模型中，得到人脸128维的特征向量；计算任意两个128维的特征向量的欧氏距离，并得到最佳的判别阈值；将两个人脸测试图片依次输入卷积神经网络和度量学习算法得到的模型中，得到两个人脸测试图片的128维特征向量，并计算其欧氏距离，将两个人脸测试图片之间的欧氏距离与判别阈值进行比较，根据比较结果判定两个人脸测试图片是否属于同一个人。本发明能够有效地提高人脸识别的准确率。

Description

一种人脸特征识别方法

技术领域

本发明属于图像识别技术领域，具体涉及一种人脸特征识别方法。

背景技术

人脸识别技术是基于人的脸部特征，对输入的人脸图像或者视频流，首先判断其是否存在人脸，如果存在人脸，则进一步的给出每个脸的位置、大小和各个主要面部器官的位置信息。并依据这些信息，进一步提取每个人脸中所蕴涵的身份特征，并将其与已知的人脸进行对比，从而识别每个人脸的身份。

目前，人脸识别技术中的人脸特征大多由多个卷积神经网络获得，采用的识别技术主要为主成分分析(pca)与联合贝叶斯(joint-bayes)方法，其具有识别速度慢的缺点；使用欧氏距离或余弦距离存在特征存储空间大，准确率低的缺点。如何有效的合并人脸特征并且降低特征维度从而便于存储，还能够在保证计算速度的前提下提升准确率，这是人脸识别技术中亟需解决的问题。

发明内容

为了解决现有技术存在的上述问题，本发明提供了一种在保证人脸识别速度的前提下能够提高人脸识别率的人脸特征识别方法。

为实现上述目的，本发明采取以下技术方案：一种人脸特征识别方法包括以下步骤：

1)将含有人脸标签信息的人脸图片输入卷积神经网络中，利用卷积神经网络对输入的人脸图片进行卷积和池化处理，将每一张人脸图片表示为一个1024维的特征向量；

2)在度量学习算法中加入自编码算法的代价函数，得到自编码和度量学习结合的训练网络；将步骤1)中获得的含有人脸标签信息的人脸1024维的特征向量输入自编码和度量学习结合的训练网络中，生成度量学习算法得到的模型；

3)将含有人脸标签信息的人脸1024维的特征向量输入度量学习算法得到的模型中，得到人脸128维的特征向量；

4)计算含有人脸标签信息的人脸图片中任意两个128维的特征向量的欧氏距离，并根据所有计算得到的欧式距离，计算得到最佳的判别阈值Th；

5)将两个人脸测试图片输入卷积神经网络中，得到两个人脸测试图片的1024维特征向量X₁和X₂；

6)将两个人脸测试图片的1024维特征向量X₁和X₂都输入度量学习算法得到的模型中，得到两个人脸测试图片的128维特征向量Z₁和Z₂；

7)计算两个人脸测试图片的128维特征向量Z₁和Z₂之间的欧式距离D；

8)将两个人脸测试图片之间的欧氏距离D与判别阈值Th进行比较，如果D≤Th，则判定这两个人脸测试图片属于同一个人；否则，这两个人脸测试图片不属于同一个人。

进一步地，自编码和度量学习结合的训练网络用代价函数表示为：

L＝L₁+αL₂(1)

式(1)中，L₁为自编码算法生成的模型的代价函数，L₂为度量学习算法生成的模型的代价函数，α为自编码算法生成的模型的代价函数L₁和度量学习算法生成的模型的代价函数L₂的比例参数；其中，

$L_1={({\hat{X}}_1-X_1)}^2+{({\hat{X}}_2-X_2)}^2---\left(2\right)$

L₂＝max(margin-I(y₁,y₂)*[c-(Z₁-Z₂)²],0)(3)

式(2)中，X₁和X₂均为人脸特征向量，其中，X₁＝{x_1,1,x_1,2,…,x_1,1024}，X₂＝{x_2,1,x_2,2,…,x_2,1024}；和均为自编码和度量学习结合的训练网络的第二全连接层的输出，其中，

$\left\{\begin{array}{c}{\hat{X}}_1=g({W_2}^T{Z}_1+b_2)\\ {\hat{X}}_2=g({W_2}^T{Z}_2+b_2)\end{array}\right.---\left(4\right)$

式(3)和式(4)中，Z₁和Z₂均为自编码和度量学习结合的训练网络的第一全连接层的输出，其中，

$\left\{\begin{array}{c}{Z}_1=g({W_1}^T{X}_1+b_1)\\ Z_2=g({W_1}^T{X}_2+b_1)\end{array}\right.---\left(5\right)$

式(3)中，margin和c均为常量，函数I(y₁,y₂)为： $I(y_1,y_2)=\left\{\begin{array}{cc}1& y_1=y_2\\ -1& y_1\≠y_2\end{array}\right.,$ y₁和y₂均为类别标签；

式(4)中，W₂为自编码和度量学习结合的训练网络中第二全连接层的权重,b₂为偏置项，g(W₂ ^TZ₁+b₂)和g(W₂ ^TZ₂+b₂)均为激活函数；式(4)和式(5)中，T表示矩阵的转置；

式(5)中，W₁为自编码和度量学习结合的训练网络中第一全连接层的权重，b₁为偏置项，g(W₁ ^TX₁+b₁)和g(W₁ ^TX₂+b₁)均为激活函数。

进一步地，两个人脸测试图片的128维特征向量Z₁和Z₂之间的欧式距离为：

$\sqrt{{(z_{1,2}-z_{2,2})}^2+{(z_{1,2}-z_{2,2})}^2+\mathrm{...}+{(z_{1,128}-z_{2,128})}^2}.$

本发明由于采取以上技术方案，其具有以下优点：本发明人脸特征识别方法通过降低含有人脸标签信息的人脸特征向量的维度，能够减少特征向量的存储空间，利用欧氏距离进行运算能够加快识别速度，通过联合自编码算法和度量学习算法能够有效地提高人脸识别的准确率。

附图说明

图1是本发明一实施例中提供的人脸特征识别方法的流程图；

图2是本发明一实施例提供的结合自编码和度量学习的训练流程图；

图3是本发明一实施例提供的测试流程图。

具体实施方式

下面结合附图和实施例对本发明进行详细的描述。

如图1所示，本发明人脸特征识别方法包括以下步骤：

1)将大量含有人脸标签信息的人脸图片输入卷积神经网络中，利用卷积神经网络对输入的人脸图片进行卷积和池化处理，将每一张人脸图片表示为一个1024维的特征向量。

2)在度量学习算法中加入自编码算法的代价函数，得到自编码和度量学习结合的训练网络；将步骤1)中获得的大量含有人脸标签信息的人脸1024维的特征向量输入自编码和度量学习结合的训练网络中，得到度量学习算法得到的模型。

3)将大量含有人脸标签信息的人脸1024维的特征向量输入度量学习算法得到的模型中，得到人脸128维的特征向量，从而达到降低维度的目的。

4)计算大量含有人脸标签信息的人脸图片中任意两个128维的特征向量的欧氏距离，并根据所有计算得到的欧式距离，计算得到最佳的判别阈值Th。

5)将测试图片1和测试图片2这两个人脸测试图片输入卷积神经网络中，得到测试图片1的1024维特征向量X₁和测试图片2的1024维特征向量X₂。

6)将测试图片1的1024维特征向量X₁和测试图片2的1024维特征向量X₂都输入度量学习算法得到的模型中，得到测试图片1的128维特征向量Z₁和测试图片2的128维特征向量Z₂。

7)计算测试图片1的128维特征向量Z₁与测试图片2的128维特征向量Z₂之间的欧式距离D。

8)将两个测试图片之间的欧氏距离D与判别阈值Th进行比较，如果D≤Th，则判定这两个人脸测试图片属于同一个人；否则，这两个人脸测试图片不属于同一个人。

本发明通过将自编码算法的代价函数加入度量学习算法的训练过程中来使用自编码技术，自编码技术是一种无监督学习的方法，能够有效的降低人脸特征的维度进而更好的表达。本发明通过将度量学习算法的训练方法用于自编码技术来使用度量学习算法，度量学习算法则可以有效的利用人脸类别信息对人脸特征进行表达。自编码和度量学习的结合训练使得人脸特征得到更好的表达。

如图2所示，假设一对人脸特征向量分别为X₁＝{x_1,1,x_1,2,…,x_1,1024}和X₂＝{x_2,1,x_2,2,…,x_2,1024}，y₁和y₂均为类别标签，自编码和度量学习结合的训练网络中包括两个全连接层：第一全连接层和第二全连接层，其中，W₁为第一全连接层的权重，W₂为第二全连接层的权重,b₁和b₂均为偏置项，激活函数为g(x)＝max(0,x)；

则自编码和度量学习结合的训练网络的第一全连接层的输出为：

$\left\{\begin{array}{c}{Z}_1=g({W_1}^T{X}_1+b_1)\\ Z_2=g({W_1}^T{X}_2+b_1)\end{array}\right.---\left(1\right)$

自编码和度量学习结合的训练网络的第二全连接层的输出为：

$\left\{\begin{array}{c}{\hat{X}}_1=g({W_2}^T{Z}_1+b_2)\\ {\hat{X}}_2=g({W_2}^T{Z}_2+b_2)\end{array}\right.---\left(2\right)$

对于自编码算法生成的模型来说，代价函数为：

$L_1={({\hat{X}}_1-X_1)}^2+{({\hat{X}}_2-X_2)}^2---\left(3\right)$

式(1)和式(2)中，T表示矩阵的转置；式(3)中，Z₁表示X₁通过第一全连接层的输出，Z₂表示X₂通过第一全连接层的输出，表示Z₁通过第二全连接层的输出，表示Z₂通过第二全连接层的输出。

对于度量学习算法生成的模型来说，代价函数为：

L₂＝max(margin-I(y₁,y₂)*[c-(Z₁-Z₂)²],0)(4)

式(4)中，margin和c均为常量，函数I(y₁,y₂)为： $I(y_1,y_2)=\left\{\begin{array}{cc}1& y_1=y_2\\ -1& y_1\≠y_2\end{array}\right..$

于是，最终的代价函数为：

L＝L₁+αL₂(5)

式(5)中，α为自编码算法生成的模型的代价函数L₁和度量学习算法生成的模型的代价函数L₂的比例参数。式(5)即表示自编码和度量学习结合的训练网络。

实施例：选取30000对含人脸标签信息的人脸图片作为样本图片，通过卷积神经网络获得30000对样本图片的1024维的特征向量，利用自编码网算法生成的模型的代价函数L₁、度量学习算法生成的模型的代价函数L₂以及1024维的特征向量训练度量学习算法生成的模型，保存模型参数W₁和b₁。

如图3所示，使用度量学习算法生成的模型时，对于一对测试图片，通过卷积神经网络得到两个测试图片的1024维的特征向量X₁和X₂，利用公式Z₁＝g(W₁ ^TX₁+b₁)，Z₂＝g(W₁ ^TX₂+b₁)得到两个128维的特征向量Z₁和Z₂，计算特征向量Z₁和Z₂之间的欧式距离。将特征向量Z₁表示为Z₁＝(z_1,1,z_1,2,…,z_1,128)，将特征向量Z₂表示为Z₂＝(z_2,1,z_2,2,…,z_2,128)，则特征向量Z₁和Z₂之间的欧式距离为：

$dis\tan ce=\sqrt{{(z_{1,2}-z_{2,2})}^2+{(z_{1,2}-z_{2,2})}^2+\mathrm{...}+{(z_{1,128}-z_{2,128})}^2}.$

将特征向量Z₁和Z₂之间的欧式距离distance与判别阈值Th进行比较，如果distance≤Th，则判定这两个人脸测试图片属于同一个人；否则，这两个人脸测试图片不属于同一个人。

本发明不局限于上述最佳实施方式，本领域技术人员在本发明的启示下都可得出其他各种形式的产品，但不论在其形状或结构上作任何变化，凡是具有与本申请相同或相近似的技术方案，均落在本发明的保护范围之内。

Claims (3)

1.一种人脸特征识别方法，其包括以下步骤：

1)将含有人脸标签信息的人脸图片输入卷积神经网络中，利用卷积神经网络对输入的人脸图片进行卷积和池化处理，将每一张人脸图片表示为一个1024维的特征向量；

2)在度量学习算法中加入自编码算法的代价函数，得到自编码和度量学习结合的训练网络；将步骤1)中获得的含有人脸标签信息的人脸1024维的特征向量输入自编码和度量学习结合的训练网络中，生成度量学习算法得到的模型；

3)将含有人脸标签信息的人脸1024维的特征向量输入度量学习算法得到的模型中，得到人脸128维的特征向量；

4)计算含有人脸标签信息的人脸图片中任意两个128维的特征向量的欧氏距离，并根据所有计算得到的欧式距离，计算得到最佳的判别阈值Th；

5)将两个人脸测试图片输入卷积神经网络中，得到两个人脸测试图片的1024维特征向量X₁和X₂；

6)将两个人脸测试图片的1024维特征向量X₁和X₂都输入度量学习算法得到的模型中，得到两个人脸测试图片的128维特征向量Z₁和Z₂；

7)计算两个人脸测试图片的128维特征向量Z₁和Z₂之间的欧式距离D；

8)将两个人脸测试图片之间的欧氏距离D与判别阈值Th进行比较，如果D≤Th，则判定这两个人脸测试图片属于同一个人；否则，这两个人脸测试图片不属于同一个人。

2.如权利要求1所述的一种人脸特征识别方法，其特征在于：自编码和度量学习结合的训练网络用代价函数表示为：

L＝L₁+αL₂(1)

式(1)中，L₁为自编码算法生成的模型的代价函数，L₂为度量学习算法生成的模型的代价函数，α为自编码算法生成的模型的代价函数L₁和度量学习算法生成的模型的代价函数L₂的比例参数；其中，

$L_1={(\widehat{X_1}-X_1)}^2+{(\widehat{X_2}-X_2)}^2---\left(2\right)$

L₂＝max(margin-I(y₁,y₂)*[c-(Z₁-Z₂)²],0)(3)

式(2)中，X₁和X₂均为人脸特征向量，其中，X₁＝{x_1,1,x_1,2,…,x_1,1024}，X₂＝{x_2,1,x_2,2,…,x_2,1024}；和均为自编码和度量学习结合的训练网络的第二全连接层的输出，其中，

$\left\{\begin{array}{c}\widehat{X_1}=g({W_2}^T{Z}_1+b_2)\\ \widehat{X_2}=g({W_2}^T{Z}_2+b_2)\end{array}\right.---\left(4\right)$

式(3)和式(4)中，Z₁和Z₂均为自编码和度量学习结合的训练网络的第一全连接层的输出，其中，

$\left\{\begin{array}{c}{Z}_1=g({W_1}^T{X}_1+b_1)\\ Z_2=g({W_1}^T{X}_2+b_1)\end{array}\right.---\left(5\right)$

式(3)中，margin和c均为常量，函数I(y₁,y₂)为： $I(y_1,y_2)=\left\{\begin{array}{cc}1& y_1=y_2\\ -1& y_1\≠y_2\end{array}\right.,$ y₁和y₂均为类别标签；

式(4)中，W₂为自编码和度量学习结合的训练网络中第二全连接层的权重,b₂为偏置项，g(W₂ ^TZ₁+b₂)和g(W₂ ^TZ₂+b₂)均为激活函数；式(4)和式(5)中，T表示矩阵的转置；

式(5)中，W₁为自编码和度量学习结合的训练网络中第一全连接层的权重，b₁为偏置项，g(W₁ ^TX₁+b₁)和g(W₁ ^TX₂+b₁)均为激活函数。

3.如权利要求1或2所述的一种人脸特征识别方法，其特征在于：两个人脸测试图片的128维特征向量Z₁和Z₂之间的欧式距离为：

$\sqrt{{(z_{1,2}-z_{2,2})}^2+{(z_{1,2}-z_{2,2})}^2+\mathrm{...}+{(z_{1,128}-z_{2,128})}^2}.$