CN106599864A - 一种基于极值理论的深度人脸识别方法 - Google Patents

一种基于极值理论的深度人脸识别方法 Download PDF

Info

Publication number
CN106599864A
CN106599864A CN201611189169.1A CN201611189169A CN106599864A CN 106599864 A CN106599864 A CN 106599864A CN 201611189169 A CN201611189169 A CN 201611189169A CN 106599864 A CN106599864 A CN 106599864A
Authority
CN
China
Prior art keywords
training
value
extreme value
face
method based
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201611189169.1A
Other languages
English (en)
Other versions
CN106599864B (zh
Inventor
刘佳
余化鹏
张建林
徐智勇
魏宇星
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Institute of Optics and Electronics of CAS
Original Assignee
Institute of Optics and Electronics of CAS
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Institute of Optics and Electronics of CAS filed Critical Institute of Optics and Electronics of CAS
Priority to CN201611189169.1A priority Critical patent/CN106599864B/zh
Publication of CN106599864A publication Critical patent/CN106599864A/zh
Application granted granted Critical
Publication of CN106599864B publication Critical patent/CN106599864B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/168—Feature extraction; Face representation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/172—Classification, e.g. identification

Abstract

本发明是一种基于极值理论的深度人脸识别方法，包括通过深度卷积神经网络对训练人脸图像进行特征提取，对提取的特征进行SVM分类训练，得到决策面，通过深度卷积神经网络对测试人脸图像进行特征提取，结合分类训练得到的决策面进行预测，得到决策值，基于极值理论对决策值进行统计分析得出预测结果。该方法只需每个人脸类具有极少量的训练样本，能够适应实际应用中人脸在很大范围内的光照、姿态、表情、遮挡等变化，能够有效区分陌生人脸，识别率高。同时该方法训练效率高，能够适应实际应用中对增量学习的需求。

Description

一种基于极值理论的深度人脸识别方法
技术领域
本发明属于人工智能与图像处理领域，涉及一种人脸图像的识别方法，特别是基于极值理论进行统计分析，设置预测阈值，然后输出识别结果。
背景技术
对任意一个识别系统，主要目标是最优化识别性能。对于普通的人脸识别，不希望陌生人脸被误认为人脸库中的已知人脸，同样不希望本该被识别的库中的已知人脸被误认为陌生人脸。极值理论作为视觉应用预测器在以前已经出现，但不是作为识别问题的主要部分。
极值理论主要是指处理与概率分布的中值相离极大的情况的理论。可以直观地假设任何一个考虑尾部分布的问题都是极值问题。最近关于目标检测得分空间的工作依赖于这一假设，但是并没有正式解释为什么极值理论适用于那些分数分布的尾部。仅仅是位于尾部并不足以说明这是一个极值问题。比如可以认为任意特定分布D的前N个值根据定义只满足分布D而不满足其它分布。
识别是一个真正意义上的极值问题。当中心极限定理接近极限时，极值问题与中心极限定理相似。极值分布是发生于一个任意分布的一系列随机观测值的最大值(或最小值，根据数据表示方式而定)。Gumbel表示对于任意连续可逆的初始分布，只需要三个模型，依赖于最大值或最小值是否感兴趣，以及观测值是否有上界或下界。Gumbel同样证明如果一个系统或部分有多种失效模式，通过Weibull分布可以很好地模拟这种故障。
发明内容
本发明要解决的技术问题为：本发明提供一种基于极值理论的深度人脸识别方法，该方法利用预测得到的决策值数组，求得统计值，基于极值理论设置阈值，得到识别结果，提高识别准确率。
本发明采用的技术方案为：本发明提供一种基于极值理论的深度人脸识别方法，如图1所示，该方法包括步骤：
步骤S1：利用预训练的深度卷积神经网络CNN对训练人脸图像进行特征提取，得到特征矩阵，用于训练分类器；
步骤S2：对特征矩阵进行SVM分类训练，得到决策面，用于人脸身份预测；
步骤S3：利用预训练的深度卷积神经网络CNN对测试人脸图像进行特征提取，得到特征矩阵，用于人脸身份预测；
步骤S4：利用训练得到的SVM分类器，对步骤S3中得到的人脸图像特征进行身份预测，基于极值理论，得到预测结果。
其中，步骤S1和步骤S3中，输入到深度卷积神经网络CNN的图像大小为224×224。
其中，步骤S1和步骤S3中，CNN一共有40层，一个输入层(第0层)，一个softmax输出层(第39层)，3个全连接层(第32，35，38层)，其余的是conv/relu/mpool/drop层。
其中，步骤S2中的SVM分类使用了LIBSVM工具包，选择L2-正规化L2-损失径向基核函数SVM并将惩罚因子设为10。
其中，步骤S4中人脸身份预测的步骤包括：
步骤S41：针对每一帧图像的人脸特征进行预测，得到决策值数组，选取决策值数组最大20％部分的值进行统计分析；
步骤S42：基于极值理论，设置识别阈值；
步骤S43：将步骤S41得到的统计值与步骤S42得到的阈值作比较，当阈值大于统计值均方差时，认为识别对象为陌生人，当阈值小于统计值均方差时，得到预测结果。
本发明与现有技术相比的有益效果在于：本发明通过极值理论设置阈值，适应能力强，识别准确率高。
(1)基于极值理论设置阈值，能够更准确区分陌生人脸，提高识别准确率；
(2)只需每个人脸类具有极少量的训练样本；
(3)能够适应实际应用中人脸在很大范围内的光照、姿态、表情、遮挡等变化，识别率高；
(4)训练效率高，能够适应实际应用中对增量学习的需求，不用每次进行重复训练。
附图说明
图1为本发明一种基于极值理论的深度人脸识别方法实现流程图；
图2为本发明具体实施例实现流程图。
具体实施方式
下面结合附图对本发明的实施例作详细说明。本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于以下的实施例。
本发明提供一种人脸识别方法，输入为单帧彩色224×224大小图像。
如图2所示，本发明提供了一种基于极值理论的深度人脸识别方法，包含以下步骤：
步骤S1：使用"triplet-based"损失，利用预训练的深度卷积神经网络CNN对原始训练图像进行特征提取，得到特征矩阵，用于训练分类；
步骤S2：选择L2-规范化L2-损耗径向基核函数SVM对特征矩阵进行分类训练，得到决策面，用于人脸预测，给定一组实例-标签对(xi,yi),i＝1,...,l,xi∈Rn,yi∈{-1,+1}l，L2-规范化L2-损耗SVM的目标函数为：
subject to yi(wTφ(xi)+b)≥1-ξi,
ξi≥0.
其中，(w,b)是决策面，ξi是松弛变量，C>0是惩罚因子，一般由应用问题决定，C值大时对误分类的惩罚增大，C值小时对误分类的惩罚减小。训练向量xi通过函数φ被映射到更高维空间，K(xi,xj)≡φ(xi)Tφ(xj)是核函数。
步骤S3：利用预训练的深度卷积神经网络CNN对原始识别图像进行特征提取，得到特征矩阵，用于人脸身份预测；
步骤S4：利用训练得到的SVM分类器，对步骤S3中得到的人脸图像特征进行身份预测，基于极值理论，得到预测结果；
步骤S41：针对每一帧图像的人脸特征进行预测，得到决策值数组，选取决策值数组最大20％部分的值进行统计分析；
步骤S42：基于极值理论，设置识别阈值；
步骤S43：将步骤S41得到的统计值与步骤S42得到的阈值作比较，当阈值大于统计值均方差时，认为识别对象为陌生人，当阈值小于统计值均方差时，得到预测结果。
经测试，针对不同环境，在摄像头成像质量良好的情况下，人脸识别准确率不低于90％，可支持多张人脸同时识别，人脸识别响应时间不超过3秒。

Claims (5)

1.一种基于极值理论的深度人脸识别方法，其特征在于包括如下步骤：
步骤S1：利用预训练的深度卷积神经网络CNN对训练人脸图像进行特征提取，得到特征矩阵，用于训练分类器；
步骤S2：对特征矩阵进行SVM分类训练，得到决策面，用于人脸身份预测；
步骤S3：利用预训练的深度卷积神经网络CNN对测试人脸图像进行特征提取，得到特征矩阵，用于人脸身份预测；
步骤S4：利用训练得到的SVM分类器，对步骤S3中得到的人脸图像特征进行身份预测，基于极值理论，得到预测结果。
2.根据权利要求1所述的基于极值理论的深度人脸识别方法，其特征在于，步骤S1和步骤S3中，输入到深度卷积神经网络CNN的图像大小为224×224。
3.根据权利要求1所述的基于极值理论的深度人脸识别方法，其特征在于，步骤S1和步骤S3中，CNN一共有40层，一个输入层，一个softmax输出层，3个全连接层，其余的是conv/relu/mpool/drop层。
4.根据权利要求1所述的基于极值理论的深度人脸识别方法，其特征在于，步骤S2中的SVM分类使用了LIBSVM工具包，选择L2-正规化L2-损失径向基核函数SVM并将惩罚因子设为10。
5.根据权利要求1所述的基于极值理论的深度人脸识别方法，其特征在于，步骤S4中人脸身份预测的步骤包括：
步骤S41：针对每一帧图像的人脸特征进行预测，得到决策值数组，选取决策值数组最大20％部分的值进行统计分析；
步骤S42：基于极值理论，设置识别阈值；
步骤S43：将步骤S41得到的统计值与步骤S42得到的阈值作比较，当阈值大于统计值均方差时，认为识别对象为陌生人，当阈值小于统计值均方差时，得到预测结果。
CN201611189169.1A 2016-12-21 2016-12-21 一种基于极值理论的深度人脸识别方法 Active CN106599864B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201611189169.1A CN106599864B (zh) 2016-12-21 2016-12-21 一种基于极值理论的深度人脸识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201611189169.1A CN106599864B (zh) 2016-12-21 2016-12-21 一种基于极值理论的深度人脸识别方法

Publications (2)

Publication Number Publication Date
CN106599864A true CN106599864A (zh) 2017-04-26
CN106599864B CN106599864B (zh) 2020-01-07

Family

ID=58600581

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201611189169.1A Active CN106599864B (zh) 2016-12-21 2016-12-21 一种基于极值理论的深度人脸识别方法

Country Status (1)

Country Link
CN (1) CN106599864B (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107832667A (zh) * 2017-10-11 2018-03-23 哈尔滨理工大学 一种基于深度学习的人脸识别方法
CN108304800A (zh) * 2018-01-30 2018-07-20 厦门启尚科技有限公司 一种人脸检测和人脸比对的方法
CN109325399A (zh) * 2018-07-13 2019-02-12 哈尔滨工程大学 一种基于信道状态信息的陌生人手势识别方法及系统
CN107742141B (zh) * 2017-11-08 2020-07-28 重庆西南集成电路设计有限责任公司 基于rfid技术的智能身份信息采集方法及系统
CN107742140B (zh) * 2017-11-08 2020-07-28 重庆西南集成电路设计有限责任公司 基于rfid技术的智能身份信息识别方法
CN112102314A (zh) * 2020-11-02 2020-12-18 成都考拉悠然科技有限公司 基于不确定性来判断人脸图片质量的计算方法
CN113780138A (zh) * 2021-08-31 2021-12-10 中国科学技术大学先进技术研究院 自适应鲁棒性VOCs气体泄漏检测方法、系统及存储介质
US11443559B2 (en) 2019-08-29 2022-09-13 PXL Vision AG Facial liveness detection with a mobile device

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101276407A (zh) * 2008-05-09 2008-10-01 武汉大学 数字指纹生成和跟踪方法
CN103544492A (zh) * 2013-08-06 2014-01-29 Tcl集团股份有限公司 基于深度图像三维曲面几何特征的目标识别方法和装置
US20150235073A1 (en) * 2014-01-28 2015-08-20 The Trustees Of The Stevens Institute Of Technology Flexible part-based representation for real-world face recognition apparatus and methods
CN105426963A (zh) * 2015-12-01 2016-03-23 北京天诚盛业科技有限公司 用于人脸识别的卷积神经网络的训练方法、装置及应用

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101276407A (zh) * 2008-05-09 2008-10-01 武汉大学 数字指纹生成和跟踪方法
CN103544492A (zh) * 2013-08-06 2014-01-29 Tcl集团股份有限公司 基于深度图像三维曲面几何特征的目标识别方法和装置
US20150235073A1 (en) * 2014-01-28 2015-08-20 The Trustees Of The Stevens Institute Of Technology Flexible part-based representation for real-world face recognition apparatus and methods
CN105426963A (zh) * 2015-12-01 2016-03-23 北京天诚盛业科技有限公司 用于人脸识别的卷积神经网络的训练方法、装置及应用

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
ABHIJIT BENDALE，TERRANCE BOULT: "Reliable Posterior Probability Estimation for Streaming Face Recognition", 《THE IEEE CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION》 *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107832667A (zh) * 2017-10-11 2018-03-23 哈尔滨理工大学 一种基于深度学习的人脸识别方法
CN107742141B (zh) * 2017-11-08 2020-07-28 重庆西南集成电路设计有限责任公司 基于rfid技术的智能身份信息采集方法及系统
CN107742140B (zh) * 2017-11-08 2020-07-28 重庆西南集成电路设计有限责任公司 基于rfid技术的智能身份信息识别方法
CN108304800A (zh) * 2018-01-30 2018-07-20 厦门启尚科技有限公司 一种人脸检测和人脸比对的方法
CN109325399A (zh) * 2018-07-13 2019-02-12 哈尔滨工程大学 一种基于信道状态信息的陌生人手势识别方法及系统
CN109325399B (zh) * 2018-07-13 2021-11-19 哈尔滨工程大学 一种基于信道状态信息的陌生人手势识别方法及系统
US11443559B2 (en) 2019-08-29 2022-09-13 PXL Vision AG Facial liveness detection with a mobile device
US11669607B2 (en) 2019-08-29 2023-06-06 PXL Vision AG ID verification with a mobile device
CN112102314A (zh) * 2020-11-02 2020-12-18 成都考拉悠然科技有限公司 基于不确定性来判断人脸图片质量的计算方法
CN113780138A (zh) * 2021-08-31 2021-12-10 中国科学技术大学先进技术研究院 自适应鲁棒性VOCs气体泄漏检测方法、系统及存储介质

Also Published As

Publication number Publication date
CN106599864B (zh) 2020-01-07

Similar Documents

Publication Publication Date Title
CN110443143B (zh) 多分支卷积神经网络融合的遥感图像场景分类方法
CN106599864A (zh) 一种基于极值理论的深度人脸识别方法
Alani et al. Hand gesture recognition using an adapted convolutional neural network with data augmentation
CN108960080B (zh) 基于主动防御图像对抗攻击的人脸识别方法
CN111191737B (zh) 基于多尺度反复注意力机制的细粒度图像分类方法
CN109215034B (zh) 一种基于空间金字塔掩盖池化的弱监督图像语义分割方法
CN112949572B (zh) 基于Slim-YOLOv3的口罩佩戴情况检测方法
US8379994B2 (en) Digital image analysis utilizing multiple human labels
WO2018052586A1 (en) Method and system for multi-scale cell image segmentation using multiple parallel convolutional neural networks
CN109002755B (zh) 基于人脸图像的年龄估计模型构建方法及估计方法
CN108710893B (zh) 一种基于特征融合的数字图像相机源模型分类方法
CN109472209A (zh) 一种图像识别方法、装置和存储介质
CN109903339B (zh) 一种基于多维融合特征的视频群体人物定位检测方法
CN105023006B (zh) 基于增强型非参数最大边缘准则的人脸识别方法
CN110008899B (zh) 一种可见光遥感图像候选目标提取与分类方法
CN109815814A (zh) 一种基于卷积神经网络的人脸检测方法
CN110569780A (zh) 一种基于深度迁移学习的高精度人脸识别方法
CN113705596A (zh) 图像识别方法、装置、计算机设备和存储介质
CN110135435A (zh) 一种基于广度学习系统的显著性检测方法及装置
CN109101984B (zh) 一种基于卷积神经网络的图像识别方法及装置
Putro et al. Fast face-CPU: a real-time fast face detector on CPU using deep learning
CN108460772B (zh) 基于卷积神经网络的广告骚扰传真图像检测系统及方法
CN114821200B (zh) 一种应用于工业视觉检测领域的图像检测模型及方法
Ji et al. A fast face detection method combining skin color feature and adaboost
Wan et al. Face detection method based on skin color and adaboost algorithm

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant