CN110490057A - 一种基于人脸大数据人工智能聚类的自适应识别方法与系统 - Google Patents
一种基于人脸大数据人工智能聚类的自适应识别方法与系统 Download PDFInfo
- Publication number
- CN110490057A CN110490057A CN201910611376.9A CN201910611376A CN110490057A CN 110490057 A CN110490057 A CN 110490057A CN 201910611376 A CN201910611376 A CN 201910611376A CN 110490057 A CN110490057 A CN 110490057A
- Authority
- CN
- China
- Prior art keywords
- face
- face characteristic
- cluster
- network
- dimensional
- 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
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- 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
- G06V40/171—Local features and components; Facial parts ; Occluding parts, e.g. glasses; Geometrical relationships
Abstract
本发明公开了一种基于人脸大数据人工智能聚类的自适应识别方法与系统。本发明从人脸图片提取高维度人脸特征量数据集,进而基于第二卷积神经网络的人脸特征量子集识别网络,从高维度人脸特征量数据集提取低维度人脸特征量信息子集。其中,在第二卷积神经网络的人脸特征量子集识别网络训练过程中,通过无监督的聚类并计算损失函数,并训练第二卷积神经网络使所述损失函数最小化。
Description
技术领域
本发明涉及人脸识别技术,特别涉及一种基于人脸大数据人工智能聚类的自适应识别方法与系统。
背景技术
在智慧城市、智慧建筑、智慧社区等应用场景中,基于人脸的身份识别发挥着越来越重要的作用。例如,以上应用场景中普遍具有的视频监控追踪系统、门禁系统、移动支付系统等,都普遍将人脸信息作为实现人物身份识别的主要依据。
用于身份识别的人脸信息,主要指的是从人脸的器官形状位置以及人脸的纹理分布当中提取的特征量信息。但是,从人脸中提取的以上类型的特征量信息普遍具有鲁棒性差的缺点。采集人脸时受到不同环境、光线、拍摄角度、遮挡等因素的影响,以及人脸的表情变化,胡须额发乃至眼镜等因素的变化,均会使得以上特征量信息发生较为明显的改变,容易造成身份识别的失败。
人脸特征量精简和模型化表征,是解决这一鲁棒性问题的一种可选方案。具体来说,对于从人脸直接提取的特征量数据属于高维特征量数据,通过对维度进行精简和特征量预处理,将其转化为低维度的人脸特征量信息,再根据低维度的人脸特征量信息对预定义的低维度模型赋予参数,实现对人脸的模型化表征。模型化表征的人脸信息对环境、光线、拍摄角度、遮挡、表情、附属物等因素变化的敏感度降低,从而增强了身份识别的鲁棒性。
为了实现人脸特征量精简,现有技术中提出了LRSC(Low-Rank SubspaceClustering)等多种从高维度特征量数据到低维度特征量数据的精简方法。但是这些方法在精简过程中考虑高维度特征量数据的所有维度,其中存在的一些不相关特征和干扰较多的维度会降低了算法性能。
因此,在人脸特征量精简过程中,需要从原始的高维度人脸特征量信息当中选择一部分的特征量维度的子集,被选择的维度子集能够保持通过人脸特征量信息对身份的可识别性。对特征量维度子集的选择在从高维到低维的精简过程中是至关重要的,需要考虑不同特征量维度对身份识别的影响程度。在高维度人脸特征量信息到低维度人脸特征量信息的精简过程中,现有技术中尚没有决定有效的特征量维度子集的有效方法。
发明内容
(一)发明目的
针对上述现有技术存在的需要,本发明提供一种基于人脸大数据人工智能聚类的自适应识别方法与系统。本发明从人脸图片提取高维度人脸特征量数据集,进而基于第二卷积神经网络的人脸特征量子集识别网络,从高维度人脸特征量数据集提取低维度人脸特征量信息子集。其中,在第二卷积神经网络的人脸特征量子集识别网络训练过程中,通过无监督的聚类并计算损失函数,并训练第二卷积神经网络使所述损失函数最小化。
(二)技术方案
一种基于人脸大数据人工智能聚类的自适应识别方法,包括以下步骤:
S1:采集各种人脸图片组成的人脸大数据,得到分类的人脸大数据集;
S2:将人脸大数据集中的人脸图片基于级联的第一卷积神经网络得到人脸关键点,并根据关键点预处理人脸图片,得到预处理的人脸图片数据集;并根据关键点从人脸图片数据集中提取高维度人脸特征量,得到高维度人脸特征量数据集;
S3:构建基于第二卷积神经网络的人脸特征量子集识别网络,并将所述S2步骤得到的高维度人脸特征量数据集分别输入人脸特征量子集识别网络当中,计算损失函数并进行训练,得到训练好的人脸特征量子集识别网络;
S4:将所述S3步骤获取的训练好的人脸特征量子集识别网络,应用于实际的高维度人脸特征量,提取低维度人脸特征量信息子集;
S5:根据提取的低维度人脸特征量信息子集,对预定义的低维度模型赋予参数,实现对人脸的模型化表征,利用模型化表征的人脸进行身份识别。
优选的是,步骤S2中,用级联的第一卷积神经网络执行多任务人脸检测算法(MTCNN)得到人脸五个关键点,并根据关键点预处理人脸图片。
优选的是,步骤S3中,所述第二卷积神经网络包括多个卷积层构成的神经网络;卷积层通过卷积操作,从高维度人脸特征量提取人脸特征量子集,并且随着卷积操作的多层叠加,提取的人脸特征量子集的维度逐步下降;高维度人脸特征量相对于人脸特征量子集形成损失函数,聚类并计算损失函数,并训练第二卷积神经网络使所述损失函数最小化。
优选的是,步骤S3具体包括:
S31:将S2步骤所述的高维度人脸特征量根据人脸图片的类别,依次输入第二卷积神经网络;第二卷积神经网络的卷积层通过卷积操作,从高维度人脸特征量提取人脸特征量子集;再采用K-means聚类算法对N类的人脸特征量子集进行聚类,得到各个人脸特征量子集的K个聚类中心,共N*K个类簇;
S32:将S31步骤所述的N*K个类簇与每个类簇对应的高维度人脸特征量进行比较,得到损失函数;
S33:对所述第二卷积神经网络模型进行训练,以使得网络的损失函数最小化。
优选的是,步骤S32的所述损失函数为:
Lk-means(f,a,c)=||max(f,ca)-min(f,c-a)||
Lk-means(f,a,c)表示损失函数,f为输入人脸图像在步骤S2中提取的高维度人脸特征量,c为第二卷积神经网络生成的人脸特征量子集经过聚类之后的K个聚类中心(共有N*K个聚类中心),ca为类簇a的K个聚类中心,c-a为除去类簇a之外所有类簇的K个聚类中心。
本发明提供了一种基于人脸大数据人工智能聚类的自适应识别系统,包括:
人脸图片采集模块,用于采集各种人脸图片组成的人脸大数据,得到分类的人脸大数据集;
人脸预处理和特征量提取模块,用于将人脸大数据集中的人脸图片基于级联的第一卷积神经网络得到人脸关键点,并根据关键点预处理人脸图片,得到预处理的人脸图片数据集;
人脸特征量子集识别网络训练模块,对于基于第二卷积神经网络的人脸特征量子集识别网络,将高维度人脸特征量数据集分别输入人脸特征量子集识别网络当中,通过聚类计算损失函数并进行训练,得到训练好的人脸特征量子集识别网络;
人脸特征量子集识别网络,对于训练好的人脸特征量子集识别网络,应用于实际的高维度人脸特征量,提取低维度人脸特征量信息子集。第二卷积神经网络模型完成训练,获取训练好的第二卷积神经网络模型作为人脸特征量子集识别网络;
识别模块,根据提取的低维度人脸特征量信息子集,对预定义的低维度模型赋予参数,实现对人脸的模型化表征,利用模型化表征的人脸进行身份识别。
优选的是,人脸预处理和特征量提取模块用级联的第一卷积神经网络执行多任务人脸检测算法(MTCNN)得到人脸五个关键点,并根据关键点预处理人脸图片。
优选的是,所述第二卷积神经网络包括多个卷积层构成的神经网络;卷积层通过卷积操作,从高维度人脸特征量提取人脸特征量子集,并且随着卷积操作的多层叠加,提取的人脸特征量子集的维度逐步下降;高维度人脸特征量相对于人脸特征量子集形成损失函数,聚类并计算损失函数,并训练第二卷积神经网络使所述损失函数最小化。
人脸特征量子集识别网络训练模块按照以下子步骤训练该人脸特征量子集识别网络:
将高维度人脸特征量根据人脸图片的类别,依次输入第二卷积神经网络;第二卷积神经网络的卷积层通过卷积操作,从高维度人脸特征量提取人脸特征量子集;再采用K-means聚类算法对N类的人脸特征量子集进行聚类,得到各个人脸特征量子集的K个聚类中心,共N*K个类簇;
将N*K个类簇与每个类簇对应的高维度人脸特征量进行比较,得到损失函数;
对所述第二卷积神经网络模型进行训练,以使得网络的损失函数最小化。
优选的是,所述损失函数为:
Lk-means(f,a,c)=||max(f,ca)-min(f,c-a)||
Lk-means(f,a,c)表示损失函数,f为输入人脸图像在步骤S2中提取的高维度人脸特征量,c为第二卷积神经网络生成的人脸特征量子集经过聚类之后的K个聚类中心(共有N*K个聚类中心),ca为类簇a的K个聚类中心,c-a为除去类簇a之外所有类簇的K个聚类中心。
(三)有益效果
本发明具有如下有益效果:本发明在自适应人脸识别过程中,基于分类训练的人脸特征量子集识别网络实现人脸特征量精简过程,从原始的高维度人脸特征量信息提取特征量子集,特征量子集基于聚类实现损失函数最小化,从而能够保持通过人脸特征量信息对身份的可识别性。根据提取的低维度人脸特征量信息子集,实现对人脸的模型化表征,利用模型化表征的人脸进行身份识别,提高了人脸识别鲁棒性,对环境、光线、拍摄角度、遮挡、表情、附属物等因素变化表现出更强的适应性。
附图说明
以下参考附图描述的实施例是示例性的,旨在用于解释和说明本发明,而不能理解为对本发明的保护范围的限制。
图1是本发明公开的基于人脸大数据人工智能聚类的自适应识别方法流程示意图;
图2是本发明公开的自适应识别方法中人脸特征量子集识别网络聚类训练的流程示意图;
图3是基于人脸大数据人工智能聚类的自适应识别系统示意图。
具体实施方式
为使本发明实施的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行更加详细的描述。
需要说明的是:所描述的实施例是本发明一部分实施例,而不是全部的实施例,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明如图1所示,提供了一种基于人脸大数据人工智能聚类的自适应识别方法,包括以下步骤S1-S5。
S1:采集各种人脸图片组成的人脸大数据,得到分类的人脸大数据集。本发明根据应用场景,采集足够数量的各种人脸图片,例如,对于应用人脸识别的门禁系统,则通过门禁对讲机的摄像头采集足够数量的人脸图片。采集的人脸图片包括各种环境、光线、拍摄角度、遮挡、表情以及附属物(例如胡须、额发、眼镜)因素变化下的各类别人脸图片,将这些人脸图片按类别归入所述人脸大数据集,每一类别的人脸图片应达到预定的数量以上,例如1000张以上。
S2:将人脸大数据集中的人脸图片基于级联的第一卷积神经网络得到人脸关键点,并根据关键点预处理人脸图片,得到预处理的人脸图片数据集;本步骤中用级联的第一卷积神经网络执行多任务人脸检测算法(MTCNN)得到人脸五个关键点,并根据关键点预处理人脸图片。多任务人脸检测算法(MTCNN)是通过级联的卷积神经网络实现人脸检测和对齐的常用算法,算法有三个阶段组成:第一阶段,通过浅层的CNN快速产生候选窗体;第二阶段,通过更复杂的CNN精炼候选窗体,丢弃大量的重叠窗体;第三阶段,使用更加强大的CNN,实现候选窗体去留,同时显示五个面部关键点定位。根据五个面部关键点统一裁剪人脸图片。对于经过裁剪预处理的人脸图片,提取高维度人脸特征量,得到高维度人脸特征量数据集,所述高维度人脸特征量针对裁剪预处理的人脸图片,从人脸的器官形状位置以及人脸的纹理分布当中提取的特征量信息。
S3:构建基于第二卷积神经网络的人脸特征量子集识别网络,并将所述S2步骤得到的高维度人脸特征量数据集分别输入人脸特征量子集识别网络当中,通过聚类计算损失函数并进行训练,得到训练好的人脸特征量子集识别网络。所述第二卷积神经网络包括多个卷积层构成的神经网络。卷积层通过卷积操作,从高维度人脸特征量提取人脸特征量子集,并且随着卷积操作的多层叠加,提取的人脸特征量子集的维度逐步下降。高维度人脸特征量相对于人脸特征量子集形成损失函数,通过聚类损失函数,拉大经过第二卷积神经网络形成的不同的人脸特征量子集的特征差异。所述S3步骤中卷积神经网络的损失函数通过聚类,使得各种类别(假设共有N个类别)的人脸图片对应的高维度人脸特征量经过卷积神经网络得到的深层特征差异更大。
步骤S3更具体来说如图2所示,包括以下子步骤:
S31:将S2步骤所述的高维度人脸特征量根据人脸图片的类别,依次输入第二卷积神经网络;第二卷积神经网络的卷积层通过卷积操作,从高维度人脸特征量提取人脸特征量子集;再采用K-means聚类算法对N类的人脸特征量子集进行聚类,得到各个人脸特征量子集的K个聚类中心,共N*K个类簇。
S32:将S31步骤所述的N*K个类簇与每个类簇对应的高维度人脸特征量进行比较,得到损失函数。具体来说,输入高维度人脸特征量,找出距离此高维度人脸特征量最远的同类类簇簇距离和最近的非同类类簇簇距离,然后分别计算此高维度特征量与两个类簇之间的距离;最大化两个距离的差即损失函数。
具体来说,损失函数为:
Lk-means(f,a,c)=||max(f,ca)-min(f,c-a)||
Lk-means(f,a,c)表示损失函数,f为输入人脸图像在步骤S2中提取的高维度人脸特征量,c为第二卷积神经网络生成的人脸特征量子集经过聚类之后的K个聚类中心(共有N*K个聚类中心),ca为类簇a的K个聚类中心,c-a为除去类簇a之外所有类簇的K个聚类中心。
S33:对所述第二卷积神经网络模型进行训练,以使得网络的损失函数最小化。
S4:将所述S3步骤获取的训练好的人脸特征量子集识别网络,应用于实际的高维度人脸特征量,提取低维度人脸特征量信息子集。通过S3步骤使第二卷积神经网络模型完成训练,获取训练好的第二卷积神经网络模型作为人脸特征量子集识别网络。进而,对于一幅实际的人脸图像,同样基于其器官形状位置以及人脸的纹理分布,提取的特征量信息,作为高维度人脸特征量,输入训练好的人脸特征量子集识别网络,从而获得所述损失函数最小化的人脸特征量子集,所述人脸特征量子集相对于高维度人脸特征量来说是低维度的。
S5:根据提取的低维度人脸特征量信息子集,对预定义的低维度模型赋予参数,实现对人脸的模型化表征,利用模型化表征的人脸进行身份识别。
本发明如图3所示,提供了一种基于人脸大数据人工智能聚类的自适应识别系统,包括。
人脸图片采集模块,用于采集各种人脸图片组成的人脸大数据,得到分类的人脸大数据集。所述人脸图片采集模块根据应用场景,采集足够数量的各种人脸图片,例如,对于应用人脸识别的门禁系统,则人脸图片采集模块通过门禁对讲机的摄像头采集足够数量的人脸图片。采集的人脸图片包括各种环境、光线、拍摄角度、遮挡、表情以及附属物(例如胡须、额发、眼镜)因素变化下的各类别人脸图片,将这些人脸图片按类别归入所述人脸大数据集,每一类别的人脸图片应达到预定的数量以上,例如1000张以上。
人脸预处理和特征量提取模块,用于将人脸大数据集中的人脸图片基于级联的第一卷积神经网络得到人脸关键点,并根据关键点预处理人脸图片,得到预处理的人脸图片数据集;本步骤中用级联的第一卷积神经网络执行多任务人脸检测算法(MTCNN)得到人脸五个关键点,并根据关键点预处理人脸图片。多任务人脸检测算法(MTCNN)是通过级联的卷积神经网络实现人脸检测和对齐的常用算法,算法有三个阶段组成:第一阶段,通过浅层的CNN快速产生候选窗体;第二阶段,通过更复杂的CNN精炼候选窗体,丢弃大量的重叠窗体;第三阶段,使用更加强大的CNN,实现候选窗体去留,同时显示五个面部关键点定位。根据五个面部关键点统一裁剪人脸图片。对于经过裁剪预处理的人脸图片,提取高维度人脸特征量,得到高维度人脸特征量数据集,所述高维度人脸特征量针对裁剪预处理的人脸图片,从人脸的器官形状位置以及人脸的纹理分布当中提取的特征量信息。
人脸特征量子集识别网络训练模块,对于基于第二卷积神经网络的人脸特征量子集识别网络,将高维度人脸特征量数据集分别输入人脸特征量子集识别网络当中,通过聚类计算损失函数并进行训练,得到训练好的人脸特征量子集识别网络。所述第二卷积神经网络包括多个卷积层构成的神经网络。卷积层通过卷积操作,从高维度人脸特征量提取人脸特征量子集,并且随着卷积操作的多层叠加,提取的人脸特征量子集的维度逐步下降。高维度人脸特征量相对于人脸特征量子集形成损失函数,通过聚类损失函数,拉大经过第二卷积神经网络形成的不同的人脸特征量子集的特征差异。所述卷积神经网络的损失函数通过聚类,使得各种类别(假设共有N个类别)的人脸图片对应的高维度人脸特征量经过卷积神经网络得到的深层特征差异更大。
人脸特征量子集识别网络训练模块更具体来说,按照以下子步骤训练该人脸特征量子集识别网络:
将高维度人脸特征量根据人脸图片的类别,依次输入第二卷积神经网络;第二卷积神经网络的卷积层通过卷积操作,从高维度人脸特征量提取人脸特征量子集;再采用K-means聚类算法对N类的人脸特征量子集进行聚类,得到各个人脸特征量子集的K个聚类中心,共N*K个类簇。
将N*K个类簇与每个类簇对应的高维度人脸特征量进行比较,得到损失函数。具体来说,输入高维度人脸特征量,找出距离此高维度人脸特征量最远的同类类簇簇距离和最近的非同类类簇簇距离,然后分别计算此高维度特征量与两个类簇之间的距离;最大化两个距离的差即损失函数。
具体来说,损失函数为:
Lk-means(f,a,c)=||max(f,ca)-min(f,c-a)||
Lk-means(f,a,c)表示损失函数,f为输入人脸图像在步骤S2中提取的高维度人脸特征量,c为第二卷积神经网络生成的人脸特征量子集经过聚类之后的K个聚类中心(共有N*K个聚类中心),ca为类簇a的K个聚类中心,c-a为除去类簇a之外所有类簇的K个聚类中心。
对所述第二卷积神经网络模型进行训练,以使得网络的损失函数最小化。
人脸特征量子集识别网络,对于训练好的人脸特征量子集识别网络,应用于实际的高维度人脸特征量,提取低维度人脸特征量信息子集。第二卷积神经网络模型完成训练,获取训练好的第二卷积神经网络模型作为人脸特征量子集识别网络。进而,对于一幅实际的人脸图像,同样基于其器官形状位置以及人脸的纹理分布,提取的特征量信息,作为高维度人脸特征量,输入训练好的人脸特征量子集识别网络,从而获得所述损失函数最小化的人脸特征量子集,所述人脸特征量子集相对于高维度人脸特征量来说是低维度的。
识别模块,根据提取的低维度人脸特征量信息子集,对预定义的低维度模型赋予参数,实现对人脸的模型化表征,利用模型化表征的人脸进行身份识别。
可见,本发明在自适应人脸识别过程中,基于分类训练的人脸特征量子集识别网络实现人脸特征量精简过程,从原始的高维度人脸特征量信息提取特征量子集,特征量子集基于聚类实现损失函数最小化,从而能够保持通过人脸特征量信息对身份的可识别性。根据提取的低维度人脸特征量信息子集,实现对人脸的模型化表征,利用模型化表征的人脸进行身份识别,提高了人脸识别鲁棒性,对环境、光线、拍摄角度、遮挡、表情、附属物等因素变化表现出更强的适应性。
以上所述,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,可轻易想到的变化或替换,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所述权利要求的保护范围为准。
Claims (10)
1.一种基于人脸大数据人工智能聚类的自适应识别方法,其特征在于,包括以下步骤:
S1:采集各种人脸图片组成的人脸大数据,得到分类的人脸大数据集;
S2:将人脸大数据集中的人脸图片基于级联的第一卷积神经网络得到人脸关键点,并根据关键点预处理人脸图片,得到预处理的人脸图片数据集;并根据关键点从人脸图片数据集中提取高维度人脸特征量,得到高维度人脸特征量数据集;
S3:构建基于第二卷积神经网络的人脸特征量子集识别网络,并将所述S2步骤得到的高维度人脸特征量数据集分别输入人脸特征量子集识别网络当中,计算损失函数并进行训练,得到训练好的人脸特征量子集识别网络;
S4:将所述S3步骤获取的训练好的人脸特征量子集识别网络,应用于实际的高维度人脸特征量,提取低维度人脸特征量信息子集;
S5:根据提取的低维度人脸特征量信息子集,对预定义的低维度模型赋予参数,实现对人脸的模型化表征,利用模型化表征的人脸进行身份识别。
2.根据权利要求1所述的基于人脸大数据人工智能聚类的自适应识别方法,其特征在于,步骤S2中,用级联的第一卷积神经网络执行多任务人脸检测算法(MTCNN)得到人脸五个关键点,并根据关键点预处理人脸图片。
3.根据权利要求1所述的基于人脸大数据人工智能聚类的自适应识别方法,其特征在于,步骤S3中,所述第二卷积神经网络包括多个卷积层构成的神经网络;卷积层通过卷积操作,从高维度人脸特征量提取人脸特征量子集,并且随着卷积操作的多层叠加,提取的人脸特征量子集的维度逐步下降;高维度人脸特征量相对于人脸特征量子集形成损失函数,聚类并计算损失函数,并训练第二卷积神经网络使所述损失函数最小化。
4.根据权利要求3所述的基于人脸大数据人工智能聚类的自适应识别方法,其特征在于,步骤S3具体包括:
S31:将S2步骤所述的高维度人脸特征量根据人脸图片的类别,依次输入第二卷积神经网络;第二卷积神经网络的卷积层通过卷积操作,从高维度人脸特征量提取人脸特征量子集;再采用K-means聚类算法对N类的人脸特征量子集进行聚类,得到各个人脸特征量子集的K个聚类中心,共N*K个类簇;
S32:将S31步骤所述的N*K个类簇与每个类簇对应的高维度人脸特征量进行比较,得到损失函数;
S33:对所述第二卷积神经网络模型进行训练,以使得网络的损失函数最小化。
5.根据权利要求4所述的基于人脸大数据人工智能聚类的自适应识别方法,其特征在于,步骤S32的所述损失函数为:
Lk-means(f,a,c)=||max(f,ca)-min(f,c-a)||
Lk-means(f,a,c)表示损失函数,f为输入人脸图像在步骤S2中提取的高维度人脸特征量,c为第二卷积神经网络生成的人脸特征量子集经过聚类之后的K个聚类中心(共有N*K个聚类中心),ca为类簇a的K个聚类中心,c-a为除去类簇a之外所有类簇的K个聚类中心。
6.一种基于人脸大数据人工智能聚类的自适应识别系统,其特征在于,包括:
人脸图片采集模块,用于采集各种人脸图片组成的人脸大数据,得到分类的人脸大数据集;
人脸预处理和特征量提取模块,用于将人脸大数据集中的人脸图片基于级联的第一卷积神经网络得到人脸关键点,并根据关键点预处理人脸图片,得到预处理的人脸图片数据集;
人脸特征量子集识别网络训练模块,对于基于第二卷积神经网络的人脸特征量子集识别网络,将高维度人脸特征量数据集分别输入人脸特征量子集识别网络当中,通过聚类计算损失函数并进行训练,得到训练好的人脸特征量子集识别网络;
人脸特征量子集识别网络,对于训练好的人脸特征量子集识别网络,应用于实际的高维度人脸特征量,提取低维度人脸特征量信息子集。第二卷积神经网络模型完成训练,获取训练好的第二卷积神经网络模型作为人脸特征量子集识别网络;
识别模块,根据提取的低维度人脸特征量信息子集,对预定义的低维度模型赋予参数,实现对人脸的模型化表征,利用模型化表征的人脸进行身份识别。
7.根据权利要求6所述的基于人脸大数据人工智能聚类的自适应识别系统,其特征在于,人脸预处理和特征量提取模块用级联的第一卷积神经网络执行多任务人脸检测算法(MTCNN)得到人脸五个关键点,并根据关键点预处理人脸图片。
8.根据权利要求7所述的基于人脸大数据人工智能聚类的自适应识别系统,其特征在于,所述第二卷积神经网络包括多个卷积层构成的神经网络;卷积层通过卷积操作,从高维度人脸特征量提取人脸特征量子集,并且随着卷积操作的多层叠加,提取的人脸特征量子集的维度逐步下降;高维度人脸特征量相对于人脸特征量子集形成损失函数,聚类并计算损失函数,并训练第二卷积神经网络使所述损失函数最小化。
9.根据权利要求8所述的基于人脸大数据人工智能聚类的自适应识别系统,其特征在于,人脸特征量子集识别网络训练模块按照以下子步骤训练该人脸特征量子集识别网络:
将高维度人脸特征量根据人脸图片的类别,依次输入第二卷积神经网络;第二卷积神经网络的卷积层通过卷积操作,从高维度人脸特征量提取人脸特征量子集;再采用K-means聚类算法对N类的人脸特征量子集进行聚类,得到各个人脸特征量子集的K个聚类中心,共N*K个类簇;
将N*K个类簇与每个类簇对应的高维度人脸特征量进行比较,得到损失函数;
对所述第二卷积神经网络模型进行训练,以使得网络的损失函数最小化。
10.根据权利要求9所述的基于人脸大数据人工智能聚类的自适应识别系统,其特征在于,所述损失函数为:
Lk-means(f,a,c)=||max(f,ca)-min(f,c-a)||
Lk-means(f,a,c)表示损失函数,f为输入人脸图像在步骤S2中提取的高维度人脸特征量,c为第二卷积神经网络生成的人脸特征量子集经过聚类之后的K个聚类中心(共有N*K个聚类中心),ca为类簇a的K个聚类中心,c-a为除去类簇a之外所有类簇的K个聚类中心。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910611376.9A CN110490057B (zh) | 2019-07-08 | 2019-07-08 | 一种基于人脸大数据人工智能聚类的自适应识别方法与系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910611376.9A CN110490057B (zh) | 2019-07-08 | 2019-07-08 | 一种基于人脸大数据人工智能聚类的自适应识别方法与系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110490057A true CN110490057A (zh) | 2019-11-22 |
CN110490057B CN110490057B (zh) | 2020-10-27 |
Family
ID=68546814
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910611376.9A Active CN110490057B (zh) | 2019-07-08 | 2019-07-08 | 一种基于人脸大数据人工智能聚类的自适应识别方法与系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110490057B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112508972A (zh) * | 2021-01-12 | 2021-03-16 | 广东东软学院 | 一种基于人工智能的信息识别方法及装置 |
CN114840692A (zh) * | 2022-07-04 | 2022-08-02 | 智慧眼科技股份有限公司 | 图像库构建方法、图像检索方法、装置及相关设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106815566A (zh) * | 2016-12-29 | 2017-06-09 | 天津中科智能识别产业技术研究院有限公司 | 一种基于多任务卷积神经网络的人脸检索方法 |
CN106845421A (zh) * | 2017-01-22 | 2017-06-13 | 北京飞搜科技有限公司 | 基于多区域特征与度量学习的人脸特征识别方法及系统 |
CN108564029A (zh) * | 2018-04-12 | 2018-09-21 | 厦门大学 | 基于级联多任务学习深度神经网络的人脸属性识别方法 |
CN108764207A (zh) * | 2018-06-07 | 2018-11-06 | 厦门大学 | 一种基于多任务卷积神经网络的人脸表情识别方法 |
CN108875834A (zh) * | 2018-06-22 | 2018-11-23 | 北京达佳互联信息技术有限公司 | 图像聚类方法、装置、计算机设备及存储介质 |
CN109522853A (zh) * | 2018-11-22 | 2019-03-26 | 湖南众智君赢科技有限公司 | 面向监控视频的人脸检测与搜索方法 |
-
2019
- 2019-07-08 CN CN201910611376.9A patent/CN110490057B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106815566A (zh) * | 2016-12-29 | 2017-06-09 | 天津中科智能识别产业技术研究院有限公司 | 一种基于多任务卷积神经网络的人脸检索方法 |
CN106845421A (zh) * | 2017-01-22 | 2017-06-13 | 北京飞搜科技有限公司 | 基于多区域特征与度量学习的人脸特征识别方法及系统 |
CN108564029A (zh) * | 2018-04-12 | 2018-09-21 | 厦门大学 | 基于级联多任务学习深度神经网络的人脸属性识别方法 |
CN108764207A (zh) * | 2018-06-07 | 2018-11-06 | 厦门大学 | 一种基于多任务卷积神经网络的人脸表情识别方法 |
CN108875834A (zh) * | 2018-06-22 | 2018-11-23 | 北京达佳互联信息技术有限公司 | 图像聚类方法、装置、计算机设备及存储介质 |
CN109522853A (zh) * | 2018-11-22 | 2019-03-26 | 湖南众智君赢科技有限公司 | 面向监控视频的人脸检测与搜索方法 |
Non-Patent Citations (4)
Title |
---|
ALEXANDER HERMANS 等: "In Defense of the triplet Loss Person Re-Identification", 《ARXIV》 * |
ZHANG K 等: "Joint Face Detection and Aiignment Using Multitask Cascaded Convolutional Networks", 《IEEE SIGNAL PROCESSING LETTERS》 * |
孙权森 等: "基于偏最小二乘分析的人脸表示与识别", 《江南大学学报(自然科学版)》 * |
申小敏: "基于卷积神经网络的大规模人脸聚类", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112508972A (zh) * | 2021-01-12 | 2021-03-16 | 广东东软学院 | 一种基于人工智能的信息识别方法及装置 |
CN114840692A (zh) * | 2022-07-04 | 2022-08-02 | 智慧眼科技股份有限公司 | 图像库构建方法、图像检索方法、装置及相关设备 |
CN114840692B (zh) * | 2022-07-04 | 2022-09-30 | 智慧眼科技股份有限公司 | 图像库构建方法、图像检索方法、装置及相关设备 |
Also Published As
Publication number | Publication date |
---|---|
CN110490057B (zh) | 2020-10-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yuan et al. | Fingerprint liveness detection using an improved CNN with image scale equalization | |
CN106650693B (zh) | 一种用于人脸比对的多特征融合识别算法 | |
CN110728255B (zh) | 图像处理方法、装置、电子设备及存储介质 | |
CN108334816A (zh) | 基于轮廓对称约束生成式对抗网络的多姿态人脸识别方法 | |
Thapar et al. | VGR-net: A view invariant gait recognition network | |
CN110110707A (zh) | 人工智能cnn、lstm神经网络动态识别系统 | |
CN111178208A (zh) | 基于深度学习的行人检测方法、装置及介质 | |
CN113762138B (zh) | 伪造人脸图片的识别方法、装置、计算机设备及存储介质 | |
Chen et al. | R3 adversarial network for cross model face recognition | |
CN110414472A (zh) | 一种基于视频的多维火灾智能检测系统 | |
CN110490057A (zh) | 一种基于人脸大数据人工智能聚类的自适应识别方法与系统 | |
Shi et al. | A novel facial expression intelligent recognition method using improved convolutional neural network | |
Gao et al. | Automatic facial attractiveness prediction by deep multi-task learning | |
Garg et al. | Facial expression recognition & classification using hybridization of ICA, GA, and neural network for human-computer interaction | |
Modak et al. | A deep learning framework to reconstruct face under mask | |
Shanthi et al. | Gender and age detection using deep convolutional neural networks | |
Capozzi et al. | Toward vehicle occupant-invariant models for activity characterization | |
Karungaru et al. | Face recognition in colour images using neural networks and genetic algorithms | |
Li et al. | SAT-Net: Self-attention and temporal fusion for facial action unit detection | |
CN113435248A (zh) | 口罩人脸识别底库增强方法、装置、设备及可读存储介质 | |
CN114429646A (zh) | 基于深度自注意力变换网络的步态识别方法 | |
CN113553895A (zh) | 一种基于人脸正面化的多姿态人脸识别方法 | |
Biswas et al. | A Novel Embedding Architecture and Score Level Fusion Scheme for Occluded Image Acquisition in Ear Biometrics System | |
Zhang et al. | Research and Application of Gaze Data Processing Method | |
Mou | Autonomous face recognition |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20200917 Address after: 200232 floor 18, building 2, No. 277, Longlan Road, Xuhui District, Shanghai Applicant after: LIGHT CONTROLS TESILIAN (SHANGHAI) INFORMATION TECHNOLOGY Co.,Ltd. Address before: 100027 West Tower 11 floor, Kai Hao building, 8 Xinyuan South Road, Chaoyang District, Beijing. Applicant before: Terminus(Beijing) Technology Co.,Ltd. Applicant before: LIGHT CONTROLS TESILIAN (SHANGHAI) INFORMATION TECHNOLOGY Co.,Ltd. |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |