CN113705383A - 一种基于三元约束的跨年龄人脸识别方法及系统 - Google Patents
一种基于三元约束的跨年龄人脸识别方法及系统 Download PDFInfo
- Publication number
- CN113705383A CN113705383A CN202110925227.7A CN202110925227A CN113705383A CN 113705383 A CN113705383 A CN 113705383A CN 202110925227 A CN202110925227 A CN 202110925227A CN 113705383 A CN113705383 A CN 113705383A
- Authority
- CN
- China
- Prior art keywords
- age
- features
- face recognition
- feature
- ternary
- 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.)
- Pending
Links
Images
Classifications
-
- 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
- G06F18/23—Clustering techniques
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于三元约束的跨年龄人脸识别方法及系统,属于计算机视觉技术领域,一种基于三元约束的跨年龄人脸识别方法及系统,本方案通过获取不同年龄跨度的人脸样本数据,构建年龄属性的估计模型,并对训练样本集估计出年龄属性信息,划出三个时间单元,分别对不同年龄段的子集进行特征提取,将每个身份对象不同年龄层的中心特征为基础,通过三元样本集训练得到的特征不断向中心特征进行靠拢约束,来提升不同年龄层的特征聚合效果,最终的输出结果可直接应用到人脸识别系统中,通过将不同年龄段的特征进行聚合,来获取更加细粒度的人脸特征,可有效解决现有的人脸识别方法在跨年龄段人脸识别上识别率较低的问题。
Description
技术领域
本发明涉及计算机视觉技术领域,更具体地说,涉及一种基于三元约束的跨年龄人脸识别方法及系统。
背景技术
人脸识别,是基于人的脸部特征信息进行身份识别的一种生物识别技术,用摄像机或摄像头采集含有人脸的图像或视频流,并自动在图像中检测和跟踪人脸,进而对检测到的人脸进行脸部识别的一系列相关技术,通常也叫做人像识别、面部识别,跨年龄人脸识别是人脸识别领域中的一个极具挑战性的国际性难题,众所周知,同一个人的不同年龄阶段的图片会有非常大的差异,这些差异会严重影响到跨年龄人脸识别的精度。
在现有技术中,深度学习已经被广泛运用到人脸识别,并且取得了非常好的性能,但是,对于跨年龄人脸识别问题,由于同一个人在不同年龄阶段下的多张人脸之间存在着非常显著的差异,这严重影响到现有的深度人脸识别模型的性能。
发明内容
1.要解决的技术问题
针对现有技术中存在的问题,本发明的目的在于提供一种基于三元约束的跨年龄人脸识别方法及系统,通过获取不同年龄跨度的人脸样本数据,构建年龄属性的估计模型,并对训练样本集估计出年龄属性信息,三元样本集的构建,依据每个身份的年龄属性信息,划出三个时间单元,年龄的跨度为高、中和低三个子集,然后分别对不同年龄段的子集进行特征提取,并计算子集的中心特征,以某个年龄层的中心特征为基础在其它两个年龄段中挖掘困难样本,特征中心化的内部约束,将每个身份对象不同年龄层的中心特征为基础,三元样本集训练得到的特征不断向中心特征进行靠拢约束,中心特征会随着不断的迭代过程进行更新,将不同年龄跨度的特征进行聚合,三元组的外部约束,每个身份拥有三个不同年龄层的中心特征,通过类内和类间的距离约束,来提升不同年龄层的特征聚合效果,模型最终的输出结果为不同年龄人脸图像训练出来的复合特征,可直接应用到人脸识别系统中,本发明通过将不同年龄段的特征进行聚合,来获取更加细粒度的人脸特征,可有效解决现有的人脸识别方法在跨年龄段人脸识别上识别率较低的问题。
2.技术方案
为解决上述问题,本发明采用如下的技术方案。
一种基于三元约束的跨年龄人脸识别方法及系统,三元约束方法包括以下步骤:
S1、三元样本集的构建,以每个身份的样本集为核心,依据年龄属性标签来划分出高、中和低三个时间单元的子集,分别对子集提取特征和计算中心特征,通过特征差异来抽取困难样本,组成训练集,三元样本集的构建,依据年龄标签来划分出高、中和低三个以时间为跨度的特征子集,并根据预训练模型来提取各年龄特征,计算三元样本集的高、中和低的特征均值;以备特征空间初始化使用,作为迭代中心的初始值;
S2、特征中心化的内部约束,将每个身份对象不同年龄层的中心特征作为基础,三元样本集特征不断向中心特征进行靠拢约束,特征中心化的内部约束,对模型提取到的不同年龄段的人脸特征,去优化该身份下的特征中心,将不同年龄段的特征,向中心进行聚合,提升不同年龄脸部外观下的特征一致性,每个身份的数据定义了一个聚合中心,训练过程要向中心不断靠近,每一轮计算一下当前数据和中心的距离,然后把这个距离梯度叠加到中心上,不断进行维护,更加关注不同年龄样本类内分布的均匀性,让其围绕类内中心均匀分布,减少年龄差带来的特征差异化;
S3、三元组的外部约束,每个身份拥有三个不同年龄层的中心特征,通过类内和类外的距离约束,对不同年龄层的中心特征进行聚合约束,三元组的外部约束,主要从年龄均值化特征为基础,不在以个体特征为基础,将每个身份的样本划分到三个不同年龄层,然后分别提取特征,并对其进行均值化处理,仅以不同年龄层的单个个体的特征差异为基础,进行约束训练。
进一步的,所述S11、根据已经获取的带有年龄属性信息的样本集,构建出年龄属性的估计模型;
S12、对训练样本集进行年龄属性标签的估计,来获取样本集的年龄信息;
S13、根据年龄信息和特征差异来进行困难样本挖掘,基于年龄跨度的困难样本挖掘,通过对每个身份不同年龄的特征进行提取,分别以高、中和低为基准特征,将其余两个年龄段特征计算欧式距离,并进行排序,提取前N个样本,加入训练样本集中,样本抽取,每次迭代随机的从构建好的三元样本集抽取数据,并进行训练;
所述S2包括根据身份数量,将不同身份的中心特征在特征空间进行初始化,三元样本集根据不同身份来对特征进行均值化,根据梯度回传不断调整更新初始中心位置;
所述S3包括每个身份的三个年龄层的特征获取,并构建正例样本和反例样本对,通过类内距离和类间距离来约束同一人,提升不同年龄段的特征聚合。
进一步的,所述S11包括采集和收集不同年龄段的样本数据,并通过人脸检测算法来获得人脸特征数据,通过搭建年龄属性预测模型来进行训练,训练出误差较低的年龄估计器,最后在大批量无年龄属性信息的样本集上进行预测,获得样本集估计出来的年龄信息。
进一步的,所述S11包括计算每个身份的三个不同年龄层的特征均值,以其中一个年龄段为基准,通过和基准特征计算欧式距离,来对样本进行排序,提取前N个样本加到训练集合中,在从中进行随机抽取迭代样本,用来循环训练。
进一步的,所述S2包括以每个身份的三个不同年龄层中心特征阶段性的作为聚类中心,每次迭代过程计算和当前特征中心的距离,不断优化减少类间距离的差异,不断维护不同年龄人脸的差异化,向统一的特征中心靠拢。
进一步的,所述S3包括以聚类中心为核心,对所述S11中采用得到的样本,根据年龄段来获取均值特征,作为正样本,对非同一身份的样本作为负样本,通过计算三者间的欧式距离,来实现同一人不同年龄人脸之间的差异要远小于不同人不同年龄段间的差异。
进一步的,S71、基于采集到的带有年龄信息的标签数据,通过训练预测出大规模训练样本集的年龄标签信息。
S72、依据估计出来的年龄标签信息,来进行三元样本集的构建,三元组的构成形式,每个身份拥有三个特征样本,作为正样本,以其他身份的均值化特征作为负样本,由此便可以构成三元组合对;
S73、以每个身份对象的不同年龄层特征均值作为空间特征初始化值,通过基于年龄跨度的困难样本挖掘,来选取每次迭代的样本,以不同年龄层的中心特征作为基础,训练过程不断迭代更新,将其余两个年龄段的特征进行聚合,学习更加细粒度的样本特征;
S74、在每次迭代的同时,以不同年龄段的特征均值为基础,进行三元组的损失约束,进一步压缩年龄段图像所带来的特征差异,加大不同人相同年龄段的距离,完善特征提取过程,三元组的特征约束条件,通过欧式距离来进行度量约束,保证相同身份不同年龄段的特征要小于不同身份相同年龄层间的差异,来进一步对提取的特征进行约束,提升跨年龄识别的能力,为进一步提升年龄三元组的外部约束,在相同身份的欧式距离上添加一个惩罚项,来扩大提升和其他身份特征的差异,拉大之间的关联;
S75、获得细粒度的人脸图像特征,包括依据年龄信息和特征编码信息的困难样本挖掘,依据不同年龄段样本为中心的特征聚合和以时间序列为基础的三元损失联合约束模型的训练,模型的骨干网络可以是常见的ResNet、ShuffleNet或MobileNet系列等框架,不仅现于此。
进一步的,对采集到的图像实时处理,检测图像中的人脸,进行人脸校正裁剪等预处理过程,通过上述所训练的跨年龄人脸识别模型,来提取面部特征,并将其与预先构建好的人像库进行比对识别,检测出最有可能的用户信息,进行反馈,数据采集设备包括高分辨率的摄像头、补光灯和外部设备框架,后台管理设备包括存储器、CPU和GPU处理器、显示模块及运行模块,数据采集设备,获取待识别身份的人脸图像,并传输给后台管理设备,后台管理设备,将所述待识别的对象进行人脸检测、关键点检测和人脸校正等操作,送入到人脸识别模型中进行特征提取,所述的人脸识别系统是通过上述采用三元约束的跨年龄的人脸识别方法训练出来的模型,并将提取到的人脸特征与预先构建好的跨年龄特征库进行比对识别,检测出最有可能的用户信息,并进行显示和备注,数据采集设备包括:高分辨率的摄像头、补光灯和外部设备框架,所述采集设备主要执行用户人脸图像的采集工作,并实时的进行传递给后端设备,后台管理设备包括:存储器、CPU和GPU处理器、显示模块及存储在设备上并可在所述处理器上运行的计算机程序,所述的人脸识别系统被所述的处理器进行执行,获取用户年龄不变的特征,进行人脸比对和人脸检索,即可将上述人脸识别方法应用在实际场景。
进一步的,所述底座上端固定连接有支撑杆,所述支撑杆上端转动连接有人脸识别器,所述人脸识别器上端固定连接有摄像头,所述人脸识别器上端固定连接有补光灯,所述补光灯位于摄像头的右侧,所述底座外端开凿有插孔,所述插孔内滑动连接有滑块,所述滑块左端转动连接有连接杆,所述连接杆与人脸识别器转动连接,所述滑块右端固定连接有固定块,所述固定块右端转动连接有转轴,所述转轴右端固定连接有转杆,所述转杆右端固定连接有转盘,所述转杆上端固定连接有卡块,所述插孔内壁开凿有卡槽,所述卡块与卡槽相匹配,先将底座放置在指定位置,然后通过转盘的推动使得滑块在插孔内移动,在滑块移动时会带动连接杆对人脸识别器进行抵压,使得人脸识别器的角度发生偏移,进而对人脸识别器的角度进行调节,随后转动转盘使得卡块卡入卡槽内,对人脸识别器调节后的角度进行固定,使得人脸识别器在固定后不易发生松动。
进一步的,所述插孔内壁固定连接有限位块,所述限位块位于滑块左侧,在滑块通过转盘进行推动在插孔内移动时,可通过限位块使得滑块在插孔内移动时进行限制,使得滑块不易滑出插孔。
3.有益效果
相比于现有技术,本发明的优点在于:
(1)本方案通过获取不同年龄跨度的人脸样本数据,构建年龄属性的估计模型,并对训练样本集估计出年龄属性信息,三元样本集的构建,依据每个身份的年龄属性信息,划出三个时间单元,年龄的跨度为高、中和低三个子集,然后分别对不同年龄段的子集进行特征提取,并计算子集的中心特征,以某个年龄层的中心特征为基础在其它两个年龄段中挖掘困难样本,特征中心化的内部约束,将每个身份对象不同年龄层的中心特征为基础,三元样本集训练得到的特征不断向中心特征进行靠拢约束,中心特征会随着不断的迭代过程进行更新,将不同年龄跨度的特征进行聚合,三元组的外部约束,每个身份拥有三个不同年龄层的中心特征,通过类内和类间的距离约束,来提升不同年龄层的特征聚合效果,模型最终的输出结果为不同年龄人脸图像训练出来的复合特征,可直接应用到人脸识别系统中,本发明通过将不同年龄段的特征进行聚合,来获取更加细粒度的人脸特征,可有效解决现有的人脸识别方法在跨年龄段人脸识别上识别率较低的问题。
(2)S11、根据已经获取的带有年龄属性信息的样本集,构建出年龄属性的估计模型;
S12、对训练样本集进行年龄属性标签的估计,来获取样本集的年龄信息;
S13、根据年龄信息和特征差异来进行困难样本挖掘,基于年龄跨度的困难样本挖掘,通过对每个身份不同年龄的特征进行提取,分别以高、中和低为基准特征,将其余两个年龄段特征计算欧式距离,并进行排序,提取前N个样本,加入训练样本集中,样本抽取,每次迭代随机的从构建好的三元样本集抽取数据,并进行训练;
S2包括根据身份数量,将不同身份的中心特征在特征空间进行初始化,三元样本集根据不同身份来对特征进行均值化,根据梯度回传不断调整更新初始中心位置;
S3包括每个身份的三个年龄层的特征获取,并构建正例样本和反例样本对,通过类内距离和类间距离来约束同一人,提升不同年龄段的特征聚合。
(3)S11包括采集和收集不同年龄段的样本数据,并通过人脸检测算法来获得人脸特征数据,通过搭建年龄属性预测模型来进行训练,训练出误差较低的年龄估计器,最后在大批量无年龄属性信息的样本集上进行预测,获得样本集估计出来的年龄信息。
(4)S11包括计算每个身份的三个不同年龄层的特征均值,以其中一个年龄段为基准,通过和基准特征计算欧式距离,来对样本进行排序,提取前N个样本加到训练集合中,在从中进行随机抽取迭代样本,用来循环训练。
(5)S2包括以每个身份的三个不同年龄层中心特征阶段性的作为聚类中心,每次迭代过程计算和当前特征中心的距离,不断优化减少类间距离的差异,不断维护不同年龄人脸的差异化,向统一的特征中心靠拢。
(6)S3包括以聚类中心为核心,对所述S11中采用得到的样本,根据年龄段来获取均值特征,作为正样本,对非同一身份的样本作为负样本,通过计算三者间的欧式距离,来实现同一人不同年龄人脸之间的差异要远小于不同人不同年龄段间的差异。
(7)S71、基于采集到的带有年龄信息的标签数据,通过训练预测出大规模训练样本集的年龄标签信息;
S72、依据估计出来的年龄标签信息,来进行三元样本集的构建,三元组的构成形式,每个身份拥有三个特征样本,作为正样本,以其他身份的均值化特征作为负样本,由此便可以构成三元组合对;
S73、以每个身份对象的不同年龄层特征均值作为空间特征初始化值,通过基于年龄跨度的困难样本挖掘,来选取每次迭代的样本,以不同年龄层的中心特征作为基础,训练过程不断迭代更新,将其余两个年龄段的特征进行聚合,学习更加细粒度的样本特征;
S74、在每次迭代的同时,以不同年龄段的特征均值为基础,进行三元组的损失约束,进一步压缩年龄段图像所带来的特征差异,加大不同人相同年龄段的距离,完善特征提取过程,三元组的特征约束条件,通过欧式距离来进行度量约束,保证相同身份不同年龄段的特征要小于不同身份相同年龄层间的差异,来进一步对提取的特征进行约束,提升跨年龄识别的能力,为进一步提升年龄三元组的外部约束,在相同身份的欧式距离上添加一个惩罚项,来扩大提升和其他身份特征的差异,拉大之间的关联;
S75、获得细粒度的人脸图像特征,包括依据年龄信息和特征编码信息的困难样本挖掘,依据不同年龄段样本为中心的特征聚合和以时间序列为基础的三元损失联合约束模型的训练,模型的骨干网络可以是常见的ResNet、ShuffleNet或MobileNet系列等框架,不仅现于此。
(8)对采集到的图像实时处理,检测图像中的人脸,进行人脸校正裁剪等预处理过程,通过上述所训练的跨年龄人脸识别模型,来提取面部特征,并将其与预先构建好的人像库进行比对识别,检测出最有可能的用户信息,进行反馈,数据采集设备包括高分辨率的摄像头、补光灯和外部设备框架,后台管理设备包括存储器、CPU和GPU处理器、显示模块及运行模块,数据采集设备,获取待识别身份的人脸图像,并传输给后台管理设备,后台管理设备,将所述待识别的对象进行人脸检测、关键点检测和人脸校正等操作,送入到人脸识别模型中进行特征提取,所述的人脸识别系统是通过上述采用三元约束的跨年龄的人脸识别方法训练出来的模型,并将提取到的人脸特征与预先构建好的跨年龄特征库进行比对识别,检测出最有可能的用户信息,并进行显示和备注,数据采集设备包括:高分辨率的摄像头、补光灯和外部设备框架,所述采集设备主要执行用户人脸图像的采集工作,并实时的进行传递给后端设备,后台管理设备包括:存储器、CPU和GPU处理器、显示模块及存储在设备上并可在所述处理器上运行的计算机程序,所述的人脸识别系统被所述的处理器进行执行,获取用户年龄不变的特征,进行人脸比对和人脸检索,即可将上述人脸识别方法应用在实际场景。
(9)底座上端固定连接有支撑杆,支撑杆上端转动连接有人脸识别器,人脸识别器上端固定连接有摄像头,人脸识别器上端固定连接有补光灯,补光灯位于摄像头的右侧,底座外端开凿有插孔,插孔内滑动连接有滑块,滑块左端转动连接有连接杆,连接杆与人脸识别器转动连接,滑块右端固定连接有固定块,固定块右端转动连接有转轴,转轴右端固定连接有转杆,转杆右端固定连接有转盘,转杆上端固定连接有卡块,插孔内壁开凿有卡槽,卡块与卡槽相匹配,先将底座放置在指定位置,然后通过转盘的推动使得滑块在插孔内移动,在滑块移动时会带动连接杆对人脸识别器进行抵压,使得人脸识别器的角度发生偏移,进而对人脸识别器的角度进行调节,随后转动转盘使得卡块卡入卡槽内,对人脸识别器调节后的角度进行固定,使得人脸识别器在固定后不易发生松动。
(10)插孔内壁固定连接有限位块,限位块位于滑块左侧,在滑块通过转盘进行推动在插孔内移动时,可通过限位块使得滑块在插孔内移动时进行限制,使得滑块不易滑出插孔。
附图说明
图1为本发明的跨年龄人脸识别方法流程图;
图2为本发明的人脸识别系统的结构示意图;
图3为本发明的人脸识别器结构示意图;
图4为本发明的侧面剖视结构示意图;
图5为图4中的A处放大示意图。
图中标号说明:
1底座、2支撑杆、3人脸识别器、4摄像头、5补光灯、6插孔、601限位块、7滑块、8连接杆、9固定块、10转轴、11转杆、12转盘、13卡块、14卡槽。
具体实施方式
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清楚、完整地描述;显然;所描述的实施例仅仅是本发明一部分实施例;而不是全部的实施例,基于本发明中的实施例;本领域普通技术人员在没有做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。
在本发明的描述中,需要说明的是,术语“上”、“下”、“内”、“外”、“顶/底端”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性。
在本发明的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“设置有”、“套设/接”、“连接”等,应做广义理解,例如“连接”,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
实施例:
请参阅图1-2,一种基于三元约束的跨年龄人脸识别方法及系统,包括以下步骤:1、获取带有年龄标注信息的人脸图像样本,其中,上述的样本可通过公开数据集爬取,人工采集等方式进行获取,在实际应用中,本步骤可以通过数据采集设备来获取原始人像数据。
步骤2、对采集到的带有年龄标签的数据进行整理和训练,来得到人脸年龄属性估计器。
步骤3、对大批量的无年龄属性信息的人像数据集进行年龄属性估计,估计出近似的年龄属性信息,如果训练数据集本身带有年龄属性信息,则可忽略步骤1-2。
步骤4、三元样本集的构建,以每个身份的样本集为核心,依据年龄属性信息来划分出高、中和低三个时间单元的子集。
步骤5、特征抽取的骨干框架获取,可以采用常见的ResNet、ShuffleNet或MobileNet系列等网络结构,但不仅现于此,本文以轻量化模型为主,采用mobilenetv3作为骨干模型。
步骤6、三元样本集的初始特征提取,以mobilenetv3的瓶颈层为基础,瓶颈层的特征图大小为7*7*320,对其采用全局最大池化,获取320维特征,即每个身份提取320个特征,然后根据预训练模型来提取三元样本集的特征,计算三元样本集的高、中和低年龄层的特征均值,作为迭代中心的初始值,来加快模型的收敛速度。
步骤7、基于年龄跨度的困难样本挖掘,通过对每个身份不同年龄的特征进行提取,分别以高、中和低为基准特征,将其余两个年龄段特征计算欧式距离,并进行排序,提取前N个样本,加入训练样本集中。
步骤8、特征中心化的内部约束,对模型提取到的不同年龄段的人脸特征,去优化该身份下的特征中心,将不同年龄段的特征,向中心进行聚合,提升不同年龄脸部外观下的特征一致性,具体地,实施为每个身份根据三个时间单元的样本对,拥有3个特征中心,分别代表了高年龄特征、中年龄特征和低年龄特征,训练过程轮询的以3个特征为中心,然后将训练过程中特征差异较大的样本向中心不断拉近,三个年龄差特征中心在特征空间也不断拉近,直到聚合在一起,每一轮计算一下当前数据和中心的欧式距离Lc,然后把这个距离梯度叠加到中心上,不断进行维护,更加关注不同年龄样本类内分布的均匀性,让其围绕类内中心均匀分布,减少年龄差带来的特征差异化,为了改善特征中心的抖动问题,在梯度更新上加入了一个尺度因子
其中,xi表示样本的特征,cyi表示yi类别的特征中心。
步骤9、年龄三元组的构成形式,每个身份拥有三个特征中心,作为正样本,以其他身份的均值化特征作为负样本,由此便可以构成三元组合对,三元组的特征约束条件,通过欧式距离来进行度量约束Lt,保证相同身份不同年龄段的特征要小于不同身份相同年龄层间的差异,来进一步对提取的特征进行约束,提升跨年龄识别的能力,Lt=max(d(a,p)-d(a,n)+margin,0)
其中,d表示欧式距离计算方式,a和p表示当前身份的不同年龄层特征对,a和n表示当前身份和其他人的特征对,margin表示间隔,默认为0.02。
步骤10、为进一步提升年龄三元组的外部约束,加强每个身份不同年龄段的特征聚合,为了避免不同约束带来的收敛问题,在相同身份的欧式距离上添加一个惩罚项,默认为0.01,来扩大提升和其他身份特征的差异,拉大之间的关联。
步骤11、本说明书实施例联合最大似然估计和上述提出的两种基于年龄跨度的约束来作为训练过程所需的损失函数,计算出预测分类结果与真值分类结果之间的误差值,并以降低误差值为目的,对跨年龄识别模型中的参数进行调整,从而达到训练效果。
本说明书实施例的模型训练方法将基于年龄的两种约束进行特征融合,已得到跨年龄区分性更明显的人脸特征,并利用融合方法训练出跨年龄的人脸识别模型,从而可以利用该人脸识别模型实现性能更高的跨年龄识别,显著提升跨年龄的误识通过率,以上是对本说明书实施例的跨年龄人脸识别模型的训练方法的介绍,应理解,在不脱离本文上述原理基础之上,还可以进行适当的变化,这些变化也应该视为本说明书实施例的保护范围。
步骤12、与上述人脸识别模型的训练方法相对应地,本说明书实施例还提供一种人脸识别系统,图2是本说明书实施例的人脸识别系统结构示意图,包括:1、数据采集设备,获取人脸图像数据,后台管理设备,对所述的跨年龄人脸识别模型的应用。
步骤13、数据采集设备主要由高精度摄像头和补光灯构成,可选地还包括内部总线、网络接口、存储器等,能够完成拍照和摄像功能和数据存储和数据通信等功能,将拍摄到的图像、视频数据可以无损的传递给后台管理设备。
步骤14、后台管理设备包括:存储器、CPU和GPU处理器、显示模块、通信模块,处理器和存储器等内部相互连接,通过通信模块进行协调调度,存储器,主要用于存放程序和保存特征,CPU和GPU处理器主要用于高性能的计算。
步骤15、人脸识别系统的整体流程,包括数据采集设备进行图像获取,并将其传输给后台管理设备,后台管理设备启动保存在存储器上的程序,来依次执行人脸检测、仿作伪、人脸质量评价、关键点检测和人脸校正算法,然后将预处理后的人脸图像传递给上述训练好的跨年龄人脸识别模型来提取特征,最后和存储器上事先构建好的人脸特征库进行比对,识别出当前用户的基本信息,显示模块并进行显示。
请参阅图3-5,底座1上端固定连接有支撑杆2,支撑杆2上端转动连接有人脸识别器3,人脸识别器3上端固定连接有摄像头4,人脸识别器3上端固定连接有补光灯5,补光灯5位于摄像头4的右侧,底座1外端开凿有插孔6,插孔6内滑动连接有滑块7,滑块7左端转动连接有连接杆8,连接杆8与人脸识别器3转动连接,滑块7右端固定连接有固定块9,固定块9右端转动连接有转轴10,转轴10右端固定连接有转杆11,转杆11右端固定连接有转盘12,转杆11上端固定连接有卡块13,插孔6内壁开凿有卡槽14,卡块13与卡槽14相匹配,先将底座1放置在指定位置,然后通过转盘12的推动使得滑块7在插孔6内移动,在滑块7移动时会带动连接杆8对人脸识别器3进行抵压,使得人脸识别器3的角度发生偏移,进而对人脸识别器3的角度进行调节,随后转动转盘12使得卡块13卡入卡槽14内,对人脸识别器3调节后的角度进行固定,使得人脸识别器3在固定后不易发生松动。
请参阅图5,插孔6内壁固定连接有限位块601,限位块601位于滑块7左侧,在滑块7通过转盘12进行推动在插孔6内移动时,可通过限位块601使得滑块7在插孔6内移动时进行限制,使得滑块7不易滑出插孔6。
以上所述;仅为本发明较佳的具体实施方式;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;根据本发明的技术方案及其改进构思加以等同替换或改变;都应涵盖在本发明的保护范围内。
Claims (10)
1.一种基于三元约束的跨年龄人脸识别方法及系统,其特征在于:三元约束方法包括以下步骤:
S1、三元样本集的构建,以每个身份的样本集为核心,依据年龄属性标签来划分出高、中和低三个时间单元的子集,分别对子集提取特征和计算中心特征,通过特征差异来抽取困难样本,组成训练集;
S2、特征中心化的内部约束,将每个身份对象不同年龄层的中心特征作为基础,三元样本集特征不断向中心特征进行靠拢约束;
S3、三元组的外部约束,每个身份拥有三个不同年龄层的中心特征,通过类内和类外的距离约束,对不同年龄层的中心特征进行聚合约束。
2.根据权利要求1所述的一种基于三元约束的跨年龄人脸识别方法及系统,其特征在于:所述S1包括以下步骤:
S11、根据已经获取的带有年龄属性信息的样本集,构建出年龄属性的估计模型;
S12、对训练样本集进行年龄属性标签的估计,来获取样本集的年龄信息,
S13、根据年龄信息和特征差异来进行困难样本挖掘;
所述S2包括根据身份数量,将不同身份的中心特征在特征空间进行初始化,三元样本集根据不同身份来对特征进行均值化,根据梯度回传不断调整更新初始中心位置;
所述S3包括每个身份的三个年龄层的特征获取,并构建正例样本和反例样本对,通过类内距离和类间距离来约束同一人,提升不同年龄段的特征聚合。
3.根据权利要求2所述的一种基于三元约束的跨年龄人脸识别方法及系统,其特征在于:所述S11包括采集和收集不同年龄段的样本数据,并通过人脸检测算法来获得人脸特征数据,通过搭建年龄属性预测模型来进行训练,训练出误差较低的年龄估计器。
4.根据权利要求2所述的一种基于三元约束的跨年龄人脸识别方法及系统,其特征在于:所述S11包括计算每个身份的三个不同年龄层的特征均值,以其中一个年龄段为基准,通过和基准特征计算欧式距离,来对样本进行排序。
5.根据权利要求1所述的一种基于三元约束的跨年龄人脸识别方法及系统,其特征在于:所述S2包括以每个身份的三个不同年龄层中心特征阶段性的作为聚类中心。
6.根据权利要求1所述的一种基于三元约束的跨年龄人脸识别方法及系统,其特征在于:所述S3包括以聚类中心为核心,对所述S11中采用得到的样本,根据年龄段来获取均值特征,作为正样本,对非同一身份的样本作为负样本。
7.根据权利要求1所述的一种人脸识别方法,其特征在于:包括以下步骤:
S71、基于采集到的带有年龄信息的标签数据,通过训练预测出大规模训练样本集的年龄标签信息;
S72、依据估计出来的年龄标签信息,来进行三元样本集的构建;
S73、以每个身份对象的不同年龄层特征均值作为空间特征初始化值,通过基于年龄跨度的困难样本挖掘,来选取每次迭代的样本,以不同年龄层的中心特征作为基础,训练过程不断迭代更新,将其余两个年龄段的特征进行聚合,学习更加细粒度的样本特征;
S74、在每次迭代的同时,以不同年龄段的特征均值为基础,进行三元组的损失约束,进一步压缩年龄段图像所带来的特征差异,加大不同人相同年龄段的距离,完善特征提取过程;
S75、获得细粒度的人脸图像特征,包括依据年龄信息和特征编码信息的困难样本挖掘。
8.根据权利要求1所述的一种基于三元约束的跨年龄人脸识别系统,包括数据采集设备和后台管理设备,其特征在于:对采集到的图像实时处理,检测图像中的人脸,进行人脸校正裁剪等预处理过程,通过上述所训练的跨年龄人脸识别模型,来提取面部特征,并将其与预先构建好的人像库进行比对识别,检测出最有可能的用户信息,进行反馈,数据采集设备包括高分辨率的摄像头、补光灯和外部设备框架,后台管理设备包括存储器、CPU和GPU处理器、显示模块及运行模块。
9.根据权利要求7所述的一种基于三元约束的跨年龄人脸识别方法及系统,其特征在于:所述底座(1)上端固定连接有支撑杆(2),所述支撑杆(2)上端转动连接有人脸识别器(3),所述人脸识别器(3)上端固定连接有摄像头(4),所述人脸识别器(3)上端固定连接有补光灯(5),所述补光灯(5)位于摄像头(4)的右侧,所述底座(1)外端开凿有插孔(6),所述插孔(6)内滑动连接有滑块(7),所述滑块(7)左端转动连接有连接杆(8),所述连接杆(8)与人脸识别器(3)转动连接,所述滑块(7)右端固定连接有固定块(9),所述固定块(9)右端转动连接有转轴(10),所述转轴(10)右端固定连接有转杆(11),所述转杆(11)右端固定连接有转盘(12),所述转杆(11)上端固定连接有卡块(13),所述插孔(6)内壁开凿有卡槽(14),所述卡块(13)与卡槽(14)相匹配。
10.根据权利要求9所述的一种基于三元约束的跨年龄人脸识别方法及系统,其特征在于:所述插孔(6)内壁固定连接有限位块(601),所述限位块(601)位于滑块(7)左侧。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110925227.7A CN113705383A (zh) | 2021-08-12 | 2021-08-12 | 一种基于三元约束的跨年龄人脸识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110925227.7A CN113705383A (zh) | 2021-08-12 | 2021-08-12 | 一种基于三元约束的跨年龄人脸识别方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113705383A true CN113705383A (zh) | 2021-11-26 |
Family
ID=78652461
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110925227.7A Pending CN113705383A (zh) | 2021-08-12 | 2021-08-12 | 一种基于三元约束的跨年龄人脸识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113705383A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114299567A (zh) * | 2021-12-02 | 2022-04-08 | 北京的卢深视科技有限公司 | 模型训练、活体检测方法、电子设备及存储介质 |
CN114582006A (zh) * | 2022-05-06 | 2022-06-03 | 广东红橙云大数据有限公司 | 儿童跨年龄的面部识别方法、装置、电子设备及介质 |
CN115471893A (zh) * | 2022-09-16 | 2022-12-13 | 北京百度网讯科技有限公司 | 训练人脸识别模型、人脸识别的方法和装置 |
CN116780781A (zh) * | 2023-08-24 | 2023-09-19 | 滇恒能源技术(云南)有限公司 | 智能电网接入的功率管理方法 |
-
2021
- 2021-08-12 CN CN202110925227.7A patent/CN113705383A/zh active Pending
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114299567A (zh) * | 2021-12-02 | 2022-04-08 | 北京的卢深视科技有限公司 | 模型训练、活体检测方法、电子设备及存储介质 |
CN114299567B (zh) * | 2021-12-02 | 2022-11-18 | 合肥的卢深视科技有限公司 | 模型训练、活体检测方法、电子设备及存储介质 |
CN114582006A (zh) * | 2022-05-06 | 2022-06-03 | 广东红橙云大数据有限公司 | 儿童跨年龄的面部识别方法、装置、电子设备及介质 |
CN114582006B (zh) * | 2022-05-06 | 2022-07-08 | 广东红橙云大数据有限公司 | 儿童跨年龄的面部识别方法、装置、电子设备及介质 |
CN115471893A (zh) * | 2022-09-16 | 2022-12-13 | 北京百度网讯科技有限公司 | 训练人脸识别模型、人脸识别的方法和装置 |
CN115471893B (zh) * | 2022-09-16 | 2023-11-21 | 北京百度网讯科技有限公司 | 训练人脸识别模型、人脸识别的方法和装置 |
CN116780781A (zh) * | 2023-08-24 | 2023-09-19 | 滇恒能源技术(云南)有限公司 | 智能电网接入的功率管理方法 |
CN116780781B (zh) * | 2023-08-24 | 2023-11-10 | 滇恒能源技术(云南)有限公司 | 智能电网接入的功率管理方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109829443B (zh) | 基于图像增强与3d卷积神经网络的视频行为识别方法 | |
CN113705383A (zh) | 一种基于三元约束的跨年龄人脸识别方法及系统 | |
CN111898547B (zh) | 人脸识别模型的训练方法、装置、设备及存储介质 | |
CN110188227B (zh) | 一种基于深度学习与低秩矩阵优化的哈希图像检索方法 | |
CA2934514C (en) | System and method for identifying faces in unconstrained media | |
CN109815826B (zh) | 人脸属性模型的生成方法及装置 | |
WO2020114118A1 (zh) | 面部属性识别方法、装置、存储介质及处理器 | |
CN109978918A (zh) | 一种轨迹追踪方法、装置和存储介质 | |
CN104866829A (zh) | 一种基于特征学习的跨年龄人脸验证方法 | |
CN105243376A (zh) | 一种活体检测方法和装置 | |
CN111027377B (zh) | 一种双流神经网络时序动作定位方法 | |
CN111126470B (zh) | 基于深度度量学习的图片数据迭代聚类分析方法 | |
CN107169106A (zh) | 视频检索方法、装置、存储介质及处理器 | |
CN111506773A (zh) | 一种基于无监督深度孪生网络的视频去重方法 | |
CN107292228A (zh) | 一种加快人脸识别搜索速度的方法 | |
CN110728216A (zh) | 一种基于行人属性自适应学习的无监督行人再识别方法 | |
CN107220598A (zh) | 基于深度学习特征和Fisher Vector编码模型的虹膜图像分类方法 | |
CN109800756A (zh) | 一种用于中文历史文献密集文本的文字检测识别方法 | |
CN110516533A (zh) | 一种基于深度度量的行人再辨识方法 | |
CN111597894A (zh) | 一种基于人脸检测技术的人脸库更新方法 | |
CN109002808B (zh) | 一种人体行为识别方法及系统 | |
CN111275058A (zh) | 一种基于行人重识别的安全帽佩戴与颜色识别方法及装置 | |
CN109145140A (zh) | 一种基于手绘轮廓图匹配的图像检索方法及系统 | |
CN112699901A (zh) | 一种基于物联网的植物种类识别系统 | |
CN113158902B (zh) | 一种基于知识蒸馏的自动化训练识别模型的方法 |
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 |