[发明专利]人脸识别方法和装置

说明书

本发明的实施例提供了一种人脸识别方法和装置。该人脸识别方法包括：对待识别人脸图像中的待识别人脸进行人脸特征提取，以获得待识别人脸的一级特征；计算待识别人脸的一级特征与参考人脸集合中的每个参考人脸的一级特征之间的一级特征相似度，以获得待识别人脸的二级特征；以及基于待识别人脸的二级特征对待识别人脸进行人脸识别。根据本发明提供的人脸识别方法和装置，通过待识别人脸与参考人脸之间的一级特征相似度而非直接通过一级特征进行人脸识别，使得本发明能够利用较少量的有标注数据和容易获得的参考人脸图像获得高精度的人脸识别效果。

技术领域

本发明涉及人脸识别技术领域，更具体地涉及一种人脸识别方法和装置。

背景技术

随着人脸识别技术的提升和应用深入，实际应用中获取的人脸数据的数量快速积累，为进一步提升人脸识别性能奠定了基础。

人脸识别依赖于人脸特征(Feature)的提取。传统的特征提取方法包括普通局部二值模式(LBP)、高维局部二值模式(High-Dimensional LBP)、加伯(Gabor)、费舍尔脸(Fisher Face)，以及近几年兴起的深度学习(Deep Learning)。在提取人脸特征之后，可以根据所提取的特征进行人脸识别。利用上述特征提取方法进行人脸识别要么依赖专家经验从图像处理和底层视觉出发设计的特征模型，要么是依赖海量有标注数据的监督学习所产生的一个参数化的特征模型(如深度学习)。对于前者，不需要海量监督数据，但识别性能一直无法达到可以商用化的程度；对于后者，在最近的应用场景中已经表现出了优异的识别性能，但进一步持续提升识别性能需要依赖大量的成对有标注数据，例如基于卷积神经网络(CNN)的深度学习模型需要成千上万人的人脸数据，每个人需要多张在不同场景或时间拍摄的人脸照片，此种类型的数据的获取时间较长，价格成本非常高昂。

发明内容

考虑到上述问题而提出了本发明。本发明提供了一种人脸识别方法和装置。

根据本发明一方面，提供了一种人脸识别方法。该人脸识别方法包括：对待识别人脸图像中的待识别人脸进行人脸特征提取，以获得待识别人脸的一级特征；计算待识别人脸的一级特征与参考人脸集合中的每个参考人脸的一级特征之间的一级特征相似度，以获得待识别人脸的二级特征；以及基于待识别人脸的二级特征对待识别人脸进行人脸识别。

示例性地，所述对所述待识别人脸进行人脸识别是利用分类器实施的，所述分类器利用有标注数据进行训练而获得，其中，所述有标注数据包括多个训练人脸图像集合并且每个训练人脸图像集合包括与同一训练人脸相对应的至少两个训练人脸图像，所述人脸识别方法进一步包括：对所述有标注数据中的每个训练人脸图像中的训练人脸进行人脸特征提取，以获得每个训练人脸图像中的训练人脸的一级特征；计算每个训练人脸图像中的训练人脸的一级特征与所述参考人脸集合中的每个参考人脸的一级特征之间的一级特征相似度，以获得每个训练人脸图像中的训练人脸的二级特征；以及将与同一训练人脸相对应的两个训练人脸图像中的训练人脸的二级特征作为正样本，将与不同训练人脸相对应的两个训练人脸图像中的训练人脸的二级特征作为负样本进行训练，以获得所述分类器。

示例性地，所述一级特征包含以下项中的一项或多项：普通局部二值模式特征、高维局部二值模式特征、加伯特征、费舍尔向量特征、尺度不变特征变换特征、深度学习特征。

示例性地，所述参考人脸集合中的每个参考人脸的一级特征存储在参考人脸数据库中。

示例性地，包含所述参考人脸集合的参考人脸图像集合存储在参考人脸数据库中，在所述计算所述待识别人脸的一级特征与参考人脸集合中的每个参考人脸的一级特征之间的一级特征相似度以获得所述待识别人脸的二级特征之前，所述人脸识别方法进一步包括：对所述参考人脸集合中的每个参考人脸进行人脸特征提取，以获得所述参考人脸集合中的每个参考人脸的一级特征。