[发明专利]基于多任务卷积神经网络的网纹人脸图像识别方法及装置

权利要求书

1.一种基于多任务卷积神经网络的网纹人脸图像识别方法，其特征在于，具体按照以下步骤实施：

步骤S1、收集网纹人脸图像和对应的清晰人脸图像对作为样本图像对，形成训练数据集，针对每个样本图像对通过阈值法得到指示网纹位置的标签图；

步骤S2、训练得到从网纹人脸图像恢复出不带网纹的清晰人脸图像的卷积神经网络模型，包括：

利用所述训练数据集中的样本图像对，训练一个多任务卷积神经网络，训练过程中，该多任务卷积神经网络前半部分的多个卷积层对输入的网纹人脸图像进行处理，后半部分分为两个任务，分别利用多任务卷积神经网络前半部分处理后的数据对由后半部分的两个任务分别构成的损失目标函数进行训练；其中所述两个任务中的主要任务用于回归清晰人脸图像和网纹人脸图像的差值，得到残差图像；辅助任务用于预测网纹人脸图像的网纹位置，得到预测的网纹图像；最终训练好的卷积神经网络模型的最终输出为所述残差图像和网纹位置的相加，即不带网纹的清晰人脸图像；

步骤S3、使用训练好的卷积神经网络模型，恢复出待识别的清晰人脸图像，并使用待识别的清晰人脸图像进行人脸识别。

2.根据权利要求1所述的基于多任务卷积神经网络的网纹人脸图像识别方法，其特征在于，在所述步骤S1中，所采集的网纹人脸图像和对应的清晰人脸图像对的大小一致，且对于训练数据集中的每个样本图像对按照一定阈值得到指示网纹分布的位置的二值图像作为标签图。

3.根据权利要求1所述的基于多任务卷积神经网络的网纹人脸图像识别方法，其特征在于，所述步骤S2包括：

步骤S21：初始化使得两个任务的权重参数相等，其中，总的目标函数为J(w₁,w₂)＝J₁(w₁)+αJ₂(w₂)，J₁(w₁)表示主要任务的目标函数，J₂(w₂)为辅助任务的目标函数；w₁、w₂分别为主要任务和辅助任务目标函数中的训练参数；α为辅助任务的权重参数，该步骤中初始化α＝1；

步骤S22：将所述训练数据集中的样本输入作为所述卷积神经网络进行训练，直至总的目标函数J(w₁,w₂)＝J₁(w₁)+αJ₂(w₂)趋于稳定，其中；

步骤S23：降低所述辅助任务的权重参数，转步骤S22继续训练，直至所述辅助任务的权重参数降为0；

步骤S24：继续训练，直至训练损失不再降低，从而得到最终的卷积神经网络模型。

4.如权利要求3所述的基于多任务卷积神经网络的网纹人脸图像识别方法，其特征在于，主要任务的目标函数如下表示：

其中，r＝x-y是网纹图像x和预测清晰图像y的残差，代表神经网络学到的清晰图像回归器，i,j表示图像中的像素坐标，N表示训练数据集中的训练样本总数。

5.如权利要求3所述的基于多任务卷积神经网络的网纹人脸图像识别方法，其特征在于，辅助任务的目标函数如下表示：

其中，r＝x-y是网纹图像x和预测清晰图像y的残差，φ表示代表神经网络学到的网纹位置预测器，i,j表示图像中的像素坐标，N表示训练数据集中的训练样本总数，l为表示网纹图像中的网纹位置的二值图像。