[发明专利]基于深度特征联合表示图像集人脸识别方法、装置和介质

说明书

技术领域

本发明涉及人脸识别技术领域，尤其涉及一种基于深度特征联合表示的图像集人脸识别方法、装置及存储介质。

背景技术

人脸识别在计算机视觉和生物特征识别领域一直以来都是一个很热门，同时也很有价值的研究课题，受到很多学术和工业界人士的广泛关注。由于相同的人脸图像在不同的环境中拍摄得到，所以同一个人的图像可能存在较大的差异，这就对人脸识别的算法要求有更好的鲁棒性，以方便在实际应用场景能准确的确定待识别的人脸图像的身份。此外，在实际应用场景中，人脸识别已经不仅仅是类似护照、门禁系统、驾驶证等情况下的单样本人脸识别。更常用于类似安检、公安“天网”系统等情况下的图像集的人脸识别。在一个或多个摄像头的连续拍摄下，会得到每个人脸的一系列图像。此情况下的人脸识别称为图像集的人脸识别。由于每个人脸会得到很多图像，图像集的人脸识别相比单测试样本的人脸识别具有天然优势。然而图像是在监控或者非限制性条件下拍摄的，图像不可避免地会受到光照、姿态、表情等情况的影响，甚至每个集合图像之间并不存在时间上的关系。这对图像集人脸的识别带来了很大挑战。

一般来说，图像集的人脸识别方法可以分为参数模型和非参数模型。但是，参数模型太过于依赖训练图像的每一帧之间的关系。当集合之间的图像是无序的，或者时间上没有联系的视频时，该方法则并不适用。此外，基于参数模型的方法对参数问题的确定是很困难的，需要测试集和训练集之间有一定的统计学相关性。而对于许多基于线性子空间的非参数方法，却又不能很好的处理人脸变化的情况。随后，基于表示的方法被提出。如稀疏表示分类器(SANP)、正则化最近点的表示方法(RNP)，然而SANP和RNP逐个计算测试集和每个单一训练集的距离，此计算忽略了于不同类别训练数据的协同和竞争，这将会导致其他类别的训练集与测试集之间也具有很小间距距离。为了克服这个缺点，提出了协同正则化最近点的表示方法(CRNP)，但是它并没有明确地将测试集与每类训练集的表达距离最小化。

上述方法对图像集人脸所提的人脸特征如LBP特征，在图像集的识别领域存在很明显的缺陷，不能克服每个人脸中因为光照、姿态、表情等情况的识别问题。这导致这些方法(SANP、RNP、CRNP)识别准确率并不是很高。

因此，当前的图像集人脸识别算法存在诸多不足：如对人脸图像在光照、姿态、表情变化等情况下的鲁棒性不好；用传统方法对人脸图像所提特征已经不能很好的满足图像集识别所有面临的上述问题。

发明内容

本发明提供一种基于深度特征联合表示的图像集人脸识别方法、装置及存储介质，旨在提高图像集的人脸识别方法的鲁棒性、识别性能，降低算法复杂度。

为实现上述目的，本发明提供一种基于深度特征联合表示的图像集人脸识别方法，包括：

获取待识别的人脸图像集，作为测试集，根据预设的人脸图像深度特征的提取策略，提取所述人脸图像集中人脸图像的深度特征；

根据预设的人脸图像深度特征的提取策略，提取预设图像训练集的人脸图像深度特征，创建联合协同表示模型对测试集进行表示；

基于所述联合协同表示模型以及预先创建的卷积神经网络的训练模型进行图像集人脸识别。

可选地，所述联合协同表示模型包括：测试集上虚拟最近点表示、真实样本表示、类级联合表示。

可选地，所述获取待识别的人脸图像集的步骤之前，还包括：

配置人脸图像深度特征的提取策略。

可选地，所述配置人脸图像深度特征的提取策略的步骤包括：

对于预设实验数据库中的人脸图像，利用人脸特征点检测器检测得到人脸上的5个关键特征点，所述5个关键特征点分别是左眼睛中心点、右眼睛中心点、鼻尖、嘴巴左角点、嘴巴右角点；

根据所述5个关键特征点及对图像进行空间变换提供的5个模板点，对所述实验数据库中的人脸图像进行空间变换，将所述实验数据库中的人脸图像数据裁剪为预定尺寸；

部署对人脸图像进行提取特征的网络训练模型；

利用已训练好的网络训练模型对所述实验数据库中的人脸图像进行特征提取，得到每张图像的深度特征。

可选地，所述获取待识别的人脸图像集的步骤之前，还包括：

创建卷积神经网络的训练模型。

可选地，所述创建卷积神经网络的训练模型的步骤包括：

对于CASIA-WebFace数据库中的每个人脸图像，依据所述人脸图像深度特征的提取策略，得到固定尺寸的需要训练的所有人脸图像；

将所有得到的人脸图像划分为验证集和训练集；