[发明专利]一种跨域人脸识别算法、存储介质及处理器

说明书

本发明提供了一种跨域人脸识别算法、存储介质及处理器。所述跨域人脸识别算法方法包括：搭建Facenet神经网络；在Facenet神经网络特征向量最高维层处加入平均池化层和Faltten层，将特征向量变为单通道一维向量；用单通道一维向量计算最大均值差异损失；将最大均值差异损失加入Facenet神经网络的损失函数中，共同参与反向传播和梯度求导。将原Facenet算法的网络结构进行改进，在特征维度最高层处计算不同域MMD值，将其加入合成损失函数中。由于改进后的算法消除了域间统计分布差异，达到了跨域人脸识别的效果。

【技术领域】

本发明涉及人脸识别算法技术领域，尤其涉及一种跨域人脸识别算法、存储介质及处理器。

【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。

现有人脸识别算法大多可以解决单域人脸识别(即待识别图像和训练样本图像具有相同的统计分布特性)问题，Florian Schroff等人提出的 Facenet算法是目前效果较好的单域人脸识别算法。

FaceNet为一个通用人脸识别系统，采用深度卷积神经网络(CNN)学习将图像映射到欧式空间。空间距离直接和图片相似度相关：同一个人的不同图像在空间距离很小，不同人的图像在空间中有较大的距离，可以用于人脸验证、识别和聚类。

在实际应用场景下，监控摄像头拍摄视频中提取出的人脸照片具有十分复杂的光照、角度、分辨率和表情等变化因素，这使得待识别图像与训练样本图像具有差异巨大的统计分布特性，即跨域识别问题。对于跨域识别，使用Facenet等传统的识别算法并不能取的很好效果，识别准确率低，识别效率低。

【发明内容】

本发明所要解决的技术问题是提供一种跨域人脸识别算法、存储介质及处理器，能够将原Facenet算法的网络结构进行改进，在特征维度最高层处计算不同域MMD值，将其加入合成损失函数中。由于改进后的算法消除了域间统计分布差异，达到了跨域人脸识别的效果。

为解决上述技术问题，一方面，本发明一实施例提供了一种跨域人脸识别算法，一种跨域人脸识别算法，包括：搭建Facenet神经网络；在Facenet 神经网络特征向量最高维层处加入平均池化层和Faltten层，将特征向量变为单通道一维向量；用单通道一维向量计算最大均值差异损失；将最大均值差异损失加入Facenet神经网络的损失函数中，共同参与反向传播和梯度求导。

优选地，所述在Facenet神经网络特征向量最高维层处加入平均池化层和Faltten层包括：

根据数据流中固定的排列方式，在Facenet神经网络特征向量最高维处分别取出两路数据，计算最大均值差异损失。

优选地，所述用单通道一维向量计算最大均值差异损失包括：根据数据流中固定的排列方式，在网络最后层分别取出两路数据，各自计算三元组损失。

优选地，所述将最大均值差异损失加入Facenet神经网络的损失函数中，包括：将损失函数对每一个网络参数求偏导数，根据求导链式法则计算出损失函数对参数的梯度值。

优选地，所述搭建Facenet神经网络包括：将原Facenet神经网络输入拆分为两路输入，分别对应不同域的图像集。

优选地，根据损失函数对参数的梯度求导结果，更新参数取值，使得损失函数沿着负梯度方向收敛至全局最优。

优选地，所述跨域人脸识别指的是：待识别人脸图像与训练样本人脸图像具有差异巨大的统计分布特性。

优选地，所述两路输入分别用于训练分类效果和消除域间差异。