[发明专利]无约束条件下的人脸识别方法

说明书

本发明公开了无约束条件下的人脸识别方法，其方法包括以下步骤：A、抓拍无约束场景下的人脸图像；B、对所采集的人脸图像进行人脸检测以及关键点检测；C、利用胶囊网络提取人脸的特征。本发明基于胶囊网络，通过所构建的多层胶囊网络，由低层次向高层次不断的进行特征提取，采用动态路由的算法用一组向量来表示物体一组特征，可以包括物体的方向、状态等，使得通过胶囊神经网络所提取的特征能更加准确地描述人脸特征，因而其抗干扰能力和识别率与算法相比，具有很大的提高，同时，采用HopeNet人脸姿态估计的算法以及无约束人脸识别技术，对于姿态鲁棒性好，适用于正脸、侧脸或其他复杂姿态条件。

技术领域

本发明涉及图像处理及模式识别技术领域，具体为无约束条件下的人脸识别方法。

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，现有技术为：先通过一个人脸特征提取网络来获取人脸特征，然后建立了一个深度残差等变映射模块，将上一步提取到的人脸特征（分为正脸特征和侧脸特征）转化为更加便于识别的规范脸特征，提高了深度神经网络的侧脸识别性能，其采用stem CNN来进行人脸特征提取，获取原始的特征向量，但CNN网络并没有对于仿射变换（特别是旋转）的等变性，利用CNN作为基干网络实现等变映射是不合理的，且CNN网络需要大量的图像进行训练，并且由于在池化层丢失大量信息，网络不能很好地处理图像尺度不变性和旋转不变性，同时，Head RotationEstimator采用的是DeepGazes算法，对大于一定偏转范围的侧脸姿态估计误差较大，为此，我们提出无约束条件下的人脸识别方法。

发明内容

本发明的目的在于提供无约束条件下的人脸识别方法，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：无约束条件下的人脸识别方法，其方法包括以下步骤：

A、抓拍无约束场景下的人脸图像；

B、对所采集的人脸图像进行人脸检测以及关键点检测；

C、利用胶囊网络提取人脸的特征；

D、使用HopeNet估计检测到的人脸的姿态，并对姿态估计结果进行分类；

E、利用DREAM特征映射模块对原人脸特征进行姿态映射，将非正面的人脸特征变换为正面的人脸特征，从而得到更加鲁棒的人脸特征。

优选的，所述步骤A中使用RGB摄像头抓拍无约束场景下的人脸图像。

优选的，所述步骤B中人脸检测方法采用MTCNN，对自然环境中光线、角度和人脸表情变化更具有鲁棒性，且内存消耗小，可实现实时人脸检测。

优选的，所述步骤C中的胶囊网络（人脸特征提取模块），其胶囊网络的核心部分是Capsule，可以认为它是向量版的神经元，它与传统CNN中的“unit”神经元完全不同，具体来说，胶囊是一组神经元，它会学习检测给定区域（例如一个矩形）图像的特定目标，它输出一个向量，向量的长度代表目标存在的概率估计，而且它对姿态参数（例如精确的位置、旋转等）定向编码，如果对象有轻微的变化（例如移位、旋转、改变大小等），那么胶囊将输出相同长度但方向略有不同的向量，因此，胶囊是等变化的，同时，胶囊网络是由胶囊模块组成的，而不是神经元，其输入的是两个向量，它们先是分别与不同的权重W（同样是向量）相乘得出u_j|i hat，再将该预测向量与对应的耦合系数c_ji相乘得到s，最后传入特定到名为“squashing”的非线性函数，这样就得出Capsule输出的向量v_j，动态路由不同于CNN中的反向传播，它是利用输出向量v_j和对应预测向量u_j|i hat的乘积更新耦合系数c_ij。