[发明专利]一种人脸识别方法、装置及智能终端

说明书

本发明公开了一种人脸识别方法、装置及智能终端，该方法包括以下步骤：采集人脸图片，剪裁至统一大小，转化为向量形式，并生成相对应0‑1标签向量；构建可预测判别字典学习模型并初始化，模型包含字典学习子模型以及预测神经网络子模型；迭代优化求解模型直至收敛；收敛过程中利用自生成过采样法训练预测神经网络子模块；保存最优模型，利用训练所得到的模型进行分类，进而获取与待识别的人脸图像相匹配的清晰的人脸图像及其对应的身份信息，并输出待识别图像的人脸识别结果。与现有技术相比，尤其是深度学习人脸识别技术方案相比，本发明具有更高的人脸识别率和时间效率，且对于样本多样性不足的场景效果提升明显。

技术领域

本发明涉及图像处理、计算机视觉、模式识别技术领域，尤其涉及一种人脸识别方法、装置及智能终端。

背景技术

生物特征识别技术是身份识别的重要发展方向之一，人脸识别技术是最受关注的生物特征识别技术之一，近年来，人脸识别技术得到了迅猛发展，大量有关人脸识别技术的应用落地，然而，由于现实环境中存在大量的不确定性因素，目前人脸识别技术仍然面临多方面的挑战，其中包括训练样本较少、训练集中多样性不平衡、样本遮挡，光照，表情变化等。

为了克服诸如上述的问题，基于各种方法的人脸识别方法被提出。稀疏字典学习往往具有鲁棒性的优点，因此基于字典学习的人脸识别方法得到了大量关注。根据已有方法采取的分类策略，这些基于字典学习方法的人脸识别大致可以被分为两个类别：i)使得稀疏系数具有判别性；ii)学习具有分类信息的字典。第i)类方法直接将稀疏系数作为分类任务中样本的特征向量，同时额外训练专用分类器。该类最具代表性的方法为判别性KSVD(D-KSVD)。D-KSVD在利用KSVD训练字典学习模型的同时训练了一个分类器，在重构性能和判别性能中间找到了一个平衡点使得字典学习在重构任务和分类任务中都获得了可以接受的表现。Jiang et al.基于DKSVD提出了一个改进算法LCKSVD(Label Consistent K-SVD)。LCKSVD在原本的DKSVD模型中加入了一个标签回归项以获得更强的判别信息。最终LCKSVD在人脸识别和物体识别数据集上获得令人印象深刻的性能表现。第ii)类方法倾向于构造具有判别性的字典，最常见的做法是针对每个类构造该类的字典，而样本在每个类别字典上重构误差往往被用来作为分类依据，即样本属于重构误差最小的子字典所属的类。值得一提的是，这种方法是建立在样本和同一类的样本更加相似这个先验认知上的。最具有代表性的方法便是稀疏表达分类方法(SRC)。SRC直接利用所有类别训练样本构造判别性字典来编码新样本。它在分类任务中获得令人惊喜的表现，但SRC的缺陷也是显而易见：为提升最终分类性能所需要的字典规模往往十分庞大。以上提及的两类监督字典学习方法分别从两个方向提升字典学习模型的判别性能：使得编码具有判别性和使得字典具有判别性。此外，研究者们还提出了同时使得编码向量和字典兼具判别性的方法。比如，FDDL(Fisher discrimination dictionary learning)就是一种典型的编码向量和字典兼具判别性的方法。FDDL应用Fisher判别准则学习一个结构化的字典(即字典元素与类别标签相关联从而使得样本在每一类子字典上重构误差可以作为分类依据)，与此同时，Fisher判别准则还被应用于编码系数上使得编码向量具有尽可能大的类间距离和尽可能小的类内距离，从而获得优异的判别性能。DLSPC提出了一种同时学习类别字典和通用字典的模型DLSPC。这种方法利用类别字典抓取每一类的最具判别性的细节特性而公共字典用于保存共享元素。此外，DLSPC还对编码加以约束，使得样本只在同一类的字典上进行表达抑制在不同类字典上的表达。DLSPC利用样本在每一类子字典上重构误差进行分类。