[发明专利]一种基于小样本学习原型网络的特殊面容人群筛查系统

权利要求书

1.一种基于小样本学习原型网络的特殊面容人群筛查系统，其特征在于，该系统包括：

图像获取模块：获取用户图像；

人脸检测模块：检测用户图像中是否包含人脸；

人脸裁剪模块：对包含人脸的用户图像进行裁剪获得人脸图像；

筛查模块：该模块存储预先经过小样本学习得到的原型网络，所述的原型网络包括嵌入函数，嵌入函数输入为人脸图像，输出为人脸图像的特征向量，所述的原型网络还利用特征向量与各类特殊面容人群原型的距离确定输入的人脸图像属于对应的特殊面容人群的概率值。

2.根据权利要求1所述的一种基于小样本学习原型网络的特殊面容人群筛查系统，其特征在于，所述的图像获取模块通过用户上传照片或者用户现场拍照的方式获取用户图像。

3.根据权利要求1所述的一种基于小样本学习原型网络的特殊面容人群筛查系统，其特征在于，所述的人脸检测模块包括Dlib检测器。

4.根据权利要求3所述的一种基于小样本学习原型网络的特殊面容人群筛查系统，其特征在于，所述的人脸裁剪模块基于Dlib检测器检测到的人脸外接矩形的坐标，利用OpenCv将人脸外接矩形区域内的图像裁剪保存形成人脸图像。

5.根据权利要求1所述的一种基于小样本学习原型网络的特殊面容人群筛查系统，其特征在于，所述的筛查模块中的原型网络训练方式为：

构建特殊面容人群数据集，将数据集分为训练集，验证集及测试集，其中特殊面容人群数据集包括特殊面容人群的人脸照片及其对应的特殊面容人群类别；

对所述训练集数据执行数据增强操作；

确定嵌入函数训练过程中超参数的具体数值；

基于episode策略进行原型网络的训练，从所述训练集中选择N个类别，并从这N个类别中分别选取S+Q个样本，其中S个样本作为训练的支持集，Q个样本作为训练的查询集，将所述支持集与查询集输入嵌入函数得到特征向量，利用所述查询集的特征向量求得类原型，利用所述支持集的特征向量求与类原型的距离；

利用所述距离以及损失函数求得损失函数值；

基于上述得到的损失函数值和已设置好的超参数进行原型网络的训练。

6.根据权利要求5所述的一种基于小样本学习原型网络的特殊面容人群筛查系统，其特征在于，所述的数据增强操作包括图像翻转、图像旋转、灰度处理中的一种或多种。

7.根据权利要求5所述的一种基于小样本学习原型网络的特殊面容人群筛查系统，其特征在于，所述的超参数包括学习率、迭代次数，所述嵌入函数为典型的VGG16网络。

8.根据权利要求5所述的一种基于小样本学习原型网络的特殊面容人群筛查系统，其特征在于，将所述支持集与查询集输入嵌入函数得到特征向量，利用所述查询集的特征向量求得类原型，每个类的原型由此类支持集样本特征向量的平均值决定，如下：

其中，c_k代表类k的原型，S_k表示类k的样本集合，|S_k|表示类k中样本的数量，x_i为样本，y_i标签，f_φ为嵌入空间，f_φ表示将输入样本映射到特征向量中。

9.根据权利要求5所述的一种基于小样本学习原型网络的特殊面容人群筛查系统，其特征在于，使用欧式距离作为查询集样本特征向量与类原型距离的度量方法。

10.根据权利要求5所述的一种基于小样本学习原型网络的特殊面容人群筛查系统，其特征在于，利用所述距离以及损失函数求得损失函数值具体为：

首先求一个已知属于类k的样本属于类k的概率，如下：

其中，x为输入样本，y为样本x的预测标签，k为样本x的真实标签，k′为可能的类别标签，f_φ(x)为嵌入空间，c_k为类k的原型，c_k′为类k′的原型，p_φ(y＝k|x)代表样本x的预测标签为k的概率，d(,)表示求欧式距离；

进而，损失函数为J(φ)：

J(φ)＝-log(p_φ(y＝k|x))。