[发明专利]一种基于小样本学习的面容分类识别系统

说明书

本发明涉及一种基于小样本学习的面容分类识别系统，包括：用户端：用于获取人脸图像并展示分类识别结果；服务器：存储有预先经小样本学习训练的分类识别网络，所述的分类识别网络输入为待分类识别的人脸图像，输出为人脸图像所对应的类别；所述的用户端和服务器通过网络连接。与现有技术相比，本发明系统的实用性和可迁移性大大增强，识别正确率和精度高。

技术领域

本发明涉及一种面容识别系统，尤其是涉及一种基于小样本学习的面容识别系统。

背景技术

人脸特征识别技术，可以追溯到20世纪50年代，当时的研究人员主要涉及的是社会心理学领域；从20世纪70年代开始，采用的基本上都是典型的模式识别技术，利用手工设计特征的方式来提取脸部特征，例如利用脸部重要特征点之间的距离进行分类识别。随着计算机的发展，从80年代到90年代初期，基于人脸的统计识别方法得到了很大的发展。

传统的特征提取方法是基于大量人脸数据训练而来的，但对于一些特殊面容的脸部，该种方法将会失准，从而无法对其进行正确的分类识别；与此同时，现有的面容分类识别系统实用性和可迁移性较差。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于小样本学习的面容识别系统。

本发明的目的可以通过以下技术方案来实现：

一种基于小样本学习的面容分类识别系统，包括：

用户端：用于获取人脸图像并展示分类识别结果；

服务器：存储有预先经小样本学习训练的分类识别网络，所述的分类识别网络输入为待分类识别的人脸图像，输出为人脸图像所对应的类别；

所述的用户端和服务器通过网络连接。

优选地，所述的用户端包括：

图像获取模块：用于获取图像；

人脸检测器：用于检测图像中是否含有人脸，若含有人脸则输出至服务器，否则提示重新获取。

优选地，所述的图像获取模块获取图像的方式包括如下至少一种方式：相机拍照、调取图库照片。

优选地，所述的人脸检测器包括harr级联分类器。

优选地，所述的分类识别网络包括依次连接的卷积神经网络和全连接分类网络，所述的卷积神经网络输入为人脸图像，输出为人脸特征，所述的全连接分类网络输入为人脸特征，输出为分类向量。

优选地，所述的卷积神经网络为ResNet50。

优选地，所述的分类识别网络具体训练过程为：

S11、获取不同类型的面容图像，并进行扩充得到训练集和测试集；

S12、将训练集中的图像输入至卷积神经网络得到人脸特征，并将该人脸特征输入全连接分类网络，得到分类向量，通过分类向量和分类标签确定分类损失代价函数值；

S13、根据分类损失代价函数值和训练参数采用随机梯度下降法在训练集上训练卷积神经网络和全连接分类网络，当卷积神经网络和全连接分类网络在人脸数据训练集上的损失小于0.005的时候，停止训练；

S14、基于小样本学习，去除全连接分类网络，设置训练集上各个类别的卷积神经网络提取的特征均值作为分类层参数，从而得到分类向量；

S15、利用测试集对分类识别网络进行测试验证。

优选地，步骤S11中的扩充操作包括图片旋转、裁剪、缩放。

优选地，所述的服务器利用Django构建而成，在构建过程中使用uWSGI server替代WSGI server。