[发明专利]基于进化弱分类器的人脸信息识别方法、系统以及终端

说明书

本发明的基于进化弱分类器的人脸信息识别方法、系统以及终端，解决了现有技术中采用深度学习模型进行人脸识别在实际应用中的局限性，包括存储容量大、功耗多、计算延迟高以及对类别间数据的不平衡十分敏感等问题。本发明采用的基于进化弱分类器的人脸信息识别方法，不仅准确度高还具有轻量级属性，在大数据集和小数据集上都适用，可以在确保一定准确率的情况下，使模型更加灵活，使其可以在边缘端实现实时推理，并且兼容性和鲁棒性增加。

技术领域

本发明涉及人脸识别领域，特别是涉及一种基于进化弱分类器的人脸信息识别方法、系统以及终端。

背景技术

面部外观中包含很多有价值的个人信息，例如表情、风格、性别、年龄等。由于人类的面部信息相对稳定，因此有很多研究者投身于人脸智能识别技术的发展中。人脸识别作为模式识别的一个重要分支，是该领域中一个前景广阔但难度较高的课题之一。

这个任务的一个典型且有效的方法是先通过描述符和滤波器提取面部特征数值，然后采用合适的分类器完成剩余的部分。如今，深度学习模型在分类准确性上具有相当的竞争力，这些深度学习模型将特征提取和模式分类集成到端到端的学习系统中，从而可以通过训练过程优化潜在特征的检索和使用。从准确率的角度来看，采用深度学习模型可以解决面部信息识别中的大部分问题，但在实际应用中也带来了一些局限性。首先，在真实的商业项目中，拿到大量带有标签的数据通常是不可能的。在这种情况下，训练深度神经网络往往会出现过拟合的现象。其次，深度学习模型的重量级架构直接导致了存储容量大、功耗多、计算延迟高等问题，尤其是在像相机和手机这样的终端用户设备上。使用深度学习方法的最后一个问题是，它们对类别间数据的不平衡十分敏感。

发明内容

鉴于以上所述现有技术的缺点，本发明的目的在于提供一种基于进化弱分类器的人脸信息识别方法、系统以及终端，用于解决现有技术中采用深度学习模型进行人脸识别在实际应用中的局限性，包括存储容量大、功耗多、计算延迟高以及对类别间数据的不平衡十分敏感等问题。

为实现上述目的及其他相关目的，本发明提供一种基于进化弱分类器的人脸信息识别方法，包括：利用通用滤波器对人脸图像数据提取至少两个面部特征；基于所述面部特征训练获得多个弱分类器，并得到包含于对应各个弱分类器的识别结果；随机形成多个包含相同数量的弱分类器的弱分类器集合，并获得与所述识别结果相关的各个弱分类器集合的性能指标；根据各个弱分类器集合的性能指标对所述弱分类器集合进行一或多代的进化，获得最优弱分类器集合；根据所述最优弱分类器集合对所述人脸图像数据进行推理分类获得人脸信息识别结果。

于本发明的一实施例中，所述根据各个弱分类器集合的性能指标对所述弱分类器集合进行一或多代的进化，获得最优弱分类器集合的方式包括：当根据各个弱分类器集合的性能指标对所述弱分类器集合进行一代进化时，随机选择进化阈值数量的弱分类器集合并进行性能指标排序，以获得第一代的最优弱分类器集合；当根据各个弱分类器集合的性能指标对所述弱分类器集合进行多代进化时，根据上一代经过多次亲本选择获得的进化阈值数量的后代集合作为本代的待选择弱分类器集合进行亲本选择获得一或多个后代集合，将本代的后代集合中性能指标最高的集合作为本代的最优弱分类器集合。

于本发明的一实施例中，所述面部特征包括：表情特征、风格特征、性别特征、年龄特征以及五官特征中的一种或多种。

于本发明的一实施例中，所述基于所述面部特征训练获得多个弱分类器，并得到包含于对应各个弱分类器的识别结果的方式包括：基于由任意两个面部特征分别训练得到的多个弱分类器；获得每个分类器包含其对应的各面部特征的统计概率的识别结果。

于本发明的一实施例中，所述随机形成多个包含相同数量的弱分类器的弱分类器集合，并获得与所述识别结果相关的各个弱分类器集合的性能指标的方式：根据所述弱分类器随机获得包含相同数量的多个弱分类器集合；并根据各弱分类器集合中的各弱分类器的识别结果，推导获得用于判断各弱分类器集合分类准确率的性能指标。