[发明专利]一种基于单维局部特征的人脸检索的方法

说明书

本发明公开一种基于单维局部特征的人脸检索的方法,涉及人脸识别相关的技术领域。所述的方法为在人脸识别模型的训练中将人的年龄信息作为先验知识用于特征压缩以及之后的特征索引，减少了内存占用，提升了人脸识别结果的准确性与响应速度,增强了实际应用价值，大幅提高了检索效率和鲁棒优化，扩大了人脸检测技术的应用领域。

技术领域

本发明涉及人脸识别领域的技术领域，特别是涉及一种基于单维局部特征的人脸检索的方法。

背景技术

随着人工智能技术的爆发，人脸识别在人脸支付、人员布控和寻找失踪人口等场景中已经逐步落地。基于神经网络的人脸识别在得到人脸特征矩阵之后需要与真实的人脸特征矩阵进行相似度测量，并根据测量值与相应的阈值进行比较，进而识别出人脸库(大量人脸特征集)中的目标。卷积神经网络(CNN)是神经网络中最具有代表，也是最常用的算法之一。卷积神经网络是一类包含卷积计算且具有深度结构的前馈神经网络，卷积神经网络具有表征学习的能力，能够按其阶层结构对输入信息进行平移不变性分类。通过与非线性激活函数结合其能够拟合输入信号的高维语义信息，进而能够让机器相对的理解外界的一些事物等。人脸识别技术一般包含两个步骤：一、先通过人脸检测模型获取输入图像中人脸的位置信息，二、将第一步中检测到的人脸抠出来输入识别网络获取一个固定维度大小的人脸特征向量，之后通过该向量与底库进行比对，得出图像中人脸的具体信息，如图1所示。现有技术实现人脸检索的方式有两种。方式1是使用ArcFace人脸识别网络得到的特征建立人脸库并进行人脸检索，在ResNet(MobileNet)输出的特征对向量归一化并加入了角度间隔，提高了类间可分性，加强了类内紧度和类间差异，使人脸识别效果提升明显，此外，ArcFace网络模型会在推理时输出512维的人脸特征用于之后的特征匹配过程，如图2所示。方式2是使用MobilefaceNets进行人脸识别,在最后提取单维度特征的时候，代替平均池化层或者全连接层，采用全局深度卷积层，在充分利用全局特征的同时，降低了输出特征的维度,比如从512维降到了128维，如图3所示。

已有技术的缺点在于：使用ArcFace的网络结构在推理时从人脸分类器全连接层(FC1)的输出中提取到512维的嵌入特征进行特征匹配或特征比较，人脸特征库庞大，在人脸检索或特征匹配或特征比较时，耗费内存高，计算时间长，比对效率低下，尤其在多数据流并发进行人脸检测和识别的情景下，影响工程的整体性能。使用MobilefaceNets方式单从表征学习的层面对特征压缩进行了相应的处理，没有给予任何其他有效的先验信息作为网络学习的指导，网络前面的层学习阶段出现误差后会被放大，严重影响人脸识别的最终结果和准确性。

发明内容

本发明涉及到一种基于单维局部特征的人脸检索的方法,其特征在于，在人脸识别模型的训练阶段，在使用卷积神经网络训练得到第一阶段单维特征的前提下，冻结前面神经网络层已经提取到的特征，将人的年龄信息作为先验知识用于第二阶段的特征压缩过程，拟合提取维度更低的单维度人脸特征进行特征压缩；在实际推理阶段，输入检测到的人脸区域和年龄信息，根据年龄实现快速检索，输出详细的查询结果。具体的实现步骤为：

人脸识别模型的训练阶段

步骤1：使用人脸识别模型获取单维度的人脸信息；

步骤2：加入人脸图像的年龄信息作为先验知识进行特征压缩；

步骤3：利用步骤:1和步骤2中已经训练好的网络参数和年龄信息构建人脸特征库；

实际推理阶段

步骤4：输入待识别图像进行人脸识别，经过检索并输出包括人名的人脸信息结果。

如以上所述的方法，其中，步骤1的具体过程为：

步骤101：使用传统数据增强的方法对输入的图像进行预处理，其中，预处理包括人脸旋转和裁剪；

步骤102：采用Resnet系列的卷积神经网络对输入的人脸进行训练，获取全卷积层之后的人脸单维度信息。