[发明专利]一种低数据成本的人脸识别的方法及装置

说明书

本发明公开了一种低数据成本的人脸识别的方法，构建KSlope‑curve转换器并对KSlope‑curve转换器进行训练；进行人脸识别的时候就可以通过转换器将人脸特征转成KSlope‑curve曲线，通过计算曲线之间斜率分布的均方差误差实现人脸识别的数据计算，本发明对算法网络结构不做任何操作，不会增加任何额外的计算量。该技术通过一个特殊的转换器对原始人脸进行加工处理，转化成一种更为容易识别的曲线来辅助进行人脸识别，该曲线是通过深度学习中的图像技术和音频技术共同生成，相较于人脸有着特征明显、易识别、抗噪性强等优点，只需要用百万级人脸数据就能达到千万级人脸数据训练的效果，对于侧脸、强光、逆光、低头这种困难人脸也有很好的识别效果。

技术领域

本发明涉及人脸识别技术领域，尤其涉及一种低数据成本的人脸识别的方法及装置。

背景技术

人脸识别，属于生物识别技术的范畴，它通过人的脸部特征来对不同人进行区分。涉及到人脸识别的系统都需要经过严格把关，在确定性能指标达标之后，才能流入市场。每一个高精度的人脸识别算法都需要千万级、甚至上亿级别的人脸数据的支撑，要拿到这么多数据是很难的。

在数据不够的情况下提升人脸识别精度，目前主要有两种方法：1)更换人脸算法网络结构，尽可能用一些比较复杂、涉及数学运算比较多的网络结构，如果网络结构运用合理，在原人脸算法基础上提升20％以上准确率是可以达到的，但是相比原人脸算法，时间成本和运算成本往往是几倍的增长，加大了项目落地的难度；2)人脸数据图片生成，就是用人脸生成技术生成大批量的“假人脸”，这种技术现如今虽然已能达到以假乱真的目的，但是假的毕竟是假的，仔细看还是能看出跟真实人脸的巨大差异，人脸算法在这些假数据上进行训练，会产生很多无效的运算和特征，并且该技术目前只对正常人脸比较友好，对于侧脸、强光、逆光、低头这种类型的人脸生成往往是很难达到算法构建的要求。

因此，我们需要一种更加强大有效的方法来减少人脸数据成本。

发明内容

本次发明的技术不同于任何主流的方法，它的侧重点在数据处理上，对算法网络结构不做任何操作，不会增加任何额外的计算量，因此也不会对人脸算法落地造成额外的计算成本和时间的成本。该技术通过一个特殊的转换器对原始人脸进行加工处理，转化成一种更为容易识别的曲线来辅助进行人脸识别，该曲线是通过深度学习中的图像技术和音频技术共同生成，相较于人脸有着特征明显、易识别、抗噪性强等优点，只需要用百万级人脸数据就能达到千万级人脸数据训练的效果，对于侧脸、强光、逆光、低头这种困难人脸也有很好的识别效果。

本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明公开了一种低数据成本的人脸识别的方法，所述方法包括如下步骤：

步骤1，构建KSlope-curve转换器并对KSlope-curve转换器进行训练以得到一个高精准度的转换器；

步骤2，在完成KSlope-curve转换器的训练后，进行人脸识别的时候就可以通过转换器将人脸特征转成KSlope-curve曲线，通过计算曲线之间斜率分布的均方差误差实现人脸识别的数据计算。

更进一步地，所述步骤1进一步包括如下步骤：

步骤101，数据增强拼接，对每一张人脸图片做4种不同的数据增强操作，分别是：水平翻转、单通道灰度图转换、直方图均衡化、人脸区域随机遮挡，将得到的4张结果图片跟原始图片按照通道维度进行拼接，这样就得到了一张包含13个通道的人脸特征图；

步骤102，提取图片特征，用深度学习技术中卷积神经网络对所述步骤101得到的图片进行特征提取，采用大宽度的网络结构，提取5种不同操作的同一张人脸图中的共性特征，得到一张四维的特征图，最后通过特征展平的方式将其拉成一维的特征向量，并做L2归一化，具体公式为：

V＝Norm_l2(flat(f(x,w)))