[发明专利]一种人脸再识别方法

说明书

本发明涉及人脸识别领域，尤其涉及一种人脸再识别方法，包括以下步骤：获取训练集A、B，利用训练集A、B训练卷积神经网络，分别提取深度特征向量集M、N，建立深度特征向量集M、N对应的深度特征向量空间S、D；学习距离度量和余弦相似度度量；计算需要测试的两张人脸图像的距离度量和余弦相似度度量；结合距离度量和余弦相似度度量来判断两张人脸图像之间的相似度。通过使用本发明，可以实现以下效果：将距离度量与余弦相似度度量结合起来可以更全面地判断两幅不同图像之间的相似度，判断更加准确。

技术领域

本发明涉及人脸识别领域，尤其涉及一种人脸再识别方法。

背景技术

随着人们对社会公共安全的关注和大规模数据存储技术的发展日益受到重视，安全监控系统中的人员重新识别已经成为一个热门话题。不同相机视角的角度和光线变化很大，可能会改变人物的外观，使得人物重新识别仍然是一个具有挑战性的问题。

现有的人员再识别技术在识别过程中的精度并不高。如申请号：CN201710839181.0，发明名称：一种基于快速处理多距离度量学习的人脸认证方法的专利申请，该专利所记载的技术方案为：入训练集，其中，训练集由两个子集组成，子集S中的样本对(x_i，x_j)来自同一个人脸，子集D中的样本对(x_i，x_j)来自两个不同的人脸；对训练子集中的每个人脸图像均提取K种特征，表示样本x_i的第k个特征，k＝1，2，……，K；学习K种特征对应的距离度量矩阵及其权重；输入两张人脸图像作为测试样本；对输入的两张人脸图像提取同样的K种特征，并利用已经学习到的距离度量矩阵和权重计算这两张人脸图像的距离d；判断，若两张图像的距离小于给定的第一阈值，则是同一个人，若大于给定的第二阈值，则不是同一个人。在该技术方案中，仅仅对不同或相同的人脸进行训练，所以在识别不同角度拍摄、脸部光线不同的同一个人的不同照片时，无法得到一个准确的判断结构。另一方面通过一个单一的距离度量对于寻找两幅不同图像之间的区别和联系往往是片面的。

发明内容

为解决上述问题，本发明提出一种人脸再识别方法，用于判断两张人脸图像的相似度。

一种人脸再识别方法，包括以下步骤：获取训练集A、B，其中，训练集A中的样本为同一个人通过不同角度在不同光线环境下拍摄的人脸图像，训练集B中的样本为不同人通过不同角度在不同光线环境下拍摄的人脸图像；利用训练集A、B训练卷积神经网络，分别提取深度特征向量集M、N，建立深度特征向量集M、N对应的深度特征向量空间S、D；通过深度特征向量集M、N学习得到子空间W，通过深度特征向量集M、N、子空间W、深度特征向量空间S、D计算距离度量和余弦相似度度量；计算需要测试的两张人脸图像的距离度量和余弦相似度度量；结合所述距离度量和余弦相似度度量来判断两张人脸图像之间的相似度。

优选的，所述卷积神经网络包括池化层、第一全连接层和第二全连接层，所述第一全连接层包含1536个神经元，所述第二全连接层的神经元数量等于训练集中行人图像的数量。

优选的，所述计算距离度量包括：距离度量的计算公式为：

其中，x_i,y_j是图像i和j的深度特征向量，i∈A，j∈B，x_i∈N，y_j∈M。

优选的，所述计算余弦相似度度量包括：以深度特征向量空间S中的一个深度特征向量x和深度特征向量空间D中的一个深度特征向量y的夹角的余弦值作为余弦相似度度量d_cos(x,y)。

优选的，所述结合所述距离度量和余弦相似度度量来判断两张人脸图像之间的相似度包括：计算距离度量和余弦相似度度量融合后的距离矩阵d(x,y)，

d(x,y)＝d_W(x,y)+d_cos(x,y)