一种跨域面部识别方法技术

本发明专利技术提供了一种跨域面部识别方法，包括：准备源样本数据和目标样本数据；固定特征提取器E，让域判别器G最大化，判别源样本数据和目标样本数据间的差异；固定域判别器G，让特征提取器E最小化，判别源样本数据和目标样本数据间的差异；域判别器G最大化和特征提取器E最小化达到平衡点，从特征提取器E提取出源样本数据和目标样本数据间没有域间差异的特征值。在facenet基础上，通过特征提取器E采用Inception‑Resnet‑V1网络结构，源分类损失函数和目标分类损失函数采用三元组损失函数的基础上，加入域混淆损失函数，解决待识别图像与训练样本图像具有不同统计分布特性的条件下的面部跨域识别问题，使得同一域间的面部特征更为接近，提升了跨域识别准确性。

【技术实现步骤摘要】
一种跨域面部识别方法
本专利技术涉及面部识别
，尤其涉及一种跨域面部识别方法。
技术介绍
面部识别，是基于人的脸部特征信息进行身份识别的一种生物识别技术。用摄像机或摄像头采集含有人脸的图像或视频流，并自动在图像中检测和跟踪人脸，进而对检测到的人脸进行脸部识别的一系列相关技术，通常也叫做人像识别、面部识别。现有面部识别算法大多可以解决单域面部识别(即待识别图像和训练样本图像具有相同的统计分布特性)问题，例如，FaceNet,DeepId等算法，在单域面部识别任务上取得良好的效果。但在实际应用场景下，例如识别监控摄像头下的重点监控对象任务，通过监控摄像头拍摄的视频中提取的人脸照片，与一组对象的身份证照片比对，判别是否是其中的一位。它的难点在于，摄像头的图像与身份证照片差别很大，身份证照片是限制域的，需要对象的配合，对分辨率、角度、光线、表情等有严格的要求，而监控摄像头是开放域的，所摄取的人脸照片的分辨率、角度、光线、表情不受任何限制，因此，摄像头拍摄的人脸照片与身份证照片这两个样本的统计规律很不相同，可以界定为跨域面部识别问题。对于跨域识别，FaceNet,DeepId等基于CNN(卷积神经网络)算法并不能取的很好效果。
技术实现思路
本专利技术所要解决的技术问题是提供一种跨域面部识别方法，能够解决待识别图像与训练样本图像具有不同统计分布特性的条件下的面部跨域识别问题，使得同一域间的面部特征更为接近，提升了跨域识别准确性。为解决上述技术问题，本专利技术一实施例提供了一种跨域面部识别方法，其特征在于，包括：准备源样本数据和目标样本数据；固定特征提取器E，让域判别器G最大化，判别源样本数据和目标样本数据间的差异；固定域判别器G，让特征提取器E最小化，判别源样本数据和目标样本数据间的差异；域判别器G最大化和特征提取器E最小化达到平衡点，从特征提取器E提取出源样本数据和目标样本数据间没有域间差异的特征值。优选地，准备源样本数据和目标样本数据包括：将源样本数据和目标样本数据分别进行面部特征对齐。优选地，所述域判别器G和特征提取器E对不同的域共享参数。优选地，准备源样本数据和目标样本数据包括：对源样本数据和目标样本数据进行处理，增加样本数据的多样性。优选地，固定特征提取器E，让域判别器G最大化，判别源样本数据和目标样本数据间的差异之前包括：确定损失函数。优选地，对源样本数据和目标样本数据进行处理包括：对源样本数据和目标样本数据进行随机裁剪、翻转、调整亮度、对比度、色相、饱和度处理。优选地，所述损失函数包括分类损失函数和域混淆损失函数。优选地，所述损失函数为分类损失函数和域混淆损失函数的加权和。优选地，总损失＝源分类损失+目标分类损失－KL散度，其中KL散度用于衡量源样本数据和目标样本数据特征概率分布间的差异。优选地，所述KL散度又称为相对熵，为源样本数据和目标样本数据特征概率分布间的度量。与现有技术相比，上述技术方案具有以下优点：在facenet原有技术方案的基础上，通过特征提取器E采用Inception-Resnet-V1网络结构，源分类损失函数和目标分类损失函数采用三元组损失函数tripletloss的基础上，加入域混淆损失函数，从而解决待识别图像与训练样本图像具有不同统计分布特性的条件下的面部跨域识别问题，使得同一域间的面部特征更为接近，减少了误识率，提升了跨域识别准确性。【附图说明】为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。图1是本专利技术一种跨域面部识别方法流程图。图2是本专利技术一种跨域面部识别方法一优选实施例流程图。图3是本专利技术一种跨域面部识别方法网络架构图。图4是本专利技术一种跨域面部识别方法中训练20个epoch后的t-SNE示意图。图5是本专利技术一种跨域面部识别方法中训练50个epoch后的t-SNE示意图。【具体实施方式】下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本专利技术保护的范围。实施例一图1是本专利技术一种跨域面部识别方法流程图。如图1所示，一种跨域面部识别方法，包括步骤：S11、准备源样本数据和目标样本数据。准备源样本数据和目标样本数据包括：将源样本数据和目标样本数据分别进行面部特征对齐，对源样本数据和目标样本数据进行处理，增加样本数据的多样性。对源样本数据和目标样本数据进行处理包括：对源样本数据和目标样本数据进行随机裁剪、翻转、调整亮度、对比度、色相、饱和度处理。S12、固定特征提取器E，让域判别器G最大化源样本数据和目标样本数据间的差异。S13、固定域判别器G，让特征提取器E最小化源样本数据和目标样本数据间的差异；S14、域判别器G最大化和特征提取器E最小化达到平衡点，从特征提取器E提取出源样本数据和目标样本数据间没有域间差异的特征值。所述域判别器G和特征提取器E对不同的域共享参数。具体实施时，固定特征提取器E，让域判别器G最大化，判别源样本数据和目标样本数据间的差异之前包括：确定损失函数。所述损失函数包括分类损失函数和域混淆损失函数。损失函数为分类损失函数和域混淆损失函数的加权和。总损失＝源分类损失+目标分类损失－KL散度，其中KL散度用于衡量源样本数据和目标样本数据特征概率分布间的差异。所述KL散度又称为相对熵，为源样本数据和目标样本数据特征概率分布间的度量。图2是本专利技术一种跨域面部识别方法一优选实施例流程图。一种跨域面部识别方法，包括步骤：步骤21：准备数据。准备sourcedomain即身份证照片和targetdomian即摄像头照片，并对照片作人脸对齐。可以采用用MTCNN算法对人脸进行对齐。步骤22：对数据进行处理。对2个不同域的照片分别作随机裁剪、翻转、调整亮度、对比度、色相、饱和度等，以增加样本的多样性。步骤23：确定网络结构。图3是本专利技术一种跨域面部识别方法网络架构图。其中的源样本数据输入和目标样本数据输入都是同一指定像素如但是不限于160像素×160像素的图像，特征提取器E是多层卷积神经网络，域判别器G是多层全连接神经网络。特征提取器E和域判别器G对不同域是共享参数的，实际上只有一个网络。本算法对各种经典网络结构，如特征提取器E的网络结构可以是Inception、ResNet等，如Inception-Resnet-V1网络结构。当然，原始输入图片可能会大小不一，但是本文档来自技高网...

【技术保护点】
1.一种跨域面部识别方法，其特征在于，包括：/n准备源样本数据和目标样本数据；/n固定特征提取器E，让域判别器G最大化源样本数据和目标样本数据间的差异；/n固定域判别器G，让特征提取器E最小化源样本数据和目标样本数据间的差异；/n域判别器G最大化和特征提取器E最小化达到平衡点，从特征提取器E提取出源样本数据和目标样本数据间没有域间差异的特征值。/n

【技术特征摘要】
1.一种跨域面部识别方法，其特征在于，包括：
准备源样本数据和目标样本数据；
固定特征提取器E，让域判别器G最大化源样本数据和目标样本数据间的差异；
固定域判别器G，让特征提取器E最小化源样本数据和目标样本数据间的差异；
域判别器G最大化和特征提取器E最小化达到平衡点，从特征提取器E提取出源样本数据和目标样本数据间没有域间差异的特征值。


2.根据权利要求1所述的跨域面部识别方法，其特征在于，准备源样本数据和目标样本数据包括：
将源样本数据和目标样本数据分别进行面部特征对齐。


3.根据权利要求1所述的跨域面部识别方法，其特征在于，所述域判别器G和特征提取器E对不同的域共享参数。


4.根据权利要求1所述的跨域面部识别方法，其特征在于，准备源样本数据和目标样本数据包括：
对源样本数据和目标样本数据进行处理，增加样本数据的多样性。


5.根据权利要求1所述的跨域面部识别方法，其...

【专利技术属性】
技术研发人员：刘若鹏，栾琳，季春霖，陈峰，
申请(专利权)人：杭州光启人工智能研究院，
类型：发明
国别省市：浙江;33