基于深度学习的安防人脸识别方法和装置与流程

本技术涉及图像识别领域，特别是涉及一种基于深度学习的安防人脸识别方法和装置。

背景技术：

1、近年来，随着安防视频技术的发展和人工智能的兴起，人们对智能生活，尤其是安全生活的需求日益增加，不再满足于传统的生活环境，越来越重视人身安全和财产安全，对公共场所的安全方面提出了更高的要求。与此同时，随着经济的快速发展，越来越多的人口涌入城市，使得城市内的人口数量剧增，如何保证城市内的治安稳定成为了亟需解决的问题。为确保安全，防止不良事件的发生，智能安防已成为当前的发展趋势，视频监控是智能安防的重要步骤，它可以大量节省人力、设备和资金的投入，为社会生活提供每天不间断、全方位的监控服务。实时监控视频，可以随时调用记录，方便举报违法活动，约束活动区人员的行为，发挥威慑作用，预先识别关键人物并提前制定对策。身份识别是智能安防的重要组成部分，而人脸识别是身份识别的关键技术，人脸识别是一种高度非侵入性的生物识别，通过分析比较人脸视觉特征信息来进行身份认证，在查询场景中输入静态图像或监视视频，使用已录入的人脸数据库识别或验证场景中的一个或多人身份。人脸识别正迅速成为视频监控领域，如边境控制、可疑跟踪和识别，同时也是系统登录、银行、文件加密等安全方面和人机交互、3d动画、虚拟现实等娱乐的重要组成部分。深度学习的发展给各种计算机视觉任务带来了革命性的性能提升，其中，基于cnn的人脸识别已超过人类表现，而且随着三维人脸模型技术的发展，安防监控人脸识别逐渐可以处理在生成人脸过程中出现的各种变化因素，具有一定的研究意义和良好的发展前景。

2、虽然目前已经有许多专家和学者对基于深度学习的安防人脸识别方法进行了大量研究，并且目前针对深度学习的安防人脸识别方法在智能监控环境中已经有了很大的突破，现存的解决方法也有很多，但大多都存在缺陷，比如，人的姿势变化、面部表情、老化效应以及由于不同照明导致的自然遮挡，而且现有的深度神经网络通过网络学习的嵌入会丢失人脸识别的一些相似性信息，大大降低了安防人脸识别的准确率。

3、针对目前的基于深度学习的安防人脸识别方法存在人脸识别准确率低的问题，目前还没有提出有效的解决方案。

技术实现思路

1、在本发明中提供了一种基于深度学习的安防人脸识别方法和装置，以解决目前的基于深度学习的安防人脸识别方法存在人脸识别准确率低的问题。

2、第一个方面，在本发明中提供了一种基于深度学习的安防人脸识别方法，通过训练后的安防人脸识别模型对人脸进行识别，所述安防人脸识别模型包括生成器和分类器，所述安防人脸识别方法包括：

3、获取待识别的真实人脸图像及其配置信息，所述配置信息包括所述真实人脸图像的五官中任意两个部位之间的距离特征；

4、将所述真实人脸图像及其配置信息输入所述生成器，通过所述生成器得到对应于所述真实人脸图像的生成人脸图像；

5、将所述生成人脸图像输入所述分类器，通过所述分类器得到所述真实人脸图像的识别分类结果。

6、在其中的一些实施例中，所述获取待识别的真实人脸图像及其配置信息，包括：

7、获取待识别的真实人脸图像；

8、对所述真实人脸图像中的照明变化进行归一化；

9、采用伽马校正调整归一化后的所述真实人脸图像的像素强度值。

10、在其中的一些实施例中，所述获取待识别的真实人脸图像及其配置信息，还包括：

11、采用多任务级联卷积神经网络定位所述真实人脸图像中的五官，并计算五官中任意两个部位之间的距离特征，得到所述真实人脸图像的配置信息，所述五官包括眉毛、眼睛、鼻子、嘴巴和下巴。

12、在其中的一些实施例中，所述生成器包括特征提取器、第一编码器、第二编码器和解码器；

13、所述将所述真实人脸图像及其配置信息输入所述生成器，通过所述生成器得到对应于所述真实人脸图像的生成人脸图像，包括：

14、将所述真实人脸图像输入所述特征提取器，并将所述特征提取器的输出作为所述第一编码器的输入，将所述配置信息输入所述第二编码器；

15、将所述第一编码器和所述第二编码器的输出均作为均值层和方差层的输入，通过所述均值层得到均值向量，通过所述方差层得到方差向量；

16、根据所述均值向量和所述方差向量得到潜在向量；

17、将所述潜在向量输入所述解码器，通过所述解码器得到所述生成人脸图像。

18、在其中的一些实施例中，所述特征提取器由三个无权分担的并行卷积神经网络组成；

19、三个所述卷积神经网络的滤波器大小分别为11×11、7×7和5×5，每个所述卷积神经网络包括三层第一子网络，每层所述第一子网络包括依次连接的卷积层、最大池化层和relu激活函数。

20、在其中的一些实施例中，所述第一编码器和所述第二编码器均包括三层第二子网络；

21、三层所述第二子网络分别具有4096、2048和1024个神经元，第三层所述第二子网络连接所述均值层和方差层；

22、所述均值层和所述方差层均具有64个神经元。

23、在其中的一些实施例中，所述解码器包括三层第三子网络；

24、三层所述第三子网络分别具有1024、2048和4096个神经元。

25、在其中的一些实施例中，所述分类器包括依次连接的隐藏层、双曲正切激活函数和用于类预测的输出层；

26、所述输出层采用softmax激活表示每个类预测的置信水平。

27、在其中的一些实施例中，所述安防人脸识别模型的损失函数为：

28、

29、其中，z表示潜在向量，x表示数据点，μ表示均值向量，ε表示方差向量。

30、第二个方面，在本发明中提供了一种基于深度学习的安防人脸识别装置，通过训练后的安防人脸识别模型对人脸进行识别，所述安防人脸识别模型包括生成器和分类器，所述安防人脸识别装置包括：

31、数据获取模块，用于获取待识别的真实人脸图像及其配置信息，所述配置信息包括所述真实人脸图像的五官中任意两个部位之间的距离特征；

32、图像生成模块，用于将所述真实人脸图像及其配置信息输入所述生成器，通过所述生成器得到对应于所述真实人脸图像的生成人脸图像；

33、图像分类模块，用于将所述生成人脸图像输入所述分类器，通过所述分类器得到所述真实人脸图像的识别分类结果。

34、与相关技术相比，本发明提供的基于深度学习的安防人脸识别方法和装置，主要通过基于深度学习的安防人脸识别模型对真实人脸图像进行人脸识别。除了将真实人脸图像作为安防人脸识别模型的输入之外，还会将真实人脸图像对应的配置信息作为安防人脸识别模型的输入。配置信息包括真实人脸图像的五官中任意两个部位之间的距离特征。通过该配置信息，可以缓解真实人脸图像中人脸的姿势和表情对人脸识别的影响，从而提高人脸识别准确度，解决了目前的基于深度学习的安防人脸识别方法存在人脸识别准确率低的问题。

35、本技术的一个或多个实施例的细节在以下附图和描述中提出，以使本技术的其他特征、目的和优点更加简明易懂。