一种基于马氏距离改进的人脸识别系统及方法

摘要

本发明公开了人脸识别技术领域的一种基于马氏距离改进的人脸识别系统及方法，包括：获取人脸图像数据；提取人脸图像数据中的人脸图像特征点；将人脸图像特征点映射到特征空间中；通过softmaxloss函数与马氏距离加权求和得出的损失函数，在特征空间中区分开不同类别的人脸图像特征点；基于分类后的人脸图像特征点进行人脸识别。本发明通过计算特征点之间的马氏距离来增加惩罚让同类人脸图像特征向类中心靠拢，此方法在类间存在相关性的情况下大大提高了类间距计算的合理性，排除了变量之间的相关性的干扰，使得计算结果更准确，更高效。

说明书

技术领域

本发明涉及一种基于马氏距离改进的人脸识别系统及方法，属于人脸识别技术领域。

背景技术

随着人工智能的发展，人们在20世纪50年代开始对人脸识别领域有了浓厚的兴趣，最初对人脸识别领域的研究仅仅局限于人脸轮廓方面叫，但是很难提取到人脸轮廓区域的有效特征，这使人脸识别方面的研究一直无法获得较大进展。直到20世纪80年代末，研究人员对人脸识别领域的研究有了巨大突破，从而意识到人脸识别在未来发展中广阔的应用价值与应用场景。

在模式识别领域，人脸识别在过去的几十年中得到广泛的研究，同时获得巨大的发展，随着深度学习算法的应用，由于互联网技术的兴起和智能手机等图像捕捉设备的普及，因此互联网上有海量的人脸数据资源，大大促进基于深度学习的人脸识别算法。

人脸识别在现实生活中有许多的应用，例如刷脸门禁考勤系统、协助警方搜捕逃犯、电子商务中的刷脸支付等。经历了几十年的研究和发展，各种人脸识别方法层出不穷，研究方向也从最初较为单一的背景转变到各种复杂的场景下，包括不同光照、表情、背景、噪声、姿态等。

目前大部分人脸数据集都是约束条件下的人脸图像，就是指在较为理想的环境下采集得到的图像，没有太多的干扰因素，当前大部分人脸识别方法对该状态下的人脸都能够有很高的识别率。但是在实际应用中尤其是在公共场合的视频监控中，由于环境复杂、监控摄像头距离较远、拍摄角度较差等各种干扰因素，导致拍摄到的人脸图像质量很差。近几年越来越多相关的视频监控应用不断出现在实际生活中，这不仅为人们的出行安全提供了一定的保障，也促使人脸识别需求的大量增加。因此想要在复杂环境下人脸识别方面更进一步需要解决的问题，就是图像质量对识别性能的影响，从而能够更好地发挥出人脸识别技术的价值。从目前人脸识别的实际应用中可以看出，对于复杂场景下的低分辨率人脸识别研究具有非常大的潜在价值及行业需求。

发明内容

本发明的目的在于克服现有技术中的不足，提供一种基于马氏距离改进的人脸识别系统及方法，通过计算特征点之间的马氏距离来增加惩罚让同类人脸图像特征向类中心靠拢，此方法在类间存在相关性的情况下大大提高了类间距计算的合理性，排除了变量之间的相关性的干扰，使得计算结果更准确，更高效。

为达到上述目的，本发明是采用下述技术方案实现的：

第一方面，本发明提供了一种基于马氏距离改进的人脸识别方法，包括：

获取人脸图像数据；

提取人脸图像数据中的人脸图像特征点；

将人脸图像特征点映射到特征空间中；

通过softmaxloss函数与马氏距离加权求和得出的损失函数，在特征空间中区分开不同类别的人脸图像特征点；

基于分类后的人脸图像特征点进行人脸识别。

进一步的，softmaxloss函数与马氏距离加权求和得出的损失函数为：

其中，L表示总损失函数，L

进一步的，单个数据点的马氏距离为：

其中，D

进一步的，n个样本的协方差为：

其中，μ

第二方面，本发明提供了一种基于马氏距离改进的人脸识别系统，包括：

图像获取模块：用于获取人脸图像数据；

特征提取模块：用于提取人脸图像数据中的人脸图像特征点；

特征映射模块：用于将人脸图像特征点映射到特征空间中；

特征分类模块：用于通过softmaxloss函数与马氏距离加权求和得出的损失函数，在特征空间中区分开不同类别的人脸图像特征点；

特征识别模块：用于基于分类后的人脸图像特征点进行人脸识别。

第三方面，本发明提供了一种基于马氏距离改进的人脸识别装置，包括处理器及存储介质；

所述存储介质用于存储指令；

所述处理器用于根据所述指令进行操作以执行根据上述任一项所述方法的步骤。

第四方面，本发明提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述任一项所述方法的步骤。

与现有技术相比，本发明所达到的有益效果：

本发明是基于马氏距离对原本采用欧式距离作为衡量类内特征距离的centerloss损失函数的一种改进方法，不同于常见的采用欧式距离或余弦夹角来作为相似度评判的方法，我们通过计算特征点之间的马氏距离来增加惩罚让同类人脸图像特征向类中心靠拢，此方法在类间存在相关性的情况下大大提高了类间距计算的合理性，排除了变量之间的相关性的干扰，使得计算结果更准确，更高效。

附图说明

图1是本发明实施例一提供的基于马氏距离改进的人脸识别方法流程图。

具体实施方式

下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。

实施例一：

一种基于马氏距离改进的人脸识别方法，包括如下步骤：

S1：获取人脸图像数据；

S2：提取人脸图像数据中的人脸图像特征点；

S3：将人脸图像特征点映射到特征空间中；

S4：通过损失函数区分开不同类别的人脸图像特征点；

S5：基于分类后的人脸图像特征点进行人脸识别。

在S4中，现有技术中一般采用欧式距离的center loss函数，其中Center loss能够直接对样本特征之间的距离进行约束。Center loss添加的约束是：特征与同类别的平均特征的距离要足够小。这要求同类特征要接近它们的中心点，公式如下表示：

其中，L

训练的总损失函数是：

其中，L表示总损失函数，L

表1

本实施例采用马氏距离代替欧式距离，具体包括：

对于单个数据点的马氏距离为：

其中，D

其中对于n个样本的协方差为：

其中，μ

由此通过softmaxloss函数与马氏距离加权求和得出的新的损失函数为：

其中，L表示总损失函数，D表示马氏距离，n表示样本个数。

综上，新的函数与传统的基于欧式距离的特征抽取方法相比提高了识别率更具有有效性与高效性。

实施例二：

一种基于马氏距离改进的人脸识别系统，可实现实施例一所述的一种基于马氏距离改进的人脸识别方法，包括：

图像获取模块：用于获取人脸图像数据；

特征提取模块：用于提取人脸图像数据中的人脸图像特征点；

特征映射模块：用于将人脸图像特征点映射到特征空间中；

特征分类模块：用于通过softmaxloss函数与马氏距离加权求和得出的损失函数，在特征空间中区分开不同类别的人脸图像特征点；

特征识别模块：用于基于分类后的人脸图像特征点进行人脸识别。

实施例三：

本发明实施例还提供了一种基于马氏距离改进的人脸识别装置，可实现实施例一所述的一种基于马氏距离改进的人脸识别方法，包括处理器及存储介质；

所述存储介质用于存储指令；

所述处理器用于根据所述指令进行操作以执行下述方法的步骤：

获取人脸图像数据；

提取人脸图像数据中的人脸图像特征点；

将人脸图像特征点映射到特征空间中；

通过softmaxloss函数与马氏距离加权求和得出的损失函数，在特征空间中区分开不同类别的人脸图像特征点；

基于分类后的人脸图像特征点进行人脸识别。

实施例四：

本发明实施例还提供了一种计算机可读存储介质，可实现实施例一所述的一种基于马氏距离改进的人脸识别方法，其上存储有计算机程序，该程序被处理器执行时实现下述方法的步骤：

获取人脸图像数据；

提取人脸图像数据中的人脸图像特征点；

将人脸图像特征点映射到特征空间中；

通过softmaxloss函数与马氏距离加权求和得出的损失函数，在特征空间中区分开不同类别的人脸图像特征点；

基于分类后的人脸图像特征点进行人脸识别。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。