基于迁移学习的融合人脸对齐与非对齐数据的伪装识别方法-交底书V2_201809151

简介：
本发明提出了一种结合迁移学习技术，利用人脸对齐和非对齐数据进行高效伪装检测的方法。通过优化模型训练过程，提高在有限标注数据下的伪装识别准确性。 人脸识别技术近年来取得了显著进展，特别是在深度学习的推动下。然而，在识别伪装人脸方面仍然面临重大挑战，因为伪装可以大幅改变面部特征，使传统方法难以有效应对。为此，我们提出了一种基于迁移学习的人脸对齐非对齐融合算法来解决这一问题。 该算法采用双阶段结构，并使用两个独立的深度卷积神经网络（DCNN）：一个处理已对齐的人脸图像，另一个则用于未经过严格对齐的图像。这两个模型在通用数据集上进行预训练以获得人脸特征识别能力，随后利用2018年的DFW位置数据库中的训练样本，并结合主成分分析(PCA)，来确定最佳迁移矩阵适应伪装人脸的变化。 与传统方法如PCA、Mahalanobis余弦距离检测和二维对数极坐标Gabor特征验证相比，本发明采用的双DCNN结构能够更有效地捕捉到不同类型的面部伪装变化。此外，现有的深度学习模型虽然能提取更多特征信息，但并未直接解决伪装识别的问题。而我们提出的算法通过结合使用已对齐与未对齐的人脸图像进行训练的方法来提高伪装人脸的辨识精度。 实验结果表明，在对比单一阶段、单个DCNN网络以及其他前沿方法时，本发明提供的双DCNN融合策略展现了优越性，不仅能够更准确地识别伪装面部特征，还能降低误报率。这说明利用迁移学习和对齐非对齐结合的方法能有效提升复杂伪装情况下的人脸识别性能。 技术方案的详细描述强调了技术联系人在专利申请过程中的重要角色，他们负责与审查人员及代理人沟通，并确保所有关键信息准确传达给相关部门或个人。此外，提交专利申请并不需要实际实施该技术，只要形成了完整的解决方案即可得到保护。 总之，本发明提供了一种创新的人脸伪装识别方法，利用深度学习和迁移学习结合对齐与非对齐的训练策略，在复杂伪装情况下提高了人脸识别精度，并有助于增强系统的安全性及可靠性。这一技术在人工智能、深度学习以及安全领域具有重要的应用价值。