本發(fā)明屬于圖像識別，特別涉及一種提升遠距離人臉識別效果的方法。

背景技術：

1、隨著科技的發(fā)展，特別是ai技術的發(fā)展，圖像識別領域越來越被廣泛關注。現(xiàn)有技術中，與本發(fā)明最接近的實現(xiàn)方案包括例如申請?zhí)枮?01710757108.9的《一種面向識別的遠距離人臉圖像增強方法》，該方案采用聚類算法對人臉區(qū)域進行分塊，再采用基于伽馬變換和對數(shù)變換相結(jié)合的方式進行非線性變換來恢復人臉圖像細節(jié)信息。再根據(jù)卷積神經(jīng)網(wǎng)絡提取處理后的人臉圖像進行文件特征提取，然后計算該圖與底庫的相似性，作為識別結(jié)果。

2、然而，現(xiàn)有技術存在的缺陷在于：

3、1.該現(xiàn)有方法是基于在線的方式進行的，會極大地影響實際算法處理時間。

4、2.現(xiàn)有方法的訓練數(shù)據(jù)集中缺少現(xiàn)實生活中遠距離人臉數(shù)據(jù)。

5、3.現(xiàn)有方法難以采集開源人臉數(shù)據(jù)集中對應人的遠距離人臉圖像。

6、此外，現(xiàn)有技術中常用的術語包括：

7、1.人臉檢測：人臉檢測模型，給定一張圖片，會返回人臉框所在的位置。

8、2.人臉對齊：將人臉部分從原圖中扣出來，并縮放到一定大小。

9、3.訓練集：網(wǎng)絡用來學習的數(shù)據(jù)。

10、4.cyclegan網(wǎng)絡：生成式對抗網(wǎng)絡，可以在圖像未配對的情況下完成圖像風格的轉(zhuǎn)換。通俗來講給他兩種數(shù)據(jù)，它可以學到兩種數(shù)據(jù)之間的關系，給他一種數(shù)據(jù)，可以生成另一種數(shù)據(jù)。(比如普通馬到斑馬，不帶眼鏡的人臉到戴眼鏡的人臉。)

11、5.模糊模型：可以判斷一張圖的模糊程度。

12、6.伽馬變換：可以將漂白的圖片或者過黑的圖片進行修正。

13、7.對數(shù)變換：可以增強一張圖片暗部的細節(jié)。

14、8.開源人臉數(shù)據(jù)集：celeba人臉數(shù)據(jù)集。

15、9.底庫：人臉識別注冊圖集合。

16、10.長尾分布：在訓練樣本中的表現(xiàn)，頭部的一小部分包含圖片比較多的數(shù)量，和剩下的包含圖片比較少的數(shù)量的樣本。特別是，人臉識別數(shù)據(jù)集中每個人都有不同數(shù)量的人臉圖片，有的人圖片數(shù)量過多，有的人圖片數(shù)量過少(比如說大部分人的圖片數(shù)量在20張左右，有的人圖片數(shù)量只有2張，而有的人圖片數(shù)量有40張)，簡單來說就是每個人的人臉圖片數(shù)量不均勻。

技術實現(xiàn)思路

1、為了解決上述問題，本技術的目的在于：

2、1.模仿現(xiàn)實遠距離人臉的成像效果，可以生成對應人臉圖片的仿遠距離人臉數(shù)據(jù)，提升遠距離人臉的識別效果。

3、2.降低在線運行的時間，從訓練數(shù)據(jù)集入手，提升人臉識別的效果。

4、具體地，本發(fā)明提供一種提升遠距離人臉識別效果的方法，所述方法包括以下步驟：

5、s1.將攝像頭采集遠距離人臉的數(shù)據(jù)和開源人臉數(shù)據(jù)集中的一部分篩選后從而作為生成式對抗網(wǎng)絡cyclegan的訓練數(shù)據(jù)并訓練；

6、s2.根據(jù)人臉訓練數(shù)據(jù)集中每個人臉的人臉數(shù)據(jù)和人臉的模糊程度抽取不同數(shù)量的圖片；

7、s3.用cyclegan將步驟s2抽取的圖片進行仿遠距離人臉數(shù)據(jù)生成，并將生成的數(shù)據(jù)通過人臉識別模型進行過濾；

8、s4.將步驟s3中的數(shù)據(jù)加入人臉識別訓練集中進行訓練，最終測試出的結(jié)果實現(xiàn)提升人臉識別模型對遠距離人臉數(shù)據(jù)的識別。

9、所述步驟s1進一步包括：

10、s1.1，cyclegan訓練數(shù)據(jù)集的準備包括：

11、(1)訓練數(shù)據(jù)a，此數(shù)據(jù)為了構(gòu)建真實遠距離人臉數(shù)據(jù)集：

12、(1).1，采集攝像頭錄制的數(shù)據(jù)，并通過人臉檢測找到人臉框的位置及大小，包括：通過自己訓練的人臉檢測模型得出人臉的框和大小，所述自己訓練的人臉檢測模型是用yolov5訓練出來的人臉檢測模型，模型可輸出人臉框的位置，所述人臉框信息：人臉框的左上角坐標和右下角坐標，通過坐標計算可得到人臉的大小；

13、(1).2，通過框的大小篩選出人臉框在60以下的部分，即確定遠距離的人臉；

14、(2)訓練數(shù)據(jù)b，此數(shù)據(jù)b是訓練cyclegan網(wǎng)絡用的，讓cyclegan網(wǎng)絡學習近距離人臉到遠距離人臉的變化：

15、(2).1，從開源人臉數(shù)據(jù)集中隨機挑選不同人的圖片，挑選的數(shù)量需要與采集后并篩選的遠距離人臉數(shù)據(jù)集數(shù)量相當；

16、(2).2，將(2).1中圖片經(jīng)過模糊模型篩選出比較清晰的圖片；所述模糊模型是人臉質(zhì)量模型中的模糊模塊，可得到人臉的模糊程度，通過自己訓練的所述人臉質(zhì)量模型得到每張人臉的模糊程度，所述模糊程度是模型輸出的結(jié)果為一個小數(shù)，篩選掉模糊程度在0.4以下的人臉；

17、s1.2，訓練cyclegan，學習訓練數(shù)據(jù)b到訓練數(shù)據(jù)a的映射，目的是讓清晰的圖片變成攝像頭成像下遠距離模糊的圖片；其中cyclegan是一個神經(jīng)網(wǎng)絡，準備好兩個數(shù)據(jù)集，訓練網(wǎng)絡學習兩個數(shù)據(jù)集之間的映射關系。

18、所述步驟s2進一步包括：抽取cyclegan模型用于生成數(shù)據(jù)的原圖：

19、s2.1，統(tǒng)計開源人臉數(shù)據(jù)集中每個人的圖片數(shù)量：所述人臉數(shù)據(jù)集中每個人都有一個文件夾，所述人表示為在人臉識別中的id或名字，文件夾下是這個人的所有圖片，利用python代碼中的glob包可得到文件夾下圖片的數(shù)量即len(glob.glob(img_flod))，其中img_flod為每個人的文件夾，這樣通過len()函數(shù)可統(tǒng)計出每個人的人臉圖片數(shù)量；

20、s2.2，按照開源人臉數(shù)據(jù)集中每個人的圖片數(shù)量，選擇每個人取多少張圖片，少的全部取出來，多的則取一定量的圖片：假設一個人如果有10張以下的圖片則全部取出，如果是大于10張小于25張則取25減去當前圖片數(shù)量的圖片，如果要取的數(shù)量大于當前圖片數(shù)量則全部取出，大于30張的人則不取圖片；

21、s2.3，將步驟s2.2中挑選出來的數(shù)據(jù)通過模糊模型判斷人臉圖片質(zhì)量的好壞，將模糊的數(shù)據(jù)刪掉，其中，質(zhì)量好壞的判斷可根據(jù)需要通過設定閾值實現(xiàn)，小于閾值的刪掉。

22、所述步驟s3進一步包括：通過訓練好的cyclegan模型生成仿遠距離人臉數(shù)據(jù)，并進行過濾：

23、s3.1，將步驟s2.3篩選出來的圖片，通過訓練好的cyclegan模型進行仿遠距離人臉數(shù)據(jù)生成；

24、s3.2，通過人臉識別網(wǎng)絡對cyclegan生成的數(shù)據(jù)進行篩選，所述人臉識別網(wǎng)絡采用adaface(res101)，用webface12m訓練出來的模型；其中res101表示網(wǎng)絡結(jié)構(gòu)用來區(qū)分模型；

25、通過cyclegan網(wǎng)絡模擬生成現(xiàn)實遠距離人臉的數(shù)據(jù)，并通過人臉識別模型進行過濾。

26、所述步驟s3.2中，通過訓練人臉識別網(wǎng)絡并評估從而實現(xiàn)過濾操作：

27、通過原來訓練好的人臉識別模型，將步驟s3.1生成的數(shù)據(jù)通過一個高的閾值進行篩選，確保保留下的圖片是生成質(zhì)量良好的：通過開源的人臉識別模型adaface得出原始人臉圖片與cyclegan生成的人臉圖片的相似度即0-1的一個小數(shù)，當相似度大于0.4以上則保留認為圖片是質(zhì)量良好的，小于則刪除。

28、所述步驟s4進一步包括：將步驟s3中處理好的數(shù)據(jù)加入人臉識別訓練數(shù)據(jù)集中訓練并測試：

29、s4.1，將步驟s3.2中篩選后的數(shù)據(jù)加入到開源人臉數(shù)據(jù)集中訓練模型；s4.2，在開源測試集lfw上評估步驟s4.1訓練的模型，測試結(jié)果其精度提高，在實際遠距離人臉測試集上的精度提高。

30、由此，本技術的優(yōu)勢在于：本方法簡單，且最終能極大的提升遠距離人臉識別的效果，并且可以在一定程度上解決數(shù)據(jù)集長尾分布不均勻的問題。