基于迁移学习的双DCNN人脸伪装识别算法优化

本技术交底书介绍了一种创新的基于迁移学习的人脸对齐非对齐融合的人脸伪装识别算法，针对中国移动通信集团的需求，设计了一个针对深度学习在人脸识别领域的突破性解决方案。该算法在当前的挑战性任务——区分伪装人脸与真实人脸，特别是当个体伪装他人或者被他人伪装时，提供了高效的识别手段。 首先，发明名称明确为“基于迁移学习的人脸对齐非对齐融合的人脸伪装识别算法”，技术领域涉及人工智能、深度学习、人脸识别等多个子领域，特别关注的是真假脸识别与伪人脸检测。传统的技术方案中，研究人员们尝试了多种方法，如PCA、Mahalanobis余弦距离、2DlogpolarGabor特征等，但深度学习的应用尽管有所进展，如Singh等人的工作，但并未完全解决伪装人脸识别的问题。 该算法的核心在于提出了一种双阶段双DCNN网络结构。在训练阶段，通过通用人脸数据训练两个子网络：DCNN-aligned用于人脸对齐，DCNN-unaligned处理非对齐人脸。这一设计考虑了实际应用场景中人脸可能存在的多样化对齐情况。接着，利用DFW数据集中的训练集，通过主成分分析（PCA）找到迁移矩阵，实现了跨模型之间的知识转移，从而提高对伪装人脸的识别准确性。 与现有的单阶段、单DCNN网络以及前沿算法相比，实验结果显示，这种双阶段融合策略在识别伪装人脸方面表现出色，证明了其优越性。然而，传统方法在处理伪装人脸数据上的不足，如DFW数据集的训练效果不佳，正是本发明试图克服的问题。 此外，该算法旨在解决通用人脸识别软件在伪装人脸识别场景下的局限性，以及现有方法可能因特定方案和数据集的限制而难以推广的问题。通过融合对齐和非对齐网络的优势，并利用迁移学习的力量，本发明有望推动人脸识别技术在安全防范和身份验证领域的应用。 总结来说，这项发明提供了一种更为精准和鲁棒的人脸伪装识别解决方案，不仅提升了识别伪装人脸的能力，而且具有较好的泛化性和适应性，对于保护信息安全和个人隐私具有重要意义。