【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】
摘要中提到的发明是一种针对人脸识别领域，特别是针对伪装人脸识别的先进技术。该技术利用深度学习，特别是深度卷积神经网络（DCNN），来提高伪装人脸的识别能力。发明的核心在于采用双阶段双DCNN网络，包括对齐网络（DCNN-aligned）和非对齐网络（DCNN-unaligned），旨在处理对齐和非对齐的人脸图像，以增强模型的泛化能力。
在训练阶段，这两个网络分别接受通用数据集的训练，以掌握人脸的基本特征。接着，利用2018年的DFW（Deep Face Warping）位置数据集的训练集，结合两个DCNN的训练结果，通过主成分分析（PCA）找到最佳的迁移矩阵。这种方法旨在利用迁移学习，将已学习到的知识迁移到伪装人脸识别任务中，以提高识别准确率。
现有的技术方案，如PCA和Mahalanobis余弦距离、2D logpolar Gabor特征等，虽然在一定程度上解决了伪装人脸的检测和验证问题，但并未能有效地解决伪装人脸识别的难题。相比之下，深度学习的引入，特别是深度学习特征在伪装分类上的应用，为这一问题提供了新的解决方案。然而，直到最近，深度学习在伪装识别上的应用仍未能直接解决该问题。
本发明的目的是克服现有技术的局限，通过融合对齐和非对齐的人脸特征，利用迁移学习提升模型的伪装识别能力，特别是在不同姿态和光照条件下的伪装人脸识别。这种创新方法在与单一网络和当前前沿算法的对比实验中表现出优越性能，证明了其在人脸识别领域的先进性和实用性。
该技术的应用领域包括但不限于人工智能、深度学习、人脸识别、真假脸识别和伪人脸检测。对于那些需要确保高安全性，防止身份冒用的场景，如生物识别系统、监控安全、在线身份验证等，该技术具有重大价值。
值得注意的是，专利申请并不需要实际的实现或实施，只要形成了完整的技术方案，就可提交申请。特别是在技术可能被公开或应用于标准提案之前，及时申请专利可以保护技术创新的知识产权。因此，技术联系人的角色至关重要，他们需要全面理解技术细节，以便与专利审核人员和代理人有效沟通。
本发明提出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，通过双DCNN网络和PCA的结合，显著提升了伪装人脸的识别效率，是人脸识别技术领域的一个重要进展。
