[發(fā)明專利]一種面向大數(shù)據(jù)處理的人臉識別訓練方法臉識別方法

在審

• 申請?zhí)枺?/td>: 201611050385.8
• 申請日: 2016-11-25
• 公開（公告）號: CN106599798A
• 公開（公告）日: 2017-04-26
• 發(fā)明（設計）人: 徐海黎;沈標;劉熙;田強;韋勇
• 申請（專利權）人: 南京藍泰交通設施有限責任公司;南通大學
• 主分類號: G06K9/00
• 分類號: G06K9/00
• 代理公司: 北京一格知識產(chǎn)權代理事務所(普通合伙)11316
• 代理人: 滑春生

技術領域

本發(fā)明涉及人臉識別技術領域，特別是一種面向大數(shù)據(jù)處理的人臉識別訓練方法臉識別方法。

背景技術

人臉識別((Face Recognition,FR)起源于1980年，在視覺分析、視頻監(jiān)控、刑偵執(zhí)法、信息安全等領域被廣泛應用。近幾年，隨著移動終端數(shù)目的急劇增長和社交網(wǎng)絡的全面快速普及，人臉識別進入一個新時代并遇到新的挑戰(zhàn)：1)由于移動設備的計算能力和存儲容量有限，因此需要更輕量級的人臉識別算法；2)由于移動設備和社交網(wǎng)絡上的人臉圖像幾乎都是在非可控的(即非實驗室)環(huán)境下獲得，導致可變參數(shù)非常多，因此需要大規(guī)模(通常超過百萬)的數(shù)據(jù)集來訓練模型，而這種訓練帶來了巨大的計算量。

雖然人臉識別已有30多年的研究歷史，但它在大規(guī)模數(shù)據(jù)集上的訓練問題還在研究中。現(xiàn)有工作通過采樣一部分數(shù)據(jù)集進行模型訓練，但會丟失部分人臉參數(shù)，從而影響模型的精度。

發(fā)明內(nèi)容

本發(fā)明的目的是提供一種能夠人臉識別精度更高的面向大數(shù)據(jù)處理的人臉識別訓練方法臉識別方法。

本發(fā)明采用的技術方案為：

一種面向大數(shù)據(jù)處理的人臉識別訓練方法臉識別方法，其創(chuàng)新點在于，依次經(jīng)過輸入圖像、人臉特征提取、對訓練集進行隨機洗牌、劃分訓練集、計算歸納及標準化特征差、對分布在不同節(jié)點的特征差進行線性分類、在測試集上評估FVB和生成ROC曲線，具體方法步驟如下：

1)輸入圖像：將人臉信息輸入FRGC-204數(shù)據(jù)庫中；

2)人臉特征提取：從FRGC-204數(shù)據(jù)庫中的原始訓練集與測試集中提取人臉特征，它首先根據(jù)人臉特征坐標點(Facial Landmarks)檢測出輸入圖像中的人臉，然后將這些人臉歸一化為標準大小的圖像，最后從這些標準化的人臉中提取特征，由于每張圖像的特征都是獨立提取的，因此整個提取過程可以并行處理；

3)對訓練集進行隨機洗牌：將FRGC-204數(shù)據(jù)庫中的原始訓練集進行隨機洗牌，以確保劃分到各個節(jié)點的數(shù)據(jù)均勻一致；

4)劃分訓練集：首先在分布式文件系統(tǒng)上將隨機洗牌后的訓練集按一定的策略劃分成數(shù)據(jù) 塊，然后將這些數(shù)據(jù)塊分別寫入每個節(jié)點的本地文件中，而且對訓練集中不同的樣本提供不同的劃分策略：(1)對負樣本對，將它們劃分成相同大小的數(shù)據(jù)塊，平均分配給每個節(jié)點；(2)對正樣本對，由于它們的數(shù)量遠小于負樣本對，因此采用Bootstrap重采樣方法將它們分配給每個節(jié)點，而且為了獲得更好的I/O吞吐率，數(shù)據(jù)劃分器采用并行批量寫的方法將數(shù)據(jù)塊寫入每個節(jié)點；

5)計算歸納及標準化特征差：首先在每個節(jié)點上，根據(jù)公式X＝|v_i-v_j|^p＝(|v_il-v_jl|^p，...，|v_id-v_jd|^p)計算出其子訓練集中所有樣本對的特征差，并找出本地最大與最小特征差，然后通過全局歸約操作得出全局最大與最小特征差，并將它們廣播給每個節(jié)點，最后每個節(jié)點將其所有本地特征差歸一化為標準大小，而且每個節(jié)點的特征差計算和歸一化處理都可并行執(zhí)行，全局的歸約和廣播操作可由MPI編程模型實現(xiàn)；

6)對分布在不同節(jié)點的特征差進行線性分類：對分布在不同節(jié)點的特征差進行高效的線性分類，解決單機無法存放整個數(shù)據(jù)集的問題；其次對算法中的熱路徑進行線程級和指令級優(yōu)化，以提高單機計算性能從而減少模型訓練時間；

7)在測試集上評估FVB和生成ROC曲線：在測試集上評估訓練模型的FVRat0.1％FAR，并自動生成ROC曲線。

本發(fā)明的有益效果如下：

本發(fā)明提出了一個大規(guī)模分布式人臉識別訓練方法，其創(chuàng)新之處：1)實現(xiàn)了一個分布式SVM訓練器，并在進程級、線程級和指令級上都作了高效的并行調(diào)優(yōu)，同時該訓練器在幾百個節(jié)點上呈現(xiàn)良好的線性可擴展性；2)能支持包含幾千萬個樣本對和幾萬個特征參數(shù)的訓練集，并能利用它們提高模型精度；3)訓練了一個大小為3MB、使用時計算開銷為SMFlops、但人臉驗證率為92.2％的人臉模型，是目前同等大小的模型中精度最高的。

附圖說明

圖1為FRGC-204ROCI曲線隨著節(jié)點數(shù)增多的變化情況示意圖。

圖2為在不同節(jié)點數(shù)上訓練模型花費的總時間的情況示意圖。

圖3為在不同節(jié)點數(shù)上訓練模型的通信開銷百分比情況示意圖。

具體實施方式