[發(fā)明專利]一種基于同源余弦損失函數(shù)的人物識(shí)別方法

在審

• 申請(qǐng)?zhí)枺?/td>: 201710296006.1
• 申請(qǐng)日: 2017-04-28
• 公開(kāi)（公告）號(hào): CN107145852A
• 公開(kāi)（公告）日: 2017-09-08
• 發(fā)明（設(shè)計(jì)）人: 夏春秋
• 申請(qǐng)（專利權(quán)）人: 深圳市唯特視科技有限公司
• 主分類號(hào): G06K9/00
• 分類號(hào): G06K9/00
• 代理公司: 暫無(wú)信息
• 代理人: 暫無(wú)信息

1.一種基于同源余弦損失函數(shù)的人物識(shí)別方法，其特征在于，主要包括為頭部標(biāo)記真實(shí)數(shù)據(jù)并檢測(cè)臉部和身體區(qū)域(一)；姿態(tài)估計(jì)(二)；補(bǔ)丁對(duì)齊并送入深度模型(三)；使用同源余弦損失函數(shù)訓(xùn)練深度模型(四)。

2.基于權(quán)利要求書(shū)1所述的為頭部標(biāo)記真實(shí)數(shù)據(jù)并檢測(cè)臉部和身體區(qū)域(一)，其特征在于，用四個(gè)區(qū)域的特征r∈{1,…,4}，即臉、頭、全身和上身來(lái)識(shí)別一個(gè)人；每個(gè)區(qū)域遵循訓(xùn)練和特征提取程序；在區(qū)域建議網(wǎng)絡(luò)(RPN)中預(yù)先訓(xùn)練臉部檢測(cè)器；使用殘差網(wǎng)絡(luò)模型，刪除圖層并添加分類和回歸兩個(gè)損失函數(shù)；對(duì)訓(xùn)練集的臉部模型進(jìn)行分類；臉部檢測(cè)器識(shí)別臉部(眼睛、眉毛、嘴巴等)的m個(gè)關(guān)鍵點(diǎn)，并且通過(guò)平移、旋轉(zhuǎn)和縮放讓檢測(cè)到的臉部補(bǔ)丁對(duì)準(zhǔn)“基本”形狀；令分別表示由臉部模型和對(duì)準(zhǔn)結(jié)果檢測(cè)的m個(gè)關(guān)鍵點(diǎn)；將P,Q定義為兩個(gè)仿射空間，然后將仿射變換定義為：

其中，是P中的線性變換矩陣，是Q中的偏差；如果關(guān)鍵點(diǎn)的置信度低于某個(gè)閾值，則不依賴于這樣的點(diǎn)來(lái)對(duì)齊補(bǔ)丁；當(dāng)關(guān)鍵點(diǎn)的數(shù)量小于3時(shí)，取基于頭部的基本真值來(lái)對(duì)齊補(bǔ)丁，因?yàn)橹辽傩枰齻€(gè)點(diǎn)才可以確定仿射變換。

3.基于權(quán)利要求書(shū)2所述的身體區(qū)域檢測(cè)，其特征在于，為了檢測(cè)身體部分，在RPN框架中預(yù)先訓(xùn)練檢測(cè)器；網(wǎng)絡(luò)結(jié)構(gòu)是一個(gè)初始模型，最終的池層由完全連接的層替代。

4.基于權(quán)利要求書(shū)1所述的姿態(tài)估計(jì)(二)，其特征在于，通過(guò)人體姿態(tài)估計(jì)識(shí)別身體的關(guān)鍵點(diǎn)，確定上半身區(qū)域，從而通過(guò)這些點(diǎn)定位上身部分。

5.基于權(quán)利要求書(shū)1所述的補(bǔ)丁對(duì)齊并送入深度模型(三)，其特征在于，通過(guò)將每個(gè)區(qū)域(補(bǔ)丁)對(duì)齊到人體的基本位置，從而減輕內(nèi)部類別的差異，然后將對(duì)齊的補(bǔ)丁送入深度模型，獲得有代表性和魯棒的特征。

6.基于權(quán)利要求書(shū)1所述的使用同源余弦損失函數(shù)訓(xùn)練深度模型(四)，其特征在于，使用同源余弦損失函數(shù)具有代表性的深層特征，能更好地區(qū)分不同類別的樣本，并最大程度地減少某一個(gè)類別中的差異；首先，定義兩個(gè)特征f⁽ⁱ⁾的余弦相似度C(f⁽ⁱ⁾,f^(j))，其中i,j表示樣本指標(biāo)，D表示特征維度；

其中，⊙表示兩個(gè)向量的內(nèi)積；

令l_i,l_j∈{1,…,K}為樣品i,j的標(biāo)簽，其中K是類別的總數(shù)，W是網(wǎng)絡(luò)的權(quán)重，則有以下?lián)p失函數(shù)最大化：

其中，δ(·,·)是指標(biāo)函數(shù)，用∈來(lái)計(jì)算穩(wěn)定性，由于上述損失的復(fù)雜性為隨著批量大小M的增大，損耗隨之增加。

7.基于權(quán)利要求書(shū)6所述的特征平均值，其特征在于，將k類的質(zhì)心定義為小型中特征的平均值：

結(jié)合公式(3)，有以下輸出樣本i最大化：

分子確保樣本i足夠接近其本身l_i，分母限制與其他類別樣本的最小距離；指數(shù)運(yùn)算是將余弦相似度轉(zhuǎn)移到范圍從0到1的歸一化概率輸出。

8.基于權(quán)利要求書(shū)6所述的同源余弦損失函數(shù)，其特征在于，以協(xié)作的方式擴(kuò)大類別之間的差異：

實(shí)際上，同源余弦損失可以通過(guò)softmax操作以整齊的方式實(shí)現(xiàn)。