[發明專利]一種基于卷積神經網絡的人臉識別場景適應的方法

有效

• 申請號: 201711078847.1
• 申請日: 2017-11-06
• 公開（公告）號: CN107886064B
• 公開（公告）日: 2021-10-22
• 發明（設計）人: 李騰;楊士猛;王妍
• 申請（專利權）人: 安徽大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04
• 代理公司: 合肥市浩智運專利代理事務所(普通合伙) 34124
• 代理人: 丁瑞瑞

1.一種基于卷積神經網絡的人臉識別場景適應的方法，其特征在于：包括下述步驟：

1)收集人臉數據并做好分類標簽，對做好標簽的人臉圖像數據做預處理和數據增強，分成訓練集和驗證集兩部分；

2)將1)中獲得的訓練集數據送入設計好的卷積神經網絡進行訓練，得到預訓練模型，具體包括：設計卷積神經網絡，該卷積神經網絡包含5個3*3卷積層，5個1*1卷積層，4個池化層，6個MFM激活層，一個全連接層以及損失函數層；3*3卷積層與1*1卷積層結合組成卷積單元；卷積單元之后連接MFM激活層；卷積神經網絡中所有池化層均采用最大池化方式，最后一層池化層輸出256*8*8特征圖；全連接層設定256個神經元，在提取特征時獲得一個256維的向量；設定學習策略以及訓練參數，將1)得到的訓練集送入設計好的卷積神經網絡進行訓練，得到最初的預訓練模型；

3)用1)中驗證數據集測試2)中訓練得到的預訓練模型，根據測試結果調整訓練參數重新訓練；

4)重復3)獲得最佳預訓練模型；

5)根據不同應用場景收集少量人臉圖像數據，在新收集的數據上微調4)中的預訓練模型，得到新的適應場景的模型；

6)用5)中得到的適應場景模型對待測試人臉圖像提取特征，對得到的特征中對應人臉五官部分做加權操作，得到最終特征向量；

7)用余弦距離度量6)中得到的最終特征向量，判斷是否是目標人臉，輸出結果。

2.如權利要求1所述的一種基于卷積神經網絡的人臉識別場景適應的方法，其特征在于：

所述步驟1)中，將人臉圖像調整到128*128大小，且對訓練集做顏色直方圖均衡化、水平鏡像翻轉、高斯模糊、添加隨機噪聲操作。

3.如權利要求1所述的一種基于卷積神經網絡的人臉識別場景適應的方法，其特征在于：所述步驟5)具體包括：

用在訓練數據上獲得的最佳預訓練模型參數初始化卷積神經網絡參數；

將收集到的少量當前場景人臉圖像送入網絡，進行迭代訓練；

得到適應當前場景人臉識別的深度卷積神經網絡模型。

4.如權利要求3所述的一種基于卷積神經網絡的人臉識別場景適應的方法，其特征在于：所述步驟5)具體包括：

作為更進一步具體的方案，所述迭代訓練采用梯度下降法，參數更新公式如下：

V_t+1＝μV_t-α▽L(W_t)

W_t+1＝W_t+V_t+1

其中，t、t+1為迭代次數，V_t為第t次迭代權重參數更新量，V_t+1為第t+1次迭代權重參數更新量，W_t、W_t+1分別為第t次、第t+1次權重參數，μ是沖量項，一般取0.9，α為學習率，本實驗中取e-6，▽L是計算偏導函數；在微調過程中，采用固定學習率的方法，設置學習率為e-6。

5.如權利要求1所述的一種基于卷積神經網絡的人臉識別場景適應的方法，其特征在于：所述步驟6)具體包括：

對輸入圖像進行人臉關鍵點檢測，根據得到的人臉關鍵點計算獲得臉部五官區域；

輸入測試圖像，經過卷積神經網絡計算得到全連接層輸入的8*8特征圖；

計算原始圖像中臉部五官區域與全連接層輸入的8*8特征圖對應位置，對該區域特征乘以一個權重系數，得到最終輸出特征圖；

將該最終輸出特征圖輸入到全連接層，映射得到目標特征向量。

6.如權利要求5所述的一種基于卷積神經網絡的人臉識別場景適應的方法，其特征在于：

對該區域特征乘以一個權重系數，得到最終輸出特征圖具體采用的加權計算公式為：

其中X_ij是原始特征矩陣，X_ij′是加權之后輸出特征矩陣，λ是權重參數，Region為原始特征矩陣中對應人臉的關鍵區域。

7.如權利要求5所述的一種基于卷積神經網絡的人臉識別場景適應的方法，其特征在于：所述步驟7)具體包括：

計算6)中得到的目標特征向量與人臉庫中每一個特征向量的余弦距離，找出人臉庫中與目標特征向量余弦距離最大的特征向量，若最大余弦距離大于設定的閾值，則輸出該特征向量對應的人臉，否則，人臉庫中沒有與待識別人臉相似的人臉圖像。