[發(fā)明專利]一種基于多目標(biāo)學(xué)習(xí)的人臉識別算法訓(xùn)練方法

有效

• 申請?zhí)枺?/td>: 201810356283.1
• 申請日: 2018-04-19
• 公開（公告）號: CN108647583B
• 公開（公告）日: 2022-02-22
• 發(fā)明（設(shè)計）人: 王軍南;張清泉;余饒東;唐杭生
• 申請（專利權(quán)）人: 浙江大承機(jī)器人科技有限公司
• 主分類號: G06V40/16
• 分類號: G06V40/16;G06N3/04;G06N3/08
• 代理公司: 杭州求是專利事務(wù)所有限公司 33200
• 代理人: 陳升華

1.一種基于多目標(biāo)學(xué)習(xí)的人臉識別算法訓(xùn)練方法，其特征在于，包括以下步驟：

1)隨機(jī)初始化神經(jīng)網(wǎng)絡(luò)參數(shù)，使用基于人臉身份的損失函數(shù)以及基于人臉特征點位置約束的損失函數(shù)，以最小化學(xué)習(xí)目標(biāo)對深度卷積網(wǎng)絡(luò)進(jìn)行訓(xùn)練；

2)當(dāng)對人臉身份的預(yù)測準(zhǔn)確率達(dá)到閾值后，計算基于人臉特征類內(nèi)距離的損失函數(shù)和基于人臉特征類間距離的損失函數(shù)，并對樣本集中的每一個樣本使用基于人臉身份的損失函數(shù)及人臉特征點位置約束的損失函數(shù)計算；

3)基于人工設(shè)置權(quán)重，對步驟2)得到的基于人臉身份的損失函數(shù)、基于人臉特征點位置約束的損失函數(shù)、基于人臉特征類內(nèi)距離的損失函數(shù)和基于人臉特征類間距離的損失函數(shù)進(jìn)行加權(quán)，得到總的損失函數(shù)，并基于總的損失函數(shù)實現(xiàn)反向傳播，實現(xiàn)對網(wǎng)絡(luò)參數(shù)的更新，當(dāng)準(zhǔn)確率穩(wěn)定后，停止網(wǎng)絡(luò)訓(xùn)練，得到訓(xùn)練好的人臉識別模型。

2.根據(jù)權(quán)利要求1所述的基于多目標(biāo)學(xué)習(xí)的人臉識別算法訓(xùn)練方法，其特征在于，步驟1)和步驟2)中，所述的基于人臉身份的損失函數(shù)，具體包括：

a)對于第i個人臉樣本圖像對應(yīng)的特征K_3i，通過全連接網(wǎng)絡(luò)將其映射為N維向量F_i：

F_i＝M₂K_3i+b₂

其中，M₂為對應(yīng)全連接網(wǎng)絡(luò)的權(quán)重，b₂為對應(yīng)全連接網(wǎng)絡(luò)的偏置；

b)基于softmax函數(shù)預(yù)測F_i所對應(yīng)的人臉身份，即V_i＝softmax(F_i),V_i為維向量，且只有其中一維為1，其余為0，設(shè)取值為1的維度為第i維，則其預(yù)測的人臉身份為i；

c)設(shè)計損失函數(shù)為馬氏距離L_4i，即

I_i為圖像中人臉對應(yīng)的身份；

d)計算L_4i對于M₂和b₂的梯度，將其用于反向傳播算法，實現(xiàn)對網(wǎng)絡(luò)參數(shù)的調(diào)整。

3.根據(jù)權(quán)利要求1所述的基于多目標(biāo)學(xué)習(xí)的人臉識別算法訓(xùn)練方法，其特征在于，步驟1)和步驟2)中，所述的基于人臉特征點位置約束的損失函數(shù)，具體包括：

設(shè)計人臉特征點位置損失函數(shù)，設(shè)對于第i人臉樣本，其損失為L_1i，損失函數(shù)的表達(dá)式為：

L_1i＝L₁(M₁K_1i+b₁,l_i)

其中，L₁為損失函數(shù)，M₁為對應(yīng)全連接網(wǎng)絡(luò)的權(quán)重，b₁為對應(yīng)全連接網(wǎng)絡(luò)的偏置，l_i為第i人臉樣本對應(yīng)的人臉特征點位置，K_1i為深度卷積網(wǎng)絡(luò)某一層的輸出，通過線性網(wǎng)絡(luò)預(yù)測人臉特征點位置，設(shè)預(yù)測的人臉特征點位置為l′_i，則有l(wèi)′_i＝M₁*K_1i+b₁。

4.根據(jù)權(quán)利要求3所述的基于多目標(biāo)學(xué)習(xí)的人臉識別算法訓(xùn)練方法，其特征在于，所述的損失函數(shù)L₁為歐氏距離損失函數(shù)或者馬氏距離損失函數(shù)。

5.根據(jù)權(quán)利要求2所述的基于多目標(biāo)學(xué)習(xí)的人臉識別算法訓(xùn)練方法，其特征在于，步驟2)中，所述的閾值為55％～70％。

6.根據(jù)權(quán)利要求2所述的基于多目標(biāo)學(xué)習(xí)的人臉識別算法訓(xùn)練方法，其特征在于，步驟2)中，基于人臉特征類內(nèi)距離的損失函數(shù)和基于人臉特征類間距離的損失函數(shù)的計算需要兩個人臉樣本圖像集合，每個集合包含隨機(jī)選取身份的人臉樣本圖像，且兩個集合代表的人臉身份不同，需要通過隨機(jī)選取兩個不同身份的人臉樣本圖像集合，并各自在其中選取相同數(shù)量的人臉樣本圖像。

7.根據(jù)權(quán)利要求2所述的基于多目標(biāo)學(xué)習(xí)的人臉識別算法訓(xùn)練方法，其特征在于，步驟2)中，計算基于人臉特征類內(nèi)距離的損失函數(shù)和基于人臉特征類間距離的損失函數(shù)，具體包括：

A：隨機(jī)選取部分身份為I_i的人臉樣本圖像n為選取的樣本數(shù)量，為身份為I_i的人臉樣本圖像總數(shù)，基于當(dāng)前深度網(wǎng)絡(luò)的參數(shù)，計算其人臉特征{K_2i1,K_2i2,…K_2ij,…K_2in}，定義類內(nèi)距離為

其中μ_i為身份I_i的人臉圖像對應(yīng)特征的平均值，即

B：選取基于類內(nèi)距離的損失函數(shù)為L₂，計算樣本{x_i1,x_i2,…x_in}對應(yīng)的類內(nèi)距離的損失為

C：隨機(jī)選取部分身份為I_i的人臉樣本圖像以及身份為I_m的人臉樣本圖像為身份為I_i的人臉樣本圖像總數(shù)，為身份為I_m的人臉樣本圖像總數(shù)，樣本選取的數(shù)量相同，且為n，基于當(dāng)前深度網(wǎng)絡(luò)的參數(shù)，計算兩者的人臉圖像特征分別為{K_2i1,K_2i2,…K_2ij,…K_2in}以及{K_2m1,K_2m2,…K_2mj,…K_2mn}，定義類間距離D_bim為：

其中，|x|_p表示x的p階范數(shù)

μ_i為身份I_i的人臉圖像對應(yīng)特征的平均值，即

μ_m為身份I_m的人臉圖像對應(yīng)特征的平均值，即

D：選取類間距離的損失函數(shù)L₃，即類間距離的損失L_3bim＝L₃(-D_bim)。