[發明專利]一種基于多目標學習的人臉識別算法訓練方法

有效

• 申請號: 201810356283.1
• 申請日: 2018-04-19
• 公開（公告）號: CN108647583B
• 公開（公告）日: 2022-02-22
• 發明（設計）人: 王軍南;張清泉;余饒東;唐杭生
• 申請（專利權）人: 浙江大承機器人科技有限公司
• 主分類號: G06V40/16
• 分類號: G06V40/16;G06N3/04;G06N3/08
• 代理公司: 杭州求是專利事務所有限公司 33200
• 代理人: 陳升華

本發明公開了一種基于多目標學習的人臉識別算法訓練方法，包括以下步驟：隨機初始化神經網絡參數，使用基于人臉身份的損失函數以及基于人臉特征點位置約束的損失函數，以最小化學習目標對深度卷積網絡進行訓練；當對人臉身份的預測準確率達到閾值后，計算基于人臉特征類內距離的損失函數和基于人臉特征類間距離的損失函數，并對每一個樣本使用基于人臉身份的損失函數及人臉特征點位置約束的損失函數計算；基于人工設置權重，對各損失函數進行加權，得到總的損失函數，并基于總的損失函數實現反向傳播，實現對網絡參數的更新，當準確率穩定后，停止網絡訓練，得到訓練好的人臉識別模型。

技術領域

本發明涉及人臉識別算法訓練技術領域，具體涉及一種基于多目標學習的人臉識別算法訓練方法。

背景技術

基于深度卷積網絡的人臉識別算法是當前人臉識別算法的主流模型，其中的主要技術包括采用多層卷積神經網絡，基于ReLU(修正線性單元，Rectified linear unit)的激活函數以及基于TripLet loss的監督訓練方法，其存在的主要缺點包括兩點：

一、僅在輸入訓練圖像時對圖像進行初步對齊，在訓練過程中并不考慮人臉姿態的影響，對人臉姿態變化的魯棒性有限；

二、訓練目標以訓練集中樣本的預測準確率為目標，在實際部署應用中，基于深度卷積網絡所提取的特征要求同一身份的不同人臉圖像對應的特征之間相互接近，而不同身份人臉圖像對應的特征之間相互遠離，算法訓練和應用中的目標存在偏差，導致識別算法的泛化能力受限。

發明內容

本發明提供了一種基于多目標學習的人臉識別算法訓練方法，一是將人臉面部特征點位置作為識別算法的學習目標之一，進行多目標約束下的學習，提高人臉識別算法對人臉姿態的魯棒性；二是將最大化人臉類間距離和最小化類內距離作為學習目標之一，與人臉身份預測一起對識別算法進行監督學習，提高人臉識別算法的泛化能力。

本發明所要解決的技術問題有三：一是針對上述現有人臉識別算法的缺點一，提出了一種將人臉特征點位置作為人臉識別算法訓練過程中的約束目標之一，提高人臉識別算法對人臉姿態的魯棒性；二是針對上述現有人臉識別算法的缺點二，提出了一種將人臉樣本的類內距離和類間距離作為算法訓練時的學習目標之一，使得算法學習得到的人臉特征向量具備類內間距小，類間距離大的特點，與算法應用時的目標保持一致，提高算法的泛化能力；三是針對新加入的約束條件，提出了一種新的訓練方法，實現對深度卷積網絡的訓練。

本發明采取的技術方法如下：

一種基于多目標學習的人臉識別算法訓練方法，包括以下步驟：

1)隨機初始化神經網絡參數，使用基于人臉身份的損失函數以及基于人臉特征點位置約束的損失函數，以最小化學習目標對深度卷積網絡進行訓練；

2)當對人臉身份的預測準確率達到閾值后，計算基于人臉特征類內距離的損失函數和基于人臉特征類間距離的損失函數，并對每一個樣本使用基于人臉身份的損失函數及人臉特征點位置約束的損失函數計算；

3)基于人工設置權重，對步驟2)得到的基于人臉身份的損失函數、基于人臉特征點位置約束的損失函數、基于人臉特征類內距離的損失函數和人臉特征點位置約束的損失函數進行加權，得到總的損失函數，并基于總的損失函數實現反向傳播，實現對網絡參數的更新，當準確率穩定后，停止網絡訓練，得到訓練好的人臉識別模型。

步驟1)中，此時網絡尚沒有學習到人臉特征，考慮到訓練過程的穩定性和效率，不應加入類間距離和類內距離進行學習。

步驟1)和步驟2)中，所述的基于人臉身份的損失函數，具體包括：

a)對于第i個人臉樣本圖像對應的特征K_3i，通過全連接網絡將其映射為N維向量F_i：