[發(fā)明專(zhuān)利]一種基于深度學(xué)習(xí)模型的人臉識(shí)別方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201811250425.2
• 申請(qǐng)日: 2018-10-25
• 公開(kāi)（公告）號(hào): CN109359608B
• 公開(kāi)（公告）日: 2021-10-19
• 發(fā)明（設(shè)計(jì)）人: 林劼;鐘德建;崔建鵬;馬駿;馬雨青;郝玉潔
• 申請(qǐng)（專(zhuān)利權(quán)）人: 電子科技大學(xué)
• 主分類(lèi)號(hào): G06K9/00
• 分類(lèi)號(hào): G06K9/00;G06K9/62;G06N3/04
• 代理公司: 成都金英專(zhuān)利代理事務(wù)所(普通合伙) 51218
• 代理人: 袁英

1.一種基于深度學(xué)習(xí)模型的人臉識(shí)別方法，其特征在于，包括：構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)、對(duì)網(wǎng)絡(luò)參數(shù)進(jìn)行訓(xùn)練、圖片預(yù)處理和輸入模型進(jìn)行類(lèi)別判定；

所述構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)，用于利用大規(guī)模人臉數(shù)據(jù)集進(jìn)行改進(jìn)的卷積深度神經(jīng)網(wǎng)絡(luò)構(gòu)建；

所述構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)采用以下步驟：

A1：獲得公開(kāi)的人臉數(shù)據(jù)構(gòu)建大規(guī)模人臉數(shù)據(jù)集；

A2：將所述數(shù)據(jù)集處理為固定大小為360*360的RGB圖像，作為卷積神經(jīng)網(wǎng)絡(luò)的輸入；

A3：輸入圖像通過(guò)一堆卷積層，卷積核大小為3*3；步長(zhǎng)為1個(gè)像素；填充為1個(gè)像素；A4：空間池化由五個(gè)最大池化層進(jìn)行，步長(zhǎng)為2；網(wǎng)絡(luò)最后是三個(gè)全連接層：最后一層是soft-max層；

A5：所有隱藏層都使用了一種改進(jìn)的ReLU作為激活函數(shù)；

步驟A5對(duì)ReLU激活函數(shù)的改進(jìn)，包括以下兩方面：

改進(jìn)參數(shù)正則化：首先用因子a、b重新參數(shù)化權(quán)重w，然后對(duì)因子而不是權(quán)重本身應(yīng)用L2懲罰應(yīng)用于w的重新參數(shù)化如下：

其中w是W的任何標(biāo)量，a＝[a₁，a₂，...，a_i，...，a_h]，b＝[b₁，b₂，...，b_i，...，b_h]代表在訓(xùn)練網(wǎng)絡(luò)時(shí)要學(xué)習(xí)的兩個(gè)k-dim向量而不是w；

在測(cè)試階段，使用等于a^Tb的w進(jìn)行預(yù)測(cè)；所述重新參數(shù)化僅在訓(xùn)練階段增加成本；在重新參數(shù)化之后，a，b成為在訓(xùn)練階段學(xué)習(xí)的參數(shù)；分解后的L2懲罰如下：

a和b的相應(yīng)升級(jí)規(guī)則如下：

a^t，b^t表示在第t次更新后屬于網(wǎng)絡(luò)的標(biāo)量權(quán)重w的因子向量a和b，是通過(guò)鏈規(guī)則從較深層傳播的梯度，λa^t和λb^t表示正則化L(a，b)到a，b的梯度，η是動(dòng)量參數(shù)，λ是表示正則化強(qiáng)度的權(quán)重衰減系數(shù)；

所述對(duì)網(wǎng)絡(luò)參數(shù)進(jìn)行訓(xùn)練，用于利用誤差反向傳播算法對(duì)神經(jīng)網(wǎng)絡(luò)參數(shù)進(jìn)行訓(xùn)練；

所述圖片預(yù)處理，用于基于MTCNN算法的人臉檢測(cè)和人臉歸一化處理，將圖片轉(zhuǎn)化成統(tǒng)一的特征向量表示；

所述輸入模型進(jìn)行類(lèi)別判定，用于將特征向量輸入訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)中進(jìn)行類(lèi)別標(biāo)簽判定。

2.根據(jù)權(quán)利要求1所述的一種基于深度學(xué)習(xí)模型的人臉識(shí)別方法，其特征在于，對(duì)卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練包括以下子步驟：

B1：采用基于BP反向傳播中的具有動(dòng)量的小批量梯度下降法，使用優(yōu)化多項(xiàng)式邏輯回歸目標(biāo)函數(shù)來(lái)進(jìn)行訓(xùn)練；

B2：初始化網(wǎng)絡(luò)權(quán)重；

B3：訓(xùn)練通過(guò)前面所述改進(jìn)的ReLU中的權(quán)重衰減進(jìn)行正則化。

3.根據(jù)權(quán)利要求2所述的一種基于深度學(xué)習(xí)模型的人臉識(shí)別方法，其特征在于：所述步驟B2中初始化網(wǎng)絡(luò)權(quán)重包括以下子步驟：

B21：在神經(jīng)網(wǎng)絡(luò)中的前向傳播期間，采用改進(jìn)后的參數(shù)正則化：上述所述改進(jìn)的ReLU中參數(shù)正則化，a，b需要滿足：

B22：假設(shè)a中的ai是相互獨(dú)立的并且共享相同的分布，b中的bi是相互獨(dú)立的并且共享相同的分布，ai和bi也相互獨(dú)立，得到：

B23：仍然無(wú)法對(duì)a_i′和b_i′進(jìn)行明確的初始化，所以假設(shè)a_i′和b_i′共享相同的零均值高斯分布，這導(dǎo)致：

4.根據(jù)權(quán)利要求1所述的一種基于深度學(xué)習(xí)模型的人臉識(shí)別方法，其特征在于：所述圖片預(yù)處理，包括以下子步驟：

C1：基于MTCNN算法進(jìn)行人臉檢測(cè),得到人臉圖像；

C2：利用幾何歸一化將C1得到的人臉圖像處理為規(guī)范化的人臉圖像；所述幾何歸一化，包括參數(shù)估計(jì)和仿射變換；

C3：將C2中處理后的人臉圖像按像素轉(zhuǎn)化成神經(jīng)網(wǎng)絡(luò)所需的360*360維的特征向量。