[發(fā)明專利]一種人臉識別深度網(wǎng)絡(luò)訓(xùn)練方法和系統(tǒng)

有效

• 申請?zhí)枺?/td>: 201811330712.4
• 申請日: 2018-11-09
• 公開（公告）號: CN109583322B
• 公開（公告）日: 2020-07-17
• 發(fā)明（設(shè)計）人: 陳俊逸
• 申請（專利權(quán)）人: 長沙小鈷科技有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京辰權(quán)知識產(chǎn)權(quán)代理有限公司 11619
• 代理人: 劉廣達(dá)

1.一種人臉識別深度網(wǎng)絡(luò)訓(xùn)練方法，基于類別中心點排序?qū)W習(xí)，包括：

收集人臉圖片并進(jìn)行標(biāo)注，構(gòu)建人臉識別數(shù)據(jù)集；

檢測人臉和關(guān)鍵點，并用關(guān)鍵點進(jìn)行人臉對齊；

構(gòu)造深度神經(jīng)網(wǎng)絡(luò)；

構(gòu)造類別中心點更新策略和基于類別中心點的排序損失，結(jié)合分類損失進(jìn)行深度網(wǎng)絡(luò)的訓(xùn)練；所述基于類別中心點的排序損失采用Top1排序損失；所述Top1排序損失的公式化表示如下：

其中，x_i為第i個樣本，y_i為第i個樣本的標(biāo)簽，f(x_i)為x_i的深度網(wǎng)絡(luò)的特征，u是類別中心，j∈[1，...，n]表示類別中心的編號，距離函數(shù)為：

其中j∈[1，...，n]，M是過濾間隔參數(shù)；m是最大間隔參數(shù)；

利用訓(xùn)練好的深度神經(jīng)網(wǎng)絡(luò)模型進(jìn)行人臉特征提取，利用人臉特征之間的相似度進(jìn)行人臉識別。

2.根據(jù)權(quán)利要求1所述的一種人臉識別深度網(wǎng)絡(luò)訓(xùn)練方法，其特征在于，

其中，所述的關(guān)鍵點至少包括以下三個關(guān)鍵點：眼睛、鼻子、嘴。

3.根據(jù)權(quán)利要求1所述的一種人臉識別深度網(wǎng)絡(luò)訓(xùn)練方法，其特征在于，

所述的人臉對齊采用仿射變換將所述關(guān)鍵點的位置對齊到預(yù)先設(shè)定的位置上。

4.根據(jù)權(quán)利要求1所述的一種人臉識別深度網(wǎng)絡(luò)訓(xùn)練方法，其特征在于，

所述的深度神經(jīng)網(wǎng)絡(luò)采用多層卷積網(wǎng)絡(luò)，所述卷積網(wǎng)絡(luò)的第一個全連接層輸出是人臉特征表示，所述排序損失和分類損失共享卷積網(wǎng)絡(luò)的卷積層和所述第一個全連接層。

5.根據(jù)權(quán)利要求1所述的一種人臉識別深度網(wǎng)絡(luò)訓(xùn)練方法，其特征在于，

所述的類別中心點是指訓(xùn)練集中每個類別都會維持一個特征表示的中心點，所述類別中心點更新策略采用移動均值策略，所述訓(xùn)練集選自所述數(shù)據(jù)集。

6.根據(jù)權(quán)利要求1所述的一種人臉識別深度網(wǎng)絡(luò)訓(xùn)練方法，其特征在于，

所述的分類損失為softmax的交叉熵分類損失，所述的排序損失和分類損失按照權(quán)重比例相加得到總的損失函數(shù)。

7.根據(jù)權(quán)利要求6所述的一種人臉識別深度網(wǎng)絡(luò)訓(xùn)練方法，其特征在于，

所述Top1排序損失屬于列表級的排序損失。

8.根據(jù)權(quán)利要求1所述的一種人臉識別深度網(wǎng)絡(luò)訓(xùn)練方法，其特征在于，

所述類別中心點的更新依據(jù)中心點與當(dāng)前該類別樣本的特征的差值，具體表示為下式：

u_j←u_j-αt(u_j-f(x_i))，y_i＝j(luò)

其中α是控制更新的系數(shù)，t是學(xué)習(xí)率。