[發明專利]一種人臉識別深度網絡訓練方法和系統

有效

• 申請號: 201811330712.4
• 申請日: 2018-11-09
• 公開（公告）號: CN109583322B
• 公開（公告）日: 2020-07-17
• 發明（設計）人: 陳俊逸
• 申請（專利權）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: 北京辰權知識產權代理有限公司 11619
• 代理人: 劉廣達

本發明提供了一種人臉識別深度網絡訓練方法和系統，基于類別中心點排序學習，包括：收集人臉圖片并進行標注，構建人臉識別數據集；檢測人臉和關鍵點，并用關鍵點進行人臉對齊；構造深度神經網絡；構造類別中心點更新策略和基于類別中心點的排序損失，結合分類損失進行深度網絡的訓練；利用訓練好的深度神經網絡模型進行人臉特征提取，利用人臉特征之間的相似度進行人臉識別。本發明通過排序學習來進行深度網絡的訓練，使得樣本不僅能夠靠近自己的中心點，還能盡可能的遠離其他中心點，從而得到更有區分性的特征表示；本發明利用多個類別的中心點信息，具有較快收斂速度。同時著重優化與樣本相似的難以區分的類別中心，能夠有效的增強人臉識別的精度。

技術領域

本發明涉及人臉識別技術領域，具體來說涉及一種基于類別中心點排序學習的人臉識別深度網絡訓練方法和系統。

背景技術

人臉識別技術是生物特征識別的一種，具有非接觸性、快速性和準確性，廣泛應用于門禁、監控、金融、零售和娛樂等行業。隨著技術和應用的發展，人臉數據的規模也逐漸增大，同時人臉圖像容易受到光照、姿態、表情、遮擋和清晰度等因素的影響，當前大規模和無約束的人臉識別仍然是一個具有挑戰性的問題。

早期的人臉識別技術主要采用手工設計的特征提取方法，如LBP和HOG等，再使用淺層的分類器進行人臉的驗證和識別。傳統手工方法的特征表示能力有限，識別效果很容易受到環境影響，主要用于配合式的和光照良好的應用場景。

近年來，得益于計算能力的提升和人臉數據規模的增加，深度學習成功應用于人臉識別技術中，使得人臉識別的精度的不斷提高。深度學習采用多層神經網絡結構，能夠學習多個抽象層次的特征表示。在人臉識別任務中，深度網絡的高層抽象表示對于人臉姿態、表情和光線有著更高的容忍度，能夠部分解決非約束環境的人臉識別問題。

目前該領域已經申請的專利有中國發明專利公開號CN106951867A和CN107103281A。CN106951867A(基于卷積神經網絡的人臉識別方法、裝置、系統及設備)公開了一種基于卷積神經網絡的人臉識別方法、裝置、系統及設備，方法包括以下步驟：S1：人臉檢測，采用多層CNN特征架構；S2：關鍵點定位，采用深度學習中級聯多個基準框回歸網絡來得到人臉關鍵點位置；S3：預處理，獲得固定大小的人臉圖像；S4：特征提取，經過特征提取模型得到特征代表向量；S5：特征比對，根據閾值判定相似性或根據距離排序給出人臉識別結果。其采用softmax分類損失，具有算法簡單和訓練速度快的優點，但是類別之間的區分度不夠好，特征表達的可判別性不夠高。

CN107103281A(基于聚集損失深度度量學習的人臉識別方法)公開了一種基于聚集損失深度度量學習的人臉識別方法，步驟：1)對訓練圖像進行預處理；2)用預處理過的圖像對深度卷積神經網絡進行預訓練，采用softmax損失作為損失函數，引入關鍵點池化技術；3)將所有訓練圖像輸入預訓練好的模型，計算每個類的初始類中心；4)利用聚集損失對預訓練好的模型進行精調，經過迭代更新網絡參數和類中心，使得每類樣本向類中心聚集，同時增大不同類中心之間的間距，從而學習到魯棒的有判別性的人臉特征表達。5)應用時，對輸入圖像進行預處理，分別輸入到訓練好的網絡模型提取特征表達，通過計算不同人臉之間的相似度，實現人臉識別。其采用度量學習的算法，能夠學習更具有區分性特征，但是該方法在訓練過程中沒有特別的針對相似類別進行優化，同時該方法使用的聚類損失的收斂速度比較慢，訓練時間過長。

發明內容

為了解決現有技術中人臉識別深度網絡的訓練針對性不強，難以區分比較相似的人臉的問題，本發明提出基于排序學習的深度網絡訓練方法。該方法的流程如下：

收集人臉圖片并進行標注，構建人臉識別數據集；

人臉檢測和關鍵點檢測，并用關鍵點進行人臉對齊；

構造一個深度神經網絡；

構造類別中心點更新策略和基于類別中心點的排序損失，結合分類損失進行深度網絡的訓練；