[發(fā)明專利]神經(jīng)網(wǎng)絡(luò)訓(xùn)練方法、人臉識別方法及系統(tǒng)和存儲介質(zhì)

有效

• 申請?zhí)枺?/td>: 201811630038.1
• 申請日: 2018-12-28
• 公開（公告）號: CN109711358B
• 公開（公告）日: 2020-09-04
• 發(fā)明（設(shè)計）人: 孔彥;吳富章;趙宇航;趙玉軍;王黎明
• 申請（專利權(quán)）人: 北京遠(yuǎn)鑒信息技術(shù)有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62
• 代理公司: 北京超凡志成知識產(chǎn)權(quán)代理事務(wù)所(普通合伙) 11371
• 代理人: 王文紅

本申請?zhí)峁┥窠?jīng)網(wǎng)絡(luò)訓(xùn)練方法、人臉識別方法及系統(tǒng)和存儲介質(zhì)，涉及人臉識別領(lǐng)域。本申請的神經(jīng)網(wǎng)絡(luò)訓(xùn)練方法包括：根據(jù)參考特征向量通過卷積層的輸出向量調(diào)整全連接層的權(quán)向量；根據(jù)特征向量通過損失函數(shù)層得到的損失值，按照指定的優(yōu)化算法，優(yōu)化卷積層的參數(shù)得到最終卷積層參數(shù)。相應(yīng)的，基于本申請?zhí)峁┑纳窠?jīng)網(wǎng)絡(luò)的訓(xùn)練方法，本申請還提供了一種人臉識別方法。本申請?zhí)峁┑娜四樧R別方法比起現(xiàn)有技術(shù)，當(dāng)訓(xùn)練過程中的參考圖像與樣本圖像數(shù)量嚴(yán)重失衡，或參考圖像與樣本圖像的拍攝場景具有顯著差異時，人臉識別的效果和準(zhǔn)確率得到了很大的提升；同時，在一些通用的人臉識別應(yīng)用場景中，本申請實施例的人臉識別方法也有很好的人臉識別效果。

技術(shù)領(lǐng)域

本申請涉及人臉識別技術(shù)領(lǐng)域，具體而言，涉及神經(jīng)網(wǎng)絡(luò)訓(xùn)練方法、人臉識別方法及系統(tǒng)和存儲介質(zhì)。

背景技術(shù)

人臉識別是一種基于人類臉部表象特征來鑒別不同人身份的技術(shù)，應(yīng)用場景廣泛，相關(guān)研究和應(yīng)用已有數(shù)十年之久。隨著近年來大數(shù)據(jù)和深度學(xué)習(xí)等相關(guān)技術(shù)的發(fā)展，人臉識別效果有了突飛猛進的提高，在身份認(rèn)證、視頻監(jiān)控、美顏娛樂等場景應(yīng)用愈加廣泛。其中，人證比對問題，即在標(biāo)準(zhǔn)證件照與生活照之間的人臉識別問題，由于識別目標(biāo)人僅需要在數(shù)據(jù)庫中部署其證件照，免去了目標(biāo)人在系統(tǒng)中采集生活照進行注冊的麻煩，正得到越來越多的關(guān)注。

現(xiàn)有技術(shù)的人臉識別模型，在一些通用的人臉識別場景中，具有很好的人臉識別效果和準(zhǔn)確率。但在一些人臉識別應(yīng)用場景中，例如人證比對的應(yīng)用場景中，參考圖像與樣本圖像數(shù)量嚴(yán)重失衡，或參考圖像與樣本圖像的拍攝場景具有顯著差異時，現(xiàn)有技術(shù)人臉識別方法的人臉識別效果和準(zhǔn)確率非常的低。

發(fā)明內(nèi)容

本發(fā)明實施例提供的神經(jīng)網(wǎng)絡(luò)訓(xùn)練方法、人臉識別方法及系統(tǒng)和存儲介質(zhì)，可以解決現(xiàn)有技術(shù)中存在的，當(dāng)參考圖像與樣本圖像數(shù)量嚴(yán)重失衡或參考圖像與樣本圖像的拍攝場景具有顯著差異時，人臉識別準(zhǔn)確率低的問題。

為了實現(xiàn)上述目的，本發(fā)明實施例采用的技術(shù)方案如下：

第一方面，本申請實施例提供了一種神經(jīng)網(wǎng)絡(luò)訓(xùn)練方法，所述神經(jīng)網(wǎng)絡(luò)包括依次連接的卷積層、全連接層和損失函數(shù)模塊，在單次迭代訓(xùn)練的過程中，所述方法包括：

獲取T個特征向量，所述T個特征向量包括D個參考人臉圖像的特征向量和M個樣本人臉圖像的特征向量，其中，所述參考人臉圖像的特征向量個數(shù)D與所述全連接層的權(quán)向量個數(shù)相同，所述M個樣本人臉圖像中的每個樣本人臉圖像與所述D個參考人臉圖像中的一個參考人臉圖像為同一個人的人臉圖像，T等于D和M的和，且T、D、M均為正整數(shù)；將所述全連接層的學(xué)習(xí)率設(shè)為零；將所述T個特征向量中的第t個特征向量輸入到神經(jīng)網(wǎng)絡(luò)中，經(jīng)過所述卷積層的處理，得到第t個輸出特征向量，其中，t為大于等于1且小于等于T的整數(shù)，所述第t個特征向量是所述T個特征向量中的參考人臉圖像的特征向量或樣本人臉圖像的特征向量；將所述第t個輸出特征向量在全連接層中進行歸一化處理，得到第t個歸一化后的輸出特征向量；判斷所述第t個特征向量是否為參考人臉圖像的特征向量，當(dāng)所述第t個特征向量是參考人臉圖像的特征向量時，根據(jù)所述第t個歸一化后的輸出特征向量，調(diào)整所述全連接層歸一化后的權(quán)矩陣，所述全連接層歸一化后的權(quán)矩陣由D個列向量組成；在所述全連接層中，根據(jù)所述歸一化后的輸出向量和所述全連接層歸一化后的權(quán)矩陣，得到第t個分類向量；將所述第t個分類向量輸入到損失函數(shù)模塊中，判斷所述損失函數(shù)模塊中的所述分類向量數(shù)量個數(shù)是否達到N_n個，n、N_n為大于等于1，小于等于T的整數(shù)，n個N_n求和等于T；當(dāng)所述損失函數(shù)模塊中的所述分類向量數(shù)量達到N_n個時，所述損失函數(shù)模塊根據(jù)所述N_n個所述分類向量，得到第n個損失函數(shù)值，根據(jù)第n個損失函數(shù)值，按照指定的優(yōu)化算法，優(yōu)化所述卷積層的參數(shù)，并清空所述損失函數(shù)模塊的所述分類向量；按照t依次取1到T執(zhí)行上述各步驟后，得到所述卷積層的目標(biāo)參數(shù)。