[發明專利]人臉識別模型訓練和人臉識別方法、系統、設備及介質

有效

• 申請號: 201910369810.7
• 申請日: 2019-05-06
• 公開（公告）號: CN110084216B
• 公開（公告）日: 2021-11-09
• 發明（設計）人: 張震國;晉兆龍;吳劍平
• 申請（專利權）人: 蘇州科達科技股份有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62
• 代理公司: 上海隆天律師事務所 31282
• 代理人: 臧云霄;夏彬

1.一種人臉識別模型訓練方法，其特征在于，包括如下步驟：

S110：構建人臉識別模型，所述人臉識別模型包括：

特征提取層，用于提取輸入圖像的人臉特征；

全連接層，包括第一特征輸出層、第二特征輸出層和至少一個屬性輸出層，所述第一特征輸出層和第二特征輸出層用于輸出人臉特征，所述第一特征輸出層用于輸出人臉的特征表示向量，所述屬性輸出層用于輸出對應的人臉屬性的分類結果，所述特征提取層的輸出經過所述第一特征輸出層之后分別與所述第二特征輸出層和所述屬性輸出層的輸入相連接；

損失函數層，包括特征提取損失函數層和至少一個屬性損失函數層，所述第二特征輸出層的輸出與所述特征提取損失函數層的輸入相連接，所述第二特征輸出層用于將第一特征輸出層輸出的圖像特征輸入到所述特征提取損失函數層，所述屬性輸出層的輸出與所對應的屬性損失函數層的輸入相連接，所述屬性輸出層用于將第一特征輸出層輸出的圖像特征輸入到所述屬性損失函數層；

S120：采用包括多個訓練圖像的訓練集訓練所述人臉識別模型；

步驟S120包括如下步驟：

S121：獲取多個訓練圖像，采用多個屬性的類別分別對所述訓練圖像進行標注，將標注后的訓練圖像加入訓練集；

S122：采用所述訓練集訓練所述人臉識別模型；

步驟S122中，采用所述訓練集訓練所述人臉識別模型，包括如下步驟：

確定所述特征提取損失函數層和各個所述屬性損失函數層的權重；

結合交叉熵損失函數和softmax函數，分別計算所述特征提取損失函數層和各個所述屬性損失函數層的損失值；

利用梯度下降法訓練所述人臉識別模型，將所述特征提取損失函數層和各個所述屬性損失函數層的梯度加權求和作為梯度下降法反向傳播的梯度。

2.根據權利要求1所述的人臉識別模型訓練方法，其特征在于，所述人臉識別模型為卷積神經網絡模型，所述特征提取層包括輸入層、卷積層和池化層。

3.根據權利要求1所述的人臉識別模型訓練方法，其特征在于，所述特征提取損失函數層和屬性損失函數層分別為softmax函數與交叉熵損失函數結合的損失函數層。

4.根據權利要求1所述的人臉識別模型訓練方法，其特征在于，步驟S121中，獲取多個訓練圖像，包括如下步驟：

基于關鍵點對齊技術，進行訓練圖像對齊操作；

將所述訓練圖像歸一化成目標尺寸的圖像。

5.根據權利要求1所述的人臉識別模型訓練方法，其特征在于，所述交叉熵損失函數L滿足如下公式：

其中，j為損失函數層輸入數據的順序編號，y_j表示訓練圖像的標注，z_j為損失函數層的第j位輸入數據，L為計算得到的函數值；

p_j表示損失函數層輸出的訓練圖像屬于一類別的概率，通過如下sofmax函數公式計算得到：

其中，m為z_j的最大值。

6.一種人臉識別方法，其特征在于，包括如下步驟：

S210：將待識別的人臉圖像輸入權利要求1至5中任一項所述的人臉識別模型的特征提取層；

S220：獲取所述第一特征輸出層和各個所述屬性輸出層的輸出，所述第一特征輸出層的輸出為所述人臉圖像的人臉特征，各個所述屬性輸出層的輸出為所述人臉圖像對應于各個所述人臉屬性的分類結果。

7.一種人臉識別模型訓練系統，其特征在于，應用于權利要求1至5中任一項所述的人臉識別模型訓練方法，所述系統包括：

模型構建模塊，用于構建人臉識別模型；

圖像采集模塊，用于獲取多個訓練圖像，并將所述多個訓練圖像加入訓練集；

模型訓練模塊，用于采用所述訓練集訓練所述人臉識別模型。