[發明專利]一種聯合性別屬性訓練的人臉識別網絡模型構建方法

有效

• 申請號: 202010115979.2
• 申請日: 2020-02-25
• 公開（公告）號: CN111339931B
• 公開（公告）日: 2023-04-28
• 發明（設計）人: 黃俊潔;閆超;孫亞楠
• 申請（專利權）人: 四川翼飛視科技有限公司
• 主分類號: G06V40/16
• 分類號: G06V40/16;G06V10/82;G06N3/0464;G06N3/048;G06N3/084
• 代理公司: 成都佳劃信知識產權代理有限公司 51266
• 代理人: 史姣姣

本發明公開了一種聯合性別屬性訓練的人臉識別網絡模型構建方法，包括以下步驟：從前至后按卷積層、批正則化層、參數修正線性單元層和擠壓激活單元模塊的順序封裝成殘差塊，并以預設的數量復制依次排布；從前至后按照卷積層、批正則化層、參數修正線性單元層、數個殘差塊的順序依次堆疊，得到網絡塊；復制并依次排布以構成主干特征提取網絡結構；在主干特征提取網絡結構添加隨機失活層，并在尾端加入并行分支的標準全連接層和帶正則化的全連接層，得到網絡結構模型；求得輸出值的總損失值；采用帶動量的隨機梯度下降法優化網絡結構模型參數；設定迭代次數，并重復總損失值計算和網絡結構模型參數優化，直至獲得最優的人臉識別網絡模型。

技術領域

本發明涉及人臉識別技術領域，尤其是一種聯合性別屬性訓練的人臉識別網絡模型構建方法。

背景技術

近幾年，隨著計算機技術與深度學習技術的快速發展，人們的生活水平不斷得到提高。與此同時，人們開始更加注重個人隱私信息的安全性，已有的傳統身份鑒定方法已經不能滿足當代社會人們的需求了，比如證件、密碼等方式。這種安全需求推動了生物識別技術的發展，生物識別是計算機視覺技術中的熱門研究之一，主要是依據人類特有的一些生理特征(比如人臉、指紋、聲音等)通過模式識別算法進行身份鑒別。在生物識別技術中，人臉識別技術因其人臉特征的獨特性成為了極其重要的識別方法。人臉識別技術主要通過提取算法提取需要對比人臉的視覺特征信息，再進行身份鑒別，即使是雙胞胎的人臉相似度也無法達到100％，任何人臉都存在差異。所以，人臉識別技術被廣泛應用在身份驗證、公共安全等領域中，可以為個人身份驗證提供安全、方便、高效的解決方案。

但是，目前人臉識別技術主要通過學習可區別的特征或者使用損失函數強制將不同類別的人臉特征分開，將同類的人臉特征聚集。基于傳統圖像處理的技術大多依賴于手工特征，但手工特征受很多外界因素的制約，識別效果非常不好，而基于深度學習的技術在人臉識別領域出現了顯著的識別效果，與傳統的方法對比具有更強的泛化性。

目前，基于深度學習的人臉識別算法主要分為兩類：

第一類，是基于深度度量學習的人臉識別算法，這些算法將人臉識別看成距離度量問題，自動學習卷積神經網絡提取的人臉特征之間計算出來的距離度量，比如歐幾里得距離、曼哈頓距離。為了減小其他因素帶來的影響，可以通過損失函數優化參數，從而減小類內距離，增大類間距離，最常用的損失函數有對比損失和三元組損失。雖然這類算法簡潔、易于理解，但是訓練方式較為復雜，需要有經驗地挑選訓練樣本，并且網絡訓練時容易出現不收斂情況。

第二類，是基于間隔的人臉識別算法，這類算法的核心思想是通過對柔性最大值損失函數的改進，在計算損失值時加上間隔這個約束，從而得到更具有辨別力的損失函數，期望在特征空間上得到最大類內距離小于最小類間距離的結果。但是這類算法需視情況增減約束，施加太強的約束會大大降低算法的性能，或者在訓練時容易出現不收斂，反之，太弱的約束會使算法達不到期望的分類效果。

目前現有的基于深度學習的算法偏重于優化人臉特征的鄰接關系，忽略了人臉樣本之間的鄰接關系，從而會受樣本密度不均勻的影響，造成精度上的偏差。因此，急需要提出一種原理簡單、實施便捷的人臉識別訓練方案，以解決受外界因素影響的問題。

發明內容

針對上述問題，本發明的目的在于提供一種聯合性別屬性訓練的人臉識別網絡模型構建方法，本發明采用的技術方案如下：

一種聯合性別屬性訓練的人臉識別網絡模型構建方法，包括以下步驟：

從前至后按卷積層、批正則化層、參數修正線性單元層和擠壓激活單元模塊的順序封裝成殘差塊，并以預設的數量復制依次排布；

從前至后按照卷積層、批正則化層、參數修正線性單元層、數個殘差塊的順序依次堆疊，得到網絡塊；復制并依次排布網絡塊，以構成主干特征提取網絡結構；

在所述主干特征提取網絡結構添加隨機失活層，并在尾端加入并行分支的標準全連接層和帶正則化的全連接層，得到網絡結構模型；