[發明專利]一種基于聯合損失函數的遮擋人臉的識別方法

在審

• 申請號: 202010115980.5
• 申請日: 2020-02-25
• 公開（公告）號: CN111353411A
• 公開（公告）日: 2020-06-30
• 發明（設計）人: 盧麗;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: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04
• 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

1.一種基于聯合損失函數的遮擋人臉的識別方法，其特征在于，包括以下步驟：

采集YALE數據集、ORL數據集和AgeDB數據集的RGB人臉圖像，將所述RGB人臉圖像分為訓練集和測試集；根據訓練集隨機生成1/4人臉遮擋部位的人臉圖像，并對所述1/4人臉遮擋部位的人臉圖像進行垂直和水平翻轉；

將所述1/4人臉遮擋部位的人臉圖像輸入至Resnet殘差網絡，以提取人臉的高維特征；

將人臉的高維特征輸入至聯合損失函數層，以分離得到數個聚類的高維圖像特征；所述聯合損失函數層的聯合損失函數L_u的表達式為：

L_u＝L_s+λL_a

其中，λ表示兩個損失函數的權重參數，L_s表示softmax損失函數，所述L_a表示屬性損失函數；

計算測試集與Resnet殘差網絡中高維圖像特征的歐式距離，并設定距離閥值，若歐式距離大于距離閥值，則為同一人；否則為不同的人。

2.根據權利要求1所述的一種基于聯合損失函數的遮擋人臉的識別方法，其特征在于，還包括：

在所述1/4人臉遮擋部位的人臉圖像輸入至Resnet殘差網絡之前，將人臉圖像分為遮擋圖像和非遮擋圖像，標記對應屬性的標簽，并分別劃分對應的測試集和訓練集，以獲取網絡模型訓練和測試的樣本；

將帶有標記的訓練樣本輸入Resnet殘差網絡中，通過聯合損失函數得到最優的人臉識別的模型。

3.根據權利要求1所述的一種基于聯合損失函數的遮擋人臉的識別方法，其特征在于，所述人臉的高維特征輸入至聯合損失函數層時，加入人臉的年齡、種族和性別屬性。

4.根據權利要求1所述的一種基于聯合損失函數的遮擋人臉的識別方法，其特征在于，所述Resnet殘差網絡包括依次連接的4個卷積層、4個歸一化層、16個殘缺塊和2個全連接層；且倒數第二個全連接層內將softmax損失函數和屬性損失函數結合得到聯合損失函數L_u。

5.根據權利要求1所述的一種基于聯合損失函數的遮擋人臉的識別方法，其特征在于，所述聯合損失函數L_u的構建過程如下：

所述softmax損失函數的表達是為：

其中，f(·)表示殘差網絡學習的特征向量；w和b分別表示殘差網絡學習的權重和偏置項；x_i表示第i個樣本的人臉的特征值；N表示圖片的數目；n表示分類的數目；人臉圖像(x_i，x_j)表示通過f(·)映射得到深度特征(f_i，f_j)；

所述屬性損失函數的表達式為：

其中，p_i表示在人臉圖像x_i中增加的屬性；G是訓練的矩陣參數；d(p_i，p_j)是特征向量p_i和p_j的距離；τ是用戶自定義閾值；f_i和f_j分別表示殘差網絡學習到的特征映射；L_a表示人臉屬性損失函數；

所述聯合損失函數的表達為：

L_u＝L_s+λL_a

其中，λ表示兩個損失函數的權重參數，L_s表示softmax損失函數，所述L_a表示屬性損失函數。

6.根據權利要求5所述的一種基于聯合損失函數的遮擋人臉的識別方法，其特征在于，將帶有標記的訓練樣本輸入Resnet殘差網絡中，通過聯合損失函數得到最優的人臉識別的模型，包括以下步驟：

利用卷積層上的卷積核提取人臉圖像的數個高維特征，并利用殘差網絡的權重和偏置項得到網絡的特征圖；

利用聯合損失函數計算獲得Resnet殘差網絡的損失值；

計算網絡模型反向傳播的梯度；

采用梯度下降算法更新網絡節點的參數，并得到最優的人臉識別的模型。