[發(fā)明專利]基于抗噪聲元學習的人臉識別方法及系統(tǒng)

有效

• 申請?zhí)枺?/td>: 202010318301.4
• 申請日: 2020-04-21
• 公開（公告）號: CN111597907B
• 公開（公告）日: 2022-08-02
• 發(fā)明（設計）人: 鄭晨;何昭水;呂俊;黃德添;白玉磊;譚北海
• 申請（專利權）人: 廣東工業(yè)大學
• 主分類號: G06V40/16
• 分類號: G06V40/16;G06V10/764;G06K9/62;G06N20/00
• 代理公司: 廣州粵高專利商標代理有限公司 44102
• 代理人: 張金福

本發(fā)明公開了基于抗噪聲元學習的人臉識別方法及系統(tǒng)，首先準備人臉識別數(shù)據(jù)集，并且數(shù)據(jù)集中存在大量噪聲標簽，然后對數(shù)據(jù)進行預處理，生成噪聲標簽，并按照特定方法初始化權重參數(shù)；隨后構建人臉識別模型及其元學習模型學習策略并開始訓練以及進行權重參數(shù)的更新。在該過程中，訓練元學習模型并對其權重參數(shù)進行更新；最后采用元學習模型學習策略對人臉識別模型的參數(shù)進行優(yōu)化，將待識別人臉數(shù)據(jù)輸入優(yōu)化后的人臉識別模型，得到人臉識別結果。本發(fā)明可廣泛應用于基于各個大型人臉識別數(shù)據(jù)集，尤其是網(wǎng)絡上便于采集的、廉價的、具有不規(guī)則標簽噪聲的數(shù)據(jù)集的人臉識別。

技術領域

本發(fā)明涉及人臉識別技術領域，尤其涉及基于抗噪聲元學習的人臉識別方法及系統(tǒng)。

背景技術

人臉識別的應用范圍十分廣闊，如視頻監(jiān)控、簽到系統(tǒng)、人機交互等，由于其非強制性和非接觸性，并且直觀、簡便，使得人臉識別具有良好的發(fā)展前景。傳統(tǒng)的人臉識別的做法是采集人臉的圖像，從圖像中抽取人臉特征進行識別。隨后的發(fā)展中，基于支持向量機、基于小波變換、基于神經(jīng)網(wǎng)絡的人臉識別都不斷出現(xiàn)。隨著深度學習的發(fā)展，使用大樣本人臉圖像數(shù)據(jù)集訓練深層神經(jīng)網(wǎng)絡模型進行人臉識別逐漸成為主流方法。這些人臉識別需要龐大的數(shù)據(jù)集進行深度神經(jīng)網(wǎng)絡的訓練，而網(wǎng)絡中廉價的大數(shù)據(jù)樣本中會存在相當一部分的錯誤標簽，這會使得訓練的深度學習模型不穩(wěn)定，效果不佳。盡管可以過濾和除去錯誤的標簽，但這樣做代價很大。

發(fā)明內容

本發(fā)明為解決由于大型人臉識別數(shù)據(jù)集存在較多錯誤標簽，使得訓練后的人臉識別模型存在不穩(wěn)定，識別效果不佳的問題，提供了基于抗噪聲元學習的人臉識別方法及系統(tǒng)。

為實現(xiàn)以上發(fā)明目的，而采用的技術手段是：

基于抗噪聲元學習的人臉識別方法，包括以下步驟：

S1.獲取人臉數(shù)據(jù)集及其相應標簽，所述標簽中包括噪聲標簽及干凈標簽；

S2.對所述人臉數(shù)據(jù)集進行預處理，對于其中各人臉數(shù)據(jù)，生成合成噪聲標簽，且各人臉數(shù)據(jù)初始化為相同的權重參數(shù)；

S3.構建人臉識別模型及其元學習模型學習策略，所述人臉識別模型的輸入為待識別的人臉數(shù)據(jù)，輸出所述待識別的人臉數(shù)據(jù)的識別結果；所述元學習模型學習策略采用梯度下降算法更新人臉識別模型的權重參數(shù)；

S4.訓練元學習模型，并對其權重參數(shù)進行更新；

S5.采用元學習模型學習策略對所述人臉識別模型的參數(shù)進行優(yōu)化，將待識別人臉數(shù)據(jù)輸入優(yōu)化后的人臉識別模型，得到人臉識別結果。

優(yōu)選的，所述步驟S2具體包括步驟：從所述人臉數(shù)據(jù)集中采樣取得小批量人臉數(shù)據(jù)(X,Y)，其中X＝{x₁,…,x_k}是k個人臉數(shù)據(jù)，Y＝{y₁,…,y_k}是各人臉數(shù)據(jù)相應的噪聲標簽；對于每個噪聲標簽，生成多個噪聲標簽{Y′_1,…,Y′_M}，其分布與Y相似，從而一組生成的噪聲標簽Y′_m＝{y′_m1,…,y′_mk}；對于各人臉數(shù)據(jù)均初始化為相同的權重參數(shù)。

優(yōu)選的，所述步驟S4具體包括步驟：

S41.從含k個人臉數(shù)據(jù)的小批量人臉數(shù)據(jù)中隨機選擇若干個樣本，對于每個選定的樣本X_i，根據(jù)其所在小批量人臉數(shù)據(jù)對其相鄰的樣本進行排序；

S42.從中隨機選擇一個相鄰樣本x_i,以及該x_i最接近的前s個鄰居，并使用鄰居的標簽Y_i替換X_i的標簽，即得到生成的噪聲標簽