[發(fā)明專利]一種人臉識(shí)別神經(jīng)網(wǎng)絡(luò)訓(xùn)練方法、系統(tǒng)、設(shè)備及儲(chǔ)存介質(zhì)

在審

• 申請(qǐng)?zhí)枺?/td>: 202010830795.4
• 申請(qǐng)日: 2020-08-18
• 公開（公告）號(hào): CN111967392A
• 公開（公告）日: 2020-11-20
• 發(fā)明（設(shè)計(jì)）人: 楊英儀
• 申請(qǐng)（專利權(quán)）人: 廣東電科院能源技術(shù)有限責(zé)任公司
• 主分類號(hào): G06K9/00
• 分類號(hào): G06K9/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京集佳知識(shí)產(chǎn)權(quán)代理有限公司 11227
• 代理人: 楊小紅

本發(fā)明公開了一種人臉識(shí)別神經(jīng)網(wǎng)絡(luò)訓(xùn)練方法、系統(tǒng)、設(shè)備及儲(chǔ)存介質(zhì)，方法包括以下步驟：獲取人臉圖像作為訓(xùn)練集與測(cè)試集，將人臉識(shí)別神經(jīng)網(wǎng)絡(luò)的損失函數(shù)與自適應(yīng)附加損失函數(shù)相結(jié)合；將經(jīng)過預(yù)處理的訓(xùn)練集輸入到人臉識(shí)別神經(jīng)網(wǎng)絡(luò)中進(jìn)行訓(xùn)練；將測(cè)試集輸入到訓(xùn)練好的人臉識(shí)別神經(jīng)網(wǎng)絡(luò)中，驗(yàn)證訓(xùn)練好的人臉識(shí)別神經(jīng)網(wǎng)絡(luò)的識(shí)別準(zhǔn)確率；本發(fā)明在對(duì)人臉識(shí)別神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練時(shí)，將損失函數(shù)與自適應(yīng)附加損失函數(shù)相結(jié)合得到最終損失函數(shù)，通過最終損失函數(shù)縮短了人臉圖像進(jìn)行分類時(shí)的類內(nèi)距離，增加了分類時(shí)的類間距離，同時(shí)兼顧多樣本類和少樣本類的平衡，在樣本分布不平衡時(shí)，能夠保證人臉識(shí)別神經(jīng)網(wǎng)絡(luò)的泛化性能，提高人臉識(shí)別的準(zhǔn)確率和可靠程度。

技術(shù)領(lǐng)域

本發(fā)明涉及圖像識(shí)別領(lǐng)域，尤其涉及一種人臉識(shí)別神經(jīng)網(wǎng)絡(luò)訓(xùn)練方法、系統(tǒng)、設(shè)備及儲(chǔ)存介質(zhì)。

背景技術(shù)

人臉識(shí)別是近些年應(yīng)用最為廣泛的生物識(shí)別技術(shù)之一，在視頻監(jiān)控、身份確認(rèn)、電子支付、刑偵案件等領(lǐng)域都有著越來越多的應(yīng)用，隨著應(yīng)用場(chǎng)景越來越多，越來越復(fù)雜，人臉識(shí)別的速度和準(zhǔn)確率顯得越來越重要，不斷提高人臉識(shí)別算法的速度和準(zhǔn)確率是當(dāng)前人工智能領(lǐng)域的研究熱點(diǎn)之一。

目前人臉識(shí)別應(yīng)用場(chǎng)景越來越復(fù)雜，數(shù)據(jù)越來越多，人們對(duì)人臉識(shí)別算法的準(zhǔn)確率要求也越來越高。影響人臉識(shí)別效果的因素有很多，例如距離、表情、光照、遮擋，一個(gè)好的人臉識(shí)別算法應(yīng)該能夠應(yīng)對(duì)各種場(chǎng)景，傳統(tǒng)的圖像識(shí)別算法已經(jīng)無法滿足，只有利用深度神經(jīng)網(wǎng)絡(luò)才能解決該問題。通常情況下，影響一個(gè)深度神經(jīng)網(wǎng)絡(luò)效果因素有三個(gè)——樣本、網(wǎng)絡(luò)結(jié)構(gòu)、損失函數(shù)。由于樣本和網(wǎng)絡(luò)結(jié)構(gòu)在該領(lǐng)域已經(jīng)較為成熟，因此從損失函數(shù)角度進(jìn)行優(yōu)化就成為提高算法性能的一個(gè)重要方向。關(guān)于損失函數(shù)對(duì)網(wǎng)絡(luò)的影響，最直觀的就是通過計(jì)算損失反向傳播來實(shí)現(xiàn)對(duì)模型參數(shù)的更新，不同的損失函數(shù)可以使模型更加側(cè)重于學(xué)習(xí)到數(shù)據(jù)某一方面的特性，并在之后能夠更好地提取到這一“獨(dú)有”特征，因此損失函數(shù)對(duì)于網(wǎng)絡(luò)優(yōu)化有導(dǎo)向性作用。近年來優(yōu)化損失函數(shù)對(duì)人臉識(shí)別的最終效果有很大幫助，從CenterLoss的提出，到SphereFace，ArcFace，更合適的損失函數(shù)能夠?qū)λ惴ǖ淖罱K效果有顯著影響。

傳統(tǒng)的損失函數(shù)Softmax主要考慮是否能夠正確的分類，缺乏類內(nèi)和類間距的約束，導(dǎo)致算法在人臉識(shí)別場(chǎng)景中效果并不理想。基于此，前人提出了多種優(yōu)化方法，比較重要的有CenterLoss、SphereFace、ArcFace等。CenterLoss為每一個(gè)類別提供一個(gè)類別中心，并最小化各個(gè)樣本與各自的類別中心之間的距離；SphereFace在Softmax基礎(chǔ)上將權(quán)重歸一化，并試圖從角度上去區(qū)分不同類別；ArcFace用角度距離替換了余弦距離，強(qiáng)化了其對(duì)角度的影響，使得準(zhǔn)確率有了更進(jìn)一步的提升。這些損失函數(shù)主要都是基于增大不同類別之間的特征邊界來增強(qiáng)識(shí)別能力的，它們有一個(gè)隱含的假設(shè)，即所有類的樣本分布都相同。然而，現(xiàn)有數(shù)據(jù)中存在著嚴(yán)重的樣本不平衡問題。對(duì)于那些樣本豐富且類別內(nèi)部差異較大的類，現(xiàn)有訓(xùn)練樣本所在空間可以代表其所有樣本的真實(shí)分布，但是對(duì)于那些樣本很少的類，現(xiàn)有樣本所在空間可能只是此類真實(shí)分布的一小部分。因此，當(dāng)為所有類設(shè)置統(tǒng)一的margin時(shí)，少樣本類的特征分布可能不會(huì)像大樣本類那樣緊湊，從而導(dǎo)致泛化性能不好，使得訓(xùn)練出來的人臉識(shí)別神經(jīng)網(wǎng)絡(luò)對(duì)人臉識(shí)別的準(zhǔn)確率較低。

綜上所述，現(xiàn)有技術(shù)中人臉識(shí)別神經(jīng)網(wǎng)絡(luò)時(shí)所采用的損失函數(shù)，只適用于所有類的樣本分布都相同的情況，當(dāng)樣本分布不平衡時(shí)，訓(xùn)練出來的人臉識(shí)別神經(jīng)網(wǎng)絡(luò)存在著人臉識(shí)別的準(zhǔn)確率較低的技術(shù)問題。

發(fā)明內(nèi)容

本發(fā)明提供了一種人臉識(shí)別神經(jīng)網(wǎng)絡(luò)訓(xùn)練方法、系統(tǒng)、設(shè)備及儲(chǔ)存介質(zhì)，用于解決現(xiàn)有技術(shù)中人臉識(shí)別神經(jīng)網(wǎng)絡(luò)時(shí)所采用的損失函數(shù)，只適用于所有類的樣本分布都相同的情況，當(dāng)樣本分布不平衡時(shí)，訓(xùn)練出來的人臉識(shí)別神經(jīng)網(wǎng)絡(luò)存在著人臉識(shí)別的準(zhǔn)確率較低的技術(shù)問題。

本發(fā)明提供的一種人臉識(shí)別神經(jīng)網(wǎng)絡(luò)訓(xùn)練方法，包括以下步驟：

獲取標(biāo)注有人物身份的人臉圖像，將獲取到的人臉圖像劃分為訓(xùn)練集與測(cè)試集，對(duì)訓(xùn)練集進(jìn)行預(yù)處理；