[發明專利]一種特征碼轉換網絡模型的構建方法

在審

• 申請號: 202110200916.1
• 申請日: 2021-02-23
• 公開（公告）號: CN112733810A
• 公開（公告）日: 2021-04-30
• 發明（設計）人: 盧麗;閆超;胡二建
• 申請（專利權）人: 成都市威虎科技有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 鄭州宏海知識產權代理事務所(普通合伙) 41184
• 代理人: 李曉

本發明公開了一種特征碼轉換網絡模型的構建方法，首先構建深度神經網絡模型；將源特征碼、目標特征碼以及人臉身份標識號組成一一對應的樣本集，按一定比例分成訓練集和測試集；對構建的深度神經網絡模型進行訓練；采用優化器優化余弦夾角損失值和分類損失值，得到精度最高的深度神經網絡模型；向性能最優的深度神經網絡模型輸入需轉換的特征碼，模型輸出轉換后的特征碼。本發明提通過構建簡單的網絡模型，將源特征碼投影到一個更高維的特征空間中映射得到近似目標特征碼的特征碼，完成特征碼的轉換，并且為了減弱特征變換過程導致的信息損失，采用多任務學習的機制在任務之間互相彌補不足的信息，提高模型性能，增強模型的表達能力。

技術領域

本發明涉及人臉識別技術領域，特別是一種特征碼轉換網絡模型的構建方法。

背景技術

隨著人工智能技術的迅猛發展，許多智能設備來到了人們的周邊，處處方便了人們的生活。與此同時，在使用設備的時候，會出現繁多的個人信息交換，所以人們也開始特別關注自身的信息安全。人們的這份安全意識推進了身份驗證技術的發展，使其成為個人信息識別過程中普遍出現的流程，如各個應用中使用的人臉、指紋識別等等。

人臉識別技術因其人臉特征具有易采集、非接觸等優勢在生物識別技術中占據了非常重要的地位。近幾年，基于深度學習技術衍生出的人臉識別技術逐漸成為主流方向，主要思想是通過構建深度神經網絡提取人臉圖像的卷積特征進行分類識別，卷積特征擁有更加豐富的語義性和更強的識別能力。利用人臉識別技術研發出的產品可以給用戶提供友好的體驗，并且發展之后的技術識別快速、精準，因此，被廣泛使用在安全防護、門禁系統、支付系統等領域。

目前，針對每一張人臉圖像，通過不同的人臉識別技術得到的特征碼是不同的，所以每一部人臉識別設備的應用層對應一套特征碼，當特征碼更換時，也要修改應用層的部署，大大降低便捷性，浪費人力成本。因此，急需提出一種可擴展性強、易操作的特征碼轉換方式。

發明內容

本發明的目的是要解決不同人臉識別模型之間不能通用的問題，提供一種特征碼轉換網絡模型的構建方法。

為達到上述目的，本發明是按照以下技術方案實施的：

一種特征碼轉換網絡模型的構建方法，包括以下步驟：

S1、構建深度神經網絡模型；

S2、將源特征碼、目標特征碼以及人臉身份標識號組成一一對應的樣本集，按一定比例分成訓練集和測試集；

S3、對構建的深度神經網絡模型進行訓練，將源特征碼作為輸入、目標特征碼作為輸出，利用深度神經網絡模型提取源特征碼的深度特征信息，最后利用損失函數計算預測得到的特征碼與目標特征碼之間的余弦夾角損失值，以及計算分類損失值；

S4、開始訓練時隨機初始化模型中的權重參數，設定相關超參數，采用優化器優化余弦夾角損失值和分類損失值，根據設定的迭代次數重復計算，直至余弦夾角損失值和分類損失值收斂，得到精度最高的深度神經網絡模型；

S5、向性能最優的深度神經網絡模型輸入需轉換的特征碼，模型輸出轉換后的特征碼。

進一步地，所述步驟S1中，深度神經網絡模型的網絡結構為從前至后以卷積層、批歸一化層、激活函數層按順序組成一塊，共堆疊8塊，然后連接兩個并行的全連接層，一個負責對類別進行分類，另一個負責優化預測特征碼和目標特征碼之間的夾角損失。

進一步地，所述卷積層設置為8個，所述卷積層的卷積核大小為 1×1，步長為1。

優選地，所述激活函數層采用參數修正線性單元層。

進一步地，所述步驟S3中，損失函數為分類類別損失函數和映射損失函數；

所述分類類別損失函數采用柔性最大值損失函數，分類類別損失函數的計算公式如下：