[發明專利]一種實時更新余弦夾角損失函數參數的人臉識別方法

有效

• 申請號: 202110236301.4
• 申請日: 2021-03-03
• 公開（公告）號: CN112597979B
• 公開（公告）日: 2021-06-01
• 發明（設計）人: 黎晨陽;陸易;何鵬飛;徐曉剛;王軍
• 申請（專利權）人: 之江實驗室
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06N3/04;G06N3/08
• 代理公司: 杭州求是專利事務所有限公司 33200
• 代理人: 邱啟旺

本發明提出了一種實時更新余弦夾角損失函數參數的人臉識別方法，屬于計算機視覺中的人臉識別領域。該方法包括：（1）收集人臉圖像，并將人臉圖像按個體分類，并對每個人臉圖像進行數據標注；（2）對人臉圖像進行圖像預處理，得到人臉圖像數據集；（3）初始化余弦夾角損失函數的的余弦值放大尺度和余弦夾角間隔；（4）將圖像數據集送入卷積神經網絡，實時計算更新余弦值放大尺度和余弦夾角間隔，直至完成對卷積神經網絡的訓練，（5）將需要進行比對判斷的人臉圖像輸入訓練好的卷積神經網絡中，輸出人臉特征向量，用于進行人臉識別匹配。本發明的人臉識別方法具有訓練收斂速度快，識別準確率高的特點。

技術領域

本發明屬于計算機視覺中的人臉識別領域，尤其涉及到一種基于自適應學習機制實時更新余弦夾角損失函數參數的人臉識別方法。

背景技術

隨著計算機視覺技術的發展以及日漸增長的智能安防、電子商務等需求，人臉識別技術成為人工智能應用產品落地最為廣泛的一個領域。使用深度學習方法的人臉識別技術核心在于通過卷積神經網絡（CNN）抽象化出人臉圖像的特征，用于計算人臉圖像之間的相似度，進而實現人臉識別的功能。

在人臉識別的實際應用中，往往受到攝像頭成像、光照、面部遮擋等因素的影響，造成識別能力下降，從而影響最終識別結果。特別在金融、安防等重要場景，錯誤的人臉識別結果可能造成不可估量的影響。因而如何訓練出一個能精確提取人臉特征的卷積神經網絡成為計算機視覺技術中心一個重要的研究課題。在卷積神經網絡訓練過程中，損失函數的選取對最終的特征提取能力有決定性的影響。為了提升人臉識別模型的判別性能，近年來一系列加入間隔抑制的余弦夾角損失函數，如A-Softmax，CosFace, ArcFace開始成為訓練人臉識別模型的主流方法。這些余弦夾角損失函數的共同之處在于均使用了余弦角間隔和對余弦值尺度放大的方式進行模型訓練，然而模型的余弦角間隔值和余弦值放大的尺度值需要在訓練前預先確定。這兩個參數對模型訓練的最終結果有決定性的影響，過小的參數值會造成模型的判別能力變弱，而過大的參數值雖然有利于提升模型的最終能力，但在訓練初期會導致模型難以收斂。目前主流的做法是在人臉識別模型的訓練任務中針對不同的參數選取進行多組對比性實驗，依據實驗結果選取合適的參數取值。然而這種方式隨機性大，而且隨著訓練數據的迭代變換，之前獲取的最佳取值可能會不適用于新的數據與網絡。在網絡訓練的過程中，訓練早期模型性能較弱，需要較小的參數值來幫助模型快速收斂，而在訓練后期模型性能逐漸增強，這時需要更大的參數值來加強模型的判別能力。

為了解決上述問題，如何設計一種隨著網絡訓練進程自動更新參數的余弦夾角損失函數成為進一步提升人臉識別模型性能的一個重要方向。

發明內容

本發明的目的在于針對現有技術的不足，提出了一種實時更新余弦夾角損失函數參數的人臉識別方法，用于人臉識別模型的訓練。擺脫了傳統余弦夾角損失函數需要預先確定間隔值和尺度值的限制，該人臉識別方法適用于不同的人臉識別網絡和數據集，并且能隨著訓練進程自適應地調節參數值，加速卷積神經網絡的收斂，該方法的人臉識別能力更強。

本發明為實現上述目的，采用了以下技術方案：一種實時更新余弦夾角損失函數參數的人臉識別方法，包括以下步驟：

（1）收集人臉圖像，并將人臉圖像按個體進行分類，并按照分類的結果對每個人臉圖像進行數據標注；

（2）將步驟（1）收集的人臉圖像進行水平翻轉、去噪、亮度增強和對比度增強處理后，得到人臉圖像數據集，將所述人臉圖像數據集分批；

（3）初始化余弦夾角損失函數的余弦值放大尺度和余弦夾角間隔，根據初始化的余弦值放大尺度和余弦夾角間隔，得到余弦夾角損失函數；