[發(fā)明專(zhuān)利]一種基于深度學(xué)習(xí)的多狀態(tài)人臉識(shí)別方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202110351460.9
• 申請(qǐng)日: 2021-03-31
• 公開(kāi)（公告）號(hào): CN113011370A
• 公開(kāi)（公告）日: 2021-06-22
• 發(fā)明（設(shè)計(jì)）人: 馬婧華;肖鑫;鄒政;汪靜姝;劉扶金
• 申請(qǐng)（專(zhuān)利權(quán)）人: 重慶理工大學(xué)
• 主分類(lèi)號(hào): G06K9/00
• 分類(lèi)號(hào): G06K9/00;G06K9/46;G06K9/62;G06N3/04;G06N3/08;G06T3/00
• 代理公司: 重慶博凱知識(shí)產(chǎn)權(quán)代理有限公司 50212
• 代理人: 張先蕓

本發(fā)明公開(kāi)了一種基于深度學(xué)習(xí)的多狀態(tài)人臉識(shí)別方法，包括：S1、獲取訓(xùn)練集；S2、將訓(xùn)練集輸入神經(jīng)網(wǎng)絡(luò)，完成對(duì)神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，訓(xùn)練神經(jīng)網(wǎng)絡(luò)的損失函數(shù)S3、獲取待識(shí)別圖像；S4、將待識(shí)別圖像輸入訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)，得到識(shí)別結(jié)果。與現(xiàn)有技術(shù)相比，本發(fā)明使用中心損失+softmax交叉熵?fù)p失作為總損失函數(shù)，可以明顯加快模型收斂速度。中心損失雖然不直接對(duì)距離進(jìn)行優(yōu)化，但它能夠保留之前的分類(lèi)模型，并為每個(gè)分類(lèi)指定一個(gè)類(lèi)別中心。這使得提取到的同類(lèi)圖像特征都靠經(jīng)類(lèi)別中心，不同類(lèi)的就會(huì)盡量遠(yuǎn)離，使人臉識(shí)別中區(qū)分更加明顯，進(jìn)而提高識(shí)別結(jié)果準(zhǔn)確性。

技術(shù)領(lǐng)域

本發(fā)明屬于圖像識(shí)別技術(shù)領(lǐng)域，具體涉及一種基于深度學(xué)習(xí)的多狀態(tài)人臉識(shí)別方法。

背景技術(shù)

人臉識(shí)別作為一項(xiàng)十分重要的技術(shù)，應(yīng)用于我們生活的許多方面，但是很多方式還是較為傳統(tǒng)，在識(shí)別效果和識(shí)別率上已經(jīng)逐漸無(wú)法滿(mǎn)足人們的需求。隨著深度學(xué)習(xí)日益升溫，而其又在人臉識(shí)別領(lǐng)域大放異彩，毫無(wú)疑問(wèn)，基于深度學(xué)習(xí)的人臉識(shí)別將會(huì)在人臉識(shí)別領(lǐng)域引起新一輪的技術(shù)革命。

在基于深度學(xué)習(xí)的人臉識(shí)別技術(shù)中，最重要的為人臉數(shù)據(jù)集、卷積神經(jīng)網(wǎng)絡(luò)以及損失函數(shù)三個(gè)部分。其中，Softmax損失函數(shù)為常用的損失函數(shù)，Softmax損失函數(shù)是邏輯函數(shù)的泛化，它能將二分類(lèi)推廣到多分類(lèi)，能將多分類(lèi)函數(shù)以概率的形式展現(xiàn)出來(lái)，不僅降低了訓(xùn)練難度，而且能讓多分類(lèi)問(wèn)題更容易收斂。但是Softmax不要求類(lèi)內(nèi)與類(lèi)間的距離，存在區(qū)分不明顯的問(wèn)題，從而使最終的識(shí)別結(jié)果準(zhǔn)確性較差。

綜上所述，如何使人臉識(shí)別中區(qū)分更加明顯，進(jìn)而提高識(shí)別結(jié)果準(zhǔn)確性，成為了本領(lǐng)域人員急需解決的問(wèn)題。

發(fā)明內(nèi)容

針對(duì)現(xiàn)有技術(shù)中存在的上述不足，本發(fā)明實(shí)際解決的問(wèn)題是：使人臉識(shí)別中區(qū)分更加明顯，進(jìn)而提高識(shí)別結(jié)果準(zhǔn)確性。

為解決上述技術(shù)問(wèn)題，本發(fā)明采用了如下的技術(shù)方案：

一種基于深度學(xué)習(xí)的多狀態(tài)人臉識(shí)別方法，包括：

S1、獲取訓(xùn)練集；

S2、將訓(xùn)練集輸入神經(jīng)網(wǎng)絡(luò)，完成對(duì)神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，訓(xùn)練神經(jīng)網(wǎng)絡(luò)的損失函數(shù)式中，λ表示超參數(shù)，m表示樣本數(shù)，x_i表示第i個(gè)樣本，y_i表示x_i對(duì)應(yīng)的類(lèi)別，表示y_i對(duì)應(yīng)的類(lèi)別中心，n表示類(lèi)別數(shù)，T表示轉(zhuǎn)置，W_j表示第j類(lèi)樣本權(quán)重向量，表示y_i類(lèi)樣本的權(quán)重系數(shù)；

S3、獲取待識(shí)別圖像；

S4、將待識(shí)別圖像輸入訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)，得到識(shí)別結(jié)果。

優(yōu)選地，步驟S1包括：

S1、獲取獲取原始數(shù)據(jù)集；

S2、利用鏡像、縮放、對(duì)比度變換、灰度變換、生成式對(duì)抗網(wǎng)絡(luò)中的任意一種或多種對(duì)原始數(shù)據(jù)集進(jìn)行數(shù)據(jù)增強(qiáng)，得到訓(xùn)練集。

優(yōu)選地，所述神經(jīng)網(wǎng)絡(luò)為Inception-ResNet-v2。

優(yōu)選地，所述神經(jīng)網(wǎng)絡(luò)中進(jìn)行特征對(duì)比之前，利用L2范數(shù)歸一化對(duì)特征數(shù)據(jù)進(jìn)行歸一化處理。

綜上所述，本發(fā)明與現(xiàn)有技術(shù)相比具有以下技術(shù)效果：

(1)使用中心損失+softmax交叉熵?fù)p失作為總損失函數(shù)，可以明顯加快模型收斂速度。中心損失雖然不直接對(duì)距離進(jìn)行優(yōu)化，但它能夠保留之前的分類(lèi)模型，并為每個(gè)分類(lèi)指定一個(gè)類(lèi)別中心。這使得提取到的同類(lèi)圖像特征都靠經(jīng)類(lèi)別中心，不同類(lèi)的就會(huì)盡量遠(yuǎn)離，使人臉識(shí)別中區(qū)分更加明顯，進(jìn)而提高識(shí)別結(jié)果準(zhǔn)確性。

(2)對(duì)獲取的原始數(shù)據(jù)集進(jìn)行了數(shù)據(jù)增強(qiáng)，從而得到訓(xùn)練集，能夠得到更多的訓(xùn)練樣本，從而達(dá)到更好的訓(xùn)練效果。