[發明專利]基于強化學習和深度卷積神經網絡的人臉識別裝置及方法

在審

• 申請號: 202111129227.2
• 申請日: 2021-09-26
• 公開（公告）號: CN113822203A
• 公開（公告）日: 2021-12-21
• 發明（設計）人: 涂曉光;李軍輝;胡焱;劉建華;康朋新
• 申請（專利權）人: 中國民用航空飛行學院
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06N3/04;G06N3/08
• 代理公司: 成都厚為專利代理事務所(普通合伙) 51255
• 代理人: 王杰

本發明公開了一種基于強化學習和深度卷積神經網絡的人臉識別裝置及方法，人臉識別裝置包括主網絡塊、若干歸一化網絡和若干決策網絡，主網絡包括若干順次連接的主網絡塊；主網絡塊對輸入的人臉圖像和人臉特征進行特征提取，并輸出提取得到的人臉特征；歸一化網絡將對應的主網絡塊輸出的人臉特征歸一化到同一特征投影空間并輸出；決策網絡根據對應的歸一化網絡輸出的人臉特征，利用強化學習方法判斷是否繼續向前學習：若是，則將歸一化后的人臉特征輸入下一個主網絡塊；若否，則將歸一化后的人臉特征輸出進行人臉識別。本發明通過對當前人臉特征的識別能力進行判斷和選擇，從而使用足夠強的淺層特征進行識別，節省了大量的計算參數。

技術領域

本發明涉及圖像處理技術領域，特別是涉及一種基于強化學習和深度卷積神經網絡的人臉識別裝置及方法。

背景技術

人臉識別作為一種重要的生物特征識別技術，具有非接觸性、非侵入性、操作簡單、采集方便、交互性強、部署簡單等優勢。得益于這些優勢，人臉識別技術已經大規模的應用于我們的日常實際生活中，如人臉門禁、人臉視頻監控、人臉電子設備解鎖、人臉支付等。

經過學術界和企業界工作人員的不懈努力，當前的人臉識別算法在諸如光照影響、大姿態、遮擋、夸張表情等條件下均能取得不錯的識別效果。當前的高精度人臉識別算法普遍使用深度卷積神經網絡(Deep Convolutional Neural Network,DCNN)技術進行特征學習和提取。

然而DCNN的網絡架構較復雜、網絡層數較深、涉及的參數也較多，因此計算比較耗時，降低了人臉識別技術在便攜式設備上的應用價值。

發明內容

本發明的目的在于克服現有技術的一項或多項不足，提供一種基于強化學習和深度卷積神經網絡的人臉識別裝置及方法。

本發明的目的是通過以下技術方案來實現的：基于強化學習和深度卷積神經網絡的人臉識別裝置，包括主網絡塊、若干歸一化網絡和若干決策網絡，所述主網絡包括若干順次連接的主網絡塊，所述若干歸一化網絡與除最后一個主網絡塊以外的所有主網絡塊一一對應連接，所述若干決策網絡與所述若干歸一化網絡一一對應連接；

所述主網絡塊用于對輸入的人臉圖像和人臉特征進行特征提取，并輸出提取得到的人臉特征；

所述歸一化網絡用于將其對應的主網絡塊輸出的人臉特征歸一化到同一特征投影空間并輸出；

所述決策網絡用于根據其對應的歸一化網絡輸出的人臉特征，利用強化學習方法判斷是否繼續向前學習：若是，則將所述歸一化網絡輸出的人臉特征輸入下一個主網絡塊；若否，則將所述歸一化網絡輸出的人臉特征輸出進行人臉識別。

優選的，所述主網絡為深度殘差網絡。

優選的，所述特征歸一化網絡利用綜合歸一化損失函數對人臉特征進行歸一化處理，所述綜合歸一化損失函數為：

L_c＝L_e+λL_d

式中，λ是平衡特征歸一化損失函數L_e和身份判別損失函數L_d的權重因子；M表示主網絡的網絡塊數量；N表示的是訓練過程中每一個mini-batch的樣本數量；E(·)表示歸一化網絡的特征轉換過程，f_i,j表示每一個mini-batch所包含的第j個樣本經第i個主網絡塊所處理得到的特征，f_j表示的是每一個mini-batch所包含的第j個樣本經最后一個主網絡塊所得到的特征；L_Arc定義的是ArcFace人臉損失函數，用來提取人臉的身份信息。

優選的，所述決策網絡利用決策網絡損失函數進行訓練學習，所述決策網絡損失函數為：