[发明专利]一种基于深度卷积神经网络的二维人脸识别模型的训练方法

说明书

技术领域

本发明涉及的是一种模式识别中的生物特征识别领域，主要涉及一种基于深度卷积神经网络的二维人脸识别模型的训练方法。

背景技术

人脸识别主要用于身份识别，特别是近年来随着计算机技术、图像处理技术、模式识别技术等快速进步，而出现的一种崭新的生物特征识别技术。由于可广泛应用于安全验证、视频监控、出入口控制等诸多领域，识别速度快、识别率高，因此已经成为身份识别技术研究领域主要的发展方向

目前主流的人脸识别在需要配合的基础上获取人脸图像，应用分类算法进行人脸识别。主要有以下几类方法：(1)基于几何特征的方法：检测脸部器官如眼睛、眉毛、鼻子、嘴巴和下巴等，利用各个器官的位置、大小及相互之间的空间分布关系来识别人脸；(2)基于子空间的方法：将人脸图像经过投影变换投射至子空间中，由于投影变换具有非正交、非线性的特性，因此子空间中的人脸表示更具分辨力；(3)基于局部特征的方法：利用各类局部算子计算出相应的人脸图像，通过统计其直方图，利用直方图信息进行识别。

这些方式在实际监控时，容易受到光线变化、背景、姿态等诸多因素的干扰，使得提取的特征在以上外界因素发生变化时，导致原始图像出现结构丢失、特征描述不全面和不确定等问题，这些缺陷导致人脸识别率低，可靠性差，无法进行大面积推广等。因此在实际监控恶劣的环境下实现准确快速的人脸识别技术成为当前具有挑战性的问题。

发明内容

本发明的目的在于克服现有技术的不足，提供了一种基于深度卷积神经网络的二维人脸识别模型的训练方法，以解决在光线、背景、姿态等诸多因素的干扰下，人脸识别率低、可靠性差等技术问题。

本发明是通过以下技术方案实现的：

本发明提供了一种基于深度卷积神经网络的二维人脸识别模型的训练方法，包括以下步骤：

步骤S1：采集人脸图像样本，采用基于Haar特征的Adaboost算法得到样本图像中的人脸区域；

步骤S2：将样本图像中的人脸区域进行定比例扩展，然后截取部分人脸区域的图像，缩放后通过灰度处理获得灰度图像；

步骤S3：构建初步的人脸卷积神经网络模型，将灰度图像输入人脸卷积神经网络进行训练，得到全连接层的人脸高层次特征值，根据该特征值与其理想值的差距，调整模型的权值矩阵，获得训练后的人脸识别卷积神经网络模型；

步骤S4：对特征值进行L2范数归一化，获得人脸图像的特征表示；

步骤S5：从样本中随机选择某个人的灰度图像作为锚点，选择该人其它图像生成的特征值与锚点之间的距离最大的一张灰度图像作为正样本，选择其他人图像生成的特征值与锚点之间的距离最小的一张灰度图像作为负样本，构建获得由锚点、正样本和负样本组成的三元组；利用目标函数进行筛选，选择不满足目标函数的三元组为最难区分三元组；

步骤S6：精调卷积神经网络模型：将选取的最难区分三元组输入人脸识别卷积神经网络模型进行训练、精调，再次获得相应的特征值，重复步骤S4-S5，利用上一轮训练好的人脸识别卷积神经网络模型，进行下一轮最难三元组选择和训练，通过最后生成的特征值计算待测人脸图像的欧式距离，将欧式距离与设定阈值比较，判断是否为同一人，从而获取人脸识别的正确率和误识率；

步骤S7：多次迭代优化直到人脸识别卷积神经网络模型收敛，直至迭代收敛，即人脸识别的正确率的评价标准达到最高值，获得最终用于识别的人脸识别卷积神经网络模型，训练结束。

进一步地，所述步骤S3的步骤包括：

步骤S301：构建共有22层的深度卷积神经网络，每层的各个神经元的初始权值、参数全部通过随机函数生成，大小为正负1之间，每层采用的卷积核分别为1、3、5，卷积步长为1，卷积间隔为0、1、2，同时网络中每层数据使用3×3的矩阵池化，完成初步构建；

步骤S302：前向传播：将灰度图像输入到深度卷积神经网络里面，通过整个网络一步步收敛，使维度一层层降低，最后输出128维的人脸高层次特征值O_p；

步骤S303：反向传播：计算O_p与相应的理想输出值Yp的差，按极小化误差的方法调整权值矩阵，获得训练后的人脸识别卷积神经网络模型。

进一步地，所述步骤S5中，目标函数的公式为：

式中，表示锚点的特征表示，表示正样本的特征表示，表示负样本的特征表示，a代表两者距离之间的最小间隔，L代表三元组损失，三元组选择即选择损失大于零的情况。