[发明专利]基于多区域特征与度量学习的人脸特征识别方法及系统

权利要求书

1.基于多区域特征与度量学习的人脸特征识别方法，其特征在于，包括如下步骤：

通过多尺度人脸区域训练得到相应位置与尺度的卷积神经网络参数，并根据所述卷积神经网络参数提取出人脸对应区域的特征；

对上述特征进行筛选，得到高维人脸特征；

根据所述高维人脸特征进行度量学习，将特征进行降维处理得到特征表达后定义损失函数，通过所述损失函数训练得到度量学习的网络模型；

将待识别的图像输入所述网络模型后，将人脸特征进行降维后利用欧几里得距离进行识别；

将特征进行降维处理得到特征表达后定义损失函数，通过所述损失函数训练得到度量学习的网络模型的方法具体为：

设W₁,W₂分别为度量学习的网络模型的第一层和第二层的权重，b₁,b₂分别为第一层和第二层的偏置项，激活函数为g(x)＝max(0,x)，

在训练批次中，所述度量学习的网络模型的第一层的网络输出分别为：

所述度量学习的网络模型第二层的网络输出分别为：

记为所有类别标签对应的特征经过第一层网络后的输出U的聚类中心，

每一轮训练前，更新其中L为标签类别的数量

对于一个训练组的m个样本，定义第一个度量学习的损失函数：

对所述度量学习的网络模型第二层的网络，

定义

定义第二个度量学习的损失函数：

其中：

式中γ为常量；

最终得到总的损失函数为：Los＝Los₁+θ·Los₂，其中θ为两者的比例参数，利用上述损失函数，训练一设定轮数后保存模型中的参数W₁,b₁，作为度量学习的网络模型；

其中X₁、X₂，…,X_m为训练样本，P为所有正样本对的下标的集合，N为所有负样本对的下标集合。

2.根据权利要求1所述的人脸特征识别方法，其特征在于，所述多尺度人脸区域训练进一步包括如下步骤：

对于每一张输入的人脸图片进行人脸检测与关键点标注，得到人脸框R和N个人脸关键点位置{P₁,P₂,P₃,...,P_N}；

基于人脸关键点选取不同位置与尺度的人脸区域进行训练，得到人脸框的不同尺度输入和不同位置输入，进而得到多位置、多尺度的人脸区域及其卷积神经网络参数。

3.根据权利要求1所述的人脸特征识别方法，其特征在于，根据所述卷积神经网络参数提取出人脸对应区域的特征并进行选择的方法具体为：

设人脸图片测试集的大小为N_test，对其中的任一张图片IMG_i，进行人脸检测和关键点标注，根据训练过程中的多区域的人脸选择，截取对应的多个区域，并分别输入到对应的卷积神经网络里计算；

对于每张人脸图片得到多个区域对应的特征，分别计算多个特征中的每一个特征对于图片测试集上N_test张图片的识别性能并绘制出ROC曲线；

根据ROC曲线选择出人脸对应区域的特征，作为度量学习需要的特征，并保留对应特征区域的卷积神经网络参数用作特征提取。