[发明专利]一种基于深度学习的低维人脸模型训练方法

权利要求书

1.一种基于深度学习的低维人脸模型训练方法，其特征在于包括如下步骤：

步骤s1：采集人脸图像并作对齐处理，构造训练样本集；

步骤s2：构建轻量型神经网络模型，将训练样本集输入模型中训练，直到模型收敛，得到初始模型；

步骤s3：利用初始模型对训练样本打分，随机挑选基准样本，并根据基准样本挑选正负样本的难例样本集；

步骤s4：将步骤s3得到的难例进一步丰富化，将丰富后的难例样本组合在一起，作为后续训练的难例集；

步骤s5：精调模型：利用难例集精调模型，将s2中的初始训练模型用于初始化新模型，不断迭代训练直到模型收敛。

2.根据权利要求1所述基于深度学习的低维人脸模型训练方法，其特征在于：

步骤s2包括：构建的轻量型网络包括5个卷积层，4个最大池化层，2个全连接层，提取人脸特征的模型包含大约4M个参数。

3.根据权利要求1所述基于深度学习的低维人脸模型训练方法，其特征在于：

所述步骤s3包括：

s31：利用步骤s2得到的模型提取训练样本集里的人脸特征，将第一个全连接层的256维输出作为低维的人脸特征；

s32：计算余弦距离，选取难例，与基准样本是同一个人的，选取原则是，选择距离远的样本；而不是同一人的样本，则选取距离近的样本。

4.根据权利要求1所述基于深度学习的低维人脸模型训练方法，其特征在于：

步骤s4包括：

s41：难例样本的丰富化包括增加面部光线，按人脸关键点的位置计算人脸的面部亮度，如果亮度较暗，提升人脸面部亮度，如果亮度亮，则降低亮度，并保存为新的样本；

s42：提高、降低图像分辨率到原始训练样本大小的一倍、一半。

5.根据权利要求1所述基于深度学习的低维人脸模型训练方法，其特征在于：

步骤s5包括：将每个人的难例样本以及丰富后的样本组合在一起，构建难例batch，每个人挑选的难例batch个数要保持一致。