[发明专利]一种基于深度学习的人脸识别和人脸验证的监督学习方法

说明书

本发明公开了一种基于深度学习的人脸识别和人脸验证的监督学习方法，包括以下步骤：对卷积神经网络模型的全连接层输出特征使用柔性最大值损失函数增大类间距离，通过中心损失函数为每一类的深度特征学习一个中心，通过超参平衡两函数以此联合监督学习特征；计算卷积神经网络模型的后向传播，采用基于最小批量处理的随机梯度下降法对卷积神经网络模型进行优化，更新权重矩阵、以及每一类的深度特征中心；对深度特征进行主成分分析降维后计算两两特征之间的余弦距离来计算所得分数，所述分数用于最近邻和阈值比较中的目标匹配，对人脸进行识别和验证。本发明有效的提高神经网络学习特征的辨别能力，获得了具有鲁棒性的脸部特征识别和验证模型。

技术领域

本发明涉及人脸识别领域，尤其涉及一种基于深度学习的人脸识别和人脸验证的监督学习方法。

背景技术

CNN(卷积神经网络)在机器视觉领域取得了很大的成功，显著巩固了分类问题领域，包括：物体分类、场景分类、以及动作分类等等。主要受益于大型的训练数据集和端到端的学习结构。CNN最常用于特征学习和标签预测，即将输入数据映射到深度学习特征(最后一层隐藏层的输出)来预测输入数据的标号。

最近，参考文献^[1]通过修改softmax(柔性最大值)损失函数的识别信号来监督CNN模型的学习过程，这使得深度学习特征包含了更丰富的识别信息。之后参考文献^[2]中通过“联合身份识别验证监督信号”获得了可判别能力更强的特征。参考文献^[3]通过增加一个全连接层以及在每个卷积层中添加损失函数来增强监督能力。参考文献^[4]证明了Triplet(三元组)损失函数的有效性。参考文献^[5]中的对比损失、以及参考文献^[4]中的三元组损失分别为图像对和图像三元组构造了损失函数。

然而，相比于图像样本数量，图像对或图像三元组的数量会翻倍增长，不可避免地导致收敛速度慢和不稳定。通过仔细选择图像对或三元组，可以解决部分问题。但会显著增加计算复杂度，训练过程变得不方便。

发明内容

本发明提供了一种基于深度学习的人脸识别和人脸验证的监督学习方法，本发明有效的提高神经网络学习特征的辨别能力，获得了具有鲁棒性的脸部特征识别和验证模型，详见下文描述：

一种基于深度学习的人脸识别和人脸验证的监督学习方法，所述方法包括以下步骤：

对卷积神经网络模型的全连接层输出特征使用柔性最大值损失函数增大类间距离，通过中心损失函数为每一类的深度特征学习一个中心，通过超参平衡两函数以此联合监督学习特征；

计算卷积神经网络模型的后向传播，采用基于最小批量处理的随机梯度下降法对卷积神经网络模型进行优化，更新权重矩阵、以及每一类的深度特征中心；

对深度特征进行主成分分析降维后计算两两特征之间的余弦距离来计算所得分数，所述分数用于最近邻和阈值比较中的目标匹配，对人脸进行识别和验证。

所述卷积神经网络模型具体为：

在卷积层和局部卷积层的特征提取器大小为3×3，步长为1，后面都接有非线性单元；

三个局部卷积层的权重分别在4×4、2×2和1×1大小的区域内共享；

最大池化区域为2×2，步长为2；

第四层池化层的输出和第三层局部卷积层的输出串联作为第一个全连接层的输入，全连接层的输出维度为512。

所述通过超参平衡两函数以此联合监督学习特征步骤具体为：