[发明专利]一种基于卷积神经网络的人脸识别方法

权利要求书

1.一种基于卷积神经网络的人脸识别方法，其特征在于，包括以下步骤：

步骤1：选择人脸图像的数据库并对人脸图像进行预处理；

步骤2：搭建卷积神经网络模型zy_net；

步骤3：卷积神经网络模型zy_net的训练；

步骤4：对训练好的网络模型进行人脸分类预测和人脸验证；

所述的所述步骤1中，采用的人脸数据库为CASIA-WebFace；

所述步骤2中，搭建卷积神经网络包括卷积神经网络zy_net的设计与实现，其中有卷积层的设计，激励函数的设计以及损失函数的设计；其中卷积层采用Mlp卷积层来提高对人脸的特征提取能力，激励函数使用的MFM激励函数来增加非线性，并对噪声信号与信息信号进行有效的分离，加入center loss损失函数来提高网络对人脸的分类能力；

所述步骤3中的卷积神经网络zy_net的训练，包括：前向训练和反向调优两个步骤：

步骤301、卷积神经网络zy_net的前向训练，包括采用自下而上的无监督学习方式进行前向训练；卷积神经网络的前向训练具体过程如下：

(a)卷积层操作：公式表达如下：

其中，表示第l层的第j个特征图，f(.)表示激励函数，M_j代表选择的输入图的集合，表示第j个特征图对应的偏置项，代表第l层第j个特征图于第l-1层第i个特征图连接之间的卷积核，“*”表示卷积运算；

(b)下采样层操作；对于下采样层来说，有N个输入图，就有N个输出图，公式表达为：

其中，down(.)代表下采样函数，典型的操作就是对输入图像的不同N×N大小的区域内所有像素进行求和；表示第l层第j个特征图对应的系数，为其对应的偏置项；

步骤302、卷积神经网络的反向调优是采用自顶向下的有监督学习方式进行调优通过调优之后，使得卷积神经网络模型中的每一层隐层的网络权重值都能够达到最优值；卷积神经网络调优过程具体如下：

(a)卷积层的梯度计算；

这个过程用公式描述为:

其中，*表示点乘运算，即每个像素相乘，up(.)表示一个上采样操作，过程若是下采样的采样因子是n的话，将其每个像素水平和垂直方向上拷贝n次，这个函数可以用Kronecker乘积来实现:

这样，对于卷积层一个给定的特征图，就可以计算得到其残差图，通过这个残差图，就可以求得该特征图对应偏置项的梯度及对应卷积核的梯度，见以下公式；

其中，J为代价函数，项中在卷积时与逐元素相乘的一块区域，u,v表示特征图中的像坐标；

(b)下采样层的梯度计算；

下采样的前向过程涉及的参数是每个特征图对应的一个乘性因子β和一个偏置项b，若是求得此层的残差图，这两个参数的梯度就很容易求得；该过程可以用公式表达为:

在得到残差图后，乘性因子β和偏执项b对应的梯度计算满足公式：

其中，

2.根据权利要求1所述的一种基于卷积神经网络的人脸识别方法，其特征在于，所述的步骤四具体为，人脸分类预测结果和人脸验证结果的输出方法如下：

步骤401、在测试样本选取10575张不同类别的人脸图像输入到网络模型中，最后输出人脸图像的分类预测结果；

步骤402、人脸验证数据库采用的是LFW人脸数据库，训练时依次将每对图像输入到训练好的网络模型中，最终得到每张图像的一个1×512×1×1维的特征向量，它表示该人脸图像的特征并计算每个人脸对特征向量的余弦距离之差，并选定合适的阈值来判定该人脸对是否属于同一身份。