[发明专利]一种基于多目标学习的人脸识别算法训练方法

说明书

本发明公开了一种基于多目标学习的人脸识别算法训练方法，包括以下步骤：随机初始化神经网络参数，使用基于人脸身份的损失函数以及基于人脸特征点位置约束的损失函数，以最小化学习目标对深度卷积网络进行训练；当对人脸身份的预测准确率达到阈值后，计算基于人脸特征类内距离的损失函数和基于人脸特征类间距离的损失函数，并对每一个样本使用基于人脸身份的损失函数及人脸特征点位置约束的损失函数计算；基于人工设置权重，对各损失函数进行加权，得到总的损失函数，并基于总的损失函数实现反向传播，实现对网络参数的更新，当准确率稳定后，停止网络训练，得到训练好的人脸识别模型。

技术领域

本发明涉及人脸识别算法训练技术领域，具体涉及一种基于多目标学习的人脸识别算法训练方法。

背景技术

基于深度卷积网络的人脸识别算法是当前人脸识别算法的主流模型，其中的主要技术包括采用多层卷积神经网络，基于ReLU(修正线性单元，Rectified linear unit)的激活函数以及基于TripLet loss的监督训练方法，其存在的主要缺点包括两点：

一、仅在输入训练图像时对图像进行初步对齐，在训练过程中并不考虑人脸姿态的影响，对人脸姿态变化的鲁棒性有限；

二、训练目标以训练集中样本的预测准确率为目标，在实际部署应用中，基于深度卷积网络所提取的特征要求同一身份的不同人脸图像对应的特征之间相互接近，而不同身份人脸图像对应的特征之间相互远离，算法训练和应用中的目标存在偏差，导致识别算法的泛化能力受限。

发明内容

本发明提供了一种基于多目标学习的人脸识别算法训练方法，一是将人脸面部特征点位置作为识别算法的学习目标之一，进行多目标约束下的学习，提高人脸识别算法对人脸姿态的鲁棒性；二是将最大化人脸类间距离和最小化类内距离作为学习目标之一，与人脸身份预测一起对识别算法进行监督学习，提高人脸识别算法的泛化能力。

本发明所要解决的技术问题有三：一是针对上述现有人脸识别算法的缺点一，提出了一种将人脸特征点位置作为人脸识别算法训练过程中的约束目标之一，提高人脸识别算法对人脸姿态的鲁棒性；二是针对上述现有人脸识别算法的缺点二，提出了一种将人脸样本的类内距离和类间距离作为算法训练时的学习目标之一，使得算法学习得到的人脸特征向量具备类内间距小，类间距离大的特点，与算法应用时的目标保持一致，提高算法的泛化能力；三是针对新加入的约束条件，提出了一种新的训练方法，实现对深度卷积网络的训练。

本发明采取的技术方法如下：

一种基于多目标学习的人脸识别算法训练方法，包括以下步骤：

1)随机初始化神经网络参数，使用基于人脸身份的损失函数以及基于人脸特征点位置约束的损失函数，以最小化学习目标对深度卷积网络进行训练；

2)当对人脸身份的预测准确率达到阈值后，计算基于人脸特征类内距离的损失函数和基于人脸特征类间距离的损失函数，并对每一个样本使用基于人脸身份的损失函数及人脸特征点位置约束的损失函数计算；

3)基于人工设置权重，对步骤2)得到的基于人脸身份的损失函数、基于人脸特征点位置约束的损失函数、基于人脸特征类内距离的损失函数和人脸特征点位置约束的损失函数进行加权，得到总的损失函数，并基于总的损失函数实现反向传播，实现对网络参数的更新，当准确率稳定后，停止网络训练，得到训练好的人脸识别模型。

步骤1)中，此时网络尚没有学习到人脸特征，考虑到训练过程的稳定性和效率，不应加入类间距离和类内距离进行学习。

步骤1)和步骤2)中，所述的基于人脸身份的损失函数，具体包括：

a)对于第i个人脸样本图像对应的特征K_3i，通过全连接网络将其映射为N维向量F_i：