[发明专利]一种基于可区分性特征融合的人脸识别方法

权利要求书

1.一种基于可区分性特征融合的人脸识别方法，其特征在于，包括：

A、在每个训练样本图像中截取一个全局图像和至少两个局部图像；

B、对所截取的每个图像分别采用多元损失multi-loss函数进行模型训练得到对应的模型；其中，所述multi-loss函数为角度空间分类损失angular-softmax loss函数和中心损失center loss函数结合得到的；

C、利用三元损失triplet loss函数对训练得到的各个模型进行融合和降维，并得到所述训练样本图像的最终深度特征。

2.根据权利要求1所述的方法，其特征在于，所述multi-loss函数为：

L＝L_s+γL_c

其中：L表示multi-loss函数；

L_s表示a-softmax loss函数；

L_c表示center loss函数；

γ为权重系数。

3.根据权利要求2所述的方法，其特征在于：

其中：x_i∈R^d表示第i个深度特征，d表示深度特征的维度；

y_i表示第i个深度特征所属的类别；

W_j∈R^d是最后一个全连接层的权重矩阵W∈R^d×n的第j列，W是二维矩阵，一个维度是d，另一个维度是n，n是分类的类别数；

b∈Rⁿ是偏差项；

m是分类的样本数；

θ_ij为特征向量x_i和权重矩阵第j列W_j向量的夹角。

4.根据权利要求3所述的方法，其特征在于：

x_i∈R^d表示第i个深度特征，d表示深度特征的维度；

y_i表示第i个深度特征所属的类别；

m是mini-batch的样本数；

是第y_i个类别的中心。

5.根据权利要求4所述的方法，其特征在于，所述Lc基于x_i的梯度和的更新方法如下：

其中：如果满足δ()的括号内的条件，δ()＝1，否则δ()＝0。

6.根据权利要求5所述的方法，其特征在于，所述B中的进行模型训练包括对所截取的每个图像分别进行如下循环操作：

初始化卷积层参数θ_c，损失层参数W和{c_j|j＝1,2,…n}，初始化α，γ和学习率μ，将迭代次数t置为0；

使用multi-loss函数对输入的训练数据{x_i}进行模型训练后，得到模型参数θ_c；

如果训练没有收敛，则：

t←t+1

计算联合损失

对每一个训练样本，计算回传错误率

更新参数W：

更新参数c_j：

更新参数θ_c：

直至收敛，结束循环。

7.根据权利要求1所述的方法，其特征在于，所述C包括：

从所述训练得到的各个模型中提取每个训练样本图像的深度特征，并将所提取的深度特征连接起来，作为triplet loss函数的输入，经triplet loss函数进行融合和降维后，得到所述训练样本图像的最终深度特征。