[发明专利]一种基于三元组损失函数的深度学习网络的人脸识别系统

说明书

本发明中提出的一种基于三元组损失函数的深度学习网络的人脸识别系统，其主要内容包括：互关联匹配卷积神经网络、干支集成卷积神经网络、深度卷积神经网络集成和性能评估，其过程为，首先从训练数据集中选择三个样本，包括一个静止ROI(感兴趣区域)、一个与静止ROI相似的正样本和一个与静止ROI不相似的负样本，让这三个样本共同组成了一个三元组；然后将这个三元组输入到深度学习网络中进行训练，训练过程中采用了三元组函数(可拉近相似ROI的距离)；最后，相似ROI会形成集聚，从而达到人脸识别的目的。本发明采用了三元组损失函数，相比起传统的人脸识别系统有更高的识别精度，并且运算复杂程度相对较低，运算效率较高。

技术领域

本发明涉及人脸识别领域，尤其是涉及了一种基于三元组损失函数的深度学习网络的人脸识别系统。

背景技术

人脸识别是基于人的脸部特征信息进行身份识别的一种生物识别技术。用摄像机或摄像头采集含有人脸的图像或视频流，并自动在图像中检测和跟踪人脸，进而对检测到的人脸进行脸部的一系列相关处理，通常也叫做人像识别、面部识别。在企业、住宅安全和管理方面，人脸识别技术可用于门禁考勤系统、人脸识别防盗门等；在公安、司法和刑侦方面，可结合人脸识别技术人脸数据库在全球范围内进行罪犯追捕；在电子政务和电子商务的使用方面，由于人脸识别系统采用的是生物特征(而不是传统的字符密码)，可以更精确做到当事人在网上的数字身份和真实身份统一，从而大大增加电子商务和电子政务系统的可靠性；此外，人脸识别技术还在航天、电力、边检、教育等领域广泛应用。然而，目前的人脸识别系统运算复杂程度较高，运算效率低，并且识别的精确性也不够高。

本发明中提出的一种基于三元组损失函数的深度学习网络的人脸识别系统，先从训练数据集中选择三个样本，包括一个静止ROI(感兴趣区域)、一个与静止ROI相似的正样本和一个与静止ROI不相似的负样本，让这三个样本共同组成了一个三元组；然后将这个三元组输入到深度学习网络中进行训练，训练过程中采用了三元组函数(可拉近相似ROI的距离)；最后，相似ROI会形成集聚，从而达到人脸识别的目的。本发明采用了三元组损失函数，相比起传统的人脸识别系统有更高的识别精度，并且运算复杂程度相对较低，运算效率较高。

发明内容

针对目前的人脸识别系统运算复杂程度较高，运算效率低，并且识别的精确性也不够高等问题，本发明中提出的一种基于三元组损失函数的深度学习网络的人脸识别系统，先从训练数据集中选择三个样本，包括一个静止ROI、一个与静止ROI相似的正样本和一个与静止ROI不相似的负样本，让这三个样本共同组成了一个三元组；然后将这个三元组输入到深度学习网络中进行训练，训练过程中采用了三元组函数(可拉近相似ROI的距离)；最后，相似ROI会形成集聚，从而达到人脸识别的目的。

为解决上述问题，本发明提供一种基于三元组损失函数的深度学习网络的人脸识别系统，其主要内容包括：

(一)互关联匹配卷积神经网络(CCM-CNN)；

(二)干支集成卷积神经网络(TBE-CNN)；

(三)深度卷积神经网络集成(HaarNet)；

(四)性能评估。

其中，所述的互关联匹配卷积神经网络，采用了矩阵哈达玛乘积，其后是一个全连接层，用于模拟自适应加权互关联技术；采用一种基于三元组优化的方法来学习面部表征判别式，这些面部表征是基于三元组的，包括正样本的和负样本的视频感兴趣区域(ROI)以及对应的静态ROI；为了进一步提高面部模型的鲁棒性，通过生成基于静态和视频非目标个体ROI的合成面部，使CCM-CNN的微调过程包括了多项信息；互关联匹配卷积神经网络主要包括三个部分：特征提取、互关联匹配和三元组损失优化。