[发明专利]一种基于深度化可分离卷积模型的人脸识别方法

说明书

本发明涉及一种基于深度化可分离卷积模型的人脸识别方法，包括以下步骤：第一步、读取人脸图像样本数据集；第二步、建立深度化可分离卷积模型，所述深度化可分离卷积模型在相邻的两个卷积模块之间级联了多个残差瓶颈模块；第三步、利用梯度下降算法更新深度化可分离卷积模型参数；第四步、通过更新参数后的深度化可分离卷积模型进行人脸识别。本发明可以在保证人脸识别准确率的基础上提高识别速度，实验表明，本发明可以在保证识别准确率在高于99%的前提下，使得其在ARMv8移动终端上的识别速度达到了小于300ms从而可以会使移动端设备拥有准确且快速的人脸识别功能。

技术领域

本发明涉及一种基于深度化可分离卷积模型的人脸识别方法，属于人脸识别技术领域。

背景技术

近年来，人脸识别在日常生活中的需求已越来越大。一些领域例如人脸门禁、人脸考勤、人脸购票、人脸追凶都有着很大的发展空间，这些领域对于人脸识别的速度和准确性都有着很高的要求。基于深度学习的卷积神经网络是人脸识别技术的基石，该网络通过梯度下降反馈来不断来减小模型输出值与真实值的差从而逼近真实结果。

目前人脸识别技术主要着重于追求准确度上的提升，然而要想让人脸识别技术在生活中的运用更加普遍化，更加用户友好，识别的速度也是该技术不可或缺的一部分。现有的深度神经卷积网络模型例比如ResNet-50，其预测准确度虽已达到97％以上，但是该模型离投入到实际产品中使用仍有着很大提升空间。一些改进后的网络模型例如Facenet等，其计算精确性通过利用残差单元使其模型的准确性得到了提升，但其仍面临着占用内存过大、计算速度过低等问题。

发明内容

本发明要解决技术问题是：提供一种可以在保证识别准确率的基础上提高识别速度、减小资源占用的人脸识别方法。

为了解决上述技术问题，本发明提出的技术方案是：一种基于深度化可分离卷积模型的人脸识别方法，包括以下步骤：

第一步、读取人脸图像样本数据集，每幅人脸图像为3通道，其高度为112个像素，宽度为112个像素；

第二步、建立深度化可分离卷积模型，所述深度化可分离卷积模型在两个卷积模块之间级联了多个残差瓶颈模块，如下表所示：

表中，第一列为各模块的输入图像大小，第二列为模块名称，第三列为通道数，第四列为该模块的重复次数，第四列为步幅间距，卷积核采用3*3；

第三步、利用梯度下降算法更新深度化可分离卷积模型参数

1)通过所述深度化可分离卷积模型将所述样本数据集的人脸图像映射成512维特征向量；

2)计算损失函数，所述损失函数由Softmax函数和ArcFace函数加权构成，其中，Softmax函数的表达式如下：

式中，x表示样本经深度化可分离卷积模型映射而成的特征向量，N表示所述样本数据集的大小，i取值1～N，y_i表示样本x_i对应的标签；W向量表示待优化参数，包括和W_j，表示样本x_i在其标签y_i处的权重，W_j表示输出节点j处的权重；b向量包括和b_j，表示样本x_i在其标签y_i处的偏差，b_j表示输出节点j处的偏差；

ArcFace函数的表达式如下：