[发明专利]一种用于人脸验证的孪生神经网络训练方法

说明书

一种用于人脸验证的孪生神经网络训练方法，包括：准备训练样本集；对训练样本集中的图片进行尺寸归一化处理后输入至人工神经网络进行训练；人工神经网络包括两个相同的子神经网络；将处理后的训练样本分割为数量相等的数据集data和data_p，将数据集data和data_p分别输送给两个子神经网络，进行样本特征向量提取；通过对比对损失函数实现神经网络的迭代优化，直至迭代次数达到设定值，则跳出迭代，此时经过训练的人工神经网络即为用于人脸验证的孪生神经网络；所述对比度损失函数表示两组特征向量的相似度。

技术领域

本发明涉及计算机视觉相关技术领域，具体涉及一种用于人脸验证的孪生神经网络训练方法。

背景技术

人脸识别技术作为生物特征识别领域中一种基于生理特征的识别，是通过计算机提取人脸特征，并根据这些特征进行身份验证的一种技术。相比于其它生物识别技术，人脸识别是一种非接触的识别技术，具有快速、简便，准确可靠，性价比高，扩展性好等优点。目前广泛应用于档案管理、安保安防、移动支付等领域。

但人脸识别的准确率常受到光照、姿态、表情及年龄变化四个因素的影响，使得基于图像的人脸识别仍然面临一系列挑战。其中年龄变化是一个持续且复杂的过程，如形状、肤色和皱纹等；同时，基于跨年龄条件下的人脸识别方法的研究相较于其他因素关注度较少，随着各个领域对人脸识别的需求越来越高，提出一种针对年龄变化下的的高效的人脸识别方法十分重要。

人脸验证是基于人的脸部特征信息进行身份确认的技术，以其具有安全性，友好性及可靠性等在身份认证中得到广泛的应用域。人脸验证研究的重要内容是如何获取有效的特征表达，最大类间距离和最小化类内距离。使用传统的Gabor，LBP等人工选取特征不足以捕获人脸的本质特征，实现高精确度的人脸验证。近年来深度学习方法的成功应用到人脸验证当中，深度学习方法通过对大规模真实数据的训练，得到富含人脸身份属性信息，实现人脸图像的本质表达，提高人脸验证精度。如包括DeepFace，DeepID，FaceNet等人脸验证专用模型，其验证准确度达到了人眼的辨识水平。然而深度学习方法最大的问题是网络参数过多，需要大规模的数据标注才能实现训练，往往所需要数据达百万以上，如DeepFace使用了4000人的400百万幅图像。而进行大规模人脸数据采集和标注是一种较大的人力财力的消耗。

发明内容

本发明的目的在于解决上述现有技术存在的大规模人脸数据采集和标注难度大的问题，提供了一种用于人脸验证的孪生神经网络训练方法，采用较少的样本数据就能得到识别准确度较高的识别模型。

本发明解决其技术问题所采用的技术方案是：一种用于人脸验证的孪生神经网络训练方法，包括：准备训练样本集；对训练样本集中的图片进行尺寸归一化处理后输入至人工神经网络进行训练；人工神经网络包括两个相同的子神经网络；将处理后的训练样本分割为数量相等的数据集data和data_p，将数据集data和data_p分别输送给两个子神经网络，进行样本特征向量提取；通过对比对损失函数实现神经网络的迭代优化，直至迭代次数达到设定值，则跳出迭代，此时经过训练的人工神经网络即为用于人脸验证的孪生神经网络；所述对比度损失函数表示两组特征向量的相似度。

进一步地，所述对比度损失函数L：

其中代表两个样本特征的余弦距离，y为两个样本是否匹配的真实标签，y＝1代表两个训练样本为同一个人，y＝0则代表两个训练样本不是同一个人，margin为设定的阈值；

当y＝1时，损失函数为

当y＝0时，损失函数为

进一步地，所述数据集data和data_p的图像列表顺序上一一对应；