[发明专利]基于深度学习的人脸识别方法及装置

权利要求书

1.一种基于深度学习的人脸识别模型训练方法，其特征在于，所述方法包括以下步骤：

1)获取人脸图像数据；

2)在每一次迭代训练中，随机选取N个人脸图像作为训练数据，将其分为三部分，分别作为参考样本、正样本、负样本；

3)将所述训练数据输入到卷积神经网络进行计算，在所述卷积神经网络最后一层得到特征值；

4)计算第一损失函数值Loss1，所述Loss1值的构成以减小同类样本之间的距离，增大非同类样本之间的距离为目标，实现对特征提取网络的训练；

5)分类网络训练是在所述特征提取网络训练完毕后，在所述训练好的特征提取网络后增加softmax分类层，进行微调学习；实现对分类网络的训练；

6)经过以上步骤的训练，得到基于深度学习的人脸识别模型。

2.根据权利要求1所述的基于深度学习的人脸识别模型训练方法，其特征在于，对于所述三类样本的选择，所述参考样本的选择为随机选择，所述正样本为与所述参考样本标签相同的样本，所述负样本的选择在所述参考样本与所述正样本的基础上，遵循以下公式：

其中代表参考样本特征值，代表正样本特征值，代表负样本特征值，即，所选择负样本与所述参考样本之间的距离要大于所选择的正样本与所述参考样本之间的距离。

3.根据权利要求1所述的基于深度学习的人脸识别模型训练方法，其特征在于，

所述第一损失函数值Loss1的计算公式为：

其中，代表参考样本特征值，代表正样本特征值，代表负样本特征值，α代表阈值，N代表样本个数；若所述Loss1值收敛，则模型训练完成，若所述Loss1值不收敛，则进行参数调整，迭代训练。

4.根据权利要求1所述的基于深度学习的人脸识别模型训练方法，其特征在于，

所述分类网络训练时，在每一次迭代训练中，随机选择N个训练样本，将所述训练数据输入到所述训练好的特征提取网络进行特征提取，并经过softmax层进行计算，同时根据标签信息进行第二损失函数计算，并进行反向误差传播，调整分类层参数，待网络收敛后，训练结束。

5.根据权利要求4所述的基于深度学习的人脸识别模型训练方法，其特征在于，所述分类网络训练中，所述第二损失函数为所述softmax层输出向量与标签信息交叉熵平均值。

6.一种基于深度学习的人脸识别方法，其特征在于，所述方法包括以下步骤：

1)采用如权利要求1所述的基于深度学习的人脸识别模型训练方法训练得到的所述基于深度学习的人脸识别模型；

2)将待测人脸图像输入到所述已训练好的所述基于深度学习的人脸识别模型，经计算后，得到分类信息输出向量；

3)对于所述分类信息输出向量，取其概率值最高维序数所对应的类别，即为人脸识别结果。

7.根据权利要求6所述的基于深度学习的人脸识别方法，其特征在于，所述待测人脸图像来源为照片文件和/或摄像装置采集。

8.一种基于深度学习的人脸识别模型训练装置，其特征在于，包括：

1)模型图像获取装置，获取人脸图像数据；

2)模型样本分类装置，在每一次迭代训练中，随机选取N个人脸图像作为训练数据，将其分为三部分，分别作为参考样本、正样本、负样本；

3)模型特征值获取装置，将所述训练数据输入到卷积神经网络进行计算，在所述卷积神经网络最后一层得到特征值；

4)模型特征提取网络训练装置，计算第一损失函数值Loss1，所述Loss1值的构成以减小同类样本之间的距离，增大非同类样本之间的距离为目标，实现对特征提取网络的训练；

5)模型分类网络训练装置，分类网络训练是在所述特征提取网络训练完毕后，在所述训练好的特征提取网络后增加softmax分类层，进行微调学习；实现对分类网络的训练；

6)人脸识别模型获取装置，经过以上步骤的训练，得到基于深度学习的人脸识别模型。