[发明专利]基于深度学习的人脸识别方法及装置

说明书

一种基于深度学习的人脸识别方法，包括人脸识别模型训练方法与人脸识别模型使用方法两方面。模型训练的基本思想是减小同类样本之间的差异值，增大非同类样本之间的差异值，以此来达到对人脸的准确识别。首先对特征提取网络进行训练，模型训练完成后，进行分类模型训练，在已经训练好的特征提取网络后添加softmax分类层，用于分类网络的训练。在softmax层中对特征进行分类，损失函数以减小输出与标签之间的距离为目标，训练结束后，得到人脸识别模型。人脸识别模型使用方法部分，将人脸图像输入到人脸识别模型，得到softmax分类结果，数值得分最高维度序号所代表的类别即为识别结果。

技术领域

本发明涉及计算机视觉领域，特别涉及一种基于深度学习的人脸识别方法。

背景技术

随着深度学习技术的发展和计算机运算能力的飞速提升，人工智能、计算机视觉和图像处理等领域发展迅猛。其中人脸识别作为计算机视觉领域的经典课题，具有很大的可研究性和应用价值，且具有很高的社会需求。人脸识别所解决的主要问题是对于输入一张包含人脸部的图像，算法可自动在图像上进行人脸部特征提取，并根据特征对脸部图像进行识别，给出识别结果。

当前，人脸识别相关技术取得较大进展，并已经出现了一些成功应用。传统的人脸识别方法包括基于几何特征的方法，基于主成分分析的方法，基于小波变换和图形匹配的方法等。基于几何特征的方法是对人脸关键点(眼，口，鼻等)进行几何关系运算，例如距离、角度等，根据距离或角度关系来进行对人脸的识别，此种方法容易忽略局部细微特征，造成特征丢失，精度较低，更适用于粗分类；基于主成分分析的方法又称为PCA，其基本思想从统计的观点出发，寻找人脸图像分布的基本元素，即人脸图像样本集协方差矩阵的特征向量，以此近似地表征人脸图像，这种方法对训练图像与测试图像相似性要求较高有很大局限性；基于小波变换和图形匹配的方法，精确抽取面部特征点以及基于Gabor引擎的匹配算法，具有较好的准确性，能够排除由于面部姿态、表情、发型、眼镜、照明环境等带来的变化，但其识别速度较慢。

近年来，随着计算机视觉与深度学习的发展，深度学习在人脸识别方面的研究获得更多关注。出现了一些利用深度学习进行人脸检测识别的方法，但是人脸识别准确率仍然不高，不能满足日益提高的使用需求。

发明内容

本发明针对上述问题，提出一种基于深度学习的人脸识别模型训练方法与装置以及基于深度学习的人脸识别方法和装置，以解决人脸识别准确率低和识别速度慢的问题，拓展了系统的使用范围。

为解决上述技术问题，根据本发明的一个方面，提供了一种基于深度学习的人脸识别模型训练方法，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。

优选地，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。