[发明专利]一种基于Center Loss改进的人脸模型训练方法

权利要求书

1.一种基于Center Loss改进的人脸模型训练方法，其特征在于，包括步骤如下：

(1)使用MTCNN算法剪切原总数据集中的人脸图片，将剪切出的两张及以上张人脸图片筛选出来进行排查，保证人脸ID唯一，将剪切后的所有的人脸图片划分为训练集、验证集和测试集；

(2)对训练集中的人脸图片进行预处理；

(3)搭建网络结构，优化目标损失函数；

(4)将步骤(2)经过预处理的训练集中的数据输入到步骤(3)构建的网络结构中进行训练，输入到网络结构中的数据采用minibath策略，设置batch size大小为B，B不小于训练集中的样本数，batch的数目为N，N为训练集样本数除以B，训练的迭代轮数为E，E是指神经网络中传递完整的数据集的次数；训练中的损失函数为步骤(3)优化后的目标损失函数；在反向传播过程中，使用自适应参数更新算法Adam优化器，指数衰减学习率不断进行梯度更新减小损失函数，直到完成设置的迭代轮数E；

(5)保存人脸模型；

(6)使用测试集对人脸模型进行测试；

所述步骤(3)中，包括步骤如下：

C、搭建Inception-ResNet V1网络模型，输入人脸图片的初始形状为(160,160,3)，第一个160是指图片的宽,第二个160是指图片的高,单位均为像素,3是图片的通道数,表示图像是由红色R、绿色G、蓝色B三个通道组成的；

D、将SoftMax Loss损失函数与改进后的Center Loss损失函数动态结合，共同作为神经网络训练中的目标损失函数，加入到计算过程中；

所述SoftMax Loss损失函数L_s，Center Loss损失函数L_c，以及SoftMax Loss损失函数L_s与改进后的Center Loss损失函数L_c动态结合的损失函数L_{s_c}的计算公式分别如式(Ⅰ)、式(Ⅱ)、式(Ⅲ)所示：

式(Ⅰ)、式(Ⅱ)、式(Ⅲ)中，

m表示训练中一个mini batch的训练样本总数；

n表示训练样本的人脸图片ID的个数；

x表示训练样本在网络结构的输出特征；

表示第i个样本的类别y_i的偏置项；

表示网络结构输出层的权重矩阵W∈R^d×n的第j列的转置；

b_j表示网络结构输出层的权重矩阵W∈R^d×n的第j列的偏置项；

x_i∈R^d，表示第i个训练样本在网络结构的输出特征；

d表示特征维度；

c_yi表示第i个训练样本的类别y_i的中心；

W_yi∈R^d，表示网络结构输出层的权重矩阵W∈R^d×n的第y_i列；

W_j∈R^d表示网络结构输出层的权重矩阵W∈R^d×n的第j列；

b∈Rⁿ表示偏置项；

α表示Center Loss的占比，0≤α≤1，α在训练过程中动态变化，根据训练参数控制同类之间内聚程度；

所述α动态取值的方法如下：

设置Center Loss配置文件,在该文件中根据训练的轮数设置α值,设置迭代轮数分别为E₁,E₂,E₃,E₄,E₅,E₆,e表示第e轮,α₁，α₂，α₃，α₄，α₅，α₆表示对应的α值，训练的轮数e与设置的α值的关系如表1所示：

表1

。