[发明专利]一种基于Center Loss改进的人脸模型训练方法

说明书

本发明涉及一种基于Center Loss改进的人脸模型训练方法，包括：(1)剪切、筛选原总数据集中的人脸图片，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)将训练集中的数据输入到网络结构中进行训练；(5)保存人脸模型；(6)使用测试集对人脸模型进行测试。在人脸模型具有一定分类能力的基础上增强模型类内聚合能力，达到了有效增大类间距离，缩小类内距离的目标，提升了人脸识别的准确率和鲁棒性。

技术领域

本发明涉及一种基于Center Loss改进的人脸模型训练方法，属于深度学习技术领域。

背景技术

随着社会的不断发展以及各方面对于快速有效的身份验证的迫切需求，人们对于人脸识别的研究越来越重视，对人脸模型的精度要求也越来越高。人脸识别技术是基于人的脸部特征，给出输入的人脸图像的位置、大小和各个主要面部器官的位置信息，进一步提取每个人脸的特征同已知人脸进行比对，从而识别人的身份。由于人脸识别相较于其他生物技术而言，具有非接触性、非强制性、并发性等优点，因此，它在身份验证、安全监测等方面发挥着不可替代的作用。

算法是影响人脸识别模型精度的核心因素。人脸识别算法是基于人脸特征来完成身份识别的一种生物识别技术，人脸识别算法需要在识别过程中提取人的脸部特征，所提取的特征对最终的分类结果有着决定性的影响。在机器学习尤其是深度学习中，softmax是一个很重要的函数，特别是在多分类的场景中应用广泛，而对于常见的图像分类问题，经常用SoftMax Loss来求损失，但是，基于传统意义上的网络结构的SoftMax Loss代价函数的监督，类别界限明确而类内差异过大。有学者提出，将SoftMax Loss与Center Loss结合起来，共同作为神经网络训练的损失函数，改进算法的核心思想，增强类间差异并且减小类内差异，但是，以上损失函数的设计仅是在训练过程中固定Center Loss的占比，并不能根据训练参数调整类内聚合的程度，容易陷入局部最优解，缺乏灵活性。

发明内容

针对现有技术的不足，本发明提供了一种基于Center Loss改进的人脸模型训练方法；本发明使Center Loss动态化，提高了人脸识别模型的精度和健壮性。

本发明的目的是将SoftMax Loss和改进的Center Loss动态结合,在模型具有一定分类能力的基础上，根据训练参数控制类内聚合的程度，提高人脸识别模型的精度和鲁棒性。

术语解释：

1、MTCNN，Multi-task convolutional neural networks的缩写。

2、mini bath策略，将整个大的训练集划分为若干个小的数据集。

3、Inception-ResNet V1网络模型，训练中使用的卷积神经网络结构,其总体结构如图2所示。

4、batch size，当一个完整的数据集通过了神经网络一次并且返回了一次，这个过程称为一个Epoch,在不能将数据一次性通过神经网络的时，需要将数据集分成若干个小数据集即batch,batch size是指一个batch中的样本总数,其极限值为训练集样本数。

本发明的技术方案为：

一种基于Center Loss改进的人脸模型训练方法，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；不同人的人脸属于不同的类别，但一个类别中的人脸必须都是同一个人的,就是指人脸ID唯一；

(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；