[发明专利]一种用于伪装人脸识别的两段式训练方法

说明书

一种用于伪装人脸识别的两段式训练方法，包括如下步骤：步骤S1、将训练所需使用的数据集进行预处理，获取集Set_F、Set_S；步骤S2、第一阶段，将Set_F作为训练集并使用ArcFace损失函数训练网络；步骤S3、撤销网络的最后一层全连接层；步骤S4、第二阶段、将Set_S作为训练集并使用ArcFace损失函数训练网络。本发明利用了少量的伪装人脸数据将模型的工作适用域从一般人脸识别转到了伪装人脸识别，在DFW测试基准上具有很好的识别效果。

技术领域

本发明属于人脸识别技术领域，具体涉及一种用于伪装人脸识别的两段式训练方法。

背景技术

通过卷积神经网络的人脸识别技术在近些年取得了巨大的成功。作为研究中较为突出的一项成果，使用通过网络映射而得到的人脸特征向量来进行人脸识别有着很好的效果，并且被普遍认为是当前最先进的方法。随着先进的网络结构、高质量的数据集以及更加精妙的损失函数的不断提出，最后得到的特征向量的辨识力也越来越强：不同人的特征向量之间差异逐渐增大，反之同一个人的特征向量之间差异则在减小。

尽管人脸识别取得的成就颇为瞩目，但伪装人脸识别却依然是一个具有挑战性的课题。在对人脸进行诸如化妆，带上帽子、口罩等物件后，识别的难度将大大增加。并且在本身识别难度较大的情况下，深度学习所依赖度的数据集的总体质量也不能令人满意，这更进一步提高了课题的难度。相较于一般人脸识别领域不断有诸如FaceNet，SphereFace，ArcFace之类高质量的成果出现，伪装人脸识别领域的成果就少得多了，目前较新的成果是利用DFW伪装人脸数据集得到的MiRA-Face。它使用了一个两阶段的训练，先使用一般人脸识别的训练方法在得到了一个网络，接着利用了DFW提供的训练集使用PCA对特征向量进行了降维处理，借此获得了一定的伪装方面的信息。MiRA-Face的不足之处在于：(1)第一阶段训练采用的是CosFace提出的方法，该方法在目前并不是最好的选择；(2)使用PCA提取的信息较少。这两者导致了该算法的性能仍然有提升空间。

发明内容

本发明所要解决的技术问题是克服现有技术的不足，提供一种用于伪装人脸识别的两段式训练方法，通过采用ArcFace训练基本的卷积神经网络，再使用Joint损失函数用以最小化DFW训练样本的类内距并扩大其内间距，具有良好的伪装人脸识别效果。

本发明提供一种用于伪装人脸识别的两段式训练方法，包括如下步骤：

步骤S1、将训练所需使用的数据集进行预处理，获取集Set_F、Set_S；

步骤S2、第一阶段，将Set_F作为训练集并使用ArcFace损失函数训练网络；

步骤S3、撤销网络的最后一层全连接层；

步骤S4、第二阶段、将Set_S作为训练集并使用Joint损失函数训练网络。

作为本发明的进一步技术方案，第一阶段采用的模型由ResNet50IR残差网络、BatchNorm层与Dropout层、全连接层以及另一个BatchNorm层构成的输出模块、全连接层和Softmax分类层构成的分类模块和ArcFace损失函数构成，所述ResNet50IR残差网络与所述输出模块作为提取特征的骨干网络。