[发明专利]一种基于半监督训练的人脸识别方法

说明书

本发明涉及一种基于半监督训练的人脸识别方法，属于计算机视觉领域；首先使用人脸识别数据集作为有标签数据，从互联网上爬取人脸图片作为无标签数据，对于有标签数据和无标签数据，经过人脸检测、对齐得到训练数据；引入基于无标签图片的损失函数，与有标签图片的损失函数一起进行半监督训练；引入任务平衡因子α与数据平衡因子β，平衡有监督任务与无监督任务之间的关系。相比于其他使用无标签数据的人脸识别方法，本发明无需将无标签图片聚类，使用无标签图片的方式更加高效，模型的性能更好；本发明方法在多个人脸识别测试集上均取得了良好的性能提升，具有良好的普适性。

技术领域

本发明涉及一种基于半监督训练的人脸识别方法，尤其涉及一种基于有标签图片与无标签图片进行半监督训练的人脸识别方法，属于计算机视觉技术领域。

背景技术

随着深度学习的发展，人脸识别模型的精度也得到了极大的提升。人脸识别技术已经被广泛应用于智能安防、金融支付、门禁打卡等领域，有着极高的商业价值。目前，人脸识别数据集的规模已经超过千万张图片、十万个人脸类别。进一步收集更多的有标签数据需要耗费大量的人力物力。而互联网中存在着大量的无标签数据并没有被合理的利用。

目前，已有研究人员使用无标签数据优化人脸识别模型，但是这些方法都需要将无标签数据进行聚类，而聚类算法本身的准确性较低，并且超大规模的聚类需要大量的内存与时间。聚类后的数据，每种类别的数量不一致，导致严重的类别不平衡。

发明内容

本发明的目的是克服现有技术的不足，提出一种基于半监督训练的人脸识别方法，能够更加合理的使用无标签数据，进一步提高人脸识别模型的性能。

本发明的目的是通过以下技术方案实现的。

一种基于半监督训练的人脸识别方法：包括：

步骤1：预处理训练数据；

对于有标签数据和无标签数据，进行人脸检测与对齐，使对齐后的图片尺寸为m×n，符合网络结构模型要求的输入图片尺寸；

作为优选，所述m＝n＝112。

作为优选，使用人脸识别数据集作为有标签数据，从互联网上爬取人脸图片作为无标签数据。

步骤2：设计网络结构模型；

网络结构模型共包含两个部分：主干网络以及损失函数；其中，主干网络负责特征提取，损失函数决定网络的优化内容，损失函数分为基于有标签图片的有监督损失函数以及基于无标签图片的无监督损失函数；

步骤3：设计用于训练网络的损失函数；

采用多种损失函数相结合，网络的损失函数包含两部分：包含有监督损失 L_label、无监督损失L_unlabel；整体损失函数L_total为：

L_total＝L_label+αL_unlabel

其中，α控制无监督损失的权重；

作为优选，所述有监督损失L_label使用交叉熵损失，表示如下：

其中，N表示有标签样本图片的个数，M代表人脸类别数目，f是人脸图片经过主干网络之后得到的激活向量，维度为M；y_i是图片i的标签；f_j，j＝1，2，3，…，M，是人脸图片对应于类别j的激活值；f_yi是人脸图片对应于标签的激活值。

作为优选，所述无监督损失L_unlabel使用欧几里得损失，表示如下：