[发明专利]一种联合口罩属性损失函数的人脸识别方法

权利要求书

1.一种联合口罩属性损失函数的人脸识别方法，其特征在于，包括以下步骤：

采集并获得人脸数据集，对人脸数据集中的任一图像进行归一化和去均值处理；将人脸数据集分为划分训练集、测试集和验证集，并作相应的标记；

将训练集输入至Resnet残差网络模型，并利用联合口罩损失函数得到最优的人脸识别的模型；所述联合口罩属性损失函数的表达式为：

L_u＝L_center+λL_mass

其中，L_center表示Center Loss函数，L_mass表示新增口罩属性的损失函数，λ表示两个损失函数的权重参数；

将带有标记的训练集和测试集的图像输入至Resnet残差网络模型，以获得高维特征；

采用联合口罩属性损失函数将高维特征进行聚集相似的人脸图像；

利用最优的人脸识别的模型的全连接层提取的特征向量与口罩属性损失函数的特征向量之间夹角余弦求得人脸之间的相似度，并预设阀值；若相似度小于阀值，则测试图像属于同一类别；否则，不属于同一类别。

2.根据权利要求1所述的一种联合口罩属性损失函数的人脸识别方法，其特征在于，还包括对人脸数据集的任一图像进行水平和垂直翻转。

3.根据权利要求1所述的一种联合口罩属性损失函数的人脸识别方法，其特征在于，所述人脸数据集的图像包括人脸遮挡图像和人脸非遮挡图像；且将训练集输入至Resnet残差网络模型，并利用联合口罩损失函数得到最优的人脸识别的模型，包括以下步骤：

将带有标记的训练集和测试集转换成tfrecord格式数据，并读取人脸图像的数据；

将tfrecord格式数据输入至Resnet残差网络模型，利用联合口罩损失函数得到最优的人脸识别的模型；并利用最优的人脸识别的模型进行训练集分类。

4.根据权利要求3所述的一种联合口罩属性损失函数的人脸识别方法，其特征在于，还包括以下步骤：

初始化Resnet残差网络模型的参数；

将训练集的图像依次输入至卷积层和归一化层；

采用联合口罩属性损失函数求得最小化网络模型的损失值；

采用反向传播算法求得网络模型的梯度，采用SGD梯度下降算法优化网络节点的参数，并更新任一层的参数，以最小化网络结构的损失值，以得到最优的人脸识别的模型；

将测试集的图像输入最优的人脸识别的模型中，并利用相似度进行人脸识别。

5.根据权利要求1所述的一种联合口罩属性损失函数的人脸识别方法，其特征在于，所述Resnet残差网络模型包括依次连接的4个卷积层、4个归一化层、16个残缺块和2个全连接层；且倒数第二个全连接层内将Center loss损失函数和口罩属性损失函数结合得到联合口罩属性损失函数L_u。

6.根据权利要求5所述的一种联合口罩属性损失函数的人脸识别方法，其特征在于，所述联合口罩属性损失函数L_u的推导过程如下：

所述Centerloss损失函数的表达式如下：

其中，x_i表示人脸特征向量，c_yi表示人脸图像的中心距离，M表示人脸数据集的大小；

所述口罩属性损失函数的表达式为：

其中，d(p_i，p_j)是p_i和p_j特征向量的距离；α是用户自定义阈值；特征向量p_i表示新增的遮挡属性；G是训练的矩阵参数；

所述联合口罩属性损失函数L_u的表达式为：

L_u＝L_center+λL_mass

其中，L_center表示Center Loss函数，L_mass表示新增口罩属性的损失函数，λ表示两个损失函数的权重参数。