[发明专利]基于深度学习的人脸识别方法及装置

权利要求书

1.一种基于深度学习的人脸识别方法，其特征在于，所述基于深度学习的人脸识别方法包括：

获取人脸图片训练样本及待测人脸图片；

从人脸图片训练样本提取人脸训练特征，以及从待测人脸图片提取待测人脸特征；

构建卷积神经网络模型，并利用卷积神经网络模型对人脸图片训练样本的人脸训练特征进行训练，得到人脸识别模型，其中，所述训练具体包括利用Arcface损失函数对卷积神经网络模型进行第一阶段训练，得到卷积神经网络模型收敛的状态，以及利用类内类间损失函数对卷积神经网络模型进行第二阶段训练，具体包括：对卷积神经网络模型中损失层的输入参数进行归一化；根据损失层的输入参数与全连接层的权重参数，计算得到类内类间损失函数；利用类内类间损失函数引导卷积神经网络模型进行训练，得到人脸识别模型，其中，所述类内类间损失函数的计算包括：对人脸训练特征及卷积神经网络模型中全连接层的权重参数分别进行归一化，得到人脸训练特征与对应的权重参数之间的余弦距离；通过余弦距离进行反三角函数计算，得到特征类别的角度；将特征类别的角度增加间隔值，得到修改后的特征类别的角度对修改后的特征类别的角度进行负对数变化，得到类内角度距离；根据损失层的输入参数与全连接层的权重参数分别计算出特征类别的类间距离的均值及类间距离的方差，并根据类间距离的均值与类间距离的方差之和，得到类间距离；根据类内角度距离与类间距离之和，得到类内类间损失函数；

根据训练好的人脸识别模型对待测人脸图片的待测人脸特征进行比对，以对待测人脸图片进行识别。

2.如权利要求1所述的基于深度学习的人脸识别方法，其特征在于，所述根据训练好的人脸识别模型对待测人脸图片的待测人脸特征进行比对，以对待测人脸图片进行识别，具体包括：

根据训练好的人脸识别模型对待测人脸图片的待测人脸特征进行比对；

在比对成功时，获取人脸识别模型中人脸训练特征对应的人脸ID；以及

将人脸ID作为待测人脸图片识别结果。

3.如权利要求2所述的基于深度学习的人脸识别方法，其特征在于，所述获取人脸识别模型中人脸训练特征对应的人脸ID之后，还包括：

检测比对后的人脸识别模型的人脸ID的数量是否唯一；

在人脸ID数量唯一时，根据待测人脸特征与比对成功的人脸识别模型的人脸训练特征的余弦距离，识别待测人脸特征与比对的人脸ID是否为同一人。

4.如权利要求1所述的基于深度学习的人脸识别方法，其特征在于，所述利用Arcface损失函数对卷积神经网络模型进行第一阶段训练，得到卷积神经网络模型收敛的状态，包括：

对人脸训练特征及卷积神经网络模型中全连接层的权重参数分别进行归一化，并在卷积神经网络模型中损失层计算出Arcface损失函数；

利用Arcface损失函数引导卷积神经网络模型进行训练，得到卷积神经网络模型收敛的状态。

5.如权利要求1所述的基于深度学习的人脸识别方法，其特征在于，所述对人脸训练特征及卷积神经网络模型中全连接层的权重参数分别进行归一化，并在卷积神经网络模型中损失层计算出Arcface损失函数，具体包括：

根据特征类别的角度及修改后的特征类别的角度形成Arcface损失函数。