[发明专利]一种现场自主学习的人脸识别系统和方法

权利要求书

1.一种现场自主学习的人脸识别方法，其特征在于，包括以下步骤：

步骤1：离线训练人脸检测器，获得训练好的人脸检测器；离线联合训练自编码器和人脸识别器，获得训练好的自编码器和人脸识别器；

步骤2：人脸检测器从采集的动态视频中检测人脸框的位置，获得人脸图像，并送入训练好的自编码器，同时为目标群体和难识别个体提供人脸样本来源；

步骤3：收集目标群体人脸图像样本，形成目标群体人脸样本集；判断目标群体人脸样本集中误识或拒识这种难识别个体的困难样本，形成识别错误人脸样本集；

其中，当目标被误识或拒识时，则多识别几次以便人脸识别系统能纠正错误，从而导致目标在考勤机前的停留时间比正常情况要长；故识别差错的判断条件为，当停留时间大于平均停留时间时，判断为识别出错；

步骤4：自编码器将人脸图像转换为高维特征，并送入训练好的人脸识别器中；

步骤5：人脸识别器进一步提取人脸图像的身份特征并与人脸数据库中的人脸图像身份特征进行匹配，从人脸数据库中识别出对应的人脸身份；

为了进一步优化自编码器模型和人脸识别器，利用收集的目标群体人脸样本集和识别错误人脸样本集，对自编码器和人脸识别器进行现场训练，并更新自编码器和人脸识别器；其中，现场训练包括目标群体训练和困难样本训练；

所述目标群体训练，利用人脸数据库的标签样本对自编码器和ArcFace人脸识别器再次联合训练，联合训练的损失函数采用ArcFace中的加性角余量损失；采取的训练策略是只调整自编码器和ArcFace人脸识别器的最后三层的参数而保留低层参数不变；

当目标群体人脸样本集收集到预定规模时，仅对自编码器进行再次训练，训练的损失函数为如下L₁正则化均方误差函数：

其中，x_n表示输入人脸样本，N为样本个数，A_W,b表示参数为(W,b)的自编码器，|| ||₁表示L₁-范数；训练结束后，目标群体人脸样本集清零，进行下一次的收集；

所述困难样本训练，当识别错误人脸样本集达到预定规模时，仅对自编码器进行再次训练，训练的损失函数为上述L₁正则化均方误差函数；采取的训练策略是只调整自编码器的最后三层的参数而保留低层参数不变；训练结束后，识别错误人脸样本集清零，以便重新记录。

2.根据权利要求1所述的现场自主学习的人脸识别方法，其特征在于：步骤1中，RetinaFace人脸检测器采用公开的大规模人脸检测数据集WiderFace训练，训练的损失函数采用RetinaFace中的多任务损失；自编码器和ArcFace人脸识别器采用公开的大规模人脸识别数据集WebFace联合训练，联合训练的损失函数采用ArcFace中的加性角余量损失。

3.根据权利要求1所述的现场自主学习的人脸识别方法，其特征在于：步骤4中，将人脸图像转换为高维特征，转化公式为：

f＝F_W,b(i)；

这里F_W,b表示模型参数为(W,b)的自编码器的编码器部分，W,b分别代表模型的权重和偏置参数，i为输入人脸图像，f为输出特征。

4.根据权利要求1所述的现场自主学习的人脸识别方法，其特征在于：步骤5中，身份特征匹配采用如下余弦相似度：

这里a，b表示两个待计算相似度的特征向量，符号“.”表示向量的点积运算，||||₂表示L₂-范数。