[发明专利]一种角度余量自适应的人脸识别模型训练方法

权利要求书

1.一种角度余量自适应的人脸识别模型训练方法，其特征在于：包括以下步骤，

步骤1，基于人脸识别数据集，采用损失函数进行预训练，得到预训练模型；

步骤2，将人脸识别数据集中的样本输入预训练模型，得到对应的特征向量；

步骤3，对人脸识别数据集中的每个类别，分别求出对应的类内方差；

步骤4，根据所得每个类别对应的类内方差，得到对应的角度余量大小；

步骤5，结合每个类别的角度余量和加法角度余量损失函数，构成类别角度余量自适应的加法角度余量损失函数；

步骤6，用类别角度余量自适应的加法角度余量损失函数监督人脸识别模型进行训练，以端到端的方式，采用随机梯度下降法进行训练，当类别角度余量自适应的加法角度余量损失函数下降收敛后，保存网络参数，得到最终的人脸识别模型并可用于人脸识别。

2.如权利要求1所述的角度余量自适应的人脸识别模型训练方法，其特征在于：所述步骤1还包括，

步骤1.1，对预训练网络模型的参数进行初始化；

步骤1.2，以简单的人脸识别损失函数为监督，采用随机梯度下降法进行训练；

步骤1.3，当损失函数下降收敛后，保存网络参数，得到预训练模型。

3.如权利要求1或2所述的角度余量自适应的人脸识别模型训练方法，其特征在于：所述步骤2还包括，

步骤2.1，将数据集中的样本x_i依次输入到预训练模型中，i＝1，2，...，N，得到对应的特征向量f(x_i)；

步骤2.2，将特征向量f(x_i)进行L2归一化。

4.如权利要求3所述的角度余量自适应的人脸识别模型训练方法，其特征在于：所述步骤3还包括，

步骤3.1，对数据集中的每个类别C_j，计算其平均特征向量μ_j，计算式为：

其中，n_j为每个类别C_j的样本数；

步骤3.2，计算类内方差计算式为：

5.如权利要求4所述的角度余量自适应的人脸识别模型训练方法，其特征在于：所述步骤4还包括，

步骤4.1，确定角度余量值的上界M_max和下界M_min；

步骤4.2，统计得到所有类别中最大的方差Var_max和最小的方差Var_min；

步骤4.3，通过线性映射，将每个类别C_j的方差映射为角度余量值并且在映射中遵循类别角度余量值与对应的类内方差呈负相关的准则，即类内方差越大对应的角度余量越小，类内方差越小对应的角度余量越大，具体的映射公式为：

6.如权利要求5所述的角度余量自适应的人脸识别模型训练方法，其特征在于：所述步骤5还包括，

步骤5.1，将加法角度余量损失函数表达式中的固定角度余量参数修改为类别自适应的角度余量参数；

步骤5.2，将步骤4中得到的每个类别的角度余量值作为参数值，构成类别角度余量自适应的加法角度余量损失函数L_CRMA，其计算公式为：

其中，y_i表示i个样本所属的类别，表示类别y_i在训练过程中的角度余量值，表示通过步骤4得到的类别y_i对应的角度余量值，表示第i个样本输出的特征向量与其对应类中心的夹角，θ_j表示第i个样本输出的特征向量与第j类样本的类中心的夹角。

7.如权利要求6所述的角度余量自适应的人脸识别模型训练方法，其特征在于：所述步骤6还包括，

步骤6.1，对人脸识别网络模型的参数进行初始化；

步骤6.2，以类别角度余量自适应的加法角度余量损失函数作为监督，采用随机梯度下降法进行训练。

步骤6.3，当损失函数下降收敛后，保存网络参数，得到最终的人脸识别模型。