[发明专利]一种角度余量自适应的人脸识别模型训练方法

说明书

本发明公开了一种角度余量自适应的人脸识别模型训练方法，包括以下步骤，基于人脸识别数据集，进行预训练，得到预训练模型；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；对数据集中的每个类别，分别求出对应的类内方差；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；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；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，得到最终的人脸识别模型并可用于人脸识别。通过本发明可以实现在角度余量损失函数的基础上，引入了类别自适应角度余量算法，使得训练出的模型具有更高的准确率和泛化能力。

技术领域

本发明涉及人脸识别的技术领域，尤其涉及一种角度余量自适应的人脸识别模型训练方法。

背景技术

目前，人脸识别已经成为十分重要的用于身份认证的生物识别技术，广泛应用于金融、商业、安防等多个领域。传统的人脸识别方法一般采用描述符算子对人脸图像就行特征提取，如局部二值模式(LBP)算子等。这类方法实现简单，但提取的特征的辨别力低，用于人脸识别准确率低。目前，主流的人脸识别模型均采用基于深度学习的方法。基于深度学习的人脸识别方法的核心是损失函数的设计，近年来，基于余弦距离优化并且引入角度余量思想的损失函数的提出和不断优化，促进了人脸识别的快速发展。如SphereFace，CosFace和ArcFace等一系列加入角度余量的损失函数，所监督训练出的人脸识别网络获得了很高的准确率。然而，这些算法引入的都是一个固定的角度余量值，这个值作为一个固定参数，在训练前人为设定。这种做法是存在一定问题的。

人脸识别数据集中普遍存在着长尾分布的问题，类别之间的分布极度不平衡，存在富裕类(Rich Class)和贫穷类(Poor Class)的区别。对样本数足够多且类内方差足够大的富裕类，数据集中的该类数据样本的分布可以近似表示这一类别的真实分布。但是对于样本数稀少且类内方差小的贫穷类，数据集中该类数据样本的分布只是该类别真实分布的一小部分，无法表示完整的真实分布。如果在训练中，富裕类和贫穷类的样本都使用相同的角度余量，那么贫穷类人脸样本对应的特征向量的分布会不如富裕类的紧凑，即贫穷类人脸特征向量的类内距离会更大，这是因为贫穷类真实的样本分布要比观测到的更大，但在训练中却没有注意到这一点，导致网络的泛化能力降低。

发明内容

发明目的：为了克服现有技术中存在的不足，本发明提供一种角度余量自适应的人脸识别模型训练方法，该发明能够对人脸识别数据集中不同的类别设定自适应的角度余量，解决类别之间的分布极度不平衡的问题。

技术方案：为了实现上述发明目的，本发明提供了一种角度余量自适应的人脸识别模型训练方法，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。

进一步的，在本发明中：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；