[发明专利]一种基于共享骨干网络的人脸识别与表情分析方法

权利要求书

1.一种基于共享骨干网络的人脸识别与表情分析方法，其特征在于：包括以下步骤，

步骤1，初始化深层骨干网络的参数，针对人脸识别任务进行训练，以人脸识别损失函数加法角度余量损失作为监督，采用随机梯度下降法进行训练，当损失函数下降收敛后，保存深层网络模型，基于知识蒸馏算法对深层网络模型进行压缩，得到轻量级骨干网络模型；

步骤2，初始化表情分析网络的参数，针对表情分析任务进行训练，以交叉熵损失函数作为监督，采用随机梯度下降法进行训练，并在训练过程中保持骨干网络的参数不变，当损失函数下降收敛后结束训练并保存训练后的表情分析网络模型；

步骤3，将待测视频帧输入人脸检测与对齐模块进行预处理，检测出人脸位置，并得到标准人脸；

步骤4，将标准人脸输入到轻量级骨干网络中，输出人脸特征向量；

步骤5，将人脸特征向量与人脸底库中的人脸特征向量进行比对，输出人脸识别结果；

步骤6，将人脸特征向量输入到表情分析网络，输出表情分析结果。

2.如权利要求1所述的基于共享骨干网络的人脸识别与表情分析方法，其特征在于：所述步骤1还包括，

步骤1.1，对深层骨干网络的参数进行初始化；

步骤1.2，针对人脸识别任务进行训练，以人脸识别损失函数作为监督信号，监督深层网络进行训练；

步骤1.3，采用随机梯度下降法对深层网络进行训练，训练损失为加法角度余量损失函数，当损失函数下降收敛后，结束训练并保存训练后得到的深层网络模型F；

步骤1.4，采用知识蒸馏算法对深层网络进行压缩，以深层网络作为教师模型，以轻量级网络作为学生模型，用深层网络输出的人脸特征向量作为标签，监督轻量级网络训练，采用的损失函数L_KD为：

其中，N为训练样本总数，x_i表示第i个训练样本，F(x_i)表示样本x_i输入深层网络模型F后得到的输出，f(x_i)表示样本x_i输入轻量级网络模型f后得到的输出；

步骤1.5：采用随机梯度下降法对轻量级网络进行训练，训练损失为L_KD，当损失函数下降收敛后，保存轻量级网络模型，结束训练，得到轻量级骨干网络模型。

3.如权利要求2所述的基于共享骨干网络的人脸识别与表情分析方法，其特征在于：所述步骤2还包括，

步骤2.1，构建表情分析网络，其包括3个全连接层，且前两个全连接层各包含一个整流线性单元激活层；

步骤2.2，对表情分析网络的参数进行初始化；

步骤2.3，针对表情分析任务进行训练，该任务为分类任务，将表情分析结果分为生气、厌恶、恐惧、开心、伤心、惊讶、中性七类。以交叉熵损失作为监督信号，监督表情分析网络进行训练；

步骤2.4，固定骨干网络的参数，在训练中保持不变；

步骤2.5，采用梯度下降法对表情分析网络进行训练，训练损失为交叉熵损失，并在训练中采用随机失活策略，当损失函数下降收敛后，保存表情分析网络模型，结束训练。

4.如权利要求1、2或3任一所述的基于共享骨干网络的人脸识别与表情分析方法，其特征在于：所述步骤3还包括，

步骤3.1，通过人脸检测算法对视频帧图像进行人脸检测，得到人脸的位置边界框和人脸关键点坐标；

步骤3.2，根据人脸关键点坐标与预定义的模板关键点坐标，得到变换矩阵，并通过仿射变换得到标准人脸。

5.如权利要求4所述的基于共享骨干网络的人脸识别与表情分析方法，其特征在于：所述步骤5还包括，

步骤5.1，将人脸底库中的人脸{I₁，I₂，…，I_n}依次输入到轻量级骨干网络中，得到对应的人脸特征向量{f(I₁)，f(I₂)，…，f(I_n)}；

步骤5.2：依次计算待识别人脸I_p通过骨干网络输出的特征向量f(I_p)与{f(I₁)，f(I₂)，…，f(I_n)}的距离{d₁，d₂，…，d_n}，特征向量f(I_p)与人脸底库中第i个人脸特征向量f(I_i)的距离d_i为：

d_i＝||f(I_p)-f(I_i)||₂

步骤5.3：求m＝argmin_m{d₁，d₂，…，d_n}，设定阈值ε，若d_mε，则将待识别人脸I_p识别为ID(I_m)，反之则判断为陌生人。