[发明专利]基于受试者工作特征曲线下部分面积优化的人脸识别方法

说明书

本发明公开了一种基于受试者工作特征曲线下部分面积优化的人脸识别方法，通过pAUC算法和类中心学习策略训练一个用于开集人脸识别的深层卷积神经网络。其中：1)类中心学习策略对训练数据集构造样本对，从而大大提高了模型训练效率；2)pAUC算法起到难例挖掘作用，可以有针对性地训练模型；构造样本对进行训练恰好模拟了人脸注册和测试的流程，模型不再需要softmax输出层进行分类，而是直接输出两张人脸的相似度来进行身份判别。训练好后模型可以直接提取面部图像特征进行人脸验证。本发明在五个大规模非限定环境下的人脸基准数据集上的实验结果表明，和目前性能最优的人脸识别方法相比具有很强的竞争性。

技术领域

本发明属于模式识别技术领域，具体涉及一种人脸识别方法。

背景技术

目前使用深层卷积神经网络(deep convolution neural networks，简称DCNNs)的嵌入(embedding)来进行人脸表征是人脸识别的首选方法。面部图像经过人脸对齐后，DCNNs将人脸图像映射为类内距离小且类间距离大的嵌入。

在训练DCNNs时，有两种类型的损失函数，分别是辨识型损失和验证型损失。前者主要由softmax分类输出单元和交叉熵损失构成。但是这一类损失函数有两个缺点：(1)线性变换矩阵的大小会随着身份数n的增加而增加；(2)模型所学特征在闭集分类问题中对于不同类别的可区分性很强，而在开集人脸识别任务中可区分性显著下降。另外一类是验证型损失函数，它们通过构造成对的或是三元组的样本来进行模型训练，例如三元组损失函数。构造样本对进行训练恰好模拟了人脸注册和测试的流程，模型不再需要softmax输出层进行分类，而是直接输出两张人脸的相似度来进行身份判别，当相似度高于某一阈值时，即认为两张人脸为同一身份。但是验证型损失函数有以下缺点：(1)在大规模的数据集中，构造样本对容易出现组合爆炸的问题，并且过多的样本对会导致训练模型的迭代次数显著增加；(2)能够有效解决组合爆炸问题的难例挖掘(hard sample mining)策略实现起来有困难。

发明内容

为了克服现有技术的不足，本发明提供了一种基于受试者工作特征曲线(receiver operating characteristic，简称ROC)下部分面积(partial area undercurve，简称pAUC)优化的人脸识别方法，通过pAUC算法和类中心学习策略训练一个用于开集人脸识别的深层卷积神经网络。其中：1)类中心学习策略对训练数据集构造样本对，从而大大提高了模型训练效率；2)pAUC算法起到难例挖掘作用，可以有针对性地训练模型；构造样本对进行训练恰好模拟了人脸注册和测试的流程，模型不再需要softmax输出层进行分类，而是直接输出两张人脸的相似度来进行身份判别。训练好后模型可以直接提取面部图像特征进行人脸验证。本发明在五个大规模非限定环境下的人脸基准数据集上的实验结果表明，和目前性能最优的人脸识别方法相比具有很强的竞争性。

本发明解决其技术问题所采用的技术方案包括如下步骤：

步骤1：采用类中心学习策略构造样本对；

设训练集为其中u和v表示第u个身份里的第v张面部图像，U是训练集中总身份数，V_u是第u个身份所包含的面部图像数量，那么整个训练集中的面部图像数量为

采用类中心学习法构造集合把每个身份当做一个类，给每个身份定义一个类中心向量w，记作在每一次迭代时，从训练集中随机选取t₁张面部图像，并将每张面部图像分别与每一个类中心进行组合，形成样本对，所有样本对形成集合其中包含了t₁对正例和(t₁U-t₁)对负例；

所述类中心是随机初始化的，并且在每次迭代时通过反向传播进行更新；

步骤2：提取面部图像的嵌入特征；

将集合中的样本对输入DCNN，DCNN输出得到样本对的嵌入特征；