[发明专利]人脸模型的训练方法及人脸识别系统

权利要求书

1.一种人脸识别模型的训练方法，其特征在于，所述人脸识别模型包括一个识别主干网络、一个空间金字塔池化网络、一个识别全连接层、一个分类全连接层和一个识别模块；所述识别主干网络的输入是高分辨率的人脸上部分图像，空间金字塔池化网络的输入是主干网络的输出，全连接层的输入是空间金字塔池化网络的输出，识别模块的输入是全连接层的输出，所述识别模块的输出是所述监控对象的身份信息；所述方法包括：

获得人脸识别训练集，所述人脸识别训练集包括多张识别训练图像，多张识别训练图像包括基本人脸图像、训练正样本图像和训练负样本图像；

对所述识别训练图像进行预处理以及数据加强，得到识别加强图像；

将所述识别加强图像输入所述识别主干网络中，得到基本人脸图像特征、训练正样本特征和训练负样本特征；

通过空间金字塔池化网络，基于所述基本人脸图像特征、所述训练正样本特征、所述训练负样本特征，得到固定尺寸的基本人脸图像特征矩阵、训练正样本特征矩阵和训练负样本特征矩阵；

所述基本人脸图像特征矩阵、训练正样本特征矩阵和训练负样本特征矩阵分别通过所述识别全连接层后，分别得到基本人脸图像特征向量、训练正样本特征向量和训练负样本特征向量；

对基本人脸图像特征向量、训练正样本特征向量和训练负样本特征向量分别进行L2标准化处理，得到标准化基本人脸图像特征向量、标准化训练正样本特征向量和标准化训练负样本特征向量；

基于标准化基本人脸图像特征向量、标准化训练正样本特征向量和标准化训练负样本特征向量，构建分类器，获得识别损失值；

获得所述人脸模型训练的最大迭代次数，若所述人脸识别损失值不大于阈值或人脸模型训练迭代次数小于或者等于所述最大迭代次数时停止训练，得到训练好的人脸识别模型。

2.根据权利要求1所述的方法，其特征在于，所述基于标准化基本人脸图像特征向量、标准化训练正样本特征向量和标准化训练负样本特征向量，构建分类器，获得识别损失值，包括：

基于所述类别全连接层分别对标准化基本人脸图像特征向量、标准化训练正样本特征向量和标准化训练负样本特征向量进行分类，得到类别特征向量；

所述人脸识别模型的识别损失值是所述人脸识别特征向量损失值和所述加权分类特征向量损失值的相加之和，所述分类特征向量损失值是所述类别特征向量与标注类别特征向量通过交叉熵损失函数得到的损失值，所述人脸识别特征向量损失值是基本人脸图像特征向量、训练正样本特征向量和训练负样本特征向量之间三元组损失函数值；

所述三元组损失函数为：L_t＝(d_a,p-d_a,n+α)

其中L_t是三元组损失函数值，d_a,p是第一距离，所述第一距离是所述人脸识别特征向量与所述训练正样本的距离值，d_a,n是第二距离，所述第二所述人脸识别特征向量与所述训练负样本的距离值；α是根据实际需要设定的识别阈值参数；

所述第一距离是所述人脸识别特征向量与所述训练正样本的距离值的计算方式为：

d_a,p＝dist(x,y1)+β*cos(θ1)

d_a,n＝dist(x,y2)+β*cos(θ2)

其中，β是权量因子；

其中，x_i为所述人脸识别特征向量，y1_i为所述正样本的特征向量；，y2_i为所述负样本的特征向量。