[发明专利]一种基于双阶段交替学习的人证比对方法和装置

权利要求书

1.一种基于双阶段交替学习的人证比对方法，其特征在于，包括以下步骤：

步骤一：收集人脸图像，并对人脸图像进行数据标注；

步骤二：将步骤一收集的人脸图像进行裁剪、水平翻转、去噪、亮度增强和对比度增强处理后，得到人脸图像数据集，即训练集，并将训练集分批；

步骤三：将经过步骤二处理后的训练集的图像依批次输入到卷积神经网络中，完成使用余弦损失函数或者三元组损失函数的双阶段交替的人脸类别训练，得到训练好的人证比对模型，具体为：将经过步骤二处理后的训练集的图像依批次输入到卷积神经网络中，所述卷积神经网络中Softmax层输出人脸图像的特征向量，该特征向量依训练批次分别送入余弦损失函数或者三元组损失函数进行双阶段交替训练，计算损失值，再通过反向传播的方式更新卷积神经网络的权重，重复进行双阶段交替训练直至余弦损失函数和三元组损失函数收敛，完成对卷积神经网络的训练；

所述余弦损失函数其计算公式为：

其中， n为一批输入卷积神经网络的人脸图像的数量，i为n的索引，为目标类别的特征向量，j为非目标类别的特征向量，为输入的第i张人脸图像的特征向量与之间的夹角，为输入的第i张人脸图像的特征向量与j之间的夹角，C为训练数据中人脸图像的类别总数，s为预先设定的余弦值放大尺度，m为预先设定的余弦夹角间隔，s与m均为固定值；

所述三元组损失函数具体为：其中三元组的选取方式为：在本批次图像中随机选取一个证件图像样本，设定为预定义基准图；在本批次图像中随机选取一个与预定义基准图为同一类别的摄像头图像样本，设定为正样本图；在本批次图像中其他类别的图像中随机选取一个样本，设定为负样本图；此三元组的损失函数计算公式为：

其中，为预定义基准图通过卷积神经网络提取的特征向量；为正样本图通过卷积神经网络提取的特征向量；为负样本图通过卷积神经网络提取的特征向量；为预先设定的三元组间隔；

所述双阶段交替训练具体为：将余弦损失函数训练阶段称为一阶段；将三元组损失函数训练阶段称为二阶段；训练从一阶段开始，训练A个纪元后变换为二阶段训练B个纪元，将A+B个纪元记为一个轮回，每个轮回结束后变换为一阶段开始新的轮回；

所述余弦损失函数训练阶段的数据采样方式为在所有人脸图像中随机无重复采样n张，所述三元组损失函数训练阶段的数据采样方式为在所有人脸图像类别中随机挑选p类，每类随机采样k张，k张中包含一张证件照片，且p×k = n；所述纪元具体是指：将所有批次的图像依次送入卷积神经网络中提取人脸特征，其中，计算余弦损失函数或三元组损失函数并反向传播更新网络权重的过程为一个纪元；

步骤四：将要进行人证比对的摄像头图像和证件图像输入训练好的人证比对模型，提取人脸特征，计算人脸相似度，输出人证比对结果。

2.如权利要求1所述的一种基于双阶段交替学习的人证比对方法，其特征在于，所述步骤一，具体为：收集人脸图像，将人脸图像按个体进行分类，并按照分类的结果对每个人脸图像进行数据标注；所述人脸图像包括摄像头图像和证件图像，其中，对于每一类人脸中的证件图像照片添加属于证件照的标识。

3.如权利要求1所述的一种基于双阶段交替学习的人证比对方法，其特征在于，所述步骤二，具体为：将步骤一中收集的所有图片裁剪为统一像素大小，后进行水平翻转、去噪、亮度增强和比对度增强处理，得到人脸图像数据集，即训练集，再将训练集进行分批处理。

4.如权利要求1所述的一种基于双阶段交替学习的人证比对方法，其特征在于，所述步骤四，具体为：将需要进行人证比对的摄像头图像和证件图像，即测试集，输入到步骤三中训练好的人证比对模型中，经卷积神经网络中Softmax层输出人脸图像的特征向量，将摄像头图像和证件图像的特征向量相乘，所得的乘积即为两者间的相似度，若计算得到的相似度大于预设的相似度阈值，则判断两者属于同一人，否则认为两者非同一人。

5.一种基于双阶段交替学习的人证比对装置，其特征在于，包括一个或多个处理器，用于实现权利要求1-4中任一项所述的基于双阶段交替学习的人证比对方法。

6.一种计算机可读存储介质，其特征在于，其上存储有程序，该程序被处理器执行时，实现权利要求1-4中任一项所述的基于双阶段交替学习的人证比对方法。