[发明专利]一种基于深度卷积神经网络的二维人脸识别模型的训练方法

摘要

本发明提供了一种基于深度卷积神经网络的二维人脸识别模型的训练方法，步骤包括采集人脸图像并转换为灰度图像，将灰度图像输入人脸卷积神经网络模型中进行训练，构建最难区分三元组，通过迭代优化的方式，利用上一轮训练后的人脸识别卷积神经网络模型进行下一轮三元组选择和训练，直至迭代收敛，获得最终用于识别的人脸识别卷积神经网络模型。与现有技术相比，本发明有效利用了大规模的人脸图像及表情姿态各异的人脸图像，提出了一种可用于二维人脸识别模型训练的有效方法，通过迭代优化的方式能够有效的学到精准的特征表达，提升了人脸比对的精度，只要有足够的样本图像和迭代次数，就可以得到在该样本集上最优的模型。

主权项

一种基于深度卷积神经网络的二维人脸识别模型的训练方法，其特征在于，包括以下步骤：步骤S1：采集人脸图像样本，采用基于Haar特征的Adaboost算法得到样本图像中的人脸区域；步骤S2：将样本图像中的人脸区域进行定比例扩展，然后截取部分人脸区域的图像，缩放后通过灰度处理获得灰度图像；步骤S3：构建初步的人脸卷积神经网络模型，将灰度图像输入人脸卷积神经网络进行训练，得到全连接层的人脸高层次特征值，根据该特征值与其理想值的差距，调整模型的权值矩阵，获得训练后的人脸识别卷积神经网络模型；步骤S4：对特征值进行L2范数归一化，获得人脸图像的特征表示；步骤S5：从样本中随机选择某个人的灰度图像作为锚点，选择该人其它图像生成的特征值与锚点之间的距离最大的一张灰度图像作为正样本，选择其他人图像生成的特征值与锚点之间的距离最小的一张灰度图像作为负样本，构建获得由锚点、正样本和负样本组成的三元组；利用目标函数进行筛选，选择不满足目标函数的三元组为最难区分三元组；步骤S6：精调卷积神经网络模型：将选取的最难区分三元组输入人脸识别卷积神经网络模型进行训练、精调，再次获得相应的特征值，重复步骤S4‑S5，利用上一轮训练好的人脸识别卷积神经网络模型，进行下一轮最难三元组选择和训练，通过最后生成的特征值计算待测人脸图像的欧式距离，将欧式距离与设定阈值比较，判断是否为同一人，从而获取人脸识别的正确率和误识率；步骤S7：多次迭代优化直到人脸识别卷积神经网络模型收敛，直至迭代收敛，即人脸识别的正确率的评价标准达到最高值，获得最终用于识别的人脸识别卷积神经网络模型，训练结束。