[发明专利]一种基于神经网络人脸特征提取的相似度获得方法

摘要

本发明涉及一种基于神经网络人脸特征提取的相似度获得方法，基于对神经网络架构的改进，引入align架构，在人脸识别前，加入针对人脸图片的矫正过程，能够有效避免引入新的特征点检测算法和人脸矫正方法，如此采用改进型神经网络架构实现了端到端的人脸识别过程，能够有效提高人脸相似度检测的效率与准确率。

主权项

1.一种基于神经网络人脸特征提取的相似度获得方法，用于获得人脸间的相似度，其特征在于，神经网络包括Date层、align层、extract层和softmax层；所述相似度获得方法包括如下步骤：步骤A.针对已知特征向量的各幅训练人脸图像，分别进行预处理，并构建人脸图像训练集合，且平均划分为多个训练子集合，然后导入Data层，并初始化n＝1，进入步骤B；步骤B.初始化i＝1，并进入步骤C；步骤C.Data层针对第i个训练子集合向align层进行输送，由align层针对第i个训练子集合进行处理，然后进入步骤D；其中，一方面Data层针对第i个训练子集合中各幅训练人脸图像，依次经过align层中至少一组依次包括卷积层、激活层、池化层的结构进行人脸特征提取；接着针对所提取的人脸特征，经align层中的一维降维层转化为一维特征向量；然后针对一维特征向量，通过align层中的全连接层获得对应预设数量的图像矫正参数，即获得第i个训练子集合中各幅训练人脸图像分别所对应预设数量的图像矫正参数，并输送至align层中的空间转换层；同时，另一方面Data层将第i个训练子集合中各幅训练人脸图像依次输送至align层中的空间转换层；由align层中的空间转换层根据第i个训练子集合中、各幅训练人脸图像分别所对应预设数量的图像矫正参数，针对第i个训练子集合中对应训练人脸图像分别进行图像矫正，然后进入步骤D；步骤D.由align层中的空间转换层将第i个训练子集合中矫正后的各幅训练人脸图像，依次向extract层进行输送，依次经过extract层中至少一组依次包括卷积层、分割层、最大化层、池化层、卷积层、分割层、最大化层的结构进行人脸特征提取，然后进入步骤E；步骤E.针对extract层中分别对应第i个训练子集合中各幅训练人脸图像的人脸特征，进一步依次经过extract层中的卷积层、分割层、最大化层、池化层、一维降维层，获得分别对应第i个训练子集合中各幅训练人脸图像的一维特征向量，然后进入步骤F；步骤F.针对extract层中分别对应第i个训练子集合中各幅训练人脸图像的一维特征向量，经过extract层中的全连接层进行归一化操作，接着再依次经过extract层中的分割层、最大化层、抑制操作层，获得分别对应第i个训练子集合中各幅训练人脸图像的测算特征向量，然后进入步骤G；步骤G.由extract层中的抑制操作层，将分别对应第i个训练子集合中各幅训练人脸图像的测算特征向量，依次向softmax层进行输送，并由softmax层计算得出对训练图片的分类结果，根据已知第i个训练子集合中各幅训练人脸图像的图片分类标签，以及各幅训练人脸图像的已知特征向量，获得当前参数下网络在第i个训练子集合的错误率，然后进入步骤H；步骤H.根据当前参数下网络在第i个训练子集合的错误率，针对神经网络进行相应参数调整，然后进入步骤I；步骤I.判断i是否等于I，I表示训练子集合的数量，是则进入步骤J；否则针对i的值进行加1更新，并返回步骤C；步骤J.判断n是否等于N，N表示预设迭代次数，是则进入步骤K；否则针对n的值进行加1更新，并返回步骤B；步骤K.针对各幅待对比人脸图像，分别进行预处理；然后采用上述经过训练神经网络中的Date层、align层、extract层，分别针对各幅待对比人脸图像进行处理，获得分别对应各幅待对比人脸图像的特征向量，并进入步骤L；步骤L.根据各幅待对比人脸图像的特征向量，计算获得各幅待对比人脸图像之间的相似度。