[发明专利]一种基于深度化可分离卷积模型的人脸识别方法

摘要

本发明涉及一种基于深度化可分离卷积模型的人脸识别方法，包括以下步骤：第一步、读取人脸图像样本数据集；第二步、建立深度化可分离卷积模型，所述深度化可分离卷积模型在相邻的两个卷积模块之间级联了多个残差瓶颈模块；第三步、利用梯度下降算法更新深度化可分离卷积模型参数；第四步、通过更新参数后的深度化可分离卷积模型进行人脸识别。本发明可以在保证人脸识别准确率的基础上提高识别速度，实验表明，本发明可以在保证识别准确率在高于99%的前提下，使得其在ARMv8移动终端上的识别速度达到了小于300ms从而可以会使移动端设备拥有准确且快速的人脸识别功能。

主权项

1.一种基于深度化可分离卷积模型的人脸识别方法，包括以下步骤：第一步、读取人脸图像样本数据集，每幅人脸图像为3通道，其高度为112个像素，宽度为112个像素；第二步、建立深度化可分离卷积模型，所述深度化可分离卷积模型在相邻的两个卷积模块之间级联了多个残差瓶颈模块，如下表所示：输入图像大小模块名称通道数重复次数步幅间距112*112*3Conv3*3641256*56*64Depthwise conv3*3641156*56*64bottleneck645228*28*64bottleneck1281214*14*128bottleneck1286114*14*128bottleneck128127*7*128bottleneck128217*7*128Conv1*1512117*7*512linear GDConv7*7512111*1*512linear conv1*112811表中，第一列为各模块的输入图像大小，第二列为模块名称，第三列为通道数，第四列为该模块的重复次数，第四列为步幅间距，卷积核采用3*3；第三步、利用梯度下降算法更新深度化可分离卷积模型参数1)通过所述深度化可分离卷积模型将所述样本数据集的人脸图像映射成512维特征向量；2)计算损失函数，所述损失函数由Softmax函数和ArcFace函数加权构成，其中，Softmax函数的表达式如下：式中，x表示样本经深度化可分离卷积模型映射而成的特征向量，N表示所述样本数据集的大小，i取值1～N，y_i表示样本x_i对应的标签；W向量表示待优化参数，包括和W_j，表示样本x_i在其标签y_i处的权重，W_j表示输出节点j处的权重；b向量包括和b_j，表示样本x_i在其标签y_i处的偏差，b_j表示输出节点j处的偏差；ArcFace函数的表达式如下：式中，为样本x_i与其对应标签y_i的权重的夹角，θ_j为样本x_i与输出节点j处的权重W_j的夹角；m、s为预设参数，0.2≤m≤2，50≤s≤100；最终的损失函数为：Ltotal＝Lsoftmax+Larcface；3)计算损失函数的梯度下降距离其中μ是预设的学习率；4)确定损失函数的梯度下降距离是否小于预设阈值ε，如果是则执行第四步，否则更新W向量后再执行步骤1)，更新W向量的表达式如下：第四步、通过更新参数后的深度化可分离卷积模型进行人脸识别。