[发明专利]一种基于难样本四元组动态边界损失函数的人脸验证方法

摘要

本发明公开了一种基于难样本四元组动态边界损失函数的人脸验证方法，包括如下步骤：（1）构建人脸样本图像数据库并进行预处理。（2）对数据库中的人脸图像进行分组，设定有效的选取机制来选取难样本四元组。（3）设置模型损失函数为包含动态阈值边界的四元组损失函数，投入难样本进行训练，得到收敛好的网络模型。（4）利用训练好的网络对待验证的人脸图像进行特征提取，计算特征向量间的距离，根据距离大小判断验证结果。本发明的方法具有如下优点：1）模型收敛速度快；2）对人工设置的边界阈值依赖程度低；3）更有效地提取人脸特征并提高人脸验证的准确度。

主权项

1.一种基于难样本四元组动态边界损失函数的人脸验证方法，其特征在于：包括如下步骤：步骤(1)：构建人脸样本图像数据库并进行预处理，具体流程如下：步骤(1.1)：采集n张来自c个不同人的人脸图像，每个人采集d张来构成人脸样本图像数据库；将采集到的图像归一化为a×b像素的人脸样本图像，并将所有n张人脸样本图像分别转化为m维向量且i＝1,2,…,c，u＝1,2,…,d，m＝a×b；步骤(1.2)：根据人脸图像特征与其中心点的距离，将采集获取到的人脸数据库中P％的图像过滤掉；步骤(1.3)：将人脸数据库中的图像以K％的概率进行左右水平地翻转；步骤(1.4)：根据下式对人脸数据库中的图像进行标准化处理：其中，μ是图像的均值，x表示图像矩阵，adjusted_stddev是图像x的均值，其大小为σ表示标准方差，S表示图片x的像素数量；步骤(1.5)：将预处理后的人脸样本数据库按比例分为训练数据库与测试数据库；步骤(2)：从步骤(1)中得到的训练数据库中选取难样本，具体流程如下：步骤(2.1)：将步骤(1.1)中得到的人脸样本图像数据库中的每一幅图像x，设置其本身为锚样本x^a，与它属于同一类的样本为正样本x^p，属于不同类的样本为负样本xⁿ，选取一个正样本对<x^a，x^p>和负样本对<x^m，xⁿ>构成一个四元组；步骤(2.2)：从步骤(2.1)中得到的四元组中，选择人脸图像特征距离最远的正对max<x^a，x^p>和人脸图像特征距离最近的负对min<x^m，xⁿ〉来构成输入深度卷积神经网络的难样本；其中，人脸样本对之间距离的计算公式如下：其中m表示图像x的维数，表示来自类别i的锚样本a的m维特征向量；步骤(3)：设定网络并确定损失函数，并投入难样本开始训练网络模型，具体流程如下：步骤(3.1)：确定用于特征提取的深度卷积神经网络结构并设置训练过程中的各种参数；步骤(3.2)：用下式来计算神经网络训练所需要的动态边界四元组损失：D_i∈A,D_j∈B,D_k∈B其中，样本m和n可以和锚样本a属于同一类或者不同类，N表示每批投入网络训练的样本数量，A表示每批样本中与锚样本a属于同一类的样本集合，而B则表示与锚样本属于不同类的样本集合，D_i表示图片x_i所属的样本集合，α表示正负样本对之间的动态边界阈值；步骤(3.3)：将步骤(2.2)中的四元组难样本投入网络中并开始训练模型至收敛，得到收敛好的深度卷积神经网络模型；步骤(4)：人脸图像验证，具体过程如下：步骤(4.1)：采集获取两张待验证的人脸图像测试样本x₁和x₂，将x₁和x₂归一化为a×b像素的测试样本；步骤(4.2)：将步骤(4.1)中归一化后的测试样本x₁和x₂投入步骤(3.3)中训练好的深度卷积神经网络模型中，分别得到x₁和x₂的高级特征向量f(x₁)和f(x₂)；步骤(4.3)：对步骤(4.2)中得到高级特征向量f(x₁)和f(x₂)，用步骤(2.2)中的距离公式计算它们之间的距离步骤(4.4)：将步骤(4.3)中计算得到的图像对距离与步骤(3.2)中训练得到的平均边界阈值作比较，判断d_1,2是否大于如果大于，则说明人脸图像x₁和x₂来自同一个人；否则来自不同的人。