[发明专利]基于弹性上下文关系损失函数的人脸识别方法及系统

摘要

本发明涉及一种基于弹性上下文关系损失函数的人脸识别方法，其研究如何克服海量不平衡数据对人脸识别训练带来的影响，提出的方法可以有效地挖掘组合数据块，减少无用的冗余计算，加速整个训练过程，且设计的基于弹性上下文的目标函数无需为每个类引入额外的训练参数，减少了大规模训练中长尾类的影响，同时软间距可以提高人脸识别准确率。

主权项

1.基于弹性上下文关系损失函数的人脸识别方法，其特征在于：包括以下步骤：S1.对于训练集中的图像，利用人脸检测算法检测图像中是否包含有人脸，若否则舍弃该图像，若是则执行步骤S2；S2.对训练集中的图像中的人脸进行关键点定位，并基于关键点定位得到的关键点坐标对训练集中的图像进行操作得到预定大小的人脸图像；S3.从训练集中随机选取一批人脸图像训练人脸识别模型；S4.使用人脸识别模型提取训练集中人脸图像的特征描述子；S5.根据获取的特征描述子计算得到训练集中人脸图像每个类的样本均值，作为这个类的代表样本；S6.通过K‑mean聚类算法，将人脸图像的代表样本聚类到多个聚类中心；S7.从每个聚类中心选择S个类，并从S个类中平均挑选M个人脸图像样本组成一个数据块X，用均值来表示每个类的中心C＝{c₁，c₂，…，c_S}；每个数据块样本均来自同一个聚类中心的类；S8.构建卷积神经网络单元，将数据块X送入卷积神经网络中，输出每个人脸图像样本的特征向量；S9.将步骤S8提取的特征向量送入FCL损失函数中，FCL损失函数表示如下：其中x_i表示人脸图像样本的特征向量，y_i为人脸图像样本的类别标签，c_j表示每个数据块中第j类的人脸图像样本的特征向量均值，p_ij表示人脸图像样本x_i属于类别j的概率，1(y_i＝＝j)表示一个二值函数，当y_i＝＝j成立时值为1，否则为0；S10.增加间隔参数m来增强类内样本的相关性：其中表示样本x_i属于类别y_i的概率，p_ij表示样本x_i属于类别j的概率，c_k表示每个数据块中第k类的图像样本的特征向量均值；S11.对于待处理的图像，将其进行步骤S1～S2处理后得到预定大小的人脸图像；S12.将步骤S11得到的人脸图像输入到卷积神经网络中，得到相应的特征向量；S13.使用余弦距离函数计算得到图像特征向量之间的相似度，若计算得到的余弦距离大于设定的阈值，则判断为同一人，否则判断为不同人。