[发明专利]一种基于深度迁移学习的高精度人脸识别方法

摘要

本发明公开了一种基于深度迁移学习的高精度人脸识别方法，首先利用中规模人脸图片数据集以及SoftMax分类损失函数对深度卷积神经网络进行分类训练，通过梯度下降算法优化模型参数，得到初始人脸识别模型；随后更换大规模目标数据集，加载初始人脸模型除SoftMax分类层外的前N‑1层，同时采用Arcface损失函数对加载后的深度卷积神经网络进行训练，利用梯度下降优化模型参数，得到目标人脸识别模型。本发明利用深度迁移学习技术，既解决了SoftMax损失函数精度不高的问题，也解决了直接使用Arcface损失函数难以收敛的问题，提高了人脸识别模型的训练速度和识别精度，最终在公开测试集LFW上的识别精度为99.40％。

主权项

1.一种基于深度迁移学习的高精度人脸识别方法，其特征在于：包括初始人脸识别模型单元、目标人脸识别模型单元及分类器单元三个模块；/n所述初始人脸识别模型单元用于快速提升人脸识别精度，使分类损失收敛至较小数值，并将得到的模型传送至所述目标人脸识别模型单元作下一步处理；/n所述目标人脸识别模型单元利用迁移学习技术在所述初始人脸识别模型单元的基础上进一步提升人脸识别精度；/n所述分类器单元利用所述目标人脸识别模型对真实环境人脸图像进行特征提取，训练多分类逻辑回归线性分类器，并用其进行预测；步骤如下：/n步骤S1：选取中规模人脸数据集和分类损失函数，搭建深度卷积神经网络，将所述中规模人脸数据集输入到所述深度卷积神经网络，通过所述分类损失函数对所述深度卷积神经网络进行分类训练，再利用梯度下降算法对人脸识别模型进行参数优化，得到初始人脸识别模型；/n步骤S2：选取大规模人脸数据集和损失函数，加载所述步骤S1得到的初始人脸识别模型，采用所述损失函数对加载后的深度卷积神经网络进行训练，得到目标人脸识别模型；/n步骤S3：利用所述目标人脸识别模型对真实环境训练人脸图像进行特征提取，得到训练特征矩阵，训练分类器；/n步骤S4：利用所述目标人脸识别模型对真实环境测试人脸图像进行特征提取，得到测试特征矩阵，用训练的分类器进行预测，最后得到预测结果。/n