[发明专利]一种基于卷积神经网络的人脸识别场景适应的方法

权利要求书

1.一种基于卷积神经网络的人脸识别场景适应的方法，其特征在于：包括下述步骤：

1)收集人脸数据并做好分类标签，对做好标签的人脸图像数据做预处理和数据增强，分成训练集和验证集两部分；

2)将1)中获得的训练集数据送入设计好的卷积神经网络进行训练，得到预训练模型，具体包括：设计卷积神经网络，该卷积神经网络包含5个3*3卷积层，5个1*1卷积层，4个池化层，6个MFM激活层，一个全连接层以及损失函数层；3*3卷积层与1*1卷积层结合组成卷积单元；卷积单元之后连接MFM激活层；卷积神经网络中所有池化层均采用最大池化方式，最后一层池化层输出256*8*8特征图；全连接层设定256个神经元，在提取特征时获得一个256维的向量；设定学习策略以及训练参数，将1)得到的训练集送入设计好的卷积神经网络进行训练，得到最初的预训练模型；

3)用1)中验证数据集测试2)中训练得到的预训练模型，根据测试结果调整训练参数重新训练；

4)重复3)获得最佳预训练模型；

5)根据不同应用场景收集少量人脸图像数据，在新收集的数据上微调4)中的预训练模型，得到新的适应场景的模型；

6)用5)中得到的适应场景模型对待测试人脸图像提取特征，对得到的特征中对应人脸五官部分做加权操作，得到最终特征向量；

7)用余弦距离度量6)中得到的最终特征向量，判断是否是目标人脸，输出结果。

2.如权利要求1所述的一种基于卷积神经网络的人脸识别场景适应的方法，其特征在于：

所述步骤1)中，将人脸图像调整到128*128大小，且对训练集做颜色直方图均衡化、水平镜像翻转、高斯模糊、添加随机噪声操作。

3.如权利要求1所述的一种基于卷积神经网络的人脸识别场景适应的方法，其特征在于：所述步骤5)具体包括：

用在训练数据上获得的最佳预训练模型参数初始化卷积神经网络参数；

将收集到的少量当前场景人脸图像送入网络，进行迭代训练；

得到适应当前场景人脸识别的深度卷积神经网络模型。

4.如权利要求3所述的一种基于卷积神经网络的人脸识别场景适应的方法，其特征在于：所述步骤5)具体包括：

作为更进一步具体的方案，所述迭代训练采用梯度下降法，参数更新公式如下：

V_t+1＝μV_t-α▽L(W_t)

W_t+1＝W_t+V_t+1

其中，t、t+1为迭代次数，V_t为第t次迭代权重参数更新量，V_t+1为第t+1次迭代权重参数更新量，W_t、W_t+1分别为第t次、第t+1次权重参数，μ是冲量项，一般取0.9，α为学习率，本实验中取e-6，▽L是计算偏导函数；在微调过程中，采用固定学习率的方法，设置学习率为e-6。

5.如权利要求1所述的一种基于卷积神经网络的人脸识别场景适应的方法，其特征在于：所述步骤6)具体包括：

对输入图像进行人脸关键点检测，根据得到的人脸关键点计算获得脸部五官区域；

输入测试图像，经过卷积神经网络计算得到全连接层输入的8*8特征图；

计算原始图像中脸部五官区域与全连接层输入的8*8特征图对应位置，对该区域特征乘以一个权重系数，得到最终输出特征图；

将该最终输出特征图输入到全连接层，映射得到目标特征向量。

6.如权利要求5所述的一种基于卷积神经网络的人脸识别场景适应的方法，其特征在于：

对该区域特征乘以一个权重系数，得到最终输出特征图具体采用的加权计算公式为：

其中X_ij是原始特征矩阵，X_ij′是加权之后输出特征矩阵，λ是权重参数，Region为原始特征矩阵中对应人脸的关键区域。

7.如权利要求5所述的一种基于卷积神经网络的人脸识别场景适应的方法，其特征在于：所述步骤7)具体包括：

计算6)中得到的目标特征向量与人脸库中每一个特征向量的余弦距离，找出人脸库中与目标特征向量余弦距离最大的特征向量，若最大余弦距离大于设定的阈值，则输出该特征向量对应的人脸，否则，人脸库中没有与待识别人脸相似的人脸图像。