[发明专利]人脸图像处理方法、系统及服务器

说明书

本发明实施例公开了一种人脸图像处理方法、装置及服务器，包括下述步骤：获取待分类的人脸图像；将所述人脸图像输入到构建有损失函数的卷积神经网络模型中，所述损失函数对所述卷积神经网络模型输出的待分类数据进行系数松弛化处理，以增大所述待分类数据的分类界面；获取所述卷积神经网络模型输出的分类数据，并根据所述分类数据对所述人脸图像进行内容理解。在对人脸图像进行分类之前，将卷积神经网络模型提取的人脸图像的待分类数据特征进行系数松弛化处理，采用系数松弛化处理能够在更加严苛的条件下训练卷积神经网络模型，使分类边界明显增大，因此使卷积神经网络模型对内容理解精准度大大提高。

技术领域

本发明实施例涉及图像处理领域，尤其是一种人脸图像处理方法、系统及服务器。

背景技术

人脸识别，是指利用计算机对人脸图像进行处理、分析和理解，以识别各种不同人脸图像的目标和对像的技术。人脸识别可以应用在安防、金融等很多领域，人脸识别的过程一般分为三个阶段：人脸检测、人脸对齐、人脸特征提取与比对，而人脸特征提取是人脸识别的关键技术。

随着深度学习技术的发展，卷积神经网络已经成为提取人脸特征的有力工具，对于模型固定的卷积神经网络而言，最核心的技术是如何设计损失函数，使其能有效地监督卷积神经网络的训练，从而使卷积神经网络具有提取人脸特征的能力。现有技术中主要使用Softmax的交叉熵损失函数。其中，Softmax的交叉熵损失函数训练网络提取特征的能力，利用网络的最后一层作为人脸的表达，将人脸数据映射到余弦空间上，通过比对不同人脸的余弦空间距离来判断人脸的相似性，同一个人余弦空间距离更相近，不同的人余弦空间距离更远。

但是本发明创造的发明人在研究中发现，Softmax的交叉熵损失函数的特征提取方法，是一种非端到端的方法，简单易于实现，但没有对现有模型进行最大程度的优化，即保证不同类别之间的分类边界最大化，分类边界不够明显，导致内容理解准确率无法提高。

发明内容

本发明实施例提供一种能够增大分类数据分类界面的人脸图像处理方法、系统及服务器。

为解决上述技术问题，本发明创造的实施例采用的一个技术方案是：提供一种人脸图像处理方法，包括下述步骤：

获取待分类的人脸图像；

将所述人脸图像输入到构建有损失函数的卷积神经网络模型中，所述损失函数对所述卷积神经网络模型输出的待分类数据进行系数松弛化处理，以增大所述待分类数据的分类界面，其中，所述系数松弛化处理具体包括对所述卷积神经网络模型全连接层输出的待分类数据进行同比例缩小处理，以增大所述待分类数据的分类界面，所述卷积神经网络模型采用的损失函数为Softmax的交叉熵损失函数；

获取所述卷积神经网络模型输出的分类数据，并根据所述分类数据对所述人脸图像进行内容理解。

具体地，所述系数松弛化处理具体包括下述步骤：

对所述卷积神经网络模型全连接层输出的待分类数据进行同比例缩小处理，以增大所述待分类数据的分类界面。

具体地，所述卷积神经网络模型的正向传播的特征描述为：

L＝log(p_i)

定义函数：

具体地，所述卷积神经网络模型的反向传播的特征描述为：

定义函数：