[发明专利]基于结合人脸属性信息的人脸识别方法

权利要求书

1.基于结合人脸属性信息的人脸识别方法，其特征在于，包括下列步骤：

构建融合网络模型：

以第三模块BlockC作为融合网络模型的输入层，所述第三模块BlockC连接第一模块BlockA1，第一模块BlockA1分别连接第一模块BlockA2，第二模块BlockB1；所述第一模块BlockA2再顺次连接第一模块BlockA3、第一全局平均池化方式的池化层、第一全连接层、第二全连接层Softmax层，构成身份识别网络；

第一模块BlockA2和第二模块BlockB1均与特征连接器连接，所述特征连接层再顺次连接第二模块BlockB2、第二全局平均池化方式的池化层和第三全连接层，构成人脸属性识别网络；

其中第一模块Block A1堆叠5个Inception结构，第一模块Block A2堆叠10个Inception结构，第一模块BlockA3堆叠5个Inception结构，所述Inception结构包括特征连接器、卷积层、池化层、规范化层和输入接口层，在特征连接器与输入接口层之间包括四路并行卷积：第一路为串联的卷积层和规范化层，其中卷积层连接输入接口层且卷积核为1×1；第二路为串联的两个卷积层和规范化层，其中连接输入接口层的卷积层的卷积核为1×1，另一个卷积层的卷积核为3×3；第三路包括串联的两个卷积层和规范化层，其中连接输入接口层的卷积层的卷积核为1×1，另一个卷积层的卷积核为5×5；第四路包括顺次串联的池化层、卷积层和规范化层，其中池化层连接输入接口层，池化方式为最大值池化，池化核为2×2，卷积层的卷积核为1×1；

第二模块BlockB1、BlockB2均为卷积结构：包括顺次连接的输入接口层、卷积核为1×1的卷积层、卷积核为3×3的卷积层和输出接口层；

第三模块BlockC包括顺次连接的输入层、3组串联的卷积层和池化层组、以及输出接口层，其中卷积层和池化层的核均分别为3×3和2×2，池化方式为最大值池化；

训练所述融合网络模型：

步骤101：采集训练样本集，并对训练样本进行图像预处理，包括尺寸归一化、图像像素值均值归一化和随机角度翻转归一化；并将训练样本集随机分为多个子训练集，每个子训练集的样本数为S；

步骤102：初始化神经网络参数，属性损失函数的属性分布权重，获取首次迭代的网络参数、属性损失函数的属性分布权重；其中属性损失函数的属性分布权重包括正样本的属性损失函数的属性分布权重和负样本的属性损失函数的属性分布权重其中i为人脸属性类别标识符；

步骤103：将子训练集作为所述融合网络模型的输入图像，预测身份标签和各属性标签，并与真实标签对比误差，计算损失函数其中表示Softmax层的损失函数，表示第一全连接层的人脸身份的中心损失函数，表示第三连接层的人脸属性损失函数，λ₁和λ₂表示预设的损失权重，0＜λ₁,λ₂＜1，取经验观测值；

其中表示第j张图片的第三全连接层对属性i的当前输出结果，表示图片j对属性i的真实标签，表示对应属性i的第t次迭代的正或负样本的属性损失函数的属性分布权重，C表示属性类别数；

步骤104：计算损失函数的梯度其中W_t表示第t次迭代的网络参数；

迭代更新网络参数：W_t+1＝W_t+V_t+1,其中β表示预设的负梯度的学习率，μ表示上一次梯度值的权重，V_t表示第t次迭代的梯度，且首次迭代的梯度为0，权重μ为预设值；

迭代更新属性损失函数的属性分布权重：其中尺度参数当前规范化变量表示第三全连接层对属性i的当前输出结果，即S个FC[i]_j组成FC[i]，yⁱ表示当前子训练集对属性i的真实标签，即S个组成yⁱ；

步骤105：重复执行步骤103-104，迭代更新网络参数、各属性的属性损失函数的属性分布权重，直到损失函数收敛，并保存当前更新的网络参数和属性损失函数的属性分布权重；

对待识别图像的识别处理：

步骤201：对待识别图像进行尺寸归一化和图像像素值均值归一化处理；

步骤202：加载训练过程保存的网络参数；

步骤203：将步骤201处理后的待识别图像输入所述融合网络模型，前向传播，通过第二和第三全连接层分别预测身份标签和C种人脸属性标签，其中身份标签通过第二全连接层经过softmax层取最大概率值对应索引标签；人脸属性标签通过第三全连接层直接输出。

2.如权利要求1所述的方法，其特征在于，正样本的属性损失函数的属性分布权重和负样本的属性损失函数的属性分布权重的初始值为：和表示训练训练样本集中属性为i的正、负样本数目。