[发明专利]一种联合原始数据和生成数据的人脸识别方法

说明书

本发明提供了一种通过小规模人脸数据集训练卷积神经网络的方法，其特征在于，包括步骤：步骤1：使用原始标注的人脸样本集训练卷积神经网络VGG人脸识别模型；步骤2：构造深度卷积生成对抗网络DCGAN模型，使用原始标注的人脸样本集训练深度卷积生成对抗网络；步骤3：通过DCGAN生成无标签的人脸样本集；步骤4：对DCGAN生成人脸数据集标注；步骤5：使用原始标注的人脸样本集训练即插即用生成网络PPGN；步骤6：通过PPGN生成带有标签的人脸样本集；步骤7：联合DCGAN、PPGN生成的样本集和原始标注的样本集训练卷积神经网络；步骤8：重复训练，即重复步骤4，5，6，7多次；步骤9，使用原始标注的人脸样本集微调VGG网络。

技术领域

本发明涉及生物特征识别领域，具体涉及一种同时利用原始的标注数据和生成对抗网络生成数据训练人脸识别神经网络的方法。

背景技术

人脸识别是基于人的脸部特征信息进行身份识别的技术，因其具有自然性，非强制性和非接触性等优势成为计算机视觉热门研究领域。人脸识别的关键技术是有效地对人脸图像进行特征表达，而传统的SIFT,HOG等人工选取特征不足以捕获人脸的本质特征。近年来深度学习方法的成功应用到人脸识别领域，通过构建深度神经网络拟合人脸图像，获取人脸图像特征的本质表达，提高人脸的识别精度。比较成功的案例包括DeepFace,DeepID,FaceNet和VGGFace，达到了人眼的辨识水平。

然而深度学习方法最大的问题是网络参数过多，需要大规模的数据标注才能实现训练，往往所需要数据达百万以上，如FaceNet使用了超大规模的800万人，共2亿幅图像。而进行大规模人脸数据采集和标注是一种较大的人力财力的消耗。

为了获取廉价和充分的数据样本，来辅助神经网络的训练。Ian Goodfellow等提出的生成对抗网络(GAN)的基本的思想通过训练库学习这些训练案例生成的概率分布，从而采样生成更多的样本数据；深度卷积生成对抗网络(DCGAN)引用卷积神经网络，拓展了GAN在图像生成领域的应用；NIPS2016发布的即插即用生成网络(PPGN) 可以生成指定类别的图像，生成的图像同类差异化大并且清楚分辨率高，可用于大规模神经网络的训练。

本发明提供一种半监督的深度神经网络训练方法，通过较小规模的标注好的人脸图像训练对抗生成网络；采用对抗生成网络生成的大规模的廉价的人脸数据集；联合生成的数据和原始的标注人脸数据集共同训练深度卷积神经并应用于人脸识别。

发明内容

本发明的目的在于降低人脸数据标注的标注量，提出一种通过小规模人脸数据集训练卷积神经网络的方法，其特征在于，包括步骤：步骤1：使用原始标注的人脸样本集训练卷积神经网络VGG人脸识别模型；步骤2：构造深度卷积生成对抗网络DCGAN模型，使用原始标注的人脸样本集训练深度卷积生成对抗网络；步骤3：通过 DCGAN生成无标签的人脸样本集；步骤4：对DCGAN生成人脸数据集标注；步骤5：使用原始标注的人脸样本集训练即插即用生成网络PPGN；步骤6：通过PPGN生成带有标签的人脸样本集；步骤7：联合DCGAN、PPGN生成的样本集和原始标注的样本集训练卷积神经网络；步骤8：重复训练，即重复步骤4，5，6，7多次；步骤9，使用原始标注的人脸样本集微调VGG网络。

优选地，所述步骤4中对DCGAN生成人脸数据集标注的具体方法包括以下步骤：

步骤401，使用当前训练的卷积神经网络模型提取DCGAN生成数据集所有样本的特征；

步骤402，将特征排列成一个K×N的矩阵Y，采用稀疏编程SC 模型训练字典D，稀疏编程模型为：

其中||*||₁表示L1范数，K为特征维度，N为样本数量，D为字典， Z为稀疏表示的系数；