[发明专利]一种基于深度学习模型的人脸识别方法

权利要求书

1.一种基于深度学习模型的人脸识别方法，其特征在于，包括：构建卷积神经网络、对网络参数进行训练、图片预处理和输入模型进行类别判定；

所述构建卷积神经网络，用于利用大规模人脸数据集进行改进的卷积深度神经网络构建；

所述构建卷积神经网络采用以下步骤：

A1：获得公开的人脸数据构建大规模人脸数据集；

A2：将所述数据集处理为固定大小为360*360的RGB图像，作为卷积神经网络的输入；

A3：输入图像通过一堆卷积层，卷积核大小为3*3；步长为1个像素；填充为1个像素；A4：空间池化由五个最大池化层进行，步长为2；网络最后是三个全连接层：最后一层是soft-max层；

A5：所有隐藏层都使用了一种改进的ReLU作为激活函数；

步骤A5对ReLU激活函数的改进，包括以下两方面：

改进参数正则化：首先用因子a、b重新参数化权重w，然后对因子而不是权重本身应用L2惩罚应用于w的重新参数化如下：

其中w是W的任何标量，a＝[a₁，a₂，...，a_i，...，a_h]，b＝[b₁，b₂，...，b_i，...，b_h]代表在训练网络时要学习的两个k-dim向量而不是w；

在测试阶段，使用等于a^Tb的w进行预测；所述重新参数化仅在训练阶段增加成本；在重新参数化之后，a，b成为在训练阶段学习的参数；分解后的L2惩罚如下：

a和b的相应升级规则如下：

a^t，b^t表示在第t次更新后属于网络的标量权重w的因子向量a和b，是通过链规则从较深层传播的梯度，λa^t和λb^t表示正则化L(a，b)到a，b的梯度，η是动量参数，λ是表示正则化强度的权重衰减系数；

所述对网络参数进行训练，用于利用误差反向传播算法对神经网络参数进行训练；

所述图片预处理，用于基于MTCNN算法的人脸检测和人脸归一化处理，将图片转化成统一的特征向量表示；

所述输入模型进行类别判定，用于将特征向量输入训练好的卷积神经网络中进行类别标签判定。

2.根据权利要求1所述的一种基于深度学习模型的人脸识别方法，其特征在于，对卷积神经网络的训练包括以下子步骤：

B1：采用基于BP反向传播中的具有动量的小批量梯度下降法，使用优化多项式逻辑回归目标函数来进行训练；

B2：初始化网络权重；

B3：训练通过前面所述改进的ReLU中的权重衰减进行正则化。

3.根据权利要求2所述的一种基于深度学习模型的人脸识别方法，其特征在于：所述步骤B2中初始化网络权重包括以下子步骤：

B21：在神经网络中的前向传播期间，采用改进后的参数正则化：上述所述改进的ReLU中参数正则化，a，b需要满足：

B22：假设a中的ai是相互独立的并且共享相同的分布，b中的bi是相互独立的并且共享相同的分布，ai和bi也相互独立，得到：

B23：仍然无法对a_i′和b_i′进行明确的初始化，所以假设a_i′和b_i′共享相同的零均值高斯分布，这导致：

4.根据权利要求1所述的一种基于深度学习模型的人脸识别方法，其特征在于：所述图片预处理，包括以下子步骤：

C1：基于MTCNN算法进行人脸检测,得到人脸图像；

C2：利用几何归一化将C1得到的人脸图像处理为规范化的人脸图像；所述几何归一化，包括参数估计和仿射变换；

C3：将C2中处理后的人脸图像按像素转化成神经网络所需的360*360维的特征向量。