[发明专利]神经网络训练方法、人脸识别方法及系统和存储介质

说明书

本申请提供神经网络训练方法、人脸识别方法及系统和存储介质，涉及人脸识别领域。本申请的神经网络训练方法包括：根据参考特征向量通过卷积层的输出向量调整全连接层的权向量；根据特征向量通过损失函数层得到的损失值，按照指定的优化算法，优化卷积层的参数得到最终卷积层参数。相应的，基于本申请提供的神经网络的训练方法，本申请还提供了一种人脸识别方法。本申请提供的人脸识别方法比起现有技术，当训练过程中的参考图像与样本图像数量严重失衡，或参考图像与样本图像的拍摄场景具有显著差异时，人脸识别的效果和准确率得到了很大的提升；同时，在一些通用的人脸识别应用场景中，本申请实施例的人脸识别方法也有很好的人脸识别效果。

技术领域

本申请涉及人脸识别技术领域，具体而言，涉及神经网络训练方法、人脸识别方法及系统和存储介质。

背景技术

人脸识别是一种基于人类脸部表象特征来鉴别不同人身份的技术，应用场景广泛，相关研究和应用已有数十年之久。随着近年来大数据和深度学习等相关技术的发展，人脸识别效果有了突飞猛进的提高，在身份认证、视频监控、美颜娱乐等场景应用愈加广泛。其中，人证比对问题，即在标准证件照与生活照之间的人脸识别问题，由于识别目标人仅需要在数据库中部署其证件照，免去了目标人在系统中采集生活照进行注册的麻烦，正得到越来越多的关注。

现有技术的人脸识别模型，在一些通用的人脸识别场景中，具有很好的人脸识别效果和准确率。但在一些人脸识别应用场景中，例如人证比对的应用场景中，参考图像与样本图像数量严重失衡，或参考图像与样本图像的拍摄场景具有显著差异时，现有技术人脸识别方法的人脸识别效果和准确率非常的低。

发明内容

本发明实施例提供的神经网络训练方法、人脸识别方法及系统和存储介质，可以解决现有技术中存在的，当参考图像与样本图像数量严重失衡或参考图像与样本图像的拍摄场景具有显著差异时，人脸识别准确率低的问题。

为了实现上述目的，本发明实施例采用的技术方案如下：

第一方面，本申请实施例提供了一种神经网络训练方法，所述神经网络包括依次连接的卷积层、全连接层和损失函数模块，在单次迭代训练的过程中，所述方法包括：

获取T个特征向量，所述T个特征向量包括D个参考人脸图像的特征向量和M个样本人脸图像的特征向量，其中，所述参考人脸图像的特征向量个数D与所述全连接层的权向量个数相同，所述M个样本人脸图像中的每个样本人脸图像与所述D个参考人脸图像中的一个参考人脸图像为同一个人的人脸图像，T等于D和M的和，且T、D、M均为正整数；将所述全连接层的学习率设为零；将所述T个特征向量中的第t个特征向量输入到神经网络中，经过所述卷积层的处理，得到第t个输出特征向量，其中，t为大于等于1且小于等于T的整数，所述第t个特征向量是所述T个特征向量中的参考人脸图像的特征向量或样本人脸图像的特征向量；将所述第t个输出特征向量在全连接层中进行归一化处理，得到第t个归一化后的输出特征向量；判断所述第t个特征向量是否为参考人脸图像的特征向量，当所述第t个特征向量是参考人脸图像的特征向量时，根据所述第t个归一化后的输出特征向量，调整所述全连接层归一化后的权矩阵，所述全连接层归一化后的权矩阵由D个列向量组成；在所述全连接层中，根据所述归一化后的输出向量和所述全连接层归一化后的权矩阵，得到第t个分类向量；将所述第t个分类向量输入到损失函数模块中，判断所述损失函数模块中的所述分类向量数量个数是否达到N_n个，n、N_n为大于等于1，小于等于T的整数，n个N_n求和等于T；当所述损失函数模块中的所述分类向量数量达到N_n个时，所述损失函数模块根据所述N_n个所述分类向量，得到第n个损失函数值，根据第n个损失函数值，按照指定的优化算法，优化所述卷积层的参数，并清空所述损失函数模块的所述分类向量；按照t依次取1到T执行上述各步骤后，得到所述卷积层的目标参数。