[发明专利]一种基于局部感受野的人脸验证方法

说明书

本发明公开了一种基于局部感受野的人脸验证方法，属于计算、推算或计数的技术领域。步骤是：建立外部数据集，对数据集中的样本进行数据增强；建立卷积神经网络，该卷积神经网络的输入为彩色图片，输出为图片中人脸区域对应的特征向量和人脸位置的预测框坐标，测试时根据预测框在图像中的位置输出对应区域的特征向量；利用测试集对预训练好的卷积神经网络进行测试并根据测试结果对卷积神经网络进行微调。本发明根据深度神经网络的平移不变性，利用一个网络有效提取出人脸区域的特征，使特征向量的感受野恰好仅包含人脸，从而有效减少背景信息带来的噪声，保证人脸验证的准确率，同时提升了网络计算的并行度，大大简化了训练过程。

技术领域

本发明公开了一种基于局部感受野的人脸验证方法，涉及人脸验证的计算机视觉技术，属于计算、推算或计数的技术领域。

背景技术

人脸识别是计算机视觉技术中十分重要的一部分，其目标是在一张人脸照片中正确地识别人物的身份。当前主流的方式是利用分类的神经网络对人脸图片进行分类，然而分类网络需要根据固定的类别进行设计，并且在训练完成后无法新增人物身份，在实际使用中十分不灵活。因此我们利用人脸验证的方式进行人脸识别，利用神经网络对人脸图片进行特征抽取生成图片中人脸的特征向量，然后计算不同人脸特征向量之间的欧几里得距离，最后通过设置阈值判断是否为同一个人。这样如果新增加一个身份只需要利用网络生成其人脸特征并保存，再与新输入的样本特征向量进行计算即可进行身份识别。

然而，当前的人脸验证算法都分为两个步骤，首先图片需要经过一个人脸检测网络获取人脸的位置坐标，通过坐标将图片中的人脸部分裁剪下来，通过这种方式减少背景带来的噪声，然后将人脸图片输入到人脸验证网络中进行后续计算。也就是说在进行人脸验证的过程中，需要采用两个网络才可以完成，这就意味着在训练时需要分别训练一个人脸检测网络和一个人脸验证网络，这会在训练时带来不便，同时因为是两个单独的网络，所以在实际使用中会降低网络的并行度，本质上是一种两阶段的人脸验证算法。

卷积神经网络具有平移不变性，因此只需要通过对卷积核和步长的调整就可以得到图片指定区域的特征，也就是说这些特征的感受野对应于图片中的特定区域。利用卷积神经网络的这种性质，可以只获取原图中的人脸区域的特征。本申请旨在提出一种基于局部感受野的人脸验证方法以提高网络的并行度并降低训练步骤的复杂性。

发明内容

本发明的发明目的是针对上述背景技术的不足，提供了一种基于局部感受野的人脸验证方法，利用网络输出的感受野获取人脸区域的特征向量，仅使用一个卷积神经网络即可实现人脸的检测和验证，在提高检测操作和验证操作并行度的同时有效减少图片背景带来的噪声，解决了现有的两阶段人脸验证方法并行度低且训练步骤复杂的技术问题。

本发明为实现上述发明目的采用如下技术方案：

一种基于局部感受野的人脸验证方法，包括如下步骤：

步骤1，将公开的人脸验证数据集或者自行收集的数据集分为训练集、验证集和和测试集；

步骤2，对数据集中的样本进行数据增强，采用如下至少一种方式进行数据增强：平移、缩放、旋转、翻转；

步骤3，建立基于局部感受野的人脸验证卷积神经网络，该卷积神经网络的输入为彩色图片，训练时输出为图片中人脸所属的身份类别和人脸位置的预测框坐标，损失函数采用softmax loss，测试时根据预测框在图像中的位置输出对应区域的特征向量；

步骤4，利用测试集对步骤3预训练好的卷积神经网络进行测试，并根据测试结果对卷积神经网络进行微调。

上述步骤1中，人脸验证训练集采用CASIA-WebFace，测试集采用LFW数据集。

上述步骤1中，将数据集中所有图片都缩放成卷积神经网络的输入尺寸后，进行归一化处理。