[发明专利]一种基于共享骨干网络的人脸识别与表情分析方法

说明书

本发明公开了一种基于共享骨干网络的人脸识别与表情分析方法，包括以下步骤，对深层骨干网络进行训练并保存训练后的深层网络模型，对深层网络模型进行压缩，得到轻量级骨干网络模型；对表情分析网络进行训练并保存训练后的表情分析网络模型；将待测视频帧输入人脸检测与对齐模块进行预处理，检测出人脸位置，并得到标准人脸；将标准人脸输入到轻量级骨干网络中，输出人脸特征向量；将人脸特征向量与人脸底库中的人脸特征向量进行比对，输出人脸识别结果；将人脸特征向量输入到表情分析网络，输出表情分析结果。通过本发明可以降低了网络模型的计算量，提高了模型在实际应用中的人脸识别和表情分析的效率。

技术领域

本发明涉及人脸识别和表情分析的技术领域，尤其涉及一种基于共享骨干网络的人脸识别与表情分析方法。

背景技术

目前，人脸识别已经成为十分重要的用于身份认证的生物识别技术，广泛应用于金融、商业、安防等多个领域。尤其在安防领域，智能视频监控是人脸识别最典型的应用之一。同时，一些相关的人脸属性识别算法也得到了一定的应用，如年龄识别、表情识别等。其中，表情分析在智能视频监控系统中也具有重要的应用价值，可以通过识别有无异常表情，从而提取避免暴力事件的发生。因此，一些智能视频监控系统中，往往会同时嵌入人脸识别功能和表情分析功能。

随着深度学习、卷积神经网络的不断发展，人脸识别和表情分析这两项任务都取得了大幅度的性能提升。人脸识别模型基于深度卷积神经网络结构，并通过Triplet Loss和ArcFace等针对“类内极小，类间极大”进行优化的损失函数监督训练，可以提取出具有辨别力的人脸特征向量，从而高准确率地完成人脸识别。表情分析模型同样基于深度卷积神经网络结构，可以对不同表情进行准确的分类。将人脸识别模型和表情分析模型分别嵌入到智能视频监控系统，可以取得准确的识别和分析结果，但由于二者使用两个各自独立的深度网络，会导致模型参数量增加，运算速度降低，进而导致模型部署成本提高，监控系统功耗增加，无法部署到一些性能稍低的终端设备上。

发明内容

发明目的：为了克服现有技术中存在的不足，本发明提供一种基于共享骨干网络的人脸识别与表情分析方法，该发明能够将人脸识别和表情分析两个任务共享一个骨干网络进行特征提取，并构建轻量级骨干网络从而提高运算速度和降低部署难度。

技术方案：为了实现上述发明目的，本发明提供了一种基于共享骨干网络的人脸识别与表情分析方法，包括以下步骤，

步骤1，初始化深层骨干网络的参数，针对人脸识别任务进行训练，以人脸识别损失函数加法角度余量损失作为监督，采用随机梯度下降法进行训练，当损失函数下降收敛后，保存深层网络模型，基于知识蒸馏算法对深层网络模型进行压缩，得到轻量级骨干网络模型；

步骤2，初始化表情分析网络的参数，针对表情分析任务进行训练，以交叉熵损失函数作为监督，采用随机梯度下降法进行训练，并在训练过程中保持骨干网络的参数不变，当损失函数下降收敛后结束训练并保存训练后的表情分析网络模型；

步骤3，将待测视频帧输入人脸检测与对齐模块进行预处理，检测出人脸位置，并得到标准人脸；

步骤4，将标准人脸输入到轻量级骨干网络中，输出人脸特征向量；

步骤5，将人脸特征向量与人脸底库中的人脸特征向量进行比对，输出人脸识别结果；

步骤6，将人脸特征向量输入到表情分析网络，输出表情分析结果。

进一步的，在本发明中：所述步骤1还包括，

步骤1.1，对深层骨干网络的参数进行初始化；

步骤1.2，针对人脸识别任务进行训练，以人脸识别损失函数作为监督信号，监督深层网络进行训练；

步骤1.3，采用随机梯度下降法对深层网络进行训练，训练损失为加法角度余量损失函数，当损失函数下降收敛后，结束训练并保存训练后得到的深层网络模型F；