[发明专利]基于聚集损失深度度量学习的人脸识别方法

摘要

本发明公开了一种基于聚集损失深度度量学习的人脸识别方法，步骤1)对训练图像进行预处理；2)用预处理过的图像对深度卷积神经网络进行预训练，采用softmax损失作为损失函数，引入关键点池化技术；3)将所有训练图像输入预训练好的模型，计算每个类的初始类中心；4)利用聚集损失对预训练好的模型进行精调，经过迭代更新网络参数和类中心，使得每类样本向类中心聚集，同时增大不同类中心之间的间距，从而学习到鲁棒的有判别性的人脸特征表达。5)应用时，对输入图像进行预处理，分别输入到训练好的网络模型提取特征表达，通过计算不同人脸之间的相似度，实现人脸识别。本发明仅利用小规模数据进行训练即可达到较高的人脸识别准确率。

主权项

基于聚集损失深度度量学习的人脸识别方法，其特征在于，包括如下步骤：步骤S1，对训练图像进行预处理，得到规格一致的人脸图像作为网络输入；步骤S2，用预处理过的人脸图像对深度卷积神经网络进行预训练，采用softmax损失作为网络的损失函数，在网络结构方面引入关键点池化技术，利用人脸结构信息辅助人脸识别，得到预训练的基于关键点池化的深度卷积神经网络模型；步骤S3，将所有训练图像输入所述预训练的基于关键点池化的深度卷积神经网络模型，计算每个类的初始类中心；步骤S4，利用聚集损失这一深度度量学习函数对上述预训练的基于关键点池化的深度卷积神经网络进行精调，使得每类样本向类中心聚集，同时增大不同类中心之间的间距，初始类中心由步骤S3所述方法得到；经过反复迭代更新网络参数和类中心，直至网络收敛，人脸识别准确率达到最高，得到最终的深度卷积神经网络模型；步骤S5，对待识别人脸图像进行预处理，预处理后的图像输入最终的深度卷积神经网络模型以提取高层人脸特征表达，通过比较不同人脸间的相似度得分，实现人脸识别。