[发明专利]基于定序神经网络模型的人脸识别方法及装置

摘要

本发明公开一种基于定序神经网络模型的人脸识别方法及装置。该方法包括：对输入的人脸图像进行预处理操作，校正人脸图像的角度与表情；使用包含定序操作的神经网络提取已校正人脸图像/视频的特征；根据人脸图像的特征表达计算图像对间的相似度，从而得知输入人脸图像中特定对象的身份。本发明针对人脸识别问题中，基于神经网络的人脸识别模型参数多，计算开销大的问题，提出定序神经网络结构，通过不同特征间的定序表示有效地减少网络参数，节省计算时间；并针对训练数据较少的问题，提出了基于对比损失、三元组损失的训练方法。

主权项

1.一种基于定序神经网络模型的人脸识别方法，其特征在于，包括：步骤S0、利用训练集中的训练样本，采用分类损失函数作为优化目标，训练卷积神经网络分类模型，用以对训练样本中的人脸进行分类，将训练好的卷积神经网络分类模型作为预训练的模型，使用对比损失函数和三元组损失函数继续对所述卷积神经网络分类模型进行训练，得到定序神经网络模型；步骤S1、读入输入的待识别图像，检测待识别图像中的人脸位置和关键点位置信息；步骤S2、根据所述人脸位置信息和关键点信息对待识别图像进行预处理操作；步骤S3、将预处理后的待识别图像输入至定序神经网络模型中，得到待识别图像的特征表达；步骤S4、计算待识别图像的特征表达与数据库中已知人脸图像特征的相似度，以识别待识别图像；其中，所述对比损失函数如下表示：其中，θ为对比损失函数中控制类内类间距离差异的参数，所述三元组损失函数如下表示：L＝max(d(f(x^a)，f(x^p))‑d(f(x^a)+α，f(xⁿ))，0)其中f(x)为所述预训练的模型输出层的输入，即预训练的模型次末层的输出；d(.)为距离函数，x^a称为中心样本，x^p为与中心样本x^a属于同一类的正样本，xⁿ为与中心样本x^a属于不同类的负样本；训练过程中，中心样本x^a为在训练集合中随机挑选的样本，a为三元组损失函数中控制类内类间距离差异的参数。