深度神经网络训练方法及人脸识别方法技术

本发明专利技术涉及一种深度神经网络模型训练方法，包括获取带有分类信息的人脸数据集；根据所述分类信息对所述人脸数据集进行分类，并将所述人脸数据集进行对齐归一化处理，形成训练数据集；将所述训练数据集带入到根据不同清晰度设立的多个深度神经网络模型中，根据所述深度神经网络模型的损失函数及训练参数对所述深度神经网络模型进行训练，得到优化深度神经网络模型。还涉及运用上述深度神经网络模型进行人脸识别的方法。本发明专利技术所建立的深度神经网络模型能够减少清晰度、人脸姿态对识别的影响，从而提高识别成功率。

Depth neural network training method and face recognition method

The invention relates to a depth of the neural network model training method, including access to classified information with face data set; according to the classification information of the face data sets are classified, and the face data sets are aligned normalized to form the training data set; the training data set into multiple according to the the depth of the neural network model established according to the different definition of loss function and the training parameters of the depth of the neural network model was trained on the depth of the neural network model, neural network model optimized depth. The method of face recognition using the depth neural network model is also discussed. The depth neural network model established by the invention can reduce the influence of clarity and face gesture on recognition, thereby improving the recognition success rate.

【技术实现步骤摘要】
深度神经网络训练方法及人脸识别方法
本专利技术涉及图像处理领域，具体而言，涉及一种深度神经网络训练方法、一种人脸识别方法及一种基于多深度神经网络融合的人脸认证方法。
技术介绍
人脸识别技术是利用图像捕捉设备采集用户的面部数据并由计算机通过特征提取和匹配，识别出用户身份的技术。其主要步骤包括：(1)人脸检测，即从图像捕捉设备采集的图像中定位人脸的位置，提取出人脸对应区域的图像；(2)特征提取，即从人脸区域的图像中通过计算，提取出有效的模式特征；(3)特征识别，对提取的模式特征与人脸特征库中的各种进行对比，从而识别出用户身份。人脸认证是人脸识别的一个分支，要求计算机不仅可以识别人脸库中已有的人脸，还要拒绝不属于人脸库中的人脸。人脸认证在签到系统，监控领域，人机交互，系统登录等诸多领域有广泛的应用。现有的识别、认证技术在实施时，人脸距离图像采集设备的距离变化造成采集图像的清晰度变化，距离较远时细节减少造成识别性能下降；另一方面由于人脸姿态变化，捕捉到人脸角度也在变化，导致采集到的图像细节变化，有的情况下细节会丢失，从而造成识别准确度下降。
技术实现思路
本专利技术为了解决现有识别成功率低的技术问题，第一方面提供了一种深度神经网络训练方法，包括如下步骤：获取带有分类信息的人脸数据集；根据所述分类信息对所述人脸数据集进行分类，并将所述人脸数据集进行对齐归一化处理，形成训练数据集；将所述训练数据集带入到深度神经网络模型中，根据所述深度神经网络模型的损失函数及训练参数对所述深度神经网络模型进行训练，得到优化深度神经网络模型；其中，针对不同清晰度的所述训练数据集，所述深度神经网络模型包括多个独立的深度神经网络模型，每个独立的深度神经网络模型对应一个所述损失函数。进一步地，在将所述训练数据集带入到深度神经网络模型中之前还包括步骤：针对每个所述独立的深度神经网络模型所应对的清晰度，对待输入到所述独立的深度神经网络模型的训练数据集中的图片进行缩放和\或剪裁。进一步地，根据所述损失函数和训练参数采用随机梯度下降法对所述深度神经网络模型进行训练。本专利技术另一方面提供了一种人脸识别方法，包括如下步骤：建立人脸模型库，所述人脸模型库中至少包括1个人脸的模型；使用所述人脸模型库和权利要求1～4中任一建立的优化深度神经网络模型，对待识别人脸图片进行识别，以确定所述待识别人脸属于人脸模型库中某一类的人脸标识。进一步地，所述建立人脸模型库的步骤包括：获取待识别的人脸对应的标识和人脸图片集合；对所述人脸图片集合中的所有图片进行对齐处理；将对齐后的人脸图片集合中的图片分别输入到所述神经网络模型中，获取特征向量集合，所述特征向量集合中的单个特征向量对应一张所述图片；将所述特征向量集合及对应的所述人脸标识记录到所述人脸模型库中。进一步地，所述对待识别人脸图片进行识别的步骤包括：获取待识别人脸图片并进行对齐处理；将对齐后的待识别人脸图片分别输入到所述神经网络模型中，获取特征向量集合，所述特征向量集合中的单个特征向量对应一个神经网络模型；将所述特征向量集合与所述人脸模型库进行比对，输出最高相似度值及对应最高相似度值的人脸标识；将所述最高相似度值与阈值比较，如果大于阈值则输出所述人脸标识。进一步地，所述将所述特征向量集合与所述人脸模型库进行比对，输出最高相似度值及对应最高相似度值的人脸标识的步骤包括：将所述特征向量集合与所述人脸模型库中各类别人脸进行比对获取各类别对应的相似度，将各类别对应的相似度值中的最高值作为所述最高相似度，将所述最高值对应的类别作为所述对应最高相似度值的人脸标识。进一步地，所述将所述特征向量集合与所述人脸模型库中各类别人脸进行比对获取各类别对应的相似度的步骤包括：将所述特征向量集合中每个特征向量与所述人脸模型库中一个类别图片对应的多个特征向量进行对比，求取多幅图片多个模型对应的相似度集合，然后根据所述相似度集合进行融合，求取模型融合后相似度集合，所述模型融合后的相似度集合对应一个类别中多幅图片，对所述模型融合后的相似度集合进行归纳，获得所述类别对应的相似度。进一步地，所述求取多幅图片多个模型对应的相似度集合的步骤包括：利用向量余弦函数求出相似度值；所述根据所述相似度集合进行融合的步骤包括，采用均值函数进行融合；所述对所述模型融合后的相似度集合进行归纳的步骤包括：采用最大值函数进行归纳。本专利技术另一方面提供了一种基于多深度神经网络融合的人脸认证方法，包括：获取带有分类信息的人脸数据集，并进行人脸对齐处理；设计多个深度神经网络模型，并确定损失函数；将人脸数据集输入神经网络模型，并根据训练参数和损失函数的值训练网络，得到多个优化的神经网络模型；获取待识别人脸的标识和图片集，使用上述多个优化的神经网络模型提取特征向量集合，构造人脸模型库；获取待识别图片并进行对齐处理，使用上述多个优化的神经网络模型提取特征向量集合，将该特征向量集合，与人脸模型库中的各人脸模型进行比对，输出相似度值最高的人脸类别和对应的最高相似度值；根据上述最高相似度值与预设阈值的关系，若最高相似度值大于预设阈值，则识别待识别图片为所述相似度最高的人脸类别，否则拒绝识别该人脸图片，判定不属于人脸库中的任何类别。进一步地，所述根据训练参数和损失函数的值训练网络，包括：将所述图片集中的图片输入到深度神经网络模型；执行深度神经网络的前向计算过程，计算出损失函数的值；根据多元函数的链式法则计算损失函数对各神经网络参数的偏导数值；根据设定的权值更新策略和参数，更新各神经网络的参数；计算更新后的神经网络在训练数据集上的平均损失函数值，当该值小于预设的损失阈值时，终止训练过程，得到训练好的深度神经网络模型。进一步地，所述构造人脸模型库的步骤，包括：从视频采集设备中获取待识别人的图片数据集或者从图片集中选取，记录人脸标记和图片的对应关系，形成待识别数据集；使用所述多深度神经网络模型提取待识别数据集的特征向量集合；将所述特征向量集合与人脸标记的信息保存，形成人脸模型库。进一步地，所述与人脸模型库中的各人脸模型进行比对的过程包括：在计算待识别图片与人脸模型中一幅图片相似度时，使用融合函数对多个深度神经网络模型的特征向量进行融合；在计算待识别图片与人脸模型中一个类别的相似度时，使用了归纳函数对一个类别的多个人脸图片的相似度进行归纳，得到待识别图片与该人脸类别的相似度值。通过上述实施例的技术方案，本专利技术中采用大量的包含各种人脸姿态的样本图像，对深度神经网络模型进行训练，得到的模型能够更好的处理人脸不同姿态造成识别率下降的问题，对人脸的姿态变化具有较好的适应性，提高了人脸识别的准确率。其二，为了解决不同清晰度的人脸识别问题，本专利技术中采用了多深度神经网络模型融合的方法，对不同分辨率的人脸图像进行特征提取，有效提高了因人脸图片在一定距离范围内变化的识别率。附图说明通过参考附图会更加清楚的理解本专利技术的特征和优点，附图是示意性的而不应理解为对本专利技术进行任何限制，在附图中：图1为本专利技术一些实施例中的深度神经网络训练方法的流程示意图；图2为本专利技术一些实施例中的深度神经网络训练方法的流程示意图；图3为本专利技术一些实施例中的人脸识别方法的流程示意图；图4为本专利技术一些实施例中的人脸识别方法的流程示意图；图5为本专利技术一些实本文档来自技高网...

【技术保护点】
一种深度神经网络训练方法，其特征在于，包括如下步骤：获取带有分类信息的人脸数据集；根据所述分类信息对所述人脸数据集进行分类，并将所述人脸数据集进行对齐归一化处理，形成训练数据集；将所述训练数据集带入到深度神经网络模型中，根据所述深度神经网络模型的损失函数及训练参数对所述深度神经网络模型进行训练，得到优化深度神经网络模型；其中，针对不同清晰度的所述训练数据集，所述深度神经网络模型包括多个独立的深度神经网络模型，每个独立的深度神经网络模型对应一个所述损失函数。

【技术特征摘要】
1.一种深度神经网络训练方法，其特征在于，包括如下步骤：获取带有分类信息的人脸数据集；根据所述分类信息对所述人脸数据集进行分类，并将所述人脸数据集进行对齐归一化处理，形成训练数据集；将所述训练数据集带入到深度神经网络模型中，根据所述深度神经网络模型的损失函数及训练参数对所述深度神经网络模型进行训练，得到优化深度神经网络模型；其中，针对不同清晰度的所述训练数据集，所述深度神经网络模型包括多个独立的深度神经网络模型，每个独立的深度神经网络模型对应一个所述损失函数。2.根据权利要求1所述的深度神经网络训练方法，其特征在于，在将所述训练数据集带入到深度神经网络模型中之前还包括步骤：针对每个所述独立的深度神经网络模型所应对的清晰度，对待输入到所述独立的深度神经网络模型的训练数据集中的图片进行缩放和\或剪裁。3.根据权利要求1～2所述的任一深度神经网络训练方法，其特征在于，根据所述损失函数和训练参数采用随机梯度下降法对所述深度神经网络模型进行训练。4.一种人脸识别方法，其特征在于，包括如下步骤：建立人脸模型库，所述人脸模型库中至少包括1个人脸的模型；使用所述人脸模型库和权利要求1～3中任一建立的优化深度神经网络模型，对待识别人脸图片进行识别，以确定所述待识别人脸属于人脸模型库中某一类的人脸标识。5.根据权利要求4所述的人脸识别方法。其特征在于，所述建立人脸模型库的步骤包括：获取待识别的人脸对应的标识和人脸图片集合；对所述人脸图片集合中的所有图片进行对齐处理；将对齐后的人脸图片集合中的图片分别输入到所述神经网络模型中，获取特征向量集合，所述特征向量集合中的单个特征向量对应一张所述图片；将所述特征向量集合及对应的所述人脸标识记录到所述人脸模型库中。6.根据权利要求4或5所述的人脸识别方法，其特征在于，所述对待识别人脸图片进行识别的步骤包括：获取待识别人脸图片并进行对齐处理；将对齐后的待识别人脸图片分别输入到所述神经网络模型中，获取特征向量集合，所述特征向量集合中的单个特征向量对应一个神经网络模型；将所述特征向量集合与所述人脸模型库进行比对，输出最高相似度值及对应最高相似度值的人脸标识；将所述最高相似度值与阈值比较，如果大于阈值则输出所述人脸标识。7.根据权利要求6所述的人脸识别方法。其特征在于，所述将所述特征向量集合与所述人脸模型库进行比对，输出最高相似度值及对应最高相似度值的人脸标识的步骤包括：将所述特征向量集合与所述人脸模型库中各类别人脸进行比对获取各类别对应的相似度，将各类别对应的相似度值中的最高值作为所述最高相似度，将所述最高值对应的类别作为所述对应最高相似度值的人脸标识。8.根据权利要求7所述的人脸识别方法。其特征在于，所述将所述特征向量集合与所述人脸模型库中各类别人脸进行比对获取各类别对应的相似度的步骤包括：将所述特征向量集合中每个特征向量与所述人脸模...

【专利技术属性】
技术研发人员：黄飞，田泽康，侯立民，邓卉，谢建，
申请(专利权)人：易视腾科技股份有限公司，
类型：发明
国别省市：江苏,32