一种用于人脸验证的孪生神经网络训练方法技术

一种用于人脸验证的孪生神经网络训练方法，包括：准备训练样本集；对训练样本集中的图片进行尺寸归一化处理后输入至人工神经网络进行训练；人工神经网络包括两个相同的子神经网络；将处理后的训练样本分割为数量相等的数据集data和data_p，将数据集data和data_p分别输送给两个子神经网络，进行样本特征向量提取；通过对比对损失函数实现神经网络的迭代优化，直至迭代次数达到设定值，则跳出迭代，此时经过训练的人工神经网络即为用于人脸验证的孪生神经网络；所述对比度损失函数表示两组特征向量的相似度。

A Twin Neural Network Training Method for Face Verification

A twin neural network training method for face verification includes: preparing training sample set; normalizing the image size of training sample set and input it into artificial neural network for training; artificial neural network includes two identical sub-neural networks; dividing the processed training sample into equal number of data sets and data_p, data sets and Da data sets. Tap_p is fed to two sub-neural networks respectively to extract the feature vectors of samples; the iterative optimization of the neural network is realized by comparing the loss function until the number of iterations reaches the set value, then the iterations are jumped out. At this time, the trained artificial neural network is the twin neural network for face verification; the contrast loss function represents the similarity between the two sets of feature vectors.

【技术实现步骤摘要】
一种用于人脸验证的孪生神经网络训练方法
本专利技术涉及计算机视觉相关
，具体涉及一种用于人脸验证的孪生神经网络训练方法。
技术介绍
人脸识别技术作为生物特征识别领域中一种基于生理特征的识别，是通过计算机提取人脸特征，并根据这些特征进行身份验证的一种技术。相比于其它生物识别技术，人脸识别是一种非接触的识别技术，具有快速、简便，准确可靠，性价比高，扩展性好等优点。目前广泛应用于档案管理、安保安防、移动支付等领域。但人脸识别的准确率常受到光照、姿态、表情及年龄变化四个因素的影响，使得基于图像的人脸识别仍然面临一系列挑战。其中年龄变化是一个持续且复杂的过程，如形状、肤色和皱纹等；同时，基于跨年龄条件下的人脸识别方法的研究相较于其他因素关注度较少，随着各个领域对人脸识别的需求越来越高，提出一种针对年龄变化下的的高效的人脸识别方法十分重要。人脸验证是基于人的脸部特征信息进行身份确认的技术，以其具有安全性，友好性及可靠性等在身份认证中得到广泛的应用域。人脸验证研究的重要内容是如何获取有效的特征表达，最大类间距离和最小化类内距离。使用传统的Gabor，LBP等人工选取特征不足以捕获人脸的本质特本文档来自技高网...

【技术保护点】
1.一种用于人脸验证的孪生神经网络训练方法，其特征在于，包括：准备训练样本集；对训练样本集中的图片进行尺寸归一化处理后输入至人工神经网络进行训练；人工神经网络包括两个相同的子神经网络；将处理后的训练样本分割为数量相等的数据集data和data_p，将数据集data和data_p分别输送给两个子神经网络，进行样本特征向量提取；通过对比对损失函数实现神经网络的迭代优化，直至迭代次数达到设定值，则跳出迭代，此时经过训练的人工神经网络即为用于人脸验证的孪生神经网络；所述对比度损失函数表示两组特征向量的相似度。

【技术特征摘要】
1.一种用于人脸验证的孪生神经网络训练方法，其特征在于，包括：准备训练样本集；对训练样本集中的图片进行尺寸归一化处理后输入至人工神经网络进行训练；人工神经网络包括两个相同的子神经网络；将处理后的训练样本分割为数量相等的数据集data和data_p，将数据集data和data_p分别输送给两个子神经网络，进行样本特征向量提取；通过对比对损失函数实现神经网络的迭代优化，直至迭代次数达到设定值，则跳出迭代，此时经过训练的人工神经网络即为用于人脸验证的孪生神经网络；所述对比度损失函数表示两组特征向量的相似度。2.如权利要求1所述的一种用于人脸验证的孪生神经网络训练方法，其特征在于，所述对比度损失函数L其中代表两个样本特征的余弦距离，y为两个样本是否匹配的真实标签，y＝1代表两个训练样本为同一个人，y＝0则代表两个训练样本不是同一个人，margin为设定的阈值；当y...

【专利技术属性】
技术研发人员：常昊，孔亚广，刘威，屠雨泽，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：浙江,33