一种人脸识别深度网络训练方法和系统技术方案

本发明专利技术提供了一种人脸识别深度网络训练方法和系统，基于类别中心点排序学习，包括：收集人脸图片并进行标注，构建人脸识别数据集；检测人脸和关键点，并用关键点进行人脸对齐；构造深度神经网络；构造类别中心点更新策略和基于类别中心点的排序损失，结合分类损失进行深度网络的训练；利用训练好的深度神经网络模型进行人脸特征提取，利用人脸特征之间的相似度进行人脸识别。本发明专利技术通过排序学习来进行深度网络的训练，使得样本不仅能够靠近自己的中心点，还能尽可能的远离其他中心点，从而得到更有区分性的特征表示；本发明专利技术利用多个类别的中心点信息，具有较快收敛速度。同时着重优化与样本相似的难以区分的类别中心，能够有效的增强人脸识别的精度。

A Method and System of Face Recognition Deep Network Training

The invention provides a face recognition depth network training method and system, which is based on the ranking learning of category centers, including: collecting and annotating face pictures, constructing face recognition data set; detecting face and key points, and aligning face with key points; constructing depth neural network; constructing the renewal strategy of category centers and ranking loss based on category centers. Combining the classification loss to train the depth network, using the trained depth neural network model to extract face features, and using the similarity between face features for face recognition. The present invention trains deep network by sequencing learning, so that the samples can not only be close to their own central points, but also as far away as possible from other central points, so as to obtain more distinguishing feature representations. At the same time, we focus on optimizing the class centers which are similar to the samples and are difficult to distinguish, which can effectively enhance the accuracy of face recognition.

【技术实现步骤摘要】
一种人脸识别深度网络训练方法和系统
本专利技术涉及人脸识别
，具体来说涉及一种基于类别中心点排序学习的人脸识别深度网络训练方法和系统。
技术介绍
人脸识别技术是生物特征识别的一种，具有非接触性、快速性和准确性，广泛应用于门禁、监控、金融、零售和娱乐等行业。随着技术和应用的发展，人脸数据的规模也逐渐增大，同时人脸图像容易受到光照、姿态、表情、遮挡和清晰度等因素的影响，当前大规模和无约束的人脸识别仍然是一个具有挑战性的问题。早期的人脸识别技术主要采用手工设计的特征提取方法，如LBP和HOG等，再使用浅层的分类器进行人脸的验证和识别。传统手工方法的特征表示能力有限，识别效果很容易受到环境影响，主要用于配合式的和光照良好的应用场景。近年来，得益于计算能力的提升和人脸数据规模的增加，深度学习成功应用于人脸识别技术中，使得人脸识别的精度的不断提高。深度学习采用多层神经网络结构，能够学习多个抽象层次的特征表示。在人脸识别任务中，深度网络的高层抽象表示对于人脸姿态、表情和光线有着更高的容忍度，能够部分解决非约束环境的人脸识别问题。目前该领域已经申请的专利有中国专利技术专利公开号CN106951867A和CN107103281A。CN106951867A(基于卷积神经网络的人脸识别方法、装置、系统及设备)公开了一种基于卷积神经网络的人脸识别方法、装置、系统及设备，方法包括以下步骤：S1：人脸检测，采用多层CNN特征架构；S2：关键点定位，采用深度学习中级联多个基准框回归网络来得到人脸关键点位置；S3：预处理，获得固定大小的人脸图像；S4：特征提取，经过特征提取模型得到特征代表向量；S5：特征比对，根据阈值判定相似性或根据距离排序给出人脸识别结果。其采用softmax分类损失，具有算法简单和训练速度快的优点，但是类别之间的区分度不够好，特征表达的可判别性不够高。CN107103281A(基于聚集损失深度度量学习的人脸识别方法)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。其采用度量学习的算法，能够学习更具有区分性特征，但是该方法在训练过程中没有特别的针对相似类别进行优化，同时该方法使用的聚类损失的收敛速度比较慢，训练时间过长。
技术实现思路
为了解决现有技术中人脸识别深度网络的训练针对性不强，难以区分比较相似的人脸的问题，本专利技术提出基于排序学习的深度网络训练方法。该方法的流程如下：收集人脸图片并进行标注，构建人脸识别数据集；人脸检测和关键点检测，并用关键点进行人脸对齐；构造一个深度神经网络；构造类别中心点更新策略和基于类别中心点的排序损失，结合分类损失进行深度网络的训练；利用训练好的深度神经网络模型进行人脸特征提取，利用人脸特征之间的相似度进行人脸识别。其中，所述的关键点检测至少为三个关键点，包括眼睛、鼻子、嘴等；所述的人脸对齐则采用仿射变换将人脸图像上多个关键点的位置对齐到预先设定好的位置上；所述的深度神经网络采用多层卷积网络，排序损失和分类损失共享网络的卷积层和第一个全连接层，网络的第一个全连接层输出是人脸特征表示；所述的类别中心点是指训练集中每个类别都会维持一个特征表示的中心点，类别中心点的更新采用移动均值策略，基于类别的中心点的排序损失采用Top1排序损失；所述的分类损失为softmax的交叉熵分类损失。所述的排序损失和分类损失按照权重比例相加得到总的损失函数。优选的，Top1排序损失属于列表级的排序损失。如果将样本到所有类别中心距离进行排序，Top1概率表示检索到的结果排在第1位的概率，Top1损失则是Top1概率与真实排序的交叉熵损失，其公式化表示如下：其中，xi为第i个样本，yi为第i个样本的标签，f(xi)为xi的深度网络的特征，u是类别中心，j∈[1，...，n]表示类别中心的编号，距离函数为：其中j∈[1，...，n]，M是过滤间隔参数，过滤掉离样本间隔大且非自身类别的中心点，将优化目标集中在离自己近的难以区分的类别中心；m是最大间隔参数，当第i个样本的标签等于j时，加上距离m来增加样本的学习难度，使得相互之间能够离得更远，从而增加特征的区分度。优选的，类别中心点的更新依据中心点与当前该类别样本的特征的差值，具体可以表示为下式：uj←uj-αt(uj-f(xi))，yi＝j其中α是控制更新的系数，t是学习率。根据上述方法，本专利技术提供了一种基于类别中心点排序学习的人脸识别深度网络的训练系统，该系统包括：人脸数据预处理模块、类别中心点更新模块、深度网络训练模块和深度模型部署模块。其中：所述人脸数据预处理模块，用于人脸图像的预处理，采用人脸检测和关键点检测获得图像中的人脸区域和人脸的关键点，再用关键点进行人脸对齐；所述类别中心点更新模块，用于更新每个类别的中心点特征；所述深度网络训练模块，则用反向传播算法来进行网络模型参数权值的更新直到收敛。所述深度模型部署模块，用于部署训练好的模型进行人脸特征的提取。本专利技术的优点在于：本专利技术通过排序学习来进行深度网络的训练，使得样本不仅能够靠近自己的中心点，还能尽可能的远离其他中心点，从而得到更有区分性的特征表示；本专利技术利用多个类别的中心点信息，具有较快收敛速度。同时着重优化与样本相似的难以区分的类别中心，能够有效的增强人脸识别的精度。附图说明通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本专利技术的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：图1为基于类别中心点排序学习的人脸识别训练方法流程图；图2为本专利技术所采用的深度神经网络的结构示意图。图3为类别中心点排序损失示意图。图4为本专利技术类别中心点排序学习的人脸识别训练装置结构示意图。具体实施方式下面将参照附图更详细地描述本公开的示例性实施方式。虽然附图中显示了本公开的示例性实施方式，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施方式所限制。相反，提供这些实施方式是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。本专利技术实施例中，首先收集人脸图片并进行标注，构建人脸识别数据集；再进行人脸检测和关键点检测，并用关键点进行人脸对齐；构造深度神经网络；构造类别中心点排序损失和中心点更新策略，结合分类损失进行深度网络的训练；最后，利用训练好的深度神经网络模型进行人脸识别。为了使本专利技术中的技术方案被更好地理解，下面将结合附图及具体实施方式对本专利技术做进一步详细说明。本专利技术实施例中提出一种类别中心点排序学习的人脸识别深度网络训练方法，如图1所示，该方法包括：步骤S1:收集人脸图片并进行标注，构建本文档来自技高网...

【技术保护点】
1.一种人脸识别深度网络训练方法，基于类别中心点排序学习，包括：收集人脸图片并进行标注，构建人脸识别数据集；检测人脸和关键点，并用关键点进行人脸对齐；构造深度神经网络；构造类别中心点更新策略和基于类别中心点的排序损失，结合分类损失进行深度网络的训练；利用训练好的深度神经网络模型进行人脸特征提取，利用人脸特征之间的相似度进行人脸识别。

【技术特征摘要】
1.一种人脸识别深度网络训练方法，基于类别中心点排序学习，包括：收集人脸图片并进行标注，构建人脸识别数据集；检测人脸和关键点，并用关键点进行人脸对齐；构造深度神经网络；构造类别中心点更新策略和基于类别中心点的排序损失，结合分类损失进行深度网络的训练；利用训练好的深度神经网络模型进行人脸特征提取，利用人脸特征之间的相似度进行人脸识别。2.根据权利要求1所述的一种人脸识别深度网络训练方法，其特征在于，其中，所述的关键点至少包括以下三个关键点：眼睛、鼻子、嘴。3.根据权利要求1所述的一种人脸识别深度网络训练方法，其特征在于，所述的人脸对齐采用仿射变换将所述关键点的位置对齐到预先设定的位置上。4.根据权利要求1所述的一种人脸识别深度网络训练方法，其特征在于，所述的深度神经网络采用多层卷积网络，所述卷积网络的第一个全连接层输出是人脸特征表示，所述排序损失和分类损失共享卷积网络的卷积层和所述第一个全连接层。5.根据权利要求1所述的一种人脸识别深度网络训练方法，其特征在于，所述的类别中心点是指训练集中每个类别都会维持一个特征表示的中心点，所述类别中心点更新策略采用移动均值策略，所述训练集选自所述数据集。6.根据权利要求1所述的一种人脸识别深度网络训练方法，其特征在于，所述基于类别中心点的排序损失采用Top1排序损失；所述的分类损失为softmax的交叉熵分类损失，所述的排...

【专利技术属性】
技术研发人员：陈俊逸，
申请(专利权)人：长沙小钴科技有限公司，
类型：发明
国别省市：湖南,43