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 ...
【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
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。