深度均匀人脸特征提取的网络训练方法及装置制造方法及图纸

本申请提出一种深度均匀人脸特征提取的网络训练方法及装置，其中，该方法包括：将人脸图像训练集合输入预设深度卷积神经网络；获取预设深度卷积神经网络输出的与人脸图像训练集合中的多个人脸图像子集合对应的多个人脸特征中心值；根据预设损失函数计算多个人脸特征中心值之间的均匀分布损失值，并检测均匀分布损失值是否小于预设阈值；若均匀分布损失值不小于预设阈值，则根据均匀分布损失值对预设深度卷积神经网络的网络参数进行更新，直到更新后的深度卷积神经网络对应的均匀分布损失值小于预设阈值时，完成对预设深度卷积神经网络的训练。由此，通过这种深度均匀人脸特征提取的网络训练方法，充分利用整个特征空间，提高了人脸识别的准确率。

Network Training Method and Device for Deep Uniform Face Feature Extraction

【技术实现步骤摘要】
深度均匀人脸特征提取的网络训练方法及装置
本申请涉及人脸识别
，尤其涉及一种深度均匀人脸特征提取的网络训练方法及装置。
技术介绍
人脸识别在智能监控、无人系统、安全门禁等实际应用中发挥着重要的作用。传统的人脸识别系统分为以下四个步骤：人脸检测、人脸对齐、人脸特征提取、人脸分类。人脸识别作为一个典型的模式识别问题，由于人脸受到背景、姿态、表情、光照等影响，同类图片具有较大的类内差异，因此提取区分力强的特征在系统中扮演着关键性的角色。随着大数据时代的到来，深度学习在例如视觉识别、检测、检索、分割等多项视觉分析任务中取得了突破性的进展。因此，大量研究者也开展了基于深度特征学习的人脸识别方法。球人脸特征模型认为特征应存在于一个高维超球面上，并采用角度距离来进行度量特征间的相似性，取得了领先的识别效果。然而，由于球人脸特征模型未对特征间的距离进行约束，因此无法保证整体的特征分布充分利用整个球面，使得人脸特征在球面上的分布不均匀。对于特征密集的局部区域，不同人脸图像的特征间距较小，易将不同人脸识别为同一人；而在其他特征分布较为离散的区域中，大部分特征空间均用于区分较易人脸(即差异较大的不同人脸)，未能充分利用整个特征空间，从而影响了人脸识别的准确率。
技术实现思路
本申请提出的深度均匀人脸特征提取的网络训练方法及装置，用于解决相关技术中，球人脸特征模型中的人脸特征在球面上的分布不均匀，未能充分利用整个特征空间，从而影响了人脸识别的准确率的问题。本申请一方面实施例提出的深度均匀人脸特征提取的网络训练方法，包括：将人脸图像训练集合输入预设深度卷积神经网络，其中，所述人脸图像训练集合中包含多个人脸图像子集合，每个人脸图像子集合中包含同一个用户的多张人脸图像；获取所述预设深度卷积神经网络输出的与所述多个人脸图像子集合对应的多个人脸特征中心值；根据预设损失函数计算所述多个人脸特征中心值之间的均匀分布损失值，并检测所述均匀分布损失值是否小于预设阈值；若所述均匀分布损失值不小于所述预设阈值，则根据所述均匀分布损失值对所述预设深度卷积神经网络的网络参数进行更新，直到更新后的深度卷积神经网络对应的均匀分布损失值小于所述预设阈值时，完成对所述预设深度卷积神经网络的训练。本申请另一方面实施例提出的深度均匀人脸特征提取的网络训练装置，包括：输入模块，用于将人脸图像训练集合输入预设深度卷积神经网络，其中，所述人脸图像训练集合中包含多个人脸图像子集合，每个人脸图像子集合中包含同一个用户的多张人脸图像；获取模块，用于获取所述预设深度卷积神经网络输出的与所述多个人脸图像子集合对应的多个人脸特征中心值；检测模块，用于根据预设损失函数计算所述多个人脸特征中心值之间的均匀分布损失值，并检测所述均匀分布损失值是否小于预设阈值；更新模块，用于若所述均匀分布损失值不小于所述预设阈值，则根据所述均匀分布损失值对所述预设深度卷积神经网络的网络参数进行更新，直到更新后的深度卷积神经网络对应的均匀分布损失值小于所述预设阈值时，完成对所述预设深度卷积神经网络的训练。本申请实施例提供的深度均匀人脸特征提取的网络训练方法及装置，将人脸图像训练集合输入预设深度卷积神经网络，并获取预设深度卷积神经网络输出的与人脸图像训练集合中包括的多个人脸图像子集合对应的多个人脸特征中心值，之后根据预设损失函数计算多个人脸特征中心值之间的均匀分布损失值，并检测均匀分布损失值是否小于预设阈值，进而在均匀分布损失值不小于预设阈值时，根据均匀分布损失值对预设深度卷积神经网络的网络参数进行更新，直到更新后的深度卷积神经网络对应的均匀分布损失值小于预设阈值时，完成对预设深度卷积神经网络的训练。由此，通过根据预设深度卷积神经网络输出的多个人脸特征中心值之间的均匀分布损失值，对预设深度卷积神经网络的网络参数进行调整，以使得深度卷积神经网络输出的人脸特征在特征空间中均匀分布，从而实现了充分利用整个特征空间，提高了人脸识别的准确率。本申请附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本申请的实践了解到。附图说明本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：图1为本申请实施例所提供的一种深度均匀人脸特征提取的网络训练方法的流程示意图；图2为本申请实施例所提供的另一种深度均匀人脸特征提取的网络训练方法的流程示意图；图3-1为对分布在球面上的同种电荷进行电势能最小化的过程示意图；图3-2为通过结合均匀分布损失函数与角度softmax损失函数对预设深度卷积神经网络的网络参数进行优化的示意图；图4为本申请实施例所提供的一种深度均匀人脸特征提取的网络训练装置的结构示意图。具体实施方式下面详细描述本申请的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的要素。下面通过参考附图描述的实施例是示例性的，旨在用于解释本申请，而不能理解为对本申请的限制。本申请实施例针对相关技术中，球人脸特征模型中的人脸特征在球面上的分布不均匀，未能充分利用整个特征空间，从而影响了人脸识别的准确率的问题，提出一种深度均匀人脸特征提取的网络训练方法。本申请实施例提供的深度均匀人脸特征提取的网络训练方法，将人脸图像训练集合输入预设深度卷积神经网络，并获取预设深度卷积神经网络输出的与人脸图像训练集合中包括的多个人脸图像子集合对应的多个人脸特征中心值，之后根据预设损失函数计算多个人脸特征中心值之间的均匀分布损失值，并检测均匀分布损失值是否小于预设阈值，进而在均匀分布损失值不小于预设阈值时，根据均匀分布损失值对预设深度卷积神经网络的网络参数进行更新，直到更新后的深度卷积神经网络对应的均匀分布损失值小于预设阈值时，完成对预设深度卷积神经网络的训练。由此，通过根据预设深度卷积神经网络输出的多个人脸特征中心值之间的均匀分布损失值，对预设深度卷积神经网络的网络参数进行调整，以使得深度卷积神经网络输出的人脸特征在特征空间中均匀分布，从而实现了充分利用整个特征空间，提高了人脸识别的准确率。下面参考附图对本申请提供的深度均匀人脸特征提取的网络训练方法及装置进行详细描述。图1为本申请实施例所提供的一种深度均匀人脸特征提取的网络训练方法的流程示意图。如图1所示，该深度均匀人脸特征提取的网络训练方法，包括以下步骤：步骤101，将人脸图像训练集合输入预设深度卷积神经网络，其中，所述人脸图像训练集合中包含多个人脸图像子集合，每个人脸图像子集合中包含同一个用户的多张人脸图像。在本申请实施例中，可以根据实际需要，选择合适的深度卷积神经网络，作为预设深度卷积神经网络，对人脸图像训练集合中的各人脸图像进行特征提取。需要说明的是，人脸图像训练集合中需要包含大量人脸图像，并且包括多个不同人脸图像子集合，其中，每个图像子集合中包括的多张人脸图像，为同一个用户在不同的背景、姿态、表情、光照下的多张人脸图像，以使通过人脸图像训练集合训练出的网络模型的可靠性更高。步骤102，获取所述预设深度卷积神经网络输出的与所述多个人脸图像子集合对应的多个人脸特征中心值。其中，人脸图像子集合对应人脸特征中心值，是指该人脸图像子集合中各人脸图像分别对应的人脸特征值的平均值。在本申请实施例中，本文档来自技高网...

【技术保护点】
1.一种深度均匀人脸特征提取的网络训练方法，其特征在于，包括：将人脸图像训练集合输入预设深度卷积神经网络，其中，所述人脸图像训练集合中包含多个人脸图像子集合，每个人脸图像子集合中包含同一个用户的多张人脸图像；获取所述预设深度卷积神经网络输出的与所述多个人脸图像子集合对应的多个人脸特征中心值；根据预设损失函数计算所述多个人脸特征中心值之间的均匀分布损失值，并检测所述均匀分布损失值是否小于预设阈值；若所述均匀分布损失值不小于所述预设阈值，则根据所述均匀分布损失值对所述预设深度卷积神经网络的网络参数进行更新，直到更新后的深度卷积神经网络对应的均匀分布损失值小于所述预设阈值时，完成对所述预设深度卷积神经网络的训练。

【技术特征摘要】
1.一种深度均匀人脸特征提取的网络训练方法，其特征在于，包括：将人脸图像训练集合输入预设深度卷积神经网络，其中，所述人脸图像训练集合中包含多个人脸图像子集合，每个人脸图像子集合中包含同一个用户的多张人脸图像；获取所述预设深度卷积神经网络输出的与所述多个人脸图像子集合对应的多个人脸特征中心值；根据预设损失函数计算所述多个人脸特征中心值之间的均匀分布损失值，并检测所述均匀分布损失值是否小于预设阈值；若所述均匀分布损失值不小于所述预设阈值，则根据所述均匀分布损失值对所述预设深度卷积神经网络的网络参数进行更新，直到更新后的深度卷积神经网络对应的均匀分布损失值小于所述预设阈值时，完成对所述预设深度卷积神经网络的训练。2.如权利要求1所述的方法，其特征在于，所述预设损失函数为：其中，Lu为所述均匀分布损失值，M为所述多个人脸图像子集合的数量，λ为超参数，cj1、cj2分别为第j1个人脸特征中心值与第j2个人脸特征中心值，d(cj1,cj2)为第j1个人脸特征中心值与第j2个人脸特征中心值的距离，j1、j2为人脸特征中心值的序号。3.如权利要求1所述的方法，其特征在于，所述根据预设损失函数计算所述多个人脸特征中心值之间的均匀分布损失值之前，还包括：根据均匀分布损失函数和角度softmax损失函数，确定所述预设损失函数。4.如权利要求3所述的方法，其特征在于，所述角度softmax损失函数为：其中，Lang为角度softmax损失函数值，N为所述人脸图像训练集合中的人脸图像的数量，xi为所述人脸图像训练集合中的第i个样本，yi为xi所属的人脸图像子集合，θyi,i为xi与其所属的人脸图像子集合yi间的角度，ψ(θyi,i)为xi与其所属的人脸图像子集合yi间的余弦距离，i为人脸图像子集合的序号，h为所述人脸图像训练集合中与yi不同的其他人脸图像子集合的序号，θh,i为xi与第h个其他人脸图像子集合间的角度。5.如权利要求4所述的方法，其特征在于，所述根据均匀分布损失函数与角度softmax损失函数，确定所述预设损失函数，包括：将所述均匀分布损失函数Lu与所述角度softmax损失函数Lang之和，确定为所述预设损失函数。6.如权利要...

【专利技术属性】
技术研发人员：鲁继文，周杰，段岳圻，
申请(专利权)人：清华大学，
类型：发明
国别省市：北京,11