一种基于自适应权重的人脸识别多路径深度神经网络方法技术

本发明专利技术属于图像识别技术领域，尤其为一种基于自适应权重的人脸识别多路径深度神经网络方法，技术方案包括如下步骤：首先，构建一种适用于人脸识别的多路径神经网络；其次，基于人脸识别的任务建立相应的多路径损失函数；最后利用自适应权重算法，进行训练，在训练过程中算法会根据相应的阈值自适应调整不同路径网络的损失权重，得到最终的模型；本发明专利技术通过多路径神经网络的建立，完成了端到端的人脸识别过程，通过自适应权重算法进行深度网络的训练，显著提高了训练的效果，还可以适用于不同远近的人脸，大大增加了实际应用的性能，可很好的满足市场的需求，有利于本发明专利技术在市场的大面积推广使用。

A multi-path depth neural network method for face recognition based on adaptive weight

The invention belongs to the field of image recognition technology, in particular to a multi-path depth neural network method for face recognition based on adaptive weight. The technical scheme includes the following steps: first, to build a multi-path neural network suitable for face recognition; second, to build a corresponding multi-path loss function based on the task of face recognition; and finally, to use the adaptive weight algorithm to In the training process, the algorithm will adaptively adjust the loss weight of different path networks according to the corresponding threshold value to obtain the final model; the invention completes the end-to-end face recognition process through the establishment of multi-path neural network, carries out the deep network training through the adaptive weight algorithm, significantly improves the training effect, and can also be applied to different distant and near people Face greatly increases the performance of practical application, can well meet the market demand, and is conducive to the large-scale promotion and use of the invention in the market.

【技术实现步骤摘要】
一种基于自适应权重的人脸识别多路径深度神经网络方法
本专利技术属于图像识别
，具体涉及一种基于自适应权重的人脸识别多路径深度神经网络方法。
技术介绍
人脸识别是是基于人的脸部信息进行身份识别的一种新兴技术，它通过特定的算法提取人的特征，并进行识别，人脸识别是近几年来图像处理领域的热门课题之一，该技术现已经被广泛用于各种实际场景中，包括火车站、大型商场等等。完整的人脸识别的流程包括人脸检测、人脸特征提取和识别。目前，人脸识别采用的最广泛的方法是基于深度神经网络模型的算法。神经网络模型是基于上世纪40年代被提出的神经元模型，在80年代成为研究热潮，但受到计算机硬件的限制，在90年代开始遇冷，直到2012年随着ImageNet的竞赛，再次成为研究热点，现在的主流人脸识别模型都是基于卷积神经网络，卷积神经网络最早由LeCun提出，该网络被用于手写体识别任务，卷积神经网络最核心的操作就是卷积操作，卷积操作是一种提取图像特征非常有效的技术手段，因此，卷积神经网络被大量应用于图像识别、分类等领域。当前，在人脸识别领域，最常见的模型包括DeepFace、DeepID、FaceNet等等。DeepFace模型通过人脸的关键点信息，通过建模经过一系列操作以后得到对齐的3D人脸，然后将对齐以后的3D人脸利用深度神经网络进行特征的提取，最后利用siamense网络进行两张人脸距离的计算，来进行人脸识别。DeepID首先通过SDM方法检测出人脸的关键点信息，然后利用这些信息进行数据增强，也是利用深度卷积神经网络进行提取特征，最后得到一个160维的特征向量，根据该特征向量再进行分类。而FaceNet则通过深度卷积神经网络，将图像映射到一个欧式空间，然后通过定义一个新的三元损失函数来进行训练。上述的主流模型效果很好，但是大部分都需要对图像进行对齐，需要先通过人脸检测以后进行裁剪或其他操作以后才能进行人脸识别，没有一个从端到端的人脸模型，除此以外，神经网络模型的训练也是很耗费时间和算力，是一个很复杂的过程。
技术实现思路
本专利技术的目的在于，针对现有的人脸识别的深度网络模型的局限性，提出一种基于自适应权重的人脸识别多路径深度神经网络方法，这种方法能进行端到端的训练和结果的输出，输入不需进行人脸区域裁剪的原图像，能最终输出人脸的特征信息，进行人脸识别，同时，利用自适应权重的训练方法，加快深度模型的训练。为实现上述目的，本专利技术提供如下技术方案：一种基于自适应权重的人脸识别多路径深度神经网络方法，包括以下步骤：S1：构建一种适用于人脸识别的多路径神经网络；S2：基于人脸识别的任务建立相应的多路径损失函数；S3：利用自适应权重算法，进行训练，在训练过程中算法会根据相应的阈值自适应调整不同路径网络的损失权重，得到最终的模型。首先，构建一种适用于人脸识别的多路径神经网络：该神经网络的结构主要包括二个部分，这两个部分为并列的两个支路，其中一个支路是通过包含卷积层、池化层、全连接层等神经网络模型进行人脸区域的检测，另一个支路是通过包含卷积层、池化层、嵌入层在内的深度神经网络模型进行人脸识别的支路，其中人脸检测的支路的输出信息会添加到人脸识别支路的某一卷层后，因此，最终两个支路会汇合在一起，最终输出包含人脸信息的128维的特征向量，通过特征向量之间的距离运算，可以进行人脸识别，其次，基于人脸识别的任务建立相应的多路径损失函数：该多路径深度神经网络的损失函数由两部分构成，一部分是人脸检测支路的边框回归的损失函数Lreg，另一个部分是人脸识别支路也就是最终输出的三元损失函数Ltriple，其定义如下：其中ti是包含平移和尺度缩放的四维向量，w为训练的参数，I为输出；为输入图像的特征向量，为跟当前图像属于同一个人的特征向量，为输入图像最不接近的其他人的特征向量，总的损失函数定义如下：L＝αLres+βLtriple其中，α和β是两个支路部分的损失权重。最后利用自适应权重算法，进行训练，在训练过程中算法会根据相应的阈值自适应调整不同路径网络的损失权重，得到最终的模型：自适应权重算法是通过自适应调节α和β的比值来进行模型的训练，该算法是通过两部分损失的变化率，来调节α和β的比值，当一方损失函数下降减缓时，通过调节比值来加快训练。优选的，所述构建一种适用于人脸识别的多路径神经网络是指构建两条或两条以上卷积神经网络的并行分支。优选的，在S2中的所述损失函数定义如下：L＝αLres+βLtriple其中，Lres是人脸检测支路的损失函数Ltriple是人脸识别支路的损失函数，α和β是各自的权重超参数。优选的，所述自适应权重算法是通过自适应调节比值r来进行模型的训练，该算法是通过判断两部分损失的变化率是否满足相关的阈值t，来调节α和β的比值，当一方损失函数下降减缓时，通过调节比值来加快训练。优选的，所述卷积神经网络的组成部分为卷积层、池化层、全连接层。优选的，两条或两条以上的所述卷积神经网络的并行分支会在最后进行汇合，最终经过一个嵌入层或所述全连接层，得到一个人脸的特征向量。优选的，所述自适应调节比值r的定义为：r＝α/β。优选的，所述自适应权重算法的阈值t的范围为-1～1，包括-1和1。优选的，所述特征向量的维数范围为32～512维，包括32和512。与现有技术相比，本专利技术的有益效果是：1、本专利技术通过多路径神经网络的建立，完成了端到端的人脸识别过程。2、本专利技术通过自适应权重算法进行深度网络的训练，提高了训练的效果。3、本专利技术可以适用于不同远近的人脸，大大增加了实际应用的性能。附图说明附图用来提供对本专利技术的进一步理解，并且构成说明书的一部分，与本专利技术的实施例一起用于解释本专利技术，并不构成对本专利技术的限制。在附图中：图1为本专利技术的多路径深度神经网络方法流程图；图2为本专利技术一个实施例的多路径深度神经网络的模型图；图3为本专利技术一个实施例的自适应权重算法流程图；图4为本专利技术一个实施例的人脸识别效果图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。请参阅图1-4，本专利技术提供以下技术方案：一种基于自适应权重的人脸识别多路径深度神经网络方法，包括以下步骤：S1：构建一种适用于人脸识别的多路径神经网络；S2：基于人脸识别的任务建立相应的多路径损失函数；S3：利用自适应权重算法，进行训练，在训练过程中算法会根据相应的阈值自适应调整不同路径网络的损失权重，得到最终的模型。具体的，构建一种适用于人脸识别的多路径神经网络是指构建两条或两条以上卷积神经网络的本文档来自技高网...

【技术保护点】
1.一种基于自适应权重的人脸识别多路径深度神经网络方法，其特征在于，包括以下步骤：/nS1：构建一种适用于人脸识别的多路径神经网络；/nS2：基于人脸识别的任务建立相应的多路径损失函数；/nS3：利用自适应权重算法，进行训练，在训练过程中算法会根据相应的阈值自适应调整不同路径网络的损失权重，得到最终的模型。/n

【技术特征摘要】
1.一种基于自适应权重的人脸识别多路径深度神经网络方法，其特征在于，包括以下步骤：
S1：构建一种适用于人脸识别的多路径神经网络；
S2：基于人脸识别的任务建立相应的多路径损失函数；
S3：利用自适应权重算法，进行训练，在训练过程中算法会根据相应的阈值自适应调整不同路径网络的损失权重，得到最终的模型。


2.根据权利要求1所述的一种基于自适应权重的人脸识别多路径深度神经网络方法，其特征在于：所述构建一种适用于人脸识别的多路径神经网络是指构建两条或两条以上卷积神经网络的并行分支。


3.根据权利要求1所述的一种基于自适应权重的人脸识别多路径深度神经网络方法，其特征在于：在S2中的所述损失函数定义如下：
L＝αLres+βLtriple
其中，Lres是人脸检测支路的损失函数Ltriple是人脸识别支路的损失函数，α和β是各自的权重超参数。


4.根据权利要求1所述的一种基于自适应权重的人脸识别多路径深度神经网络方法，其特征在于：所述自适应权重算法是通过自适应调节比值r来进行模型的训练，该算法是通过判...

【专利技术属性】
技术研发人员：虞钉钉，胡贤良，方建勇，应俊，
申请(专利权)人：旭辉卓越健康信息科技有限公司，
类型：发明
国别省市：浙江;33