基于启发式算法的多模型融合人脸识别方法、装置、计算机系统与可读介质制造方法及图纸

本发明专利技术提供一种基于启发式算法的多模型融合人脸识别方法、装置、计算机系统与可读介质，可针对特定场景包括但不限于不同人种、不同年龄、不同性别、不同光照条件、不同角度和不同部署设备的人脸识别需求，不需要重新训练网络模型和特定的数据处理方式，只需要通过模型底库，由不同场景数据训练的不同输入尺寸的不同规模网络结构的模型建立，使用本发明专利技术创造的启发式算法来对模型进行选择、融合，得到的融合模型可在该场景下达到最优的人脸识别精度。

Multi model fusion face recognition method, device, computer system and readable medium based on heuristic algorithm

【技术实现步骤摘要】
基于启发式算法的多模型融合人脸识别方法、装置、计算机系统与可读介质
本专利技术涉及人脸识别
，具体而言涉及一种基于启发式算法的多模型融合人脸识别方法与装置。
技术介绍
现有人脸识别的主要过程包括人脸检测、人脸采集、数据预处理、通过神经网络模型输出特征体积与底库中的特征比对得出识别结果。传统的人脸识别方式针对不同场景(包括但不限于不同人种、不同年龄、不同性别、不同光照条件、不同角度和不同部署设备)，通常是通过对该场景的人脸数据进行采集，通过采集的人脸数据训练神经网络模型，训练好的神经网络模型一般用于单个场景的预测，在其他场景精度较低。基于多模型融合的人脸识别方法是将多个神经网络模型融合在一起进行人脸特征的输出，有效克服了单一神经网络模型过拟合单一场景的问题，但多模型的选择过程一般为人工选择，选择结果无法做到最优。
技术实现思路
本专利技术目的在于提供一种基于启发式算法的多模型融合人脸识别方法与装置，使用启发式算法来对模型进行选择、融合，得到的融合模型可以在场景下达到最优的人脸识别精度。为实现上述目的，本专利技术提出基于启发式算法的多模型融合人脸识别方法，包括：步骤1、预设融合模型个数q，并初始化迭代次数X、初始温度T和温度系数d；步骤2、从人脸识别模型底库中随机初始化q个模型，并判断q个模型是否满足设定的场景下部署设备的硬件需求，如果q个模型的组合不能满足需求，则重新初始化，直到满足需求条件为止；所述的人脸识别模型底库包括由不同场景的训练集、不同输入尺寸、不同的网络结构训练的M个神经网络模型；其中，M和q均为正整数，且M＞＞q；步骤3、对于初始化后的q个模型，进行模型融合，融合后的组合为S，通过场景的测试集进行精度测试，在测试集上获得的精度作为目标函数f(S)；步骤4、一次替换开始，从人脸识别模型底库中随机抽取一个新的模型M′，依次替换组合S中模型，直到新的组合满足当前设定场景下部署设备的硬件需求，如果满足要求，则进入步骤5；如果替换q中的任一个都不满足要求，则将M′丢弃到模型备选库，重新进行步骤4进行替换；步骤5、将模型M′替换S中的一个模型，替换后的模型构成组合S′，通过场景的测试集计算确定目标函数f(S′)，然后获得目标函数增量ΔE，ΔE＝f(S′)-f(S)，ΔE＞0时，模型组合S′替换S；ΔE＜0时，计算概率P＝exp(ΔE/T)，按照概率使用模型组合S′替换S，将替换下来的模型或者未替换成功的M′丢弃到模型备选库，并给予冷却系数γ，冷却系数γ＝模型被丢弃的次数；步骤6、检查迭代条件，如果当前迭代次数X＞0，更新温度参数T＝T×d，迭代次数X＝X-1，将替换下来的模型丢弃到模型备选库，并进入步骤4，如果当前迭代次数X＝0，进入步骤7；步骤7、迭代结束，输出选择的模型组合S。根据本专利技术的公开，还提出一种基于启发式算法的多模型融合人脸识别装置，包括：用于预设融合模型个数q，并初始化迭代次数X、初始温度T和温度系数d的模块；用于从人脸识别模型底库中随机初始化q个模型，并判断q个模型是否满足设定的场景下部署设备的硬件需求的模块，其中如果q个模型的组合不能满足需求，则重新初始化，直到满足需求条件为止；所述的人脸识别模型底库包括由不同场景的训练集、不同输入尺寸、不同的网络结构训练的M个神经网络模型；其中，M和q均为正整数，且M＞＞q；用于对于初始化后的q个模型，进行模型融合，融合后的组合为S，通过场景的测试集进行精度测试，在测试集上获得的精度作为目标函数f(S)的模块；用于一次替换开始，从人脸识别模型底库中随机抽取一个新的模型M′，依次替换组合S中模型，直到新的组合满足当前设定场景下部署设备的硬件需求的模块，其中如果满足要求，则进行模型组合的替换；如果替换q中的任一个都不满足要求，则将M′丢弃到模型备选库，重新模型选取和替换；用于将模型M′替换S中的一个模型，替换后的模型构成组合S′，通过场景的测试集计算确定目标函数f(S′)，然后获得目标函数增量ΔE，ΔE＝f(S′)-f(S)，并基于增强进行模型组合替换的模块，其中，ΔE＞0时，模型组合S′替换S；ΔE＜0时，计算概率P＝exp(ΔE/T)，按照概率使用模型组合S′替换S，将替换下来的模型或者未替换成功的M′丢弃到模型备选库，并给予冷却系数γ，冷却系数γ＝模型被丢弃的状数；用于检查迭代条件，如果当前迭代次数X＞0，更新温度参数T＝T×d，迭代次数X＝X-1，将替换下来的模型丢弃到模型备选库，并进行模型选择和替换，如果当前迭代次数X＝0，则输出模型组合的模块；用于结束迭代，输出选择的模型组合S的模块。根据本专利技术的公开，还提出一种计算机系统，包括：一个或多个处理器；存储器，存储可被操作的指令，所述指令在通过所述一个或多个处理器执行时使得所述一个或多个处理器执行操作，所述操作包括：步骤1、预设融合模型个数q，并初始化迭代次数X、初始温度T和温度系数d；步骤2、从人脸识别模型底库中随机初始化q个模型，并判断q个模型是否满足设定的场景下部署设备的硬件需求，如果q个模型的组合不能满足需求，则重新初始化，直到满足需求条件为止；所述的人脸识别模型底库包括由不同场景的训练集、不同输入尺寸、不同的网络结构训练的M个神经网络模型；其中，M和q均为正整数，且M＞＞q；步骤3、对于初始化后的q个模型，进行模型融合，融合后的组合为S，通过场景的测试集进行精度测试，在测试集上获得的精度作为目标函数f(S)；步骤4、一次替换开始，从人脸识别模型底库中随机抽取一个新的模型M′，依次替换组合S中模型，直到新的组合满足当前设定场景下部署设备的硬件需求，如果满足要求，则进入步骤5；如果替换q中的任一个都不满足要求，则将M′丢弃到模型备选库，重新进行步骤4进行替换；步骤5、将模型M′替换S中的一个模型，替换后的模型构成组合S′，通过场景的测试集计算确定目标函数f(S′)，然后获得目标函数增量ΔE，ΔE＝f(S′)-f(S)，ΔE＞0时，模型组合S′替换S；ΔE＜0时，计算概率P＝exp(ΔE/T)，按照概率使用模型组合S′替换S，将替换下来的模型或者未替换成功的M′丢弃到模型备选库，并给予冷却系数γ，冷却系数γ＝模型被丢弃的次数；步骤6、检查迭代条件，如果当前迭代次数X＞0，更新温度参数T＝T×d，迭代次数X＝X-1，将替换下来的模型丢弃到模型备选库，并进入步骤4，如果当前迭代次数X＝0，进入步骤7；步骤7、迭代结束，输出选择的模型组合S。根据本专利技术的公开，还提出一种存储软件的计算机可读取介质，所述软件包括能通过一个或多个计算机执行的指令，所述指令通过这样的执行使得所述一个或多个计算机执行操作，所述操作包括：步骤1、预设融合模型个数q，并初始化迭代次数X、初始温度T和温度系数d；步骤2、从人脸识别模型底库中随机初始化q个模型，并判断q个模型是否满足设定的场景下部署设备的硬件需本文档来自技高网...

【技术保护点】
1.一种基于启发式算法的多模型融合人脸识别方法，其特征在于，包括：/n步骤1、预设融合模型个数q，并初始化迭代次数X、初始温度T和温度系数d；/n步骤2、从人脸识别模型底库中随机初始化q个模型，并判断q个模型是否满足设定的场景下部署设备的硬件需求，如果q个模型的组合不能满足需求，则重新初始化，直到满足需求条件为止；所述的人脸识别模型底库包括由不同场景的训练集、不同输入尺寸、不同的网络结构训练的M个神经网络模型；其中，M和q均为正整数，且M>>q；/n步骤3、对于初始化后的q个模型，进行模型融合,融合后的组合为S，通过场景的测试集进行精度测试，在测试集上获得的精度作为目标函数f(S)；/n步骤4、一次替换开始，从人脸识别模型底库中随机抽取一个新的模型M′，依次替换组合S中模型，直到新的组合满足当前设定场景下部署设备的硬件需求，如果满足要求，则进入步骤5；如果替换q中的任一个都不满足要求，则将M′丢弃到模型备选库，重新进行步骤4进行替换；/n步骤5、将模型M′替换S中的一个模型，替换后的模型构成组合S′，通过场景的测试集计算确定目标函数f(S′)，然后获得目标函数增量ΔE，ΔE＝f(S′)-f(S)，ΔE＞0时，模型组合S′替换S；ΔE＜0时,计算概率P＝exp(ΔE/T)，按照概率使用模型组合S′替换S，将替换下来的模型或者未替换成功的M′丢弃到模型备选库，并给予冷却系数γ，冷却系数γ＝模型被丢弃的次数；/n步骤6、检查迭代条件，如果当前迭代次数X>0，更新温度参数T＝T×d,迭代次数X＝X-1，将替换下来的模型丢弃到模型备选库，并进入步骤4，如果当前迭代次数X＝0，进入步骤7；/n步骤7、迭代结束，输出选择的模型组合S。/n...

【技术特征摘要】
1.一种基于启发式算法的多模型融合人脸识别方法，其特征在于，包括：
步骤1、预设融合模型个数q，并初始化迭代次数X、初始温度T和温度系数d；
步骤2、从人脸识别模型底库中随机初始化q个模型，并判断q个模型是否满足设定的场景下部署设备的硬件需求，如果q个模型的组合不能满足需求，则重新初始化，直到满足需求条件为止；所述的人脸识别模型底库包括由不同场景的训练集、不同输入尺寸、不同的网络结构训练的M个神经网络模型；其中，M和q均为正整数，且M>>q；
步骤3、对于初始化后的q个模型，进行模型融合,融合后的组合为S，通过场景的测试集进行精度测试，在测试集上获得的精度作为目标函数f(S)；
步骤4、一次替换开始，从人脸识别模型底库中随机抽取一个新的模型M′，依次替换组合S中模型，直到新的组合满足当前设定场景下部署设备的硬件需求，如果满足要求，则进入步骤5；如果替换q中的任一个都不满足要求，则将M′丢弃到模型备选库，重新进行步骤4进行替换；
步骤5、将模型M′替换S中的一个模型，替换后的模型构成组合S′，通过场景的测试集计算确定目标函数f(S′)，然后获得目标函数增量ΔE，ΔE＝f(S′)-f(S)，ΔE＞0时，模型组合S′替换S；ΔE＜0时,计算概率P＝exp(ΔE/T)，按照概率使用模型组合S′替换S，将替换下来的模型或者未替换成功的M′丢弃到模型备选库，并给予冷却系数γ，冷却系数γ＝模型被丢弃的次数；
步骤6、检查迭代条件，如果当前迭代次数X>0，更新温度参数T＝T×d,迭代次数X＝X-1，将替换下来的模型丢弃到模型备选库，并进入步骤4，如果当前迭代次数X＝0，进入步骤7；
步骤7、迭代结束，输出选择的模型组合S。


2.根据权利要求1所述的基于启发式算法的多模型融合人脸识别方法，其特征在于，所述步骤2中，所述的硬件需求包括硬件设备对速度和体积的需求。


3.根据权利要求1所述的基于启发式算法的多模型融合人脸识别方法，其特征在于，所述步骤3中，所述的模型融合包括：
对于输入的一张人脸照片，按照融合模型内的各个模型的输入标准进行变换，然后输入各个模型获得每个模型的输出，即1*512维的特征值；
将每个模型输出的特征值进行特征连接，形成1*(n*512)维的特征向量，使用该特征向量与照片底库中的人脸特征向量分别计算余弦距离；
选择余弦距离最小的底库照片，作为人脸的识别结果进行输出。


4.根据权利要求1所述的基于启发式算法的多模型融合人脸识别方法，其特征在于，所述步骤6中，将替换下来的模型丢弃到模型备选库包括：
设置放回周期Y，Y＝min(2,M/X)，迭代次数X被放回周期Y整除，即每Y次迭代，选择冷却系数最小的模型，将其放回模型底库。


5.一种基于启发式算法的多模型融合人脸识别装置，其特征在于，包括：
用于预设融合模型个数q，并初始化迭代次数X、初始温度T和温度系数d的模块；
用于从人脸识别模型底库中随机初始化q个模型，并判断q个模型是否满足设定的场景下部署设备的硬件需求的模块，其中如果q个模型的组合不能满足需求，则重新初始化，直到满足需求条件为止；所述的人脸识别模型底库包括由不同场景的训练集、不同输入尺寸、不同的网络结构训练的M个神经网络模型；其中，M和q均为正整数，且M>>q；
用于对于初始化后的q个模型，进行模型融合,融合后的组合为S，通过场景的测试集进行精度测试，在测试集上获得的精度作为目标函数f(S)的模块；
用于一次替换开始，从人脸识别模型底库中随机抽取一个新的模型M′，依次替换组合S中模型，直到新的组合满足当前设定场景下部署设备的硬件需求的模块，其中如果满足要求，则进行模型组合的替换；如果替换q中的任一个都不满足要求，则将M′丢弃到模型备选库，重新模型选取和替换；
用于将模型M′替换S中的一个模型，替换后的模型构成组合S′，通过场景的测试集计算确定目标函数f(S′)，然后获得目标函数增量ΔE，ΔE＝f(S′)-f(S)，并基于增强进行模型组合替换的模块，其中，ΔE＞0时，模型组合S′替换S；ΔE＜0时,计算概率P＝exp(ΔE/T)，按照概率使用模型组合S′替换S，将替换下来的模型或者未替换成功的M′丢弃到模型备选库，并给予冷却系数γ，冷却系数γ＝模型被丢弃的次数；
用于检查迭代条件，如果当前迭代次数X>0，更新温度参数T＝T×d,迭代次数X＝X-1，将替换下来的模型丢弃到模型备选库，并进行模型选择和替换，如果当前迭代次数X＝0，则输出模型组合的模块；<...

【专利技术属性】
技术研发人员：杨帆，栾锦泰，柳智才，朱莹，
申请(专利权)人：南京甄视智能科技有限公司，
类型：发明
国别省市：江苏;32