人脸识别方法技术

本发明专利技术揭示了一种人脸识别方法，所述人脸识别方法包括：步骤S1、获取人脸图片；步骤S2、经过深度神经网络提取人脸特征；步骤S3、获取第一损失函数；步骤S4、获取第二损失函数；步骤S5、获取总损失函数；步骤S6、将两个人脸特征向量进行相似性计算；步骤S7、网络训练步骤。本发明专利技术提出的人脸识别方法，可提高识别精确度。本发明专利技术可以使不同人之间的人脸特征向量的距离尽可能远，同一人之间的人脸特征向量的距离尽可能近。

Face recognition method

【技术实现步骤摘要】
人脸识别方法
本专利技术属于人脸识别
，涉及一种人脸识别方法，尤其涉及一种能提高识别精确度的人脸识别方法。
技术介绍
在人脸识别领域，损失函数是在利用深度学习优化分类、识别模型时一般使用softmax损失函数(公开的常用方法)，对于人脸识别任务，一个优秀的模型是同一人的照片的特征之间的距离尽可能地近，而不同人照片地特征之间地距离尽可能远。但softmax只是能做到分类，不能把同一人的照片特征尽可能近，而不同人的照片特征尽可能远。所以人们提出了arcface。式中，x*表示神经网络输出层。在人脸识别中，一般被用作人脸特征。表示对人脸特征作个归一化处理；是对权重向量做归一化处理。在xi和Wji之间的θji上加上角度间隔m，以加法的方式惩罚人脸照片特征与其相应权重之间的角度，使得每个人的人脸特征与对应的权重之间的夹角尽可能小，也就是每个人的人脸特征尽可能靠近对应的权重向量，从而增强了类内紧度，即让同一人脸的照片特征尽可能近；s是一个超参，在训练时制定。由上所知，arcface损失函数优化的是让每个人的照片特征尽可能地靠近对应地权重向量，从而使得同人照片特征尽可能近。但并没有显式要求不同人照片特征尽可能远。如图1所示。所以由上述所知，如果权重向量之间距离能尽可能远，不同人之间的人脸照片特征向量就能尽快的远，从而实现了同一人人脸照片的特征向量之间尽可能近，不同人人脸照片特征向量之间尽可能远。有鉴于此，如今迫切需要设计一种人脸识别方法，以便克服现有识别方式存在的上述缺陷。r>
技术实现思路
本专利技术提供一种人脸识别方法，可提高识别精确度。为解决上述技术问题，根据本专利技术的一个方面，采用如下技术方案：一种人脸识别方法，所述人脸识别方法包括：步骤S1、获取人脸图片；步骤S2、经过深度神经网络提取人脸特征；步骤S3、获取第一损失函数；式中，N为每个批量照片的个数；S为超参，m为超参；W是权重向量矩阵；步骤S4、获取第二损失函数；t为超参；步骤S5、获取总损失函数；L＝Larcface+λLedu；λ为超参；在训练过程中，级联卷积神经网络结构和总损失函数，通过不断迭代优化网络参数；最终得到基于深度学习的人脸识别模型；利用训练阶段获取的人脸识别模型，对于每一张人脸照片，提取人脸特征；步骤S6、将两个人脸特征向量进行相似性计算，采用余弦夹角的方式；设两个人脸特征向量为：F1＝[f1,1,f1,2,…,f1,n-1,f1,n]，F2＝[f2,1,f2,2,…,f2,n-1,f2,n],n为人脸特征维度；则这两个人脸特征向量的相似度为：相似度值越大，表明这两个人脸特征越相似，同一个人的可能性越大；步骤S7、网络训练步骤；对于训练网络参数，采用带小批量Mini-batch的随机梯度下降法SGD训练。作为本专利技术的一种实施方式，arcface的权重是Ledc的输入，作为优化对象。作为本专利技术的一种实施方式，λ为超参，取0.5；t为超参，取2。参数具体值可以在训练过程中调节。作为本专利技术的一种实施方式，Ledc负责优化arcface中的W权重向量，使得W权重向量之间尽可能远；而Larcface负责优化同一人的人脸照片特征向量尽可能靠拢对应的特征向量。作为本专利技术的一种实施方式，在式中的意义是对于每个arcface中的分类权重向量与其他分类权重向量的最短距离；这个最短距离越大，损失函数值越小(说明一下：深度学习训练的过程也就是让损失函数值越来越小过的过程，这个过程一般称之为训练收敛，如果值越来越大，那就是训练发散。)；从而让权重向量之间的距离尽可能大；因为权重向量的每个分量对应于每一个人，只要将权重向量的各个分量尽可能分开，也就是使得每个人之间的人脸照片的特征向量尽可能分开了，从而就能得到同一人之间的照片特征尽可能近，不同人之间的照片特征尽可能远。本专利技术的有益效果在于：本专利技术提出的人脸识别方法，可提高识别精确度。本专利技术可以使不同人之间的人脸特征向量的距离尽可能远，同一人之间的人脸特征向量的距离尽可能近。因为通过训练，使得权重向量的每个分量尽可能远，而权重向量的每个分量对应于每一个人，只要将权重向量的各个分量尽可能分开，也就是使得每个人之间的人脸照片的特征向量尽可能分开了；而对于同一人的不同照片，由于每个人的不同照片的特征向量在训练过程中不断靠近对应人的权重向量，从而就可以得到同一人之间的照片特征尽可能近。最终实现不同人之间的照片特征尽可能远，同一人照片特征之间尽可能近。附图说明图1为本专利技术一实施例中人脸识别方法的流程图。具体实施方式下面结合附图详细说明本专利技术的优选实施例。为了进一步理解本专利技术，下面结合实施例对本专利技术优选实施方案进行描述，但是应当理解，这些描述只是为进一步说明本专利技术的特征和优点，而不是对本专利技术权利要求的限制。该部分的描述只针对几个典型的实施例，本专利技术并不仅局限于实施例描述的范围。相同或相近的现有技术手段与实施例中的一些技术特征进行相互替换也在本专利技术描述和保护的范围内。本专利技术揭示了一种人脸识别方法，图1为本专利技术一实施例中人脸识别方法的流程图；请参阅图1，在本专利技术的一实施例中，所述人脸识别方法包括：步骤S1、获取人脸图片I；步骤S2、经过深度神经网络提取人脸特征X；步骤S3、获取第一损失函数；式中，N为每个批量照片的个数；S为超参，m为超参；W是权重向量矩阵。在本专利技术的一实施例中，arcface的权重是Ledc的输入，作为优化对象。步骤S4、获取第二损失函数；t为超参；在一实施例中，t取2。步骤S5、获取总损失函数；L＝Larcface+λLedu；λ为超参。在一实施例中，λ为超参，取0.5。在训练过程中，级联卷积神经网络CNN结构(如ResNet34)和总损失函数，通过随机梯度下降算法SGD不断迭代优化网络参数。最终得到基于深度学习的人脸识别模型，也即Resnet34的网络参数。利用训练阶段获取的人脸识别模型，对于每一张人脸照片，提取人脸特征。在本专利技术的一实施例中，Ledc负责优化arcface中的W权重向量，使得W权重向量之间尽可能远；而Larcface负责优化同一人的人脸照片特征向量尽可能靠拢对应的特征向量。在一实施例中，在式中的意义是对于每个arcface中的分类权重向量与其他分类权重向量的最短距离；这个最短距离越小，损失函数值越大；让权重向量之间尽可能大；因为权重向量的每个分量对应于每一个人，只要将权重向量的各个分量尽可能分开，也就是使得每个人之间的人脸照片的特征向量尽可能分开了，从而就能得到同一人之间的照片特征尽可能近，不同人之间的照片特征尽可能远。步骤S6、将两个人脸特征向量进行相似性计算，采用余弦夹角的方式；设两个人脸特征向量为：F1＝[f1,本文档来自技高网...

【技术保护点】
1.一种人脸识别方法，其特征在于，所述人脸识别方法包括：/n步骤S1、获取人脸图片；/n步骤S2、经过深度神经网络提取人脸特征；/n步骤S3、获取第一损失函数；

【技术特征摘要】
1.一种人脸识别方法，其特征在于，所述人脸识别方法包括：
步骤S1、获取人脸图片；
步骤S2、经过深度神经网络提取人脸特征；
步骤S3、获取第一损失函数；









式中，N为每个批量照片的个数；S为超参，m为角边距,是一个超参；W是权重向量矩阵；
步骤S4、获取第二损失函数；t为超参；
步骤S5、获取总损失函数；L＝Larcface+λLedu；λ为超参；
在训练过程中，级联卷积神经网络结构和总损失函数，通过不断迭代优化网络参数；最终得到基于深度学习的人脸识别模型；利用训练阶段获取的人脸识别模型，对于每一张人脸照片，提取人脸特征；
步骤S6、将两个人脸特征向量进行相似性计算，采用余弦夹角的方式；
设两个人脸特征向量为：F1＝[f1,1,f1,2,…,f1,n-1,f1,n]，F2＝[f2,1,f2,2,…,f2,n-1,f2,n]；
则这两个人脸特征向量的相似度为：相似度值越大，表明这两个人脸特征越相似，同一个人的可能性越大；
步骤S7、网络训练步骤；对于训练网络参数，采用带小批量Mini-batch的...

【专利技术属性】
技术研发人员：田晶晶，
申请(专利权)人：上海涛润医疗科技有限公司，
类型：发明
国别省市：上海;31