【技术实现步骤摘要】
一种用于人脸识别的深度卷积神经网络的训练方法
本专利技术涉及人脸识别的
，尤其是指一种用于人脸识别的深度卷积神经网络的训练方法。
技术介绍
人脸识别是基于人的面部图像信息进行身份识别的一种生物识别技术。与指纹、瞳孔等识别技术相比，具有非接触式、采集信息门槛低、识别率高等显著优势。进行人脸验证时，由于采集过程是非接触式的，不仅可以降低被采集人的抵触心理，也可以保证采集过程的卫生安全，特别是对于疫情期间防疫检查，可以有效降低病毒传染的可能性。另外人脸识别的应用场景十分广泛，如大厦门禁系统、监控系统、重要通道出入管理系统、金融支付验证系统、移动设备解锁验证等。由于人脸识别技术的显著优势和广泛应用前景，其越来越受到学术界和工业界的研究和重视。目前实现人脸识别的方法有很多种，其中一种是基于深度卷积神经网络模型的特征提取方法。与传统的手工提取人脸特征的方法不同，通过神经网络可以自动地学习并提取有效的人脸特征。接着通过对比输入人脸特征与数据库存储的人脸特征的相似程度判断输入人脸图像的身份。设计合适的人脸损失函数是训练神经网络...
【技术保护点】
1.一种用于人脸识别的深度卷积神经网络的训练方法，其特征在于，包括以下步骤：/n1)准备好人脸图像数据集，并划分有训练集和验证集，然后根据训练集的规模、复杂程度和应达到的人脸识别的性能指标，选择深度卷积神经网络模型的类型、结构、超参数和量级；/n2)利用选择好的深度卷积神经网络模型对训练集输入的人脸图片提取特征，提取的特征作为步骤3)的输入；/n3)构建损失层，并对本次训练迭代计算损失值，作为步骤4)的输入；/n4)将步骤3)计算得到的损失值与预先设定的阈值相比较，判断是停止训练还是计算梯度并更新模型参数；/n5)模型性能验证以及判断是否停止训练。/n
【技术特征摘要】
1.一种用于人脸识别的深度卷积神经网络的训练方法，其特征在于，包括以下步骤：
1)准备好人脸图像数据集，并划分有训练集和验证集，然后根据训练集的规模、复杂程度和应达到的人脸识别的性能指标，选择深度卷积神经网络模型的类型、结构、超参数和量级；
2)利用选择好的深度卷积神经网络模型对训练集输入的人脸图片提取特征，提取的特征作为步骤3)的输入；
3)构建损失层，并对本次训练迭代计算损失值，作为步骤4)的输入；
4)将步骤3)计算得到的损失值与预先设定的阈值相比较，判断是停止训练还是计算梯度并更新模型参数；
5)模型性能验证以及判断是否停止训练。
2.根据权利要求1所述的一种用于人脸识别的深度卷积神经网络的训练方法，特征在于，在步骤1)中，需要对人脸图像数据集进行预处理，包括人脸检测和对齐、图像像素值归一化、图像大小归一化、图像增强和数据集清洗。
3.根据权利要求1所述的一种用于人脸识别的深度卷积神经网络的训练方法，特征在于，在步骤1)中，需要设置深度卷积神经网络模型的输入图片大小和输出特征的维度。
4.根据权利要求1所述的一种用于人脸识别的深度卷积神经网络的训练方法，特征在于，在步骤2)中，在每次训练迭代开始时，从训练集中随机抽取一批固定数量的人脸图像，将其输入深度卷积神经网络模型中进行前向传播，模型输出的特征作为步骤3)的输入。
5.根据权利要求1所述的一种用于人脸识别的深度卷积神经网络的训练方法，特征在于，在步骤3)中，构建损失层以及计算损失值的步骤如下：
3.1)准备损失函数的输入，包括本次训练迭代模型输出的本批次人脸特征x以及其对应的人脸身份标签y；设置损失层各部分的超参数：Centerloss权重系数α、ArcFaceloss权重系数β，ArcFaceloss中内置的超参数s和m，Inneroriginloss权重系数γ和Inneroriginloss内置的超参数η；其中，s为特征缩放因子，m为角度间隔，η为排斥圆有效半径；
3.2)对于训练过程中首次计算损失值，用设定的权重初始化方法对类中心权重参数W进行初始化；对于非首次计算损失值，则使用已初始化的类中心权重参数W；其中，Centerloss部分和ArcFaceloss部分共享同一...
【专利技术属性】
技术研发人员：田联房，孙峥峥，杜启亮，
申请(专利权)人：华南理工大学，华南理工大学珠海现代产业创新研究院，
类型：发明
国别省市：广东;44
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。