一种特征码转换网络模型的构建方法技术

本发明专利技术公开了一种特征码转换网络模型的构建方法，首先构建深度神经网络模型；将源特征码、目标特征码以及人脸身份标识号组成一一对应的样本集，按一定比例分成训练集和测试集；对构建的深度神经网络模型进行训练；采用优化器优化余弦夹角损失值和分类损失值，得到精度最高的深度神经网络模型；向性能最优的深度神经网络模型输入需转换的特征码，模型输出转换后的特征码。本发明专利技术提通过构建简单的网络模型，将源特征码投影到一个更高维的特征空间中映射得到近似目标特征码的特征码，完成特征码的转换，并且为了减弱特征变换过程导致的信息损失，采用多任务学习的机制在任务之间互相弥补不足的信息，提高模型性能，增强模型的表达能力。

【技术实现步骤摘要】
一种特征码转换网络模型的构建方法
本专利技术涉及人脸识别
，特别是一种特征码转换网络模型的构建方法。
技术介绍
随着人工智能技术的迅猛发展，许多智能设备来到了人们的周边，处处方便了人们的生活。与此同时，在使用设备的时候，会出现繁多的个人信息交换，所以人们也开始特别关注自身的信息安全。人们的这份安全意识推进了身份验证技术的发展，使其成为个人信息识别过程中普遍出现的流程，如各个应用中使用的人脸、指纹识别等等。人脸识别技术因其人脸特征具有易采集、非接触等优势在生物识别技术中占据了非常重要的地位。近几年，基于深度学习技术衍生出的人脸识别技术逐渐成为主流方向，主要思想是通过构建深度神经网络提取人脸图像的卷积特征进行分类识别，卷积特征拥有更加丰富的语义性和更强的识别能力。利用人脸识别技术研发出的产品可以给用户提供友好的体验，并且发展之后的技术识别快速、精准，因此，被广泛使用在安全防护、门禁系统、支付系统等领域。目前，针对每一张人脸图像，通过不同的人脸识别技术得到的特征码是不同的，所以每一部人脸识别设备的应用层对应一套特征码，当特征码更换时，也要修改应用层的部署，大大降低便捷性，浪费人力成本。因此，急需提出一种可扩展性强、易操作的特征码转换方式。
技术实现思路
本专利技术的目的是要解决不同人脸识别模型之间不能通用的问题，提供一种特征码转换网络模型的构建方法。为达到上述目的，本专利技术是按照以下技术方案实施的：一种特征码转换网络模型的构建方法，包括以下步骤：S1、构建深度神经网络模型；S2、将源特征码、目标特征码以及人脸身份标识号组成一一对应的样本集，按一定比例分成训练集和测试集；S3、对构建的深度神经网络模型进行训练，将源特征码作为输入、目标特征码作为输出，利用深度神经网络模型提取源特征码的深度特征信息，最后利用损失函数计算预测得到的特征码与目标特征码之间的余弦夹角损失值，以及计算分类损失值；S4、开始训练时随机初始化模型中的权重参数，设定相关超参数，采用优化器优化余弦夹角损失值和分类损失值，根据设定的迭代次数重复计算，直至余弦夹角损失值和分类损失值收敛，得到精度最高的深度神经网络模型；S5、向性能最优的深度神经网络模型输入需转换的特征码，模型输出转换后的特征码。进一步地，所述步骤S1中，深度神经网络模型的网络结构为从前至后以卷积层、批归一化层、激活函数层按顺序组成一块，共堆叠8块，然后连接两个并行的全连接层，一个负责对类别进行分类，另一个负责优化预测特征码和目标特征码之间的夹角损失。进一步地，所述卷积层设置为8个，所述卷积层的卷积核大小为1×1，步长为1。优选地，所述激活函数层采用参数修正线性单元层。进一步地，所述步骤S3中，损失函数为分类类别损失函数和映射损失函数；所述分类类别损失函数采用柔性最大值损失函数，分类类别损失函数的计算公式如下：式中：N表示批处理样本的大小，n参数表示深度神经网络模型总共需训练的类别数，yi表示维度为n的y向量中第i个值对应的真实标签值，而si是指n维的s向量中第i个值对应的预测概率值；所述映射损失函数的计算公式如下：映射损失函数是用来计算深度神经网络模型预测得到的特征码与目标特征码之间的余弦夹角损失值，增加深度神经网络模型的识别能力；式中，N表示批处理样本的大小，表示模型预测得到的索引为j的特征码向量，表示索引为j的目标特征码向量，是向量的转置向量，表示向量的模长，表示向量的模长；又根据向量夹角余弦计算公式得：该公式表示索引为j的源特征码预测得到的特征码与目标特征码之间的夹角θ的余弦值，用该值可以表示向量之间的相似度，并约束；则重写映射损失函数的计算公式为：。进一步地，所述步骤S4中，根据设定的迭代次数重复计算的具体步骤为：采用预热余弦学习率下降法使学习率在训练过程中衰减，预热迭代次数预先设为1000次；优化器选用使用带牛顿动量的随机梯度下降法，动量参数设为0.9；根据设定的迭代次数重复计算余弦夹角损失值和分类损失值并优化，直至余弦夹角损失值和分类损失值收敛，得到精度最高的深度神经网络模型。与现有技术相比，本专利技术具有以下有益效果：（1）本专利技术提出了一种基于多任务学习的特征码转换方式，将分类任务和特征码转换任务同时进行训练，可以减少训练过程中造成的信息损失，并且两任务之间可以互相弥补不足的信息，增强模型的表达能力，提高特征码的转换精度。（2）本专利技术提出了一种特征码转换网络模型的构建方法，通过构建简单的网络模型，将源特征码投影到一个更高维的特征空间中映射得到近似目标特征码的特征码，完成特征码的转换，具有可扩展性强、易操作。附图说明图1为本专利技术构建的深度神经网络模型的网络结构示意图。图2为本专利技术的流程图。具体实施方式为使本专利技术的目的、技术方案及优点更加清楚明白，以下结合实施例，对本专利技术进行进一步的详细说明。此处所描述的具体实施例仅用于解释本专利技术，并不用于限定专利技术。目前，针对每一张人脸图像，通过不同的人脸识别技术得到的特征码是不同的，所以每一部人脸识别设备的应用层对应一套特征码，当特征码更换时，也要修改应用层的部署，大大降低便捷性，浪费人力成本。为了解决这个问题，如图2所示，本实施例提供了一种特征码转换网络模型的构建方法，包括以下步骤：首先，构建深度神经网络模型，如图1所示为本专利技术构建的深度神经网络模型的网络结构示意图，其结构为从前至后以卷积层、批归一化层、激活函数层按顺序组成一块，共堆叠8块，然后连接两个并行的全连接层，一个负责对类别进行分类，另一个负责优化预测特征码和目标特征码之间的夹角损失；其中，卷积层设置为8个，所述卷积层的卷积核大小为1×1，步长为1；然后，将源特征码、目标特征码以及人脸身份标识号组成一一对应的样本集，按一定比例分成训练集和测试集；其次，对构建的深度神经网络模型进行训练，将源特征码作为输入、目标特征码作为输出，利用网络模型提取源特征码的深度特征信息，最后利用分类类别损失函数采用柔性最大值损失函数，分类类别损失值计算公式如下：其中，N表示批处理样本的大小，n参数表示深度神经网络模型总共需训练的类别数，yi表示维度为n的y向量中第i个值对应的真实标签值，真实标签值指人工标注的目标信息，是目标时为1，反之不是为0，而si是指n维的s向量中第i个值对应的预测概率值，预测概率值是指深度神经网络模型给每个预测目标输出判为目标的概率值。另外，映射损失函数是用来计算深度神经网络模型预测得到的特征码与目标特征码之间的余弦夹角损失值，增加深度神经网络模型的识别能力。映射损失函数的计算公式定义如下：式中，N表示批处理样本的大小，表示模型预测得到的索引为j的特征码向量，表示索引为j的目标特征码向量，是向量的转置向量，表示向量的模长，表示向量的模长。...

【技术保护点】
1.一种特征码转换网络模型的构建方法，其特征在于，包括以下步骤：/nS1、构建深度神经网络模型；/nS2、将源特征码、目标特征码以及人脸身份标识号组成一一对应的样本集，按一定比例分成训练集和测试集；/nS3、对构建的深度神经网络模型进行训练，将源特征码作为输入、目标特征码作为输出，利用深度神经网络模型提取源特征码的深度特征信息，最后利用损失函数计算预测得到的特征码与目标特征码之间的余弦夹角损失值，以及计算分类损失值；/nS4、开始训练时随机初始化模型中的权重参数，设定相关超参数，采用优化器优化余弦夹角损失值和分类损失值，根据设定的迭代次数重复计算，直至余弦夹角损失值和分类损失值收敛，得到精度最高的深度神经网络模型；/nS5、向性能最优的深度神经网络模型输入需转换的特征码，模型输出转换后的特征码。/n

【技术特征摘要】
1.一种特征码转换网络模型的构建方法，其特征在于，包括以下步骤：
S1、构建深度神经网络模型；
S2、将源特征码、目标特征码以及人脸身份标识号组成一一对应的样本集，按一定比例分成训练集和测试集；
S3、对构建的深度神经网络模型进行训练，将源特征码作为输入、目标特征码作为输出，利用深度神经网络模型提取源特征码的深度特征信息，最后利用损失函数计算预测得到的特征码与目标特征码之间的余弦夹角损失值，以及计算分类损失值；
S4、开始训练时随机初始化模型中的权重参数，设定相关超参数，采用优化器优化余弦夹角损失值和分类损失值，根据设定的迭代次数重复计算，直至余弦夹角损失值和分类损失值收敛，得到精度最高的深度神经网络模型；
S5、向性能最优的深度神经网络模型输入需转换的特征码，模型输出转换后的特征码。


2.根据权利要求1所述的特征码转换网络模型的构建方法，其特征在于，所述步骤S1中，深度神经网络模型的网络结构为从前至后以卷积层、批归一化层、激活函数层按顺序组成一块，共堆叠8块，然后连接两个并行的全连接层，一个负责对类别进行分类，另一个负责优化预测特征码和目标特征码之间的夹角损失。


3.根据权利要求2所述的特征码转换网络模型的构建方法，其特征在于，所述卷积层设置为8个，所述卷积层的卷积核大小为1×1，步长为1。


4.根据权利要求2所述的特征码转换网络模型的构建方法，其特征在于，所述激活函数层采用参数修正线性单元层。


5.根据权利要求1所述的特征码转换网络模型的构建方法，其...

【专利技术属性】
技术研发人员：卢丽，闫超，胡二建，
申请(专利权)人：成都市威虎科技有限公司，
类型：发明
国别省市：四川;51