一种基于角度空间损失承数的人脸识别方法技术

本发明专利技术涉及建筑板材加工技术领域，具体公开了一种基于角度空间损失承数的人脸识别方法，包括读取人脸数据集，并对所述人脸数据集进行预处理，获取所述人脸数据集中的人脸图像；生成基于深度残差模块的网络LResNe，并基于所述网络LResNe提取所述人脸图像中的人脸特征；生成角度空间下自适应间隔的损失函数，基于所述损失函数对所述人脸特征进行分类预测和损失计算；训练分类器模型，生成特征提取模型，基于所述特征提取模型进行人脸数据的验证与识别。本发明专利技术可以在不同分辨率的视频素材中实现实时人脸识别功能，可应用于安全监控、智能支付等领域，识别能力强，应用范围广，便于推广。推广。推广。

【技术实现步骤摘要】
一种基于角度空间损失承数的人脸识别方法


[0001]本专利技术涉及建筑板材加工
，具体是一种基于角度空间损失承数的人脸识别方法。

技术介绍

[0002]基于计算机对图像进行处理分析是机器视觉任务的主要目标，也是极具挑战性的任务。人类视觉系统可以快速分析眼睛捕获的图像信息，并结合多层大脑神经元分析鉴别人脸图像。利用计算机结合近几年来发展迅猛的深度卷积神经网络(Deep Convolutional Neural Networks,DCNN)可以模仿人脑实现图像信息的提取和分析，实现特征图到原始图像上逐像素点的映射变换，从而实现对人脸图像的分类和识别。这在智能机器人、安全监控、公司考勤、智能支付等领域有着极为重要的研究意义。
[0003]按照人脸识别的发展历程，可划分为基于传统提取特征和深度学习两大类。基于传统提取特征的方法即先建立人脸特征模板，再进行匹配。万源等人提出LBP和HOG的分层特征融合方法，利用纹理信息与边缘轮廓信息的互补性，提高识别率。Xian等人采用SIFT方法提取多张人脸特征，构造人脸特征库，通过特征库中每个特征向量与其它向量进行点积，运算出鲁棒性特征用于识别，最后通过SIFT特征的加权策略改善识别效果。上述算法的性能很大程度上取决于获取图像的质量，因此存在对光线变化敏感和遮挡干扰敏感等问题。
[0004]深度学习以其优异的特征表征性能在机器视觉中占据了一席之地。深度学习通过构建具有深层结构的卷积神经网络，获得深层人脸特征，具有更强的泛化能力。基于深度学习的方法首先利用深度卷积神经网络从海量数据中学习高层次的人脸特征，然后再设计分类器进行分类。这类方法的高准确率主要依赖于网络结构的表达能力、数据集的规模、以及训练集的预处理结果。DeepID人脸识别算法就是利用神经网络强大的学习和分类能力，从数据中自动学习更有泛化能力的人脸特征，使用加权的方式将识别信号与验证信号进行了联合，首次实现在无限制场景下人脸识别技术的识别精度超越人眼的识别能力。GoogleNet通过模块化思维构建密集成分来近似最优的局部稀疏结构，即提高了性能又控制了计算量的增加。FaceNet提出了一种基于Triplet Loss的人脸识别方法，通过构建三元组的方式直接学习特征间的可分性，使得相同身份之间的特征距离缩小，而不同身份之间的特征距离增大，提高了大规模人脸数据集的识别性能。NormFace通过优化SoftMax损失函数的余弦相似度，重新制定了度量学习。Weiyang Liu等在此基础上提出了一种全新的损失函数(A
‑
SoftMax)，在MageFace挑战中取得了良好的效果。邓建康等人在A
‑
SoftMax基础上改进特征向量归一化，增加加性角度间隔，提出了ArcFace(Additive Angular Margin Loss)，提高了类间可分性同时加强了类内紧凑度，不需要与其他损失函数实现联合监督，可以很容易地收敛于任何训练数据集。同时ArcFace还对Resnet
‑
50网络和参数进行了优化，提升了训练效率和识别性能。但在几何判定边距方面，由于ArcFace对目标logits曲线的非单调性，不同类比间会有一部分重叠区域，可能会造成误分类现象。

技术实现思路

[0005]本专利技术的目的在于提供一种基于角度空间损失承数的人脸识别方法，以解决上述
技术介绍
中提出的问题。
[0006]为实现上述目的，本专利技术提供如下技术方案：
[0007]一种基于角度空间损失承数的人脸识别方法，所述方法包括：
[0008]读取人脸数据集，并对所述人脸数据集进行预处理，获取所述人脸数据集中的人脸图像；
[0009]生成基于深度残差模块的网络LResNe，并基于所述网络LResNe提取所述人脸图像中的人脸特征；
[0010]生成角度空间下自适应间隔的损失函数，基于所述损失函数对所述人脸特征进行分类预测和损失计算；
[0011]训练分类器模型，生成特征提取模型，基于所述特征提取模型进行人脸数据的验证与识别。
[0012]作为本专利技术进一步的方案：所述读取人脸数据集，并对所述人脸数据集进行预处理，获取所述人脸数据集中的人脸图像的步骤包括：
[0013]对所述人脸数据集进行数据清洗，筛除脏数据；
[0014]基于MTCNN算法进行人脸检测，获取人脸左眼、右眼、鼻尖、左嘴角和右嘴角五个特征点；
[0015]基于五个人脸特征点对图片进行仿射变换，将图片旋转一定角度，使两眼为水平方向，并裁剪旋转后的人脸图片。
[0016]作为本专利技术进一步的方案：所述生成基于深度残差模块的网络LResNe，并基于所述网络LResNe提取所述人脸图像中的人脸特征的步骤包括：
[0017]基于一个卷积核大小为3
×
3、步距为2进行卷积操作获得图像的浅层特征，生成特征层；
[0018]通过卷积注意力机制模块对所述特征层进行无效特征抑制；
[0019]基于3
×
3大小、步距为2的池化层对无效特征抑制后的特征层最大池化操作；
[0020]确定残差结构，通过所述残差结构对最大池化操作后的特征层进行处理；
[0021]对处理后的特征图进行平均池化操作，并添加128节点的全连接层；所述全连接层作为输入人脸图像的128维特征表示；
[0022]其中，残差块实现的特征映射为：
[0023][0024]所述X为残差块的输入特征图，F(X)表示残差块实现的特征映射函数，表示经过残差块之后的输出特征图，该残差连接结构使得网络收敛更快速。
[0025]作为本专利技术进一步的方案：所述生成角度空间下自适应间隔的损失函数，基于所述损失函数对所述人脸特征进行分类预测和损失计算的步骤中损失函数的生成过程如下：
[0026]预测概率计算公式为：
[0027][0028]其中，i表示输入样本，表示经过上个步骤提取到的样本特征x
i
与其对应的类别y
i
的权重向量之间的角度，s
d
为可动态调节的尺度参数，第t次迭代的动态比例参数可以表示为：
[0029][0030]其中，C表示样本总类数，为中值角变量，表示第t次迭代的大小为N的小批量的所有对应类的角度的中值，可粗略地表示当前网络在此小批量上的优化程度，初值设置为π/4，为的平均值，初值设置为C
‑
1。
[0031]损失函数即为：
[0032][0033]与现有技术相比，本专利技术的有益效果是：本专利技术采用易训练的LResNet残差神经网络作为特征提取器，提高模型对图像的表征能力，更易收敛，保证人脸识别精度的同时，提升模型训练速度；结合人脸样本分布不均匀的情况，在加性角度间隔损失函数的基础上，提出了一种具备自适应角度间隔的损失函数，以达到动态压缩各类别的效果；可以在不同分辨率的视频素材中实现实时人脸识别功能，可应用于安全监控、智能支付等领域。
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于角度空间损失承数的人脸识别方法，其特征在于，所述方法包括：读取人脸数据集，并对所述人脸数据集进行预处理，获取所述人脸数据集中的人脸图像；生成基于深度残差模块的网络LResNe，并基于所述网络LResNe提取所述人脸图像中的人脸特征；生成角度空间下自适应间隔的损失函数，基于所述损失函数对所述人脸特征进行分类预测和损失计算；训练分类器模型，生成特征提取模型，基于所述特征提取模型进行人脸数据的验证与识别。2.根据权利要求1所述的基于角度空间损失承数的人脸识别方法，其特征在于，所述读取人脸数据集，并对所述人脸数据集进行预处理，获取所述人脸数据集中的人脸图像的步骤包括：对所述人脸数据集进行数据清洗，筛除脏数据；基于MTCNN算法进行人脸检测，获取人脸左眼、右眼、鼻尖、左嘴角和右嘴角五个特征点；基于五个人脸特征点对图片进行仿射变换，将图片旋转一定角度，使两眼为水平方向，并裁剪旋转后的人脸图片。3.根据权利要求1所述的基于角度空间损失承数的人脸识别方法，其特征在于，所述生成基于深度残差模块的网络LResNe，并基于所述网络LResNe提取所述人脸图像中的人脸特征的步骤包括：基于一个卷积核大小为3
×
3、步距为2进行卷积操作获得图像的浅层特征，生成特征层；通过卷积注意力机制模块对所述特征层进行无效特征抑制；基于...

【专利技术属性】
技术研发人员：练智超，李婷婷，陈墨，
申请(专利权)人：浙江澄视科技有限公司，
类型：发明
国别省市：