一种基于余弦损失函数的人脸识别方法技术

本发明专利技术公开了一种基于余弦损失函数的人脸识别方法，包括以下步骤：对需要进行人脸识别训练的人脸图像数据进行预处理形成训练样本集；构建CNN网络，将训练样本集输入CNN网络进行人脸识别卷积神经网络训练，训练完成后输出第一人脸特征编码；将训练样本集输入到Thomson Problem模型中进行求解，计算出第二人脸特征编码；对第一人脸特征编码和第二人脸特征编码进行最近匹配计算，根据最近匹配结果对CNN网络模型参数进行修正，直至最近匹配结果满足设定的阈值时输出人脸识别结果。本发明专利技术在人脸识别过程采用人脸特征的编码向量代替原来的FC，使得神经网络的训练不受训练数据集大小的影响，提高了人脸识别效率。提高了人脸识别效率。提高了人脸识别效率。

【技术实现步骤摘要】
一种基于余弦损失函数的人脸识别方法


[0001]本专利技术涉及人脸识别
，尤其涉及一种基于余弦损失函数的人脸识别方法。

技术介绍

[0002]随着大数据的加持，人脸识别训练时可用的数据越来越多，从几万人到几十万人再到几百万人。在数据增多的同时给我们带来了新的问题，大数据集很难在当前主流的Loss函数上面进行训练(如Softmax系列)，因为该类损失函数要求在训练时最后一层的全连接层(FC)神经元的个数要与数据集中的人数对应，当训练人数在几十万人时，最后一层的参数量比前面的参数量往往会高 10倍左右，最后一层可能就要占用将近1G的显存，这样一张12G显存的显卡训练时输入BatchSize也只能设置16左右(正常训练256是个不错的值)，而且训练的大部分时间都是花在最后一层，然而我们实际做推理的时候并不使用最后一层，只使用前面的特征提取层，所以当数据量增多时特征提取层并不能得到很好的训练。
[0003]如申请号为CN201810866133.5的专利公开了一种基于新型损失函数的人脸识别卷积神经网络训练方法，该方法将SoftMax lo本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于余弦损失函数的人脸识别方法，其特征在于，包括以下步骤：步骤一：对需要进行人脸识别训练的人脸图像数据进行预处理形成训练样本集；步骤二：构建CNN网络，将训练样本集输入CNN网络进行人脸识别卷积神经网络训练，训练完成后输出第一人脸特征编码；步骤三：构建Thomson Problem模型，将训练样本集输入到Thomson Problem模型中进行求解，计算出第二人脸特征编码；步骤四：设计余弦损失函数，并利用余弦损失函数对第一人脸特征编码和第二人脸特征编码进行最近匹配计算，根据计算出的最近匹配结果对CNN网络模型参数进行修正，直至计算出的最近匹配结果满足设定的阈值时输出人脸识别结果。2.根据权利要求1所述的一种基于余弦损失函数的人脸识别方法，其特征在于，所述步骤三具体包括：设定Thomson Problem模型中的人脸特征编码维度m，将训练样本集导入Thomson Problem模型进行人脸特征编码求解，将输出的所有人脸特征编码记为矩阵GT_Maix，即第二人脸特征编码。3.根据权利要求1所述的一种基于余弦损失函数的人脸识别方法，其特征在于，所述步骤四中设计的余弦损失函数如下式所示：其中，Lns为交叉熵损失函数；θ
yi，i...

【专利技术属性】
技术研发人员：刘栓，
申请(专利权)人：四川天翼网络服务有限公司，
类型：发明
国别省市：