人脸识别方法及设备技术

本申请提供一种人脸识别方法及设备，该方法通过将人脸图片数据集中的每张人脸图片输入神经网络，获得人脸特征向量，从上述人脸特征向量中获得每个人的一个基准人脸正例，以及同一人人脸正例和不同人人脸负例，再根据获得的信息，确定上述神经网络对应的新三原子损失函数，将该新三原子损失函数加载在上述神经网络中，进行网络训练，更新网络参数，获得网络参数模型，基于该网络参数模型进行人脸识别。即在传统三原子选择的基础上增加一组正例人脸，改良Triplet三原子的选择方案，同时对传统的三原子损失函数进行改进，从而达到加快网络训练的收敛速度、进一步降低过拟合的概率，同时增强网络对同种类型和不同类型特征的区分能力的目的。力的目的。力的目的。

【技术实现步骤摘要】
人脸识别方法及设备


[0001]本申请涉及图像处理
，尤其涉及一种人脸识别方法及设备。

技术介绍

[0002]随着经济的不断进步，人脸识别技术得到了快速发展，人脸识别已经在越来越多领域应用，解决了人们很多问题。
[0003]传统的人脸识别相关应用中，以Google
‑
Facenet为例，其用来提取人脸特征(Embedding)的神经网络模型的损失函数使用的是三原子损失函数(Triplet Loss)。
[0004]然而，目前Triplet Loss损失函数使网络训练的收敛速度比较慢，而且容易出现过拟合等问题。

技术实现思路

[0005]本申请提供一种人脸识别方法及设备，以克服现有神经网络的损失函数使网络训练的收敛速度比较慢，而且容易出现过拟合等问题。
[0006]第一方面，本申请提供一种人脸识别方法，包括：
[0007]分别将人脸图片数据集中的每张人脸图片输入神经网络，获得所述每张人脸图片的人脸特征向量，其中，所述人脸图片数据集包括至少两个人的人脸图片，所述神经网络通过人脸图片和人脸特征向量训练得到；
[0008]从所述每张人脸图片的人脸特征向量中获得每个人的一个基准人脸正例，以及同一人人脸正例和不同人人脸负例；
[0009]根据所述每个人的一个基准人脸正例，以及同一人人脸正例和不同人人脸负例，确定所述神经网络对应的新三原子损失函数；
[0010]将所述新三原子损失函数加载到所述神经网络中，进行网络训练，更新网络参数，获得网络参数模型；
[0011]基于所述网络参数模型进行人脸识别。
[0012]在一种可能的设计中，所述人脸图片数据集包括两个人的人脸图片；
[0013]所述从所述每张人脸图片的人脸特征向量中获得每个人的一个基准人脸正例，以及同一人人脸正例和不同人人脸负例，包括：
[0014]根据预设筛选原则，从所述每张人脸图片的人脸特征向量中获得每个人的一个基准人脸正例，以及同一人人脸正例和不同人人脸负例，其中，所述预设筛选原则包括：‖f(X
ia1
)
‑
f(X
ip1
)‖
22
+α<‖f(X
ia1
)
‑
f(X
in1
)‖
22
；‖f(X
ia2
)
‑
f(X
ip2
)‖
22
+β<‖f(X
ia2
)
‑
f(X
in2
)‖
22
；‖f(X
ia1
)
‑
f(X
ip1
)‖
22
<‖f(X
ip1
)
‑
f(X
ip2
)‖
22
；‖f(X
ia2
)
‑
f(X
ip2
)‖
22
<‖f(X
ip1
)
‑
f(X
ip2
)‖
22
；‖f(X
ia1
)
‑
f(X
ip1
)‖
22
<‖f(X
in1
)
‑
f(X
in2
)‖
22
；‖f(X
ia2
)
‑
f(X
ip2
)‖
22
<‖f(X
in1
)
‑
f(X
in2
)‖
22
；其中，‖‖
22
表示平方和开根号，α表示第一预设阈值，β表示第二预设阈值，f()表示第i轮卷积神经网络后提取的人脸特征向量，f(X
ia1
)和f(X
ia2
)分别表示每个人的一个基准人脸正例，f(X
ip1
)和f(X
ip2
)分别表示同一人人脸正例，f(X
in1
)和f(X
in2
)分别表示不同人人脸负例，i表示第i轮卷积神
经网络训练。
[0015]在一种可能的设计中，所述根据所述每个人的一个基准人脸正例，以及同一人人脸正例和不同人人脸负例，确定所述神经网络对应的新三原子损失函数，包括：
[0016]根据表达式根据表达式确定所述神经网络对应的新三原子损失函数Loss。
[0017]在一种可能的设计中，所述神经网络为Inception
‑
ResNet
‑
v1卷积神经网络；
[0018]所述分别将人脸图片数据集中的每张人脸图片输入神经网络，获得所述每张人脸图片的人脸特征向量，包括：
[0019]分别将所述每张人脸图片输入所述Inception
‑
ResNet
‑
v1卷积神经网络；
[0020]将所述Inception
‑
ResNet
‑
v1卷积神经网络的每个输出结果通过L2归一化处理，获得所述每张人脸图片的128维度的人脸特征向量。
[0021]第二方面，本申请提供一种模型生成方法，包括：
[0022]分别将人脸图片数据集中的每张人脸图片输入神经网络，获得所述每张人脸图片的人脸特征向量，其中，所述人脸图片数据集包括至少两个人的人脸图片，所述神经网络通过人脸图片和人脸特征向量训练得到；
[0023]从所述每张人脸图片的人脸特征向量中获得每个人的一个基准人脸正例，以及同一人人脸正例和不同人人脸负例；
[0024]根据所述每个人的一个基准人脸正例，以及同一人人脸正例和不同人人脸负例，确定所述神经网络对应的新三原子损失函数；
[0025]将所述新三原子损失函数加载到所述神经网络中，进行网络训练，更新网络参数，获得网络参数模型。
[0026]第三方面，本申请提供一种人脸识别装置，包括：
[0027]第一获得模块，用于分别将人脸图片数据集中的每张人脸图片输入神经网络，获得所述每张人脸图片的人脸特征向量，其中，所述人脸图片数据集包括至少两个人的人脸图片，所述神经网络通过人脸图片和人脸特征向量训练得到；
[0028]第二获得模块，用于从所述每张人脸图片的人脸特征向量中获得每个人的一个基准人脸正例，以及同一人人脸正例和不同人人脸负例；
[0029]确定模块，用于根据所述每个人的一个基准人脸正例，以及同一人人脸正例和不同人人脸负例，确定所述神经网络对应的新三原子损失函数；
[0030]第三获得模块，用于将所述新三原子损失函数加载到所述神经网络中，进行本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种人脸识别方法，其特征在于，包括：分别将人脸图片数据集中的每张人脸图片输入神经网络，获得所述每张人脸图片的人脸特征向量，其中，所述人脸图片数据集包括至少两个人的人脸图片，所述神经网络通过人脸图片和人脸特征向量训练得到；从所述每张人脸图片的人脸特征向量中获得每个人的一个基准人脸正例，以及同一人人脸正例和不同人人脸负例；根据所述每个人的一个基准人脸正例，以及同一人人脸正例和不同人人脸负例，确定所述神经网络对应的新三原子损失函数；将所述新三原子损失函数加载到所述神经网络中，进行网络训练，更新网络参数，获得网络参数模型；基于所述网络参数模型进行人脸识别。2.根据权利要求1所述的方法，其特征在于，所述人脸图片数据集包括两个人的人脸图片；所述从所述每张人脸图片的人脸特征向量中获得每个人的一个基准人脸正例，以及同一人人脸正例和不同人人脸负例，包括：根据预设筛选原则，从所述每张人脸图片的人脸特征向量中获得每个人的一个基准人脸正例，以及同一人人脸正例和不同人人脸负例，其中，所述预设筛选原则包括：‖f(X
ia1
)
‑
f(X
ip1
)‖
22
+α<‖f(X
ia1
)
‑
f(X
in1
)‖
22
；‖f(X
ia2
)
‑
f(X
ip2
)‖
22
+β<‖f(X
ia2
)
‑
f(X
in2
)‖
22
；‖f(X
ia1
)
‑
f(X
ip1
)‖
22
<‖f(X
ip1
)
‑
f(X
ip2
)‖
22
；‖f(X
ia2
)
‑
f(X
ip2
)‖
22
<‖f(X
ip1
)
‑
f(X
ip2
)‖
22
；‖f(X
ia1
)
‑
f(X
ip1
)‖
22
<‖f(X
in1
)
‑
f(X
in2
)‖
22
；‖f(X
ia2
)
‑
f(X
ip2
)‖
22
<‖f(X
in1
)
‑
f(X
in2
)‖
22
；其中，‖‖
22
表示平方和开根号，α表示第一预设阈值，β表示第二预设阈值，f()表示第i轮卷积神经网络后提取的人脸特征向量，f(X
ia1
)和f(X
ia2
)分别表示每个人的一个基准人脸正例，f(X
ip1
)和f(X
ip2
)分别表示同一人人脸正例，f(X
in1
)和f(X
in2
)分别表示不同人人脸负例，i表示第i轮卷积神经网络训练。3.根据权利要求2所述的方法，其特征在于，所述根据所述每个人的一个基准人脸正例，以及同一人人脸正例和不同人人脸负例，确定所述神经网络对应的新三原子损失函数，包括：根据表达式根据表达式确定所述神经网络对应的新三原子损失函数Loss。4.根据权利要求1至3中任一项所述的方法，其特征在于，所述神经网络为Inception
‑
ResNet
‑
v1卷积神经网络；所述分别将人脸图片数据集中的每张人脸图片输入神经网络，获得所述每张人脸图片的人脸特征向量，包括：分别将所述每张人脸图片输入所述Inception
‑
ResNet
‑
v1卷积神经网络；将所述Inception
‑
ResNet
‑
v1卷积神经网络的每个输出结果通过L2归一化处理，获得所述每张人脸图片的128维度的人脸特征向量。5.一种模型生成方法，其特征在于，包括：
分别将人脸图片数据集中的每张人脸图片输入神经网络，获得所述每张人脸图片的人脸特征向量，其中，所述人脸图片数据集包括至少两个人的人脸图片，所述神经网络通过人脸图片和人脸特征向量训练得到；从所述每张人脸图片的人脸特征向量中获得每个人的一个基准人脸正例，以及同一人人脸正例和不同人人脸负例；根据所述每个人的一个基准人脸正例，以及同一人人脸正例和不同人人脸负例，确定所述神经网络对应的新三原子损失函数...

【专利技术属性】
技术研发人员：刘金财，樊星宇，王涛，
申请(专利权)人：中国联合网络通信集团有限公司，
类型：发明
国别省市：