[发明专利]一种基于深度学习细粒度人脸图像快速检索方法

权利要求书

1.一种基于深度学习细粒度人脸图像快速检索方法，其特征在于，包括如下内容：

构建深度卷积神经网络模型，并在所述深度卷积神经网络模型的各分支层添加用于计算损失函数的损失层；

对所述深度卷积神经网络模型的参数进行初始化；

构建数据集，并按照预设比例，将所述数据集中的图片随机划分成训练集、测试集、验证集；

设定深度卷积神经网络模型的学习参数，具体包括设定深度卷积神经网络模型中的各个损失层对应的权重，各分支层的学习率、动量以及权重衰减，一次输入样本的数量，网络训练的迭代次数；

对所述深度卷积神经网络模型进行训练，采用随机梯度下降和反向传播算法更新所述深度卷积神经网络模型的参数；

对所述训练后的深度卷积神经网络模型进行测试，将测试集中的人脸图片输入所述训练后的深度卷积神经网络模型中，得到测试集的每张人脸图像的哈希码，将训练集和验证集中的人脸图片整合为数据库，并将所述数据库中的人脸图片输入所述训练后的深度卷积神经网络模型中，得到数据库中的每张人脸图像的哈希码，将测试集的每张人脸图像的哈希码与数据库中的每张人脸图像的哈希码计算汉明距离，获得汉明距离小于2的人脸图片样本构成的子数据库，计算获得测试集中的每张人脸图像的哈希码与所述子数据库中的每张人脸图像的哈希码，获得测试集中每张人脸图像的哈希码与所述子数据库中的每张人脸图像的哈希码的加权汉明距离，根据所述加权汉明距离的值的大小，对所述子数据库中的人脸图片进行顺次排序，最终得到人脸检索结果；

所述构建深度卷积神经网络模型，并在所述深度卷积神经网络模型的各分支层添加用于计算损失函数的损失层，具体包括：

保留VGG模型从conv1层到fc7层的所有层结构；

去掉VGG模型的fc8层以及最后的损失层；

在所述fc7层后接一个全连接层fc8层，并在fc8层后面添加softmax损失层；

在所述fc7层后面接一个全连接层fc9层，并在fc9层后面加成对监督的哈希码损失层；

在所述fc9层后连接一个逐类别逐比特的权重层，在所述逐类别逐比特的权重层后面添加三元的排序损失层。

2.根据权利要求1所述的基于深度学习细粒度人脸图像快速检索方法，其特征在于，所述softmax损失层的公式如下：

其中，n表示一次输入样本的数量，c表示人脸的类别数量，表示人脸i的标签，如果i＝j，则为1，否则为0，为fc8层的输出。

3.根据权利要求1所述的基于深度学习细粒度人脸图像快速检索方法，其特征在于，所述成对监督的哈希码损失层的公式如下：

其中，S_ij为成对的监督矩阵，矩阵里的元素取值为0或1，S_ij＝1表示第i张人脸图片与第j张人脸图片相似，否则不相似，其中，u_i表示第i张人脸图片经过fc9层的输出，表示符号函数具体公式如下：

b_i为第i张人脸图像的哈希码，Θ_ij表示第i张人脸图像与第j张人脸图像的视觉相似程度。

4.根据权利要求1所述的基于深度学习细粒度人脸图像快速检索方法，其特征在于，所述逐类别逐比特的权重层L是一个大小为c×m的矩阵W，所述三元的排序损失层的具体公式如下：

其中，构成了一组三元图片索引，为sigmoid函数，τ为一个超参数用来控制与之间的间隔，Φ_ij定义的形式为最小化J_R相当于最大化与的距离，即使得(i,i⁺)之间的相似性大于(i,i^-)之间的相似性。

5.根据权利要求1所述的基于深度学习细粒度人脸图像快速检索方法，其特征在于，在构建深度卷积神经网络模型，并在所述深度卷积神经网络模型的各分支层添加用于计算损失函数的损失层之后，还包括：

构建平衡各损失层的目标函数，并对所述目标函数进行松弛。