[发明专利]人脸识别模型优化控制方法、装置、设备及存储介质

说明书

本发明公开了一种人脸识别模型优化控制方法、装置、设备及存储介质，该优化控制方法包括：利用triplet损失函数对归一化处理后的特征进行损失计算并生成第一回传梯度；利用softmax损失函数对多个特征值进行全连接后输出的特征进行损失计算并生成第二回传梯度；利用第一回传梯度及第二回传梯度对深度网络模型的参数进行优化。本发明通过利用triplet损失函数优化模型的时候引入softmax损失函数，由于softmax损失函数具有更快的收敛效果，通过该函数的辅助作用能够有效提升人脸识别模型的训练速度和识别准确率。

技术领域

本发明涉及人脸识别领域，特别地，涉及一种人脸识别模型优化控制方法、装置、设备及存储介质。

背景技术

随着科技的进步，自动化算法及设备越来越多的运用到我们生活中，人脸识别算法因其能够自动认证用户身份，近年来发展迅速。目前，人脸识别产品已被广泛应用于金融、司法、军队、公安、边检等企事业单位，得到了公众的广泛认可。

人脸识别算法已有几十年的发展历史，从早期利用手动设计的人脸特征到现在利用深度学习方法提取特征，识别准确率已有了突飞猛进的发展。2006年Raia Hadsell等人提出利用对比法(contrastive)来优化模型，该方法通过限制类内距离和类间距离来得到更好的分类效果。2015年Florian Schroff等人提出利用三联子(triplet)的度量学习方法来优化深度学习模型，与Raia Hadsell等人提出的方法类似，该方法同样是通过限制类内、类间距离来做优化，但它不需要限制所有类内距离都小于，类间距离都大于某一阈值，它只需要比较的一对距离中类内距离与类间距离差异大于一个间隔，同样也省去了阈值的设定。

利用contrastive代价函数优化的方法需要设定应用于所有类内距离与类间距离的门限，因为应用场景的复杂多变，通常很难找到一个统一的门限值，对于所有的类内类间距离都适用。对于利用triplet损失函数优化深度模型的方法虽然克服了上述缺点，但利用该方法优化深度学习模型很难收敛，优化速度慢，较难得到满意的优化结果。

发明内容

本发明提供了一种人脸识别模型优化控制方法、装置、设备及存储介质，以解决现有的contrastive代价函数或者triplet损失函数来优化人脸识别模型时存在模型的收敛速度慢甚至无法收敛的技术问题。

本发明采用的技术方案如下：

提供一种人脸识别模型优化控制方法，用于对人脸识别的深度学习模型的参数优化，深度学习模型包括用于接收多个训练图像并输出多个特征值的深度网络模型、用于对多个特征值进行归一化处理的归一化模型，本发明优化控制方法包括：

利用triplet损失函数对归一化处理后的特征进行损失计算并生成第一回传梯度；

利用softmax损失函数对多个特征值进行全连接后输出的特征进行损失计算并生成第二回传梯度；

利用第一回传梯度及第二回传梯度对深度网络模型的参数进行优化。

进一步地，利用第一回传梯度及第二回传梯度对深度网络模型的参数进行优化包括：

对第一回传梯度设置第一权重值，对第二回传梯度设置第二权重值，其中，第一权重值大于第二权重值；

利用第一回传梯度、第二回传梯度的线性加权对深度网络模型的参数进行更新。

进一步地，利用softmax损失函数对多个特征值进行全连接后输出的特征进行损失计算并生成第二回传梯度包括：

采用全连接层对多个特征值进行全连接映射得到多个输出特征；

将多个输出特征送入softmax损失函数计算得到第二回传梯度。

进一步地，softmax损失函数为：