[发明专利]一种基于mixup的人脸训练与识别方法

说明书

本发明涉及一种基于mixup的人脸训练与识别方法，属于人工智能领域。该方法包括：S1：网络搭建；S2：人脸特征分类器的训练：构建虚拟训练样本来训练卷积神经网络；S3：人脸识别：包括摄像头的图像采集，人脸检测，人脸图像预处理，特征提取，人脸验证判断。本发明能够减少错误标签的开销，增强对抗样本的鲁棒性，稳定生成对抗网络的训练，最终提高网络训练的准确性，从而提高识别精度。

技术领域

本发明属于人工智能领域，涉及深度学习和人脸识别技术，尤其涉及一种基于mixup的人脸训练与识别方法。

背景技术

现如今人脸识别技术在移动支付、视频监控等多个领域有了广泛的应用，其中应用的深度学习技术也发展迅猛。为了提高人脸识别的准确率以及速率，当前主要有两个改进方向：(1)从改进神经网络结构入手，如增加网络深度和宽度，修改卷积和池化操作和修改激活函数等；(2)增加训练数据样本。大规模深度神经网络虽然具有强大的性能，但是会损耗巨大的内存，以及对对抗样本的敏感性不好。

并且训练神经网络时，一方面损失函数的ERM(经验风险最小化)允许大规模神经网络去记忆(而不是泛化)训练数据。另一方面，神经网络使用ERM方法训练后，在训练分布之外的测试样本上验证时会极大地改变预测结果。因此，ERM方法已不具有良好的解释和泛化性能。

本发明利用了基于mixup的训练方法能减缓这类问题。mixup规范神经网络，增强了训练样本之间的线性表达。

发明内容

有鉴于此，本发明的目的在于提供一种基于mixup的人脸训练与识别方法，减少错误标签的开销，增强对抗样本的鲁棒性，稳定生成对抗网络的训练，最终提高网络训练的准确性，从而提高识别精度。

为达到上述目的，本发明提供如下技术方案：

一种基于mixup的人脸训练与识别方法，包括以下步骤：

S1：网络搭建；

S2：人脸特征分类器的训练：构建虚拟训练样本来训练卷积神经网络；

S3：人脸识别：包括摄像头的图像采集，人脸检测，人脸图像预处理，特征提取，人脸验证判断。

进一步，步骤S2中，构建虚拟训练样本具体为：

其中，x_i表示第i个样本图片，y_i表示第i个样本图片的标签，代表训练网络的实际输入，代表网络的期望输出；且λ～Beta(α,α)，mixup超参数α∈(0,∞)；λ的值满足于Beta分布，是一种概率分布，使得在(0,1)上分布的概率密度积分等于1。

进一步，步骤S2中，所述人脸特征分类器的训练具体包括以下步骤：

S21：将卷积神经网络进行参数权值的初始化；

S22：对输入图片进行mixup操作，假设输入一张图片x_i，同时在批训练样本中随机得到另一张图片x_j，然后进行混合操作：将作为输入来训练神经网络；

S23：输入数据经过卷积层、池化层、全连接层等前向传播得到实际网络输出值y；

S24：将实际网络输出值y与期望输出值通过交叉熵代价函数计算误差LOSS；

S25：当误差超出允许范围时，将误差传回网络中，利用随机梯度下降法，依次求得全连接层、池化层、卷积层的参数误差，对网络参数进行权值更新，然后在转至步骤S22继续训练；当误差在允许范围内时，结束训练，保存参数。

进一步，步骤S3中，所述人脸识别具体包括以下步骤：