[发明专利]基于弹性上下文关系损失函数的人脸识别方法及系统

权利要求书

1.基于弹性上下文关系损失函数的人脸识别方法，其特征在于：包括以下步骤：

S1.对于训练集中的图像，利用人脸检测算法检测图像中是否包含有人脸，若否则舍弃该图像，若是则执行步骤S2；

S2.对训练集中的图像中的人脸进行关键点定位，并基于关键点定位得到的关键点坐标对训练集中的图像进行操作得到预定大小的人脸图像；

S3.从训练集中随机选取一批人脸图像训练人脸识别模型；

S4.使用人脸识别模型提取训练集中人脸图像的特征描述子；

S5.根据获取的特征描述子计算得到训练集中人脸图像每个类的样本均值，作为这个类的代表样本；

S6.通过K-mean聚类算法，将人脸图像的代表样本聚类到多个聚类中心；

S7.从每个聚类中心选择S个类，并从S个类中平均挑选M个人脸图像样本组成一个数据块X，用均值来表示每个类的中心C＝{c₁，c₂，…，c_S}；每个数据块样本均来自同一个聚类中心的类；

S8.构建卷积神经网络单元，将数据块X送入卷积神经网络中，输出每个人脸图像样本的特征向量；

S9.将步骤S8提取的特征向量送入FCL损失函数中，FCL损失函数表示如下：

其中x_i表示人脸图像样本的特征向量，y_i为人脸图像样本的类别标签，c_j表示每个数据块中第j类的人脸图像样本的特征向量均值，p_ij表示人脸图像样本x_i属于类别j的概率，1(y_i＝＝j)表示一个二值函数，当y_i＝＝j成立时值为1，否则为0；

S10.增加间隔参数m来增强类内样本的相关性：

其中表示样本x_i属于类别y_i的概率，p_ij表示样本x_i属于类别j的概率，c_k表示每个数据块中第k类的图像样本的特征向量均值；

S11.对于待处理的图像，将其进行步骤S1～S2处理后得到预定大小的人脸图像；

S12.将步骤S11得到的人脸图像输入到卷积神经网络中，得到相应的特征向量；

S13.使用余弦距离函数计算得到图像特征向量之间的相似度，若计算得到的余弦距离大于设定的阈值，则判断为同一人，否则判断为不同人。

2.根据权利要求1所述的基于弹性上下文关系损失函数的人脸识别方法，其特征在于：所述步骤S2对人脸进行25个关键点的定位，并基于左眼、右眼、鼻尖、左嘴角、右嘴角5个关键点坐标对训练集中的图像进行操作得到预定大小的人脸图像。

3.根据权利要求2所述的基于弹性上下文关系损失函数的人脸识别方法，其特征在于：所述对训练集中的图像进行操作包括图像旋转、缩放、仿射变换。

4.根据权利要求2所述的基于弹性上下文关系损失函数的人脸识别方法，其特征在于：所述人脸图像的预定大小为128像素*128像素。

5.根据权利要求1所述的基于弹性上下文关系损失函数的人脸识别方法，其特征在于：所述步骤S3使用softmax损失函数训练人脸识别模型。

6.一种系统，其特征在于：包括预处理单元、数据块构造单元、深度卷积网络训练单元、特征提取及识别单元，所述系统运行时执行权利要求1～5任一项所述方法的操作，其中预处理单元执行步骤S1、S2的操作，数据块构造单元执行步骤S3～S7的操作，深度卷积网络训练单元执行步骤S8～S10的操作，特征提取及识别单元执行步骤S11～S13的操作。