[发明专利]基于启发式算法的多模型融合人脸识别方法、装置、计算机系统与可读介质

说明书

本发明提供一种基于启发式算法的多模型融合人脸识别方法、装置、计算机系统与可读介质，可针对特定场景包括但不限于不同人种、不同年龄、不同性别、不同光照条件、不同角度和不同部署设备的人脸识别需求，不需要重新训练网络模型和特定的数据处理方式，只需要通过模型底库，由不同场景数据训练的不同输入尺寸的不同规模网络结构的模型建立，使用本发明创造的启发式算法来对模型进行选择、融合，得到的融合模型可在该场景下达到最优的人脸识别精度。

技术领域

本发明涉及人脸识别技术领域，具体而言涉及一种基于启发式算法的多模型融合人脸识别方法与装置。

背景技术

现有人脸识别的主要过程包括人脸检测、人脸采集、数据预处理、通过神经网络模型输出特征体积与底库中的特征比对得出识别结果。

传统的人脸识别方式针对不同场景(包括但不限于不同人种、不同年龄、不同性别、不同光照条件、不同角度和不同部署设备)，通常是通过对该场景的人脸数据进行采集，通过采集的人脸数据训练神经网络模型，训练好的神经网络模型一般用于单个场景的预测，在其他场景精度较低。

基于多模型融合的人脸识别方法是将多个神经网络模型融合在一起进行人脸特征的输出，有效克服了单一神经网络模型过拟合单一场景的问题，但多模型的选择过程一般为人工选择，选择结果无法做到最优。

发明内容

本发明目的在于提供一种基于启发式算法的多模型融合人脸识别方法与装置，使用启发式算法来对模型进行选择、融合，得到的融合模型可以在场景下达到最优的人脸识别精度。

为实现上述目的，本发明提出基于启发式算法的多模型融合人脸识别方法，包括：

步骤1、预设融合模型个数q，并初始化迭代次数X、初始温度T和温度系数d；

步骤2、从人脸识别模型底库中随机初始化q个模型，并判断q个模型是否满足设定的场景下部署设备的硬件需求，如果q个模型的组合不能满足需求，则重新初始化，直到满足需求条件为止；所述的人脸识别模型底库包括由不同场景的训练集、不同输入尺寸、不同的网络结构训练的M个神经网络模型；其中，M和q均为正整数，且Mq；

步骤3、对于初始化后的q个模型，进行模型融合,融合后的组合为S，通过场景的测试集进行精度测试，在测试集上获得的精度作为目标函数f(S)；

步骤4、开始第一次替换，从人脸识别模型底库中随机抽取一个新的模型M′，依次替换组合S中模型，直到新的组合满足当前设定场景下部署设备的硬件需求，如果满足要求，则进入步骤5；如果替换q中的任一个都不满足要求，则将M′丢弃到模型备选库，重新进行步骤4进行替换；

步骤5、将模型M′替换S中的一个模型，替换后的模型构成组合S′，通过场景的测试集计算确定目标函数f(S′)，然后获得目标函数增量ΔE，ΔE＝f(S′)-f(S)，ΔE＞0时，模型组合S′替换S；ΔE＜0时,计算概率P＝exp(ΔE/T)，按照概率使用模型组合S′替换S，将替换下来的模型或者未替换成功的M′丢弃到模型备选库，并给予冷却系数γ，冷却系数γ＝模型被丢弃的次数；

步骤6、检查迭代条件，如果当前迭代次数X0，更新温度参数T＝T×d,迭代次数X＝X-1，将替换下来的模型丢弃到模型备选库，并进入步骤4，如果当前迭代次数X＝0，进入步骤7；

步骤7、迭代结束，输出选择的模型组合S。

根据本发明的公开，还提出一种基于启发式算法的多模型融合人脸识别装置，包括：

用于预设融合模型个数q，并初始化迭代次数X、初始温度T和温度系数d的模块；