[发明专利]一种融合红外图像训练的人脸识别网络构建方法

说明书

本发明公开了一种融合红外图像训练的人脸识别网络构建方法，包括采用卷积层、批归一化层、修正线性单元层和深度可分离卷积层封装成网络单块；从前至后按卷积层、批归一化层、修正线性单元层和网络单块依次堆叠得到网络块，堆叠4个网络块得到主干网络，并在主干网络后依次插入随机失活层和全连层，以得到网络模型；将人脸的RGB图像与人脸对应的红外图像堆叠融合成四通道图像，做为训练数据输入至网络模型；利用附加角度间隔的柔性最大值损失函数计算训练集样本的真实标签与全连接层输出的预测结果之间的损失值；随机初始化网络模型的网络参数，并设定超参数；采用随机梯度下降法作为网络优化策略，重复计算直至损失值收敛得到最优的网络模型。

技术领域

本发明涉及人脸识别技术领域，尤其是一种融合红外图像训练的人脸识别网络构建方法。

背景技术

随着信息时代逐步地推进，各种智能产品渗入到人们的四周，让人们的日常生活变得越来越便捷。但是伴随着这种便捷，人们也涉及到更多的个人信息交换，个人信息如若丢失会带来自身的经济损失和人身伤害，所以身份验证成为现在随处可见的流程，只有身份验证通过才能提取个人隐私信息。其中，生物识别技术是身份验证领域中常用的手段，主要通过分析比较人类的生物特征来鉴别身份，常用的生物特征有人脸、虹膜、指纹等等，人脸特征可通过非接触式操作采集，其具有操作简单、便捷等优点。因此，衍生出人脸识别技术这一重要的研究分支。人脸识别技术可以帮助复工人员非接触式打卡上班，对未佩戴口罩的情况进行预警，而且结合红外摄像头可以精准地检测员工体温，从而帮助企业加快复工进程，减少员工感染的情况；目前大多数省市的火车站、汽车站、办公楼都设有人脸识别温度安检门，利用摄像头进行人脸识别，并且使用温度传感器或红外检测器检测温度，将测温、人脸识别功能合为一体，提高识别精度。由此可见，人脸识别技术具有较高的应用价值。

基于传统图像处理的人脸识别方法主要通过利用手工特征进行识别任务，但是手工特征的提取需要凭借人工经验，泛化性弱，容易受识别物体的变化影响，所以目前主流的人脸识别方法都应用了深度学习技术，利用卷积神经网络提取的卷积特征具有更丰富的语义信息，能更好地拟合人脸目标，取得更为优秀的识别结果。

目前，基于深度学习技术的人脸识别方法大致可以分为两类：

第一类，是基于距离度量学习的人脸识别方法，该方法的核心思想是通过距离度量来描述人脸样本的特征，如眼与嘴之间的相对距离，常用的距离有马氏距离、明可夫斯基距离、欧式距离等等。在方法实施时需搭建一个深度神经网络，还要根据样本特性设计对应的损失函数，较好的损失函数能更好的鉴别距离度量，理想状态是让样本在度量空间中同类聚集，异类发散，经典的损失函数有三元组损失和对比损失。虽然这类方法操作简单，但是使用距离作为度量标准，在识别目标发生尺度变化时会受到较大的影响。

第二类，是基于间隔的人脸识别方法，基于第一类方法的基础上改进。主要改进点是在设计损失函数时引入间隔约束，能增加网络模型的识别能力，用于增大类间距离，缩小类内距离，从而优化网络模型的决策边界。但是这些损失函数公式中涉及了多个超参数，稍有偏差都会影响模型的性能，需人工细心地调试。

由此可见，目前基于深度学习的算法大多数使用的是可见光图像，其算法的性能会受所处的环境因素影响，降低识别精度，如光照变化、人脸遮挡、脸部表情等等因素，使用时存在部分局限性。

因此，急需要构建一种融合红外图像训练的人脸识别网络，以及解决可见光图像存在的问题。

发明内容

针对上述问题，本发明的目的在于提供一种融合红外图像训练的人脸识别网络构建方法，本发明采用的技术方案如下：

一种融合红外图像训练的人脸识别网络构建方法，包括以下步骤：

采用卷积层、批归一化层、修正线性单元层和深度可分离卷积层封装成网络单块；