[发明专利]人脸识别方法及其模型训练方法

说明书

人脸识别方法及其模型训练方法，其中，人脸识别模型训练方法包括：a）获得人脸数据集；b）对人脸数据集进行预处理，得到输入数据；c）将输入数据输入到待训练神经网络中，待训练神经网络对输入数据进行特征提取；d）根据待训练神经网络输出的输出向量来计算网络损失；e）根据网络损失来更新权重值；f）重复执行上述步骤c、步骤d、步骤e，直至网络损失收敛至低于预定的第一目标值；g）将待训练神经网络中小于预设的第一阈值的权重值设置为0；h）重复执行上述步骤c、步骤d、步骤e，直至网络损失收敛至低于预定的第二目标值。本发明能够提高人脸检测的准确率，加快人脸识别的速度。

技术领域

本发明涉及人工智能技术领域，特别是涉及一种人脸识别方法及其模型训练方法。

背景技术

随着现代科学信息产业的发展，身份认证技术已经转到了生物特征层面。当前的生物特征识别技术包括：指纹识别、视网膜识别、步态识别等。与其它识别方法相比，人脸识别由于具有直接、友好、方便等特点，使用者无任何心理障碍，易于为用户所接受，从而广泛应用于诸如刑侦破案、证件验证、视频监控、入口控制等领域。

早期的人脸识别系统采用传统的机器学习的方法，包括几何特征、局部特征分析等方法，但这些方法都存在着识别率不高、抗干扰能力差等缺点，这些对人脸识别系统的应用造成了极大的干扰。

近年来，随着人工智能的快速发展，采用训练后的人工神经网络来进行人脸识别是未来的发展趋势。现有技术中用于人脸识别的人工神经网络往往存在着误检率高、检测速度慢等缺陷，阻碍了人工神经网络在人脸识别领域的应用。

由此可见，人脸检测的人工神经网络如何克服上述缺陷，训练出误检率低、检测速度快的人工神经网络，进而提高人脸检测的检测准确率和检测速度，是目前亟需解决的问题。

发明内容

本发明解决的技术问题是：如何提高人脸检测的检测准确率和检测速度。

为了解决上述技术问题，本发明实施例提供一种人脸识别模型训练方法，包括：

a）获得人脸数据集，所述人脸数据集用于对人脸识别的待训练神经网络进行训练；

b）对人脸数据集进行预处理，得到输入数据；

c）将输入数据输入到待训练神经网络中，待训练神经网络对输入数据进行特征提取；

d）根据待训练神经网络输出的输出向量来计算网络损失，包括采用如下算式来计算待训练神经网络的网络损失：

其中，L表示网络损失，N表示每个批次训练样本的数量，s表示人脸向量映射超球体的半径，y_i表示某一类人或某个人，m表示角度裕量，λ表示平衡参数，用于平衡算式中加号前后两部分的权重，x_i表示某一类的向量，C_yi表示第y_i类样本的深度特征的中心，k表示网络第k层，w_i表示第i层所有权重之和；

e）根据网络损失来更新权重值；

f）重复执行上述步骤c、步骤d、步骤e，直至网络损失收敛至低于预定的第一目标值；

g）将待训练神经网络中小于预设的第一阈值的权重值设置为0；

h）重复执行上述步骤c、步骤d、步骤e，直至网络损失收敛至低于预定的第二目标值。

可选的，所述获得人脸数据集包括：采用本地摄像头和OpenCV来获取人脸数据集。

可选的，所述获得人脸数据集包括：从互联网上下载公开的人脸数据集。

可选的，所述获得人脸数据集还包括：对人脸数据集进行数据清理；所述对人脸数据集进行数据清理包括：