[发明专利]基于强化学习和深度卷积神经网络的人脸识别装置及方法

说明书

本发明公开了一种基于强化学习和深度卷积神经网络的人脸识别装置及方法，人脸识别装置包括主网络块、若干归一化网络和若干决策网络，主网络包括若干顺次连接的主网络块；主网络块对输入的人脸图像和人脸特征进行特征提取，并输出提取得到的人脸特征；归一化网络将对应的主网络块输出的人脸特征归一化到同一特征投影空间并输出；决策网络根据对应的归一化网络输出的人脸特征，利用强化学习方法判断是否继续向前学习：若是，则将归一化后的人脸特征输入下一个主网络块；若否，则将归一化后的人脸特征输出进行人脸识别。本发明通过对当前人脸特征的识别能力进行判断和选择，从而使用足够强的浅层特征进行识别，节省了大量的计算参数。

技术领域

本发明涉及图像处理技术领域，特别是涉及一种基于强化学习和深度卷积神经网络的人脸识别装置及方法。

背景技术

人脸识别作为一种重要的生物特征识别技术，具有非接触性、非侵入性、操作简单、采集方便、交互性强、部署简单等优势。得益于这些优势，人脸识别技术已经大规模的应用于我们的日常实际生活中，如人脸门禁、人脸视频监控、人脸电子设备解锁、人脸支付等。

经过学术界和企业界工作人员的不懈努力，当前的人脸识别算法在诸如光照影响、大姿态、遮挡、夸张表情等条件下均能取得不错的识别效果。当前的高精度人脸识别算法普遍使用深度卷积神经网络(Deep Convolutional Neural Network,DCNN)技术进行特征学习和提取。

然而DCNN的网络架构较复杂、网络层数较深、涉及的参数也较多，因此计算比较耗时，降低了人脸识别技术在便携式设备上的应用价值。

发明内容

本发明的目的在于克服现有技术的一项或多项不足，提供一种基于强化学习和深度卷积神经网络的人脸识别装置及方法。

本发明的目的是通过以下技术方案来实现的：基于强化学习和深度卷积神经网络的人脸识别装置，包括主网络块、若干归一化网络和若干决策网络，所述主网络包括若干顺次连接的主网络块，所述若干归一化网络与除最后一个主网络块以外的所有主网络块一一对应连接，所述若干决策网络与所述若干归一化网络一一对应连接；

所述主网络块用于对输入的人脸图像和人脸特征进行特征提取，并输出提取得到的人脸特征；

所述归一化网络用于将其对应的主网络块输出的人脸特征归一化到同一特征投影空间并输出；

所述决策网络用于根据其对应的归一化网络输出的人脸特征，利用强化学习方法判断是否继续向前学习：若是，则将所述归一化网络输出的人脸特征输入下一个主网络块；若否，则将所述归一化网络输出的人脸特征输出进行人脸识别。

优选的，所述主网络为深度残差网络。

优选的，所述特征归一化网络利用综合归一化损失函数对人脸特征进行归一化处理，所述综合归一化损失函数为：

L_c＝L_e+λL_d

式中，λ是平衡特征归一化损失函数L_e和身份判别损失函数L_d的权重因子；M表示主网络的网络块数量；N表示的是训练过程中每一个mini-batch的样本数量；E(·)表示归一化网络的特征转换过程，f_i,j表示每一个mini-batch所包含的第j个样本经第i个主网络块所处理得到的特征，f_j表示的是每一个mini-batch所包含的第j个样本经最后一个主网络块所得到的特征；L_Arc定义的是ArcFace人脸损失函数，用来提取人脸的身份信息。

优选的，所述决策网络利用决策网络损失函数进行训练学习，所述决策网络损失函数为：