The invention relates to the field of face recognition. Aiming at the problems existing in the prior art, a face recognition network training method, device and storage medium based on deep learning are provided. In this paper, a convolution neural network optimization algorithm is proposed, which not only increases the distance between classes but also reduces the distance within classes. That is to say, an error constraint is added to the general convolution God network model. When the network model is trained, the distance between faces of different kinds of people is increased, the distance between faces of the same kind of people is reduced, and the trained network can extract face features better, so as to improve the performance of the algorithm \u3002 In the invention, the cost function is modified by the parameters of intra class similarity and inter class similarity to obtain the total error function; the weight value in the network is updated by the residual value of the cost function, the residual value of intra class similarity and the residual value of inter class similarity to realize the neural network training; when the parameter correction JS meets the convergence condition, the convolution neural network training is completed.
【技术实现步骤摘要】
基于深度学习的人脸识别网络训练方法、设备及存储介质
本专利技术涉及人脸识别领域,尤其是一种基于深度学习的人脸识别网络训练方法、设备及存储介质。
技术介绍
如今,人脸识别算法更加多样化,技术也越来越成熟,人脸识别在工业上已经得到了广泛使用。人脸作为身份证明之一,可以应用到很多地方,如人脸验证(驾照、签证、身份证、护照、投票选举等)、安防(反恐报警、街道监控、电网监控、计算机安全、网络安全等)、以及人机交互多媒体管理等,这些场景的应用在保证公众人身安全的同时也大大方便了公众的出行。从最初的人脸几何特征算法到现在自动提取人脸特征的深度学习(DeepLearning)算法,人脸识别技术已经取得了一个质的飞跃。目前不管是工业界还是学术界,研究应用最多的还是以深度学习为代表的人脸识别算法,而深度学习算法中应用最多的还是深度卷积神经网络(DeepConvolutionNeuralNetwork,DCNN),比较有名的卷积神经网络模型有FaceNet、DeepFace、DeepIDs、SeetaFace等,这些网络模型在当时以及现在在人脸识别领域都取得了非常好的效果。即使目前在人脸识别领域有了长足的发展,但是算法还有很多的提升空间,人脸识别的困难在于人脸图片较大的类内变化和较小的类间差异,由于人脸的角度、光照、表情、年龄、化妆、遮挡、图片质量等等变化,同一个人的不同人脸图片具有很大差异。同时,随着待识别的人数的增加、出现长得比较像的人的概率增加等情况逐渐增多,如何让计算机在较大的类内变化的干扰下依然能够辨识到可能比较微弱的类 ...
【技术保护点】
1.一种基于深度学习的人脸识别网络训练方法,其特征在于包括:/n将所有图像做人脸对齐操作,制作训练数据;/n根据训练数据进行卷积神经网络训练,得到卷积神经网络的代价函数J;/n对上述代价函数J通过类内相似度J
【技术特征摘要】
1.一种基于深度学习的人脸识别网络训练方法,其特征在于包括:
将所有图像做人脸对齐操作,制作训练数据;
根据训练数据进行卷积神经网络训练,得到卷积神经网络的代价函数J;
对上述代价函数J通过类内相似度J1、类间相似度J2进行参数修正,得到总误差函数Js=J+γJ1-θJ2;
通过代价函数J的残差值、类内相似度J1的残差值和类间相似度J2的残差值求偏导后反向传播,卷积神经网络中每一层的权值参数的得到更新;然后正向传播过程中,分别对应卷积神经网络中代价函数J、类内相似度J1、类间相似度J2的更新收敛;当总误差函数Js满足收敛条件,则完成卷积神经网络训练。
2.根据权利要求1所述的网络训练方法,其特征在于所述类内相似度J1的残差值计算过程为:
其中设m样本组成的样本集为{(x(1),y(1)),…,(x(m),y(m))},m为所有待输入样本的数量,它们分属于n个类别每个类别对应的相同数量的样本,即每个类别有m/n个样本;hW,b(x(k,a))是从属于α类的第k个样本计算得到的卷积神经网络最后一层的输出,M(a)为第α类样本的均值,α属于n,k范围1到m/n。
3.根据权利要求1所述的网络训练方法,其特征在于所述类...
【专利技术属性】
技术研发人员:王标,史方,邹佳运,郭宏,
申请(专利权)人:成都视观天下科技有限公司,
类型:发明
国别省市:四川;51
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。