【技术实现步骤摘要】
一种基于共享骨干网络的人脸识别与表情分析方法
本专利技术涉及人脸识别和表情分析的
,尤其涉及一种基于共享骨干网络的人脸识别与表情分析方法。
技术介绍
目前,人脸识别已经成为十分重要的用于身份认证的生物识别技术,广泛应用于金融、商业、安防等多个领域。尤其在安防领域,智能视频监控是人脸识别最典型的应用之一。同时,一些相关的人脸属性识别算法也得到了一定的应用,如年龄识别、表情识别等。其中,表情分析在智能视频监控系统中也具有重要的应用价值,可以通过识别有无异常表情,从而提取避免暴力事件的发生。因此,一些智能视频监控系统中,往往会同时嵌入人脸识别功能和表情分析功能。随着深度学习、卷积神经网络的不断发展,人脸识别和表情分析这两项任务都取得了大幅度的性能提升。人脸识别模型基于深度卷积神经网络结构,并通过TripletLoss和ArcFace等针对“类内极小,类间极大”进行优化的损失函数监督训练,可以提取出具有辨别力的人脸特征向量,从而高准确率地完成人脸识别。表情分析模型同样基于深度卷积神经网络结构,可以对不同表情进行准确的分类。将人脸识别模型和表情分析模型分别嵌入到智能视频监控系统,可以取得准确的识别和分析结果,但由于二者使用两个各自独立的深度网络,会导致模型参数量增加,运算速度降低,进而导致模型部署成本提高,监控系统功耗增加,无法部署到一些性能稍低的终端设备上。
技术实现思路
专利技术目的:为了克服现有技术中存在的不足,本专利技术提供一种基于共享骨干网络的人脸识别与表情分析方法,该专利技术能够将 ...
【技术保护点】
1.一种基于共享骨干网络的人脸识别与表情分析方法,其特征在于:包括以下步骤,/n步骤1,初始化深层骨干网络的参数,针对人脸识别任务进行训练,以人脸识别损失函数加法角度余量损失作为监督,采用随机梯度下降法进行训练,当损失函数下降收敛后,保存深层网络模型,基于知识蒸馏算法对深层网络模型进行压缩,得到轻量级骨干网络模型;/n步骤2,初始化表情分析网络的参数,针对表情分析任务进行训练,以交叉熵损失函数作为监督,采用随机梯度下降法进行训练,并在训练过程中保持骨干网络的参数不变,当损失函数下降收敛后结束训练并保存训练后的表情分析网络模型;/n步骤3,将待测视频帧输入人脸检测与对齐模块进行预处理,检测出人脸位置,并得到标准人脸;/n步骤4,将标准人脸输入到轻量级骨干网络中,输出人脸特征向量;/n步骤5,将人脸特征向量与人脸底库中的人脸特征向量进行比对,输出人脸识别结果;/n步骤6,将人脸特征向量输入到表情分析网络,输出表情分析结果。/n
【技术特征摘要】
1.一种基于共享骨干网络的人脸识别与表情分析方法,其特征在于:包括以下步骤,
步骤1,初始化深层骨干网络的参数,针对人脸识别任务进行训练,以人脸识别损失函数加法角度余量损失作为监督,采用随机梯度下降法进行训练,当损失函数下降收敛后,保存深层网络模型,基于知识蒸馏算法对深层网络模型进行压缩,得到轻量级骨干网络模型;
步骤2,初始化表情分析网络的参数,针对表情分析任务进行训练,以交叉熵损失函数作为监督,采用随机梯度下降法进行训练,并在训练过程中保持骨干网络的参数不变,当损失函数下降收敛后结束训练并保存训练后的表情分析网络模型;
步骤3,将待测视频帧输入人脸检测与对齐模块进行预处理,检测出人脸位置,并得到标准人脸;
步骤4,将标准人脸输入到轻量级骨干网络中,输出人脸特征向量;
步骤5,将人脸特征向量与人脸底库中的人脸特征向量进行比对,输出人脸识别结果;
步骤6,将人脸特征向量输入到表情分析网络,输出表情分析结果。
2.如权利要求1所述的基于共享骨干网络的人脸识别与表情分析方法,其特征在于:所述步骤1还包括,
步骤1.1,对深层骨干网络的参数进行初始化;
步骤1.2,针对人脸识别任务进行训练,以人脸识别损失函数作为监督信号,监督深层网络进行训练;
步骤1.3,采用随机梯度下降法对深层网络进行训练,训练损失为加法角度余量损失函数,当损失函数下降收敛后,结束训练并保存训练后得到的深层网络模型F;
步骤1.4,采用知识蒸馏算法对深层网络进行压缩,以深层网络作为教师模型,以轻量级网络作为学生模型,用深层网络输出的人脸特征向量作为标签,监督轻量级网络训练,采用的损失函数LKD为:
其中,N为训练样本总数,xi表示第i个训练样本,F(xi)表示样本xi输入深层网络模型F后得到的输出,f(xi)表示样本xi输入轻量级网络模型f后得到的输出;
步骤1.5:采用随机梯度下降法对轻量级网络进行训练,训练损失为LKD,当损失函数下降收敛后,保存...
【专利技术属性】
技术研发人员:杨绿溪,惠鸿儒,胡欣毅,韩志伟,李春国,黄永明,
申请(专利权)人:东南大学,
类型:发明
国别省市:江苏;32
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。