CN109359608B - 一种基于深度学习模型的人脸识别方法 - Google Patents

Abstract

本发明公开了一种基于深度学习模型的人脸识别方法，包括：构建卷积神经网络、对网络参数进行训练、图片预处理和输入模型进行类别判定；构建卷积神经网络，用于利用大规模人脸数据集进行改进的卷积深度神经网络构建；对网络参数进行训练，用于利用误差反向传播算法对神经网络参数进行训练；图片预处理，用于基于MTCNN算法的人脸检测和人脸归一化处理，将图片转化成统一的特征向量表示；输入模型进行类别判定，用于将特征向量输入训练好的卷积神经网络中进行类别标签判定。本发明改进了传统的卷积神经网络中的正则化项，提出了一种新的神经网络权重初始化的方法，能够显著提升人脸识别分类的效果。

Description

一种基于深度学习模型的人脸识别方法

技术领域

本发明涉及图像处理领域，尤其涉及一种基于深度学习模型的人脸识别方法。

背景技术

如何准确、有效的识别用户身份,提升信息安全已成为一项重要的研究课题。传统的身份签订技术主要依靠外物(身份证,钥匙等)，或者自身记忆(密码,用户名等)，然而不管是借助于外物还是自身记忆,都存在着严重的安全隐患。

人脸，与指纹、虹膜等一样，作为生物识别的一个重要特征，在档案管理系统、安全验证系统、公安系统的罪犯追踪、视频监控等方面有着很广阔的应用前景。人脸特征采集手段十分简单、方便、隐蔽，使用者也不会因为隐私等问题而产生抗拒心理，越来越发挥着重要的作用。人脸识别，目前的方法集中在以下几个方面：

(1)基于几何特征的方法

首先检测出嘴巴、鼻子、眼睛、眉毛等有突出结构特征的人脸部位的位置和大小信息，以及这些区域之间的总体几何分布、彼此之间的相对距离和比例等相关参数，以此来构成一个可用于人脸表征的特征向量。

(2)基于模板匹配的方法

主要有两种方式：静态匹配和弹性匹配。

静态模板匹配中，主要是利用整幅灰度级图像、人脸特征区域的灰度图像以及变化后的人脸图像。首先对待识别和已知人脸图像都进行标准化，并经过同样的变换、尺度归一化以及灰度化处理后进行匹配，以此来确定待识别图像的类别。

弹性匹配的方法通过设计一个能量函数，包括了图像的一些统计信息以及人脸特征形状的先验知识信息。这种方法比静态模板更加灵活，更加有鲁棒性，但是对于参数的初始化要求高，模型的计算时间长，并且容易陷入局部最小。

(3)基于统计的方法

基于统计的方法是有完善的统计学理论基础，所以发展的比较迅速，也取得了很多不错的结果。这类方法认为图像中的人脸可以看作是随机的向量，能够通过一些统计学上的方法来分析其中模式。

(4)基于传统神经网络的方法

它不需要人工进行特征提取算法的设计与研究工作，能够通过对数据集进行自动学习，并且能提取到更优秀的人脸特征表达和图像模式的隐性规律。虽然神经网络的方法有其独特的优势、较强的鲁棒性，但是神经网络没有那么严格的理论验证解释，并且要求通过较多的人脸图片来学习，训练速度要慢很多，并且可能会陷入局部最优。

(5)基于深度学习的方法

深度学习是一种提取特征的、端到端学习的方法，其学习流程简单，不用像传统的人脸识别方法那样手工设计特征，常见的深度学习方法主要有：自编码器(Auto Encode)、玻尔兹曼机(RBM)、深度置信网络(DBN)、卷积神经网络(CNN)。其中在图片识别领域中，最常见的、取得效果最明显的就是卷积神经网络(CNN)。

发明内容

为了解决上述问题，本发明提出一种基于深度学习模型的人脸识别方法。

具体的，一种基于深度学习模型的人脸识别方法，包括：构建卷积神经网络、对网络参数进行训练、图片预处理和输入模型进行类别判定；

所述构建卷积神经网络，用于利用大规模人脸数据集进行改进的卷积深度神经网络构建；

所述对网络参数进行训练，用于利用误差反向传播算法对神经网络参数进行训练；

所述图片预处理，用于基于MTCNN算法的人脸检测和人脸归一化处理，将图片转化成统一的特征向量表示；

所述输入模型进行类别判定，用于将特征向量输入训练好的卷积神经网络中进行类别标签判定。

优选的，所述构建卷积神经网络采用以下步骤：

A1：获得公开的人脸数据构建大规模人脸数据集；

A2：将所述数据集处理为固定大小的360*360RGB图像，作为卷积神经网络的输入；

A3：输入图像通过一堆卷积层，卷积核大小为3*3；步长为1个像素；填充为1个像素；

A4：空间池化由五个最大池化层进行，步长为2；网络最后是三个全连接层；最后一层是soft-max层；

A5：所有隐藏层都使用了一种改进的ReLU作为激活函数。

优选的，步骤A5改进的ReLU方法包括以下两方面改进：

(1)改进参数正则化方法：首先用因子重新参数化权重，然后对因子而不是权重本身应用L2惩罚；应用于w的重新参数化方法如下：

其中w是W的任何标量，a＝[a₁，a₂，...，a_i，...，a_h]，b＝[b₁，b₂，...，b_i，...，b_h]代表在训练网络时要学习的两个k-dim向量而不是w；

(2)在测试阶段，使用等于a^Tb的w进行预测；所述重新参数化仅在训练阶段增加成本；在重新参数化之后，a，b成为在训练阶段学习的参数；分解后的L2惩罚如下：

a、b的相应升级规则如下：

a^t，b^t表示在第t次更新后属于网络的标量权重w的因子向量a和b，

是通过链规则从较深层传播的梯度，λa^t和λb^t表示正则化L(a，b)到a，b的梯度，η是动量参数，λ是表示正则化强度的权重衰减系数。

优选的，对卷积神经网络的训练包括以下子步骤：

B1：采用基于BP反向传播中的具有动量的小批量梯度下降法，使用优化多项式逻辑回归目标函数来进行训练；

B2：初始化网络权重；

B3：训练通过前面所述改进的ReLU中的权重衰减进行正则化。

优选的，所述步骤B2中初始化网络权重包括以下子步骤：

B21：在神经网络中的前向传播期间，采用改进后的参数正则化方法：上述所述改进的ReLU中参数正则化方法，a，b需要满足：

B22：假设a中的ai是相互独立的并且共享相同的分布，b中的bi是相互独立的并且共享相同的分布，ai和bi也相互独立，得到：

B23：仍然无法对a′_i和b′_i进行明确的初始化，所以假设a′_i和b′_i共享相同的零均值高斯分布，这导致：

优选的，所述图片预处理，包括以下子步骤：

C1：基于MTCNN算法进行人脸检测,得到人脸图像；

C2：利用几何归一化将C1得到的人脸图像处理为规范化的人脸图像；所述几何归一化，包括参数估计和仿射变换；

C3：将C2中处理后的人脸图像按像素转化成神经网络所需的360*360维的特征向量。

优选的，所述输入模型进行类别判定，包括以下步骤：将步骤C3中得到的特征向量输入训练后的神经网络中，经过卷积层、池化层和全连接层和所述的改进ReLU方法，最终通过Softmax分类器判定图片类别。

优选的，所述输入模型进行类别判定，还包括图片模型分类准确率提升步骤：通过水平翻转图像来增强测试集，将原始图像和其翻转图像的Softmax类后验进行平均，以获得图像的最终分数。

本发明的有益效果在于：改进了传统的卷积神经网络中的正则化项，提出了一种新的参数化权重方法，进而提出了一种新的神经网络权重初始化的方法，能够显著有效的提升人脸识别分类的效果。

附图说明

图1是本发明的系统结构框图；

图2为改进的VGG16神经网络模型结构示意图。

图3为改进的参数正则化结构示意图。

具体实施方式

为了对本发明的技术特征、目的和效果有更加清楚的理解，现对照附图说明本发明的具体实施方式。

如图1、图2所示，一种基于深度学习模型的人脸识别方法，包括改进的VGG16神经网络的构建、对网络参数进行训练、图片预处理、输入模型进行类别判定；

所述改进的VGG16神经网络的构建，用于利用大规模人脸数据集进行改进的VGG16深度神经网络构建；

所述对网络参数进行训练，用于利用误差反向传播算法(BP算法)对神经网络参数进行训练；

所述图片预处理，用于基于MTCNN算法的人脸检测和人脸归一化处理，将图片转化成统一的特征向量表示；

所述输入模型进行判定，用于将特征向量输入训练好的VGG16神经网络中进行类别标签判定。

所述改进的VGG16神经网络的构建，其特征在于，包括以下步骤：

S1.获得公开的人脸数据构建大规模人脸数据集；

S2.将所述数据集处理为固定大小的360*360RGB图像，作为卷积神经网络的输入；

S3.输入图像通过一堆卷积层，卷积核大小为3*3；步长为1个像素；填充为1个像素；

S4.空间池化由五个最大池化层进行，步长为2；网络最后是三个全连接层；最后一层是soft-max层。

S5.所有隐藏层都使用了一种改进的ReLU作为激活函数。

根据所述的改进的VGG16网络的构建，所述步骤S5包括以下子步骤：

S51.我们提出了一种新的参数正则化方法，如图3所示，首先用因子重新参数化权重，然后对因子而不是权重本身应用l2惩罚。应用于w的重新参数化方法如下：

其中w是W的任何标量，a＝[a₁，a₂，...，a_h]，b＝[b₁，b₂，...，b_h]代表在训练网络时要学习的两个k-dim向量而不是w。

S52.在重新参数化之后，a，b成为在训练阶段学习的参数。但是在测试阶段，我们仍然使用等于a^Tb的w进行预测，因此重新参数化仅在训练阶段增加成本。分解后的l2惩罚如下：

a、b的相应升级规则如下：

a^t，b^t表示在第t次更新后属于网络的标量权重w的因子向量a和b，

是通过链规则从较深层传播的梯度，λa^t和λb^t表示正则化L(a，b)到a，b的梯度，η是动量参数，λ是表示正则化强度的权重衰减系数。

所述对网络参数进行训练，其特征在于，包括以下步骤：

S1.通过使用具有动量的小批量梯度下降(基于BP反向传播)优化多项式逻辑回归目标函数来进行训练。批量大小设为256，动量为0.9。

S2.我们使用一种新的方式进行网络权重的初始化。

S3.训练通过前面所述改进的ReLU权重衰减进行正则化。

根据权利要求4所述的对网络参数进行训练，其特征在于：所述步骤S2包括以下子步骤：

S21.在神经网络中的前向传播期间，适当的初始化方法应避免以指数方式减小或放大输入信号的幅度。上述所述改进的ReLU正则化方法，a，b需要满足：

S22.假设a中的ai是相互独立的并且共享相同的分布，b中的bi是相互独立的并且共享相同的分布，ai和bi也相互独立，得到：

S23.仍然无法对a′_i和b′_i进行明确的初始化，所以假设a′_i和b′_i共享相同的零均值高斯分布，这导致：

所述图片预处理，其特征在于，包括以下子步骤：

S1.基于MTCNN算法进行人脸检测。MTCNN是由3个卷积神经网络级联而成(P-Net,R-Net,0-Net)。

S2.利用几何归一化将不同尺寸或旋转的人脸统一处理为规范化的人脸图像进行人脸归一化，主要进行参数估计和仿射变换。

S3.将处理后的照片按像素转化成神经网络所需要的360*360维的特征向量。

所述输入模型进行判定，其特征在于，包括以下步骤：

S1.将上述图片预处理后的特征向量输入训练好的神经网络中，经过卷积层、池化层和全连接层和相应的改进ReLU方法，最终通过Softmax分类器判定图片类别。

S2.通过水平翻转图像来增强测试集，将原始图像和其翻转图像的Softmax类后验进行平均，以获得图像的最终分数，提高图片模型分类的准确率。

需要说明的是，对于前述的各个方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某一些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和单元并不一定是本申请所必须的。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详细描述的部分，可以参见其他实施例的相关描述。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、ROM、RAM等。

以上所揭露的仅为本发明较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。

Claims (6)

1.一种基于深度学习模型的人脸识别方法，其特征在于，包括：构建卷积神经网络、对网络参数进行训练、图片预处理和输入模型进行类别判定；

所述构建卷积神经网络，用于利用大规模人脸数据集进行改进的卷积深度神经网络构建；

所述构建卷积神经网络采用以下步骤：

A1：获得公开的人脸数据构建大规模人脸数据集；

A2：将所述数据集处理为固定大小为360*360的RGB图像，作为卷积神经网络的输入；

A3：输入图像通过一堆卷积层，卷积核大小为3*3；步长为1个像素；填充为1个像素；A4：空间池化由五个最大池化层进行，步长为2；网络最后是三个全连接层：最后一层是soft-max层；

A5：所有隐藏层都使用了一种改进的ReLU作为激活函数；

步骤A5对ReLU激活函数的改进，包括以下两方面：

改进参数正则化：首先用因子a、b重新参数化权重w，然后对因子而不是权重本身应用L2惩罚应用于w的重新参数化如下：

其中w是W的任何标量，a＝[a₁，a₂，...，a_i，...，a_h]，b＝[b₁，b₂，...，b_i，...，b_h]代表在训练网络时要学习的两个k-dim向量而不是w；

在测试阶段，使用等于a^Tb的w进行预测；所述重新参数化仅在训练阶段增加成本；在重新参数化之后，a，b成为在训练阶段学习的参数；分解后的L2惩罚如下：

a和b的相应升级规则如下：

a^t，b^t表示在第t次更新后属于网络的标量权重w的因子向量a和b，

是通过链规则从较深层传播的梯度，λa^t和λb^t表示正则化L(a，b)到a，b的梯度，η是动量参数，λ是表示正则化强度的权重衰减系数；

所述对网络参数进行训练，用于利用误差反向传播算法对神经网络参数进行训练；

所述图片预处理，用于基于MTCNN算法的人脸检测和人脸归一化处理，将图片转化成统一的特征向量表示；

所述输入模型进行类别判定，用于将特征向量输入训练好的卷积神经网络中进行类别标签判定。

2.根据权利要求1所述的一种基于深度学习模型的人脸识别方法，其特征在于，对卷积神经网络的训练包括以下子步骤：

B1：采用基于BP反向传播中的具有动量的小批量梯度下降法，使用优化多项式逻辑回归目标函数来进行训练；

B2：初始化网络权重；

B3：训练通过前面所述改进的ReLU中的权重衰减进行正则化。

3.根据权利要求2所述的一种基于深度学习模型的人脸识别方法，其特征在于：所述步骤B2中初始化网络权重包括以下子步骤：

B21：在神经网络中的前向传播期间，采用改进后的参数正则化：上述所述改进的ReLU中参数正则化，a，b需要满足：

B22：假设a中的ai是相互独立的并且共享相同的分布，b中的bi是相互独立的并且共享相同的分布，ai和bi也相互独立，得到：

B23：仍然无法对a_i′和b_i′进行明确的初始化，所以假设a_i′和b_i′共享相同的零均值高斯分布，这导致：

4.根据权利要求1所述的一种基于深度学习模型的人脸识别方法，其特征在于：所述图片预处理，包括以下子步骤：

C1：基于MTCNN算法进行人脸检测,得到人脸图像；

C2：利用几何归一化将C1得到的人脸图像处理为规范化的人脸图像；所述几何归一化，包括参数估计和仿射变换；

C3：将C2中处理后的人脸图像按像素转化成神经网络所需的360*360维的特征向量。

5.根据权利要求4所述的一种基于深度学习模型的人脸识别方法，其特征在于，所述输入模型进行类别判定，包括以下步骤：将步骤C3中得到的特征向量输入训练后的神经网络中，经过卷积层、池化层和全连接层和所述的改进的ReLU激活函数，最终通过Softmax分类器判定图片类别。

6.根据权利要求5所述的一种基于深度学习模型的人脸识别方法，其特征在于，所述输入模型进行类别判定，还包括图片模型分类准确率提升步骤：通过水平翻转图像来增强测试集，将原始图像和其翻转图像的Softmax类后验进行平均，以获得图像的最终分数。

Images