人脸识别方法及设备.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN114283483A(43)申请公布日2022.04.05(21)申请号202111679807.9(22)申请日2021.12.31(71)申请人中国联合网络通信集团有限公司地址100033北京市西城区金融大街21号(72)发明人刘金财樊星宇王涛(74)专利代理机构北京同立钧成知识产权代理有限公司11205代理人李阳刘芳(51)Int.Cl.G06V40/16(2022.01)G06K9/62(2022.01)G06N3/04(2006.01)G06N3/08(2006.01)权利要求书3页说明书14页附图3页(54)发明名称人脸识别方法及设备(57)摘要本申请提供一种人脸识别方法及设备，该方法通过将人脸图片数据集中的每张人脸图片输入神经网络，获得人脸特征向量，从上述人脸特征向量中获得每个人的一个基准人脸正例，以及同一人人脸正例和不同人人脸负例，再根据获得的信息，确定上述神经网络对应的新三原子损失函数，将该新三原子损失函数加载在上述神经网络中，进行网络训练，更新网络参数，获得网络参数模型，基于该网络参数模型进行人脸识别。即在传统三原子选择的基础上增加一组正例人脸，改良Triplet三原子的选择方案，同时对传统的三原子损失函数进行改进，从而达到加快网络训练的收敛速度、进一步降低过拟合的概率，同时增强网络对同种类型和不同类型特征的区分能力的目的。CN114283483ACN114283483A权利要求书1/3页1.一种人脸识别方法，其特征在于，包括：分别将人脸图片数据集中的每张人脸图片输入神经网络，获得所述每张人脸图片的人脸特征向量，其中，所述人脸图片数据集包括至少两个人的人脸图片，所述神经网络通过人脸图片和人脸特征向量训练得到；从所述每张人脸图片的人脸特征向量中获得每个人的一个基准人脸正例，以及同一人人脸正例和不同人人脸负例；根据所述每个人的一个基准人脸正例，以及同一人人脸正例和不同人人脸负例，确定所述神经网络对应的新三原子损失函数；将所述新三原子损失函数加载到所述神经网络中，进行网络训练，更新网络参数，获得网络参数模型；基于所述网络参数模型进行人脸识别。2.根据权利要求1所述的方法，其特征在于，所述人脸图片数据集包括两个人的人脸图片；所述从所述每张人脸图片的人脸特征向量中获得每个人的一个基准人脸正例，以及同一人人脸正例和不同人人脸负例，包括：根据预设筛选原则，从所述每张人脸图片的人脸特征向量中获得每个人的一个基准人a1脸正例，以及同一人人脸正例和不同人人脸负例，其中，所述预设筛选原则包括：‖f(Xi)‑fp12a1n12a2p22a2n22a1(Xi)‖2+α<‖f(Xi)‑f(Xi)‖2；‖f(Xi)‑f(Xi)‖2+β<‖f(Xi)‑f(Xi)‖2；‖f(Xi)‑fp12p1p22a2p22p1p22a1p12(Xi)‖2<‖f(Xi)‑f(Xi)‖2；‖f(Xi)‑f(Xi)‖2<‖f(Xi)‑f(Xi)‖2；‖f(Xi)‑f(Xi)‖2n1n22a2p22n1n222<‖f(Xi)‑f(Xi)‖2；‖f(Xi)‑f(Xi)‖2<‖f(Xi)‑f(Xi)‖2；其中，‖‖2表示平方和开根号，α表示第一预设阈值，β表示第二预设阈值，f()表示第i轮卷积神经网络后提取的人脸a1a2p1p2特征向量，f(Xi)和f(Xi)分别表示每个人的一个基准人脸正例，f(Xi)和f(Xi)分别表n1n2示同一人人脸正例，f(Xi)和f(Xi)分别表示不同人人脸负例，i表示第i轮卷积神经网络训练。3.根据权利要求2所述的方法，其特征在于，所述根据所述每个人的一个基准人脸正例，以及同一人人脸正例和不同人人脸负例，确定所述神经网络对应的新三原子损失函数，包括：根据表达式确定所述神经网络对应的新三原子损失函数Loss。4.根据权利要求1至3中任一项所述的方法，其特征在于，所述神经网络为Inception‑ResNet‑v1卷积神经网络；所述分别将人脸图片数据集中的每张人脸图片输入神经网络，获得所述每张人脸图片的人脸特征向量，包括：分别将所述每张人脸图片输入所述Inception‑ResNet‑v1卷积神经网络；将所述Inception‑ResNet‑v1卷积神经网络的每个输出结果通过L2归一化处理，获得所述每张人脸图片的128维度的人脸特征向量。5.一种模型生成方法，其特征在于，包括：2CN114283483A权利要求书2/3页分别将人脸图片数据集中的每张人脸图片输入神经网络，获得所述每张人脸图片的人脸特征向量，其中，所述人脸图片数据集包括至少两个人的人脸图片，所述神经网络通过人脸图片和人脸特征向量训练得到；从所述每张人脸图片的人脸特征向量中获得每个人的一个基准人脸正例