一种人脸识别模型的训练方法和装置与流程

本发明涉及人脸识别，尤其是涉及一种人脸识别模型的训练方法和装置。

背景技术：

1、人脸识别技术通常利用样本人脸图像训练人脸识别模型，在实际应用中，可以利用训练好的人脸识别模型对待识别图像进行处理，得到人脸识别结果。随着图像处理与模式识别技术的快速进步及人脸识别的快捷方便，基于视频图像处理的人脸识别系统得到了广泛的运用，例如考勤，出入口控制，安全监控等领域都已经大量应用了人脸识别系统。

2、但是常见的训练方法在操作过程中并未综合考虑人脸边框回归和面部关键点检测，从而使得识别的效率较为低下。

技术实现思路

1、本发明的目的在于提供一种人脸识别模型的训练方法和装置，以解决上述背景技术中提出的问题。

2、本发明的技术方案是：一种人脸识别模型的训练方法和装置，具体包括以下步骤：

3、s1：先对人脸图像进行预处理，为了保持输入人脸图像与网络训练数据的一致性，提高人脸识别准确率，得到位置正确的人脸图像，需要进行人脸关键点对准和校准，根据检测到的人脸边界框和关键点数据对原始图像数据进行图像归一化和对齐操作

4、s2：先进行mtcnn模型网络训练，进行数据配置，数据集按照负样本：正样本：部分样本：关键点样本为3∶1∶1∶2的比例划分为四个子集进行模型训练，正样本与负样本用来训练二分类任务，正样本与部分样本用来训练人脸边框回归任务，面部关键特征点数据集标注了人脸面部特征点数据用来训练关键点定位任务。在进行模型训练时，每种数据集中70％作为训练数据，30％作为测试数据

5、s3：对p-net、r-net和o-net按照先后顺序进行单独训练，三个网络的训练方式相同，都是针对特定网络产生的训练数据来进行训练；

6、s4：首先，将输入的人脸数据构建金字塔图片，设置缩放因子为0.709；然后，将图片输入p-net选出候选框。网络输出脸部区域候选窗口和边界框回归向量，利用非极大值抑制合并多余窗口；

7、s5：进行r-net网络训练，对候选框结果进一步优化和筛选，去除大量的非人脸候选框，r-net输入的是p-net输出结果，同样使用nms对候选框进行合并处理；

8、s6：进行o-net网络训练，将r-net的输出候选框进行精选，输出最终的人脸候选框、人脸置信度和关键点信息；

9、s7：使用训练好的mtcnn网络对数据集进行预处理，对数据集中每张人脸图片进行随机裁剪、水平翻转等处理，形成进行网络模型训练的数据集；

10、s8：采用mini-batch梯度下降法来提高网络训练速度，对每个epoch的每个mini-batch子集进行梯度下降，计算损失并反向传播更新参数。对于训练数据集，将整体训练次数设置为60个epoch，每个epoch设置1000个mini-batch子集，则共计60000步。其中每个mini-batch的batch-size设置为128，即每个子集训练128幅图片，每代epoch遍历128000幅图片，

11、s9：采用随着训练步数增长学习率逐渐降低的学习策略，设置初始学习率为0.1，按照在线验证准确率方式进行学习率调整，当准确率不再上升的时候，将学习率降低为原来的1/10。在训练过程中，按表3的学习率设置可使模型最优，之后即可结束整个脸识别模型的训练流程。

12、优选的，所述步骤s1中，首先减去每个样本灰度的均值，然后除以标准差；并对这个标准差增加一个小常数，用来避免分母为0和压制噪声；对于[0,255]范围的灰度图，给方差加10是有效的；归一化模块中逐样本的均值相减主要应用在那些具有稳定性的数据集中，也就是那些数据的每个维度间的统计性质是一样的；人脸图像归一化的目的是使不同环境及设备条件下拍摄的同一个人的照片具有一致性。由于检测出来的人脸检测框尺寸大小不同，裁剪的人脸图像大小不一，通过对人脸图像归一化操作，保持人脸图像尺寸的一致性。

13、优选的，所述步骤s1中，对齐操作包括：将训练人脸图像输入到人脸图像对齐网络，得到人脸图像对齐网络输出的与所述训练人脸图像相关的预测对齐人脸图像；获取所述预测对齐人脸图像的边缘特征信息和与所述训练人脸图像相关的目标人脸图像的边缘特征信息；基于所述预测对齐人脸图像的边缘特征信息和所述目标人脸图像的边缘特征信息，计算所述预测对齐人脸图像与所述目标人脸图像之间的边缘特征损失，其中，所述边缘特征损失指示所述预测对齐人脸图像与所述目标人脸图像在边缘特征上的差异；基于所述边缘特征损失，更新人脸图像对齐网络的参数值；将待处理人脸图像输入到人脸图像对齐网络，得到人脸图像对齐网络输出的对齐处理后的人脸图像；人脸对齐是为了尽量降低因人脸图像中的人脸角度原因导致识别错误问题，通过仿射变换使检测到的人脸关键点尽可能地保持在同一个位置。

14、优选的，所述步骤s2中，损失函数权重设置过程中在p-net和r-net中分别设置参数为αdet＝1,αbox＝0.5和αlandmark＝，在o-net中设置参数为αdet＝1,αbox＝0.5,αlandmark＝1。

15、优选的，所述步骤s3中，在训练过程中加入在线困难样本挖掘，即每一批次数据训练完成后按照损失值由大到小排序取前70％作为困难样本，积攒够一个批次数据后放入网络中再次进行训练。

16、优选的，所述步骤s7中，在深度学习中，神经网络的权重初始化方法对模型的收敛速度和性能有着至关重要的影响，根据相关研究成果，选择结合批量归一化的随机初始化进行网络权重初始化设置。

17、优选的，所述步骤s8中，采用随着训练步数增长学习率逐渐降低的学习策略，设置初始学习率为0.1，按照在线验证准确率方式进行学习率调整，当准确率不再上升的时候，将学习率降低为原来的1/10。在训练过程中，按表3的学习率设置可使模型最优。

18、优选的，所述人脸识别的方法包括：采用轻量化的mobilenet网络，将边缘计算设备提取的原始人脸图像输入mtcnn网络中，进行人脸检测与裁剪，再进行图像预处理，输入mobilenet网络进行卷积操作，对提取的人脸特征进行l2归一化，将人脸图像特征向量直接映射到欧式距离空间，用欧式距离平方值进行人脸相似性度量，实现人脸识别和验证等，识别待检测人脸与特征库人脸是否是同一个人。

19、优选的，所述步骤s9中，在mobilenet网络模型训练过程中，系统损失呈现出随着模型训练过程推进不断下降的趋势，根据moblienet网络模型训练得到的准确率大概稳定在96％，可以看出mobilenet模型具有很好的识别效果。

20、优选的，所述训练装置执行计算机程序时实现权利要求1至1中任一项所述的方法的步骤。

21、本发明通过改进在此提供一种人脸识别模型的训练方法，与现有技术相比，具有如下改进及优点：

22、本发明中，从mobilenet网络训练结果可以看出，用轻量级的mobilenet卷积神经网络进行人脸特征提取，可以在运算能力较弱的边缘计算平台上获得较好的识别准确率，能够快速完成人脸识别任务，基于边缘计算的人脸识别模型可以满足在边缘设备快速完成识别任务的需求，同时mtcnn是以深度可分离卷积为设计核心来降低网络计算量和参数量的网络架构，网络模型综合考虑人脸边框回归和面部关键点检测，能够同时检测人脸和人脸关键特征点，具有精度高、速度快、多任务检测等特点，从而增加了整体方法在回溯识别过程中的识别效率，缩短了识别时间，增加了系统的整体高效性与便捷性。