基于非平衡标签信息融合的人脸识别算法架构的制作方法
【技术领域】
[0001] 本发明涉及计算机生物特征识别领域，具体涉及一种基于非平衡标签信息融合的 人脸识别算法架构。
【背景技术】
[0002] 随着深度学习理论的逐步成熟和有标签人脸数据的大量增加，越来越多的人脸识 别算法选择使用深度学习，从而使得近几年人脸识别算法的性能大幅提升。然而这类方法 面临两个问题：（1)多数基于深度学习的人脸识别算法需要大规模有标签数据，同时也要求 数据具备多样性，例如包含多个种族、不同姿态、多种来源和不同光照等。如何获得带有标 签信息的人脸数据成为提升人脸识别性能的瓶颈。随着传感器的大量使用，每天都会产生 海量数据，完成这些数据的标定工作将耗费大量人力物力，代价巨大，从而导致大量无标签 数据无法在实际应用中充分发挥作用。（2)在现有数据规模和计算资源的条件下，由于用于 训练的数据规模和多样性都达不到要求，所以经常会出现过学习现象，导致得到的模型泛 化能力不佳，只能在一些场景下取得不错的性能，一旦切换场景，性能会出现明显下降。
[0003] 基于无监督学习的算法能够一定程度上解决上述问题。（1)无监督学习算法不需 要有标签信息的数据，所以没有数据标定任务。（2)由于没有标签信息的约束，无监督学习 方法出现过学习的几率较小，对于多种场景的适应性也较强。然而，正是因为没有标签信息 约束，无监督学习方法普遍存在针对性不强的问题，导致在实际应用时性能不佳，所以这类 方法目前主要还处于研究阶段。
【发明内容】
[0004] 监督学习人脸识别算法(使用标签信息）和无监督学习人脸识别算法(不使用标签 信息)有着各自的优势和缺点，任意一种都无法保证所开发的算法兼具优秀的泛化性能和 辨识能力，本发明旨在提出一种基于非平衡标签信息融合的人脸识别算法架构，结合监督 学习人脸识别算法和无监督学习算法各自的优势，充分发挥海量无标签数据的作用，从而 使算法既能够在特定场景下具备优秀的识别能力，又可以适应不同场景。
[0005] 为了实现上述目的，本发明采用如下技术方案：
[0006] 基于非平衡标签信息融合的人脸识别算法架构，包括如下两层架构：
[0007] L1先进行监督步骤:将有标签的人脸数据和对应的标签信息作为输入，利用监督 学习算法得到初始化人脸识别模型一;然后以所述初始化人脸识别模型一为输入，采用无 监督方法训练一定量的无标签人脸数据得到最终的人脸识别模型一:先预测所述无标签人 脸数据的标签信息，然后以所述无标签人脸数据和预测出的标签信息更新模型参数，按此 进行多次迭代；
[0008] L2先随机初始化模型参数得到初始化人脸识别模型二，然后对所述初始化人脸识 别模型二按照L1的无监督方法进行训练得到优化后的人脸识别模型二;然后对于优化后的 人脸识别模型二输入有标签的人脸数据和对应的标签信息，利用监督学习算法继续训练， 得到最终的人脸识别模型二；
[0009] 融合L1中最终得到的人脸识别模型一和L2中最终得到的人脸识别模型二即可得 到最终的人脸识别模型。
[0010] 需要说明的是，L1中，以所述初始化人脸识别模型一为输入，采用无监督方法训练 一定量的无标签人脸数据得到最终的人脸识别模型一:先预测所述无标签人脸数据的标签 信息，然后以所述无标签人脸数据和预测出的标签信息更新模型参数，按此进行多次迭代 的具体方法为：
[0011] 将所述初始化人脸识别模型一作为输入，固定模型参数，利用聚类算法预测无标 签人脸数据的标签信息，然后将所述无标签人脸数据和预测出的标签信息作为输入，更新 所述初始化人脸识别模型一的模型参数；
[0012] 此后每次迭代中，均将前一次迭代后的模型作为输入，在固定模型参数的条件下 利用聚类算法预测无标签人脸数据的标签信息，然后将所述无标签人脸数据和预测出的标 签信息作为输入，更新本次迭代中作为输入的模型的模型参数；
[0013] 如此经过多次迭代后，得到最终的人脸识别模型一。
[0014] 需要说明的是，L1中，采用卷积神经网络作为监督学习算法。
[0015] 进一步需要说明的是，所述卷积神经网络的输入为切分后的人脸图像，使用不同 区域和尺度的人脸图像块来进行训练得到初始化人脸识别模型一;所述卷积神经网络最后 一层Softmax除了使用Logistic Regression作为识别信号外，还在目标函数上添加了验证 信号，通过加权的方式进行组合。
[0016] 更进一步需要说明的是，步骤1.1)中所述识别信号如下式：
[0017] !d(/', i, 0kl) = - ΣΓ=1 -Pi logp： = - log/3,；
[0018] f是由所述卷积神经网络计算得到的向量，t是目标类别，η是类别数，0ld是Softmax 层的参数，Pl是类别i的概率分布，当类别是目标类别tg卩i = t时，pt=l，对于其他任意i，Pl =〇，爲,是类别i的预测的概率分布，则是目标类别t的预测的概率分布；
[0019] 所述验证信号如下式：
[0021 ] f i和f j是两张人脸图像经过所述卷积神经网络计算得到的向量，yij = 1和yij = _1 分别表示两个向量fi和fj来自同一个目标和来自不同目标;上式要求两个向量fi和fj的距 离大于m，0ver={ m}是需要从验证信号的约束中学习得到的。
[0022] 需要说明的是，在L1和L2的无监督训练中，当经过迭代计算累计的损失达到收敛 条件后，迭代结束；
[0023] 所述经过迭代计算后累计的损失通过下式得到：
[0024] L(y,S|〇 = Σ?^χ^^?Ο；
[0025] 其中，I代表无标签人脸图像，炉是在第t轮计算时的模型参数是第t轮计算时 的目标标签信息，T为累计迭代次数，P代表第t次迭代的损失，0和7分别代表经过T次迭代 后的得到的模型参数和无标签人脸数据预测得到的标签信息；
[0026] 其中：
[0027] 经过T次迭代后，预测无标签人脸数据的标签信息累计的损失按照下式计算：
[0028] 1{γ\?,θ) =
[0029] 经过Τ次迭代后，利用预测得到的无标签人脸数据的标签信息进行优化模型参数 所累计的损失按照下式计算：
[0030] L(0|/,y) =
[0031] 进一步需要说明的是，第t轮迭代计算时的损失计算如下式：
[0033] ￡?表示第t轮迭代计算时图像所属类别为&，/^是第t轮计算时图像所属类别匕 的KC个近邻，以降序方式标号，代表类别匕的以个近邻中的最近邻，A( ·)是相似度 计算函数;在第t轮迭代时，上式第一项表示的是匕与其最近邻之间的距离，第二项则考虑 到了多个近邻的局部结构信息，要求最近邻与匕尽量地相似，同时排名靠后的近邻与G的相 似度要尽量小，γ表示权重。
[0034]本发明的有益效果在于：
[0035] 1、L1最终生成的人脸识别模型一由于后续训练中加入了无标签人脸数据，并且采 用了交替优化的策略，使得之前用有标签数据训练得到模型的参数发生变化，在降低了模 型对有标签数据的针对性的同时提升了泛化能力，从而让模型具备更