一种基于融合深度卷积神经网络与度量学习人脸识别方法.docVIP

一种基于融合深度卷积神经网络与度量学习的人脸识别方法 　　摘 要： 现有的卷积神经网络方法大多以增大类间距离为学习目标，而忽略类内距离的减小，这对于人脸识别来说，将导致一些非限制条件下（如姿态、光照等）的人脸无法被准确识别，为了解决此问题，提出一种基于融合度量学习算法和深度卷积神经网络的人脸识别方法。首先，提出一种基于多Inception结构的人脸特征提取网络，使用较少参数来提取特征;其次，提出一种联合损失的度量学习方法，将分类损失和中心损失进行加权联合;最后，将深度卷积神经网络和度量学习方法进行融合，在网络训练时，达到增大类间距离同时减小类内距离的学习目标。实验结果表明，该方法能提取出更具区分性的人脸特征，与分类损失方法及融合了其他度量学习方式的方法相比，提升了非限制条件下的人脸识别准确率。 　　关键词： 多Inception结构; 深度卷积神经网络; 度量学习方法; 深度人脸识别; 特征提取; 损失函数融合 　　中图分类号： TN711?34; TP391.41 文献标识码： A 文章编号： 1004?373X（2018）09?0058?04 　　Abstract： The current convolutional neural network （CNN） methods mostly take the increase of inter?class distance as the learning objective， but ignore the decrease of intra?class distance， which makes that the human face can′t be recognize accurately under some unrestricted conditions （such as posture and illumination）. In order to eliminate the above problem， a face recognition method based on deep CNN and metric learning method is proposed. A face feature extraction network based on multi?Inception structure is presented to extract the feature with less parameters. A metric learning method based on joint loss is presented to perform the weighting joint for the softmax loss and center loss. The deep CNN and metric learning method are fused to reach the learning objective of inter?class distance increase and intra?class distance decrease. The experimental results indicate that the proposed method can extract the more discriminative facial features， and improve the more face recognition accuracy under unrestricted conditions than the Softmax loss method and methods fusing other metric learning modes. 　　Keywords： multi?Inception structure; deep CNN; metric learning method; deep face recognition; feature extraction; loss function fusion 　　0 引 言 　　近年来，基于卷积神经网络的方法在人脸验证识别领域取得了显著的成就，相对于基于手工提取特征的方法[1?2]，卷积神经网络方法能获得更高的准确率。 　　目前，大部分基于CNN的特征提取网络使用分类损失（Softmax Loss）作为网络训练的监督信号，这些网络以分类为学习目标，在训练过程中不同类别之间的距离会逐渐增大。Deepface[3]使用分类网络方法，同时使用复杂的3D对齐方式和大量的训练数据。DeepID1[4]则是首先对人脸图片进行分块，然后使用多个分类网络对不同人脸块进行特