一种基于元迁移学习的人脸识别方法及其识别系统与流程

1.本发明涉及人脸识别技术，特别是涉及一种基于元迁移学习的人脸识别方法及其识别系统。


背景技术：

2.专利cn108446689a一种人脸识别方法(在审)公开了一种人脸识别方法，包括以下步骤：第一步、读取人脸图像样本数据集；第二步、建立深度卷积神经网络，所述深度卷积神经网络中引入残差单元；第三步、利用梯度下降算法更新深度卷积神经网络参数，首先通过所述深度卷积神经网络将所述样本数据集的人脸图像映射成512维特征向量；计算损失函数及损失函数的梯度，所述损失函数由softmax函数和a
‑
softmax函数加权构成，并根据损失函数的梯度下降距离是否小于预设阈值更新深度卷积神经网络的参数；第四步、通过更新参数后的深度卷积神经网络进行人脸识别。
3.综上所述，现有技术当中，所涉及到的样本训练均是在离线的环境下进行训练，无法实现样本的实时训练，因此，该问题有待解决。


技术实现要素：

4.有鉴于此，本发明的目的在于提供一种基于元迁移学习的人脸识别方法及其识别系统，用以解决背景技术中提及的样本训练无法实时化的问题。
5.为了到达上述目的，本发明采用如下技术方案：
6.一种基于元迁移学习的人脸识别方法，包括如下步骤：
7.步骤s1、在离线环境下，加载预训练模型，将预先储存非目标集划分为训练集和验证集，使用非目标集中的训练集对该预训练模型进行预训练，获取并保存训练参数；其中，在预训练的过程中，所述预训练模型采用使用resnet网络，使用basicblock作三层网络，优化器使用随机梯度下降方法，损失函数使用交叉熵；
8.步骤s2、基于元学习框架，训练元批次任务，获取并保存基于离线环境下的识别模型；其中，在元批次训练的训练过程中，采用与步骤s1中相同的resnet网络为基础，并且从步骤s1中获取的训练参数作权重初始化，得到修改的后的resnet网络，训练scaling和shifting参数，对模型进行迁移和微调；
9.步骤s3、通过预先储存的非目标集中的验证集对步骤s2中获取到的识别模型验证，若满足预先设定的识别率，则进行步骤s4,若不满足，则回到步骤s2中再一次执行元批次任务的训练，直至满足所述预先设定的识别率；
10.步骤s4、将获取到的待检测人脸图像作为输入，对通过所述验证集验证的识别模型进行再次训练，得到并且保存基于在线环境下的识别模型，并且将该识别模型的输出作为识别结果。
11.进一步的，所述训练集中的图像为非目标集中的人脸图像，其标签和与目标集的标签无交集。
12.一种基于元迁移学习的人脸识别方法的识别系统，包括：摄像头模块、数据库储存模块、运算控制平台、屏幕显示模块和大数据样本集；
13.所述摄像头模块用于获取人脸图像，被获取到的人脸图像被存入所述数据库储存模块中；
14.所述大数据样本集中包括训练集和验证集；
15.所述运算控制平台中包括处理器，所述处理器被配置为：
16.在离线环境下，加载预训练模型，通过所述训练集对该预训练模型进行预训练，获取并保存训练参数；其中，在预训练的过程中，所述预训练模型采用使用resnet网络，使用basicblock作三层网络，优化器使用随机梯度下降方法，损失函数使用交叉熵；基于元学习框架，训练元批次任务，获取并保存基于离线环境下的识别模型；其中，在元批次训练的训练过程中，采用相同的resnet网络为基础，并且从预训练中获取的训练参数作权重初始化，得到修改的后的resnet网络，训练scaling和shifting参数，对模型进行迁移和微调；通过所述验证集对该基于离线环境下的识别模型进行验证，最后将所述数据库储存模块中的待检测人脸图像作为输入，对通过了验证集验证的基于离线环境下的识别模型进行再次训练，得到并且保存基于在线环境下的识别模型，并且将该识别模型的输出作为识别结果；
17.所述屏幕显示模块获取并且显示所述识别结果。
18.本发明的有益效果是：
19.1、本发明能够实现人脸实时的在线采集和训练功能；
20.2、本发明采用的离线模型具有泛化能力，减少在线训练时间；
21.3、本发明的图像采集仅仅需要极少的样本量即可进行训练。
附图说明
22.图1为实施例1中提供的基于元迁移学习的人脸识别系统的系统结构图；
23.图2为实施例1中基于元迁移学习的识别模型的训练流程图。
具体实施方式
24.为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
25.实施例1
26.参见图1，本实施例提供一种基于元迁移学习的人脸识别系统，包括：摄像头模块、数据库储存模块、运算控制平台、屏幕显示模块和大数据样本集；
27.摄像头模块用于获取人脸图像，被获取到的人脸图像被存入数据库储存模块中；
28.数据采集模块用于数据库存储，保存人脸识别系统历史存储的人脸图像，以及对应人员的相关信息，如姓名、工号、打卡时间等等；
29.运算控制平台，用于支持整个系统的运行，实现数据的存储和程序的调用，其中包括已经过训练以及测试的人脸识别模型，人脸识别模型对数据库储存模块中的人脸图像进行识别，生成识别结果，并将识别结果传输至屏幕显示模块中；
30.屏幕显示模块接收并且显示识别结果，并且还可以显示出摄像头模块拍摄画面，具体的说，该显示识别结果具体为待识别人的身份信息。
31.大数据样本集中包括用于对人脸识别模型进行训练的训练集以及对人脸识别模型进行测试的验证集；其中，
32.人脸识别模型采用元迁移学习框架，训练元批次任务，得到离线结果的模型。训练过程分为三部分：预训练、元批次训练和测试验证。在离线环境下，通过大数据样本集中的训练集对该预训练模型进行预训练。其中，训练集和验证集是非目标集中的人脸图像，其标签和与目标集的标签无交集。预训练过程使用resnet网络，作三层神经网络，优化器使用随机梯度下降方法，损失函数使用交叉熵(cross entropy)。其次，将大数据样本分拣成元批次任务，采用相同的resnet网络，将预训练中得到的训练参数作权重初始化，使用修改的resnet网络，训练scaling和shifting参数，对模型进行迁移和微调。最后，将待检测目标任务的图像照片作为训练集输入，微调已经得到的模型，获取并保存基于在线环境下的识别模型。此时，即可将待检测目标准确识别，作为在线识别系统使用。
33.实施例2
34.参见图2，本实施例提供一种基于元迁移学习的人脸识别方法，包括如下步骤：
35.步骤s1、在离线环境下，加载预训练模型，将预先储存非目标集划分为训练集和验证集，使用非目标集中的训练集对该预训练模型进行预训练，获取并保存训练参数；其中，在预训练的过程中，所述预训练模型采用使用resnet网络，使用basicblock作三层网络，优化器使用随机梯度下降方法，损失函数使用交叉熵；
36.步骤s2、基于元学习框架，训练元批次任务，获取并保存基于离线环境下的识别模型；其中，在元批次训练的训练过程中，采用与步骤s1中相同的resnet网络为基础，并且从步骤s1中获取的训练参数作权重初始化，得到修改的后的resnet网络，训练scaling和shifting参数，对模型进行迁移和微调；
37.步骤s3、通过预先储存的非目标集中的验证集对步骤s2中获取到的识别模型验证，若满足预先设定的识别率，则进行步骤s4,若不满足，则回到步骤s2中再一次执行元批次任务的训练，直至满足所述预先设定的识别率；
38.步骤s4、将获取到的待检测人脸图像作为输入，对通过所述验证集验证的识别模型进行再次训练，得到并且保存基于在线环境下的识别模型，并且将该识别模型的输出作为识别结果。
39.步骤s5、屏幕显示模块获取并且显示识别结果。
40.本发明未详述之处，均为本领域技术人员的公知技术。
41.以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。