一种基于烟花算法改进卷积神经网络的脸部识别方法

技术领域

本发明属于计算机视觉技术与人脸识别技术领域，特别是涉及一种基于烟花算法改进卷积神经网络的脸部识别方法。

背景技术

当今科技飞速发展，我们已经全面进入了信息化时代，而人脸识别技术正是科技发展带来的产物，现在已经在很多场景下使用，例如，火车进站，宿舍楼宇进出的闸机，银行安全检查，网络寻人等。在我国，人脸识别技术虽然起步较晚，但在我国大力支持下发展的十分迅速。许多高校在计算机视觉，模式识别，人工智能及深度学习方面大力开展科研培养新型人才，并且取得很好的成绩。信息化时代，许多人担心信息安全的问题，事实上许多早期普遍使用的身份验证方法随着时代演变已不具有完整的安全性，因为这类信息极易被伪造。目前能够实际应用任意背景的通用型人脸识别系统还没有出现。如何在人脸识别系统的使用过程中，进一步提高人脸识别的效果，是本专利要解决的技术问题。

发明内容

为了解决上述问题，本发明基于烟花算法优化卷积神经网络模型先提取输入人脸的基础特征，然后将人脸识别子模型所包含的全局信息与身份信息融入属性分类子模型中来帮助提升属性分类的效果，并且引入一个对抗网络来进一步提升人脸识别的精确度。

本发明提供一种基于烟花算法改进卷积神经网络的脸部识别方法，如图1-3所示，包括以下步骤：

S1.建立人脸数据库，基于所述人脸数据库，设置人脸属性标签，构建人脸标签数据集，其中，所述人脸标签数据集，包括训练集、验证集、测试集；

S2.基于烟花算法，构建初始卷积神经网络模型，其中，所述卷积神经网络模型，包括，损失函数、激活函数、分类器；

S3.基于所述训练集、验证集，对所述初始卷积神经网络模型，进行训练，得到目标卷积神经网络模型，通过所述测试集对所述目标卷积神经网络进行测试，得到卷积神经网络模型；

S4.基于所述人脸标签数据集，通过所述卷积神经网络模型，获得所述人脸标签数据集的人脸属性特征和人脸全局特征，基于所述人脸属性特征和人脸全局特征，对目标人脸图像进行识别，其中，所述目标人脸图像，为录入到所述人脸数据库的人脸图像。

优选地，所述训练集、验证集、测试集的比例为2:2:1。

优选地，所述卷积神经网络模型的迭代次数为1000次。

优选地，所述S2包括以下步骤：

S2.1.设置初始种群、最小迭代次数、最大迭代次数、烟花爆炸半径、火花个数、火花第一边界、火花第二边界；

S2.2.基于所述烟花算法，通过所述初始种群，获得火花解码，基于所述火花解码的个数，获得火花维度，基于所述火花解码和火花维度，构建火花向前传播模型；

S2.3.基于所述火花向前传播模型，构建误差偏量模型，通过所述误差偏量模型，基于所述最小迭代次数、最大迭代次数，判断是否更新火花位置，如果否，停止算法，如果是，执行S2.4；

S2.4.基于火花位置向量、火花位置适应度，通过设置固定常数，依据所述烟花爆炸半径、火花第一边界、火花第二边界，构建火花位置模型和火花数量模型，其中，通过所述火花数量模型，计算所述火花个数；

S2.5.基于所述火花位置模型和火花数量模型，构建所述初始卷积神经网络模型，其中，所述火花位置模型对应所述初始卷积神经网络模型的权值，所述初始卷积神经网络模型，基于所述激活函数，通过所述权值，实现网络层层映射，得到输出结果。

优选地，所述S2.4还包括以下步骤：

S2.4.1.基于高斯变异算法，依据所述火花第一边界、火花第二边界，通过所述烟花爆炸半径，构建超出所述烟花爆炸半径的火花映射模型；

S2.4.2.基于所述火花映射模型，基于所述火花位置适应度，构建候选个体概率模型；

S2.4.3.基于候选个体概率模型，通过所述火花位置向量和固定常数，构建所述火花位置模型和火花数量模型。

优选地，所述S2.4.2包括，基于所述火花位置适应度的最小值，确定下一火花种群个体，基于所述火花位置适应度的其余适应度，通过轮盘赌方式，构建候选个体概率模型。

优选地，所述S2.5，还包括，在完成一次网络层层映射后，返回步骤S2.3。

优选地，所述卷积神经网络模型，还包括对抗网络模型；用于提高所述卷积神经网络模型的学习能力和精确度；

所述对抗网络模型的构建方法，包括以下步骤：

S3.1.基于所述人脸图片，将所述人脸图片通过主成分分析法压缩降维后的向量输入到所述对抗网络模型的生成器中，生成所述人脸图片的假人脸图片

S3.2.所述假人脸图片和人脸图片通过所述对抗网络模型的判别器，基于所述分类器，获得判别器反馈结果；

S3.3.基于所述判别器反馈结果，调整所述生成器和判别器的资自身网络参数，用于实现最小化生成器损失函数同时最大化判别器损失的目的，直到所述损失函数趋于平衡。

本发明的积极进步效果在于：

本发明通过以上的操作得到人脸识别的模型，现在只需将通过摄像头采集到的人脸图片输入到训练好的模型当中，通过该图片在模型中获取的特征向量与库中的模型向量相对比，若在一定程度误差之内，则识别成功。

附图说明

图1为本发明所述的基于烟花算法优化卷积神经网络用于人脸识别系统的流程图；

图2为本发明所述的对抗网络的流程示意图；

图3为本发明所述的卷积神经网络训练方法示意图。

具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。本实施例中基于烟花算法优化卷积神经网络模型先提取输入人脸的基础特征，然后将人脸识别子模型所包含的全局信息与身份信息融入属性分类子模型中来帮助提升属性分类的效果，并且引入一个对抗网络来进一步提升人脸识别的精确度。具体步骤如下：

1.录入人脸10000张，建立人脸数据库，每张照片有对应的身份标签，1表示人脸图片包括该人脸属性，0表示不包括，比如:在男性标签中，1表示该样本为男性，0则表示为女性。人脸身份标签为1到10000之间的一个数字，两张人脸身份标签为同一个数字即表示他们属于同一个身份，若他们身份标签数字不同则表示他们不属于同一个身份。

2.将10000张中4000张做训练集，4000张做验证集，剩下2000张做测试集。训练集和验证集中的数据将用于对模型进行训练，测试集中的数据将用于对训练的模型的性能进行评估。

3.通过设计的卷积神经网络模型对预处理后的人脸图像样本提取出属性特征和人脸全局特征，搭建卷积神经网络，选择Categorical_crossentropy作为损失函数，sigmoid作为激活函数，Softmax作为分类器，迭代1000次。

步骤1：设置初始种群N，其对应的是卷积神经网络参数的范围；设置当前迭代次数iter，最大迭代次数为iter_max；控制爆炸半径和产生烟火数分别为

步骤2.卷积神经网络的训练过程可以分为前向传播和反向传播两部分，前向传播主要是通过逐层的参数传递和特征提取得到最终的输出结果，并且将模型输出与目标值进行对比得到一个误差偏量，前向传播的过程可以用以下公式表示，其中X

y′＝F

将烟花算法产生的火花解码为卷积神经网络各层的参数，参数的个数对应火花的维度，代入上面公式，得到最终的输出。

步骤3.将输出结果代入LossFunction中计算得到误差(适应度值)，其中a表示模型的输出结果，y分类标签。当y＝1时，表示正确类的标签，y＝0时，表示错误的标签。

步骤4.烟花种群寻优，在步骤3的基础之上，对于每一个烟花个体X

式中X

步骤5.烟花爆炸产生火花后，为了保证烟花的多样性，烟花算法中还加入了变异机制，公式(3)表示的是高斯变异的计算方法，其中Gaussian(-1,1)～N(0,1)：

烟花的爆炸空间不是无限度的，对于超出搜索边界的火花，烟花算法设置了一种映射规则，如公式(4)所示，式中

步骤6.选择下一代烟花种群，对于步骤4和步骤5中经过爆炸和变异操作后的烟花个体X

其中，R(X

步骤7.判断误差是否达到阈值范围最小值或达到最大迭代次数，若达到则停止算法；若还未收敛，则执行以下公式来更烟花的位置，得到下一轮的参数值。

步骤8.将更新后的烟花位置一一对应成网络的权值，即得到新一轮的训练参数，继续完成网络的层层映射，直到输出预测的结果并返回步骤3。

4.本专利在搭建卷积神经网络的同时引入一个对抗网络，以此来提高该模型的学习能力和精确度，具体步骤如下：

步骤1：将图片通过主成分分析法压缩降维后的向量输入进对抗网络中的生成器中，生成类似真图片的假图片。

步骤2：将假图片和真图片作为判别器的输入数据，判别器通过多层卷积网络提取数据特征对图片进行分类；

步骤3：根据判别器的反馈结果，生成器和判别器调整自身网络参数，达到最小化生成器损失函数同时最大化判别器损失的目的，直到模型损失趋于平衡。

5.至此得到优化好的卷积神经网络，将训练集和验证集输入网络进行训练。将测试集的图片输入训练好的网络中，查看训练的效果。

6.通过以上的操作得到人脸识别的模型，现在只需将通过摄像头采集到的人脸图片输入到训练好的模型当中，通过该图片在模型中获取的特征向量与库中的模型相对比，若在一定程度误差之内，则识别成功。

以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围。都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。