一种基于深度学习和迁移学习的人脸算法模型训练方法与流程

技术特征：

1.一种基于深度学习和迁移学习的人脸算法模型训练方法，其特征在于，包括以下步骤：

步骤1：在收集的大库容样本的纯人像数据集上，采用卷积神经网络进行训练，得到预训练模型，其中，卷积神经网络模型依次包括训练数据层、卷积层、激活层、池化层、全连接层和损失层；

步骤2：以步骤1的预训练模型为训练起点，采用迁移学习，拷贝步骤1中全连接层之前的网络参数，在人证数据集上重点训练人证卷积神经网络的全连接层和损失层，得到最终模型。

2.如权利要求1所述的一种基于深度学习和迁移学习的人脸算法模型训练方法，其特征在于，所述的数据层的训练包括以下步骤：

s1：人脸检测：输入一张包含人脸的图片，采用级联结构和多层神经网络去检测人脸所在位置；

s2：关键点定位：根据检测到的人脸，采用由粗到精的自编码器网络提取到5个关键点：左眼中心、右眼中心、鼻尖、左嘴角和右嘴角；

s3：人脸预处理：利用s2步骤中检测到的5个关键点与5个给定的标准关键点的相似变换，对齐s1步骤中检测的人脸图像，且对齐后的图像具有相同尺寸。

3.如权利要求1所述的一种基于深度学习和迁移学习的人脸算法模型训练方法，其特征在于，所述的卷积神经网络训练的损失函数采用的是softmaxloss和centerloss，计算公式是：

其中，是总的损失；是softmaxloss，可以增大类间差距；是centerloss，可以学习一个类的中心并减少类内距离；λ是中心损失所占权重。

4.如权利要求1所述的一种基于深度学习和迁移学习的人脸算法模型训练方法，其特征在于，所述的步骤2中，将全连接层之前的各层的学习速率设为0或者减小全连接层之前的各层的学习速率。

5.如权利要求1所述的一种基于深度学习和迁移学习的人脸算法模型训练方法，其特征在于，将根据步骤1得到的预训练模型用人脸识别国际权威的评测集进行比对，测试预训练模型的准确率，所述的评测集包括lfw和megaface。