基于多任务级联CNN与中心损失的人脸识别

摘要

开源机器学习库DLIB中的人脸检测对齐任务的运行时间长,检测精度不高,以及用三元组损失训练的模型收敛速度较慢.针对以上三点不足,提出了用mtcnn代替DLIB做人脸检测,并且以用softmax loss和center loss相结合的总损失函数来训练卷积神经网络.首先,将公开的海量人脸数据集做人脸对齐.然后,以总损失函数作为监督信号来完成BP前向传播,使得类内距离小,类间距离大,提高模型的特征辨识能力.最后,对人脸特征进行embedding,由高维度映射到低维度,减少参数量,提高识别率.实验表明,人脸检测对齐后的测试集比原始测试集在识别率上要高1％左右,并且mtcnn在运算速度和检测精度上优越于DLIB.用总损失函数训练的模型经过调参调优阶段在LFW标准测试集上识别率为99.6％,同时在megface标准的人脸库上也有较高的识别率.用自己创建的三张人脸图片成功验证了度量学习的特性.