基于多任务级联CNN与三元组损失的人脸识别

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,对于传统CNN分类模型特征判别能力较弱。针对以上两点不足,提出了用Mtcnn代替DLIB做人脸检测,并且以L2损失与三元组损失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,减少计算量与存储空间,提高识别率。实验表明,进行人脸检测对齐的测试集比没有进行此过程的识别率要高1%左右,且人脸识别模型通过度量学习使特征更具有区分能力。在LFW标准测试集上取得了较高识别率,在自己创建的人脸图片上成功验证了该算法的度量学习的性能。