面向人脸识别的Small-FRNet模型研究*

黄跃俊， 白 创

(长沙理工大学 物理与电子科学学院,湖南 长沙 410114)

0 引 言

人脸识别技术作为一门重要的生物特征识别技术，已被广泛应用于身份验证领域。传统人脸识别方法多是基于人工特征加分类器的思路，而人工特征属于浅层表示，不足以表达高维的非线性人脸特征，导致人脸识别精度偏低[1]。由于卷积神经网络(convolutional neural network,CNN)能通过训练学习到深层次的隐性人脸特征，极大地提高了人脸识别准确率，因此,在人脸识别领域得到了广泛的研究和应用[2]。

近年来，Taigman Y等人[3]提出的DeepFace采用尺寸较大的卷积核，引入多个权重不共享的局部卷积层，增加了特征的多样性。文献[4,5]提出的DeepID系列网络，通过扩大卷积层的通道数、采用连续卷积层等来增加网络的宽度和深度，同时扩充训练集，使得网络性能有了较大的提升。Schroff F等人[6]提出的FaceNet采用三元组损失函数，提高了特征的判别性，但三元组的选择容易受坏数据的影响，导致模型陷入局部最优乃至崩溃。

这些卷积网络结构虽然通过增加网络的层数能提高人脸识别精度，但网络参数量和计算量也会成倍增加，需要耗费更多的硬件资源和推理时间。针对卷积神经网络参数多、计算开销大及推理时间长的问题，采用了深度可分离卷积(depth separable convolution)和全局平均池化技术对卷积神经网络结构进行设计，同时通过加入中心损失优化目标函数，提出一种小型、识别精度更高的Small-FRNet(small face recognition network)模型。

1 Small-FRNet模型

1.1 传统卷积神经网络

图1为LeNet—5卷积神经网络。如图1所示，传统卷积神经网络由输入层、隐含层和输出层三个部分组成。……