技術(shù)特征：

1.基于多區(qū)域特征與度量學(xué)習(xí)的人臉特征識別方法，其特征在于，包括如下步驟：

通過多尺度人臉區(qū)域訓(xùn)練得到相應(yīng)位置與尺度的卷積神經(jīng)網(wǎng)絡(luò)參數(shù)，并根據(jù)所述卷積神經(jīng)網(wǎng)絡(luò)參數(shù)提取出人臉對應(yīng)區(qū)域的特征；

對上述特征進行篩選，得到高維人臉特征；

根據(jù)所述高維人臉特征進行度量學(xué)習(xí)，將特征進行降維處理得到特征表達后定義損失函數(shù)，通過所述損失函數(shù)訓(xùn)練得到度量學(xué)習(xí)的網(wǎng)絡(luò)模型；

將待識別的圖像輸入所述網(wǎng)絡(luò)模型后，將人臉特征進行降維后利用歐幾里得距離進行識別。

2.根據(jù)權(quán)利要求1所述的人臉特征識別方法，其特征在于，所述多尺度人臉區(qū)域訓(xùn)練進一步包括如下步驟：

對于每一張輸入的人臉圖片進行人臉檢測與關(guān)鍵點標注，得到人臉框R和N個人臉關(guān)鍵點位置{P₁，P₂，P₃，...，P_N}；

基于人臉關(guān)鍵點選取不同位置與尺度的人臉區(qū)域進行訓(xùn)練，得到人臉框的不同尺度輸入和不同位置輸入，進而得到多位置、多尺度的人臉區(qū)域及其卷積神經(jīng)網(wǎng)絡(luò)參數(shù)。

3.根據(jù)權(quán)利要求1所述的人臉特征識別方法，其特征在于，根據(jù)所述卷積神經(jīng)網(wǎng)絡(luò)參數(shù)提取出人臉對應(yīng)區(qū)域的特征并進行選擇的方法具體為：

設(shè)人臉圖片測試集的大小為N_test，對其中的任一張圖片IMG_i，進行人臉檢測和關(guān)鍵點標注，根據(jù)訓(xùn)練過程中的多區(qū)域的人臉選擇，截取對應(yīng)的多個區(qū)域，并分別輸入到對應(yīng)的卷積神經(jīng)網(wǎng)絡(luò)里計算；

對于每張人臉圖片得到多個區(qū)域?qū)?yīng)的特征，分別計算多個特征中的每一個特征對于圖片測試集上N_test張圖片的識別性能并繪制出ROC曲線；

根據(jù)ROC曲線選擇出人臉對應(yīng)區(qū)域的特征，作為度量學(xué)習(xí)需要的特征，并保留對應(yīng)特征區(qū)域的卷積神經(jīng)網(wǎng)絡(luò)參數(shù)用作特征提取。

4.根據(jù)權(quán)利要求3所述的人臉特征識別方法，其特征在于，根據(jù)所述高維人臉特征進行度量學(xué)習(xí)具體包括如下步驟：

設(shè)人臉圖片訓(xùn)練集的大小為N_train，對于其中的圖片進行人臉檢測和關(guān)鍵點標注，并根據(jù)上述的卷積神經(jīng)網(wǎng)絡(luò)參數(shù)計算提取特征，得到數(shù)據(jù)量為N_train的高維人臉特征訓(xùn)練集，

記上述特征訓(xùn)練集中樣本的所有類別標簽數(shù)量為L，則類別標簽的集合為T＝{t₁，t₂，...，t_L}，

在訓(xùn)練集中隨機選取m個樣本X₁＝{x_1，1，x_1，2...x_1，N}，X₂＝{x_2，1，x_2，2...x_2，N}，…,X_m＝{x_m，1，x_m，2...x_m，N}，

樣本對應(yīng)的類別標簽為:Y_batch{y₁，y₂，...，y_m}，y_i∈T，i＝1，2，...，m

將上述數(shù)據(jù)記為一個訓(xùn)練組，對訓(xùn)練組的m個數(shù)據(jù)加入網(wǎng)絡(luò)中訓(xùn)練記為一個訓(xùn)練輪，一個訓(xùn)練組訓(xùn)練完成記為一輪訓(xùn)練完成，且每一輪訓(xùn)練的m個樣本均是獨立隨機選??；

在所述的一訓(xùn)練組中定義集合P和N如下：

P＝{(i，j)|i≠j且y_i＝y(tǒng)_j,i=1，2，...，m}

N＝{(i，j)|i≠j且y_i≠y_j,i=1，2，...，m}

其中，P為所有正樣本對的下標的集合，N為所有負樣本對的下標集合。

5.根據(jù)權(quán)利要求4所述的人臉特征識別方法，其特征在于，將人臉特征進行降維處理得到特征表達后定義損失函數(shù)對網(wǎng)絡(luò)進行訓(xùn)練的方法具體為：

設(shè)W₁，W₂分別為訓(xùn)練網(wǎng)絡(luò)第一層和第二層的權(quán)重，b₁，b₂分別為第一層和第二層的偏置項，激活函數(shù)為g(x)＝max(0，x)，

在訓(xùn)練批次中，所述訓(xùn)練網(wǎng)絡(luò)第一層的網(wǎng)絡(luò)輸出分別為：

$\begin{array}{cccc}{U}_1=g(W_1^T{X}_1+b_1),& U_2=g(W_1^T{X}_2+b_1),& ...,& U_m=g(W_1^T{X}_m+b_1)\end{array}$

所述訓(xùn)練網(wǎng)絡(luò)第二層的網(wǎng)絡(luò)輸出分別為：

$\begin{array}{cccc}{V}_1=g(W_2^T{U}_1+b_2),& V_2=g(W_2^T{U}_1+b_2),& ...,& V_m=g(W_2^T{U}_m+b_2);\end{array}$

記為所有類別標簽對應(yīng)的特征經(jīng)過第一層網(wǎng)絡(luò)后的輸出U的聚類中心，

每一輪訓(xùn)練前，更新k＝1，2，...，L，

對于一個訓(xùn)練組的m個樣本，定義第一個度量學(xué)習(xí)的損失函數(shù)：

$L_1=\frac{1}{2}{\mathrm{\Σ}}_{i=1}^m\left|\right|U_i-C_{y_i}|{|}_2^2;$

對所述訓(xùn)練網(wǎng)絡(luò)第二層的網(wǎng)絡(luò)，

定義

定義第二個度量學(xué)習(xí)的損失函數(shù)：

$L_2=\frac{1}{2\left|P\right|}\underset{(i,j)\∈P}{\Σ}max{(0,{\tilde{L}}_{i,j})}^2$

其中：

式中γ為常量。

最終得到總的損失函數(shù)為：L＝L₁+θ·L₂，其中θ為兩者的比例參數(shù)，利用上述損失函數(shù)，訓(xùn)練一設(shè)定輪數(shù)后保存模型中的參數(shù)W₁，b₁，作為度量學(xué)習(xí)的網(wǎng)絡(luò)模型。

6.一種基于如權(quán)利要求1-5任一項所述的人臉特征識別方法的識別系統(tǒng)，其特征在于，對于輸入的第一測試圖片和第二測試圖片，所述識別系統(tǒng)被配置為：

S1對其進行人臉檢測和關(guān)鍵點識別，選出經(jīng)過選擇的人臉區(qū)域，并加入到卷積神經(jīng)網(wǎng)絡(luò)中計算并歸一化，得到第一測試圖片的高維特征X₁和第二測試圖片的高維特征X₂；

S2將兩個高維特征X₁和X₂輸入到度量學(xué)習(xí)算法得到的模型中，得到測試第一測試圖片的降維特征U₁和第二測試圖片的降維特征U₂；

S3計算U₁和U₂間的歐式距離為D，將D與判別閾值Th進行比較，

S4若D≤Th,則判定兩張人臉測試圖片屬于同一個人；

S5否則這兩個人臉測試圖片不屬于同一個人。

7.基于多區(qū)域特征與度量學(xué)習(xí)的人臉特征識別系統(tǒng)，其特征在于，包括：神經(jīng)卷積訓(xùn)練單元、度量學(xué)習(xí)模型單元以及判別單元，

所述神經(jīng)卷積訓(xùn)練單元，用以通過多尺度人臉區(qū)域訓(xùn)練得到相應(yīng)位置與尺度的卷積神經(jīng)網(wǎng)絡(luò)參數(shù)，并根據(jù)所述卷積神經(jīng)網(wǎng)絡(luò)參數(shù)提取出人臉對應(yīng)區(qū)域的特征；以及對上述特征進行篩選，得到高維人臉特征；

所述度量學(xué)習(xí)模型單元，用以根據(jù)所述高維人臉特征進行度量學(xué)習(xí)，將特征進行降維處理得到特征表達后定義損失函數(shù)，通過所述損失函數(shù)訓(xùn)練得到度量學(xué)習(xí)的網(wǎng)絡(luò)模型；

所述判別單元，用以將待識別的圖像輸入所述網(wǎng)絡(luò)模型后，將人臉特征進行降維后利用歐幾里得距離進行識別。

8.基于多區(qū)域特征與度量學(xué)習(xí)的人臉特征識別系統(tǒng)，其特征在于，部署多個服務(wù)器端，

所述服務(wù)器端被配置為：通過多尺度人臉區(qū)域訓(xùn)練得到相應(yīng)位置與尺度的卷積神經(jīng)網(wǎng)絡(luò)參數(shù)，并根據(jù)所述卷積神經(jīng)網(wǎng)絡(luò)參數(shù)提取出人臉對應(yīng)區(qū)域的特征；對上述特征進行篩選，得到高維人臉特征；根據(jù)所述高維人臉特征進行度量學(xué)習(xí)，將特征進行降維處理得到特征表達后定義損失函數(shù)，通過所述損失函數(shù)訓(xùn)練得到度量學(xué)習(xí)的網(wǎng)絡(luò)模型；將待識別的圖像輸入所述網(wǎng)絡(luò)模型后，將人臉特征進行降維后利用歐幾里得距離進行識別。