The invention belongs to the technical field of computer vision and artificial intelligence, in particular to a large-scale face recognition method based on a deep convolution neural network model. The present invention first proposed residuals for face recognition large-scale learning depth network model, the model is composed of coil layers, sampling layer, residual layer and connection layer, wherein the residual layer consists of two data (a road is a plurality of cascaded convolutional layer and one channel of original data) the sum of the sum, and model each volume layer do after batch normalization operation. The invention uses deep convolutional neural network has strong learning ability and good convergence characteristics of residual learning in the network model, the model number, the number increased; in the residual layer structure, the invention proposes an efficient residual layer structure. In the face of large-scale face recognition, the proposed method has greatly improved the accuracy rate compared with the baseline model, and the accuracy of face retrieval has reached 74.25% in a million face database.
【技术实现步骤摘要】
基于深度卷积神经网络模型的大规模人脸识别方法
本专利技术属于计算机视觉、人工智能
,具体涉及大规模人脸识别方法。
技术介绍
在当前机器学习技术及计算机硬件性能高速提升的情况下,近年来计算机视觉、自然语言处理和语音识别等应用领域取得了突破性进展。人脸识别作为计算机视觉领域一项基础的任务,其精度也得到了大幅提升。在过去的几年当中,许多大型科技公司以及著名的研究机构提出了许多高效的人脸识别的方法,在行业内最著名的人脸评测集LFW上的准确率超过了99%。这样显著的成绩主要归功与两个方面:深度学习和海量数据。深度学习解决了人脸识别当中的特征表达的问题,相比传统的方法,能够更加全面地学习人脸的特征。海量的训练数据直接提升了人脸识别的精度。在实际运用场景中,当需要识别的对象在百万量级的数据库当中,LFW评测集上表现接近完美的模型性能也大打折扣。MegaFace评测集是第一个百万级别的人脸评测数据集,更加接近现实生活。目前提升人脸识别性能的方法主要有三种:(1)增加训练数据;(2)通过多任务学习的方式训练模型;(3)利用度量学习找到更加合适的学习方法。通过海量的数据训练能够提升人脸识别模型的性能,然而收集大量的人脸数据是一件极其困难的工作;训练多个模型,然后进行模型混合的方法会让人脸识别的过程变得过于复杂,不利于实际场景中的运用;度量学习对训练模型的技巧要求太高,而且模型的泛化能力不强。因此通过一种高效的深度卷积神经网络模型来提升人脸识别精度成为了一种新的有效的途径。
技术实现思路
本专利技术的目的在于提供一种基于深度卷积神经网络模型的大规模人脸识别方法,来提升人脸识别 ...
【技术保护点】
基于深度卷积神经网络模型的大规模人脸识别方法,其特征在于,采用基于残差学习的深度卷积神经网络模型,具体包括3个步骤:预处理图片、训练深度卷积神经网络模型、面向大规模人脸识别:步骤1、预处理图片(1)检测图片中的人脸;(2)检测人脸中的5个关键点:两眼、鼻尖、两边嘴角;(3)进行人脸对齐操作;(4)将人脸图片大小归一化;步骤2、训练深度卷积神经网络模型(1)搭建基于残差学习的深度卷积神经网络模型;(2)前向传播计算损失误差;(3)反向传播损失误差更新模型参数;(4)获得训练好的深度卷积神经网络模型;步骤3、大规模人脸识别(1)测试图片通过深度卷积神经网络模型;(2)提取特征向量;(3)利用特征向量进行相似度计算;(4)输出识别结果。
【技术特征摘要】
1.基于深度卷积神经网络模型的大规模人脸识别方法,其特征在于,采用基于残差学习的深度卷积神经网络模型,具体包括3个步骤:预处理图片、训练深度卷积神经网络模型、面向大规模人脸识别:步骤1、预处理图片(1)检测图片中的人脸;(2)检测人脸中的5个关键点:两眼、鼻尖、两边嘴角;(3)进行人脸对齐操作;(4)将人脸图片大小归一化;步骤2、训练深度卷积神经网络模型(1)搭建基于残差学习的深度卷积神经网络模型;(2)前向传播计算损失误差;(3)反向传播损失误差更新模型参数;(4)获得训练好的深度卷积神经网络模型;步骤3、大规模人脸识别(1)测试图片通过深度卷积神经网络模型;(2)提取特征向量;(3)利用特征向量进行相似度计算;(4)输出识别结果。2.根据权利要求1所述的大规模人脸识别方法,其特征在于,步骤2中所述基于残差学习的深度卷积神经网络模型,具体如下:模型由卷积层、下采样层、残差层以及全连接层组成,其中,残差层由两路数据:一路是若干个卷积层级联的数据和一路...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。