一种基于参数共享的卷积神经网络人脸识别方法及系统技术方案

本发明专利技术公开了一种基于参数共享的卷积神经网络人脸识别方法，包括：获取人脸图像训练样本；根据所述人脸图像训练样本训练基于参数共享的卷积神经网络模型；获取待识别的人脸图像；根据所述卷积神经网络模型从所述人脸图像中提取出人脸特征；根据所述人脸特征对所述人脸图像进行人脸识别。另外，本发明专利技术公开了一种基于参数共享的卷积神经网络人脸识别系统。本发明专利技术能够在保证人脸识别准确率的同时，减小模型规模，提高运算效率和空间利用率。

A Convolutional Neural Network Face Recognition Method and System Based on Parameter Sharing

【技术实现步骤摘要】
一种基于参数共享的卷积神经网络人脸识别方法及系统
本专利技术涉及图像处理
，尤其涉及一种基于参数共享的卷积神经网络人脸识别方法及系统。
技术介绍
随着计算机硬件的不断提升，以及大型人脸数据库的获取越来越方便，加上深度学习算法的不断发展，基于深度卷积神经网络的人脸识别方法性能已经越来越高，基于深度学习的人脸识别系统越来越普及。移动支付、门禁系统、员工签到系统、安防系统、VIP客户管理系统等都嵌入了人脸识别算法。人脸识别通常需要提取人脸特征，然后根据特征计算不同人脸之间的相似度来进行人脸匹配。人脸识别技术从最初的提取人脸几何特征到基于PCA技术的Eigenface以及基于LDA的Fisherface，再到后来的Haar，sift，LBP等特征提取方法，识别准确率不断的提升。虽然如此，这些基于常规机器学习的方法准确率还有待提高，同时基于人工提取特征的方式较为麻烦，而且人工提取的特征也不一定是合适的。直到如DeepFace，DeepID，FaceNet等深度学习人脸识别方法的出现，人脸识别准确率最终超越了人类的极限，而且越来越实用化。基于深度卷积神经网络的人脸识别算法准确率已经超越人类的识别准确率，但是它仍存在一些弊端。首先，基于深度卷积神经网络的人脸识别算法通常是很深的神经网络，其参数非常多，导致一个深度神经网络模型需要占用非常大的存储空间；其次，由于参数较多，算法运行时必然占用较大的内存；最后，深度卷积神经网络本质上是输入数据与网络参数之间的矩阵运算，网络规模的大小严重影响计算速度，而利用GPU等芯片进行加速虽然可以解决速度问题，但是也增加了硬件成本。早期比较成功的基于深度神经网络的人脸识别方法如deepid采用25个结构一样的独立神经网络模型提取人脸特征，然后再对25个网络提取的特征进行组合，降维，作为最终的人脸特征进行人脸匹配，这样的模型非常占用资源。在神经网络模型精简方面，VGG提出了一种模块化的卷积神经网络模型，模型中所有的卷积核尺寸都设置为3×3大小，有效减小了网络参数的规模。而google则提出了一系列的网络改进版本，旨在提升网络的表达能力，同时能充分利用存储空间，尽量简化网络，减小模型参数。首先在googlenet中提出了inceptionlayer的概念，然后在后续的版本中逐步使用3×3的卷积核代替更大的卷积核，最后将n×n的卷积核用1×n与n×1的卷积核组合，在保证准确率的同时，降低了模型的参数，减小了计算量，提高了空间利用率。虽然以上网络结构的调整在一定程度上提高了硬件资源的利用率，但是基于深度神经网络的人脸识别算法模型越来越深，意味着网络参数依然会非常庞大，上述的模型效率问题依然存在。
技术实现思路
本专利技术针对现有技术中存在的问题，提供了一种基于参数共享的卷积神经网络人脸识别方法及系统，能够在保证人脸识别准确率的同时，减小模型规模，提高运算效率和空间利用率。本专利技术就上述技术问题而提出的技术方案如下：一方面，本专利技术提供一种基于参数共享的卷积神经网络人脸识别方法，包括：获取人脸图像训练样本；根据所述人脸图像训练样本训练基于参数共享的卷积神经网络模型；获取待识别的人脸图像；根据所述卷积神经网络模型从所述人脸图像中提取出人脸特征；根据所述人脸特征对所述人脸图像进行人脸识别。进一步地，所述人脸图像训练样本包括每个人的至少一张人脸样本图像；在所述根据所述人脸图像训练样本训练基于参数共享的卷积神经网络模型之前，还包括：调整每张人脸样本图像的大小和方位，使所有人脸样本图像中的人脸对齐。进一步地，所述卷积神经网络模型包括权值共享模块、子网络模块和连接模块；所述子网络模块包括结构互不相同的第一分支和第二分支；所述根据所述人脸图像训练样本训练基于参数共享的卷积神经网络模型，具体包括：根据所述人脸图像训练样本依次训练所述权值共享模块和所述第一分支的参数以及所述第二分支的参数；对整个模型的参数进行微调，完成所述卷积神经网络模型的训练。进一步地，所述根据所述人脸图像训练样本依次训练所述权值共享模块和所述第一分支的参数以及所述第二分支的参数，具体包括：将所述人脸图像训练样本输入所述权值共享模块，并固定所述第二分支的参数，根据softmaxloss评价函数对所述权值共享模块和所述第一分支的参数进行反向更新，直到所述卷积神经网络模型收敛；固定所述权值共享模块和所述第一分支的参数，根据softmaxloss评价函数对所述第二分支的参数进行反向更新，直到所述卷积神经网络模型收敛。进一步地，所述对整个模型的参数进行微调，完成所述卷积神经网络模型的训练，具体包括：根据softmaxloss评价函数和centerloss评价函数对整个模型的参数进行微调，直到所述卷积神经网络模型收敛，完成所述卷积神经网络模型的训练。进一步地，在所述根据所述卷积神经网络模型从所述人脸图像中提取出人脸特征之前还包括：调整待识别的人脸图像的大小和方位，使所述人脸图像中的人脸与所述人脸样本图像的人脸对齐。进一步地，所述根据所述卷积神经网络模型从所述人脸图像中提取出人脸特征，具体包括：将待识别的人脸图像输入至所述权值共享模块提取人脸的浅层特征，使所述第一分支和所述第二分支共用所述浅层特征；通过所述第一分支和所述第二分支分别提取人脸的高层特征；通过所述连接模块获取所述第一分支和所述第二分支所提取的特征，输出最终的人脸特征。进一步地，所述根据所述人脸特征对所述人脸图像进行人脸识别，具体包括：分别计算所述人脸特征与数据库中存储的每个人脸信息的相似度；若计算的最高相似度大于预设阈值，则将所述人脸图像识别为所述最高相似度所对应的人脸。进一步地，所述基于参数共享的卷积神经网络人脸识别方法还包括：若计算的最高相似度小于预设阈值，则将所述人脸图像判定为陌生人脸图像，以采集所述陌生人脸图像的人脸信息存储到数据库中。另一方面，本专利技术提供一种基于参数共享的卷积神经网络人脸识别系统，所述系统能够应用上述基于参数共享的卷积神经网络人脸识别方法，所述系统包括：样本获取模块，用于获取人脸图像训练样本；模型训练模块，用于根据所述人脸图像训练样本训练基于参数共享的卷积神经网络模型；图像获取模块，用于获取待识别的人脸图像；提取模块，用于根据所述卷积神经网络模型从所述人脸图像中提取出人脸特征；以及，识别模块，用于根据所述人脸特征对所述人脸图像进行人脸识别。本专利技术实施例提供的技术方案带来的有益效果是：采用基于参数共享的卷积神经网络模型作为人脸识别算法的核心，避免人工提取特征带来的不足，同时训练出来的卷积神经网络模型具有非常高的识别准确率，另外引入参数共享，减小卷积神经网络模型的参数数量，精简模型规模；在卷积神经网络模型中引入子网络模块，子网络模块的两个分支结构相互独立且各不相同，使得模型具有一定的多样性，能够增强网络的表达能力，提高识别准确率。附图说明为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1是本专利技术实施例提供的基于参数共享的卷积神经网络人脸识别方法的流程示意图；图2是本专利技术实施例提供的本文档来自技高网...

【技术保护点】
1.一种基于参数共享的卷积神经网络人脸识别方法，其特征在于，包括：获取人脸图像训练样本；根据所述人脸图像训练样本训练基于参数共享的卷积神经网络模型；获取待识别的人脸图像；根据所述卷积神经网络模型从所述人脸图像中提取出人脸特征；根据所述人脸特征对所述人脸图像进行人脸识别。

【技术特征摘要】
1.一种基于参数共享的卷积神经网络人脸识别方法，其特征在于，包括：获取人脸图像训练样本；根据所述人脸图像训练样本训练基于参数共享的卷积神经网络模型；获取待识别的人脸图像；根据所述卷积神经网络模型从所述人脸图像中提取出人脸特征；根据所述人脸特征对所述人脸图像进行人脸识别。2.如权利要求1所述的基于参数共享的卷积神经网络人脸识别方法，其特征在于，所述人脸图像训练样本包括每个人的至少一张人脸样本图像；在所述根据所述人脸图像训练样本训练基于参数共享的卷积神经网络模型之前，还包括：调整每张人脸样本图像的大小和方位，使所有人脸样本图像中的人脸对齐。3.如权利要求1所述的基于参数共享的卷积神经网络人脸识别方法，其特征在于，所述卷积神经网络模型包括权值共享模块、子网络模块和连接模块；所述子网络模块包括结构互不相同的第一分支和第二分支；所述根据所述人脸图像训练样本训练基于参数共享的卷积神经网络模型，具体包括：根据所述人脸图像训练样本依次训练所述权值共享模块和所述第一分支的参数以及所述第二分支的参数；对整个模型的参数进行微调，完成所述卷积神经网络模型的训练。4.如权利要求3所述的基于参数共享的卷积神经网络人脸识别方法，其特征在于，所述根据所述人脸图像训练样本依次训练所述权值共享模块和所述第一分支的参数以及所述第二分支的参数，具体包括：将所述人脸图像训练样本输入所述权值共享模块，并固定所述第二分支的参数，根据softmaxloss评价函数对所述权值共享模块和所述第一分支的参数进行反向更新，直到所述卷积神经网络模型收敛；固定所述权值共享模块和所述第一分支的参数，根据softmaxloss评价函数对所述第二分支的参数进行反向更新，直到所述卷积神经网络模型收敛。5.如权利要求3所述的基于参数共享的卷积神经网络人脸识别方法，其特征在于，所述对整个模型的参数进行微调，完成所述卷积神经网络模型的训练，具体包括：根据softmaxloss评价函数和centerloss评价函数...

【专利技术属性】
技术研发人员：阮仕涛，
申请(专利权)人：深圳市祈飞科技有限公司，
类型：发明
国别省市：广东,44