基于深度学习的快速动态人脸提取、识别方法技术

一种基于深度学习的快速动态人脸提取、识别方法。人脸识别技术是基于人的脸部特征，对输入的人脸图象或者视频流。基于深度学习的快速动态人脸提取、识别方法，首先通过搜索人体上半身哈尔特征，确定移动物体为人类，之后通过筛选截取出头部大于39*39像素的彩色图像；然后，通过局部权重共享卷积公式和局部权重共享采样公式，确定脸部5个特征区域左眼、右眼、鼻尖、左嘴角和右嘴角,找到特征区域中中心点；提取出特征区域的深层关系值，将所有关系值转制成矩阵；最后，将矩阵中数值与数据库中数值进行比对对比，通过高斯模型进行概率分析得出正向或反向数值，判定出人脸的识别。

【技术实现步骤摘要】
【专利说明】
： 本专利技术涉及人脸识别领域，特别是涉及一种基于深度学习的快速动态人脸提取、识别 方法。
技术介绍
： 人脸识别技术是基于人的脸部特征，对输入的人脸图象或者视频流。首先判断其是否 存在人脸，如果存在人脸，则进一步的给出每个脸的位置、大小和各个主要面部器官的位置 信息。并依据这些信息，进一步提取每个人脸中所蕴涵的身份特征，并将其与已知的人脸进 行对比，从而识别每个人脸的身份。人脸识别技术具有广泛的应用，如出入管理、门禁考勤、 计算机安全防范、公安犯罪追逃智能报警等等。但现有的人脸识别技术及应用有以下几个 方面的不足：（1)识别数量、范围和并发性：一次只能识别一个人，无法大范围同时识别多 人。（2)用户位置局限和强制性：用户必须调整自己的位置，并正面对准摄像头，稍微的侧 脸或低头都可能无法识别。（3)响应速度和效率：受到用户位置的局限性和强制性，无法做 到远距离快速的获取和识别为了克服上述现有技术的不足，本专利技术提供了一种基于计算机 深度学习的识别方法，作者将此方法命名为"deepmax算法"。该方法可以实时的、动态的、 快速的、大范围的提取和识别人脸，可以更好的应用于企业、学校、政府机关的安防、考勤、 出入管理等系统。（4)降低硬件需求：传统方法在大规模识别中对于硬件需求相当严格，在 对万人级别的识别中，普通计算机根本无法满足运算需求。本方法通过单浮点，双浮点运算 有效的解决了硬件占用过大的问题。在十万人随机抽取筛选测试中，对人的识别只需〇. 28 秒基本可以做到实时识别。
技术实现思路
： 本专利技术的目的是提供一种。 上述的目的通过以下的技术方案实现： 1. 一种，首先通过搜索人体上半身哈尔 特征，确定移动物体为人类，之后通过筛选截取出头部大于39*39像素的彩色图像；然后， 通过局部权重共享卷积公忒和?部切重#皇粜烊公忒·其中：为输入的图像像素点，gf:为输出的图像像素点，下角标分别代表了像 素的坐标，和|辦_:是要训练的权重，由于采用的是新的局部权重共享技术，所以 <^_#和__§的上标代表了局部共享区域；r = 0，1，表示了前一层网络的通道， 共有m个；t表示当前层网络的通道数，共有η个； 其中：x_(i+k，j+l) Ur))为揃人的图傢傢系点，y_U，j) Ut))为揃出的图像像 素点，下角标分别代表了像素的坐标.g~((u，v，t))和b~((u，v，t))是要训练的权重. max-r(0<k，l〈s){x_(i*s+k，j*s+l)~((t) ) }表示了在 x_(i*s+0，j*s+0)~((t))到 x_(i*s+s-i，j*s+s-ir((t))的矩形区域内取一个最大值，作为采样后的数据，然后乘以 参数g，加上偏移量b后用hyperbolic tangent公式计算出最后的值；确定脸部5个特征 区域左眼、右眼、鼻尖、左嘴角和右嘴角，找到特征区域中中心点；根据中心点向外随机框 选出3组矩形及3组正方形，并对这6组正方形取灰度图像；这样每个位置就得到12张图 像。五个特征位置总共60张图像。 将每张图像分别经过7层神经网络处理，得到160个特征值，既每张人脸通过计算 变成160*60=9600个特征值，将特征值按照固定排列放入神经矩阵； 通过矩阵转制，通过逻辑回归模型进行概率分析，如果得出正整数结果，则进入下一 步，如果全部得数不为正整数，则判定为陌生人。 提取出可以通过逻辑回归模型得出结果的人脸矩阵，与卷积出的矩阵进行比对， 运用联合高斯混合模型，得出一个相似度概率，这个概率大于必然发生概率则判定此人脸 与数据库中所存人脸为同一人，否则判定位陌生人； 接下来再根据局部权重共享卷积公式和局部权重共享采样公式，提取出特征区域的深 层关系值，将所有关系值转制成矩阵；最后，将矩阵中数值与数据库中数值进行对比，得出 正向或反向数值，判定出人脸的识别。 有益效果： 本专利技术利用神经网络与区域权重共享卷积相结合，构建深度学习网络来对人脸的直 观特征进行定位。其中，区域的权重共享起到关键作用，因为人脸特征在一整幅图中是按 特定区域划分的，所以在这些区域分别训练不同的权重特征有助于整个网络方便的用不同 的特征来筛选图像，达到快速准确的定位人脸特征的目的，而且利用深层的神经网络来提 取高层次的特征，这使整个系统能在不同的光线和明暗条件下保持相同的高精确度。在训 练阶段，输入人脸的矩形区域，通过一次卷积得到多个特征图，然后对这些特征图进行采 样，然后再进行下一次卷积与采样，如此三次后，将得到人脸图像的高阶特征，把这些特征 经过两次全链接，最终得到十个输出神经元，它们输出的就是人脸中五个重要特征的坐标 值，将这些坐标与人脸图中真实的特征坐标进行比较，利用stochastic gradient descent 算法对权重进行调节，得到较高的准确率，最终使得系统输出的坐标与真实坐标重合，得到 的权重即为最优解。【附图说明】： 附图1本专利技术面部神经识别网络模型。 【具体实施方式】： 实施例1: 1. 一种，其特征是：首先通过搜索人体 上半身哈尔特征，确定移动物体为人类，之后通过筛选截取出头部大于39*39像素的彩色 图像；然后，通过局部权重共享卷积公式和局部权重共享采样公式：其中：为输入的图像像素点，_|:为输出的图像像素点，下角标分别代表了像 素的坐标和靜_◎是要训练的权重，由于采用的是新的局部权重共享技术，所以 和1?:__的上标代表了局部共享区域；r = 0，1，···，Π 1-1表示了前一层网络的通道， 共有m个；t表示当前网纟客的诵i首教.#有^个，其中：x_(i+k，j+l) ((r))为湔人的图像像索点，y_(i，j)(⑴）为输出的图像像 素点，下角标分别代表了像素的坐标.g~((u，v，t))和b~((u，v，t))是要训练的权重. max-r(0<k，l〈s){x_(i*s+k，j*s+l)~((t) ) }表示了在 x_(i*s+0，j*s+0)~((t))到 x_(i*s+s-i，j*s+s-ir((t))的矩形区域内取一个最大值，作为采样后的数据，然后乘以 参数g，加上偏移量b后用hyperbolic tangent公式计算出最后的值；确定脸部5个特征区 域左眼、右眼、鼻尖、左嘴角和右嘴角，找到特征区域中中心点；根据中心点向外随机框选 出3组矩形及3组正方形，并对这6组正方形取灰度图像；接下来再根据局部权重共享卷积 公式和局部权重共享采样公式，提取出特征区域的深层关系值，将所有关系值转制成矩阵； 最后，将矩阵中数值与数据库中数值进行对比，得出正向或反向数值，判定出人脸的识别。 实施例2 : 根据实施例1所述的，该系统对网络上 随机人脸图像特征的识别，其中绿色点为识别出的人脸特征区域，分别为：左眼、右眼、鼻 尖、左嘴角和右嘴角。面部特征识别网络的示意图.其中输入层为单通道的灰色图像，第 一层输入层，大小为39*39像素人脸；第二层卷积层有20个特征，大小为36*36像素；第三 层采样层有20个特征，大小为18*18像素；第四层卷积层有40个特征，大小为16*16像素； 第五层采样层有40个特征，大小为8*8像素；第六层卷积层有60个特征，大小为6本文档来自技高网...

【技术保护点】
一种基于深度学习的快速动态人脸提取、识别方法，其特征是：首先通过搜索人体上半身哈尔特征，确定移动物体为人类，之后通过筛选截取出头部大于39*39像素的彩色图像；然后，通过局部权重共享卷积公式和局部权重共享采样公式：其中:  QUOTE为输入的图像像素点,  QUOTE为输出的图像像素点, 下角标分别代表了像素的坐标， QUOTE和  QUOTE是要训练的权重，由于采用的是新的局部权重共享技术, 所以 QUOTE和  QUOTE的上标代表了局部共享区域；r = 0,1,…,m‑1 表示了前一层网络的通道, 共有m个; t表示当前层网络的通道数, 共有n个；其中: x_(i+k,j+l)^((r)) 为输入的图像像素点, y_(i,j)^((t)) 为输出的图像像素点, 下角标分别代表了像素的坐标. g^((u,v,t)) 和 b^((u,v,t)) 是要训练的权重. max┬(0≤k,l<s){x_(i*s+k,j*s+l)^((t) ) } 表示了在 x_(i*s+0,j*s+0)^((t) ) 到 x_(i*s+s‑1,j*s+s‑1)^((t) )  的矩形区域内取一个最大值，作为采样后的数据，然后乘以参数g，加上偏移量b后用hyperbolic tangent公式计算出最后的值；确定脸部5个特征区域左眼、右眼、鼻尖、左嘴角和右嘴角,找到特征区域中中心点；根据中心点向外随机框选出3组矩形及3组正方形，并对这6组正方形取灰度图像；接下来再根据局部权重共享卷积公式和局部权重共享采样公式，提取出特征区域的深层关系值，将所有关系值转制成矩阵；最后，将矩阵中数值与数据库中数值进行比对对比，通过高斯模型进行概率分析得出正向或反向数值，判定出人脸的识别。...

【技术特征摘要】

【专利技术属性】
技术研发人员：姚一鸣，
申请(专利权)人：哈尔滨多智科技发展有限公司，
类型：发明
国别省市：黑龙江;23