一种识别用户身份的方法和装置制造方法及图纸

本发明专利技术提供一种识别用户身份的方法和装置，方法包括：检测人脸图片；将所述人脸图片输入至人脸识别模型，利用所述人脸识别模型计算得到所述人脸图片的深度特征向量；计算所述深度特征向量分别与预存的深度特征向量组中的每个预存深度特征向量之间的距离值，所述预存的深度特征向量组包括多个预存深度特征向量，所述预存深度特征向量与用户身份信息一一对应；确定出距离值最小时对应的目标预存深度特征向量；确定所述目标预存深度特征向量对应的用户身份信息为所述人脸图片中用户的身份。本发明专利技术提高了机器人识别用户身份的识别率、正确率。

Method and device for identifying user identity

The present invention provides a method and device for recognizing user identity method includes: face detection images; the face images are input to the model of face recognition, the face recognition model to calculate the depth of the feature vector of face image; calculate each pre depth feature vector set of the depth vectors and pre the storage in the depth of the feature vector distance value, the depth of the stored feature vector group comprises a plurality of stored depth feature vector, the stored depth feature vector and the corresponding user identity information; determine the distance value corresponding to the minimum target pre deposit depth feature vector; the identity of user identity information as a user of the face image of the object is determined to stored depth corresponding feature vector. The invention improves the recognition rate and accuracy of the identification of the user by the robot.

【技术实现步骤摘要】
一种识别用户身份的方法和装置
本专利技术涉及人脸识别
，尤其涉及一种基于深度学习的机器人识别用户身份的方法和装置。
技术介绍
随着科学技术的高速发展，机器人制造技术也得以发展迅速，机器人的应用已逐步进入家庭服务行业。物业服务机器人是一种不受环境、温度的影响，能够动态地实现对用户身份识别的机器人，该类机器人需要在用户身份识别方面有卓越的辨识能力。因此，如何提高机器人识别用户身份的识别率、正确率非常关键。
技术实现思路
有鉴于此，本专利技术提供一种识别用户身份的方法和装置，以提高机器人识别用户身份的识别率、正确率。技术方案如下：基于本专利技术的一方面，本专利技术提供一种识别用户身份的方法，包括：检测人脸图片；将所述人脸图片输入至人脸识别模型，利用所述人脸识别模型计算得到所述人脸图片的深度特征向量；计算所述深度特征向量分别与预存的深度特征向量组中的每个预存深度特征向量之间的距离值，所述预存的深度特征向量组包括多个预存深度特征向量，所述预存深度特征向量与用户身份信息一一对应；确定出距离值最小时对应的目标预存深度特征向量；确定所述目标预存深度特征向量对应的用户身份信息为所述人脸图片中用户的身份。优选地，所述人脸识别模型为深度卷积神经网络DeepCNN人脸识别模型。优选地，所述检测人脸图片之前，所述方法还包括：基于大量的人脸数据，采用前向传播和后向传播的方法来训练所述大量的人脸数据，以得到所述DeepCNN人脸识别模型。优选地，所述计算所述深度特征向量分别与预存的深度特征向量组中的每个预存深度特征向量之间的距离值包括：采用最临近KNN最近距离算法计算所述深度特征向量分别与预存的深度特征向量组中的每个预存深度特征向量之间的距离值。基于本专利技术的另一方面，本专利技术还提供一种识别用户身份的装置，包括：图片检测单元，用于检测人脸图片；图片处理单元，用于将所述人脸图片输入至预设的人脸识别模型，利用所述人脸识别模型计算得到所述人脸图片的深度特征向量；距离计算单元，用于计算所述深度特征向量分别与预存的深度特征向量组中的每个预存深度特征向量之间的距离值，所述预存的深度特征向量组包括多个预存深度特征向量，所述预存深度特征向量与用户身份信息一一对应；第一确定单元，用于确定出距离值最小时对应的目标预存深度特征向量；第二确定单元，用于确定所述目标预存深度特征向量对应的用户身份信息为所述人脸图片中用户的身份。优选地，所述人脸识别模型为深度卷积神经网络DeepCNN人脸识别模型。优选地，还包括：模型训练单元，用于基于大量的人脸数据，采用前向传播和后向传播的方法来训练所述大量的人脸数据，以得到所述DeepCNN人脸识别模型。优选地，所述距离计算单元具体用于，采用最临近KNN最近距离算法计算所述深度特征向量分别与预存的深度特征向量组中的每个预存深度特征向量之间的距离值。本专利技术提供的识别用户身份的方法包括：检测人脸图片；将所述人脸图片输入至预设的人脸识别模型，利用所述人脸识别模型计算得到所述人脸图片的深度特征向量；计算所述深度特征向量分别与预存的深度特征向量组中的每个预存深度特征向量之间的距离值，所述预存的深度特征向量组包括多个预存深度特征向量，所述预存深度特征向量与用户身份信息一一对应；确定出距离值最小时对应的目标预存深度特征向量；确定所述目标预存深度特征向量对应的用户身份信息为所述人脸图片中用户的身份。本专利技术利用人脸识别模型计算得到人脸图片的深度特征向量，进而通过计算深度特征向量与各预存深度特征向量间的距离值，确定出距离值最小时对应的目标预存深度特征向量，将该目标预存深度特征向量对应的用户身份信息为所述人脸图片中用户的身份，本专利技术提高了机器人识别用户身份的识别率、正确率。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术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，还可以根据提供的附图获得其他的附图。图1为本专利技术提供的一种识别用户身份的方法的流程图；图2为本专利技术提供的一种识别用户身份的装置的结构示意图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。请参阅图1，其示出了本专利技术提供的一种识别用户身份的方法的流程图，包括：步骤101，检测人脸图片。其中，人脸图片指的是包括人脸信息的图片。一般的，本专利技术可以利用摄像头等摄像装置捕捉人脸图片，当摄像装置捕捉到人脸图片后，本专利技术可以从摄像装置处主动获取或被动接收到所述人脸图片。步骤102，将所述人脸图片输入至人脸识别模型，利用所述人脸识别模型计算得到所述人脸图片的深度特征向量。本专利技术中，人脸识别模型具体为DeepCNN(DeepConvolutionalNeuralNetworks，深度卷积神经网络)人脸识别模型。特别的，在实现本专利技术步骤101前还应包括：步骤100，基于大量的人脸数据，采用前向传播(ForwardPropagation)和后向传播(BackPropagation)的方法来训练所述大量的人脸数据，以得到所述DeepCNN人脸识别模型。本专利技术中的DeepCNN人脸识别模型为基于多层CNN(>10层)架构的百万级参数的DeepCNN人脸识别模型，该DeepCNN人脸识别模型的基础为深度卷积神经网络，该深度卷积神经网络具有37层，包括16个卷积层，且在该网络中包括百万级的参数。其中该网络中包括的百万级的参数必须通过大量标定好的人脸图(几十万人脸级别)不断迭待监督训练学习(supervisedlearning)，调整模型参数值以达到训练数据库人脸识别率最小化。为了使模型参数能够更好地区分不同地域的不同人脸，例如亚洲人脸，训练样本集中需要收集大量的亚洲人脸数据，通过对收集的大量的亚洲人脸数据的训练，才能保证得到的最深层的深度特征向量具有很强的区分不同人脸的能力。具体在本专利技术实施例中，首先需要设定好DeepCNN人脸识别模型的结构，即本专利技术采用多层的深度学习神经网络，包括卷积层、pooling层、relu层、全连接层、softmax分类以及triploss层。训练过程中是训练卷积层核函数、全连接层链接权、softmax分类层以及tripletloss层的参数。在本专利技术实际应用过程中，以归一化之后的人脸照片数据作为输入数据，以对应的人脸的标定数据作为输出，以softmax损失函数为目标函数。具体如，将人脸图片的检测结果经过校准之后归一化到224×224，输入到DeepCNN人脸识别模型后便可得到一深度特征向量。步骤103，计算所述深度特征向量分别与预存的深度特征向量组中的每个预存深度特征向量之间的距离值。其中，所述预存的深度特征向量组包括多个预存深度特征向量，所述预存深度特征向量与用户身份信息一一对应。在本专利技术实际应用过程中，每一名用户的人脸对应一个深度特征向量，本专利技术可以将每个用户对应的深度特征向量预存在深度特征向量组中，因此本专利技术中的深度特征向量组本文档来自技高网...

【技术保护点】
一种识别用户身份的方法，其特征在于，包括：检测人脸图片；将所述人脸图片输入至人脸识别模型，利用所述人脸识别模型计算得到所述人脸图片的深度特征向量；计算所述深度特征向量分别与预存的深度特征向量组中的每个预存深度特征向量之间的距离值，所述预存的深度特征向量组包括多个预存深度特征向量，所述预存深度特征向量与用户身份信息一一对应；确定出距离值最小时对应的目标预存深度特征向量；确定所述目标预存深度特征向量对应的用户身份信息为所述人脸图片中用户的身份。

【技术特征摘要】
1.一种识别用户身份的方法，其特征在于，包括：检测人脸图片；将所述人脸图片输入至人脸识别模型，利用所述人脸识别模型计算得到所述人脸图片的深度特征向量；计算所述深度特征向量分别与预存的深度特征向量组中的每个预存深度特征向量之间的距离值，所述预存的深度特征向量组包括多个预存深度特征向量，所述预存深度特征向量与用户身份信息一一对应；确定出距离值最小时对应的目标预存深度特征向量；确定所述目标预存深度特征向量对应的用户身份信息为所述人脸图片中用户的身份。2.根据权利要求1所述的方法，其特征在于，所述人脸识别模型为深度卷积神经网络DeepCNN人脸识别模型。3.根据权利要求2所述的方法，其特征在于，所述检测人脸图片之前，所述方法还包括：基于大量的人脸数据，采用前向传播和后向传播的方法来训练所述大量的人脸数据，以得到所述DeepCNN人脸识别模型。4.根据权利要求1-3任一项所述的方法，其特征在于，所述计算所述深度特征向量分别与预存的深度特征向量组中的每个预存深度特征向量之间的距离值包括：采用最临近KNN最近距离算法计算所述深度特征向量分别与预存的深度特征向量组中的每个预存深度特征向量之间的距离值。5.一种...

【专利技术属性】
技术研发人员：苗振伟，周禄兵，黄巍伟，
申请(专利权)人：中新智擎有限公司，
类型：发明
国别省市：广东,44