基于卷积神经网络的人脸识别方法、装置、系统及设备制造方法及图纸
【技术实现步骤摘要】
基于卷积神经网络的人脸识别方法、装置、系统及设备
本专利技术涉及人脸图像识别领域，特别是涉及一种基于卷积神经网络的人脸识别方法、装置、系统及设备。
技术介绍
人脸识别是基于人的脸部特征信息进行身份识别的一种生物识别技术。用摄像机或摄像头采集含有人脸的图像或视频流，并自动在图像中检测和跟踪人脸，进而对检测到的人脸进行一系列相关操作的技术，通常也叫做人像识别。人类基于人脸识别系统的研究始于20世纪60年代，80年代后随着计算机技术和光学成像技术的发展得到提高，而真正进入初级的应用阶段则在90年后期；人脸识别系统成功的关键在于是否拥有尖端的核心算法，并使识别结果具有实用化的识别率和识别速度；“人脸识别系统”集成了人工智能、机器识别、机器学习、模型理论、视频图像处理等多种专业技术，同时需结合中间值处理的理论与实践，是生物特征识别的最新应用。目前，人脸识别的主要用法大致分为三个方向：1vs1，主要用于快速的人脸识别比对，作为身份确认的一种新方式，比如考生身份确认、公司考勤确认、各种证件照和本人确认，由于这些照片源不一定有权威统一的接口调用，所以一直没有用起来。最可靠的是直接...
【技术保护点】
基于卷积神经网络的人脸识别方法，其特征在于，包括以下步骤：S1：人脸检测，采用多层CNN特征架构使人脸检测适应不同的成像条件及人脸尺度；S2：关键点定位，采用深度学习中级联多个基准框回归网络来从给定的人脸图像中得到所需的人脸关键点位置；S3：预处理，对输入图像进行预处理，获得固定大小的人脸图像；S4：特征提取，将预处理后的固定大小的人脸图像经过特征提取模型得到特征代表向量；S5：特征比对，先计算特征间的距离，根据阈值判定相似性或根据距离排序给出人脸识别结果。
【技术特征摘要】
1.基于卷积神经网络的人脸识别方法，其特征在于，包括以下步骤：S1：人脸检测，采用多层CNN特征架构使人脸检测适应不同的成像条件及人脸尺度；S2：关键点定位，采用深度学习中级联多个基准框回归网络来从给定的人脸图像中得到所需的人脸关键点位置；S3：预处理，对输入图像进行预处理，获得固定大小的人脸图像；S4：特征提取，将预处理后的固定大小的人脸图像经过特征提取模型得到特征代表向量；S5：特征比对，先计算特征间的距离，根据阈值判定相似性或根据距离排序给出人脸识别结果。2.根据权利要求1所述的方法，其特征在于：所述的人脸检测步骤包括以下子步骤：S101：图片从输入层进入网络；S102：依次经过各卷积网络层，分别提取出eltwise3_3、conv4_3、fc7、conv6_2及conv7_2的特征；S103：分别将提取出的特征输入对应的特征分类器，得到对人脸位置的预测结果；S104：将人脸位置的预测结果合并，输入最终的结果合成器，去掉重复的预测和置信度低的预测后输出检测的最终结果。3.根据权利要求1所述的方法，其特征在于：所述的预处理步骤包括以下子步骤：S301：图片尺寸归一化，保证提供给特征提取模型的图片大小统一，使得卷积神经网络正常工作；S302：人脸关键点对齐，将定位到的人脸关键点根据算法使其处于特定位置；S303：数据归一化，将处理人脸图像时获得的像素值在[0,255]区间中的像素值除以255，缩放到[0,1]之间；S304：低分辨率处理，在特征提取之前，采用深度学习中的生成对抗网络预先对小尺寸人脸图像进行超分辨率重建。4.根据权利要求1所述的方法，其特征在于：所述的特征提取步骤采用卷积神经网络模型架构，网络中使用最大特征映射激活函数，最大程度保留原始信息，同时实现变量选择和维度的缩减。5.根据权利要求4所述的方法，其特征在于：所述的特征提取步骤使用center-loss损失函数结合现有softmax损失函数，提高模型的区分度，该center-loss损失函数在训练过程中，每类学习一个特征中心，不断更新中心，缩短最小化特征与对应中心的距离。6.基于卷积神经网络的人脸识别装置，其特征在于：包括顺次连接的人脸检测单元、关键点定位单元、预处理单元、特征提取单元和特征比对单元；人脸检测单元用于检测输入图像中的人脸位置，采用多层CNN特征架构使人脸检测适应不同的成像条件；关键...
【专利技术属性】
技术研发人员：朱越，贾洁，幸小然，
申请(专利权)人：成都擎天树科技有限公司，
类型：发明
国别省市：四川,51
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。