The invention provides a face recognition method, a device, a storage medium and a device based on a deep convolution neural network. The method includes: face block data normalization; face block data of the normalized input convolutional neural network model for data processing, and obtain the feature map face; wherein the data processing includes at least one layer of intermediate output features of the convolutional neural network model to maximize competition according to the characteristics of face recognition; and the expression of the face. By adopting the method of face feature mapping, the ability of the network to distinguish different face features is enhanced, the amount of data computation is reduced, the efficiency of face recognition is improved, and the application prospect is good.
【技术实现步骤摘要】
基于深度卷神经网络的人脸识别方法、装置和存储介质
本专利技术涉及人脸识别
,特别是一种基于深度卷积神经网络的人脸识别方法、装置、存储介质和服务器。
技术介绍
随着计算机及互联网技术的高速发展,数据规模呈爆发式增长,海量数据的智能化分析处理也逐渐成为有效利用数据价值的关键。作为近年来兴起的人工智能的一个典型代表,深度卷积神经网络的深度学习算法模型在模式识别、人机对抗等领域得到高度发展,并取得了诸多的成果。基于生物特征的身份识别对于安防领域及各种身份认证系统具有重要作用。人脸识别的非接触性和非强制性,以及准确、方便、直观的特点,使其具有良好的发展和应用前景。目前,尽管基于卷积神经网络计算的人脸识别得到了广泛应用,但庞大的数据运算量一方面使得人脸识别速度大大降低,另一方面也对硬件的性能和算法的设计提出了更严格的要求。
技术实现思路
鉴于上述情况,本专利技术提供了一种基于深度卷神经网络的人脸识别方法和装置,以减小数据运算量,提高人脸识别效率。本专利技术的一个方面提供了一种基于深度卷积神经网络的人脸识别方法,包括:获取归一化的人脸图块数据;将所述归一化的人脸图块数据输入深度卷积神经网络模型进行数据处理,并获得人脸高层次的特征映射;其中所述数据处理包括对所述深度卷积神经网络模型的至少一层输出的中间特征进行最大化竞争;以及根据所述人脸高层次的特征映射识别人脸。在一个实施例中,所述深度卷积神经网络模型包括多个卷积层、连接在所述多个卷积层中至少一个之后的至少一个最大池化层和一个用于输出人脸高层次特征映射的全连接层;所述将所述归一化的人脸图块数据输入深度卷积神经网络模型进行 ...
【技术保护点】
一种基于深度卷积神经网络的人脸识别方法,其特征在于,包括:获取归一化的人脸图块数据;将所述归一化的人脸图块数据输入深度卷积神经网络模型进行数据处理,并获得人脸高层次的特征映射;其中所述数据处理包括对所述深度卷积神经网络模型的至少一层输出的中间特征进行最大化竞争;以及根据所述人脸的特征映射识别人脸。
【技术特征摘要】
1.一种基于深度卷积神经网络的人脸识别方法,其特征在于,包括:获取归一化的人脸图块数据;将所述归一化的人脸图块数据输入深度卷积神经网络模型进行数据处理,并获得人脸高层次的特征映射;其中所述数据处理包括对所述深度卷积神经网络模型的至少一层输出的中间特征进行最大化竞争;以及根据所述人脸的特征映射识别人脸。2.根据权利要求1所述的人脸识别方法,其特征在于,所述深度卷积神经网络模型包括多个卷积层、连接在所述多个卷积层中至少一个之后的至少一个最大池化层和一个用于输出人脸特征映射的全连接层;所述将所述归一化的人脸图块数据输入深度卷积神经网络模型进行数据处理,并获得人脸的特征映射包括:对所述多个卷积层中的至少一个输出的中间特征进行最大化竞争。3.根据权利要求2所述的人脸识别方法,其特征在于,所述最大化竞争的函数为f(x)=max1≤j≤ko(i,j);其中,o(i,j)=xTWij+bij,其代表卷积层输出的中间特征,其中x是进行所述最大化竞争环节的输入矩阵或者向量,T是转秩算子;W是卷积权重阵,b是偏置向量,i和j为整数。4.根据权利要求3所述的人脸识别方法,其特征在于,所述深度卷积神经网络模型包括七个卷积层,所述将所述归一化的人脸图块数据输入深度卷积神经网络模型进行数据处理包括:对所述七个卷积层中的每一个输出的中间特征均进行最大化竞争操作。5.根据权利要求4所述的人脸识别方法,其特征在于,所述数据处理还包括对经最大化竞争操作所得的至少一个中间特征进行最大值池化操作。6.根据权利要求1所述的人脸识别方法,其特征在于,所述获取归一化的人脸图块数据包括:检测一个或多个人脸的目标图像;获取所述一个或多个人脸的目标图像中人脸的典型特征位置,并将所述典型特征位置以空间坐标表达;以所述典型特征位置为基础,对所述目标图像进行几何变换;从经过几何变换后的图像中截取特定尺寸的人脸图块。7.根据权利要求6所述的人脸识别方法,其特征在于,所述人脸的典型特征位置包括眼睛的中心位置、鼻尖和嘴唇的两个角。8.根据权利要求6所述的人脸识别方法,其特征在于,所述人脸的典型特征位置包括左眼中心、右眼中心和嘴巴中点;所述以所述典型特征位置为基础,对所述目标图像进行几何变换包括:对所述左眼中心和所述右眼中心进行两点相似变换,以及对两眼中心和所述嘴巴中点进行两点相似变换。9.根据权利要求6所述的人脸识别方法,其特征在于,所述几何变换包括平移变换、尺度变换和旋转变换的至少之一。10.根据权利...
【专利技术属性】
技术研发人员:杨帆,艾国,张韵东,
申请(专利权)人:北京中星微电子有限公司,
类型:发明
国别省市:北京,11
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。