基于深度卷神经网络的人脸识别方法、装置和存储介质制造方法及图纸

本发明专利技术提供了一种基于深度卷积神经网络的人脸识别方法、装置、存储介质及设备。该方法包括：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表达识别人脸。通过采用本发明专利技术的人脸特征映射的方法，增强了网络对不同人脸特征的分辨能力，减小了数据运算量，提高了人脸识别效率，具有较好的应用前景。

Face recognition method, device and storage medium based on deep volume neural network

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数据处理，并获得人脸高层次的特征映射包括：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。在一个实施例中，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，W是卷积权重阵，b是偏置向量。在一个实施例中，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。在一个实施例中，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特征图进行最大值池化操作。在一个实施例中，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。在一个实施例中，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。在一个实施例中，所述人脸的典型特征位置包括左眼中心、右眼中心和嘴唇中点；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唇中点进行两点相似变换。在一个实施例中，所述几何变换包括平移变换、尺度变换和旋转变换、区域提取的至少之一。在一个实施例中，所述从经过几何变换后的图像中截取特定尺寸的人脸图块包括：对经过几何变换的图像进行剪裁和/或缩放，获得特定尺寸的人脸图块。在一个实施例中，所述从经过几何变换后的图像中截取特定尺寸的人脸图块还包括：对所述人脸图块进行灰度处理。在一个实施例中，所述根据所述人脸高层次的特征映射识别人脸包括：将所述人脸高层次的特征映射与预存储的人脸信息进行距离对比，并根据比较结果判断人脸的身份。在一个实施例中，所述根据所述人脸高层次的特征映射识别人脸包括：将获得的两个人脸高层次的特征映射进行距离对比，并根据比较结果判断两个人脸是否属于同一个人。在一个实施例中，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之前还包括：通过随机梯度下降法训练所述深度卷积神经网络模型。本专利技术还提供了一种人脸识别装置，包括获取模块、处理模块和验证模块，所述处理模块包括深度卷积神经网络模型；其中所述获取模块用于获取归一化的人脸图块数据；所述处理模块用于将所述归一化的人脸图块数据输入所述深度卷积神经网络模型进行数据处理，并获得人脸特征映射；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；所述验证模块用于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；所述处理模块用于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。在一个实施例中，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是最大化竞争环节的输入阵(或者向量)，T是转秩算子；W是卷积权重阵，b是偏置向量。本专利技术的再一个方面提供了一种计算机可读存储介质，其存储有执行指令，所述执行指令由处理器执行时实现上述人脸识别方法。本专利技术的又一个方面提供了一种服务器，包括处理器、存储介质和存储在存储介质的执行指令，所述处理器执行所述执行指令时实现前述任一实施例所述人脸识别方法。通过采用本专利技术的人脸特征映射的方法，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，增强了网络对不同人脸特征的分辨能力，减小了数据运算量，提高了人脸识别效率，具有较好的应用前景。附图说明从下面结合附图对本专利技术实施例的详细描述中，本专利技术的这些和/或其它方面和优点将变得更加清楚并更容易理解，其中：图1为本专利技术一实施例的基于深度卷积神经网络的人脸识别方法流程图；图2为本专利技术实施例的人脸识别方法中获取人脸归一化图块数据的方法；图3为本专利技术实施例的一种深度卷积神经网络结构示意图；图4为本专利技术实施例的人脸识别方法的一种应用；图5为本专利技术实施例的人脸识别方法的另一种应用；图6为本专利技术实施例的人脸识别装置。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作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。在基于深度卷积神经网络的人脸识别技术中，为了获得更好的人脸识别效果，需要设计并训练具有一定深度的前向卷积神经网络。否则，过多的参数常常导致系统的计算资源占用过大。通常情况下，这种未经设计的网络模型，只能在GPU等高性能计算设备上正常运行，且识别能力有限。此外，由于时间和空间复杂度等方面的制约，这种网络模型不易移植在嵌入式系统中。参见图1，本专利技术的实施例提供了一种基于深度卷积神经网络的人脸识别方法。该方法包括如下内容。110：获取归一化的人脸图块数据；120：将所述归一化的人脸图块输入深度卷积神经网络模型，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；其中，最大化竞争是指选取卷积层输出的中间特征的最大值；例如，进行最大化竞争操作前后，中间本文档来自技高网...

【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