基于多模型的人脸识别方法和装置制造方法及图纸

本发明专利技术公开了一种基于多模型的人脸识别方法和装置，首先将样本数据按照定义的类别进行划分，生成多个样本文件夹，每个样本文件夹中包含一类样本数据；然后对所有样本文件夹中的数据样本进行预处理，检测样本图像中的人脸并进行归一化处理；接着对预处理后的每个样本文件夹中的数据样本使用不同的人脸识别算法或同一人脸识别算法的不同的训练方法训练得到不同的模型，同一样本文件夹中的数据样本对应多个模型；最后同时采用多个模型对待识别人脸进行识别，得到多个人脸识别的结果并从中选出最终的人脸识别结果。本发明专利技术能够提高人脸识别的准确率，降低模型训练时间，并且采用多个模型并发计算，减少了查找对比的时间。

【技术实现步骤摘要】
基于多模型的人脸识别方法和装置
本专利技术涉及人工智能深度学习，特别是涉及一种基于多模型的人脸识别方法和装置。
技术介绍
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，并且以美国、德国和日本的技术实现为主；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、专家系统、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现，是生物特征识别的最新应用，其核心技术的实现，展现了弱人工智能向强人工智能的转化。人脸识别的应用主要有：智慧城市/社区，社会治安，门禁系统，网络应用，考勤系统等。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脸部的一系列相关技术。人脸识别中需要大量的样本数据，数据量大增加了操作的难度，且数据的更新对已经训练好的识别模型会产生一些影响，需要重新进行训练，增加了使用和维护的难度。随着人工智能在计算机应用领域的发展，深度学习在人脸识别方面的应用也逐渐突显出来，随之出现的是一批性能优越的分类模型。每个分类模型基于不同的特征，适合不同的情况，并且在其特征上表现良好，但没有一个分类模型在所有分类问题上都能取到最优结果。因此为了提高整体的准确率，本专利技术提出一种基于多模型进行人脸识别的方法。
技术实现思路
专利技术目的：针对现有技术中存在的问题，本专利技术提供一种基于多模型的人脸识别方法和装置，能够提高人脸识别的准确率，并且将大量样本数据进行分类，在每一样本分类上生成分类模型，以降低训练时间，便于样本和分类模型的维护。技术方案：为实现上述专利技术目的，本专利技术采用如下技术方案：一种基于多模型的人脸识别方法，包括如下步骤：(1)将样本数据按照定义的类别进行划分，生成多个样本文件夹，每个样本文件夹中包含一类样本数据；(2)对所有样本文件夹中的数据样本进行预处理，检测样本图像中的人脸并进行归一化处理；(3)对预处理后的每个样本文件夹中的数据样本使用不同的人脸识别算法或同一人脸识别算法的不同的训练方法训练得到不同的模型，同一样本文件夹中的数据样本对应多个模型；(4)同时采用步骤(3)得到的多个模型对待识别人脸进行识别，得到多个人脸识别的结果并从中选出最终的人脸识别结果。在具体的实施方式中，所述步骤(1)中采用随机性归类方式对样本数据进行划分，所述随机性归类方式采用排它方式或交叉方式。在具体的实施方式中，所述步骤(1)中采用选择性归类方式对样本数据进行划分，所述选择性归类方式根据光线、年龄、性别或正侧面中的一种或多种分类方式。在具体的实施方式中，采用随机性归类方式时，所述步骤(2)的预处理包括人脸检测、转换为灰度图、直方图均衡化和归一化处理。在具体的实施方式中，采用选择性归类方式时，所述步骤(2)的预处理包括人脸检测、人脸面部校正和归一化处理。在具体的实施方式中，所述步骤(3)中使用的人脸识别算法为PCA、CNN或SVM中的一种或多种。在具体的实施方式中，所述步骤(4)中将识别结果根据概率进行排序处理，取概率最大者为最终结果。在具体的实施方式中，所述步骤(4)中采用少数服从多数的原则选出识别出的人脸标记名称数量最多的作为最终结果。在具体的实施方式中，所述步骤(4)中计算待识别人脸与所有识别出的人脸标记名称对应的一张人脸的欧式距离，选取欧式距离最小的人脸最为最终识别结果。采用上述方法的一种基于多模型的人脸识别装置，包括：样本归类模块，用于将样本数据按照定义的类别进行划分，生成多个样本文件夹，每个样本文件夹中包含一类样本数据；预处理模块，用于对所有样本文件夹中的数据样本进行预处理；识别模型训练模块，用于对预处理后的每个样本文件夹中的数据样本使用不同的人脸识别算法或同一人脸识别算法的不同的训练方法训练得到不同的模型，同一样本文件夹中的数据样本对应多个模型；以及，识别模块，用于同时采用多个模型对待识别人脸进行识别，得到多个人脸识别的结果并从中选出最终的人脸识别结果。有益效果：与现有技术相比，本专利技术具有如下优点：1、本专利技术利用每个模型在使用的时候识别概率不尽相同的特点(根据测试发现有的模型在有的时候正确识别率高，有的时候正确识别率低)，会集各模型之所长，在不同情况下每次识别都会得到的更加精确结果。2、本专利技术将样本数据归类到不同的样本文件夹中，在往样本中添加数据样本时，只需要对涉及到的样本文件夹进行后续的操作训练生成模型，在数据庞大的时候对训练速度的影响较小。能够大大降低了训练时间，而且在人脸识别中使用多个模型进行并发计算，在一定程度上减少了查找对比的时间。附图说明图1为本专利技术实施例的方法流程图。图2为本专利技术实施例的装置结构示意图。图3为本专利技术实施例中生成的文件格式示意图。图4为本专利技术实施例中进行训练样本分类器采用的卷积神经网络模型示意图。图5为本专利技术实施例中涉及的人脸特征点示意图。图6为本专利技术实施例中训练识别模型采用的卷积神经网络模型示意图。具体实施方式下面结合具体实施例，进一步阐明本专利技术，应理解这些实施例仅用于说明本专利技术而不用于限制本专利技术的范围，在阅读了本专利技术之后，本领域技术人员对本专利技术的各种等价形式的修改均落于本申请所附权利要求所限定的范围。如图1所示，本专利技术实施例提供一种基于多模型的人脸识别方法，首先将样本数据按照定义的类别进行划分，生成多个样本文件夹，每个样本文件夹中包含一类样本数据；然后对所有样本文件夹中的数据样本进行预处理，检测样本图像中的人脸并进行归一化处理。接着对预处理后的每个样本文件夹中的数据样本使用不同的人脸识别算法或同一人脸识别算法的不同的训练方法训练得到不同的模型，同一样本文件夹中的数据样本对应多个模型；最后同时采用多个模型对待识别人脸进行识别，得到多个人脸识别的结果并从中选出最终的人脸识别结果。图2为本专利技术实施例公开的一种基于多模型的人脸识别装置的结构示意图，包括样本归类模块，预处理模块，识别模型训练模块和识别模块，样本数据通过样本归类模块进行划分，得到多个样本文件夹，每个样本文件夹中包含一类样本数据；每个样本文件夹中的数据样本经过预处理模块处理后得到归一化的人脸图像，识别模型训练模块对预处理后的每个样本文件夹中的数据样本进行训练，同一样本文件夹中的数据样本采用不同识别算法不同训练方法得到多个模型；待识别人脸图像通过识别模块并发调用所有识别模型进行识别，从所有的识别结果中选出最优的人脸识别结果。下面对本专利技术实施例识别方法的具体实施细节做详细说明：步骤一：将样本数据按照定义的类别进行划分。本步骤中，首先设定划分样本数据归类的类别。本专利技术将样本归类分为两个级别，第一个级别为样本归类的方式，这里假定为随机性归类样本和选择性归类样本。第二个级别为定义每类划分的描述属性。收集到的样本数据里面除了人脸还包含很多其他信息，比如光线强弱、年龄大小、男性女性、正面侧面等等。随机性归类样本比较简单，它不考虑样本中包含的其他信息，可以直接在随机性归类样本中定义两个分类：一为排它，二为交叉。选择性归类样本比较复杂，它考虑了样本文档来自技高网...

【技术保护点】
一种基于多模型的人脸识别方法，其特征在于，包括如下步骤：（1）将样本数据按照定义的类别进行划分，生成多个样本文件夹，每个样本文件夹中包含一类样本数据；（2）对所有样本文件夹中的数据样本进行预处理，检测样本图像中的人脸并进行归一化处理；（3）对预处理后的每个样本文件夹中的数据样本使用不同的人脸识别算法或同一人脸识别算法的不同的训练方法训练得到不同的模型，同一样本文件夹中的数据样本对应多个模型；（4）同时采用步骤（3）得到的多个模型对待识别人脸进行识别，得到多个人脸识别的结果并从中选出最终的人脸识别结果。

【技术特征摘要】
1.一种基于多模型的人脸识别方法，其特征在于，包括如下步骤：（1）将样本数据按照定义的类别进行划分，生成多个样本文件夹，每个样本文件夹中包含一类样本数据；（2）对所有样本文件夹中的数据样本进行预处理，检测样本图像中的人脸并进行归一化处理；（3）对预处理后的每个样本文件夹中的数据样本使用不同的人脸识别算法或同一人脸识别算法的不同的训练方法训练得到不同的模型，同一样本文件夹中的数据样本对应多个模型；（4）同时采用步骤（3）得到的多个模型对待识别人脸进行识别，得到多个人脸识别的结果并从中选出最终的人脸识别结果。2.根据权利要求1所述的一种基于多模型的人脸识别方法，其特征在于，所述步骤（1）中采用随机性归类方式对样本数据进行划分，所述随机性归类方式采用排它方式或交叉方式。3.根据权利要求1所述的一种基于多模型的人脸识别方法，其特征在于，所述步骤（1）中采用选择性归类方式对样本数据进行划分，所述选择性归类方式根据光线、年龄、性别或正侧面中的一种或多种分类方式。4.根据权利要求2所述的一种基于多模型的人脸识别方法，其特征在于，所述步骤（2）的预处理包括人脸检测、转换为灰度图、直方图均衡化和归一化处理。5.根据权利要求3所述的一种基于多模型的人脸识别方法，其特征在于，所述步骤（2）的预处理包括人脸检测、人脸面部校正和归一化处理。6.根据权利要求1...

【专利技术属性】
技术研发人员：田海蓉，胡晓宇，
申请(专利权)人：南京道熵信息技术有限公司，
类型：发明
国别省市：江苏,32