The invention discloses a face recognition system and method based on deep learning. It involves the field of face recognition in deep learning. It includes image acquisition module and face recognition module; face recognition module includes control unit; control unit and face detection module, depth learning training module, feature extraction module, matching recognition module, storage unit, display electrical connection, storage unit and depth learning training module and feature extraction respectively. The module and the matching recognition module are electrically connected, and the feature extraction modules are connected to the face detection module, the depth learning training module and the matching recognition module respectively, and the face feature model library is set in the storage unit. This invention obtains the convolution neural network model through the depth learning and training module, and realizes the feature extraction in the face recognition process of the volume and neural network model, and solves the problem of the low accuracy and efficiency of the existing face recognition.
【技术实现步骤摘要】
基于深度学习的人脸识别系统及方法
本专利技术属于深度学习人脸识别
,特别是涉及基于深度学习的人脸识别系统及方法。
技术介绍
深度学习是机器学习研究中的一个新的领域,其动机在于建立、模拟人脑进行分析学习的神经网络,它模仿人脑的机制来解释数据,例如图像,声音和文本。深度学习是无监督学习的一种。深度学习的概念源于人工神经网络的研究。含多隐层的多层感知器就是一种深度学习结构。深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征,以发现数据的分布式特征表示。深度学习的概念由Hinton等人于2006年提出。基于深信度网(DBN)提出非监督贪心逐层训练算法,为解决深层结构相关的优化难题带来希望,随后提出多层自动编码器深层结构。此外Lecun等人提出的卷积神经网络是第一个真正多层结构学习算法,它利用空间相对关系减少参数数目以提高训练性能。卷积神经网络算法用于人脸识别的深度学习以提高人脸识别的正确率和效率是我们需要解决的问题。
技术实现思路
本专利技术的目的在于提供基于深度学习的人脸识别系统及方法,通过深度学习训练模块训练得到卷积神经网络模型,实现了卷及神经网络模型对人脸识别过程中的特征提取,解决了现有人脸识别正确率和效率低的问题。为解决上述技术问题,本专利技术是通过以下技术方案实现的:本专利技术为基于深度学习的人脸识别系统,包括图像采集模块、人脸识别模块;所述图像采集模块包括图像采集卡;所述图像采集卡与摄像机电性连接;所述人脸识别模块包括控制单元;所述控制单元分别与人脸检测模块、深度学习训练模块、特征提取模块、匹配识别模块、存储单元、显示屏电性连接;所述存储单 ...
【技术保护点】
基于深度学习的人脸识别系统,其特征在于,包括图像采集模块、人脸识别模块;所述图像采集模块包括图像采集卡;所述图像采集卡与摄像机电性连接;所述人脸识别模块包括控制单元;所述控制单元分别与人脸检测模块、深度学习训练模块、特征提取模块、匹配识别模块、存储单元、显示屏电性连接;所述存储单元分别与深度学习训练模块、特征提取模块、匹配识别模块电性连接;所述特征提取模块分别与人脸检测模块、深度学习训练模块、匹配识别模块电性连接;所述存储单元内设有人脸特征模型库;所述人脸识别模块与图像采集模块电性连接。
【技术特征摘要】
1.基于深度学习的人脸识别系统,其特征在于,包括图像采集模块、人脸识别模块;所述图像采集模块包括图像采集卡;所述图像采集卡与摄像机电性连接;所述人脸识别模块包括控制单元;所述控制单元分别与人脸检测模块、深度学习训练模块、特征提取模块、匹配识别模块、存储单元、显示屏电性连接;所述存储单元分别与深度学习训练模块、特征提取模块、匹配识别模块电性连接;所述特征提取模块分别与人脸检测模块、深度学习训练模块、匹配识别模块电性连接;所述存储单元内设有人脸特征模型库;所述人脸识别模块与图像采集模块电性连接。2.根据权利要求1所述的基于深度学习的人脸识别系统,其特征在于,所述摄像机摄取图像信号传递给图像采集卡;所述图像采集卡内图像信号转换为数字图像信号;所述图像采集卡与人脸检测模块通过PCI总线传输数字图像信号。3.根据权利要求1所述的基于深度学习的人脸识别系统,其特征在于,所述人脸检测模块内采用adaboost算法和卷积神经网络算法检测数字图像信号中的人脸数字图像。4.根据权利要求1所述的基于深度学习的人脸识别系统,其特征在于,所述深度学习训练模块获取人脸数字图像;所述深度学习训练模块采用卷积神经网络算法对人脸数字图像训练获取卷积神经网络模型;所述卷积神经网络模型包括输入层、若干的卷积层+ReLU激活函数、若干的池化层、全连接层、输出层;所述输入层与卷积层间、卷积层与池化层间、池化层与全连接层间均设有隐藏层。5.根据权利要求1所述的基于深度学习的人脸识别系统,其特征在于,所述特征提取模块获取卷积神经网络训练模型;所述特征提取模块采用卷积神经网络模型对人脸数字图像特征提取得到人脸特征模型或人脸特征矢量;所述人脸特征模型存储在人脸特征模型库内。6.根据权利要求1所述的基于深度学习的人脸识别系统,其特征在于,所述匹配识别模块获取人脸特征矢量;所述匹配识别模块根据人脸特征矢量与人脸特征模型库内的人脸特征模型对比识别。7.如权利要求1-6任一所述的基于深度学习的人脸识别的方法,其特征在于,步骤如下:步骤一:摄像机摄取图像信号传递给图像采集卡;图像采集卡内将...
【专利技术属性】
技术研发人员:郑荣稳,
申请(专利权)人:合肥寰景信息技术有限公司,
类型:发明
国别省市:安徽,34
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。