一种面部识别方法及装置制造方法及图纸

本发明专利技术提供一种面部识别方法及装置，所述方法包括：S1，使用第一卷积神经网络对目标图像进行特征提取，获取第一特征图集合；其中，所述第一卷积神经网络包括下采样层；S2，使用第二卷积神经网络对所述第一特征图集合进行特征提取，获取第二特征图集合；其中，所述第二卷积神经网络包括上采样层，所述第二特征图集合中各第二特征图的尺寸与所述目标图像的尺寸相同；S3，对于所述目标图像中的每个像素，根据各所述第二特征图中与该像素位置相同的像素共同构成的特征向量，在所述第二卷积神经网络中的softmax层对该像素进行分类。本发明专利技术准确提取目标图像特征，并以像素为单位分割出人脸和五官的具体位置，提高了面部识别的精确度。

【技术实现步骤摘要】
一种面部识别方法及装置
本专利技术属于图像识别领域，更具体地，涉及一种面部识别方法及装置。
技术介绍
人脸检测是在图像中定位人脸的过程。早期人脸检测方法主要包括模板匹配、子空间方法和变形模板匹配等。近期人脸检测的研究主要集中在基于数学驱动的学习方法，如统计模型方法、神经网络学习方法、统计知识理论和支持向量机方法、基于马尔科夫随机域的方法等。目前，实际应用中的人脸检测方法多为基于Haar特征的Adaboost算法。Adaboost算法是一种将较弱分类器组合在一起，得到强分类器的方法。使用该算法进行人脸检测的目的是从图片中找出所有包含人脸的子窗口，将人脸的子窗口与非人脸的子窗口分开。从而在图像中准确标定出人脸的位置和大小。人脸检测在实际中主要用于人脸识别的预处理。接着，进一步对检测出的人脸进行人脸对齐。人脸对齐是指根据输入的人脸图像，自动定位面部关键特征点，如眼睛、鼻尖、嘴角点、眉毛以及人脸各部件轮廓点等。通过人脸对齐，机器能够对人脸的每个部位进行定位与跟踪，并提取相应的部位特征。然后利用部位特征分析评估人的精神状态，例如司机的异常驾驶状态的识别，所述异常驾驶状态包括正常、疲劳和情绪不稳定等，从而及早发现司机的异常驾驶状态，避免交通事故的发生。但是，现有技术在光线明暗变换不稳定的情况下，面部识别会受到严重干扰，从而影响面部识别的准确性。
技术实现思路
为克服上述由于光线因素面部识别准确性不高的问题或者至少部分地解决上述问题，本专利技术提供了一种面部识别方法及装置。根据本专利技术的第一方面，提供一种面部识别方法，包括：S1，使用第一卷积神经网络对包含待识别面部信息的目标图像进行特征提取，获取第一特征图集合；其中，所述第一卷积神经网络包括下采样层；S2，使用第二卷积神经网络对所述第一特征图集合进行特征提取，获取第二特征图集合；其中，所述第二卷积神经网络包括上采样层，所述第二特征图集合中各第二特征图的尺寸与所述目标图像的尺寸相同；S3，对于所述目标图像中的每个像素，根据各所述第二特征图中与该像素位置相同的像素共同构成的特征向量，在所述第二卷积神经网络中的softmax层对该像素进行分类。具体地，所述第一卷积神经网络中下采样层的个数和所述第二卷积神经网络中上采样层的个数相同；所述上采样层中上采样窗口的大小和所述下采样层中下采样窗口的大小相同；所述上采样层中上采样窗口的移动步长和所述下采样层中下采样窗口的移动步长相同。具体地，所述步骤S1具体包括：对于每个所述下采样层，保留各所述下采样窗口中的最大特征值，去除各所述下采样窗口中的其他特征值；记录各所述最大特征值在各所述下采样窗口中的位置。具体地，所述步骤S2具体包括：对于每个所述上采样层，获取该上采样层对应的下采样层；其中，所述上采样层与所述下采样层一一对应；根据该上采样层对应的下采样层中各所述最大特征值在各所述下采样窗口中的位置，将各所述下采样窗口中各所述最大特征值写入相应的所述上采样窗口的所述位置中；在所述上采样窗口中的其他位置写入0。具体地，所述步骤S3中在所述第二卷积神经网络中的softmax层对该像素进行分类具体包括：对于所述目标图像中的每个像素，获取该像素属于各预设类别的概率；将最大的所述概率对应的预设类别作为该像素的类别。具体地，所述步骤S1之前还包括：将预先获取的各样本输入第一卷积神经网络，经过第一卷积神经网络和第二卷积神经网络的计算，输出各所述训练样本中各像素属于各预设类别的概率；使用交叉熵损失函数量化各所述训练样本中各像素属于各预设类别的概率和各像素的正确类别之间的差距；根据所述差距，使用梯度下降法对所述第一卷积神经网络和所述第二卷积神经网络中的权值进行更新。具体地，所述步骤S3还包括：根据所述目标图像中各像素所属类别的优先级，对所述目标图像中各像素所属区域的边界进行平滑处理；其中，所述像素所属的类别包括牙、嘴唇、鼻子、眼睛、眉毛、脸和背景中的一种或多种；牙的优先级大于嘴唇的优先级，鼻子、眼睛、眉毛和嘴唇的优先级相同，嘴唇的优先级大于脸的优先级，脸的优先级大于背景的优先级。根据本专利技术的第二方面，提供一种面部识别装置，包括：第一提取单元，用于使用第一卷积神经网络对包含待识别面部信息的目标图像进行特征提取，获取第一特征图集合；其中，所述第一卷积神经网络包括下采样层；第二提取单元，用于使用第二卷积神经网络对所述第一特征图集合进行特征提取，获取第二特征图集合；其中，所述第二卷积神经网络包括上采样层，所述第二特征图集合中各第二特征图的尺寸与所述目标图像的尺寸相同；分类单元，用于对于所述目标图像中的每个像素，根据各所述第二特征图中与该像素位置相同的像素共同构成的特征向量，在所述第二卷积神经网络中的softmax层对该像素进行分类。根据本专利技术的第三方面，提供一种面部识别设备，包括：至少一个处理器、至少一个存储器和总线；其中，所述处理器和存储器通过所述总线完成相互间的通信；所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行如前所述的方法。根据本专利技术的第四方面，提供一种非暂态计算机可读存储介质，用于存储如前所述方法的计算机程序。本专利技术提供一种面部识别方法及装置，该方法通过使用包括下采样层的第一卷积神经网络提取所述目标图像中的特征，获取第一特征图集合，然后使用包括上采样层的第二卷积神经网络继续从所述第一特征图集合中提取特征，获取第二特征图集合，所述第二特征图集合中的各特征图尺寸与所述目标图像的尺寸相同，从而精确提取出所述目标图像中的特征，然后根据所述第二特征集合中同一位置像素的特征值对所述目标图像中的各像素进行分类，从而以像素为单位分割出人脸和五官的具体位置，提高了面部识别的精确度，为面部监测提供技术基础。附图说明图1为本专利技术实施例提供的面部识别方法整体流程示意图；图2为本专利技术实施例提供的面部识别方法中的编解码网络结构示意图；图3为本专利技术实施例提供的面部识别方法中下采样过程示意图；图4为本专利技术实施例提供的面部识别方法中上采样过程示意图；图5为本专利技术实施例提供的面部识别装置整体结构示意图；图6为本专利技术实施例提供的面部识别设备整体结构示意图。具体实施方式下面结合附图和实施例，对本专利技术的具体实施方式作进一步详细描述。以下实施例用于说明本专利技术，但不用来限制本专利技术的范围。在本专利技术的一个实施例中提供一种面部识别方法，图1为本专利技术实施例提供的面部识别方法整体流程示意图，该方法包括：S1，使用第一卷积神经网络对包含待识别面部信息的目标图像进行特征提取，获取第一特征图集合；其中，所述第一卷积神经网络包括下采样层；S2，使用第二卷积神经网络对所述第一特征图集合进行特征提取，获取第二特征图集合；其中，所述第二卷积神经网络包括上采样层，所述第二特征图集合中各第二特征图的尺寸与所述目标图像的尺寸相同；S3，对于所述目标图像中的每个像素，根据各所述第二特征图中与该像素位置相同的像素共同构成的特征向量，在所述第二卷积神经网络中的softmax层对该像素进行分类。具体地，S1，所述第一卷积神经网络包括多个卷积层和下采样层。将所述目标图像输入所述第一卷积神经网络，将每一层的输出结果作为下一层的输入，从而实现对所述目标图像进行特征提取。由于所述第一卷积神经网络有多个卷积核，本文档来自技高网...

【技术保护点】
一种面部识别方法，其特征在于，包括：S1，使用第一卷积神经网络对包含待识别面部信息的目标图像进行特征提取，获取第一特征图集合；其中，所述第一卷积神经网络包括下采样层；S2，使用第二卷积神经网络对所述第一特征图集合进行特征提取，获取第二特征图集合；其中，所述第二卷积神经网络包括上采样层，所述第二特征图集合中各第二特征图的尺寸与所述目标图像的尺寸相同；S3，对于所述目标图像中的每个像素，根据各所述第二特征图中与该像素位置相同的像素共同构成的特征向量，在所述第二卷积神经网络中的softmax层对该像素进行分类。

【技术特征摘要】
1.一种面部识别方法，其特征在于，包括：S1，使用第一卷积神经网络对包含待识别面部信息的目标图像进行特征提取，获取第一特征图集合；其中，所述第一卷积神经网络包括下采样层；S2，使用第二卷积神经网络对所述第一特征图集合进行特征提取，获取第二特征图集合；其中，所述第二卷积神经网络包括上采样层，所述第二特征图集合中各第二特征图的尺寸与所述目标图像的尺寸相同；S3，对于所述目标图像中的每个像素，根据各所述第二特征图中与该像素位置相同的像素共同构成的特征向量，在所述第二卷积神经网络中的softmax层对该像素进行分类。2.根据权利要求1所述的方法，其特征在于，所述第一卷积神经网络中下采样层的个数和所述第二卷积神经网络中上采样层的个数相同；所述上采样层中上采样窗口的大小和所述下采样层中下采样窗口的大小相同；所述上采样层中上采样窗口的移动步长和所述下采样层中下采样窗口的移动步长相同。3.根据权利要求2所述的方法，其特征在于，所述步骤S1具体包括：对于每个所述下采样层，保留各所述下采样窗口中的最大特征值，去除各所述下采样窗口中的其他特征值；记录各所述最大特征值在各所述下采样窗口中的位置。4.根据权利要求3所述的方法，其特征在于，所述步骤S2具体包括：对于每个所述上采样层，获取该上采样层对应的下采样层；其中，所述上采样层与所述下采样层一一对应；根据该上采样层对应的下采样层中各所述最大特征值在各所述下采样窗口中的位置，将各所述下采样窗口中各所述最大特征值写入相应的所述上采样窗口的所述位置中；在所述上采样窗口中的其他位置写入0。5.根据权利要求1-4任一所述的方法，其特征在于，所述步骤S3中在所述第二卷积神经网络中的softmax层对该像素进行分类具体包括：对于所述目标图像中的每个像素，获取该像素属于各预设类别的概率；将最大的所述概率对应的预设类别作为该像素的类别。6.根据权利要求1-4任一所述的方法，其特征在于，所述步骤S1之...

【专利技术属性】
技术研发人员：王经纬，唐海川，龚明，田寅，
申请(专利权)人：中车工业研究院有限公司，
类型：发明
国别省市：北京,11