基于深度学习的人脸识别方法及相关产品技术

本申请实施例公开了一种基于深度学习的人脸识别方法及相关产品，该方法应用于电子装置，该方法包括：获取对齐后的面部图像，将所述面部图像缩放至预设比例得到目标图像；提取所述目标图像的像素矩阵，将所述像素矩阵输入到所述神经网络模型执行多层运算得到运算结果；计算所述运算结果与面部模板向量的余弦相似度，如所述余弦相似度大于预设阈值，则比对成功。本申请实施例有利于提高识别成功率及识别速度。

【技术实现步骤摘要】
基于深度学习的人脸识别方法及相关产品
本申请涉及计算机视觉识别
，具体涉及一种基于深度学习的人脸识别方法及相关产品。
技术介绍
由于人脸的生物特征容易采集，因此人脸识别技术应用到监控、安防、金融、等
随着人工智能AI(ArtificialIntelligence，简称：AI)技术的发展，人脸识别的速度以及成功率都得到很大改善。目前，识别人脸通常有以下两种方式。(1)将人脸图像输入到训练好的神经网络模型，逐层提取人脸图像中的人脸特征，输出最终的特征图，根据最终的特征图与模板比对识别人脸，但是在逐层提取人脸的过程中，丢失一部分人脸特征，因此识别率低；(2)构建残差Resnet网络，进行特征融合，但是随着Resnet网络的深度加深，特征图的维度过高，运算速度低，而且Resnet网络内存大，无法嵌入到终端进行人脸识别。
技术实现思路
本申请实施例提供了一种用于人脸识别的神经网络模型及相关产品，以期进行特征图的融合，提高人脸识别的速度和正确率。第一方面，本申请实施例提供一种用于人脸识别的神经网络模型，所述网络模型至少包括：第一卷积层、第二卷积层、第三卷积层、第一瓶颈网络bottlen本文档来自技高网...

【技术保护点】
1.一种用于人脸识别的神经网络模型，其特征在于，所述网络模型至少包括：第一卷积层、第二卷积层、第三卷积层、第一瓶颈网络bottlenecks、第二瓶颈网络bottlenecks、第三瓶颈网络bottlenecks、第四瓶颈网络bottlenecks、第一池化层、第二池化层、第三池化层和第四池化层；所述第一卷积层、所述第一bottlenecks、所述第一池化层、所述第二bottlenecks、所述第二卷积层、所述第二池化层、所述第三bottlenecks、所述第三卷积层、所述第三池化层、所述第四bottlenecks和所述第四池化层依次串联连接；所述第一卷积层、所述第一bottlenecks、所...

【技术特征摘要】
1.一种用于人脸识别的神经网络模型，其特征在于，所述网络模型至少包括：第一卷积层、第二卷积层、第三卷积层、第一瓶颈网络bottlenecks、第二瓶颈网络bottlenecks、第三瓶颈网络bottlenecks、第四瓶颈网络bottlenecks、第一池化层、第二池化层、第三池化层和第四池化层；所述第一卷积层、所述第一bottlenecks、所述第一池化层、所述第二bottlenecks、所述第二卷积层、所述第二池化层、所述第三bottlenecks、所述第三卷积层、所述第三池化层、所述第四bottlenecks和所述第四池化层依次串联连接；所述第一卷积层、所述第一bottlenecks、所述第一池化层、所述第二bottlenecks、所述第二卷积层、所述第二池化层、所述第三bottlenecks、所述第三卷积层、所述第三池化层、所述第四bottlenecks和所述第四池化层根据密集网络Densenet的DenseBlock密集连接策略密集连接，即将所述第一bottlenecks、所述第二bottlenecks、所述第三bottlenecks和所述第四bottlenecks密集连接。2.根据权利要求1所述的神经网络模型，其特征在于，所述神经网络模型还包括6个全局池化层globalpooling，所述6个globalpooling中的3个第一globalpooling用于池化所述第一卷积层的输出特征图得到3个第一池化结果，并将所述3个第一池化结果分别输入到所述第二bottlenecks、所述第三bottlenecks和所述第四bottlenecks以便与所述第二bottlenecks、所述第三bottlenecks和所述第四bottlenecks的其他输入数据进行特征融合，所述6个globalpooling中的2个第二globalpooling用于池化所述第一bottlenecks的输出特征图得到2个第二池化结果，并将所述2个第二池化结果分别输入到所述第三bottlenecks和所述第四bottlenecks以便与所述第三bottlenecks和所述第四bottlenecks的其他输入数据进行特征融合，所述6个globalpooling中的1个第三globalpooling用于池化所述第二bottlenecks输出的特征图得到1个第三池化结果，并将所述1个第三池化结果输入到所述第四bottlenecks以便与所述第四bottlenecks的其他输入数据进行特征融合。3.根据权利要求1所述的神经网络模型，其特征在于，所述第一bottlenecks、第二bottlenecks、第三bottlenecks和第四bottlenecks分别包括3个、4个、6个和3个子瓶颈网络bottleneck，且所述第一bottlenecks、所述第二bottlenecks、所述第三b...

【专利技术属性】
技术研发人员：陈书楷，童飞扬，
申请(专利权)人：厦门中控智慧信息技术有限公司，
类型：发明
国别省市：福建,35