一种基于深度学习的嵌入式人脸识别方法及装置制造方法及图纸

为提供一种在识别准确率以及速率上综合考虑优于现有方法的嵌入式人脸识别方法及装置，本发明专利技术提供了一种基于深度学习的嵌入式人脸识别方法及装置，包括如下步骤：步骤S1，构建卷积神经网络模型并进行训练；步骤S2，对目标图像进行预处理并对待判定图像进行预处理；步骤S3，将预处理待判定图像及预处理目标图像依次输入特征提取模型，得到待判定特征向量以及目标特征向量；步骤S4，根据目标特征向量以及待判定向量判定一致的人脸图像，其中，步骤S3包括了在训练阶段时，对模型性能进行评估的角度误差评估函数。本发明专利技术还提供了基于深度学习的嵌入式人脸识别装置。

An embedded face recognition method and device based on deep learning

【技术实现步骤摘要】
一种基于深度学习的嵌入式人脸识别方法及装置
本专利技术属于机器学习领域，涉及嵌入式人脸识别方法，具体涉及一种基于深度学习的嵌入式人脸识别方法。
技术介绍
人脸识别是利用人类脸部的生物特征信息，通过一定的技术识别对应人的身份，例如，获得目标人物的人脸图像后从大量待判定的人脸图像中判定出与该目标人物一致人脸图像。人脸识别在计算机视觉与模式识别领域是一项重要的研究工作，也具有丰富的实际生活应用场景，如社区安防、罪犯追逃、移动支付等等。人脸识别技术的发展已有数十年，早些年的许多相关的机器学习算法被提出，包括基于几何特征的方法和基于统计的方法等等。不过，受到光照亮度、呈现姿态、面部妆容以及环境遮挡等问题的影响，这些早期的机器学习方法识别精度都不理想，一旦环境或人物妆容发生较大变化，则难以准确地进行人脸识别。近几年中，基于卷积神经网络的方法被广泛用于人脸识别上，并取得了较好的识别精度。其主要流程为利用训练集对卷积神经网络进行训练，并采用训练好的卷积神经网络进行特征提取获得目标图像以及待判定图像的向量，再通过基于向量的相似度判定方法，即可将相似度最高的待判定图像判定为目标人物。由于人脸图像较为复杂、相关特征难以准确表示，而各种卷积神经网络模型及算法中，基于残差学习机制的卷积神经网络具有良好的学习能力和泛化能力，因此能够适用于人脸识别任务。现有技术中，有科研人员采用了残差卷积神经网络结构，用三个公开数据集超过1.7万人的约70万张图像训练模型，并在人脸识别数据集LFW上取得了优异的精度。然而，尽管现有的残差卷积神经网络已经能够在人脸识别数据集LFW上取得优异的精度，但是该神经网络在实际的应用场景中，对于人脸的辨别能力仍然不尽如人意。其主要表现在，对于未经过训练的人存在较为严重的误识别问题，导致在实际的应用中，常常会将一个人的人脸信息误识别为另外一个人。
技术实现思路
为解决上述问题，提供一种能够有效降低人脸误识别率的人脸识别方法及装置，本专利技术采用了如下技术方案：本专利技术提供了一种基于深度学习的嵌入式人脸识别方法及装置，用于对目标图像进行人脸识别并从多个待判定图像中判定出与目标图像相一致的人脸图像，并可应用于嵌入式设备，其特征在于，包括如下步骤：步骤S1，构建卷积神经网络模型并采用多个现有人脸图像作为训练集对该卷积神经网络模型进行训练，得到训练后的卷积神经网络模型作为特征提取模型；步骤S2，对目标图像进行预处理获得预处理目标图像，并对待判定图像进行预处理获得对应的预处理待判定图像；步骤S3，将预处理待判定图像及预处理目标图像依次输入特征提取模型，从而得到分别与预处理待判定图像相对应的多个待判定特征向量以及与预处理目标图像相对应的目标特征向量；步骤S4，根据目标特征向量以及待判定向量判定出待判定图像中的与目标图像一致的人脸图像，其中，步骤S1包括如下子步骤：步骤S1-1，对用于作为训练集的多个现有人脸图像进行预处理从而获得尺寸统一并且分别与现有人脸图像相对应的预处理训练图像；步骤S1-2，构建含有输入层、卷积模块、残差计算模块以及全连接模块的卷积神经网络模型，该卷积神经网络模型中各层的参数矩阵中的参数为随机设置；步骤S1-3，将预处理图像作为训练集输入卷积神经网络模型；步骤S1-4，对卷积神经网络模型进行前向传递计算角度误差以及标准误差；步骤S1-5，采用反向传播算法传递误差更新参数；步骤S1-6，重复步骤S1-3至步骤S1-5直至达到训练完成条件，得到训练后的卷积神经网络模型作为特征提取模型。本专利技术提供的基于深度学习的嵌入式人脸识别方法，还可以具有这样的技术特征，其中，卷积模块包含第一卷积模块，残差计算模块分为：第一残差计算部件包含三个残差计算子部件，第二残差计算部件，包含十三个残差计算子部件，第三残差计算部件，包含十个残差计算子部件；以及第四残差计算部件，包含三个残差计算子部件，全连接模块包含第一全连接部件。本专利技术提供的基于深度学习的嵌入式人脸识别方法，还可以具有这样的技术特征，其中，第一卷积部件包括顺次连接的卷积层、批标准化层、非线性层以及最大池化层，残差计算子部件包括顺次连接的第一批标准化模块、第一卷积层、第二批标准化模块、第一非线性层、第二卷积层、第三批标准化层、残差计算层，第一全连接部件包括顺次连接的第一批标准化层、随机丢弃层、全连接层以及第二批标准化层。本专利技术提供的基于深度学习的嵌入式人脸识别方法，还可以具有这样的技术特征，其中，步骤S1-4中，角度误差的计算如下式(1)所示：所述标准误差的计算如下式(2)所示：式中，xi表示第i个特征向量，yi表示第i个权重向量，表示第yi个权重向量与第i个特征向量之间的夹角，s为扩张系数，m为角度距离，N为批大小，La为角度误差，Ls为标准误差，j为不为向量yi的其他权重向量。本专利技术提供的基于深度学习的嵌入式人脸识别方法，还可以具有这样的技术特征，其中，在步骤S1-4中，针对不同的数据集，所选择的参数以及训练的步骤也不同，具体步骤如下：数据集分类步骤，按照数据集的图像数量以及类别数量进行分类，将图像数量小于四十万且类别数小于一万的数据集设定为标准数据集，将图像数量大于四十万的数据集设定为庞大数据集；数据集处理步骤，对于标准数据集，在卷积神经网络模型训练时直接进行该卷积神经网络模型的参数初始化并直接完成该卷积神经网络模型的训练，对于庞大数据集，需要先使用标准误差对卷积神经网络模型的参数进行更新，待该卷积神经网络模型收敛后再将改成角度误差对该卷积神经网络模型进行更进一步的调优直到收敛。本专利技术提供的基于深度学习的嵌入式人脸识别方法，还可以具有这样的技术特征，其中，步骤S2中的预处理包括如下子步骤：步骤S2-1，对待处理图像进行人脸检测，找出其中的人脸位置；步骤S2-2，检测步骤S2-1中找出的人脸的至少包括双眼中心、鼻头以及两侧嘴角在内的多个关键位置点；步骤S2-3，根据关键位置点对待处理图像进行对齐操作并将待处理图像进行尺寸统一化；步骤S2-4，将尺寸统一化后的待处理图像进行中心剪裁，得到对应的预处理图像。本专利技术提供的基于深度学习的嵌入式人脸识别方法，还可以具有这样的技术特征，其中，步骤S1-6中的训练完成条件为完成了预定的循环次数、参数已经收敛或消除了训练误差。一种基于深度学习的嵌入式人脸识别装置，用于对目标图像进行人脸识别并从多个待判定图像中判定出与目标图像相一致的人脸图像，其特征在于，包括：预处理部，对待判定图像以及目标图像进行预处理从而分别得到对应的预处理待判定图像及预处理目标图像；特征提取部，对预处理待判定图像进行特征提取得到对应的待判定特征向量以及对预处理目标图像进行特征提取得到对应的目标特征向量，该特征提取部含有经过采用多个现有人脸图像作为训练集训练得到的特征提取模型；一致判定部，根据目标特征向量以及待判定向量判定出待判定图像中的与目标图像一致的人脸图像，其中，特征提取模型采用如下方法获得：步骤T1，对用于作为训练集的多个现有人脸图像进行预处理从而获得尺寸统一并且分别本文档来自技高网...

【技术保护点】
1.一种基于深度学习的嵌入式人脸识别方法，用于对目标图像进行人脸识别并从多个待判定图像中判定出与所述目标图像相一致的人脸图像，其特征在于，包括如下步骤：/n步骤S1，构建卷积神经网络模型并采用多个现有人脸图像作为训练集对该卷积神经网络模型进行训练，得到训练后的卷积神经网络模型作为特征提取模型；/n步骤S2，对所述目标图像进行预处理获得预处理目标图像，并对所述待判定图像进行预处理获得对应的预处理待判定图像；/n步骤S3，将所述预处理待判定图像及所述预处理目标图像依次输入所述特征提取模型，从而得到分别与所述预处理待判定图像相对应的多个待判定特征向量以及与所述预处理目标图像相对应的目标特征向量；/n步骤S4，根据所述目标特征向量以及所述待判定向量判定出所述待判定图像中的与所述目标图像一致的人脸图像，/n其中，所述步骤S1包括如下子步骤：/n步骤S1-1，对用于作为所述训练集的多个所述现有人脸图像进行预处理从而获得尺寸统一并且分别与所述现有人脸图像相对应的预处理训练图像；/n步骤S1-2，构建含有输入层、卷积模块、残差计算模块以及全连接模块的卷积神经网络模型，该卷积神经网络模型中各层的参数矩阵中的参数为随机设置；/n步骤S1-3，将所述预处理图像作为训练集输入所述卷积神经网络模型；/n步骤S1-4，对所述卷积神经网络模型进行前向传递计算角度误差以及标准误差；/n步骤S1-5，采用反向传播算法传递误差更新所述参数；/n步骤S1-6，重复步骤S1-3至步骤S1-5直至达到训练完成条件，得到训练后的卷积神经网络模型作为所述特征提取模型。/n...

【技术特征摘要】
1.一种基于深度学习的嵌入式人脸识别方法，用于对目标图像进行人脸识别并从多个待判定图像中判定出与所述目标图像相一致的人脸图像，其特征在于，包括如下步骤：
步骤S1，构建卷积神经网络模型并采用多个现有人脸图像作为训练集对该卷积神经网络模型进行训练，得到训练后的卷积神经网络模型作为特征提取模型；
步骤S2，对所述目标图像进行预处理获得预处理目标图像，并对所述待判定图像进行预处理获得对应的预处理待判定图像；
步骤S3，将所述预处理待判定图像及所述预处理目标图像依次输入所述特征提取模型，从而得到分别与所述预处理待判定图像相对应的多个待判定特征向量以及与所述预处理目标图像相对应的目标特征向量；
步骤S4，根据所述目标特征向量以及所述待判定向量判定出所述待判定图像中的与所述目标图像一致的人脸图像，
其中，所述步骤S1包括如下子步骤：
步骤S1-1，对用于作为所述训练集的多个所述现有人脸图像进行预处理从而获得尺寸统一并且分别与所述现有人脸图像相对应的预处理训练图像；
步骤S1-2，构建含有输入层、卷积模块、残差计算模块以及全连接模块的卷积神经网络模型，该卷积神经网络模型中各层的参数矩阵中的参数为随机设置；
步骤S1-3，将所述预处理图像作为训练集输入所述卷积神经网络模型；
步骤S1-4，对所述卷积神经网络模型进行前向传递计算角度误差以及标准误差；
步骤S1-5，采用反向传播算法传递误差更新所述参数；
步骤S1-6，重复步骤S1-3至步骤S1-5直至达到训练完成条件，得到训练后的卷积神经网络模型作为所述特征提取模型。


2.根据权利要求1所述的基于深度学习的嵌入式人脸识别方法，其特征在于：
其中，所述卷积模块包含第一卷积部件，
所述全连接模块包含第一全连接部件，
所述残差计算模块分为：
第一残差计算部件，包含三个残差计算子部件；
第二残差计算部件，包含十三个残差计算子部件；
第三残差计算部件，包含十个残差计算子部件；以及
第四残差计算部件，包含三个残差计算子部件。


3.根据权利要求2所述的基于深度学习的嵌入式人脸识别方法，其特征在于：
其中，所述第一卷积部件包括顺次连接的卷积层、批标准化层、非线性层以及最大池化层，
所述残差计算子部件包括顺次连接的第一批标准化模块、第一卷积层、第二批标准化模块、第一非线性层、第二卷积层、第三批标准化层、残差计算层，
所述第一全连接部件包括顺次连接的第一批标准化层、随机丢弃层、全连接层以及第二批标准化层。


4.根据权利要求1所述的基于深度学习的嵌入式人脸识别方法，其特征在于：
其中，所述步骤S1-4中，所述角度误差的计算如下式(1)所示：



所述标准误差的计算如下式(2)所示：



式中，xi表示第i个特征向量，yi表示第i个权重向量，表示第yi个向量与第i个向量之间的夹角，s为扩张系数，m为角度距离，N为批大小，La为角度误差，Ls为标准误差，j为不...

【专利技术属性】
技术研发人员：姚俊荣，肖楚荣，庄唯，冯瑞，
申请(专利权)人：复钧智能科技苏州有限公司，苏州市公安局，
类型：发明
国别省市：江苏;32