轻量级人脸识别方法、系统、计算机设备及存储介质技术方案

本发明专利技术公开了一种轻量级人脸识别方法、系统、计算机设备及存储介质，所述方法包括：利用人脸检测网络对人脸进行检测，得到人脸图像特征，所述人脸检测网络包括五个深度可分离卷积层和三个Inception块；利用特征提取网络对人脸图像特征进行特征提取，得到128维特征向量，作为待识别人脸特征，所述特征提取网络包括十二个堆叠层；将待识别人脸特征与数据库人脸特征进行比对，得到人脸识别结果。本发明专利技术在保持较高的识别速度的同时能够兼顾较好的特征提取。

【技术实现步骤摘要】
轻量级人脸识别方法、系统、计算机设备及存储介质
本专利技术涉及一种轻量级人脸识别方法、系统、计算机设备及存储介质，属于深度学习和图像处理领域。
技术介绍
人脸识别，是基于人的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，进而对检测的人脸进行脸部识别的一系列相关技术，通常也叫做人像识别、面部识别。人脸识别的流程主要分为三部分：人脸检测、人脸特征提取和人脸特征比对。其中人脸检测用于获取图像中的人脸位置信息，从而对人脸进行截取，目前主流的方法有CascadeCNN通过级联架构来训练一个具有高精度区分能力的卷积神经网络；UnitBox引入一种新的交并比损失函数，实现了高效率的人脸检测效果；CMS-RCNN将FasterRCNN构架运用到人脸检测中，实现对图像上下文信息的分析。人脸特征提取是人脸识别技术中最为重要的一步，直接关系到最后的识别效果，目前主流的人脸特征提取向量维数有128维和512维，提取方法有ArcFace利用新的损失函数，直接在角度空间(angularspace)中最本文档来自技高网...

【技术保护点】
1.一种轻量级人脸识别方法，其特征在于，所述方法包括：/n利用人脸检测网络对人脸进行检测，得到人脸图像特征；其中，所述人脸检测网络包括五个深度可分离卷积层和三个Inception块；/n利用特征提取网络对人脸图像特征进行特征提取，得到128维特征向量，作为待识别人脸特征；其中，所述特征提取网络包括十二个堆叠层；/n将待识别人脸特征与数据库人脸特征进行比对，得到人脸识别结果。/n

【技术特征摘要】
1.一种轻量级人脸识别方法，其特征在于，所述方法包括：
利用人脸检测网络对人脸进行检测，得到人脸图像特征；其中，所述人脸检测网络包括五个深度可分离卷积层和三个Inception块；
利用特征提取网络对人脸图像特征进行特征提取，得到128维特征向量，作为待识别人脸特征；其中，所述特征提取网络包括十二个堆叠层；
将待识别人脸特征与数据库人脸特征进行比对，得到人脸识别结果。


2.根据权利要求1所述的轻量级人脸识别方法，其特征在于，所述五个深度可分离卷积层分别为第一深度可分离卷积层、第二深度可分离卷积层、第三深度可分离卷积层、第四深度可分离卷积层和第五深度可分离卷积层，所述三个Inception块分别为第一Inception块、第二Inception块和第三Inception块；
所述第一深度可分离卷积层、第二深度可分离卷积层、第一Inception块、第二Inception块、第三Inception块、第三深度可分离卷积层、第四深度可分离卷积层和第五深度可分离卷积层依次连接。


3.根据权利要求1所述的轻量级人脸识别方法，其特征在于，每个深度可分离卷积层包括深度卷积层和逐点卷积层，其中深度卷积层对每个输入通道应用单通道的轻量级滤波器，逐点卷积层负责计算输入通道的线性组合，构建新的特征。


4.根据权利要求1所述的轻量级人脸识别方法，其特征在于，每个Inception块包括三个分支，第一个分支为第一卷积层，第二个分支为依次连接的池化层和第二卷积层，第三个分支为依次连接的第三卷积层、第六深度可分离卷积层和第七深度可分离卷积层。


5.根据权利要求1-4任一项所述的轻量级人脸识别方法，其特征在于，所述十二个堆叠层包括两个卷积层、九个缩放层和一个全连接层，所述两个卷积层分别为第四卷积层和第五卷积层，所述九个缩放层分别为第一缩放层、第二缩放层、第三缩放层、第四缩放层、第五缩放层、第六缩放层、第七缩放层、第八缩放层和第九缩放层；
所述第四卷积层、第一缩放层、第二缩放层、第三缩放层、第四缩放层、第五缩放层、第六缩放层、第七缩放层、第八缩放层、第九缩放层、...

【专利技术属性】
技术研发人员：龚汝洪，杜振锋，周晓清，
申请(专利权)人：广东宜教通教育有限公司，
类型：发明
国别省市：广东;44