本发明专利技术涉及一种基于深度学习的人脸识别装置及识别方法，包括：人脸检测，获取包含人脸的图像，通过yolo算法对包含人脸的图像进行检测，分割并提取出人脸图像。人脸图像预处理，通过拉普拉斯高斯算法对提取出的人脸图像进行平滑降噪处理及边缘检测。面部表情特征提取，将预处理的人脸图像输入预先训练的神经网络模型中，输出识别结果。本发明专利技术的装置体积小，便于携带，并且识别效率及准确度高，可满足多场景转换使用，尤其适用于光照不均、太阳光、阴雨天等极端光照条件场景下。
【技术实现步骤摘要】
一种基于深度学习的人脸识别装置及识别方法
本专利技术属于机器视觉领域，涉及一种基于深度学习的人脸识别装置及识别方法。
技术介绍
传统人脸识别装置/系统体积大、可携带性差，构建起来十分麻烦，无法实现多场景转换应用。并且，操作时依赖于操作者的水平，稳定性不高，尤其是在极端光照条件下(如强太阳光或阴雨天)，识别效率低、准确度低。
技术实现思路
本专利技术提出一种便携，易于操作的人脸识别装置，同时，提出一种识别效率及准确度更高的基于深度学习的人脸识别方法。本专利技术所采用的技术方案为：一种基于深度学习的人脸识别装置，包括装置本体、升降机构和可自动调焦的摄像机；所述装置本体为方形盒体结构，内置有用于人脸识别数据处理的树莓派、用于数据存储的硬盘组和用于为所述人脸识别装置供电的储能电池，所述升降机构垂直固定在所述装置本体上端面中间位置，所述摄像机水平固定在所述升降机构顶部，所述摄像机的主控芯片与所述树莓派电性连接。进一步地，所述升降机构包括圆管、齿条、电机、第一固定板和第二固定板，所述第一固定板开设有第一螺孔并通过螺钉固定在所述装置本体上端面，所述圆管一体垂直固定在所述第一固定板上，所述齿条插接在所述圆管中，所述齿条顶部与所述第二固定板下端面垂直一体连接，所述第二固定板上开设第二螺孔并通过螺钉与所述摄像机固定；所述圆管顶部后侧一体设置有水平承托板，所述电机通过螺栓固定在所述水平承托板上，所述电机的输出轴端部固定有齿轮，所述齿轮穿过所述圆管并与所述齿条啮合；所述电机上配套有用于手动控制所述电机正、反转的旋钮开关。进一步地，所述升降机构还包括用于卡住所述齿条的插销式卡扣，所述圆管顶部开设有供所述卡扣插入的孔。进一步地，所述树莓派上设置有USB接口，所述装置本体上对应于所述USB接口的位置开孔。进一步地，所述储能电池连有电源插头；所述装置本体侧面设置有散热风扇。进一步地，所述装置本体、所述圆管、所述齿条、所述第一固定板和所述第二固定板均为碳纤维材质。一种基于深度学习的人脸识别方法，包括如下步骤：步骤a、人脸检测，获取包含人脸的图像，通过yolo算法对包含人脸的图像进行检测，分割并提取出人脸图像；步骤b、人脸图像预处理，通过拉普拉斯高斯算法对提取出的人脸图像进行平滑降噪处理及边缘检测；步骤c、面部表情特征提取，将预处理的人脸图像输入预先训练的神经网络模型中，输出识别结果。进一步地，步骤a中，yolo算法的架设采用darknet-53网络作为训练网络。进一步地，步骤b包括：步骤b-1、对图像f(x,y)进行平滑滤波，滤波函数选用高斯函数G(x,y)：高斯函数G(x,y)为一个圆对称函数，公式(1)中，x为图像横轴坐标，y为图像纵轴坐标，exp表示自然常数e为底的指数函数，高斯函数G(x,y)平滑作用由控制参数σ来控制；将G(x,y)与f(x,y)卷积，得到一个平滑的图像g(x,y)＝f(x,y)*G(x,y)；步骤b-2、增强，对平滑图像g(x,y)进行拉普拉斯运算：公式(2)中，表示梯度；步骤b-3、边缘检测，边缘检测的判断依据为h(x,y)＝0的点，作为边缘点。进一步地，步骤c中，采用VGG-16作为训练网络，将fer人脸表情训练集作为基础训练集输入VGG-16网络进行训练，在得到训练矩阵生成的同时，加入其类别矩阵，用于保存训练集标签；VGG-16网络为全连接神经网络，输入数据在加权求和之后通过激活函数计算传入下一个神经源，而上层每一个神经源都要经过此运算过程后传到进入下一层；具体包括：步骤c-1、将ReLU函数作为激活函数，对输入数据进行激活处理；步骤c-2、通过损失函数计算预测值和真实值之间的差值，损失函数采用交叉熵损失函数：公式(3)输出某一个对象是某一类的概率，其中，tk为某一个对象的正确解，为0或1；k表示求和下标，yk为上一层的输出；步骤c-3、通过优化函数计算权重更新值，优化函数采用adam优化器。本专利技术的有益效果在于：(1)、本专利技术的人脸识别装置结构简单，体积小，成本低，便于携带并转换场景使用。(2)、传统图像预处理采用平均或积分运算，易使图像模糊。本专利技术中，采用微分运算，具体使用高斯滤波器(滤波器也称核函数或卷积核)优化高频分量，抑制低频分量，提高图像边界清晰度，能够尽可能地排除掉无效数据，增加网络输出结果的效率和准确度。进而使得本专利技术尤其适用于光照不均、太阳光、阴雨天等极端光照条件场景下，并保证了本专利技术的装置使用场景的多样性、适用性。(3)、神经网络模型训练完成后保存于硬盘组中，使用时，将数据输入并直接调用该预先训练的神经网络模型并得到预测值，可极大地减少数据测试时间，提高识别效率。附图说明图1为人脸识别装置的结构示意图；图2为升降机构的结构示意图；图3为人脸识别装置的立体结构示意图；图4为人脸识别方法的流程框图；附图标记：1-装置本体，2-树莓派，201-USB接口，3-硬盘组，4-储能电池，5-电源插头，6-散热风扇，7-升降机构，701-圆管，702-齿条，703-电机，704-齿轮，705-第一固定板，706-第二固定板，707-卡扣，8-摄像机，801-主控芯片。具体实施方式下面结合附图和具体的实施例对本专利技术的基于深度学习的人脸识别装置及识别方法作进一步地详细说明。如图1和图3所示，一种基于深度学习的人脸识别装置，包括装置本体1、升降机构7和可自动调焦的摄像机8。装置本体1为方形盒体结构，内置有用于人脸识别数据处理的树莓派2、用于数据存储的硬盘组3和用于为人脸识别装置供电的储能电池4，升降机构7垂直固定在装置本体1上端面中间位置，摄像机8水平固定在升降机构7顶部，摄像机8的主控芯片801与树莓派2电性连接。具体地，如图2所示，升降机构7包括圆管701、齿条702、电机703、第一固定板705和第二固定板706，第一固定板705开设有第一螺孔并通过螺钉固定在装置本体1上端面，圆管701一体垂直固定在第一固定板705上，齿条702插接在圆管701中，齿条702顶部与第二固定板706下端面垂直一体连接，第二固定板706上开设第二螺孔并通过螺钉与摄像机8固定。圆管701顶部后侧一体设置有水平承托板，电机703通过螺栓固定在水平承托板上，电机703的输出轴端部固定有齿轮704，齿轮704穿过圆管701并与齿条702啮合。电机703上配套有用于手动控制电机703正、反转的旋钮开关。此外，升降机构7还包括用于卡住齿条702的插销式卡扣707，圆管701顶部开设有供卡扣707插入的孔。并且，齿条702可在圆管701中360度旋转，当需要调节摄像机8时，将卡扣707拔下，高度调整完毕后，将卡扣707插回，以防升降机构7损坏。在手动调节升降后，摄像机8进行面部特征提取，若相应的算法程序判定摄像机8本文档来自技高网...
【技术保护点】
1.一种基于深度学习的人脸识别装置，其特征在于，包括装置本体(1)、升降机构(7)和可自动调焦的摄像机(8)；装置本体(1)为方形盒体结构，内置有用于人脸识别数据处理的树莓派(2)、用于数据存储的硬盘组(3)和用于为所述人脸识别装置供电的储能电池(4)，升降机构(7)垂直固定在装置本体(1)上端面中间位置，摄像机(8)水平固定在升降机构(7)顶部，摄像机(8)的主控芯片(801)与树莓派(2)电性连接。/n
【技术特征摘要】
1.一种基于深度学习的人脸识别装置，其特征在于，包括装置本体(1)、升降机构(7)和可自动调焦的摄像机(8)；装置本体(1)为方形盒体结构，内置有用于人脸识别数据处理的树莓派(2)、用于数据存储的硬盘组(3)和用于为所述人脸识别装置供电的储能电池(4)，升降机构(7)垂直固定在装置本体(1)上端面中间位置，摄像机(8)水平固定在升降机构(7)顶部，摄像机(8)的主控芯片(801)与树莓派(2)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装置，其特征在于，升降机构(7)包括圆管(701)、齿条(702)、电机(703)、第一固定板(705)和第二固定板(706)，第一固定板(705)开设有第一螺孔并通过螺钉固定在装置本体(1)上端面，圆管(701)一体垂直固定在第一固定板(705)上，齿条(702)插接在圆管(701)中，齿条(702)顶部与第二固定板(706)下端面垂直一体连接，第二固定板(706)上开设第二螺孔并通过螺钉与摄像机(8)固定；圆管(701)顶部后侧一体设置有水平承托板，电机(703)通过螺栓固定在所述水平承托板上，电机(703)的输出轴端部固定有齿轮(704)，齿轮(704)穿过圆管(701)并与齿条(702)啮合；电机(703)上配套有用于手动控制电机(703)正、反转的旋钮开关。
3.根据权利要求2所述的基于深度学习的人脸识别装置，其特征在于，升降机构(7)还包括用于卡住齿条(702)的插销式卡扣(707)，圆管(701)顶部开设有供卡扣(707)插入的孔。
4.根据权利要求1所述的基于深度学习的人脸识别装置，其特征在于，树莓派(2)上设置有USB接口(201)，装置本体(1)上对应于USB接口(201)的位置开孔。
5.根据权利要求1所述的基于深度学习的人脸识别装置，其特征在于，储能电池(4)连有电源插头(5)；装置本体(1)侧面设置有散热风扇(6)。
6.根据权利要求2至5中任一项所述的基于深度学习的人脸识别装置，其特征在于，装置本体(1)、圆管(701)、齿条(702)、第一固定板(705)和第二固定板(706)均为碳纤维材质。
7.一种基于深度学习的人脸识别方法，其特征在于，包括...
【专利技术属性】
技术研发人员：陈豪，官预翔，沈毅，杨玉涟，朱霞，
申请(专利权)人：金陵科技学院，
类型：发明
国别省市：江苏;32
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。