一种深度学习模型下的人脸特征数据库构建和更新方法技术

本发明专利技术公开了一种深度学习模型下的人脸特征数据库构建和更新方法，该方法包括以下步骤：步骤(1)、建立基础人脸特征数据库；步骤(2)、在数据库中添加基准人脸特征；步骤(3)、使用人脸特征数据库进行人脸比对；步骤(4)、实时捕获人脸特征；步骤(5)、人脸特征数据库更新，该方法减少了由于待识别人员化妆，发型，侧脸等问题带来的干扰，提高了识别设备的准确率和效率。

【技术实现步骤摘要】
一种深度学习模型下的人脸特征数据库构建和更新方法
本专利技术涉及计算机视觉、人脸识别领域，特别是涉及一种适用于深度学习模型下的人脸特征数据库构建和更新方法。
技术介绍
近年来随着神经网络，深度学习等不断发展，计算机视觉取得了很大的进步，同时也给人类生活带来了诸多便捷。现在以人脸识别为核心的设备被广泛应用，例如小区的人脸识别门禁系统，公司和学校的考勤系统等。在这些系统中，人脸特征数据库都是比不可少的，但是传统的人脸特征数据库作用单一，仅仅用来存放人脸的特征向量，其对于人脸识别设备的识别效果并没有影响。同时人脸识别设备在应用时总是面临由于化妆，发型遮挡，侧脸等带来的识别干扰。
技术实现思路
本专利技术的目的是为了克服现有技术中的不足，进一步开发人脸识别中人脸特征数据库的作用，针对现有技术中存在的人脸识别设备的识别效果易受待识别人员化妆，遮挡，侧脸等干扰，通过提出一种数据库构建和更新方法来有效解决以上问题。本专利技术的目的是通过以下技术方案实现的：一种适用于深度学习模型下的人脸特征数据库构建和更新方法，该方法包括以下步骤：步骤(1)、建立基础人脸特征数据库；步骤(2)、在数据库中添加基准人脸特征；步骤(3)、使用人脸特征数据库进行人脸比对；步骤(4)、实时捕获人脸特征；步骤(5)、人脸特征数据库更新。进一步的，步骤(1)包括以下步骤：步骤(101)、根据人脸识别设备所需识别的人数进行数据库存储空间分配，为每个人分配一个人脸特征数据子库，同时设置人脸特征数据缓存区；步骤(102)、为每个人的人脸特征数据子库分配20个人脸特征数据空间，即每人最多允许存在20组人脸特征数据。进一步的，步骤(2)具体包括以下处理过程：步骤(201)、收集所需识别人员的脸部照片五张，其中一张正脸照，两张小幅度侧脸照(左右侧各一张)，一张小幅度抬头照片和一张小幅度低头照片；步骤(202)、使用人脸识别模型对五张照片进行人脸特征提取，将提取到的特征放入对应人员名称下。进一步的，所述步骤(3)具体包括以下处理过程：步骤(301)、使用人脸识别模型对待识别人脸提取特征。步骤(302)、使用欧式距离或余弦距离将待识别的人脸特征与数据库中的人脸特征进行对比，其中与待识别人脸特征最近且小于固定阈值的人脸特征对应的人员即为待识别人脸的身份，若大于阈值则识别为陌生人。进一步的，所述步骤(4)具体包括以下处理步骤：步骤(401)、在人脸识别失败时触发人脸特征捕获机制，将未能识别的人脸特征放入数据库的缓存区；步骤(402)、在上次人脸识别失败后继续进行识别，(实际情况下为了成功识别，待识别人员会调整脸部位置和姿态)若识别依旧失败则将本次人脸特征放入数据库的缓存区并将前一次的特征数据删除；步骤(403)、在上次人脸识别失败后继续进行识别，(实际情况下为了成功识别，待识别人员会调整脸部位置和姿态)若识别成功则将识别出的人员与缓存区的人脸特征对应，在缓存区与人员对应的特征将不再被步骤(402)删除，下次识别失败则添加新的缓存。进一步的，步骤(5)具体包括以下处理步骤：步骤(501)、在设备不再进行人脸识别半小时后进入数据库更新状态，一旦检测到有待识别人脸则立即突出数据库更新状态；步骤(502)、在数据库更新状态下，逐条读取缓存区内所有与人员对应的人脸特征。通过欧式距离或余弦距离计算该人脸特征与数据库中所有人的所有特征的距离，若与该特征距离最小的人脸特征对应的人员与缓存区该特征对应的人员一致则将该特征写入对应人员的人脸特征数据子库。若与该特征距离最小的人脸特征对应的人员与缓存区该特征对应的人员不一致则将该特征舍弃，并在缓存区中删除。有益效果本专利技术将人脸特征数据库构建为可自动更新的数据库，提出了一个改善人脸识别设备效果的新思路，减少了由于待识别人员化妆，发型，侧脸等问题带来的干扰，提高了设备的准确率和效率。附图说明图1为本专利技术人脸特征数据库结构图；图2为本专利技术人脸特征捕获流程示意图；图3为本专利技术人脸特征数据库更新流程示意图。具体实施方式：下面结合附图对本专利技术作进一步的描述。本专利技术提供一种适用于深度学习模型下的人脸特征数据库构建和更新方法，包括以下步骤：1.建立基础人脸特征数据库，如图1所示；具体的：步骤101、根据人脸识别设备所需识别的人数进行数据库存储空间分配，为每个人分配一个人脸特征数据子库，同时设置人脸特征数据缓存区；步骤102、为每个人的人脸特征数据子库分配20个人脸特征数据空间，即每人最多允许存在20组人脸特征数据。2.在数据库中添加基准人脸特征，具体的：步骤201、收集所需识别人员的脸部照片五张，其中一张正脸照，两张小幅度侧脸照(左右侧各一张)，一张小幅度抬头照片和一张小幅度低头照片；步骤202、使用人脸识别模型对五张照片进行人脸特征提取，将提取到的特征放入对应人员名称下。3.使用人脸特征数据库进行人脸比对，具体的：步骤301、使用人脸识别模型对待识别人脸提取特征。步骤302、使用欧式距离或余弦距离将待识别的人脸特征与数据库中的人脸特征进行对比，其中与待识别人脸特征最近且小于固定阈值的人脸特征对应的人员即为待识别人脸的身份，若大于阈值则识别为陌生人。如图2所示，4.实时捕获人脸特征，具体的：步骤401、在人脸识别失败时触发人脸特征捕获机制，将未能识别的人脸特征放入数据库的缓存区；步骤402、在上次人脸识别失败后继续进行识别，(实际情况下为了成功识别，待识别人员会调整脸部位置和姿态)若识别依旧失败则将本次人脸特征放入数据库的缓存区并将前一次的特征数据删除；步骤403、在上次人脸识别失败后继续进行识别，(实际情况下为了成功识别，待识别人员会调整脸部位置和姿态)若识别成功则将识别出的人员与缓存区的人脸特征对应，在缓存区与人员对应的特征将不再被步骤(402)删除，下次识别失败则添加新的缓存。5.人脸特征数据库更新，具体的：步骤501、在设备不再进行人脸识别半小时后进入数据库更新状态，一旦检测到有待识别人脸则立即突出数据库更新状态；步骤502、在数据库更新状态下，逐条读取缓存区内所有与人员对应的人脸特征；通过欧式距离或余弦距离计算该人脸特征与数据库中所有人的所有特征的距离；若与该特征距离最小的人脸特征对应的人员与缓存区该特征对应的人员一致则将该特征写入对应人员的人脸特征数据子库；若与该特征距离最小的人脸特征对应的人员与缓存区该特征对应的人员不一致则将该特征舍弃，并在缓存区中删除。本专利技术并不限于上文描述的实施方式。以上对具体实施方式的描述旨在描述和说明本专利技术的技术方案，上述的具体实施方式仅仅是示意性的，并不是限制性的。在不脱离本专利技术宗旨和权利要求所保护的范围情况下，本领域的普通技术人员在本文档来自技高网...

【技术保护点】
1.一种深度学习模型下的人脸特征数据库构建和更新方法，其特征在于，该方法包括以下步骤：/n步骤(1)、建立基础人脸特征数据库；/n步骤(2)、在数据库中添加基准人脸特征；/n步骤(3)、使用人脸特征数据库进行人脸比对；/n步骤(4)、实时捕获人脸特征过程；其中：/n在人脸识别失败时触发人脸特征捕获机制，将未能识别的人脸特征放入数据库的缓存区；/n在上次人脸识别失败后继续进行识别，若识别依旧失败则将本次人脸特征放入数据库的缓存区并将前一次的特征数据删除；/n在上次人脸识别失败后继续进行识别，若识别成功则将识别出的人员与缓存区的人脸特征对应，在缓存区与人员对应的特征将不再被删除，下次识别失败则添加新的缓存；/n步骤(5)、人脸特征数据库更新。/n

【技术特征摘要】
1.一种深度学习模型下的人脸特征数据库构建和更新方法，其特征在于，该方法包括以下步骤：
步骤(1)、建立基础人脸特征数据库；
步骤(2)、在数据库中添加基准人脸特征；
步骤(3)、使用人脸特征数据库进行人脸比对；
步骤(4)、实时捕获人脸特征过程；其中：
在人脸识别失败时触发人脸特征捕获机制，将未能识别的人脸特征放入数据库的缓存区；
在上次人脸识别失败后继续进行识别，若识别依旧失败则将本次人脸特征放入数据库的缓存区并将前一次的特征数据删除；
在上次人脸识别失败后继续进行识别，若识别成功则将识别出的人员与缓存区的人脸特征对应，在缓存区与人员对应的特征将不再被删除，下次识别失败则添加新的缓存；
步骤(5)、人脸特征数据库更新。


2.根据权利要求1所述的一种深度学习模型下的人脸特征数据库构建和更新方法，其特征在于，步骤(1)包括以下步骤：
根据人脸识别设备所需识别的人数进行数据库存储空间分配，为每个人分配一个人脸特征数据子库，同时设置人脸特征数据缓存区；
为每个人的人脸特征数据子库分配20个人脸特征数据空间，即每人最多允许存在20组人脸特征数据。


3.根据权利要求1所述的一种深度学习模型下的人脸特征数据库构建和更新方法，其特征在于，步骤(2)具体包括以下处理过程：

【专利技术属性】
技术研发人员：苏寒松，刘腾腾，刘高华，
申请(专利权)人：天津大学，
类型：发明
国别省市：天津;12