一种人脸识别方法技术

本发明专利技术公开了一种人脸识别方法，S1：对人像进行人脸采集；S2：对人脸进行预处理；S3：对人脸进行识别、比对；步骤S3包括以下子步骤：S31：人脸特征提取；所述人脸特征提取采用以下具有不同特征提取层结构的特征提取算法：特征提取层由两个相对独立的子卷积网络组成，输入图片大小，包含6个卷积层和6个池化层，识别分类层采用全连接，最后用softmax函数判断分类；S32：人脸特征比对。本发明专利技术通过改进普通卷积神经网络的特征提取算法，采用具有不同的特征提取层结构，同时它们的对象识别层也融合了来自不同单层提取的特征，提高了人脸识别的准确率，本发明专利技术提出的算法模型识别准确率可达90%。

【技术实现步骤摘要】
一种人脸识别方法
本专利技术涉及人脸识别
，尤其涉及一种人脸识别方法。
技术介绍
人脸识别，是基于人的脸部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含有人脸的图像或视频流，并自动在图像中检测和跟踪人脸，进而对检测到的人脸进行脸部分析的一系列相关技术，通常也叫做人像识别、面部识别。人脸识别技术目前已广泛应用于金融、司法、安保、边检、航天、电力、教育、医疗等领域，为生产生活带来了极大便利，目前的人脸识别技术在准确率上还存在着不足。
技术实现思路
本专利技术的目的在于，针对上述问题，提出一种人脸识别方法，通过改进普通卷积神经网络的特征提取算法，采用具有不同的特征提取层结构，同时它们的对象识别层也融合了来自不同单层提取的特征，提高了人脸识别的准确率，本专利技术提出的算法模型识别准确率可达90％。一种人脸识别方法，包括以下步骤：S1：对人像进行人脸采集；S2：对人脸进行预处理；S3：对人脸进行识别、比对；步骤S3包括以下子步骤：S31：人脸特征提取；所述人脸特征提取采用以下具有不同特征提取层结构的特征提取算法：特征提取层由两个相对独立的子卷积网络组成，输入图片大小，包含6个卷积层和6个池化层，识别分类层采用全连接，最后用softmax函数判断分类；S32：人脸特征比对。进一步的，人脸采集采用人脸抓拍机完成。进一步的，人脸特征提取和人脸特征比对采用残差网络作为骨干网络。进一步的，6个卷积层分别为C1、C2、C5、C6、C9、C10，6个池化层分别为S3、S4、S7、S8、S11、S12，识别分类层分别为F13、F14。进一步的，卷积层C1有20个4×4大小的卷积核，有20个不同的特征映射，C1的大小是48×40×20；卷积层C2有20个8×8大小的卷积核，有20个不同的特征映射，C2的大小是44×36×20；池化层对C1的每个2×2的区域取最大值，大小为24×20×20；池化层S4对C2的每个2×2的区域取最大值，大小为22×18×20；卷积层C5对3×3卷积核采用S3进行卷积运算，特征取40个，大小为22×18×40，卷积层C6对S4进行卷积运算，卷积核大小是5×5，特征取40个，大小为18×14×40；池化层S7用2×2的窗口取最大值对C5进行采样池化，所得大小为11×9×40；池化层S8对C6进行采样，同样取2×2的窗口最大值池化，所得大小为9×7×40；卷积层C9和C10采用对2×2的卷积核分别对S7和S8进行卷积运算，特征都为60个，大小分别为10×8×60和8×6×60；池化层S11和Sl2采用2×2的窗口最大值池化分别对C9和C10进行下采样，所得大小分别为5×4×60和4×3×60。进一步的，识别分类层F14和F13采用全连接，F13的输入来自S3、S4、S7、S8、S11、S12，计算公式为：用softmax函数表示最后分类层的输出，公式为：xi＝wix'+b，进一步的，人脸特征比对利用神经网络学习高度抽象的人脸特征，然后将特征表示为特征向量，通过比较特征向量之间的欧式距离来判定两张照片是否是同一个人。本专利技术的有益效果：通过改进普通卷积神经网络的特征提取算法，采用具有不同的特征提取层结构，同时它们的对象识别层也融合了来自不同单层提取的特征，提高了人脸识别的准确率，本专利技术提出的算法模型识别准确率可达90％。附图说明图1是本专利技术方法流程框图。图2是本专利技术采用的特征提取算法结构示意图。具体实施方式为了对本专利技术的技术特征、目的和效果有更加清楚的理解，现对照附图说明本专利技术的具体实施方式。如图1、2所示，一种人脸识别方法，包括以下步骤：S1：对人像进行人脸采集；人脸采集采用人脸抓拍机完成；S2：对人脸进行预处理；S3：对人脸进行识别、比对；步骤S3包括以下子步骤：S31：人脸特征提取；所述人脸特征提取采用以下具有不同特征提取层结构的特征提取算法：特征提取层由两个相对独立的子卷积网络组成，输入图片大小，包含6个卷积层和6个池化层，识别分类层采用全连接，最后用softmax函数判断分类；S32：人脸特征比对。人脸特征提取和人脸特征比对采用残差网络作为骨干网络，以获得更好的性能。本方案人脸识别的业务架构，可以分为三大层次：样本标注、模型训练和模型应用。样本标注，包括人脸区域检测样本标注和人脸特征点标定样本标注；模型训练，包括人脸区域检测模型训练、人脸区域检测模型评估，人脸特征点标定模型训练、人脸特征点标定模型评估，以及人脸比对模型训练和人脸比对模型评估；模型应用，包括人脸识别、人脸比对。人脸识别的技术架构，可以划分为四个层次：基础设施层、学习框架层、算法模型层和算法应用层。基础设施层主要包括CPU/GPU/大数据，其中与人脸识别相关度最高的是GPU，对应的开发框架是cuda。学习框架层主要包括计算机视觉相关的Opencv、TensorFlow和Keras。算法模型层涉及的关键技术主要包括人脸区域检测算法模型(CNN)，人脸特征点检测算法模型(CNN)，人脸对齐算法模型。算法应用层主要包括人脸检测、人脸特征点标定、人脸比对等。本方案的特征提取算法在普通卷积神经网络的基础上作了适当改进，其具有不同的特征提取层结构，同时它们的对象识别层也融合了来自不同单层提取的特征。特征提取层由两个相对独立的子卷积网络组成，输入图片大小51×43，包含6个卷积层(C1、C2、C5、C6、C9、C10)和6个池化层(S3、S4、S7、S8、S11、S12)，识别分类层(F13、F14)采用全连接，最后用softmax函数判断分类。6个卷积层分别为C1、C2、C5、C6、C9、C10，6个池化层分别为S3、S4、S7、S8、S11、S12，识别分类层分别为F13、F14。卷积层C1有20个4×4大小的卷积核，有20个不同的特征映射，C1的大小是48×40×20；卷积层C2有20个8×8大小的卷积核，有20个不同的特征映射，C2的大小是44×36×20；池化层对C1的每个2×2的区域取最大值，大小为24×20×20；池化层S4对C2的每个2×2的区域取最大值，大小为22×18×20。卷积层C5对3×3卷积核采用S3进行卷积运算，特征取40个，大小为22×18×40，卷积层C6对S4进行卷积运算，卷积核大小是5×5，特征取40个，大小为18×14×40；池化层S7用2×2的窗口取最大值对C5进行采样池化，所得大小为11×9×40；池化层S8对C6进行采样，同样取2×2的窗口最大值池化，所得大小为9×7×40。卷积层C9和C10采用对2×2的卷积核分别对S7和S8进行卷积运算，特征都为60个，大小分别为10×8×60和8×6×60；池化层S11和Sl2采用2×2的窗口最大值池化分别对C9和C10进行下采样，所得大小本文档来自技高网...

【技术保护点】
1.一种人脸识别方法，其特征在于，包括以下步骤：/nS1：对人像进行人脸采集；/nS2：对人脸进行预处理；/nS3：对人脸进行识别、比对；/n步骤S3包括以下子步骤：/nS31：人脸特征提取；/n所述人脸特征提取采用以下具有不同特征提取层结构的特征提取算法：/n特征提取层由两个相对独立的子卷积网络组成，输入图片大小，包含6个卷积层和6个池化层，识别分类层采用全连接，最后用softmax函数判断分类；/nS32：人脸特征比对。/n

【技术特征摘要】
1.一种人脸识别方法，其特征在于，包括以下步骤：
S1：对人像进行人脸采集；
S2：对人脸进行预处理；
S3：对人脸进行识别、比对；
步骤S3包括以下子步骤：
S31：人脸特征提取；
所述人脸特征提取采用以下具有不同特征提取层结构的特征提取算法：
特征提取层由两个相对独立的子卷积网络组成，输入图片大小，包含6个卷积层和6个池化层，识别分类层采用全连接，最后用softmax函数判断分类；
S32：人脸特征比对。


2.根据权利要求1所述的一种人脸识别方法，其特征在于，所述人脸采集采用人脸抓拍机完成。


3.根据权利要求1所述的一种人脸识别方法，其特征在于，所述人脸特征提取和人脸特征比对采用残差网络作为骨干网络。


4.根据权利要求1所述的一种人脸识别方法，其特征在于，所述6个卷积层分别为C1、C2、C5、C6、C9、C10，6个池化层分别为S3、S4、S7、S8、S11、S12，识别分类层分别为F13、F14。


5.根据权利要求4所述的一种人脸识别方法，其特征在于，卷积层C1有20个4×4大小的卷积核，有20个不同的特征映射，C1的大小是48×40×20；卷积层C2有20个8×8大小的卷积核，有20个不同的特征映射，C2的大小是44×36×20；池化层对C1的每个2×2的区域取最大值，大小为24×...

【专利技术属性】
技术研发人员：钟凯，花福军，周建军，姚易佳，
申请(专利权)人：创意信息技术股份有限公司，
类型：发明
国别省市：四川;51