人脸识别的特征提取计算方法及设备技术

本发明专利技术属于人工智能领域，提供一种人脸识别的特征提取计算方法，所述方法应用于人脸识别神经网络模型，所述神经网络模型包括n层运算，所述n层运算包括：第i层卷积层运算和第i+1层池化层运算。本申请提供的技术方案具有降低功耗的优点。功耗的优点。功耗的优点。

Feature extraction method and equipment for face recognition

【技术实现步骤摘要】
人脸识别的特征提取计算方法及设备


[0001]本专利技术涉及人工智能领域，尤其涉及一种人脸识别的特征提取计算方法及设备。

技术介绍

[0002]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识别的一系列相关技术，通常也叫做人像识别、面部识别。
[0003]人脸识别均需要对特征进行提取，然后将提取的特征执行多层神经网络的运算得到运算结果，现有的人脸识别特征提取数据量大，较大的数据量不仅增加了处理芯片的运算量，还提高了能耗。

技术实现思路

[0004]本专利技术的目的之一是提供一种人脸识别的特征提取计算方法，其主要解决现有人脸识别特征提取数据量较大，增加了处理芯片运算量的问题。
[0005]第一方面，提供一种人脸识别的特征提取计算方法，所述方法
[0006]方法应用于人脸识别神经网络模型，所述神经网络模型包括n层运算，所述n层运算包括：第i层卷积层运算和第i+1层池化层运算；所述i为[1,n-1]内的整数，所述n为整数且大于等于4；所述方法包括：
[0007]采集人脸图像，依据人脸图像的每个像素点的RGB值生成该人脸图像的输入数据；
[0008]解析人脸识别神经网络模型的n层结构确定该第i层为卷积层运算以及第i+1层为池化层运算时，终端从第i层卷积层的输入数据中提取部分输入数据；
[0009]将部分输入数据与第i层卷积核执行卷积运算得到部分卷积结果，终端识别该部分卷积结果的尺寸是否大于第i+1层的池化层基本尺寸；
[0010]确定该部分卷积结果的尺寸大于第i+1层的池化层基本尺寸时，对该部分卷积结果执行池化运算得到池化层的部分池化结果。
[0011]第二方面，提供人脸识别的特征提取计算装置，所述装置应用于人脸识别神经网络模型，所述神经网络模型包括n层运算，所述n层运算包括：第i层卷积层运算和第i+1层池化层运算；所述i为[1,n-1]内的整数，所述n为整数且大于等于4；所述装置包括：
[0012]采集单元，用于采集人脸图像；
[0013]处理单元，用于依据人脸图像的每个像素点的RGB值生成该人脸图像的输入数据；解析人脸识别神经网络模型的n层结构确定该第i层为卷积层运算以及第i+1层为池化层运算时，从第i层卷积层的输入数据中提取部分输入数据；将部分输入数据与第i层卷积核执行卷积运算得到部分卷积结果，识别该部分卷积结果的尺寸是否大于第i+1层的池化层基本尺寸；确定该部分卷积结果的尺寸大于第i+1层的池化层基本尺寸时，对该部分卷积结果执行池化运算得到池化层的部分池化结果。
[0014]第三方面，提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理
器执行时实现上述方法。
[0015]实施本专利技术实施例，本申请的技术方案终端采集人脸图像，生成该人脸图像的输入数据；解析人脸识别模型的n层结构确定该第i层为卷积层运算以及第i+1层为池化层运算时，终端提取第i层卷积层运算的部分输入数据；将部分输入数据与第i层卷积核执行卷积运算得到部分卷积结果，终端识别该部分卷积结果的尺寸是否大于第i+1层的池化层基本尺寸；确定该部分卷积结果的尺寸大于第i+1层的池化层基本尺寸时，对该部分卷积结果执行池化运算得到池化层的结果。对于本申请的技术方案，其相当于将第i层卷积层与第i+1层作为连续的运算进行计算，进而避免了卷积层与池化层运算时需要大量的数据IO开销，因此其具有减少数据IO开销的优点。
附图说明
[0016]通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本专利技术的其它特征、目的和优点将会变得更明显：
[0017]图1为本申请提供的一种终端的结构示意图。
[0018]图1A为本申请提供的一种人脸识别的特征提取计算的示意图。
[0019]图2为本申请提供的人脸识别的特征提取计算的方法的流程示意图。
[0020]图2A为本申请提供的一种神经网络结构示意图。
[0021]图3为根据本申请部分卷积运算结果示意图。
[0022]图4为根据本申请提供的一种人脸识别的特征提取计算的装置的结构示意图。
[0023]图5为本专利技术提供的一种计算机设备的结构图。
具体实施方式
[0024]在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各项操作描述成顺序的处理，但是其中的许多操作可以被并行地、并发地或者同时实施。此外，各项操作的顺序可以被重新安排。当其操作完成时所述处理可以被终止，但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。
[0025]在上下文中所称“终端”，也称为“智能终端”，是指可以通过运行预定程序或指令来执行数值计算和/或逻辑计算等预定处理过程的智能电子设备，其可以包括处理器与存储器，由处理器执行在存储器中预存的存续指令来执行预定处理过程，或是由ASIC、FPGA、DSP等硬件执行预定处理过程，或是由上述二者组合来实现。终端包括但不限于平板电脑、智能手机、个人数字助理、电子书等。
[0026]这里所公开的具体结构细节仅仅是代表性的，并且是用于描述本专利技术的示例性实施例的目的。但是本专利技术可以通过许多替换形式来具体实现，并且不应当被解释成仅仅受限于这里所阐述的实施例。
[0027]这里所使用的术语仅仅是为了描述具体实施例而不意图限制示例性实施例。除非上下文明确地另有所指，否则这里所使用的单数形式“一个”、“一项”还意图包括复数。还应当理解的是，这里所使用的术语“包括”和/或“包含”规定所陈述的特征、整数、步骤、操作、单元和/或组件的存在，而不排除存在或添加一个或更多其他特征、整数、步骤、操作、单元、
组件和/或其组合。
[0028]人脸识别技术主要是基于可见光图像的人脸识别，人脸与人体的其它生物特征(指纹、虹膜等)一样与生俱来，它的唯一性和不易被复制的良好特性为身份鉴别提供了必要的前提，与其它类型的生物识别比较人脸识别具有如下特点：
[0029]非强制性：用户不需要专门配合人脸采集设备，几乎可以在无意识的状态下就可获取人脸图像，这样的取样方式没有“强制性”；
[0030]非接触性：用户不需要和设备直接接触就能获取人脸图像；
[0031]并发性：在实际应用场景下可以进行多个人脸的分拣、判断及识别；
[0032]除此之外，还符合视觉特性：“以貌识人”的特性，以及操作简单、结果直观、隐蔽性好等特点。
[0033]人脸识别系统主要包括四个组成部分，分别为：人脸图像采集及检测、人脸图像预处理、人脸图像特征提取以及匹配与识别。
[0034]人脸图像采集及检测
[0035]人脸图像采集：不同的人脸图像都能通过摄像镜头采集下来，比如静态图像、动态图像、不同的位置、不同表情等方面都本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种人脸识别的特征提取计算方法，其特征在于，所述方法应用于人脸识别神经网络模型，所述神经网络模型包括n层运算，所述n层运算包括：第i层卷积层运算和第i+1层池化层运算；所述i为[1,n-1]内的整数，所述n为整数且大于等于4；所述方法包括：采集人脸图像，依据人脸图像的每个像素点的RGB值生成该人脸图像的输入数据；解析人脸识别神经网络模型的n层结构确定该第i层为卷积层运算以及第i+1层为池化层运算时，终端从第i层卷积层的输入数据中提取部分输入数据；将部分输入数据与第i层卷积核执行卷积运算得到部分卷积结果，终端识别该部分卷积结果的尺寸是否大于第i+1层的池化层基本尺寸；确定该部分卷积结果的尺寸大于第i+1层的池化层基本尺寸时，对该部分卷积结果执行池化运算得到池化层的部分池化结果。2.根据权利要求1所述的方法，其特征在于，所述方法应用于多核应用处理器，所述方法还包括：提取多核应用处理器中每个核的使用率，依据该计算量以及使用率为多核应用处理的每个核分配部分输入数据。3.根据权利要求1所述的方法，其特征在于，所述方法还包括：执行所有部分输入数据的卷积运算和池化运算得到所有的部分池化结果，将所有的池化结果执行第i+1层的后续层运算得到运算结果，将运算结果与预设的人脸模板结果比对确定是否一致，如比对一致，确定该人脸图片与该人脸模块匹配。4.根据权利要求3所述的方法，其特征在于，所述将运算结果与预设的人脸模板结果比对具体包括：如果预设的人脸模块具有角度相同的多个模板图像，提取多个模板图像中每个模板图像的图像亮度，计算每个模板图像的图像亮度与人脸图像的图像亮度之间差值，对该差值取绝对值得到亮度绝对值，将该多个模板图像对应的人脸模板结果按该亮度绝对值的倒序排列，依据该排列顺序确定运算结果与人脸模板结果的比对顺序。5.根据权利要求3所述的方法，其特征在于，所述将运算结果与预设的人脸模板结果比对确定是否一致具体包括：将运算结果与所述预设的人脸模板结...

【专利技术属性】
技术研发人员：黄映婷，黎永冬，肖婷，张阳，郑文先，
申请(专利权)人：成都云天励飞技术有限公司，
类型：发明
国别省市：