一种基于深度学习的识别模组的识别方法、设备以及介质技术

本发明专利技术涉及人脸识别技术领域，尤其涉及一种基于深度学习的识别模组的识别方法、设备以及介质，所述方法包括：获取摄像机采集的位于摄像机前面的图像或者视频；对所述图像或者视频进行预处理并获取所述图像或者所述视频中的人脸；提取所述人脸中的第一特征；提取人脸数据库中的人脸的第二特征；将所述第一特征与所述第二特征通过基于深度学习的算法进行识别得到识别结果；根据识别结果控制门锁打开或者提示认证失败。本发明专利技术提供的技术方案，能够提供识别速度较快，并且具有深度学习功能从而能够从多个姿势以及角度均能识别到同一业主，识别结果稳定。

【技术实现步骤摘要】
一种基于深度学习的识别模组的识别方法、设备以及介质
本专利技术涉及人脸识别
，尤其涉及一种基于深度学习的识别模组的识别方法、设备以及介质。
技术介绍
现有的识别模组在使用时有些具有基于机器学习的功能，但是大多数还是没有基于深度学习的功能，这样会导致识别速度较慢。并且测量姿势较为单一，导致同一业主在不同角度识别时会出现识别结果刚好相反的情况，给业主带来了极大的不便。因此，亟需一种识别速度较快，具有深度学习功能，从而从多个姿势、角度均能识别出同一业主，同时具有识别结果稳定的基于深度学习识别模组的识别方法、设备以及介质，从而解决现有的识别模组在使用时大多数还是没有基于深度学习的功能，导致识别速度较慢，并且测量姿势较为单一导致同一业主在不同角度识别时会出现识别结果刚好相反的情况，给业主带来了极大不便的问题。
技术实现思路
本专利技术的主要目的在于提供识别速度较快，并且具有深度学习功能从而能够从多个姿势以及角度均能识别出同一业主，识别结果稳定的基于深度学习识别模组的识别方法、设备以及介质。为实现上述目的，本专利技本文档来自技高网...

【技术保护点】
1.一种基于深度学习的识别模组的识别方法，其特征在于，所述方法包括：/n获取摄像机采集的位于摄像机前面的图像或者视频；/n对所述图像或者视频进行预处理并获取所述图像或者所述视频中的人脸；/n提取所述人脸中的第一特征；/n提取人脸数据库中的人脸的第二特征；/n将所述第一特征与所述第二特征通过基于深度学习的算法进行识别得到识别结果；/n根据识别结果控制门锁打开或者提示认证失败。/n

【技术特征摘要】
1.一种基于深度学习的识别模组的识别方法，其特征在于，所述方法包括：
获取摄像机采集的位于摄像机前面的图像或者视频；
对所述图像或者视频进行预处理并获取所述图像或者所述视频中的人脸；
提取所述人脸中的第一特征；
提取人脸数据库中的人脸的第二特征；
将所述第一特征与所述第二特征通过基于深度学习的算法进行识别得到识别结果；
根据识别结果控制门锁打开或者提示认证失败。


2.如权利要求1所述的基于深度学习的识别模组的识别方法，其特征在于，所述方法还包括：
对所述基于深度学习的算法进行训练，所述训练包括向前传播和向后传播两个阶段；
向前传播阶段：
获取所有样本，从所有样本中取其中一个(X，Yp)，并将X视为输入网络；
通过输入信息计算输出Op；
输入信息经过六次转换传递到输出中；且在传递过程中，六层中每一层的权值矩阵与输入信息相点乘，从而获得输出的结果Op，具体通过式1-1得到；
Op＝Fn(…(F2(F1(XpW(1))W(2))…)W(n))(1-1)
向后传播阶段：
通过输入输出的值，计算输入值和输出值之间的实际误差值；
利用反向传播方法调整权矩阵，直至误差达到最小。


3.如权利要求2所述的基于深度学习的识别模组的识别方法，其特征在于，所述方法还包括计算卷积层的梯度；所述计算卷积层的梯度包括：
通过对前一层的输入特征进行卷积运算，得到一个输出的特征图，所述输出的特征图与多个输入图与之相关联通过公式(1-2)表示：



其中，表示在第l层的第j个输出；MJ表示第l层输入特征图的一个集合；b为在每个输出的特征图中都给定了一个偏差值。


4.如权利要求3所述的基于深度学习的识别模组的识别方法，其特征在于，所述方法还包括：
将l+1层的误差信号图进行升采样使得其和卷积层大小一致；
对升采样后的误差信号图与第l层“激活函数偏导图”执行基于元素的乘法，并通过公式(1-3)将对应卷积层中与之对应的每个图j和降采样层对应...

【专利技术属性】
技术研发人员：陈静怡，郭馨月，
申请(专利权)人：广州朗国电子科技有限公司，
类型：发明
国别省市：广东;44