人脸识别方法技术

人脸识别方法，其中，采用基于深度学习的人脸识别算法，来对图像中的人脸区域进行人脸识别，包括：确定卷积神经网络的结构；根据卷积神经网络的结构，来将一个或多个卷积结果和/或输入数值归纳到在同一个坐标系下；根据卷积神经网络的结构，来将同一个坐标系下的一个或多个卷积结果和/或输入数值进行合并；根据所述合并的结果，来计算向下一层卷积神经网络传递时的移位和偏移量的量化结果。本发明专利技术将诸如ResNet类、GoogLeNet类或Inception

【技术实现步骤摘要】
人脸识别方法


[0001]本专利技术涉及人工智能
，特别是涉及一种人脸识别方法。

技术介绍

[0002]通过深度学习能够获得人脸检测的结果，是实现人脸识别的基础。具体的，现有技术中，实现人脸检测的方法包括：使用手机，智能摄像头将外界信息采集送入到硬件的处理单元，通过深度学习方法获得人脸检测的结果，然后将结果送入到深度学习人脸识别的算法中，进行人脸识别，最终的结果是在一副图像或者视频中，用方框框上人脸的位置和大小，并在上面标出人脸的名字。
[0003]关于其中的深度学习，目前卷积神经网络在物体分类，人脸/人形检测，人脸识别，图像分割上都取得了相当高的准确度，但是如果想把卷积神经网络算法应用到边缘端上，比如智能手机、智能摄像头等，会由于模型的高精度数据表示和算法所占用的储存空间面临速度，功耗等问题。
[0004]因此，亟需一种能够在手机，智能摄像头等边缘端上实现的人脸检测方法。
[0005]目前公认的成功并流行的卷积神经网络结构有如下几种，AlexNet，VGG，ResNet和GoogLeNet类。
[0006]其中，AlexNet是较早的卷积神经网络，它首先是5个卷积层，后面连接着3个全连层。
[0007]VGG对比于AlexNet的改进是采用多个连续的3x3卷积核来代替掉AlexNet中的较大的卷积核(11x11,5x5)。
[0008]ResNet的出现，可以让我们去训练更加深的网络，在VGG的基础上，出现了短路连接插入形成残差网络的新结构。
[0009]GoogLeNet基于深度学习网络中大部分的输出的激活值是冗余的，设计了一种称为Inception的模块，这个模块使用密集的小尺寸卷积核来近似稀疏的CNN。
[0010]现有技术中的深度学习网络架构的偏移量的量化算法都是针对于AlexNet，VGG结构的偏移量的量化算法。

技术实现思路

[0011]本专利技术解决的技术问题是：如何在智能手机、智能摄像头等边缘端上实现高性能的人脸检测。
[0012]为了解决上述技术问题，本专利技术实施例提供一种人脸识别方法，包括：
[0013]获得待识别的图像；
[0014]通过人脸检测手段，来检测图像中的人脸区域；
[0015]从人脸区域中提取人脸表征；
[0016]采用基于深度学习的人脸识别算法，来对图像中的人脸区域进行人脸识别；
[0017]其中，所述采用基于深度学习的人脸识别算法，来对图像中的人脸区域进行人脸
识别包括：
[0018]确定卷积神经网络的结构；
[0019]根据卷积神经网络的结构，来将一个或多个卷积结果和/或输入数值归纳到在同一个坐标系下；
[0020]根据卷积神经网络的结构，来将同一个坐标系下的一个或多个卷积结果和/或输入数值进行合并；
[0021]根据所述合并的结果，来计算向下一层卷积神经网络传递时的移位和偏移量的量化结果。
[0022]可选的，所述获得待识别的图像包括：
[0023]采集视频流；
[0024]获得视频流中的图像帧，作为待识别的图像。
[0025]可选的，所述根据卷积神经网络的结构，来将一个或多个卷积结果和/或输入数值归纳到在同一个坐标系下；包括：
[0026]对于ResNet类卷积神经网络，通过以下公式，来将输入数值和卷积结果归纳到同一个坐标系下：
[0027]Y
′
＝Y＜＜shift
(a-b),pos
[0028]Y
′
＝Y＞＞shift
|a-b|,neg
[0029]其中，Y`表示第二归纳结果，Y表示第二卷积结果，a表示输入数值的移位，b表示第二卷积结果的移位。
[0030]可选的，所述根据卷积神经网络的结构，来将同一个坐标系下的一个或多个卷积结果和/或输入数值进行合并包括：
[0031]对于ResNet类卷积神经网络，通过以下公式，来将同一个坐标系下的输入数值和卷积结果进行合并：
[0032]Z＝X+Y
′
[0033]其中，Z表示合并结果，X表示输入数值，Y`表示第二归纳结果。
[0034]可选的，所述根据卷积神经网络的结构，来将一个或多个卷积结果和/或输入数值归纳到在同一个坐标系下；包括：
[0035]对于ResNet类卷积神经网络，通过以下公式，来将输入数值和卷积结果归纳到同一个坐标系下：
[0036][0037][0038]其中，X`表示第一归纳结果，Y`表示第二归纳结果，Y表示第二卷积结果，a表示输入数值的移位，b表示第二卷积结果的移位。
[0039]可选的，所述根据卷积神经网络的结构，来将同一个坐标系下的一个或多个卷积结果和/或输入数值进行合并包括：
[0040]对于ResNet类卷积神经网络，通过以下公式，来将同一个坐标系下的输入数值和卷积结果进行合并：
[0041]Z＝X
′
+Y
′
[0042]其中，Z表示合并结果，X`表示第一归纳结果，Y`表示第二归纳结果。
[0043]可选的，所述根据卷积神经网络的结构，来将一个或多个卷积结果和/或输入数值归纳到在同一个坐标系下包括：
[0044]对于Inception类卷积神经网络，通过以下公式，来将输入数值和卷积结果归纳到同一个坐标系下：
[0045]Y
′
＝Y＜＜shift
(a-b),pos
[0046]Y
′
＝Y＞＞shift
|a-b|,neg
[0047]Z
′
＝Y＜＜shift
(a-c),pos
[0048]Z
′
＝Y＞＞shift
|a-c|,neg
[0049]其中，Y`表示第二归纳结果，Z`表示第三归纳结果，Y表示第二卷积结果，a表示输入数值的移位，b表示第二卷积结果的移位，c表示第三卷积结果的移位。
[0050]可选的，所述根据卷积神经网络的结构，来将同一个坐标系下的一个或多个卷积结果和/或输入数值进行合并包括：
[0051]对于Inception类卷积神经网络，通过以下公式，来将同一个坐标系下的输入数值和卷积结果进行合并：
[0052]Z＝X+Y
′
+Z
′
[0053]其中，Z表示合并结果，X表示输入数值，Y`表示第二归纳结果，Z`表示第三归纳结果。
[0054]可选的，所述根据卷积神经网络的结构，来将一个或多个卷积结果和/或输入数值归纳到在同一个坐标系下包括：
[0055]对于Inception类卷积神经网络，通过以下公式，来将输入数值和卷积结果归纳到同一个坐标系下：
[0056][0057][0058][0059]其中，X`表示第一归纳结果，Y`表示第二归纳结果，Z`表示第三归纳结果，Y表示第本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种人脸识别方法，其特征在于，包括：获得待识别的图像；通过人脸检测手段，来检测图像中的人脸区域；从人脸区域中提取人脸表征；采用基于深度学习的人脸识别算法，来对图像中的人脸区域进行人脸识别；其中，所述采用基于深度学习的人脸识别算法，来对图像中的人脸区域进行人脸识别包括：确定卷积神经网络的结构；根据卷积神经网络的结构，来将一个或多个卷积结果和/或输入数值归纳到在同一个坐标系下；根据卷积神经网络的结构，来将同一个坐标系下的一个或多个卷积结果和/或输入数值进行合并；根据所述合并的结果，来计算向下一层卷积神经网络传递时的移位和偏移量的量化结果。2.如权利要求1所述的人脸识别方法，其特征在于，所述获得待识别的图像包括：采集视频流；获得视频流中的图像帧，作为待识别的图像。3.如权利要求1所述的人脸识别方法，其特征在于，所述根据卷积神经网络的结构，来将一个或多个卷积结果和/或输入数值归纳到在同一个坐标系下；包括：对于ResNet类卷积神经网络，通过以下公式，来将输入数值和卷积结果归纳到同一个坐标系下：Y
′
＝Y＜＜shift
(a-b)，pos
Y
′
＝Y＞＞shift
|a-b|，neg
其中，Y`表示第二归纳结果，Y表示第二卷积结果，a表示输入数值的移位，b表示第二卷积结果的移位。4.如权利要求3所述的人脸识别方法，其特征在于，所述根据卷积神经网络的结构，来将同一个坐标系下的一个或多个卷积结果和/或输入数值进行合并包括：对于ResNet类卷积神经网络，通过以下公式，来将同一个坐标系下的输入数值和卷积结果进行合并：Z＝X+Y
′
其中，Z表示合并结果，X表示输入数值，Y`表示第二归纳结果。5.如权利要求1所述的人脸识别方法，其特征在于，所述根据卷积神经网络的结构，来将一个或多个卷积结果和/或输入数值归纳到在同一个坐标系下；包括：对于ResNet类卷积神经网络，通过以下公式，来将输入数值和卷积结果归纳到同一个坐标系下：坐标系下：
其中，X`表示第一归纳结果，Y`表示第二归纳结果，Y表示第二卷积结果，a表示输入数值的移位，b表示第二卷积结果的移位。6.如权利要求5所述的人脸识别方法，其特征在于，所述根据卷积神经网络的结构，来将同一个坐标系下的一个或多个卷积结果和/或输入数值进行合并包括：对于ResNet类卷积神经网络，通过以下公式，来将同一个坐标系下的输入数值和卷积结果进行合并：Z＝X
′
+Y
′
其中，Z表示合并结果，X`表示第一归纳结果，Y`表示第二归纳结果。7.如权利要求1所述的人脸识别方法，其特征在于，所述根据卷积神经网络的结构，来将一个或多个卷积结果和/或输入数值归纳到在同一个坐标系下包括：对于Inception类卷积神经网络，通过以下公式，来将输入数值和卷积结果归纳到同一个坐标系下：Y
′
＝Y＜＜shift
(a-b)，pos
Y
′
＝Y＞＞shift
|a-b|，neg
Z
′
＝Y＜＜shift
(a-c)，pos
Z
′
＝Y＞＞shift
|a-c|，neg
其中，Y`表示第二归纳结果，Z`表示第三归纳结果，Y表示第二卷积结果，a表示输入数值的移位，b表示第二卷积结果的移位，c表示第三卷积结果的移位。8.如权利要求7所述的人脸识别方法，其特征在于，所述根据卷积神经网络的结构，来将同一个坐标系下的一个或多个卷积结果和/或输入数值进行合并包括：对于I...

【专利技术属性】
技术研发人员：吴同，达声蔚，
申请(专利权)人：上海齐感电子信息科技有限公司，
类型：发明
国别省市：