基于深度学习的脸部痣识别方法及系统技术方案

本发明专利技术公开了基于深度学习的脸部痣识别方法及系统，搭建VGG16卷积神经网络，放弃所述VGG16卷积神经网络中的全连接层，并对训练参数进行优化，得到特定全连接层，获得完整模型；使用增强训练集对模型中所有卷积层以及全连接层进行微调，采用优化器优化参数，采用验证集验证数据，验证该模型的泛化能力，选择最优参数模型，作为最终的人脸痣识别模型；对人脸图像进行人脸检测后，将人脸进行裁剪以及分块处理，利用人脸痣识别模型对分块后的人脸区域分别进行预测，以此达到检测痣的要求。以此达到检测痣的要求。以此达到检测痣的要求。

【技术实现步骤摘要】
基于深度学习的脸部痣识别方法及系统


[0001]本专利技术属于深度学习领域，尤其涉及基于深度学习的脸部痣识别方法及系统。

技术介绍

[0002]本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
信息，不必然构成在先技术。
[0003]依托于科技不断发展与创新，生物特征识别技术取得重大突破。生物特征识别技术包含了指纹识别、视网膜识别、虹膜识别以及人脸识别。人脸识别因具有友好便捷和准确性的特点而被广泛应用于安全系统检测、失踪探索、身份登记、公共场所监控等方面。更高分辨率传感器的发展、人脸图像数据库大小的增加、图像处理和计算计视觉算法的改进，使得人们不再满足于当下人脸识别技术的现状，而是追求更准确、精细化的面部微观特征识别。因此，为有效提高人脸识别和检索性能，人们开始进一步研究利用面部微观特征(如痣、雀斑、疤痕等)，以细化辅助人脸识别技术。
[0004]依托于科技不断发展与创新，生物特征识别技术取得重大突破。生物特征识别技术包含了指纹识别、视网膜识别、虹膜识别以及人脸识别。人脸识别因具有友好便捷和准确性的特点而被广泛应用于安全系统检测本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于深度学习的脸部痣识别方法，其特征在于，包括：获取含有人脸的图片；利用HOG特征检测图片中的人脸并剪裁得到人脸图像；将人脸图像划分为边缘重叠的若干图像块；将图像块输入人脸痣识别模型，预测每个图像块含痣的概率，并定位含痣图像块在人脸图像中的位置；其中，人脸痣识别模型的获取过程为：利用VGG16卷积神经网络的特征提取层对增强训练集中的图片进行特征提取；构建人脸痣识别分类器，并利用提取的特征对参数进行训练和优化，得到全连接层；将特征提取层与全连接层进行搭建，形成完整人脸痣识别模型；对完整人脸痣识别模型进行微调，得到最终的人脸痣识别模型。2.如权利要求1所述的基于深度学习的脸部痣识别方法，其特征在于，所述对完整人脸痣识别模型进行微调的具体步骤为：载入完整人脸痣识别模型；使用增强训练集对模型中所有卷积层以及全连接层进行微调，采用优化器优化参数；采用验证集验证数据，选择最优参数模型，作为最终的人脸痣识别模型。3.如权利要求1所述的基于深度学习的脸部痣识别方法，其特征在于，所述增强训练集通过对训练集中图片依次进行归一化预处理，图像旋转，图像水平偏移，图像垂直偏移，随机错切变化图像，随机缩放图像，随机水平翻转图片和像素填充得到。4.如权利要求1所述的基于深度学习的脸部痣识别方法，其特征在于，所述图像块输入人脸痣识别模型之前要进行预处理操作，具体包括：调整图像块尺寸；将调整后的图像块转化为数组；在数组的0位置添加数据，并对其进行归一化处理。5.如权利要求1所述的基于深度学习的脸部痣识别方法，其特征在于，所述利用HOG特征检测图片中的人脸的具体步骤为：对图片进行灰度化后采用伽马变换对图片进行颜色空间的归一化处理；利用一阶微分方程计算图片中每一个像素点的横向梯度、纵向梯度、梯度方向和幅度；将图片分割为若干小方块，将每个小方块的梯度方向分成多个方向块，计算不同梯度方向的个数，得到每个小方块的特征向量；将相邻的多个小方块组成一个滑动窗口，串联一个滑动窗口内所有小方块的...

【专利技术属性】
技术研发人员：陆华，谢柯，张华，李登旺，黄浦，许化强，
申请(专利权)人：山东师范大学，
类型：发明
国别省市：