【技术实现步骤摘要】
人脸识别方法及基于深度学习算法的人脸识别系统
[0001]本专利技术涉及计算机
，具体而言涉及一种人脸识别方法及基于深度学习算法的人脸识别系统。
技术介绍
[0002]现今，人脸识别广泛应用于生活中的方方面面，地铁、公交、火车、银行、课堂、商场、互联网支付等等场所，涉及金融、教育、医疗等领域，无处不在应用人脸识别技术识别人脸。
[0003]人脸识别技术主要依赖于人脸识别算法，目前常用的人脸识别的算法有 4 种：基于人脸特征点的识别算法、基于整幅人脸图像的识别算法、基于模板的识别算法、利用神经网络进行识别的算法。
[0004]目前，人脸识别算法主要是依赖于整张人脸图像进行识别，也就是说用来进行人脸识别的图像必须包含整张人脸。但是，在现实生活中，在一些监控场景或者支付场景中，摄像装置拍摄到的图像仅仅包含人脸的一部分，现有的人脸识别算法没法对这样的图像识别出人的身份信息。
技术实现思路
[0005]本专利技术的目的在于提供了一种人脸识别方法及基于深度学习算法的人脸识别系统，用以解决上述存在的问...
【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，所述方法包括：获得用户的人脸图像，所述人脸图像中包含部分人脸或者整张人脸；所述部分人脸的面积至少是整张人脸的二分之一；识别出人脸图像中包含的人脸是部分人脸还是整张人脸；若所述人脸图像中包含的人脸是部分人脸，按照下述方式进行人脸识别：获得所述部分人脸的轮廓特征、纹理特征、几何特征和灰度特征；所述轮廓特征表征部分人脸的外部轮廓的特征；所述几何特征指的是所述部分人脸中包含的眼睛、嘴巴、鼻子、耳朵中的多个的特征点构成之间的几何关系；所述纹理特征表征所述部分人脸中的纹理信息；所述灰度特征指的是所述部分人脸中的灰度信息；基于所述轮廓特征、所述几何特征和所述灰度特征，预测出用户的身份信息。2.根据权利要求1所述的方法，其特征在于，所述基于所述轮廓特征、纹理特征、所述几何特征和所述灰度特征，预测出用户的身份信息，包括：将所述轮廓特征、所述纹理特征、所述几何特征和所述灰度特征进行融合，得到融合部分人脸特征；将所述融合部分人脸特征输入预先训练好的人脸识别模型中，人脸识别模型输出用户的身份信息。3.根据权利要求1所述的方法，其特征在于，所述人脸识别模型的训练方法包括：获得人脸特征训练集，所述人脸特征训练集中包括多段特征段；每段特征段表示人脸中部分部位的特征；每段所述特征段预先标注有用户的身份信息以及所述特征段所表示的人脸部位；将所述人脸特征集输入人脸识别模型的卷积神经网络中，基于所述特征段对卷积神经网络进行有监督学习和分类训练，卷积神经网络训练结束后，卷积神经网络将属于同一个用户的特征段归为一类；人脸识别模型中的识别网络对属于同一个用户的特征段进行组合，得到用户的人脸特征；将所述用户的人脸特征跟数据库中的用户信息列表进行比对，获得与人脸特征匹配的用户的身份信息。4.根据权利要求2所述的方法，其特征在于，所述将所述轮廓特征、所述纹理特征、所述几何特征和所述灰度特征进行融合，得到融合部分人脸特征，包括：将所述轮廓特征、所述纹理特征、所述几何特征和所述灰度特征映射到所述人脸图像中，得到融合图像；在所述融合图像中进行特征提取，得到融合部分人脸特征。5.根据权利要求4所述的方法，其特征在于，所述轮廓特征中包含多个轮廓特征点，所述纹理特征中包含多个纹理特征点，所述几何特征中包含多个几何特征点以及几何特征点之间的连线，所述灰度特征中包含多个特征点的灰度像素值；所述将所述轮廓特征、所述纹理特征、所述几何特征和所述灰度特征映射到所述人脸图像中，得到融合图像，包括：对所述人脸图像进行扩展，扩展后的人脸图像中的每个像素点的像素通道包括红色通道、绿色通道、蓝色通道和灰度通道；将所述轮廓特征点、纹理特征点、几何特征点以及几何特征点之间的连线映射到所述人脸图像中；
将所述灰度特征中的灰度像素值存储在所述灰度通道中。6.一种基于深度学习算法的人脸识别系统...
【专利技术属性】
技术研发人员：ꢀ五一IntClG零六K九零零，
申请(专利权)人：姜政毫，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。