一种基于深度学习的人脸识别方法技术

一种基于深度学习的人脸识别方法，包括：对基于深度学习人脸识别网络的预训练模型进行训练，生成训练好的人脸识别网络模型；加载训练好的人脸识别网络模型和数据库人脸图像，加载数据库中的图像，通过网络进行人脸定位与人脸编码，作为对比对象；调用摄像头的视频流，取出视频流的每一帧图像进行预处理后，作为人脸识别网络输入对象，通过人脸识别网络进行人脸定位与人脸编码，确定人脸特征的关键点信息；将识别到人脸的关键点依次与数据库中人脸编码进行遍历匹配，计算欧氏距离；判断计算的欧氏距离是否小于预设的最小距离，根据欧氏距离，输出人脸识别结果。本发明专利技术解决了在不同的环境变化中，获得稳定的人脸识别特征是较为困难的问题。难的问题。难的问题。

【技术实现步骤摘要】
一种基于深度学习的人脸识别方法


[0001]本专利技术涉及的是计算机视觉领域，特别涉及一种基于深度学习的人脸识别方法。

技术介绍

[0002]人脸识别是一个能够自动识别图像、视频中出现的人脸主体身份的技术，最早的人脸识别技术出现于七十年代。近年来，随着深度学习与卷积神经网络技术的高速发展，其识别准确率已大幅度提升，广泛地应用在各个领域。
[0003]人脸识别技术在近几年的发展中已经呈现了巨大的变化，传统的人脸识别算法主要依赖人工手工标注特征与机器学习技术相互结合，需要大量人类手工标注特征。在无约束环境中传统算法的鲁棒性较差，在不同的环境变化中，获得稳定的人脸识别特征是较为困难的，例如：年龄、光照条件以及人脸主体的不同姿势、角度等。

技术实现思路

[0004]鉴于上述问题，提出了本专利技术以便提供一种克服上述问题或者至少部分地解决上述问题的一种基于深度学习的人脸识别方法。
[0005]为了解决上述技术问题，本申请实施例公开了如下技术方案：
[0006]一种基于深度学习的人脸识别方法，包括：
[000本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的人脸识别方法，其特征在于，包括：S100.对基于深度学习人脸识别网络的预训练模型进行训练，生成训练好的人脸识别网络模型；S200.加载训练好的人脸识别网络模型和数据库人脸图像，加载数据库中的图像，通过网络进行人脸定位与人脸编码，作为对比对象；S300.调用摄像头的视频流，取出视频流的每一帧图像进行预处理后，作为人脸识别网络输入对象，通过人脸识别网络进行人脸定位与人脸编码，确定人脸特征的关键点信息；S400.将识别到人脸的关键点依次与数据库中人脸编码进行遍历匹配，计算欧氏距离；S500.判断计算的欧氏距离是否小于预设的最小距离，若计算的欧氏距离大于预设的最小距离，则.将识别到人脸的关键点依次与数据库中人脸编码进行遍历匹配；若重新若计算的欧氏距离小于预设的最小距离，则更新人脸主体标签，输出人脸识别结果。2.如权利要求1所述的一种基于深度学习的人脸识别方法，其特征在于，S100中，对基于深度学习人脸识别网络的预训练模型进行训练，生成训练好的人脸识别网络模型的方法为：S101.加载预训练模型，初始化网络模型参数；S102.确定网络训练参数，设置学习率和总步长；S103.训练主干网络的网络参数，主干网络利用图像金字塔结构生成五个不同尺度大小的特征图像；S104.添加人脸关键点回归分支，依据数据集中标注的关键点，结合其他五个分支进行训练；S105.训练自监督网格解码器分支，与监督分支并行训练，并预测三维形状的面部信息；S106.利用遮挡自适应深度网络生成几何觉察模块、蒸馏模块与低秩学习模块；S...

【专利技术属性】
技术研发人员：王梦轩，王傲能，王胜勇，卢家斌，
申请(专利权)人：中冶南方武汉自动化有限公司，
类型：发明
国别省市：