【技术实现步骤摘要】
一种基于深度学习的脸部识别方法
[0001]本专利技术涉及深度学习
，尤其涉及一种基于深度学习的脸部识别方法。
技术介绍
[0002]人脸识别，是基于人的脸部特征信息进行身份识别的一种生物识别技术。用摄像机或摄像头采集含有人脸的图像或视频流，并自动在图像中检测和跟踪人脸，进而对检测到的人脸进行脸部识别的一系列相关技术，通常也叫做人像识别、面部识别。在人脸识别的初始阶段，大多采用2D人脸信息作为输入，训练卷积神经网络模型来获取识别结果。虽然基于深度学习的2D人脸识别目前已经取得了比较大的进展，然而2D人脸识别容易受到妆容、姿态、光照和表情等影响，因此基于深度学习的2D人脸识别受环境影响较大，基于深度学习的2D人脸识别精度不高。3D人脸识别中包含有人脸的空间形状信息，因此相较于传统的2D人脸识别，3D人脸识别中包含信息更多，但是3D人脸识别开发难度比较大。
[0003]医院在办理住院登记以及病房入住的时候会用脸部识别，但是目前现有的脸部识别技术对于对于亲子、双胞胎等脸部相似度较高的人之间的识别准确度不够高，经常出现...
【技术保护点】
【技术特征摘要】
1.一种基于深度学习的脸部识别方法，其特征在于，包括：步骤S1，图像采集模块采集若干相貌相似的医院测试者的脸部深度数据和RGB脸部视频；步骤S2，图像划分模块将各所述RGB脸部视频均分为若干张RGB脸部图片；步骤S3，数据存储模块预存各所述医院测试者的历史深度数据和历史RGB数据至医院数据库；步骤S4，相似度计算模块引入预先训练完成的RGB处理模型和深度处理模型，将若干所述RGB脸部图片和若干所述历史RGB数据输入所述RGB处理模型，输出第一相似度，以及将若干所述脸部深度数据和若干所述历史深度数据输入所述深度处理模型，输出第二相似度；步骤S5，处理模块根据预设的第一系数、预设的第二系数、所述第一相似度和所述第二相似度处理得到综合相似度；步骤S6，比较模块在所述综合相似度大于预设的第一相似度阈值时，输出脸部识别成功的识别结果。2.根据权利要求1所述的基于深度学习的脸部识别方法，其特征在于：所述步骤S3与所述步骤S4之间包括：步骤S4A，模型训练单元引入RGB初始模型，所述RGB初始模型的特征提取层提取所述历史RGB数据包含的若干第一历史特征数据以及同一医院测试者的所述RGB脸部图片中包含的若干第一实时特征数据，所述RGB初始模型计算得到所述第一历史特征数据和所述第一实时特征数据之间的第一初始相似度，并在所述第一初始相似度不大于预设的第二相似度阈值时，调整所述RGB初始模型的权重参数并重新训练，直至所述第一初始相似度大于所述第二相似度阈值，将此时的所述RGB初始模型作为所述RGB处理模型输出；步骤S4B，模型训练单元引入深度初始模型，所述深度初始模型的特征提取层提取所述历史深度数据包含的若干第二历史特征数据以及同一医院测试者的所述脸部深度数据中包含的若干第二实时特征数据，所述深度初始模型计算得到所述第二历史特征数据和所述第二实时特征数据之间的第二初始相似度，并在所述第二初始相似度不大于预设的第三相似度阈值时，调整所述深度初始模型的权重参数并重新训练，直至所述第二初始相似度大于所述第三相似度阈值，将此时的所述深度初始模型作为所述深度处理模型输出。3.根据权利要求2所述的基于深度学习的脸部识别方法，其特征在于：所述步骤S4包括：步骤S41，所述RGB处理模型将若干所述RGB脸部图片和各所述历史RGB数据作为所述RGB处理模型的输入，使得所述RGB处理模型输出所述第一相似度；步骤S42，所述RGB处理模型根据预设的第一筛选条件对各所述RGB脸部图片进行筛选得到若干RGB脸部约束图片，并将各所述RGB脸部约束图片和各所述历史RGB数据作为所述RGB处理模型的输入，使得所述RGB处理模型输出第三相似度；步骤S43，所述RGB处理模型将所述第一相似度、所述第三相似度和所述RGB脸部图片输入预设的第一目标函数中，使得所述第一目标函数输出第一模型不稳定指数，在所述第一模型不稳定指数最小时输出所述RGB处理模型。4.根据权利要求2所述的基于深度学习的脸部识别方法，其特征在于：所述步骤S4还包括：
步骤S41
’
，所述深度处理模型...
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。