基于卷积神经网络的人脸识别方法技术

本发明专利技术提供基于卷积神经网络的人脸识别方法，涉及人脸识别技术领域，具体包括以下步骤，S1、数据收集：通过互联网收集大量人脸数据，对人脸数据进行预处理；S2、网络设计：设计一个卷积神经网络；S3、模型的训练：将收集到的人脸数据进行模型训练；S4、模型评估：使用验证集对训练好的模型进行评估；S5、模型部署：将训练好的模型部署到实际应用中，通过进行模型的训练，能够提升模型的计算效率，进而提升人脸识别的速率，对训练后的模型进行评估，能够实现模型的自我评估，确保建立的模型更为精准，避免因为模型的错误造成人脸识别的错误，通过对模型评估的数值化，更容易评估模型的准确性。性。性。

【技术实现步骤摘要】
基于卷积神经网络的人脸识别方法


[0001]本专利技术涉及人脸识别
，尤其涉及基于卷积神经网络的人脸识别方法。

技术介绍

[0002]人脸识别(Face Recognition)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。
[0003]人脸识别利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图像进行一系列的相关应用操作，技术上包括图像采集、特征定位、身份的确认和查找等；
[0004]传统的人脸识别技术主要是基于可见光图像的人脸识别，这也是人们熟悉的识别方式，已有30多年的研发历史。但这种方式有着难以克服的缺陷，尤其在环境光照发生变化时，识别效果会急剧下降，无法满足实际系统的需要；
[0005]而为了满足需要，现有的人脸识别技术大多都是局域卷积神经网络构建的，卷积神经网络(Convolutional Neural Network,CNN)是一种前馈神经网络，它的人工神经元可以响应一部分覆盖范围内的周围单元，对于大型图像处理有出色表现；
[0006]传统的基于卷积神经网络的人脸识别方法在构建过程中没有进行自我评估，因此构建后的人脸识别的精度无法得到保证，这就造成了现有市面上人脸识别效率差的问题，例如在人脸识别过程中长时间无法识别又或者识别过程中出现某一姿势无法识别的情况，因此本专利技术提出基于卷积神经网络的人脸识别技术方法。

技术实现思路

[0007]本专利技术的目的是为了解决现有技术中存在的缺点，提出基于卷积神经网络的人脸识别技术方法。
[0008]为了实现上述目的，本专利技术采用了如下技术方案：基于卷积神经网络的人脸识别方法，具体包括以下步骤：
[0009]S1、数据收集：通过互联网收集大量人脸数据，对人脸数据进行预处理；
[0010]S2、网络设计：设计一个卷积神经网络，包括输入层、卷积层、激励层、池化层、全连接层、输出层；
[0011]S3、模型的训练：将收集到的人脸数据进行模型训练；
[0012]S4、模型评估：使用验证集对训练好的模型进行评估；
[0013]S5、模型部署：将训练好的模型部署到实际应用中。
[0014]其中，步骤S1具体为：
[0015]S1.1、利用设备接入互联网，从互联网上下载人脸图像数据；
[0016]S1.2、采用归一化算法对人脸数据进行原始数据范围的缩小，之后再对人脸数据进行裁剪以及缩放处理，完成人脸数据的预处理。
[0017]其中，所述输入层配置用于输入所需处理的图像数据，卷积层用于提取图像的局
部特征，激励层配置用于利用激活函数实现非线性，池化层用于降低特征纬度，全连接层用于人脸数据的分类，输出层配置用于通过函数进行结果的输出。
[0018]采用上述进一步方案的有益效果是：利用卷积神经网络，实现对数据的系统化处理，确保人脸识别的速率。
[0019]其中，步骤S3具体为：
[0020]S3.1、定义inceptionV4算法公式；
[0021]S3.2、定义loss，选择随机梯度下降法；
[0022]S3.3、数据进行迭代训练，使loss到达最小。
[0023]采用上述进一步方案的有益效果是：通过对模型进行训练，能够提升模型的计算效率，进而提升人脸识别的速率。
[0024]其中，步骤S4具体为：
[0025]S4.1、将训练集随机分割成K个不同的子集，每个子集称为一个折叠(fold)；
[0026]S4.2、然后对模型进行K次训练和评估——每次挑选1个折叠进行评估，另外K
‑
1个折叠用于训练；
[0027]S4.3、得到的结果是一个包含K次评估分数的数组；
[0028]S4.4、通过K次评估误差RMSE的平均值、标准差来评估模型。
[0029]采用上述进一步方案的有益效果是：通过对训练的模型进行评估，进而确保模型的准确率，避免人脸识别出现错误。
[0030]其中，步骤S5具体为：
[0031]S5.1、首先对模型的格式进行转换；
[0032]S5.2、利用量化法对模型进行压缩；
[0033]S5.3、进行模型的推理以及前后处理；
[0034]S5.4、部署SDK和集成。
[0035]采用上述进一步方案的有益效果是：将训练完成模型部署到实际应用中，例如门禁等，从而实现人脸识别只能出入的效果，为人们的出行以及安全带来便利。
[0036]其中，步骤S3.2中的随机梯度下降法具体为：为待优化参数，α为初始学习效率，f(x)为目标函数，
[0037]采用上述进一步方案的有益效果是：通过优化算法，将模型数据进行更好的优化，使得模型更加的精简，运算速度更快，进一步提升人脸识别的效率。
[0038]其中，步骤S4.4中，当K次评估误差RMSE的平均值小于0.5时，则说明模型不合格，返回步骤S3重新进行模型的训练。
[0039]采用上述进一步方案的有益效果是：通过对模型的评估进行限定，能够实现模型的自我评估，确保建立的模型更为精准，避免因为模型的错误造成人脸识别的错误，通过对模型评估的数值化，更容易评估模型的准确性。
[0040]与现有技术相比，本专利技术的优点和积极效果在于：
[0041]1、本专利技术中通过进行模型的训练，能够提升模型的计算效率，进而提升人脸识别的速率，且对训练后的模型进行评估，能够实现模型的自我评估，确保建立的模型更为精准，避免因为模型的错误造成人脸识别的错误，通过对模型评估的数值化，更容易评估模型的准确性。
[0042]2、本专利技术中通过优化算法，将模型数据进行更好的优化，使得模型更加的精简，运算速度更快，进一步提升人脸识别的效率，且对收集来的模型数据进行预处理，能够降低数据的总量，实现数据的快速处理，之后利用卷积神经网络，实现对数据的系统化处理，确保人脸识别的速率。
附图说明
[0043]图1为本专利技术基于卷积神经网络的人脸识别技术方法的流程图；
[0044]图2为本专利技术基于卷积神经网络的人脸识别技术方法的流程图。
具体实施方式
[0045]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0046]实施例
[0047]如图1、图2所示，本专利技术提供一种技术方案：基于卷积神经网络的人脸识别技术方法，具体包括以下步骤：
[0048]S1、数据收集：通过互联网收集大量人脸数据，对人脸数据进行预处理；
[0049]S2、网络设计：设计一个卷积神经网络，包括输入层、卷积层、激励层、池化层、全连接层、输出层；
[0050]S3、模型的训练：将收集到本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于卷积神经网络的人脸识别方法，其特征在于，具体包括以下步骤：S1、数据收集：通过互联网收集大量人脸数据，对人脸数据进行预处理；S2、网络设计：设计一个卷积神经网络，包括输入层、卷积层、激励层、池化层、全连接层、输出层；S3、模型的训练：将收集到的人脸数据进行模型训练；S4、模型评估：使用验证集对训练好的模型进行评估；S5、模型部署：将训练好的模型部署到实际应用中。2.根据权利要求1所述的基于卷积神经网络的人脸识别方法，其特征在于：步骤S1具体为：S1.1、利用设备接入互联网，从互联网上下载人脸图像数据；S1.2、采用归一化算法对人脸数据进行原始数据范围的缩小，之后再对人脸数据进行裁剪以及缩放处理，完成人脸数据的预处理。3.根据权利要求1所述的基于卷积神经网络的人脸识别方法，其特征在于：所述输入层配置用于输入所需处理的图像数据，卷积层用于提取图像的局部特征，激励层配置用于利用激活函数实现非线性，池化层用于降低特征纬度，全连接层用于人脸数据的分类，输出层配置用于通过函数进行结果的输出。4.根据权利要求1所述的基于卷积神经网络的人脸识别方法，其特征在于：步骤S3具体为：S3.1、定义inceptionV4算法公式；S3.2、定义loss...

【专利技术属性】
技术研发人员：王君，
申请(专利权)人：哈尔滨学院，
类型：发明
国别省市：