System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及人脸识别,具体涉及一种基于深度学习的人脸检测方法。
技术介绍
1、人脸识别是一种方便、自然且高精度的生物特征识别技术,一直是模式识别和计算机视觉领域的研究热点。近年来,人脸识别无论在技术上还是应用上均取得了重大进展。人脸识别技术的不断成熟得益于数十年间研究人员对人脸特征提取技术和机器学习方法的不断推进。但是,现有的人脸识别系统仍存在诸多安全隐患,由于人脸信息的易获取性,冒名顶替者可以简单地通过呈现合法用户的面部伪装来骗过人脸识别系统,严重威胁到人脸识别技术的安全性和可信度,不仅给用户的财产和隐私造成巨大的安全隐患,还给公共安全管理带来较大挑战。
技术实现思路
1、(一)解决的技术问题
2、本专利技术针对上述人脸识别系统存在的问题,提供了一种基于深度学习的人脸检测方法。
3、(二)技术方案
4、为实现以上目的,本专利技术通过以下技术方案予以实现:
5、一种基于深度学习的人脸检测方法,包括以下步骤:
6、s1、收集人脸图像数据并进行图像变换,获得基于人脸图像的rgb、hsv、lbp图像,创建人脸识别图像数据集;
7、s2、使用深度学习框架pytorch搭建人脸识别网络模型;
8、s3、利用步骤s1的样本数据集训练和优化人脸识别网络模型;
9、s4、获取待识别的人脸图像,利用训练好的深度学习网络模型进行人脸特征提取,输出人脸识别活体检测结果。
10、根据本专利技术的一
11、根据本专利技术的一实施例,所述网络模型的第2特征层、第3特征层、第4特征层、第5特征层包括ghost-bottleneck模块,所述ghost-bottleneck模块由第一ghost模块、深度可分离卷积层、第二ghost模块构成,所述第一ghost模块、深度可分离卷积层、第二ghost模块依次连接,所述第一ghost模块的输入与第二ghost模块的输出融合作为ghost-bottleneck模块的输出。
12、根据本专利技术的一实施例,所述第2特征层包括1个ghost-bottleneck模块,所述第3特征层包括2个ghost-bottleneck模块,所述第4特征层包括2个ghost-bottleneck模块,所述第5特征层包括2个ghost-bottleneck模块。
13、根据本专利技术的一实施例,所述第1特征层、第2特征层、第3特征层分为三个分支,第一分支的输入图像为rgb图,第二分支输入hsv图,第三分支输入lbp图;每个分支的第3特征图的输出特征图为56*56*24,所述三个分支的特征图经过融合后得到特征图56*56*72。
14、根据本专利技术的一实施例,所述第3特征层、第4特征层、第5特征层的输出特征图采用自适应加权特征融合。
15、根据本专利技术的一实施例,所述自适应加权特征融合权重系数为α、β、γ,且α+β+γ=1。
16、根据本专利技术的一实施例,所述α=0.2、β=0.3、γ=0.5。
17、(三)有益效果
18、本专利技术的有益效果:一种基于深度学习的人脸检测方法,利用ghost-bottleneck模块分别从rgb图、hsv图和lbp图中提取特征,将各自的特征图堆叠在一起进行特征层的融合,然后再利用ghost-bottleneck模块从融合后的特征图中进一步提取具有区分性的信息,最后经过自适应加权特征融合和softmax层,给出真假人脸的判断;本专利技术通过特征层的融合和自适应加权特征融合,可以充分利用图像信息,克服单一信息的不足,而且有助于提高网络模型的准确率和泛化能力。
本文档来自技高网...【技术保护点】
1.一种基于深度学习的人脸检测方法,其特征在于,包括以下步骤:
2.如权利要求1所述的一种基于深度学习的人脸检测方法,其特征在于:所述步骤S2中搭建的人脸识别网络模型为轻量化GhostNet网络模型,所述网络模型的特征提取网络包括5个特征层,所述5个特征层的输出特征图分别为224*224*3,112*112*16,56*56*72,28*28*64,14*14*64。
3.如权利要求2所述的一种基于深度学习的人脸检测方法,其特征在于,所述网络模型的第2特征层、第3特征层、第4特征层、第5特征层包括Ghost-bottleneck模块,所述Ghost-bottleneck模块由第一Ghost模块、深度可分离卷积层、第二Ghost模块构成,所述第一Ghost模块、深度可分离卷积层、第二Ghost模块依次连接,所述第一Ghost模块的输入与第二Ghost模块的输出融合作为Ghost-bottleneck模块的输出。
4.如权利要求3所述的一种基于深度学习的人脸检测方法,其特征在于,所述第2特征层包括1个Ghost-bottleneck模块,所述第3特
5.如权利要求4所述的一种基于深度学习的人脸检测方法,其特征在于,所述第1特征层、第2特征层、第3特征层分为三个分支,第一分支的输入图像为RGB图,第二分支输入HSV图,第三分支输入LBP图;每个分支的第3特征图的输出特征图为56*56*24,所述三个分支的特征图经过融合后得到特征图56*56*72。
6.如权利要求4所述的一种基于深度学习的人脸检测方法,其特征在于,所述第3特征层、第4特征层、第5特征层的输出特征图采用自适应加权特征融合。
7.如权利要求6所述的一种基于深度学习的人脸检测方法,其特征在于,所述自适应加权特征融合权重系数为α、β、γ,且α+β+γ=1。
8.如权利要求7所述的一种基于深度学习的人脸检测方法,其特征在于,所述α=0.2、β=0.3、γ=0.5。
...【技术特征摘要】
1.一种基于深度学习的人脸检测方法,其特征在于,包括以下步骤:
2.如权利要求1所述的一种基于深度学习的人脸检测方法,其特征在于:所述步骤s2中搭建的人脸识别网络模型为轻量化ghostnet网络模型,所述网络模型的特征提取网络包括5个特征层,所述5个特征层的输出特征图分别为224*224*3,112*112*16,56*56*72,28*28*64,14*14*64。
3.如权利要求2所述的一种基于深度学习的人脸检测方法,其特征在于,所述网络模型的第2特征层、第3特征层、第4特征层、第5特征层包括ghost-bottleneck模块,所述ghost-bottleneck模块由第一ghost模块、深度可分离卷积层、第二ghost模块构成,所述第一ghost模块、深度可分离卷积层、第二ghost模块依次连接,所述第一ghost模块的输入与第二ghost模块的输出融合作为ghost-bottleneck模块的输出。
4.如权利要求3所述的一种基于深度学习的人脸检测方法,其特征在于,所述第2特征层包括1个g...
【专利技术属性】
技术研发人员:刘景景,桂传友,陈林,陈瑞星,吴卫锋,
申请(专利权)人:池州学院,
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。