[發(fā)明專利]基于卷積神經網絡的人臉識別方法、裝置、系統(tǒng)及設備

有效

• 申請?zhí)枺?/td>: 201710172268.7
• 申請日: 2017-03-22
• 公開（公告）號: CN106951867B
• 公開（公告）日: 2019-08-23
• 發(fā)明（設計）人: 朱越;賈潔;幸小然
• 申請（專利權）人: 成都擎天樹科技有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06N3/04
• 代理公司: 成都厚為專利代理事務所(普通合伙) 51255
• 代理人: 夏柯雙

1.基于卷積神經網絡的人臉識別方法，其特征在于，包括以下步驟：

S1：人臉檢測，采用多層CNN特征架構使人臉檢測適應不同的成像條件及人臉尺度；

所述的人臉檢測步驟包括以下子步驟：

S101：圖片從輸入層進入網絡；

S102：依次經過各卷積網絡層，分別提取出eltwise3_3、conv4_3、fc7、conv6_2及conv7_2的特征；

S103：分別將提取出的特征輸入對應的特征分類器，得到對人臉位置的預測結果；

S104：將人臉位置的預測結果合并，輸入最終的結果合成器，去掉重復的預測和置信度低的預測后輸出檢測的最終結果；

S2：關鍵點定位，采用深度學習中級聯(lián)多個基準框回歸網絡來從給定的人臉圖像中得到所需的人臉關鍵點位置；

S3：預處理，對輸入圖像進行預處理，獲得固定大小的人臉圖像；

S4：特征提取，將預處理后的固定大小的人臉圖像經過特征提取模型得到特征代表向量；

S5：特征比對，先計算特征間的距離，根據閾值判定相似性或根據距離排序給出人臉識別結果。

2.根據權利要求1所述的方法，其特征在于：所述的預處理步驟包括以下子步驟：

S301：圖片尺寸歸一化，保證提供給特征提取模型的圖片大小統(tǒng)一，使得卷積神經網絡正常工作；

S302：人臉關鍵點對齊，將定位到的人臉關鍵點根據算法使其處于特定位置；

S303：數據歸一化，將處理人臉圖像時獲得的像素值在[0,255]區(qū)間中的像素值除以255，縮放到[0,1]之間；

S304：低分辨率處理，在特征提取之前，采用深度學習中的生成對抗網絡預先對小尺寸人臉圖像進行超分辨率重建。

3.根據權利要求1所述的方法，其特征在于：所述的特征提取步驟采用卷積神經網絡模型架構，網絡中使用最大特征映射激活函數，最大程度保留原始信息，同時實現變量選擇和維度的縮減。

4.根據權利要求3所述的方法，其特征在于：所述的特征提取步驟使用center-loss損失函數結合現有softmax損失函數，提高模型的區(qū)分度，該 center-loss損失函數在訓練過程中，每類學習一個特征中心，不斷更新中心，縮短最小化特征與對應中心的距離。

5.基于卷積神經網絡的人臉識別裝置，其特征在于：包括順次連接的人臉檢測單元、關鍵點定位單元、預處理單元、特征提取單元和特征比對單元；

人臉檢測單元用于檢測輸入圖像中的人臉位置，采用多層CNN特征架構使人臉檢測適應不同的成像條件；所述的人臉檢測單元包括輸入層、第一卷積網絡層、第一特征分類器、第二卷積網絡層、第二特征分類器、第三卷積網絡層、第三特征分類器、第四卷積網絡層、第四特征分類器、第五卷積網絡層、第五特征分類器和結果合成器，輸入層的輸出端與第一卷積網絡層的輸入端相連，第一卷積網絡層輸出eltwise3_3的特征，eltwise3_3的特征輸入對應的第一特征分類器；eltwise3_3的特征輸入至第二卷積網絡層，第二卷積網絡層輸出conv4_3的特征，conv4_3的特征輸入對應的第二特征分類器；conv4_3的特征輸入至第三卷積網絡層，第三卷積網絡層輸出fc7的特征，fc7的特征輸入對應的第三特征分類器；fc7的特征輸入至第四卷積網絡層，第四卷積網絡層輸出conv6_2的特征，conv6_2的特征輸入對應的第四特征分類器；conv6_2的特征輸入至第五卷積網絡層，第五卷積網絡層輸出conv7_2的特征，conv7_2的特征輸入對應的第五特征分類器；各特征分類器的輸出端均與結果合成器相連；

關鍵點定位單元用于從完成人臉檢測的人臉圖像中定位得到關鍵點位置，采用深度學習中級聯(lián)多個基準框回歸網絡來從給定的人臉圖像中得到所需的人臉關鍵點位置；

預處理單元用于對已找到關鍵點位置的輸入圖像進行預處理，獲得固定大小的人臉圖像；

特征提取單元用于將預處理后的固定大小的人臉圖像經過特征提取模型得到特征代表向量；

特征比對單元用于比對提取出的特征代表向量給出人臉識別結果，先計算特征間的距離，根據閾值判定相似性或根據距離排序給出人臉識別結果。