[發(fā)明專利]基于深度卷神經網絡的人臉識別方法、裝置和存儲介質

在審

• 申請?zhí)枺?/td>: 201710669778.5
• 申請日: 2017-08-07
• 公開（公告）號: CN107437081A
• 公開（公告）日: 2017-12-05
• 發(fā)明（設計）人: 楊帆;艾國;張韻東
• 申請（專利權）人: 北京中星微電子有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00
• 代理公司: 北京布瑞知識產權代理有限公司11505
• 代理人: 孟潭

1.一種基于深度卷積神經網絡的人臉識別方法，其特征在于，包括：

獲取歸一化的人臉圖塊數(shù)據(jù)；

將所述歸一化的人臉圖塊數(shù)據(jù)輸入深度卷積神經網絡模型進行數(shù)據(jù)處理，并獲得人臉高層次的特征映射；其中所述數(shù)據(jù)處理包括對所述深度卷積神經網絡模型的至少一層輸出的中間特征進行最大化競爭；以及

根據(jù)所述人臉的特征映射識別人臉。

2.根據(jù)權利要求1所述的人臉識別方法，其特征在于，所述深度卷積神經網絡模型包括多個卷積層、連接在所述多個卷積層中至少一個之后的至少一個最大池化層和一個用于輸出人臉特征映射的全連接層；

所述將所述歸一化的人臉圖塊數(shù)據(jù)輸入深度卷積神經網絡模型進行數(shù)據(jù)處理，并獲得人臉的特征映射包括：

對所述多個卷積層中的至少一個輸出的中間特征進行最大化競爭。

3.根據(jù)權利要求2所述的人臉識別方法，其特征在于，所述最大化競爭的函數(shù)為f(x)＝max_1≤j≤ko(i,j)；

其中，o(i,j)＝x^TW_ij+b_ij，其代表卷積層輸出的中間特征，其中x是進行所述最大化競爭環(huán)節(jié)的輸入矩陣或者向量，T是轉秩算子；W是卷積權重陣，b是偏置向量，i和j為整數(shù)。

4.根據(jù)權利要求3所述的人臉識別方法，其特征在于，所述深度卷積神經網絡模型包括七個卷積層，所述將所述歸一化的人臉圖塊數(shù)據(jù)輸入深度卷積神經網絡模型進行數(shù)據(jù)處理包括：

對所述七個卷積層中的每一個輸出的中間特征均進行最大化競爭操作。

5.根據(jù)權利要求4所述的人臉識別方法，其特征在于，所述數(shù)據(jù)處理還包括對經最大化競爭操作所得的至少一個中間特征進行最大值池化操作。

6.根據(jù)權利要求1所述的人臉識別方法，其特征在于，所述獲取歸一化的人臉圖塊數(shù)據(jù)包括：

檢測一個或多個人臉的目標圖像；

獲取所述一個或多個人臉的目標圖像中人臉的典型特征位置，并將所述典型特征位置以空間坐標表達；

以所述典型特征位置為基礎，對所述目標圖像進行幾何變換；

從經過幾何變換后的圖像中截取特定尺寸的人臉圖塊。

7.根據(jù)權利要求6所述的人臉識別方法，其特征在于，所述人臉的典型特征位置包括眼睛的中心位置、鼻尖和嘴唇的兩個角。

8.根據(jù)權利要求6所述的人臉識別方法，其特征在于，所述人臉的典型特征位置包括左眼中心、右眼中心和嘴巴中點；所述以所述典型特征位置為基礎，對所述目標圖像進行幾何變換包括：

對所述左眼中心和所述右眼中心進行兩點相似變換，以及

對兩眼中心和所述嘴巴中點進行兩點相似變換。

9.根據(jù)權利要求6所述的人臉識別方法，其特征在于，所述幾何變換包括平移變換、尺度變換和旋轉變換的至少之一。

10.根據(jù)權利要求6所述的人臉識別方法，其特征在于，所述從經過幾何變換后的圖像中截取特定尺寸的人臉圖塊包括：

對經過幾何變換的圖像進行剪裁和/或縮放，獲得特定尺寸的人臉圖塊。

11.根據(jù)權利要求6所述的人臉識別方法，其特征在于，所述獲取歸一化的人臉圖塊數(shù)據(jù)還包括：對所述人臉圖塊進行灰度處理。

12.根據(jù)權利要求1至11任一項所述的人臉識別方法，其特征在于，所述根據(jù)所述人臉的特征映射識別人臉包括：

將所述人臉的特征映射與預存儲的人臉信息進行距離對比，并根據(jù)比較結果判斷人臉的身份。

13.根據(jù)權利要求1至11任一項所述的人臉識別方法，其特征在于，所述根據(jù)所述人臉的特征映射識別人臉包括：

將獲得的兩個人臉的特征映射進行距離對比，并根據(jù)比較結果判斷兩個人臉是否屬于同一個人。

14.根據(jù)權利要求1所述的人臉識別方法，其特征在于，將所述歸一化的人臉圖塊數(shù)據(jù)輸入深度卷積神經網絡模型進行數(shù)據(jù)處理，并獲得人臉的特征映射之前還包括：

通過反向傳播算法訓練所述深度卷積神經網絡模型。