[發明專利]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

• 申請號: 201710669778.5
• 申請日: 2017-08-07
• 公開（公告）號: CN107437081A
• 公開（公告）日: 2017-12-05
• 發明（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

技術領域

本發明涉及人臉識別技術領域，特別是一種基于深度卷積神經網絡的人臉識別方法、裝置、存儲介質和服務器。

背景技術

隨著計算機及互聯網技術的高速發展，數據規模呈爆發式增長，海量數據的智能化分析處理也逐漸成為有效利用數據價值的關鍵。作為近年來興起的人工智能的一個典型代表，深度卷積神經網絡的深度學習算法模型在模式識別、人機對抗等領域得到高度發展，并取得了諸多的成果。

基于生物特征的身份識別對于安防領域及各種身份認證系統具有重要作用。人臉識別的非接觸性和非強制性，以及準確、方便、直觀的特點，使其具有良好的發展和應用前景。目前，盡管基于卷積神經網絡計算的人臉識別得到了廣泛應用，但龐大的數據運算量一方面使得人臉識別速度大大降低，另一方面也對硬件的性能和算法的設計提出了更嚴格的要求。

發明內容

鑒于上述情況，本發明提供了一種基于深度卷神經網絡的人臉識別方法和裝置，以減小數據運算量，提高人臉識別效率。

本發明的一個方面提供了一種基于深度卷積神經網絡的人臉識別方法，包括：獲取歸一化的人臉圖塊數據；將所述歸一化的人臉圖塊數據輸入深度卷積神經網絡模型進行數據處理，并獲得人臉高層次的特征映射；其中所述數據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；以及根據所述人臉高層次的特征映射識別人臉。

在一個實施例中，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高層次特征映射的全連接層；所述將所述歸一化的人臉圖塊數據輸入深度卷積神經網絡模型進行數據處理，并獲得人臉高層次的特征映射包括：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。

在一個實施例中，所述最大化競爭的函數為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，W是卷積權重陣，b是偏置向量。

在一個實施例中，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據輸入深度卷積神經網絡模型進行數據處理包括：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。

在一個實施例中，所述數據處理還包括對經最大化競爭操作所得的至少一個特征圖進行最大值池化操作。

在一個實施例中，所述獲取歸一化的人臉圖塊數據包括：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。

在一個實施例中，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。

在一個實施例中，所述人臉的典型特征位置包括左眼中心、右眼中心和嘴唇中點；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唇中點進行兩點相似變換。

在一個實施例中，所述幾何變換包括平移變換、尺度變換和旋轉變換、區域提取的至少之一。

在一個實施例中，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。

在一個實施例中，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還包括：對所述人臉圖塊進行灰度處理。

在一個實施例中，所述根據所述人臉高層次的特征映射識別人臉包括：將所述人臉高層次的特征映射與預存儲的人臉信息進行距離對比，并根據比較結果判斷人臉的身份。

在一個實施例中，所述根據所述人臉高層次的特征映射識別人臉包括：將獲得的兩個人臉高層次的特征映射進行距離對比，并根據比較結果判斷兩個人臉是否屬于同一個人。

在一個實施例中，將所述歸一化的人臉圖塊數據輸入深度卷積神經網絡模型進行數據處理，并獲得人臉高層次的特征映射之前還包括：通過隨機梯度下降法訓練所述深度卷積神經網絡模型。