[發明專利]一種深度學習的人臉識別系統

在審

• 申請號: 201810352493.3
• 申請日: 2018-04-19
• 公開（公告）號: CN108346208A
• 公開（公告）日: 2018-07-31
• 發明（設計）人: 王海龍
• 申請（專利權）人: 深圳安邦科技有限公司
• 主分類號: G07C9/00
• 分類號: G07C9/00;G06K9/00;G06N3/08
• 代理公司: 北京挺立專利事務所(普通合伙) 11265
• 代理人: 李鑫

本發明公開了一種深度學習的人臉識別系統，包括人臉識別門崗一體機、人臉識別人證對照系統和人臉識別人形閘口，所述人臉識別門崗一體機、人臉識別人證對照系統和人臉識別人形閘口分別通過以太網與負載均衡器連接，所述負載均衡器通過算法云實現人臉數據分析，所述深度學習系統包括自然光處理模塊、正臉檢測模塊和數據調優模塊。本發明設計科學合理，可以提升監控系統和人證比對系統，能夠實時有效的提升安防系統的安全性，適用場合廣泛。

技術領域

本發明涉及一種人臉識別技術，尤其涉及一種深度學習的人臉識別系統。

背景技術

人臉識別技術的研究始于20世紀60年代，80年代后隨著計算機技術和光學成像技術的進步得到快速發展，90年代后期一些商業性的人臉識別系統逐漸進入市場。近年來，社會安全信息備受關注，信息檢索，視頻監控，移動支付以及各種娛樂應用等的飛速發展進一步推動了人臉識別技術的需求。現有的人臉識別系統大多在用戶配合，采集條件比較理想的情況下可以取得令人滿意的結果。但是，如果用戶不配合，采集條件不理想(如光照不均勻，陰陽臉，分辨率低等)，有各種遮擋的情況下，識別率將大大降。

深度學習是機器學習研究中的一個新的領域，其動機在于建立、模擬人腦進行分析學習的神經網絡，它模仿人腦的機制來解釋數據。深度學習的概念源于人工神經網絡的研究。含多隱層的多層感知器就是一種深度學習結構。深度學習通過組合低層特征形成更加抽象的高層表示屬性類別或特征，以發現數據的分布式特征表示。deep learning與傳統的神經網絡之間有相同的地方也有很多不同。

發明內容

為了克服現有技術的不足，本發明的目的在于提供一種深度學習的人臉識別系統，用于解決上述背景技術中提到的技術問題。

本發明的目的采用如下技術方案實現：深度學習的人臉識別系統，包括人臉識別門崗一體機、人臉識別人證對照系統和人臉識別人形閘口，所述人臉識別門崗一體機、人臉識別人證對照系統和人臉識別人形閘口分別通過以太網與負載均衡器連接，所述負載均衡器通過算法云實現人臉數據分析，所述深度學習系統包括自然光處理模塊、正臉檢測模塊和數據調優模塊。

優選的，所述自然光處理模塊包括從人臉圖像之中學習到圖像中的規則觀察體(canonical view，標準正面人臉圖像)，從個體照片中自動選擇/合成，該人臉恢復方法已經應用于人臉核實，效果良好。

優選的，所述正臉檢測模塊通過訓練深度神經網絡來進行人臉重建，loss函數為：i為第i個個體，k為第i個個體的第k張樣本和Y為訓練圖像和目標圖像，深度神經網絡包含三層，前兩層后接上了max pooling；最后一層接上了全連接層，最終，經過訓練的深度神經網絡生成的canonical view人臉圖像，與傳統卷積神經網絡不同，該識別系統的filters不共享權重。

優選的，所述數據調優模塊對于數據集中每一個個體，有多張圖片以及單個pool的3DMM。我們將該數據用于訓練模型，使模型可以根據同一個體不同的圖片來生成類似的3DMM特征向量，采用了101層的deep ResNet網絡來進行人臉識別，神經網絡的輸出層為198維度的3DMM特征向量，然后，使用CASIA圖像生成的pooled 3DMM作為目標值對神經網絡進行fine-tuned。

優選的，所述人臉識別系統設有數據存儲模塊。

優選的，所述人臉識別系統支持Offline的人臉識別和檢測。

優選的，所述深度學習模型包括輸入層、隱層(多層)、輸出層組成的多層網絡，只有相鄰層節點之間有連接，同一層以及跨層節點之間相互無連接。

相比現有技術，本發明的有益效果在于：

本發明在現有技術的基礎上采用自然光處理模塊和正臉檢測模塊，取得了很好的人臉核實效果，可以減少人力成本并做到事前預防的功能，將通過人臉識別，提升監控系統和人證比對系統，能夠實時有效的提升安防系統的安全性。