[發(fā)明專利]基于深度可分離卷積的輕量化人臉識(shí)別方法及系統(tǒng)

在審

• 申請(qǐng)?zhí)枺?/td>: 201810921647.6
• 申請(qǐng)日: 2018-08-14
• 公開(kāi)（公告）號(hào): CN109063666A
• 公開(kāi)（公告）日: 2018-12-21
• 發(fā)明（設(shè)計(jì)）人: 程建;劉濟(jì)樾;劉三元;蘇炎洲;李月男
• 申請(qǐng)（專利權(quán)）人: 電子科技大學(xué)
• 主分類號(hào): G06K9/00
• 分類號(hào): G06K9/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 成都弘毅天承知識(shí)產(chǎn)權(quán)代理有限公司 51230
• 代理人: 鄒敏菲

本發(fā)明公開(kāi)了一種基于深度可分離卷積的輕量化人臉識(shí)別方法及系統(tǒng)，該人臉識(shí)別方法包括：對(duì)三層級(jí)聯(lián)卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得到訓(xùn)練好的三層級(jí)聯(lián)卷積神經(jīng)網(wǎng)絡(luò)；對(duì)深度可分離卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得到深度可分離卷積神經(jīng)網(wǎng)絡(luò)模型；對(duì)深度可分離卷積神經(jīng)網(wǎng)絡(luò)模型中的卷積層的權(quán)重系數(shù)進(jìn)行壓縮，得到訓(xùn)練好的深度可分離卷積神經(jīng)網(wǎng)絡(luò)模型；輸入待識(shí)別人臉圖像至訓(xùn)練好的三層級(jí)聯(lián)卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行圖像預(yù)處理，然后輸出預(yù)處理圖像至訓(xùn)練好的深度可分離卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行人臉識(shí)別。本發(fā)明通過(guò)采用深度可分離卷積減少計(jì)算量，降低模型大小，并進(jìn)一步對(duì)深度可分離卷積神經(jīng)網(wǎng)絡(luò)模型中的卷積層的權(quán)重系數(shù)進(jìn)行壓縮，使得模型縮小35到49倍。

技術(shù)領(lǐng)域

本發(fā)明涉及人臉識(shí)別和深度學(xué)習(xí)領(lǐng)域，特別涉及于基于深度可分離卷積的輕量化人臉識(shí)別方法及系統(tǒng)。

背景技術(shù)

人臉識(shí)別是利用人類面部特征信息進(jìn)行身份認(rèn)證的一種技術(shù)。當(dāng)前的人臉識(shí)別技術(shù)主要被應(yīng)用到了以下方面：海口，機(jī)場(chǎng)，火車站等場(chǎng)合的證件驗(yàn)證；罪犯照片的存檔管理和刑偵破案；視頻監(jiān)控中的人臉檢測(cè)，跟蹤和識(shí)別等等，此外，人臉識(shí)別技術(shù)在醫(yī)學(xué)、人機(jī)交互、通道控制等領(lǐng)域也具有廣闊的應(yīng)用前景。

傳統(tǒng)人臉識(shí)別算法所產(chǎn)生并且使用的特征可以被認(rèn)為屬于淺層特征，而且不能從原始圖像中獲取更加深入的高語(yǔ)義特征以及其深度特征，若要獲得好的識(shí)別效果，這些傳統(tǒng)人臉識(shí)別算法必須結(jié)合人造特征的幫助，而人為設(shè)定的特征在特征提取和識(shí)別過(guò)程中通常會(huì)帶來(lái)不可期望的人為因素和誤差；并且，在沒(méi)有人為的干預(yù)下，傳統(tǒng)人臉識(shí)別算法往往不能自動(dòng)地從原始圖像中提取有用的識(shí)別特征，從而使得傳統(tǒng)人臉識(shí)別方法識(shí)別率較低。

因此，近年來(lái)，絕大多數(shù)當(dāng)前最佳的人臉識(shí)別方法都是基于卷積神經(jīng)網(wǎng)絡(luò)的，卷積神經(jīng)網(wǎng)絡(luò)能夠?qū)W習(xí)到優(yōu)于傳統(tǒng)手工特征的具有區(qū)分性的特征，從而具有優(yōu)于傳統(tǒng)的人臉識(shí)別方法的識(shí)別率。但是，卷積神經(jīng)網(wǎng)絡(luò)為層次結(jié)構(gòu)，為了獲得好的識(shí)別效果，網(wǎng)絡(luò)層數(shù)很深，其中又包括多個(gè)卷積層，每個(gè)卷積層又包含多個(gè)卷積核，所以權(quán)重參數(shù)也很多，一般都是百萬(wàn)級(jí)別的，從而造成卷積神經(jīng)網(wǎng)絡(luò)模型很大，識(shí)別慢，進(jìn)一步導(dǎo)致其無(wú)法廣泛地應(yīng)用于移動(dòng)端。

發(fā)明內(nèi)容

本發(fā)明的目的在于：針對(duì)現(xiàn)有的人臉識(shí)別方法中，模型過(guò)大而識(shí)別速度慢的問(wèn)題，提供一種基于深度可分離卷積的輕量化人臉識(shí)別方法和系統(tǒng)，通過(guò)訓(xùn)練基于AM-Softmax損失函數(shù)的深度可分離卷積神經(jīng)網(wǎng)絡(luò)模型，進(jìn)行人臉識(shí)別的方法，并對(duì)深度可分離卷積神經(jīng)網(wǎng)絡(luò)的權(quán)重系數(shù)進(jìn)行壓縮，從而降低模型大小,同時(shí)提高識(shí)別率和準(zhǔn)確率。

本發(fā)明采用的技術(shù)方案如下：

一種基于深度可分離卷積的輕量化人臉識(shí)別方法，具體包括：

S1、構(gòu)建三層級(jí)聯(lián)卷積神經(jīng)網(wǎng)絡(luò)，并輸入第一人臉圖像數(shù)據(jù)集的圖像金字塔，對(duì)所述三層級(jí)聯(lián)卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得到訓(xùn)練好的三層級(jí)聯(lián)卷積神經(jīng)網(wǎng)絡(luò)；

S2、構(gòu)建基于AM-Softmax損失函數(shù)的深度可分離卷積神經(jīng)網(wǎng)絡(luò)，并輸入第二人臉圖像數(shù)據(jù)集，對(duì)所述深度可分離卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得到深度可分離卷積神經(jīng)網(wǎng)絡(luò)模型；

S3、對(duì)深度可分離卷積神經(jīng)網(wǎng)絡(luò)模型中的卷積層的權(quán)重系數(shù)進(jìn)行壓縮，得到訓(xùn)練好的深度可分離卷積神經(jīng)網(wǎng)絡(luò)模型；

S4、輸入待識(shí)別人臉圖像的圖像金字塔至訓(xùn)練好的三層級(jí)聯(lián)卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行圖像預(yù)處理，然后輸出預(yù)處理圖像至訓(xùn)練好的深度可分離卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行人臉識(shí)別。

進(jìn)一步地，步驟S2中基于AM-Softmax損失函數(shù)的深度可分離卷積神經(jīng)網(wǎng)絡(luò)，其結(jié)構(gòu)包括：17個(gè)卷積模塊；

第一個(gè)卷積模塊是一個(gè)3x3的普通卷積層；

第二個(gè)卷積模塊至第十四個(gè)卷積模塊是深度可分離卷積模塊；

第十五個(gè)卷積模塊是一個(gè)7x7的平均池化層；

第十六個(gè)卷積模塊是一個(gè)全連接層；