[發明專利]一種人臉識別神經網絡

在審

• 申請號: 201811057519.8
• 申請日: 2018-09-11
• 公開（公告）號: CN109359528A
• 公開（公告）日: 2019-02-19
• 發明（設計）人: 李森;樂毅;黃明飛
• 申請（專利權）人: 開放智能機器（上海）有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04
• 代理公司: 上海申新律師事務所 31272
• 代理人: 俞滌炯

本發明涉及人工智能技術領域，尤其涉及一種人臉識別神經網絡，其特征在于，應用于一嵌入式系統；人臉識別神經網絡包括：具有次序的預設數量的卷積層；具有次序的預設數量的池化層；除第一個以外的每個卷積層的輸入端依次連接一個池化層的輸出端；每個卷積層分別包括反映輸出的特征數量的輸出特征數量參數，反映學習快慢的學習速率參數，反映每次學習的程度的步長參數，以及用于激活自身的激活模型；其中，激活模型為最大特征圖模型；能夠形成適用于嵌入式環境的模型，消耗的計算資源少，計算功耗小；消耗的計算資源少，計算功耗小，能夠使用于嵌入式平臺，可移植性高。

技術領域

本發明涉及人工智能技術領域，尤其涉及一種人臉識別神經網絡。

背景技術

人臉識別技術是通過分析比較人臉視覺特征信息進行身份鑒別的計算機技術。人臉識別是用攝像機或攝像頭采集含有人臉的圖像或視頻流，并自動在圖像中檢測和跟蹤人臉，進而對檢測到的人臉進行臉部識別的一系列相關技術，通常也叫做人像識別、面部識別。人臉與人體的其它生物特征(指紋、虹膜等)一樣與生俱來，它的唯一性和不易被復制的良好特性為身份鑒別提供了必要的前提，與其它類型的生物識別比較人臉識別具有一些較好的特征，比如：非強制性、非接觸性、并發性、不易被察覺等。人臉識別利用可見光獲取人臉圖像信息，而不同于指紋識別或者虹膜識別，需要利用電子壓力傳感器采集指紋，或者利用紅外線采集虹膜圖像，這些特殊的采集方式很容易被人察覺，從而更有可能被偽裝欺騙。

傳統的人臉識別實際上是圖像處理和機器學習的結合，就是從圖像中找出人臉區域，從人臉區域提取出特征數據，通過對比特征值計算相似度，但由于特征提取算法都是人工設計的特征，很難適應比較復雜的情況，比如光線強弱變化、有遮擋等，實際應用中準確率不高。但隨著最近幾年深度學習技術的興起，越來越多基于深度學習的人臉識別技術出現，使得人臉識別的準確率大幅提高。不過，由于深度學習實現的算法為了達到更高的準確率模型非常大，參數量也很多，要求的計算資源也非常高，在嵌入式平臺部署時速度很慢。

通常而言，基于深度學習的人臉識別算法，模型越是復雜，算法的準確率就越高，但同時模型文件就越大。在嵌入式平臺，這需要更多的存儲及內存空間，并且由于計算資源有限，不能運行太復雜的深度學習算法或者能運行但速度非常慢，不能達到實用的要求。

發明內容

針對上述問題，本發明提出了一種人臉識別神經網絡，其中，應用于一嵌入式系統；所述人臉識別神經網絡包括：

具有次序的預設數量的卷積層；

具有次序的所述預設數量的池化層；

除第一個以外的每個所述卷積層的輸入端依次連接一個所述池化層的輸出端；

每個所述卷積層分別包括反映輸出的特征數量的輸出特征數量參數，反映學習快慢的學習速率參數，反映每次學習的程度的步長參數，以及用于激活自身的激活模型；

其中，所述激活模型為最大特征圖模型。

上述的人臉識別神經網絡，其中，第一個所述卷積層的所述步長參數為2。

上述的人臉識別神經網絡，其中，每個所述卷積層的所述輸出特征數量參數分別為128。

上述的人臉識別神經網絡，其中，第一個所述卷積層的所述學習速率參數為1。

上述的人臉識別神經網絡，其中，所述預設數量為10。

上述的人臉識別神經網絡，其中，第五個所述卷積層的卷積核大小為1。

上述的人臉識別神經網絡，其中，第五個所述卷積層的步長參數為1，所述輸出特征數量參數為512。

上述的人臉識別神經網絡，其中，最后一個所述池化層輸出的是256維的特征向量。