[發明專利]一種基于深度學習模型的人臉識別方法

有效

• 申請號: 201811250425.2
• 申請日: 2018-10-25
• 公開（公告）號: CN109359608B
• 公開（公告）日: 2021-10-19
• 發明（設計）人: 林劼;鐘德建;崔建鵬;馬駿;馬雨青;郝玉潔
• 申請（專利權）人: 電子科技大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04
• 代理公司: 成都金英專利代理事務所(普通合伙) 51218
• 代理人: 袁英

本發明公開了一種基于深度學習模型的人臉識別方法，包括：構建卷積神經網絡、對網絡參數進行訓練、圖片預處理和輸入模型進行類別判定；構建卷積神經網絡，用于利用大規模人臉數據集進行改進的卷積深度神經網絡構建；對網絡參數進行訓練，用于利用誤差反向傳播算法對神經網絡參數進行訓練；圖片預處理，用于基于MTCNN算法的人臉檢測和人臉歸一化處理，將圖片轉化成統一的特征向量表示；輸入模型進行類別判定，用于將特征向量輸入訓練好的卷積神經網絡中進行類別標簽判定。本發明改進了傳統的卷積神經網絡中的正則化項，提出了一種新的神經網絡權重初始化的方法，能夠顯著提升人臉識別分類的效果。

技術領域

本發明涉及圖像處理領域，尤其涉及一種基于深度學習模型的人臉識別方法。

背景技術

如何準確、有效的識別用戶身份,提升信息安全已成為一項重要的研究課題。傳統的身份簽訂技術主要依靠外物(身份證,鑰匙等)，或者自身記憶(密碼,用戶名等)，然而不管是借助于外物還是自身記憶,都存在著嚴重的安全隱患。

人臉，與指紋、虹膜等一樣，作為生物識別的一個重要特征，在檔案管理系統、安全驗證系統、公安系統的罪犯追蹤、視頻監控等方面有著很廣闊的應用前景。人臉特征采集手段十分簡單、方便、隱蔽，使用者也不會因為隱私等問題而產生抗拒心理，越來越發揮著重要的作用。人臉識別，目前的方法集中在以下幾個方面：

(1)基于幾何特征的方法

首先檢測出嘴巴、鼻子、眼睛、眉毛等有突出結構特征的人臉部位的位置和大小信息，以及這些區域之間的總體幾何分布、彼此之間的相對距離和比例等相關參數，以此來構成一個可用于人臉表征的特征向量。

(2)基于模板匹配的方法

主要有兩種方式：靜態匹配和彈性匹配。

靜態模板匹配中，主要是利用整幅灰度級圖像、人臉特征區域的灰度圖像以及變化后的人臉圖像。首先對待識別和已知人臉圖像都進行標準化，并經過同樣的變換、尺度歸一化以及灰度化處理后進行匹配，以此來確定待識別圖像的類別。

彈性匹配的方法通過設計一個能量函數，包括了圖像的一些統計信息以及人臉特征形狀的先驗知識信息。這種方法比靜態模板更加靈活，更加有魯棒性，但是對于參數的初始化要求高，模型的計算時間長，并且容易陷入局部最小。

(3)基于統計的方法

基于統計的方法是有完善的統計學理論基礎，所以發展的比較迅速，也取得了很多不錯的結果。這類方法認為圖像中的人臉可以看作是隨機的向量，能夠通過一些統計學上的方法來分析其中模式。

(4)基于傳統神經網絡的方法

它不需要人工進行特征提取算法的設計與研究工作，能夠通過對數據集進行自動學習，并且能提取到更優秀的人臉特征表達和圖像模式的隱性規律。雖然神經網絡的方法有其獨特的優勢、較強的魯棒性，但是神經網絡沒有那么嚴格的理論驗證解釋，并且要求通過較多的人臉圖片來學習，訓練速度要慢很多，并且可能會陷入局部最優。

(5)基于深度學習的方法

深度學習是一種提取特征的、端到端學習的方法，其學習流程簡單，不用像傳統的人臉識別方法那樣手工設計特征，常見的深度學習方法主要有：自編碼器(Auto Encode)、玻爾茲曼機(RBM)、深度置信網絡(DBN)、卷積神經網絡(CNN)。其中在圖片識別領域中，最常見的、取得效果最明顯的就是卷積神經網絡(CNN)。

發明內容

為了解決上述問題，本發明提出一種基于深度學習模型的人臉識別方法。

具體的，一種基于深度學習模型的人臉識別方法，包括：構建卷積神經網絡、對網絡參數進行訓練、圖片預處理和輸入模型進行類別判定；

所述構建卷積神經網絡，用于利用大規模人臉數據集進行改進的卷積深度神經網絡構建；