[發明專利]基于深度學習的人臉識別方法、裝置及計算機可讀存儲介質

在審

• 申請號: 201910658687.0
• 申請日: 2019-07-19
• 公開（公告）號: CN110516544A
• 公開（公告）日: 2019-11-29
• 發明（設計）人: 黃秋鳳;李珊珊
• 申請（專利權）人: 平安科技(深圳)有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 44347 深圳市沃德知識產權代理事務所(普通合伙)
• 代理人: 高杰;于志光<國際申請>=<國際公布>=

1.一種基于深度學習的人臉識別方法，其特征在于，所述方法包括：

基于爬蟲技術從網頁中獲取人臉圖像數據，組成原始人臉圖像集；

根據Gabor濾波器提取所述原始人臉圖像集的人臉特征得到人臉特征集，根據下采樣技術對所述人臉特征集進行降維處理形成人臉特征向量集；

將所述人臉特征向量集輸入至預先構建的卷積神經網絡模型中訓練，直至所述卷積神經網絡內的損失函數值小于預設閾值時退出訓練；

接收用戶人臉圖片，并將所述用戶人臉圖片輸入至所述卷積神經網絡中進行人臉識別，并輸出識別結果。

2.如權利要求1所述的基于深度學習的人臉識別方法，其特征在于，所述網頁包括ORL人臉數據庫、Yale人臉數據庫、AR人臉數據庫、和/或FERET人臉數據庫的網頁。

3.如權利要求1或2所述的基于深度學習的人臉識別方法，其特征在于，所述根據Gabor濾波器提取所述原始人臉圖像集的人臉特征得到人臉特征集，包括：

由若干個Gabor濾波器組成的Gabor濾波器組接收所述原始人臉圖像集；

所述Gabor濾波器組依次與所述原始人臉圖像集內的圖片做第一卷積操作得到Gabor特征；

將每次第一卷積操作得到的Gabor特征組成集合得到所述人臉特征集。

4.如權利要求3所述的基于深度學習的人臉識別方法，其特征在于，所述第一卷積操作為：

O_y,u,v(x₁,x₂)＝M(x₁,x₂)*φ_y,u,v(z)

其中，O_y,u,v(x₁,x₂)為所述Gabor特征，M(x₁,x₂)為所述原始人臉圖像集內的圖片的像素值坐標，φ_y,u,v(z)為卷積函數，z為卷積算子，y,u,v代表圖片的三個分量，其中y為圖片明亮度、u,v為圖片的色度。

5.如權利要求4所述的基于深度學習的人臉識別方法，其特征在于，所述卷積神經網絡包括十六層卷積層、十六層池化層和一層全連接層；以及所述將所述人臉特征向量集輸入至預先構建的卷積神經網絡模型中訓練，直至所述卷積神經網絡內的損失函數值小于預設閾值時退出訓練，包括：

所述卷積神經網絡接收所述人臉特征向量集后，將所述人臉特征向量集輸入至所述十六層卷積層和十六層池化層進行第二卷積操作和最大池化操作后輸入至全連接層；

所述全連接層結合激活函數計算得到訓練值，將所述訓練值輸入至所述模型訓練層的損失函數中，所述損失函數計算出損失值，判斷所述損失值與預設閾值的大小關系，直至所述損失值小于所述預設閾值時，所述卷積神經網絡退出訓練。

6.一種基于深度學習的人臉識別裝置，其特征在于，所述裝置包括存儲器和處理器，所述存儲器上存儲有可在所述處理器上運行的基于深度學習的人臉識別程序，所述基于深度學習的人臉識別程序被所述處理器執行時實現如下步驟：

基于爬蟲技術從網頁中獲取人臉圖像數據，組成原始人臉圖像集；

根據Gabor濾波器提取所述原始人臉圖像集的人臉特征得到人臉特征集，根據下采樣技術對所述人臉特征集進行降維處理形成人臉特征向量集；

將所述人臉特征向量集輸入至預先構建的卷積神經網絡模型中訓練，直至所述卷積神經網絡內的損失函數值小于預設閾值時退出訓練；

接收用戶人臉圖片，并將所述用戶人臉圖片輸入至所述卷積神經網絡中進行人臉識別，并輸出識別結果。

7.如權利要求7所述的基于深度學習的人臉識別裝置，其特征在于，所述網頁包括ORL人臉數據庫、Yale人臉數據庫、AR人臉數據庫、和/或FERET人臉數據庫的網頁。