[發(fā)明專利]一種人臉識別神經(jīng)網(wǎng)絡(luò)、方法、裝置、設(shè)備及存儲介質(zhì)

在審

• 申請?zhí)枺?/td>: 201910856348.3
• 申請日: 2019-09-11
• 公開（公告）號: CN110781724A
• 公開（公告）日: 2020-02-11
• 發(fā)明（設(shè)計）人: 黃明飛;姚宏貴;李森
• 申請（專利權(quán)）人: 開放智能機(jī)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: 31283 上海弼興律師事務(wù)所
• 代理人: 薛琦;張冉

本發(fā)明涉及人工智能技術(shù)領(lǐng)域，尤其涉及一種人臉識別神經(jīng)網(wǎng)絡(luò)、方法、裝置、設(shè)備及存儲介質(zhì)，其特征在于，應(yīng)用于一嵌入式系統(tǒng)；人臉識別神經(jīng)網(wǎng)絡(luò)包括：具有次序的預(yù)設(shè)數(shù)量的卷積層；具有次序的預(yù)設(shè)數(shù)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(shù)量的輸出特征數(shù)量參數(shù)，反映學(xué)習(xí)快慢的學(xué)習(xí)速率參數(shù)，反映每次學(xué)習(xí)的程度的步長參數(shù)，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(huán)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(shù)領(lǐng)域

本發(fā)明涉及人工智能技術(shù)領(lǐng)域，尤其涉及一種人臉識別神經(jīng)網(wǎng)絡(luò)、方法、裝置、設(shè)備及存儲介質(zhì)。

背景技術(shù)

人臉識別技術(shù)是通過分析比較人臉視覺特征信息進(jìn)行身份鑒別的計算機(jī)技術(shù)。人臉識別是用攝像機(jī)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(jìn)而對檢測到的人臉進(jìn)行臉部識別的一系列相關(guān)技術(shù)，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(fù)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(qiáng)制性、非接觸性、并發(fā)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(tǒng)的人臉識別實(shí)際上是圖像處理和機(jī)器學(xué)習(xí)的結(jié)合，就是從圖像中找出人臉區(qū)域，從人臉區(qū)域提取出特征數(shù)據(jù)，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(shè)計的特征，很難適應(yīng)比較復(fù)雜的情況，比如光線強(qiáng)弱變化、有遮擋等，實(shí)際應(yīng)用中準(zhǔn)確率不高。但隨著最近幾年深度學(xué)習(xí)技術(shù)的興起，越來越多基于深度學(xué)習(xí)的人臉識別技術(shù)出現(xiàn)，使得人臉識別的準(zhǔn)確率大幅提高。不過，由于深度學(xué)習(xí)實(shí)現(xiàn)的算法為了達(dá)到更高的準(zhǔn)確率模型非常大，參數(shù)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(xué)習(xí)的人臉識別算法，模型越是復(fù)雜，算法的準(zhǔn)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(nèi)存空間，并且由于計算資源有限，不能運(yùn)行太復(fù)雜的深度學(xué)習(xí)算法或者能運(yùn)行但速度非常慢，不能達(dá)到實(shí)用的要求。

發(fā)明內(nèi)容

針對上述問題，本發(fā)明提出了一種人臉識別神經(jīng)網(wǎng)絡(luò)，其中，應(yīng)用于一嵌入式系統(tǒng)；所述人臉識別神經(jīng)網(wǎng)絡(luò)包括：

具有次序的預(yù)設(shè)數(shù)量的卷積層；

具有次序的所述預(yù)設(shè)數(shù)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(shù)量的輸出特征數(shù)量參數(shù)，反映學(xué)習(xí)快慢的學(xué)習(xí)速率參數(shù)，反映每次學(xué)習(xí)的程度的步長參數(shù)，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(jīng)網(wǎng)絡(luò)，其中，第一個所述卷積層的所述步長參數(shù)為2。

上述的人臉識別神經(jīng)網(wǎng)絡(luò)，其中，每個所述卷積層的所述輸出特征數(shù)量參數(shù)分別為128。

上述的人臉識別神經(jīng)網(wǎng)絡(luò)，其中，第一個所述卷積層的所述學(xué)習(xí)速率參數(shù)為1。

上述的人臉識別神經(jīng)網(wǎng)絡(luò)，其中，所述預(yù)設(shè)數(shù)量為10。

上述的人臉識別神經(jīng)網(wǎng)絡(luò)，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(jīng)網(wǎng)絡(luò)，其中，第五個所述卷積層的步長參數(shù)為1，所述輸出特征數(shù)量參數(shù)為512。

上述的人臉識別神經(jīng)網(wǎng)絡(luò)，其中，最后一個所述池化層輸出的是256維的特征向量。