[發明專利]一種基于人臉邊緣計算的身份核驗方法、系統與設備

有效

• 申請號: 202010078951.6
• 申請日: 2020-02-03
• 公開（公告）號: CN111339833B
• 公開（公告）日: 2022-10-28
• 發明（設計）人: 不公告發明人
• 申請（專利權）人: 重慶特斯聯智慧科技股份有限公司
• 主分類號: G06V40/16
• 分類號: G06V40/16;G06V10/764;G06V10/82;G06K9/62;G06N3/04;G06N3/063;G06N3/08
• 代理公司: 北京華專卓海知識產權代理事務所(普通合伙) 11664
• 代理人: 彭銳

1.一種基于人臉邊緣計算的身份核驗方法，其特征在于，包括如下步驟：S1、在終端設備上安裝身份核驗設備作為網絡的邊緣節點；S2、將一定數量的人臉訓練樣本上傳至云端服務器，利用人臉訓練樣本對云端服務器的卷積神經網絡進行訓練，獲取訓練完成的云端服務器的卷積神經網絡；S3、將云端服務器的卷積神經網絡的各層權值進行整合，獲得權值配置腳本，并通過網絡下發至邊緣節點；S4、由身份核驗設備下載權值配置腳本，并參照權值配置腳本對身份核驗設備中采用卷積神經網絡的人臉識別器進行各層權值的調節；

所述卷積神經網絡包括輸入層、卷積層、池化層、全連接層以及分類輸出層；

所述S2中對神經網絡訓練的具體過程為：由所述輸入層獲取人臉訓練樣本，并傳輸至所述卷積層；所述卷積層提取人臉訓練樣本的特征，并傳輸至所述池化層；所述池化層對提取的人臉訓練樣本的特征進行池化操作，降低特征數據的維度，并提取出的特征傳輸至所述全連接層；所述全連接層對提取的人臉訓練樣本的特征進行分類，獲得分類模型，并傳輸至所述分類輸出層，輸出人臉識別結果；將輸出的人臉識別結果與期望值進行比對，獲得輸出結果與期望值的誤差；將誤差反向傳遞，計算每一層的誤差，依據誤差進行每層權值的更新，直至輸出的人臉識別結果在期望值可以接受的區間，獲得一個訓練完成的能夠進行人臉識別的卷積神經網絡。

2.根據權利要求1所述的一種基于人臉邊緣計算的身份核驗方法，其特征在于，還包括如下步驟：由所述身份核驗設備依據現場采集的人臉圖像，對所述人臉識別器進行自主訓練，獲得權值的調節系數；在S4調節獲得的權值的基礎上，對權值和調節系數進行乘法運算，完成權值的二次訓練調節。

3.一種基于人臉邊緣計算的身份核驗系統，其特征在于，包括配置模塊(1)、身份核驗設備(2)、和云端服務器(3)；其中，所述身份核驗設備(2)包括權值調節單元(22)、權值配置單元(21)、和人臉識別器(23)；所述云端服務器(3)包括虛擬訓練單元(31)、和整合單元(32)；所述配置模塊(1)用于在終端設備上安裝所述身份核驗設備(2)作為網絡的邊緣節點；所述虛擬訓練單元(31)用于獲取一定數量的人臉訓練樣本，利用人臉訓練樣本對所述云端服務器(3)的卷積神經網絡進行訓練，獲取訓練完成的所述云端服務器(3)的卷積神經網絡；所述整合單元(32)用于將所述云端服務器(3)的卷積神經網絡的各層權值進行整合，獲得權值配置腳本，并通過網絡下發至邊緣節點；所述權值配置單元(21)用于下載權值配置腳本，所述權值調節單元(22)用于參照權值配置腳本對身份核驗設備中采用卷積神經網絡的所述人臉識別器(23)進行各層權值的調節；

所述卷積神經網絡包括輸入層、卷積層、池化層、全連接層以及分類輸出層；

所述虛擬訓練單元(31)對神經網絡訓練的具體過程為：由所述輸入層獲取人臉訓練樣本，并傳輸至所述卷積層；所述卷積層提取人臉訓練樣本的特征，并傳輸至所述池化層；所述池化層對提取的人臉訓練樣本的特征進行池化操作，降低特征數據的維度，并提取出的特征傳輸至所述全連接層；所述全連接層對提取的人臉訓練樣本的特征進行分類，獲得分類模型，并傳輸至所述分類輸出層，輸出人臉識別結果；將輸出的人臉識別結果與期望值進行比對，獲得輸出結果與期望值的誤差；將誤差反向傳遞，計算每一層的誤差，依據誤差進行每層權值的更新，直至輸出的人臉識別結果在期望值可以接受的區間，獲得一個訓練完成的能夠進行人臉識別的卷積神經網絡。

4.根據權利要求3所述的一種基于人臉邊緣計算的身份核驗系統，其特征在于，所述身份核驗設備還包括二次訓練調節單元(24)，所述二次訓練調節單元(24)用于依據現場采集的人臉圖像，對所述人臉識別器(23)進行自主訓練，獲得權值的調節系數；在權值調節單元(22)調節獲得的權值的基礎上，對權值和調節系數進行乘法運算，完成權值的二次訓練調節。