[發明專利]一種基于深度學習的人臉識別方法

在審

• 申請號: 202010422052.3
• 申請日: 2020-05-18
• 公開（公告）號: CN111563476A
• 公開（公告）日: 2020-08-21
• 發明（設計）人: 宋清昆;許國安
• 申請（專利權）人: 哈爾濱理工大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06N3/04;G06N3/08
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發明公開了一種基于深度學習的人臉識別方法，涉及人臉識別技術領域；它的方法為：基于一種性能良好的CNN模型建立起來的，通過構建訓練CNN人臉識別模型，在通過OpenCV人臉識別檢測模型在線獲取人臉的數據圖像，最后再將的到的圖像數據傳入構建好的數據模型進行鑒別人臉身份；本發明通過在ResNet網絡結構中加入DenesNet稠密連接結構，能夠保證特征重復但不過多冗余，該網絡應該具有很好的信息傳遞性，并隱藏了深度監督，提出了一種新的卷積神經網絡，簡化了傳統特征提取的預處理工作，降低了對硬件的要求；能減少對硬件苛刻要求，并且具有優秀的識別效果，實現人臉的在線識別，依舊具有重要的研究意義與很大的應用潛力。

技術領域

本發明屬于人臉識別技術領域，具體涉及一種基于深度學習的人臉識別方法。

背景技術

在對人臉識別的研究上，相關學者們己有豐富的成果，出現不少具有亮點與高效的人臉圖像分類算法。但是人臉識別技術在現在甚至今后還需要面對許多發展上的阻礙。例如在識別人臉時，不僅易受多方面的干擾，而且需要解決識別精確度兼并實時性等問題，具體應用的識別效果并不優秀。在很長一段時間內仍需對其研究和實踐，以期獲得一種能在實際場景應用下兼顧識別性能與抗干擾性的識別方法。利用卷積神經網絡實現人臉的識別，發揮CNN具有對圖像特征提取的優異能力，設計一種合適的CNN模型，即網絡深度適合和殘差優化方法有效，能減少對硬件苛刻要求，并且具有優秀的識別效果，實現人臉的在線識別，依舊具有重要的研究意義與很大的應用潛力。

發明內容

為解決現有的問題；本發明的目的在于提供一種基于深度學習的人臉識別方法。

本發明的一種基于深度學習的人臉識別方法，它的方法為：基于深度學習的人臉識別系統，同時基于一種性能良好的CNN模型建立起來的，通過構建訓練CNN人臉識別模型，在通過OpenCV人臉識別檢測模型在線獲取人臉的數據圖像，最后再將的到的圖像數據傳入構建好的數據模型進行鑒別人臉身份；通過參考 Res Net網絡結構，再引入Dense Net稠密連接結構，并且在網絡中引入批歸一化與Dropout改善網絡，進一步緩解過擬合，梯度訓練選擇 Adam優化算法，激活函數選擇Re LU，構造本文的CNN模型；結合Open CV的分類器完成檢測人臉工作，設計在線式人臉識別系統。

作為優選，所述構建訓練CNN人臉識別模型為在CNN模型的基礎上，分析其傳統模型的優缺點，進而設計的CNN模型，以及選擇的輸入、卷積部分、池化部分、全連接層，確定選擇的損失函數，并對梯度優化函數進行實驗對比，進而選擇性能最好的優化方法；通過參考Res Net 結構，引入Dense Net稠密連接，保證特征信息的一定流通與較少的冗余，設計符合的CNN模型；然后就 CASIA-webface數據集進行CNN模型人臉識別仿真，驗證所設計的CNN 模型識別效果好，可用于在線式人臉識別系統，為最后的在線式人臉識別系統設計做鋪墊。

作為優選，所述人臉識別系統設計包括三部分：基于Open CV的人臉檢測部分、模糊圖片過濾部分與基于CNN的人臉識別部分。調用Haar Cascade分類器實現人臉檢測，并通過模糊圖片檢測算法去除模糊圖片，最后利用訓練好的CNN人臉識別模型判別人臉身份，并對搭建的人臉識別系統進行測試，并進行性能分析。

與現有技術相比，本發明的有益效果為：

一、通過在ResNet網絡結構中加入DenesNet稠密連接結構，能夠保證特征重復但不過多冗余，該網絡應該具有很好的信息傳遞性，并隱藏了深度監督，提出了一種新的卷積神經網絡，簡化了傳統特征提取的預處理工作，降低了對硬件的要求。

二、能減少對硬件苛刻要求，并且具有優秀的識別效果，實現人臉的在線識別，依舊具有重要的研究意義與很大的應用潛力。

具體實施方式