[發(fā)明專利]一種基于深度學(xué)習(xí)的人臉識別裝置及識別方法

在審

• 申請?zhí)枺?/td>: 202010510796.0
• 申請日: 2020-06-08
• 公開（公告）號: CN111639619A
• 公開（公告）日: 2020-09-08
• 發(fā)明（設(shè)計）人: 陳豪;官預(yù)翔;沈毅;楊玉漣;朱霞
• 申請（專利權(quán)）人: 金陵科技學(xué)院
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G06T5/00;G06T5/20;F16M11/04;F16M11/18
• 代理公司: 南京鐘山專利代理有限公司 32252
• 代理人: 蘇良

1.一種基于深度學(xué)習(xí)的人臉識別裝置，其特征在于，包括裝置本體(1)、升降機構(gòu)(7)和可自動調(diào)焦的攝像機(8)；裝置本體(1)為方形盒體結(jié)構(gòu)，內(nèi)置有用于人臉識別數(shù)據(jù)處理的樹莓派(2)、用于數(shù)據(jù)存儲的硬盤組(3)和用于為所述人臉識別裝置供電的儲能電池(4)，升降機構(gòu)(7)垂直固定在裝置本體(1)上端面中間位置，攝像機(8)水平固定在升降機構(gòu)(7)頂部，攝像機(8)的主控芯片(801)與樹莓派(2)電性連接。

2.根據(jù)權(quán)利要求1所述的基于深度學(xué)習(xí)的人臉識別裝置，其特征在于，升降機構(gòu)(7)包括圓管(701)、齒條(702)、電機(703)、第一固定板(705)和第二固定板(706)，第一固定板(705)開設(shè)有第一螺孔并通過螺釘固定在裝置本體(1)上端面，圓管(701)一體垂直固定在第一固定板(705)上，齒條(702)插接在圓管(701)中，齒條(702)頂部與第二固定板(706)下端面垂直一體連接，第二固定板(706)上開設(shè)第二螺孔并通過螺釘與攝像機(8)固定；圓管(701)頂部后側(cè)一體設(shè)置有水平承托板，電機(703)通過螺栓固定在所述水平承托板上，電機(703)的輸出軸端部固定有齒輪(704)，齒輪(704)穿過圓管(701)并與齒條(702)嚙合；電機(703)上配套有用于手動控制電機(703)正、反轉(zhuǎn)的旋鈕開關(guān)。

3.根據(jù)權(quán)利要求2所述的基于深度學(xué)習(xí)的人臉識別裝置，其特征在于，升降機構(gòu)(7)還包括用于卡住齒條(702)的插銷式卡扣(707)，圓管(701)頂部開設(shè)有供卡扣(707)插入的孔。

4.根據(jù)權(quán)利要求1所述的基于深度學(xué)習(xí)的人臉識別裝置，其特征在于，樹莓派(2)上設(shè)置有USB接口(201)，裝置本體(1)上對應(yīng)于USB接口(201)的位置開孔。

5.根據(jù)權(quán)利要求1所述的基于深度學(xué)習(xí)的人臉識別裝置，其特征在于，儲能電池(4)連有電源插頭(5)；裝置本體(1)側(cè)面設(shè)置有散熱風扇(6)。

6.根據(jù)權(quán)利要求2至5中任一項所述的基于深度學(xué)習(xí)的人臉識別裝置，其特征在于，裝置本體(1)、圓管(701)、齒條(702)、第一固定板(705)和第二固定板(706)均為碳纖維材質(zhì)。

7.一種基于深度學(xué)習(xí)的人臉識別方法，其特征在于，包括如下步驟：

步驟a、人臉檢測，獲取包含人臉的圖像，通過yolo算法對包含人臉的圖像進行檢測，分割并提取出人臉圖像；

步驟b、人臉圖像預(yù)處理，通過拉普拉斯高斯算法對提取出的人臉圖像進行平滑降噪處理及邊緣檢測；

步驟c、面部表情特征提取，將預(yù)處理的人臉圖像輸入預(yù)先訓(xùn)練的神經(jīng)網(wǎng)絡(luò)模型中，輸出識別結(jié)果。

8.根據(jù)權(quán)利要求7所述的基于深度學(xué)習(xí)的人臉識別方法，其特征在于，步驟a中，yolo算法的架設(shè)采用darknet-53網(wǎng)絡(luò)作為訓(xùn)練網(wǎng)絡(luò)。

9.根據(jù)權(quán)利要求7所述的基于深度學(xué)習(xí)的人臉識別方法，其特征在于，步驟b包括：

步驟b-1、對圖像f(x,y)進行平滑濾波，濾波函數(shù)選用高斯函數(shù)G(x,y)：

高斯函數(shù)G(x,y)為一個圓對稱函數(shù)，公式(1)中，x為圖像橫軸坐標，y為圖像縱軸坐標，exp表示自然常數(shù)e為底的指數(shù)函數(shù)，高斯函數(shù)G(x,y)平滑作用由控制參數(shù)σ來控制；

將G(x,y)與f(x,y)卷積，得到一個平滑的圖像g(x,y)＝f(x,y)*G(x,y)；

步驟b-2、增強，對平滑圖像g(x,y)進行拉普拉斯運算：

公式(2)中，表示梯度；

步驟b-3、邊緣檢測，邊緣檢測的判斷依據(jù)為h(x,y)＝0的點，作為邊緣點。

10.根據(jù)權(quán)利要求7所述的基于深度學(xué)習(xí)的人臉識別方法，其特征在于，步驟c中，采用VGG-16作為訓(xùn)練網(wǎng)絡(luò)，將fer人臉表情訓(xùn)練集作為基礎(chǔ)訓(xùn)練集輸入VGG-16網(wǎng)絡(luò)進行訓(xùn)練，在得到訓(xùn)練矩陣生成的同時，加入其類別矩陣，用于保存訓(xùn)練集標簽；

VGG-16網(wǎng)絡(luò)為全連接神經(jīng)網(wǎng)絡(luò)，輸入數(shù)據(jù)在加權(quán)求和之后通過激活函數(shù)計算傳入下一個神經(jīng)源，而上層每一個神經(jīng)源都要經(jīng)過此運算過程后傳到進入下一層；

具體包括：

步驟c-1、將ReLU函數(shù)作為激活函數(shù)，對輸入數(shù)據(jù)進行激活處理；

步驟c-2、通過損失函數(shù)計算預(yù)測值和真實值之間的差值，損失函數(shù)采用交叉熵損失函數(shù)：

公式(3)輸出某一個對象是某一類的概率，其中，t_k為某一個對象的正確解，為0或1；k表示求和下標，y_k為上一層的輸出；

步驟c-3、通過優(yōu)化函數(shù)計算權(quán)重更新值，優(yōu)化函數(shù)采用adam優(yōu)化器。