[發(fā)明專利]人臉識(shí)別方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202011492218.5
• 申請(qǐng)日: 2020-12-16
• 公開(kāi)（公告）號(hào): CN112560687A
• 公開(kāi)（公告）日: 2021-03-26
• 發(fā)明（設(shè)計(jì)）人: 王運(yùn)圣;李潤(rùn)龍;萬(wàn)衡
• 申請(qǐng)（專利權(quán)）人: 上海應(yīng)用技術(shù)大學(xué)
• 主分類號(hào): G06K9/00
• 分類號(hào): G06K9/00;G06N3/04;G06N3/08
• 代理公司: 上海漢聲知識(shí)產(chǎn)權(quán)代理有限公司 31236
• 代理人: 胡晶

本發(fā)明提供了一種人臉識(shí)別方法，包括以下步驟：步驟S1：從公共數(shù)據(jù)集獲取人臉訓(xùn)練測(cè)試資源；步驟S2：對(duì)圖像進(jìn)行預(yù)處理。步驟S3：將處理后的人臉數(shù)據(jù)集輸入由我們改進(jìn)后的NVM模塊的新型網(wǎng)絡(luò)結(jié)構(gòu)的卷積神經(jīng)網(wǎng)絡(luò)得到訓(xùn)練完成的輕量化卷積神經(jīng)網(wǎng)絡(luò)。步驟S4：將測(cè)試集中的人臉圖像輸入到訓(xùn)練好的輕量化卷積神經(jīng)網(wǎng)絡(luò)模型中，判斷識(shí)別是否準(zhǔn)確驗(yàn)證該輕量化模型是否能有效對(duì)人臉數(shù)據(jù)集進(jìn)行分類。

技術(shù)領(lǐng)域

本發(fā)明涉及一種人臉識(shí)別方法。

背景技術(shù)

5G時(shí)代來(lái)臨，隨著物聯(lián)網(wǎng)，大數(shù)據(jù)的技術(shù)逐步走向成熟，信息傳輸速率不斷加快，智能終端能在生活中幫助我們的范圍也在越來(lái)越寬。其中智能識(shí)別，智能分類，智能運(yùn)算運(yùn)用最為廣泛。而圖像，視頻的智能識(shí)別更是成為了我們生活中不可缺少的一部分.

面部識(shí)別作為捕捉人類活動(dòng)的重要信息來(lái)源，推動(dòng)了人臉識(shí)別技術(shù)的發(fā)展。在日常生活中越來(lái)越得到廣泛的應(yīng)用，例如，商業(yè)人臉支付系統(tǒng)、執(zhí)法系統(tǒng)等應(yīng)用。隨之出現(xiàn)了很多人臉模式識(shí)別的方法，例如：主成分分析(PCA)、線性判別分析(LDA)后向傳播神經(jīng)網(wǎng)絡(luò)(BPNN)和卷積神經(jīng)網(wǎng)絡(luò)(CNN)等。近年，卷積神經(jīng)網(wǎng)絡(luò)在大規(guī)模視覺(jué)識(shí)別挑戰(zhàn)賽(ILSV RC)上不斷地刷新了ImageNet數(shù)據(jù)集的識(shí)別記錄，

介于卷積神經(jīng)網(wǎng)絡(luò)對(duì)目標(biāo)圖片識(shí)別率高的特點(diǎn)，將其應(yīng)用到人臉識(shí)別當(dāng)中。創(chuàng)造基于輕量化卷積神經(jīng)網(wǎng)絡(luò)的人臉識(shí)別方法，進(jìn)而為人臉的正確識(shí)別提供有效的幫助，人臉數(shù)據(jù)姿態(tài)多種多樣，使得在模型訓(xùn)練過(guò)程中需要非常多的人臉數(shù)據(jù)，通常我們先建立好人臉圖像的訓(xùn)練集，在使用深度學(xué)習(xí)方法利用模型對(duì)大量的人臉數(shù)據(jù)進(jìn)行訓(xùn)練，生產(chǎn)訓(xùn)練好的模型，隨后構(gòu)建新的圖像驗(yàn)證集對(duì)模型進(jìn)行驗(yàn)證得到最終的分類識(shí)別結(jié)果。但是而由于神經(jīng)網(wǎng)絡(luò)的特性，為了獲得更高的準(zhǔn)確率，我們不斷的在增加其網(wǎng)絡(luò)的深度和復(fù)雜度，其內(nèi)部的參數(shù)數(shù)量，非線性映射也越來(lái)越龐大，因此也許很深的網(wǎng)絡(luò)結(jié)構(gòu)在競(jìng)賽和數(shù)據(jù)體現(xiàn)上會(huì)有很好的運(yùn)算結(jié)果，但在實(shí)際應(yīng)用中往往會(huì)受限于終端的存儲(chǔ)空間，運(yùn)算能力，計(jì)算速度等。

但是在日常人臉識(shí)別算法中我們往往要在毫秒中獲得學(xué)習(xí)結(jié)果，而這些設(shè)備往往處理器性能有限，也不能像在實(shí)驗(yàn)室里花大量時(shí)間訓(xùn)練運(yùn)算。因此大大限制了卷積神經(jīng)網(wǎng)絡(luò)在人臉識(shí)別的實(shí)用性。

發(fā)明內(nèi)容

本發(fā)明的目的在于提供一種人臉識(shí)別方法。

為解決上述問(wèn)題，本發(fā)明提供一種人臉識(shí)別方法，包括：

從公共數(shù)據(jù)集獲取人臉訓(xùn)練測(cè)試資源；

從所述人臉訓(xùn)練測(cè)試資源中獲取人臉圖像，對(duì)獲取的人臉圖像進(jìn)行預(yù)處理或者數(shù)據(jù)擴(kuò)充，得到人臉數(shù)據(jù)集；

將所述人臉數(shù)據(jù)集輸入由NVM模塊構(gòu)成的卷積神經(jīng)網(wǎng)絡(luò)得到訓(xùn)練完成的輕量化卷積神經(jīng)網(wǎng)絡(luò)；

將測(cè)試集中的人臉圖像輸入到訓(xùn)練好的輕量化卷積神經(jīng)網(wǎng)絡(luò)模型中，以得到輸出結(jié)果，對(duì)所述輸出結(jié)果進(jìn)行對(duì)比分析。

進(jìn)一步的，在上述方法中，所述公用數(shù)據(jù)集包括PubFig、4.Multi-Task FacialLandmark dataset或ORL人臉數(shù)據(jù)集。

進(jìn)一步的，在上述方法中，對(duì)獲取的人臉圖像進(jìn)行預(yù)處理或者數(shù)據(jù)擴(kuò)充，包括：

對(duì)獲取的人臉圖像進(jìn)行放大或者縮小。

進(jìn)一步的，在上述方法中，對(duì)獲取的人臉圖像進(jìn)行預(yù)處理或者數(shù)據(jù)擴(kuò)充，包括：

對(duì)獲取的人臉圖像進(jìn)行平移。

進(jìn)一步的，在上述方法中，對(duì)獲取的人臉圖像進(jìn)行預(yù)處理或者數(shù)據(jù)擴(kuò)充，包括：

對(duì)獲取的人臉圖像進(jìn)行放射變化。

進(jìn)一步的，在上述方法中，將所述人臉數(shù)據(jù)集輸入由NVM模塊構(gòu)成的卷積神經(jīng)網(wǎng)絡(luò)得到訓(xùn)練完成的輕量化卷積神經(jīng)網(wǎng)絡(luò)之前，還包括：