[發(fā)明專利]一種基于深度學(xué)習(xí)的識別模組的識別方法、設(shè)備以及介質(zhì)

在審

• 申請?zhí)枺?/td>: 202110272142.3
• 申請日: 2021-03-12
• 公開（公告）號: CN113192240A
• 公開（公告）日: 2021-07-30
• 發(fā)明（設(shè)計(jì)）人: 陳靜怡;郭馨月
• 申請（專利權(quán)）人: 廣州朗國電子科技有限公司
• 主分類號: G07C9/00
• 分類號: G07C9/00;G06K9/00
• 代理公司: 廣州市越秀區(qū)哲力專利商標(biāo)事務(wù)所(普通合伙) 44288
• 代理人: 李健

1.一種基于深度學(xué)習(xí)的識別模組的識別方法，其特征在于，所述方法包括：

獲取攝像機(jī)采集的位于攝像機(jī)前面的圖像或者視頻；

對所述圖像或者視頻進(jìn)行預(yù)處理并獲取所述圖像或者所述視頻中的人臉；

提取所述人臉中的第一特征；

提取人臉數(shù)據(jù)庫中的人臉的第二特征；

將所述第一特征與所述第二特征通過基于深度學(xué)習(xí)的算法進(jìn)行識別得到識別結(jié)果；

根據(jù)識別結(jié)果控制門鎖打開或者提示認(rèn)證失敗。

2.如權(quán)利要求1所述的基于深度學(xué)習(xí)的識別模組的識別方法，其特征在于，所述方法還包括：

對所述基于深度學(xué)習(xí)的算法進(jìn)行訓(xùn)練，所述訓(xùn)練包括向前傳播和向后傳播兩個階段；

向前傳播階段：

獲取所有樣本，從所有樣本中取其中一個(X，Yp)，并將X視為輸入網(wǎng)絡(luò)；

通過輸入信息計(jì)算輸出Op；

輸入信息經(jīng)過六次轉(zhuǎn)換傳遞到輸出中；且在傳遞過程中，六層中每一層的權(quán)值矩陣與輸入信息相點(diǎn)乘，從而獲得輸出的結(jié)果Op，具體通過式1-1得到；

Op＝Fn(…(F2(F1(Xp W⁽¹⁾)W⁽²⁾)…)W⁽ⁿ⁾) (1-1)

向后傳播階段：

通過輸入輸出的值，計(jì)算輸入值和輸出值之間的實(shí)際誤差值；

利用反向傳播方法調(diào)整權(quán)矩陣，直至誤差達(dá)到最小。

3.如權(quán)利要求2所述的基于深度學(xué)習(xí)的識別模組的識別方法，其特征在于，所述方法還包括計(jì)算卷積層的梯度；所述計(jì)算卷積層的梯度包括：

通過對前一層的輸入特征進(jìn)行卷積運(yùn)算，得到一個輸出的特征圖，所述輸出的特征圖與多個輸入圖與之相關(guān)聯(lián)通過公式(1-2)表示：

其中，表示在第l層的第j個輸出；M_J表示第l層輸入特征圖的一個集合；b為在每個輸出的特征圖中都給定了一個偏差值。

4.如權(quán)利要求3所述的基于深度學(xué)習(xí)的識別模組的識別方法，其特征在于，所述方法還包括：

將l+1層的誤差信號圖進(jìn)行升采樣使得其和卷積層大小一致；

對升采樣后的誤差信號圖與第l層“激活函數(shù)偏導(dǎo)圖”執(zhí)行基于元素的乘法，并通過公式(1-3)將對應(yīng)卷積層中與之對應(yīng)的每個圖j和降采樣層對應(yīng)起來；

up(o)表示升采樣操作，通過Kronecker積進(jìn)行升采樣操作。

5.如權(quán)利要求4所述的基于深度學(xué)習(xí)的識別模組的識別方法，其特征在于，通過公式(1-4)計(jì)算降采樣層的梯度得到降采樣后的輸入圖的結(jié)果；

其中，down(*)為降采樣函數(shù)；利用降采樣函數(shù)對每一個輸入圖中不同的n*n區(qū)域求和，使得最終輸出圖相對于輸入圖在維度上小n倍，并且，每個輸出圖都有自己的附加偏差b和乘子偏差。

6.如權(quán)利要求5所述的基于深度學(xué)習(xí)的識別模組的識別方法，其特征在于，所述提取所述人臉中的第一特征，具體包括：

截取人臉部分圖像，同時經(jīng)過歸一化處理，得到一幅256x256像素大小的人臉圖像。

7.如權(quán)利要求6所述的基于深度學(xué)習(xí)的識別模組的識別方法，其特征在于，所述方法還包括對比度歸一化處理，所述對比度歸一化處理包括：

圖像的調(diào)整；

直方圖均衡化；

自適應(yīng)直方圖均衡化；

對比度正規(guī)化：將歸一化后的圖像轉(zhuǎn)換到RGB彩色空間。

8.如權(quán)利要求1所述的基于深度學(xué)習(xí)的識別模組的識別方法，其特征在于，獲取UMIST庫中的人臉圖像的姿態(tài)、表情，所述表情包括微笑、哀傷、張嘴、帶眼鏡。