[發明專利]一種改進的LeNet-5嵌入式人臉識別方法及系統

有效

• 申請號: 202110498531.8
• 申請日: 2021-05-08
• 公開（公告）號: CN113283312B
• 公開（公告）日: 2023-10-17
• 發明（設計）人: 黃帥鳳;湯麗娟;梁龍兵;朱亞麗;姚瑤
• 申請（專利權）人: 江蘇商貿職業學院
• 主分類號: G06V40/16
• 分類號: G06V40/16;G06V10/774;G06V10/82;G06N3/0464;G06N3/084
• 代理公司: 南京蘇高專利商標事務所(普通合伙) 32204
• 代理人: 顏盈靜

1.一種改進的DeNet-5嵌入式人臉識別方法，其特征在于：包括以下步驟：

步驟1：構建權值共享且局部特征相連接的卷積神經網絡DeNet-5模型，所述卷積神經網絡DeNet-5模型由第一卷積采樣層、第二卷積采樣層、一個完全連接隱藏層和一個分類輸出層構成；

步驟2：將訓練數據輸入至卷積神經網絡LeNet-5模型中，其中，于第一卷積采樣層中提取訓練數據中的人臉圖像的第一圖像特征信息；于第二卷積采樣層中提取第一圖像特征信息中的第二圖像特征信息；于完全連接隱藏層中，根據第二圖像特征信息，提取圖像全局人臉特征；于分類輸出層中，根據圖像全局人臉特征，計算得到本次訓練的代價函數的輸出值；

循環執行步驟2，利用訓練數據對卷積神經網絡LeNet-5模型進行迭代訓練，直到代價函數的輸出值穩定在預設范圍內時完成訓練，得到訓練好的卷積神經網絡LeNet-5模型；

步驟3：將待識別的人臉圖像輸入至訓練好的卷積神經網絡LeNet-5模型中，得到人臉識別結果。

2.根據權利要求1所述的一種改進的DeNet-5嵌入式人臉識別方法，其特征在于：所述的于第一卷積采樣層中提取訓練數據中的人臉圖像的第一圖像特征信息，具體包括以下過程：各卷積核依次與輸入層中相同大小的區域內積并加上一個偏置bx以獲得卷積層；

采用最大采樣，取卷積層不重疊的相鄰n×n領域特征值的最大值，提取關鍵特征，得到第一圖像特征信息；其中，n為相鄰領域大小。

3.根據權利要求1所述的一種改進的DeNet-5嵌入式人臉識別方法，其特征在于：所述的于第二卷積采樣層中提取第一圖像特征信息中的第二圖像特征信息，具體過程為：

以第一圖像特征信息作為輸入信息，各卷積核依次與輸入信息中相同大小的區域內積并加上一個偏置bx以獲得卷積層；

采用最大采樣，取卷積層不重疊的相鄰n’×n’領域特征值的最大值，提取關鍵特征，得到第二圖像特征信息；其中，n’為相鄰領域大小。

4.根據權利要求1所述的一種改進的DeNet-5嵌入式人臉識別方法，其特征在于：所述的于完全連接隱藏層中，根據第二圖像特征信息，提取圖像全局人臉特征，具體包括以下過程：

將第二圖像特征信息用向量x表示，得到圖像全局人臉特征S(w_ix+b_j)，其中，w_i為權重，b_j為偏置，S()為Sigmoid激活函數。

5.根據權利要求1所述的一種改進的DeNet-5嵌入式人臉識別方法，其特征在于：所述的于分類輸出層中，根據圖像全局人臉特征，計算得到本次訓練的代價函數的輸出值，具體包括以下步驟：

給定某個人臉樣本(x_k,y_k)，對于每個神經元隨機生成連接參數W和偏置b，通過公式(5)進行前向運算得到各層輸出值；

O^(l+1)＝f(W^(l)x+b^(l)) (5)

因此對于分類輸出層的每個輸出神經元，得到輸出為：

式中，θ為網絡訓練參數；

所述的代價函數為：

對于分類輸出層的每個輸出神經元，采用反向傳播算法，通過對公式(7)求偏導計算其殘差

同理再計算其他各個層的殘差

最后根據殘差計算每一層的偏導數值：

在求得單個人臉樣本的代價函數對連接參數和偏置的偏導后，得出整體代價函數的偏導，最后帶入公式(12)、(13)更新連接參數和偏置：

經過多次迭代訓練后，連接參數和偏置穩定在預設范圍內時完成訓練，得到訓練好的卷積神經網絡LeNet-5模型。

6.一種人臉識別系統，其特征在于：包括嵌入式平臺和移植在所述嵌入式平臺中的人臉識別方法，所述人臉識別方法采用權利要求1至5任意一項所述的一種改進的DeNet-5嵌入式人臉識別方法。