[發(fā)明專(zhuān)利]一種改進(jìn)的LeNet-5嵌入式人臉識(shí)別方法及系統(tǒng)

有效

• 申請(qǐng)?zhí)枺?/td>: 202110498531.8
• 申請(qǐng)日: 2021-05-08
• 公開(kāi)（公告）號(hào): CN113283312B
• 公開(kāi)（公告）日: 2023-10-17
• 發(fā)明（設(shè)計(jì)）人: 黃帥鳳;湯麗娟;梁龍兵;朱亞麗;姚瑤
• 申請(qǐng)（專(zhuān)利權(quán)）人: 江蘇商貿(mào)職業(yè)學(xué)院
• 主分類(lèi)號(hào): G06V40/16
• 分類(lèi)號(hào): G06V40/16;G06V10/774;G06V10/82;G06N3/0464;G06N3/084
• 代理公司: 南京蘇高專(zhuān)利商標(biāo)事務(wù)所(普通合伙) 32204
• 代理人: 顏盈靜

本發(fā)明公開(kāi)了一種改進(jìn)的DeNet?5人臉識(shí)別方法及系統(tǒng)，以其能適用于資源及計(jì)算能力有限的嵌入式系統(tǒng)，本發(fā)明通過(guò)對(duì)典型卷積神經(jīng)網(wǎng)絡(luò)DeNet?5的結(jié)構(gòu)進(jìn)行改進(jìn)，設(shè)計(jì)為兩個(gè)卷積采樣層、一個(gè)全連接隱藏層和一個(gè)分類(lèi)輸出層，降低了網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜度，同時(shí)減少卷積核的個(gè)數(shù)、改進(jìn)池化方式以及分類(lèi)輸出方式，降低了計(jì)算復(fù)雜度，實(shí)驗(yàn)證明，本發(fā)明在保證訓(xùn)練和測(cè)試精度的同時(shí)，提高了在嵌入式平臺(tái)上進(jìn)行單人臉識(shí)別的速度。

技術(shù)領(lǐng)域

本發(fā)明屬于圖形圖像處理領(lǐng)域，具體涉及一種改進(jìn)的DeNet-5嵌入式人臉識(shí)別方法及系統(tǒng)。

背景技術(shù)

目前，我國(guó)信息化水平正不斷提高，信息安全問(wèn)題成為熱門(mén)話題。在這樣的背景下，信息安全和個(gè)人隱私保護(hù)己經(jīng)引起人們的密切關(guān)注。利用生物特征識(shí)別技術(shù)來(lái)進(jìn)行身份的識(shí)別已成為最有潛力的驗(yàn)證手段。人臉作為一種人體生物特征，具有偽造難、丟失難和便捷易用等獨(dú)特優(yōu)點(diǎn)。計(jì)算機(jī)人臉識(shí)別技術(shù)是人工智能領(lǐng)域的一個(gè)研究熱點(diǎn)，每年都有許多相應(yīng)的研究成果發(fā)表。人臉識(shí)別技術(shù)已經(jīng)開(kāi)始走進(jìn)人們的學(xué)習(xí)、生活和工作。傳統(tǒng)的人臉識(shí)別系統(tǒng)大多是基于PC平臺(tái)，而且是聯(lián)機(jī)應(yīng)用。但在實(shí)際應(yīng)用中往往對(duì)人臉識(shí)別系統(tǒng)要求有更高的便攜性、易用性和廉價(jià)性，因此產(chǎn)生了嵌入式人臉識(shí)別技術(shù)。但是人臉識(shí)別是一個(gè)融合了多個(gè)學(xué)科理論方法且富有挑戰(zhàn)性的前沿課題，仍然具有很多的問(wèn)題亟待進(jìn)一步的研究和解決。

目前嵌入式人臉識(shí)別技術(shù)也應(yīng)用到了人員的出入控制、身份驗(yàn)證等領(lǐng)域，但由于嵌入式設(shè)備本身的局限性，嵌入式人臉識(shí)別技術(shù)在實(shí)用性方面仍然存在識(shí)別速率慢等問(wèn)題。譬如考慮到嵌入式設(shè)備本身性能的問(wèn)題，人臉識(shí)別并不能具有較好的實(shí)時(shí)性；亦或是需要調(diào)用各類(lèi)開(kāi)源的人臉識(shí)別平臺(tái)API；又比如在用戶不配合、采集條件不理想的情況下，識(shí)別率將陡然下降的問(wèn)題。

發(fā)明內(nèi)容

發(fā)明目的：針對(duì)現(xiàn)有技術(shù)的不足，本發(fā)明給出了一種改進(jìn)的DeNet-5人臉識(shí)別方法，以其能適用于資源及計(jì)算能力有限的嵌入式系統(tǒng)。

技術(shù)方案：一種改進(jìn)的DeNet-5嵌入式人臉識(shí)別方法，包括以下步驟：

步驟1：構(gòu)建權(quán)值共享且局部特征相連接的卷積神經(jīng)網(wǎng)絡(luò)DeNet-5模型，所述卷積神經(jīng)網(wǎng)絡(luò)DeNet-5模型由第一卷積采樣層、第二卷積采樣層、一個(gè)完全連接隱藏層和一個(gè)分類(lèi)輸出層構(gòu)成；

步驟2：將訓(xùn)練數(shù)據(jù)輸入至卷積神經(jīng)網(wǎng)絡(luò)LeNet-5模型中，其中，于第一卷積采樣層中提取訓(xùn)練數(shù)據(jù)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(jù)第二圖像特征信息，提取圖像全局人臉特征；于分類(lèi)輸出層中，根據(jù)圖像全局人臉特征，計(jì)算得到本次訓(xùn)練的代價(jià)函數(shù)的輸出值；

循環(huán)執(zhí)行步驟2，利用訓(xùn)練數(shù)據(jù)對(duì)卷積神經(jīng)網(wǎng)絡(luò)LeNet-5模型進(jìn)行迭代訓(xùn)練，直到代價(jià)函數(shù)的輸出值穩(wěn)定在預(yù)設(shè)范圍內(nèi)時(shí)完成訓(xùn)練，得到訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)LeNet-5 模型；

步驟3：將待識(shí)別的人臉圖像輸入至訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)LeNet-5模型中，得到人臉識(shí)別結(jié)果。

進(jìn)一步的，所述的于第一卷積采樣層中提取訓(xùn)練數(shù)據(jù)中的人臉圖像的第一圖像特征信息，具體包括以下過(guò)程：各卷積核依次與輸入層中相同大小的區(qū)域內(nèi)積并加上一個(gè)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(lǐng)域特征值的最大值，提取關(guān)鍵特征，得到第一圖像特征信息；其中，n為相鄰領(lǐng)域大小。

進(jìn)一步的，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(guò)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(qū)域內(nèi)積并加上一個(gè)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(lǐng)域特征值的最大值，提取關(guān)鍵特征，得到第二圖像特征信息；其中，n’為相鄰領(lǐng)域大小。